CN109523065B - 一种基于改进量子粒子群算法的微能源网优化调度方法 - Google Patents
一种基于改进量子粒子群算法的微能源网优化调度方法 Download PDFInfo
- Publication number
- CN109523065B CN109523065B CN201811266637.XA CN201811266637A CN109523065B CN 109523065 B CN109523065 B CN 109523065B CN 201811266637 A CN201811266637 A CN 201811266637A CN 109523065 B CN109523065 B CN 109523065B
- Authority
- CN
- China
- Prior art keywords
- output
- micro
- cost
- energy network
- calculating
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 claims description 42
- 239000007789 gas Substances 0.000 claims description 30
- 238000002485 combustion reaction Methods 0.000 claims description 26
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 26
- 238000010521 absorption reaction Methods 0.000 claims description 22
- 238000004146 energy storage Methods 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 15
- 231100000719 pollutant Toxicity 0.000 claims description 15
- 239000003345 natural gas Substances 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 6
- 238000005067 remediation Methods 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进量子粒子群算法的微能源网优化调度方法,包括建立微能源网每日成本的目标函数,计算微能源网中设备的出力约束;建立量子粒子群算法模型,并设定量子粒子群算法模型的种群规模,最大迭代次数和领域搜索半径上下限、计算得到每个设备的最优出力和微能源网每日最低成本的步骤。本发明一种基于改进量子粒子群算法的微能源网优化调度方法,能够实现可再生能源消纳,在微能源网可靠运行下使得日运行经济性和环境治理成本最低,为含有可再生能源及储能的微能源网的优化调度问题提供了一种新的求解算法。
Description
技术领域
本发明属于电力调度技术领域,涉及一种基于改进量子粒子群算法的微能源网优化调度方法。
背景技术
着全球化石燃料的枯竭和环境问题的日益严重,构建低碳清洁、安全高效的能源体系成为当今世界能源发展的主要关注点。“互联网+”、“综合能源系统”和“能源互联网”等概念的提出成为能源发展的新兴浪潮,为能源分析提供了全新的视角。微能源网作为能源互联网的终端供能系统是实现多能互济、能源梯级利用的必然选择。
微能源网依托于“能源互联网”的背景对传统微电网加以延伸,是一种多能源的互联系统。微能源网包含多种能源网络,如:电力网、天然气网、热力网及交通网等,通过互联网络将多种能源协调实现多能互补。而当今社会的能源短缺问题日益凸显,因此,通过微能源网规划运行探究多种能源耦合机理,实现能源互济是社会发展的必然选择。优化调度问题是微能源网规划运行的一大重要问题,优化调度是指在满足微能源网可靠运行和冷热电负荷需求的条件下,按照一定的优化调度策略,合理的分配各个微源的出力,从而使微能源网的日运行成本和环境治理成本最低。
由于微能源网的建模是对多维度、多约束问题的求解,且含有大量局部极小值,因此,微能源网经济调度模型的求解对优化算法的寻优能力和收敛速度要求更高。目前,对微能源网的经济调度模型的求解已取得了一定的进展,如初壮、陈洁等基于遗传算法,通过对交叉概率和变异概率改进,避免粒子早期陷入局部最优解,提高了算法收敛速度,实现微源有功和无功优化出力。李佳等基于粒子群算法,采用自适应学习因子及凸函数递减惯性权重来提高算法的收敛速度和精度。杨佩佩等基于PSO算法建立以温室气体排放量最少以及污染物治理成本最低为目标函数的微网优化模型。张甲江等在量子粒子群算法中结合混沌扰动和协同进化策略对非线性整数规划问题进行求解,实现分布式电源的优化运行。由于量子粒子群(QPSO)算法进化过程中不含速度(V)向量,进化方程含有较少的参数,易控制,全局搜索性能更佳因此在微能源网的调度方法中得到了青睐。但在用QPSO求解微能源网调度模型时发现粒子在进化时不断靠拢于种群最优位置,使得种群多样性得以降低,易在迭代的后期陷入局部最优解。
发明内容
本发明的目的是提供一种基于改进量子粒子群算法的微能源网优化调度方法,能够实现可再生能源消纳,在微能源网可靠运行下使得日运行经济性和环境治理成本最低。
本发明所采用的技术方案是,一种基于改进量子粒子群算法的微能源网优化调度方法,具体按照下述步骤进行:
步骤1,建立微能源网每日最低成本的目标函数建立微能源网每日最低成本的目标函数,计算微能源网中设备的出力约束;
建立量子粒子群算法模型,并设定量子粒子群算法模型的种群规模,最大迭代次数和领域搜索半径上下限;
步骤2,根据微能源网每日最低成本的目标函数、能源网中设备的出力约束量子粒子群算法模型计算得到每个设备的最优出力和微能源网每日最低成本。
本发明的特点还在于:
步骤1中按照下述步骤建立微能源网每日最低成本的目标函数:
步骤1.1,计算微能源网一天的运行成本F1(t)和污染物治理成本F2(t);
步骤1.2,根据运行成本F1(t)和污染物治理成本F2(t)建立微能源网每日最低成本的目标函数:
minF(t)=F1(t)+F2(t) (1)。
步骤1.1中微能源网一天的运行成本F1(t)具体按照下述步骤进行计算:
步骤1.1.1,计算微能源网一天的购电成本Ce(t):
其中,Cgrid表示购电价格,Pgrid表示购电功率;
计算微能源网一天的购气成本Cgas(t):
其中,CNG表示天然气价格,VMT(t)为天然气用量,Pmt,e(t)为t时刻燃气轮机输出的电功率,ηmt,e(t)为燃气轮机的发电效率,RLHVT(t)为天然气低位热值常量;
计算微能源网一天的折旧成本COM(t):
其中,KOMi,t是微能源网i在t时刻运行维护成本系数,Pi(t)为表示微电源i在t时刻的输出功率;
计算微能源网一天的运行维护成本CDP(t):
其中,Caz,i为微电源i的单位容量安装成本,r为年利率;ni为微电源i的投资偿还期;Ki表示微电源i的容量因素;
步骤1.1.2,根据所述购电成本Ce(t)、购气成本Cgas(t)、折旧成本COM(t)、运行维护成本CDP(t)计算微能源网的运行成本:
F1(t)=Ce(t)+Cgas(t)+COM(t)+CDP(t) (6)。
步骤1.1中具体按照下述方法计算微能源网一天的染物治理成本F2(t):
其中,λi为治理污染物i所需费用;i表示该系统所排放的污染物的类型编号;αgrid,i,αmt,i分别为电网、微燃机所对应的各种污染物排放系数。
步骤1中具体按照下述方法计算微能源网中设备出力约束:
计算微能源网中每个设备的出力约束:
A,计算微型燃气轮机的出力约束:
δmtγminmtPmtN,e≤Pmt,e≤δmtPmtN,e (8)
其中,δmt为微燃机的启停机状态,0为停机,1为运行;γminmt为微燃机的最小负荷率,PmtN,e为微燃机的额定出力;
B,计算电锅炉的出力约束:
δebγminebQebN,e≤Qeb,h≤δebQebN,e (9)
其中,δeb为电锅炉的启停机状态,0为停机,1为运行;γmineb为电锅炉的最小负荷率;QebN,e为电锅炉的额定出力;
C,计算吸收式制冷机的出力约束:
δacγminacQacN,c≤Qac,c≤δacQacN,c (10)
其中,δac为吸收式制冷机的启停机状态,0为停机,1为运行;γminac为吸收式制冷机的最小负荷率;QacN,c为吸收式制冷机的额定出力;
D,计算电制冷机的出力约束:
δecγminecQecN,c≤Qec,c≤δecQecN,c (11)
其中,δec为电制冷机的启停机状态,0为停机,1为运行;γminec为电制冷机的最小负荷率;QecN,c为电制冷机的额定出力;
E,计算热交换器的出力约束:
0≤Qhe,h(t)≤QheN,h (12)
其中,Qhe,h(t)为交换器在t时刻的热交换器的处理,QheN,h为交换器的额定功率;
F,计算风机的出力约束:
0≤Pwt(t)≤Pwt,max(t) (13)
其中,Pwt(t)为t时刻风机的出力,Pwt,max(t)为风机的最大出力;
G,计算蓄电池的出力约束:
蓄电池荷电状态出力约束:
socmin≤soc≤socmax (14)
蓄电池充电出力约束:
0≤Pes,c≤Pes,cmax (15)
蓄电池放电出力约束:
0≤Pes,d≤Pes,dmax (16)
整个调度周期前后储能设备内储能量应维持不变,即:
Ees H=Ees 0 (17)
其中,socmax为蓄电池的最大电荷量,socmin为蓄电池的最小电荷量,soc指储能存储能量占其总容量的比值。Pes,cmax表示蓄电池的最大充电功率,Pes,c为t时刻蓄电池的充电功率,Pes,d为t时刻蓄电池的放电功率,Pes,dmax蓄电池的最大放电功率,Ees H表示调度周期末蓄电池的储能量,Ees 0表示调度周期初始初始时刻的蓄电池的储能量;
H,计算微能源网所有设备的能量平衡约束:
电气母线平衡约束:
Pgrid(t)+Pwt(t)+Pmt,e(t)+Pes,d(t)=Pec(t)+Peb(t)+Pes,c(t)+Le(t) (18)
其中,Pgrid(t)表示t时刻购电的电价,Pwt(t)为t时刻风机的出力,Pmt,e(t)为t时刻微燃机输出的电功率,Pes,c为t时刻蓄电池的充电功率,Pes,d为t时刻蓄电池的放电功率,Peb(t)为t时刻电锅炉的出力,Le(t)为t时刻的电负荷;
热水母线平衡约束:
Qeb,h(t)+Qhe,h(t)=Lh(t) (19)
其中,Qeb,h(t)为t时刻电锅炉产生的热量,Qhe,h(t)为t时刻热交换器产生的热量,Lh(t)为t时刻的热负荷;
空气母线平衡约束:
Qac,c(t)+Qec,c(t)=Lc(t) (20)
其中,Qac,c(t)为t时刻吸收式制冷机产生的制冷量,Qec,c(t)为t时刻电制冷机产生的制冷量,Lc(t)为t时刻冷负荷;
烟气母线平衡约束:
Qac,in(t)+Qhe,in(t)=Qmt,h(t) (21)
其中,Qac,in(t)为t时刻吸收式制冷机的输入能量,Qhe,in(t)为t时刻热交换器的制输入热量,Qmt,h(t)为t时刻微型燃气轮机产生的热量。
步骤2具体按照下述步骤进行:
步骤2.1,对每个设备的出力进行编码,随机生成初始种群,并对初始种群进行混沌搜索,得到一组设备出力,将一组设备出力作为目标设备出力组,并根据目标设备出力组和微能源网每日最低成本的目标函数计算相应的目标微能源网每日成本;
步骤2.2,在目标设备出力的邻域进行搜索,得到新的一组设备出力,并计算新的一组设备出力对应的微能源网每日成本;
步骤2.3,将微能源网每日成本与目标微能源网每日成本进行比较,取较小值更新目标微能源网每日成本,将较小值对应的一组设备出力作为目标设备出力组;
步骤2.4,重复步骤2.2至设定的最大迭代次数,输出目标设备出力组和目标微能源网每日成本得到每个设备的最优出力和微能源网的每日最低成本。
本发明的有益效果是:
本发明一种基于改进量子粒子群算法的微能源网优化调度方法,能够实现可再生能源消纳,在微能源网可靠运行下使得日运行经济性和环境治理成本最低,为含有可再生能源及储能的微能源网的优化调度问题提供了一种新的求解算法。
附图说明
图1是本发明一种基于改进量子粒子群算法的微能源网优化调度方法实施例中夏季典型日冷热电负荷和风机预测出力曲线图;
图2是是本发明一种基于改进量子粒子群算法的微能源网优化调度方法实施例中24小时的电功率图;
图3是是本发明一种基于改进量子粒子群算法的微能源网优化调度方法实施例中24小时的热功率图;
图4是是本发明一种基于改进量子粒子群算法的微能源网优化调度方法实施例中24小时的冷功率图;
图5是本发明一种基于改进量子粒子群算法的微能源网优化调度方法实施例中采用的IQPSO算法和QPSO及PSO算法的迭代对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于改进量子粒子群算法的微能源网优化调度方法,具体按照下述步骤进行:
步骤1,建立微能源网每日最低成本的目标函数,具体按照下述步骤进行:
步骤1.1,计算微能源网一天的运行成本F1(t),具体按照下述步骤进行:
步骤1.1.1,计算微能源网一天的购电成本Ce(t):
其中,Cgrid表示购电价格,Pgrid表示购电功率;
计算微能源网一天的购气成本Cgas(t):
其中,CNG表示天然气价格,VMT(t)为天然气用量,Pmt,e(t)为t时刻燃气轮机输出的电功率,ηmt,e(t)为燃气轮机的发电效率,RLHVT(t)为天然气低位热值常量;
计算微能源网一天的折旧成本COM(t):
其中,KOMi,t是微能源网i在t时刻运行维护成本系数,Pi(t)为表示微电源i在t时刻的输出功率;
计算微能源网一天的运行维护成本CDP(t):
其中,Caz,i为微电源i的单位容量安装成本,r为年利率;ni为微电源i的投资偿还期;Ki表示微电源i的容量因素;
步骤1.1.2,根据所述购电成本Ce(t)、购气成本Cgas(t)、折旧成本COM(t)、运行维护成本CDP(t)计算微能源网的运行成本:
F1(t)=Ce(t)+Cgas(t)+COM(t)+CDP(t) (6);
计算微能源网一天的染物治理成本F2(t):
其中,λi为治理污染物i所需费用;i表示该系统所排放的污染物的类型编号;αgrid,i,αmt,i分别为电网、微燃机所对应的各种污染物排放系数。
根据运行成本F1(t)和污染物治理成本F2(t)建立微能源网每日最低成本的目标函数:
minF(t)=F1(t)+F2(t) (1)。
计算微能源网中每个设备的出力约束:
A,计算微型燃气轮机的出力约束:
δmtγminmtPmtN,e≤Pmt,e≤δmtPmtN,e (8)
其中,δmt为微燃机的启停机状态,0为停机,1为运行;γminmt为微燃机的最小负荷率,PmtN,e为微燃机的额定出力;
B,计算电锅炉的出力约束:
δebγminebQebN,e≤Qeb,h≤δebQebN,e (9)
其中,δeb为电锅炉的启停机状态,0为停机,1为运行;γmineb为电锅炉的最小负荷率;QebN,e为电锅炉的额定出力;
C,计算吸收式制冷机的出力约束:
δacγminacQacN,c≤Qac,c≤δacQacN,c (10)
其中,δac为吸收式制冷机的启停机状态,0为停机,1为运行;γminac为吸收式制冷机的最小负荷率;QacN,c为吸收式制冷机的额定出力;
D,计算电制冷机的出力约束:
δecγminecQecN,c≤Qec,c≤δecQecN,c (11)
其中,δec为电制冷机的启停机状态,0为停机,1为运行;γminec为电制冷机的最小负荷率;QecN,c为电制冷机的额定出力;
E,计算热交换器的出力约束:
0≤Qhe,h(t)≤QheN,h (12)
其中,Qhe,h(t)为交换器在t时刻的热交换器的处理,QheN,h为交换器的额定功率;
F,计算风机的出力约束:
0≤Pwt(t)≤Pwt,max(t) (13)其中,Pwt(t)为t时刻风机的出力,Pwt,max(t)为风机的最大出力;
G,计算蓄电池的出力约束:
蓄电池荷电状态出力约束:
socmin≤soc≤socmax (14)
蓄电池充电出力约束:
0≤Pes,c≤Pes,cmax (15)
蓄电池放电出力约束:
0≤Pes,d≤Pes,dmax (16)
整个调度周期前后储能设备内储能量应维持不变,即:
Ees H=Ees 0 (17)
其中,socmax为蓄电池的最大电荷量,socmin为蓄电池的最小电荷量,soc指储能存储能量占其总容量的比值,Pes,cmax表示蓄电池的最大充电功率,Pes,c为t时刻蓄电池的充电功率,Pes,d为t时刻蓄电池的放电功率,Pes,dmax蓄电池的最大放电功率,Ees H表示调度周期末蓄电池的储能量,Ees0表示调度周期初始初始时刻的蓄电池的储能量。
计算微能源网所有设备的能量平衡约束:
电气母线平衡约束:
Pgrid(t)+Pwt(t)+Pmt,e(t)+Pes,d(t)=Pec(t)+Peb(t)+Pes,c(t)+Le(t) (18)
其中,Pgrid(t)表示t时刻购电的电价,Pwt(t)为t时刻风机的出力,Pmt,e(t)为t时刻微燃机输出的电功率,Pes,c为t时刻蓄电池的充电功率,Pes,d为t时刻蓄电池的放电功率,Peb(t)为t时刻电锅炉的出力,Le(t)为t时刻的电负荷;
热水母线平衡约束:
Qeb,h(t)+Qhe,h(t)=Lh(t) (19)
其中,Qeb,h(t)为t时刻电锅炉产生的热量,Qhe,h(t)为t时刻热交换器产生的热量,Lh(t)为t时刻的热负荷;
空气母线平衡约束:
Qac,c(t)+Qec,c(t)=Lc(t) (20)
其中,Qac,c(t)为t时刻吸收式制冷机产生的制冷量,Qec,c(t)为t时刻电制冷机产生的制冷量,Lc(t)为t时刻冷负荷;
烟气母线平衡约束:
Qac,in(t)+Qhe,in(t)=Qmt,h(t) (21)
其中,Qac,in(t)为t时刻吸收式制冷机的输入能量,Qhe,in(t)为t时刻热交换器的制输入热量,Qmt,h(t)为t时刻微型燃气轮机产生的热量。
建立量子粒子群算法模型,并设定量子粒子群算法模型的种群规模,最大迭代次数和领域搜索半径上下限;
步骤2,根据微能源网每日最低成本的目标函数、能源网中设备的出力约束量子粒子群算法模型计算得到每个设备的最优出力和微能源网每日最低成本,具体按照下述步骤进行:
步骤2.1,对每个设备的出力进行编码,随机生成初始种群,并对初始种群进行混沌搜索,得到一组设备出力,将所述一组设备出力作为目标设备出力组,并根据所述目标设备出力组和微能源网每日最低成本的目标函数计算相应的目标微能源网每日成本;
步骤2.2,在所述目标设备出力的邻域进行搜索,得到新的一组设备出力,并计算新的一组设备出力对应的微能源网每日成本;
步骤2.3,将微能源网每日成本与目标微能源网每日成本进行比较,取较小值更新并目标微能源网每日成本,将用将较小值对应的一组设备出力作为目标设备出力组;
步骤2.4,重复步骤2.2至设定的最大迭代次数,输出目标设备出力组和目标微能源网每日成本得到每个设备的最优出力和微能源网的每日最低成本。
本发明一种基于改进量子粒子群算法的微能源网优化调度方法中,将可再生能源出力和储能设备考虑到常规优化调度模型中,在不用的场景下探究了微能源的优化运行结果,通过储能设备实现能量的时序转移,增加了可再生能源的消纳率;通过对微能源网的运行成本和环境治理成本的综合考虑,建立包含电气、烟气、空气和热水为基本母线的风、气、储联合调度互补发电模型,详细反映天然气、电、热、冷能量流的输入、汇集、转化、储存及流动情况;在传统的量子粒子群算法中结合混沌搜索、邻域变异以及变权重更新种群最优位置中心三个方面加以改进,能够避免每个设备最优出力过早的陷入局部最优,,显著提高每个设备最优出力的精确度。
实施例
本事实力选取夏季典型日参数进行仿真验证,,选取如表1所示的3个不同的场景验证优化运行调度策略。为缓解电网供电压力,本文采用如表2所示的分时电价响应电网调节。微能源网和储能设备参数如表3和表4所示,微源折旧参数和环境治理费用见表5和表6所示,微能源网的电、冷、热负荷和风机的日前预测输出功率如图2所示。
表1场景分类
场景 | CCHP | WT | 储能 | 电价类型 |
场景 | √ | × | × | 分时电价 |
场景1 | √ | √ | × | 分时电价 |
场景2 | √ | √ | √ | 分时电价 |
表2分时电价及天然气价格
类别 | 单价 | 时段 |
峰值电价 | 0.886 | 8:00-11:00;18:00-20:00 |
平值电价 | 0.559 | 12:00-17:00;21:00-23:00 |
谷值电价 | 0.233 | 24:00-8:00 |
天然气 | 3.45 | / |
表3系统主要设备参数
设备参数 | 数值 | 设备参数 | 数值 |
η<sub>mt,e</sub> | 32% | γ<sub>minec</sub> | 0.1 |
η<sub>L</sub> | 8% | Q<sub>ecN,c</sub> | 200 |
γ<sub>minmt</sub> | 0.3 | γ<sub>minac</sub> | 0.1 |
P<sub>mtN,e</sub> | 200 | C<sub>cop,ac</sub> | 1.69 |
η<sub>eb</sub> | 94% | Q<sub>acN,c</sub> | 200 |
γ<sub>mineb</sub> | 0.1 | η<sub>he,h</sub> | 90% |
Q<sub>ebN,h</sub> | 150 | Q<sub>heN,h</sub> | 180 |
C<sub>cop,ec</sub> | 4 |
表4储能设备参数
设备参数 | 数值 | 设备参数 | 数值 |
P<sub>es,cmax</sub> | 20kw | soc<sub>min</sub> | 0.2 |
P<sub>es,dmax</sub> | 20kw | soc<sub>max</sub> | 0.9 |
E<sub>es</sub><sup>0</sup> | 20 | C | 100 |
表5微源参数
电源类型 | 微型燃气轮机 | 风机 | 储能 |
安装成本/(万元/kw) | 2.375 | 1.306 | 0.087 |
寿命/年 | 10 | 10 | 10 |
功率下限/kw | 60 | 0 | -100 |
表6治理费用及折算系数
本文选取某一夏季典型日参数进行仿真验证,其电、冷、热负荷和风机的日前预测输出功率如图1所示。
通过采用改进量子粒子群算法对微能源网进行优化调度计算,为能源网在夏季典型日24小时的电、热、冷功率情况如图2-4所示。不同场景下成本如表7所示。三种算法迭代对比如图5所示。
电、热、冷功率情况分析如下:1)由图3可知,电价低谷时段,微燃机的综合供能效益不如向电网购电的经济性好,因此主要以电网购电为主,不足由微燃机补充,但夏季冷负荷较高,电制冷机以满发状态运行仍不能满足冷负荷的需求,故微燃机以最低功率运行,同时将剩余发电量充入蓄电池以满足高峰负荷需求,降低运行成本;在电价平时段,微燃机的综合供能效益和向电网购电效益相当,两者的出力取决于热负荷和冷负荷供能成本,同时发电量有剩余时,应尽可能的多充电以保证蓄电池在高峰时能储存尽可能多的电能,为微能源网提供功率支持。在电价高峰时段,微燃机的供能效益高于向电网购电的收益,故蓄电池首先放电以降低电网购电成本,电负荷以微燃机供电为主,不足由电网购电提供。2)由图3可知,在电价低谷时段,由于电网购电成本低,故热负荷主要电锅炉供给,不足部分由热交换机提供;在电价平时段,电锅炉的运行成本高于热交换机,故热负荷主要由热交换机供给,不足由电锅炉提供;在电价高峰时段,电网购电成本高于微燃机,故热负荷主要由热交换机供给,不足部分由电锅炉提供;3)由图4可知,在电价低谷时段,冷负荷主要由电制冷机供给,不足部分由吸收式制冷机提供;在电价平时段,电制冷机的供能成本低于吸收式制冷机,故冷负荷主要由电制冷机供给,不足由吸收式制冷机提供;在电价高峰时段,电网供电成本较高,冷负荷主要吸收式制冷机供给,不足部分由电制冷机提供。
表7不同场景下微能源网运行成本
场景 | 运行成本/(元) | 环境成本/(元) | 总成本/(元) |
场景1 | 5539 | 1190 | 6549 |
场景2 | 4698 | 891 | 5589 |
场景3 | 4653 | 889 | 5543 |
从表7的3中场景下成本比较可知:场景1下由于不含有可再生能源和储能设备,购电量增加,同时电网的环境治理成本相比微燃机较高,因此场景1下的运行成本和环境治理成本最高。场景2中增加了可再生能源,由于风机的成本和污染较小,因此相比场景1,运行成本和环境成本都有所下降。场景3在场景2的基础中加入储能设备,由于储能设备在用电高峰时放电,在低谷时充电,协调电网和微燃机降低了总运行成本。因此,微能源网的优势主要体现在以下方面:1)通过电、气能源之间的相互替代,实现了多能互补和能源的梯级利用,解决了可再生能源的消纳问题。2)储能装置的运用在用电高峰时缓解了供电压力,降低运行成本。
从图5中能够得出,本发明的一种基于改进量子粒子群算法的微能源网优化调度方法得到的每个设备的最优出力和微能源网的每日最低成本明显优于其他两种算法。
Claims (2)
1.一种基于改进量子粒子群算法的微能源网优化调度方法,其特征在于,具体按照下述步骤进行:
步骤1,建立微能源网每日最低成本的目标函数,计算微能源网中设备的出力约束;
建立量子粒子群算法模型,并设定量子粒子群算法模型的种群规模,最大迭代次数和领域搜索半径上下限;
所述步骤1中按照下述步骤建立微能源网每日最低成本的目标函数:
步骤1.1,计算微能源网一天的运行成本F1(t)和污染物治理成本F2(t);
所述步骤1.1中微能源网一天的运行成本F1(t)具体按照下述步骤进行计算:
步骤1.1.1,计算微能源网一天的购电成本Ce(t):
其中,Cgrid表示购电价格,Pgrid表示购电功率;
计算微能源网一天的购气成本Cgas(t):
其中,CNG表示天然气价格,VMT(t)为天然气用量,Pmt,e(t)为t时刻燃气轮机输出的电功率,ηmt,e(t)为燃气轮机的发电效率,RLHVT(t)为天然气低位热值常量;
计算微能源网一天的折旧成本COM(t):
其中,KOMi,t是微能源网i在t时刻运行维护成本系数,Pi(t)为表示微电源i在t时刻的输出功率;
计算微能源网一天的运行维护成本CDP(t):
其中,Caz,i为微电源i的单位容量安装成本,r为年利率;ni为微电源i的投资偿还期;Ki表示微电源i的容量因素;
步骤1.1.2,根据所述购电成本Ce(t)、购气成本Cgas(t)、折旧成本COM(t)、运行维护成本CDP(t)计算微能源网的运行成本:
F1(t)=Ce(t)+Cgas(t)+COM(t)+CDP(t) (6);
所述步骤1.1中具体按照下述方法计算微能源网一天的染物治理成本F2(t):
其中,λi为治理污染物i所需费用;i表示系统所排放的污染物的类型编号;αgrid,i,αmt,i分别为电网、微燃机所对应的各种污染物排放系数;
步骤1.2,根据所述运行成本F1(t)和污染物治理成本F2(t)建立微能源网每日最低成本的目标函数:
minF(t)=F1(t)+F2(t) (1);
步骤2,根据所述微能源网每日最低成本的目标函数、能源网中设备的出力约束和量子粒子群算法模型计算得到每个设备的最优出力和微能源网每日最低成本;
所述步骤2具体按照下述步骤进行:
步骤2.1,对每个设备的出力进行编码,随机生成初始种群,并对初始种群进行混沌搜索,得到一组设备出力,将所述一组设备出力作为目标设备出力组,并根据所述目标设备出力组和微能源网每日最低成本的目标函数计算相应的目标微能源网每日成本;
步骤2.2,在所述目标设备出力的邻域进行搜索,得到新的一组设备出力,并计算新的一组设备出力对应的微能源网每日成本;
步骤2.3,将微能源网每日成本与目标微能源网每日成本进行比较,取较小值更新目标微能源网每日成本,将较小值对应的一组设备出力作为目标设备出力组;
步骤2.4,重复步骤2.2至设定的最大迭代次数,输出目标设备出力组和目标微能源网每日成本得到每个设备的最优出力和微能源网的每日最低成本。
2.根据权利要求1所述的一种基于改进量子粒子群算法的微能源网优化调度方法,其特征在于,所述步骤1中具体按照下述方法计算微能源网中设备出力约束:
计算微能源网中每个设备的出力约束:
A,计算微型燃气轮机的出力约束:
δmtγminmtPmtN,e≤Pmt,e≤δmtPmtN,e (8)
其中,δmt为微燃机的启停机状态,0为停机,1为运行;γminmt为微燃机的最小负荷率,PmtN,e为微燃机的额定出力;
B,计算电锅炉的出力约束:
δebγminebQebN,e≤Qeb,h≤δebQebN,e (9)
其中,δeb为电锅炉的启停机状态,0为停机,1为运行;γmineb为电锅炉的最小负荷率;QebN,e为电锅炉的额定出力;
C,计算吸收式制冷机的出力约束:
δacγminacQacN,c≤Qac,c≤δacQacN,c (10)
其中,δac为吸收式制冷机的启停机状态,0为停机,1为运行;γminac为吸收式制冷机的最小负荷率;QacN,c为吸收式制冷机的额定出力;
D,计算电制冷机的出力约束:
δecγminecQecN,c≤Qec,c≤δecQecN,c (11)
其中,δec为电制冷机的启停机状态,0为停机,1为运行;γminec为电制冷机的最小负荷率;QecN,c为电制冷机的额定出力;
E,计算热交换器的出力约束:
0≤Qhe,h(t)≤QheN,h (12)
其中,Qhe,h(t)为交换器在t时刻的热交换器的处理,QheN,h为交换器的额定功率;
F,计算风机的出力约束:
0≤Pwt(t)≤Pwt,max(t) (13)
其中,Pwt(t)为t时刻风机的出力,Pwt,max(t)为风机的最大出力;
G,计算蓄电池的出力约束:
蓄电池荷电状态出力约束:
socmin≤soc≤socmax (14)
蓄电池充电出力约束:
0≤Pes,c≤Pes,cmax (15)
蓄电池放电出力约束:
0≤Pes,d≤Pes,dmax (16)
整个调度周期前后储能设备内储能量应维持不变,即:
Ees H=Ees 0 (17)
其中,socmax为蓄电池的最大电荷量,socmin为蓄电池的最小电荷量,soc指储能存储能量占其总容量的比值,Pes,cmax表示蓄电池的最大充电功率,Pes,c为t时刻蓄电池的充电功率,Pes,d为t时刻蓄电池的放电功率,Pes,dmax蓄电池的最大放电功率,Ees H表示调度周期末蓄电池的储能量,Ees 0表示调度周期初始时刻的蓄电池的储能量;
H,计算微能源网所有设备的能量平衡约束:
电气母线平衡约束:
Pgrid(t)+Pwt(t)+Pmt,e(t)+Pes,d(t)=Pec(t)+Peb(t)+Pes,c(t)+Le(t) (18)
其中,Pgrid(t)表示t时刻购电的电价,Pwt(t)为t时刻风机的出力,Pmt,e(t)为t时刻微燃机输出的电功率,Pes,c为t时刻蓄电池的充电功率,Pes,d为t时刻蓄电池的放电功率,Peb(t)为t时刻电锅炉的出力,Le(t)为t时刻的电负荷;
热水母线平衡约束:
Qeb,h(t)+Qhe,h(t)=Lh(t) (19)
其中,Qeb,h(t)为t时刻电锅炉产生的热量,Qhe,h(t)为t时刻热交换器产生的热量,Lh(t)为t时刻的热负荷;
空气母线平衡约束:
Qac,c(t)+Qec,c(t)=Lc(t) (20)
其中,Qac,c(t)为t时刻吸收式制冷机产生的制冷量,Qec,c(t)为t时刻电制冷机产生的制冷量,Lc(t)为t时刻冷负荷;
烟气母线平衡约束:
Qac,in(t)+Qhe,in(t)=Qmt,h(t) (21)
其中,Qac,in(t)为t时刻吸收式制冷机的输入能量,Qhe,in(t)为t时刻热交换器的制输入热量,Qmt,h(t)为t时刻微型燃气轮机产生的热量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811266637.XA CN109523065B (zh) | 2018-10-29 | 2018-10-29 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811266637.XA CN109523065B (zh) | 2018-10-29 | 2018-10-29 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523065A CN109523065A (zh) | 2019-03-26 |
CN109523065B true CN109523065B (zh) | 2021-09-10 |
Family
ID=65772930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811266637.XA Active CN109523065B (zh) | 2018-10-29 | 2018-10-29 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523065B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084410B (zh) * | 2019-05-31 | 2021-08-03 | 华北电力大学 | 一种污水再利用型综合能源系统运行优化方法 |
CN110160380A (zh) * | 2019-06-03 | 2019-08-23 | 中国矿业大学 | 一种宽通道板式换热器及换热器粒子群优化结构设计方法 |
CN110333660A (zh) * | 2019-07-29 | 2019-10-15 | 西安科技大学 | 一种冷热电联供系统多目标优化方法 |
CN110601239A (zh) * | 2019-08-21 | 2019-12-20 | 国网山东省电力公司济宁供电公司 | 量子粒子群算法的复合储能容量的能量调度方法及系统 |
CN110854930A (zh) * | 2019-11-18 | 2020-02-28 | 国网浙江省电力有限公司台州供电公司 | 一种考虑多能协同的园区综合能源系统优化调度方法 |
CN112991087B (zh) * | 2020-06-19 | 2024-02-20 | 国网能源研究院有限公司 | 综合能源系统能量模拟与优化调度方法、系统及设备 |
CN111987729B (zh) * | 2020-08-10 | 2021-10-22 | 南瑞集团有限公司 | 一种含p2g微网的储电储气容量配置与调度优化方法 |
CN112329260A (zh) * | 2020-11-24 | 2021-02-05 | 国网黑龙江省电力有限公司电力科学研究院 | 一种多能互补微网多元多目标优化配置与优化运行方法 |
CN113780768A (zh) * | 2021-08-26 | 2021-12-10 | 浙江大学常州工业技术研究院 | 混沌变异遗传高维度多指标综合能源系统规划方法及系统 |
CN113688576A (zh) * | 2021-09-16 | 2021-11-23 | 国网浙江省电力有限公司宁波供电公司 | 一种城市区域能源互联网能量调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105958482A (zh) * | 2016-05-31 | 2016-09-21 | 天津天大求实电力新技术股份有限公司 | 基于佳点集量子粒子群算法的微网优化方法 |
CN107730029A (zh) * | 2017-09-22 | 2018-02-23 | 齐鲁工业大学 | 基于量子行为粒子群算法的生产制造过程优化方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9373960B2 (en) * | 2013-03-13 | 2016-06-21 | Oracle International Corporation | Computerized system and method for distributed energy resource scheduling |
-
2018
- 2018-10-29 CN CN201811266637.XA patent/CN109523065B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105958482A (zh) * | 2016-05-31 | 2016-09-21 | 天津天大求实电力新技术股份有限公司 | 基于佳点集量子粒子群算法的微网优化方法 |
CN107730029A (zh) * | 2017-09-22 | 2018-02-23 | 齐鲁工业大学 | 基于量子行为粒子群算法的生产制造过程优化方法和装置 |
Non-Patent Citations (3)
Title |
---|
含CCHP 的微网经济运行优化研究;廖名洋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150115;第39-41页 * |
含冷热电联供系统的微能源网运行优化研究;李玉君;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180615(第06期);第32-34、50-51页 * |
改进量子粒子群算法在水电站群优化调度中的应用;冯仲恺 等;《水进展科学》;20150630(第03期);第417页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109523065A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523065B (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 | |
CN109193626B (zh) | 一种分布式能源站选型与定容优化规划统一求解方法 | |
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 | |
CN107508328A (zh) | 考虑风电消纳的联合系统能量优化方法 | |
CN111950807B (zh) | 计及不确定性与需求响应的综合能源系统优化运行方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供系统优化运行方法 | |
Liu et al. | Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios | |
CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
CN108197726B (zh) | 一种基于改进进化算法的家庭能量数据优化方法 | |
CN110391655B (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 | |
CN112068436B (zh) | 工业园区的综合能源系统分层分布式控制方法及系统 | |
CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN113779783B (zh) | 计及多重不确定性的区域综合能源系统规划与运行联合优化方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN115375344A (zh) | 计及阶梯碳交易机制的微电网两阶段鲁棒优化低碳经济调度方法 | |
CN113435095A (zh) | 一种用于综合能源系统的优化调度的方法及系统 | |
CN112270433A (zh) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和系统 | |
CN114662752A (zh) | 基于价格型需求响应模型的综合能源系统运行优化方法 | |
CN114977180A (zh) | 一种基于负荷侧灵活性资源的微电网低碳优化调度方法 | |
CN111126675A (zh) | 多能互补微网系统优化方法 | |
CN114742276A (zh) | 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法 | |
Mohamed et al. | Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization | |
CN110504684B (zh) | 一种区域多微网系统日前优化调度方法 |
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 |