CN111242388B - 一种考虑冷热电联供的微电网优化调度方法 - Google Patents

Abstract

本发明涉及一种考虑冷热电联供的微电网优化调度方法，用于优化冷热电联供的微电网的运行，所述微电网包括风机、光伏发电机和微型燃气轮机，所述方法采用改进蝴蝶算法求解预建立的微电网优化模型，获取最优解，所述微电网中设有蓄电池，用以在风机和光伏发电不足时，为微电网供电，所述改进蝴蝶算法通过反向学习策略对精英蝴蝶种群进行优化，通过混沌函数对随机数进行优化。与现有技术相比，本发明利用多能互补提高了微电网系统的综合能源利用率，降低了系统中各设备的储能容量，减少了微网的运行成本；通过改进的蝴蝶算法，提高了微电网优化模型求解的收敛速度和可靠性。

Description

一种考虑冷热电联供的微电网优化调度方法

技术领域

本发明涉及微电网领域，尤其是涉及考虑冷热电联供的微电网优化调度方法。

背景技术

冷热电联供(combined cooling heating and power，CCHP)系统存在冷、热、电三种能量，能够提高能源的综合利用率并减少污染物排放，具有良好的社会和经济效益。微电网解决了分布式电源大规模接入电网的问题，能够有效、灵活地利用各种分布式能源。CCHP型微电网存在冷、热、电三种能量之间的平衡关系，而微电网具有并网和孤岛运行两种方式。基于能源利用率和经济效益的考虑，在满足系统冷热负荷的前提下，如何制定最佳的优化调度策略这一问题受到越来越多的关注。

现有的微电网系统中风电、光伏发出功率存在间歇性、随机性等问题。蒸汽轮机在发出电能的同时也会产生大量热能及污染气体。微网的能源综合利用率较低，风电、光伏的消纳能力较差。现有微网的需求响应往往通过负荷削减或转移参与需求响应，会影响用户的用电体验，影响其舒适度。

发明内容

本发明的目的就是为了克服上述现有技术存在微电网运行中的波动性和不稳定性的缺陷而提供一种考虑冷热电联供的微电网优化调度方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑冷热电联供的微电网优化调度方法，用于优化冷热电联供的微电网的运行，所述微电网包括风机、光伏发电机和微型燃气轮机，所述方法采用改进蝴蝶算法求解预建立的微电网优化模型，获取最优解，所述微电网中设有蓄电池，用以在风机和光伏发电不足时，为微电网供电，所述改进蝴蝶算法通过反向学习策略对精英蝴蝶种群进行优化，通过混沌函数对随机数进行优化。

进一步地，所述微电网优化模型的目标函数的表达式为：

f(X)＝J_O(X)+J_F(X)+J_B(X)

式中，J_O(X)为设备的运行维护成本，J_F(X)为燃气轮机的燃料成本，J_B(X)为蓄电池的折旧成本。

进一步地，所述微电网优化模型包括电储能模型，该电储能模型的表达式为：

式中，E_ES(t)为t时刻蓄电池的储能容量，T为蓄电池的自放电率，P_{ES_ch}(t)为蓄电池在t时刻的充电功率，P_{ES_dis}(t)为蓄电池在t时刻的放电功率，η_sch为蓄电池在t时刻的充电效率，η_sdis为蓄电池在t时刻的放电效率。

进一步地，所述微电网优化模型包括蓄电池约束，该蓄电池约束的表达式为：

SOC_i+1-SOC_i＞δ

式中，SOC_i+1为i+1时刻蓄电池的SOC值，SOC_i为i+1时刻蓄电池的SOC值，δ为两相邻时刻蓄电池的标准SOC值。

进一步地，所述改进蝴蝶算法包括以下步骤：

S1：初始化输入参数，载入微电网优化模型，所述输入参数包括风光发电功率、负荷量、微型燃气轮机、蓄电池的出电量以及微电网运行成本函数；

S2：根据反向学习策略，计算出反向解蝴蝶；

S3：计算精英蝴蝶种群中每只蝴蝶产生的香味浓度，根据原始蝴蝶和反向解蝴蝶，并舍弃香味浓度低于预设的第一阈值的蝴蝶，构建精英蝴蝶种群；

S4：计算步骤S3更新后的蝴蝶种群的切换概率，并获取一随机数，若切换函数大于所述随机数，则依次进行步骤S5和S6，否则进行步骤S7，所述随机数的取值范围在0至1之间，所述随机数根据混沌函数获取；

S5：进行全局位置搜索，获取全局最优解；

S6：对全局最优解进行柯西变异，然后进行步骤S8；

S7：进行局部位置搜索，获取局部最优解，然后进行步骤S8；

S8：更新局部最优解和全局最优解；

S9：对步骤S3更新后的精英蝴蝶种群中所有的蝴蝶个体，进行正余弦操作，优化蝴蝶个体进行位置更新；

S10：判断是否达到最大迭代次数，若达到，则结束迭代，输出最优值和最优解，否则执行步骤S3至S10。

进一步地，所述反向解蝴蝶的计算表达式为：

式中，x_ij为普通蝴蝶x_i在j维上的值，

为普通蝴蝶的反向解，精英反向系数m为(0，1)的随机数，a_ij和b_ij为

在j维的最大最小值，j为算法空间的纬度。

进一步地，所述步骤S3中，所述构建精英蝴蝶种群还包括对不在精英蝴蝶种群区间内的蝴蝶赋值，更新精英蝴蝶种群。

首先引入反向学习策略优化蝴蝶算法，将当前迭代的最优个体视为精英个体，通过利用精英个体反向学习生成精英反向解，从当前解和精英反向解中挑选优异个体作为下一代种群，扩大搜索区域的范围，在保证种群多样性的同时，可以增强算法的全局搜索能力和寻优精度。

进一步地，所述对不在初始精英蝴蝶种群区间内的蝴蝶赋值的表达式为：

式中，x_ij为普通蝴蝶x_i在j维上的值，

为普通蝴蝶的反向解，精英反向系数m为(0，1)的随机数，a_ij和b_ij为

在j维的最大最小值，j为算法空间的纬度。

进一步地，步骤S4中，所述随机数的计算表达式为：

r_k+1＝sin(πr_k)，r₀＝0.7

式中，r_k为第k次迭代时的随机数，r₀为随机数的初始值。

进一步地，步骤S6中，所述对全局最优解进行柯西变异的计算表达式为：

x_newbest＝x_best+x_best×Cauchy(0，1)

式中，x_newbest为柯西变异后的全局最优解，x_best为全局最优解。

与现有技术相比，本发明具有以下优点：

(1)本发明针对楼宇型冷热电联供微电网，利用发电侧的能源互补，以系统运行成本最低为优化目标，优先对微网系统中的风电、光伏进行消纳，提高系统的综合能源利用率，并利用改进的蝴蝶算法进行求解，通过反向学习策略和混沌函数，加快了算法的收敛速度，提高了算法求解的可靠性。

(2)本发明微电网优化模型充分考虑了微电网中风机、光伏的出力，引入CCHP系统，提高了微电网对风机、光伏的消纳能力，充分考虑CCHP系统中，冷热负荷的潜在储能，利用多能互补提高了微电网系统的综合能源利用率，降低了系统中各设备的储能容量，能有效减少微网的运行成本，提高微网内能源的利用率，减少环境污染。

(3)本发明将混沌算法和正余弦算法引入传统蝴蝶算法，利用柯西变异提高了种群的多样性，通过反向学习策略对精英蝴蝶种群进行优化，提高了蝴蝶算法的全局搜索能力，加快了算法的收敛速度，提高收敛的准确性。

附图说明

图1为含冷热电联供的微电网系统的结构示意图；

图2为本发明改进的蝴蝶算法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

针对目前微电网运行中的波动性和不稳定性等问题，本实施例拟从发电侧出发，主要考虑冷热电联供系统中存在的冷热负荷的惯性因素，提高微电网对风电和光伏的消纳能力和微电网运行的经济性。CCHP的能源利用率较高，能够提高微电网对风能和太阳能的消纳能力。CCHP除自身配置的储能设备以外，利用其冷热负荷中的惯性因素构建多元储能系统，进一步优化系统设备的容量配置，提高整体的经济效益。

本实施例提供一种考虑冷热电联供的微电网优化调度方法，应用在含冷热电联供的微电网中。针对楼宇型冷热电联供微电网，利用发电侧的能源互补，以系统运行成本最低为优化目标，优先对微网系统中的风电、光伏进行消纳。重点考虑风机、光伏和燃气轮机的运维成本，建立单目标的微电网优化模型。将CCHP系统引入微电网，充分考虑CCHP系统中冷热负荷的潜在储能，提高系统的综合能源利用率。采用改进的蝴蝶算法进行求解，求得微网中各设备的最佳运行方式。

下面对本实施例提供的方法进行具体介绍。

一、微电网优化模型

微电网优化模型包括各设备的模型、目标函数以及约束条件，下面进行具体描述。

1、各设备的模型

1.1、微型燃气轮机模型

微型燃气轮机时CCHP系统的核心，在发电的同时会产生高温废烟，高温费烟进入余热锅炉转化为热能使用。本发明假设废烟在转化过程中温度不发生变化，忽略外界环境对微型蒸汽轮机的影响。其数学模型为：

其中，

式中C_Mr(t)为t时段燃气轮机的燃料成本；P_MT(t)、η_MT(t)为t时段微型气轮机发出有功功率和发电效率系数；Δτ为微型燃气轮机运行时间；R_gas为天然气单位价格；LH为天然气低位热值。

1.2、余热锅炉模型

式中H_he(t)为t时段余热锅炉的制热功率输出；η₁为燃气轮机散热损失系数；η_he为热回收效率；COP_he为余热锅炉的能效比。x(t)、1-x(t)分别为t时段微型燃气轮机烟气通入余热锅炉的流量比和烟气通入吸收式制冷机的流量比。

1.3、吸收式制冷机模型

Q_ac(t)＝H_ac(t)·COP_ac

式中Q_ac(t)、H_ac(t)为t时段吸收式制冷机的制冷功率输出和吸收的热功率；COP_ac为吸收式制冷机的能效比；Q_{ac_MT}(t)为t时段微型燃气轮机余热通过吸收式制冷机的制冷功率输出。

1.4、电制冷机模型

Q_ec(t)＝P_ec(t)×COP_ec

式中Q_ec(t)、P_ec(t)分别为t时段电制冷机的制冷功率输出和消耗的电功率；COP_ec为电制冷机的能效比。

1.5、电锅炉模型

H_eh(t)＝P_eh(t)×COP_eh

式中H_eh(t)、P_eh(t)为t时段电锅炉的制热功率输出和消耗的电功率；COP_eh为电锅炉的能效比。

1.6、电储能模型

电储能系统选取蓄电池作为储能设备。其储能容量与蓄电池充放电功率应满足：

式中E_ES(t)为t时刻蓄电池的储能容量；τ为蓄电池的自放电率；P_{ES_ch}(t)、P_{ES_dis}(t)和η_sch、η_sdis分别为蓄电池在t时刻的充/放电功率和充/放电效率。

2、确定系统优化目标

2.1、优化目标

选取24h内，蓄电池和微型燃气轮机在每小时内的出力，为CCHP型微电网优化调度问题的优化变量。在满足各单元物理约束和系统运行约束的条件下，运行期间优先使用风机、光伏、微型燃气轮机的发电满足电负荷，使系统的运行成本最低。

2.2、目标函数

本实施例中系统的目标函数为系统的运行成本f(X)，其计算表达式为：

f(X)＝J_O(X)+J_F(X)+J_B(X)

式中：J_O(X)为设备的运行维护成本；J_F(X)为燃气轮机的燃料成本；J_B(X)为蓄电池的折旧成本；目标函数的表达式可表示为：F(X)＝min(f(x))

3、约束条件

3.1、蓄电池

蓄电池应满足充放电功率约束，即：

-P_{ES_ch_max}≤P_ES≤P_{ES_dis_max}

式中，P_{ES_ch_max}为蓄电池最大允许充电功率，P_{ES_dis_max}为蓄电池最大允许放电功率，P_ES为蓄电池的功率。

通过等价转换可用蓄电池荷电状态表示充放电功率，即

SOC_i+1-SOC_i＞δ

式中，SOC_i+1和SOC_i分别为两相邻时刻的蓄电池SOC值。在不同运行状态下(充电或放电状态)，δ值不同。

3.2、微型燃气轮机

微型燃气轮机的发电功率应满足功率的上下限，即：

P_gen-min≤P_gen(t)≤P_gen-max

式中，P_{gen_min}为发电机的最小启动功率；P_{gen_max}为最大发电功率，一般取额定功率值。

此外，燃气轮机还应满足爬坡率的约束：

式中，P_up、P_down分别为发电机爬坡率的上、下限。

3.3、功率和能力平衡

系统运行时，应满足电功率平衡，即：

P_load(t)＝P_ES(t)+P_PV(t)+P_WT(t)

式中，P_load(t)、P_PV(t)、P_WT(t)分别为负荷预测功率、光伏和风力预测发电功率；P_ES(t)为蓄电池充放电功率。

同时还需要考虑热能平衡和冷能平衡，即：

Q_DAC(t)×COP_he≥Q_he(t)

Q_DAC(t)×COP_co≥Q_co(t)

式中，Q_DAC(t)表示t时段微燃机在发电过程中产生的余热；COP_he和COP_co分别表示吸收式机组的制热系数和制冷系数；Q_he(t)和Q_co(t)分别表示t时段热负荷和冷负荷水平，两种负荷通常不同时存在。

二、通过改进的蝴蝶算法对系统运行进行优化

本发明中，以优先使用风电、光伏为调度原则，利用改进的蝴蝶算法对该问题进行求解。取微型燃气轮机、蓄电池、的出电量和风机、光伏的预测功率为优化变量，输入改进蝴蝶算法进行优化。

图2所示为改进蝴蝶算法的流程图。具体步骤如下：

S1：初始化输入参数，包括预测风光发电功率、负荷量、微型燃气轮机、蓄电池的出电量以及微电网运行成本函数、约束条件，建立优化调度模型；

S2：应用反向学习策略，通过公式(1)计算出反向解蝴蝶，比较原始蝴蝶和反向解蝴蝶并舍弃香味浓度较低的蝴蝶；利用公式(2)将不再精英区间内的蝴蝶赋值，得到更好的精英蝴蝶种群；

S3：利用混沌函数代替随机函数，减少选择全局搜索和局部搜索的随机性，在每次迭代优化时，采用公式(3)计算rand(随机数)的值。若切换概率p＞rand，则按照公式(4)、(5)进行全局位置更新；

S4：若切换概率p＜rand，则按照公式(6)进行局部位置更新；

S5：得到局部和全局最优解后，通过公式(7)对所有的蝴蝶个体进行正余弦操作，进一步优化蝴蝶个体进行位置更新；

S6：判断是否达到最大迭代次数，若满足最大迭代次数，则结束程序，输出最优值和最优解，否则转步骤(3)。

此算法中，以微电网运行成本最低为目标函数，优先使用风机、光伏的出力，对微电网内各个设备单元进行优化调度，在满足约束条件的作用下，实现微电网经济最优。对于传统的微电网而言，引入冷热电联供系统后，降低了微电网运行成本，提高了系统的经济性。与传统蝴蝶算法相比，改进蝴蝶算法加快了收敛速度，提高了全局搜索能力。

此算法中各公式的计算表达式为：

公式(1)：

公式(2)：

式中，x_ij为普通蝴蝶x_i在j维上的值，

为普通蝴蝶的反向解，精英反向系数m为(0，1)的随机数，a_ij和b_ij为

在j维的最大最小值，j为算法空间的纬度。

公式(3)：

r_k+1＝sin(πr_k)，r₀＝0.7

式中，r_k为第k次迭代时的随机数，r₀为随机数的初始值。

公式(4)：

式中，

是第t次迭代中第i只蝴蝶的解向量x_i，g*表示在当前迭代的所有解中的最优解。第i只蝴蝶发出的香味量用f_i表示，r是[0，1]之间的随机数。

公式(5)：

x_newbest＝x_best+x_best×Cauchy(0，1)

公式(6)：

式中，

和

表示在第t次迭代解空间中的第j和第k只蝴蝶的解向量，r是[0,1]之间的随机数，表示局部随机游走。

公式(7)：

上式中含有四个参数，R1、R2、R3、R4，R1决定在下一次迭代第i个个体的位置更新方向，R2是[0,2π]之间的随机数，它决定下一次迭代中个体的移动距离；R3是随机权重的取值范围是[0,2]，R3>1时，

对下一代迭代中个体的位置更新具有明显的影响，否则没有影响效果；R4是[0,1]之间产生的一个随机数，R4决定蝴蝶个体的位置更新方式是正弦还是余弦操作。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种考虑冷热电联供的微电网优化调度方法，用于优化冷热电联供的微电网的运行，所述微电网包括风机、光伏发电机和微型燃气轮机，其特征在于，所述方法采用改进蝴蝶算法求解预建立的微电网优化模型，获取最优解，所述微电网优化模型以系统运行成本最低为优化目标，所述微电网中设有蓄电池，用以在风机和光伏发电不足时，为微电网供电，所述改进蝴蝶算法通过反向学习策略对精英蝴蝶种群进行优化，通过混沌函数对随机数进行优化；

所述改进蝴蝶算法包括以下步骤：

S1：初始化输入参数，载入微电网优化模型，所述输入参数包括风光发电功率、负荷量、微型燃气轮机、蓄电池的出电量以及微电网运行成本函数；

S2：根据反向学习策略，计算出反向解蝴蝶；

S3：计算精英蝴蝶种群中每只蝴蝶产生的香味浓度，根据原始蝴蝶和反向解蝴蝶，并舍弃香味浓度低于预设的第一阈值的蝴蝶，构建精英蝴蝶种群；

S4：计算步骤S3更新后的蝴蝶种群的切换概率，并获取一随机数，若切换函数大于所述随机数，则依次进行步骤S5和S6，否则进行步骤S7，所述随机数的取值范围在0至1之间，所述随机数根据混沌函数获取；

S5：进行全局位置搜索，获取全局最优解；

S6：对全局最优解进行柯西变异，然后进行步骤S8；

S7：进行局部位置搜索，获取局部最优解，然后进行步骤S8；

S8：更新局部最优解和全局最优解；

S9：通过公式(7)对步骤S3更新后的精英蝴蝶种群中所有的蝴蝶个体，进行正余弦操作，优化蝴蝶个体进行位置更新；

公式(7)：

上式中含有四个参数，R1、R2、R3、R4，R1决定在下一次迭代第i个个体的位置更新方向，R2是[0，2π]之间的随机数，它决定下一次迭代中个体的移动距离；R3是随机权重的取值范围是[0，2]，R3>1时，

对下一代迭代中个体的位置更新具有明显的影响，否则没有影响效果；R4是[0，1]之间产生的一个随机数，R4决定蝴蝶个体的位置更新方式是正弦还是余弦操作；

S10：判断是否达到最大迭代次数，若达到，则结束迭代，输出最优值和最优解，否则执行步骤S3至S10；

所述步骤S3中，所述构建精英蝴蝶种群还包括对不在精英蝴蝶种群区间内的蝴蝶赋值，更新精英蝴蝶种群；

所述对不在初始精英蝴蝶种群区间内的蝴蝶赋值的表达式为：

x′_ij＝a_ij；x′_ij＞a_ij

x′_ij＝b_ij；x′_ij＜b_ij

式中，x_ij为普通蝴蝶x_i在j维上的值，x′_ij为普通蝴蝶的反向解，a_ij和b_ij为

在j维的最大最小值，j为算法空间的纬度；

所述微电网优化模型的目标函数的表达式为：

f(X)＝J_O(X)+J_F(X)+J_B(X)

式中，J_O(X)为设备的运行维护成本，J_F(X)为燃气轮机的燃料成本，J_B(X)为蓄电池的折旧成本。

2.根据权利要求1所述的一种考虑冷热电联供的微电网优化调度方法，其特征在于，所述微电网优化模型包括电储能模型，该电储能模型的表达式为：

式中，E_ES(t)为t时刻蓄电池的储能容量，τ为蓄电池的自放电率，P_{ES_ch}(t)为蓄电池在t时刻的充电功率，P_{ES_dis}(t)为蓄电池在t时刻的放电功率，η_sch为蓄电池在t时刻的充电效率，η_sdis为蓄电池在t时刻的放电效率。

3.根据权利要求1所述的一种考虑冷热电联供的微电网优化调度方法，其特征在于，所述微电网优化模型包括蓄电池约束，该蓄电池约束的表达式为：

SOC_i+1-SOC_i＞δ

式中，SOC_i+1为i+1时刻蓄电池的SOC值，SOC_i为i+1时刻蓄电池的SOC值，δ为两相邻时刻蓄电池的标准SOC值。

4.根据权利要求1所述的一种考虑冷热电联供的微电网优化调度方法，其特征在于，所述反向解蝴蝶的计算表达式为：

x′_ij＝m(a_ij+b_ij)-x_ij

式中，x_ij为普通蝴蝶x_i在j维上的值，x′_ij为普通蝴蝶的反向解，精英反向系数m为(0，1)的随机数，a_ij和b_ij为

在j维的最大最小值，j为算法空间的纬度。

5.根据权利要求1所述的一种考虑冷热电联供的微电网优化调度方法，其特征在于，步骤S4中，所述随机数的计算表达式为：

r_k+1＝sin(πr_k)，r₀＝0.7

式中，r_k为第k次迭代时的随机数，r₀为随机数的初始值。

6.根据权利要求1所述的一种考虑冷热电联供的微电网优化调度方法，其特征在于，步骤S6中，所述对全局最优解进行柯西变异的计算表达式为：

x_newbest＝x_best+x_best×Cauchy(0，1)

式中，x_newbest为柯西变异后的全局最优解，x_best为全局最优解。

Images