CN109472716A - 一种基于遗传算法的考虑多因素的产能端功率分配方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的考虑多因素的产能端功率分配方法，本发明根据能源互联网中产能端设备的使用寿命，通过建立寿命损耗率模型以决定产能端设备在不同阶段的最大产能功率，并结合能量传输损耗、环境效益等多因素进行功率分配的方法，从而最大化产能效率及产能收益。本文采用启发式的遗传算法，以种群中的所有个体为对象，利用随机化技术指导对一个被编码的参数空间进行高效搜索，通过选择、交叉、变异自适应地调整搜索方向，得出群体最优解，即最佳分配方案。本发明对于能源互联网中多能源形式共存的产能端功率分配问题具有重要的科学意义和应用价值。

Description

一种基于遗传算法的考虑多因素的产能端功率分配方法

技术领域

本发明涉及一种考虑产能端设备使用寿命，以及能量传输损耗、环境效益等多因素的功率分配方法，属于能源互联网领域。

背景技术

近年来，能源问题已成为世界各国所需讨论解决的首要难题，世界各个国家及组织积极开展探究新型替代能源的技术。其中，可再生能源以其可再生、无污染的特点受到了高度重视。随着新能源技术的发展，并伴随着能源技术创新和互联网技术的深度融合的巨大潜力，诞生了“能源互联网”的宏观结构，该体系具有“多能互补，源网荷储”的统一多能互补协调的核心理念，不仅可以实现能源的“就地采集，原地存储，现场利用”功能，还可以作为具有数个完整功能的局域小型供电系统与电网互联。

由于多种新型能源的加入，能源形式不再局限于电能，而是电能、天然气能、石油能等多种能源形式的结合，天然气能由于其高效、清洁等特点，具有良好的发展前景，同时在发电形式中，风力、光伏发电相较于传统的火力发电也有明显的优势。在多种能源形式共存的产能端，使用时间较短的产能设备，维护费用较低，可以在短时间内处于过载运行状态以获取更大的输出能量，使用时间较长的产能设备，维护费用较高，适合处于轻载运行状态减少维护并保证安全。因此可以利用产能设备这一特性，并综合考虑能量传输损耗、环境效益等因素对新兴的天然气产能、风力产能、光伏产能等设备通过过载运行获取更大的能量输出，从而进一步代替产能区域中综合性能较劣的火力发电等设备，提升产能效率及收益。

遗传算法是一种应用广泛的启发式智能优化方法，由借鉴进化生物学原理而来，是人工智能领域的重要分支，对优化问题的限制条件较少，具有极强的通用性，易于通过编程实现。

发明内容

在能源互联网中，能量的形式不再局限于电能，而是电能、天然气能、石油能等多种能源形式的结合，天然气能由于其高效、清洁等特点，具有良好的发展前景，同时在发电形式中，风力、光伏发电相较于传统的火力发电也有明显的优势。在我国，虽然仍然是以火力发电为主，但在微网场景下，已经可以充分利用风能、天然气能等代替火力发电，获得更大的经济收益以及环境收益。在多种能源形式共存的产能端，产能设备的使用寿命不同，当某一产能设备使用时间较短，即该设备刚刚建立时，维护费用较低，可以处于过载运行状态以获取更大的输出能量，但也需要避免长时间过载运行以免损坏设备；当某一产能设备的使用时间较长，即该设备较为陈旧，维护费用较高，因此适合处于轻载运行以减少维护费用并保证安全性。利用产能设备这一特性，通过选取使用时间较短，同时能量传输损耗、环境效益等性能良好的产能设备，通过过载运行获取更大的功率输出，进一步代替产能端较为陈旧，同时环境效益等性能较劣的火力发电等设施，从而提升产能效率及产能收益。考虑多因素的功率分配是一种优化问题，最佳分配方案是综合性能越好的产能设备向负荷输送功率的比例越高，因此采用启发式的遗传算法，遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过自然进化过程搜索最优解的方法。遗传算法以一种群体中的所有个体为对象，利用随机化技术指导对一个被编码的参数空间进行高效搜索，通过选择、交叉、变异自适应地调整搜索方向，得出群体最优解，即本发明中满足设备更换时间间隔要求的能量传输总损耗最低值，此时有最大的能量传输效率。本发明方法的具体实现包括以下步骤：

(1)获取能源互联网产能端多种能源形式(如电能、天然气能)的产能设备，产能设备为风力发电厂、水力发电厂、光伏电池、储气系统等，产能设备的编号M表示为：

其中，n为产能端的产能设备数量，产能设备在时刻t可发功率P表示为：

其中，P_i(t)为产能设备i在时刻t的可发功率；

(2)获取每个产能设备的使用时间，当某个产能设备使用时间较短，即该设备刚刚投入使用时，维护费用较低，可以短时间内处于过载运行状态以获取更大的输出能量，但也需要避免长时间过载运行以免损坏设备；当某个产能设备的使用时间较长，即该设备较为陈旧时，维护费用较高，因此适合处于轻载运行以减少维护费用并保证安全性。产能设备i在过载运行状态下实际运行功率P_i通常为额定功率的120％，即在轻载运行状态下实际运行功率P_i通常为额定功率的60％，即 为节点i的额定运行功率。

设备在过载运行时寿命损耗率增加，而且过载幅度越大，寿命损耗率增加越快，因此需要避免长时间处于过载运行状态，将寿命损耗率γ_P与运行功率的关系设置为指数模型，表示为：

其中，γ₀为该设备没有运行时的自然损耗率，b为待拟合常数，P为实际功率，P_n为额定功率；

同时，寿命损耗率与产能设备投入运行的时间有关，在同种设备相同的运行功率下，使用时间较短的设备相较于使用时间较长的设备寿命损耗率较小，因此引入关于使用时间的修正系数γ_t，设置为分段函数模型，表示为：

其中，T_n为设备始终处于额定功率下的使用寿命，则修正之后的设备总寿命损耗率γ(P,t)表示为：

γ(P,t)＝γ_P·γ_t

当设备始终处于满载状态，即额定功率运行状态下，寿命损耗率γ(P,t)由1下降至阈值α时无法继续使用，满足：

每个设备有其对应的α,T_n,γ₀值，由此拟合出设备损耗率模型中的b值；

当设备分别处于过载、满载与轻载运行状态时，寿命损耗率γ(P,t)同样在下降至阈值α时无法继续使用，则设备实际运行寿命T满足条件：

其中，T₁,T₂,T₃为设备分别在过载、满载、轻载运行状态下的运行时间，由此条件分配T₁,T₂,T₃值，即设备处于不同运行状态的持续时间；

在功率分配中，每个产能设备根据自身寿命损耗率的模型控制其处于过载、满载及轻载运行状态的时间，不同的运行状态对应不同的产能性能，通过建立模糊规则表示与使用时间相关的性能系数W_age是一种有效的方法。模糊规则的应用如下表示：

(3)获取能源互联网中不同能源类型负荷(如电能、热能、冷能)的功率需求，表示为：

P_L(t)＝[P_L1(t),P_L2(t),...,P_Ls(t)]

其中，s为负荷总数，P_Lj(t)为负荷j在t时刻所需功率；每个产能设备能够同时向多个负荷进行供能，产能设备i向s个负荷进行供能的分配表示为：

其中，α_ij为产能设备i向负荷j发送功率与自身可发最大功率的百分比，满足条件α_i1+α_i2+...+α_is≤1；

(4)产能设备向负荷供能时首先需要将自身的能源类型转换为负荷需求的能源类型，能源转换装置有电力变压器、微型燃气轮机、燃气锅炉等，对应的转换效率η_c表示为：

其中，η_cij为产能设备i的能源类型转换为负荷j所需能源类型转换的效率；

产能设备将能源类型转换为负荷需求的能量类型之后，在向负荷传输过程会造成能量的损耗，能量传输损耗与传输距离以及传输的能量类型有关，通常传输距离越远，损耗越大，不同类型的能源中，热能传输的损耗率大于电能传输的损耗率，传输效率η_t表示为：

其中，D_ij为产能设备i与负荷j的能量传输距离，δ_j为负荷j所需能量类型对应的单位传输距离的能量损耗率；

(5)获取不同能源类型各自的实时价格C(t)，表示为：

其中，C_i(t)为产能设备i对应能源类型在t时刻的实时价格，能源类型相同的产能设备对应实时价格相同，为了便于将价格因素与其他因素进行运算，将实时价格C_i(t)归一化至0到1之间的系数表示为：

(6)不同能源类型产能时对环境的影响不同，在我国21％的NO_x、40％的CO₂、25％的烟尘、20％的灰渣来源于火力发电，而以风光为主的分布式发电具有更突出的环境效益，下表为不同产能形式对应的排污数据比较：

表1.排污数据比较g/kWh

产能方式	NO<sub>x</sub>	CO<sub>2</sub>	CO	SO<sub>2</sub>
					火力	0.1547～3.09383	86.4725	—	0.1083～3.9446
天然气	0.0077～1.5469	49.0372	—	0.4641
					光伏	0.00448～0.0897	0	0	0.00314～0.11439
风力	0	0	0	0

由表中可以看出风力发电与光伏发电的环境效益具有明显的优势，天然气产能相较于传统的火力发电同样有环境效益的优势，由于环境效益难以进行量化，因此本发明使用模糊规则对环境效益系数W_en进行评估，风力发电和光伏发电的环境效益定义为高，天然气产能的环境效益定位为正常，而火力发电的环境效益定义为低，模糊规则的应用如下：

(7)在功率分配中综合考虑了产能设备使用寿命、能量转换效率、能量传输效率、能源实时价格以及环境效益五项因素来进行产能的分配，五项因素的考虑权重W表示为：

W＝[w₁,w₂,w₃,w₄,w₅]

其中，w_k表示第k项因素的权重，满足w₁+w₂+w₃+w₄+w₅＝1；

(8)对于负荷j，在t时刻每个产能设备向其供能的占比β(t)表示为：

β_j(t)＝[β_1j(t),β_2j(t),...,β_nj(t)]

其中，β_ij(t)为t时刻产能设备i向负荷j供能与负荷所需能量的占比，满足β_1j+β_2j+...+β_nj＝1，则t时刻向负荷j供能分配方案的性能指标为：

目标函数为在时间周期T_duration内所有负荷的性能指标之和，表示为：

目标函数越大，对应的分配方案越好，约束条件为：

对任意负荷j，都有

其中，n_j为向负荷j进行供能的产能设备个数，P_ij为产能设备i向负荷j供能的实际功率，满足条件：

其中，为产能设备i向负荷j供能时所发最大功率，满足：

(9)采用启发式的遗传算法求解目标函数，获取最佳功率分配方案，即每个设备向每个负荷实际所发功率与自身可发最大功率的占比；目标函数的求解过程具体如下：

(9.1)选取每个设备向每个负荷进行供能的功率与自身所发最大功率的随机占比，选取满足约束条件的占比取值，首先取整，作为初始占比，初始占比为s·n矩阵，之后将初始占比转换为二进制，作为种群中的一个个体，设置种群中的个体数，并对每个个体进行适应度评估，即求解目标函数值，目标函数值越大，适应度越大；

(9.2)对二进制表示的初代种群进行选择、交叉、变异操作，设置最大遗传代数K，交叉概率γ_c、变异概率γ_m；选择过程采用轮盘赌机制，交叉过程采用二进制单点交叉方式，变异操作选择二进制单点变异方式，得到新一代种群，将二进制表示的种群转换为十进制数值，选取新一代种群中满足约束条件的个体计算适应度；

(9.3)重复执行步骤(9.2)，直到达到最大遗传代数K时，种群所在位置即为最优值，将二进制表示的种群位置转换为十进制数，即得到最佳功率分配方案。

本发明的优点在于：创新性地考虑产能端设备的使用寿命决定该设备最大输出功率，提出寿命损耗率模型指导该设备的运行状态，并综合能量传输损耗、环境效益等多因素进行了功率分配方案的选择，本发明提出采用启发式的遗传算法，能很好的处理约束限制，能很好的跳出局部最优，最终得到全局最优解，即最佳分配方案，从而最大化产能效率及收益。

附图说明

图1是一种基于遗传算法的考虑多因素的产能端功率分配方法的流程图；

图2是遗传算法的流程图；

图3是能源互联网产能端设备可发能量图；

图4是能源互联网区域负荷曲线图；

图5是不同能源类型的实时价格；

图6是产能设备实际发送能量图；

图7是产能设备发送电能图；

图8是产能设备发送热能图；

图9是产能设备实际功率与额定功率比值图

具体实施方式

下面结合附图和具体实施例对本发明作进一步描述。以下实例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提供的一种基于遗传算法的考虑多因素的产能端功率分配方法，如图1、2所示，包括以下步骤：

(1)本实例中以某微网为例，选取6个产能端设备进行供能，分别为1个火力发电设备，两个风力发电设备，两个光伏发电设备及一个储气系统设备；产能端设备在一天之内的可发能量如图3所示；同时选取一个负荷点，负荷需求形式有电能与热能两种，负荷需求曲线如图4所示；能源形式的转换装置为电力变压器、微型燃气轮机、燃气锅炉、电加热炉；

(2)选取其中一个风力发电设备，额定使用寿命为30年，阈值α＝0.2，自然损耗率γ₀＝0.02，则拟合出设备损耗率模型中b＝0.96，该设备处于过载、满载、轻载运行状态下的时间可分别选取为T₁＝12,T₂＝12,T₃＝6，即在前12年可处于过载运行状态，后6年需处于轻载运行状态，中间12年为满载运行状态，对产能端所有设备均由此模型计算当前时刻的运行状态，产能端设备的运行状态及其他性能指标参数如下表所示，电能及天然气能的实时电价如图5所示，产能端设备使用寿命、能量转换效率、能量传输效率、能源实时价格以及环境效益五个考虑因素的权重W设置为W＝[0.6,0.05,0.05,0.2,0.1]；

表2.产能端设备性能指标

表3.变量表

电力变压器效率	0.95
		电加热炉效率	0.98
微型燃气轮机效率	0.4
		燃气锅炉效率	0.9
电能传输损耗	0.01
		热能传输损耗	0.05

(3)选取每个设备向每种负荷进行供能的功率与自身所发最大功率的随机占比，首先取整，作为初始占比，初始占比为2×6矩阵，之后将初始占比转换为二进制数作为种群中的一个个体，二进制编码长度统一设置为10，占比的取值范围为[0,1]，则二进制‘0000000000’表示0，二进制‘1111111111’表示1，最大遗传代数设定为K＝100；

(4)确定约束条件如下：

即t时刻产能端设备发送的电功率和热功率分别等于该时刻负荷所需求的电功率和热功率，同时对每个产能端设备i，需满足以下条件：

即产能端设备i向负荷j发送的功率P_ij不能超过该设备所发最大功率选取满足约束条件的个体计算适应度，即目标函数值；

(5)对种群进行选择、交叉、变异操作：选择过程采用轮盘赌的机制，交叉过程采用二进制单点交叉方式，交叉概率选择为γ_c＝0.6，变异操作选择二进制单点变异方式，变异的概率为γ_m＝0.01，得到新一代种群，选取新一代种群中满足约束条件的个体计算适应度；

(6)重复步骤(5)，直到达到最大遗传代数K之后，对种群停止操作，此时种群所在位置为最优值，即最佳分配方案；

图6为最佳产能分配方案下每个产能端设备的产能量，负荷所需能量优先由天然气能、风能和光能供给，火能输出能量最小；同时在风能及光能中，使用时间较短的设备相较于使用时间较长的设备输出能量更高；图7为产能端设备发送电能的分布，图8为产能端设备发送热能的分布。

图9是最佳分配方案下每个产能端设备的实际功率与其额定功率的比值，使用时间较短的储气系统设备、第二个风力发电设备以及第二个光伏发电设备处于过载运行状态，使用时间较长的火力发电设备始终处于轻载运行状态。

以上所述仅为本发明的较佳实施举例，并不用于限制本发明，凡在本发明精神和原则之内，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 (3)

1.一种基于遗传算法的考虑多因素的产能端功率分配方法，其特征在于，包括以下步骤：

(1)获取能源互联网产能端多种能源形式的产能设备，产能设备的编号M表示为：

其中，n为产能端的产能设备数量，产能设备在时刻t可发功率P表示为：

其中，P_i(t)为产能设备i在时刻t的可发功率；

(2)将产能设备的寿命损耗率γ_P与运行功率的关系设置为指数模型，表示为：

其中，γ₀为该设备没有运行时的自然损耗率，b为待拟合常数，P为实际功率，P_n为额定功率；

引入关于使用时间的修正系数γ_t，设置为分段函数模型，表示为：

其中，T_n为设备始终处于额定功率下的使用寿命，则修正之后的设备总寿命损耗率γ(P,t)表示为：

γ(P,t)＝γ_P·γ_t

当设备始终处于满载状态，即额定功率运行状态下，寿命损耗率γ(P,t)由1下降至阈值α时无法继续使用，满足：

每个设备有其对应的α,T_n,γ₀值，由此拟合出设备损耗率模型中的b值；

当设备分别处于过载、满载与轻载运行状态时，寿命损耗率γ(P,t)同样在下降至阈值α时无法继续使用，则设备实际运行寿命T满足条件：

其中，T₁,T₂,T₃为设备分别在过载、满载、轻载运行状态下的运行时间，由此条件分配T₁,T₂,T₃值，即设备处于不同运行状态的持续时间；

在功率分配中，每个产能设备根据自身寿命损耗率的模型控制其处于过载、满载及轻载运行状态的时间，不同的运行状态对应不同的产能性能，通过建立模糊规则表示与使用时间相关的性能系数W_age，模糊规则的应用如下表示：

(3)获取能源互联网中不同能源类型负荷的功率需求，表示为：

P_L(t)＝[P_L1(t),P_L2(t),...,P_Ls(t)]

其中，s为负荷总数，P_Lj(t)为负荷j在t时刻所需功率；每个产能设备能够同时向多个负荷进行供能，产能设备i向s个负荷进行供能的分配表示为：

其中，α_ij为产能设备i向负荷j发送功率与自身可发最大功率的百分比，满足条件α_i1+α_i2+...+α_is≤1；

(4)产能设备向负荷供能时首先需要将自身的能源类型转换为负荷需求的能源类型，能源转换装置有电力变压器、微型燃气轮机、燃气锅炉等，对应的转换效率η_c表示为：

其中，为产能设备i的能源类型转换为负荷j所需能源类型转换的效率；

产能设备将能源类型转换为负荷需求的能量类型之后，在向负荷传输过程会造成能量的损耗，传输效率η_t表示为：

其中，D_ij为产能设备i与负荷j的能量传输距离，δ_j为负荷j所需能量类型对应的单位传输距离的能量损耗率；

(5)获取不同能源类型各自的实时价格C(t)，表示为：

其中，C_i(t)为产能设备i对应能源类型在t时刻的实时价格，能源类型相同的产能设备对应实时价格相同，为了便于将价格因素与其他因素进行运算，将实时价格C_i(t)归一化至0到1之间的系数表示为：

(6)不同能源类型产能时对环境的影响不同，使用模糊规则对环境效益系数W_en进行评估，风力发电和光伏发电的环境效益定义为高，天然气产能的环境效益定位为正常，火力发电的环境效益定义为低，模糊规则的应用如下：

(7)在功率分配中综合考虑产能设备使用寿命、能量转换效率、能量传输效率、能源实时价格以及环境效益五项因素来进行产能的分配，五项因素的考虑权重W表示为：

W＝[w₁,w₂,w₃,w₄,w₅]

其中，w_k表示第k项因素的权重，满足w₁+w₂+w₃+w₄+w₅＝1；

(8)对于负荷j，在t时刻每个产能设备向其供能的占比β(t)表示为：

β_j(t)＝[β_1j(t),β_2j(t),...,β_nj(t)]

其中，β_ij(t)为t时刻产能设备i向负荷j供能与负荷所需能量的占比，满足β_1j+β_2j+...+β_nj＝1，则t时刻向负荷j供能分配方案的性能指标为：

目标函数为在时间周期T_duration内所有负荷的性能指标之和，表示为：

目标函数越大，对应的分配方案越好，约束条件为：

对任意负荷j，都有

其中，n_j为向负荷j进行供能的产能设备个数，P_ij为产能设备i向负荷j供能的实际功率，满足条件：

其中，为产能设备i向负荷j供能时所发最大功率，满足：

(9)采用启发式的遗传算法求解目标函数，获取最佳功率分配方案，即每个设备向每个负荷实际所发功率与自身可发最大功率的占比；目标函数的求解过程具体如下：

(9.1)选取每个设备向每个负荷进行供能的功率与自身所发最大功率的随机占比，选取满足约束条件的占比取值，首先取整，作为初始占比，初始占比为s·n矩阵，之后将初始占比转换为二进制，作为种群中的一个个体，设置种群中的个体数，并对每个个体进行适应度评估，即求解目标函数值，目标函数值越大，适应度越大；

(9.2)对二进制表示的初代种群进行选择、交叉、变异操作，设置最大遗传代数K，交叉概率γ_c、变异概率γ_m；选择过程采用轮盘赌机制，交叉过程采用二进制单点交叉方式，变异操作选择二进制单点变异方式，得到新一代种群，将二进制表示的种群转换为十进制数值，选取新一代种群中满足约束条件的个体计算适应度；

(9.3)重复执行步骤(9.2)，直到达到最大遗传代数K时，种群所在位置即为最优值，将二进制表示的种群位置转换为十进制数，即得到最佳功率分配方案。

2.根据权利要求1所述的一种基于遗传算法的考虑多因素的产能端功率分配方法，其特征在于，所述步骤(1)中，所述产能设备包括风力发电厂、水力发电厂、光伏电池、储气系统。

3.根据权利要求1所述的一种基于遗传算法的考虑多因素的产能端功率分配方法，其特征在于，所述步骤(4)中，所述能源转换装置包括电力变压器、微型燃气轮机、燃气锅炉。