CN110619586B - 一种基于量子粒子群算法的泛能站优化方法及装置 - Google Patents

一种基于量子粒子群算法的泛能站优化方法及装置 Download PDF

Info

Publication number
CN110619586B
CN110619586B CN201810631976.7A CN201810631976A CN110619586B CN 110619586 B CN110619586 B CN 110619586B CN 201810631976 A CN201810631976 A CN 201810631976A CN 110619586 B CN110619586 B CN 110619586B
Authority
CN
China
Prior art keywords
gas
internal combustion
combustion engine
boiler
waste heat
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.)
Active
Application number
CN201810631976.7A
Other languages
English (en)
Other versions
CN110619586A (zh
Inventor
代景龙
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN201810631976.7A priority Critical patent/CN110619586B/zh
Publication of CN110619586A publication Critical patent/CN110619586A/zh
Application granted granted Critical
Publication of CN110619586B publication Critical patent/CN110619586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—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
    • 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—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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于量子粒子群算法的泛能站优化方法及装置。包括以下步骤：建立能效模型，设置算法参数，初始QPSO粒子位置；构建目标函数，在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；更新粒子速度，基于量子粒子群算法重新计算粒子的适应度，更新个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；判断算法是否满足终止条件，如果满足，输出优化后的能效模型。该方法有效降低了工程应用成本。

Description

一种基于量子粒子群算法的泛能站优化方法及装置
技术领域
本发明涉及能源领域，具体涉及一种基于量子粒子群算法的泛能站优化方法装置。
背景技术
在能源危机与环境污染的双重压力下，对综合能源系统的运行和整体性能的优化意义重大，是我国进一步发展区域综合能源系统亟待解决的重要问题。新奥集团根据客户需求进行量身定制，利用电、气、冷、热等不同形式能源在时空上的耦合机制,实现多能互补，这样的高效分布式能源系统，新奥集团称之为泛能站。泛能站凭借其能效高、环境效益好等优势已成为综合能源系统的重要研究方向之一。
泛能站能源最优调度模型以泛能站总利润最大为优化目标，总利润为售能收益减去总成本，系统总成本包括供电、供热以及供气的运行成本、启动成本和停机成本；满足各能源的电、热、天然气功率平衡、供能单元特性等约束条件，是一个混合整数分段非线性规划问题。
粒子群算法(Particle Swarm Optimization，PSO)是J.Kennedy和R.Eberhardt于1995年提出的一种根据群体中粒子之间的相互竞争和相互作用来智能优化搜索的进化算法。PSO算法易于实现、通用性强、可调参数少和具有较强的收敛能力，无需依赖问题的特征信息，适用于复杂模型的优化求解。
现有的能源类工程优化多为混合整数非线性规划(Mixed Integer PieceweiseNonlinear Programming,MIPNLP)问题，其求解方法多为调用CPLEX和Gurobi等成熟的求解器建模优化，但求解器价格昂贵，提高了工程应用成本；且其商业化封装也限制了基于具体问题的算法个性化处理能力和工程产品的推广应用。故研究一种实现简单，适应性强且便于理解的泛能站优化算法尤为必要。
传统粒子群优化(Particle Swarm Optimization，PSO)算法对‘早熟’收敛问题考虑不足，对于含整数变量的问题难以直接处理，缺乏对工程项目实用化方面的改进研究。
针对能源站调度这类混合整数分段非线性规划问题，求解方法通常为调用CPLEX和Gurobi等成熟的求解器建模优化，但求解器价格昂贵，提高了工程应用成本；且其商业化封装也限制了基于具体问题的算法个性化处理能力和工程产品的推广应用。故研究一种实现简单，适应性强且便于理解的泛能站优化算法尤为必要。
近年来，学者对粒子群等群智能算法求解MINLP问题进行了诸多研究，相对于CPLEX等求解器集成的精确方法，粒子群算法更容易实现,改进后的算法适用性，适于解决泛能站优化调度问题。文献[1](基于改进粒子群优化算法的最优潮流计算)将PSO算法应用于电力系统最优潮流的计算，并引入动态罚参数来增加算法适应性，但并未考虑多时段的耦合以及整数变量；文献[2](费胜巍,苗玉彬,刘成良,张晓斌.基于粒子群优化支持向量机的变压器故障诊断[J].高电压技术,2009,35(03):509-513.[2017-09-29].)等基于粒子群优化支持向量机的变压器故障诊断进行了研究，相较标准支持向量机法取得了更高的诊断准确率。文献[3](孙俊.量子行为粒子群优化[M].清华大学出版社,2011.)指出，由于PSO中粒子的运动轨迹是一个有限的并逐渐减小的区域，不能覆盖整个可行空间解，因此PSO存在‘早熟’收敛的风险。随后，龚庆武等人([4]陈道君,龚庆武,金朝意,张静,王定美.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J/OL].电网技术,2013,37(04):974-980.(2013-01-22)[2017-09-28].)从量子粒子群算法出发，加入自适应早熟判定准则等改进，取得了相较PSO更佳的优化成果。
现有的技术缺点主要有：
①针对泛能站优化调度问题，现有技术缺乏对适于工程产品推广的算法研究；
②CPLEX和Gurobi等成熟的求解器不仅价格昂贵，而且限制了算法对于泛能站问题的个性化应用。
③针对粒子群算法“早熟收敛”的问题，虽然学者提出了诸多改进方法，但缺乏对泛能站工程项目实用化方面的改进研究与应用。
因此，本发明提出了一种基于量子粒子群算法的泛能站优化方法，并进行算法改进，提高其的工程适应性。
发明内容
传统粒子群算法(Particle Swarm Optimization，PSO)是J.Kennedy和R.Eberhardt于1995年提出的一种根据群体中粒子之间的相互竞争和相互作用来智能优化搜索的进化算法。基于此，Sun等于2003年又从量子力学的角度考察粒子个体与群体的进化模式，提出了量子粒子群算法(Quantum-Behaved Particle Swarm Optimization，QPSO)。相比传统粒子群算法，量子粒子群的控制参数相对更少，具有更优的全局寻优能力、更好的鲁棒性以及更短的计算时间，并且QPSO已经在函数测试、多阶段金融规划、神经网络优化等方面取得了广泛的应用。
本发明基于上述量子粒子群算法，提出了一种基于量子粒子群算法的泛能站优化方法，其特征在于，具体包括如下步骤：
1)建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，包括群体规模、粒子维度、粒子群位置，初始QPSO粒子位置；
2)构建目标函数，所述目标函数以泛能站的系统总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
3)根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，
Figure BDA0001700308960000041
其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:
Figure BDA0001700308960000042
式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：
Figure BDA0001700308960000043
其中N为群体规模；
4)判断算法是否满足终止条件，如果满足，转向步骤5)，否则执行步骤3)；
5)输出最优泛能站能效模型。
其中,步骤2)中构建的目标函数F为，
Figure BDA0001700308960000051
Figure BDA0001700308960000052
Figure BDA0001700308960000053
Figure BDA0001700308960000054
其中，
Figure BDA0001700308960000055
时段t电价与购买电量的乘积；
Figure BDA0001700308960000056
时段t气价与购买气量的乘积；
Figure BDA0001700308960000057
时段t用户所需电量与电价的乘积；
Figure BDA0001700308960000058
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
Figure BDA0001700308960000059
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
Figure BDA00017003089600000510
和
Figure BDA00017003089600000511
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
Figure BDA00017003089600000512
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
Figure BDA00017003089600000513
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
Figure BDA00017003089600000514
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，0代表设备停运状态/无开机动作/无关机动作。
其中,步骤1)中所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：
Figure BDA0001700308960000061
其中,步骤1)中所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
Figure BDA0001700308960000062
其中,步骤1)中所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
Figure BDA0001700308960000063
其中,步骤1)中所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
Figure BDA0001700308960000064
其中,步骤1)中所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，比如能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量
Figure BDA0001700308960000065
耦合：
Figure BDA0001700308960000066
式中，●和
Figure BDA0001700308960000067
分别为变量●的上下限。
其中,步骤1)中所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
Figure BDA0001700308960000071
其中,步骤1)中所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间应该是有确定的关系，采用黑盒模型，即直接通过内燃发电机的历史数据进行拟合：
Figure BDA0001700308960000072
其中,步骤1)中所述能效模型对燃气锅炉有以下的约束条件：
Figure BDA0001700308960000073
其中，aj，bj，ci，di，ei为历史数据拟合值。
其中,步骤3)中所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
其中,步骤4)中所述终止条件为到达最大迭代次数或满足收敛标准。
本发明还涉及一种基于量子粒子群算法的泛能站优化装置，其包括：
建模单元，用于建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，包括群体规模、粒子维度、粒子群位置，初始QPSO粒子位置；
目标函数构建单元，用于构建目标函数，所述目标函数以泛能站的系统总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
优化单元，用于根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，
Figure BDA0001700308960000081
其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:
Figure BDA0001700308960000082
式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：
Figure BDA0001700308960000083
其中N为群体规模；
判断单元，用于判断算法是否满足终止条件，如果满足，则转向输出单元，否则返回优化单元；
输出单元，用于输出最优泛能站能效模型。
其中,目标函数构建单元构建的目标函数F为，
Figure BDA0001700308960000084
Figure BDA0001700308960000085
Figure BDA0001700308960000086
Figure BDA0001700308960000087
其中，
Figure BDA0001700308960000088
时段t电价与购买电量的乘积；
Figure BDA0001700308960000089
时段t气价与购买气量的乘积；
Figure BDA0001700308960000091
时段t用户所需电量与电价的乘积；
Figure BDA0001700308960000092
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
Figure BDA0001700308960000093
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
Figure BDA0001700308960000094
和
Figure BDA0001700308960000095
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
Figure BDA0001700308960000096
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
Figure BDA0001700308960000097
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
Figure BDA0001700308960000098
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，
0代表设备停运状态/无开机动作/无关机动作。
其中,所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：
Figure BDA0001700308960000099
所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
Figure BDA00017003089600000910
所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
Figure BDA00017003089600000911
所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
Figure BDA0001700308960000101
所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量
Figure BDA0001700308960000102
耦合：
Figure BDA0001700308960000103
式中，●和
Figure BDA0001700308960000104
分别为变量●的上下限；所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
Figure BDA0001700308960000105
所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：
Figure BDA0001700308960000106
所述能效模型对燃气锅炉有以下的约束条件：
Figure BDA0001700308960000107
其中，aj，bj，ci，di，ei为历史数据拟合值。
其中,所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
其中,判断单元中所述终止条件为到达最大迭代次数或满足收敛阈值标准。
本发明与现有技术相比，其优点在于：
利用了粒子群算法易于实现、通用性强、可调参数少和具有较强的收敛能力，无需依赖问题的特征信息，适用于复杂模型的优化求解的特性，并利用量子粒子群的控制参数相对更少，具有更优的全局寻优能力、更好的鲁棒性以及更短的计算时间的特点，提出了一种基于量子粒子群算法的泛能站优化方法，该算法的使用避免了调用CPLEX和Gurobi等成熟的求解器建模优化，从而降低了工程应用成本。
附图说明
图1为本发明实施例的一泛能站示例图；
图2为本发明实施例的QPSO算法的流程图。
具体实施方式
根据本发明的基于量子粒子群算算法的泛能站优化方法，首先，建立泛能站的能效模型，来满足供需平衡及运行约束条件下不同用户对电和热的需求。其中，总利润为售能收益减去总成本，系统总成本包括供电、供热以及供气的运行成本、启动成本和停机成本。
建立目标函数，所述目标函数以泛能站的系统总成本最小为目标，所构造的目标函数F具体为，
Figure BDA0001700308960000111
其中，
Figure BDA0001700308960000112
时段t电价与购买电量的乘积；
Figure BDA0001700308960000121
时段t气价与购买气量的乘积；
Figure BDA0001700308960000122
时段t用户所需电量与电价的乘积；
Figure BDA0001700308960000123
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
Figure BDA0001700308960000124
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
Figure BDA0001700308960000125
和
Figure BDA0001700308960000126
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
Figure BDA0001700308960000127
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
Figure BDA0001700308960000128
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
Figure BDA0001700308960000129
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，0代表设备停运状态/无开机动作/无关机动作。
其中，步骤1)中所述能效模型需满足电量平衡约束
内燃机电力输出以及电网购电量应满足用户负荷需求：
Figure BDA00017003089600001210
热能平衡约束
除此之外，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
Figure BDA0001700308960000131
燃气平衡约束
泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
Figure BDA0001700308960000132
内燃机余热回收约束
内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
Figure BDA0001700308960000133
Figure BDA0001700308960000134
设备运行安全和状态耦合约束
除此之外，每个设备的能量产值也是考虑的一个重要因素，比如能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量
Figure BDA0001700308960000135
耦合：
Figure BDA0001700308960000136
Figure BDA0001700308960000137
Figure BDA0001700308960000138
式中，●和
Figure BDA0001700308960000141
分别为变量●的上下限。
开停机和设备状态耦合约束
引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
Figure BDA0001700308960000142
Figure BDA0001700308960000143
Figure BDA0001700308960000144
Figure BDA0001700308960000145
Figure BDA0001700308960000146
Figure BDA0001700308960000147
设备之间输入输出耦合约束
内燃发电机输入天然气输出电力，同时排放高温混合烟气，因而天然气的消耗量与产生的电量和高温混合烟气的能力之间应该是有确定的关系。考虑到详细的设备原理建模对工程数据采集要求较高，故本项目采用黑盒模型，即直接通过内燃发电机的历史数据进行拟合：
Figure BDA0001700308960000148
同理，对燃气锅炉有以下的约束条件：
Figure BDA0001700308960000149
其中，aj，bj，ci，di，ei为历史数据拟合值。
式(1)-(9)即为泛能站的优化模型，由于状态变量和启停变量均为0-1整数变量，且存在非线性约束(8)，故本发明研究的泛能站的优化模型是一个MINLP问题。
传统粒子群算法(Particle Swarm Optimization，PSO)是J.Kennedy和R.Eberhardt于1995年提出的一种根据群体中粒子之间的相互竞争和相互作用来智能优化搜索的进化算法。基于此，Sun等于2003年又从量子力学的角度考察粒子个体与群体的进化模式，提出了量子粒子群算法(Quantum-Behaved Particle Swarm Optimization，QPSO)。相比传统粒子群算法，量子粒子群的控制参数相对更少，具有更优的全局寻优能力、更好的鲁棒性以及更短的计算时间，并且QPSO已经在函数测试、多阶段金融规划、神经网络优化等方面取得了广泛的应用。
由于QPSO中的粒子只带有位置信息，而没有速度信息，因此假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：
pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t) (10)
式中，ri(t)是均匀分布在(0,1)上的随机数。应用Monte Carlo方法可以得到在第t+1次迭代时粒子i的位置表达式为:
Figure BDA0001700308960000151
式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：
Figure BDA0001700308960000152
式中，N为群体规模。
QPSO算法中pbest,gpbest的更新方程与PSO算法的更新方程完全相同，即：
Figure BDA0001700308960000161
式中，Fitness()为适应度。
动态扩张-收缩系数
QPSO算法在搜索的后期，粒子在位置上缺乏多样性，动态扩张-收缩系数能够调节QPSO算法的收敛过程，对于算法的计算性能具有重要影响。其借鉴了PSO中关于动态惯性权重的思想，给出动态扩张-收缩系数α的表达式：
α＝αmin+(αmax-αmin)(tmax-t)/tmax (14)
式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值；可以看出，随着迭代次数t的增加，扩张-收缩系数递减。较大的扩张-收缩系数有利于全局搜索，较小的扩张-收缩系数可以避免算法“早熟”。
图2为本发明的QPSO算法的流程图，具体步骤如下：
1)建立泛能站能的效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，，包括群体规模、粒子维度、粒子群位置，初始QPSO粒子位置；
2)构建目标函数，所述目标函数以泛能站的系统总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
3)按式(10)-(14)更新粒子速度，重新计算粒子的适应度，更新个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
4)判断算法是否满足终止条件，如果满足，转向步骤5)；否则执行步骤3)；
5)输出最优泛能站能效模型。
根据本发明的又一实施例，本发明还提出一种基于量子粒子群算法的泛能站优化装置，其包括：
建模单元，用于建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，，包括群体规模、粒子维度、粒子群位置，初始QPSO粒子位置；
目标函数构建单元，用于构建目标函数，所述目标函数以泛能站的系统总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
优化单元，用于根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，
Figure BDA0001700308960000171
其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:
Figure BDA0001700308960000172
式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：
Figure BDA0001700308960000173
其中N为群体规模；
判断单元，用于判断算法是否满足终止条件，如果满足，则转向输出单元，否则返回优化单元；
输出单元，用于输出最优泛能站的能效模型。
目标函数构建单元构建的目标函数F为，
Figure BDA0001700308960000181
其中，
Figure BDA0001700308960000182
时段t电价与购买电量的乘积；
Figure BDA0001700308960000183
时段t气价与购买气量的乘积；
Figure BDA0001700308960000184
时段t用户所需电量与电价的乘积；
Figure BDA0001700308960000185
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
Figure BDA0001700308960000186
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
Figure BDA0001700308960000187
和
Figure BDA0001700308960000188
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
Figure BDA0001700308960000189
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
Figure BDA00017003089600001810
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
Figure BDA00017003089600001811
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，
0代表设备停运状态/无开机动作/无关机动作。
所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：
Figure BDA0001700308960000191
所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
Figure BDA0001700308960000192
所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
Figure BDA0001700308960000193
所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
Figure BDA0001700308960000194
所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量
Figure BDA0001700308960000195
耦合：
Figure BDA0001700308960000196
式中，●和
Figure BDA0001700308960000197
分别为变量●的上下限；所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
Figure BDA0001700308960000198
所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：
Figure BDA0001700308960000201
所述能效模型对燃气锅炉有以下的约束条件：
Figure BDA0001700308960000202
其中，aj，bj，ci，di，ei为历史数据拟合值。
其中，所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
其中，所述判断单元中所述终止条件为到达最大迭代次数或满足收敛阈值标准。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种基于量子粒子群算法的泛能站优化方法，其特征在于，具体包括如下步骤：
1)建立泛能站能效模型，所述能效模型包括群体规模、粒子维度、粒子群位置，初始QPSO粒子位置；
2)构建目标函数，所述目标函数根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
3)根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，
Figure FDA0003946721250000011
其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0，1)上的随机数，第t+1次迭代时粒子i的位置表达式为：
Figure FDA0003946721250000012
式中，ui(t)是均匀分布在(0，1)上的随机数；α为扩张－收缩系数；S(t)为最优中值位置，表达为：
Figure FDA0003946721250000013
其中N为群体规模；
4)判断算法是否满足终止条件，如果满足，转向步骤5)，否则执行步骤3)；
5)输出最优泛能站的能效模型；
步骤2)中构建的目标函数F为，
Figure FDA0003946721250000014
其中，
Figure FDA0003946721250000021
时段t电价与购买电量的乘积；
Figure FDA0003946721250000022
时段t气价与购买气量的乘积；
Figure FDA0003946721250000023
时段t用户所需电量与电价的乘积；
Figure FDA0003946721250000024
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb：分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
Figure FDA0003946721250000025
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
Figure FDA0003946721250000026
和
Figure FDA0003946721250000027
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y，m，b：分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e，h，g，w：分别代表电能、热能、燃气，水；
Figure FDA0003946721250000028
分别为时段t第i个燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
Figure FDA0003946721250000029
分别为时段t第i个燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
Figure FDA00039467212500000210
分别为时段t第i个燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0－1整数变量，1代表设备运行状态/开机/关机，0代表设备停运状态/无开机动作/无关机动作。
2.根据权利要求1所述的方法，其特征在于，其特征在于，步骤1)中
所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：
Figure FDA00039467212500000211
所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
Figure FDA0003946721250000031
所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
Figure FDA0003946721250000032
所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
Figure FDA0003946721250000033
所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量
Figure FDA0003946721250000034
耦合：
Figure FDA0003946721250000035
式中，·和
Figure FDA0003946721250000036
分别为变量·的上下限；
所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
Figure FDA0003946721250000037
所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：
Figure FDA0003946721250000038
所述能效模型对燃气锅炉有以下的约束条件：
Figure FDA0003946721250000041
其中，aj,bj,ci,di,ei为历史数据拟合值。
3.根据权利要求1所述的方法，其特征在于，步骤3)中所述扩张－收缩系数α的表达式为：α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张－收缩系数的最大值和最小值，t为迭代次数。
4.根据权利要求1所述的方法，其特征在于，步骤4)中所述终止条件为到达最大迭代次数或满足收敛阈值标准。
5.一种基于量子粒子群算法的泛能站优化装置，其包括：
建模单元，用于建立泛能站能效模型，所述能效模型包括群体规模、粒子维度、粒子群位置，初始QPSO粒子位置；
目标函数构建单元，用于构建目标函数，所述目标函数根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
优化单元，用于根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，
Figure FDA0003946721250000042
其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0，1)上的随机数，第t+1次迭代时粒子i的位置表达式为：
Figure FDA0003946721250000043
式中，ui(t)是均匀分布在(0，1)上的随机数；α称为扩张－收缩系数；S(t)为最优中值位置，表达为：
Figure FDA0003946721250000044
其中N为群体规模；
判断单元，用于判断算法是否满足终止条件，如果满足，则转向输出单元，否则返回优化单元继续进行优化；
输出单元，用于输出最优泛能站的能效模型；
目标函数构建单元构建的目标函数F为，
Figure FDA0003946721250000051
其中，
Figure FDA0003946721250000052
时段t电价与购买电量的乘积；
Figure FDA0003946721250000053
时段t气价与购买气量的乘积；
Figure FDA0003946721250000054
时段t用户所需电量与电价的乘积；
Figure FDA0003946721250000055
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb：分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
Figure FDA0003946721250000056
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
Figure FDA0003946721250000057
和
Figure FDA0003946721250000058
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y，m，b：分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e，h，g，w：分别代表电能、热能、燃气，水；
Figure FDA0003946721250000059
分别为时段t第i个燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
Figure FDA00039467212500000510
分别为时段t第i个燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
Figure FDA00039467212500000511
分别为时段t第i个燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0－1整数变量，1代表设备运行状态/开机/关机，0代表设备停运状态/无开机动作/无关机动作。
6.根据权利要求5所述的装置，其特征在于，其特征在于，
所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：
Figure FDA0003946721250000061
所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
Figure FDA0003946721250000062
所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
Figure FDA0003946721250000063
所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
Figure FDA0003946721250000064
所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量
Figure FDA0003946721250000065
耦合：
Figure FDA0003946721250000066
式中，·和
Figure FDA0003946721250000067
分别为变量·的上下限；
所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
Figure FDA0003946721250000071
所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：
Figure FDA0003946721250000072
所述能效模型对燃气锅炉有以下的约束条件：
Figure FDA0003946721250000073
其中，aj,bj,ci,di,ei为历史数据拟合值。
7.根据权利要求5所述的装置，其特征在于，所述扩张－收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张－收缩系数的最大值和最小值，t为迭代次数。
8.根据权利要求5所述的装置，其特征在于，判断单元中所述终止条件为到达最大迭代次数或满足收敛阈值标准。
CN201810631976.7A 2018-06-19 2018-06-19 一种基于量子粒子群算法的泛能站优化方法及装置 Active CN110619586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810631976.7A CN110619586B (zh) 2018-06-19 2018-06-19 一种基于量子粒子群算法的泛能站优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810631976.7A CN110619586B (zh) 2018-06-19 2018-06-19 一种基于量子粒子群算法的泛能站优化方法及装置

Publications (2)

Publication Number Publication Date
CN110619586A CN110619586A (zh) 2019-12-27
CN110619586B true CN110619586B (zh) 2023-01-10

Family

ID=68920277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810631976.7A Active CN110619586B (zh) 2018-06-19 2018-06-19 一种基于量子粒子群算法的泛能站优化方法及装置

Country Status (1)

Country Link
CN (1) CN110619586B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093017A (zh) * 2011-11-04 2013-05-08 新奥科技发展有限公司 分布式能源系统设计方法
CN104123589A (zh) * 2014-06-24 2014-10-29 华中科技大学 一种梯级水电站短期优化调度方法
CN105678404A (zh) * 2015-12-30 2016-06-15 东北大学 基于网购电和动态关联因子的微电网负荷预测系统及方法
CN106447122A (zh) * 2016-10-12 2017-02-22 国网上海市电力公司 一种区域型能源互联网及其一体化优化规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026152B (zh) * 2016-05-19 2017-06-06 合肥工业大学 一种电动汽车接入微电网的充放电调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093017A (zh) * 2011-11-04 2013-05-08 新奥科技发展有限公司 分布式能源系统设计方法
CN104123589A (zh) * 2014-06-24 2014-10-29 华中科技大学 一种梯级水电站短期优化调度方法
CN105678404A (zh) * 2015-12-30 2016-06-15 东北大学 基于网购电和动态关联因子的微电网负荷预测系统及方法
CN106447122A (zh) * 2016-10-12 2017-02-22 国网上海市电力公司 一种区域型能源互联网及其一体化优化规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于并行混沌量子粒子群算法的梯级水库群防洪优化调度研究;邹强等;《水利学报》;20160815(第08期);全文 *
基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测;陈道君;《电网技术》;20130122;第974～980页 *
多能互补综合能源系统设计及优化;叶琪超;《浙江电力》;20180725;全文 *
多能源耦合系统的运行优化与改进分析;张涛;《科学通报》;20171120;第3693～3702页 *

Also Published As

Publication number Publication date
CN110619586A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
CN109670730B (zh) 一种综合能源系统日前经济调度方法
CN110619409B (zh) 一种自适应扰动量子粒子群的泛能站调度方法及装置
CN110188492B (zh) 一种考虑热网特性的冷热电联供微网优化调度方法
CN109345012B (zh) 基于综合评价指标的园区能源互联网运行优化方法
CN103439941A (zh) 一种燃气内燃机冷热电三联供系统优化运行方法
CN110889549A (zh) 考虑人体舒适度的综合能源系统多目标优化调度方法
Wu et al. Optimal bidding and scheduling of AA-CAES based energy hub considering cascaded consumption of heat
CN112364556A (zh) 基于多能互补的智慧能源优化配置方法及终端设备
CN112821465A (zh) 包含热电联产的工业微网负荷优化调度方法与系统
Lasemi et al. Optimal operating strategy of high-temperature heat and power storage system coupled with a wind farm in energy market
Guo et al. Multi-objective bi-level quantity regulation scheduling method for electric-thermal integrated energy system considering thermal and hydraulic transient characteristics
CN112580897A (zh) 基于鹦鹉算法的多能源电力系统优化调度的方法
CN115186902A (zh) 温室综合能源系统的调控方法、装置、终端及存储介质
CN113435095A (zh) 一种用于综合能源系统的优化调度的方法及系统
CN112966869A (zh) 一种园区综合能源系统优化调度方法和系统
CN103259258A (zh) 微电网及其控制方法和装置
CN110689156B (zh) 一种泛能站优化方法及装置
Gu et al. Multi-objective optimization analysis on gas-steam combined cycle system with exergy theory
CN115146868A (zh) 电热气耦合的农村微能源系统协同规划方法及终端设备
CN110017184A (zh) 一种基于强化学习算法的分布式余压发电系统及其控制方法
CN110619586B (zh) 一种基于量子粒子群算法的泛能站优化方法及装置
CN116822697A (zh) 一种考虑主从博弈和需求响应的综合能源系统低碳经济优化方法
CN110070216A (zh) 一种工业园区综合能源系统经济运行优化方法
CN115619015A (zh) 一种考虑用户需求响应的综合能源系统优化运行方法
CN110137938B (zh) 基于改进蝙蝠算法的风火储联合系统的优化调度方法

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