CN110333660A - 一种冷热电联供系统多目标优化方法 - Google Patents

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

一种冷热电联供系统多目标优化方法

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

S_bat,min<S_bat<S_bat,max

0<P_bat,c<S_bat,额定·γ_bat,c

0<P_bat,d<S_bat,额定·γ_bat,d

P_bat,c·P_bat,d＝0

其中，S_bat,max为最大储能量；S_bat,额定为蓄电池额定容量；S_bat,min为最小储能量；γ_bat,c为蓄电池最大充电倍率；γ_bat,d为最大放电倍率；P_bat,c为蓄电池充电功率；P_bat,d为蓄电池放电功率。

步骤三中，蓄热装置约束为：

W_hs,min<W_hs<W_hs,max

Q_hs,c·Q_hs,d＝0

其中，W_hs,min为最小储热量；W_hs,max为最大储热量；W_hs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；Q_hs,c为蓄热功率；Q_hs,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P_best，如果是，将fit(i)赋给P_best，x_i赋给P_i；否则，P_i、P_best不变；

(15)比较当前每个粒子的适应值fit(i)和全局极值g_best，如果fit(i)<g_best，x_i赋给P_g，对应位置为全局最优位置，将fit(i)赋给g_best，否则P_g、g_best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P_g＝（p_g1,p_g2,…p_gn)进行混沌优化，将P_g,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，ω_min为最小惯性权重，ω_max为最大惯性权重，t为当前迭代步数，t_max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，Q_MT(t)为微型燃气轮机的排气余热量；P_MT(t)为微型燃气轮机的电功率输出；η_e为微型燃气轮机的发电效率，η_l为微型燃气轮机的散热损失系数；a_i、b_i、c_i和d_i均为微燃机发电效率参数；V_MT(t)为微燃机在t时刻发电消耗的天然气量；L_HVNG为天然气低热值。

建立余热锅炉数学模型：

Q_MT-GB(t)＝Q_MTη_recCOP_heat

其中，Q_MT-GB(t)为微燃机余热锅炉输出热量；η_rec为微型燃气轮机烟气余热回收效率；COP_hegt为余热回收制热系数。

建立燃气锅炉数学模型：

其中，V_GB(t)为t时刻锅炉消耗的天然气体积；Q_GB(t)为t时刻锅炉提供的热功率；η_GB(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：

S_bat(t)＝(1-σ)S_bat(t-1)+η_bat,cP_bat,c(t)Δt-P_bat,d(t)Δt/η_bat,d

其中，S_bat(t)为t时刻蓄电池的储能量，S_bat(t-1)为t-1时刻蓄电池的储能量；σ为自放电效率；η_bat,c和η_bat,d为电储能设备充放电效率；P_bat,c(t)和P_bat,d(t)为t时刻储能设备充放电功率。

建立热储能模型：

W_hs(t)＝(1-γ)W_hs(t-1)+Q_hs,c(t)η_hs,cΔt-Q_hs,d(t)Δt/η_hs,d

其中，W_hs(t)为t热储能设备剩余容量，W_hs(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；η_hs,c和η_hs,d为热储能设备蓄放热效率；Q_hs,c(t)和Q_hs,d(t)为热储能设备蓄放热功率。

建立吸收式制冷机模型：

Q_ac＝Q_MTη_recCOP_cool

其中，Q_ac为微燃机吸收式制冷机制冷量；COP_cool为吸收式制冷机制冷系数；η_rec为烟气余热回收效率。

建立电制冷机模型：

Q_ec＝P_CCOP_e

其中，Q_ec为电制冷制冷量；P_C为电制冷机的消耗电量；COP_e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，F_gas为系统消耗天然气成本；F_OM为系统维护成本；F_SS为系统启停成本；F_grid为系统向电网购售电成本。

其中，P_MT(t)为微燃机发电量；Q_GB为燃气锅炉发出的热量；η_MT(t)为微燃机发电效率，η_GB为燃气锅炉制热效率。

F_OM(t)＝P_WTK_om,wt+P_PVK_om,pv+P_MTK_om,mt+Q_GBK_om,gb+P_batK_om,bat+P_hsK_om,hs+Q_acK_om,ac+Q_ecK_om,ec

其中，K_om,wt为风机维护系数；K_om,pv为光伏维护系数；K_om,mt为微燃机维护系数；K_om,gb为锅炉维护系数；K_om,bat为蓄电池维护系数；K_om,hs为蓄热维护系数；K_om,ac为吸收式制冷剂维护系数；K_om,ec为电制冷机维护系数。

F_SS(t)＝∑K_SS,i

判别各设备启停状态的判据为

其中，K_SS,i为设备i的单位时刻开停机成本；P_i(t)、P_i(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。

F_grid(t)＝P_gridbuy(t)J_gridbuy(t)-P_gridsell(t)J_gridsell(t)

其中，P_gridbuy(t)、J_gridbuy(t)分为时段t的系统向电网购电功率和购电价格；P_gridsell(t)、J_gridsell(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(PG_total)＝MIN(f(PG_C)+f(PG_S)+f(PG_N))

PG_total为单日污染物总排放量；PG_C为日碳化物排放量；PG_S为日硫化物排放量；PG_N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，Q_out为输出能量总量；Q_in(t)为输入能量总量；Q_ele为输出电能量；Q_heat为输出热能量；Q_cool为输出冷能量；P_gridsell为售电量；P_gridbuy为购电量；P_PV为光伏发电，P_WT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：

P_PV(t)+P_WT(t)+P_MT(t)+P_gridbuy(t)+P_ES,d(t)＝P_ES,c(t)+P_gridsell(t)+P_ec(t)+P_load(t)

其中：P_PV(t)、P_WT(t)、P_MT(t)、P_gridbuy(t)、P_ES,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；P_ES,c(t)、P_gridsell(t)、E_c(t)、P_load(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：

Q_rec,MT+Q_GB+Q_hs,d＝Q_hs,c+Q_C+Q_load

其中，Q_rec,MT为微燃机余热回收装置回收热量；Q_GB为燃气锅炉发出的热量；Q_hs,c为蓄热装置储存热量；Q_hs,d为蓄热装置放出热量；Q_C为吸收式制冷剂制冷所消耗的热；Q_load为热负荷需求量。

冷平衡：

Q_ac+Q_ec＝C_load

其中：Q_ec为电制冷机发出的冷能；Q_ac为吸收式制冷机输出的冷能，C_load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；

-R_down<P(t)-P(t-1)<R_up

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；

R_down和R_up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；

S_bat，min<S_bat<S_bat，max

0<P_bat,c<S_bat，额定·γ_bat,C

0<P_bat,d<S_bat，额定·_bat,d

P_bat,c·P_bat,d＝0

其中，S_bat,max为最大储能量；S_bat,额定为蓄电池额定容量；S_bat,min为最小储能量；γ_bat,c为蓄电池最大充电倍率；γ_bat,d为最大放电倍率；P_bat,c为蓄电池充电功率；P_bat,d为蓄电池放电功率。

5、蓄热装置约束；

W_hs,min<W_hs<W_hs,max

Q_hs,c·Q_hs,d＝0

其中，W_hs,min为最小储热量；W_hs,max为最大储热量；W_hs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；Q_hs,c为蓄热功率；Q_hs,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，ω_min、ω_max为最小、最大惯性权重；t、t_max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P_best，如果是，将fit(i)赋给P_best，x_i赋给P_i；否则，P_i、P_best不变；

(5)比较当前每个粒子的适应值fit(i)和全局极值g_best，如果fit(i)<g_best，x_i赋给P_g，对应位置为全局最优位置，将fit(i)赋给g_best，否则P_g、g_best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P_g＝(p_g1,p_g2,…p_gn)进行混沌优化，将P_g,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

S_bat,min<S_bat<S_bat,max

0<P_bat,c<S_bat,额定·γ_bat,c

0<P_bat,d<S_bat,额定·γ_bat,d

P_bat,c·P_bat,d＝0

其中，S_bat,max为最大储能量；S_bat,额定为蓄电池额定容量；S_bat,min为最小储能量；γ_bat,c为蓄电池最大充电倍率；γ_bat,d为最大放电倍率；P_bat,c为蓄电池充电功率；P_bat,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：

W_hs,min<W_hs<W_hs,max

Q_hs,c·Q_hs,d＝0

其中，W_hs,min为最小储热量；W_hs,max为最大储热量；W_hs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；Q_hs,c为蓄热功率；Q_gs,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P_best，如果是，将fit(i)赋给P_best，x_i赋给P_i；否则，P_i、P_best不变；

(5)比较当前每个粒子的适应值fit(i)和全局极值g_best，如果fit(i)<g_best，x_i赋给P_g，对应位置为全局最优位置，将fit(i)赋给g_best，否则P_g、g_best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P_g＝(p_g1,p_g2,…p_gn)进行混沌优化，将P_g,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，ω_min为最小惯性权重，ω_max为最大惯性权重，t为当前迭代步数，t_max为最大迭代步数。