CN110119855A - 一种气电耦合系统运行优化方法 - Google Patents
一种气电耦合系统运行优化方法 Download PDFInfo
- Publication number
- CN110119855A CN110119855A CN201910500700.XA CN201910500700A CN110119855A CN 110119855 A CN110119855 A CN 110119855A CN 201910500700 A CN201910500700 A CN 201910500700A CN 110119855 A CN110119855 A CN 110119855A
- Authority
- CN
- China
- Prior art keywords
- population
- sample
- pneumoelectric
- current time
- max
- 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 35
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 92
- 239000003345 natural gas Substances 0.000 claims abstract description 42
- 239000007789 gas Substances 0.000 claims abstract description 36
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims abstract description 24
- 238000010353 genetic engineering Methods 0.000 claims abstract description 17
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005057 refrigeration Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical group [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000031709 bromination Effects 0.000 description 2
- 238000005893 bromination reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种气电耦合系统运行优化方法，包括下列步骤：数据读取步骤、样本生成步骤、种群样本数判定步骤、最大种群代数设定步骤、种群样本计算步骤、种群样本判定步骤、遗传操作步骤、种群代数判定步骤和输出最优解步骤；通过基于天然气负荷和电负荷的实时需求,对能源进行优化管理，基于能源集线器概念建立能源中心模型，能源中心模型中含变压器、热电联产机组、燃气锅炉、热泵和溴化锂机组在内的能源转换设备以提供灵活的能流路径选择，并以气电耦合系统运行成本最小为目标，计及设备容量、网络潮流在内约束条件。
Description
技术领域
本发明涉及能源集成优化领域的一种气电耦合系统运行优化方法。
背景技术
开发新能源、提高能源利用率和可再生能源的消纳能力，是解决日趋严峻的能源和环境问题的关键，这对多种能源的集成优化提出了迫切需求。
多能互补是根据不同的资源状况和用能对象，使用多种能源相互补充，以缓解某种能源紧张的供需矛盾。文献《Optimal power flow of multi-pleenergy carriers》提出了能源集线器的概念，根据用户对电、热、冷多能负荷的需求，对多个易于控制的能源，如燃气轮机、空调、热泵等进行转换、储能等环节组成的能源中心进行能源的优化分配，以满足用户经济、环保等的需求。基于该理论，文献《Modeling and simulation of multi-vectorenergy systems》搭建了多个不同结构的能量中心模型，并应用在电-气耦合系统中，研究其对电网电压调节的可行性。文献《区域综合能源系统多目标最优混合潮流算法》考虑了三相不平衡配电系统、天然气管网和能源中心的相关约束，根据实时电价以运行经济成本最小和污染排放最小为目标，提出了多目标最优潮流算法。上述研究在对气电耦合系统分析和优化调度时均基于能源集线器概念，但建立的能源中心模型中不同设备的分配系数固定、能流路径单一，而在考虑实时能源价格的需求响应下，不同设备的能源转换特性和前后互动机制为其能源分配提供了优化空间。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种气电耦合系统运行优化方法，其能够快速准确实现气电耦合系统运行成本最小为目标。
实现上述目的的一种技术方案是：一种气电耦合系统运行优化方法，包括下列步骤：
数据读取步骤：将种群样本数x清零，并读取气电耦合系统的系统参数；
样本生成步骤：随机生成当前时刻热负荷的分配系数v1,x和当前时刻电负荷的分配系数v3,x，得到一个初始样本，依据数据读取步骤中读取的气电耦合系统的系统参数，计算该初始样本的运行成本；
约束条件判定步骤：判定该初始样本是否满足约束条件；
如果该初始样本不满足约束条件，则返回样本生成步骤；
如果该初始样本满足约束条件，则将该初始样本放入种群，作为该种群的一个种群样本，并令种群样本数x＝x+1；
种群样本数判定步骤：如果种群样本数x低于设定值，则返回样本生成步骤；如果种群样本数x达到设定值，则进入最大种群代数设定步骤；
最大种群代数设定步骤：设定最大种群代数y_max的数值，令种群代数y＝1，令种群中的各个种群样本的v1,x＝v1,x,y，v3,x＝v3,x,y；
种群样本计算步骤：依据数据读取步骤中读取的系统参数，计算种群中各个种群样本的运行成本F；
种群样本判定步骤：判定种群中的各个种群样本是否满足约束条件；
如果种群中的任意一个种群样本满足约束条件，则令该种群样本的适应度
如果种群中的任意一个种群样本不满足约束条件，则令该种群样本的适应度M＝0；
遗传操作步骤：保留种群中适应度M最大的种群样本，对种群中的剩余种群样本进行遗传操作，形成新的种群；
种群代数判定步骤：判定种群代数y是否大于y_max；
如果y≤y_max，则令y＝y+1，并返回种群样本计算步骤；
如果y>y_max，则进入输出最优解步骤；
输出最优解步骤：输出遗传操作步骤中保留的种群样本。
进一步的，数据读取步骤中读取的气电耦合系统的系统参数包括：变压器的效率ηT、热电联产机组的发电效率热电联产机组的发热效率燃气锅炉的热效率ηB、热泵的能效系数ηC、溴化锂机组的能效系数ηD、甲烷的热值gCH4、当前时刻电负荷需求Le、当前时刻冷负荷需求Lc、当前时刻热负荷需求Lh、当前时刻天然气负荷需求Lg、当前时刻电价Ce和当前时刻天然气价格Cg；
通过耦合矩阵以及公式计算得到该初始样本的输入侧的电功率Pe和该初始样本的输入侧的天然气功率Pg；
依据公式Gg＝Pg/gCH4，得到该初始样本的需购入的天然气流量Gg；
依据公式F＝CePe+CgGg，计算该初始样本的运行成本F。
再进一步的，约束条件判定步骤中的约束条件包括能源中心模型约束条件：
Pg(1-v1,x)≤SA；Pgv1,x≤SB；
以及
其中SA为热电联产机组的容量，SB为燃气锅炉的容量，SC为热泵的容量，SD为溴化锂机组的容量，Pe,max为购入电功率的上限,Gg,max为购入的天然气流量的上限；v2,x为当前时刻冷负荷的分配系数，计算公式为：
更进一步的，种群样本判定步骤中的约束条件包括能源中心模型约束条件：
Pg(1-v1,x,y)≤SA；Pgv1,x,y≤SB；
以及
其中，
更进一步的，约束条件判定步骤和种群样本判定步骤中的约束条件还包括：
节点电压约束：Ui,min≤Ui≤Ui,max；
支路功率约束：Sij,min≤Sij≤Sij,max，其中j∈i；
天然气节点压力约束ph,min≤ph≤ph,max；
天然气管道流量约束fn,min≤fn,t≤fn,max；
Ui,min、Ui,max分别为气电耦合系统中电网节点i的电压幅值上限和电压幅值下限；Ui为气电耦合系统中电网节点i的当前时刻电压幅值；Sij,min和Sij,max分别为气电耦合系统中连接电网节点i和电网节点j线路段允许的功率上限和功率下限；Sij为当前时刻电耦合系统中连接电网节点i和电网节点j线路段的功率值，j∈i表示电网节点j直接连接电网节点i，ph,min和ph,max分别为气电耦合系统中天然气管道节点h的压力上限和压力下限；ph为当前时刻气电耦合系统中天然气管道节点h的压力；fn,min和fn,max分别为当前时刻气电耦合系统中天然气管道n的流量上限和流量下限；fn为当前时刻气电耦合系统中天然气管道n的流量。
进一步的，种群样本数x的设定值为50。
进一步的，遗传操作步骤中的遗传操作为交叉操作和/或变异操作。
进一步的，该方法的进行频率为1小时一次。
采用了本发明的一种气电耦合系统运行优化方法的技术方案，包括下列步骤：数据读取步骤：将种群样本数x清零，并读取气电耦合系统的系统参数；样本生成步骤：随机生成当前时刻热负荷的分配系数v1,x和当前时刻电负荷的分配系数v3,x，得到一个初始样本，依据数据读取步骤中读取的气电耦合系统的系统参数，计算该初始样本的运行成本；约束条件判定步骤：判定该初始样本是否满足约束条件；如果该初始样本不满足约束条件，则返回样本生成步骤；如果该初始样本满足约束条件，则将该初始样本放入种群，作为该种群的一个种群样本，并令种群样本数x＝x+1；种群样本数判定步骤：如果种群样本数x低于设定值，则返回样本生成步骤；如果种群样本数x达到设定值，则进入最大种群代数设定步骤；最大种群代数设定步骤：设定最大种群代数y_max的数值，令种群代数y＝1，令种群中的各个种群样本的v1,x＝v1,x,y，v3,x＝v3,x,y；种群样本计算步骤：依据数据读取步骤中读取的系统参数，计算种群中各个种群样本的运行成本F；种群样本判定步骤：判定种群中的各个种群样本是否满足约束条件；如果种群中的任意一个种群样本满足约束条件，则令该种群样本的适应度如果种群中的任意一个种群样本不满足约束条件，则令该种群样本的适应度M＝0；遗传操作步骤：保留种群中适应度M最大的种群样本，对种群中的剩余种群样本进行遗传操作，形成新的种群；种群代数判定步骤：判定种群代数y是否等于y_max；如果y≤y_max，则令y＝y+1，并返回种群样本计算步骤；如果y>y_max，则进入输出最优解步骤；输出最优解步骤：输出遗传操作步骤中保留的种群样本。其技术效果是：快速准确实现气电耦合系统运行成本最小为目标，计及设备容量、网络潮流在内的约束条件。
附图说明
图1为能源中心模型结构图。
图2为本发明的一种气电耦合系统运行优化方法中遗传算法的流程图。
图3为一种气电耦合系统运行优化方法的流程图。
图4为适应度进化曲线图。
图5为本发明的一种气电耦合系统运行优化方法购能成本与传统方法对比图。
图6为电负荷需求变化图。
图7能源中心模型负荷需求变化图。
图8为气电耦合系统结构图。
具体实施方式
请参阅图1至图8，本发明的发明人为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例，并结合附图进行详细地说明：
请参阅图1，本发明的一种气电耦合系统运行优化方法考虑气电耦合系统中变压器、热电联产机组(CHP)、燃气锅炉、热泵和溴化锂机组在内的能源转换设备最优能流路径的气电耦合，以及气电耦合系统运行优化方法。考虑到实时电价和天然气价格的需求响应，首先基于能源集线器理论建立含变压器、热电联产机组、燃气锅炉、热泵和溴化锂机组在内的能源转换设备的能源中心模型，通过对能源的实时调配确定最优的能流路径；以系统购能成本最小为目标，计及设备容量约束、网络潮流约束建立最优潮流数学模型，应用遗传算法进行求解。
考虑时变的电负荷需求、冷负荷需求、热负荷需求和天然气负荷需求，基于Newton—Raphson算法对气电耦合系统进行解耦的潮流计算，验证了所建立能源中心模型可提高系统运行的经济性，并得到不同时刻最优的能流路径并分析其变化原因。
本发明的一种气电耦合系统运行优化方法，包含下列模型：
电力网络潮流模型:
电力网络潮流方程如下：
其中,Pi ele和分别为当前时刻电网节点i由外界注入的有功功率和无功功率；j∈i表示电网节点j为所有与电网节点i直接连接的电网节点；Ui表示电网节点i当前时刻的电压幅值,Uj表示电网节点j当前时刻的电压幅值,Gij和Bij分别为节点导纳矩阵的实部和虚部；θij为当前时刻电网节点i和电网节点j的电压相角差。
电力网络潮流模型的约束条件包括:
节点电压约束:Ui,min≤Ui≤Ui,max；
式中，Ui,min和Ui,max分别为电网节点i电压幅值的上限和电压幅值下限；
支路功率约束:Sij,min≤Sij≤Sij,max；
式中，Sij,min和Sij,max分别为气电耦合系统中连接电网节点i和电网节点j间线路段允许的功率上限和功率下限。
天然气管网模型
天然气管网可基于电路中的基尔霍夫电流定律，任意一个天然气管道接节点h的载荷等于流入流量和流出流量的总和,即:G＝AF；式中，G为所有节点的载荷列向量；F为支路管道的流量列向量，由所有管道流量方程组成；A为支路—节点关联矩阵。
天然气管网中，管道流量方程可近似为管道系数和管道间压力降的函数，即：
式中，ph和pl分别为当前时刻天然气管道节点h的压力和当前时刻天然气管道节点l的压力，fn为天然气管道节点h和天然气管道节点l间的天然气管道n的流量；Thl在ph>pl时候为1，否则为-1；K为天然气管道节点h和天然气管道节点l间管道的管道常数。
天然气管网模型的约束条件包括：
节点压力约束：ph,min≤ph≤ph,max；
ph,min和ph,max分别为天然气管道节点h的压力上限和压力下限。
管道流量约束：fn,min≤fn≤fn,max；
fn,min和fn,max分别为天然气管道节点h和天然气管道节点l间管道n的流量限的上和流量下限。
能源中心模型
负荷侧的能源消费环节包括变压器、热电联产机组、燃气锅炉、热泵和溴化锂机组在内的能源转换设备、短距离的供能网络、分布式电源等。在负荷侧基于能源集线器概念建立的能源中心模型通过耦合矩阵表述不同形式能源的转换关系，其对通过能源转换设备的能流仅通过功率和效率进行表征。
能源中心模型中电能和天然气通过耦合元件的转换来满足用户对多种能源负荷的需求，热电联产机组设定为定热比机组，冷热能源通过溴化锂机组进行交互，能流路径通过分配系数进行表征，电驱动型热泵可以根据冬夏两季冷热负荷的差异来改变工作状态，提高系统运行的灵活性，热泵应用于夏季供冷。
能源中心模型的数学表达式如下：
Le为当前时刻的电负荷需求、Lc为当前时刻的冷负荷需求、Lh为当前时刻的热负荷需求，Lg为当前时刻的天然气负荷需求。Pe为当前时刻输入侧的电功率。
令v1为当前时刻热负荷的分配系数、v2为当前时刻冷负荷的分配系数、v3为当前时刻电负荷的分配系数；，Pg为当前时刻输入侧的天然气功率。
矩阵X为耦合矩阵，由分配系数和能量转换元件的效率，即气电耦合系统的系统参数决定，系统参数包括：变压器的效率ηT、热电联产机组的发电效率热电联产机组的发热效率燃气锅炉的热效率ηB、热泵的能效系数ηC、溴化锂机组的能效系数ηD、甲烷的热值gCH4、当前时刻电负荷需求Le、当前时刻冷负荷需求Lc、当前时刻热负荷需求Lh、当前时刻天然气负荷需求Lg、当前时刻电价Ce和当前时刻天然气价格Cg；矩阵X为：
由矩阵X可知，热负荷与电能供应无直接耦合关系，故可将热负荷和冷负荷并为一项。
由方程组可得当前时刻冷负荷的分配系数v2和热负荷的分配系数v1的关系如下：
简化后的矩阵X的数学表达式：
由公式和公式可得到Gg＝Pg/gCH4可得到输入侧的电功率Pe和输入侧的天然气功率Pg。
依据公式Gg＝Pg/gCH4，得到需购入的天然气流量Gg。
能源中心内部约束的约束条件包括：
热电联产机组容量约束：Pg(1-v1)≤SA；其中SA为热电联产机组的容量，并不考虑其无功出力。
燃气锅炉容量约束：Pgv1≤SB，其中SB为燃气锅炉的容量。
热泵容量约束：其中SC为热泵的容量。
溴化锂机组容量约束：其中SD为溴化锂机组的容量。
分配系数约束：
供能约束：
Pe,max为购入电功率的上限,Gg,max为购入天然气流量的上限，主要由能源转换设备的容量和网络的安全约束所决定。
气电耦合系统最优潮流模型
以系统运行经济成本最小为目标构建气电耦合系统最优潮流数学模型，目标函数如下式所示：
minF＝CePe+CgGg；
目标函数分购电成本和购气成本两部分，式中Ce为当前时刻电价,Cg为当前时刻的天然气价格。输入侧的电功率Pe和需购入的天然气流量Gg均为当前时刻热负荷的分配系数v1和当前时刻电负荷的分配系数v3的函数，负荷的分配系数v1和当前时刻电负荷的分配系数v3作为待优化的决策变量，决定当前时刻能源中心模型的能流路径。
本发明的一种气电耦合系统运行优化方法，采用遗传算法求解，包括下列步骤：
数据读取步骤：将种群样本数x清零，读取气电耦合系统的系统参数，包括：变压器的效率ηT、热电联产机组的发电效率热电联产机组的发热效率燃气锅炉的热效率ηB、热泵的能效系数ηC、溴化锂机组的能效系数ηD、甲烷的热值gCH4、当前时刻电负荷需求Le、当前时刻冷负荷需求Lc、当前时刻热负荷需求Lh、当前时刻天然气负荷需求Lg、当前时刻电价Ce和当前时刻天然气价格Cg；
样本生成步骤：随机生成初始的当前时刻热负荷的分配系数v1,x和当前时刻电负荷的分配系数v3,x，得到一个初始样本，
依据数据读取步骤读取的系统参数，生成耦合矩阵：
以及公式计算得到该初始样本的输入侧的电功率Pe和该初始样本的输入侧的天然气功率Pg。
依据公式Gg＝Pg/gCH4,计算当前时刻所需购入的天然气流量Gg。
并求解该初始样本的运行成本，F＝CePe(v1,x,v3,x)+CgGg(v1,v3,x)。
约束条件判定步骤：判定该初始样本是否满足约束条件；
如果该初始样本不满足约束条件，则返回样本生成步骤；
如果该初始样本满足约束条件，则将该初始样本放入种群，作为该种群的一个种群样本，并令种群样本数x＝x+1；
其约束条件包括：能源中心模型约束条件：
Pg(1-v1,x)≤SA；Pgv1,x≤SB；
以及
其中SA为热电联产机组的容量，SB为燃气锅炉的容量，SC为热泵的容量，SD为溴化锂机组的容量，Pe,max为购入电功率的上限,Gg,max为购入的天然气流量的上限；
v2,x为当前时刻冷负荷的分配系数，计算公式为：
其约束条件还包括：节点电压约束：Ui,min≤Ui≤Ui,max；
支路功率约束：Sij,min≤Sij≤Sij,max，其中j∈i；
天然气节点压力约束ph,min≤ph≤ph,max；
天然气管道流量约束fn,min≤fn≤fn,max。
种群样本数判定步骤：如果种群样本数x低于设定值，则返回样本生成步骤；如果种群样本数x达到设定值，则进入最大种群代数设定步骤；设定值可以设为50。
最大种群代数设定步骤：设定最大种群代数y_max的数值，令种群代数y＝1，令种群中的各个种群样本的v1,x＝v1,x,y，v3,x＝v3,x,y。
种群样本计算步骤：依据数据读取步骤中读取的系统参数，计算种群中各个种群样本的运行成本；
依据数据读取步骤读取的气电耦合系统的系统参数，生成耦合矩阵：
以及公式计算得到各个种群样本的输入侧的电功率Pe和各个种群样本的输入侧的天然气功率Pg。
依据公式Gg＝Pg/gCH4,计算当前时刻各个种群样本所需购入的天然气流量Gg。
并求解各个种群样本运行成本F。
种群样本判定步骤：判定种群中的各个种群样本是否满足约束条件；
如果种群中的任意一个种群样本满足约束条件，则令该种群样本的适应度
如果种群中的任意一个种群样本不满足约束条件，则令该种群样本的适应度M＝0；
种群样本判定步骤中的约束条件包括能源中心模型约束条件：
Pg(1-v1,x,y)≤SA；Pgv1,x,y≤SB；
以及
其中，
种群判定步骤中的约束条件还包括：
支路功率约束：Sij,min≤Sij≤Sij,max，其中j∈i；
天然气节点压力约束ph,min≤ph≤ph,max；
天然气管道流量约束fn,min≤fn,t≤fn,max。
遗传操作步骤：保留种群中适应度M最大的种群样本，对种群中的剩余种群样本随机进行遗传操作，形成新的种群。
遗传操作包括交叉操作和变异操作。其中交叉操作是种群中任意两个样本之间交换v1,x,y和v3,x,y中的任意一个元素。变异操作为种群中任意一个样本重新生成v1,x,y和v3,x,y中任意一个元素的值。
种群代数判定步骤：判定种群代数y是否大于y_max；
如果y≤y_max，则令y＝y+1，并返回种群样本计算步骤；
如果y>y_max，则进入输出最优解步骤；
输出最优解步骤：输出遗传操作步骤中保留的种群样本。
本发明的一种气电耦合系统运行优化方法可通过对能源的实时调配确定最优的能流路径；以系统购能成本最小为目标，计及设备容量约束、网络潮流约束建立最优潮流数学模型，应用遗传算法进行求解；考虑时变的负荷需求，基于Newton—Raphson算法对电气耦合系统进行解耦的潮流计算，并排除了畸形个体，使种群中每个个体都是有效解，提高对离散型优化问题求解的速度。
以上实施例是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (8)
1.一种气电耦合系统运行优化方法，包括下列步骤：
数据读取步骤：将种群样本数x清零，并读取气电耦合系统的系统参数；
样本生成步骤：随机生成当前时刻热负荷的分配系数v1,x和当前时刻电负荷的分配系数v3,x，得到一个初始样本，依据数据读取步骤中读取的气电耦合系统的系统参数，计算该初始样本的运行成本；
约束条件判定步骤：判定该初始样本是否满足约束条件；
如果该初始样本不满足约束条件，则返回样本生成步骤；
如果该初始样本满足约束条件，则将该初始样本放入种群，作为该种群的一个种群样本，并令种群样本数x＝x+1；
种群样本数判定步骤：如果种群样本数x低于设定值，则返回样本生成步骤；如果种群样本数x达到设定值，则进入最大种群代数设定步骤；
最大种群代数设定步骤：设定最大种群代数y_max的数值，令种群代数y＝1，令种群中的各个种群样本的v1,x＝v1,x,y，v3,x＝v3,x,y；
种群样本计算步骤：依据数据读取步骤中读取的系统参数，计算种群中各个种群样本的运行成本F；
种群样本判定步骤：判定种群中的各个种群样本是否满足约束条件；
如果种群中的任意一个种群样本满足约束条件，则令该种群样本的适应度
如果种群中的任意一个种群样本不满足约束条件，则令该种群样本的适应度M＝0；
遗传操作步骤：保留种群中适应度M最大的种群样本，对种群中的剩余种群样本进行遗传操作，形成新的种群；
种群代数判定步骤：判定种群代数y是否大于y_max；
如果y≤y_max，则令y＝y+1，并返回种群样本计算步骤；
如果y>y_max，则进入输出最优解步骤；
输出最优解步骤：输出遗传操作步骤中保留的种群样本。
2.根据权利要求1所述的一种气电耦合系统运行优化方法，其特征在于：数据读取步骤中读取的气电耦合系统的系统参数包括：变压器的效率ηT、热电联产机组的发电效率热电联产机组的发热效率燃气锅炉的热效率ηB、热泵的能效系数ηC、溴化锂机组的能效系数ηD、甲烷的热值gCH4、当前时刻电负荷需求Le、当前时刻冷负荷需求Lc、当前时刻热负荷需求Lh、当前时刻天然气负荷需求Lg、当前时刻电价Ce和当前时刻天然气价格Cg；
通过耦合矩阵以及公式计算得到该初始样本的输入侧的电功率Pe和该初始样本的输入侧的天然气功率Pg；
依据公式Gg＝Pg/gCH4，得到该初始样本的需购入的天然气流量Gg；
依据公式F＝CePe+CgGg，计算该初始样本的运行成本F。
3.根据权利要求2所述的一种气电耦合系统运行优化方法，其特征在于：约束条件判定步骤中的约束条件包括能源中心模型约束条件：
Pg(1-v1,x)≤SA；Pgv1,x≤SB；
以及
其中SA为热电联产机组的容量，SB为燃气锅炉的容量，SC为热泵的容量，SD为溴化锂机组的容量，Pe,max为购入电功率的上限,Gg,max为购入的天然气流量的上限；v2,x为当前时刻冷负荷的分配系数，计算公式为：
4.根据权利要求3所述的一种气电耦合系统运行优化方法，其特征在于：种群样本判定步骤中的约束条件包括能源中心模型约束条件：
Pg(1-v1,x,y)≤SA；Pgv1,x,y≤SB；
以及
其中，
5.根据权利要求3所述的一种气电耦合系统运行优化方法，其特征在于：约束条件判定步骤和种群样本判定步骤中的约束条件还包括：
节点电压约束：Ui,min≤Ui≤Ui,max；
支路功率约束：Sij,min≤Sij≤Sij,max，其中j∈i；
天然气节点压力约束ph,min≤ph≤ph,max；
天然气管道流量约束fn,min≤fn,t≤fn,max；
Ui,min、Ui,max分别为气电耦合系统中电网节点i的电压幅值上限和电压幅值下限；Ui为气电耦合系统中电网节点i的当前时刻电压幅值；Sij,min和Sij,max分别为气电耦合系统中连接电网节点i和电网节点j线路段允许的功率上限和功率下限；Sij为当前时刻电耦合系统中连接电网节点i和电网节点j线路段的功率值，j∈i表示电网节点j直接连接电网节点i，ph,min和ph,max分别为气电耦合系统中天然气管道节点h的压力上限和压力下限；ph为当前时刻气电耦合系统中天然气管道节点h的压力；fn,min和fn,max分别为当前时刻气电耦合系统中天然气管道n的流量上限和流量下限；fn为当前时刻气电耦合系统中天然气管道n的流量。
6.根据权利要求1所述的一种气电耦合系统运行优化方法，其特征在于：种群样本数x的设定值为50。
7.根据权利要求1所述的一种气电耦合系统运行优化方法，其特征在于：遗传操作步骤中的遗传操作为交叉操作和/或变异操作。
8.根据权利要求1所述的一种气电耦合系统运行优化方法，其特征在于：该方法的进行频率为1小时一次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910500700.XA CN110119855A (zh) | 2019-06-11 | 2019-06-11 | 一种气电耦合系统运行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910500700.XA CN110119855A (zh) | 2019-06-11 | 2019-06-11 | 一种气电耦合系统运行优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110119855A true CN110119855A (zh) | 2019-08-13 |
Family
ID=67524087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910500700.XA Pending CN110119855A (zh) | 2019-06-11 | 2019-06-11 | 一种气电耦合系统运行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119855A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681130A (zh) * | 2020-06-15 | 2020-09-18 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
| CN112182913A (zh) * | 2020-10-27 | 2021-01-05 | 国网江苏省电力有限公司经济技术研究院 | 一种能源集线器收益优化方法 |
| CN112529277A (zh) * | 2020-12-02 | 2021-03-19 | 清华大学 | 一种基于资源调配的热电耦合系统灾前预防方法 |
-
2019
- 2019-06-11 CN CN201910500700.XA patent/CN110119855A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681130A (zh) * | 2020-06-15 | 2020-09-18 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
| CN111681130B (zh) * | 2020-06-15 | 2024-04-16 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
| CN112182913A (zh) * | 2020-10-27 | 2021-01-05 | 国网江苏省电力有限公司经济技术研究院 | 一种能源集线器收益优化方法 |
| CN112529277A (zh) * | 2020-12-02 | 2021-03-19 | 清华大学 | 一种基于资源调配的热电耦合系统灾前预防方法 |
| CN112529277B (zh) * | 2020-12-02 | 2022-06-17 | 清华大学 | 一种基于资源调配的热电耦合系统灾前预防方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Two-stage optimal operation of integrated energy system considering multiple uncertainties and integrated demand response | |
| Wang et al. | Planning and operation method of the regional integrated energy system considering economy and environment | |
| Wang et al. | Economic and efficient multi-objective operation optimization of integrated energy system considering electro-thermal demand response | |
| Li et al. | Optimal scheduling of integrated demand response-enabled integrated energy systems with uncertain renewable generations: A Stackelberg game approach | |
| Guo et al. | Optimal operation of regional integrated energy system considering demand response | |
| Wang et al. | Automatic and linearized modeling of energy hub and its flexibility analysis | |
| Pan et al. | Optimal design and operation of multi-energy system with load aggregator considering nodal energy prices | |
| Gu et al. | Bi-level optimal low-carbon economic dispatch for an industrial park with consideration of multi-energy price incentives | |
| Liu et al. | Coordinated operation of multi-integrated energy system based on linear weighted sum and grasshopper optimization algorithm | |
| Du et al. | Coordinated energy dispatch of autonomous microgrids with distributed MPC optimization | |
| CN106447122A (zh) | 一种区域型能源互联网及其一体化优化规划方法 | |
| Zhang et al. | A multi-step modeling and optimal operation calculation method for large-scale energy hub model considering two types demand responses | |
| Zhang et al. | Collaborative optimization for multiple energy stations in distributed energy network based on electricity and heat interchanges | |
| CN110119855A (zh) | 一种气电耦合系统运行优化方法 | |
| CN110110897A (zh) | 一种考虑不同储能运行策略的综合能源系统优化方法 | |
| Liu et al. | Energy management method of integrated energy system based on collaborative optimization of distributed flexible resources | |
| CN112564102B (zh) | 多微网负荷优化调度方法和系统 | |
| CN105955931A (zh) | 面向高密度分布式光伏消纳的区域能源网络优化调度方法 | |
| Ruan et al. | Operation strategy optimization of combined cooling, heating, and power systems with energy storage and renewable energy based on deep reinforcement learning | |
| Li et al. | Optimization of dynamic dispatch for multiarea integrated energy system based on hierarchical learning method | |
| Yang et al. | Coordination and optimization of CCHP microgrid group game based on the interaction of electric and thermal energy considering conditional value at risk | |
| Liang et al. | Optimal scheduling of cooling and power combined supply system for tropical renewable microgrids | |
| Wang et al. | Flexibility-based improved model of multi-energy hubs using linear weighted sum algorithm | |
| Jia et al. | Optimal operation of multi-energy systems in distributed energy network considering energy storage | |
| Gao et al. | Multi-energy sharing optimization for a building cluster towards net-zero energy system |
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 |