基于NSGA-Ⅱ算法的局域野戰(zhàn)微電網(wǎng)優(yōu)化配置

摘要： 為滿足新時(shí)代局部軍事行動(dòng)中的電力保障需求，提出一種基于分布式發(fā)電供應(yīng)與發(fā)電車機(jī)動(dòng)電能補(bǔ)充的新型局域野戰(zhàn)微電網(wǎng)系統(tǒng)。通過分析任務(wù)需求、軍事環(huán)境，以及系統(tǒng)資源配置需求，構(gòu)建局域野戰(zhàn)微電網(wǎng)優(yōu)化配置模型。與一般民用微電網(wǎng)模型相比，該模型著重考慮了電力供應(yīng)及時(shí)性、能源保障穩(wěn)定性、抗毀傷性等方面。針對所構(gòu)建的模型，基于非支配排序遺傳算法Ⅱ（non-dominated sorting genetic algorithm-Ⅱ， NSGA-Ⅱ）框架設(shè)計(jì)了求解算法，加入了精英保留機(jī)制及軍事決策者偏好因素。實(shí)驗(yàn)結(jié)果表明，局域野戰(zhàn)微電網(wǎng)優(yōu)化配置模型符合軍事行動(dòng)實(shí)際，求解算法具有較好的快速搜索和全局尋優(yōu)能力。

關(guān)鍵詞： 局域野戰(zhàn); 微電網(wǎng); 多目標(biāo); 進(jìn)化算法

中圖分類號(hào)： E 917

文獻(xiàn)標(biāo)志碼： A

DOI：10.12305/j.issn.1001-506X.2024.11.22

Optimal configuration of local field microgrid based on NSGA-Ⅱ algorithm

YE Yanfeng， MING Mengjun， LEI Hongtao^*

（College of Systems Engineering， National University of Defense Technology， Changsha 410037， China）

Abstract： In order to meet the needs of power supply in local military operations in the new era， a new local field microgrid system based on distributed generation supply and power supplement of generator vehicles is proposed. Based on the analysis of mission requirements， military environment and system resource requirements， a local field microgrid optimal configuration model is established. Compared with the general civil microgrid model， the model considers the timeliness of power supply， the stability of energy supply and anti-damage. According to the construct model， the solution algorithm is designed based on non-dominated sorting genetic algorithm-Ⅱ （NSGA-Ⅱ） framework， and the elite reservation mechanism and military decision-maker’s preference factor are added. Experimental results show that the optimal configuration model of local field micro-grid accords with the reality of military operations， and the solution algorithm has better ability of fast search and global optimization.

Keywords： local field; microgrid; multi-objective; evolutionary algorithm

0 引 言

隨著軍隊(duì)信息化不斷發(fā)展，軍隊(duì)作戰(zhàn)半徑不斷加大，軍事裝備競賽越來越激烈，大量新型武器裝備、通信設(shè)備被廣泛使用，對作戰(zhàn)中的供電保障能力提出了更高的要求。軍用微電網(wǎng)是為保障軍事基地、駐地營區(qū)、野外作戰(zhàn)等軍事活動(dòng)的能源需求，利用可再生能源等多種能源形式，將微電網(wǎng)技術(shù)與軍事應(yīng)用相結(jié)合的一類微電網(wǎng)。這類電網(wǎng)具有搭設(shè)速度快、環(huán)境要求低、電力保障穩(wěn)等特點(diǎn)，越來越受到軍隊(duì)的重視，歐美等發(fā)達(dá)國家發(fā)展軍用微電網(wǎng)技術(shù)較早，已陸續(xù)在陸、海、空等多個(gè)兵種多個(gè)基地建設(shè)了示范工程。相關(guān)部門領(lǐng)域也在逐步擴(kuò)大風(fēng)光柴儲(chǔ)新能源微電網(wǎng)的研究和使用，在高原哨所、邊海防等孤島環(huán)境下的獨(dú)立駐營部隊(duì)?wèi)?yīng)用了微電網(wǎng)。

當(dāng)前，研究微電網(wǎng)的文獻(xiàn)主要針對孤島型駐營部隊(duì)，在模型設(shè)計(jì)上，聚焦電網(wǎng)的組網(wǎng)模式、能量控制等方面，一般將風(fēng)、光、柴、儲(chǔ)等發(fā)電設(shè)備集中設(shè)計(jì)，在電網(wǎng)系統(tǒng)中所有發(fā)電設(shè)備和負(fù)載設(shè)備均有線路聯(lián)通，通盤考慮系統(tǒng)的功率平衡，例如文獻(xiàn)［1］提出基于改進(jìn)粒子群算法的島礁孤立多能源軍事供電系統(tǒng)運(yùn)行優(yōu)化研究，文獻(xiàn)［2］提出軍用獨(dú)立型光儲(chǔ)柴微電網(wǎng)模態(tài)轉(zhuǎn)換控制策略，文獻(xiàn)［3］提出基于分層控制的孤島微電網(wǎng)儲(chǔ)能優(yōu)化控制策略，文獻(xiàn)［4］進(jìn)行主動(dòng)配電網(wǎng)分布式電源規(guī)劃分析與研究，文獻(xiàn)［5］提出含混合儲(chǔ)能系統(tǒng)直流微電網(wǎng)分布式協(xié)調(diào)控制策略。在設(shè)計(jì)求解算法時(shí)，傳統(tǒng)的微電網(wǎng)往往將經(jīng)濟(jì)性作為優(yōu)化目標(biāo)，文獻(xiàn)［6］提出考慮儲(chǔ)能充放電的孤島微電網(wǎng)經(jīng)濟(jì)優(yōu)化模型，文獻(xiàn)［7］提出含不同類型能源的多局域電網(wǎng)優(yōu)化經(jīng)濟(jì)調(diào)度，文獻(xiàn)［8］提出基于排序交叉優(yōu)化算法的冷熱電聯(lián)供微電網(wǎng)經(jīng)濟(jì)調(diào)度。

在部隊(duì)野戰(zhàn)動(dòng)態(tài)條件下，各群隊(duì)往往會(huì)根據(jù)作戰(zhàn)隱蔽性等要求進(jìn)行疏散配置，各戰(zhàn)斗群隊(duì)相距幾公里甚至幾十公里。此外，各宿營地域往往會(huì)根據(jù)戰(zhàn)斗進(jìn)程進(jìn)行移動(dòng)設(shè)置，給微電網(wǎng)的集中線路設(shè)置帶來了極大挑戰(zhàn)。因此，本文提出一種新型局域野戰(zhàn)微電網(wǎng)，采用新能源發(fā)電設(shè)備分散伴隨設(shè)置，發(fā)電車機(jī)動(dòng)補(bǔ)充保障的電力供應(yīng)模式，此模式在電網(wǎng)鋪設(shè)簡便性、電力供應(yīng)及時(shí)性、能源供給抗毀性等方面較傳統(tǒng)孤島微電網(wǎng)有較大進(jìn)步。在設(shè)計(jì)求解算法時(shí)，考慮到局域野戰(zhàn)特點(diǎn)，本文將機(jī)動(dòng)性、經(jīng)濟(jì)性、能源供給穩(wěn)定性等作為優(yōu)化目標(biāo)，采用了多目標(biāo)進(jìn)化算法對問題進(jìn)行求解。這類算法基于群體搜索機(jī)制，具有運(yùn)行速度快、解集收斂好等優(yōu)點(diǎn)，更重要的是，該類算法能更全面地考慮系統(tǒng)中的多種決策因子，為決策者提供更合理的決策方案。

1 問題描述

本研究旨在針對局域野戰(zhàn)軍事行動(dòng)，構(gòu)建合適的作戰(zhàn)電力保障系統(tǒng)，針對系統(tǒng)需求及環(huán)境條件描述如下。

（1） 依據(jù)當(dāng)前典型局域野戰(zhàn)樣式，部隊(duì)投入戰(zhàn)場后，將根據(jù)職能任務(wù)分工，區(qū)分指揮所、主力作戰(zhàn)群隊(duì)、輔助作戰(zhàn)群隊(duì)、火力支援群隊(duì)、特種分隊(duì)、醫(yī)院后方保障群隊(duì)等進(jìn)行配置地域設(shè)置^［9］，為便于研究，本文將這些關(guān)鍵節(jié)點(diǎn)簡化為節(jié)點(diǎn)1～節(jié)點(diǎn)10。

（2） 各負(fù)載節(jié)點(diǎn)用電需求有起伏波動(dòng)。比如，戰(zhàn)斗前期，偵查分隊(duì)、指揮所等節(jié)點(diǎn)用電量相對較大，醫(yī)院等后方節(jié)點(diǎn)用電量相對較小;在戰(zhàn)斗中期，主力攻擊群、火力支援群等節(jié)點(diǎn)用電量相對較大，其他非作戰(zhàn)單元節(jié)點(diǎn)用電量相對較小;在戰(zhàn)斗后期，醫(yī)院、修理所等節(jié)點(diǎn)用電量相對較大。

（3） 考慮戰(zhàn)場隱蔽性要求及戰(zhàn)場地形特點(diǎn)，各負(fù)載節(jié)點(diǎn)對于光伏、風(fēng)機(jī)等發(fā)電設(shè)備有選擇限制，對于發(fā)電車是否可達(dá)有限制。比如，偵查分隊(duì)、前沿哨所等節(jié)點(diǎn)一般設(shè)置在配置地域前沿較為隱蔽的地方，發(fā)電設(shè)備僅能選擇柴油發(fā)電機(jī)，而且大發(fā)電車不可達(dá)，越野性能較好的小發(fā)電車可達(dá);主要戰(zhàn)斗群隊(duì)、火力支援群隊(duì)、特種作戰(zhàn)群隊(duì)等節(jié)點(diǎn)可以選擇光伏、柴油發(fā)電機(jī)等發(fā)電設(shè)備，并且大、小發(fā)電車均可達(dá);基本指揮所、后方保障群隊(duì)等人員較多的節(jié)點(diǎn)可以選擇光伏、風(fēng)電、垃圾發(fā)電等多種發(fā)電設(shè)備，并且大、小發(fā)電車均可達(dá)。

（4） 按照作戰(zhàn)戰(zhàn)術(shù)要求，各負(fù)載節(jié)點(diǎn)依托戰(zhàn)場地形進(jìn)行疏散梯次配置，主要負(fù)載節(jié)點(diǎn)往往相距數(shù)公里甚至幾十公里。在戰(zhàn)斗進(jìn)程中，有的負(fù)載節(jié)點(diǎn)還會(huì)進(jìn)行移動(dòng)設(shè)置。對于局域野戰(zhàn)微電網(wǎng)系統(tǒng)，可采用光伏、風(fēng)電、垃圾發(fā)電、柴油發(fā)電機(jī)等發(fā)電設(shè)備在各節(jié)點(diǎn)處進(jìn)行發(fā)電保障，當(dāng)某個(gè)節(jié)點(diǎn)出現(xiàn)缺電現(xiàn)象時(shí)，可將發(fā)電車機(jī)動(dòng)派遣至該節(jié)點(diǎn)補(bǔ)充發(fā)電，具體如圖1所示。

（5） 發(fā)電車裝置有光伏板、發(fā)電機(jī)、燃料電池等設(shè)備，考慮地形特點(diǎn)、戰(zhàn)術(shù)要求、用電規(guī)模等多種戰(zhàn)場因素，將發(fā)電車區(qū)分為大發(fā)電車和小發(fā)電車兩種。各負(fù)載節(jié)點(diǎn)間沒有輸電線路，有道路相通，發(fā)電車可以方便轉(zhuǎn)移，為了計(jì)算方便，忽略發(fā)電車的轉(zhuǎn)移時(shí)間。

2 局域野戰(zhàn)微電網(wǎng)優(yōu)化配置數(shù)學(xué)模型

針對以上關(guān)注問題和系統(tǒng)運(yùn)行條件，可建立以下優(yōu)化配置數(shù)學(xué)模型。

2.1 優(yōu)化目標(biāo)

傳統(tǒng)微電網(wǎng)往往將電網(wǎng)系統(tǒng)的經(jīng)濟(jì)性作為優(yōu)化目標(biāo)，考慮部隊(duì)的特殊性及野外作戰(zhàn)要求，本研究將機(jī)動(dòng)性、經(jīng)濟(jì)性、能源供給穩(wěn)定性作為局域野戰(zhàn)微電網(wǎng)系統(tǒng)的優(yōu)化目標(biāo)。

min F_obj=（V_total，C_all，T_oil）（1）

式中：V_total表示機(jī)動(dòng)性指標(biāo);C_all表示經(jīng)濟(jì)性指標(biāo);T_oil表示能源穩(wěn)定性指標(biāo)。機(jī)動(dòng)性是指所需設(shè)備盡量輕便易攜帶，便于戰(zhàn)場機(jī)動(dòng)，能源保障部門對發(fā)電設(shè)備進(jìn)行集中管理，光伏、風(fēng)機(jī)、蓄電池、柴油發(fā)電機(jī)等設(shè)備采用集中模塊化運(yùn)輸，本文用等效集裝箱節(jié)數(shù)作為量化指標(biāo)。經(jīng)濟(jì)性指的是所需設(shè)備盡量符合經(jīng)濟(jì)效益，包括各發(fā)電設(shè)備的購買費(fèi)用及維修費(fèi)用。能源供給穩(wěn)定性指的是在系統(tǒng)運(yùn)行時(shí)，各負(fù)載點(diǎn)盡量由配發(fā)至個(gè)節(jié)點(diǎn)的光伏、風(fēng)機(jī)等新能源發(fā)電設(shè)備滿足發(fā)電需求，盡可能減少使用柴油發(fā)電機(jī)及發(fā)電車。

2.2 約束條件

2.2.1 設(shè)備約束

（1） 光伏發(fā)電單元

對于光伏組件產(chǎn)生電能，有很多的影響因素，例如，光伏板晶體結(jié)構(gòu)、環(huán)境溫度、負(fù)載阻抗、有無陰影等^［10］。其中，光照強(qiáng)度、光照時(shí)長是影響發(fā)電的主要因素，估算太陽能電池組件的發(fā)電量如下：

E_P=λ₁λ₂λ₃λ₄λ₅W_pt_p（2）

式中：E_p表示光伏組件日平均發(fā)電量;λ₁代表溫度因子，設(shè)為0.95;λ₂代表串聯(lián)因子，設(shè)為0.9;λ₃代表充放電系數(shù)，設(shè)為0.93;λ₄代表灰塵遮蔽損失，設(shè)為0.93;λ₅代表輸配電損失，設(shè)為0.98;W_p表示光伏組件峰值功率;t_p表示當(dāng)?shù)厝照諘r(shí)長。

（2） 風(fēng)力發(fā)電單元

風(fēng)力發(fā)電設(shè)備的發(fā)電功率主要受當(dāng)?shù)仫L(fēng)速、設(shè)備額定功率等影響，對于小型的風(fēng)力發(fā)電機(jī)，計(jì)算發(fā)電量^［11］如下：

E_W=E_1W+E_2W， v_m≤v_i≤v_r

E_1W=∑［P_wt_w（v_i/v_H）³］， v_m≤v_i≤v_H

E_2W=∑P_wt_w， v_H≤v_i≤v_r（3）

式中：E_W表示風(fēng)力設(shè)備的日發(fā)電量;E_1W，E_2W表示風(fēng)力設(shè)備在不同風(fēng)速時(shí)的發(fā)電量;v_m，v_i，v_H，v_r分別表示風(fēng)機(jī)的啟動(dòng)風(fēng)速、當(dāng)?shù)豬時(shí)刻的風(fēng)速、風(fēng)機(jī)的額定風(fēng)速、停機(jī)風(fēng)速;P_w表示風(fēng)力發(fā)電設(shè)備的額定功率;t_w表示當(dāng)?shù)氐娜沼酗L(fēng)時(shí)長。

2.2.2 機(jī)動(dòng)性約束

機(jī)動(dòng)性主要考慮系統(tǒng)中光伏、風(fēng)機(jī)、蓄電池、柴油發(fā)電機(jī)的攜帶，公式如下：

V_all=V_p+V_w+V_b+V_d（4）

式中：V_p代表所有光伏設(shè)備的體積;V_w代表所有風(fēng)機(jī)設(shè)備的體積;V_b代表所有蓄電池的體積;V_d代表所有柴油發(fā)電機(jī)的體積。

2.2.3 功率平衡約束

第i天時(shí)，第j個(gè)節(jié)點(diǎn)的供電量應(yīng)不小于負(fù)載日用電需求，當(dāng)發(fā)電量不夠時(shí)，由發(fā)電車進(jìn)行補(bǔ)充用電保障。

情況 1 節(jié)點(diǎn)風(fēng)機(jī)、光伏設(shè)備發(fā)電滿足節(jié)點(diǎn)需求，即

N_sjE_Pi+N_wjE_wi≥L_ji（5）

式中：N_sj，E_Pi，N_wj，E_wi，L_ji分別代表j個(gè)節(jié)點(diǎn)的光伏板數(shù)量、單套光伏板日發(fā)電量、風(fēng)機(jī)數(shù)量、單臺(tái)風(fēng)機(jī)在第i天的發(fā)電量、j節(jié)點(diǎn)在第i天的日用電量。

若情況1式（5）成立，供電滿足需求。多余電量用來給蓄電池充電，給蓄電池充電時(shí)，充電量不能大于蓄電池容量E_bat，在各節(jié)點(diǎn)處可以采取并聯(lián)方式設(shè)置多個(gè)蓄電池增大蓄電容量，公式如下：

N_sjE_Pi+N_wjE_wi-L_ji=N_bjE_cha-i， E_cha-i≤E_bat（6）

式中：N_bj，E_cha-i表示節(jié)點(diǎn)蓄電池?cái)?shù)量和充電電量。

情況 2 當(dāng)發(fā)電設(shè)備供電不足時(shí)，由蓄電池放電補(bǔ)充用電需求，即

L_ji-（N_sjE_Pi+N_wjE_wi）=N_bjE_discha-i， E_discha-i≤E_cha-i（7）

式中：E_discha-i表示蓄電池放電電量。

情況 3 當(dāng)發(fā)電功率不足，且蓄電池放電仍不滿足需求時(shí)，由節(jié)點(diǎn)柴油發(fā)電機(jī)補(bǔ)充發(fā)電，即

L_ji-（N_sjE_Pi+N_wjE_wi+N_bjE_cha-i）=N_djP_dh_di， h_di≤12（8）

式中：N_dj，P_d，h_di分別代表第j個(gè)節(jié)點(diǎn)的柴油發(fā)電機(jī)數(shù)量、柴油發(fā)電機(jī)功率、日工作時(shí)長（設(shè)定日工作時(shí)長不大于12 h）。此時(shí)，可以計(jì)算第j個(gè)節(jié)點(diǎn)第i天的油料消耗，可以表示為

O_ji=0.2×［L_ji-（N_sjE_Pi+N_wjE_wi+N_bjE_cha-i）］（9）

情況 4 當(dāng)節(jié)點(diǎn)所有供電設(shè)備一起工作仍不滿足需求時(shí)，由發(fā)電車補(bǔ)充發(fā)電，即

L_ji-（N_sjE_Pi+N_wjE_wi+N_bjE_cha-i）-

N_djP_d×12=N_c1jP_c1h_c1ji+N_c2jP_c2h_c2ji（10）

式中：N_c1j，P_c1，h_c1ji，N_c2j，P_c2，h_c2ji分別表示在j節(jié)點(diǎn)的大發(fā)電車的數(shù)量、大發(fā)電車功率、大發(fā)電車工作時(shí)長、小發(fā)電車數(shù)量、小發(fā)電車功率、小發(fā)電車工作時(shí)長。此時(shí)，可以計(jì)算第j個(gè)節(jié)點(diǎn)第i天的油料消耗為

O_ji=0.2×N_djP_d×12+0.15×（N_c1jP_c1h_c1ji+N_c2jP_c2h_c2ji）（11）

情況 5 因戰(zhàn)場環(huán)境設(shè)置，題設(shè)中已確定在節(jié)點(diǎn)1和節(jié)點(diǎn)10處各有1臺(tái)垃圾發(fā)電設(shè)備，那么，在考慮上述情況時(shí)，對于節(jié)點(diǎn)1和節(jié)點(diǎn)10的日用電量需求可以用L_ji-E_gar表示。

2.2.4 經(jīng)濟(jì)效益約束

總的油料消耗等于各節(jié)點(diǎn)柴油發(fā)電機(jī)消耗及發(fā)電車消耗油料之和，即

T_oil=∑∑（O_dji+O_c1ji+O_c2ji）（12）

式中：O_dji是柴油發(fā)電機(jī)消耗油料；O_c1ji是大發(fā)電車消耗油料;O_c2ji是小發(fā)電車消耗油料。

總設(shè)備費(fèi)用等于各節(jié)點(diǎn)設(shè)備、大發(fā)電車、小發(fā)電車購買費(fèi)用及運(yùn)維費(fèi)用之和，即

C_all=N_pC_p+N_wC_w+N_dC_d+N_bC_b+

N_garC_gar+N_c1C_c1+N_c2C_c2（13）

式中：N_p是光伏數(shù)量;C_p是光伏的費(fèi)用;N_w風(fēng)機(jī)數(shù)量;C_w是風(fēng)機(jī)費(fèi)用;N_d是柴油發(fā)電機(jī)數(shù)量;C_d是柴油發(fā)電機(jī)費(fèi)用;N_b是蓄電池?cái)?shù)量;C_b是蓄電池費(fèi)用;N_gar是垃圾發(fā)電設(shè)備;C_gar是垃圾發(fā)電設(shè)備費(fèi)用;N_c1是大發(fā)電車數(shù)量;C_c1是大發(fā)電車費(fèi)用;N_c2是小發(fā)電車數(shù)量;C_c2是小發(fā)電車費(fèi)用。

2.2.5 戰(zhàn)場環(huán)境約束

各節(jié)點(diǎn)有設(shè)備安裝選擇限制，發(fā)電車有能否到達(dá)負(fù)載節(jié)點(diǎn)的限制，同一輛發(fā)電車有不能同時(shí)出現(xiàn)在兩個(gè)或以上的負(fù)載節(jié)點(diǎn)的限制。

3 多目標(biāo)進(jìn)化求解算法設(shè)計(jì)

本研究問題模型的求解，可以看作兩個(gè)階段：第一個(gè)階段是求解各節(jié)點(diǎn)需要的設(shè)備及系統(tǒng)總的發(fā)電車的需求;第二階段是求解系統(tǒng)內(nèi)發(fā)電車的優(yōu)化調(diào)度，發(fā)電車是作為后備補(bǔ)充能源，在系統(tǒng)內(nèi)車輛數(shù)量并不多，本文重點(diǎn)在于第一階段求解。

按照上述第2節(jié)對于系統(tǒng)模型的分析，第一階段求解可以采用多目標(biāo)優(yōu)化的方法求解。常用的多目標(biāo)優(yōu)化方法有兩種，一種是結(jié)合各個(gè)目標(biāo)函數(shù)從而轉(zhuǎn)換成單目標(biāo)優(yōu)化問題，這種方法雖然易操作，缺點(diǎn)是如果待優(yōu)化問題的帕累托前沿呈現(xiàn)出非凸性質(zhì)時(shí)難以獲得完整的解集。另一種是確定問題完整的帕累托最優(yōu)解或者是一個(gè)代表性的子集^［12-20］，然后從這些帕累托解中選擇決策者較為滿意的解，這類方法往往全局尋優(yōu)能力較強(qiáng)，解的收斂性較好。本研究采取第二種方法，在非支配排序遺傳算法Ⅱ（non-dominated sorting genetic algorithm-Ⅱ， NSGA-Ⅱ）^［21-28］的基礎(chǔ)上，加入了精英保留機(jī)制及決策者偏好向量。

3.1 NSGA-Ⅱ流程

為尋找多目標(biāo)問題的帕累托解集，NSGA-Ⅱ的核心思想是，通過對種群的非支配排序達(dá)到對種群的分級，然后計(jì)算種群個(gè)體的擁擠距離來保持種群的多樣性，流程如圖2所示。

本文采用了快速非支配排序，該排序方法需要計(jì)算種群N中每個(gè)個(gè)體i的兩個(gè)參數(shù)n_i（種群中支配每個(gè)個(gè)體i的數(shù)目）和s_i（種群中每個(gè)被個(gè)體i支配的集合）。

步驟 1 找出種群中所有n_i=0的個(gè)體，保存在集合F1（第一層）中。

步驟 2 對F1中的每個(gè)個(gè)體i，其所支配的個(gè)體集合s_i，遍歷s_i中每個(gè)個(gè)體j，n_j=n_j-1，若n_j=0，將j保存在集合H（第二層）中。

步驟 3 以H為當(dāng)前集合，重復(fù)步驟2，直到整個(gè)種群被分層。

擁擠度計(jì)算的目的是為了確保得到更加稀疏的解，使得帕累托解集更多樣，從而提高解的全局尋優(yōu)能力。擁擠距離計(jì)算的具體思路如下，將種群內(nèi)全部個(gè)體按照每個(gè)目標(biāo)函數(shù)值進(jìn)行升序排列，然后將首個(gè)和最后的個(gè)體擁擠距離設(shè)定為無限遠(yuǎn)，那么，第i個(gè)個(gè)體的擁擠距離則可以設(shè)置為第i+1和第i個(gè)體的所有目標(biāo)函數(shù)值之差的和。

3.2 精英保留機(jī)制

針對多目標(biāo)進(jìn)化問題的求解，本文在算法中加入了精英保留機(jī)制，目的是在種群遺傳變異時(shí)保留一些精英個(gè)體，使得較優(yōu)解不被進(jìn)化過程破壞。具體做法是，對于包含N個(gè)個(gè)體的種群，在每一次的迭代中，將適應(yīng)度較高的個(gè)體保存為精英個(gè)體，除精英個(gè)體外的N-1個(gè)個(gè)體進(jìn)行隨機(jī)遺傳操作，然后將精英個(gè)體插入到經(jīng)過遺傳變異后的個(gè)體集合，形成新一代種群。

3.3 決策者偏好向量

一般來說，決策者對于優(yōu)化目標(biāo)中子目標(biāo)的偏好程度會(huì)影響對解的選擇。加入決策者偏好，是基于本研究的軍事背景，在優(yōu)化模型中，本文設(shè)置了機(jī)動(dòng)性、經(jīng)濟(jì)性、能源供給穩(wěn)定性3個(gè)目標(biāo)，對于不同的作戰(zhàn)要求，決策者對子目標(biāo)的偏好是不同的。例如，對于持續(xù)時(shí)間短、行動(dòng)迅速的局域野戰(zhàn)，機(jī)動(dòng)性作用凸顯，這時(shí)決策者會(huì)偏向機(jī)動(dòng)性能好的方案，對于持續(xù)時(shí)間長、作戰(zhàn)范圍廣的局域野戰(zhàn)，能源供給穩(wěn)定性作用凸顯，這時(shí)決策者會(huì)偏向能源供給子目標(biāo)更優(yōu)的方案。在本研究中，為子目標(biāo)設(shè)置了決策者偏好向量X，并將偏好因素納入精英方法中，協(xié)同進(jìn)化，使得所求解更符合決策者意圖。

3.4 發(fā)電車調(diào)度優(yōu)化

在算法第一階段，求出了各節(jié)點(diǎn)所需設(shè)備種類、數(shù)量，以及系統(tǒng)對于大、小發(fā)電車總的需求，根據(jù)求出結(jié)果，可以計(jì)算出仿真時(shí)長內(nèi)各負(fù)載節(jié)點(diǎn)供電不足情況，用缺電量Z_ij表示（其中，i表示第i個(gè)節(jié)點(diǎn)，j表示第j天），如圖3所示。

當(dāng)負(fù)載節(jié)點(diǎn)出現(xiàn)缺電現(xiàn)象時(shí)，派遣發(fā)電車保障，調(diào)度方法步驟如下。

步驟 1 判斷負(fù)載節(jié)點(diǎn)大發(fā)電車是否可達(dá)，對于大發(fā)電車不能到達(dá)的節(jié)點(diǎn)，只能派出小發(fā)電車。

步驟 2 在第j天時(shí)，小發(fā)電車是否滿足負(fù)載點(diǎn)i缺電補(bǔ)充需求，如果滿足，則優(yōu)先派出小發(fā)電車，如果不滿足，則派出大發(fā)電車。

步驟 3 重復(fù)步驟1和步驟2，直至仿真結(jié)束。

4 算例分析

高技術(shù)條件下的局部戰(zhàn)爭是當(dāng)前軍事斗爭的主要作戰(zhàn)樣式，包括“斬首”行動(dòng)、渡海登島、城市巷戰(zhàn)等。本文研究根據(jù)當(dāng)前局域戰(zhàn)場作戰(zhàn)特點(diǎn)和樣式，在上述電力模型基礎(chǔ)上進(jìn)行算例分析。假定部隊(duì)規(guī)模在5 000人左右，仿真總時(shí)長90天，仿真步長1天，負(fù)載點(diǎn)為節(jié)點(diǎn)1～節(jié)點(diǎn)10。

4.1 負(fù)載點(diǎn)用電需求設(shè)置

各負(fù)載節(jié)點(diǎn)用電需求依據(jù)戰(zhàn)斗時(shí)節(jié)進(jìn)行變化，如圖4所示。

4.2 各節(jié)點(diǎn)發(fā)電設(shè)備選擇設(shè)置

各節(jié)點(diǎn)發(fā)電設(shè)備的設(shè)置如表1所示。

4.3 環(huán)境參數(shù)設(shè)置

為便于光伏發(fā)電設(shè)備、風(fēng)機(jī)設(shè)備的數(shù)學(xué)模型計(jì)算，假設(shè)，作戰(zhàn)地域每日光照時(shí)長為8 h、日有風(fēng)時(shí)長為12 h，當(dāng)?shù)厝诊L(fēng)速情況如圖5所示。

4.4 設(shè)備參數(shù)設(shè)置

設(shè)備的參數(shù)設(shè)置如表2所示。

4.5 算法參數(shù)設(shè)置

設(shè)置決策者對3個(gè)子目標(biāo)的偏好向量為X，本研究中設(shè)置具體值為（0.45，0.15，0.4）。

4.6 運(yùn)算結(jié)果

采用多目標(biāo)進(jìn)化算法對模型進(jìn)行求解，利用仿真軟件編碼實(shí)現(xiàn)，可以得到各節(jié)點(diǎn)設(shè)備數(shù)量如表3所示。

運(yùn)算得到大、小發(fā)電車調(diào)度情況如表4所示。

從實(shí)驗(yàn)結(jié)果看，基本符合決策者意圖，能較優(yōu)的保障各負(fù)載節(jié)點(diǎn)各時(shí)節(jié)的用電需求。在實(shí)驗(yàn)中發(fā)現(xiàn)，改變決策者偏好能得到其他相應(yīng)的解，如決策者偏好減小光伏、風(fēng)機(jī)等發(fā)電設(shè)備開銷，將得出油料消耗增多的相應(yīng)解;如決策者偏好減小總的系統(tǒng)油料消耗，將得出柴油發(fā)電機(jī)減少、其他設(shè)備增加的相應(yīng)解，對運(yùn)算結(jié)果不進(jìn)行贅述。

5 結(jié) 論

局域戰(zhàn)爭是未來戰(zhàn)爭的主要形態(tài)之一，如何有效保障動(dòng)態(tài)條件下的電力能源供給是當(dāng)前作戰(zhàn)部隊(duì)值得重視的問題。本文規(guī)劃設(shè)計(jì)一種針對局域野戰(zhàn)環(huán)境下的軍用微電網(wǎng)優(yōu)化配置模型，采取發(fā)電設(shè)備分布式伴隨保障和發(fā)電車機(jī)動(dòng)補(bǔ)充的電力能源保障策略，符合局域野戰(zhàn)特點(diǎn)。在充分考慮系統(tǒng)的機(jī)動(dòng)性、經(jīng)濟(jì)性、能源供給穩(wěn)定性的基礎(chǔ)上，采用了NSGA-Ⅱ求解算法框架，并且在算法中加入精英保留機(jī)制和決策者偏好向量，提高了算法的全局尋優(yōu)能力。研究結(jié)果可為作戰(zhàn)部隊(duì)能源保障部門制定局域野戰(zhàn)電力供應(yīng)系統(tǒng)提供指導(dǎo)，為聯(lián)合作戰(zhàn)能源保障能力建設(shè)提供借鑒。

參考文獻(xiàn)

［1］張國平， 王維俊， 米紅菊， 等. 基于改進(jìn)粒子群算法的島礁孤立多能源軍事供電系統(tǒng)運(yùn)行優(yōu)化研究［J］. 軍事運(yùn)籌與系統(tǒng)工程， 2021， 35（3）： 52-58.

ZHANG G P， WANG W J， MI H J， et al Research on operation optimization of island reef isolated multi-energy military power supply system based on improved particle swarm optimization algorithm［J］. Military Operations Research and Systems Engineering， 2021， 35（3）： 52-58.

［2］高明宇， 劉金寧， 馮長江. 軍用獨(dú)立型光儲(chǔ)柴微電網(wǎng)模態(tài)轉(zhuǎn)換控制策略［J］. 兵工自動(dòng)化， 2021， 40（6）： 1-7.

GAO M Y， LIU J N， FENG C J. Mode conversion control strategy of military independent optical diesel storage microgrid［J］. Ordnance Automation， 2021， 40（6）： 1-7.

［3］李瑜， 張占強(qiáng)， 孟克其勞， 等. 基于分層控制的孤島微電網(wǎng)儲(chǔ)能優(yōu)化控制策略［J］. 儲(chǔ)能科學(xué)與技術(shù)， 2022， 11（1）： 176-184.

LI Y， ZHANG Z Q， MENG K Q L， et al. Optimal control strategy for energy storage of isolated island microgrid based on hierarchical control［J］. Energy Storage Science and Technology， 2022， 11（1）： 176-184.

［4］李彥生. 主動(dòng)配電網(wǎng)分布式電源規(guī)劃分析與研究［J］. 電子設(shè)計(jì)工程， 2021， 29（12）： 14-18.

LI Y S. Analysis and research on distributed generation planning of active distribution network［J］. Electronic Design Engineering， 2021， 29（12）： 14-18.

［5］張瑞成， 翟電杰， 張怡. 含混合儲(chǔ)能系統(tǒng)直流微電網(wǎng)分布式協(xié)調(diào)控制策略［J］. 兵器裝備工程學(xué)報(bào)， 2020， 41（4）： 232-236.

ZHANG R C， ZHAI D J， ZHANG Y. Distributed coordinated control strategy for DC microgrid with hybrid energy storage system［J］. Journal of Ordnance Engineering， 2020， 41（4）： 232-236.

［6］江宏玲. 考慮儲(chǔ)能充放電的孤島微電網(wǎng)經(jīng)濟(jì)優(yōu)化模型［J］. 實(shí)驗(yàn)室研究與探索， 2022， 41（1）： 132-137.

JIANG H L. Economic optimization model of island microgrid considering energy storage charge and discharge［J］. Laboratory Research and Exploration， 2022， 41（1）： 132-137.

［7］馮麒銘， 劉繼春， 楊陽方， 等. 含不同類型能源的多局域電網(wǎng)優(yōu)化經(jīng)濟(jì)調(diào)度［J］. 電網(wǎng)技術(shù)， 2019， 43： 471-480.

FENG Q M， LIU J C， YANG Y F， et al. Optimal economic dispatch of multi local power grids with different types of energy［J］. Grid Technology， 2019， 43： 471-480.

［8］李堅(jiān)， 吳亮紅， 張紅強(qiáng)， 等. 基于排序交叉優(yōu)化算法的冷熱電聯(lián)供微電網(wǎng)經(jīng)濟(jì)調(diào)度［J］. 電力系統(tǒng)保護(hù)與控制， 2021， 49（18）： 137-145.

LI J， WU L H， ZHANG H Q， et al. Economic scheduling of combined cooling， heating and power micro grid based on sequencing cross optimization algorithm［J］. Power System Protection and Control， 2021， 49（18）： 137-145.

［9］伊洪冰， 張愛民， 劉亞東. 面向智能化戰(zhàn)爭的裝備保障［J］. 軍事交通學(xué)報(bào)， 2022， 1（2）： 29-32.

YING H B， ZHANG A M， LIU Y D. Equipment support for intelligent warfare［J］. Journal of Military Transportation， 2022， 1（2）： 29-32.

［10］苗青青， 石春艷， 張香平. 碳中和目標(biāo)下的光伏發(fā)電技術(shù)［J］. 化工進(jìn)展， 2022， 41（3）： 1125-1131.

MIAO Q Q， SHI C Y， ZHANG X P. Photovoltaic power generation technology under the goal of carbon neutralization［J］. Progress in Chemical Industry， 2022， 41（3）： 1125-1131.

［11］溫春雪， 路國杰. 并網(wǎng)中小型風(fēng)電系統(tǒng)最大功率跟蹤控制［J］. 可再生能源， 2012， 30（2）： 13-17.

WEN C X， LU G J. Maximum power tracking control of grid connected small and medium-sized wind power systems［J］. Renewable Energy Sources， 2012， 30（2）： 13-17.

［12］曹陽， 溫彩鳳， 劉珍， 等. 基于RSM和NSGA-Ⅱ法的風(fēng)電系統(tǒng)經(jīng)濟(jì)優(yōu)化研究［J］. 太陽能學(xué)報(bào)， 2022， 43（1）： 161-168.

CAO Y， WEN C F， LIU Z， et al. Research on economic optimization of wind power system based on RSM and NSGA-Ⅱ method［J］. Journal of Solar Energy， 2022， 43（1）： 161-168.

［13］XIANG Z， ZHU Z. Multi-objective optimization of a composite orthotropic bridge with RSM and NSGA-Ⅱ algorithm［J］. Journal of Constructional Steel Research， 2022， 188： 106938.

［14］孫鴻強(qiáng)， 張占月， 方宇強(qiáng). 基于NSGA-Ⅱ算法的編隊(duì)衛(wèi)星重構(gòu)策略［J］. 上海交通大學(xué)學(xué)報(bào)， 2021， 55（3）： 320-330.

SUN H Q， ZHANG Z Y， FANG Y Q. Formation satellite reconstruction strategy based on NSGA-Ⅱ algorithm［J］. Journal of Shanghai Jiaotong University， 2021， 55（3）： 320-330.

［15］陳嘉貝， 王青平， 葉源， 等. 基于NSGA-Ⅱ的波前相位畸變特性分析［J］. 系統(tǒng)工程與電子技術(shù)， 2022， 44（5）： 1439-1446.

CHEN J B， WANG Q P， YE Y， et al. Analysis of wavefront phase distortion based on NSGA-Ⅱ［J］. Systems Engineering and Electronics， 2022， 44（5）： 1439-1446.

［16］SU Z P， ZHANG G F， ZHOU X X， et al. Segment-adaptive spread spectrum audio watermarking using NSGA-Ⅱ［J］. Chinese Journal of Electronics， 2021， 30： 727-735.

［17］CHATURVEDI S， RAJASEKAR E， NATARAJAN S. Multi-objective building design optimization under operational uncertainties using the NSGA Ⅱ algorithm［J］. Buildings， 2020， 10（88）.DOI：10.3390/buildings10050088.

［18］ZHAGN J T， DONG Z C， CHEN T. Multi-objective optimal allocation of water resources based on the NSGA-2 algorithm while considering intergenerational equity： a case study of the middle and upper reaches of Huaihe River Basin， China［J］. International Journal of Environmental Research and Public Health， 2020， 17（9289）： 9289.

［19］RASHMI P， DHARAVATH R. NSGA-2 optimized fuzzy inference system for crop plantation correctness index identification［J］. IEEE Trans.on Sustainable Computing， 2022， 7（1）： 172-188.

［20］SCHAFFER J D. Multiple objective optimization with vector evaluated genetic algorithms［C］∥Proc.of the Hillsdale： L. Erlbaum Associates， 1985： 93-100.

［21］FONSECA C M， FLEMING P J. Genetic algorithm for multiobjective optimization： formulation， discussion and generation［C］∥Proc.of the San Mateo： Morgan Kauffman Publishers， 1993： 416-423.

［22］SRINIVAS N， DEB K. Multi-objective optimization using non-dominated sorting in genetic algorithms［J］. Evolutionary Computation， 1994， 2（3）： 221-248.

［23］ZITZLER E， THIELE L. Multi-objective evolutionary algorithms： a comparative case study and the strength Pareto approach［J］. IEEE Trans.on Evolutionary Computation， 1999， 3（4）： 257-271.

［24］DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multi-objective genetic algorithm： NSGA-Ⅱ［J］. IEEE Trans.on Evolutionary Computation， 2002， 6（2）： 182-197.

［25］HORN J， NAFPLIOTIS N， GOLDBERG D E. A niched Pareto genetic algorithm for multiobjective optimization［C］∥Proc.of the IEEE Congress on Evolutionary Computation， 1994： 82-87.

［26］KNOWLES J D， CORNE D W. Approximating the non-dominated front using the Pareto archived evolution strategy［J］. Evolutionary Computation， 2000， 8（2）： 149-172.

［27］CORNE D W， KNOWLES J D， OATES M J. The Pareto-envelope based selection algorithm for multi-objective optimization［M］. Berlin： Springer-Verlag， 2000： 869-878.

［28］REN Y Y. Multi-task scheduling of AGVS system based on improved NSGA-Ⅱ algorithm［J］. Journal of Physics： Conference Series， 2021， 1924（1）： 012007.

作者簡介

葉炎峰（1987—），男，碩士研究生，主要研究方向?yàn)檐娛履茉椿ヂ?lián)網(wǎng)。

明夢君（1993—），女，博士研究生，主要研究方向?yàn)閺?fù)雜系統(tǒng)建模與優(yōu)化。

雷洪濤（1982—），男，副教授，博士，主要研究方向?yàn)檫\(yùn)籌與管理、系統(tǒng)工程建模。