CN108183500B - 一种多能互补的农村微能网容量优化配置方法及装置 - Google Patents
一种多能互补的农村微能网容量优化配置方法及装置 Download PDFInfo
- Publication number
- CN108183500B CN108183500B CN201711190598.5A CN201711190598A CN108183500B CN 108183500 B CN108183500 B CN 108183500B CN 201711190598 A CN201711190598 A CN 201711190598A CN 108183500 B CN108183500 B CN 108183500B
- Authority
- CN
- China
- Prior art keywords
- energy
- micro
- rural
- energy network
- cold
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 112
- 230000000295 complement effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 79
- 241000282461 Canis lupus Species 0.000 claims abstract description 75
- 238000004146 energy storage Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims description 52
- 238000005338 heat storage Methods 0.000 claims description 36
- 238000010248 power generation Methods 0.000 claims description 25
- 238000010438 heat treatment Methods 0.000 claims description 23
- 230000009194 climbing Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005406 washing Methods 0.000 claims description 5
- 238000003287 bathing Methods 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 17
- 239000007789 gas Substances 0.000 description 53
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 26
- 238000001816 cooling Methods 0.000 description 17
- 230000005611 electricity Effects 0.000 description 15
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000003912 environmental pollution Methods 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 8
- 239000002918 waste heat Substances 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 6
- 239000003546 flue gas Substances 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种多能互补的农村微能网容量优化配置方法及装置,所述方法包括:S1,根据多能互补的农村微能网的风‑光‑气‑冷‑热‑储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;S2,结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果。本发明结合西部农村实际情况,在考虑负荷侧响应和供电可靠性的基础上,建立年均投资费用最低的优化配置模型,并基于动态调整惯性权重和收敛因子的灰狼优化算法对优化配置问题进行求解,实现了农村微能网的容量优化配置。
Description
技术领域
本发明涉微能网规划领域,更具体地,涉及一种多能互补的农村微能网容量优化配置方法及装置。
背景技术
随着全球能源短缺和环境污染问题的出现,对电-气-冷-热多种能源综合利用成为新的研究热点。微能网由电力网、冷热能网、燃气网络构成,是实现多种能源综合利用的载体。特别在中国西部农村偏远地区,基础设施薄弱,微能网可以避免远距离输电带来的电能损耗和建设费用,其具有巨大的技术优势和广阔的应用前景。
但是由于风、光等可再生资源的随机性、波动性和时间上的互补性,如何根据现有的天气和资源条件,对微能网各微源的容量进行优化配置,以保证供电可靠性的同时合理利用可再生资源并降低微能网建设成本和运营成本,实现微能网的经济有效运行,显得尤为重要。
目前在此方面已有一些相关研究成果。现有技术有的只以电能网络为中心进行容量优化配置,未考虑由冷-热-电-气多种能源构成的微能网容量配置问题,同时未考虑负荷侧响应对系统优化配置的影响。有的则所运用的求解容量配置问题的方法为确定性算法,当计算量较大时,计算时间过长,容易陷入局部最优,可能无法得到最终解。并且,微能网的容量配置需要结合项目所处自然条件和要求进行设计,不能一概而论,目前还没有具体针对农村地区进行微能网优化配置的相关研究。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种多能互补的农村微能网容量优化配置方法及装置。
根据本发明的一个方面,提供一种多能互补的农村微能网容量优化配置方法,包括:
S1,根据多能互补的农村微能网的风-光-气-冷-热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;
S2,结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;
其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型。
其中,所述步骤S1前还包括:
根据多能互补的农村微能网的供能架构,构建所述多能互补的农村微能网的风-光-气-冷-热-储供能模型。
其中,所述步骤S1前还包括:
选取物理杀虫、空间电场、声波助长、洗衣机和洗澡用水负荷作为可时移负荷,并获取各所述可时移负荷的时移特性。
其中,所述步骤S1进一步包括:
以所述多能互补的农村微能网的年均投资成本最低为优化目标,根据所述多能互补的农村微能网的风-光-气-冷-热-储供能模型,建立所述多能互补的农村微能网中容量优化配置的目标函数;
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。
其中,步骤S2中所述基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解进一步包括:
S21,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;
S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;
S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整公式计算收敛因子的值;
S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,并返回步骤S22。
其中,步骤S23中收敛因子动态调整的公式为:
其中,a为收敛因子,t为当前迭代次数,tmax为最大迭代次数,aini和afin分别为收敛因子的初始值和终止值。
根据本发明的另一个方面,提供一种多能互补的农村微能网容量优化配置装置,包括:
模型建立单元,用于根据多能互补的农村微能网的风-光-气-冷- 热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;
模型求解单元,用于结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;
其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型。
其中,所述模型建立单元具体用于:
以所述多能互补的农村微能网的年均投资成本最低为优化目标,根据所述多能互补的农村微能网的风-光-气-冷-热-储供能模型,建立所述多能互补的农村微能网中容量优化配置的目标函数;
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。
其中,所述模型求解单元具体用于:
S21,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;
S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;
S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整公式计算收敛因子的值;
S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,并返回步骤S22。
本发明的另一个方面,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上所述的方法。
本发明提出一种多能互补的农村微能网容量优化配置方法及装置, 结合西部农村实际情况,在考虑负荷侧响应和供电可靠性的基础上,建立年均投资费用最低的优化配置模型,并基于动态调整惯性权重和收敛因子的灰狼优化算法对优化配置问题进行求解,实现了农村微能网容量的优化配置。
附图说明
图1为根据本发明一实施例提供的一种多能互补的农村微能网容量优化配置方法的流程示意图;
图2为根据本发明一实施例提供的系统供能架构图;
图3为根据本发明一实施例提供的改进灰狼优化算法的流程图;
图4为根据本发明另一实施例提供的一种多能互补的农村微能网容量优化配置装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,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的实施例,都属于本发明保护的范围。
如图1所示,为本发明一实施例提供的一种多能互补的农村微能网容量优化配置方法的流程示意图,包括:
S1,根据多能互补的农村微能网的风-光-气-冷-热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;
S2,结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;
其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型。
具体地,本发明实施例所建立的微能网主要包括风力发电系统、光伏发电系统、微型燃气轮机、燃气锅炉、余热锅炉,溴化锂吸收式制冷机、冷热电储能装置、空气源热泵,系统供能架构如图2所示。根据图2所示的微能网架构,建立S1中所述多能互补的农村微能网风 -光-气-冷-热-储供能模型。本发明实施例还考虑了负荷侧响应对微能网容量优化配置的影响,根据所构建的多能互补的农村微能网风-光-气- 冷-热-储供能模型结合可时移负荷侧响应,以微能网年均投资费用最低为优化目标,确定所述多能互补的农村微能网容量优化配置的目标函数,并根据微能网的能量供需平衡、各微源的输出功率应满足负荷需求、供电可靠性和可时移负荷的时移特性,确定所述多能互补的农村微能网容量优化配置的约束条件。
S2中,针对确定性求解算法缺乏灵活性、传统粒子群算法收敛较早,容易陷入局部最优等问题,提出基于改进的动态调整收敛因子和惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网各微源的容量优化配置结果。所述改进的动态调整收敛因子和惯性权重的灰狼优化算法改进点在于:1)收敛因子是非线性变化的;2)在群体个体位置更新的过程中引入比例权重系数,通过权重的调节,不断动态平衡算法的全局搜索能力和局部搜索能力并加快算法的收敛。
本发明提出一种多能互补的农村微能网容量优化配置方法结合西部农村实际情况,在考虑负荷侧响应和供电可靠性的基础上,建立年均投资费用最低的优化配置模型,并基于动态调整惯性权重和收敛因子的灰狼优化算法对优化配置问题进行求解,实现了农村微能网容量的优化配置。
基于上述实施例,所述步骤S1前还包括:
根据多能互补的农村微能网的供能架构,构建所述多能互补的农村微能网的风-光-气-冷-热-储供能模型。
所述风-光-气-冷-热-储供能模型具体包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型。下面对各模型分别进行说明。
1)风力发电模型
风力发电机组功率输出与风速的关系如下所示:
式中,ηv=Pr(vr-vci)/(vr-vci);Pr为风机额定功率,单位为kW;vci为风机切入风速,取3m/s;vr为风机额定风速,取11m/s;vco为风机切出风速,取25m/s。
2)光伏发电模型
光伏电池板的输出功率与室外环境的温度、光照的强度等有关,其功率模型如下所示
式中,PPV(t)为光伏电池板t小时输出功率,单位为kW;PSTC为标准环境下光伏组件的额定输出功率,取0.2kW;GSTC为标准环境下光照强度,取1kW/m2;G(t)为t小时太阳光实际强度,单位为℃;g为功率温度系数,取-0.0045/℃;TSTC为参考温度,取25℃;Tair(t)为t小时环境温度,单位为℃。
3)微型燃气轮机冷热电联供系统经济数学模型
微型燃气轮机冷热电联供系统主要由微型燃气轮机、余热锅炉、燃气锅炉、溴化锂吸收式制冷机组成,其利用沼气燃烧推动微型燃气轮机发电,燃烧后产生的高温烟气通过余热锅炉制取热能与燃气锅炉制取的热能共同满足村民热负荷需求,余热锅炉产生的高温蒸汽通过溴化锂吸收式制冷机产生冷能满足微能网冷负荷需求。其经济数学模型如下所示:
PEB(t)=He(t)ηrecηEB (4)
PAC(t)=He(t)ηrecηACηEB (5)
式中PMT(t)为微型燃气轮机的功率;He(t)为微型燃气轮机烟气余热量;PEB(t)为余热锅炉制热功率;PAC(t)为溴化锂吸收式制冷机功率,以上参数单位均为kW;ηAC为溴化锂吸收式制冷机效率,取1.2;ηe为微型燃气轮机发电效率,取0.26;η1为微型燃气轮机散热损失系数,取0.03;ηrec为烟气余热回收效率,取0.55;ηEB为余热锅炉效率,取0.8。
4)空气源热泵冷热联供系统经济数学模型
空气源热泵冷热联供系统主要由压缩机、换能装置组成,它以自然空气作为原料,通过电能带动压缩机工作驱动工质进行循环,产生所需要的冷热能源,其经济数学模型如下所示:
PHASHP(t)=DHASHPPASHP(t) (6)
PCASHP(t)=DCASHPPASHP(t) (7)
式中,PCASHP(t)为空气源热泵换冷装置换冷功率;PHASHP(t)为空气源热泵换热装置换热功率;PASHP(t)为空气源热泵系统耗电功率,以上参数单位均为kW;DHASHP为换热效率系数,取3.7;DCASHP为换冷效率系数,取3.7。
5)储冷热电装置经济数学模型
储能装置在微能网中主要起削峰填谷的作用,当系统供应冷热电能力大于冷热电负荷需求时,储能装置进行储能运行,当系统供应冷热电能力小于冷热电负荷需求时,储能装置放出能量满足负荷需求,其统一数学模型如下所示:
E(t)=E(t-1)(1-δ)+ΔTPch(t)ηch-ΔTPdis(t)/ηdis (8)
式中,E(t)为储能装置在t时段的总能量,单位为kWh;δ为储能装置自放能效率,取值较小;Pch(t)和Pdis(t)为储能装置在t时段充能和放能功率,单位为kW;ηch和ηdis为储能装置充能和放能效率;ΔT为单位时段,单位为h。
6)燃气锅炉经济数学模型
燃气锅炉的输出功率与自身的输出特性和负荷情况有关,其制热表达式如下所示;
PGB(t)=ηGB·FGB(t) (9)
式中,PGB(t)表示燃气锅炉的输出热功率,单位为kW;ηGB表示燃气锅妒的制热效率,取0.9;FGB(t)表示燃气锅炉消耗的燃料量,单位为kW。
基于上述实施例,所述步骤S1前还包括:
选取物理杀虫、空间电场、声波助长、洗衣机和洗澡用水负荷作为可时移负荷,并获取各所述可时移负荷的时移特性。
负荷侧响应主要是对负荷进行调控使微网经济运行,是需求侧管理的重要组成部分。负荷主要指农业负荷和居民负荷,例如LED植物生长照明、物理杀虫、水肥一体化、等离子固氮与水处理、卷帘电机、声波助长、居民照明和娱乐用电负荷、居民洗澡用水负荷和洗衣机等电器设备负荷等。将负荷分成两类,即不可时移负荷和可时移负荷。不可时移负荷指负荷供电时间固定无法更改,例如照明类用电负荷等。可时移负荷指负荷供电时间可以根据实际情况进行调整,经过对各负荷设备可时移特性进行调研,本发明实施例选取物理杀虫、空间电场、声波助长、洗衣机和洗澡用水负荷作为可时移负荷参与微能网的容量优化配置过程。然后,通过实际调研获取上述各可时移负荷的时移特性。
本发明实施例在进行所述多能互补的农村微能网的容量优化配置时,考虑可时移负荷侧响应的优点主要包含以下两个方面:第一,能够在用电高峰期将负荷进行转移,减少微能网的供电压力,同时减少供电波动,使供电负荷曲线更加平缓,提高供电可靠性和稳定性。第二,降低尖峰时刻的供电负荷,可以降低微能网供电设备的容量,进而降低微能网的供电成本,减少负荷低谷期设备出力不足造成的资源浪费问题,提高设备的利用效率。
基于上述实施例,所述步骤S1进一步包括:
以所述多能互补的农村微能网的年均投资成本最低为优化目标,根据所述多能互补的农村微能网的风-光-气-冷-热-储供能模型,建立所述多能互补的农村微能网中容量优化配置的目标函数;
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。
具体地,为了结合农村地区的实际条件,更好地利用可再生资源,本发明实施例规划建设沼气池,沼气通过农村生物质废弃物发酵后提供,根据沼气的特性,增加沼气加热系统,利用可再生能源给加热系统供能,保证沼气的稳定供应,不存在传统微能网外购天然气的成本,因此本发明实施例中构建的微能网年均投资成本主要包含微源初始投资成本、运行维护成本、环境污染成本和电池更换成本。优化目标为使年均投资成本最低,目标函数的公式如下所示:
minCacs=Cin+Cmaintain+Cpo+Cestor (10)
式中,Cacs为年均运行费用;Cin为微能网初始投资成本;Cmaintain为微能网运行维护成本;Cpo为微能网环境污染成本;Cestor为蓄电池更换成本。其中,
1)初始投资成本
2)运行维护成本
3)环境污染成本
在微型燃气轮机和燃气锅炉工作的时候会释放NO2等对环境有害的气体,其公式如下所示:
式中,U为污染物的类型数目;sk为第k种污染物的排放系数;w'k为第k种污染物的环境价值;wk为第k种污染物的罚款。
4)电池更换成本
蓄电池寿命相比其他微源通常小很多,因此需要考虑其置换费用,其公式如下所示:
式中,Cre为蓄电池置换成本;n为蓄电池使用年限;Pestor为蓄电池配置功率。
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:
1)电功率t时刻平衡约束条件
Pestor(t)+PMT(t)+PWT(t)+PPV(t)=Pelectriload(t)+PASHP(t) (15)
式中,Pelectriload(t)为电负荷;Pestor(t)为蓄电池功率;单位均为kW。
2)热功率t时刻平衡约束条件
PHASHP(t)+PEB(t)+PGB(t)+Phstor(t)=Pheatload(t) (16)
式中,Pheatload(t)为热负荷;Phstor(t)为热储存器功率;单位均为kW。
3)冷功率t时刻平衡约束条件
PCASHP(t)+PAC(t)+Pcstor(t)=Pcoolingload(t) (17)
式中Pcoolingload(t)为冷负荷;Pcstor(t)为冷储存器功率,单位均为kW。
4)微源出力和数量约束
Pd(t)≤pdNd (18)
0≤Nd≤Ndmax (19)
式中,pd为第d种微源单机容量,kW;Nd为第d微源数量;Ndmax为第d种微源最大安装数。
5)爬坡率约束
6)储冷储热储电装置模型约束
由于蓄电池、储热装置和储冷装置在微能网中的作用类似,原理类似,故可以用通用模型约束处理:
Emin≤E(t)≤Emax (22)
E(0)=E(T) (23)
0≤Pdis(t)≤Pdmax (24)
0≤Pch(t)≤Pcmax (25)
式中,E(t)为t时段储冷储热储电装置的容量,单位为kW·h;Emin、 Emax为储冷储热储电装置的容量最大值、最小值,单位为kW·h;Pstor(t) 为储冷储热储电装置功率,单位为kW;Pcmax、Pdmax为储冷储热储电装置充电最大功率和放电最大功率,单位为kW。
7)系统可靠性约束
ρpsr≥ρminpsr (28)
式中,ρpsr为微能网孤岛运行时的供电可靠率;ρminpsr为微能网孤岛运行时允许最小缺电概率值;PLOAD(t)为微能网t时刻负荷功率;PWT(t)为微能网t时刻风机发电功率;PPV(t)为微能网t时刻光伏发电功率;PMT(t) 为微能网t时刻微型燃气轮机发电功率;Pestor(t)为微能网t时刻蓄电池功率,以上功率参数单位均为kW。
8)可时移负荷约束
Pafter(t)=Pfore(t)+Pin(t)+Pout(t) (29)
Pk(t,t″)≥0,t∈TY (30)
Pk(t,t″)=0,t∈TN (31)
Pk(t',t)≥0,t∈TY (32)
Pk(t',t)=0,t∈TN (33)
式中,Pafter(t)为负荷时移后t时刻的负荷;Pfore(t)为负荷时移前t 时刻的负荷;Pin(t)为计划转入t时刻的负荷;Pout(t)为计划转出t时刻的负荷;Pk(t,t″)为第k类负荷从t时刻转入t″时刻的功率值;Pk(t',t)为第k类负荷从t'时刻转入t时刻的功率值,以上功率参数单位为kW;TY为负荷允许转入或者转出的时间段,单位为h;TN为负荷不允许转入或者转出的时间段,单位为h;m为负荷种类数量。
基于上述实施例,步骤S2中所述基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解进一步包括:
S21,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;
S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;
S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整公式计算收敛因子的值;
S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,并返回步骤S22。
具体地,灰狼优化(greywolfoptimization,GWO)算法是近年提出的一种新型智能算法,它通过模拟狼群捕食猎物的行为实现目标函数的优化,其具有参数调整少,易于理解的特点。其通用数学模型如下所示:
X(t+1)=Xp(t)-A|CXp(t)-X(t)| (37)
C=2r1 (38)
A=2ar2-a (39)
a=2-2(t/tmax) (40)
式中,Xp(t)为第t代时猎物的位置;X(t)表示第t代时灰狼个体的位置;C为摆动因子;r1和r2为0到1之间的随机数;A和a为收敛因子;t为当前迭代次数;tmax为最大迭代次数。
GWO算法将狼群分为四个等级α,β,δ,ω,其等级关系为α>β>δ>ω。将狼群中目前最优个体记为α,第二和第三优秀个体分别记为β和δ,其他个体记为ω。在搜索空间中对狼群进行初始化,在迭代过程中,由狼群最优秀的三个个体α,β,δ带领其他成员评估猎物的位置(全局最优解)更新自己的位置,最后完成猎杀的任务,更新公式如下所示。
X1=Xα-A1|C1Xα(t)-X(t)| (41)
X2=Xβ-A2|C2Xβ(t)-X(t)| (42)
X3=Xδ-A3|C3Xδ(t)-X(t)| (43)
GWO算法像其他群智能算法一样也存在容易陷入局部最优的问题。针对此问题,本发明实施例对GWO算法进行如下改进:
1)由于当|A|>1时,灰狼群体将扩大包围圈,寻找更好的猎物,为全局搜索过程;当|A|<1时,灰狼种群将收缩包围圈,完成最后攻击猎物的行为,为局部精确搜索过程。因此,A值的大小与基本GWO算法的全局搜索和局部搜索能力有很大关系。由公式(39)和(40)可知, A随着收敛因子a的变化而不断变化,而且收敛因子a随着迭代次数的增加从2线性递减到0。然而,基本GWO算法在搜索过程中却是非线性变化的,收敛因子a线性递减策略不能完全体现出实际的优化搜索过程,本发明提出的改进非线性公式如下:
式中,aini和afin分别是收敛因子a的初始值和终值,分别取2和0,由公式(45)知,收敛因子a随进化迭代次数增加而非线性动态变化,能够为有效地平衡灰狼优化算法的全局搜索和局部搜索能力提供有利前提。
2)由于灰狼算法的α狼不一定是全局最优点,这时在不断迭代过程中,随着ω狼不断的向这三头狼逼近,容易陷入局部最优(在迭代过程的后期,由于群体中所有灰狼个体均向最优个体区域逼近,从而导致群体多样性损失,此时,如果当前最优灰狼个体为局部最优解,则GWO算法陷入局部最优,出现早熟收敛现象,这也是群体智能优化算法的固有特点),本发明实施例参考粒子群算法引入一种新型的比例权重系数,通过权重的调节,不断地动态平衡调节算法的全局搜索能力和局部搜索能力并加快算法的收敛,比例权重公式如下:
本发明实施例所提供的改进灰狼优化算法的步骤如下:S21,首先,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整公式(45)计算收敛因子的值,并根据公式(38)和(39)计算A和C的值;S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,基于公式(41) 至(43)和公式(46)至(49)更新群体中每个灰狼个体的位置,并返回步骤S22。上述改进灰狼优化算法流程图如图3所示。
下面结合具体的例子来说明本发明上述实施例所提供的一种多能互补的农村微能网容量优化配置方法的有效性。以中国西部某村为例,采用本发明所提供的容量优化配置方法,同时考虑负荷侧响应情况,对风机、光伏、微型燃气轮机、余热锅炉、燃气锅炉、溴化锂吸收式制冷机、空气源热泵、蓄电池、蓄热槽等微源进行容量配置。各分布式电源成本如表1所示,可时移负荷参数如表2所示。采集微能网所在地区2015年的气象和各类负荷数据。将表1、表2和所采集的微能网所在地区的气象和各类负荷数据代入本发明上述实施例所确定的多能互补的农村微能网容量优化配置的目标函数和约束条件,运用本发明实施例所提供的改进灰狼优化算法进行求解,所获得容量优化配置结果如表3所示,Case1为微能网未加入热储存器和冷储存器的情况, Case2为微能网未加入热储存器和冷储存器而加入可时移负荷的情况, Case3为微能网考虑全部微源的情况,Case4为微能网考虑全部微源的同时加入可时移负荷的情况。其中仿真程序设置如下:狼群规模设置为20,最大迭代次数设置为50,运行周期设置为8760小时,供电可靠性目标值设置为0.97,不允许转出时间02:00-05:00,不允许转入时间11:00-13:00,18:00-19:00。
通过表3得到,在未加入冷热能储存器的方案Case1和Case2中,考虑了负荷侧响应的Case2的系统总成本比Case1降低37.2%。在微能网加入冷热能储存器的方案Case3和Case4中,可以发现其总成本均低于Case1和Case2,同时考虑负荷侧响应的Case4的系统总成本比 Case3降低38%,说明加入冷热能储存器和考虑负荷侧响应可以减小系统冗余投资成本。在系统供电可靠性方面,可靠性实际值可以达到仿真设定要求,证明算法的正确性。
分别采用粒子群算法、灰狼优化算法和改进灰狼优化算法对算例 Case3进行求解,得到的系统年均投资成本分别为7246577元、1509135 元和1465921元。证明改进灰狼算法由于标准灰狼算法和粒子群算法。本发明实施例提出适用于中国西部农村地区包含微源初始投资成本、运行维护成本、环境污染成本和电池更换成本的独立微能网优化配置模型,综合考虑风电和光伏的随机波动性、负荷侧响应等对微能网配置产生影响的因素,基于动态调整收敛因子与惯性权重的灰狼优化算法进行求解,算例结果表明,考虑负荷侧响应可以降低系统投资冗余度,运用本发明实施例所提供的算法可以大幅提高收敛速度,取得更好全局最优解,可为有效解决农村生物质废弃物污染问题和实现光伏和风电扶贫政策提供参考。
表1分布式电源成本
表2可时移负荷参数
设备 | 时移特性 |
物理杀虫 | 工作时间:00:00-24:00持续时间:1.5h |
空间电场 | 工作时间:00:00-24:00持续时间:2h |
声波组长 | 工作时间:06:00-19:00持续时间:1h |
洗衣机 | 工作时间:08:00-22:00持续时间:1h |
电热水器 | 工作时间:18:00-23:00持续时间:1h |
表3微源容量优化配置结果
如图4所示,为本发明另一实施例提供的一种多能互补的农村微能网容量优化配置装置的结构示意图,包括:模型建立单元41和模型求解单元42,其中,
模型建立单元41,用于根据多能互补的农村微能网的风-光-气-冷- 热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;
模型求解单元42,用于结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;
其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型。
具体地,本发明实施例所建立的微能网主要包括风力发电系统、光伏发电系统、微型燃气轮机、燃气锅炉、余热锅炉,溴化锂吸收式制冷机、冷热电储能装置、空气源热泵,系统供能架构如图2所示。根据图2所示的微能网架构,模型建立单元41构建多能互补的农村微能网风-光-气-冷-热-储供能模型。本发明实施了还考虑了负荷侧响应对微能网容量优化配置的影响,根据所构建的多能互补的农村微能网风- 光-气-冷-热-储供能模型结合可时移负荷侧响应,以微能网年均投资费用最低为优化目标,模型建立单元41确定所述多能互补的农村微能网容量优化配置的目标函数,并根据微能网的能量供需平衡、各微源的输出功率应满足负荷需求、供电可靠性和可时移负荷的时移特性,确定所述多能互补的农村微能网容量优化配置的约束条件。
针对确定性求解算法缺乏灵活性、传统粒子群算法收敛较早,容易陷入局部最优的问题,模型求解单元42基于改进的动态调整收敛因子和惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网各微源的容量优化配置结果。所述改进的动态调整收敛因子和惯性权重的灰狼优化算法改进点在于:1)收敛因子是非线性变化的;2)在群体个体位置更新的过程中引入比例权重系数,通过权重的调节,不断动态平衡算法的全局搜索能力和局部搜索能力并加快算法的收敛。
基于上述实施例,所述模型建立单元41具体用于:
以所述多能互补的农村微能网的年均投资成本最低为优化目标,根据所述多能互补的农村微能网的风-光-气-冷-热-储供能模型,建立所述多能互补的农村微能网中容量优化配置的目标函数;
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。
具体地,为了结合农村地区的实际条件,更好地利用可再生资源,本发明实施例规划建设沼气池,沼气通过农村生物质废弃物发酵后提供,根据沼气的特性,增加沼气加热系统,利用可再生能源给加热系统供能,保证沼气的稳定供应,不存在传统微能网外购天然气的成本,因此本发明实施例中构建的微能网年均投资成本主要包含微源初始投资成本、运行维护成本、环境污染成本和电池更换成本。优化目标为使年均投资成本最低,模型建立单元41所建立的目标函数的公式如下所示:
minCacs=Cin+Cmaintain+Cpo+Cestor (10)
式中,Cacs为年均运行费用;Cin为微能网初始投资成本;Cmaintain为微能网运行维护成本;Cpo为微能网环境污染成本;Cestor为蓄电池更换成本。其中,
1)初始投资成本
2)运行维护成本
3)环境污染成本
在微型燃气轮机和燃气锅炉工作的时候会释放NO2等对环境有害的气体,其公式如下所示:
式中,U为污染物的类型数目;sk为第k种污染物的排放系数;w'k为第k种污染物的环境价值;wk为第k种污染物的罚款。
4)电池更换成本
蓄电池寿命相比其他微源通常小很多,因此需要考虑其置换费用,其公式如下所示:
式中,Cre为蓄电池置换成本;n为蓄电池使用年限;Pestor为蓄电池配置功率。
模型建立单元41具体用于确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。具体如下:
1)电功率t时刻平衡约束条件
Pestor(t)+PMT(t)+PWT(t)+PPV(t)=Pelectriload(t)+PASHP(t) (15)
式中,Pelectriload(t)为电负荷;Pestor(t)为蓄电池功率;以上单位为kW。
2)热功率t时刻平衡约束条件
PHASHP(t)+PEB(t)+PGB(t)+Phstor(t)=Pheatload(t) (16)
式中,Pheatload(t)为热负荷;Phstor(t)为热储存器功率;以上单位为kW。
3)冷功率t时刻平衡约束条件
PCASHP(t)+PAC(t)+Pcstor(t)=Pcoolingload(t) (17)
式中Pcoolingload(t)为冷负荷;Pcstor(t)为冷储存器功率,以上单位为kW。
4)微源出力和数量约束
Pd(t)≤pdNd (18)
0≤Nd≤Ndmax (19)
式中,pd为第d种微源单机容量,kW;Nd为第d微源数量;Ndmax为第d种微源最大安装数。
5)爬坡率约束
6)储冷储热储电装置模型约束
由于蓄电池、储热装置和储冷装置在微能网中的作用类似,原理类似,故可以用通用模型约束处理:
Emin≤E(t)≤Emax (22)
E(0)=E(T) (23)
0≤Pdis(t)≤Pdmax (24)
0≤Pch(t)≤Pcmax (25)
式中,E(t)为t时段储冷储热储电装置的容量,单位为kW·h;Emin、 Emax为储冷储热储电装置的容量最大值、最小值,单位为kW·h;Pstor(t) 为储冷储热储电装置功率,单位为kW;Pcmax、Pdmax为储冷储热储电装置充电最大功率和放电最大功率,单位为kW。
7)系统可靠性约束
ρpsr≥ρminpsr (28)
式中,ρpsr为微能网孤岛运行时的供电可靠率;ρminpsr为微能网孤岛运行时允许最小缺电概率值;PLOAD(t)为微能网t时刻负荷功率;PWT(t)为微能网t时刻风机发电功率;PPV(t)为微能网t时刻光伏发电功率;PMT(t) 为微能网t时刻微型燃气轮机发电功率;Pestor(t)为微能网t时刻蓄电池功率,以上功率参数单位均为kW。
8)可时移负荷约束
Pafter(t)=Pfore(t)+Pin(t)+Pout(t) (29)
Pk(t,t″)≥0,t∈TY (30)
Pk(t,t″)=0,t∈TN (31)
Pk(t',t)≥0,t∈TY (32)
Pk(t',t)=0,t∈TN (33)
式中,Pafter(t)为负荷时移后t时刻的负荷;Pfore(t)为负荷时移前t 时刻的负荷;Pin(t)为计划转入t时刻的负荷;Pout(t)为计划转出t时刻的负荷;Pk(t,t″)为第k类负荷从t时刻转入t″时刻的功率值;Pk(t',t)为第k类负荷从t'时刻转入t时刻的功率值,以上功率参数单位为kW;TY为负荷允许转入或者转出的时间段,单位为h;TN为负荷不允许转入或者转出的时间段,单位为h;m为负荷种类数量。
基于上述实施例,所述模型求解单元42具体用于:
S21,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;
S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;
S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整公式计算收敛因子的值;
S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,并返回步骤S22。
即模型求解单元42具体用于:S21,首先,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为;S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整公式(45)计算收敛因子的值,并根据公式(38)和(39) 计算A和C的值;S24,根据所述的值和惯性权重公式更新群体中每个灰狼个体的位置,基于公式(41)至(43)和公式(46)至(49) 更新群体中每个灰狼个体的位置,并返回步骤S22。
本发明实施例提出一种多能互补的农村微能网容量优化配置装置, 结合西部农村实际情况,在考虑负荷侧响应和供电可靠性的基础上,建立年均投资费用最低的优化配置模型,并基于动态调整惯性权重和收敛因子的灰狼优化算法对优化配置问题进行求解,实现了农村微能网容量的优化配置。
本发明又一实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上所述的多能互补的农村微能网容量优化配置方法,例如包括:S1,根据多能互补的农村微能网的风-光-气-冷-热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;S2,结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种多能互补的农村微能网容量优化配置方法,其特征在于,包括:
S1,根据多能互补的农村微能网的风-光-气-冷-热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;
S2,结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;
其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型;
其中,步骤S2中所述基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解进一步包括:
S21,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;
S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;
S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整的公式计算收敛因子的值;
S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,并返回步骤S22;
其中,步骤S23中收敛因子动态调整的公式为:
其中,a为收敛因子,t为当前迭代次数,tmax为最大迭代次数,aini和afin分别为收敛因子的初始值和终止值。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1前还包括:
根据多能互补的农村微能网的供能架构,构建所述多能互补的农村微能网的风-光-气-冷-热-储供能模型。
3.根据权利要求2所述的方法,其特征在于,所述步骤S1前还包括:
选取物理杀虫、空间电场、声波助长、洗衣机和洗澡用水负荷作为可时移负荷,并获取各所述可时移负荷的时移特性。
4.根据权利要求3所述的方法,其特征在于,所述步骤S1进一步包括:
以所述多能互补的农村微能网的年均投资成本最低为优化目标,根据所述多能互补的农村微能网的风-光-气-冷-热-储供能模型,建立所述多能互补的农村微能网中容量优化配置的目标函数;
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。
5.一种多能互补的农村微能网容量优化配置装置,其特征在于,包括:
模型建立单元,用于根据多能互补的农村微能网的风-光-气-冷-热-储供能模型,并结合可时移负荷的时移特性,确定所述多能互补的农村微能网中容量优化配置的目标函数和约束条件;
模型求解单元,用于结合所述约束条件,基于改进的动态调整收敛因子与惯性权重的灰狼优化算法对所述目标函数进行求解,获得所述多能互补的农村微能网中各微源的容量优化配置结果;
其中,所述风-光-气-冷-热-储供能模型包括:风力发电模型、光伏发电模型、微型燃气轮机冷热电联供模型、空气源热泵冷热联供模型和储冷热电装置模型;
其中,所述模型求解单元具体用于:
S21,设置算法参数,群体规模、最大迭代次数、收敛因子初始值和终止值,并对狼群进行随机初始化;
S22,计算群体中每个灰狼个体的适应度值并排序,将适应度值排名前三的个体位置分别记为Xα,Xβ,Xδ;
S23,判断算法是否满足终止条件,若满足,输出最优灰狼个体,算法结束;若不满足,则根据收敛因子动态调整的公式计算收敛因子的值;
S24,根据所述Xα,Xβ,Xδ的值和惯性权重公式更新群体中每个灰狼个体的位置,并返回步骤S22;
其中,步骤S23中收敛因子动态调整的公式为:
其中,a为收敛因子,t为当前迭代次数,tmax为最大迭代次数,aini和afin分别为收敛因子的初始值和终止值。
6.根据权利要求5所述的装置,其特征在于,所述模型建立单元具体用于:
以所述多能互补的农村微能网的年均投资成本最低为优化目标,根据所述多能互补的农村微能网的风-光-气-冷-热-储供能模型,建立所述多能互补的农村微能网中容量优化配置的目标函数;
确定所述多能互补的农村微能网容量优化配置的约束条件,包括:冷热电功率平衡约束、各微源出力和数量约束、燃气轮机和燃气锅炉爬坡率约束、储冷热电装置约束、系统可靠性约束和可时移负荷约束。
7.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711190598.5A CN108183500B (zh) | 2017-11-24 | 2017-11-24 | 一种多能互补的农村微能网容量优化配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711190598.5A CN108183500B (zh) | 2017-11-24 | 2017-11-24 | 一种多能互补的农村微能网容量优化配置方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108183500A CN108183500A (zh) | 2018-06-19 |
CN108183500B true CN108183500B (zh) | 2020-07-10 |
Family
ID=62545218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711190598.5A Active CN108183500B (zh) | 2017-11-24 | 2017-11-24 | 一种多能互补的农村微能网容量优化配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108183500B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109268685A (zh) * | 2018-10-09 | 2019-01-25 | 北京亿利智慧能源科技有限公司 | 输配网及其控制方法 |
CN109672215A (zh) * | 2018-11-20 | 2019-04-23 | 中国农业大学 | 基于负荷可时移特性的分布式光伏消纳控制方法 |
CN110167138B (zh) * | 2019-05-23 | 2021-01-01 | 西安电子科技大学 | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 |
CN110084444B (zh) * | 2019-05-27 | 2021-05-14 | 华北电力大学 | 一种考虑自然资源随机性的云数据中心用电负荷调度方法 |
CN110996287B (zh) * | 2019-12-04 | 2022-02-01 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
CN111108969B (zh) * | 2020-01-16 | 2022-03-08 | 国网甘肃省电力公司电力科学研究院 | 一种设施农业温室及多形态储能优化控制方法 |
CN113256041A (zh) * | 2020-02-11 | 2021-08-13 | 中国农业大学 | 一种用于计算农村微能网能效的方法及系统 |
CN111457927B (zh) * | 2020-04-26 | 2021-03-05 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
CN111860937B (zh) * | 2020-05-26 | 2022-05-24 | 国网天津市电力公司电力科学研究院 | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 |
CN111967187B (zh) * | 2020-08-20 | 2023-10-17 | 新奥能源动力科技(上海)有限公司 | 一种预测燃气轮机启动过程输出数据的建模方法及设备 |
CN112491073A (zh) * | 2020-11-06 | 2021-03-12 | 国网甘肃省电力公司电力科学研究院 | 用于新能源和多形态储能的容量优化配置方法及系统 |
CN112528214B (zh) * | 2020-12-01 | 2024-05-28 | 国网江苏省电力有限公司营销服务中心 | 基于客户侧用能控制系统的多能互补协调优化方法 |
CN112994116B (zh) * | 2021-02-03 | 2022-11-22 | 国网能源研究院有限公司 | 一种农村地区的燃煤和生物质发电容量规划方法 |
CN113410900B (zh) * | 2021-06-18 | 2022-08-19 | 国网湖南省电力有限公司 | 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统 |
CN113612215B (zh) * | 2021-06-29 | 2024-05-31 | 深圳供电局有限公司 | 风光互补发电系统容量配置方法及装置 |
CN113469430B (zh) * | 2021-06-29 | 2024-02-09 | 华电电力科学研究院有限公司 | 综合用能园区的多能互补容量配置方法 |
CN113852109B (zh) * | 2021-09-23 | 2023-04-28 | 西南交通大学 | 一种异构式微电网群的公平载荷裕度分布式调控方法 |
CN114462627A (zh) * | 2022-03-16 | 2022-05-10 | 兰州理工大学 | 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 |
CN114992808B (zh) * | 2022-06-15 | 2023-06-02 | 山东大学 | 基于组合智能算法的热泵空调热管理控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246263A (zh) * | 2013-04-22 | 2013-08-14 | 天津大学 | 冷热电联供微网系统的通用优化调度策略 |
CN106374534A (zh) * | 2016-11-17 | 2017-02-01 | 云南电网有限责任公司玉溪供电局 | 一种基于多目标灰狼优化算法的大规模家庭能量管理方法 |
-
2017
- 2017-11-24 CN CN201711190598.5A patent/CN108183500B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246263A (zh) * | 2013-04-22 | 2013-08-14 | 天津大学 | 冷热电联供微网系统的通用优化调度策略 |
CN106374534A (zh) * | 2016-11-17 | 2017-02-01 | 云南电网有限责任公司玉溪供电局 | 一种基于多目标灰狼优化算法的大规模家庭能量管理方法 |
Non-Patent Citations (1)
Title |
---|
GWO算法在微电网分布式电源优化规划研究中的应用;景瑜;《安阳师范学院学报》;20170228(第2期);第69-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108183500A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108183500B (zh) | 一种多能互补的农村微能网容量优化配置方法及装置 | |
CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
CN111860937B (zh) | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 | |
CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
CN107732897B (zh) | 融合虚拟储能系统的楼宇微网模型预测调控方法 | |
CN106022503A (zh) | 面向具有耦合型电冷热需求的微电网容量规划方法 | |
CN112069720B (zh) | 一种综合能源系统及其运行优化方法 | |
CN109742812A (zh) | 一种提高新能源消纳的源-荷-储协调调度方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN109711080A (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
CN105337303A (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
CN105676824A (zh) | 一种可再生能源冷热电联供能量优化调度系统与方法 | |
CN109861302B (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
CN110333660A (zh) | 一种冷热电联供系统多目标优化方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN113762708A (zh) | 一种考虑多目标协同的园区级综合能源系统规划方法 | |
CN109523065A (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
CN109543889A (zh) | 一种区域综合能源系统日前协同优化运行方法 | |
CN109634119A (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
CN110165665A (zh) | 一种基于改进多目标粒子群算法的源-荷-储调度方法 | |
CN112906988B (zh) | 一种多能源建筑系统鲁棒双层协调调度的方法 | |
CN110311371A (zh) | 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法 | |
CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
CN110391655A (zh) | 一种含多能源耦合的微能源网经济优化调度方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |