CN106295914A - 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 - Google Patents
空间耦合粒子群算法及冷热电联供系统联合调度优化方法 Download PDFInfo
- Publication number
- CN106295914A CN106295914A CN201610858228.3A CN201610858228A CN106295914A CN 106295914 A CN106295914 A CN 106295914A CN 201610858228 A CN201610858228 A CN 201610858228A CN 106295914 A CN106295914 A CN 106295914A
- Authority
- CN
- China
- Prior art keywords
- particle
- cooling
- value
- heating
- supply
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 198
- 238000001816 cooling Methods 0.000 title claims abstract description 146
- 238000010438 heat treatment Methods 0.000 title claims abstract description 108
- 238000010168 coupling process Methods 0.000 title claims abstract description 87
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 87
- 230000008878 coupling Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010248 power generation Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000006978 adaptation Effects 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims description 37
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 28
- 239000000446 fuel Substances 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 17
- 239000007789 gas Substances 0.000 claims description 15
- 239000003345 natural gas Substances 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 claims 1
- 231100000719 pollutant Toxicity 0.000 claims 1
- 238000005057 refrigeration Methods 0.000 claims 1
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 22
- 238000005553 drilling Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000002028 premature Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical class [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种空间耦合粒子群算法和冷热电联供系统联合调度优化方法,算法包括:S1:设定基本参数;S2:初始化;S3:按照修正准则分别更新每个粒子的速度vij,位置xij,高度hij;S4:计算耦合协调度R;S5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤S3;若满足,执行步骤S6;S6:更新粒子个体极值和粒子群全局极值;S7:确定更新的历史个体适应度值和更新的历史全局适应度值;S8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤S3;若满足,执行步骤S9;S9:输出所述粒子群全局极值和所述全局适应度值。
Description
技术领域
本发明涉及能源控制技术领域,特别是涉及一种空间耦合粒子群算法及冷热电联供系统联合调度优化方法。
背景技术
在能源需求大幅增长与环境保护日益迫切的双重压力下,综合能源系统(Integrated energy system,IES)将成为未来30-50年能源领域的主要承载形式。伴随节能减排政策的促进以及天然气成本的降低,冷热电联供(Combined Cold Heat and Power,CCHP)技术作为供冷/热系统已得到示范和推广。冷热电联供技术的研究以热能的综合梯级利用为主线,考虑系统的经济性以及用户的电力需求,遵循冷热电联供系统的集成原则。其中,为考虑天然气与电力系统之间的相互影响,研究了天然气管道运行约束的电力风险评估和风电随机性的电力机组日前调度。这些研究或重点都是考虑电力、热力系统联合,或考虑电力、天然气联合,但均未综合考虑其三者的联合,也未提到综合能源系统的概念。在综合能源系统的研究中给出了CCHP输出与输入间的能源集线器模型,能够考虑不同能源之间的转换关系,然而未进行实质性地调度研究,也未考虑峰谷电价的影响。
为了获得最佳的调度方案,近年来,相关研究中有采用粒子群优化(ParticleSwarm Optimization,PSO)算法进行寻优,粒子群优化算法由于其快速、简便已广泛应用于函数优化、神经网络训练、组合优化、模式识别、电力系统优化等领域。随着融入改进的混沌策略、采用自适应变异算子的自调节、随机黑洞处理与聚类等方法引入了全局搜索信息,为其增加了解的多样性,在一定程度改善了过早收敛的缺陷。但优化效率低,效果不太令人满意。因此,现有优化电力、热力和天然气联合调度方案的方法都存在效率低、过早收敛的问题,进而获得的方案也不是最优方案。
发明内容
本发明的目的是提供一种空间耦合粒子群算法和综合能源冷热电联供系统联合调度优化方法,以解决现有电力调度方案的优化方法存在效率低、随机性强、过早收敛的问题,和避免现有技术中没有综合考虑综合能源系统中电力、热力和天然气之间的转换关系,从而通过本发明的算法和优化方法来得到更节约能源、更经济环保且工作更协调的基于综合能源系统的冷热电联供系统联合调度方案。
为实现上述目的,本发明提供了一种空间耦合粒子群算法,包括:
S1:设定基本参数,所述基本参数包括最大迭代次数kmax,粒子个数m,变量个数D,惯性权重的最大值ωmax,惯性权重的最小值ωmin,学习因子c1、c2,耦合协调度指标R0;
S2:初始化每个粒子的速度v0,位置x0和高度h0,粒子个体极值,粒子群全局极值,并将所述粒子个体极值代入适应度函数计算个体适应度值,将所述粒子群全局极值代入所述适应度函数计算全局适应度值;
S3:按照修正准则分别更新每个粒子的速度vij,位置xij,高度hij;
S4:将更新后的每个粒子的速度vij,位置xij,高度hij代入耦合协调数学模型,计算耦合协调度R;
S5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤S3;若满足,执行步骤S6;
S6:根据更新后的每个粒子的速度vij,位置xij,高度hij计算更新后的每个粒子的粒子个体极值和粒子群全局极值;
S7:将更新后的粒子个体极值代入所述适应度函数,获得当前个体适应度值,将所述当前个体适应度值与历史个体适应度值比较,如果所述当前个体适应度值较优,则确定所述当前个体适应度值为更新的历史个体适应度值;更新后的粒子群全局极值代入所述适应度函数,获得当前全局适应度值,将所述当前全局适应度值与历史全局适应度值比较,如果所述当前全局适应度值较优,则确定所述当前全局适应度值为更新的历史全局适应度值;
S8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤S3;若满足,执行步骤S9;
S9:输出所述粒子群全局极值和所述全局适应度值。
可选的,所述修正准则为:
其中,i=1,2,…,m,d=1,2,…,D,m为粒子个数,D为待优化变量的个数;c1和c2为学习因子;vid k、vid k+1分别为粒子i对应第d个待优化变量在第k次、第k+1次修正时对应的速度;xid k、xid k+1分别为粒子i对应第d个变量在第k次、第k+1次修正时对应的位置;pid k为粒子i对应第d个待优化变量在第k次修正时个体最优位置;pgd k为整个群体对应第d个变量在第k次修正时全局最优位置;r1,r2是介于0与1之间均匀分布的随机数;xij k+1、vij k+1分别为粒子i对应第j个变量在第k+1次修正时对应的位置和速度;hij k分别为粒子i对应第j个变量在第k次修正时对应的高度;hij k+1分别为粒子i对应第j个变量在第k+1次修正时对应的高度;ffitness i k表示粒子i在第k次修正时所对应的适应度值;ffitness i k+1表示粒子i在第k+1次修正时所对应的适应度值;fav k表示所有粒子在第k次修正时所对应的平均适应度值;Pg k表示所有粒子在第k次修正时所对应的最优适应度值;lj表示第j个变量对应的可行区间的长度。
可选的,所述耦合协调数学模型为其中,vij(k)表示第k次修正后的粒子速度,xij(k)表示第k次修正后的粒子位置,hij(k)表示第k次修正后的粒子高度,Tt=αvij(k)+βxij(k)+γhij(k),Tt表示综合评价指数,α,β,γ分别表示粒子速度的权重、粒子位置的权重和粒子高度的权重。
本发明还提供的一种冷热电联供系统联合调度优化方法,包括:
A1:建立峰谷电价下冷热电联供系统联合的调度模型;
A2:确定所述调度模型为适应度函数;
A3:根据所述适应度函数,利用空间耦合粒子群算法,获取所述适应度函数的最小值以及使所述适应度函数最小的变量;
A4:判断所述使所述适应度函数最小的变量是否满足约束条件,若满足,确定所述适应度函数的最小值和所述变量为最优调度模型;若不满足,返回步骤A3。
可选的,所述调度模型为fall=f(1)+f(2)+f(3),其中,f(1)为系统的购售电成本,f(2)为系统的燃料成本,f(3)为系统的环境成本;
所述购售电成本
式中,Cb,t、Cs,t分别为时刻购电和售电的价格;Plink,t为t时刻冷热电联供系统的购售电功率,Plink,t为正表示联供系统向电网买电,Plink,t为负表示向电网售电;
所述燃料成本为
式中,Ci(Pi(t))为第i个发电机组在单位时间t内产生的燃料成本;Ch(Hh(t))为第h个供冷热机组在单位时间t内产生的燃料成本;Cj(Pj(t),Hj(t))为第j个冷热电联供机组在单位时间t内产生的燃料成本;Np、Nc、Nh分别为仅发电机组、冷热电联供机组和仅供冷或热机组的个数;Pi(t)表示第i个仅发电机组的有功功率;Hh(t)为第h个仅供冷或热机组的供热出力;Pj(t)表示第j个冷热电联供电机组的有功功率,Hj(t)表示第j个冷热电联供电机组的供热出力;
所述环境成本式中,表示仅发电机组在单位时间t内产生的环境成本,表示仅供冷或热部分在单位时间t内产生的环境成本,冷热电联供部分在单位时间t内产生的环境成本;其中,
式中,ωC、ωS、ωP分别表示CO2、SO2、NOx的单位排放量所对应的环境价值与污染排放罚款之和;Np、Nc、Nh分别为仅发电机组、冷热电联供机组和仅供冷或热机组的个数;表示第i个仅发电机组的CO2的排放量,表示第i个仅发电机组的SO2的排放量,表示第i个仅发电机组的NOx的排放量;表示第i个仅供冷或热机组的CO2的排放量,表示第i个仅供冷或热机组的SO2的排放量,表示第i个仅供冷或热机组的NOx的排放量;表示第i个冷热电联供机组的CO2的排放量,表示第i个冷热电联供机组的SO2的排放量,表示第i个冷热电联供机组的NOx的排放量。
可选的,所述根据所述适应度函数,利用空间耦合粒子群算法,获取所述适应度函数的最小值以及使所述适应度函数最小的变量,具体包括:
A3-1:根据所述调度模型,设定基本参数;所述基本参数包括最大迭代次数kmax,粒子个数m,变量个数D,惯性权重的最大值ωmax,惯性权重的最小值ωmin,学习因子c1、c2,耦合协调度指标R0;所述变量个数D表示所述调度模型中待优化的机组的个数;
A3-2:初始化每个粒子的速度v0,位置x0和高度h0,粒子个体极小值,粒子群全局极小值,并将所述粒子个体极小值代入适应度函数计算个体适应度值,将所述粒子群全局极小值代入所述适应度函数计算全局适应度值;所述粒子为所述调度模型中仅发电机组的有功功率、仅供冷或热机组的供热出力、冷热电联供电机组的有功功率、冷热电联供电机组的供热出力;
A3-3:按照修正准则更新每个粒子的速度vij,位置xij,高度hij;
A3-4:将更新后的每个粒子的速度vij,位置xij,高度hij代入耦合协调数学模型,计算耦合协调度R;所述耦合协调数学模型为其中,vij(k)表示第k次修正后的粒子速度,xij(k)表示第k次修正后的粒子位置,hij(k)表示第k次修正后的粒子高度,Tt=αvij(k)+βxij(k)+γhij(k),Tt表示综合评价指数,α,β,γ分别表示粒子速度的权重、粒子位置的权重和粒子高度的权重;
A3-5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤A3-3;若满足,执行步骤A3-6;
A3-6:根据更新后的每个粒子的速度vij,位置xij,高度hij计算更新后的每个粒子的粒子个体极小值和粒子群全局极小值;
A3-7:将更新后的粒子个体极小值代入所述适应度函数,获得当前个体适应度值,将所述当前个体适应度值与历史个体适应度值比较,如果所述当前个体适应度值较小,则确定所述当前个体适应度值为更新的历史个体适应度值;更新后的粒子群全局极小值代入所述适应度函数,获得当前全局适应度值,将所述当前全局适应度值与历史全局适应度值比较,如果所述当前全局适应度值较小,则确定所述当前全局适应度值为更新的历史全局适应度值;
A3-8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤A3-8;若满足,执行步骤A3-9;
A3-9:输出所述粒子群全局极小值和所述全局适应度值。
可选的,所述第i个仅发电机组的CO2的排放量:
所述第i个仅发电机组的SO2的排放量:
所述第i个仅发电机组的NOx的排放量:
所述第i个仅供冷或热机组的CO2的排放量:
所述第i个仅供冷或热机组的SO2的排放量:
所述第i个仅供冷或热机组的NOx的排放量:
所述第i个冷热电联供机组的CO2的排放量:
所述第i个冷热电联供机组的SO2的排放量:
所述第i个冷热电联供机组的NOx的排放量:
其中,αi、βi、λi、γi、εi分别第i个机组的CO2气体排放参数;ρ为供热当量性能系数;εp SC、εp NC为仅供电部分的碳排放折算系数;εc SC、εc NC为冷热电联供部分的碳排放折算系数;εh SC、εh NC为仅供热部分的碳排放折算系数。
可选的,所述约束条件为:
(1)能量转换关系其中,和分别为天然气经过微型燃气轮机转化为电力和热能的转换效率;ηT为变压器效率;ηGB为燃气锅炉的制冷和制热的能效比;Te为冷热电联供与电网的能量交互值,Tg为冷热电联供与天然气网络的能量交互值;P(t)和H(t)分别为冷热电联供所供应的电负荷和热负荷;υMT为分配系数,且0≤υMT≤1;
(2)购售电功率范围
(3)有功功率和供热出力的范围其中,Pi min、Pi max分别为第i台仅发电机机组的有功功率Pi(t)的上下限值;Pj min、Pj max分别为第j台冷热电联供机组的有功功率Pj(t)的上下限值;Hj min、Hj max分别为第j台冷热电联供机组的供热出力Hj(t)的上下限值;Hh min、Hh max分别为第h台仅供冷或热机组的供热出力Hh(t)的上下限值;
(4)系统功率平衡其中,D表示待优化的机组的个数,PD(t)、HD(t)分别表示t时刻的总电负荷和总热负荷;
(5)系统许可的污染气体排放量范围其中,分别为第i个机组排放的CO2、SO2、NOx的排放量; 分别为所有机组CO2、SO2、NOx的配额排放量;T为系统工作的总时间;N为系统总机组数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的空间耦合粒子群算法对每一个粒子增加了高度这一迭代参数,在更新粒子时,是通过更新粒子的位置、速度和高度来更新粒子,使粒子群的寻优过程是在由位置、速度和高度构成的三维空间中进行,并且本发明还引入了耦合协调数学模型,将粒子的位置、速度和高度这三维参数彼此联系起来,使所有参数从总体上同时趋向最优解,达到将寻优视角指向全局极值点的目的。避免了传统的PSO算法随机性强,全局寻优能力差,容易使工作点陷入局部极值的情况发生。解决了传统的PSO算法过早收敛的问题,提高了寻优的精度与速度。由于速度v是时间的函数,此空间耦合粒子群算法不仅体现了空间上的联系,而且从时间尺度上也进行了一定关联。从粒子群算法的内部运动来看:当群体中的所有粒子对应的每一维参数变量跟随最优粒子对应的参数在一个全新的空间解域内搜寻时,可有效地将每一维参数变量彼此联系起来,从而使所有参数从总体上同时趋向最优解,而不是杂乱分裂的仅根据每一维参数变量的最优解而进行毫无目的和联系的寻优。不仅提高了全局收敛性,而且从根本上减少算法的无效路径,提高效率,大大降低了随机性。
本发明提供的冷热电联供系统联合调度优化方法,是利用上述空间耦合粒子群算法来寻求冷热电联供系统联合调度的最优方案,通过增加一维参数拓扑成三维空间的寻优空间,并融入耦合协调数学模型进行彼此关联地迭代,逐一更新冷热电联供系统中各个机组的出力,各个机组的出力包括仅发电机组的有功功率、仅供冷或热机组的供热出力、冷热电联供电机组的有功功率、冷热电联供电机组的供热出力等,并按照调度模型计算总的经济成本,再比较粒子群中的所有粒子最低总成本,最终确定了粒子群中的种群最低总成本对应的各机组出力,得到了最佳机组的出力分配方案,从而确定了以综合能源和峰谷电价为考虑因素的冷热电联供系统联合调度模型的最低总成本。由此可见,本发明公开的系统联合调度优化方法充分考虑了综合能源系统中的电力、热力和天然气之间的交互影响,利用空间耦合粒子群算法进行量子行为搜索寻优,避免了传统的PSO算法随机性强,全局寻优能力不强,容易使工作点陷入局部极值的情况发生。采用本优化方法获得的IES-CCHP联合调度方案的最低成本更准确,更符合实际,进而提高了能源利用率,降低电力成本,达到了节能减排的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的空间耦合粒子群算法的流程图;
图2为本发明提供的冷热电联供系统联合调度优化方法的流程图;
图3为冷热电联供系统系统各时段电负荷需求量曲线图;
图4为冷热电联供系统系统各时段热(冷)负荷需求量曲线图;
图5为采用标准粒子群算法(PSO)、空间粒子群算法(SPSO)和空间耦合粒子群算法(SC-PSO)进行优化的优化过程对比图;
图6为采用标准粒子群算法(PSO)、空间粒子群算法(SPSO)和空间耦合粒子群算法(SC-PSO)进行50次优化的优化结果分布对比图;
图7为冷热电联供系统中仅发电机组和冷热电联供机组的发电出力(即发电有功功率)分配曲线图;
图8为冷热电联供系统中冷热电联供机组和仅供热或供冷机组的供热出力分配曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种空间耦合粒子群算法和综合能源冷热电联供系统联合调度优化方法,以解决现有电力调度方案的优化方法存在效率低、过早收敛的问题,和避免现有技术中没有综合考虑综合能源系统中电力、热力和天然气之间的转换关系,从而通过本发明的算法和优化方法来得到更节约能源、更经济环保且工作更协调的基于综合能源系统的冷热电联供系统联合调度方案。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的空间耦合粒子群算法的流程图;如图1所示,该空间耦合粒子群算法包括以下步骤:
S1:设定基本参数,所述基本参数包括最大迭代次数kmax,粒子个数m,变量个数D,惯性权重的最大值ωmax,惯性权重的最小值ωmin,学习因子c1、c2,耦合协调度指标R0;
S2:初始化每个粒子的速度v0,位置x0和高度h0,粒子个体极值,粒子群全局极值,并将所述粒子个体极值代入适应度函数计算个体适应度值,将所述粒子群全局极值代入所述适应度函数计算全局适应度值;
S3:按照修正准则分别更新每个粒子的速度vij,位置xij,高度hij;
S4:将更新后的每个粒子的速度vij,位置xij,高度hij代入耦合协调数学模型,计算耦合协调度R;
S5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤S3;若满足,执行步骤S6;
S6:根据更新后的每个粒子的速度vij,位置xij,高度hij计算更新后的每个粒子的粒子个体极值和粒子群全局极值;
S7:将更新后的粒子个体极值代入所述适应度函数,获得当前个体适应度值,将所述当前个体适应度值与历史个体适应度值比较,如果所述当前个体适应度值较优,则确定所述当前个体适应度值为更新的历史个体适应度值;更新后的粒子群全局极值代入所述适应度函数,获得当前全局适应度值,将所述当前全局适应度值与历史全局适应度值比较,如果所述当前全局适应度值较优,则确定所述当前全局适应度值为更新的历史全局适应度值;
S8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤S3;若满足,执行步骤S9;
S9:输出所述粒子群全局极值和所述全局适应度值。
该空间耦合粒子群算法中,通过对每一个粒子增加高度这一维迭代参数,在更新粒子时,是通过更新粒子的位置、速度和高度来更新粒子,使粒子群的寻优过程是在由位置、速度和高度构成的三维空间中进行;其寻优过程有如在绵延山群中,站在每个山腰均容易得到所在山头极值点,通过增加一维高度参数的扰动,能促使粒子改变寻优视角,便于寻求整个山脉的最高处。并且本发明提供的空间耦合粒子群算法还引入了耦合协调数学模型,将粒子的位置、速度和高度这三维参数彼此联系起来,使所有参数从总体上同时趋向最优解,达到将寻优视角指向全局极值点的目的。避免了传统的PSO算法随机性强,全局寻优能力差,容易使工作点陷入局部极值的情况发生。解决了传统的PSO算法过早收敛的问题,提高了寻优的精度与速度。由于速度v是时间的函数,此空间耦合粒子群算法不仅体现了空间上的联系,而且从时间尺度上也进行了一定关联。从粒子群算法的内部运动来看:当群体中的所有粒子对应的每一维参数变量跟随最优粒子对应的参数在一个全新的空间解域内搜寻时,可有效地将每一维参数变量彼此联系起来,从而使所有参数从总体上同时趋向最优解,而不是杂乱分裂的仅根据每一维参数变量的最优解而进行毫无目的和联系的寻优。不仅提高了全局收敛性,而且从根本上减少算法的无效路径,提高效率,大大降低了随机性。
在上述实施例中,修正准则可以为:
其中,i=1,2,…,m,d=1,2,…,D,m为粒子个数,D为待优化变量的个数;c1和c2为学习因子;vid k、vid k+1分别为粒子i对应第d个待优化变量在第k次、第k+1次修正时对应的速度;xid k、xid k+1分别为粒子i对应第d个变量在第k次、第k+1次修正时对应的位置;pid k为粒子i对应第d个待优化变量在第k次修正时个体最优位置;pgd k为整个群体对应第d个变量在第k次修正时全局最优位置;r1,r2是介于0与1之间均匀分布的随机数;xij k+1、vij k+1分别为粒子i对应第j个变量在第k+1次修正时对应的位置和速度;hij k分别为粒子i对应第j个变量在第k次修正时对应的高度;hij k+1分别为粒子i对应第j个变量在第k+1次修正时对应的高度;ffitness i k表示粒子i在第k次修正时所对应的适应度值;ffitness i k+1表示粒子i在第k+1次修正时所对应的适应度值;fav k表示所有粒子在第k次修正时所对应的平均适应度值;Pg k表示所有粒子在第k次修正时所对应的最优适应度值;lj表示第j个变量对应的可行区间的长度。
通过该修正准则可以看出,每个粒子都通过位置、速度和高度这三维参数进行迭代,通过高度这一维参数的扰动,能促使粒子改变寻优视角,便于寻求由位置、速度和高度构成的三维空间中的最高处或最低处,以获得极值点。通过该修正准则,避免了传统的PSO算法随机性强,全局寻优能力差,容易使工作点陷入局部极值的情况发生。解决了传统的PSO算法过早收敛的问题,提高了寻优的精度与速度。
在本实施例中,所述耦合协调数学模型为其中,vij(k)表示第k次修正后的粒子速度,xij(k)表示第k次修正后的粒子位置,hij(k)表示第k次修正后的粒子高度,Tt=αvij(k)+βxij(k)+γhij(k),Tt表示综合评价指数,α,β,γ分别表示粒子速度的权重、粒子位置的权重和粒子高度的权重。
现有的耦合度函数的缺点是仅仅能够描述系统之间协调发展的程度,但是无法确定系统是在较高的水平上相互促进,还是在较低的水平上紧密联系。因此,本实施例引入耦合协调数学模型,不仅能够反映系统之间的协调程度,还能体现协调发展水平的阶段性。其中,R值越大,反映了系统之间在高水平上相互协调。按照耦合协调度R的大小可以划分不同耦合协调发展阶段,即,
0<R<0.3,低级耦合协调;
0.3≤R<0.5,中级耦合协调;
0.5≤R<0.8,高级耦合协调;
0.8≤R<1,极度耦合协调。
图2为本发明提供的冷热电联供系统联合调度优化方法的流程图;如图2所示,该冷热电联供系统联合调度优化方法,包括以下步骤:
A1:建立峰谷电价下冷热电联供系统联合的调度模型;
A2:确定所述调度模型为适应度函数;
A3:根据所述适应度函数,利用空间耦合粒子群算法,获取所述适应度函数的最小值以及使所述适应度函数最小的变量;
A4:判断所述使所述适应度函数最小的变量是否满足约束条件,若满足,确定所述适应度函数的最小值和所述变量为最优调度模型;若不满足,返回步骤A3。
本发明公开的系统联合调度优化方法充分考虑了综合能源系统中的电力、热力和天然气之间的交互影响,利用空间耦合粒子群算法进行量子行为搜索寻优,避免了传统的PSO算法随机性强,全局寻优能力不强,容易使工作点陷入局部极值的情况发生。采用本优化方法获得的IES-CCHP联合调度方案的最低成本更准确,更符合实际,进而提高了能源利用率,降低电力成本,达到了节能减排的效果。
在本实施例中,IES-CCHP(综合能源冷热电联供系统)环保经济优化调度的目标是,在整个调度周期T内,在满足IES能量转换关系的条件下,使系统购售电成本、燃料成本与环境成本之和达到最小值,因此,本实施例中的调度模型可以为fall=f(1)+f(2)+f(3),其中,f(1)为系统的购售电成本,f(2)为系统的燃料成本,f(3)为系统的环境成本。当然,在面对其他调度问题时,调度模型也会随之改变。
其中,购售电成本为
式中,Cb,t、Cs,t分别为时刻购电和售电的价格;Plink,t为t时刻冷热电联供系统的购售电功率,Plink,t为正表示联供系统向电网买电,Plink,t为负表示向电网售电。可见,购售电成本是与冷热电联供系统的购售电功率有关,因此,在调度方案中,调整购售电功率即可调整购售电成本大小。
燃料成本为
式中,Ci(Pi(t))为第i个发电机组在单位时间t内产生的燃料成本;Ch(Hh(t))为第h个供冷热机组在单位时间t内产生的燃料成本;Cj(Pj(t),Hj(t))为第j个冷热电联供机组在单位时间t内产生的燃料成本;Np、Nc、Nh分别为仅发电机组、冷热电联供机组和仅供冷或热机组的个数;Pi(t)表示第i个仅发电机组的有功功率;Hh(t)为第h个仅供冷或热机组的供热出力;Pj(t)表示第j个冷热电联供电机组的有功功率,Hj(t)表示第j个冷热电联供电机组的供热出力。可见燃料成本是与仅发电机组、冷热电联供机组和仅供冷或热机组的机组数量和各个机组的出力有关的,本文中出现的机组出力均包括仅发电机组的有功功率、冷热电联供电机组的有功功率、冷热电联供电机组的供热出力和仅供冷或热机组的供热出力。因此,在调度方案中调整各个机组的出力情况以及机组的数量即可实现燃料成本的调控。
所述环境成本式中,表示仅发电机组在单位时间t内产生的环境成本,表示仅供冷或热部分在单位时间t内产生的环境成本,冷热电联供部分在单位时间t内产生的环境成本;其中,
式中,ωC、ωS、ωP分别表示CO2、SO2、NOx的单位排放量所对应的环境价值与污染排放罚款之和;Np、Nc、Nh分别为仅发电机组、冷热电联供机组和仅供冷或热机组的个数;表示第i个仅发电机组的CO2的排放量,表示第i个仅发电机组的SO2的排放量,表示第i个仅发电机组的NOx的排放量;表示第i个仅供冷或热机组的CO2的排放量,表示第i个仅供冷或热机组的SO2的排放量,表示第i个仅供冷或热机组的NOx的排放量;表示第i个冷热电联供机组的CO2的排放量,表示第i个冷热电联供机组的SO2的排放量,表示第i个冷热电联供机组的NOx的排放量。
其中,第i个仅发电机组的CO2的排放量:
第i个仅发电机组的SO2的排放量:
第i个仅发电机组的NOx的排放量:
第i个仅供冷或热机组的CO2的排放量:
第i个仅供冷或热机组的SO2的排放量:
第i个仅供冷或热机组的NOx的排放量:
第i个冷热电联供机组的CO2的排放量:
第i个冷热电联供机组的SO2的排放量:
第i个冷热电联供机组的NOx的排放量:
其中,αi、βi、λi、γi、εi分别第i个机组的CO2气体排放参数;ρ为供热当量性能系数;εp SC、εp NC为仅供电部分的碳排放折算系数;εc SC、εc NC为冷热电联供部分的碳排放折算系数;εh SC、εh NC为仅供热部分的碳排放折算系数。
可见环境成本是与仅发电机组、冷热电联供机组和仅供冷或热机组的机组数量和各个机组的出力有关的。因此,在调度方案中调整各个机组的出力情况以及机组的数量即可实现环境成本的调控。
在本实施例中,步骤A3:根据适应度函数,利用空间耦合粒子群算法,获取适应度函数的最小值以及使适应度函数最小的变量,具体步骤可以包括:
A3-1:根据所述调度模型,设定基本参数;所述基本参数包括最大迭代次数kmax,粒子个数m,变量个数D,惯性权重的最大值ωmax,惯性权重的最小值ωmin,学习因子c1、c2,耦合协调度指标R0;所述变量个数D表示所述调度模型中待优化的机组的个数;
A3-2:初始化每个粒子的速度v0,位置x0和高度h0,粒子个体极小值,粒子群全局极小值,并将所述粒子个体极小值代入适应度函数计算个体适应度值,将所述粒子群全局极小值代入所述适应度函数计算全局适应度值;所述粒子为所述调度模型中仅发电机组的有功功率、仅供冷或热机组的供热出力、冷热电联供电机组的有功功率、冷热电联供电机组的供热出力;
A3-3:按照修正准则更新每个粒子的速度vij,位置xij,高度hij;
A3-4:将更新后的每个粒子的速度vij,位置xij,高度hij代入耦合协调数学模型,计算耦合协调度R;所述耦合协调数学模型为其中,vij(k)表示第k次修正后的粒子速度,xij(k)表示第k次修正后的粒子位置,hij(k)表示第k次修正后的粒子高度,Tt=αvij(k)+βxij(k)+γhij(k),Tt表示综合评价指数,α,β,γ分别表示粒子速度的权重、粒子位置的权重和粒子高度的权重;
A3-5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤A3-3;若满足,执行步骤A3-6;
A3-6:根据更新后的每个粒子的速度vij,位置xij,高度hij计算更新后的每个粒子的粒子个体极小值和粒子群全局极小值;
S7:将更新后的粒子个体极小值代入所述适应度函数,获得当前个体适应度值,将所述当前个体适应度值与历史个体适应度值比较,如果所述当前个体适应度值较小,则确定所述当前个体适应度值为更新的历史个体适应度值;更新后的粒子群全局极小值代入所述适应度函数,获得当前全局适应度值,将所述当前全局适应度值与历史全局适应度值比较,如果所述当前全局适应度值较小,则确定所述当前全局适应度值为更新的历史全局适应度值;
A3-8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤A3-8;若满足,执行步骤A3-9;
A3-9:输出所述粒子群全局极小值和所述全局适应度值。
本发明的冷热电联供系统联合调度优化方法,是利用上述空间耦合粒子群算法来寻求冷热电联供系统联合调度的最优方案,通过增加一维参数拓扑成三维空间的寻优空间,并融入耦合协调数学模型进行彼此关联地迭代,逐一更新冷热电联供系统中各个机组的出力,各个机组的出力包括仅发电机组的有功功率、仅供冷或热机组的供热出力、冷热电联供电机组的有功功率、冷热电联供电机组的供热出力等,并按照调度模型计算总的经济成本,再比较粒子群中的所有粒子最低总成本,最终确定了粒子群中的种群最低总成本对应的各机组出力,得到了最佳机组的出力分配方案,从而确定了以综合能源和峰谷电价为考虑因素的冷热电联供系统联合调度模型的最低总成本。利用空间耦合粒子群算法进行量子行为搜索寻优,避免了传统的PSO算法随机性强,全局寻优能力不强,容易使工作点陷入局部极值的情况发生。
在本实施例中,步骤A4中的约束条件为:
(1)能量转换关系其中,和分别为天然气经过微型燃气轮机转化为电力和热能的转换效率;ηT为变压器效率;ηGB为燃气锅炉的制冷和制热的能效比;Te为冷热电联供与电网的能量交互值,Tg为冷热电联供与天然气网络的能量交互值;P(t)和H(t)分别为冷热电联供所供应的电负荷和热负荷;υMT为分配系数,且0≤υMT≤1;
(2)购售电功率范围
(3)有功功率和供热出力的范围其中,Pi min、Pi max分别为第i台仅发电机机组的有功功率Pi(t)的上下限值;Pj min、Pj max分别为第j台冷热电联供机组的有功功率Pj(t)的上下限值;Hj min、Hj max分别为第j台冷热电联供机组的供热出力Hj(t)的上下限值;Hh min、Hh max分别为第h台仅供冷或热机组的供热出力Hh(t)的上下限值;
(4)系统功率平衡其中,D表示待优化的机组的个数,PD(t)、HD(t)分别表示t时刻的总电负荷和总热负荷;
(5)系统许可的污染气体排放量范围其中,分别为第i个机组排放的CO2、SO2、NOx的排放量; 分别为所有机组CO2、SO2、NOx的配额排放量;T为系统工作的总时间;N为系统总机组数。
当利用空间耦合粒子群算法求得了使调度模型的总成本最小的各个机组的出力时,需要判断购售电功率、各个出力以及污染气体排放量是否满足上述约束条件,如果满足,则表示获得的调度方案可行,能够实现成本最低,节能减排的目的。但是如果不满足上述条件,则说明在具体的调度过程中,部分或全部机组是不能按照获得的出力结果进行工作的,那么得到的调度方案也就是不可行的,因此,需要重新寻优,再次寻找符合约束条件且总成本最小的调度方案。该约束条件的设定保证了由本发明的方法获得的调度方案的可行性和可靠性,提高了本优化方法的实用性。
下面结合一具体的实施例详细介绍本发明。
以某地方的IES-CCHP(综合能源系统中的冷热电联供)系统为例,其中输入环节包括电能和天然气;负荷包含电负荷、热(冷)负荷,系统各时段电负荷、热(冷)负荷需求如图3和图4所示;各个机组的基本参数如表1所示,其中G1、G2、G3、G4为仅供电机组,C5和C6为冷热电联供机组,H7为仅供热机组;二氧化碳排放参数如表2所示;二氧化硫排放参数如表3所示;氮氧化物排放参数如表4所示;按电力行业排放标准设定各类污染气体单位排放量的环境价值与相应罚款如表5所示;某地CCHP峰谷电价如表6所示。
表1
表2
机组 | α1 | β1 | λ1 | ε1 | λ1 |
G1 | 14.32 | -19.51 | 22.91 | 0 | 0 |
G2 | 8.95 | -21.17 | 19.96 | 0 | 0 |
G3 | 15.16 | -18.03 | 16.14 | 0 | 0 |
G4 | 18.11 | -12.2 | 12.17 | 0 | 0 |
C5 | 14.9 | -18.5 | 15.94 | 0 | 0 |
C6 | 20.8 | -19.8 | 17.51 | 0 | 0 |
H7 | 18.1 | -19.8 | 18.09 | 0 | 0 |
表3
机组 | α2 | β2 | γ2 | ε2 | λ2 |
G1 | 1.23 | -1.72 | 1.95 | 0.006 | 2.95 |
G2 | 0.76 | -1.87 | 1.75 | 0.015 | 3.57 |
G3 | 1.32 | -1.63 | 1.47 | 0.00003 | 7.5 |
G4 | 1.65 | -1.14 | 1.12 | 0.062 | 2.41 |
C5 | 1.32 | -1.64 | 1.50 | 0.00003 | 7.62 |
C6 | 1.96 | -1.89 | 1.80 | 0.0003 | 6.83 |
H7 | 1.61 | -2.04 | 1.87 | 0.0006 | 7.13 |
表4
机组 | α3 | β3 | γ3 | ε3 | λ3 |
1 | 4.09 | -5.54 | 6.49 | 0.0002 | 2.86 |
2 | 2.54 | -6.05 | 5.64 | 0.0005 | 3.33 |
3 | 4.26 | -5.09 | 4.57 | 0.00001 | 8 |
4 | 5.33 | -3.55 | 3.38 | 0.002 | 2 |
5 | 4.26 | -5.09 | 4.57 | 0.00001 | 8 |
6 | 6.13 | -5.56 | 5.15 | 0.00001 | 6.67 |
7 | 5.02 | -6.01 | 5.65 | 0.00002 | 7.03 |
表5
指标 | CO2 | SO2 | NOx |
环境价值($/kg) | 0.002875 | 0.75 | 1.00 |
排放罚款($/kg) | 0.00125 | 0.125 | 0.25 |
表6
取粒子个数m=40;学习因子c1和c2均取1.5;惯性权重的最大值取ωmax=0.9,惯性权重的最小值取ωmin=0.4;耦合协调度指标R0=0.85;最大迭代次数为100次;初始惩罚系数μ取100。
为了对比明显,选取负荷需求最大的时段进行对比分析,此时电负荷为293kw,热负荷为548kw。针对上述案例分别采用标准粒子群算法(PSO)、空间粒子群算法(SPSO)和空间耦合粒子群算法(SC-PSO)进行优化,三者优化过程对比如图5所示。
从图5中可以看出,SC-PSO在一定程度上比PSO法更好地缓解了PSO容易陷入局部最优且难跳出来,导致过早收敛的缺陷。在收敛性能方面,PSO在迭代不到10次就陷入了局部最优而且不能自我调整跳出局部最优区域;SPSO虽然在前面部分跳出了局部最优区域,但是也在不到50次又陷入了新的局部最优;而SC-PSO出现了非常明显多次自我调整的现象,跳出局部最优区域,而且也在寻优不到60次就找到了全局最优解,获得了更好更精确的目标值,这也进一步展现了其良好的收敛特性和高效稳定的寻优性能,较好地解决PSO容易陷入早熟且难跳出局部最优区域的缺陷。这是由于SC-PSO通过引入耦合协调数学模型,有效地将每个粒子的每一维变量彼此联系起来,使所有变量从总体上同时趋向最优解,从而使得粒子易于跳出局部最优区域,同时也避免了其他跟随的粒子陷入局部最优,提高了全局收敛性和效率,增强了全局寻优能力。对于该时段,在同等条件,分别对各算法独立计算50次,得到其优化结果分布图如图6所示。
从图6中可以看出:SC-PSO优化结果的随机性明显小于SPSO优化结果的随机性;对50次独立计算的结果取平均值,可得各自的该时段综合成本优化结果如表7所示。
表7
从表7中可以看出:PSO优化结果的随机性最大,SPSO优化结果的随机性次之,SC-PSO优化结果的随机性最小。这也说明了SC-PSO的寻优性能明显优于PSO,一定程度上比SPSO好。同时,从多次计算所得到的平均综合成本来看,融入耦合协调后的SC-PSO所求得平均综合成本最小,即更经济环保,其寻优所求的结果更加合理;进一步体现了该算法的优越性和有效性。
由图7和图8所示的机组出力分配的情况来看,在充分考虑峰谷分时电价对购售电成本的影响下,利用冷热电联供机组的能源集线器模型,在电、热(冷)负荷需求增加时,优先考虑增加联供机组的出力配额,从而降低系统的综合成本,使系统能够高效、节能、环保运行。
由此可以看到,所提出的峰谷电价下综合能源冷热电联供系统联合调度模型联合调度模型对能源高效利用、电力经济调度和节能减排更有效;空间耦合粒子群算法不仅易于跳出早熟区间,增强全局寻优能力,而且提高了全局收敛性和效率,降低了随机性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种空间耦合粒子群算法,其特征在于,包括:
S1:设定基本参数,所述基本参数包括最大迭代次数kmax,粒子个数m,变量个数D,惯性权重的最大值ωmax,惯性权重的最小值ωmin,学习因子c1、c2,耦合协调度指标R0;
S2:初始化每个粒子的速度v0,位置x0和高度h0,粒子个体极值,粒子群全局极值,并将所述粒子个体极值代入适应度函数计算个体适应度值,将所述粒子群全局极值代入所述适应度函数计算全局适应度值;
S3:按照修正准则分别更新每个粒子的速度vij,位置xij,高度hij;
S4:将更新后的每个粒子的速度vij,位置xij,高度hij代入耦合协调数学模型,计算耦合协调度R;
S5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤S3;若满足,执行步骤S6;
S6:根据更新后的每个粒子的速度vij,位置xij,高度hij计算更新后的每个粒子的粒子个体极值和粒子群全局极值;
S7:将更新后的粒子个体极值代入所述适应度函数,获得当前个体适应度值,将所述当前个体适应度值与历史个体适应度值比较,如果所述当前个体适应度值较优,则确定所述当前个体适应度值为更新的历史个体适应度值;更新后的粒子群全局极值代入所述适应度函数,获得当前全局适应度值,将所述当前全局适应度值与历史全局适应度值比较,如果所述当前全局适应度值较优,则确定所述当前全局适应度值为更新的历史全局适应度值;
S8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤S3;若满足,执行步骤S9;
S9:输出所述粒子群全局极值和所述全局适应度值。
2.根据权利要求1所述的空间耦合粒子群算法,其特征在于,所述修正准则为:
其中,i=1,2,…,m,d=1,2,…,D,m为粒子个数,D为待优化变量的个数;c1和c2为学习因子;vid k、vid k+1分别为粒子i对应第d个待优化变量在第k次、第k+1次修正时对应的速度;xid k、xid k+1分别为粒子i对应第d个变量在第k次、第k+1次修正时对应的位置;pid k为粒子i对应第d个待优化变量在第k次修正时个体最优位置;pgd k为整个群体对应第d个变量在第k次修正时全局最优位置;r1,r2是介于0与1之间均匀分布的随机数;xij k+1、vij k+1分别为粒子i对应第j个变量在第k+1次修正时对应的位置和速度;hij k分别为粒子i对应第j个变量在第k次修正时对应的高度;hij k+1分别为粒子i对应第j个变量在第k+1次修正时对应的高度;ffitness i k表示粒子i在第k次修正时所对应的适应度值;ffitness i k+1表示粒子i在第k+1次修正时所对应的适应度值;fav k表示所有粒子在第k次修正时所对应的平均适应度值;Pg k表示所有粒子在第k次修正时所对应的最优适应度值;lj表示第j个变量对应的可行区间的长度。
3.根据权利要求1所述的空间耦合粒子群算法,其特征在于,所述耦合协调数学模型为其中,vij(k)表示第k次修正后的粒子速度,xij(k)表示第k次修正后的粒子位置,hij(k)表示第k次修正后的粒子高度,Tt=αvij(k)+βxij(k)+γhij(k),Tt表示综合评价指数,α,β,γ分别表示粒子速度的权重、粒子位置的权重和粒子高度的权重。
4.一种冷热电联供系统联合调度优化方法,其特征在于,包括:
A1:建立峰谷电价下冷热电联供系统联合的调度模型;
A2:确定所述调度模型为适应度函数;
A3:根据所述适应度函数,利用空间耦合粒子群算法,获取所述适应度函数的最小值以及使所述适应度函数最小的变量;
A4:判断所述使所述适应度函数最小的变量是否满足约束条件,若满足,确定所述适应度函数的最小值和所述变量为最优调度模型;若不满足,返回步骤A3。
5.根据权利要求4所述的优化方法,其特征在于,所述调度模型为fall=f(1)+f(2)+f(3),其中,f(1)为系统的购售电成本,f(2)为系统的燃料成本,f(3)为系统的环境成本;
所述购售电成本
式中,Cb,t、Cs,t分别为时刻购电和售电的价格;Plink,t为t时刻冷热电联供系统的购售电功率,Plink,t为正表示联供系统向电网买电,Plink,t为负表示向电网售电;
所述燃料成本为
式中,Ci(Pi(t))为第i个发电机组在单位时间t内产生的燃料成本;Ch(Hh(t))为第h个供冷热机组在单位时间t内产生的燃料成本;Cj(Pj(t),Hj(t))为第j个冷热电联供机组在单位时间t内产生的燃料成本;Np、Nc、Nh分别为仅发电机组、冷热电联供机组和仅供冷或热机组的个数;Pi(t)表示第i个仅发电机组的有功功率;Hh(t)为第h个仅供冷或热机组的供热出力;Pj(t)表示第j个冷热电联供电机组的有功功率,Hj(t)表示第j个冷热电联供电机组的供热出力;
所述环境成本式中,表示仅发电机组在单位时间t内产生的环境成本,表示仅供冷或热部分在单位时间t内产生的环境成本,冷热电联供部分在单位时间t内产生的环境成本;其中,
式中,ωC、ωS、ωP分别表示CO2、SO2、NOx的单位排放量所对应的环境价值与污染排放罚款之和;Np、Nc、Nh分别为仅发电机组、冷热电联供机组和仅供冷或热机组的个数;表示第i个仅发电机组的CO2的排放量,表示第i个仅发电机组的SO2的排放量,表示第i个仅发电机组的NOx的排放量;表示第i个仅供冷或热机组的CO2的排放量,表示第i个仅供冷或热机组的SO2的排放量,表示第i个仅供冷或热机组的NOx的排放量;表示第i个冷热电联供机组的CO2的排放量,表示第i个冷热电联供机组的SO2的排放量,表示第i个冷热电联供机组的NOx的排放量。
6.根据权利要求5所述的优化方法,其特征在于,所述根据所述适应度函数,利用空间耦合粒子群算法,获取所述适应度函数的最小值以及使所述适应度函数最小的变量,具体包括:
A3-1:根据所述调度模型,设定基本参数;所述基本参数包括最大迭代次数kmax,粒子个数m,变量个数D,惯性权重的最大值ωmax,惯性权重的最小值ωmin,学习因子c1、c2,耦合协调度指标R0;所述变量个数D表示所述调度模型中待优化的机组的个数;
A3-2:初始化每个粒子的速度v0,位置x0和高度h0,粒子个体极小值,粒子群全局极小值,并将所述粒子个体极小值代入适应度函数计算个体适应度值,将所述粒子群全局极小值代入所述适应度函数计算全局适应度值;所述粒子为所述调度模型中仅发电机组的有功功率、仅供冷或热机组的供热出力、冷热电联供电机组的有功功率、冷热电联供电机组的供热出力;
A3-3:按照修正准则更新每个粒子的速度vij,位置xij,高度hij;
A3-4:将更新后的每个粒子的速度vij,位置xij,高度hij代入耦合协调数学模型,计算耦合协调度R;所述耦合协调数学模型为其中,vij(k)表示第k次修正后的粒子速度,xij(k)表示第k次修正后的粒子位置,hij(k)表示第k次修正后的粒子高度,Tt=αvij(k)+βxij(k)+γhij(k),Tt表示综合评价指数,α,β,γ分别表示粒子速度的权重、粒子位置的权重和粒子高度的权重;
A3-5:判断耦合协调度R是否大于或等于所述耦合协调度指标R0,若不满足,返回步骤A3-3;若满足,执行步骤A3-6;
A3-6:根据更新后的每个粒子的速度vij,位置xij,高度hij计算更新后的每个粒子的粒子个体极值和粒子群全局极值;
A3-7:将更新后的粒子个体极小值代入所述适应度函数,获得当前个体适应度值,将所述当前个体适应度值与历史个体适应度值比较,如果所述当前个体适应度值较小,则确定所述当前个体适应度值为更新的历史个体适应度值;更新后的粒子群全局极小值代入所述适应度函数,获得当前全局适应度值,将所述当前全局适应度值与历史全局适应度值比较,如果所述当前全局适应度值较小,则确定所述当前全局适应度值为更新的历史全局适应度值;
A3-8:判断修正次数k是否等于最大迭代次数kmax,若不满足,返回步骤A3-8;若满足,执行步骤A3-9;
A3-9:输出所述粒子群全局极小值和所述全局适应度值。
7.根据权利要求5所述的优化方法,其特征在于,
所述第i个仅发电机组的CO2的排放量:
所述第i个仅发电机组的SO2的排放量:
所述第i个仅发电机组的NOx的排放量:
所述第i个仅供冷或热机组的CO2的排放量:
所述第i个仅供冷或热机组的SO2的排放量:
所述第i个仅供冷或热机组的NOx的排放量:
所述第i个冷热电联供机组的CO2的排放量:
所述第i个冷热电联供机组的SO2的排放量:
所述第i个冷热电联供机组的NOx的排放量:
其中,αi、βi、λi、γi、εi分别第i个机组的CO2气体排放参数;ρ为供热当量性能系数;εp SC、εp NC为仅供电部分的碳排放折算系数;εc SC、εc NC为冷热电联供部分的碳排放折算系数;εh SC、εh NC为仅供热部分的碳排放折算系数。
8.根据权利要求4所述的优化方法,其特征在于,所述约束条件为:
(1)能量转换关系其中,和分别为天然气经过微型燃气轮机转化为电力和热能的转换效率;ηT为变压器效率;ηGB为燃气锅炉的制冷和制热的能效比;Te为冷热电联供与电网的能量交互值,Tg为冷热电联供与天然气网络的能量交互值;P(t)和H(t)分别为冷热电联供所供应的电负荷和热负荷;υMT为分配系数,且0≤υMT≤1;
(2)购售电功率范围
(3)有功功率和供热出力的范围其中,Pi min、Pi max分别为第i台仅发电机机组的有功功率Pi(t)的上下限值;Pj min、Pj max分别为第j台冷热电联供机组的有功功率Pj(t)的上下限值;Hj min、Hj max分别为第j台冷热电联供机组的供热出力Hj(t)的上下限值;Hh min、Hh max分别为第h台仅供冷或热机组的供热出力Hh(t)的上下限值;
(4)系统功率平衡其中,D表示待优化的机组的个数,PD(t)、HD(t)分别表示t时刻的总电负荷和总热负荷;
(5)系统许可的污染气体排放量范围其中,分别为第i个机组排放的CO2、SO2、NOx的排放量; 分别为所有机组CO2、SO2、NOx的配额排放量;T为系统工作的总时间;N为系统总机组数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610858228.3A CN106295914A (zh) | 2016-09-28 | 2016-09-28 | 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610858228.3A CN106295914A (zh) | 2016-09-28 | 2016-09-28 | 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295914A true CN106295914A (zh) | 2017-01-04 |
Family
ID=57716263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610858228.3A Pending CN106295914A (zh) | 2016-09-28 | 2016-09-28 | 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295914A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346458A (zh) * | 2017-05-10 | 2017-11-14 | 西北工业大学 | 一种无人机路径规划方法及其装置 |
CN111367171A (zh) * | 2020-02-18 | 2020-07-03 | 上海交通大学 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455850A (zh) * | 2013-08-07 | 2013-12-18 | 东南大学 | 分布式冷热电联供系统并网运行在线优化方法 |
US20160172854A1 (en) * | 2013-08-13 | 2016-06-16 | Accenture Global Services Limited | System for integrated multi-energy scheduling control in a micro-grid |
-
2016
- 2016-09-28 CN CN201610858228.3A patent/CN106295914A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455850A (zh) * | 2013-08-07 | 2013-12-18 | 东南大学 | 分布式冷热电联供系统并网运行在线优化方法 |
US20160172854A1 (en) * | 2013-08-13 | 2016-06-16 | Accenture Global Services Limited | System for integrated multi-energy scheduling control in a micro-grid |
Non-Patent Citations (2)
Title |
---|
周任军等: "采用模糊自修正粒子群算法的碳排放权交易冷热电多目标调度", 《中国电机工程学报》 * |
范龙等: "激励CCHP参与需求侧管理双向峰谷定价模型", 《电力系统保护与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346458A (zh) * | 2017-05-10 | 2017-11-14 | 西北工业大学 | 一种无人机路径规划方法及其装置 |
CN111367171A (zh) * | 2020-02-18 | 2020-07-03 | 上海交通大学 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784569A (zh) | 一种区域综合能源系统优化控制方法 | |
Wang et al. | Demand side management of plug-in electric vehicles and coordinated unit commitment: A novel parallel competitive swarm optimization method | |
CN104392334B (zh) | 钢铁企业自备电厂多类型发电机组联合优化调度方法 | |
CN106026152B (zh) | 一种电动汽车接入微电网的充放电调度方法 | |
CN104392286B (zh) | 考虑冷热电联供和储能运行策略的微电网运行优化方法 | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN109727158A (zh) | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 | |
CN109063992A (zh) | 考虑区域综合能源系统优化运行的配电网扩展规划方法 | |
CN103532157B (zh) | 一种针对融入储能设备的电网系统电能调度方法 | |
CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
CN105550766A (zh) | 一种含可再生能源的微网鲁棒多目标运行优化方法 | |
CN110163443A (zh) | 考虑电-气综合需求响应的天然气调压站微能网优化调度方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN107330549A (zh) | 含多主体的多能互补微电网能量管理方法 | |
CN110110897A (zh) | 一种考虑不同储能运行策略的综合能源系统优化方法 | |
CN111969657B (zh) | 一种基于谈判博弈的多能源站系统经济优化运行方法 | |
CN107451931A (zh) | 家庭智能用电设备的优化调度方法 | |
CN105958482A (zh) | 基于佳点集量子粒子群算法的微网优化方法 | |
CN105870976A (zh) | 一种基于能源环境效率的低碳调度方法和装置 | |
CN106845626A (zh) | 一种基于混合蛙跳粒子群的dg优化配置应用方法 | |
CN105868499A (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
CN107706932A (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
CN103678948B (zh) | Cchp系统三联供多目标优化方法 | |
CN106295914A (zh) | 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 | |
CN106709611A (zh) | 全寿命周期框架下的微电网优化配置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |