CN110555618A - 基于改进樽海鞘算法的网络化综合能源系统优化调度方法 - Google Patents

基于改进樽海鞘算法的网络化综合能源系统优化调度方法 Download PDF

Info

Publication number
CN110555618A
CN110555618A CN201910840599.2A CN201910840599A CN110555618A CN 110555618 A CN110555618 A CN 110555618A CN 201910840599 A CN201910840599 A CN 201910840599A CN 110555618 A CN110555618 A CN 110555618A
Authority
CN
China
Prior art keywords
energy
heat
energy system
comprehensive energy
comprehensive
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.)
Granted
Application number
CN201910840599.2A
Other languages
English (en)
Other versions
CN110555618B (zh
Inventor
王安娜
刘璟璐
王文慧
王兴宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201910840599.2A priority Critical patent/CN110555618B/zh
Publication of CN110555618A publication Critical patent/CN110555618A/zh
Application granted granted Critical
Publication of CN110555618B publication Critical patent/CN110555618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供一种基于改进樽海鞘算法的网络化综合能源系统优化调度方法，涉及综合能源系统互补优化调度技术领域。该方法首先对各个综合能源系统内部区域的能源设备建模，并结合综合能源系统内部区域各设备间与各综合能源系统间的四种能源流动关系，得到网络化综合能源系统；然后建立各综合能源系统的优化调度模型及约束条件；引入线性加权和算法对网络化综合能源系统中多个能源系统进行优化调度，在基本樽海鞘算法的基础上，采用斐波那契数列的迭代因子更新种群位置，应用避劣算法以改进寻优能力，获得最优解，实现对综合能源系统的优化调度。该方法对多个综合能源系统建模，并对优化调度问题进行求解，有效降低成本，减少可再生能源的废弃。

Description

基于改进樽海鞘算法的网络化综合能源系统优化调度方法
技术领域
本发明涉及综合能源系统互补优化调度技术领域，尤其涉及一种基于改进樽海鞘算法的网络化综合能源系统优化调度方法。
背景技术
近年来，能源消费结构愈发清洁化，消费需求趋于多样化。而传统能源系统依然存在能源供给结构转变缓慢、清洁化不足、价格非理性和供给动力不足等问题。为支撑国家的可持续经济发展，为应对化石能源逐渐枯竭及其造成的环境污染、气候变化等问题，集成包含新能源、可再生能源在内的新型电力系统、天然气系统和热力系统的综合能源系统发展模式被认为是能源领域的未来发展趋势。
随着各类能源需求的与日俱增，单一综合能源系统由于地域限制，自身机组的容量限制，已经不能满足大规模可再生能源的集成、大规模不确定性负荷的接入以及多种不同类型能源整合的要求。而网络化综合能源系统是将多个综合能源系统、电网、天然气网、热力网、能源输送网以及数据互联网络进行优化整合，形成的深度耦合的网络化模型。因而，网络化综合能源系统可以充分利用不同能源在时间尺度上的耦合机制，实现多能优势整合互补，能源梯级利用，有利于可再生能源大规模消纳，能够为系统提供更好的灵活性。
对于电、热、冷、气等不同类型能源，在进行能量交互时，系统的运行需要大规模的数据交互，一旦某一时段协调优化调度不合理，就会造成大量的能源消耗，增加能源生产成本。因此，有必要构建网络化综合能源系统模型及提出新的优化调度关键技术。
樽海鞘算法可用于网络化综合能源系统优化调度，具有易实现，全局搜索能力强等优点，但原有的樽海鞘算法也易陷入局部最小值，经过优化后的樽海鞘算法在局部寻优能力、收敛速度和搜索精度等方面都有很好的提高。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进樽海鞘算法的网络化综合能源系统优化调度方法，实现对综合能源系统的优化调度。
为解决上述技术问题，本发明所采取的技术方案是：基于改进樽海鞘算法的网络化综合能源系统优化调度方法，包括以下步骤：
步骤1、对各个综合能源系统内部区域的能源设备建模；
所述各个综合能源系统为住宅综合能源系统、商业综合能源系统、工业综合能源系统；
所述对能源设备建模包括对住宅能源系统内的热电联产机组CHP、燃气锅炉GB、吸收式制冷机AC和蓄电池ES的建模；对商业能源系统内的热泵HP、吸收式制冷机和热交换器HE的建模；对工业能源系统中的电转气装置P2G、压缩式制冷机CC、燃气锅炉和蓄热器TS的建模；
步骤2、给出综合能源系统内部区域各设备间与各综合能源系统间的冷、热、电、气四种能源流动关系，得到网络化综合能源系统；
所述的四种能源流动关系包括：
(1)综合能源系统内部区域各能源设备间的能源流动关系：
压缩式制冷机通过消耗电能产生冷能，吸收式制冷机将燃气锅炉产生的热能转换成冷能；燃气锅炉通过天然气进行制热产生的热能一部分通过吸收式制冷机进行制冷，一部分由蓄热器进行收集，一部分供给热负荷；热电联产机组产生电能和热能，热能由吸收式制冷机进行制冷；热泵消耗电能产生的热能与热交换器交换后的热能供给热负荷；电转气装置机组消耗电能产生天然气，蓄电池储存电能；
(2)各综合能源系统间的能源流动关系：
住宅能源系统产生的电能传送给商业能源系统与工业能源系统；工业能源系统产生的天然气传送给住宅能源系统；住宅能源系统与工业能源系统产生的热能传送给商业能源系统；
步骤3、建立各综合能源系统的优化调度模型；
所述建立的各综合能源系统的优化调度模型通过以下目标函数实现：
其中，fΦ是各综合能源系统的能量购买成本，Φ＝1，2，3，为电力价格，λG，net为天然气价格，λH，net为热力价格；分别为各综合能源系统通过公用电网、天然气网和热力网购买的电能、燃气能和热能；
步骤4、建立网络化综合能源系统约束条件；
所述建立网络化综合能源系统的约束条件包括：
1)电能平衡条件
电功率平衡约束方程：
其中，为综合能源系统在t时刻的电负荷，为t时刻热泵消耗的电功率，为压缩式制冷机在t时刻所消耗的电能，为t时刻电转气装置所需电能，和为综合能源系统间交换的电能，n，k＝1，2，3，为在t时刻从公用电网购买的电能，为光伏和风力涡轮机在t时刻输出的电能，ηCHP，GE为热电联产机组的发电效率，为热电联产机组t时刻所消耗的天然气量，为t时刻蓄电池的充放电功率；
2)热能平衡条件
热功率平衡约束方程：
其中，为综合能源系统在t时刻的热负荷，为吸收式制冷机在t时刻所需热量，为热交换器交换的热能，为在t时刻从热网购买电能，为蓄热器在t时刻所存储热能，为燃气锅炉在t时刻所消耗天然气，ηCHP，GH为热电联产机组热效率，ηGB，GH为燃气锅炉的热效率，ηHP，EH为热泵的热转换率，ηHE，HH为热交换器效率；
3)冷能平衡条件
冷功率平衡约束方程：
其中，为综合能源系统在t时刻的冷负荷，ηAC，EC为吸收式制冷机冷却转换效率，ηCC，EC为压缩式制冷机冷却转换效率；
4)天然气能平衡条件
天然气平衡约束方程：
其中，ηP2G，EG为电转气装置转换效率；
5)设备容量的约束条件
从公共电网购买电能量：
其中，为从公共电网购买的最小电能量，为从公共电网购买的最大电能量；
从天然气网购买天然气量：
其中，为从天然气网购买的最小天然气量，为从公共电网购买的最大天然气量；
从热力网购买热能量：
其中，为从热力网购买的最小热能量，为从热力网购买的最大热能量；
热泵：
其中，为热泵最小热电功率，为从热泵的最大电功率；
电转气机组：
其中，为电转气机组所需最小电能，为电转气机组所需最大电能；
热电联产机组：
其中，为热电联产机组所消耗最小天然气量，为热电联产机组所消耗的最大天然气量；
燃气锅炉：
其中，为燃气锅炉所消耗的最小天然气量，为燃气锅炉所消耗的最大天然气量；
压缩式制冷机：
其中，为压缩式制所消耗的最小电能，为压缩式制冷机所消耗的最大电能；
吸收式制冷机：
其中，为吸收式制冷机所消耗的最小电能，为吸收式制冷机所消耗的最大电能；
热交换器：
其中，为从热交换器输出的最小热能量，为从热交换器输出的最大热能量；
蓄电池：
其中，为蓄电池的最大充电量，为蓄电池的最大放电量；为蓄电池的剩余电量，为蓄电池的最小剩余电量，为从蓄电池的最大剩余电量；
蓄热器：
其中，为蓄热器的最大储热量，为蓄热器的最大放热量；为蓄热器的剩余热量，为蓄热器的最小剩余热量，为蓄热器输出的最大剩余热量；
步骤5、引入线性加权和算法对网络化综合能源系统中多个能源系统进行优化调度，在基本樽海鞘算法的基础上，采用斐波那契数列的迭代因子更新种群位置，应用避劣算法以改进寻优能力，获得最优解，实现对综合能源系统的优化调度，具体方法为：
步骤5.1、首先利用线性加权和算法将住宅综合能源系统、商业区综合能源系统和工业综合能源系统三个系统的协同优化问题结合为单目标优化问题，如下公式所示：
其中，f为各综合能源系统购买电、气、热的总成本，ωΦ为加权和系数；通过调整加权和系数，得到不同的总成本；
步骤5.2、种群位置初始化；
使各综合能源系统购买电、气、热的初始数量对应樽海鞘种群的初始位置；同时，樽海鞘种群的初始位置也是每一个樽海鞘的当前最佳位置，即局部最优值；使各综合能源系统购买电、气、热的总成本对应樽海鞘种群的目标函数，即适应度值，同时，所述目标函数也是种群当前最佳位置，即全局最优值；
初始化樽海鞘种群个体数量为n，搜索空间上限为下限为搜索维度为D，则樽海鞘的种群位置随机初始化为如下公式所示：
其中，为第i个樽海鞘在j维度的种群位置，i＝1，...，n，j＝1，...，D；
步骤5.3、将随机初始化的樽海鞘种群位置进行一次适应度值计算，通过升序排序将种群适应度最优所对应的樽海鞘的位置定义为食物的位置，该樽海鞘的适应度定义为食物的适应度；
步骤5.4、种群领导者位置更新；将种群适应度最优所对应的樽海鞘定义为食物的位置将并种群适应度值最优的第一个樽海鞘作为领导者，进行位置更新，如下公式所示：
其中，为适应度值最优的第一个樽海鞘在j维度的种群位置，c2和c3为随机数，c1由如下公式确定：
其中，为斐波那契数列(Fibonacci sequence)，又称黄金分割数列，l为当前迭代次数，l＝2，...，L，L为最大迭代次数；搜索初期，樽海鞘快速向食物移动；搜索后期，c1从大逐渐减小，樽海鞘在食物所在区域内精细搜索；
步骤5.5、采用避劣算法更新种群跟随者位置；
将种群中除适应度值最优的第一个樽海鞘外的其他樽海鞘作为跟随者，采用避劣算法进行位置更新，如下公式所示：
其中，为第i-1只樽海鞘的适应度值，为第i只樽海鞘的适应度值，i＝2，...，n，c4＞1为影响因子；
步骤5.6、重复执行步骤5.4-5.5，当存在某只樽海鞘的适应度值小于种群的最佳适应度时，用其替代原来种群的最佳适应度；在满足网络化综合能源系统约束条件限制条件的基础上，达到最大迭代次数时，更新完后的适应度值即为综合能源系统的最小购买电、气、热的总成本；其对应的樽海鞘种群的位置即为综合能源系统购买电、气、热的优化数量；通过比较不同线性加权和系数下对应的优化总成本，当存在某个加权和系数组合的总成本小于当前加权和系数组合的总成本时，用其替代原来的最佳总成本；进而得到最终优化调度结果，从而实现综合能源系统的最优调度。
采用上述技术方案所产生的有益效果在于：本发明提供的基于改进樽海鞘算法的网络化综合能源系统优化调度方法，由电网、天然气网、热力网和多个综合能源系统构建网络化综合能源系统模型，该模型引入互补机制，实现不同综合能源系统间的热、电、气互补协调；该模型与现有普通的单一区域内的综合能源系统模型相比，通过引入多个综合能源系统实现多能耦合互补来进一步提高地区内自身调节能力；充分利用地区内各区域间的能源互补，使每个区域中的冷、热、电、气负荷都得到满足，且各个区域中没有出现大面积弃热、弃电等浪费能源的状况。同时，提出一种改进的樽海鞘算法，采用斐波那契数列的迭代因子更新樽海鞘算法中种群位置，应用避劣算法以改进寻优能力，引入线性加权和算法对多个综合能源系统优化调度问题进行求解，有效降低成本，减少可再生能源的废弃。改进樽海鞘算法为对基本樽海鞘进行优化后的算法，经过优化后的算法的局部寻优能力、收敛速度和搜索精度都有很好的提高。
附图说明
图1为本发明实施例提供的基于改进樽海鞘算法的网络化综合能源系统优化调度方法的流程图；
图2为本发明实施例提供的网络化综合能源系统的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
基于改进樽海鞘算法的网络化综合能源系统优化调度方法，包括以下步骤：
步骤1、对各个综合能源系统内部区域的能源设备建模；
所述各个综合能源系统为住宅综合能源系统、商业综合能源系统、工业综合能源系统；
所述对能源设备建模包括对住宅能源系统内的热电联产机组CHP、燃气锅炉GB、吸收式制冷机AC和蓄电池ES的建模；对商业能源系统内的热泵HP、吸收式制冷机和热交换器HE的建模；对工业能源系统中的电转气装置P2G、压缩式制冷机CC、燃气锅炉和蓄热器TS的建模；
本实施例中建立的各能源设备的数学模型为：
(1)建立燃气锅炉的数学模型为：
其中，ηGB，GH为燃气锅炉的热效率，为燃气锅炉输出热能。
(2)建立吸收式制冷机的数学模型为：
其中，ηAC，HC为吸收式制冷机冷却系数，为吸收式制冷机输出冷能。
(3)建立蓄电池的数学模型为：
其中，为蓄电池的充电效率，为蓄电池的放电效率，Δt为间隔时间，为t时刻蓄电池的充电功率，为t时刻蓄电池的放电功率。
(4)建立热电联产机组的数学模型为：
其中，ηCHP，GE为热电联产机组的发电效率，ηCHP，GH为热电联产机组热效率，为热电联产机组t时刻输出电能，为热电联产机组t时刻输出热能。
(5)建立热泵的数学模型为：
其中，ηHP，EH为热泵的热转换率，为t时刻热泵的输出热能。
(6)建立热交换器的数学模型为：
(7)其中，ηHE，HH为热交换器效率，为其他系统传输至该能源系统热能。
建立电转气装置的数学模型为：
其中，为t时刻电转气装置输出天然气。
(8)建立压缩式制冷机的数学模型为：
其中，ηCC，EC为压缩式制冷机冷却转换效率，为压缩式制冷机在t时刻输出冷能。
(9)建立蓄热器的数学模型为：
其中，为蓄电池的充热效率，为蓄电池的放热效率，为t时刻蓄热器的充热功率，为t时刻蓄热器的放热功率。
步骤2、给出综合能源系统内部区域各设备间与各综合能源系统间的冷、热、电、气四种能源流动关系，得到如图2所示的网络化综合能源系统；
所述的四种能源流动关系包括：
(1)综合能源系统内部区域各能源设备间的能源流动关系：
压缩式制冷机通过消耗电能产生冷能，吸收式制冷机将燃气锅炉产生的热能转换成冷能；燃气锅炉通过天然气进行制热产生的热能一部分通过吸收式制冷机进行制冷，一部分由蓄热器进行收集，一部分供给热负荷；热电联产机组产生电能和热能，热能由吸收式制冷机进行制冷；热泵消耗电能产生的热能与热交换器交换后的热能供给热负荷；电转气装置机组消耗电能产生天然气，蓄电池储存电能；
(2)各综合能源系统间的能源流动关系：
住宅能源系统产生的电能传送给商业能源系统与工业能源系统；工业能源系统产生的天然气传送给住宅能源系统；住宅能源系统与工业能源系统产生的热能传送给商业能源系统；
步骤3、建立各综合能源系统的优化调度模型；
所述建立的各综合能源系统的优化调度模型通过以下目标函数实现：
其中，fΦ是各综合能源系统的能量购买成本，Φ＝1，2，3，为电力价格，λG，net为天然气价格，λH，net为热力价格；分别为各综合能源系统通过公用电网、天然气网和热力网购买的电能、燃气能和热能；
步骤4、建立网络化综合能源系统约束条件；
所述建立网络化综合能源系统的约束条件包括：
1)电能平衡条件
电功率平衡约束方程：
其中，为综合能源系统在t时刻的电负荷，为t时刻热泵消耗的电功率，为压缩式制冷机在t时刻所消耗的电能，为t时刻电转气装置所需电能，和为综合能源系统间交换的电能，n，k＝1，2，3，为在t时刻从公用电网购买的电能，为光伏和风力涡轮机在t时刻输出的电能，ηCHP，GE为热电联产机组的发电效率，为热电联产机组t时刻所消耗的天然气量，为t时刻蓄电池的充放电功率；
2)热能平衡条件
热功率平衡约束方程：
其中，为综合能源系统在t时刻的热负荷，为吸收式制冷机在t时刻所需热量，为热交换器交换的热能，为在t时刻从热网购买电能，为蓄热器在t时刻所存储热能，为燃气锅炉在t时刻所消耗天然气，ηCHP，GH为热电联产机组热效率，ηGB，GH为燃气锅炉的热效率，ηHP，EH为热泵的热转换率，ηHE，HH为热交换器效率；
3)冷能平衡条件
冷功率平衡约束方程：
其中，为综合能源系统在t时刻的冷负荷，ηAC，EC为吸收式制冷机冷却转换效率，ηCC，EC为压缩式制冷机冷却转换效率；
4)天然气能平衡条件
天然气平衡约束方程：
其中，ηP2G，EG为电转气装置转换效率。
5)设备容量的约束条件
从公共电网购买电能量：
其中，为从公共电网购买的最小电能量，为从公共电网购买的最大电能量；
从天然气网购买天然气量：
其中，为从天然气网购买的最小天然气量，为从公共电网购买的最大天然气量；
从热力网购买热能量：
其中，为从热力网购买的最小热能量，为从热力网购买的最大热能量；
热泵：
其中，为热泵最小热电功率，为从热泵的最大电功率；
电转气机组：
其中，为电转气机组所需最小电能，为电转气机组所需最大电能；
热电联产机组：
其中，为热电联产机组所消耗最小天然气量，为热电联产机组所消耗的最大天然气量；
燃气锅炉：
其中，为燃气锅炉所消耗的最小天然气量，为燃气锅炉所消耗的最大天然气量；
压缩式制冷机：
其中，为压缩式制所消耗的最小电能，为压缩式制冷机所消耗的最大电能；
吸收式制冷机：
其中，为吸收式制冷机所消耗的最小电能，为吸收式制冷机所消耗的最大电能；
热交换器：
其中，为从热交换器输出的最小热能量，为从热交换器输出的最大热能量；
蓄电池：
其中，为蓄电池的最大充电量，为蓄电池的最大放电量；为蓄电池的剩余电量，为蓄电池的最小剩余电量，为从蓄电池的最大剩余电量；
蓄热器：
其中，为蓄热器的最大储热量，为蓄热器的最大放热量；为蓄热器的剩余热量，为蓄热器的最小剩余热量，为蓄热器输出的最大剩余热量；
步骤5、引入线性加权和算法对网络化综合能源系统中多个能源系统进行优化调度，在基本樽海鞘算法的基础上，采用斐波那契数列的迭代因子更新种群位置，应用避劣算法以改进寻优能力，获得最优解，实现对综合能源系统的优化调度，具体方法为：
步骤5.1、首先利用线性加权和算法将住宅综合能源系统、商业区综合能源系统和工业综合能源系统三个系统的协同优化问题结合为单目标优化问题，如下公式所示：
其中，f为各综合能源系统购买电、气、热的总成本，ωΦ为加权和系数；
步骤5.2、种群位置初始化；
使各综合能源系统购买电、气、热的初始数量对应樽海鞘种群的初始位置；同时，樽海鞘种群的初始位置也是每一个樽海鞘的当前最佳位置，即局部最优值；使各综合能源系统购买电、气、热的总成本对应樽海鞘种群的目标函数，即适应度值，同时，所述目标函数也是种群当前最佳位置，即全局最优值；
初始化樽海鞘种群个体数量为n，搜索空间上限为下限为搜索维度为D；则种群位置随机初始化，如下公式所示：
其中，为第i个樽海鞘在j维度的种群位置，i＝1，...，n，j＝1，...，D；
步骤5.3、将随机初始化的樽海鞘种群位置进行一次适应度值计算，通过升序排序将种群适应度最优所对应的樽海鞘的位置定义为食物的位置，该樽海鞘的适应度定义为食物的适应度；
步骤5.4、种群领导者位置更新；将种群适应度最优所对应的樽海鞘定义为食物的位置将并种群适应度值最优的第一个樽海鞘作为领导者，进行位置更新，如下公式所示：
其中，为适应度值最优的第一个樽海鞘在j维度的种群位置，c2和c3为随机数，c1由如下公式确定：
其中，为斐波那契数列(Fibonacci sequence)，又称黄金分割数列，l为当前迭代次数，l＝2，...，L，L为最大迭代次数；搜索初期，樽海鞘快速向食物移动；搜索后期，c1从大逐渐减小，樽海鞘在食物所在区域内精细搜索；该方法提高樽海鞘算法局部寻优能力，更好地完成领导者位置更新；
步骤5.5、采用避劣算法更新种群跟随者位置；
将种群中除适应度值最优的第一个樽海鞘外的其他樽海鞘作为跟随者，采用避劣算法进行位置更新，如下公式所示：
其中，为第i-1只樽海鞘的适应度值，为第i只樽海鞘的适应度值，i＝2，...，n，c4＞1为影响因子；
步骤5.6、重复执行步骤5.4-5.5，当存在某只樽海鞘的适应度值小于种群的最佳适应度时，用其替代原来种群的最佳适应度；在满足网络化综合能源系统约束条件限制条件的基础上，达到最大迭代次数时，更新完后的适应度值即为综合能源系统的最小购买电、气、热的总成本；其对应的樽海鞘种群的位置即为综合能源系统购买电、气、热的优化数量；通过比较不同线性加权和系数下对应的优化总成本，当存在某个加权和系数组合的总成本小于当前加权和系数组合的总成本时，用其替代原来的最佳总成本；进而得到最终优化调度结果，从而实现综合能源系统的最优调度。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明权利要求所限定的范围。

Claims (4)

1.一种基于改进樽海鞘算法的网络化综合能源系统优化调度方法，其特征在于：包括以下步骤：
步骤1、对各个综合能源系统内部区域的能源设备建模；
所述各个综合能源系统为住宅综合能源系统、商业综合能源系统、工业综合能源系统；
步骤2、给出综合能源系统内部区域各设备间与各综合能源系统间的冷、热、电、气四种能源流动关系，得到网络化综合能源系统；
所述的四种能源流动关系包括：
(1)综合能源系统内部区域各能源设备间的能源流动关系；
(2)各综合能源系统间的能源流动关系；
步骤3、建立各综合能源系统的优化调度模型；
所述建立的各综合能源系统的优化调度模型通过以下目标函数实现：
其中，fΦ是各综合能源系统的能量购买成本，Φ＝1，2，3，为电力价格，λG，net为天然气价格，λH，net为热力价格；分别为各综合能源系统通过公用电网、天然气网和热力网购买的电能、燃气能和热能；
步骤4、建立网络化综合能源系统约束条件；
所述建立网络化综合能源系统的约束条件包括：电能平衡条件、热能平衡条件、冷能平衡条件、天然气能平衡条件及设备容量的约束条件；
步骤5、引入线性加权和算法对网络化综合能源系统中多个能源系统进行优化调度，在基本樽海鞘算法的基础上，采用斐波那契数列的迭代因子更新种群位置，应用避劣算法以改进寻优能力，获得最优解，实现对综合能源系统的优化调度，具体方法为：
步骤5.1、首先利用线性加权和算法将住宅综合能源系统、商业区综合能源系统和工业综合能源系统三个系统的协同优化问题结合为单目标优化问题，如下公式所示：
其中，f为各综合能源系统购买电、气、热的总成本，ωΦ为加权和系数；
步骤5.2、种群位置初始化；
使各综合能源系统购买电、气、热的初始数量对应樽海鞘种群的初始位置；同时，樽海鞘种群的初始位置也是每一个樽海鞘的当前最佳位置，即局部最优值；使各综合能源系统购买电、气、热的总成本对应樽海鞘种群的目标函数，即适应度值，同时，所述目标函数也是种群当前最佳位置，即全局最优值；
初始化樽海鞘种群个体数量为n，搜索空间上限为下限为搜索维度为D，则樽海鞘的种群位置随机初始化为如下公式所示：
其中，为第i个樽海鞘在j维度的种群位置，i＝1，...，n，j＝1，...，D；
步骤5.3、将随机初始化的樽海鞘种群位置进行一次适应度值计算，通过升序排序将种群适应度最优所对应的樽海鞘的位置定义为食物的位置，该樽海鞘的适应度定义为食物的适应度；
步骤5.4、种群领导者位置更新；将种群适应度最优所对应的樽海鞘定义为食物的位置χj，将并种群适应度值最优的第一个樽海鞘作为领导者，进行位置更新，如下公式所示：
其中，为适应度值最优的第一个樽海鞘在j维度的种群位置，c2和c3为随机数，c1由如下公式确定：
其中，为斐波那契数列，又称黄金分割数列，l为当前迭代次数，l＝2，...，L，L为最大迭代次数；搜索初期，樽海鞘快速向食物χj移动；搜索后期，c1从大逐渐减小，樽海鞘在食物χj所在区域内精细搜索；
步骤5.5、采用避劣算法更新种群跟随者位置；
将种群中除适应度值最优的第一个樽海鞘外的其他樽海鞘作为跟随者，采用避劣算法进行位置更新，如下公式所示：
其中，为第i-1只樽海鞘的适应度值，为第i只樽海鞘的适应度值，i＝2，...，n，c4＞1为影响因子；
步骤5.6、重复执行步骤5.4-5.5，当存在某只樽海鞘的适应度值小于种群的最佳适应度时，用其替代原来种群的最佳适应度；在满足网络化综合能源系统约束条件限制条件的基础上，达到最大迭代次数时，更新完后的适应度值即为综合能源系统的最小购买电、气、热的总成本；其对应的樽海鞘种群的位置即为综合能源系统购买电、气、热的优化数量；通过比较不同线性加权和系数下对应的优化总成本，当存在某个加权和系数组合的总成本小于当前加权和系数组合的总成本时，用其替代原来的最佳总成本；进而得到最终优化调度结果，从而实现综合能源系统的最优调度。
2.根据权利要求1所述的基于改进樽海鞘算法的网络化综合能源系统优化调度方法，其特征在于：步骤1所述对能源设备建模包括对住宅能源系统内的热电联产机组CHP、燃气锅炉GB、吸收式制冷机AC和蓄电池ES的建模；对商业能源系统内的热泵HP、吸收式制冷机和热交换器HE的建模；对工业能源系统中的电转气装置P2G、压缩式制冷机CC、燃气锅炉和蓄热器TS的建模。
3.根据权利要求2所述的基于改进樽海鞘算法的网络化综合能源系统优化调度方法，其特征在于：所述综合能源系统内部区域各能源设备间的能源流动关系为：
压缩式制冷机通过消耗电能产生冷能，吸收式制冷机将燃气锅炉产生的热能转换成冷能；燃气锅炉通过天然气进行制热产生的热能一部分通过吸收式制冷机进行制冷，一部分由蓄热器进行收集，一部分供给热负荷；热电联产机组产生电能和热能，热能由吸收式制冷机进行制冷；热泵消耗电能产生的热能与热交换器交换后的热能供给热负荷；电转气装置机组消耗电能产生天然气，蓄电池储存电能；
所述各综合能源系统间的能源流动关系为：
住宅能源系统产生的电能传送给商业能源系统与工业能源系统；工业能源系统产生的天然气传送给住宅能源系统；住宅能源系统与工业能源系统产生的热能传送给商业能源系统。
4.根据权利要求3所述的基于改进樽海鞘算法的网络化综合能源系统优化调度方法，其特征在于：步骤4所述建立的网络化综合能源系统的约束条件具体为：
1)电能平衡条件
电功率平衡约束方程：
其中，为综合能源系统在t时刻的电负荷，为t时刻热泵消耗的电功率，为压缩式制冷机在t时刻所消耗的电能，为t时刻电转气装置所需电能，和为综合能源系统间交换的电能，n，k＝1，2，3，为在t时刻从公用电网购买的电能，为光伏和风力涡轮机在t时刻输出的电能，ηCHP，GE为热电联产机组的发电效率，为热电联产机组t时刻所消耗的天然气量，为t时刻蓄电池的充放电功率；
2)热能平衡条件
热功率平衡约束方程：
其中，为综合能源系统在t时刻的热负荷，为吸收式制冷机在t时刻所需热量，为热交换器交换的热能，为在t时刻从热网购买电能，为蓄热器在t时刻所存储热能，为燃气锅炉在t时刻所消耗天然气，ηCHP，GH为热电联产机组热效率，ηGB，GH为燃气锅炉的热效率，ηHP，EH为热泵的热转换率，ηHE，HH为热交换器效率；
3)冷能平衡条件
冷功率平衡约束方程：
其中，为综合能源系统在t时刻的冷负荷，ηAC，EC为吸收式制冷机冷却转换效率，ηCC，EC为压缩式制冷机冷却转换效率；
4)天然气能平衡条件
天然气平衡约束方程：
其中，ηP2G，EG为电转气装置转换效率；
5)设备容量的约束条件
从公共电网购买电能量：
其中，为从公共电网购买的最小电能量，为从公共电网购买的最大电能量；
从天然气网购买天然气量：
其中，为从天然气网购买的最小天然气量，为从公共电网购买的最大天然气量；
从热力网购买热能量：
其中，为从热力网购买的最小热能量，为从热力网购买的最大热能量；
热泵：
其中，为热泵最小热电功率，为从热泵的最大电功率；
电转气机组：
其中，为电转气机组所需最小电能，为电转气机组所需最大电能；
热电联产机组：
其中，为热电联产机组所消耗最小天然气量，为热电联产机组所消耗的最大天然气量；
燃气锅炉：
其中，为燃气锅炉所消耗的最小天然气量，为燃气锅炉所消耗的最大天然气量；
压缩式制冷机：
其中，为压缩式制所消耗的最小电能，为压缩式制冷机所消耗的最大电能；
吸收式制冷机：
其中，为吸收式制冷机所消耗的最小电能，为吸收式制冷机所消耗的最大电能；
热交换器：
其中，为从热交换器输出的最小热能量，为从热交换器输出的最大热能量；
蓄电池：
其中，为蓄电池的最大充电量，为蓄电池的最大放电量；为蓄电池的剩余电量，为蓄电池的最小剩余电量，为从蓄电池的最大剩余电量；
蓄热器：
其中，为蓄热器的最大储热量，为蓄热器的最大放热量；为蓄热器的剩余热量，为蓄热器的最小剩余热量，为蓄热器输出的最大剩余热量。
CN201910840599.2A 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源系统优化调度方法 Active CN110555618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910840599.2A CN110555618B (zh) 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源系统优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910840599.2A CN110555618B (zh) 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源系统优化调度方法

Publications (2)

Publication Number Publication Date
CN110555618A true CN110555618A (zh) 2019-12-10
CN110555618B CN110555618B (zh) 2023-01-13

Family

ID=68739254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910840599.2A Active CN110555618B (zh) 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源系统优化调度方法

Country Status (1)

Country Link
CN (1) CN110555618B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111262240A (zh) * 2020-02-21 2020-06-09 山东大学 一种综合能源系统优化运行方法及系统
CN112383053A (zh) * 2020-11-19 2021-02-19 东北大学 一种基于改进粒子群算法的综合能源系统优化调度方法
CN113191075A (zh) * 2021-04-22 2021-07-30 浙江大学 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN113468723A (zh) * 2021-06-09 2021-10-01 天津大学 一种离网风光氢冷能源系统优化配置方法
CN113642802A (zh) * 2021-08-24 2021-11-12 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和系统
CN115014617A (zh) * 2022-06-21 2022-09-06 福州大学 一种基于地基雷达的斜拉桥拉索索力同步监测方法
CN115239213A (zh) * 2022-09-22 2022-10-25 北京邮电大学 综合能源分配方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2778152A1 (en) * 2009-09-04 2011-03-10 Fredrik Noren A system to produce feedstock for biogas production
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源系统多维寻优方法
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2778152A1 (en) * 2009-09-04 2011-03-10 Fredrik Noren A system to produce feedstock for biogas production
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源系统多维寻优方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源系统运行鲁棒优化方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111262240A (zh) * 2020-02-21 2020-06-09 山东大学 一种综合能源系统优化运行方法及系统
CN111262240B (zh) * 2020-02-21 2021-06-22 山东大学 一种综合能源系统优化运行方法及系统
CN112383053A (zh) * 2020-11-19 2021-02-19 东北大学 一种基于改进粒子群算法的综合能源系统优化调度方法
CN113191075A (zh) * 2021-04-22 2021-07-30 浙江大学 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN113468723A (zh) * 2021-06-09 2021-10-01 天津大学 一种离网风光氢冷能源系统优化配置方法
CN113468723B (zh) * 2021-06-09 2022-05-20 天津大学 一种离网风光氢冷能源系统优化配置方法
CN113642802A (zh) * 2021-08-24 2021-11-12 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和系统
CN113642802B (zh) * 2021-08-24 2024-02-02 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和系统
CN115014617A (zh) * 2022-06-21 2022-09-06 福州大学 一种基于地基雷达的斜拉桥拉索索力同步监测方法
CN115014617B (zh) * 2022-06-21 2023-04-07 福州大学 一种基于地基雷达的斜拉桥拉索索力同步监测方法
CN115239213A (zh) * 2022-09-22 2022-10-25 北京邮电大学 综合能源分配方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110555618B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN110555618B (zh) 基于改进樽海鞘算法的网络化综合能源系统优化调度方法
CN111738502B (zh) 促进富余风电消纳的多能互补系统需求响应运行优化方法
CN111144668B (zh) 考虑场景模拟的综合能源系统随机优化模型的建立方法
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
CN111463836B (zh) 一种综合能源系统优化调度方法
Ren et al. A review on the integration and optimization of distributed energy systems
CN110619110B (zh) 一种含热泵的综合能源系统协调运行优化方法
CN110503241B (zh) 冷-热-电综合能源系统的多目标优化方法
CN110598313B (zh) 计及储能全寿命周期运维的综合能源系统优化配置方法
CN108206543A (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
CN112600253B (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
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
Yuan et al. Performance analysis of thermal energy storage in distributed energy system under different load profiles
CN112165122A (zh) 一种综合能源系统的运行方法及系统
CN114529075A (zh) 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法
Mu et al. Optimal operation model of integrated energy system for industrial plants considering cascade utilisation of heat energy
CN111639819A (zh) 一种综合能源园区多阶段优化控制方法
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN109255487A (zh) 一种基于标准化矩阵模型的综合能源系统优化方法
CN110992206B (zh) 一种多源电场的优化调度方法及系统
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
Zhang et al. Energy optimization and performance analysis of a novel integrated energy system coupled with solar thermal unit and preheated organic cycle under extended following electric load strategy
CN114943376A (zh) 用户侧综合能源优化利用区间规划方法及系统
CN113822598A (zh) 一种考虑能量流动环节的综合能源系统能效分析方法与系统
CN114240010A (zh) 应对需求侧不确定性的热电联产燃气轮机组调度方法

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
GR01 Patent grant
GR01 Patent grant