CN111428850A - 基于改进粒子群算法的综合能源系统运行优化方法及装置 - Google Patents

基于改进粒子群算法的综合能源系统运行优化方法及装置 Download PDF

Info

Publication number
CN111428850A
CN111428850A CN202010211506.2A CN202010211506A CN111428850A CN 111428850 A CN111428850 A CN 111428850A CN 202010211506 A CN202010211506 A CN 202010211506A CN 111428850 A CN111428850 A CN 111428850A
Authority
CN
China
Prior art keywords
power
storage device
electric
cold
period
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
Application number
CN202010211506.2A
Other languages
English (en)
Inventor
耿健
陈永华
刘忠
杨冬梅
杜炜
刘刚
詹昕
何国鑫
傅金洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Yangzhou Power Supply Branch
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Nari Technology Co Ltd
State Grid Electric Power Research Institute
Original Assignee
State Grid Jiangsu Electric Power Co ltd Yangzhou Power Supply Branch
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Nari Technology Co Ltd
State Grid Electric Power Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Yangzhou Power Supply Branch, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Nari Technology Co Ltd, State Grid Electric Power Research Institute filed Critical State Grid Jiangsu Electric Power Co ltd Yangzhou Power Supply Branch
Priority to CN202010211506.2A priority Critical patent/CN111428850A/zh
Publication of CN111428850A publication Critical patent/CN111428850A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—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
    • 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
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于改进粒子群算法的综合能源系统运行优化方法及装置，在构建的区域综合能源系统中，基于气象预测数据，采用预估法计算得到各个可再生能源机组预测发电数据，并对可再生能源发电实时就地最大化消纳；将区域综合能源系统中的冷负荷、热负荷、电负荷分别进行平衡校验；将区域综合能源系统中的各个设备分别进行上下限校验；采用改进混合粒子群算法，以经济性指标为寻优适应度函数，进行经济性最小值寻优求解。本发明满足了可再生能源的最大化实时就地消纳要求，减少了碳排放，提高了区域综合能源系统能源综合利用效率，实现了在满足冷热电负荷需求下运维经济成本最低和经济性最优原则。

Description

基于改进粒子群算法的综合能源系统运行优化方法及装置
技术领域
本发明涉及一种基于改进粒子群算法的综合能源系统运行优化方法及装置，属于综合能源系统运行优 化技术领域。
背景技术
近年来，我国能源结构已开始发生转变，光伏风电等分布式清洁能源占比不断提升，但与世界先进能 源利用水平相比仍存在较大差距，能源的综合利用率普遍不高。而区域综合能源系统，正适应于能源领域 变革的需求，满足了可再生能源的最大化实时就地消纳要求，减少了碳排放，提高了区域综合能源系统能 源综合利用效率，实现了在满足冷热电负荷需求下运维经济成本最低和经济性最优原则。
传统的能源系统是分散的系统，电力系统、热力系统、天然气系统之间虽然在供能侧存在小范围的能 源转化，但整体仍表现为各系统的独立运行与控制，导致能源的综合利用效率较低。特别是在光伏、风电 等可再生能源的参与下，能源系统变得更加复杂，同时带来了弃光弃风率变高，绿色能源消纳率不足的问 题。如何在多能协同运行技术条件支撑下，对区域综合能源系统进行优化调度，实现区域能源系统的协调 运行是解决从能源生产、传输到能源消费等各个环节中存在的能效问题的关键。
发明内容
本发明为了解决光伏、风力等可再生清洁能源消纳水平不足，现阶段区域综合能源系统运行能效较低 的问题，实现含可再生清洁能源的区域综合能源系统经济性最优运行，提供一种基于改进粒子群算法的综 合能源系统运行优化方法及装置。
本发明采用的技术方案如下：
本发明实施例一方面提供一种基于改进粒子群算法的综合能源系统运行优化方法，包括：
对区域综合能源系统进行光伏发电机组出力预测和风电发电机组出力预测；
获取光伏发电机组出力和风电发电机组出力实时就地最大化消纳后所述区域综合能源系统中各能源 设备的出力功率数据；
基于所述区域综合能源系统中各能源设备的出力功率数据，构建满足平衡约束条件的寻优可行域和满 足设备上下限约束条件的寻优可行域；
建立区域综合能源系统运行的经济性指标，在所述满足平衡约束条件的寻优可行域和满足设备上下限 约束条件的寻优可行域中，对所述经济性指标进行优化求解，得到区域综合能源系统中各能源设备的最优 运行出力。
进一步的，所述区域综合能源系统包括光伏发电机组、风电发电机组、电锅炉、蓄热装置、电制冷机、 蓄冷装置、大电网、低压变压器、电能总线、热能总线、冷能总线、用户电负荷需求、蓄电装置、用户热 负荷需求和用户冷负荷需求，所述光伏发电机组和风电发电机组通过电能总线与所述电锅炉、电制冷机、 用户电负荷需求、蓄电装置以及低压变压器低压侧端连接，所述电锅炉通过热能总线与蓄热装置和用户热 负荷需求连接，所述电制冷机通过冷能总线与所述蓄冷装置和用户冷负荷需求连接，所述低压变压器高压 侧端与大电网连接。
进一步的，所述对区域综合能源系统进行光伏发电机组出力预测和风电发电机组出力预测，包括：
Figure BDA0002422983710000021
其中，Rn(t)表示第n个光伏发电机组的t时段光照强度，An为第n个光伏发电机组的光伏组件面积，
Figure BDA0002422983710000022
为 第n个光伏发电机组的温度系数，
Figure BDA0002422983710000023
为第n个光伏发电机组的直流变换环节MPPT效率，βn为第n个光伏发 电机组的功率温度系数，
Figure BDA0002422983710000024
为第n个光伏发电机组的环境实际温度，
Figure BDA0002422983710000025
为第n个光伏发电机组的环境参考 温度，
Figure BDA0002422983710000026
为第n个光伏发电机组的t时段预测出力，N为光伏发电机组的总个数，ρ为空气密度，Rm为第 m个风力发电机组的风轮半径，Vm(t)为第m个风力发电机组的t时段风速，
Figure BDA0002422983710000027
为第m个风力发电机组的最 大风能利用系数，
Figure BDA0002422983710000028
为第m个风力发电机组的t时段预测出力，M为风力发电机组的总个数。
进一步的，所述构建满足平衡约束条件的寻优可行域，包括：
采用平衡校核法分别对用户电负荷、用户热负荷、用户冷负荷、蓄热装置、蓄冷装置和蓄电装置进行 检验，得到满足平衡约束条件的寻优可行域：
Figure BDA0002422983710000031
其中，Pgrid(t)为t时段向电网购电的功率，
Figure BDA0002422983710000032
为第d个蓄电装置的t时段充/放电功率，D为蓄电装置 的总个数，
Figure BDA0002422983710000033
为第b个电锅炉的t时段耗电功率，B为电锅炉的总个数，
Figure BDA0002422983710000034
为第r个电制冷机的t时 段耗电功率，R为电制冷机的总个数，
Figure BDA0002422983710000035
为第e个用户电负荷需求功率，E为用户电负荷需求的总个数，
Figure BDA0002422983710000036
为第p个蓄热装置的t时段充/放热功率，P为蓄热装置的总个数，
Figure BDA0002422983710000037
为第h个用户热负荷需求功 率，H为用户热负荷需求的总个数，
Figure BDA0002422983710000038
为第q个蓄冷装置的t时段充/放冷功率，Q为蓄冷装置的总个数，
Figure BDA0002422983710000039
为第c个用户冷负荷需求功率，C为用户冷负荷需求的总个数，
Figure BDA00024229837100000310
为第p个蓄热装置的t时段蓄 热量，
Figure BDA00024229837100000311
为第p个蓄热装置的自放热率，
Figure BDA00024229837100000312
为第p个蓄热装置的t-1时段蓄热量，Δt为每个调度 时段的时间长度，
Figure BDA00024229837100000313
为第p个蓄热装置的起始时间段即t0时段蓄热量，T为控制运行周期，
Figure BDA00024229837100000314
为第p个 蓄热装置的控制运行周期结束时应留有的蓄热量，
Figure BDA00024229837100000315
为一个控制运行周期结束后的下一周期起始时间 段，
Figure BDA00024229837100000316
为第q个蓄冷装置的t时段蓄冷装置蓄冷量，
Figure BDA00024229837100000317
为第q个蓄冷装置的自放冷率，
Figure BDA00024229837100000318
为 第q个蓄冷装置的t-1时段蓄冷量，
Figure BDA00024229837100000319
为第q个蓄冷装置的起始时间段即t0时段蓄冷量，
Figure BDA00024229837100000320
为第q个 蓄冷装置的控制运行周期结束时应留有的蓄冷量，
Figure BDA00024229837100000321
为第d个蓄电装置的t时段蓄电装置蓄电量，
Figure BDA00024229837100000322
为第d个蓄电装置的自放电率，
Figure BDA00024229837100000323
为第d个蓄电装置的t-1时段蓄电量，
Figure BDA00024229837100000324
为第d个蓄电装置 的起始时间段即t0时段蓄电量，
Figure BDA00024229837100000325
为第d个蓄电装置的控制运行周期结束时应留有的蓄电量。
进一步的，所述构建满足设备上下限约束条件的寻优可行域，包括：
采用穷举法分别对每一台设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电 锅炉耗电功率、电制冷机耗电功率、蓄热装置的蓄/放热功率、蓄热装置的蓄/放热量、蓄冷装置的蓄/放冷 功率、蓄冷装置的蓄/放冷量、蓄电装置的蓄/放电功率和蓄电装置的蓄/放电量进行上下限检验，得到满足 上下限约束条件的寻优可行域：
Figure BDA0002422983710000041
其中，(Pgrid)min和(Pgrid)max为区域综合能源系统与大电网之间允许传输的最小和最大功率；
Figure BDA0002422983710000042
和
Figure BDA0002422983710000043
分别为第n个光伏发电机组的最小和最大发电功率，
Figure BDA0002422983710000044
和
Figure BDA0002422983710000045
分别为第m个风电发电 机组的最小和最大发电功率，
Figure BDA0002422983710000046
和
Figure BDA0002422983710000047
分别为第b个电锅炉的最小和最大功率，
Figure BDA0002422983710000048
和
Figure BDA0002422983710000049
分别为第r个电制冷机的最小和最大功率，
Figure BDA00024229837100000410
和
Figure BDA00024229837100000411
分别为第p个蓄热装置的最小出 力功率和最大出力功率，
Figure BDA00024229837100000412
和
Figure BDA00024229837100000413
分别为第p个蓄热装置的最小蓄热量和最大蓄热量，
Figure BDA00024229837100000414
和
Figure BDA00024229837100000415
分别为第q个蓄冷装置的最小出力功率和最大出力功率，
Figure BDA00024229837100000416
和
Figure BDA00024229837100000417
分别 为第q个蓄冷装置的最小蓄冷量和最大蓄冷量，
Figure BDA00024229837100000418
和
Figure BDA00024229837100000419
分别为第d个蓄电装置的最小出力功率 和最大出力功率，
Figure BDA00024229837100000420
和
Figure BDA00024229837100000421
分别为第d个蓄电装置的最小蓄电量和最大蓄电量。
进一步的，所述建立区域综合能源系统运行的经济性指标，包括：
Cyx＝frun+Fmain
其中，Cyx为区域综合能源系统一个调度周期的运维成本，frun为区域综合能源系统一个调度周期的运 行成本，Fmain为区域综合能源系统一个调度周期的维护成本；
frun表示为：
Figure BDA00024229837100000422
其中，prgrid(t)为电网分时电价，PPgrid(t)为从电网购电量，Δt为每个调度时段的时间长度；
Fmain表示为：
Figure BDA0002422983710000051
其中，FHSE为蓄热装置的总维护成本，
Figure BDA0002422983710000052
为第p个蓄热装置的维护成本，FERB为电锅炉的总维护成 本，
Figure BDA0002422983710000053
为第b个电锅炉的维护成本，FCSE为蓄冷装置的总维护成本，
Figure BDA0002422983710000054
为第q个蓄冷装置的维护成本， FERC为电制冷机的总维护成本，
Figure BDA0002422983710000055
为第r个电制冷机的维护成本，FESE为蓄电装置的总维护成本，
Figure BDA0002422983710000056
为 第d个蓄电装置的维护成本，FPV为光伏发电机组的总维护成本，
Figure BDA0002422983710000057
为第n个光伏发电机组的维护成本，FWT为风力发电机组的总维护成本，
Figure BDA0002422983710000058
为第m个风力发电机组的维护成本，FG为电网的总维护成本，FH为热 力管道的总维护成本，FC为冷力管道的总维护成本。
进一步的，所述在所述满足平衡约束条件的寻优可行域和满足设备上下限约束条件的寻优可行域中， 对所述经济性指标进行优化求解，包括：
将寻优种群个体一分为二，其中mPSO个粒子群个体进行单独粒子群算法搜索，mBA个蝙蝠个体进行单 独蝙蝠算法搜索；
每一次搜寻后，对比粒子群算法求解的全局最优解和蝙蝠算法求解的全局最优解；
若粒子群算法求解的全局最优解优于蝙蝠算法求解的全局最优解，则将粒子群算法的求解结果作为当 前最优解；
若蝙蝠算法求解的全局最优解优于粒子群算法求解的全局最优解，则将蝙蝠算法的求解结果作为当前 最优解；
在当前最优解中加入高斯扰动项，更新粒子速度和位置：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)+rg1Gi(s)-Xi(s))+c2r2(Pg(s)-Xi(s))
Xi(s+1)＝Xi(s)+Vi(s+1)
其中，Vi(s+1)是粒子i第s+1次迭代的速度，Xi(s+1)是粒子i第s+1次迭代的位置，Pi(s)是粒子i第 s次迭代的极值，Pg(s)是第s次迭代粒子群全局最优解，s是当前时刻迭代次数，r1、r2是(0，1)之间的任一随 机数，c1、c2是大于零的学习因子，ω是惯性权重，rg1是(0，1)之间的任一随机数，Gi(s)是粒子i在第s次迭 代时产生的高斯扰动；
基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索，直至达到结束条件或者最大迭 代次数，输出最优个体，得到一个调度周期内的各个时间段，在满足所述区域综合能源系统冷热电负荷需 求下，各能源设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电锅炉耗电功率、 电制冷机耗电功率、蓄热装置的蓄或放热功率、蓄热装置的蓄或放热量、蓄冷装置的蓄或放冷功率、蓄冷 装置的蓄或放冷量、蓄电装置的蓄或放电功率、蓄电装置的蓄或放蓄电量的最优协同出力情况。
进一步的，所述惯性权重计算如下：
Figure BDA0002422983710000061
其中，ωmin是最小惯性权重，ωmax是最大惯性权重，smax是最大迭代次数。
进一步的，所述高斯扰动计算如下：
Gi(s)＝rg2Gaussian(μ，σ2)
其中，rg2是(0，1)之间的任一随机数，μ是均值，σ2是方差。
进一步的，所述结束条件为：
|Cyx(s)-Cyx(s-1)|≤0.001，
其中，Cyx(s)、Cyx(s-1)分别为当前、上一次寻优得到的值。
本发明实施例另一方面还提供一种基于混合粒子群算法的综合能源系统运行优化装置，包括：
可再生能源机组出力消纳模块，用于对区域综合能源系统进行光伏发电机组出力预测和风电发电机组 出力预测；
出力数据获取模块，用于获取光伏发电机组出力和风电发电机组出力实时就地最大化消纳后所述区域 综合能源系统中各能源设备的出力功率数据；
约束条件模块，用于基于所述区域综合能源系统中各能源设备的出力功率数据，构建满足平衡约束条 件的寻优可行域和满足设备上下限约束条件的寻优可行域；
以及，
优化处理模块，用于建立区域综合能源系统运行的经济性指标，在所述满足平衡约束条件的寻优可行 域和满足设备上下限约束条件的寻优可行域中，对所述经济性指标进行优化求解，得到区域综合能源系统 中各能源设备的最优运行出力。
进一步的，所述优化处理模块具体用于，
将寻优种群个体一分为二，其中mPSO个粒子群个体进行单独粒子群算法搜索，mBA个蝙蝠个体进行单 独蝙蝠算法搜索；
每一次搜寻后，对比粒子群算法求解的全局最优解和蝙蝠算法求解的全局最优解；
若粒子群算法求解的全局最优解优于蝙蝠算法求解的全局最优解，则将粒子群算法的求解结果作为当 前最优解；
若蝙蝠算法求解的全局最优解优于粒子群算法求解的全局最优解，则将蝙蝠算法的求解结果作为当前 最优解；
在当前最优解中加入高斯扰动项，更新粒子速度和位置：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)+rg1Gi(s)-Xi(s))+c2r2(Pg(s)-Xi(s))
xi(s+1)＝Xi(s)+Vi(s+1)
其中，Vi(s+1)是粒子i第s+1次迭代的速度，Xi(s+1)是粒子i第s+1次迭代的位置，Pi(s)是粒子i第 s次迭代的极值，Pg(s)是第s次迭代粒子群全局最优解，s是当前时刻迭代次数，r1、r2是(0，1)之间的任一随 机数，c1、c2是大于零的学习因子，ω是惯性权重，rg1是(0，1)之间的任一随机数，Gi(s)是粒子i在第s次迭 代时产生的高斯扰动；
基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索，直至达到结束条件或者最大迭 代次数，输出最优个体，得到一个调度周期内的各个时间段，在满足所述区域综合能源系统冷热电负荷需 求下，各能源设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电锅炉耗电功率、 电制冷机耗电功率、蓄热装置的蓄或放热功率、蓄热装置的蓄或放热量、蓄冷装置的蓄或放冷功率、蓄冷 装置的蓄或放冷量、蓄电装置的蓄或放电功率、蓄电装置的蓄或放蓄电量的最优协同出力情况。
进一步的，所述高斯扰动计算如下：
Gi(s)＝rg2 Gaussian(μ，σ2)
其中，rg2是(0，1)之间的任一随机数，μ是均值，σ2是方差。
本发明所达到的有益效果：
本发明采用带约束条件下的采用改进混合粒子群算法来寻优求解区域综合能源系统运维经济性最小 值，可以最大程度上的对光伏发电和风力发电进行消纳，提高了可再生能源就地消纳水平和区域综合能源 系统能源利用效率，实现了在符合区域综合能源系统冷热电负荷需求下运维成本最低，满足了区域综合能 源系统运行优化的成本最优的要求。
附图说明
图1为本发明中区域综合能源系统结构图；
图2为本发明中改进混合粒子群寻优算法流程图；
图3为本发明基于改进混合粒子群算法进行区域综合能源系统运行优化方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能 以此来限制本发明的保护范围。
区域综合能源系统如图1所示，包括光伏发电机组、风电发电机组、电锅炉、蓄热装置、电制冷机、 蓄冷装置、大电网、低压变压器、电能总线、热能总线、冷能总线、用户电负荷需求、蓄电装置、用户热 负荷需求、用户冷负荷需求，所述光伏发电机组和风电发电机组通过电能总线与所述电锅炉、电制冷机、 用户电负荷需求、蓄电装置以及低压变压器低压侧端连接，所述电锅炉通过热能总线与蓄热装置和用户热 负荷需求连接，所述电制冷机通过冷能总线与所述蓄冷装置和用户冷负荷需求连接，所述低压变压器高压 侧端与大电网连接。
基于上述区域综合能源系统，本发明提供一种改进混合粒子群算法的区域综合能源系统运行优化方法， 参见图3，包括：
步骤1、基于气象预测数据，进行光伏预测出力和风电预测出力，综合能源系统中的电锅炉、电制冷 机，蓄电装置或其他用电设备(如照明设备等)将可再生能源机组出力(光伏发电机组出力和风电发电机 组出力)实时就地最大化消纳，目的是减少弃风弃光率，减少用能成本，协同区域能源系统内各设备出力 功率具有重要作用；要想最大化消纳光伏和风电，必须要知道二者的预测出力，方可制定区域综合能源系 统运行优化方法。在硬件条件不变、光照和温度一定的情况下，光伏出力基本是确定的。
基于气象预测数据，所述光伏发电机组和风电发电机组预测出力表示为：
Figure BDA0002422983710000081
式中，Rn(t)表示第n个光伏发电机组的t时段光照强度，An为第n个光伏发电机组的光伏组件面积，
Figure BDA0002422983710000082
为 第n个光伏发电机组的温度系数，
Figure BDA0002422983710000083
为第n个光伏发电机组的直流变换环节MPPT效率，βn为第n个光伏发 电机组的功率温度系数，
Figure BDA0002422983710000084
为第n个光伏发电机组的环境实际温度，
Figure BDA0002422983710000085
为第n个光伏发电机组的环境参考 温度，
Figure BDA0002422983710000086
为第n个光伏发电机组的t时段预测出力，
Figure BDA0002422983710000087
为光伏发电机组t时段总预测出力，且上 述的n取值为1，...，N，N为光伏发电机组的总个数；ρ为空气密度，Rm为第m个风力发电机组的风轮半径， Vm(t)为第m个风力发电机组的t时段风速，
Figure BDA0002422983710000088
为第m个风力发电机组的最大风能利用系数，
Figure BDA0002422983710000089
为第m个 风力发电机组的t时段预测出力，
Figure BDA00024229837100000810
为风力发电机组t时段总预测出力，上述的m取值为1，...，M， M为风力发电机组的总个数。
步骤2、在电锅炉、电制冷机、蓄电装置以及其他用电设备将可再生能源机组出力实时就地最大化消 纳后，获取所述区域综合能源系统中蓄电装置的充或放电功率，电锅炉的耗电功率，电制冷机的耗电功率， 蓄热装置的充或放热功率，蓄冷装置的充或放热功率；
采用平衡校核法分别对电负荷、热负荷、冷负荷、蓄热装置、蓄冷装置和蓄电装置进行检验，得到满 足平衡约束条件的算法寻优可行域表示为：
Figure BDA0002422983710000091
式中，Pgrid(t)为t时段向电网购电的功率；
Figure BDA0002422983710000092
为第d个蓄电装置的t时段充/放电功率，
Figure BDA0002422983710000093
为 蓄电装置的t时段总充/放电功率，且放电功率为正，充电功率为负，上述的d取值为1，...，D，D为蓄电装置 的总个数；
Figure BDA0002422983710000094
为第b个电锅炉的t时段耗电功率，
Figure BDA0002422983710000095
为电锅炉的t时段总耗电功率，上述的b取 值为1，...，B，B为电锅炉的总个数；
Figure BDA0002422983710000096
为第r个电制冷机的t时段耗电功率，
Figure BDA0002422983710000097
为电制冷机的t时 段总耗电功率，上述的r取值为1，...，R，R为电制冷机的总个数；
Figure BDA0002422983710000098
为第e个用户电负荷需求功率，
Figure BDA0002422983710000099
用户电负荷总需求功率，上述的e取值为1，...，E，E为用户电负荷需求的总个数；
Figure BDA00024229837100000910
为第p个 蓄热装置的t时段充/放热功率，
Figure BDA00024229837100000911
为蓄热装置的t时段总充/放热功率，且放热功率为正，充热功 率为负，上述的p取值为1，...，P，P为蓄热装置的总个数；
Figure BDA00024229837100000912
为第h个用户热负荷需求功率，
Figure BDA00024229837100000913
用户热负荷总需求功率，上述的h取值为1，...，H，H为用户热负荷需求的总个数；
Figure BDA00024229837100000914
为第q个蓄冷装置 的t时段充/放冷功率，
Figure BDA00024229837100000915
为蓄冷装置的t时段总充/放冷功率，且放冷功率为正，充冷功率为负， 上述的q取值为1，...，Q，Q为蓄冷装置的总个数；
Figure BDA00024229837100000916
为第c个用户冷负荷需求功率，
Figure BDA00024229837100000917
用户冷 负荷总需求功率，上述的c取值为1，...，C，C为用户冷负荷需求的总个数；
Figure BDA00024229837100000918
为第p个蓄热装置的t时 段蓄热量，
Figure BDA00024229837100000919
为第p个蓄热装置的自放热率，
Figure BDA00024229837100000920
为第p个蓄热装置的t-1时段蓄热量，Δt为每个 调度时段的时间长度，
Figure BDA00024229837100000921
为第p个蓄热装置的起始时间段即t0时段蓄热量，T为控制运行周期，
Figure BDA00024229837100000922
为 第p个蓄热装置的控制运行周期结束时应留有的蓄热量，
Figure BDA00024229837100000923
为一个控制运行周期结束后的下一周期起 始时间段；
Figure BDA00024229837100000924
为第q个蓄冷装置的t时段蓄冷装置蓄冷量，
Figure BDA00024229837100000925
为第q个蓄冷装置的自放冷率，
Figure BDA00024229837100000926
为第q个蓄冷装置的t-1时段蓄冷量，
Figure BDA00024229837100000927
为第q个蓄冷装置的起始时间段即t0时段蓄冷量，
Figure BDA00024229837100000928
为第q个蓄冷装置的控制运行周期结束时应留有的蓄冷量；
Figure BDA00024229837100000929
为第d个蓄电装置的t时段蓄电装置 蓄电量，
Figure BDA00024229837100000930
为第d个蓄电装置的自放电率，
Figure BDA00024229837100000931
为第d个蓄电装置的t.1时段蓄电量，
Figure BDA00024229837100000932
为第 d个蓄电装置的起始时间段即t0时段蓄电量，
Figure BDA00024229837100000933
为第d个蓄电装置的控制运行周期结束时应留有的蓄电量。
步骤3、采用穷举法分别对每一台设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力 功率、电锅炉耗电功率、电制冷机耗电功率、蓄热装置的蓄/放热功率、蓄热装置蓄/放热量、蓄冷装置的 蓄/放冷功率、蓄冷装置的蓄/放冷量、蓄电装置的蓄/放电功率、蓄电装置的蓄/放蓄电量进行上下限进行检 验，得到满足上下限约束条件的算法寻优可行域表示为：
Figure BDA0002422983710000101
式中，(Pgrid)min和(Pgrid)max为所述区域综合能源系统与大电网之间允许传输的最小和最大功率；
Figure BDA0002422983710000102
和
Figure BDA0002422983710000103
分别为第n个光伏发电机组的最小和最大发电功率；
Figure BDA0002422983710000104
和
Figure BDA0002422983710000105
分别为第m个 风电发电机组的最小和最大发电功率；
Figure BDA0002422983710000106
和
Figure BDA0002422983710000107
分别为第b个电锅炉的最小和最大功率；
Figure BDA0002422983710000108
和
Figure BDA0002422983710000109
分别为第r个电制冷机的最小和最大功率；
Figure BDA00024229837100001010
和
Figure BDA00024229837100001011
分别为第p个蓄热装 置的最小出力功率和最大出力功率，
Figure BDA00024229837100001012
和
Figure BDA00024229837100001013
分别为第p个蓄热装置的最小蓄热量和最大蓄 热量；
Figure BDA00024229837100001014
和
Figure BDA00024229837100001015
分别为第q个蓄冷装置的最小出力功率和最大出力功率，
Figure BDA00024229837100001016
和
Figure BDA00024229837100001017
分别为第q个蓄冷装置的最小蓄冷量和最大蓄冷量；
Figure BDA00024229837100001018
和
Figure BDA00024229837100001019
分别为第d个蓄电装置的最小出力 功率和最大出力功率，
Figure BDA00024229837100001020
和
Figure BDA00024229837100001021
分别为第d个蓄电装置的最小蓄电量和最大蓄电量。
步骤4、采用经济平均法计算一个调度周期的运维成本，一个调度周期的运维成本表示为：
Cyx＝frun+Fmain
式中，Cyx为一个调度周期的运维成本，frun为一个调度周期的运行成本；Fmain为一个调度周期的维护 成本。
一个调度周期的运行成本表示为：
Figure BDA00024229837100001022
式中，prgrid(t)为电网分时电价，PPgrid(t)为从电网购电量，Δt为每个调度时段的时间长度。
一个调度周期的维护成本Fmain的表达式：
Figure BDA0002422983710000111
式中，FHSE为蓄热装置的总维护成本，
Figure BDA0002422983710000112
为第p个蓄热装置的维护成本；FERB为电锅炉的总维护成 本，
Figure BDA0002422983710000113
为第b个电锅炉的维护成本；FCSE为蓄冷装置的总维护成本，
Figure BDA0002422983710000114
为第q个蓄冷装置的维护成本； FERC为电制冷机的总维护成本，
Figure BDA0002422983710000115
为第r个电制冷机的维护成本；FESE为蓄电装置的总维护成本，
Figure BDA0002422983710000116
为 第d个蓄电装置的维护成本；FPV为光伏发电机组的总维护成本，
Figure BDA0002422983710000117
为第n个光伏发电机组的维护成本；FWT为风力发电机组的总维护成本，
Figure BDA0002422983710000118
为第m个风力发电机组的维护成本；FG为电网的总维护成本；FH为热 力管道的总维护成本；FC为冷力管道的总维护成本。
将Cyx最小值的计算采用改进混合粒子群算法来进行寻优求解，以(2)式和(3)式形成的可行域， 为算法寻优求解的可行域，对经济性指标进行寻优求解最小值，得出一个调度周期内的各个时间段，在满 足所述区域综合能源系统冷热电负荷需求下，每一台设备的电网购电功率、光伏发电机组出力功率、风电 发电机组出力功率、电锅炉耗电功率、电制冷机耗电功率、蓄热装置的蓄或放热功率、蓄热装置蓄或放热 量、蓄冷装置的蓄或放冷功率、蓄冷装置蓄或放冷量、蓄电装置的蓄或放电功率、蓄电装置蓄或放蓄电量 的协同出力情况。
采用改进混合粒子群算法进行运行优化寻优求解，具体如下：
基本粒子群算法寻优机理如下：
假如有m个粒子在n维空间中飞行，搜索最优目标，粒子i的位置和速度分别为：
Xi＝(xi1，xi2，…，xid)，
Vi＝(vi1，vi2，…，vid)，
个体极值为：
Pi＝(pi1，pi2，…，pid)，
粒子群当前全局最优解为：
Pg＝(pg1，pg2，...，pgd)，
用下式来更新每一个粒子的速度和位置：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)-Xi(s))+c2r2(Pg(s)-Xi(s)) (4)
Xi(s+1)＝Xi(s)+Vi(s+1) (5)
其中，Vi(s+1)是粒子i第s+1次迭代的速度，Xi(s+1)是粒子i第s+1次迭代的位置，Pi(s)是粒子i第 s次迭代的极值，Pg(s)是第s次迭代粒子群全局最优解，s是当前时刻迭代次数，r1、r2是(0，1)之间的任一随 机数，c1、c2是大于零的学习因子，其大小反应了粒子自身和群体寻优对粒子搜索的影响，一般取 c1＝c2＝2.0；ω是惯性权重。
ω越大，全局寻优效果好，收敛速度慢；ω越小，局部收敛能力强，易陷入局部最优，在整个算法寻 优过程中，应使其逐步递减，使整个迭代过程更好的收敛，获得较好的收敛精度。动态惯性权重ω的变化 公式如下所示：
Figure BDA0002422983710000121
式中，ωmin是最小惯性权重；ωmax是最大惯性权重；s是当前时刻迭代次数；smax是最大迭代次数。
在基本粒子群算法基础上，所述的改进寻优算法采用协同进化策略进行粒子群算法和蝙蝠算法进行混 合，参见图2，具体包括：
参数初始化过程，指的是：
种群数目m＝40，粒子群个体数目mPSO＝20，蝙蝠个体数目mBA＝20，最大迭代次数tmax＝1000，学习 因子c1＝c2＝2.0，最小惯性权重ωmin＝0.4，最大惯性权重ωmax＝0.9，最大脉冲频度r0＝0.35，频度增大系 数γ＝0.07，最大脉冲音强A0＝1.95，音强衰减系数α＝0.9，均值μ＝0，方差σ2＝|P(t)|。
将包含m个寻优种群个体一分为二，mPSO个粒子群个体进行单独粒子群算法搜索，mBA个蝙蝠个体进 行单独蝙蝠算法搜索，这两个算法同时寻找全局空间，每一次搜寻后，以适应度最优为指导原则更换以往 最优解，当作两子群下一次迭代的方向。
以适应度最优为指导原则更换以往最优解，是指：
如果每一次搜寻后，粒子群算法求解的全局最优解优于蝙蝠算法求解的全局最优解，则将粒子群算法 的求解结果作为当前最优解；
如果每一次搜寻后，蝙蝠算法求解的全局最优解优于粒子群算法求解的全局最优解，则将蝙蝠算法的 求解结果作为当前最优解。
进一步的，采用高斯扰动策略，在当前最优解中加入高斯扰动项，粒子速度更新为如下所示：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)+rg1Gi(s)-Xi(s))+c2r2(Pg(s)-Xi(s))
式中，rg1是(0，1)之间的任一随机数，Gi(s)粒子i在第s次迭代时产生的高斯扰动。
粒子位置更新为如下所示：
Xi(s+1)＝Xi(s)+Vi(s+1)
粒子i在第t次迭代时产生的高斯扰动为：
Gi(s)＝rg2 Gaussian(μ，σ2)
式中，rg2是(0，1)之间的任一随机数，μ是均值，σ2是方差。
最后，判断迭代是否满足结束条件；
|Cyx(s)-Cyx(s-1)|≤0.001，
其中，Cyx(s)、Cyx(s-1)分别为当前、上一次寻优得到的值；
若满足，则输出最优个体；否则，转入进行下一次迭代，直到达到最大迭代次数smax，输出当前最优 结果。
本发明实施例另一方面还提供一种基于混合粒子群算法的综合能源系统运行优化装置，包括：
可再生能源机组出力消纳模块，用于对区域综合能源系统进行光伏发电机组出力预测和风电发电机组 出力预测；
出力数据获取模块，用于获取光伏发电机组出力和风电发电机组出力实时就地最大化消纳后所述区域 综合能源系统中各能源设备的出力功率数据；
约束条件模块，用于基于所述区域综合能源系统中各能源设备的出力功率数据，构建满足平衡约束条 件的寻优可行域和满足设备上下限约束条件的寻优可行域；
以及，
优化处理模块，用于建立区域综合能源系统运行的经济性指标，在所述满足平衡约束条件的寻优可行 域和满足设备上下限约束条件的寻优可行域中，对所述经济性指标进行优化求解，得到区域综合能源系统 中各能源设备的最优运行出力。
进一步的，所述优化处理模块具体用于，
将寻优种群个体一分为二，其中mPSO个粒子群个体进行单独粒子群算法搜索，mBA个蝙蝠个体进行单 独蝙蝠算法搜索；
每一次搜寻后，对比粒子群算法求解的全局最优解和蝙蝠算法求解的全局最优解；
若粒子群算法求解的全局最优解优于蝙蝠算法求解的全局最优解，则将粒子群算法的求解结果作为当 前最优解；
若蝙蝠算法求解的全局最优解优于粒子群算法求解的全局最优解，则将蝙蝠算法的求解结果作为当前 最优解；
在当前最优解中加入高斯扰动项，更新粒子速度和位置：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)+rg1Gi(s)-Xi(s))+c2r2(Pg(s)-Xi(s))
Xi(s+1)＝Xi(s)+Vi(s+1)
其中，Vi(s+1)是粒子i第s+1次迭代的速度，Xi(s+1)是粒子i第s+1次迭代的位置，Pi(s)是粒子i第 s次迭代的极值，Pg(s)是第s次迭代粒子群全局最优解，s是当前时刻迭代次数，r1、r2是(0，1)之间的任一随 机数，c1、c2是大于零的学习因子，ω是惯性权重，rg1是(0，1)之间的任一随机数，Gi(s)是粒子i在第s次迭 代时产生的高斯扰动；
基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索，直至达到结束条件或者最大迭 代次数，输出最优个体，得到一个调度周期内的各个时间段，在满足所述区域综合能源系统冷热电负荷需 求下，各能源设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电锅炉耗电功率、 电制冷机耗电功率、蓄热装置的蓄或放热功率、蓄热装置的蓄或放热量、蓄冷装置的蓄或放冷功率、蓄冷 装置的蓄或放冷量、蓄电装置的蓄或放电功率、蓄电装置的蓄或放蓄电量的最优协同出力情况。
进一步的，所述高斯扰动计算如下：
Gi(s)＝rg2 Gaussian(μ，σ2)
其中，rg2是(0，1)之间的任一随机数，μ是均值，σ2是方差。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申 请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采 用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来 描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/ 或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处 理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的 处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定 的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机 可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在 流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设 备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用 于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本 发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (13)

1.基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，包括：
对区域综合能源系统进行光伏发电机组出力预测和风电发电机组出力预测；
获取光伏发电机组出力和风电发电机组出力实时就地最大化消纳后所述区域综合能源系统中各能源设备的出力功率数据；
基于所述区域综合能源系统中各能源设备的出力功率数据，构建满足平衡约束条件的寻优可行域和满足设备上下限约束条件的寻优可行域；
建立区域综合能源系统运行的经济性指标，在所述满足平衡约束条件的寻优可行域和满足设备上下限约束条件的寻优可行域中，对所述经济性指标进行优化求解，得到区域综合能源系统中各能源设备的最优运行出力。
2.根据权利要求1所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述区域综合能源系统包括光伏发电机组、风电发电机组、电锅炉、蓄热装置、电制冷机、蓄冷装置、大电网、低压变压器、电能总线、热能总线、冷能总线、用户电负荷需求、蓄电装置、用户热负荷需求和用户冷负荷需求，所述光伏发电机组和风电发电机组通过电能总线与所述电锅炉、电制冷机、用户电负荷需求、蓄电装置以及低压变压器低压侧端连接，所述电锅炉通过热能总线与蓄热装置和用户热负荷需求连接，所述电制冷机通过冷能总线与所述蓄冷装置和用户冷负荷需求连接，所述低压变压器高压侧端与大电网连接。
3.根据权利要求2所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述对区域综合能源系统进行光伏发电机组出力预测和风电发电机组出力预测，包括：
Figure FDA0002422983700000011
其中，Rn(t)表示第n个光伏发电机组的t时段光照强度，An为第n个光伏发电机组的光伏组件面积，
Figure FDA0002422983700000012
为第n个光伏发电机组的温度系数，
Figure FDA0002422983700000013
为第n个光伏发电机组的直流变换环节MPPT效率，βn为第n个光伏发电机组的功率温度系数，
Figure FDA0002422983700000014
为第n个光伏发电机组的环境实际温度，
Figure FDA0002422983700000015
为第n个光伏发电机组的环境参考温度，
Figure FDA0002422983700000016
为第n个光伏发电机组的t时段预测出力，N为光伏发电机组的总个数，ρ为空气密度，Rm为第m个风力发电机组的风轮半径，Vm(t)为第m个风力发电机组的t时段风速，
Figure FDA0002422983700000017
为第m个风力发电机组的最大风能利用系数，
Figure FDA0002422983700000018
为第m个风力发电机组的t时段预测出力，M为风力发电机组的总个数。
4.根据权利要求3所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述构建满足平衡约束条件的寻优可行域，包括：
采用平衡校核法分别对用户电负荷、用户热负荷、用户冷负荷、蓄热装置、蓄冷装置和蓄电装置进行检验，得到满足平衡约束条件的寻优可行域：
Figure FDA0002422983700000021
其中，Pgrid(t)为t时段向电网购电的功率，
Figure FDA0002422983700000022
为第d个蓄电装置的t时段充/放电功率，D为蓄电装置的总个数，
Figure FDA0002422983700000023
为第b个电锅炉的t时段耗电功率，B为电锅炉的总个数，
Figure FDA0002422983700000024
为第r个电制冷机的t时段耗电功率，R为电制冷机的总个数，
Figure FDA0002422983700000025
为第e个用户电负荷需求功率，E为用户电负荷需求的总个数，
Figure FDA0002422983700000026
为第p个蓄热装置的t时段充/放热功率，P为蓄热装置的总个数，
Figure FDA0002422983700000027
为第h个用户热负荷需求功率，H为用户热负荷需求的总个数，
Figure FDA0002422983700000028
为第q个蓄冷装置的t时段充/放冷功率，Q为蓄冷装置的总个数，
Figure FDA0002422983700000029
为第c个用户冷负荷需求功率，C为用户冷负荷需求的总个数，
Figure FDA00024229837000000210
为第p个蓄热装置的t时段蓄热量，
Figure FDA00024229837000000211
为第p个蓄热装置的自放热率，
Figure FDA00024229837000000212
为第p个蓄热装置的t-1时段蓄热量，Δt为每个调度时段的时间长度，
Figure FDA00024229837000000213
为第p个蓄热装置的起始时间段即t0时段蓄热量，T为控制运行周期，
Figure FDA00024229837000000214
为第p个蓄热装置的控制运行周期结束时应留有的蓄热量，
Figure FDA00024229837000000215
为一个控制运行周期结束后的下一周期起始时间段，
Figure FDA00024229837000000216
为第q个蓄冷装置的t时段蓄冷装置蓄冷量，
Figure FDA00024229837000000217
为第q个蓄冷装置的自放冷率，
Figure FDA00024229837000000218
为第q个蓄冷装置的t-1时段蓄冷量，
Figure FDA00024229837000000219
为第q个蓄冷装置的起始时间段即t0时段蓄冷量，
Figure FDA00024229837000000220
为第q个蓄冷装置的控制运行周期结束时应留有的蓄冷量，
Figure FDA00024229837000000221
为第d个蓄电装置的t时段蓄电装置蓄电量，
Figure FDA00024229837000000222
为第d个蓄电装置的自放电率，
Figure FDA00024229837000000223
为第d个蓄电装置的t-1时段蓄电量，
Figure FDA00024229837000000224
为第d个蓄电装置的起始时间段即t0时段蓄电量，
Figure FDA00024229837000000225
为第d个蓄电装置的控制运行周期结束时应留有的蓄电量。
5.根据权利要求4所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述构建满足设备上下限约束条件的寻优可行域，包括：
采用穷举法分别对每一台设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电锅炉耗电功率、电制冷机耗电功率、蓄热装置的蓄/放热功率、蓄热装置的蓄/放热量、蓄冷装置的蓄/放冷功率、蓄冷装置的蓄/放冷量、蓄电装置的蓄/放电功率和蓄电装置的蓄/放电量进行上下限检验，得到满足上下限约束条件的寻优可行域：
Figure FDA0002422983700000031
其中，(Pgrid)min和(Pgrid)max为区域综合能源系统与大电网之间允许传输的最小和最大功率；
Figure FDA0002422983700000032
和
Figure FDA0002422983700000033
分别为第n个光伏发电机组的最小和最大发电功率，
Figure FDA0002422983700000034
和
Figure FDA0002422983700000035
分别为第m个风电发电机组的最小和最大发电功率，
Figure FDA0002422983700000036
和
Figure FDA0002422983700000037
分别为第b个电锅炉的最小和最大功率，
Figure FDA0002422983700000038
和
Figure FDA0002422983700000039
分别为第r个电制冷机的最小和最大功率，
Figure FDA00024229837000000310
和
Figure FDA00024229837000000311
分别为第p个蓄热装置的最小出力功率和最大出力功率，
Figure FDA00024229837000000312
和
Figure FDA00024229837000000313
分别为第p个蓄热装置的最小蓄热量和最大蓄热量，
Figure FDA00024229837000000314
和
Figure FDA00024229837000000315
分别为第q个蓄冷装置的最小出力功率和最大出力功率，
Figure FDA00024229837000000316
和
Figure FDA00024229837000000317
分别为第q个蓄冷装置的最小蓄冷量和最大蓄冷量，
Figure FDA00024229837000000318
和
Figure FDA00024229837000000319
分别为第d个蓄电装置的最小出力功率和最大出力功率，
Figure FDA00024229837000000320
和
Figure FDA00024229837000000321
分别为第d个蓄电装置的最小蓄电量和最大蓄电量。
6.根据权利要求5所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述建立区域综合能源系统运行的经济性指标，包括：
Cyx＝frun+Fmain
其中，Cyx为区域综合能源系统一个调度周期的运维成本，frun为区域综合能源系统一个调度周期的运行成本，Fmain为区域综合能源系统一个调度周期的维护成本；
frun表示为：
Figure FDA0002422983700000041
其中，prgrid(t)为电网分时电价，PPgrid(t)为从电网购电量，Δt为每个调度时段的时间长度；
Fmain表示为：
Figure FDA0002422983700000042
其中，FHSE为蓄热装置的总维护成本，
Figure FDA0002422983700000043
为第p个蓄热装置的维护成本，FERB为电锅炉的总维护成本，
Figure FDA0002422983700000044
为第b个电锅炉的维护成本，FCSE为蓄冷装置的总维护成本，
Figure FDA0002422983700000045
为第q个蓄冷装置的维护成本，FERC为电制冷机的总维护成本，
Figure FDA0002422983700000046
为第r个电制冷机的维护成本，FESE为蓄电装置的总维护成本，
Figure FDA0002422983700000047
为第d个蓄电装置的维护成本，FPV为光伏发电机组的总维护成本，
Figure FDA0002422983700000048
为第n个光伏发电机组的维护成本，FWT为风力发电机组的总维护成本，
Figure FDA0002422983700000049
为第m个风力发电机组的维护成本，FG为电网的总维护成本，FH为热力管道的总维护成本，FC为冷力管道的总维护成本。
7.根据权利要求6所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述在所述满足平衡约束条件的寻优可行域和满足设备上下限约束条件的寻优可行域中，对所述经济性指标进行优化求解，包括：
将寻优种群个体一分为二，其中mPSO个粒子群个体进行单独粒子群算法搜索，mBA个蝙蝠个体进行单独蝙蝠算法搜索；
每一次搜寻后，对比粒子群算法求解的全局最优解和蝙蝠算法求解的全局最优解；
若粒子群算法求解的全局最优解优于蝙蝠算法求解的全局最优解，则将粒子群算法的求解结果作为当前最优解；
若蝙蝠算法求解的全局最优解优于粒子群算法求解的全局最优解，则将蝙蝠算法的求解结果作为当前最优解；
在当前最优解中加入高斯扰动项，更新粒子速度和位置：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)+rg1Gi(s)-Xi(s))+c2r2(Pg(s)-Xi(s))
Xi(s+1)＝Xi(s)+Vi(s+1)
其中，Vi(s+1)是粒子i第s+1次迭代的速度，Xi(s+1)是粒子i第s+1次迭代的位置，Pi(s)是粒子i第s次迭代的极值，Pg(s)是第s次迭代粒子群全局最优解，s是当前时刻迭代次数，r1、r2是(0,1)之间的任一随机数，c1、c2是大于零的学习因子，ω是惯性权重，rg1是(0,1)之间的任一随机数，Gi(s)是粒子i在第s次迭代时产生的高斯扰动；
基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索，直至达到结束条件或者最大迭代次数，输出最优个体，得到一个调度周期内的各个时间段，在满足所述区域综合能源系统冷热电负荷需求下，各能源设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电锅炉耗电功率、电制冷机耗电功率、蓄热装置的蓄或放热功率、蓄热装置的蓄或放热量、蓄冷装置的蓄或放冷功率、蓄冷装置的蓄或放冷量、蓄电装置的蓄或放电功率、蓄电装置的蓄或放蓄电量的最优协同出力情况。
8.根据权利要求7所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述惯性权重计算如下：
Figure FDA0002422983700000051
其中，ωmin是最小惯性权重，ωmax是最大惯性权重，smax是最大迭代次数。
9.根据权利要求7所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述高斯扰动计算如下：
Gi(s)＝rg2Gaussian(μ,σ2)
其中，rg2是(0,1)之间的任一随机数，μ是均值，σ2是方差。
10.根据权利要求7所述的基于改进粒子群算法的综合能源系统运行优化方法，其特征在于，所述结束条件为：
|Cyx(s)-Cyx(s-1)|≤0.001,
其中，Cyx(s)、Cyx(s-1)分别为当前、上一次寻优得到的值。
11.基于混合粒子群算法的综合能源系统运行优化装置，其特征在于，包括：
可再生能源机组出力消纳模块，用于对区域综合能源系统进行光伏发电机组出力预测和风电发电机组出力预测；
出力数据获取模块，用于获取光伏发电机组出力和风电发电机组出力实时就地最大化消纳后所述区域综合能源系统中各能源设备的出力功率数据；
约束条件模块，用于基于所述区域综合能源系统中各能源设备的出力功率数据，构建满足平衡约束条件的寻优可行域和满足设备上下限约束条件的寻优可行域；
以及，
优化处理模块，用于建立区域综合能源系统运行的经济性指标，在所述满足平衡约束条件的寻优可行域和满足设备上下限约束条件的寻优可行域中，对所述经济性指标进行优化求解，得到区域综合能源系统中各能源设备的最优运行出力。
12.根据权利要求11所述的基于混合粒子群算法的综合能源系统运行优化装置，其特征在于，所述优化处理模块具体用于，
将寻优种群个体一分为二，其中mPSO个粒子群个体进行单独粒子群算法搜索，mBA个蝙蝠个体进行单独蝙蝠算法搜索；
每一次搜寻后，对比粒子群算法求解的全局最优解和蝙蝠算法求解的全局最优解；
若粒子群算法求解的全局最优解优于蝙蝠算法求解的全局最优解，则将粒子群算法的求解结果作为当前最优解；
若蝙蝠算法求解的全局最优解优于粒子群算法求解的全局最优解，则将蝙蝠算法的求解结果作为当前最优解；
在当前最优解中加入高斯扰动项，更新粒子速度和位置：
Vi(s+1)＝ωVi(s)+c1r1(Pi(s)+rg1Gi(s)-Xi(s))+c2r2(Pg(s)-Xi(s))
Xi(s+1)＝Xi(s)+Vi(s+1)
其中，Vi(s+1)是粒子i第s+1次迭代的速度，Xi(s+1)是粒子i第s+1次迭代的位置，Pi(s)是粒子i第s次迭代的极值，Pg(s)是第s次迭代粒子群全局最优解，s是当前时刻迭代次数，r1、r2是(0,1)之间的任一随机数，c1、c2是大于零的学习因子，ω是惯性权重，rg1是(0,1)之间的任一随机数，Gi(s)是粒子i在第s次迭代时产生的高斯扰动；
基于更新的粒子速度和位置继续在粒子群个体和蝙蝠个体中进行搜索，直至达到结束条件或者最大迭代次数，输出最优个体，得到一个调度周期内的各个时间段，在满足所述区域综合能源系统冷热电负荷需求下，各能源设备的电网购电功率、光伏发电机组出力功率、风电发电机组出力功率、电锅炉耗电功率、电制冷机耗电功率、蓄热装置的蓄或放热功率、蓄热装置的蓄或放热量、蓄冷装置的蓄或放冷功率、蓄冷装置的蓄或放冷量、蓄电装置的蓄或放电功率、蓄电装置的蓄或放蓄电量的最优协同出力情况。
13.根据权利要求12所述的基于改进粒子群算法的综合能源系统运行优化装置，其特征在于，所述高斯扰动计算如下：
Gi(s)＝rg2Gaussian(μ,σ2)
其中，rg2是(0,1)之间的任一随机数，μ是均值，σ2是方差。
CN202010211506.2A 2020-03-24 2020-03-24 基于改进粒子群算法的综合能源系统运行优化方法及装置 Pending CN111428850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211506.2A CN111428850A (zh) 2020-03-24 2020-03-24 基于改进粒子群算法的综合能源系统运行优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211506.2A CN111428850A (zh) 2020-03-24 2020-03-24 基于改进粒子群算法的综合能源系统运行优化方法及装置

Publications (1)

Publication Number Publication Date
CN111428850A true CN111428850A (zh) 2020-07-17

Family

ID=71555676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211506.2A Pending CN111428850A (zh) 2020-03-24 2020-03-24 基于改进粒子群算法的综合能源系统运行优化方法及装置

Country Status (1)

Country Link
CN (1) CN111428850A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785065A (zh) * 2021-01-27 2021-05-11 国网江苏省电力有限公司扬州供电分公司 基于混合人工鱼群算法的综合能源系统规划方法及系统
CN113642802A (zh) * 2021-08-24 2021-11-12 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和系统
CN113688347A (zh) * 2021-07-02 2021-11-23 国电南瑞科技股份有限公司 多个能源综合服务站多目标运行控制系统、方法及装置
CN114519456A (zh) * 2022-01-14 2022-05-20 东南大学 一种绿色农业零碳供能系统及其智能配置分层优化算法
CN114896871A (zh) * 2022-04-22 2022-08-12 国网江苏省电力有限公司电力科学研究院 一种基于最小互信息的光伏出力分解方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110620403A (zh) * 2019-08-22 2019-12-27 国电南瑞科技股份有限公司 计及可再生能源的能源系统协同运行日前调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110620403A (zh) * 2019-08-22 2019-12-27 国电南瑞科技股份有限公司 计及可再生能源的能源系统协同运行日前调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱德刚等: "基于高斯扰动的粒子群优化算法", 《计算机应用》 *
耿健等: "基于TB-PC算法的MISO系统辨识的研究", 《电气自动化》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785065A (zh) * 2021-01-27 2021-05-11 国网江苏省电力有限公司扬州供电分公司 基于混合人工鱼群算法的综合能源系统规划方法及系统
CN113688347A (zh) * 2021-07-02 2021-11-23 国电南瑞科技股份有限公司 多个能源综合服务站多目标运行控制系统、方法及装置
CN113642802A (zh) * 2021-08-24 2021-11-12 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和系统
CN113642802B (zh) * 2021-08-24 2024-02-02 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和系统
CN114519456A (zh) * 2022-01-14 2022-05-20 东南大学 一种绿色农业零碳供能系统及其智能配置分层优化算法
CN114519456B (zh) * 2022-01-14 2024-04-30 东南大学 一种绿色农业零碳供能系统及其智能配置分层优化算法
CN114896871A (zh) * 2022-04-22 2022-08-12 国网江苏省电力有限公司电力科学研究院 一种基于最小互信息的光伏出力分解方法
CN114896871B (zh) * 2022-04-22 2023-12-22 国网江苏省电力有限公司电力科学研究院 一种基于最小互信息的光伏出力分解方法

Similar Documents

Publication Publication Date Title
CN111445090B (zh) 一种离网型综合能源系统双层规划方法
CN111428850A (zh) 基于改进粒子群算法的综合能源系统运行优化方法及装置
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
CN108629462B (zh) 含储能的综合能源微网优化规划方法及综合能源微网系统
CN104616208B (zh) 一种基于模型预测控制的冷热电联供型微电网运行方法
CN109523065B (zh) 一种基于改进量子粒子群算法的微能源网优化调度方法
CN111144620B (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
CN107895971A (zh) 基于随机规划和模型预测控制的区域能源互联网调度方法
CN106022503A (zh) 面向具有耦合型电冷热需求的微电网容量规划方法
CN105990838A (zh) 一种计及可调度和可平移负荷的海岛微电网优化调度方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN109298634B (zh) 一种综合能源系统两阶段鲁棒优化调度方法
CN113393054B (zh) 一种风储联合系统的优化调度方法及优化调度系统
CN105225022A (zh) 一种热电联产型微电网的经济性优化运行方法
CN111355265A (zh) 一种微电网能量两阶段鲁棒优化方法及系统
CN106786509A (zh) 大规模风电并网下基于多场景模拟的热‑电联合调度方法
Geng et al. A two-stage scheduling optimization model and corresponding solving algorithm for power grid containing wind farm and energy storage system considering demand response
CN111245024B (zh) 基于模型预测控制的综合能源系统鲁棒优化运行方法
CN113255198B (zh) 一种含虚拟储能的冷热电联供微电网多目标优化方法
CN110796279A (zh) 一种多能互补优化运行方法与系统
CN110620403A (zh) 计及可再生能源的能源系统协同运行日前调度方法及系统
CN104037755A (zh) 一种求解风蓄火联合运行系统多时段Pareto解集的优化方法
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN112131712A (zh) 客户侧多能源系统多目标优化方法和系统
CN116341703A (zh) 一种园区综合能源系统运行优化方法、系统、介质及设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200717