CN110333660A - 一种冷热电联供系统多目标优化方法 - Google Patents
一种冷热电联供系统多目标优化方法 Download PDFInfo
- Publication number
- CN110333660A CN110333660A CN201910690396.XA CN201910690396A CN110333660A CN 110333660 A CN110333660 A CN 110333660A CN 201910690396 A CN201910690396 A CN 201910690396A CN 110333660 A CN110333660 A CN 110333660A
- Authority
- CN
- China
- Prior art keywords
- bat
- power generation
- generation system
- cooling heating
- power
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种冷热电联供系统多目标优化方法,本发明对存在冷负荷、热负荷和电负荷三种能源的耦合系统,建立系统模型和设备运行约束、负荷平衡等约束,综合考虑了冷热电联供系统的经济性、环保性、能源利用率,提出基于Tent映射的混沌搜索和非线性自适应粒子群算法相结合的优化算法,该算法在收敛速度和收敛精度方面都具有良好的性能,非线性递减自适应权重使得算法在初期具有较强的全局搜索能力,后期局部搜索能力更强。而基于Tent映射的混沌搜索具有遍历性,比现有映射的混沌搜索产生的混沌序列更加均匀,具有更高的搜索效率,在对于冷热电联供系统的优化求解中,可以避免求解结果过早陷入局部最优解,导致未能输出最优解。
Description
技术领域
本发明属于冷热电联供系统优化领域,具体涉及一种冷热电联供系统多目标优化方法。
背景技术
随着能源问题越来越受到重视,除了经济性能外,节能性和环保性成为考量能源系统新的重要指标。冷热电联供,属于多能源系统的范畴,是多能源主要的发展方向和形式,它是一种建立在能量梯级利用的基础上的综合供、用能系统,分散在用户负荷侧,首先利用一次能源驱动燃气轮机、内燃机等动力设备供电,再运用余热利用技术、余热驱动制冷技术如吸收式制冷技术、吸附式制冷技术等对余热进行回收利用,实现系统对用户的电、热、冷三种形式的能量供应。冷热电联供,可以实现降低系统的能源成本、提高系统的能源利用率、增强系统的供能可靠性、节能环保多功能目标具有良好的经济效益。而新能源发电近年来发展迅速,得到了广泛应用,以风力发电和光伏发电为典型代表。将新能源发电与冷热电联供系统相结合,在提高能源的利用率和节能率的同时,达到较好的环境效益。
将智能优化算法应用在冷热电联供系统的优化调度上,可以发挥智能算法在解决多约束的复杂问题上的优势。常见的智能算法有遗传算法、粒子群算法、模拟退火算法等,一些已经在工业生产中得到了应用。但典型的智能算法在实际应用过程中有收敛速度慢,精度差,容易陷入局部最优解,导致算法停滞的问题,在进行冷热电联供系统优化求解过程中,未能找到最优解,导致系统经济成本、环境效益和能源利用率等未能达到最优效果。
发明内容
本发明的目的在于克服上述不足,提供一种冷热电联供系统多目标优化方法,基于Tent映射的混沌搜索和非线性自适应粒子群相结合的优化算法,用以多能源系统的优化,适用于设备种类多,能源形式多的情况。
为了达到上述目的,本发明包括以下步骤:
步骤一,冷热电联供系统的组成设备包括电能设备、冷能设备和热能设备,根据冷热电联供系统的组成设备,建立组成设备的数学模型;
步骤二,根据数学模型分析冷热电联供系统的优化评价指标,确定冷热电联供系统优化运行的优化变量和目标函数,并采用加权法将多目标优化函数转化为单一优化目标函数,分析建立冷热电联供系统优化调度模型;
步骤三,建立冷热电联供系统优化运行的约束条件;
步骤四,通过非线性自适应粒子群算法,并引入采用Tent映射的混沌搜索,对加入约束条件的冷热电联供系统优化调度模型进行优化求解,实现系统的调度优化。
步骤二中,评价指标包括经济运行成本、污染物排放量和能源利用率。
步骤三中,约束条件包括功率平衡约束、设备出力约束、设备爬坡速率约束、蓄电池运行约束和蓄热装置约束。
步骤三中,功率平衡约束包括电平衡约束、热平衡约束和冷平衡约束;
电平衡约束为发电、蓄电设备和电负荷需求量及电制冷机消耗电量的平衡;
热平衡约束为微燃机余热回收制热量、燃气锅炉发出的热量和蓄热装置储存热量与蓄热装置放出热量、吸收式制冷机制冷所消耗的热量和热负荷需求量的平衡;
冷平衡为电制冷机发出的冷能、吸收式制冷机输出的冷能和冷负荷需求量的平衡。
步骤三中,设备出力约束为:
其中,分别为风机、光伏、微燃机、燃气锅炉的输出最大功率。
步骤三中,设备爬坡速率约束为在某一时间的电负荷功率应小于最大向上爬坡速率,并大于最大向下爬坡速率。
步骤三中,蓄电池运行约束为
Sbat,min<Sbat<Sbat,max
0<Pbat,c<Sbat,额定·γbat,c
0<Pbat,d<Sbat,额定·γbat,d
Pbat,c·Pbat,d=0
其中,Sbat,max为最大储能量;Sbat,额定为蓄电池额定容量;Sbat,min为最小储能量;γbat,c为蓄电池最大充电倍率;γbat,d为最大放电倍率;Pbat,c为蓄电池充电功率;Pbat,d为蓄电池放电功率。
步骤三中,蓄热装置约束为:
Whs,min<Whs<Whs,max
Qhs,c·Qhs,d=0
其中,Whs,min为最小储热量;Whs,max为最大储热量;Whs为蓄热装置储热量;为蓄热装置最大储热功率;为蓄热装置最大放热功率;Qhs,c为蓄热功率;Qhs,d为放热功率。
步骤四中,采用混沌搜索的非线性自适应粒子群算法的具体步骤如下:
(11)设定种群规模,最大迭代次数,学习因子;
(12)随机初始化粒子群的速度和位置;
(13)对每个粒子进行适应度fit(i)计算,得到目标函数值;
(14)比较当前每个粒子的适应值fit(i)是否优于个体极值Pbest,如果是,将fit(i)赋给Pbest,xi赋给Pi;否则,Pi、Pbest不变;
(15)比较当前每个粒子的适应值fit(i)和全局极值gbest,如果fit(i)<gbest,xi赋给Pg,对应位置为全局最优位置,将fit(i)赋给gbest,否则Pg、gbest不变;
(16)按照速度、位置更新公式产生新一代的粒子;
(17)按照Tent映射公式对最优位置Pg=(pg1,pg2,…pgn)进行混沌优化,将Pg,i(i=1,2,…n)按照映射到Tent方程定义域[0,1],用Tent方程迭代产生混沌序列再把产生的混沌序列通过逆映射返回到原解空间,得到
(18)对每一个在原解空间进行适应度计算,保留适应度最好的可行解P*;
(19)从当前群体中随机选出一个粒子用P*替代;
(20)重复(4)~(9),直到满足设定的最小误差或者达到最大迭代次数,停止搜素,输出全局最优位置。
步骤四中,粒子群算法采用一种非线性的自适应惯性权重使得ω前期较大,具有较好的全局搜索能力。在后期ω较小,局部搜素能力强。其更新公式如下:
其中,ωmin为最小惯性权重,ωmax为最大惯性权重,t为当前迭代步数,tmax为最大迭代步数。
与现有技术相比,本发明存在冷负荷、热负荷和电负荷三种能源的耦合,建立系统模型和设备运行约束、负荷平衡等约束,综合考虑了冷热电联供系统的经济性、环保性、能源利用率,提出基于Tent映射的混沌搜索和非线性自适应粒子群算法相结合的优化算法,该算法在收敛速度和收敛精度方面都具有良好的性能,非线性递减自适应权重使得算法在初期具有较强的全局搜索能力,后期局部搜索能力更强。而基于Tent映射的混沌搜索具有遍历性,比常用的Logistic映射的混沌搜索产生的混沌序列更加均匀,具有更高的搜索效率,在对于冷热电联供系统的优化求解中,可以避免算法停顿,使求解结果过早陷入局部最优解。
附图说明
图1是本发明的流程图;
图2是冷热电联供系统结构图;
图3是本发明相比其他算法对测试函数Ackley的收敛曲线;
图4是本发明相比其他算法对测试函数Rastrigin的收敛曲线。
具体实施方式
下面结合附图对本发明作进一步说明。
参见图1和图2,本发明包括以下步骤:
步骤一,建立冷热电联供系统的设备模型;
冷热电联供系统的组成设备包括微燃气轮机及余热锅炉、燃气锅炉、吸收式制冷机、电制冷机、风力发电机、光伏发电机、电储能、热储能。建模过程如下:
建立微燃气轮机的数学模型:
其中,QMT(t)为微型燃气轮机的排气余热量;PMT(t)为微型燃气轮机的电功率输出;ηe为微型燃气轮机的发电效率,ηl为微型燃气轮机的散热损失系数;ai、bi、ci和di均为微燃机发电效率参数;VMT(t)为微燃机在t时刻发电消耗的天然气量;LHVNG为天然气低热值。
建立余热锅炉数学模型:
QMT-GB(t)=QMTηrecCOPheat
其中,QMT-GB(t)为微燃机余热锅炉输出热量;ηrec为微型燃气轮机烟气余热回收效率;COPhegt为余热回收制热系数。
建立燃气锅炉数学模型:
其中,VGB(t)为t时刻锅炉消耗的天然气体积;QGB(t)为t时刻锅炉提供的热功率;ηGB(t)为t时刻锅炉的热效率。
建立风力和光伏发电机模型:
由于风力发电和光伏发电具有随机性,其输出功率按照预测功率。
建立电储能模型:
Sbat(t)=(1-σ)Sbat(t-1)+ηbat,cPbat,c(t)Δt-Pbat,d(t)Δt/ηbat,d
其中,Sbat(t)为t时刻蓄电池的储能量,Sbat(t-1)为t-1时刻蓄电池的储能量;σ为自放电效率;ηbat,c和ηbat,d为电储能设备充放电效率;Pbat,c(t)和Pbat,d(t)为t时刻储能设备充放电功率。
建立热储能模型:
Whs(t)=(1-γ)Whs(t-1)+Qhs,c(t)ηhs,cΔt-Qhs,d(t)Δt/ηhs,d
其中,Whs(t)为t热储能设备剩余容量,Whs(t-1)为t-1时刻热储能设备剩余容量;γ为热储能设备自放热率;ηhs,c和ηhs,d为热储能设备蓄放热效率;Qhs,c(t)和Qhs,d(t)为热储能设备蓄放热功率。
建立吸收式制冷机模型:
Qac=QMTηrecCOPcool
其中,Qac为微燃机吸收式制冷机制冷量;COPcool为吸收式制冷机制冷系数;ηrec为烟气余热回收效率。
建立电制冷机模型:
Qec=PCCOPe
其中,Qec为电制冷制冷量;PC为电制冷机的消耗电量;COPe为电制冷机制冷系数。
步骤二,分析冷热电联供系统的优化评价指标,确定冷热电联供系统优化运行的优化变量和目标函数,并采用加权法将多目标优化函数转化为单一优化目标函数。分析建立冷热电联供系统优化调度模型。
建立冷热电联供系统的多目标优化函数:
min s=ω1F1+ω2F2+ω3F3
其中,F1、F2、F3分别为经济成本、环境成本、能源利用率,ω1、ω2、ω3为各优化指标的权重系数。
经济成本:
其中,Fgas为系统消耗天然气成本;FOM为系统维护成本;FSS为系统启停成本;Fgrid为系统向电网购售电成本。
其中,PMT(t)为微燃机发电量;QGB为燃气锅炉发出的热量;ηMT(t)为微燃机发电效率,ηGB为燃气锅炉制热效率。
FOM(t)=PWTKom,wt+PPVKom,pv+PMTKom,mt+QGBKom,gb+PbatKom,bat+PhsKom,hs+QacKom,ac+QecKom,ec
其中,Kom,wt为风机维护系数;Kom,pv为光伏维护系数;Kom,mt为微燃机维护系数;Kom,gb为锅炉维护系数;Kom,bat为蓄电池维护系数;Kom,hs为蓄热维护系数;Kom,ac为吸收式制冷剂维护系数;Kom,ec为电制冷机维护系数。
FSS(t)=∑KSS,i
判别各设备启停状态的判据为
其中,KSS,i为设备i的单位时刻开停机成本;Pi(t)、Pi(t-1)分别为设备i在t时刻、(t-1)时刻的输出功率。本文模型中启停成本考虑设备有风机、微燃机和燃气锅炉。
Fgrid(t)=Pgridbuy(t)Jgridbuy(t)-Pgridsell(t)Jgridsell(t)
其中,Pgridbuy(t)、Jgridbuy(t)分为时段t的系统向电网购电功率和购电价格;Pgridsell(t)、Jgridsell(t)分别为时段t的系统向电网售电功率和售电价格。
环境成本:
F2=MIN(PGtotal)=MIN(f(PGC)+f(PGS)+f(PGN))
PGtotal为单日污染物总排放量;PGC为日碳化物排放量;PGS为日硫化物排放量;PGN为日氮化物排放量。
其中,分别为冷热电联供系统向公共电网购买电能所产生的碳、硫和氮化物;分别为微燃气轮机产生的碳、硫和氮化物;分别为燃气锅炉产生的碳、硫和氮化物;分别为吸收式制冷机排放的碳、硫和氮化物。
能源利用效率:
其中,Qout为输出能量总量;Qin(t)为输入能量总量;Qele为输出电能量;Qheat为输出热能量;Qcool为输出冷能量;Pgridsell为售电量;Pgridbuy为购电量;PPV为光伏发电,PWT为风力发电。
步骤三,建立冷热电联供系统优化运行的约束条件;
1、功率平衡约束;
电平衡:
PPV(t)+PWT(t)+PMT(t)+Pgridbuy(t)+PES,d(t)=PES,c(t)+Pgridsell(t)+Pec(t)+Pload(t)
其中:PPV(t)、PWT(t)、PMT(t)、Pgridbuy(t)、PES,d(t)分别为光伏发电、风力发电、微燃机发电、向电网购电和蓄电池放电;PES,c(t)、Pgridsell(t)、Ec(t)、Pload(t)分别为蓄电池充电、售电量、电制冷机耗电、电负荷需求。
热平衡:
Qrec,MT+QGB+Qhs,d=Qhs,c+QC+Qload
其中,Qrec,MT为微燃机余热回收装置回收热量;QGB为燃气锅炉发出的热量;Qhs,c为蓄热装置储存热量;Qhs,d为蓄热装置放出热量;QC为吸收式制冷剂制冷所消耗的热;Qload为热负荷需求量。
冷平衡:
Qac+Qec=Cload
其中:Qec为电制冷机发出的冷能;Qac为吸收式制冷机输出的冷能,Cload为冷能负荷。
2、设备出力约束;
其中,分别为风机、光伏、微燃机、燃气锅炉的输出最大功率。
3、设备爬坡速率约束;
-Rdown<P(t)-P(t-1)<Rup
其中,P(t)和P(t-1)分别为t和t-1时刻风机、光伏、微燃机、锅炉的功率;
Rdown和Rup分别为最大向下爬坡速率和最大向上爬坡速率。
4、蓄电池运行约束;
Sbat,min<Sbat<Sbat,max
0<Pbat,c<Sbat,额定·γbat,C
0<Pbat,d<Sbat,额定·bat,d
Pbat,c·Pbat,d=0
其中,Sbat,max为最大储能量;Sbat,额定为蓄电池额定容量;Sbat,min为最小储能量;γbat,c为蓄电池最大充电倍率;γbat,d为最大放电倍率;Pbat,c为蓄电池充电功率;Pbat,d为蓄电池放电功率。
5、蓄热装置约束;
Whs,min<Whs<Whs,max
Qhs,c·Qhs,d=0
其中,Whs,min为最小储热量;Whs,max为最大储热量;Whs为蓄热装置储热量;为蓄热装置最大储热功率;为蓄热装置最大放热功率;Qhs,c为蓄热功率;Qhs,d为放热功率。
步骤四,在MATLAB中,采用基于Tent映射的混沌搜索和自适应粒子群算法相结合的优化算法,输入相关参数,实现冷热电联供系统优化。
混沌优化不同于其他算法,它是利用自身运动的特点达到全局最优,而不是利用一定的概率公式来跳出局部最优。混沌搜索是先利用混沌变量映射到优化变量的区间后,再用混沌变量进行搜索。较常见的Logistic映射产生的混沌序列分布不均匀,会造成搜索时间的延长。而Tent映射分布函数是均匀的,产生的混沌序列对初值的敏感性不强。
Tent映射的数学模型为
在粒子群算法中,速度和位置更新公式如下
其中,惯性权重ω的取值会对算法性能的影响至关重要,本发明采用一种非线性递减的自适应惯性权重,其更新公式如下
其中,ωmin、ωmax为最小、最大惯性权重;t、tmax为当前迭代步数和最大迭代步数。该算法的自适应惯性权重随着算法迭代次数的增加逐渐减小,使得算法的性能由初期的全局搜索能力较强到后期局部发掘能力的增强。
自适应粒子群算法的具体如下:
(1)设定种群规模,最大迭代次数,学习因子;
(2)随机初始化粒子群的速度和位置;
(3)对每个粒子进行适应度fit(i)计算,得到目标函数值;
(4)比较当前每个粒子的适应值fit(i)是否优于个体极值Pbest,如果是,将fit(i)赋给Pbest,xi赋给Pi;否则,Pi、Pbest不变;
(5)比较当前每个粒子的适应值fit(i)和全局极值gbest,如果fit(i)<gbest,xi赋给Pg,对应位置为全局最优位置,将fit(i)赋给gbest,否则Pg、gbest不变;
(6)按照速度、位置更新公式产生新一代的粒子;
(7)按照Tent映射公式对最优位置Pg=(pg1,pg2,…pgn)进行混沌优化,将Pg,i(i=1,2,…n)按照映射到Tent方程定义域[0,1],用Tent方程迭代产生混沌序列再把产生的混沌序列通过逆映射返回到原解空间,得到
(8)对每一个在原解空间进行适应度计算,保留适应度最好的可行解P*;
(9)从当前群体中随机选出一个粒子用P*替代;
(10)重复(4)~(9),直到满足设定的最小误差或者达到最大迭代次数,停止搜素,输出全局最优位置。
从图3和图4可知,针对典型测试函数Ackley和Rastrigin函数的实验结果,基于混沌自适应的粒子群算法的收敛速度和精度要优于典型遗传(AGA)、粒子群(PSO)和自适应粒子群(APSO)算法。
Claims (10)
1.一种冷热电联供系统多目标优化方法,其特征在于,包括以下步骤:
步骤一,冷热电联供系统的组成设备包括电能设备、冷能设备和热能设备,根据冷热电联供系统的组成设备,建立组成设备的数学模型;
步骤二,根据数学模型分析冷热电联供系统的优化评价指标,确定冷热电联供系统优化运行的优化变量和目标函数,并采用加权法将多目标优化函数转化为单一优化目标函数,分析建立冷热电联供系统优化调度模型;
步骤三,建立冷热电联供系统优化运行的约束条件;
步骤四,通过非线性自适应粒子群算法,并引入采用Tent映射的混沌搜索,对加入约束条件的冷热电联供系统优化调度模型进行优化求解,实现系统的调度优化。
2.根据权利要求1所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤二中,评价指标包括经济运行成本、污染物排放量和能源利用率。
3.根据权利要求1所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤三中,约束条件包括功率平衡约束、设备出力约束、设备爬坡速率约束、蓄电池运行约束和蓄热装置约束。
4.根据权利要求3所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤三中,功率平衡约束包括电平衡约束、热平衡约束和冷平衡约束;
电平衡约束为发电、蓄电设备和电负荷需求量及电制冷机消耗电量的平衡;
热平衡约束为微燃机余热回收制热量、燃气锅炉发出的热量和蓄热装置储存热量与蓄热装置放出热量、吸收式制冷机制冷所消耗的热量和热负荷需求量的平衡;
冷平衡为电制冷机发出的冷能、吸收式制冷机输出的冷能和冷负荷需求量的平衡。
5.根据权利要求3所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤三中,设备出力约束为:
其中,分别为风机、光伏、微燃机、燃气锅炉的输出最大功率。
6.根据权利要求3所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤三中,设备爬坡速率约束为在某一时间的电负荷功率应小于最大向上爬坡速率,并大于最大向下爬坡速率。
7.根据权利要求3所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤三中,蓄电池运行约束为
Sbat,min<Sbat<Sbat,max
0<Pbat,c<Sbat,额定·γbat,c
0<Pbat,d<Sbat,额定·γbat,d
Pbat,c·Pbat,d=0
其中,Sbat,max为最大储能量;Sbat,额定为蓄电池额定容量;Sbat,min为最小储能量;γbat,c为蓄电池最大充电倍率;γbat,d为最大放电倍率;Pbat,c为蓄电池充电功率;Pbat,d为蓄电池放电功率。
8.根据权利要求3所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤三中,蓄热装置约束为:
Whs,min<Whs<Whs,max
Qhs,c·Qhs,d=0
其中,Whs,min为最小储热量;Whs,max为最大储热量;Whs为蓄热装置储热量;为蓄热装置最大储热功率;为蓄热装置最大放热功率;Qhs,c为蓄热功率;Qgs,d为放热功率。
9.根据权利要求1所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤四中,采用混沌搜索的非线性自适应粒子群算法的具体步骤如下:
(1)设定种群规模,最大迭代次数,学习因子;
(2)随机初始化粒子群的速度和位置;
(3)对每个粒子进行适应度fit(i)计算,得到目标函数值;
(4)比较当前每个粒子的适应值fit(i)是否优于个体极值Pbest,如果是,将fit(i)赋给Pbest,xi赋给Pi;否则,Pi、Pbest不变;
(5)比较当前每个粒子的适应值fit(i)和全局极值gbest,如果fit(i)<gbest,xi赋给Pg,对应位置为全局最优位置,将fit(i)赋给gbest,否则Pg、gbest不变;
(6)按照速度、位置更新公式产生新一代的粒子;
(7)按照Tent映射公式对最优位置Pg=(pg1,pg2,…pgn)进行混沌优化,将Pg,i(i=1,2,…n)按照映射到Tent方程定义域[0,1],用Tent方程迭代产生混沌序列再把产生的混沌序列通过逆映射返回到原解空间,得到
(8)对每一个在原解空间进行适应度计算,保留适应度最好的可行解P*;
(9)从当前群体中随机选出一个粒子用P*替代;
(10)重复(4)~(9),直到满足设定的最小误差或者达到最大迭代次数,停止搜素,输出全局最优位置。
10.根据权利要求1所述的一种冷热电联供系统多目标优化方法,其特征在于,步骤四中,粒子群算法采用一种非线性的自适应惯性权重使得ω前期较大,具有较好的全局搜索能力,在后期ω较小,局部搜素能力强,其更新公式如下:
其中,ωmin为最小惯性权重,ωmax为最大惯性权重,t为当前迭代步数,tmax为最大迭代步数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690396.XA CN110333660A (zh) | 2019-07-29 | 2019-07-29 | 一种冷热电联供系统多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690396.XA CN110333660A (zh) | 2019-07-29 | 2019-07-29 | 一种冷热电联供系统多目标优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110333660A true CN110333660A (zh) | 2019-10-15 |
Family
ID=68147857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690396.XA Pending CN110333660A (zh) | 2019-07-29 | 2019-07-29 | 一种冷热电联供系统多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110333660A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445107A (zh) * | 2020-03-02 | 2020-07-24 | 山东大学 | 冷热电联供型微电网多目标优化配置方法 |
CN112131712A (zh) * | 2020-08-27 | 2020-12-25 | 国电南瑞科技股份有限公司 | 客户侧多能源系统多目标优化方法和系统 |
CN112270456A (zh) * | 2020-12-22 | 2021-01-26 | 国网江西省电力有限公司电力科学研究院 | 一种热电联供系统多目标优化调度方法及装置 |
CN112907030A (zh) * | 2021-01-20 | 2021-06-04 | 国网山东省电力公司寿光市供电公司 | 一种考虑需求侧响应的能源中心配置方法及系统 |
CN113250768A (zh) * | 2021-06-17 | 2021-08-13 | 汉谷云智(武汉)科技有限公司 | 一种热电联产供热机组热电负荷优化方法 |
CN113392513A (zh) * | 2021-05-28 | 2021-09-14 | 国网河北省电力有限公司衡水供电分公司 | 冷热电联供系统多目标优化方法、装置及终端 |
CN113531575A (zh) * | 2021-06-16 | 2021-10-22 | 淮阴工学院 | 一种新型冷热电联供系统及其余热回收输出优化方法 |
US20210376605A1 (en) * | 2020-05-28 | 2021-12-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
CN115374999A (zh) * | 2022-07-06 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 一种适用制氢设备启停特性的水电制氢优化配置方法 |
CN115619145A (zh) * | 2022-10-14 | 2023-01-17 | 国网江苏省电力有限公司电力科学研究院 | 用于综合能源系统的协同控制方法、装置及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140163745A1 (en) * | 2012-12-12 | 2014-06-12 | Guangdong Electric Power Design Institute Of China Energy Engineering Group Co., Ltd. | Method for Optimizing the Configuration of Distributed CCHP System |
CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供系统优化运行的线性化方法 |
CN107957681A (zh) * | 2016-10-14 | 2018-04-24 | 华北电力大学(保定) | 一种研究冷热电联供微网环保经济调度的方法 |
CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
CN109523065A (zh) * | 2018-10-29 | 2019-03-26 | 西安理工大学 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
CN109615141A (zh) * | 2018-12-14 | 2019-04-12 | 广东电网有限责任公司 | 一种多能源系统并网优化调度方法及装置 |
-
2019
- 2019-07-29 CN CN201910690396.XA patent/CN110333660A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140163745A1 (en) * | 2012-12-12 | 2014-06-12 | Guangdong Electric Power Design Institute Of China Energy Engineering Group Co., Ltd. | Method for Optimizing the Configuration of Distributed CCHP System |
CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供系统优化运行的线性化方法 |
CN107957681A (zh) * | 2016-10-14 | 2018-04-24 | 华北电力大学(保定) | 一种研究冷热电联供微网环保经济调度的方法 |
CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
CN109523065A (zh) * | 2018-10-29 | 2019-03-26 | 西安理工大学 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
CN109615141A (zh) * | 2018-12-14 | 2019-04-12 | 广东电网有限责任公司 | 一种多能源系统并网优化调度方法及装置 |
Non-Patent Citations (2)
Title |
---|
FANG FANG 等: "A novel optimal operational strategy for the CCHP system based on two operating modes", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
张涛 等: "分布式冷热电能源系统优化设计及多指标综合评价方法的研究", 《中国电机工程学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445107B (zh) * | 2020-03-02 | 2023-06-13 | 山东大学 | 冷热电联供型微电网多目标优化配置方法 |
CN111445107A (zh) * | 2020-03-02 | 2020-07-24 | 山东大学 | 冷热电联供型微电网多目标优化配置方法 |
US11862973B2 (en) * | 2020-05-28 | 2024-01-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
US20210376605A1 (en) * | 2020-05-28 | 2021-12-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
CN112131712A (zh) * | 2020-08-27 | 2020-12-25 | 国电南瑞科技股份有限公司 | 客户侧多能源系统多目标优化方法和系统 |
CN112131712B (zh) * | 2020-08-27 | 2022-10-14 | 北京南瑞数字技术有限公司 | 客户侧多能源系统多目标优化方法和系统 |
CN112270456A (zh) * | 2020-12-22 | 2021-01-26 | 国网江西省电力有限公司电力科学研究院 | 一种热电联供系统多目标优化调度方法及装置 |
CN112907030A (zh) * | 2021-01-20 | 2021-06-04 | 国网山东省电力公司寿光市供电公司 | 一种考虑需求侧响应的能源中心配置方法及系统 |
CN112907030B (zh) * | 2021-01-20 | 2023-12-19 | 国网山东省电力公司寿光市供电公司 | 一种考虑需求侧响应的能源中心配置方法及系统 |
CN113392513A (zh) * | 2021-05-28 | 2021-09-14 | 国网河北省电力有限公司衡水供电分公司 | 冷热电联供系统多目标优化方法、装置及终端 |
CN113531575A (zh) * | 2021-06-16 | 2021-10-22 | 淮阴工学院 | 一种新型冷热电联供系统及其余热回收输出优化方法 |
CN113250768A (zh) * | 2021-06-17 | 2021-08-13 | 汉谷云智(武汉)科技有限公司 | 一种热电联产供热机组热电负荷优化方法 |
CN115374999A (zh) * | 2022-07-06 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 一种适用制氢设备启停特性的水电制氢优化配置方法 |
CN115619145A (zh) * | 2022-10-14 | 2023-01-17 | 国网江苏省电力有限公司电力科学研究院 | 用于综合能源系统的协同控制方法、装置及计算机设备 |
CN115619145B (zh) * | 2022-10-14 | 2024-03-19 | 国网江苏省电力有限公司电力科学研究院 | 用于综合能源系统的协同控制方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110333660A (zh) | 一种冷热电联供系统多目标优化方法 | |
Luo et al. | Multi-objective capacity optimization of a distributed energy system considering economy, environment and energy | |
CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
CN108183500B (zh) | 一种多能互补的农村微能网容量优化配置方法及装置 | |
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 | |
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 | |
CN111463836A (zh) | 一种综合能源系统优化调度方法 | |
CN112363395B (zh) | 一种负荷密集型城市智慧园区工业用户负荷建模方法 | |
CN106786509B (zh) | 大规模风电并网下基于多场景模拟的热-电联合调度方法 | |
CN108832656A (zh) | 基于电转气和可再生能源利用微能源网多目标规划方法 | |
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 | |
CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
CN110619110A (zh) | 一种含热泵的综合能源系统协调运行优化方法 | |
CN113255198B (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
CN111244939A (zh) | 一种计及需求侧响应的多能互补系统两级优化设计方法 | |
CN112668791A (zh) | 热电联供系统的优化方法 | |
CN109510241A (zh) | 工业园区风光燃储能能源的并网模式优化配置系统及方法 | |
CN112364556A (zh) | 基于多能互补的智慧能源优化配置方法及终端设备 | |
CN112600253A (zh) | 基于用能效率最优的园区综合能源协同优化方法及设备 | |
CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN116960959A (zh) | 多目标约束下客户侧综合能源系统运行优化方法及系统 | |
CN115936336B (zh) | 一种虚拟电厂容量配置与调控运行优化方法 | |
CN113822572B (zh) | 考虑能源共享和多风险的园区综合能源系统优化调度方法 | |
CN112561120B (zh) | 一种基于微电网参考日前市场出清系统优化运行方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191015 |