[发明专利]一种多堆燃料电池发电系统大规模机组组合优化方法

权利要求书

1.一种多堆燃料电池发电系统大规模机组组合优化方法，其特征在于，包括步骤：

步骤S100,通过K均值聚类法和蒙特卡罗模拟法，根据场景将燃料电池电堆聚类并建立概率分布模型；包括步骤：

将N个燃料电池电堆分成K个聚类，通过将聚类簇中具有较大的相似度的点，来完成各个场景的分类；所述场景为燃料电池发电系统中各个燃料电池电堆的使用情况；

生成情景的概率分布模型；根据燃料电池电堆情景建立非线性化模型，再通过求解非线性化模型得到情景树所有节点的情景及其概率，构成概率分布模型；

步骤S200,运用自适应惯性权值算法，使各燃料电池电堆根据概率分布模型在解空间中搜索追随当前的最优解，实现各燃料电池电堆出力功率寻优分配。

2.根据权利要求1所述的一种多堆燃料电池发电系统大规模机组组合优化方法，其特征在于，所述K均值聚类法包括步骤：首先，选取K个类中心；然后，将样本按规则归类并计算类的中心，不断变换类的中心重新归类；最后，重新得到K个聚类。

3.根据权利要求2所述的一种多堆燃料电池发电系统大规模机组组合优化方法，其特征在于，所述K均值聚类法中，每个场景到质心距离的概率距离计算公式为：

对于燃料电池发电系统的聚类目标函数为：

其中K为聚类数目即为燃料电池电堆群的数目，c_k为k簇的中心，x_j为k簇中的场景，优化目标为K个质心到簇内其它消减场景距离的总和最小；X_n为簇内N个场景，c_k为选出的K个质心场景。

4.根据权利要求3所述的一种多堆燃料电池发电系统大规模机组组合优化方法，其特征在于，所述蒙特卡罗模拟法包括步骤：首先，建立燃料电池发电阵列的概率分布模型；然后，确定模拟次数并随机抽样，经过数学计算得到随机解，随机解即为燃料电池电堆群的各个情景；最后，处理随机解数据，生成情景的概率分布模型。

5.根据权利要求4所述的一种多堆燃料电池发电系统大规模机组组合优化方法，其特征在于，所述生成情景的的概率分布模型为：

其中R表示所用统计特征的集合，包括燃料电池的使用情况以及整体系统的经济性；ω_i表示统计特征i的权重；s表示情景树中各个节点的情景所构成的集合；F_i是事先已知的统计特征i的值；B是只由0和1构成的矩阵，它的每一行都表示一个节点的分布情况；p是按节点顺序将各情景的发生概率组合而成的列向量；e表示一个全为1的N维列向量。

6.根据权利要求1所述的一种多堆燃料电池发电系统大规模机组组合优化方法，其特征在于，在所述步骤S200中，综合考虑燃料电池的寿命和整体系统的成本因素，将燃料电池机组按空间划分为几个区域；在各个区域内的各次迭代中，每个燃料电池电堆通过跟踪极值来更新自身在解空间中的位置与速度；

所述极值包括个体极值和全局极值；所述个体极值为燃料电池电堆在迭代过程中找到的自身最优解，自身最优解所对应的燃料电池电堆是极值电堆p_i,d；所述全局极值是各区域存在的局部最优解，局部最优解所对应的电堆是局部极值电堆p_b,d；

基于所述极值的局部优化：开始时段随机分布燃料电池电堆的初始状态，将燃料电池电堆按使用程度划分为几个区域；在各次迭代中，每个燃料电池电堆通过跟踪2个极值来更新自身在解空间中的使用情况；

基于所述极值的全局优化：为了避免搜索过程中算法过早地陷入局部最优解，经过一定的迭代计算后，寻优过程改用全局优化算法以加速收敛；多个燃料电池电堆通过跟踪个体极值电堆p_id和一个全局极值电堆p_g,d更新自身的使用情况和内部状态，在解空间中搜寻全局最优解。