CN110766204A - 一种基于遗传算法的分段式综合能源系统运行优化方法 - Google Patents
一种基于遗传算法的分段式综合能源系统运行优化方法 Download PDFInfo
- Publication number
- CN110766204A CN110766204A CN201910921498.8A CN201910921498A CN110766204A CN 110766204 A CN110766204 A CN 110766204A CN 201910921498 A CN201910921498 A CN 201910921498A CN 110766204 A CN110766204 A CN 110766204A
- Authority
- CN
- China
- Prior art keywords
- power
- time
- aeq
- time period
- constraint
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 230000002068 genetic effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 238000001816 cooling Methods 0.000 claims description 27
- 238000005338 heat storage Methods 0.000 claims description 27
- 238000010438 heat treatment Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000005485 electric heating Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于遗传算法的分段式综合能源系统运行优化方法。首先根据“低谷‑高峰‑平段‑高峰‑平段”的分段电价，将24小时分为五个时段，通过遗传算法计算五个时段的最优优化变量矩阵，然后分别构建每个时段的目标函数与约束条件，最后通过遗传算法依次细化计算每个时段的优化结果。本方法能够尽最大可能约简模型约束条件的数量，实现综合能源系统多种能源间运行的最优配置，实现最大的经济效益。
Description
技术领域
本发明涉及一种基于遗传算法的分段式综合能源系统运行优化方法。
背景技术
为了更好地应对化石能源逐渐枯竭、环境污染问题日益凸显等一系列挑战，有必要将多种能源资源整合起来，实现多种能源间的优化运行，从而提升能源利用效率。然而，与电力系统相比，综合能源系统具有系统耦合度高、供能方式丰富的特点，使得其在运行优化的层面面临更大的技术挑战。
目前，尽管针对系统运行优化理论的相关研究较多，对于综合能源运行优化求解模型构建层面的研究仍处于探索阶段，通常参照电力系统运行优化的建模方式，直接采用全局建模的方法。对于综合能源运行优化问题，由于需要同时考虑多类型电源、主网互动、储能等因素，直接采用全局建模的方式需要处理的约束条件数量庞大，模型求解时容易陷入局部最优。因此，尚缺乏一种有效的可推广的综合能源运行优化方法，尽最大可能约简模型约束条件的数量，实现综合能源系统多种能源间运行的最优配置，实现最大的经济效益。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于遗传算法的分段式综合能源系统运行优化方法，能够有效地实现综合能源系统多种能源间运行的最优配置，实现最大的经济效益。
为达到上述目的，本发明所采用的技术方案是：一种基于遗传算法的分段式综合能源系统运行优化方法：
步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为时段一、时段二、时段三、时段四、时段五的五个时段，时段一从时刻1到时刻T1，、时段二从时刻T1+1到时刻T2，时段三从时刻T2+1到时刻T3，时段四从时刻T3+1到时刻T4，时段五从时刻T4+1到时刻24；
步骤2：构建包含五个时段的运行优化目标函数f1，如下：
其中，cgas表示燃气价格,ci表示时段i从电网的购电价格，Pi,gas表示时段i冷热电联产系统的发电功率，Pi,net表示时段i从电网的购电量。
步骤3：构建包含五个时段的约束条件，包括：
(3-1)综合能源系统中，电功率平衡约束如下：
Aeq1＝Pi,gas+Pi,net+Pi,pv+Pi,cd-Pi,eth-Pi,etc-eLoadi
其中，Aeq1＝0时满足电功率平衡约束，Pi,pv表示时段i光伏的发电功率，Pi,cd表示时段i储电设备的功率，Pi,eth表示时段i电制热设备的功率，Pi,etc表示时段i电制冷设备的功率，eLoadi表示时段i的电力负荷的总需求；
(3-2)综合能源系统中，热功率约束如下：
A1＝hLoadi-ε1·Pi,gas-η1·Pi,eth-Pi,cr
其中，A1<0时满足热功率约束，hLoadi表示时段i的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pi,cr表示时段i储热设备的功率；
(3-3)综合能源系统中，冷功率约束如下：
A2＝cLoadi-ε2·Pi,gas-η2·Pi,etc-Pi,cl
其中，A2<0时满足冷功率约束，cLoadi表示时段i的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pi,cl表示时段i储冷设备的功率；
(3-4)综合能源系统中，充放电约束如下：
其中，Aeq2＝0时满足充放电约束。
(3-5)综合能源系统中，充放热约束如下：
其中，Aeq3＝0时满足充放热约束。
(3-6)综合能源系统中，充放冷约束如下：
其中，Aeq4＝0时满足充放冷约束。
(3-7)综合能源系统中，储电容量约束如下：
其中，i＝1,2,…,5；A3<0且A4<0时满足储电容量约束；
表示前i个时段的储电设备功率累加值；Wd表示电池的额定容量；
(3-8)综合能源系统中，储热容量约束如下：
其中，i＝1,2,…,5；A5<0且A6<0时满足储电容量约束；表示前i个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(3-9)综合能源系统中，储冷容量约束如下：
其中，i＝1,2,…,5；A7<0且A8<0时满足储电容量约束；
表示前i个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
步骤4：构造待优化变量矩阵，具体表示为：Matrix1＝[Pi,gas,Pi,net,Pi,pv,Pi,cd,Pi,eth,Pi,etc,Pi,cr,Pi,cl],i＝1,2,…,5；Matrix1为一个1×40的矩阵。
步骤5：将步骤2的目标函数与步骤3的约束条件构造遗传算法的适应度函数f2，公式如下：
步骤6：采用二进制编码法将Matrix1中每一个变量用N个二进制码表示，则可以将Matrix1转换为一个包含(40×N)个二进制码的矩阵Matrix2，随机构造M个二进制码的矩阵Matrix2，进而得到初始化的遗传算法种群Matrix3，Matrix3为一个M行，(40×N)列的二进制码的矩阵。
步骤7：通过遗传算法的选择操作、交叉操作、变异操作对遗传算法种群Matrix3进行进化，经过num1次迭代，最后得到使适应度函数f2最大的二进制码的矩阵Matrix2best，相应的，可得最优优化变量矩阵Matrix1best＝[Pi,gas,best,Pi,net,best,Pi,pv,best,Pi,cd,best,Pi,eth,best,Pi,etc,best,Pi,cr,best,Pi,cl,best],i＝1,2,…,5；
步骤8：对时段一进行细化寻优，具体包括：
(8-1)构建时段一的运行优化目标函数f3，如下：
其中，cki表示时刻k1从电网的购电价格，Pk1,gas表示时刻k1冷热电联产系统的发电功率，Pk1,net表示时刻k1从电网的购电量。
(8-2)构建包含时段一的约束条件，包括：
(8-2-1)电功率平衡约束如下：
其中，Aeq11＝0时满足电功率平衡约束，Pk1,pv表示时刻k1光伏的发电功率，Pk1,cd表示时刻k1储电设备的功率，Pk1,eth表示时刻k1电制热设备的功率，Pk1,etc表示时刻k1电制冷设备的功率，eLoadk1表示时刻k1的电力负荷的总需求；
(8-2-2)热功率约束如下：
其中，A11<0时满足热功率约束，hLoadk1表示时刻k1的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pk1,cr表示时刻k1储热设备的功率；
(8-2-3)冷功率约束如下：
其中，A12<0时满足冷功率约束，cLoadk1表示时刻k1的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pk1,cl表示时刻k1储冷设备的功率；
(8-2-4)设备出力功率约束如下：
其中，Aeq12、Aeq13、Aeq14、Aeq15、Aeq16、Aeq17、Aeq18、Aeq19均等于0时，满足设备出力功率约束。
(8-2-5)储电容量约束如下：
其中，A13<0且A14<0时满足储电容量约束；表示前k1个时段的储电设备功率累加值；Wd表示电池的额定容量；
(8-2-6)储热容量约束如下：
其中，A15<0且A16<0时满足储电容量约束；表示前k1个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(8-2-7)储冷容量约束如下：
其中，A17<0且A18<0时满足储电容量约束；
表示前k1个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
(8-3)构造时段一的待优化变量矩阵，具体表示为：Matrix4＝[Pk1,gas,Pk1,net,Pk1,pv,Pk1,cd,Pk1,eth,Pk1,etc,Pk1,cr,Pk1,cl],k1＝1,2,…,T1；Matrix4共包含8×T1个变量。
(8-4)将步骤(8-1)的目标函数与步骤(8-2)的约束条件构造遗传算法的适应度函数f4，公式如下：
g1＝Aeq11+Aeq12+Aeq13+Aeq14+Aeq15+Aeq16+Aeq17+Aeq18+Aeq19
g2＝A11+A12+A13+A14+A15+A16+A17+A18
(8-5)：采用二进制编码法将Matrix4中每一个变量用N1个二进制码表示，则可以将Matrix4转换为一个包含(8×T1×N1)个二进制码的矩阵Matrix5，随机构造M1个二进制码的矩阵Matrix5，进而得到初始化的遗传算法种群Matrix6，Matrix6为一个M1行，(8×T1×N1)列的二进制码的矩阵。
(8-6)：通过遗传算法的选择操作、交叉操作、变异操作对遗传算法种群Matrix6进行进化，经过num2次迭代，最后得到使适应度函数f4最大的二进制码的矩阵Matrix5best，相应的，可得时段一的最优优化变量矩阵Matrix4best＝[Pk1,gas,best,Pk1,net,best,Pk1,pv,best,Pk1,cd,best,Pk1,eth,best,Pk1,etc,best,Pk1,cr,best,Pk1,cl,best],k1＝1,2,…,T1；
步骤9：参照步骤8，依次对时段二、时段三、时段四、时段五进行细化寻优，分别得到时段二、时段三、时段四、时段五的最优优化变量矩阵。
步骤10：时段一、时段二、时段三、时段四、时段五的最优优化变量矩阵即为综合能源系统的运行优化结果。
与现有技术相比，本发明的有益效果是：
一、本发明设计的基于遗传算法的分段式综合能源系统运行优化方法，与直接进行全局寻优相比，能够有效约简每次寻优计算过程中的变量与约束条件个数，提高了遗传算法每次寻优计算结果的稳定收敛性，解决了全局寻优中的寻优结果难以收敛，易陷入局部最优的问题，有效地实现了综合能源系统多种能源间运行的最优配置，实现最大的经济效益；
二、遗传算法作为一种模拟自然进化过程的寻优算法，与传统的数学规划方法相比，通过选择操作、交叉操作、变异操作对遗传算法种群进行进化，不存在求导与函数连续性的限定，对不同的目标函数具有很强的适应性，可以自适应地调整搜索方向，具有更好地全局寻优能力。
附图说明
图1为分段式综合能源系统运行优化方法流程图；
图2为遗传算法流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明；
参照图1，分段式综合能源系统运行优化方法流程图，图2，遗传算法流程图：
步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为五个时段，包括：时段一(从时刻1到时刻T1)、时段二(从时刻(T1+1)到时刻T2)、时段三(从时刻(T2+1)到时刻T3)、时段四(从时刻(T3+1)到时刻T4)、时段五(从时刻(T4+1)到时刻24)；
步骤2：构建包含五个时段的运行优化目标函数f1，如下：
其中，cgas表示燃气价格,ci表示时段i从电网的购电价格，Pi,gas表示时段i冷热电联产系统的发电功率，Pi,net表示时段i从电网的购电量。
步骤3：构建包含五个时段的约束条件，包括：
(3-1)综合能源系统中，电功率平衡约束如下：
Aeq1＝Pi,gas+Pi,net+Pi,pv+Pi,cd-Pi,eth-Pi,etc-eLoadi
其中，Aeq1＝0时满足电功率平衡约束，Pi,pv表示时段i光伏的发电功率，Pi,cd表示时段i储电设备的功率，Pi,eth表示时段i电制热设备的功率，Pi,etc表示时段i电制冷设备的功率，eLoadi表示时段i的电力负荷的总需求；
(3-2)综合能源系统中，热功率约束如下：
A1＝hLoadi-ε1·Pi,gas-η1·Pi,eth-Pi,cr
其中，A1<0时满足热功率约束，hLoadi表示时段i的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pi,cr表示时段i储热设备的功率；
(3-3)综合能源系统中，冷功率约束如下：
A2＝cLoadi-ε2·Pi,gas-η2·Pi,etc-Pi,cl
其中，A2<0时满足冷功率约束，cLoadi表示时段i的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pi,cl表示时段i储冷设备的功率；
(3-4)综合能源系统中，充放电约束如下：
其中，Aeq2＝0时满足充放电约束。
(3-5)综合能源系统中，充放热约束如下：
其中，Aeq3＝0时满足充放热约束。
(3-6)综合能源系统中，充放冷约束如下：
其中，Aeq4＝0时满足充放冷约束。
(3-7)综合能源系统中，储电容量约束如下：
其中，i＝1,2,…,5；A3<0且A4<0时满足储电容量约束；表示前i个时段的储电设备功率累加值；Wd表示电池的额定容量；
(3-8)综合能源系统中，储热容量约束如下：
其中，i＝1,2,…,5；A5<0且A6<0时满足储电容量约束；
表示前i个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(3-9)综合能源系统中，储冷容量约束如下：
其中，i＝1,2,…,5；A7<0且A8<0时满足储电容量约束；
表示前i个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
步骤4：构造待优化变量矩阵，具体表示为：Matrix1＝[Pi,gas,Pi,net,Pi,pv,Pi,cd,Pi,eth,Pi,etc,Pi,cr,Pi,cl],i＝1,2,…,5；Matrix1为一个1×40的矩阵。
步骤5：将步骤2的目标函数与步骤3的约束条件构造遗传算法的适应度函数f2，公式如下：
步骤6：采用二进制编码法将Matrix1中每一个变量用N个二进制码表示，则可以将Matrix1转换为一个包含(40×N)个二进制码的矩阵Matrix2，随机构造M个二进制码的矩阵Matrix2，进而得到初始化的遗传算法种群Matrix3，Matrix3为一个M行，(40×N)列的二进制码的矩阵。
步骤7：通过遗传算法的选择操作、交叉操作、变异操作对遗传算法种群Matrix3进行进化，经过num1次迭代，最后得到使适应度函数f2最大的二进制码的矩阵Matrix2best，相应的，可得最优优化变量矩阵Matrix1best＝[Pi,gas,best,Pi,net,best,Pi,pv,best,Pi,cd,best,Pi,eth,best,Pi,etc,best,Pi,cr,best,Pi,cl,best],i＝1,2,…,5；
步骤8：对时段一进行细化寻优，具体包括：
(8-1)构建时段一的运行优化目标函数f3，如下：
其中，cki表示时刻k1从电网的购电价格，Pk1,gas表示时刻k1冷热电联产系统的发电功率，Pk1,net表示时刻k1从电网的购电量。
(8-2)构建包含时段一的约束条件，包括：
(8-2-1)电功率平衡约束如下：
其中，Aeq11＝0时满足电功率平衡约束，Pk1,pv表示时刻k1光伏的发电功率，Pk1,cd表示时刻k1储电设备的功率，Pk1,eth表示时刻k1电制热设备的功率，Pk1,etc表示时刻k1电制冷设备的功率，eLoadk1表示时刻k1的电力负荷的总需求；
(8-2-2)热功率约束如下：
其中，A11<0时满足热功率约束，hLoadk1表示时刻k1的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pk1,cr表示时刻k1储热设备的功率；
(8-2-3)冷功率约束如下：
其中，A12<0时满足冷功率约束，cLoadk1表示时刻k1的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pk1,cl表示时刻k1储冷设备的功率；
(8-2-4)设备出力功率约束如下：
其中，Aeq12、Aeq13、Aeq14、Aeq15、Aeq16、Aeq17、Aeq18、Aeq19均等于0时，满足设备出力功率约束。
(8-2-5)储电容量约束如下：
其中，A13<0且A14<0时满足储电容量约束；
表示前k1个时段的储电设备功率累加值；Wd表示电池的额定容量；
(8-2-6)储热容量约束如下：
其中，A15<0且A16<0时满足储电容量约束；
表示前k1个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(8-2-7)储冷容量约束如下：
其中，A17<0且A18<0时满足储电容量约束；
表示前k1个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
(8-3)构造时段一的待优化变量矩阵，具体表示为：Matrix4＝[Pk1,gas,Pk1,net,Pk1,pv,Pk1,cd,Pk1,eth,Pk1,etc,Pk1,cr,Pk1,cl],k1＝1,2,…,T1；Matrix4共包含8×T1个变量。
(8-4)将步骤(8-1)的目标函数与步骤(8-2)的约束条件构造遗传算法的适应度函数f4，公式如下：
g1＝Aeq11+Aeq12+Aeq13+Aeq14+Aeq15+Aeq16+Aeq17+Aeq18+Aeq19
g2＝A11+A12+A13+A14+A15+A16+A17+A18
(8-5)：采用二进制编码法将Matrix4中每一个变量用N1个二进制码表示，则可以将Matrix4转换为一个包含(8×T1×N1)个二进制码的矩阵Matrix5，随机构造M1个二进制码的矩阵Matrix5，进而得到初始化的遗传算法种群Matrix6，Matrix6为一个M1行，(8×T1×N1)列的二进制码的矩阵。
(8-6)：通过遗传算法的选择操作、交叉操作、变异操作对遗传算法种群Matrix6进行进化，经过num2次迭代，最后得到使适应度函数f4最大的二进制码的矩阵Matrix5best，相应的，可得时段一的最优优化变量矩阵Matrix4best＝[Pk1,gas,best,Pk1,net,best,Pk1,pv,best,Pk1,cd,best,Pk1,eth,best,Pk1,etc,best,Pk1,cr,best,Pk1,cl,best],k1＝1,2,…,T1；
步骤9：参照步骤8，依次对时段二、时段三、时段四、时段五进行细化寻优，分别得到时段二、时段三、时段四、时段五的最优优化变量矩阵。
步骤10：时段一、时段二、时段三、时段四、时段五的最优优化变量矩阵即为综合能源系统的运行优化结果。
Claims (1)
1.一种基于遗传算法的分段式综合能源系统运行优化方法,其特征在于：
步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为时段一、时段二、时段三、时段四、时段五的五个时段，时段一从时刻1到时刻T1，、时段二从时刻T1+1到时刻T2，时段三从时刻T2+1到时刻T3，时段四从时刻T3+1到时刻T4，时段五从时刻T4+1到时刻24；
步骤2：构建包含五个时段的运行优化目标函数f1，如下：
其中，cgas表示燃气价格,ci表示时段i从电网的购电价格，Pi,gas表示时段i冷热电联产系统的发电功率，Pi,net表示时段i从电网的购电量；
步骤3：构建包含五个时段的约束条件，包括：
(3-1)综合能源系统中，电功率平衡约束如下：
Aeq1＝Pi,gas+Pi,net+Pi,pv+Pi,cd-Pi,eth-Pi,etc-eLoadi
其中，Aeq1＝0时满足电功率平衡约束，Pi,pv表示时段i光伏的发电功率，Pi,cd表示时段i储电设备的功率，Pi,eth表示时段i电制热设备的功率，Pi,etc表示时段i电制冷设备的功率，eLoadi表示时段i的电力负荷的总需求；
(3-2)综合能源系统中，热功率约束如下：
A1＝hLoadi-ε1·Pi,gas-η1·Pi,eth-Pi,cr
其中，A1<0时满足热功率约束，hLoadi表示时段i的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pi,cr表示时段i储热设备的功率；
(3-3)综合能源系统中，冷功率约束如下：
A2＝cLoadi-ε2·Pi,gas-η2·Pi,etc-Pi,cl
其中，A2<0时满足冷功率约束，cLoadi表示时段i的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pi,cl表示时段i储冷设备的功率；
(3-4)综合能源系统中，充放电约束如下：
其中，Aeq2＝0时满足充放电约束；
(3-5)综合能源系统中，充放热约束如下：
其中，Aeq3＝0时满足充放热约束；
(3-6)综合能源系统中，充放冷约束如下：
其中，Aeq4＝0时满足充放冷约束；
(3-7)综合能源系统中，储电容量约束如下：
其中，i＝1,2,…,5；A3<0且A4<0时满足储电容量约束；
表示前i个时段的储电设备功率累加值；Wd表示电池的额定容量；
(3-8)综合能源系统中，储热容量约束如下：
其中，i＝1,2,…,5；A5<0且A6<0时满足储电容量约束；
表示前i个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(3-9)综合能源系统中，储冷容量约束如下：
其中，i＝1,2,…,5；A7<0且A8<0时满足储电容量约束；
表示前i个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
步骤4：构造待优化变量矩阵，具体表示为：Matrix1＝[Pi,gas,Pi,net,Pi,pv,Pi,cd,Pi,eth,Pi,etc,Pi,cr,Pi,cl],i＝1,2,…,5；Matrix1为一个1×40的矩阵；
步骤5：将步骤2的目标函数与步骤3的约束条件构造遗传算法的适应度函数f2，公式如下：
步骤6：采用二进制编码法将Matrix1中每一个变量用N个二进制码表示，则可以将Matrix1转换为一个包含40×N个二进制码的矩阵Matrix2，随机构造M个二进制码的矩阵Matrix2，进而得到初始化的遗传算法种群Matrix3，Matrix3为一个M行，40×N列的二进制码的矩阵；
步骤7：通过遗传算法的选择操作、交叉操作、变异操作对遗传算法种群Matrix3进行进化，经过num1次迭代，最后得到使适应度函数f2最大的二进制码的矩阵Matrix2best，相应的，可得最优优化变量矩阵Matrix1best＝[Pi,gas,best,Pi,net,best,Pi,pv,best,Pi,cd,best,Pi,eth,best,Pi,etc,best,Pi,cr,best,Pi,cl,best],i＝1,2,…,5；
步骤8：对时段一进行细化寻优，具体包括：
(8-1)构建时段一的运行优化目标函数f3，如下：
其中，cki表示时刻k1从电网的购电价格，Pk1,gas表示时刻k1冷热电联产系统的发电功率，Pk1,net表示时刻k1从电网的购电量；
(8-2)构建包含时段一的约束条件，包括：
(8-2-1)电功率平衡约束如下：
其中，Aeq11＝0时满足电功率平衡约束，Pk1,pv表示时刻k1光伏的发电功率，Pk1,cd表示时刻k1储电设备的功率，Pk1,eth表示时刻k1电制热设备的功率，Pk1,etc表示时刻k1电制冷设备的功率，eLoadk1表示时刻k1的电力负荷的总需求；
(8-2-2)热功率约束如下：
其中，A11<0时满足热功率约束，hLoadk1表示时刻k1的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pk1,cr表示时刻k1储热设备的功率；
(8-2-3)冷功率约束如下：
其中，A12<0时满足冷功率约束，cLoadk1表示时刻k1的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pk1,cl表示时刻k1储冷设备的功率；
(8-2-4)设备出力功率约束如下：
其中，Aeq12、Aeq13、Aeq14、Aeq15、Aeq16、Aeq17、Aeq18、Aeq19均等于0时，满足设备出力功率约束；
(8-2-5)储电容量约束如下：
其中，A13<0且A14<0时满足储电容量约束；
表示前k1个时段的储电设备功率累加值；Wd表示电池的额定容量；
(8-2-6)储热容量约束如下：
其中，A15<0且A16<0时满足储电容量约束；
表示前k1个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(8-2-7)储冷容量约束如下：
其中，A17<0且A18<0时满足储电容量约束；
表示前k1个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
(8-3)构造时段一的待优化变量矩阵，具体表示为：Matrix4＝[Pk1,gas,Pk1,net,Pk1,pv,Pk1,cd,Pk1,eth,Pk1,etc,Pk1,cr,Pk1,cl],k1＝1,2,…,T1；Matrix4共包含8×T1个变量；
(8-4)将步骤(8-1)的目标函数与步骤(8-2)的约束条件构造遗传算法的适应度函数f4，公式如下：
g1＝Aeq11+Aeq12+Aeq13+Aeq14+Aeq15+Aeq16+Aeq17+Aeq18+Aeq19
g2＝A11+A12+A13+A14+A15+A16+A17+A18
(8-5)：采用二进制编码法将Matrix4中每一个变量用N1个二进制码表示，则可以将Matrix4转换为一个包含8×T1×N1个二进制码的矩阵Matrix5，随机构造M1个二进制码的矩阵Matrix5，进而得到初始化的遗传算法种群Matrix6，Matrix6为一个M1行，8×T1×N1列的二进制码的矩阵；
(8-6)：通过遗传算法的选择操作、交叉操作、变异操作对遗传算法种群Matrix6进行进化，经过num2次迭代，最后得到使适应度函数f4最大的二进制码的矩阵Matrix5best，相应的，可得时段一的最优优化变量矩阵Matrix4best＝[Pk1,gas,best,Pk1,net,best,Pk1,pv,best,Pk1,cd,best,Pk1,eth,best,Pk1,etc,best,Pk1,cr,best,Pk1,cl,best],k1＝1,2,…,T1；
步骤9：参照步骤8，依次对时段二、时段三、时段四、时段五进行细化寻优，分别得到时段二、时段三、时段四、时段五的最优优化变量矩阵；
步骤10：时段一、时段二、时段三、时段四、时段五的最优优化变量矩阵即为综合能源系统的运行优化结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921498.8A CN110766204B (zh) | 2019-09-27 | 2019-09-27 | 一种基于遗传算法的分段式综合能源系统运行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921498.8A CN110766204B (zh) | 2019-09-27 | 2019-09-27 | 一种基于遗传算法的分段式综合能源系统运行优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110766204A true CN110766204A (zh) | 2020-02-07 |
| CN110766204B CN110766204B (zh) | 2022-04-01 |
Family
ID=69330537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910921498.8A Active CN110766204B (zh) | 2019-09-27 | 2019-09-27 | 一种基于遗传算法的分段式综合能源系统运行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110766204B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670639A (zh) * | 2018-12-17 | 2019-04-23 | 邓茂云 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
| CN110263981A (zh) * | 2019-05-30 | 2019-09-20 | 天津大学 | 考虑弹性调度策略的气-电耦合综合能源系统规划方法 |
-
2019
- 2019-09-27 CN CN201910921498.8A patent/CN110766204B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670639A (zh) * | 2018-12-17 | 2019-04-23 | 邓茂云 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
| CN110263981A (zh) * | 2019-05-30 | 2019-09-20 | 天津大学 | 考虑弹性调度策略的气-电耦合综合能源系统规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑玉平: "面向新型城镇的能源互联网关键技术及应用", 《电力系统自动化》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110766204B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110689189A (zh) | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 | |
| CN111950807B (zh) | 计及不确定性与需求响应的综合能源系统优化运行方法 | |
| 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 | |
| CN109345012B (zh) | 基于综合评价指标的园区能源互联网运行优化方法 | |
| CN105550766A (zh) | 一种含可再生能源的微网鲁棒多目标运行优化方法 | |
| 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 | |
| CN111639819B (zh) | 一种综合能源园区多阶段优化控制方法 | |
| Li et al. | Capacity design of a distributed energy system based on integrated optimization and operation strategy of exergy loss reduction | |
| CN112580867B (zh) | 一种基于q学习的园区综合能源系统低碳运行方法 | |
| CN112084629B (zh) | 一种基于两阶段鲁棒优化的多能虚拟电厂聚合方法 | |
| CN112365021A (zh) | 一种基于混合储能的区域综合能源系统规划优化方法 | |
| CN112862253B (zh) | 考虑风电不确定性的电-气-热储能协同规划方法及系统 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN112785065A (zh) | 基于混合人工鱼群算法的综合能源系统规划方法及系统 | |
| CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
| CN114154744A (zh) | 综合能源系统的扩容规划方法、装置及电子设备 | |
| CN108039741B (zh) | 计及微源余电上网的交直流混合微网优化运行方法 | |
| CN110796287B (zh) | 基于多种群遗传算法的分段式综合能源系统运行优化方法 | |
| CN116826752A (zh) | 一种台区用能多目标低碳降损优化调度策略方法 | |
| CN113158547B (zh) | 计及经济性和可靠性的区域综合能源系统优化配置方法 | |
| CN113673739B (zh) | 分布式综合能源系统的多时空尺度协同优化运行方法 | |
| CN109871999B (zh) | 一种综合能源系统的随机生产模拟方法及系统 | |
| CN110766204B (zh) | 一种基于遗传算法的分段式综合能源系统运行优化方法 | |
| CN116822831A (zh) | 含共享储能系统的微能源网群优化规划方法 |
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 |