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
一种基于遗传算法的考虑多因素的产能端功率分配方法 Download PDFInfo
- Publication number
- CN109472716A CN109472716A CN201811330821.6A CN201811330821A CN109472716A CN 109472716 A CN109472716 A CN 109472716A CN 201811330821 A CN201811330821 A CN 201811330821A CN 109472716 A CN109472716 A CN 109472716A
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- power plant
- load
- production capacity
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 title claims abstract description 22
- 230000008901 benefit Effects 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 18
- 229910002056 binary alloy Inorganic materials 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 18
- 239000007789 gas Substances 0.000 description 11
- 239000003345 natural gas Substances 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003500 flue dust Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000036642 wellbeing Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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,Pi(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Pi通常为额定功率的120%,即在轻载运行状态下实际运行功率Pi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γP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,Pn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γt,设置为分段函数模型,表示为:
其中,Tn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)=γP·γt
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,Tn,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Wage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:
PL(t)=[PL1(t),PL2(t),...,PLs(t)]
其中,s为负荷总数,PLj(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,αij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αi1+αi2+...+αis≤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ηc表示为:
其中,ηcij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ηt表示为:
其中,Dij为产能设备i与负荷j的能量传输距离,δj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,Ci(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Ci(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NOx、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Wen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,wk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:
βj(t)=[β1j(t),β2j(t),...,βnj(t)]
其中,βij(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β1j+β2j+...+βnj=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Tduration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,nj为向负荷j进行供能的产能设备个数,Pij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γc、变异概率γm;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Pij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γc=0.6,变异操作选择二进制单点变异方式,变异的概率为γm=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,Pi(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γP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,Pn为额定功率;
引入关于使用时间的修正系数γt,设置为分段函数模型,表示为:
其中,Tn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)=γP·γt
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,Tn,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Wage,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:
PL(t)=[PL1(t),PL2(t),...,PLs(t)]
其中,s为负荷总数,PLj(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,αij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αi1+αi2+...+αis≤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ηc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ηt表示为:
其中,Dij为产能设备i与负荷j的能量传输距离,δj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,Ci(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Ci(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Wen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,wk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:
βj(t)=[β1j(t),β2j(t),...,βnj(t)]
其中,βij(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β1j+β2j+...+βnj=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Tduration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,nj为向负荷j进行供能的产能设备个数,Pij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γc、变异概率γm;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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330821.6A CN109472716B (zh) | 2018-11-09 | 2018-11-09 | 一种基于遗传算法的考虑多因素的产能端功率分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330821.6A CN109472716B (zh) | 2018-11-09 | 2018-11-09 | 一种基于遗传算法的考虑多因素的产能端功率分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472716A true CN109472716A (zh) | 2019-03-15 |
CN109472716B CN109472716B (zh) | 2022-05-17 |
Family
ID=65671829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330821.6A Active CN109472716B (zh) | 2018-11-09 | 2018-11-09 | 一种基于遗传算法的考虑多因素的产能端功率分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472716B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613733A (zh) * | 2020-12-22 | 2021-04-06 | 江苏晟能科技有限公司 | 一种园区能源的智能管控方法及系统 |
CN113922398A (zh) * | 2021-11-01 | 2022-01-11 | 北方工业大学 | 多应用场景下光储电站功率分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
CN104392286A (zh) * | 2014-12-02 | 2015-03-04 | 山东大学 | 考虑冷热电联供和储能运行策略的微电网运行优化方法 |
US20160064934A1 (en) * | 2013-03-27 | 2016-03-03 | Electric Power Research Institute Of State Grid Zhejiang Electric Power Company | Optimization method for independent micro-grid system |
CN105680464A (zh) * | 2016-02-25 | 2016-06-15 | 浙江大学 | 一种考虑电池损耗的削峰填谷电池储能系统调度方法 |
-
2018
- 2018-11-09 CN CN201811330821.6A patent/CN109472716B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160064934A1 (en) * | 2013-03-27 | 2016-03-03 | Electric Power Research Institute Of State Grid Zhejiang Electric Power Company | Optimization method for independent micro-grid system |
CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
CN104392286A (zh) * | 2014-12-02 | 2015-03-04 | 山东大学 | 考虑冷热电联供和储能运行策略的微电网运行优化方法 |
CN105680464A (zh) * | 2016-02-25 | 2016-06-15 | 浙江大学 | 一种考虑电池损耗的削峰填谷电池储能系统调度方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613733A (zh) * | 2020-12-22 | 2021-04-06 | 江苏晟能科技有限公司 | 一种园区能源的智能管控方法及系统 |
CN113922398A (zh) * | 2021-11-01 | 2022-01-11 | 北方工业大学 | 多应用场景下光储电站功率分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109472716B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106130079B (zh) | 一种风水火短期联合优化调度方法 | |
CN103426032A (zh) | 一种热电联产机组的经济优化调度方法 | |
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 | |
CN108898265A (zh) | 一种综合能源系统一体化规划方法 | |
CN114707289B (zh) | 基于机会约束的电热耦合综合能源系统多目标优化方法 | |
CN102509175A (zh) | 分布式供电系统可靠性优化方法 | |
CN108736507A (zh) | 一种提升风电就地消纳的蓄热式电锅炉优化方法和装置 | |
CN107959307A (zh) | 一种计及配电网运行风险成本的dg优化配置方法 | |
Lu et al. | Optimal operation scheduling of household energy hub: A multi-objective optimization model considering integrated demand response | |
CN106803130A (zh) | 分布式电源接入配电网的规划方法 | |
CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN115102953B (zh) | 配电网云边端协同管控系统及方法 | |
CN109816201A (zh) | 一种多异质能源同质化耦合的表征方法 | |
CN112862253A (zh) | 考虑风电不确定性的电-气-热储能协同规划方法及系统 | |
CN115170343A (zh) | 一种区域综合能源系统分布式资源和储能协同规划方法 | |
CN109888770A (zh) | 基于机会约束规划和波动成本的风电场装机容量优化方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN109472716A (zh) | 一种基于遗传算法的考虑多因素的产能端功率分配方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN105868841B (zh) | 一种基于风电优先上网的风水火联合调度方法 | |
CN112884265B (zh) | 一种应用于城市电网网源协调的智能管理方法 | |
CN113158547A (zh) | 计及经济性和可靠性的区域综合能源系统优化配置方法 | |
CN111047071B (zh) | 基于深度迁移学习和Stackelberg博弈的电力系统实时供需互动方法 | |
CN109670981B (zh) | 基于利益均衡及规划运行交替优化的主动配电网规划方法 |
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 |