CN110956314A - 一种基于改进型粒子群算法的混合储能系统容量规划方法 - Google Patents
一种基于改进型粒子群算法的混合储能系统容量规划方法 Download PDFInfo
- Publication number
- CN110956314A CN110956314A CN201911129355.XA CN201911129355A CN110956314A CN 110956314 A CN110956314 A CN 110956314A CN 201911129355 A CN201911129355 A CN 201911129355A CN 110956314 A CN110956314 A CN 110956314A
- Authority
- CN
- China
- Prior art keywords
- storage equipment
- equipment system
- capacity
- cold
- particle swarm
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 85
- 238000004146 energy storage Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005338 heat storage Methods 0.000 claims abstract description 56
- 230000005611 electricity Effects 0.000 claims abstract description 55
- 238000010438 heat treatment Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000001816 cooling Methods 0.000 claims description 19
- 238000013459 approach Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 239000007787 solid Substances 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
- G06N3/004—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (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)
- Air Conditioning Control Device (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的一种基于改进型粒子群算法的混合储能系统容量规划方法,包括以下步骤:步骤1,分别获取应用储能的区域内的冷负荷在供冷季、热负荷在供热季和电负荷在非供暖与供冷季的典型日负荷曲线,以及该区域内冷负荷在供冷季、热负荷在供热季和电负荷在非供暖与供冷季的典型日价格走势曲线;步骤2,分别获取储电设备系统、储热设备系统和储冷设备系统的使用寿命、初始投资、年维护费用;之后分别计算分别储电设备系统、储热设备系统和储冷设备系统的年化成本;步骤3,根据储电设备系统的容量、储热设备系统的容量和储冷设备系统的容量、负荷需求和经济性建立粒子群算法;步骤4,根据步骤3建立的粒子群算法进行储能容量寻优计算;本发明采用改进型粒子群算法解决一个区域内综合能源储存容量的优化配置问题,实现经济、稳定用能。
Description
技术领域
本发明涉及储能规划技术领域,尤其涉及一种基于改进型粒子群算法的混合储能系统容量规划方法。
背景技术
近年来,随着电网峰谷电价差的不断扩大,在用户侧应用储能技术能够显著降低用户的用能成本,目前诸如锂电池、铅酸电池的储电设备及系统,水蓄冷、冰蓄冷的储冷设备及系统,固体蓄热、相变蓄热的储热设备及系统在用户侧已成功应用并取得良好的经济效益。在泛在能源互联网、综合能源服务等能源发展新趋势不断深化的当下,考虑用户侧冷、热、电负荷需求的混合储能系统被重视起来,因此,需要通过分析冷、热、电的典型负荷特性,以经济用能为目标进行多类储能设备及系统容量的优化配置,从而降低综合用能成本、提升能源利用稳定性。
而目前尚未有人涉足多类储能设备及系统容量的优化配置这一领域。
发明内容
本发明的目的在于提供的一种基于改进型粒子群算法的混合储能系统容量规划方法,解决了现有的混合储能系统容量优化配置存在空白的缺陷。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种基于改进型粒子群算法的混合储能系统容量规划方法,包括以下步骤:
步骤1,分别获取应用储能的区域内的冷负荷在供冷季、热负荷在供热季和电负荷在非供暖与供冷季的典型日负荷曲线,以及该区域内冷负荷在供冷季、热负荷在供热季和电负荷在非供暖与供冷季的典型日价格走势曲线;
步骤2,分别获取储电设备系统、储热设备系统和储冷设备系统的使用寿命、初始投资、年维护费用;之后分别计算分别储电设备系统、储热设备系统和储冷设备系统的年化成本;
步骤3,根据储电设备系统的容量、储热设备系统的容量和储冷设备系统的容量、负荷需求和经济性建立粒子群算法;
步骤4,根据步骤3建立的粒子群算法进行储能容量寻优计算。
优选地,步骤2中,按照下式分别计算储电设备系统、储热设备系统和储冷设备系统的年化成本:
其中,cI为初投资;cM为每年耗费的运维成本;λ为折现率,表示预期收支折算成等值现值的比率;cE为第j年的子设备替换费用;cR为储能系统退役时的设备残值。
优选地,根据储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量、负荷需求和经济性建立粒子群算法的具体方法是:
分别以储电设备系统、储热设备系统、储冷设备系统的容量为粒子群的三个运动维度,以负荷需求为约束条件、经济性为目标函数,将约束条件和目标函数分别转化为粒子群算法的粒子群运动域范围和适应度函数。
优选地,约束条件的表达式如下式:
其中,VE、VC、VH分别为储电设备系统的容量、储冷设备系统的容量、储热设备系统的容量;LE、LC、LH分别为电负荷、冷负荷、热负荷在非供暖与供冷季、供冷季、供暖季的典型日负荷曲线在典型日价格走势曲线高峰段的负荷需求能量;
为获得储电设备系统、储热设备系统和储冷设备系统的最优容量,令目标函数E最大化,目标函数E的表达式如下:
其中,ηE、ηC、ηH分别为储电设备系统的储释能效率、储冷设备系统的储释能效率、储热设备系统的储释能效率;TC、TH分别为供冷季的天数、供暖季的天数;cY-E、cY-C、cY-H分别为储电设备系统的年化成本、储冷设备系统的年化成本、储热设备系统的年化成本;cp-h、cp-l分别为电网峰电价、电网谷电价。
优选地,步骤4中,根据步骤3建立的粒子群算法进行储能容量寻优计算的具体方法是:
通过粒子i的惯性权重因子分别更新储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量在粒子群的三个运动维度的位置;
分别计算储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量每个更新后的位置的目标函数E;
将目标函数E最大时对应的储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量设置为混合储能系统的容量最优配置。
优选地,粒子i的惯性权重因子的表达式如下:
其中,t为迭代次数,tmax为迭代次数阈值;wmax、wmin分别为预设的惯性权重因子最大值、最小值;lg-i为第i个粒子到粒子群历史最优位置的欧氏距离,lmax为预设的最大距离,当lg-i≥lmax时,wi(t)=wmax。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于改进型粒子群算法的混合储能系统容量规划方法,在储能容量优化规划与配置方面,现有技术主要聚焦于单一种类的储能设备及系统集成,鲜有考虑多种类型的储能设备及系统的应用情况。当前泛在能源互联网、综合能源服务等概念与技术在国内方兴未艾,本发明开发的一种基于改进型粒子群算法的混合储能系统容量规划方法,可以解决一个区域内综合能源储存容量的优化配置问题,实现经济、稳定用能。
采用粒子群算法可使能源存储容量的配置计算快速收敛到优化值,但是传统的粒子群算法也存在精度低、易发散等问题,尤其是当惯性权重因子相对偏小或偏大时,传统粒子群算法可能出现迭代次数增多或错过最优解等情况;本发明采用改进型粒子群算法,其惯性权重因子跟随每次迭代的粒子位置自动调整其位置改变速度,平衡了粒子群位置收敛速度与位置精度之间的矛盾,算法性能优于传统粒子群,获得比传统粒子群算法更精确的最优解。
附图说明
图1为本发明的流程示意图。
图2为某旅游度假村的典型日负荷曲线。
图3为电网电价日走势曲线。
图4为采用传统粒子群算法和改进型粒子群算法的适应度函数值(标幺后)进化曲线对比图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
如图1所示,本发明提供的一种基于改进型粒子群算法的混合储能系统容量规划方法,包括以下步骤:
步骤A、选定需要应用储能的区域,收集该区域内冷负荷在供冷季的典型日负荷曲线、热负荷在供热季的典型日负荷曲线、电负荷在非供暖与供冷季的典型日负荷曲线,以及该区域内冷负荷在供冷季的典型日价格走势曲线、热负荷在供热季的典型日价格走势曲线、电负荷在非供暖与供冷季的典型日价格走势曲线,进入步骤B;
步骤B、根据市场调研与询价,分别获取储电设备系统、储热设备系统和储冷设备系统的使用寿命、初始投资、年维护费用,之后分别计算分别储电设备系统、储热设备系统和储冷设备系统的年化成本,进入步骤C;
步骤C、分别以储电设备系统的容量、储热设备系统的容量和储冷设备系统的容量为粒子群的三个运动维度,以负荷需求为约束条件、经济性为目标函数,将约束条件和目标函数分别转化为粒子群算法的粒子群运动域范围和适应度函数,进入步骤D;
步骤D、根据储电设备系统的容量、储热设备系统的容量和储冷设备系统的容量、负荷需求和经济性建立粒子群算法,进入步骤E;
步骤E、根据步骤D建立的粒子群算法进行储能容量寻优计算。
所述的步骤A中,电负荷包括以电制热和以电制冷的负荷。
所述的步骤B中,按照下式分别计算储电设备系统、储热设备系统和储冷设备系统的年化成本:
式(1)中,cI为初投资;cM为每年耗费的运维成本;λ为折现率,表示预期收支折算成等值现值的比率;cE为第j年的子设备替换费用;cR为储能系统退役时的设备残值,n为使用寿命。
所述的步骤C中,根据储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量、负荷需求和经济性建立粒子群算法的具体方法是:
分别以储电设备系统、储热设备系统、储冷设备系统的容量为粒子群的三个运动维度,以负荷需求为约束条件、经济性为目标函数,将约束条件和目标函数分别转化为粒子群算法的粒子群运动域范围和适应度函数。
约束条件的表达式如下式:
式(2)中:VE、VC、VH分别为储电、储冷、储热的容量;LE、LC、LH分别为电、冷、热在非供暖与供冷季、供冷季、供暖季的典型日负荷曲线在典型日价格走势曲线高峰段的负荷需求能量。
为获得储电设备系统、储热设备系统和储冷设备系统的最优容量,令目标函数E最大化:
式(3)中:ηE、ηC、ηH分别为储电设备系统的储释能效率、储冷设备系统的储释能效率、储热设备系统的储释能效率;TC、TH分别为供冷季的天数、供暖季的天数;cY-E、cY-C、cY-H分别为储电设备系统的年化成本、储冷设备系统的年化成本、储热设备系统的年化成本;cp-h、cp-l分别为电网峰电价、电网谷电价。
所述的步骤E中,根据步骤D建立的粒子群算法进行储能容量寻优计算的具体方法是:
通过粒子i的惯性权重因子分别更新储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量在粒子群的三个运动维度的位置;
分别计算储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量每个更新后的位置的目标函数E;
将目标函数E最大时对应的储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量设置为混合储能系统的容量最优配置。
粒子i的惯性权重因子的表达式如下:
式(4)中:t为迭代次数,tmax为迭代次数阈值;wmax、wmin分别为预设的惯性权重因子最大值、最小值;lg-i为第i个粒子到粒子群历史最优位置的欧氏距离,lmax为预设的最大距离,当lg-i≥lmax时,wi(t)=wmax。
实施例
该旅游度假村冬季供暖的基础热负荷采用地热资源,负荷主要为夏季供冷、冬季补充供暖、厨房、照明等,依靠电网电能满足,而地热资源源源不断没有存储必要,因此可认为冷、补充供暖的热负荷是电负荷的一部分。该旅游度假村的冷、热、电三种负荷在供冷季、供暖季、非供暖与供冷季的典型日负荷曲线,如图2所示;收集区域内供给冷、热、电三种能源在供冷季、供暖季、非供暖与供冷季的典型日价格走势曲线,如图3所示。
根据市场调研与询价,获得目前市场上主流的储电、储热、储冷设备及系统的寿命、初投资、年维护费用,按储能系统使用n年计算储电、储热、储冷设备及系统的年化成本cY:
式(1)中:cI为初投资,是可能与容量相关的线性或非线性函数;cM为每年耗费的运维成本;λ为折现率,表示预期收支折算成等值现值的比率;cE为第j年的子设备替换费用;cR为储能系统退役时的设备残值;n为使用寿命。
考虑到旅游度假村的现场条件限制,采用水蓄热及蓄冷一体化装置在供冷季储冷及供热季储热、采用磷酸铁锂电池在全年每日储电。
以储电、储热、储冷的容量为粒子群的三个运动维度,以负荷需求为约束条件、经济性为目标函数,将约束条件和目标函数分别转化为粒子群算法的粒子群运动域范围和适应度函数。
约束条件:
式(2)中:VE、VC、VH分别为储电、储冷、储热的容量;LE、LC、LH分别为电、冷、热在非供暖与供冷季、供冷季、供暖季的典型日负荷曲线在典型日价格走势曲线高峰段的负荷需求能量。
为获得储电设备系统、储热设备系统和储冷设备系统的最优容量,令目标函数E最大化:
式(3)中:ηE、ηC、ηH分别为储电、储冷、储热设备及系统的储释能效率;TC、TH分别为供冷季、供暖季天数;cY-E、cY-C、cY-H分别为储电、储冷、储热设备及系统的年化成本;cp-h、cp-l分别为电网峰、谷电价。
利用改进型粒子群算法进行储能容量寻优计算:为使粒子群算法随迭代次数增长其输出结果逐步逼近全局最优,每一次迭代计算都更新能够影响算法全局搜索能力和局部搜索能力的惯性权重因子,为使改进型粒子群算法随迭代次数增多其计算结果逐步逼近全局最优解,各个粒子的惯性权重因子取值跟随迭代次数增多而递减、并跟随其与粒子群历史最优位置的欧式距离增加而递增,即粒子i的惯性权重因子wi:
式(4)中:t为迭代次数,tmax为迭代次数阈值;wmax、wmin分别为预设的惯性权重因子最大值、最小值;lg-i为第i个粒子到粒子群历史最优位置的欧氏距离,lmax为预设的最大距离,当lg-i≥lmax时,wi(t)=wmax。
当粒子群的三个运动维度的数值分别迭代至相同时,即获得该区域配置储电、储热、储冷的储能容量规划结果。对该旅游度假村的储能容量配置而言,取[wmin,wmax]=[0.2,1],则采用传统粒子群算法和改进型粒子群算法的适应度函数值(标幺后)进化曲线对比如图4所示,惯性权重因子wi不断进化的粒子群算法迭代八次后收敛至最优值,而wi取固定值(=0.5)的粒子群算法收敛较慢且陷入了局部最优结果。采用改进型粒子群算法优化计算该旅游度假村的储电、储热(储冷)装置容量配置分别为664kwh、450kwh,此时的混合储能系统经济性最佳,可实现每年净收益32.8万元。
Claims (6)
1.一种基于改进型粒子群算法的混合储能系统容量规划方法,其特征在于,包括以下步骤:
步骤1,分别获取应用储能的区域内的冷负荷在供冷季、热负荷在供热季和电负荷在非供暖与供冷季的典型日负荷曲线,以及该区域内冷负荷在供冷季、热负荷在供热季和电负荷在非供暖与供冷季的典型日价格走势曲线;
步骤2,分别获取储电设备系统、储热设备系统和储冷设备系统的使用寿命、初始投资、年维护费用;之后分别计算分别储电设备系统、储热设备系统和储冷设备系统的年化成本;
步骤3,根据储电设备系统的容量、储热设备系统的容量和储冷设备系统的容量、负荷需求和经济性建立粒子群算法;
步骤4,根据步骤3建立的粒子群算法进行储能容量寻优计算。
3.根据权利要求1所述的一种基于改进型粒子群算法的混合储能系统容量规划方法,其特征在于,根据储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量、负荷需求和经济性建立粒子群算法的具体方法是:
分别以储电设备系统、储热设备系统、储冷设备系统的容量为粒子群的三个运动维度,以负荷需求为约束条件、经济性为目标函数,将约束条件和目标函数分别转化为粒子群算法的粒子群运动域范围和适应度函数。
4.根据权利要求3所述的一种基于改进型粒子群算法的混合储能系统容量规划方法,其特征在于,约束条件的表达式如下式:
其中,VE、VC、VH分别为储电设备系统的容量、储冷设备系统的容量、储热设备系统的容量;LE、LC、LH分别为电负荷、冷负荷、热负荷在非供暖与供冷季、供冷季、供暖季的典型日负荷曲线在典型日价格走势曲线高峰段的负荷需求能量;
为获得储电设备系统、储热设备系统和储冷设备系统的最优容量,令目标函数E最大化,目标函数E的表达式如下:
其中,ηE、ηC、ηH分别为储电设备系统的储释能效率、储冷设备系统的储释能效率、储热设备系统的储释能效率;TC、TH分别为供冷季的天数、供暖季的天数;cY-E、cY-C、cY-H分别为储电设备系统的年化成本、储冷设备系统的年化成本、储热设备系统的年化成本;cp-h、cp-l分别为电网峰电价、电网谷电价。
5.根据权利要求1所述的一种基于改进型粒子群算法的混合储能系统容量规划方法,其特征在于,步骤4中,根据步骤3建立的粒子群算法进行储能容量寻优计算的具体方法是:
通过粒子i的惯性权重因子分别更新储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量在粒子群的三个运动维度的位置;
分别计算储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量每个更新后的位置的目标函数E;
将目标函数E最大时对应的储电设备系统的容量、储热设备系统的容量、储冷设备系统的容量设置为混合储能系统的容量最优配置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129355.XA CN110956314B (zh) | 2019-11-18 | 2019-11-18 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
PCT/CN2020/119999 WO2021098401A1 (zh) | 2019-11-18 | 2020-10-09 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129355.XA CN110956314B (zh) | 2019-11-18 | 2019-11-18 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956314A true CN110956314A (zh) | 2020-04-03 |
CN110956314B CN110956314B (zh) | 2024-01-23 |
Family
ID=69977761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911129355.XA Active CN110956314B (zh) | 2019-11-18 | 2019-11-18 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110956314B (zh) |
WO (1) | WO2021098401A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098401A1 (zh) * | 2019-11-18 | 2021-05-27 | 西安热工研究院有限公司 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
CN115275978A (zh) * | 2022-07-01 | 2022-11-01 | 金华电力设计院有限公司 | 一种基于改进粒子群算法的微能源网优化运行方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723662B (zh) * | 2021-07-06 | 2024-08-02 | 国网浙江省电力有限公司宁波供电公司 | 计及设备生命周期价值的综合能源系统优化调度方法 |
CN113642879B (zh) * | 2021-08-09 | 2024-05-24 | 东南大学 | 一种面向综合能效提升的虚拟电厂容量规划方法 |
CN113962828B (zh) * | 2021-10-26 | 2024-05-10 | 长春工程学院 | 考虑碳消耗的综合能源系统协调调度方法 |
CN114398748B (zh) * | 2021-11-26 | 2024-08-20 | 嘉兴英集动力科技有限公司 | 基于水力计算和双层优化的电蓄热装置规划方法及系统 |
CN114169117A (zh) * | 2021-12-13 | 2022-03-11 | 国家电网有限公司 | 一种基于改进粒子群算法的输电网扩展规划方法 |
CN114462308B (zh) * | 2022-01-18 | 2024-06-28 | 三峡大学 | 一种考虑配电网潮流均衡性的蓄热式电采暖优化配置方法 |
CN114493020B (zh) * | 2022-01-29 | 2024-08-02 | 浙江英集动力科技有限公司 | 基于全生命周期成本和碳排放的综合能源系统规划方法 |
CN114742269B (zh) * | 2022-03-08 | 2024-06-21 | 国网能源研究院有限公司 | 考虑多能耦合的园区综合能源系统顶层设计方法及装置 |
CN115146834A (zh) * | 2022-06-16 | 2022-10-04 | 国网江苏省电力有限公司经济技术研究院 | 基于改进粒子群算法的阶梯型碳交易机制参数优化方法 |
CN115940216B (zh) * | 2022-12-26 | 2024-07-19 | 国网湖北省电力有限公司经济技术研究院 | 计及柔性负荷影响的储能容量优化配置方法 |
CN117911197B (zh) * | 2024-03-20 | 2024-07-05 | 国网江西省电力有限公司电力科学研究院 | 基于改进多目标粒子群算法的光伏选址定容方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067299A1 (en) * | 2012-08-29 | 2014-03-06 | Bin Lu | System and method for electric load identification and classification employing support vector machine |
CN107657342A (zh) * | 2017-09-25 | 2018-02-02 | 上海泛智能源装备有限公司 | 一种分布式能源系统的配置方法及装置 |
CN110165665A (zh) * | 2019-05-29 | 2019-08-23 | 长沙理工大学 | 一种基于改进多目标粒子群算法的源-荷-储调度方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013397866A1 (en) * | 2013-08-13 | 2016-03-03 | Accenture Global Services Limited | System, method and apparatus for integrated multi-energy scheduling in a micro-grid and a tangible computer readable medium |
CN107482638B (zh) * | 2017-07-21 | 2020-04-28 | 杭州电子科技大学 | 冷热电联供型微电网多目标动态优化调度方法 |
CN108039736B (zh) * | 2017-11-14 | 2019-05-17 | 国网辽宁省电力有限公司 | 一种提高风电接纳能力的大容量储热储电协调调度方法 |
CN108665188B (zh) * | 2018-05-23 | 2022-03-18 | 国网天津市电力公司电力科学研究院 | 一种基于优化模型的园区多能源主体综合配比方法 |
CN109245093A (zh) * | 2018-09-28 | 2019-01-18 | 上海电力学院 | 一种冷热电联供分布式能源站协同优化调度方法 |
CN110163767A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种含多利益主体的区域综合能源系统分散式规划方法 |
CN110956314B (zh) * | 2019-11-18 | 2024-01-23 | 西安热工研究院有限公司 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
-
2019
- 2019-11-18 CN CN201911129355.XA patent/CN110956314B/zh active Active
-
2020
- 2020-10-09 WO PCT/CN2020/119999 patent/WO2021098401A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067299A1 (en) * | 2012-08-29 | 2014-03-06 | Bin Lu | System and method for electric load identification and classification employing support vector machine |
CN107657342A (zh) * | 2017-09-25 | 2018-02-02 | 上海泛智能源装备有限公司 | 一种分布式能源系统的配置方法及装置 |
CN110165665A (zh) * | 2019-05-29 | 2019-08-23 | 长沙理工大学 | 一种基于改进多目标粒子群算法的源-荷-储调度方法 |
Non-Patent Citations (2)
Title |
---|
A, LORESTANI等: ""Optimization of autonomous combined heat and power system including PVT, WT, storage, and electic heat utilizing novel evolutionary particle swarm optimization algorithm"", 《RENEWABLE ENERGY》, pages 490 - 503 * |
文乐等: ""并网型多能互补系统优化规划方法"", 《热力发电》, pages 1 - 3 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098401A1 (zh) * | 2019-11-18 | 2021-05-27 | 西安热工研究院有限公司 | 一种基于改进型粒子群算法的混合储能系统容量规划方法 |
CN115275978A (zh) * | 2022-07-01 | 2022-11-01 | 金华电力设计院有限公司 | 一种基于改进粒子群算法的微能源网优化运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956314B (zh) | 2024-01-23 |
WO2021098401A1 (zh) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956314A (zh) | 一种基于改进型粒子群算法的混合储能系统容量规划方法 | |
CN109510224B (zh) | 光伏储能与分布式能源联合的容量配置与运行优化方法 | |
CN111445090B (zh) | 一种离网型综合能源系统双层规划方法 | |
CN108487994B (zh) | 一种微能源网复合储能系统 | |
CN113240204A (zh) | 考虑可再生能源消纳区域能源站容量优化配置方法及系统 | |
Han et al. | Economic evaluation of micro-grid system in commercial parks based on echelon utilization batteries | |
CN112329260A (zh) | 一种多能互补微网多元多目标优化配置与优化运行方法 | |
CN112241923A (zh) | 一种基于综合能源系统源荷等效外特性的配网电力平衡方法 | |
CN116613725A (zh) | 一种光伏电站直流制氢优化配置方法 | |
CN117852712A (zh) | 一种海岛综合能源系统的优化方法 | |
CN113807746B (zh) | 一种冷热电联供系统的综合运行优化方法 | |
CN116029518A (zh) | 一种计及广义储能的园区综合能源系统的碳排放规划方法 | |
CN113627720B (zh) | 基于电能替代的综合园区风光储系统配置方法 | |
CN114139830A (zh) | 一种智慧能源站的优化调度方法、装置及电子设备 | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
CN116306194A (zh) | 基于多目标优化理论的综合能源系统能效优化配置方法 | |
CN113327065A (zh) | 针对发电侧的用户复杂用电情况的能源管理方法及系统 | |
CN112819197A (zh) | 一种区域智慧能源系统优化配置方法和系统 | |
CN111614081A (zh) | 基于负荷预测模型的城市配电网降损优化方法 | |
CN109447369A (zh) | 一种基于模拟退火算法的考虑多因素的产能端功率分配方法 | |
Du et al. | Optimal Configuration of Integrated Energy Systems Based on Mixed Integer Linear Programming | |
CN114301094B (zh) | 一种pv/t耦合能源系统的模型预测控制优化运行方法 | |
CN108270237A (zh) | 基于分布式光伏电源的并网控制以及调度的方法 | |
CN112084463B (zh) | 一种碳排放下的电力系统分布式光伏配置方法 | |
Fei et al. | Dynamic Assessment of Loss Reduction Effect in Smart Grid Based on Load Forecasting Model |
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 |