CN111367171A - 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 - Google Patents
太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 Download PDFInfo
- Publication number
- CN111367171A CN111367171A CN202010099541.XA CN202010099541A CN111367171A CN 111367171 A CN111367171 A CN 111367171A CN 202010099541 A CN202010099541 A CN 202010099541A CN 111367171 A CN111367171 A CN 111367171A
- Authority
- CN
- China
- Prior art keywords
- power system
- combined cooling
- particle
- heating
- pareto
- 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.)
- Pending
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 241
- 238000010438 heat treatment Methods 0.000 title claims abstract description 229
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000003345 natural gas Substances 0.000 title claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 267
- 238000013178 mathematical model Methods 0.000 claims abstract description 80
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 97
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 20
- 238000002485 combustion reaction Methods 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 17
- 238000010168 coupling process Methods 0.000 claims description 17
- 238000005859 coupling reaction Methods 0.000 claims description 17
- 238000005338 heat storage Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 238000010521 absorption reaction Methods 0.000 claims description 13
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 239000007789 gas Substances 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000011234 economic evaluation Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000002918 waste heat Substances 0.000 description 7
- 238000010248 power generation Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
- F24S20/00—Solar heat collectors specially adapted for particular uses or environments
- F24S20/40—Solar heat collectors combined with other heat sources, e.g. using electrical heating or heat from ambient air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B15/00—Sorption machines, plants or systems, operating continuously, e.g. absorption type
- F25B15/02—Sorption machines, plants or systems, operating continuously, e.g. absorption type without inert gas
- F25B15/06—Sorption machines, plants or systems, operating continuously, e.g. absorption type without inert gas the refrigerant being water vapour evaporated from a salt solution, e.g. lithium bromide
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/27—Relating to heating, ventilation or air conditioning [HVAC] technologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/62—Absorption based systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/40—Solar thermal energy, e.g. solar towers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Materials Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种太阳能与天然气耦合冷热电联供系统多目标优化方法及系统，包括：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的粒子种群；确定冷热电联供系统数学模型中的粒子种群的约束条件；建立冷热电联供系统评价模型；初始化冷热电联供系统数学模型中粒子种群参数及粒子速度；根据粒子种群参数及粒子速度，计算适应度指标；根据适应度指标基于帕累托最优的多目标粒子群算法，计算帕累托最优解集，运用基于理想解的多属性决策方法，确定最优配置参数；本发明解决了帕累托最优解集中多样化方案的客观排序问题，遴选出帕累托最优解集中的最佳方案，满足冷热电联供系统的优化设计需求。
Description
技术领域
本发明涉及冷热电联供系统优化设计领域，具体地，涉及太阳能与天然气耦合冷热电联供系统多目标优化方法及系统，更为具体地，涉及一种基于帕累托最优和粒子群算法的太阳能与天然气耦合冷热电联供系统多目标优化方法及系统。
背景技术
不断增长的能源消耗已经引起了严重能源与环境问题。合理高效利用清洁能源已经成为解决上述问题的重要手段。其中，太阳能与天然气耦合冷热电联供系统既可实现可再生能源与天然气的高效利用，又同时满足多样化的负荷需求，已经得到各国政府的大力推广。实际工程中，传统冷热电联供等分布式供能系统设计主要依据最大热(冷)或电负荷等集总负荷参数，忽略了气象条件、建筑功能等因素引起的冷、热、电负荷动态变化特点，往往不能保证系统的高效运行，因此，如何进行分布式供能系统的优化已经成为该技术领域的一个研究热点。
太阳能与天然气耦合冷热电联供的优化涉及众多系统设计参数和运行参数，需要综合考虑技术、环境、经济等多方面因素，是一个复杂约束下多参数多目标的非线性优化问题。混合整型线性规划等经典优化算法往往不能很好地解决多参数多极值多目标的复杂优化问题。而且，优化过程中所涉及的技术、环境和经济等指标往往彼此冲突，常规的单一指标优化方法难以实现优化目标之间的平衡，并不能为决策者提供一组灵活选择的解。此外，现有的多目标优化方法往往忽略了帕累托优化方案集的最终决策问题，因此不能引导决策者客观地筛选出最终设计方案。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种太阳能与天然气耦合冷热电联供系统多目标优化方法及系统。
根据本发明提供的一种太阳能与天然气耦合冷热电联供系统多目标优化方法，包括：
步骤M1：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的优化变量，即粒子种群；
步骤M2：确定冷热电负荷需求和冷热电联供系统数学模型中粒子种群的约束条件；
步骤M3：确定冷热电联供系统优化运行的技术、经济与环保性能，建立天然气冷热电联供系统的评价指标，并作为优化目标函数，建立冷热电联供系统评价模型；
步骤M4：在冷热电联供系统数学模型中粒子种群的约束条件范围内，初始化冷热电联供系统数学模型中粒子种群位置及粒子速度；
步骤M5：基于冷热电联供系统评价模型和冷热电联供系统数学模型，根据粒子种群位置及粒子速度，计算适应度指标；基于帕累托最优的多目标粒子群算法，根据适应度指标，计算冷热电联供系统的帕累托最优解集；
步骤M6：根据冷热电联供系统的帕累托最优解集，运用基于理想解的多属性决策方法，最终确定冷热电联供系统的最优配置参数；
所述冷热电联供系统数学模型用于模拟冷热电联供系统运行过程中的能量变化；
所述冷热电联供系统评价模型是将冷热电联供系统的数学模型运行结果，通过计算得到对应节能、环保、经济评价指标的模型，用于评价冷热电联供系统的运行；
所述粒子速度是粒子在一次迭代过程中的位移量；
所述帕累托最优的多目标粒子群算法包括粒子速度更新机制、帕累托支配准则和/或外部解集更新策略。
优选地，所述步骤M1中粒子种群包括：冷热电联供系统的组成设备类型、冷热电联供系统的组成设备容量；
所述冷热电联供系统的组成设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组和/或燃气锅炉；
所述步骤M2包括：冷热电能量平衡约束和设备容量约束；在冷热电联供系统数学模型设定能量分配节点约束，初始化冷热电联供系统数学模型中优化变量的上下限约束；
所述步骤M3中天然气冷热电联供系统的评价指标包括：一次能源节约率、二氧化碳减排率和/或年平均费用节约率。
优选地，所述步骤M5包括：
步骤M5.1：将每个粒子对应的位置及粒子速度输入至冷热电联供系统的数学模型中，得到当前冷热电联供系统配置下的运行结果；
步骤M5.2：将运行结果输入至冷热电联供系统的评价模型，得到评价指标，即当前粒子的适应度指标；
步骤M5.3：基于帕累托最优的多目标粒子群算法中帕累托支配准则，根据适应度指标，更新帕累托解集及评价空间网格；
步骤M5.4：根据更新的帕累托解集及评价空间网格，判断是否满足预设迭代次数或适应度指标是否满足预设精度；
当满足预设迭代次数或满足预设精度适应度指标时，则得到帕累托最优解集；当不满足预设迭代次数或不满足预设精度适应度指标时，则根据帕累托最优的多目标粒子群算法中粒子速度更新机制更新粒子速度和粒子位置，执行步骤M5.1至步骤M5.4，直至迭代次数满足预设值或适应度指标满足预设精度；
所述评价空间网格是指运用超立方网格利用帕累托最优的多目标粒子群算法中外部解集更新策略判断外部解集中的帕累托解在评价空间的分布密度，优先在密度低的超立方网格中进行更新；所述外部解集是指每次迭代后获得的帕累托解集，每次迭代后获得的帕累托解集，设置变量单独存储。
优选地，所述步骤M5.3中帕累托支配准则包括：
对于任意n，满足fn(x1)≥fn(x2)；而且至少存在一个n0，满足fn0(x1)>fn0(x2)；(1)
其中，fn(x)为第n个优化目标函数；
当满足条件(1)时，则粒子对应参数评价指标组成的向量x1支配粒子对应参数评价指标组成的向量x2；当不满足条件(1)时，则粒子对应参数评价指标组成的向量x1不支配粒子对应参数评价指标组成的向量x2；
所述步骤M5.4中更新粒子速度和粒子位置包括：更新粒子速度及粒子位置公式如下：
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k+1次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量；gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
优选地，所述步骤M6包括：通过计算冷热电联供系统的帕累托最优解集，帕累托最优解集中与理想解的接近程度，对帕累托最优解集进行排序；其中与理想解的接近程度的计算公式为：
其中，S是帕累托最优解集与理想解的接近程度；
和
分别是帕累托最优解集的负理想解和理想解；
和
分别是第i个帕累托最优解到负理想解和理想解的距离，n表示评价指标个数，aij表示表示第i个方案第j个评价指标对应的数值；
所述理想解是帕累托最优解集中每个指标最优值组成的评价向量。
根据本发明提供的一种太阳能与天然气耦合冷热电联供系统多目标优化系统，包括：
模块M1：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的优化变量，即粒子种群；
模块M2：确定冷热电负荷需求和冷热电联供系统数学模型中粒子种群的约束条件；
模块M3：确定冷热电联供系统优化运行的技术、经济与环保性能，建立天然气冷热电联供系统的评价指标，并作为优化目标函数，建立冷热电联供系统评价模型；
模块M4：在冷热电联供系统数学模型中粒子种群的约束条件范围内，初始化冷热电联供系统数学模型中粒子种群位置及粒子速度；
模块M5：基于冷热电联供系统评价模型和冷热电联供系统数学模型，根据粒子种群位置及粒子速度，计算适应度指标；基于帕累托最优的多目标粒子群算法，根据适应度指标，计算冷热电联供系统的帕累托最优解集；
模块M6：根据冷热电联供系统的帕累托最优解集，运用基于理想解的多属性决策方法，最终确定冷热电联供系统的最优配置参数；
所述冷热电联供系统数学模型用于模拟冷热电联供系统运行过程中的能量变化；
所述冷热电联供系统评价模型是将冷热电联供系统的数学模型运行结果，通过计算得到对应节能、环保、经济评价指标的模型，用于评价冷热电联供系统的运行；
所述粒子速度是粒子在一次迭代过程中的位移量；
所述帕累托最优的多目标粒子群算法包括粒子速度更新机制、帕累托支配准则和/或外部解集更新策略。
优选地，所述模块M1中粒子种群包括：冷热电联供系统的组成设备类型、冷热电联供系统的组成设备容量；
所述冷热电联供系统的组成设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组和/或燃气锅炉；
所述模块M2包括：冷热电能量平衡约束和设备容量约束；在冷热电联供系统数学模型设定能量分配节点约束，初始化冷热电联供系统数学模型中优化变量的上下限约束；
所述模块M3中天然气冷热电联供系统的评价指标包括：一次能源节约率、二氧化碳减排率和/或年平均费用节约率。
优选地，所述模块M5包括：
模块M5.1：将每个粒子对应的位置及粒子速度输入至冷热电联供系统的数学模型中，得到当前冷热电联供系统配置下的运行结果；
模块M5.2：将运行结果输入至冷热电联供系统的评价模型，得到评价指标，即当前粒子的适应度指标；
模块M5.3：基于帕累托最优的多目标粒子群算法中帕累托支配准则，根据适应度指标，更新帕累托解集及评价空间网格；
模块M5.4：根据更新的帕累托解集及评价空间网格，判断是否满足预设迭代次数或适应度指标是否满足预设精度；
当满足预设迭代次数或满足预设精度适应度指标时，则得到帕累托最优解集；当不满足预设迭代次数或不满足预设精度适应度指标时，则根据帕累托最优的多目标粒子群算法中粒子速度更新机制更新粒子速度和粒子位置，触发模块M5.1至模块M5.4执行，直至迭代次数满足预设值或适应度指标满足预设精度；
所述评价空间网格是指运用超立方网格利用帕累托最优的多目标粒子群算法中外部解集更新策略判断外部解集中的帕累托解在评价空间的分布密度，优先在密度低的超立方网格中进行更新；所述外部解集是指每次迭代后获得的帕累托解集，每次迭代后获得的帕累托解集，设置变量单独存储。
优选地，所述模块M5.3中帕累托支配准则包括：
对于任意n，满足fn(x1)≥fn(x2)；而且至少存在一个n0，满足fn0(x1)>fn0(x2)；(1)
其中，fn(x)为第n个优化目标函数；
当满足条件(1)时，则粒子对应参数评价指标组成的向量x1支配粒子对应参数评价指标组成的向量x2；当不满足条件(1)时，则粒子对应参数评价指标组成的向量x1不支配粒子对应参数评价指标组成的向量x2；
所述模块M5.4中更新粒子速度和粒子位置包括：更新粒子速度及粒子位置公式如下：
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k+1次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量；gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
优选地，所述模块M6包括：通过计算冷热电联供系统的帕累托最优解集，帕累托最优解集中与理想解的接近程度，对帕累托最优解集进行排序，其中与理想解的接近程度的计算公式为：
其中，S是帕累托最优解集与理想解的接近程度；
和
分别是帕累托最优解集的负理想解和理想解；
和
分别是第i个帕累托最优解到负理想解和理想解的距离，n表示评价指标个数，aij表示表示第i个方案第j个评价指标对应的数值；
所述理想解是帕累托最优解集中每个指标最优值组成的评价向量。与现有技术相比，本发明具有如下的有益效果：
1、本发明将帕累托最优方法与粒子群算法结合，形成基于帕累托最优的多目标粒子群优化算法，从而改善了冷热电联供系统优化设计问题的求解速度，同时平衡了多目标优化问题的各个因素并确定冷热电联供系统优化问题的最优解集，为决策者提供多样性的待选方案。
2、本发明采用基于理想点原理的多属性决策方法，解决了帕累托最优解集中多样化方案的客观排序问题，遴选出帕累托最优解集中的最佳方案，从而满足冷热电联供系统的优化设计需求。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于帕累托最优和粒子群算法的太阳能与天然气耦合冷热电联供系统多目标优化方法流程图；
图2为基于帕累托最优和粒子群算法的太阳能与天然气耦合冷热电联供系统图；
图3为迭代次数为500时所形成的帕累托前沿图：a.帕累托前沿立体图；b.帕累托前沿投影图及各评价指标数据箱图；
图4为基于帕累托最优的多目标优化方法与基于线性加权平均的单目标优化方法结果比较。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明建立了基于设备运行约束和能量平衡的太阳能与天然气耦合冷热电联供系统模型，并以太阳能与天然气耦合冷热电联供系统的经济性、环保性、一次能源利用率为多目标优化函数，提出了帕累托最优和粒子群算法相结合的多目标优化算法。粒子群算法具有求解速度快、全局寻优能力强等特性，能很好地求解复杂约束下的多参数非线性优化问题。帕累托最优理论可以平衡多目标优化问题中的各个因素，能有效解决多目标优化问题。将其与粒子群算法相结合可以快速准确求解出冷热电联供系统的帕累托最优解集。进一步采用基于理想点的多属性决策方法对帕累托最优解集中各方案进行综合评价与排序，遴选帕累托优化方案集合的最优方案，为太阳能与天然气耦合冷热电联供系统的优化设计提供指导依据。用以解决太阳能与天然气耦合冷热电联供系统设计过程中多参数多极值多目标的复杂优化问题。
根据本发明提供的一种太阳能与天然气耦合冷热电联供系统多目标优化方法，包括：
步骤M1：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的优化变量，即粒子种群；
步骤M2：确定冷热电负荷需求和冷热电联供系统数学模型中粒子种群的约束条件；
步骤M3：确定冷热电联供系统优化运行的技术、经济与环保性能，建立天然气冷热电联供系统的评价指标，并作为优化目标函数，建立冷热电联供系统评价模型；
步骤M4：初始化冷热电联供系统数学模型中粒子种群位置及粒子速度；初始化粒子种群位置及粒子速度是给冷热电联供系统数学模型输入参数赋值。
步骤M5：基于冷热电联供系统评价模型和冷热电联供系统数学模型，根据粒子种群位置及粒子速度，计算适应度指标；基于帕累托最优的多目标粒子群算法，根据适应度指标，计算冷热电联供系统的帕累托最优解集；
步骤M6：根据冷热电联供系统的帕累托最优解集，运用基于理想解的多属性决策方法，最终确定冷热电联供系统的最优配置参数；
所述冷热电联供系统数学模型是基于热力学定律建立的，用于模拟冷热电联供系统运行过程中的能量变化；
所述冷热电联供系统评价模型是基于能源利用效率、经济性等计算公式建立的，将冷热电联供系统的数学模型运行结果，通过计算得到对应节能、环保、经济评价指标的模型，用于评价冷热电联供系统的运行。
所述粒子速度是粒子在一次迭代过程中的位移量；例如：粒子从第K+1次迭代到K次迭代粒子的位移量。初始化粒子速度是给第一代中每个粒子的速度赋值，一般是在每个元素约束范围内随机赋值；
所述帕累托最优的多目标粒子群算法包括粒子速度更新机制、帕累托支配准则和/或外部解集更新策略。
具体地，所述步骤M1中粒子种群包括：冷热电联供系统的组成设备类型、冷热电联供系统的组成设备容量；
所述冷热电联供系统的组成设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组和/或燃气锅炉；
所述步骤M2包括：冷热电能量平衡约束和设备容量约束；在冷热电联供系统数学模型设定能量分配节点约束，初始化冷热电联供系统数学模型中优化变量的上下限约束；
约束条件包括：1、对于优化变量的约束，即优化变量的上下限；2、对于冷热电联供系统的数学模型中各个节点能量守恒的等式约束。
所述步骤M3中天然气冷热电联供系统的评价指标包括：一次能源节约率、二氧化碳减排率和/或年平均费用节约率。
具体地，所述步骤M5包括：
步骤M5.1：将每个粒子对应的位置及粒子速度输入至冷热电联供系统的数学模型中，得到当前冷热电联供系统部件配置下的运行结果；
如果冷热电联供系统不含某种部件，则在优化中该部件的容量上下限直接设为0，通过上述方法可以改变冷热电联供系统所含部件即冷热电联供系统配置。
步骤M5.2：将运行结果输入至冷热电联供系统的评价模型，得到评价指标，即当前粒子的适应度指标；
步骤M5.3：基于帕累托最优的多目标粒子群算法中帕累托支配准则，根据适应度指标，更新帕累托解集及评价空间网格；
步骤M5.4：根据更新的帕累托解集及评价空间网格，判断是否满足预设迭代次数或适应度指标是否满足预设精度；
当满足预设迭代次数或满足预设精度适应度指标时，则得到帕累托最优解集；当不满足预设迭代次数或不满足预设精度适应度指标时，则根据帕累托最优的多目标粒子群算法中粒子速度更新机制更新粒子速度和粒子位置，执行步骤M5.1至步骤M5.4，直至迭代次数满足预设值或适应度指标满足预设精度；
通过在此代所有粒子适应度及其历史适应度之间比较，最后筛选出来优选结果，帕累托解集是当前计算的所得到的最优结果。
所述评价空间网格是指运用超立方网格利用帕累托最优的多目标粒子群算法中外部解集更新策略判断外部解集中的帕累托解在评价空间的分布密度，优先在密度低的超立方网格中进行更新；所述外部解集是指每次迭代后获得的帕累托解集，每次迭代后获得的帕累托解集，设置变量单独存储。即利用每个粒子的适应度值将其映射到评价空间中，在评价空间中生成超立方网格，来表现粒子在评价空间中的分布情况。
具体地，所述步骤M5.3中帕累托支配准则包括：
对于任意n，满足fn(x1)≥fn(x2)；而且至少存在一个n0，满足fn0(x1)>fn0(x2)；(1)
其中，fn(x)为第n个优化目标函数；
当满足条件(1)时，则粒子对应参数评价指标组成的向量x1支配粒子对应参数评价指标组成的向量x2；当不满足条件(1)时，则粒子对应参数评价指标组成的向量x1不支配粒子对应参数评价指标组成的向量x2；利用帕累托准则将确定此代粒子中未被支配的粒子后，需挑选出部分粒子，进入帕累托解集，此时应优先在帕累托解集粒子密度低的网格更新。
所述步骤M5.4中更新粒子速度和粒子位置包括：更新粒子速度公式(2)及粒子位置公式(3)如下所示：
公式(3)表示K+1代的位置就是K代的位置+K代的速度；
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k+1次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量；gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
具体地，所述步骤M6包括：通过计算冷热电联供系统的帕累托最优解集，帕累托最优解集中与理想解的接近程度，对帕累托最优解集进行排序；其中与理想解的接近程度的计算公式为：
其中，S是帕累托最优解集与理想解的接近程度；
和
分别是帕累托最优解集的负理想解和理想解；
和
分别是第i个帕累托最优解到负理想解和理想解的距离，n表示评价指标个数，aij表示表示第i个方案第j个评价指标对应的数值。
理想解是解集中每个指标最优值组成的评价向量；
根据本发明提供的一种太阳能与天然气耦合冷热电联供系统多目标优化系统，包括：
模块M1：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的优化变量，即粒子种群；
模块M2：确定冷热电负荷需求和冷热电联供系统数学模型中粒子种群的约束条件；
模块M3：确定冷热电联供系统优化运行的技术、经济与环保性能，建立天然气冷热电联供系统的评价指标，并作为优化目标函数，建立冷热电联供系统评价模型；
模块M4：初始化冷热电联供系统数学模型中粒子种群位置及粒子速度；初始化粒子种群位置及粒子速度是给冷热电联供系统数学模型输入参数赋值。
模块M5：基于冷热电联供系统评价模型和冷热电联供系统数学模型，根据粒子种群位置及粒子速度，计算适应度指标；基于帕累托最优的多目标粒子群算法，根据适应度指标，计算冷热电联供系统的帕累托最优解集；
模块M6：根据冷热电联供系统的帕累托最优解集，运用基于理想解的多属性决策方法，最终确定冷热电联供系统的最优配置参数；
所述冷热电联供系统数学模型是基于热力学定律建立的，用于模拟冷热电联供系统运行过程中的能量变化；
所述冷热电联供系统评价模型是基于能源利用效率、经济性等计算公式建立的，将冷热电联供系统的数学模型运行结果，通过计算得到对应节能、环保、经济评价指标的模型；用于评价冷热电联供系统的运行。
所述粒子速度是粒子在一次迭代过程中的位移量；例如：粒子从第K+1次迭代到K次迭代粒子的位移量。初始化粒子速度是给第一代中每个粒子的速度赋值，一般是在每个元素约束范围内随机赋值；
所述帕累托最优的多目标粒子群算法包括粒子速度更新机制、帕累托支配准则和/或外部解集更新策略。
具体地，所述模块M1中粒子种群包括：冷热电联供系统的组成设备类型、冷热电联供系统的组成设备容量；
所述冷热电联供系统的组成设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组和/或燃气锅炉；
所述模块M2包括：冷热电能量平衡约束和设备容量约束；在冷热电联供系统数学模型设定能量分配节点约束，初始化冷热电联供系统数学模型中优化变量的上下限约束；
约束条件包括：1、对于优化变量的约束，即优化变量的上下限；2、对于冷热电联供系统的数学模型中各个节点能量守恒的等式约束。
所述模块M3中天然气冷热电联供系统的评价指标包括：一次能源节约率、二氧化碳减排率和/或年平均费用节约率。
具体地，所述模块M5包括：
模块M5.1：将每个粒子对应的位置及粒子速度输入至冷热电联供系统的数学模型中，得到当前冷热电联供系统部件配置下的运行结果；
如果冷热电联供系统不含某种部件，则在优化中该部件的容量上下限直接设为0，通过上述方法可以改变冷热电联供系统所含部件即冷热电联供系统容配置。
模块M5.2：将运行结果输入至冷热电联供系统的评价模型，得到评价指标，即当前粒子的适应度指标；
模块M5.3：基于帕累托最优的多目标粒子群算法中帕累托支配准则，根据适应度指标，更新帕累托解集及评价空间网格；
模块M5.4：根据更新的帕累托解集及评价空间网格，判断是否满足预设迭代次数或适应度指标是否满足预设精度；
当满足预设迭代次数或满足预设精度适应度指标时，则得到帕累托最优解集；当不满足预设迭代次数或不满足预设精度适应度指标时，则根据帕累托最优的多目标粒子群算法中粒子速度更新机制更新粒子速度和粒子位置，触发模块M5.1至模块M5.4执行，直至迭代次数满足预设值或适应度指标满足预设精度；
通过在此代所有粒子适应度及其历史适应度之间比较，最后筛选出来优选结果，帕累托解集是当前计算的所得到的最优结果。
所述评价空间网格是指运用超立方网格利用帕累托最优的多目标粒子群算法中外部解集更新策略判断外部解集中的帕累托解在评价空间的分布密度，优先在密度低的超立方网格中进行更新；所述外部解集是指每次迭代后获得的帕累托解集，每次迭代后获得的帕累托解集，设置变量单独存储。即利用每个粒子的适应度值将其映射到评价空间中，在评价空间中生成超立方网格，来表现粒子在评价空间中的分布情况。
具体地，所述模块M5.3中帕累托支配准则包括：
对于任意n，满足fn(x1)≥fn(x2)；而且至少存在一个n0，满足fn0(x1)>fn0(x2)；(1)
其中，fn(x)为第n个优化目标函数；
当满足条件(1)时，则粒子对应参数评价指标组成的向量x1支配粒子对应参数评价指标组成的向量x2；当不满足条件(1)时，则粒子对应参数评价指标组成的向量x1不支配粒子对应参数评价指标组成的向量x2；利用帕累托准则将确定此代粒子中未被支配的粒子后，需挑选出部分粒子，进入帕累托解集，此时应优先在帕累托解集粒子密度低的网格更新。
所述模块M5.4中更新粒子速度和粒子位置包括：更新粒子速度公式(2)及粒子位置公式(3)如下所示：
公式(3)表示K+1代的位置就是K代的位置+K代的速度；
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k+1次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量；gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
具体地，所述模块M6包括：通过计算冷热电联供系统的帕累托最优解集，帕累托最优解集中与理想解的接近程度，对帕累托最优解集进行排序；其中与理想解的接近程度的计算公式为：
其中，S是帕累托最优解集与理想解的接近程度；
和
分别是帕累托最优解集的负理想解和理想解；
和
分别是第i个帕累托最优解到负理想解和理想解的距离，n表示评价指标个数，aij表示表示第i个方案第j个评价指标对应的数值。
理想解是解集中每个指标最优值组成的评价向量；
以下优选例对本发明做进一步详细说明：
图1为基于帕累托最优和粒子群算法的太阳能与天然气耦合冷热电联供系统多目标优化方法的流程图，具体包括以下步骤：
步骤S1，建立太阳能与天然气耦合冷热电联供系统的数学模型；
图2为太阳能与天然气耦合冷热电联供系统图，所述系统的关键设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组、燃气锅炉。
建立内燃机发电机组的数学模型：
其中，Epgu是内燃机组发电量；Fpgu是天然气燃烧的发热量；ηpgu,e是内燃机组发电效率；Qr是内燃机组余热回收量；ηpgu,r是内燃机组余热回收效率。
建立太阳能光伏阵列的数学模型：
EPV＝APVGηrefηinverter[1-β(Tcell-Tref)+γLogG]
其中，EPV是光伏阵列发电量；APV是光伏阵列总面积；G是单位面积上太阳辐照；ηref是光伏板参考发电效率；ηinverter是逆变器效率；Tcell是光伏板温度；其中，Tref表示光伏电池板标准工作温度。β，γ是光伏板光电转化效率的温度系数和太阳辐照系数。
建立太阳能集热阵列的数学模型：
QST＝ASTGηST
其中，QST是太阳能集热阵列输出功率；AST是太阳能集热器总面积；ηST是太阳能集热器效率。
建立溴化锂吸收式制冷机组的数学模型
Qac＝Qrc×COPac
其中，Qac是溴化锂吸收式制冷机产冷量；Qrc是输入溴化锂吸收式制冷机的回收余热；COPac是溴化锂吸收式制冷机能效。
建立电制冷机组的数学模型
Qec＝Eec×COPec
其中，Qec是电制冷机产冷量；Eec是电制冷机的耗电量；COPec是电制冷机能效。
建立燃气锅炉的数学模型
Qb＝Fb×ηb
其中，Qb是燃气锅炉产热量；Fb是天然气燃烧的发热量；ηb是锅炉的效率。
建立蓄热水箱的数学模型
其中，Qt,s,Qt,s,in和Qt,s,out是第t小时蓄热水箱蓄热量，输入热量和输出热量；Qs,max是蓄热水罐最大蓄热量。max(Qt,s,in)和max(Qt,s,out)是最大输入热量和最大输出热量；ηs是水箱蓄热效率。其中，Vt,s,in表示水箱工作状态参数，Vt,s,out表示水箱处于蓄热状态Vt,s,in＝1表示水箱处于释热状态，Vt,s,in＝0表示水箱未处于释热状态。
步骤S2,确定太阳能与天然气耦合冷热电联供系统优化运行的技术、经济与环保性能，建立冷热电联供系统的评价指标，并作为优化目标函数，建立太阳能与天然气耦合冷热电联供系统的优化模型。
所述冷热电联供系统的评价指标包括：一次能源节约率，二氧化碳减排率和年化投资及运行费用节约率。
一次能源节约率(PESR)可由下式计算：
其中，PECSP是分产系统所消耗燃料,分产系统的冷、热、电能分别由电制冷机、燃气锅炉、电网提供；PECCCHP是冷热电联供系统的发热量。
二氧化碳减排率(CO2ERR)可由下式计算：
其中，CO2ESP和CO2ECCHP分别是分产系统和冷热电联供系统的二氧化碳排放量。
年平均总费用节约率(ATCSR)可由下式计算：
其中，ATCSP和ATCCCHP分别是分产系统和冷热电联供系统的年平均总费用。
步骤S3，确定冷热电负荷需求和冷热电联供系统优化的约束条件。
冷热电负荷需求以位于夏热冬冷地区的办公建筑模型为例，建筑面积为4.6万平米。
冷热电联供系统优化的约束条件包括冷热电能量平衡约束、设备容量约束。
冷热电能量平衡约束如下：
电量平衡约束：
其中，Egrid,in和Egrid,out分别是从电网的购电和售电量。E是用户侧电负荷。其中，Eec表示电制冷机的耗电量，Epgu表示内燃机组发电量，Epv表示光伏阵列发电量；
冷量平衡约束：
Qc＝Qec+Qac
其中，Qc是用户侧冷负荷。其中，Qec表示电制冷机产冷量，Qac表示溴化锂吸收式制冷机产冷量
热量平衡约束：
Qr+QST-Vs,inQs,in+Vs,outQs,out＝Qrc+Qrh+Qw,ex
其中，Qrh是用于供热的余热量；Qw,ex是未使用的余热量。其中，Qr表示内燃机组余热回收量，QST表示太阳能集热阵列输出功率，Vs,in，Vs,out表示蓄热水箱工作状态参数；当Vt,s,in＝1表示水箱处于释热状态；当Vt,s,in＝0表示水箱未处于释热状态，Qs,in表示蓄热水箱输入热量，Qs,out表示蓄热水箱输出热量，Qrc表示输入溴化锂制冷机的回收余热。
设备容量约束如下：
其中，Cappgu,Capac和CapTES分别是内燃机组、溴化锂吸收式制冷机组和蓄热水箱的容量；Max(E),Max(Qc)和Max(Qh)分别是最大电、热、冷负荷。Max(A)是安装太阳能光伏板和集热器的最大可用面积。其中，APV表示光伏阵列总面积，AST表示太阳能集热器总面积，
步骤S4，运用基于帕累托最优的多目标粒子群算法，求解冷热电联供系统的帕累托最优解集。
基于帕累托最优的多目标粒子群算法具体实施步骤如下：
(1)设定算法的内置参数，包括粒子种群规模，最大迭代次数，学习因子，外部解集规模；
(2)随机初始化粒子群的速度和位置；
(3)将粒子代入冷热电联供系统模型，对各粒子进行适应度计算，得到适应度指标；
基于帕累托占优理论，比较当前各粒子的适应值和外部存档中粒子的占优关系，如果此代粒子的适应值被占优，则不更新外部存档；否则，依据粒子在评价空间网格中的分布密度，更新外部存档；
(4)占优关系也就是支配关系。通过帕累托支配准则实现多目标之间的比较；每个粒子指冷热电联供模型中的输入参数(就是优化问题中的优化变量，如内燃机容量、制冷及容量)组成的向量(向量中一个元素对应一个模型输入参数)，不同粒子占优关系，就是指粒子对应系统配置方案的优劣关系。
(5)基于帕累托占优理论，判断当前各粒子的适应值与个体最优值pbest之间的优劣关系，如果此代粒子的适应值被占优，则不更新；否则，更新个体最优值pbest；在分布稀疏的外部存档评价空间网格中随机选取粒子，作为全局最优值gbest；
(6)按照速度、位置更新公式产生新一代的粒子，粒子速度更新公式如下：
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量。gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
(7)重复(3)～(6)，直到满足设定的最小误差或者达到最大迭代次数，停止搜素，输出外部存档，作为帕累托最优解集。图3为迭代次数为500时示例所得帕累托优化解集。
步骤S5，运用基于理想点的多属性决策方法，最终确定冷热电联供系统的最优配置参数。
基于理想点的多属性决策方法的具体实施步骤如下：
(1)用向量规范法求得规范决策矩阵；
(2)确定理想解
和负理想解
(3)计算各方案到理想解和负理想解的距离，其中与理想解的接近程度的计算公式为：
其中，S是各方案与理想解的接近程度；
和
分别是帕累托最优解集中所有方案的负理想解和理想解；
和
分别是第i个方案到负理想解和理想解的距离。
(4)按接近程度的大小对各方案排序，评价指标越大方案越优，否则越劣。
图4为基于帕累托最优的多目标优化方法与基于加权平均的单目标优化方法结果比较，本发明所提出的多目标优化将一次能源节约率、二氧化碳减排率、平均总费用节约率分别提高了2.6％，0.4％，11.6％。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种太阳能与天然气耦合冷热电联供系统多目标优化方法，其特征在于，包括：
步骤M1：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的优化变量，即粒子种群；
步骤M2：确定冷热电负荷需求和冷热电联供系统数学模型中粒子种群的约束条件；
步骤M3：确定冷热电联供系统优化运行的技术、经济与环保性能，建立天然气冷热电联供系统的评价指标，并作为优化目标函数，建立冷热电联供系统评价模型；
步骤M4：在冷热电联供系统数学模型中粒子种群的约束条件范围内，初始化冷热电联供系统数学模型中粒子种群位置及粒子速度；
步骤M5：基于冷热电联供系统评价模型和冷热电联供系统数学模型，根据粒子种群位置及粒子速度，计算适应度指标；基于帕累托最优的多目标粒子群算法，根据适应度指标，计算冷热电联供系统的帕累托最优解集；
步骤M6：根据冷热电联供系统的帕累托最优解集，运用基于理想解的多属性决策方法，最终确定冷热电联供系统的最优配置参数；
所述冷热电联供系统数学模型用于模拟冷热电联供系统运行过程中的能量变化；
所述冷热电联供系统评价模型是将冷热电联供系统的数学模型运行结果，通过计算得到对应节能、环保、经济评价指标的模型，用于评价冷热电联供系统的运行；
所述粒子速度是粒子在一次迭代过程中的位移量；
所述帕累托最优的多目标粒子群算法包括粒子速度更新机制、帕累托支配准则和/或外部解集更新策略。
2.根据权利要求1所述的一种太阳能与天然气耦合冷热电联供系统多目标优化方法，其特征在于，所述步骤M1中粒子种群包括：冷热电联供系统的组成设备类型、冷热电联供系统的组成设备容量；
所述冷热电联供系统的组成设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组和/或燃气锅炉；
所述步骤M2包括：冷热电能量平衡约束和设备容量约束；在冷热电联供系统数学模型设定能量分配节点约束，初始化冷热电联供系统数学模型中优化变量的上下限约束；
所述步骤M3中天然气冷热电联供系统的评价指标包括：一次能源节约率、二氧化碳减排率和/或年平均费用节约率。
3.根据权利要求1所述的一种太阳能与天然气耦合冷热电联供系统多目标优化方法，其特征在于，所述步骤M5包括：
步骤M5.1：将每个粒子对应的位置及粒子速度输入至冷热电联供系统的数学模型中，得到当前冷热电联供系统配置下的运行结果；
步骤M5.2：将运行结果输入至冷热电联供系统的评价模型，得到评价指标，即当前粒子的适应度指标；
步骤M5.3：基于帕累托最优的多目标粒子群算法中帕累托支配准则，根据适应度指标，更新帕累托解集及评价空间网格；
步骤M5.4：根据更新的帕累托解集及评价空间网格，判断是否满足预设迭代次数或适应度指标是否满足预设精度；
当满足预设迭代次数或满足预设精度适应度指标时，则得到帕累托最优解集；当不满足预设迭代次数或不满足预设精度适应度指标时，则根据帕累托最优的多目标粒子群算法中粒子速度更新机制更新粒子速度和粒子位置，执行步骤M5.1至步骤M5.4，直至迭代次数满足预设值或适应度指标满足预设精度；
所述评价空间网格是指运用超立方网格利用帕累托最优的多目标粒子群算法中外部解集更新策略判断外部解集中的帕累托解在评价空间的分布密度，优先在密度低的超立方网格中进行更新；所述外部解集是指每次迭代后获得的帕累托解集，每次迭代后获得的帕累托解集，设置变量单独存储。
4.根据权利要求3所述的一种太阳能与天然气耦合冷热电联供系统多目标优化方法，其特征在于，所述步骤M5.3中帕累托支配准则包括：
对于任意n，满足fn(x1)≥fn(x2)；而且至少存在一个n0，满足fn0(x1)>fn0(x2)； (1)
其中，fn(x)为第n个优化目标函数；
当满足条件(1)时，则粒子对应参数评价指标组成的向量x1支配粒子对应参数评价指标组成的向量x2；当不满足条件(1)时，则粒子对应参数评价指标组成的向量x1不支配粒子对应参数评价指标组成的向量x2；
所述步骤M5.4中更新粒子速度和粒子位置包括：更新粒子速度及粒子位置公式如下：
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k+1次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量；gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
5.根据权利要求1所述的一种太阳能与天然气耦合冷热电联供系统多目标优化方法，其特征在于，所述步骤M6包括：通过计算冷热电联供系统的帕累托最优解集，帕累托最优解集中与理想解的接近程度，对帕累托最优解集进行排序；其中与理想解的接近程度的计算公式为：
其中，S是帕累托最优解集与理想解的接近程度；
和
分别是帕累托最优解集的负理想解和理想解；
和
分别是第i个帕累托最优解到负理想解和理想解的距离，n表示评价指标个数，aij表示表示第i个方案第j个评价指标对应的数值；
所述理想解是帕累托最优解集中每个指标最优值组成的评价向量。
6.一种太阳能与天然气耦合冷热电联供系统多目标优化系统，其特征在于，包括：
模块M1：建立冷热电联供系统数学模型，确定冷热电联供系统数学模型中的优化变量，即粒子种群；
模块M2：确定冷热电负荷需求和冷热电联供系统数学模型中粒子种群的约束条件；
模块M3：确定冷热电联供系统优化运行的技术、经济与环保性能，建立天然气冷热电联供系统的评价指标，并作为优化目标函数，建立冷热电联供系统评价模型；
模块M4：在冷热电联供系统数学模型中粒子种群的约束条件范围内，初始化冷热电联供系统数学模型中粒子种群位置及粒子速度；
模块M5：基于冷热电联供系统评价模型和冷热电联供系统数学模型，根据粒子种群位置及粒子速度，计算适应度指标；基于帕累托最优的多目标粒子群算法，根据适应度指标，计算冷热电联供系统的帕累托最优解集；
模块M6：根据冷热电联供系统的帕累托最优解集，运用基于理想解的多属性决策方法，最终确定冷热电联供系统的最优配置参数；
所述冷热电联供系统数学模型用于模拟冷热电联供系统运行过程中的能量变化；
所述冷热电联供系统评价模型是将冷热电联供系统的数学模型运行结果，通过计算得到对应节能、环保、经济评价指标的模型，用于评价冷热电联供系统的运行；
所述粒子速度是粒子在一次迭代过程中的位移量；
所述帕累托最优的多目标粒子群算法包括粒子速度更新机制、帕累托支配准则和/或外部解集更新策略。
7.根据权利要求6所述的一种太阳能与天然气耦合冷热电联供系统多目标优化系统，其特征在于，所述模块M1中粒子种群包括：冷热电联供系统的组成设备类型、冷热电联供系统的组成设备容量；
所述冷热电联供系统的组成设备包括：内燃机发电机组、太阳能光伏阵列、太阳能集热阵列、蓄热水箱、溴化锂吸收式制冷机组、电制冷机组和/或燃气锅炉；
所述模块M2包括：冷热电能量平衡约束和设备容量约束；在冷热电联供系统数学模型设定能量分配节点约束，初始化冷热电联供系统数学模型中优化变量的上下限约束；
所述模块M3中天然气冷热电联供系统的评价指标包括：一次能源节约率、二氧化碳减排率和/或年平均费用节约率。
8.根据权利要求6所述的一种太阳能与天然气耦合冷热电联供系统多目标优化系统，其特征在于，所述模块M5包括：
模块M5.1：将每个粒子对应的位置及粒子速度输入至冷热电联供系统的数学模型中，得到当前冷热电联供系统配置下的运行结果；
模块M5.2：将运行结果输入至冷热电联供系统的评价模型，得到评价指标，即当前粒子的适应度指标；
模块M5.3：基于帕累托最优的多目标粒子群算法中帕累托支配准则，根据适应度指标，更新帕累托解集及评价空间网格；
模块M5.4：根据更新的帕累托解集及评价空间网格，判断是否满足预设迭代次数或适应度指标是否满足预设精度；
当满足预设迭代次数或满足预设精度适应度指标时，则得到帕累托最优解集；当不满足预设迭代次数或不满足预设精度适应度指标时，则根据帕累托最优的多目标粒子群算法中粒子速度更新机制更新粒子速度和粒子位置，触发模块M5.1至模块M5.4执行，直至迭代次数满足预设值或适应度指标满足预设精度；
所述评价空间网格是指运用超立方网格利用帕累托最优的多目标粒子群算法中外部解集更新策略判断外部解集中的帕累托解在评价空间的分布密度，优先在密度低的超立方网格中进行更新；所述外部解集是指每次迭代后获得的帕累托解集，每次迭代后获得的帕累托解集，设置变量单独存储。
9.根据权利要求8所述的一种太阳能与天然气耦合冷热电联供系统多目标优化系统，其特征在于，所述模块M5.3中帕累托支配准则包括：
对于任意n，满足fn(x1)≥fn(x2)；而且至少存在一个n0，满足fn0(x1)>fn0(x2)； (1)
其中，fn(x)为第n个优化目标函数；
当满足条件(1)时，则粒子对应参数评价指标组成的向量x1支配粒子对应参数评价指标组成的向量x2；当不满足条件(1)时，则粒子对应参数评价指标组成的向量x1不支配粒子对应参数评价指标组成的向量x2；
所述模块M5.4中更新粒子速度和粒子位置包括：更新粒子速度及粒子位置公式如下：
其中，
是第k次迭代粒子i飞行速度矢量的第d维分量；
是第k+1次迭代粒子i位置的第d维分量；pbestid是粒子i的历史个体最优值位置的第d维分量；gbestd是所有粒子的历史全局最优值位置的第d维分量；ω是惯性权重，非负数；c1和c2是加速度常数；r1和r2是随机函数，取值范围[0，1]。
10.根据权利要求6所述的一种太阳能与天然气耦合冷热电联供系统多目标优化系统，其特征在于，所述模块M6包括：通过计算冷热电联供系统的帕累托最优解集，帕累托最优解集中与理想解的接近程度，对帕累托最优解集进行排序；其中与理想解的接近程度的计算公式为：
其中，S是帕累托最优解集与理想解的接近程度；
和
分别是帕累托最优解集的负理想解和理想解；
和
分别是第i个帕累托最优解到负理想解和理想解的距离，n表示评价指标个数，aij表示表示第i个方案第j个评价指标对应的数值；
所述理想解是帕累托最优解集中每个指标最优值组成的评价向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099541.XA CN111367171A (zh) | 2020-02-18 | 2020-02-18 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099541.XA CN111367171A (zh) | 2020-02-18 | 2020-02-18 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111367171A true CN111367171A (zh) | 2020-07-03 |
Family
ID=71208051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010099541.XA Pending CN111367171A (zh) | 2020-02-18 | 2020-02-18 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111367171A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239604A (zh) * | 2021-05-17 | 2021-08-10 | 电子科技大学 | 一种磁路优化方法 |
| CN114611793A (zh) * | 2022-03-11 | 2022-06-10 | 中国地质大学（武汉） | 考虑短期负荷预测的综合能源系统优化方法及装置 |
| CN115564139A (zh) * | 2022-10-31 | 2023-01-03 | 淮阴工学院 | 基于能值评估的能源系统运行状态优化方法及装置 |
| CN117669800A (zh) * | 2023-11-16 | 2024-03-08 | 中国科学院空天信息创新研究院 | 基于机器学习的无线电能传输系统优化方法、装置及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393629A (zh) * | 2011-09-19 | 2012-03-28 | 华北电力大学（保定） | 一种冗余型楼宇级冷热电联供系统的节能优化方法 |
| CN103617460A (zh) * | 2013-12-06 | 2014-03-05 | 天津大学 | 冷热电联供微网系统的双层优化规划设计方法 |
| WO2015021603A1 (en) * | 2013-08-13 | 2015-02-19 | Accenture Global Services Limited | System, method and apparatus for integrated multi-energy scheduling in a micro-grid and a tangible computer readable medium |
| CN104808489A (zh) * | 2015-03-09 | 2015-07-29 | 山东大学 | 冷热电联供系统的三级协同整体优化方法 |
| CN105117557A (zh) * | 2015-09-09 | 2015-12-02 | 东南大学 | 一种楼宇型冷热电联供系统动力装置选型方法 |
| CN106022503A (zh) * | 2016-03-17 | 2016-10-12 | 北京睿新科技有限公司 | 面向具有耦合型电冷热需求的微电网容量规划方法 |
| CN106295914A (zh) * | 2016-09-28 | 2017-01-04 | 长沙理工大学 | 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 |
| CN107482638A (zh) * | 2017-07-21 | 2017-12-15 | 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 |
| CN110147568A (zh) * | 2019-04-04 | 2019-08-20 | 清华大学 | 综合能源系统能效评估方法及装置 |
| CN110350510A (zh) * | 2019-05-23 | 2019-10-18 | 国网河南省电力公司郑州供电公司 | 一种考虑故障影响度的配电网供电恢复方法 |
| CN110619491A (zh) * | 2019-11-12 | 2019-12-27 | 东南大学 | 基于粒子群优化的冷热电联供型系统三级联合设计方法 |
-
2020
- 2020-02-18 CN CN202010099541.XA patent/CN111367171A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393629A (zh) * | 2011-09-19 | 2012-03-28 | 华北电力大学（保定） | 一种冗余型楼宇级冷热电联供系统的节能优化方法 |
| WO2015021603A1 (en) * | 2013-08-13 | 2015-02-19 | Accenture Global Services Limited | System, method and apparatus for integrated multi-energy scheduling in a micro-grid and a tangible computer readable medium |
| CN103617460A (zh) * | 2013-12-06 | 2014-03-05 | 天津大学 | 冷热电联供微网系统的双层优化规划设计方法 |
| CN104808489A (zh) * | 2015-03-09 | 2015-07-29 | 山东大学 | 冷热电联供系统的三级协同整体优化方法 |
| CN105117557A (zh) * | 2015-09-09 | 2015-12-02 | 东南大学 | 一种楼宇型冷热电联供系统动力装置选型方法 |
| CN106022503A (zh) * | 2016-03-17 | 2016-10-12 | 北京睿新科技有限公司 | 面向具有耦合型电冷热需求的微电网容量规划方法 |
| CN106295914A (zh) * | 2016-09-28 | 2017-01-04 | 长沙理工大学 | 空间耦合粒子群算法及冷热电联供系统联合调度优化方法 |
| CN107482638A (zh) * | 2017-07-21 | 2017-12-15 | 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 |
| CN110147568A (zh) * | 2019-04-04 | 2019-08-20 | 清华大学 | 综合能源系统能效评估方法及装置 |
| CN110350510A (zh) * | 2019-05-23 | 2019-10-18 | 国网河南省电力公司郑州供电公司 | 一种考虑故障影响度的配电网供电恢复方法 |
| CN110619491A (zh) * | 2019-11-12 | 2019-12-27 | 东南大学 | 基于粒子群优化的冷热电联供型系统三级联合设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 罗平: "冷热电联供型微电网系统多目标日前优化调度", 《自动化仪表》 * |
| 赵峰: "冷热电联供系统的优化控制方法及应用研究", 《中国博士学位论文全文数据库》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239604A (zh) * | 2021-05-17 | 2021-08-10 | 电子科技大学 | 一种磁路优化方法 |
| CN113239604B (zh) * | 2021-05-17 | 2022-07-26 | 电子科技大学 | 一种磁路优化方法 |
| CN114611793A (zh) * | 2022-03-11 | 2022-06-10 | 中国地质大学（武汉） | 考虑短期负荷预测的综合能源系统优化方法及装置 |
| CN115564139A (zh) * | 2022-10-31 | 2023-01-03 | 淮阴工学院 | 基于能值评估的能源系统运行状态优化方法及装置 |
| CN115564139B (zh) * | 2022-10-31 | 2023-09-29 | 淮阴工学院 | 基于能值评估的能源系统运行状态优化方法及装置 |
| CN117669800A (zh) * | 2023-11-16 | 2024-03-08 | 中国科学院空天信息创新研究院 | 基于机器学习的无线电能传输系统优化方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Multi-objective optimization of multi-energy complementary integrated energy systems considering load prediction and renewable energy production uncertainties | |
| Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
| CN109165788B (zh) | 一种冷热电联供系统的优化方法 | |
| CN108206543B (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 | |
| CN105337303B (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
| CN109245093A (zh) | 一种冷热电联供分布式能源站协同优化调度方法 | |
| Liu et al. | Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN112069720A (zh) | 一种综合能源系统及其运行优化方法 | |
| CN110363353A (zh) | 一种分布式综合能源系统的优化设计和调度方法及系统 | |
| CN111367171A (zh) | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 | |
| 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 | |
| CN113592365B (zh) | 一种考虑碳排放与绿电消纳的能源优化调度方法及系统 | |
| CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| CN114037354B (zh) | 一种冷热电联供系统容量优化配置的方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| CN110796279A (zh) | 一种多能互补优化运行方法与系统 | |
| Wang et al. | Multi-attribute decision analysis for optimal design of park-level integrated energy systems based on load characteristics | |
| Wang et al. | Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies | |
| CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
| CN114091780A (zh) | 一种基于改进麻雀优化算法的综合能源系统优化调度方法 | |
| CN114997715A (zh) | 基于改进模糊c均值聚类的冷热电联供系统配置方法 | |
| Ren et al. | Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers | |
| CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
| CN114861521A (zh) | 一种冷热电联供型微电网容量优化配置的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
| RJ01 | Rejection of invention patent application after publication |