馬　虹（南京工業(yè)職業(yè)技術(shù)學(xué)院能源與電氣工程學(xué)院，南京210023）

一種基于改進(jìn)遺傳算法的風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)設(shè)計(jì)*

馬虹*
（南京工業(yè)職業(yè)技術(shù)學(xué)院能源與電氣工程學(xué)院，南京210023）

針對(duì)移動(dòng)基站面廣量大，系統(tǒng)成本高等問題，研究并設(shè)計(jì)了基于改進(jìn)遺傳算法的風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)。首先，對(duì)系統(tǒng)進(jìn)行了軟硬件設(shè)計(jì)，支持遠(yuǎn)程智能控制；然后，提出了基于粒子群算法的改進(jìn)遺傳算法，對(duì)系統(tǒng)優(yōu)化配置，從而在滿足負(fù)荷用電的前提下，使系統(tǒng)壽命周期成本顯著降低，同時(shí)計(jì)算效率提高。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的系統(tǒng)工作性能穩(wěn)定可靠，系統(tǒng)成本降低，可在吐魯番等獨(dú)特氣候地區(qū)及無人值守的移動(dòng)通信基站中推廣使用。

風(fēng)光互補(bǔ)供電；優(yōu)化配置；遺傳算法；粒子群算法；移動(dòng)基站

隨著我國(guó)通信事業(yè)的快速發(fā)展，偏遠(yuǎn)地區(qū)和環(huán)境惡劣地區(qū)的網(wǎng)絡(luò)覆蓋和光纜中繼站的建設(shè)越來越多，而這些地區(qū)一般沒有電力或者電力不穩(wěn)定。尤其我國(guó)的吐魯番地區(qū)屬于獨(dú)特的暖溫帶大陸性干旱荒漠氣候，地處盆地之中，四周高山環(huán)抱，有著日照長(zhǎng)、氣溫高、晝夜溫差大、降水少、風(fēng)力強(qiáng)5大特點(diǎn)，素有“火州”、“風(fēng)庫(kù)”之稱。當(dāng)?shù)乜稍偕茉吹膬?chǔ)備十分豐富，其中以太陽(yáng)能和風(fēng)能尤為突出。風(fēng)光互補(bǔ)發(fā)電系統(tǒng)［1］能夠?yàn)檫@些地區(qū)基站的使用提供持續(xù)穩(wěn)定供電的電源，所謂風(fēng)光互補(bǔ)系統(tǒng)是指用太陽(yáng)能光伏陣列和風(fēng)力發(fā)電機(jī)組成的發(fā)電系統(tǒng)。合理的優(yōu)化配置可以比一般的估算配置要節(jié)省1/3左右的成本［2］，所以如何合理地優(yōu)化配置是風(fēng)光互補(bǔ)系統(tǒng)研究的熱點(diǎn)。

針對(duì)風(fēng)光互補(bǔ)系統(tǒng)優(yōu)化配置，學(xué)者進(jìn)行了大量研究。采用經(jīng)驗(yàn)來估算，往往造成系統(tǒng)裝機(jī)容量嚴(yán)重不足或過剩現(xiàn)象。早期的研究有非線性規(guī)劃［3］、整數(shù)規(guī)劃［4］、二次規(guī)劃［5］、動(dòng)態(tài)規(guī)劃等，其研究已較為成熟，并取得了一定的效果，但這些方法也有明顯的局限性，多數(shù)情況下只能找到最優(yōu)解。蘭華［6］采用小生境遺傳算法對(duì)風(fēng)光互補(bǔ)發(fā)電系統(tǒng)配置優(yōu)化，取得了較好效果。根據(jù)風(fēng)光互補(bǔ)供電技術(shù)的特點(diǎn)，本文重點(diǎn)研究了一種基于改進(jìn)遺傳算法的風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)。

1　風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)設(shè)計(jì)

對(duì)于吐魯番地區(qū)無人值守的通信基站，其電力網(wǎng)情況并不穩(wěn)定，機(jī)房環(huán)境惡劣，由于當(dāng)?shù)販夭钶^大，電源設(shè)備必須在高溫及低溫條件下可靠運(yùn)行，還要承受塵土、蟲類的侵蝕以及雷電的侵襲。這些要求使得供電系統(tǒng)設(shè)計(jì)、對(duì)備用電源及配電電路在環(huán)保、安全、安裝和維修等方面的考慮成為設(shè)計(jì)的關(guān)鍵問題，因?yàn)榛粳F(xiàn)場(chǎng)一旦出現(xiàn)故障，極其容易造成局域通信網(wǎng)絡(luò)的通信中斷等問題。所以本設(shè)計(jì)采用光電互補(bǔ)供電系統(tǒng)［7-8］，提高了系統(tǒng)供電的連續(xù)性、穩(wěn)定性和可靠性，并且通過對(duì)基站動(dòng)力、蓄電池溫度及環(huán)境參數(shù)進(jìn)行遠(yuǎn)程集中監(jiān)控［13］，及時(shí)掌握系統(tǒng)實(shí)時(shí)信息及故障信息等，可有效避免故障的出現(xiàn)。

風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)的硬件部分由主電路板和控制電路板［9，10］兩部分組成。同時(shí)為了實(shí)現(xiàn)基站動(dòng)力及環(huán)境參數(shù)進(jìn)行遠(yuǎn)程集中監(jiān)控，本供電系統(tǒng)［11-13］設(shè)計(jì)了多協(xié)議接口，可實(shí)現(xiàn)遠(yuǎn)程透明傳輸（無限制數(shù)據(jù)傳輸）、短信發(fā)送、語音撥號(hào)等功能。系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

圖1　風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)結(jié)構(gòu)框圖

風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)的供電系統(tǒng)軟件［14］設(shè)計(jì)如圖2所示。系統(tǒng)通過對(duì)采樣光伏電池電壓的判斷來決定程序進(jìn)入何種工作狀態(tài)。圖中Usp為光伏電池輸出電壓，Ud為蓄電池開啟充電電壓閥值（本系統(tǒng)取典型值15 V），Udark為天黑判斷電壓閥值（本系統(tǒng)取典型值2V）。若Usp≥Ud，光伏電池開始對(duì)蓄電池充電，程序執(zhí)行白天子程序；若Usp≤Udark，即光伏電池輸出電壓小于等于天黑判斷電壓閥值時(shí)，執(zhí)行夜晚子程序；若 Udark＜Usp＜Ud，執(zhí)行Udark＜Usp＜Ud時(shí)子程序。

圖2　系統(tǒng)總體設(shè)計(jì)流程圖

2　基于改進(jìn)遺傳算法的系統(tǒng)優(yōu)化配置

2.1系統(tǒng)優(yōu)化目標(biāo)和主要參數(shù)計(jì)算

風(fēng)光互補(bǔ)系統(tǒng)供電系統(tǒng)［15-16］的優(yōu)化配置可以看作目標(biāo)優(yōu)化問題，即在最大限度滿足負(fù)荷需求和可靠性的前提下，保證系統(tǒng)成本花費(fèi)最少。因此，成本函數(shù)可以看作是優(yōu)化問題的目標(biāo)函數(shù)。

式中，N代表部件數(shù)量，CPV、CWG、CBAT分別表示單個(gè)PV組件、風(fēng)機(jī)和蓄電池的成本費(fèi)用；MPV、MWG、MBAT分別表示單個(gè)PV組件、風(fēng)機(jī)和蓄電池每年所需的維持費(fèi)用；Ck為風(fēng)機(jī)支架折算為每米的成本費(fèi)用；Chm為光伏電池變換器的成本費(fèi)用；yPVch則表示在系統(tǒng)壽命期內(nèi)光伏電池變換器和逆變器要更換的數(shù)量；yBAT表示在壽命期里電池所要更換的數(shù)量。

主要的優(yōu)化參數(shù)計(jì)算有：

（1）系統(tǒng)中光伏組件最大數(shù)量：

其中，Pload為基站平均最大負(fù)載需求量；為單個(gè)光伏組件的最大功率輸出（W）。（2）系統(tǒng)中風(fēng)力發(fā)電機(jī)最大數(shù)量：

其中，PmWG為單個(gè)風(fēng)力發(fā)電機(jī)的最大功率輸出（W）。

（3）系統(tǒng)中的蓄電池?cái)?shù)量

其中，h為工作天數(shù)；n1為逆變器效率；n2為放電深度；VB為各單體電池的工作電壓；CB為每個(gè)單體電池的容量。

（5）風(fēng)機(jī)安裝高度：其中，Vi為高度為h米的風(fēng)速；V為在參考高度href米試驗(yàn)測(cè)得風(fēng)速的輸入?yún)?shù)；

（6）光伏陣列的傾角：

光伏陣列的傾角β的優(yōu)化設(shè)計(jì)，應(yīng)保證全年輻射量最大。為了簡(jiǎn)化計(jì)算，光伏陣列的最佳傾角β一般根據(jù)當(dāng)?shù)鼐暥却_定。

2.2基于粒子群算法的遺傳算法

傳統(tǒng)遺傳算法［17］是一種全局優(yōu)化搜索算法，簡(jiǎn)單、魯棒性強(qiáng)、適于并行處理，常用于發(fā)電系統(tǒng)的容量?jī)?yōu)化配置，但局部尋優(yōu)能力較差，運(yùn)行效率較低、參數(shù)難選擇等，尤其初始種群對(duì)結(jié)果影響較大。粒子群算法PSO（Particle Swarm Optimization）是一種模擬鳥群尋找棲息地而尋找最優(yōu)解的算法［18-19］，該算法［5］已被證明是一種全局最優(yōu)化方法。相對(duì)其它的進(jìn)化算法而言，粒子群算法有著運(yùn)行時(shí)間少，空間少，參數(shù)少，易實(shí)現(xiàn)。遺傳算法和粒子群算法各有優(yōu)劣，單獨(dú)使用使，遺傳算法效果更優(yōu)，但是粒子群算法速度更快，簡(jiǎn)單，易操作，可以為遺傳算法的進(jìn)化，提供大致的方向，這些優(yōu)勢(shì)可以使粒子群在遺傳算法初始化階段使用，減少由于隨機(jī)因素造成對(duì)遺傳算法初始化種群的過大影響，減少遺傳算法在不同次的進(jìn)化中相對(duì)偏差。

本文為了有效提高系統(tǒng)優(yōu)化配置的效率和精度，將遺傳算法和粒子群算法相結(jié)合，對(duì)系統(tǒng)進(jìn)行優(yōu)化配置。用粒子群算法產(chǎn)生遺傳算法的初始解，使遺傳算法能夠從比較好的初始解開始迭代。實(shí)驗(yàn)表明，該算法實(shí)現(xiàn)了風(fēng)光互補(bǔ)供電系統(tǒng)優(yōu)化配置，同時(shí)有效的提高了遺傳算法的全局收斂速度，只需較少的迭代次數(shù)，就能使得函數(shù)快速收斂，縮短了迭代誤差的時(shí)間。

改進(jìn)遺傳算法的設(shè)計(jì)：

（1）編碼

編碼［20］是應(yīng)用遺傳算法時(shí)要解決的首要問題，也是算法設(shè)計(jì)的一個(gè)關(guān)鍵步驟。對(duì)于本文所設(shè)計(jì)的多目標(biāo)的優(yōu)化問題，目前主要的編碼方式并不適合。本文采用一種不同于常規(guī)遺傳算法的實(shí)數(shù)編碼方式，即用一個(gè)實(shí)數(shù)表示一個(gè)基因，各個(gè)基因按一定的順序連成一個(gè)長(zhǎng)串，每個(gè)串定義為一個(gè)染色體。

（2）基于粒子群的初始化算法

本文通過粒子群算法來產(chǎn)生遺傳算法的初始解，初始化算法的步驟如下：

①隨機(jī)生成粒子群的位置和速度

粒子的位置和速度的維數(shù)為75，即隨機(jī)產(chǎn)生75個(gè)［a，b］之間的實(shí)數(shù)。

表1　PSO編碼表

如表1，每個(gè)粒子的位置對(duì)應(yīng)一列編號(hào)，該列編號(hào)即為遺傳算法的染色體。

②計(jì)算局部最優(yōu)解和整體最優(yōu)解，并如下更新粒子的速度和位置：

其中，i表示第i個(gè)粒子，j表示第 j維，k表示迭代次數(shù)，Mi表示粒子群最大迭代次數(shù)；c1，c2是學(xué)習(xí)因子；r1，r2是介于［0，1］之間的隨機(jī)數(shù)；和分別表示第i個(gè)粒子在第k次迭代中第 j維的速度和位置；pbes是粒子在第 j維的局部極值的坐標(biāo)；gbes是群體在第 j維的全局極值的坐標(biāo)。

③判斷是否達(dá)到最大迭代次數(shù)，如果是則結(jié)束算法，否則重復(fù)步驟（2）。

（3）適應(yīng)度函數(shù)設(shè)計(jì)

在遺傳算法中使用適應(yīng)度來度量群體中各個(gè)個(gè)體在優(yōu)化計(jì)算中達(dá)到或接近或有助于找到最優(yōu)解的優(yōu)良程度。因此適應(yīng)函數(shù)［21，22］的選擇至關(guān)重要。一般而言，適應(yīng)度函數(shù)是由目標(biāo)函數(shù)變換而成。本文風(fēng)光互補(bǔ)供電系統(tǒng)的優(yōu)化配置的目標(biāo)是在滿足負(fù)載需求和供電可靠性的前提下，系統(tǒng)成本花費(fèi)最小。所以本算法的適應(yīng)函數(shù) f（x）。

（4）遺傳算子的選擇

本文采用最佳個(gè)體保存方法設(shè)計(jì)選擇算子，即首先按輪盤賭選擇方法執(zhí)行遺傳算法的選擇操作，然后將當(dāng)前群體中適應(yīng)度最高的個(gè)體結(jié)構(gòu)完整地復(fù)制到下一代群體中。在遺傳算法中，交叉算子因其全局搜索能力而起著核心作用，采用分段交叉的方法，來提高算法的局部尋優(yōu)能力，將種群逐步向極值點(diǎn)引導(dǎo)，實(shí)現(xiàn)了算法的快速尋優(yōu)。對(duì)于變異算子的設(shè)計(jì)，采用兩種變異算子來改進(jìn)單一的變異算子，對(duì)于每個(gè)染色體，隨機(jī)產(chǎn)生一個(gè)數(shù)，在變異過程中，采取均勻變異和邊界變異兩種操作。

本文改進(jìn)遺傳算法的流程如圖3所示。

圖3　本文算法流程圖

3　實(shí)驗(yàn)結(jié)果及分析

本文所研究的風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)，其系統(tǒng)所需負(fù)荷最大為2.1 kW，每天工作24 h，太陽(yáng)能電池組件、風(fēng)機(jī)的使用壽命為20 y，逆變器的正常工作時(shí)間為40 000 h，蓄電池的使用壽命為3 y。吐魯番地區(qū)的風(fēng)速數(shù)據(jù)如表2所示。

表2　平均風(fēng)速速度　單位：m/s

本文采用的改進(jìn)遺傳算法對(duì)風(fēng)光互補(bǔ)移動(dòng)基站供電系統(tǒng)進(jìn)行優(yōu)化配置。其結(jié)果與單獨(dú)的光伏系統(tǒng)、單獨(dú)的風(fēng)電系統(tǒng)和未經(jīng)優(yōu)化的風(fēng)光互補(bǔ)供電系統(tǒng)比較，比較結(jié)果如表3所示。

表3　各種系統(tǒng)配置成本比較

表3比較結(jié)果表明，本文算法優(yōu)化后的系統(tǒng)成本不僅低于單獨(dú)的光伏系統(tǒng)、單獨(dú)的風(fēng)電系統(tǒng)，而且比一般遺傳算法低，證明了本文算法的有效性。同時(shí)表4比較結(jié)果表明，本文算法比一般遺傳算法的計(jì)算效率提高了15%，證明本文算法具有良好的計(jì)算效率。

表4　計(jì)算效率比較

圖4中所示波形為用風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)通過示波器所反映出來的波形。從圖中可以看出供電系統(tǒng)所提供的電能是非常穩(wěn)定的。圖中豎軸表示接收信號(hào)的代碼，橫軸表示在每一個(gè)時(shí)間發(fā)生的頻率。圖5中表示的是供電系統(tǒng)在充電過程中性能穩(wěn)定，當(dāng)蓄電池充滿的時(shí)候，不會(huì)放電，且可以自動(dòng)關(guān)閉，能夠延長(zhǎng)蓄電池壽命。本文所研究的供電系統(tǒng)具有良好的性能。

圖4　實(shí)驗(yàn)波形圖1

圖5　實(shí)驗(yàn)波形圖2

4　結(jié)論

本文針對(duì)吐魯番地區(qū)移動(dòng)基站供電困難、無人值守等問題，研究并設(shè)計(jì)了一種基于改進(jìn)遺傳算法的風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)。首先，對(duì)風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)進(jìn)行了軟硬件設(shè)計(jì)，支持遠(yuǎn)程智能控制，解決了吐魯番地區(qū)惡劣條件下無人值守的問題；然后，主要研究了移動(dòng)基站風(fēng)電互補(bǔ)供電系統(tǒng)的優(yōu)化配置問題，將傳統(tǒng)遺傳算法和粒子群算法進(jìn)行結(jié)合，提出了基于粒子群算法的改進(jìn)遺傳算法。利用粒子群算法求得遺傳算法的初始解，然后根據(jù)一定的隨機(jī)選擇概率選擇不同的交叉算子和變異算子。本文算法優(yōu)化后的基站供電系統(tǒng)，在滿足基站負(fù)荷需求的前提下，系統(tǒng)成本降低，具有更好的經(jīng)濟(jì)性能，同時(shí)具有更好的收斂速度。本文所設(shè)計(jì)的風(fēng)光互補(bǔ)移動(dòng)基站智能供電系統(tǒng)通過實(shí)際驗(yàn)證試驗(yàn)，其工作性能穩(wěn)定可靠，能量利用率提高了30%，性價(jià)比較高，是一種科學(xué)合理的離網(wǎng)型供電方案，適合在及類似地域無人值守的移動(dòng)通信基站中推廣使用，具有更強(qiáng)的市場(chǎng)競(jìng)爭(zhēng)力和十分廣闊的發(fā)展前景。

［1］ Hongxing Y，Lin，ZWei.A Novel Optimization Sizing Model for Hybrid Solar-W ind Power Generation System［J］.Solar Energy，2007，81：76-84.

［2］ 方燕，馬金花，高善峰，等.風(fēng)光互補(bǔ)路燈系統(tǒng)的優(yōu)化設(shè)計(jì)方法［J］.可再生能源，2009，27（1）：88-92.

［3］ Kalyanmoy Deb，Amrit Pratap，Sanler Agarwa1.A FastMulti-Objective Genetic Algorithms：NSGA-II［J］.IEEE Transaction on Evolutionary Computation，2002，6（2）：1053-1068.

［4］ Hartley L E，Martinez-Lozano JA，U lla M P，etal.The Optimization of Inclination ofa Solar Collector to Maximize the Incident Solar Radiationl［J］.Renewable Energy，1999：17-31.

［5］ Hongxing Yang，Wei Zhou.Optimal Sizing Method for Stand-Alone Hybrid Solar-Wind System with LPSP Technology by Using Genetic Algorithm.Solar Energy，2007（4）：1026-1033.

［6］ 蘭華，王偉，王韻然，等.基于小生境遺傳算法的風(fēng)光互補(bǔ)放電系統(tǒng)配置優(yōu)化［J］.東北電力大學(xué)學(xué)報(bào)，2010，30（4）：31-35.

［7］ 朱振宇.通信基站風(fēng)光互補(bǔ)供電系統(tǒng)設(shè)計(jì)［J］.浙江水利水電?？茖W(xué)校學(xué)報(bào)，2009，21（4）：38-41.

［8］ 謝鵬.光電互補(bǔ)供電系統(tǒng)在上川島公彎移動(dòng)基站的應(yīng)用研究［D］.華南理工大學(xué)，2010.

［9］ Dan Shen，Ashin Izadian.Modeling and Control of a Combined Wind-SolarMicrogrid.Industrial Electronics Society，2014：2173-2179.

［10］劉立群，王志新，顧臨峰.基于改進(jìn)模糊法的分布式風(fēng)光互補(bǔ)發(fā)電系統(tǒng)MPPT控制［J］.電力系統(tǒng)保護(hù)與控制，2011，39 （15）：70-79.

［11］Steady-State.Model of Large-Scale Grid-Connected Photovoltaic Power Generation System［C］//Proceedings of ISES Solar World Congress 2007：Solar Energy and Human Settlement（VolumeⅢ）. 2007：101-105.

［12］Elhadidy M A，Shaahid SM.Parametric Study of Hybrid（Wind+ Solar+Diesel）Power Generating Systems［J］.Renewable Energy，2000（21）：129-139.

［13］劉盼剛，文玉梅，李平.一種磁電自供電無線傳感器電源管理電路研究［J］.傳感技術(shù)學(xué)報(bào)，2008，21（8）：127-132.

［14］馬虹.光電互補(bǔ)智能供電系統(tǒng)的軟件設(shè)計(jì)［J］.南京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2015，15（2）：29-32.

［15］Yang JM，Cheng K W E，Wu J，et al.The Study of the Energy Management System Based-On Fuzzy Control for Distributed HybridWind-Solar Power System［J］.2004：113-117.

［16］Yang H X，Wei Z，Lin L.Optimal Sizing Method for Stand-Alone Hybrid Solar-W ind System with LPSPTechnology by Using Genetic Algorithm［J］.Solar Energy，2008，82（4）：354-367.

［17］Prasad R A，Natarajan E.Optimization of Integrated Photovoltaic-Wind Power Generation Systemswith Battery Storage［J］.Energy，2006（31）：1943-1954.

［18］Jun-hai Shi，Zhi-dan Zhong，Xin-jian Zhu，et al.Robust Design and Optimization for Autonomous PV-Wind Hybrid Power Systems ［J］.Journalof Zhejiang University Science A，2008，9（3）：51-57.

［19］Qi Zhiyuan.Coordinated Control for IndependentWind-Solar Hybrid Power System［C］//Power and Energy Engineering Conference，2012：1-4.

［20］Yang Mi，Han Zhang，Yue Tian，et al.Control and Operation of Hybrid Solar/W ind Isolated DC Micro Grid［C］//Transportation Electrification Asia-Pacific，2014：1-5.

［21］Ronghua Jiang，HoujunWang，Shulin Tian，etal.Multidimensional Fitness Function DPSO Algorithm for Analog Test Point Selection ［J］.Instrumentation and Measurement，2010，59（6）：1634-1641.

［22］Senthilnath J，Okar SN，ManiV，etal.Multiobjective Discrete Particle Swarm Optimization for Multisensor Image Alignment［J］. Geoscienceand Remote Sensing Letters，2013，10（5）：1095-1099.

［23］孫運(yùn)全，張?zhí)N昕，李亞杰.混合儲(chǔ)能在風(fēng)光互補(bǔ)發(fā)電系統(tǒng)中的能量管理與控制策略［J］.電子器件，2015，38（3）：688-692.

馬虹（1979-），女，漢族，江蘇南京人，南京工業(yè)職業(yè)技術(shù)學(xué)院工作，研究生，副教授，研究方向?yàn)閿?shù)據(jù)通信，mh_purple@ 163.com。

Wind/Solar Hybrid Power System in the Mobile Base Stations Based on a Im proved Genetic A lgorithm*

MA Hong*
（Nanjing Institute of Industry Technology，Nanjing 210023，China）

A new intelligent power supply system based on a improved genetic algorithm is studied and designed to solve these problems including large amount ofmobile base station，and high cost.Firstly，the hardware and software of the smart power supply station is designed，which can support remote control.Secondly，an improved genetic algorithm is proposed by combining the traditionaland particle swarm optimization algorithm for realizing the configuration optimization of the power system.Thirdly，this system cost is lower.The experiment results show that the power system is stable and reliable，a kind of reasonable off-grid power supply plan，just fitting to the base station where nobody on duty of Turpan area.

wind/solarhybrid power；configuration optimization；Genetic Algorithm；PSO；mobile base station

TP274；E968

A

1005-9490（2016）04-1010-05

項(xiàng)目來源：國(guó)家自然科學(xué)基金項(xiàng)目（61371170）；江蘇智能傳感器網(wǎng)絡(luò)工程技術(shù)研究開發(fā)中心開放基金項(xiàng)目（402050612ZK404）

2015-08-22修改日期：2015-09-29

EEACC:821010.3969/j.issn.1005-9490.2016.04.048