CN112270456A - 一种热电联供系统多目标优化调度方法及装置 - Google Patents

一种热电联供系统多目标优化调度方法及装置 Download PDF

Info

Publication number
CN112270456A
CN112270456A CN202011528549.XA CN202011528549A CN112270456A CN 112270456 A CN112270456 A CN 112270456A CN 202011528549 A CN202011528549 A CN 202011528549A CN 112270456 A CN112270456 A CN 112270456A
Authority
CN
China
Prior art keywords
power
model
predicted value
optimization scheduling
objective optimization
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
CN202011528549.XA
Other languages
English (en)
Inventor
何伟
胡博
谢国强
钟逸铭
程思萌
汪硕承
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 Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
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 Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011528549.XA priority Critical patent/CN112270456A/zh
Publication of CN112270456A publication Critical patent/CN112270456A/zh
Pending legal-status Critical Current

Links

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
    • 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)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (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

本发明公开一种热电联供系统多目标优化调度方法及装置，方法包括：响应于获取热电联供系统的运行历史数据，计算热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；基于多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解。采用在不同的工况下协调控制各可控机组的启停和出力，既可以满足养殖场冷/热、电负荷的用能需求，又可以在电价和各设备运行成本下保证系统运行的经济性，从而实现缓解电网的峰值用电压力，最大化利用现有能源。

Description

一种热电联供系统多目标优化调度方法及装置
技术领域
本发明属于综合能源优化调度技术领域，尤其涉及一种热电联供系统多目标优化调度方法及装置。
背景技术
近年来，我国畜牧业生产发展迅猛，养殖规模不断扩大，畜禽粪便、污水、恶臭等养殖废弃物产生量也迅速增加，再加上养殖布局不够合理、生态养殖覆盖面和废气物深化处理能力不足等原因，环境承载压力剧增，畜禽养殖污染问题日益凸显。随着大规模集中化养殖的推进，大中型养殖场已经实现了工厂化养殖模式，其对能源的依赖程度越来越高，尤其是母猪和仔猪对养殖环境和温度要求较高，即使短时的停电也会对母猪的产育率和仔猪的成活率产生较大影响，但养殖场往往地处偏远，供电可靠性难以提高。因此，如何挖掘养殖场内部的能源供应潜力，提高整体能效，是一个亟需解决的问题。
根据新的环保政策，目前江西省内大型养殖场均配备了相应的沼气发电机组，并且江西省内光照条件充足，已具备开展综合能源服务的条件。但是由于各个季节的天气情况各不相同，同时机组出力与电网交互电能时的运行成本也会不一样，使得针对整个系统进行合理地调度难度大。
发明内容
本发明实施例提供一种热电联供系统多目标优化调度方法及装置，用于至少解决上述技术问题之一。
第一方面，本发明实施例提供一种热电联供系统多目标优化调度方法，所述方法包括：响应于获取所述热电联供系统的运行历史数据，计算所述热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；基于所述电负荷的功率预测值和所述冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；基于所述多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的所述热电联供系统进行最优求解。
第二方面，本发明实施例提供一种热电联供系统多目标优化调度装置，所述装置包括：计算模块，配置为响应于获取所述热电联供系统的运行历史数据，计算所述热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；建模模块，配置为基于所述电负荷的功率预测值和所述冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；优化模块，配置为基于所述多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的所述热电联供系统进行最优求解，其中，所述改进的多目标粒子群算法的具体步骤如下：步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数；步骤二：计算适应度值，选出粒子的个体最优和群体最优，对非支配解进行排序；步骤三：分别更新粒子的速度和位置，同时更新粒子的非支配解集；步骤四：构建冗余集，对群体粒子的位置分别运用差分和高斯方程进行变异，并将变异之后的粒子返回给粒子的非支配解集进行比较得到精英档案集；步骤五：更新个体最优位置与全局最优位置，再更新粒子的学习因子，并更新粒子的惯性权重；步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤三。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的热电联供系统多目标优化调度方法的步骤。
第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的热电联供系统多目标优化调度方法的步骤。
本申请的方法及装置，采用在不同的工况下协调控制各可控机组的启停和出力，既可以满足养殖场冷/热、电负荷的用能需求，又可以在电价和各设备运行成本下保证系统运行的经济性，从而实现缓解电网的峰值用电压力，最大化利用现有能源，同时减少系统的运行费用，节约成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种热电联供系统多目标优化调度方法的流程图；
图2为本发明一实施例提供的又一种热电联供系统多目标优化调度方法的流程图；
图3为本发明一实施例提供的一个具体实施例的生态养殖全过程热电联供系统模型示意图；
图4为本发明一实施例提供的一具体实施例的改进多目标粒子群算法流程示意图；
图5为本发明一实施例提供的一种热电联供系统多目标优化调度装置的框图；
图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的热电联供系统多目标优化调度方法一实施例的流程图，本实施例的热电联供系统多目标优化调度方法可以适用于具备数据模型的终端，该终端可以包括台式计算机和膝上型便携计算机。
如图1所示，在S101中，响应于获取热电联供系统的运行历史数据，计算热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值。
在本实施例中，多目标优化调度装置响应于获取热电联供系统的运行历史数据，计算热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值，通过获取各个工况的冷/热和电负荷的预测功率，能够为后续优化调度提供前提。
在S102中，基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型。
在本实施例中，多目标优化调度装置基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型，通过多目标优化调度模型对热电联供系统中的各个设备进行调度，从而实现提高能源的综合利用效果的目的。
在S103中，基于多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解，其中，改进的多目标粒子群算法的具体步骤如下：
步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数；
步骤二：计算适应度值，得到粒子的个体最优值和群体最优值，根据支配关系得到粒子的非支配解集，并对非支配解集进行排序；
步骤三：分别更新粒子的速度和位置，同时更新粒子的非支配解集；
步骤四：对冗余集中的粒子位置分别运用差分和高斯方程进行变异，并将变异之后的粒子与非支配解集进行比较得到最优非支配解集，一般的多目标粒子群算法很容易使粒子陷入局部最优解，从而使算法提早收敛；而使用双重变异的方法增加了粒子的多样性，可以有效的避免粒子陷入局部最优解，进一步的提高算法的准确性和效率；
步骤五：更新个体最优位置与全局最优位置，再更新粒子的学习因子和惯性权重，更新粒子的学习因子和惯性权重一方面是为了增强粒子的学习能力，另一方面是为了提升粒子的搜索能力，使算法更快的收敛；
步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤三。
在本实施例中，多目标优化调度装置基于多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解。
上述的方法，采用依据历史数据获取各个季节天气和温度运行工况下养殖场所需的电负荷、冷/热负荷的功率预测值，针对系统各个运行工况利用改进的粒子群算法对整个系统进行最优求解，得出各个工况的最优运行方式。有效的缓解电网的峰值用电压力，最大化利用现有能源，同时减少系统的运行费用，节约成本。
具体地，本申请改进的粒子群算法与现有技术中的算法的区别在于对冗余集（支配解集）中的粒子使用差分方程和高斯方程相结合的变异方法，并且对学习因子和惯性权重进行更新，步骤四能够实现对冗余集（支配解集）中的粒子进行变异后再与非支配解集进行比较从而得到最优非支配解集，步骤五更新粒子的学习因子和惯性权重一方面是为了增强粒子的学习能力，另一方面是为了提升粒子的搜索能力，从而避免了粒子陷入局部最优解，使用双重变异的方法增加了粒子的多样性，进一步提高算法的准确性和效率。
在一些可选的实施例中，多目标优化调度模型的方程式如下：
Figure 761501DEST_PATH_IMAGE001
，
其中，
Figure 226112DEST_PATH_IMAGE002
表示系统的运行成本，
Figure 333745DEST_PATH_IMAGE003
表示系统总的一次能源消耗量；
系统的运行费用模型方程式如下：
Figure 288143DEST_PATH_IMAGE004
，
其中，
Figure 164833DEST_PATH_IMAGE005
表示系统的运行成本总费用，
Figure 800344DEST_PATH_IMAGE006
分别表示
Figure 129695DEST_PATH_IMAGE007
时刻沼气机组的发电功率，光伏的发电功率和水源热泵的发电功率，
Figure 141644DEST_PATH_IMAGE008
分别表示沼气发电机组、光伏电池板和水源热泵机组的维修管理费用系数，
Figure 872840DEST_PATH_IMAGE009
表示
Figure 679253DEST_PATH_IMAGE007
时刻的电价值，
Figure 495899DEST_PATH_IMAGE010
表示
Figure 45960DEST_PATH_IMAGE007
时刻系统与大电网交互的电功率，
Figure 631662DEST_PATH_IMAGE011
表示可控机组
Figure 874556DEST_PATH_IMAGE012
的每次启停成本，
Figure 178498DEST_PATH_IMAGE013
表示可控机组
Figure 266671DEST_PATH_IMAGE012
在
Figure 706880DEST_PATH_IMAGE007
时刻的启停状态；
系统的一次能源消耗量模型方程式如下：
Figure 855096DEST_PATH_IMAGE014
，
其中，
Figure 646334DEST_PATH_IMAGE015
表示系统总的一次能源消耗量，
Figure 538198DEST_PATH_IMAGE016
分别表示太阳能消耗量系数和水量消耗系数，
Figure 98492DEST_PATH_IMAGE017
表示电网燃煤量系数。
本实施例的方法，采用对系统的一次能源消耗量以及运行费用进行考量，使得多目标优化调度模型优化求得系统的运行费用模型与系统的一次能源消耗量模型之和的最小值，即多目标优化调度模型的最优解，从而达到优化调度的效果。
在一些可选的实施例中，在S101之前，多目标优化调度方法还包括：划分热电联供系统在各个季节的天气和温度情况下的运行工况。这样，实现多目标优化调度模型在不同的运行工况下，对系统热电联供进行相适应的优化调度。
请参阅图2，其示出了本申请的又一种热电联供系统多目标优化调度方法的流程图。该流程图主要是对S102“基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型”的情况的进一步限定的步骤的流程图。
如图2所示，在S201中，建立热电联供系统中各个设备的数学模型以及设备约束函数模型。
在本实施例中，多目标优化调度装置建立热电联供系统中各个设备的数学模型以及设备约束函数模型，这样将系统中的各个设备进行建模，使得便于工作人员对系统中的各个设备进行虚拟调度。
在一些可选的实施例中，热电联供系统中各个设备的数学模型包括：
沼气发电模型，沼气发电模型的方程式如下：
Figure 683188DEST_PATH_IMAGE018
，
其中，
Figure 696144DEST_PATH_IMAGE019
表示
Figure 657278DEST_PATH_IMAGE007
时段内沼气机组的发电功率，
Figure 72078DEST_PATH_IMAGE020
表示
Figure 562097DEST_PATH_IMAGE007
时段内养殖场排出的粪便量，
Figure 62348DEST_PATH_IMAGE021
表示发酵罐中猪粪等固体干物质的产气系数，
Figure 296015DEST_PATH_IMAGE022
表示沼气发电机组的发电效率，沼气机组的装机容量为150KW；
光伏发电模型，光伏发电模型的方程式如下：
Figure 830901DEST_PATH_IMAGE023
，
其中，
Figure 491821DEST_PATH_IMAGE024
分别表示
Figure 479368DEST_PATH_IMAGE007
时段内光伏发电功率和光照强度，
Figure 516726DEST_PATH_IMAGE025
表示太阳能电池板的面积，
Figure 640539DEST_PATH_IMAGE026
表示太阳能电池板的发电效率，光伏发电功率为100KW；
水源热泵模型，水源热泵模型的方程式如下：
Figure 737939DEST_PATH_IMAGE027
，
其中，
Figure 212783DEST_PATH_IMAGE028
表示
Figure 42113DEST_PATH_IMAGE007
时段内水源热泵机组的制热功率，
Figure 286012DEST_PATH_IMAGE029
表示
Figure 554314DEST_PATH_IMAGE007
时段内井口的出水量，
Figure 516453DEST_PATH_IMAGE030
表示水的比热容，
Figure 895613DEST_PATH_IMAGE031
表示
Figure 259598DEST_PATH_IMAGE007
时段内水温差变化，水源热泵耗电功率25KW，制热功率为50KW；
蓄电池储能模型，蓄电池储能模型的方程式如下：
Figure 433222DEST_PATH_IMAGE032
，
其中，
Figure 148237DEST_PATH_IMAGE033
表示
Figure 331088DEST_PATH_IMAGE007
时段内储能的能量，
Figure 284000DEST_PATH_IMAGE034
分别表示
Figure 894104DEST_PATH_IMAGE007
时段内的充、放电功率，
Figure 565257DEST_PATH_IMAGE035
表示
Figure 551799DEST_PATH_IMAGE007
时段内的蓄电池的损耗系数，
Figure 624797DEST_PATH_IMAGE036
表示蓄电池的充放电效率，蓄电池容量为200kwh，放电功率为100kW，可持续2小时。
设备约束函数模型包括：
电功率平衡约束函数模型，电功率平衡约束条件模型的方程式如下：
Figure 405802DEST_PATH_IMAGE037
，
其中，
Figure 564251DEST_PATH_IMAGE038
分别表示
Figure 88905DEST_PATH_IMAGE007
时刻光伏的发电功率，沼气发电机组的发电功率，系统与大电网交换的电功率，养殖场内负荷所消耗的功率，水源热泵消耗的功率，养殖场最大负荷为450KW；
蓄电池约束函数模型，蓄电池约束条件模型的方程式如下：
Figure 16409DEST_PATH_IMAGE039
，
其中，
Figure 968316DEST_PATH_IMAGE040
分别表示
Figure 348482DEST_PATH_IMAGE007
时段内蓄电池充、放电状态，1表示正在充电，
Figure 411247DEST_PATH_IMAGE041
分别表示
Figure 803045DEST_PATH_IMAGE007
时段内的充、放电功率，
Figure 175120DEST_PATH_IMAGE042
、
Figure 58894DEST_PATH_IMAGE043
分别表示最小充电功率、最大充电功率，
Figure 174618DEST_PATH_IMAGE044
、
Figure 827447DEST_PATH_IMAGE045
分别表示最小放电功率、最大放电功率。
在S202中，基于各个设备的数学模型的关联关系，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型。
上述方法，将系统中的机组设备进行建模，基于各个设备模型的关联关系，建立多目标优化调度模型，通过多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解，实现最大化利用现有能源，同时减少系统的运行费用，节约成本。
需要说明的是，上述方法步骤并不用于限制各步骤的执行顺序，实际上，某些步骤可能会同时执行或者以与步骤限定的相反的顺序执行，本申请在此没有限制。
下面对通过描述发明人在实现本发明的过程中遇到的一些问题和对最终确定的方案的一个具体实施例进行说明，以使本领域技术人员更好地理解本申请的方案。
发明人在实现本申请的过程中发现现有技术中存在的缺陷主要是由以下原因导致的：由于各个季节的天气情况各不相同，同时机组出力与电网交互电能时的运行成本也会不一样，所以针对整个系统进行合理地调度难度大。
请参阅图3，其示出了本申请的一个具体实施例的生态养殖全过程热电联供系统模型示意图。
如图3所示，系统将地下水资源的一部分抽出用于水源热泵，可减少养殖栏舍的采暖制冷负荷，生猪饮用地下水后，产生的粪污污染物，粪尿污染物的固体部分经好氧发酵生成固体有机肥，用于农业施肥，粪尿污染物的液体部分，经厌氧发酵生成沼气，用于沼气机组发电，利用太阳能进行光伏发电，多余的电量通过蓄电池进行储能，欠缺的电量通过电网直接补入系统中，实现最大化利用现有能源，同时减少系统的运行费用，节约成本。
本申请的方案主要从以下几个方面入手进行设计和优化热电联供系统的调度：
（1）构建生态养殖全过程热电联产系统的结构框图，同时建立沼气发电、水源热泵、光伏发电和蓄电池储能的数学模型以及设备约束条件模型。
（2）划分养殖场的各个季节的天气和温度运行工况，并通过历史数据获取养殖场所需的电负荷、冷/热负荷的功率预测值。
（3）建立以运行费用和一次能源消耗量的系统多目标优化调度模型。
（4）利用改进多目标粒子群算法对养殖场的各个运行工况进行最优求解。
（5）得出各个工况的最优运行方式。
具体地，用于生态养殖全过程热电联供系统多目标优化调度通过如下步骤实现：
步骤1、建立沼气发电、地源热泵、太阳能光伏发电和蓄电池储能模型。
沼气发电模型方程方程如式（1）所示：
Figure 104844DEST_PATH_IMAGE046
(1）
其中，
Figure 475914DEST_PATH_IMAGE047
表示
Figure 395329DEST_PATH_IMAGE007
时段内沼气机组的发电功率，
Figure 637085DEST_PATH_IMAGE048
表示
Figure 350963DEST_PATH_IMAGE007
时段内养殖场排出的粪便量，
Figure 767968DEST_PATH_IMAGE049
表示发酵罐中猪粪等固体干物质的产气系数，
Figure 225495DEST_PATH_IMAGE050
表示沼气发电机组的发电效率，沼气机组的装机容量为150KW。
光伏发电模型方程如式（2）所示：
Figure 852916DEST_PATH_IMAGE051
（2）
其中，
Figure 737696DEST_PATH_IMAGE052
分别表示
Figure 817778DEST_PATH_IMAGE007
时段内光伏发电功率和光照强度，
Figure 78995DEST_PATH_IMAGE053
表示太阳能电池板的面积，
Figure 29765DEST_PATH_IMAGE054
表示太阳能电池板的发电效率，光伏发电功率为100KW。
水源热泵模型方程如式（3）所示：
Figure 351025DEST_PATH_IMAGE055
（3）
其中，
Figure 918403DEST_PATH_IMAGE056
表示
Figure 717732DEST_PATH_IMAGE007
时段内水源热泵机组的制热功率，
Figure 319746DEST_PATH_IMAGE057
表示
Figure 546328DEST_PATH_IMAGE007
时段内井口的出水量，
Figure 601003DEST_PATH_IMAGE058
表示水的比热容，
Figure 204022DEST_PATH_IMAGE059
表示
Figure 660543DEST_PATH_IMAGE007
时段内水温差变化，水源热泵耗电功率25KW，制热功率为50KW。
蓄电池储能的模型方程如式（4）所示：
Figure 58026DEST_PATH_IMAGE060
（4）
其中，
Figure 334418DEST_PATH_IMAGE061
表示
Figure 475549DEST_PATH_IMAGE007
时段内储能的能量，
Figure 645630DEST_PATH_IMAGE062
分别表示
Figure 354960DEST_PATH_IMAGE007
时段内的充、放电功率，
Figure 384227DEST_PATH_IMAGE063
表示
Figure 938837DEST_PATH_IMAGE007
时段内的蓄电池的损耗系数，
Figure 353637DEST_PATH_IMAGE064
表示蓄电池的充放电效率，蓄电池容量为200kwh，放电功率为100kW，可持续2小时。
系统设备约束方程：
电功率平衡约束条件方程如式（5）所示:
Figure 109235DEST_PATH_IMAGE065
（5）
其中，
Figure 609486DEST_PATH_IMAGE066
分别表示
Figure 843153DEST_PATH_IMAGE007
时刻光伏的发电功率，沼气发电机组的发电功率，系统与大电网交换的电功率，养殖场内负荷所消耗的功率，水源热泵消耗的功率,养殖场最大负荷为450KW。
蓄电池约束方程如式（6）所示:
Figure 112460DEST_PATH_IMAGE067
，
其中，
Figure 773380DEST_PATH_IMAGE068
分别表示
Figure 760927DEST_PATH_IMAGE007
时段内蓄电池充、放电状态，1表示正在充电，
Figure 532705DEST_PATH_IMAGE069
分别表示
Figure 922098DEST_PATH_IMAGE007
时段内的充、放电功率，
Figure 7780DEST_PATH_IMAGE042
、
Figure 482623DEST_PATH_IMAGE043
分别表示最小充电功率、最大充电功率，
Figure 58092DEST_PATH_IMAGE044
、
Figure 380620DEST_PATH_IMAGE045
分别表示最小放电功率、最大放电功率。
步骤2、根据图3的系统框图划分养殖场的各个季节的天气和温度运行工况如表1所示：
表1各个季节的天气和温度运行工况
Figure DEST_PATH_IMAGE071A
根据历史数据，获取以上各个工况的冷/热和电负荷的预测功率，为后续优化调度模型提供前提。
步骤3、建立以运行成本和一次能源消耗量的系统多目标优化调度模型如下：
Figure 727550DEST_PATH_IMAGE072
（7）
其中，
Figure 424111DEST_PATH_IMAGE073
表示系统的运行成本，
Figure 803271DEST_PATH_IMAGE074
表示系统总的一次能源消耗量。
系统的运行费用模型方程式如下：
Figure 901677DEST_PATH_IMAGE075
（8）
其中，
Figure 340880DEST_PATH_IMAGE076
表示系统的运行成本总费用，
Figure 790315DEST_PATH_IMAGE077
分别表示
Figure 707587DEST_PATH_IMAGE078
时刻沼气机组的发电功率，光伏的发电功率和水源热泵的发电功率，
Figure 926079DEST_PATH_IMAGE079
分别表示沼气发电机组、光伏电池板和水源热泵机组的维修管理费用系数，
Figure 536183DEST_PATH_IMAGE080
表示
Figure 941756DEST_PATH_IMAGE078
时刻的电价值，
Figure 928298DEST_PATH_IMAGE081
表示
Figure 735717DEST_PATH_IMAGE078
时刻系统与大电网交互的电功率，
Figure 782302DEST_PATH_IMAGE082
表示可控机组
Figure 940750DEST_PATH_IMAGE083
的每次启停成本，
Figure 199825DEST_PATH_IMAGE084
表示可控机组
Figure 392909DEST_PATH_IMAGE083
在
Figure 79236DEST_PATH_IMAGE078
时刻的启停状态。
系统一次能源消耗量模型方程式如下：
Figure 724981DEST_PATH_IMAGE085
（9）
其中，
Figure 787746DEST_PATH_IMAGE086
表示系统总的一次能源消耗量，
Figure 835336DEST_PATH_IMAGE087
分别表示太阳能消耗量系数和水量消耗系数，
Figure 958144DEST_PATH_IMAGE088
表示电网燃煤量系数。
步骤4、利用改进粒子群算法对整个系统进行最优求解。
改进粒子群算法的公式如（10）~（16）所示：
Figure 91185DEST_PATH_IMAGE089
（10）
Figure 828415DEST_PATH_IMAGE090
（11）
Figure 481244DEST_PATH_IMAGE091
（12）
Figure 24221DEST_PATH_IMAGE092
（13）
Figure 129711DEST_PATH_IMAGE093
（14）
Figure 49126DEST_PATH_IMAGE094
（15）
Figure 556462DEST_PATH_IMAGE095
（16）
其中，
Figure 270340DEST_PATH_IMAGE096
表示学习因子，
Figure 128705DEST_PATH_IMAGE097
表示当前迭代次数，
Figure 586231DEST_PATH_IMAGE098
表示最大迭代次数，
Figure 948074DEST_PATH_IMAGE099
表示惯性权重，一般取最大值为0.9，最小值为0.1，
Figure 98432DEST_PATH_IMAGE100
分别表示粒子的速度和位置更新，
Figure 178515DEST_PATH_IMAGE101
分别表示个体最优位置和群体最优位置，
Figure 174153DEST_PATH_IMAGE102
分别表示差分和高斯变异策略，
Figure 390502DEST_PATH_IMAGE103
表示任意两个粒子的位置。
请参阅图4，其示出了本申请的一具体实施例的改进多目标粒子群算法流程示意图。
如图4所示，粒子群算法的具体步骤如下：
步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数。
步骤二：根据公式（7）计算适应度值，选出粒子的个体最优和群体最优，对非支配解进行排序。
步骤三：根据公式（13）和公式（14）分别更新粒子的速度和位置，同时更新粒子的非支配解集。
步骤四：构建冗余集，对群体粒子的位置根据公式（15）和公式（16）分别运用差分和高斯方程进行变异，并将变异之后的粒子返回给粒子的非支配解集进行比较得到精英档案集。
步骤五：更新个体最优位置与全局最优位置，再根据公式（10）和公式（11）更新粒子的学习因子，根据公式（12）更新粒子的惯性权重。
步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤3。
步骤5、各种工况的最优运行方式如表2所示：
表2各种工况的最优运行方式表
Figure DEST_PATH_IMAGE105A
上述步骤，可以得出在最大程度消纳可再生能源的基础上，通过协调控制各可控机组的启停和出力，既可以满足养殖场冷/热、电负荷的用能需求，又可以在电价和各设备运行成本下保证系统运行的经济性。同时，利用蓄电池储能可以提高系统运行的灵活性。因而，本发明方法既能实现系统的经济环保运行，又能保证系统的多种供能可靠性，实现了生态养殖全过程热电联供系统的多目标优化调度。
请参考图5，其示出了本发明一实施例提供的热电联供系统多目标优化调度装置。
如图5所示，多目标优化调度装置300，包括计算模块310、建模模块320以及优化模块330。
其中，计算模块310，配置为响应于获取热电联供系统的运行历史数据，计算热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；建模模块320，配置为基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；优化模块330，配置为基于多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解，其中，改进的多目标粒子群算法的具体步骤如下：步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数；步骤二：计算适应度值，选出粒子的个体最优和群体最优，对非支配解进行排序；步骤三：分别更新粒子的速度和位置，同时更新粒子的非支配解集；步骤四：构建冗余集，对群体粒子的位置分别运用差分和高斯方程进行变异，并将变异之后的粒子返回给粒子的非支配解集进行比较得到精英档案集；步骤五：更新个体最优位置与全局最优位置，再更新粒子的学习因子，并更新粒子的惯性权重；步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤三。
应当理解，图5中记载的诸模块与参考图1和图2中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的手术器械清点方法；
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
响应于获取热电联供系统的运行历史数据，计算热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；
基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；
基于多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解，其中，改进的多目标粒子群算法的具体步骤如下：
步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数；
步骤二：计算适应度值，选出粒子的个体最优和群体最优，对非支配解进行排序；
步骤三：分别更新粒子的速度和位置，同时更新粒子的非支配解集；
步骤四：构建冗余集，对群体粒子的位置分别运用差分和高斯方程进行变异，并将变异之后的粒子返回给粒子的非支配解集进行比较得到精英档案集；
步骤五：更新个体最优位置与全局最优位置，再更新粒子的学习因子，并更新粒子的惯性权重；
步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤三。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据手术器械清点装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至手术器械清点装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述任一项手术器械清点方法。
图6是本发明实施例提供的电子设备的结构示意图，如图6所示，该设备包括：一个或多个处理器410以及存储器420，图6中以一个处理器410为例。手术器械清点方法的设备还可以包括：输入装置430和输出装置440。处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器420为上述的非易失性计算机可读存储介质。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例手术器械清点方法。输入装置430可接收输入的数字或字符信息，以及产生与手术器械清点装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于手术器械清点装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
响应于获取热电联供系统的运行历史数据，计算热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；
基于电负荷的功率预测值和冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；
基于多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的热电联供系统进行最优求解，其中，改进的多目标粒子群算法的具体步骤如下：
步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数；
步骤二：计算适应度值，选出粒子的个体最优和群体最优，对非支配解进行排序；
步骤三：分别更新粒子的速度和位置，同时更新粒子的非支配解集；
步骤四：构建冗余集，对群体粒子的位置分别运用差分和高斯方程进行变异，并将变异之后的粒子返回给粒子的非支配解集进行比较得到精英档案集；
步骤五：更新个体最优位置与全局最优位置，再更新粒子的学习因子，并更新粒子的惯性权重；
步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤三。
本申请实施例的电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种热电联供系统多目标优化调度方法，其特征在于，所述方法包括：
响应于获取所述热电联供系统的运行历史数据，计算所述热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；
基于所述电负荷的功率预测值和所述冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；
基于所述多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的所述热电联供系统进行最优求解，其中，所述改进的多目标粒子群算法的具体步骤如下：
步骤一：先确定粒子群算法的迭代次数、粒子数量、学习因子、权重系数等参数的值，并且初始化粒子的速度和位置，输入负荷的预测功率值和其他设备参数；
步骤二：计算适应度值，选出粒子的个体最优和群体最优，对非支配解进行排序；
步骤三：分别更新粒子的速度和位置，同时更新粒子的非支配解集；
步骤四：构建冗余集，对群体粒子的位置分别运用差分和高斯方程进行变异，并将变异之后的粒子返回给粒子的非支配解集进行比较得到精英档案集；
步骤五：更新个体最优位置与全局最优位置，再更新粒子的学习因子，并更新粒子的惯性权重；
步骤六：判断是否满足终止条件，如果满足则输出粒子的非支配解集，如果不满足，则回到步骤三。
2.根据权利要求1所述的一种热电联供系统多目标优化调度方法，其特征在于，所述多目标优化调度模型的方程式如下：
Figure 318002DEST_PATH_IMAGE001
，
其中，
Figure 34197DEST_PATH_IMAGE002
表示系统的运行成本，
Figure 401724DEST_PATH_IMAGE003
表示系统总的一次能源消耗量；
系统的运行费用模型方程式如下：
Figure 908929DEST_PATH_IMAGE004
，
其中，
Figure 636582DEST_PATH_IMAGE005
表示系统的运行成本总费用，
Figure 217736DEST_PATH_IMAGE006
分别表示
Figure 208695DEST_PATH_IMAGE007
时刻沼气机组的发电功率，光伏的发电功率和水源热泵的发电功率，
Figure 875300DEST_PATH_IMAGE008
分别表示沼气发电机组、光伏电池板和水源热泵机组的维修管理费用系数，
Figure 406644DEST_PATH_IMAGE009
表示
Figure 170201DEST_PATH_IMAGE007
时刻的电价值，
Figure 879531DEST_PATH_IMAGE010
表示
Figure 485961DEST_PATH_IMAGE007
时刻系统与大电网交互的电功率，
Figure 571729DEST_PATH_IMAGE011
表示可控机组
Figure 111164DEST_PATH_IMAGE012
的每次启停成本，
Figure 53712DEST_PATH_IMAGE013
表示可控机组
Figure 694909DEST_PATH_IMAGE012
在
Figure 771318DEST_PATH_IMAGE007
时刻的启停状态；
系统的一次能源消耗量模型方程式如下：
Figure 915992DEST_PATH_IMAGE014
，
其中，
Figure 481971DEST_PATH_IMAGE015
表示系统总的一次能源消耗量，
Figure 672781DEST_PATH_IMAGE016
分别表示太阳能消耗量系数和水量消耗系数，
Figure 100351DEST_PATH_IMAGE017
表示电网燃煤量系数。
3.根据权利要求1所述的一种热电联供系统多目标优化调度方法，其特征在于，在响应于获取所述热电联供系统的运行历史数据，计算所述热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值之前，所述方法包括：
划分所述热电联供系统在各个季节的天气和温度情况下的运行工况。
4.根据权利要求1所述的一种热电联供系统多目标优化调度方法，其特征在于，所述基于所述电负荷的功率预测值和所述冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型包括：
建立所述热电联供系统中各个设备的数学模型以及设备约束函数模型；
基于各个设备的数学模型的关联关系，建立以运行费用和一次能源消耗量为目标的所述多目标优化调度模型。
5.根据权利要求4所述的一种热电联供系统多目标优化调度方法，其特征在于，所述热电联供系统中各个设备的数学模型包括：
沼气发电模型，所述沼气发电模型的方程式如下：
Figure 608519DEST_PATH_IMAGE018
，
其中，
Figure 33815DEST_PATH_IMAGE019
表示
Figure 633292DEST_PATH_IMAGE007
时段内沼气机组的发电功率，
Figure 926871DEST_PATH_IMAGE020
表示
Figure 46136DEST_PATH_IMAGE007
时段内养殖场排出的粪便量，
Figure 953918DEST_PATH_IMAGE021
表示发酵罐中猪粪等固体干物质的产气系数，
Figure 994687DEST_PATH_IMAGE022
表示沼气发电机组的发电效率，沼气机组的装机容量为150KW；
光伏发电模型，所述光伏发电模型的方程式如下：
Figure 13327DEST_PATH_IMAGE023
，
其中，
Figure 314995DEST_PATH_IMAGE024
分别表示
Figure 878832DEST_PATH_IMAGE007
时段内光伏发电功率和光照强度，
Figure 452902DEST_PATH_IMAGE025
表示太阳能电池板的面积，
Figure 963649DEST_PATH_IMAGE026
表示太阳能电池板的发电效率，光伏发电功率为100KW；
水源热泵模型，所述水源热泵模型的方程式如下：
Figure 572353DEST_PATH_IMAGE027
，
其中，
Figure 634987DEST_PATH_IMAGE028
表示
Figure 181506DEST_PATH_IMAGE007
时段内水源热泵机组的制热功率，
Figure 541949DEST_PATH_IMAGE029
表示
Figure 693576DEST_PATH_IMAGE007
时段内井口的出水量，
Figure 114062DEST_PATH_IMAGE030
表示水的比热容，
Figure 147877DEST_PATH_IMAGE031
表示
Figure 125060DEST_PATH_IMAGE007
时段内水温差变化，水源热泵耗电功率25KW，制热功率为50KW；
蓄电池储能模型，所述蓄电池储能模型的方程式如下：
Figure 714217DEST_PATH_IMAGE032
，
其中，
Figure 790757DEST_PATH_IMAGE033
表示
Figure 498819DEST_PATH_IMAGE007
时段内储能的能量，
Figure 217376DEST_PATH_IMAGE034
分别表示
Figure 468229DEST_PATH_IMAGE007
时段内的充、放电功率，
Figure 964938DEST_PATH_IMAGE035
表示
Figure 973346DEST_PATH_IMAGE007
时段内的蓄电池的损耗系数，
Figure 416965DEST_PATH_IMAGE036
表示蓄电池的充放电效率，蓄电池容量为200kwh，放电功率为100kW，可持续2小时。
6.根据权利要求4所述的一种热电联供系统多目标优化调度方法，其特征在于，所述设备约束函数模型包括：
电功率平衡约束函数模型，所述电功率平衡约束条件模型的方程式如下：
Figure 460008DEST_PATH_IMAGE037
，
其中，
Figure 206247DEST_PATH_IMAGE038
分别表示
Figure 951218DEST_PATH_IMAGE007
时刻光伏的发电功率，沼气发电机组的发电功率，系统与大电网交换的电功率，养殖场内负荷所消耗的功率，水源热泵消耗的功率，养殖场最大负荷为450KW；
蓄电池约束函数模型，所述蓄电池约束条件模型的方程式如下：
Figure 745998DEST_PATH_IMAGE039
，
其中，
Figure 96077DEST_PATH_IMAGE040
分别表示
Figure 685321DEST_PATH_IMAGE007
时段内蓄电池充、放电状态，1表示正在充电，
Figure 917589DEST_PATH_IMAGE041
分别表示
Figure 578377DEST_PATH_IMAGE007
时段内的充、放电功率，
Figure 330432DEST_PATH_IMAGE042
、
Figure 605425DEST_PATH_IMAGE043
分别表示最小充电功率、最大充电功率，
Figure 13403DEST_PATH_IMAGE044
、
Figure 682412DEST_PATH_IMAGE045
分别表示最小放电功率、最大放电功率。
7.一种热电联供系统多目标优化调度装置，其特征在于，所述装置包括：
计算模块，配置为响应于获取所述热电联供系统的运行历史数据，计算所述热电联供系统在各个运行工况下所需的电负荷的功率预测值和冷/热负荷的功率预测值；
建模模块，配置为基于所述电负荷的功率预测值和所述冷/热负荷的功率预测值，建立以运行费用和一次能源消耗量为目标的多目标优化调度模型；
优化模块，配置为基于所述多目标优化调度模型采用改进的多目标粒子群算法，对各个运行工况下的所述热电联供系统进行最优求解。
8.根据权利要求7所述的一种热电联供系统多目标优化调度装置，其特征在于，所述装置还包括：
划分模块，配置为划分所述热电联供系统在各个季节的天气和温度情况下的运行工况。
9.一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6任一项所述方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
CN202011528549.XA 2020-12-22 2020-12-22 一种热电联供系统多目标优化调度方法及装置 Pending CN112270456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011528549.XA CN112270456A (zh) 2020-12-22 2020-12-22 一种热电联供系统多目标优化调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011528549.XA CN112270456A (zh) 2020-12-22 2020-12-22 一种热电联供系统多目标优化调度方法及装置

Publications (1)

Publication Number Publication Date
CN112270456A true CN112270456A (zh) 2021-01-26

Family

ID=74350169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011528549.XA Pending CN112270456A (zh) 2020-12-22 2020-12-22 一种热电联供系统多目标优化调度方法及装置

Country Status (1)

Country Link
CN (1) CN112270456A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884221A (zh) * 2021-02-10 2021-06-01 北京国奥云高科技有限公司 局域网络多能互济最优化调度方法及装置
CN113158429A (zh) * 2021-03-23 2021-07-23 东南大学 一种电池可行域建模方法及其装置
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113743713A (zh) * 2021-07-08 2021-12-03 国网内蒙古东部电力有限公司电力科学研究院 一种电气冷热肥多联供综合能源系统规划方法
CN114626616A (zh) * 2022-03-21 2022-06-14 特斯联科技集团有限公司 园区高温尾气余热回收cchp的最优运行方法及系统
CN114970966A (zh) * 2022-04-27 2022-08-30 重庆邮电大学 含有风、光和负荷不确定的热电联供系统双层优化方法
CN115189455A (zh) * 2022-06-15 2022-10-14 葛子翔 一种基于功率平衡的混合能源功率调度方法与系统
CN116260166A (zh) * 2023-03-15 2023-06-13 中国矿业大学 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN117151701A (zh) * 2023-10-31 2023-12-01 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117674302A (zh) * 2024-02-01 2024-03-08 浙江省白马湖实验室有限公司 一种基于两阶段集成学习的热电联供负荷调度方法
WO2024119336A1 (zh) * 2022-12-05 2024-06-13 中国科学院深圳先进技术研究院 多目标联合调度方法、装置、电子设备及存储介质
CN114970966B (zh) * 2022-04-27 2024-09-24 重庆邮电大学 含有风、光和负荷不确定的热电联供系统双层优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571068A (zh) * 2015-01-30 2015-04-29 中国华电集团科学技术研究总院有限公司 一种分布式能源系统的运行优化控制方法及系统
CN104766133A (zh) * 2015-03-09 2015-07-08 山东大学 一种小型生物质沼气冷热电联供系统综合优化方法
CN109685332A (zh) * 2018-12-06 2019-04-26 广东电网有限责任公司 一种综合能源多主体利益均衡优化调度方法及设备
CN109711080A (zh) * 2019-01-03 2019-05-03 山东大学 一种冷热电联供系统多时间尺度优化运行方法
CN110333660A (zh) * 2019-07-29 2019-10-15 西安科技大学 一种冷热电联供系统多目标优化方法
CN110569959A (zh) * 2019-09-05 2019-12-13 南宁师范大学 基于协同变异方法的多目标粒子群优化算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571068A (zh) * 2015-01-30 2015-04-29 中国华电集团科学技术研究总院有限公司 一种分布式能源系统的运行优化控制方法及系统
CN104766133A (zh) * 2015-03-09 2015-07-08 山东大学 一种小型生物质沼气冷热电联供系统综合优化方法
CN109685332A (zh) * 2018-12-06 2019-04-26 广东电网有限责任公司 一种综合能源多主体利益均衡优化调度方法及设备
CN109711080A (zh) * 2019-01-03 2019-05-03 山东大学 一种冷热电联供系统多时间尺度优化运行方法
CN110333660A (zh) * 2019-07-29 2019-10-15 西安科技大学 一种冷热电联供系统多目标优化方法
CN110569959A (zh) * 2019-09-05 2019-12-13 南宁师范大学 基于协同变异方法的多目标粒子群优化算法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884221A (zh) * 2021-02-10 2021-06-01 北京国奥云高科技有限公司 局域网络多能互济最优化调度方法及装置
CN112884221B (zh) * 2021-02-10 2024-07-19 中青云智科技(浙江)有限公司 局域网络多能互济最优化调度方法及装置
CN113158429A (zh) * 2021-03-23 2021-07-23 东南大学 一种电池可行域建模方法及其装置
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113469412B (zh) * 2021-06-02 2024-04-09 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113743713A (zh) * 2021-07-08 2021-12-03 国网内蒙古东部电力有限公司电力科学研究院 一种电气冷热肥多联供综合能源系统规划方法
CN114626616B (zh) * 2022-03-21 2023-11-21 特斯联科技集团有限公司 园区高温尾气余热回收cchp的最优运行方法及系统
CN114626616A (zh) * 2022-03-21 2022-06-14 特斯联科技集团有限公司 园区高温尾气余热回收cchp的最优运行方法及系统
CN114970966A (zh) * 2022-04-27 2022-08-30 重庆邮电大学 含有风、光和负荷不确定的热电联供系统双层优化方法
CN114970966B (zh) * 2022-04-27 2024-09-24 重庆邮电大学 含有风、光和负荷不确定的热电联供系统双层优化方法
CN115189455A (zh) * 2022-06-15 2022-10-14 葛子翔 一种基于功率平衡的混合能源功率调度方法与系统
WO2024119336A1 (zh) * 2022-12-05 2024-06-13 中国科学院深圳先进技术研究院 多目标联合调度方法、装置、电子设备及存储介质
CN116260166A (zh) * 2023-03-15 2023-06-13 中国矿业大学 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN116260166B (zh) * 2023-03-15 2024-02-09 中国矿业大学 电-气耦合的乡村光沼弹性综合能源系统及其运行模型
CN117151701A (zh) * 2023-10-31 2023-12-01 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117151701B (zh) * 2023-10-31 2024-02-09 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117674302A (zh) * 2024-02-01 2024-03-08 浙江省白马湖实验室有限公司 一种基于两阶段集成学习的热电联供负荷调度方法
CN117674302B (zh) * 2024-02-01 2024-05-03 浙江省白马湖实验室有限公司 一种基于两阶段集成学习的热电联供负荷调度方法

Similar Documents

Publication Publication Date Title
CN112270456A (zh) 一种热电联供系统多目标优化调度方法及装置
CN114004476B (zh) 一种综合能源系统多时间尺度优化调度方法
Motevasel et al. Multi-objective energy management of CHP (combined heat and power)-based micro-grid
Li et al. Multi-objective complementary scheduling of hydro-thermal-RE power system via a multi-objective hybrid grey wolf optimizer
Yahiaoui et al. Grey wolf optimizer for optimal design of hybrid renewable energy system PV-Diesel Generator-Battery: Application to the case of Djanet city of Algeria
CN110620402B (zh) 电-气混联系统分布式规划运行联合优化方法及系统
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
Abo El‐Ela et al. Optimal allocation of biomass distributed generation in distribution systems using equilibrium algorithm
Yu et al. An adaptive Marine Predators Algorithm for optimizing a hybrid PV/DG/Battery System for a remote area in China
CN113410900B (zh) 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统
Rawa et al. Optimal operation and stochastic scheduling of renewable energy of a microgrid with optimal sizing of battery energy storage considering cost reduction
Lee et al. A mathematical technique for hybrid power system design with energy loss considerations
CN113435793A (zh) 一种基于强化学习的微电网优化调度方法
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
CN112821465A (zh) 包含热电联产的工业微网负荷优化调度方法与系统
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN116014715A (zh) 一种基于数字孪生的综合能源控制方法及系统
Li et al. Low-carbon optimal learning scheduling of the power system based on carbon capture system and carbon emission flow theory
Zhang et al. Wind–thermal systems operation optimization considering emission problem
CN104376364A (zh) 基于遗传算法的智能家居负荷管理优化方法
CN109245155A (zh) 基于不确定理论的配电网广义电源变电可信容量评估方法
Wang et al. Unified operation optimization model of integrated coal mine energy systems and its solutions based on autonomous intelligence
CN114595961B (zh) 一种生物质能多能源利用系统调度方法及装置
CN117526335A (zh) 考虑多元灵活性资源协同的电力系统源网荷储规划方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210126