CN110796287B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110796287B CN110796287B CN201910922614.8A CN201910922614A CN110796287B CN 110796287 B CN110796287 B CN 110796287B CN 201910922614 A CN201910922614 A CN 201910922614A CN 110796287 B CN110796287 B CN 110796287B
- Authority
- CN
- China
- Prior art keywords
- power
- time
- aeq
- population
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 65
- 230000002068 genetic effect Effects 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 230000005611 electricity Effects 0.000 claims abstract description 19
- 238000005338 heat storage Methods 0.000 claims description 26
- 238000001816 cooling Methods 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000005485 electric heating Methods 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000005057 refrigeration Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 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
- 238000007670 refining Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种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。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，通过多种群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，最后通过多种群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多种群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，提供一种基于多种群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：一种基于多种群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：令w＝1,2,…,S；构建第w个遗传算法种群，采用二进制编码法将Matrix1中每一个变量用N个随机二进制码表示，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Matrixw，Matrixw为一个M行，(40×N)列的二进制码的矩阵。如此，共构建S个遗传算法种群，每个种群包含M个个体。
步骤7：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixw进行进化。进化过程中，种群中适应度函数f2最大的个体是最优个体，适应度函数f2最小的个体是最劣个体，每一代进化中，将S个遗传算法种群中的S个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num1次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S-1；
步骤8：当精华种群中的最优个体经过num2次迭代后仍保持不变，则算法迭代终止，最后得到精华种群中使适应度函数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9：对时段一进行细化寻优，具体包括：
(9-1)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。
(9-2)构建包含时段一的约束条件，包括：
(9-2-1)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；
(9-2-2)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；
(9-2-3)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；
(9-2-4)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。
(9-2-5)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；
(9-2-6)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；
(9-2-7)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；
(9-3)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。
(9-4)将步骤(9-1)的目标函数与步骤(9-2)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
(9-5)：令u＝1,2,…,S1；构建第w个遗传算法种群，采用二进制编码法将Matrix4中每一个变量用N1个随机二进制码表示，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Matrixu，Matrixu为一个M1行，(8×T1×N1)列的二进制码的矩阵。如此，共构建S1个遗传算法种群，每个种群包含M1个个体。
(9-6)：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixu进行进化。进化过程中，种群中适应度函数f4最大的个体是最优个体，适应度函数f4最小的个体是最劣个体，每一代进化中，将S1个遗传算法种群中的S1个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num3次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S1-1；
(9-7)：当精华种群中的最优个体经过num4次迭代后仍保持不变，则算法迭代终止，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10：参照步骤9，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11：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、本发明设计的基于多种群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，提高了多种群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、多种群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；同时，多种群间的互相交流方式突破了遗传算法中仅依靠单个群体进行遗传进化的框架，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为多种群遗传算法流程图。
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，多种群遗传算法流程图：
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：令w＝1,2,…,S；构建第w个遗传算法种群，采用二进制编码法将Matrix1中每一个变量用N个随机二进制码表示，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Matrixw，Matrixw为一个M行，(40×N)列的二进制码的矩阵。如此，共构建S个遗传算法种群，每个种群包含M个个体。
步骤7：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixw进行进化。进化过程中，种群中适应度函数f2最大的个体是最优个体，适应度函数f2最小的个体是最劣个体，每一代进化中，将S个遗传算法种群中的S个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num1次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S-1；
步骤8：当精华种群中的最优个体经过num2次迭代后仍保持不变，则算法迭代终止，最后得到精华种群中使适应度函数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9：对时段一进行细化寻优，具体包括：
(9-1)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。
(9-2)构建包含时段一的约束条件，包括：
(9-2-1)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；
(9-2-2)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；
(9-2-3)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；
(9-2-4)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。
(9-2-5)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；
(9-2-6)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；
(9-2-7)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；
(9-3)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。
(9-4)将步骤(9-1)的目标函数与步骤(9-2)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
(9-5)：令u＝1,2,…,S1；构建第w个遗传算法种群，采用二进制编码法将Matrix4中每一个变量用N1个随机二进制码表示，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Matrixu，Matrixu为一个M1行，(8×T1×N1)列的二进制码的矩阵。如此，共构建S1个遗传算法种群，每个种群包含M1个个体。
(9-6)：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixu进行进化。进化过程中，种群中适应度函数f4最大的个体是最优个体，适应度函数f4最小的个体是最劣个体，每一代进化中，将S1个遗传算法种群中的S1个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num3次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S1-1；
(9-7)：当精华种群中的最优个体经过num4次迭代后仍保持不变，则算法迭代终止，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10：参照步骤9，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11：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)
1.一种基于多种群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：令w＝1,2,…,S；构建第w个遗传算法种群，采用二进制编码法将Matrix1中每一个变量用N个随机二进制码表示，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Matrixw，Matrixw为一个M行，40×N列的二进制码的矩阵；如此，共构建S个遗传算法种群，每个种群包含M个个体；
步骤7：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixw进行进化；进化过程中，种群中适应度函数f2最大的个体是最优个体，适应度函数f2最小的个体是最劣个体，每一代进化中，将S个遗传算法种群中的S个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num1次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S-1；
步骤8：当精华种群中的最优个体经过num2次迭代后仍保持不变，则算法迭代终止，最后得到精华种群中使适应度函数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9：对时段一进行细化寻优，具体包括：
(9-1)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；
(9-2)构建包含时段一的约束条件，包括：
(9-2-1)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；
(9-2-2)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；
(9-2-3)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；
(9-2-4)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；
(9-2-5)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；
(9-2-6)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；
(9-2-7)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；
(9-3)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；
(9-4)将步骤(9-1)的目标函数与步骤(9-2)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
(9-5)令u＝1,2,…,S1；构建第w个遗传算法种群，采用二进制编码法将Matrix4中每一个变量用N1个随机二进制码表示，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Matrixu，Matrixu为一个M1行，8×T1×N1列的二进制码的矩阵；如此，共构建S1个遗传算法种群，每个种群包含M1个个体；
(9-6)每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixu进行进化；进化过程中，种群中适应度函数f4最大的个体是最优个体，适应度函数f4最小的个体是最劣个体，每一代进化中，将S1个遗传算法种群中的S1个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num3次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S1-1；
(9-7)：当精华种群中的最优个体经过num4次迭代后仍保持不变，则算法迭代终止，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,P k1,cd,best,Pk1,eth,best,Pk1,etc,best,Pk1,cr,best,Pk1,cl,best],k1＝1,2,…,T1；
步骤10：参照步骤9，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11：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 |
|---|---|---|---|
| CN201910922614.8A CN110796287B (zh) | 2019-09-27 | 2019-09-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910922614.8A CN110796287B (zh) | 2019-09-27 | 2019-09-27 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110796287A CN110796287A (zh) | 2020-02-14 |
| CN110796287B true CN110796287B (zh) | 2022-04-01 |
Family
ID=69439913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910922614.8A Active CN110796287B (zh) | 2019-09-27 | 2019-09-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796287B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011095A (zh) * | 2021-03-23 | 2021-06-22 | 华东建筑集团股份有限公司 | 多时空多类型可再生能源协同规划设计方法及设计平台 |
| CN115296318A (zh) * | 2022-08-31 | 2022-11-04 | 中国华能集团清洁能源技术研究院有限公司 | 以阶梯发电计划为目标的光储系统储能容量优化配置方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
| 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 |
-
2019
- 2019-09-27 CN CN201910922614.8A patent/CN110796287B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 面向新型城镇的能源互联网关键技术及应用;郑玉平等;《电力系统自动化》;20190725;第43卷(第14期);第2-16页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110796287A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113394817B (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
| CN112069720B (zh) | 一种综合能源系统及其运行优化方法 | |
| CN109345005A (zh) | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 | |
| 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 | |
| CN106849190A (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
| CN114362153B (zh) | 一种并网型风光储系统多目标容量优化配置方法及系统 | |
| CN107704978A (zh) | 基于帕累托进化和vikor方法的电热经济调度方法 | |
| CN113239607A (zh) | 综合能源系统经济调度优化方法、系统、设备及存储介质 | |
| CN111950807A (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 | |
| 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 | |
| CN113410854B (zh) | 一种多类型储能系统优化运行方法 | |
| CN114707289A (zh) | 基于机会约束的电热耦合综合能源系统多目标优化方法 | |
| CN114595868A (zh) | 一种综合能源系统源网荷储协同规划方法及系统 | |
| 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 | |
| CN112036652A (zh) | 基于机会约束规划的光伏-储能综合能源系统规划方法 | |
| CN111932025A (zh) | 考虑光伏随机性的综合能源系统建设多阶段规划方法 | |
| 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 | |
| CN108182487A (zh) | 基于粒子群优化和本德尔分解的家庭能量数据优化方法 | |
| 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 | |
| CN107730032A (zh) | 一种泛能网电冷热三联供优化调度系统及方法 | |
| CN117764456A (zh) | 一种基于协同进化算法的园区综合能源系统优化方法 | |
| CN109995030B (zh) | 一种考虑脱网风险的储能装置soc下限值最优设置方法 | |
| CN109871999B (zh) | 一种综合能源系统的随机生产模拟方法及系统 | |
| CN116644912A (zh) | 综合能源系统优化运行方法及综合能源系统 | |
| 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 |
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 |