CN109670639A - 基于多目标灰狼算法的区域综合能源系统实时优化方法 - Google Patents
基于多目标灰狼算法的区域综合能源系统实时优化方法 Download PDFInfo
- Publication number
- CN109670639A CN109670639A CN201811541289.2A CN201811541289A CN109670639A CN 109670639 A CN109670639 A CN 109670639A CN 201811541289 A CN201811541289 A CN 201811541289A CN 109670639 A CN109670639 A CN 109670639A
- Authority
- CN
- China
- Prior art keywords
- wolf
- moment
- solution
- power
- formula
- 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.)
- Pending
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 128
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 206010037660 Pyrexia Diseases 0.000 claims abstract description 6
- 239000007789 gas Substances 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 239000002028 Biomass Substances 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000009885 systemic effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 239000012141 concentrate Substances 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002956 ash Substances 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
- 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
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区域综合能源系统优化运行领域，具体是涉及一种基于多目标灰狼算法的区域综合能源系统实时优化方法。为了克服现有技术存在的缺陷而提供一种更优化、更稳定而且更快捷的基于多目标灰狼算法的区域综合能源系统实时优化方法。一种基于多目标灰狼算法的区域综合能源系统实时优化方法，包括以下步骤：A1：分别采集区域综合能源系统中能源服务公司关于冷、热、电负荷的购入量、售出量、售价和购入价的数据；分别采集区域综合能源系统中用户关于冷、热、电负荷的购买价和购买量；分别采集区域综合能源系统中的常规可控发电机组排放量、冷热电联产机组排放量和其他发热机组排放量；A2：对区域综合能源系统运行分析。
Description
技术领域
本发明涉及区域综合能源系统优化运行领域，具体是涉及一种基于多目标灰狼算法的区域综合能源系统实时优化方法。
背景技术
我国是个能源消耗大国，在工业化和城市化飞速发展的进程中，能源问题愈来愈成为制约我国经济发展和社会进步的“瓶颈”。同时，相对于能源利用效率不到60％的大部分火电机组而言，综合能源系统机组不仅燃料利用率高达90％，而且能减少13％-18％的污染物排放。面对能源短缺和环境制约问题，我国把节能减排、提高能源利用效率提到首要战略地位；可再生能源的应用、冷热电多种能源的互联系统以及能源市场化进程的不断推进是促进高效、清洁用能的有效途径。随着我国新一轮电力市场改革方案的推进，逐步建立健全与区域能源相关的外部实时市场(如天然气市场，生物质燃料市场，碳交易市场等)，为能源互联网那个建立以及能源市场化的推进打下了坚实的基础。为了满足能源和环境的需求，同时兼顾能源经济性和环保要求的多目标综合能源系统优化运行及其求解方法越来越受人们的重视。因此，需要在能源经济性和环保要求的前提下，提出相应的区域综合能源系统多目标实时优化运行方法，解决以下问题：
(1)如何综合考虑能源经济性环保要求，建立区域综合能源系统多目标运行优化函数；
(2)如何采用优化算法对区域综合能源系统多目标运行优化函数求解。
发明内容
为了克服上述现有技术存在的缺陷而提供一种更优化、更稳定而且更快捷的基于多目标灰狼算法的区域综合能源系统实时优化方法。
为了实现上述目的，本发明所采用的技术方案是，一种基于多目标灰狼算法的区域综合能源系统实时优化方法，包括以下步骤：A1：分别采集区域综合能源系统中能源服务公司关于冷、热、电负荷的购入量、售出量、售价和购入价的数据；分别采集区域综合能源系统中用户关于冷、热、电负荷的购买价和购买量；分别采集区域综合能源系统中的常规可控发电机组排放量、冷热电联产机组排放量和其他发热机组排放量；A2：对区域综合能源系统运行分析；A3：建立综合能源服务公司收益最大化、用户购能费用最小化以及系统污染气体排放量最小的多目标函数；A4：采用纵向交叉操作改进灰狼算法，将A1中采集的数据进行多目标优化配置，获得一组优化运行解；A5：将A4中得出的优化运行解带入A3的多目标函数，计算出非劣解；A6：采用模糊贴进度从众多非劣解中寻求区域综合能源系统运行时的最优解。
作为优选，所述的多目标函数为：
其中，在式(1)中，N为用户总数，Kt c，s、Kt h，s、Kt e，s分别为时刻t综合能源服务公司对用户的冷、热、电负荷售价；Kt c，g、Kt h，g、Kt e，g分别为时刻t综合能源服务公司购买冷、热、电负荷的购入价；Qt，n c，s、Kt，n h，s、Kt，n e，s分别为时刻t综合能源服务公司向用户n售冷、热、电的售出量；Qt c，g、 Qt h，g、Qt e，g分别为时刻t综合能源服务公司购买冷、热、电购入量；ND为设备种类数；Qt out为时刻t第i类设备的输出；QOM i为设备单位输出的运行维护费用；为时刻t天然气价格，单位为元/m3；为时刻t第i类设备的燃气消耗量，单位为kw；Δt为时间长度，令Δt＝1；L为天然气的低热值，取9.73kW·h/m3；
在式(2)中，为t时刻电网电价，单位为元/kw.h；为用户从电网购电总负荷，单位为kw；Kt，y c，g、Kt，y h，g、Kt，y e，g分别为时刻t用户y 从综合能源服务公司购冷、热、电负荷的购买价；分别为时刻t用户y从综合能源服务公司购冷、热、电的购买量；
在式(3)中，πi为常规可控发电机组i的排放系数；τi为冷热电联产机组i 的排放系数；ρi为其他发热机组i的排放系数；Ppi为常规可控发电机组排放量；Pci为冷热电联产机组排放量；Hhi为其他发热机组排放量。
作为优选，约束条件包括：
(1)功率平衡约束
1)冷负荷功率平衡约束
式中，为时刻t第mc类制冷设备制冷功率；ηac为吸收式制冷机制冷效率；ηec为电制冷机制冷效率；为时刻t吸收式制冷机输入热功率；为时刻t电制冷机输入功率；为时刻t储冷设备充放冷功率；
2)热负荷功率平衡约束
式中，Qt h，m为时刻t第mh类产热设备产热功率，为时刻t第mh类燃气锅炉功率；ηm，loss为燃气轮机功率损失效率；ηr为燃气锅炉制热效率；为时刻t第nh类热产冷设备消耗热量；为时刻t储热设备充放热功率；
3)电负荷功率平衡约束
式中，为时刻t第me类产电设备的电功率；为时刻t新能源发电功率；Pt cg为时刻t常规发电机组发电功率；Pt SZ为时刻t生物质能发电功率；为时刻t第ne类电转冷设备耗电量；为时刻t储电设备充放电功率；
(2)设备运行上下限约束
式中：分别为吸收式制冷机输入热功率上下限；分别为电制冷机输入功率上下限；分别为燃气锅炉功率上下限；分别为新能源发电设备功率上下限；分别为常规发电机组发电功率上下限；Pmin SZ、Pmax SZ分别为生物质能发电设备功率上下限。
作为优选，所述的灰狼算法包括以下步骤：B1：设置狼群规模大小为D、最大迭代次数为ymax，方向修正概率Pv；B2：在解空间中随机初始化狼群的空间坐标；B3：对狼群中所有狼个体的各维作归一化操作：归一化公式为：
式中：Dmax为狼Xi的维数上限；xi，d为狼Xi的第d维变量；Ni，d为归一化后所对应的标量；xd max、xd min分别为狼群第d维变量的上、下限；B4：计算个体狼适应度，确定α、β、δ狼；B5：按照灰狼狩猎时包围、猎捕、更新等规则更新狼群位置，产生新一代个体，采用精英保持策略，将父代与子代狼群合并成为新狼群D；B6：结合快速非劣解排序、拥挤距离计算进行狼群个体适应度排序，并通过精英保留策略筛选出d个子代个体；B7：对B6 中更新后的狼群进行方向修正，产生新的子代，进行狼群合并，跳转到步骤 B6；B8：判断是否达到最大迭代次数ymax；如达到最大迭代次数，则输出最优Pareto解集合；否则，跳转到步骤B5继续搜索。
作为优选，所述的B6包括以下步骤：C1：快速非劣解排序是一个循环适应度分层操作；首先，找出合并狼群D中的非支配解集，记作第1非支配层F1，并为该解集中所有狼个体赋予非支配序值irank＝1；接着从狼群剩余个体中找出下一层非支配层记作F2，狼个体赋予非支配序值irank＝2，并从狼群除去；以此类推，知道整个狼群被分层，同层内的狼个体具有相同的非支配序值 irank；C2：狼群个体拥挤距离是指目标空间中与灰狼个体j相邻的2个灰狼个体j-1和灰狼个体j+1之间的距离。灰狼个体拥挤度距离Ld的计算公式为：
式中：Nobj为目标数；分别为第j+1和第j-1只狼个体的第m 个目标函数的适应度值的最大值和最小值。
作为优选，所述B7中方向修正步骤如下：设定归一化的狼群个体为分别为Ni的d1、d2、d3维向量，对执行方向修正生成中庸狼的 d1维：
式中d1＝1，2，…，Dmax；d1＝1，2，…，Dmax；φ、γ为0～1之间的随机数；
为经归一化之后的中庸狼个体Mi的第d1维变量。
作为优选，所述的A6包括以下子步骤：D1：将Pareto非劣解和理想解采用正态分布函数进行模糊化，得到非劣解和理想解模糊子集；
式中：r＝1，2，…，k；r＝1，2，…，q。μ(frj)表示第r组非劣解中的第j个目标值对理想相对应第j个目标隶属度；frj表示第r组非劣解中的第j个目标值； f* j表示理想解的第j个目标函数值；D2：计算非劣解模糊向量与理想解模糊向量的贴进度，来寻求贴近理想解的非劣解，即最优解；设 A∈X1×n，B∈X1×n，是两个模糊子集，记：用贴进度距离表示贴近度，记：σ(A，B)＝1-C(d(A，B))α；令C＝1/q，α＝p利用公式：
和公式：
得到非劣解模糊集与理想模糊集的贴近度的系数计算公式如下：
D3：在求得各非劣解对于理想解的贴近度，就可以运用择近原则和极大化原则来寻求最优解。
作为优选，所述的择近原则为：最优解是贴近于理想解的Pareto非劣解。作为优选，所述的极大化原则为：给定各非劣解模糊集Fr(r＝1，2，…，k)和理想解模糊集F*，若σ(F*，Fr)＝max{σ(F*，F1)，σ(F*，F2)，...，σ(F*，Fk)}，则称Fr与F*最贴近；由此，寻得多目标优化问题中与理想解最贴近的非劣解，即最优解： F(x*)＝Fr(xr)。
本发明创造的有益效果：(1)本发明根据现有的区域综合能源系统框架，建立了由综合能源服务公司净收益最大化、用户购能费用最小化以及污染气体排放量最小化的区域综合能源系统多目标优化运行函数，提供了区域综合能源系统运行优化方法；(2)建立了基于改进灰狼算法的区域综合能源系统优化配置模型，该模型收敛速度快，可靠性高，使得优化运行结果更加具有指导价值和意义；(3)本发明将采用模糊贴进度从众多非劣解中寻求区域综合能源系统运行最优解，为综合能源系统参与者的决策提供理论支撑；
(4)本发明创造在灰狼算法上做了修改，由于灰狼算法容易出现局部最优的问题，所以提出了修正计算，使得更加有利于本专利的优化计算；(5) 在灰狼算法中加了狼群个体拥挤距离用来计算与目标函数的适应度，使得本方法更加稳定。
附图说明
图1：本发明整体流程示意图
图2：灰狼算法的区域综合能源系统多目标运行优化流程示意图
图3：模糊贴进度从非劣解中寻求区域综合能源系统运行最优解流程示意图
具体实施方式
一种基于多目标灰狼算法的区域综合能源系统实时优化方法，包括以下步骤：A1：分别采集区域综合能源系统中能源服务公司关于冷、热、电负荷的购入量、售出量、售价和购入价的数据；分别采集区域综合能源系统中用户关于冷、热、电负荷的购买价和购买量；分别采集区域综合能源系统中的常规可控发电机组排放量、冷热电联产机组排放量和其他发热机组排放量；A2：对区域综合能源系统运行分析；A3：建立综合能源服务公司收益最大化、用户购能费用最小化以及系统污染气体排放量最小的多目标函数；A4：采用纵向交叉操作改进灰狼算法，将A1中采集的数据进行多目标优化配置，获得一组优化运行解；A5：将 A4中得出的优化运行解带入A3的多目标函数，计算出非劣解；A6：采用模糊贴进度从众多非劣解中寻求区域综合能源系统运行时的最优解。
所述的多目标函数为：
其中，在式(1)中，N为用户总数，Kt c，s、Kt h，s、Kt e，s分别为时刻t综合能源服务公司对用户的冷、热、电负荷售价；Kt c，g、Kt h，g、Kt e，g分别为时刻t综合能源服务公司购买冷、热、电负荷的购入价；Qt，n c，s、Qt，n h，ｓ、Ｑｔ,ｎ ｅ,ｓ分别为时刻t综合能源服务公司向用户n售冷、热、电的售出量；Qt c，g、 Qt h，g、Qt e，g分别为时刻t综合能源服务公司购买冷、热、电购入量；ND为设备种类数；Qt out为时刻t第i类设备的输出；QOM i为设备单位输出的运行维护费用；为时刻t天然气价格，单位为元/m3；为时刻t第i类设备的燃气消耗量，单位为kw；Δt为时间长度，令Δt＝1；L为天然气的低热值，取9.73kW·h/m3；
在式(2)中，为t时刻电网电价，单位为元/kw.h；为用户从电网购电总负荷，单位为kw；Kt，y c，g、Kt，y h，g、Kt，y e，g分别为时刻t用户y 从综合能源服务公司购冷、热、电负荷的购买价；分别为时刻t用户y从综合能源服务公司购冷、热、电的购买量；
在式(3)中，πi为常规可控发电机组i的排放系数；τi为冷热电联产机组i 的排放系数；ρi为其他发热机组i的排放系数；Ppi为常规可控发电机组排放量；Pci为冷热电联产机组排放量；Hhi为其他发热机组排放量。
约束条件包括：
(1)功率平衡约束
1)冷负荷功率平衡约束
式中，为时刻t第mc类制冷设备制冷功率；ηac为吸收式制冷机制冷效率；ηec为电制冷机制冷效率；为时刻t吸收式制冷机输入热功率；为时刻t电制冷机输入功率；为时刻t储冷设备充放冷功率；
2)热负荷功率平衡约束
式中，Qt h，m为时刻t第mh类产热设备产热功率，为时刻t第mh类燃气锅炉功率；ηm，loss为燃气轮机功率损失效率；ηr为燃气锅炉制热效率；为时刻t第nh类热产冷设备消耗热量；为时刻t储热设备充放热功率；
3)电负荷功率平衡约束
式中，为时刻t第me类产电设备的电功率；为时刻t新能源发电功率；Pt cg为时刻t常规发电机组发电功率；Pt sz为时刻t生物质能发电功率；为时刻t第ne类电转冷设备耗电量；为时刻t储电设备充放电功率；
(2)设备运行上下限约束
式中：分别为吸收式制冷机输入热功率上下限；分别为电制冷机输入功率上下限；分别为燃气锅炉功率上下限；分别为新能源发电设备功率上下限；Pmin cg、Pmax cg分别为常规发电机组发电功率上下限；Pmin sz、Pmax sz分别为生物质能发电设备功率上下限。
所述的灰狼算法包括以下步骤：B1：设置狼群规模大小为D、最大迭代次数为ymax，方向修正概率Pv；B2：在解空间中随机初始化狼群的空间坐标；B3：对狼群中所有狼个体的各维作归一化操作：归一化公式为：
式中：Dmax为狼Xi的维数上限；xi，d为狼Xi的第d维变量；Ni，d为归一化后所对应的标量；xd max、xd min分别为狼群第d维变量的上、下限；B4：计算个体狼适应度，确定α、β、δ狼；B5：按照灰狼狩猎时包围、猎捕、更新等规则更新狼群位置，产生新一代个体，采用精英保持策略，将父代与子代狼群合并成为新狼群D；B6：结合快速非劣解排序、拥挤距离计算进行狼群个体适应度排序，并通过精英保留策略筛选出d个子代个体；B7：对B6 中更新后的狼群进行方向修正，产生新的子代，进行狼群合并，跳转到步骤B6；B8：判断是否达到最大迭代次数ymax；如达到最大迭代次数，则输出最优Pareto解集合；否则，跳转到步骤B5继续搜索。
作为优选，所述的B6包括以下步骤：C1：快速非劣解排序是一个循环适应度分层操作；首先，找出合并狼群D中的非支配解集，记作第1非支配层F1，并为该解集中所有狼个体赋予非支配序值irank＝1；接着从狼群剩余个体中找出下一层非支配层记作F2，狼个体赋予非支配序值irank＝2，并从狼群除去；以此类推，知道整个狼群被分层，同层内的狼个体具有相同的非支配序值 irank；C2：狼群个体拥挤距离是指目标空间中与灰狼个体j相邻的2个灰狼个体j-1和灰狼个体j+1之间的距离。灰狼个体拥挤度距离Ld的计算公式为：
式中：Nobj为目标数；分别为第j+1和第j-1只狼个体的第m 个目标函数的适应度值的最大值和最小值。
作为优选，所述B7中方向修正步骤如下：设定归一化的狼群个体为分别为Ni的d1、d2、d3维向量，对执行方向修正生成中庸狼的 d1维：
式中d1＝1，2，…，Dmax；d1＝1，2，…，Dmax；φ、γ为0～1之间的随机数；
为经归一化之后的中庸狼个体Mi的第d1维变量。
作为优选，所述的A6包括以下子步骤：D1：将Pareto非劣解和理想解采用正态分布函数进行模糊化，得到非劣解和理想解模糊子集；
式中：r＝1，2，…，k；r＝1，2，…，q。μ(frj)表示第r组非劣解中的第j个目标值对理想相对应第j个目标隶属度；frj表示第r组非劣解中的第j个目标值； f* j表示理想解的第j个目标函数值；D2：计算非劣解模糊向量与理想解模糊向量的贴进度，来寻求贴近理想解的非劣解，即最优解；设 A∈X1×n，B∈X1×n，是两个模糊子集，记：用贴进度距离表示贴近度，记：σ(A，B)＝1-C(d(A，B))α；令C＝1/q，α＝p利用公式：
和公式：
得到非劣解模糊集与理想模糊集的贴近度的系数计算公式如下：
D3：在求得各非劣解对于理想解的贴近度，就可以运用择近原则和极大化原则来寻求最优解。
所述的择近原则为：最优解是贴近于理想解的Pareto非劣解。
所述的极大化原则为：给定各非劣解模糊集Fr(r＝1，2，…，k)和理想解模糊集F*，若σ(F*，Fr)＝max{σ(F*，F1)，σ(F*，F2)，…，σ(F*，Fk)}，则称Fr与F*最贴近；由此，寻得多目标优化问题中与理想解最贴近的非劣解，即最优解：F(x*)＝Fr(xr)。
本发明根据现有的区域综合能源系统框架，建立了由综合能源服务公司净收益最大化、用户购能费用最小化以及污染气体排放量最小化的区域综合能源系统多目标优化运行函数，提供了区域综合能源系统运行优化方法；建立了基于改进灰狼算法的区域综合能源系统优化配置模型，该模型收敛速度快，可靠性高，使得优化运行结果更加具有指导价值和意义；本发明将采用模糊贴进度从众多非劣解中寻求区域综合能源系统运行最优解，为综合能源系统参与者的决策提供理论支撑；本发明创造在灰狼算法上做了修改，由于灰狼算法容易出现局部最优的问题，所以提出了修正计算，使得更加有利于本专利的优化计算；在灰狼算法中加了狼群个体拥挤距离用来计算与目标函数的适应度，使得本方法更加稳定。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，包括以下步骤：
A1：分别采集区域综合能源系统中能源服务公司关于冷、热、电负荷的购入量、售出量、售价和购入价的数据；分别采集区域综合能源系统中用户关于冷、热、电负荷的购买价和购买量；分别采集区域综合能源系统中的常规可控发电机组排放量、冷热电联产机组排放量和其他发热机组排放量；
A2：对区域综合能源系统运行分析；
A3：建立综合能源服务公司收益最大化、用户购能费用最小化以及系统污染气体排放量最小的多目标函数；
A4：采用纵向交叉操作改进灰狼算法，将A1中采集的数据进行多目标优化配置，获得一组优化运行解；
A5：将A4中得出的优化运行解带入A3的多目标函数，计算出非劣解；
A6：采用模糊贴进度从众多非劣解中寻求区域综合能源系统运行时的最优解。
2.根据权利要求1所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述的多目标函数为：
其中，在式(1)中，N为用户总数，Kt c，s、Kt h，s、Kt e，s分别为时刻t综合能源服务公司对用户的冷、热、电负荷售价；Kt c，g、Kt h，g、Kt e，g分别为时刻t综合能源服务公司购买冷、热、电负荷的购入价；Qt，n c，s、Qt，n h，s、Qt，n e，s分别为时刻t综合能源服务公司向用户n售冷、热、电的售出量；Qt c，g、Qt h，g、Qt e，g分别为时刻t综合能源服务公司购买冷、热、电购入量；ND为设备种类数；Qt out为时刻t第i类设备的输出；QOM i为设备单位输出的运行维护费用；为时刻t天然气价格，单位为元/m3；Ft i为时刻t第i类设备的燃气消耗量，单位为kw；Δt为时间长度，令Δt＝1；L为天然气的低热值，取9.73kW·h/m3；
在式(2)中，为t时刻电网电价，单位为元/kw.h；为用户从电网购电总负荷，单位为kw；Kt，y c，g、Kt，y h，g、Kt，y e，g分别为时刻t用户y从综合能源服务公司购冷、热、电负荷的购买价；分别为时刻t用户y从综合能源服务公司购冷、热、电的购买量；
在式(3)中，πi为常规可控发电机组i的排放系数；τi为冷热电联产机组i的排放系数；ρi为其他发热机组i的排放系数；Ppi为常规可控发电机组排放量；Pci为冷热电联产机组排放量；Hhi为其他发热机组排放量。
3.根据权利要求2所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，约束条件包括：
(1)功率平衡约束
1)冷负荷功率平衡约束
式中，为时刻t第mc类制冷设备制冷功率；ηac为吸收式制冷机制冷效率；ηec为电制冷机制冷效率；为时刻t吸收式制冷机输入热功率；为时刻t电制冷机输入功率；为时刻t储冷设备充放冷功率；
2)热负荷功率平衡约束
式中，Qt h，m为时刻t第mh类产热设备产热功率，为时刻t第mh类燃气锅炉功率；ηm，loss为燃气轮机功率损失效率；ηr为燃气锅炉制热效率；为时刻t第nh类热产冷设备消耗热量；为时刻t储热设备充放热功率；
3)电负荷功率平衡约束
式中，为时刻t第me类产电设备的电功率；为时刻t新能源发电功率；Pt cg为时刻t常规发电机组发电功率；Pt sz为时刻t生物质能发电功率；为时刻t第ne类电转冷设备耗电量；为时刻t储电设备充放电功率；
(2)设备运行上下限约束
式中：分别为吸收式制冷机输入热功率上下限；分别为电制冷机输入功率上下限；分别为燃气锅炉功率上下限；分别为新能源发电设备功率上下限；Pmin cg、Pmax cg分别为常规发电机组发电功率上下限；Pmin sz、Pmax sz分别为生物质能发电设备功率上下限。
4.根据权利要求1所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述的灰狼算法包括以下步骤：
B1：设置狼群规模大小为D、最大迭代次数为ymax，方向修正概率Pv；
B2：在解空间中随机初始化狼群的空间坐标；
B3：对狼群中所有狼个体的各维作归一化操作：归一化公式为：
式中：Dmax为狼Xi的维数上限；xi,d为狼Xi的第d维变量；Ni，d为归一化后所对应的标量；xd max、xd min分别为狼群第d维变量的上、下限；
B4：计算个体狼适应度，确定α、β、δ狼；
B5：按照灰狼狩猎时包围、猎捕、更新等规则更新狼群位置，产生新一代个体，采用精英保持策略，将父代与子代狼群合并成为新狼群D；
B6：结合快速非劣解排序、拥挤距离计算进行狼群个体适应度排序，并通过精英保留策略筛选出d个子代个体；
B7：对B6中更新后的狼群进行方向修正，产生新的子代，进行狼群合并，跳转到步骤B6；
B8：判断是否达到最大迭代次数ymax；如达到最大迭代次数，则输出最优Pareto解集合；否则，跳转到步骤B5继续搜索。
5.根据权利4所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述的B6包括以下步骤：
C1：快速非劣解排序是一个循环适应度分层操作；首先，找出合并狼群D中的非支配解集，记作第1非支配层F1，并为该解集中所有狼个体赋予非支配序值irank＝1；接着从狼群剩余个体中找出下一层非支配层记作F2，狼个体赋予非支配序值irank＝2，并从狼群除去；以此类推，知道整个狼群被分层，同层内的狼个体具有相同的非支配序值irank；
C2：狼群个体拥挤距离是指目标空间中与灰狼个体j相邻的2个灰狼个体j-1和灰狼个体j+1之间的距离。灰狼个体拥挤度距离Ld的计算公式为：
式中：Nobj为目标数；分别为第j+1和第j-1只狼个体的第m个目标函数的适应度值的最大值和最小值。
6.根据权利要求4所述的一种多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述B7中方向修正步骤如下：
设定归一化的狼群个体为Ni，分别为Ni的d1、d2、d3维向量，对执行方向修正生成中庸狼的d1维：
式中d1＝1，2，…，Dmax；d1＝1，2，…，Dmax；φ、γ为0～1之间的随机数；
为经归一化之后的中庸狼个体Mi的第d1维变量。
7.根据权利要求1所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述的A6包括以下子步骤：
D1：将Pareto非劣解和理想解采用正态分布函数进行模糊化，得到非劣解和理想解模糊子集；
式中：r＝1，2，…，k；r＝1，2，…，q。μ(frj)表示第r组非劣解中的第j个目标值对理想相对应第j个目标隶属度；frj表示第r组非劣解中的第j个目标值；f* j表示理想解的第j个目标函数值；
D2：计算非劣解模糊向量与理想解模糊向量的贴进度，来寻求贴近理想解的非劣解，即最优解；
设A∈X1×n，B∈X1×n，是两个模糊子集，记：
用贴进度距离表示贴近度，记：σ(A，B)＝1-C(d(A，B))α；令C＝1/q，α＝p利用公式：
和公式：
得到非劣解模糊集与理想模糊集的贴近度的系数计算公式如下：
D3：在求得各非劣解对于理想解的贴近度，就可以运用择近原则和极大化原则来寻求最优解。
8.根据权利要求7所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述的择近原则为：最优解是贴近于理想解的Pareto非劣解。
9.根据权利要求7所述的一种基于多目标灰狼算法的区域综合能源系统实时优化方法，其特征在于，所述的极大化原则为：给定各非劣解模糊集Fr(r＝1，2，…，k)和理想解模糊集F*，若σ(F*，Fr)＝max{σ(F*，F1)，σ(F*，F2)，...，σ(F*，Fk)]，则称Fr与F*最贴近；由此，寻得多目标优化问题中与理想解最贴近的非劣解，即最优解：F(x*)＝Fr(xr)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541289.2A CN109670639A (zh) | 2018-12-17 | 2018-12-17 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541289.2A CN109670639A (zh) | 2018-12-17 | 2018-12-17 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670639A true CN109670639A (zh) | 2019-04-23 |
Family
ID=66144467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811541289.2A Pending CN109670639A (zh) | 2018-12-17 | 2018-12-17 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670639A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110167138A (zh) * | 2019-05-23 | 2019-08-23 | 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 |
| CN110766204A (zh) * | 2019-09-27 | 2020-02-07 | 国电南瑞科技股份有限公司 | 一种基于遗传算法的分段式综合能源系统运行优化方法 |
| CN110796287A (zh) * | 2019-09-27 | 2020-02-14 | 国电南瑞科技股份有限公司 | 基于多种群遗传算法的分段式综合能源系统运行优化方法 |
| CN112825269A (zh) * | 2019-11-20 | 2021-05-21 | 天津大学 | 一种气化工艺设计方法、装置、设备及存储介质 |
| CN115358806A (zh) * | 2022-10-17 | 2022-11-18 | 江苏赛亦尔智能电气科技有限公司 | 基于可再生能源发电的电氢综合能源系统成本优化方法 |
| CN116599142A (zh) * | 2023-03-28 | 2023-08-15 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN108241887A (zh) * | 2016-12-27 | 2018-07-03 | 普天信息技术有限公司 | 一种灰狼优化算法中搜索阶段的优化方法及系统 |
-
2018
- 2018-12-17 CN CN201811541289.2A patent/CN109670639A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241887A (zh) * | 2016-12-27 | 2018-07-03 | 普天信息技术有限公司 | 一种灰狼优化算法中搜索阶段的优化方法及系统 |
| CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110167138A (zh) * | 2019-05-23 | 2019-08-23 | 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 |
| 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 |
| CN110766204A (zh) * | 2019-09-27 | 2020-02-07 | 国电南瑞科技股份有限公司 | 一种基于遗传算法的分段式综合能源系统运行优化方法 |
| CN110796287A (zh) * | 2019-09-27 | 2020-02-14 | 国电南瑞科技股份有限公司 | 基于多种群遗传算法的分段式综合能源系统运行优化方法 |
| CN110766204B (zh) * | 2019-09-27 | 2022-04-01 | 国电南瑞科技股份有限公司 | 一种基于遗传算法的分段式综合能源系统运行优化方法 |
| CN110796287B (zh) * | 2019-09-27 | 2022-04-01 | 国电南瑞科技股份有限公司 | 基于多种群遗传算法的分段式综合能源系统运行优化方法 |
| CN112825269A (zh) * | 2019-11-20 | 2021-05-21 | 天津大学 | 一种气化工艺设计方法、装置、设备及存储介质 |
| CN112825269B (zh) * | 2019-11-20 | 2022-11-04 | 天津大学 | 一种气化工艺设计方法、装置、设备及存储介质 |
| CN115358806A (zh) * | 2022-10-17 | 2022-11-18 | 江苏赛亦尔智能电气科技有限公司 | 基于可再生能源发电的电氢综合能源系统成本优化方法 |
| CN116599142A (zh) * | 2023-03-28 | 2023-08-15 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
| CN116599142B (zh) * | 2023-03-28 | 2024-06-11 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Two-stage optimal operation of integrated energy system considering multiple uncertainties and integrated demand response | |
| Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
| Mokhtara et al. | Design optimization of grid-connected PV-Hydrogen for energy prosumers considering sector-coupling paradigm: Case study of a university building in Algeria | |
| CN109670639A (zh) | 基于多目标灰狼算法的区域综合能源系统实时优化方法 | |
| Xu et al. | Hierarchical multi-objective optimal planning model of active distribution network considering distributed generation and demand-side response | |
| Wang et al. | Multi-stage optimal energy management of multi-energy microgrid in deregulated electricity markets | |
| Ju et al. | A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion | |
| Wu et al. | Multi-objective and multi-algorithm operation optimization of integrated energy system considering ground source energy and solar energy | |
| Zhou et al. | Optimal sizing design and integrated cost-benefit assessment of stand-alone microgrid system with different energy storage employing chameleon swarm algorithm: A rural case in Northeast China | |
| Wang et al. | Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy | |
| Qi et al. | Low-carbon community adaptive energy management optimization toward smart services | |
| Zhang et al. | Collaborative optimization for multiple energy stations in distributed energy network based on electricity and heat interchanges | |
| Li et al. | Performance evaluation of solar hybrid combined cooling, heating and power systems: A multi-objective arithmetic optimization algorithm | |
| CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
| CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| CN107358345A (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 | |
| CN106779471A (zh) | 一种多能互联交直流混合微电网系统及优化配置方法 | |
| Shi et al. | Research on energy management of hydrogen electric coupling system based on deep reinforcement learning | |
| Du et al. | RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm | |
| Shan et al. | Multi-objective economic optimization scheduling of CCHP micro-grid based on improved bee colony algorithm considering the selection of hybrid energy storage system | |
| CN115759610A (zh) | 一种电力系统源网荷储协同的多目标规划方法及其应用 | |
| Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
| Zhou et al. | Multi-objective optimization and decision making for integrated energy system using STA and fuzzy TOPSIS | |
| CN115693779A (zh) | 一种多虚拟电厂与配网协同优化调度方法及设备 | |
| Zhu et al. | DRL based low carbon economic dispatch by considering power transmission safety limitations in internet of energy |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |