CN108173283B - 一种含风光可再生能源的热电联供系统运行方法 - Google Patents

Abstract

本发明公开了一种含风光可再生能源的热电联供系统运行方法包括设置含再生能源的系统优化目标以及约束函数，建立优化模型；基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；设置决策者偏好信息，从多个Pareto最优解中选择一个最为热电联供系统的运行方案。本发明通过多目标优化方法对热电联供系统进行优化，同时充分考虑到了热电负荷、可再生能源发电的不确定性以及费用等因素，符合实际情况，可行性更强，另外本发明采用进化多目标优化算法获取一组各有优点的Pareto最优解，供决策者根据不同情况进行选择并实施热电联供系统的运行方案。本发明创造用于计算热电联供系统的最优化运行方案。

Description

一种含风光可再生能源的热电联供系统运行方法

技术领域

本发明涉及一种含风光可再生能源的热电联供系统运行方法技术领域。

背景技术

能源、发展和环境问题交织在一起，成为制约我国现代化建设的瓶颈。为提高能源利用率，实现节能环保，建立在能源梯级利用的概念基础上的热电联供(Combined Heatand Power,CHP)系统逐渐成为各国努力发展的一种能源利用方式。

CHP系统可以同时考虑热负荷和电负荷的供应，利用发电过程中产生的余热存储供暖，可以有效地实现能源的梯次利用，大大提高能源的利用率。CHP系统最优化经济运行的核心在于满足用户热电负荷需求的前提下，如何根据微源配置(即参与微源的种类、微源的运行参数等)制定系统未来一段时间内的运行方案，即各微源在各时段的功率分配。

可再生能源因其取之不竭、清洁环保等特点，越来越受到人们的重视，成为各方大力发展，用于应对能源和环境问题的重要手段。如今，考虑将可再生能源引入到CHP系统中，无疑能够进一步提高能源利用率，同时达到节能减排的目的。

目前关于CHP系统最优化运行的研究大都集中于考虑燃气电机、燃气锅炉、余热回收系统等设备的优化配置，鲜有考虑可再生能源使用的情况，特别是，计及可再生能源随机性和不确定性特点的CHP系统最优化运行方案设计。此外，CHP系统的最优化运行，一般都以经济最优化为主，没有考虑到最小化污染如CO2，NO的排放量，即没有考虑到同时优化多个目标的实际需求。

发明内容

本发明要解决的技术问题是：一种含风光可再生能源的热电联供系统多目标最优化运行控制方法。

本发明解决其技术问题的解决方案是：

一种含风光可再生能源的热电联供系统运行方法，包括以下步骤：

步骤1.设置含再生能源的系统优化目标以及约束函数，建立优化模型；

步骤2.基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；

步骤3.设置决策者偏好信息，从多个Pareto最优解中选择一个作为热电联供系统的运行方案。

作为上述技术方案的进一步改进，所述系统优化目标是指最小化系统运行费用以及最小化系统污染排放量，基于所述系统优化目标所建立的优化模型如表达式1所示，

其中α和β分别为约束的概率，C_i表示热电联供系统运行过程中产生的各项价格或费用，E_i表示热电联供系统运行过程中产生的各种温室气体量，f_cost表示预设的最小化系统运行费用，f_emission表示预设的最小化系统污染排放量。

作为上述技术方案的进一步改进，所述系统运行费用包括电网购电费、燃料电池使用费、天然气使用费、微源维护费以及电网售电收入；所述系统污染物排放量包括燃气锅炉燃烧天然气所产生的气体的总排放量。

作为上述技术方案的进一步改进，所述约束函数包括电能平衡约束、热能平衡约束、电网功率交换约束、燃料电池运行约束、余热锅炉运行约束、燃气锅炉运行约束以及蓄电池运行约束。

作为上述技术方案的进一步改进，所述步骤2包括以下步骤：

步骤21.初始化算法参数以及系统运行参数，所述算法参数包括种群规模N以及终止条件maxGen，所述系统运行参数包括费用参数、功率参数以及随机变量分布参数；

步骤22.设置当前代数gen＝1，初始化种群，随机生成含100个个体的，作为父代的种群S；

步骤23.若当前代数gen大于终止条件maxGen，则终止计算，输出种群S的非支配解，否则基于当前的种群S，通过遗传种族算子，产生由N个新个体组成的，作为子代的种群Sc；

步骤24.将种群S与种群Sc合并，得到规模为200的合种群S_all，即S_all＝S∪Sc，对合种群S_all中的个体进行排序，根据排序结果从前往后选取100个个体作为新的父代种群S；

步骤S25.令gen＝gen+1，返回步骤S23。

作为上述技术方案的进一步改进，步骤3中所述决策者偏好信息包括最大运行费用容忍值以及最大污染物排放量。

本发明的有益效果是：本发明通过多目标优化方法对热电联供系统进行优化，同时充分考虑到了热电负荷、可再生能源发电的不确定性以及费用等因素，符合实际情况，可行性更强，另外本发明采用进化多目标优化算法获取一组各有优点的Pareto最优解，供决策者根据不同情况进行选择并实施热电联供系统的运行方案。本发明创造用于计算热电联供系统的最优化运行方案。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1是本发明的方法流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

参照图1，本发明创造公开了一种含风光可再生能源的热电联供系统运行方法，包括以下步骤：

步骤1.设置含再生能源的系统优化目标以及约束函数，建立优化模型；

步骤2.基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；

步骤3.设置决策者偏好信息，从多个Pareto最优解中选择一个最为热电联供系统的运行方案。

具体地，本发明通过多目标优化方法对热电联供系统进行优化，同时充分考虑到了热电负荷、可再生能源发电的不确定性以及费用等因素，符合实际情况，可行性更强，另外本发明采用进化多目标优化算法获取一组各有优点的Pareto最优解，供决策者根据不同情况进行选择并实施热电联供系统的运行方案。

进一步作为优选的实施方式，本发明创造具体实施方式中，所述系统优化目标是指最小化系统运行费用以及最小化系统污染排放量，基于所述系统优化目标所建立的优化模型如表达式1所示，

其中α和β分别为约束的概率，C_i表示热电联供系统运行过程中产生的各项价格或费用，E_i表示热电联供系统运行过程中产生的各种温室气体量，f_cost表示预设的最小化系统运行费用，f_emission表示预设的最小化系统污染排放量。

具体地，所述系统运行费用包括电网购电费、燃料电池使用费、燃气锅炉的天然气使用费、微源维护费以及电网售电收入，所述微源维护费来源于风电机组、光伏电池、燃料电池、余热锅炉、燃气锅炉以及蓄电池，表达式1中C_i具体为表达式2所示，

P_flC_fl-om+P_fl,ir_fl,iμ_{hr- br}C_bl-om+P_gb,iC_gb-om+|P_bt,i|C_bt-om+P_wt,iC_wt-om+P_pv,iC_pv-om]其中n为时间段总数，P_ex,i为第i时段与大电网交换的电功率，购电为正，售电为负；P_fl,i为第i时段燃料电池的发电功率；P_gb,i为第i时段燃气锅炉功率；P_bt,i为第i时段蓄电池充放电功率，放电为正，充电为负；P_wt,i为第i时段风电机组功率；P_pv,i为第i时段光伏电池功率；C_ph,i为第i时段从大电网购电的价格；C_se,i为第i时段向大电网售电的价格；C_gas为天然气价格；C_fl-om为燃料电池维护费用；C_bl-om为余热锅炉维护费用；C_gb-om为燃气锅炉维护费用；C_bt-om为蓄电池维护费用；C_wt-om为风电机组维护费用；C_pv-om为光伏电池维护费用；μ_i为燃料电池第i时段的效率；r_fl,i为燃料电池第i时段的热电比值；μ_gb为燃气锅炉的效率；μ_{br_bl}为余热锅炉废热回收效率。此外，所述系统污染物排放量包括燃气锅炉燃烧天然气所产生的气体的总排放量，表达式1中E_i具体如下所示，

其中P_gb,i为第i时段燃气锅炉的功率；K_gb,i第i时段燃气锅炉的效率(燃气总量转化为电能的效率)；Q_gb,i为第i时段燃烧单位天然气产生的温室气体量；ΔT为单位间隔时间，具体为1小时。

进一步作为优选的实施方式，本发明创造具体实施方式中，所述约束函数包括电能平衡约束、热能平衡约束、电网功率交换约束、燃料电池运行约束、余热锅炉运行约束、燃气锅炉运行约束以及蓄电池运行约束。

具体地，所述电能平衡约束根据各电池的充电与放电情况，分为如表达式3和表达式4两种情况，表达式3如下，

表达式4如下，P_ex,i+P_fl,i+P_wt,i+P_pv,i+P_bt,iμ_dis-P_el,i＝0，其中P_ex,i为第i时段的与大电网交换的功率，购电为正，售电为负；P_fl,i为第i时段的燃料电池的功率；P_wt,i为第i时段的风机发电功率；P_pv,i为第i时段的光伏发电功率；P_bt,i为第i时段的蓄电池功率；μ_ch和μ_dis分别为蓄电池充放电效率；P_el,i为第i时段的电能负荷；i＝1,2,…,n；

所述热能平衡约束如表达式5所示，P_fl,ir_fl,iμ_hr-bl+P_gb,i-P_th,i＝0，其中P_th,i为第i时段的热负荷；r_fl,i为燃料电池第i时段的热电比值；μ_hr-bl为余热锅炉废热回收效率；P_gb,i为第i时段燃气锅炉功率，P_fl,i为第i时段的燃料电池的功率；

所述电网功率交换约束如表达式6所示，P_ex,min≤P_ex,i≤P_ex,max，其中P_ex,min和P_ex,max分别为电网功率交换的最小值和最大值；

所述燃料电池运行约束如表达式7所示，

其中ΔP_fl-up和ΔP_fl-down分别为燃料电池单位时段内功率最大增发量和最大减发量；P_fl,max和P_fl,min分别为燃料电池的最大和最小功率，T表示时间；

所述余热锅炉运行约束如表达式8所示，P_bl,min≤P_fl,ir_fl,iμ_hr-bl≤P_bl,max，其中P_bl,max和P_bl,min分别为余热锅炉的最大和最小功率；

所述燃气锅炉运行约束如表达式9所示，P_gb,min≤P_gb,i≤P_gb,max，其中P_gb,max和P_gb,min分别为燃气锅炉的最大和最小功率；

所述蓄电池运行约束如表达式10所示，

其中j＝1,2,…,n，P_bt,max和P_bt,min分别为蓄电池的最大和最小充放电功率；W_bt,max和W_bt,min分别为蓄电池的最大和最小储能量；式

表示蓄电池最终储能量与初始储能量相等，T表示时间。

进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2是基于蒙特卡洛随机抽样的多目标进化算法求解优化模型的。这里首先说明算法中涉及到的基于蒙特卡洛抽样方法的机会约束处理方法，包括目标函数的处理(记为COO_F)和约束条件的处理(记为COO_C)。目标函数的处理定义为：对于带有随机变量ε的目标函数，如表达式11所示，

处理方法如下，根据随机变量ε的概率分布

生成N个独立的随机向量，ε_i(i＝1,2,…N)，置f_i＝f(x,ε_i)，取N′＝[βN]，根据大数定律，取序列{f₁,f₂,…f_N}中的第N′个最小的元素作为目标函数值。约束条件的处理定义为，对于带有随机变量ε的机会约束，如表达式12所示，Pr{g(x,ε)≤f}≥α，处理方法如下，置计数器N′＝0，根据随机变量ε的概率分布

生成随机变量ε，如果g(x,ε)≤0成立，则N′＝N′+1，返回生成随机变量ε的步骤，执行N次循环，如果N′/N≥α则机会约束成立，否则不成立。接下来说明本发明创造具体实施方式中步骤2具体过程，所述步骤2包括以下步骤：

步骤21.初始化算法参数以及系统运行参数，所述算法参数包括种群规模N以及终止条件maxGen，所述系统运行参数包括费用参数、功率参数以及随机变量分布参数，此外，根据各时段风电、光伏功率以及热电负荷等随机变量的分布参数，生成各时段的风电、光伏功率以及热电负荷；

步骤22.设置当前代数gen＝1，初始化种群，随机生成含100个个体的，作为父代的种群S，其中第h个个体x_h表示如下，

其长度为96；

步骤23.若当前代数gen大于终止条件maxGen，则终止计算，输出种群S的非支配解，否则基于当前的种群S，通过遗传种族算子，产生由N个新个体组成的，作为子代的种群Sc；

步骤24.将种群S与种群Sc合并，得到规模为200的合种群S_all，即S_all＝S∪Sc，对合种群S_all中的个体进行排序，根据去、排序结果从前往后选取100个个体作为新的父代种群S；

步骤S25.令gen＝gen+1，返回步骤S23。

具体地，步骤S23中包括针对当前种群S内的每个个体x_i，结合随机选择的另外两个个体x_m和x_n，通过表达式12生成新的个体x_new，其中

表示新个体的第k列变量值，

表示一个临时变量值，

和

分别表示个体i、个体m和个体n的第k个变量值，这里k＝[1,2,…,96]；F和CR分别为该操作的两个参数，这里设置为0.9和0.05；rand表示位于区间(0,1)的随机数；k_rand表示一个随机产生的位于区间[1,96]的整数；floor()表示向下取整函数，

如表达式13所示，

如表达式14所示，

若产生的新个体为非可行解，即变量值超出了定义的上下界，利用表达式15进行修正为可行解，

其中ub^k和lb^k分别表示第k个变量的上下界。

步骤S24中是根据个体的约束程度度量进行排序的，规则如下，对于个体A和个体B，根据约束条件的处理过程，判断两个个体是否符合约束条件，若两个个体均为非可行解，则违反约束项程度低的个体更优，若两个个体都为满足约束条件(即均为可行解)，则按照个体所处的非劣层及拥挤距离进行排序，具体指处于第i非劣层的个体优于第j(j>i)非劣层的个体；处于同一非劣层的个体，拥挤距离大的个体更优。

而步骤S24中计算约束度度量过程具体包括：计算个体x在每一个约束条件下，第i次蒙特卡洛抽样下，违反约束项ci的程度，记为

以N次随机抽样后max{g(x,ε)-f,0}的均值

作为个体x违反当前约束项Ci的程度。对于多个约束项，需要将违反各个约束项的程度求和作为最终值，即

其中cn为约束条件的个数。

而步骤S24中种群个体非劣分层方法具体包括将种群中的个体归一化；获取每一个目标函数f_m的最大值max(f_m)和最小值，min(f_m)，目标函数f_m是指表达式1中的f_cost和f_emission，然后依据表达式16将每个个体目标函数值转换到区间[0,1]，表达式16如下所示，

其中，f_m(x)表示进化过程中个体x的第m个目标的原始目标函数值，其计算方法，如目标函数的过程所述，

表示个体x归一化后的目标函数值；找出种群S_all中不被任何个体约束Pareto支配的个体，并保存在集合A1中，作为第一非劣层；当下列其中一个条件满足时，个体x约束支配个体y，第一，个体x和y均满足约束条件且

第二，个体x满足约束条件，而y不满足约束条件；第三，个体x和y均不满足约束条件，个体x违反约束条件的程度小于个体y违反约束条件的程度。

表示个体x支配个体y，当且仅当

f_j(x)<f_j(y)，M表示目标函数个数；即个体x在所有目标函数上不差于个体y，并且x至少在一个目标函数上优于y；从S_all中除去所有在集合A1中的个体，剩余合成种群记为S_all\A₁，重复将种群归一化，找出种群S_all\A₁中不被任何个体约束Pareto支配的个体，并保存在集合A2中，作为第二非劣层；重复上述操作，知道整个种群被分层完毕。

而步骤S24中拥挤距离可看为个体xi周围包含个体xi但不包含其他个体的最小长方形；拥挤距离越小，说明个体周围越稠密，其计算方法如下，针对每个目标函数f_m，对种群内的个体进行排序，对于边界个体(即拥有最小f_m值的个体)，定义拥挤距离为无穷大，同一非劣层中除边界外的其他个体x_i的拥挤距离为，

其中

和

分别表示当前种群中目标函数f_m的最大值和最小值；

和

分别表示第i-1和i+1个个体的目标函数值。

进一步作为优选的实施方式，本发明创造具体实施方式中，步骤3中所述决策者偏好信息包括最大运行费用容忍值以及最大污染物排放量。具体地，当决策者对系统运行费用比较重视时，给定最大运行费用容忍值，即f_cost<Cost，选择污染物排放最低的方案，即f_emission最小化；当决策者比较重视污染物排放时，给定最大污染物排放量的容忍值，即f_emission<Emission，选择污染物排放最低的方案，即f_cost最小化。

以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (3)

1.一种含风光可再生能源的热电联供系统运行方法，其特征在于，包括以下步骤：

步骤1.设置含再生能源的系统优化目标以及约束函数，建立优化模型；

步骤2.基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；

步骤3.设置决策者偏好信息，从多个Pareto最优解中选择一个作为热电联供系统的运行方案；

所述系统优化目标是指最小化系统运行费用以及最小化系统污染排放量，基于所述系统优化目标所建立的优化模型如表达式1所示：

min{f_cost,f_emission}

其中α和β分别为约束的概率，C_i表示热电联供系统运行过程中产生的各项价格或费用，E_i表示热电联供系统运行过程中产生的各种温室气体量，f_cost表示预设的最小化系统运行费用，f_emission表示预设的最小化系统污染排放量；

所述系统运行费用包括电网购电费、燃料电池使用费、天然气使用费、微源维护费以及电网售电收入；所述系统污染物排放量包括燃气锅炉燃烧天然气所产生的气体的总排放量；

所述约束函数包括电能平衡约束、热能平衡约束、电网功率交换约束、燃料电池运行约束、余热锅炉运行约束、燃气锅炉运行约束以及蓄电池运行约束；

所述电能平衡约束根据各电池的充电与放电情况，分为如表达式3和表达式4两种情况，表达式3如下：

表达式4如下：

P_ex,i+P_fl,i+P_wt,i+P_pv,i+P_bt,iμ_dis-P_el,i＝0 (式4)

其中P_ex,i为第i时段的与大电网交换的功率，购电为正，售电为负；P_fl,i为第i时段的燃料电池的功率；P_wt,i为第i时段的风机发电功率；P_pv,i为第i时段的光伏发电功率；P_bt,i为第i时段的蓄电池功率；μ_ch和μ_dis分别为蓄电池充放电效率；P_el,i为第i时段的电能负荷；i＝1,2,…,n；

所述热能平衡约束如表达式5所示：

P_fl,ir_fl,iμ_hr-bl+P_gb,i-P_th,i＝0 (式5)

其中P_th,i为第i时段的热负荷；r_fl,i为燃料电池第i时段的热电比值；μ_hr-bl为余热锅炉废热回收效率；P_gb,i为第i时段燃气锅炉功率，P_fl,i为第i时段的燃料电池的功率；

所述电网功率交换约束如表达式6所示：

P_ex,min≤P_ex,i≤P_ex,max (式6)

其中P_ex,min和P_ex,max分别为电网功率交换的最小值和最大值；

所述燃料电池运行约束如表达式7所示：

ΔP_fl-downT≤P_fl,i-P_fl,i-1≤ΔP_fl-upT

P_fl,min≤P_fl,i≤P_fl,max (式7)

其中ΔP_fl-up和ΔP_fl-down分别为燃料电池单位时段内功率最大增发量和最大减发量；P_fl,max和P_fl,min分别为燃料电池的最大和最小功率，T表示时间；

所述余热锅炉运行约束如表达式8所示：

P_bl,min≤P_fl,ir_fl,iμ_hr-bl≤P_bl,max (式8)

其中P_bl,max和P_bl,min分别为余热锅炉的最大和最小功率；

所述燃气锅炉运行约束如表达式9所示：

P_gb,min≤P_gb,i≤P_gb,max (式9)

其中P_gb,max和P_gb,min分别为燃气锅炉的最大和最小功率；

所述蓄电池运行约束如表达式10所示：

其中j＝1,2,…,n，P_bt,max和P_bt,min分别为蓄电池的最大和最小充放电功率；W_bt,max和W_bt,min分别为蓄电池的最大和最小储能量；式

表示蓄电池最终储能量与初始储能量相等，T表示时间。

2.根据权利要求1所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，所述步骤2包括以下步骤：

步骤21.初始化算法参数以及系统运行参数，所述算法参数包括种群规模N以及终止条件maxGen，所述系统运行参数包括费用参数、功率参数以及随机变量分布参数；

步骤22.设置当前代数gen＝1，初始化种群，随机生成含100个个体的，作为父代的种群S；

步骤23.若当前代数gen大于终止条件maxGen，则终止计算，输出种群S的非支配解，否则基于当前的种群S，通过遗传种族算子，产生由N个新个体组成的，作为子代的种群Sc；

步骤24.将种群S与种群Sc合并，得到规模为200的合种群S_all，即S_all＝S∪Sc，对合种群S_all中的个体进行排序，根据排序结果从前往后选取100个个体作为新的父代种群S；

步骤S25.令gen＝gen+1，返回步骤S23。

3.根据权利要求1所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，步骤3中所述决策者偏好信息包括最大运行费用容忍值以及最大污染物排放量。

Images