CN109800918A - 一种局域多能源互补运行综合优化配置方法和设备 - Google Patents
一种局域多能源互补运行综合优化配置方法和设备 Download PDFInfo
- Publication number
- CN109800918A CN109800918A CN201910080422.7A CN201910080422A CN109800918A CN 109800918 A CN109800918 A CN 109800918A CN 201910080422 A CN201910080422 A CN 201910080422A CN 109800918 A CN109800918 A CN 109800918A
- Authority
- CN
- China
- Prior art keywords
- consumption rate
- extraction steam
- heat consumption
- steam unit
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 187
- 230000002068 genetic effect Effects 0.000 claims abstract description 42
- 230000005619 thermoelectricity Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000013213 extrapolation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 22
- 238000005457 optimization Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 7
- 240000002853 Nelumbo nucifera Species 0.000 description 7
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005086 pumping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001754 anti-pyretic effect Effects 0.000 description 3
- 239000002221 antipyretic Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000003169 complementation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请公开了一种局域多能源互补运行综合优化配置方法和设备,实时获取局域微网的各抽汽机组的热负荷和电负荷,计算各抽汽机组的热耗率,根据最大化消纳原则,在第一约束条件和第二约束条件下,建立热电负荷最优分配目标函数,基于遗传算法求解电负荷最优分配目标函数满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整,解决了现有的局域微网内供热抽汽机组间的电负荷及热负荷的优化配置方式,不能够在使局域微网的电负荷和热负荷在满足用户需求时,使得局域多能源得到最优分配,达到实时节能降耗的目的的技术问题。
Description
技术领域
本申请涉及能源配置技术领域,尤其涉及一种局域多能源互补运行综合优化配置方法和设备。
背景技术
在大规模新能源电力发展的形势下,对于由多种发电单元组成的局域微网可采取分区精细化调度。目前,已有风电和太阳能热发电等新能源以微网形式并入智能电网的策略,并结合火电机组的深度快速变负荷运行等风电的功率波动进行补偿控制,实现对智能电网用户的安全可靠供电,同时,鉴于热电联产能源转换效率具有明显优势,供热抽汽机组得到了大力发展,多能源互补运行、多形式供能的局域微网,不仅需要最大程度上利用新能源电力,而且还需要按照热电用户的双向需求调整抽汽机组的热负荷和电负荷。
对于确定的热负荷和电负荷,如何根据机组的类型以及机组效率的差异,在各机组间进行热电负荷的分配,使整个局域网的热耗率最低、经济效益最好,是局域网运行中面临的重要问题。因此,需要对局域网内供热抽汽机组间的电负荷及热负荷进行分配优化。目前的优化调度方式致力于单纯供热机组间的热电负荷分配方面,在总的调度负荷下,根据各个机组类型的热力特性确定各机组应承带的负荷,从而使所有机组的煤耗量最小而所有机组热负荷满足需求的一种优化调度。然而,鉴于新能源发电单元的实时不确定性,在对风电等新能源以局域微网形式在多能源互补运行机制下进行精细化调度时,如何在使局域微网的电负荷和热负荷在满足用户需求时,使得局域多能源得到最优分配,达到实时节能降耗的目的,是本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供了一种局域多能源互补运行综合优化配置方法和设备,解决了现有的局域微网内供热抽汽机组间的电负荷及热负荷的优化配置方式,不能够在使局域微网的电负荷和热负荷在满足用户需求时,使得局域多能源得到最优分配,达到实时节能降耗的目的的技术问题。
有鉴于此,本申请第一方面提供了一种局域多能源互补运行综合优化配置方法,包括:
实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各所述抽汽机组的热耗率;
根据最大化消纳原则,建立第一约束条件和第二约束条件,所述第一约束条件为单个所述抽汽机组的热负荷和电负荷的约束条件,所述第二约束条件为所有所述抽汽机组的热负荷和电负荷的约束条件;
根据所述电负荷和所述热耗率建立热电负荷最优分配目标函数,基于遗传算法求解所述热电负荷最优分配目标函数满足所有所述抽汽机组的总热耗率值最小时,各所述抽汽机组的电负荷值和热负荷值,根据各所述电负荷值和各所述热负荷值对对应的所述抽汽机组进行电负荷调整和热负荷调整。
优选地,所述热负荷为抽汽量。
优选地,所述热负荷为机组背压。
优选地,所述实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各所述抽汽机组的热耗率,之前还包括:
获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式。
优选地,所述获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式,之前还包括:
获取抽汽机组实际热耗率公式,所述抽汽机组实际热耗率公式为对抽汽机组在抽汽工况下的实际耗热率曲线。
优选地,所述实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各所述抽汽机组的热耗率,之前还包括:
获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式。
优选地,所述获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式,之前还包括:
获取抽汽机组实际热耗率公式,所述抽汽机组实际热耗率公式为对抽汽机组在机组背压变化工况下的实际耗热率曲线。
优选地,所述遗传算法采用浮点数编码;
所述遗传算法的选择操作采用轮盘赌法;
所述遗传算法的交叉操作采用算数交叉法;
所述遗传算法的变异操作采用高斯近似变异。
本申请第二方面还提供了一种视频区域移除篡改检测设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的局域多能源互补运行综合优化配置方法。
本申请第三方面还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的局域多能源互补运行综合优化配置方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种局域多能源互补运行综合优化配置方法,包括:实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各抽汽机组的热耗率;根据最大化消纳原则,建立第一约束条件和第二约束条件,第一约束条件为单个抽汽机组的热负荷和电负荷的约束条件,第二约束条件为所有抽汽机组的热负荷和电负荷的约束条件;根据电负荷和热耗率建立热电负荷最优分配目标函数,基于遗传算法求解满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整。本申请提供的方法,通过实时获取局域微网的各抽汽机组的热负荷和电负荷,计算各抽汽机组的热耗率,根据最大化消纳原则,在第一约束条件和第二约束条件下,建立热电负荷最优分配目标函数,最后基于遗传算法求解电负荷最优分配目标函数满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整,既能够满足用户的电负荷和热负荷的需求,具有实时节能降耗的优点,解决了现有的局域微网内供热抽汽机组间的电负荷及热负荷的优化配置方式,不能够在使局域微网的电负荷和热负荷在满足用户需求时,使得局域多能源得到最优分配,达到实时节能降耗的目的的技术问题。
附图说明
图1为本申请提供的一种局域多能源互补运行综合优化配置方法的第一实施例流程示意图;
图2为本申请提供的一种局域多能源互补运行综合优化配置方法的第二实施例流程示意图;
图3为本申请提供的一种局域多能源互补运行综合优化配置方法的第三实施例流程示意图;
图4为本申请实施例中的遗传算法流程示意图;
图5为本申请实施例中抽汽机组考虑抽汽工况的实际热耗率曲线示意图;
图6为本申请实施例中抽汽机组考虑机组背压变化工况的实际热耗率曲线示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请实施例中一种局域多能源互补运行综合优化配置方法,包括:
步骤101、实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各抽汽机组的热耗率。
需要说明的是,本申请实施例中,首先测得各个抽汽机组的热负荷Qi和电负荷Pi,根据热负荷Qi和电负荷Pi通过预置热耗率公式计算各抽汽组的热耗率Ri,i∈[1,n]。对于n台抽汽机组,电负荷分别为P1,P2,…,Pn,热负荷分别为Q1,Q2,…,Qn,热耗率为R1,R2,…,Rn。
步骤102、根据最大化消纳原则,建立第一约束条件和第二约束条件,第一约束条件为单个抽汽机组的热负荷和电负荷的约束条件,第二约束条件为所有抽汽机组的热负荷和电负荷的约束条件。
需要说明的是,最大化消纳原则,即新能源发电负荷和热负荷都取实时最大值,第一约束条件为Qz=Q1+Q2+…+Qn=const,Pz=P1+P2+…+Pn=const,即所有抽汽机组的总热负荷Qz和总电负荷Pz分别为常数(const),两者的取值方法如下:在非供热期,总热负荷Qz取常数为零,以新能源最大化消纳为原则,Pz为总需求电量Pall减掉风力实时最大发电量Pwind、光伏发电实时最大电量Psun1、太阳能热发电实时最大电量Psun2的剩余电量;而Qz为总需求热量Qall减掉太阳能储热Qsun的剩余所需热负荷。即:
Pz=Pall-Pwind-Psun1-Psun2;
Qz=Qall-Qsun。
第二个约束条件为:
Qi∈(Qimin,Qimax),Pi∈(Pimin,Pimin)
即每台抽汽机组的最大最小电负荷分别为P1min,P1max;P2min,P2max;…;Pnmin,Pnmax;最大最小热负荷分别为Q1min,Q1max;Q2min,Q2max;…;Qnmin,Qnmax。
步骤103、根据电负荷和热耗率建立热电负荷最优分配目标函数,基于遗传算法求解热电负荷最优分配目标函数满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整。
需要说明的是,本申请实施例中,最优分配目标函数为:
其中,为所有抽汽机组的总热耗率值,P1,P2,…,Pn为各抽汽机组的电负荷,Q1,Q2,…,Qn为各抽汽机组的热负荷。本申请实施例的优化目的为得到使所有抽汽机组的总热耗率值最小时,电负荷和热负荷的优化分配方案。本申请实施例通过遗传算法对最优分配目标函数进行求解,求出满足所有抽汽机组的总热耗率值最小时的各台抽汽机组的电负荷值和热负荷值。求解过程如下:
1、初始种群设定
用2n×m的矩阵则能表示初始种群:
m为设定的个体数目,热负荷Qi和电负荷Pi均为满足第二个约束条件的随机数;初始种群采用满足第二个约束条件的约束编码的形式构造;
对初始种群中前(n-1)个抽汽机组的电负荷和热负荷进行满足第二个约束条件的编码,而最后一个抽汽机组通过下式计算:
这样,即可得到所有抽汽机组满足第一个约束条件和前(n-1)个抽汽机组满足第二约束条件的初始种群:
上式第n台抽汽机组为满足其电负荷最大值与最小值之差最大并且最大热负荷与最小热负荷不等的抽汽机组,即:
Pnmax-Pnmin>Pimax-Pimin
Qnmax-Qnmin≠0,
Pnmax,Pnmin表示被选出来的第n台抽汽机组的最大电负荷与最小电负荷;Pimax,Pimin表示剩余抽汽机组的最大电负荷和最小电负荷;Qnmax,Qnmin表示被选出来的第n台抽汽机组的最大热负荷与最小热负荷。
2、构建适应度函数:通过适应度计算,实现个体的优化选择,同时使优化结果中第n台抽汽机组也满足第二个约束条件。
不符合条件的个体为:
Pn<Pmin OR Pn>Pmax
Qn<Qmin OR Qn>Qmax,
热电负荷分配优化是求目标函数的最小值,遗传算法的优化目标是找到具有最大适应度的个体,故定义适应度函数ObjV定义如下:
1)对于符合条件的个体:
Pmin<Pn<Pmax&Qmin<Qn<Qmax
2)对于不符合条件的个体:采用指数尺度变换式得到
其中:
当Pn<Pmin时,
当Pn>Pmax时,
对于Qn同理可得:
当Qn<Qmin时,
当Qn>Qmax时,
对于βP、βQ同时存在时,β=max(βP,βQ),
为抽汽机组在运行过程中的最大热耗率,通过电厂生产和试验数据得到。α为常系数,目标是使得当计算出的Pn,Qn超过设定阈值100%时,其适应度值大于满足条件下适应度值的100倍,即β=1,exp(α)>100;在本申请实施例中α取5;这样在选择过程中,适应度小的个体将有很大的概率被淘汰掉,同时不满足第二个约束条件的个体也将有很大的概率被淘汰掉,从而实现个体的优化选择,理想状况下得到最大适应度即总热耗率值最小的个体。
3、完成上步骤后,再进行基于传统的遗传算法的选择、交叉、变异过程;当遗传代数达到终止条件N代时,遗传过程终止,在新能源热电最大化消纳的原则下,输出满足所有抽汽机组的总热耗率值最小时的各台抽汽机组的电负荷和热负荷值最优解、各台抽汽机组的热耗率值以及相应的所有抽汽机组的最小总热耗率,用于指导局域多能源电网的实时调度优化。
本申请实施例中,提供了一种局域多能源互补运行综合优化配置方法,包括:实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各抽汽机组的热耗率;根据最大化消纳原则,建立第一约束条件和第二约束条件,第一约束条件为单个抽汽机组的热负荷和电负荷的约束条件,第二约束条件为所有抽汽机组的热负荷和电负荷的约束条件;根据电负荷和热耗率建立热电负荷最优分配目标函数,基于遗传算法求解满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整。本申请提供的方法,通过实时获取局域微网的各抽汽机组的热负荷和电负荷,计算各抽汽机组的热耗率,根据最大化消纳原则,在第一约束条件和第二约束条件下,建立热电负荷最优分配目标函数,最后基于遗传算法求解电负荷最优分配目标函数满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整,既能够满足用户的电负荷和热负荷的需求,具有实时节能降耗的优点,解决了现有的局域微网内供热抽汽机组间的电负荷及热负荷的优化配置方式,不能够在使局域微网的电负荷和热负荷在满足用户需求时,使得局域多能源得到最优分配,达到实时节能降耗的目的的技术问题。
为了便于理解,请参阅图2,本申请提供了一种局域多能源互补运行综合优化配置方法的第二实施例,一种局域多能源互补运行综合优化配置方法,包括:
步骤201、获取抽汽机组实际热耗率公式,抽汽机组实际热耗率公式为对抽汽机组在抽汽工况下的实际耗热率曲线。
需要说明的是,抽汽机组的抽汽工况一般为抽汽机组在冬季(10月份至下一年3月份)的大抽汽工况,根据试验得到每台机组的实际热耗率曲线;如图5所示,以功率P和热负荷为Q为自变量,热耗率值R为因变量的一组曲线,即
第1台抽汽机组:R1=f(P1,Q1);
第2台抽汽机组:R2=f(P2,Q2);
……
第n台抽汽机组:Rn=f(Pn,Qn)。
步骤202、获取各抽汽机组的热耗率修正系数,根据热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式。
需要说明的是,基于主蒸汽压力、主蒸汽温度、再热压力、再热蒸汽温度、给水温度及热力系统严密性这六个因素偏离设计值时都会对热耗率产生影响,然后根据厂家提供或电厂的耗差修正曲线查得每台抽汽机组的各个影响因素的热耗率修正系数Δ1,iΔ2,iΔ3i,…,Δ6i,Δ1,iΔ2,iΔ3i,…,Δ6i分别为每台抽汽机组的主蒸汽压力、主蒸汽温度、再热压力、再热蒸汽温度、给水温度及热力系统严密性的热耗率修正系数;并令θi=Δ1iΔ2iΔ3i…Δ6i,θi为热耗率修正系数,i为抽汽机组编号,i=1,2,…,n,n表示抽汽机组数目。
步骤203、实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各抽汽机组的热耗率。
进一步地,热负荷为抽汽量。
需要说明的是,本申请实施例中,热负荷用抽汽量来表征,步骤203与第一实施例中的步骤101一致,在此不再进行详细赘述。
步骤204、根据最大化消纳原则,建立第一约束条件和第二约束条件,第一约束条件为单个抽汽机组的热负荷和电负荷的约束条件,第二约束条件为所有抽汽机组的热负荷和电负荷的约束条件。
需要说明的是,步骤204与第一实施例中的步骤102一致,在此不再进行详细赘述。
步骤205、根据电负荷和热耗率建立热电负荷最优分配目标函数,基于遗传算法求解热电负荷最优分配目标函数满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整。
进一步地,遗传算法采用浮点数编码;
遗传算法的选择操作采用轮盘赌法;
遗传算法的交叉操作采用算数交叉法;
遗传算法的变异操作采用高斯近似变异。
需要说明的是,遗传算法是以自然选择和遗传理论为基础,将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的高效全局寻优搜索算法。遗传算法摒弃了传统的搜索方式,模拟生物界的进化过程,采用人工进化的方式对目标空间进行随机优化搜索。它将问题中的可能解看做是群体中的一个个体,并将每个编码编成符号串的形式,模拟达尔文的遗传选择和自然淘汰的进化过程,对群体反复进行基于遗传的操作(遗传、交叉、变异)。根据预定目标的目标适应度函数对每个个体进行评价,依据适者生存、优胜劣汰的进化规则,不断得到最优的群体,同时以全局并行搜索方式来搜寻优化群体中的最优个体,以求得满足条件的最优解。
遗传算法的一般过程是:设置初始种群,计算适应度,选择,交叉,变异,产生新种群,重新计算适应度,依次循环迭代,直到迭代次数达到初始设定值,遗传结束,得到的最后一代种群为最优种群,种群里的个体为最优个体。在本申请实施例中,优化的目的是使所有抽汽机组的总热耗率值最小,其中,热电负荷最优分配目标函数
实时获取每个抽汽机组的热负荷Qi和电负荷Pi,在新能源热和电得到最大化消纳的原则下,可以通过查实际热耗率曲线取得每个电负荷和热负荷相应的热耗率Ri(i∈[1,n]),通过Ri和热电负荷最优分配目标函数便可以计算出所有抽汽机组的总热耗率。
本申请实施例中的遗传算法优化过程示意图如图4所示,具体优化过程如下:
1、初始种群设定
由于遗传算法不能直接处理问题空间的参数,因此必须通过编码把要求问题的可行解表示成遗传空间的染色体或者个体。常用的编码方法有二进制编码,格雷码编码,多级参数编码,有序串编码等。由于本优化问题是多维、高精度要求的连续函数优化问题,使用二进制等编码来表示个体会有一些不利之处,在一些经典优化算法的研究中所总结的一些宝贵经验也就无法加以利用,也不便于处理非平凡的约束条件。为了克服二进制编码方法的缺点,本申请实施例采用浮点数编码。对于种群设置的要求,每个个体必须是该优化问题的可行解,这样优化才有实际意义。举例说明:如果热电负荷最优分配目标函数是一个纯数学的方程式,Pi、Qi的任意取值均是热电负荷最优分配目标函数的可行解,则编码过程只要生成一个2n*m的矩阵则能表示初始种群:
其中,m为设定的个体数目,Pi、Qi均为随机数。这样的编码称为为无约束编码。但是在实际过程中每个抽汽机组的电负荷和热负荷有上下界,即Qmax、Qmin和Pmax、Pmin,所有抽汽机组总体的电负荷和热负荷为定值,即
Qz=Q1+Q2+…+Qn=const
Pz=P1+P2+…+Pn=const
故电负荷和热负荷为等式约束条件,而遗传算法由于其随机性,很难解决等式约束,或者即使采用有约束的编码,则初始种群则是在一个限定条件下产生的,这样就违背了遗传算法模拟生物进化的原则,个体的随机性和多样性受到了限制,算法的优化效果会大打折扣。所以本申请实施例通过一系列的变换解决了等式约束的问题,并且能保证优化出来的最终个体均为最优解。
已知第一约束条件为:
Qz=Q1+Q2+…+Qn=const
Pz=P1+P2+…+Pn=const,
即所有抽汽机组的总热负荷Qz和总电负荷Pz分别为常数,其取值方法如下:在非供热期,总热负荷Qz取常数为零。而在多能源互补运行系统中,以新能源最大化消纳为原则,Pz为总需求电量Pall减掉风力实时最大发电量Pwind、光伏发电实时最大电量Psun1、太阳能热发电实时最大电量Psun2的剩余电量;而Qz为总需求热量Qall减掉太阳能储热Qsun的剩余所需热负荷。即
Pz=Pall-Pwind-Psun1-Psun2
Qz=Qall-Qsun
第二约束条件为:
Qi∈(Qmin,Qmax)
P∈(Pmin,Pmax),
即每台抽汽机组的最大最小电负荷分别为:P1min,P1max;P2min,P2max;...;Pnmin,Pnmax;最大最小热负荷分别为Q1min,Q1max;Q2min,Q2max;...;Qnmin,Qnmax。
为了要使编码满足抽汽机组运行的实际情况,即满足第一约束条件,本申请实施例将编码修改为对上述初始种群中前(n-1)个抽汽机组的电负荷和热负荷进行满足第二个约束条件的编码,而最后一个抽汽机组通过下式计算:
得到的初始种群为:
上式第n台抽汽机组为满足其电负荷最大值与最小值之差最大并且最大热负荷与最小热负荷不等的抽汽机组,即:
Pnmax-Pnmin>Pimax-Pimin
Qnmax-Qnmin≠0,
Pnmax,Pnmin表示被选出来的第n台抽汽机组的最大电负荷与最小电负荷;Pimax,Pimin表示剩余抽汽机组的最大电负荷和最小电负荷;Qnmax,Qnmin表示被选出来的第n台抽汽机组的最大热负荷与最小热负荷。
这样不仅初始种群的设置时完全随机的,第一个约束条件也很好的满足了。但是对于第二约束条件,初始种群进行编码的时候不能很好的满足,也就是说,编码过程中会产生一些无意义的个体使得:
Pn<Pmin OR Pn>Pmax
Qn<Qmin OR Qn>Qmax,
因此需要在后面的优化的过程中尽量将这些个体舍去,剩下来的就是符合条件的个体。
2、适应度函数
适应度函数是用来区分群体中个体好坏的标准,是进行自然选择的唯一依据。热电负荷分配优化是求函数的最小值,遗传算法的优化目标是找到具有最大适应度的个体,故定义适应度函数ObjV定义如下:
1)对于符合条件的个体:Pmin<Pn<Pmax&Qmin<Qn<Qmax,
2)对于不符合条件的个体:
Pn<Pmin OR Pn>Pmax
Qn<Qmin OR Qn>Qmax,
采用指数尺度变换式(1)目标函数
其中:当Pn<Pmin时,
当Pn>Pmax时,
对于Qn同理可得:
当Qn<Qmin时,
当Qn>Qmax时,
对于βP、βQ同时存在时,β=max(βP,βQ),为抽汽机组在运行过程中的最大热耗率,通过电厂生产和试验数据得到。α为常系数,目标是使得当计算出的Pn,Qn超过设定阈值100%时,其适应度值大于满足条件下适应度值的100倍,即β=1,exp(α)>100;在本申请实施例中α取5。这样就能得出这样的结论,当通过种群计算出的最后一个抽汽机组的电负荷和热负荷Pn,Qn不满足条件时,其适应度值会根据其超出设定阈值的程度进行放大,超出越多,放大越厉害(指数增长)。这样在选择过程中,适应度小的个体将有很大的概率被淘汰掉,从而实现个体的优化选择,理想状况下得到最大适应度即总热耗率值最小的个体。
3、选择
选择操作从旧群体中以一定的概率选择优良个体组成新的种群,以繁殖得到下一代个体。个体被选中的概率跟适应度值有关,个体适应度越高,被选中的概率越大。本申请实施例采用轮盘赌法,即基于适应度比例的选择策略,个体被选中的概率为:
其中,Fi为该个体的适应度值,为所有个体适应度值之和。
4、交叉操作
由于本申请实施例采用浮点数编码,故相应的交叉策略选取算术交叉,是由两个个体的线性组合而产生出两个新的个体。假设在两个个体XA,XB之间进行算术交叉,则由算术运算后产生的两个新个体为:
X'A=aXB+(1-a)XA
X'B=aXA+(1-a)XB,
其中,a为一个参数,a可以是一个常数,也可以是由进化代数所决定的变量。本发明采用设置a为一个常数0.8。
5、变异
变异能够改善遗传算法的局部搜索能力并能维持种群的多样性。常用的变异策略有基本位变异,均匀变异,边界变异等。热电负荷分配问题是复杂的非线性问题,能有很好的效果接近最优解,但难以确定性得搜索到最优解,为了解决这个问题,本申请实施例中采用了高斯近似变异,能够改善遗传算法对重点搜索区域的局部搜索能力,并有一定概率使算法跳出局部极小点。具体操作时用符合均值为原有参数值,方差为原有参数值平方的正态分布的一个随机数来替换原有的基因值,由正态分布的特性可知,高斯变异也是重点搜索原有个体附近的局部区域。具体公式如下:
其中,q为原有基因值。
6、终止条件
遗传代数达到50代时,遗传过程自动终止,输出最优解和相应的最小总热耗率。
为了便于理解,请参阅图3,本申请提供了一种局域多能源互补运行综合优化配置方法的第三实施例,一种局域多能源互补运行综合优化配置方法,包括:
步骤301、获取抽汽机组实际热耗率公式,抽汽机组实际热耗率公式为对抽汽机组在机组背压变化工况下的实际耗热率曲线。
需要说明的是,抽汽机组的抽汽工况一般为抽汽机组在冬季(4月份至9月份)的大抽汽工况,根据试验得到每台机组的实际热耗率曲线;如图6所示,以功率P和机组背压M为自变量,热耗率值R为因变量的一组曲线,即
第1台抽汽机组:R1=f(P1,M1);
第2台抽汽机组:R2=f(P2,M2);
……
第n台抽汽机组:Rn=f(Pn,Mn)。
步骤302、获取各抽汽机组的热耗率修正系数,根据热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式。
需要说明的是,步骤302与本申请第二实施例中的步骤202一致,在此不再进行详细赘述。
步骤303、实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各抽汽机组的热耗率。
进一步地,热负荷为机组背压。
需要说明的是,本申请实施例中,热负荷用机组背压来表征,步骤203与第一实施例中的步骤101一致,在此不再进行详细赘述。
步骤304、根据最大化消纳原则,建立第一约束条件和第二约束条件,第一约束条件为单个抽汽机组的热负荷和电负荷的约束条件,第二约束条件为所有抽汽机组的热负荷和电负荷的约束条件。
需要说明的是,本申请实施例中,用机组背压代替抽汽量表征热负荷,步骤204与第一实施例中的步骤102一致,在此不再进行详细赘述。
步骤305、根据电负荷和热耗率建立热电负荷最优分配目标函数,基于遗传算法求解热电负荷最优分配目标函数满足所有抽汽机组的总热耗率值最小时,各抽汽机组的电负荷值和热负荷值,根据各电负荷值和各热负荷值对对应的抽汽机组进行电负荷调整和热负荷调整。
进一步地,遗传算法采用浮点数编码;
遗传算法的选择操作采用轮盘赌法;
遗传算法的交叉操作采用算数交叉法;
遗传算法的变异操作采用高斯近似变异。
需要说明的是,本申请实施例中,用机组背压代替抽汽量表征热负荷,步骤305与第二实施例中的步骤205一致,在此不再进行详细赘述。可以理解的是,本申请实施例中,在本申请提供的三个实施例的基础上,还可以同时用抽汽量和机组背压表征热负荷,具体实施过程本申请不再做详细赘述。
本申请实施例中提供的局域多能源互补运行综合优化配置方法,可应用于分区调度的局域微网多能源互补运行综合优化配置,不仅能够在不同季节时发电、供热的复杂变化工况,而且还能够适应新能源发电和储热实时变化,对局域微网进行精细化实时调度优化。在整个优化过程中,利用了耗差分析,充分考虑了机组抽汽和冷凝器背压变化等多个因素对热耗率的影响,充分提高了优化结果的准确性,最大化提高整个多能源系统的运行经济性。
本申请实施例中还提供了一种局域多能源互补运行综合优化配置设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述的局域多能源互补运行综合优化配置方法实施例中的局域多能源互补运行综合优化配置方法。
本申请实施例中还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行前述的局域多能源互补运行综合优化配置方法实施例中的局域多能源互补运行综合优化配置方法。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种局域多能源互补运行综合优化配置方法,其特征在于,包括:
实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各所述抽汽机组的热耗率;
根据最大化消纳原则,建立第一约束条件和第二约束条件,所述第一约束条件为单个所述抽汽机组的热负荷和电负荷的约束条件,所述第二约束条件为所有所述抽汽机组的热负荷和电负荷的约束条件;
根据所述电负荷和所述热耗率建立热电负荷最优分配目标函数,基于遗传算法求解所述热电负荷最优分配目标函数满足所有所述抽汽机组的总热耗率值最小时,各所述抽汽机组的电负荷值和热负荷值,根据各所述电负荷值和各所述热负荷值对对应的所述抽汽机组进行电负荷调整和热负荷调整。
2.根据权利要求1所述的局域多能源互补运行综合优化配置方法,其特征在于,所述热负荷为抽汽量。
3.根据权利要求1所述的局域多能源互补运行综合优化配置方法,其特征在于,所述热负荷为机组背压。
4.根据权利要求2所述的局域多能源互补运行综合优化配置方法,其特征在于,所述实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各所述抽汽机组的热耗率,之前还包括:
获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式。
5.根据权利要求4所述的局域多能源互补运行综合优化配置方法,其特征在于,所述获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式,之前还包括:
获取抽汽机组实际热耗率公式,所述抽汽机组实际热耗率公式为对抽汽机组在抽汽工况下的实际耗热率曲线。
6.根据权利要求3所述的局域多能源互补运行综合优化配置方法,其特征在于,所述实时获取各抽汽机组的热负荷和电负荷,根据预置热耗率公式计算各所述抽汽机组的热耗率,之前还包括:
获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式。
7.根据权利要求6所述的局域多能源互补运行综合优化配置方法,其特征在于,所述获取各所述抽汽机组的热耗率修正系数,根据所述热耗率修正系数对抽汽机组实际热耗率公式进行耗差修正,得到预置热耗率公式,之前还包括:
获取抽汽机组实际热耗率公式,所述抽汽机组实际热耗率公式为对抽汽机组在机组背压变化工况下的实际耗热率曲线。
8.根据权利要求1至7中任一项所述的局域多能源互补运行综合优化配置方法,其特征在于,所述遗传算法采用浮点数编码;
所述遗传算法的选择操作采用轮盘赌法;
所述遗传算法的交叉操作采用算数交叉法;
所述遗传算法的变异操作采用高斯近似变异。
9.一种局域多能源互补运行综合优化配置设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的局域多能源互补运行综合优化配置方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-8任一项所述的局域多能源互补运行综合优化配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080422.7A CN109800918A (zh) | 2019-01-28 | 2019-01-28 | 一种局域多能源互补运行综合优化配置方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080422.7A CN109800918A (zh) | 2019-01-28 | 2019-01-28 | 一种局域多能源互补运行综合优化配置方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800918A true CN109800918A (zh) | 2019-05-24 |
Family
ID=66560589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910080422.7A Pending CN109800918A (zh) | 2019-01-28 | 2019-01-28 | 一种局域多能源互补运行综合优化配置方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800918A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543977A (zh) * | 2019-08-14 | 2019-12-06 | 上海电力大学 | 一种基于多元负荷平准化视角的区域建筑群混合优化方法 |
CN112146156A (zh) * | 2020-09-07 | 2020-12-29 | 华北电力大学 | 一种含电锅炉的电厂多模式灵活性运行方法及系统 |
CN112712204A (zh) * | 2020-12-29 | 2021-04-27 | 华润电力技术研究院有限公司 | 火电企业电热负荷优化分配方法、装置、设备及存储介质 |
CN113266868A (zh) * | 2021-04-15 | 2021-08-17 | 国电汉川发电有限公司 | 一种多机组协同供热的热负荷智能分配控制系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622530A (zh) * | 2012-04-24 | 2012-08-01 | 华电能源股份有限公司哈尔滨第三发电厂 | 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法 |
CN104571068A (zh) * | 2015-01-30 | 2015-04-29 | 中国华电集团科学技术研究总院有限公司 | 一种分布式能源系统的运行优化控制方法及系统 |
CN105790309A (zh) * | 2016-04-26 | 2016-07-20 | 贵州电网有限责任公司 | 利用分布式能源和临时附加电价协同优化控制的方法 |
CN109002947A (zh) * | 2018-10-29 | 2018-12-14 | 哈尔滨工业大学 | 一种区域多能源系统热电负荷分配优化方法 |
-
2019
- 2019-01-28 CN CN201910080422.7A patent/CN109800918A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622530A (zh) * | 2012-04-24 | 2012-08-01 | 华电能源股份有限公司哈尔滨第三发电厂 | 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法 |
CN104571068A (zh) * | 2015-01-30 | 2015-04-29 | 中国华电集团科学技术研究总院有限公司 | 一种分布式能源系统的运行优化控制方法及系统 |
CN105790309A (zh) * | 2016-04-26 | 2016-07-20 | 贵州电网有限责任公司 | 利用分布式能源和临时附加电价协同优化控制的方法 |
CN109002947A (zh) * | 2018-10-29 | 2018-12-14 | 哈尔滨工业大学 | 一种区域多能源系统热电负荷分配优化方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543977A (zh) * | 2019-08-14 | 2019-12-06 | 上海电力大学 | 一种基于多元负荷平准化视角的区域建筑群混合优化方法 |
CN110543977B (zh) * | 2019-08-14 | 2023-08-08 | 上海电力大学 | 一种基于多元负荷平准化视角的区域建筑群混合优化方法 |
CN112146156A (zh) * | 2020-09-07 | 2020-12-29 | 华北电力大学 | 一种含电锅炉的电厂多模式灵活性运行方法及系统 |
CN112712204A (zh) * | 2020-12-29 | 2021-04-27 | 华润电力技术研究院有限公司 | 火电企业电热负荷优化分配方法、装置、设备及存储介质 |
CN113266868A (zh) * | 2021-04-15 | 2021-08-17 | 国电汉川发电有限公司 | 一种多机组协同供热的热负荷智能分配控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800918A (zh) | 一种局域多能源互补运行综合优化配置方法和设备 | |
CN102622530B (zh) | 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法 | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN108206543B (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN104239981B (zh) | 一种基于多目标优化算法的能源动态平衡与优化调度方法 | |
CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
Memon et al. | An overview of optimization techniques used for sizing of hybrid renewable energy systems | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
Jafarian-Namin et al. | Forecasting the wind power generation using Box–Jenkins and hybrid artificial intelligence: A case study | |
CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN110363353A (zh) | 一种分布式综合能源系统的优化设计和调度方法及系统 | |
Wei et al. | Forecasting the daily natural gas consumption with an accurate white-box model | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN115409396A (zh) | 基于双层滚动优化的综合能源系统多时间尺度调度方法 | |
CN106503466A (zh) | 电锅炉与太阳能联合供热系统的设备容量配置方法及装置 | |
CN109978276A (zh) | 火电厂机群多台供热机组热电负荷分配的在线优化方法 | |
CN113191086A (zh) | 一种基于遗传算法的电采暖热负荷需求优化方法及系统 | |
CN114400698A (zh) | 一种高比例清洁能源电网电源最优降碳运行方法 | |
Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
CN115374692A (zh) | 一种用于区域综合能源系统的双层优化调度决策方法 | |
CN109902743A (zh) | 一种风电机组输出功率预测方法 | |
CN113255224A (zh) | 一种基于发光萤火虫算法的能源系统配置优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |