CN112488495B - 基于gso和混合整数规划的园区综合能源规划方法及系统 - Google Patents
基于gso和混合整数规划的园区综合能源规划方法及系统 Download PDFInfo
- Publication number
- CN112488495B CN112488495B CN202011357882.9A CN202011357882A CN112488495B CN 112488495 B CN112488495 B CN 112488495B CN 202011357882 A CN202011357882 A CN 202011357882A CN 112488495 B CN112488495 B CN 112488495B
- Authority
- CN
- China
- Prior art keywords
- capacity
- firefly
- objective function
- equipment
- fluorescein
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 241000254158 Lampyridae Species 0.000 claims abstract description 77
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims abstract description 34
- 230000008901 benefit Effects 0.000 claims abstract description 33
- 238000004146 energy storage Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 4
- IGXWBGJHJZYPQS-SSDOTTSWSA-N D-Luciferin Chemical compound OC(=O)[C@H]1CSC(C=2SC3=CC=C(O)C=C3N=2)=N1 IGXWBGJHJZYPQS-SSDOTTSWSA-N 0.000 claims description 3
- CYCGRDQQIOGCKX-UHFFFAOYSA-N Dehydro-luciferin Natural products OC(=O)C1=CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 CYCGRDQQIOGCKX-UHFFFAOYSA-N 0.000 claims description 3
- BJGNCJDXODQBOB-UHFFFAOYSA-N Fivefly Luciferin Natural products OC(=O)C1CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 BJGNCJDXODQBOB-UHFFFAOYSA-N 0.000 claims description 3
- DDWFXDSYGUXRAY-UHFFFAOYSA-N Luciferin Natural products CCc1c(C)c(CC2NC(=O)C(=C2C=C)C)[nH]c1Cc3[nH]c4C(=C5/NC(CC(=O)O)C(C)C5CC(=O)O)CC(=O)c4c3C DDWFXDSYGUXRAY-UHFFFAOYSA-N 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 2
- 229910052739 hydrogen Inorganic materials 0.000 claims description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 14
- 230000005611 electricity Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- XDDAORKBJWWYJS-UHFFFAOYSA-N glyphosate Chemical group OC(=O)CNCP(O)(O)=O XDDAORKBJWWYJS-UHFFFAOYSA-N 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003462 Bender reaction Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007626 photothermal therapy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于GSO和混合整数规划的园区综合能源规划方法及系统,包括:根据固定容量设备、可变容量设备及容量范围确定可行域;以电力功率平衡、供热和供冷平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,选择目标邻居,向目标邻居移动后得到萤火虫新位置,更新荧光素,得到可行域内设备类型和容量的最优组合配置。采用内外层相结合的方法,快速计算出最优配置方案,缩短优化时间。
Description
技术领域
本发明涉及园区综合能源规划技术领域,特别是涉及一种基于GSO和混合整数规划的园区综合能源规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
现阶段综合能源的重点工作是园区级的综合能源系统建设,园区级综合能源系统是位于用户侧的综合能源系统,对用户侧的自然资源可以实现充分利用,由中低压配电系统、中低压天然气系统、供热系统、供冷系统等供能网络耦合相连而成,多能源系统联合运行,对于构建能源互联网、提高能源利用率等有显著意义。园区综合能源规划可以对面向园区终端客户的综合能源系统建设和改建提供决策支持,在园区能源需求和综合能源供应中寻找最优的综合能源建设方案。
传统的能源系统规划局限于电、气、热(冷)等单一能源形式系统的内部,无法充分发挥它们之间互补优势和协同效益。多种能源协调运行规划可发挥不同系统的优势和潜力,丰富可再生能源消纳途径。同时,多种能源的统筹考虑可以在更大范围内的实现资源优化配置,提高能源利用效率。规划问题本质上是复杂的混合整数非线性规划问题,经典凸优化算法难以直接求解。目前的求解思路主要分为两类:一类是通过简化将优化模型近似为线性问题,然后通过凸优化算法如序列二次规划法、内点法、分支定界法、Benders分解法等寻优,并可借助CPLEX和MATLAB等优化软件直接求解;另一类则是通过智能算法如粒子群算法、遗传算法、强化学习、模拟退火算法等直接求解,可寻找到模型的近似最优解。对于多目标优化问题的求解,则一般基于Pareto前端思想,并套用求解算法如NBI法、NSGA-Ⅱ法等。综合能源系统规划范围广、模型维度高,其本质是多元素、多维度、多目标、多层次、非线性的复杂规划问题,宜采用分层求解思想,将主问题分解为若干子问题,通过数据传递实现整体迭代寻优。
发明内容
为了解决上述问题,本发明提出了一种基于GSO和混合整数规划的园区综合能源规划方法及系统,以供电平衡、供热平衡和供冷平衡为约束条件,保证产能和储能效益最优的基础上,采用内外层相结合的方法,内层采用混合整数规划求解相应设备容量配置下的最优运行方案,外层采用GSO算法根据内层计算结果,基于优化目标对园区综合能源配置方案进行寻优。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于GSO和混合整数规划的园区综合能源规划方法,包括:
根据待选的固定容量设备、可变容量设备及其容量范围确定可行域;
以供电功率平衡、供热功率平衡和供冷功率平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;
其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,并以此选择目标邻居,向目标邻居移动后得到萤火虫的新位置,更新荧光素直至满足迭代条件,得到可行域内设备类型和容量的最优组合配置。
第二方面,本发明提供一种基于GSO和混合整数规划的园区综合能源规划系统,包括:
可行域确定模块,用于根据待选的固定容量设备、可变容量设备及其容量范围确定可行域;
求解模块,用于以供电功率平衡、供热功率平衡和供冷功率平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;
其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,并以此选择目标邻居,向目标邻居移动后得到萤火虫的新位置,更新荧光素直至满足迭代条件,得到可行域内设备类型和容量的最优组合配置。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明采用萤火虫算法GSO与混合整数规划CPLEX相结合的方法求解设备类型和容量的最优组合配置;本发明内层采用混合整数规划求解供电成本最小的目标函数下,相应设备容量配置下的最优运行方案,外层采用GSO算法,将内层得到的最优化运行方案反馈至外层,外层根据相应设备容量配置方案下最优运行结果作为计算荧光素的基础,基于设定的优化目标对园区综合能源系统配置方案进行寻优,最终得到设定目标下的设备类型和容量配置的最优解。
本发明以供电平衡、供热平衡和供冷平衡为约束条件,保证产能和储能效益最优的基础上,采用内外层相结合的方法,即提高了计算精确度,又提高了运算效率,快速计算出最优配置方案,缩短优化时间,提高能源利用率。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于GSO和混合整数规划的园区综合能源规划方法流程图;
图2为本发明实施例1提供的配置设备的类型和容量示意图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于GSO和混合整数规划的园区综合能源规划方法,包括:
S1:根据待选的固定容量设备、可变容量设备及其容量范围确定可行域;
S2:以供电功率平衡、供热功率平衡和供冷功率平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;
其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,并以此选择目标邻居,向目标邻居移动后得到萤火虫的新位置,更新荧光素直至满足迭代条件,得到可行域内设备类型和容量的最优组合配置。
在本实施例中,所述步骤S1中,确定可行域具体包括:
如图2所示,本实施例涉及电、热、冷多种能源类型的设备,故将设备类型分为固定容量设备和可变容量设备,将固定容量设备的可供选择的容量列表和可变容量设备的容量范围以及设备类型构建可行域;
其中,可变容量的容量范围需根据场地、资金、资源等限制设定容量上限。
在本实施例中,在可行域中随机放置i从0到N个萤火虫,每一个维度的可行域的下限Mmin为0,上限Mmax为该设备相应负荷的最大值,若一个设备对多种负荷供能时,采用供能需求的最大值作为上限Mmax;
为了提高萤火虫的寻优效率,建立萤火虫种群后应去掉明显错误的萤火虫样本,本实施例采用冷、热、电平衡为约束条件,删除萤火虫特征维度中相同产出的能源之和小于负荷值的萤火虫个体;
例如,同时供冷和供热的空调系统、热泵类系统,采用冷负荷和热负荷中容量的最大值作为可行域的上限;萤火虫i含有四个变量,在可行域内随机分配数据形成萤火虫种群的初始位置,即i={ai1,ai2,ai3,ai4},ai1和ai2为固定容量设备,ai3和ai4为可变容量设备;具体设备容量如表1所示,ai1和ai3都供应电力负荷,且电力负荷供应的可行域为{0-1000},删除ai1+ai3<1000的萤火虫样本。
表1设备容量
设备编号 | 设备名称 | 类型 | 电、冷、热负荷需求功率 | 可行域 |
<![CDATA[a<sub>i1</sub>]]> | CCHP | 固定容量 | 电:1000kW,冷:900kW,热:800kW | 0-1000 |
<![CDATA[a<sub>i2</sub>]]> | 空调 | 固定容量 | 电:1000kW,冷:900kW,热:800kW | 0-900 |
<![CDATA[a<sub>i3</sub>]]> | 光伏 | 可变容量 | 电:1000kW,冷:900kW,热:800kW | 0-1000 |
<![CDATA[a<sub>i4</sub>]]> | 光热 | 可变容量 | 电:1000kW,冷:900kW,热:800kW | 0-800 |
在本实施例中,所述步骤S2中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫i在t0时刻的初始荧光素l0(t),具体包括:
在t0时刻,荧光素值的初始值根据变量i={ai1,ai2,ai3,ai4......ain}计算,得到经济效益值J(xi(t));J(xi(t))根据不同类型设备的容量ai1,ai2,ai3,ai4......ain,调用CPLEX计算萤火虫初始时刻的荧光素值,其中,ai1,ai2,ai3,ai4......ain输入CPLEX前需要进行数据转换,转换后为bi1,bi2,bi3,bi4......bin,CPLEX求解过程中有与之对应的变量为{ci1,ci2,ci3,ci4......cin},{bi1,bi2,bi3,bi4......bin}将分别作为设备容量约束的上限;
其中,可变容量设备bi=ai,固定容量设备bii=k*ai-cap;
其中,k为正整数,k=roundup(Mmax/ai-cap),roundup()为向上取整数函数,Mmax为可行域的上限;ai-cap为固定容量设备可供选择的额定容量值,ai-cap需要从固定容量设备的额定容量中选择;
关于ai-cap的选择,当可行域(Mmax)大于设备可供选择的最大额定容量时,选择最大额定容量作为分母;当可行域(Mmax)位于两个额定容量之间时,选择比可行域(Mmax)大的额定容量作为ai-cap,例如ai-cap1<Mmax<ai-cap2,选择ai-cap2带入roundup()函数。
在本实施例中,所述步骤S2中,萤火虫的决策半径在整个迭代过程中是不断变化的,与迭代次数相关,根据迭代次数确定萤火虫的决策半径rdi(t),具体包括:
决策半径集合为固定容量设备的额定容量和相邻额定容量的差值,用总迭代次数除以决策半径的个数即为迭代步长的次数,由此构成决策半径rdi(t)的分段函数;其中,不同变量形成的决策半径数值,需要重复考虑;如表2所示的决策半径;
表2决策半径
设备编号 | 类型 | 设备额定容量 |
<![CDATA[a<sub>i1</sub>]]> | 固定容量 | 100kW,200kW,500KW |
<![CDATA[a<sub>i2</sub>]]> | 可变容量 | 30kW,45kW,100kW |
<![CDATA[a<sub>i3</sub>]]> | 可变容量 | 0—50 |
<![CDATA[a<sub>i4</sub>]]> | 可变容量 | 0—2000 |
其中,ai1的额定容量差值为{100,200-100,200,500-200,500}={100,100,200,300,500}={100,200,300,500},ai2的额定容量差值为{30,45-30,45,100-45,100}={30,15,45,55,100},萤火虫最终的半径集合为{100,200,300,500,30,15,45,55,100},对该集合按照从小到大排列,形成的数组作为最终的决策域为(15,30,45,55,100,100,200,300);
如果迭代次数设定为8000次,则0-999次的决策半径为15,1000-1999次的决策半径为30,2000-2999次的决策半径为45,3000-3999的决策半径为55,4000到4999次的决策半径为55,5000-6999次的决策半径为100(因为100在ai1和ai2中都存在),7000-7999次的决策半径为200,7000-7999次的决策半径为200。
在本实施例中,所述步骤S2中,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,具体包括:
更新萤火虫i的荧光素:li(t)=(1-ρ)li(t-1)+γJ(xi(t)),
其中,ρ为荧光素消失率,γ为荧光素更新率,J(xi(t))表示萤火虫i在t时刻所在位置的目标函数值,由CPLEX计算得到;li(t)表示萤火虫i在t时刻荧光素值;
寻找萤火虫i的邻居:Ni(t)={j:||xj(t)-xi(t)||<rid(t);li(t)<lj(t)},
其中,Ni(t)表示萤火虫i在t时刻邻居的集合;rid(t)表示萤火虫i在t时刻动态决策域。
选择目标邻居,向目标邻居移动后得到萤火虫的新位置,在迭代步长的次数约束下,根据决策半径,更新萤火虫i的位置:
确定萤火虫i动作移动方向:j=max(pi),
更新萤火虫i的位置:
根据更新后萤火虫i的位置,调用CPLEX重新计算每一个萤火虫的荧光度。
最后,根据设定的迭代次数,判断萤火虫寻优是否结束;
在未达到迭代次数时,判断t时刻荧光度的最大值与最小值之差,即|lj(t)-li(t)|≤ε是否小于设定的精度值ε,若小于精度值ε,可以判定为提前结束计算;如果寻优没有完成,则重新计算决策半径。
在本实施例中,所述步骤S2中,采用混合整数规划方法CPLEX对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将由混合整数规划方法CPLEX求解得到的结果作为初始值代入萤火虫算法中;
本实施例以产能和储能效益最优为最终目标函数,以电能平衡、热能平衡和冷能平衡以及每一个产能设备和储能设备自身的约束条件,
具体地,不等式约束条件,即变量约束为:
0<ci1<bi1;0<ci2<bi2;0<ci3<bi3;0<ci4<bi4;......0<cin<bin;
等式约束条件包括:
其中:Peload为电力负荷用电功率,Pck为发电功率,k为发电设备数量,Pbuye为向电网购电量,Pselle为向电网售电量。
具体地,目标函数为Max:f=Btotal-Ctotal;
Ctotal=Cinvest+Coperation+Cmaintain+Celectric;
Celectric为年购电成本,Celectric=Wbuye*Se,Wbuye为园区从电网购电量,Se为电网购电的价格;
Btotal=Belectric+Bheat+Bcool+Bsubsidy;
其中,Belectric为售电产生的收益,Belectric=Bself+Bsell,
Bself为园区自发自用的电量收益,Bself=Se*Wselfused,Wselfused为自发自用电量,Se为电网购电的价格;
Bsell为园区发电上网出售的收益,Bsell=Sge*Wselle,Wselle园区上网售电电量,Sge为上网售电的价格;
Bheat为售热产生的收益,Bheat=Sh*Wgh,Sh为售热的价格,Wgh为园区制热量;
Bcool为售冷产生的收益,Bcool=Sc*Wgc,Sc为售冷的价格,Wgc为园区制冷量。
具体地,目标函数见表3所示;
表3目标函数
在本实施例中,内层调用混合整数规划CPLEX,在仿真时长(1年)内以每个调度周期(24小时)内供能费用最小为目标,寻求相应容量配置下的最优运行方案,外层采用GSO算法,基于设定的优化目标对园区综合能源系统配置方案进行寻优,即得到可行域内设备类型和容量的最优组合配置。
实施例2
本实施例提供一种基于GSO和混合整数规划的园区综合能源规划系统,包括:
可行域确定模块,用于根据待选的固定容量设备、可变容量设备及其容量范围确定可行域;
求解模块,用于以供电功率平衡、供热功率平衡和供冷功率平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;
其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,并以此选择目标邻居,向目标邻居移动后得到萤火虫的新位置,更新荧光素直至满足迭代条件,得到可行域内设备类型和容量的最优组合配置。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于GSO和混合整数规划的园区综合能源规划方法,其特征在于,包括:
根据待选的固定容量设备、可变容量设备及其容量范围确定可行域;
以供电功率平衡、供热功率平衡和供冷功率平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;
其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,并以此选择目标邻居,向目标邻居移动后得到萤火虫的新位置,更新荧光素直至满足迭代条件,得到可行域内设备类型和容量的最优组合配置;
萤火虫中的变量由设备类型和容量组成,采用CPLEX求解第二目标函数,将萤火虫中的变量进行转换,其中,可变容量设备变量不变,固定容量设备的变量根据额定容量值和可行域上限进行转换。
2.如权利要求1所述的基于GSO和混合整数规划的园区综合能源规划方法,其特征在于,所述额定容量值的选择为:当可行域上限大于最大额定容量值时,选最大额定容量值,当可行域上限位于两个额定容量之间时,选择大于可行域上限的额定容量值。
3.如权利要求1所述的基于GSO和混合整数规划的园区综合能源规划方法,其特征在于,转换后的萤火虫变量为设备容量约束条件的上限值。
4.如权利要求1所述的基于GSO和混合整数规划的园区综合能源规划方法,其特征在于,根据固定容量设备的额定容量和相邻额定容量的差值得到决策域,根据迭代次数和决策域得到迭代步长的次数,在迭代步长的次数约束下,移动萤火虫的位置。
5.如权利要求1所述的基于GSO和混合整数规划的园区综合能源规划方法,其特征在于,所述选择目标邻居为:Ni(t)={j:||xj(t)-xi(t)||<rid(t);li(t)<lj(t)},
其中,Ni(t)为萤火虫i在t时刻邻居j的集合;rid(t)表示萤火虫i在t时刻动态决策域;li(t)、lj(t)分别为萤火虫i和萤火虫j在t时刻的荧光素;xi(t)、xj(t)分别为萤火虫i和萤火虫j在t时刻的位置。
6.如权利要求1所述的基于GSO和混合整数规划的园区综合能源规划方法,其特征在于,所述更新荧光素为:li(t)=(1-ρ)li(t-1)+γJ(xi(t)),
其中,ρ为荧光素消失率,γ为荧光素更新率,J(xi(t))为萤火虫i在t时刻所在位置的目标函数值,li(t)、li(t-1)分别为萤火虫i在t时刻和t-1时刻荧光素。
7.一种基于GSO和混合整数规划的园区综合能源规划系统,其特征在于,包括:
可行域确定模块,用于根据待选的固定容量设备、可变容量设备及其容量范围确定可行域;
求解模块,用于以供电功率平衡、供热功率平衡和供冷功率平衡为约束条件,以产能和储能效益最优为第一目标函数,采用萤火虫算法求解第一目标函数;
其中,对以供电成本最小的第二目标函数求解得到当前设备类型和容量配置下的产能和储能效益,将其作为萤火虫的初始荧光素,根据迭代次数确定萤火虫的决策域,根据决策域和初始荧光素得到萤火虫的相对亮度和吸引度,并以此选择目标邻居,向目标邻居移动后得到萤火虫的新位置,更新荧光素直至满足迭代条件,得到可行域内设备类型和容量的最优组合配置;
萤火虫中的变量由设备类型和容量组成,采用CPLEX求解第二目标函数,将萤火虫中的变量进行转换,其中,可变容量设备变量不变,固定容量设备的变量根据额定容量值和可行域上限进行转换。
8.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357882.9A CN112488495B (zh) | 2020-11-27 | 2020-11-27 | 基于gso和混合整数规划的园区综合能源规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357882.9A CN112488495B (zh) | 2020-11-27 | 2020-11-27 | 基于gso和混合整数规划的园区综合能源规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488495A CN112488495A (zh) | 2021-03-12 |
CN112488495B true CN112488495B (zh) | 2023-04-07 |
Family
ID=74936276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357882.9A Active CN112488495B (zh) | 2020-11-27 | 2020-11-27 | 基于gso和混合整数规划的园区综合能源规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488495B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255224A (zh) * | 2021-06-03 | 2021-08-13 | 玲珑集团有限公司 | 一种基于发光萤火虫算法的能源系统配置优化方法 |
CN114358475B (zh) * | 2021-11-24 | 2024-06-21 | 港华能源投资有限公司 | 规划综合能源装机方案的方法及装置 |
CN114580864B (zh) * | 2022-02-21 | 2023-12-05 | 石河子大学 | 针对综合能源系统的多元储能分配方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370167A (zh) * | 2017-06-16 | 2017-11-21 | 国电南瑞科技股份有限公司 | 基于静态多目标框架的冷热电联产系统的储能调度方法 |
CN109217377A (zh) * | 2018-09-29 | 2019-01-15 | 广东电网有限责任公司 | 一种基于萤火虫群算法的源网荷储协同人工智能优化方法 |
CN109658005A (zh) * | 2018-12-29 | 2019-04-19 | 天津大学 | 考虑电储能的园区综合能源系统设备选型与容量规划方法 |
CN110598913A (zh) * | 2019-08-21 | 2019-12-20 | 全球能源互联网研究院有限公司 | 一种园区综合能源系统设备容量配置的优化方法及系统 |
CN111899120A (zh) * | 2020-06-19 | 2020-11-06 | 国网浙江省电力有限公司经济技术研究院 | 一种综合能源规划与运行联合优化模型建立方法 |
-
2020
- 2020-11-27 CN CN202011357882.9A patent/CN112488495B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370167A (zh) * | 2017-06-16 | 2017-11-21 | 国电南瑞科技股份有限公司 | 基于静态多目标框架的冷热电联产系统的储能调度方法 |
CN109217377A (zh) * | 2018-09-29 | 2019-01-15 | 广东电网有限责任公司 | 一种基于萤火虫群算法的源网荷储协同人工智能优化方法 |
CN109658005A (zh) * | 2018-12-29 | 2019-04-19 | 天津大学 | 考虑电储能的园区综合能源系统设备选型与容量规划方法 |
CN110598913A (zh) * | 2019-08-21 | 2019-12-20 | 全球能源互联网研究院有限公司 | 一种园区综合能源系统设备容量配置的优化方法及系统 |
CN111899120A (zh) * | 2020-06-19 | 2020-11-06 | 国网浙江省电力有限公司经济技术研究院 | 一种综合能源规划与运行联合优化模型建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112488495A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488495B (zh) | 基于gso和混合整数规划的园区综合能源规划方法及系统 | |
Cui et al. | A new and fair peer-to-peer energy sharing framework for energy buildings | |
Zhou et al. | Distributionally robust unit commitment in coordinated electricity and district heating networks | |
Ma et al. | Multi-objective biogeography-based optimization for dynamic economic emission load dispatch considering plug-in electric vehicles charging | |
Falke et al. | Multi-objective optimization and simulation model for the design of distributed energy systems | |
Hong et al. | A decision support model for reducing electric energy consumption in elementary school facilities | |
Mellouk et al. | Genetic algorithm to solve demand side management and economic dispatch problem | |
CN111082451A (zh) | 基于场景法的增量配电网多目标优化调度模型 | |
CN104700158A (zh) | 一种配电园区的能源管理方法与系统 | |
Human et al. | Power management and sizing optimisation of renewable energy hydrogen production systems | |
Zhang et al. | Distributionally robust coordination optimization scheduling for electricity-gas-transportation coupled system considering multiple uncertainties | |
CN113988714B (zh) | 计及多重不确定性的园区综合能源系统动态规划方法、设备及介质 | |
Habib et al. | Combined heat and power units sizing and energy cost optimization of a residential building by using an artificial bee colony algorithm | |
Xing et al. | Genetic algorithm based unit commitment with energy contracts | |
CN103761385A (zh) | 一种多热源环状管网的优化设计方法 | |
CN111724064A (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
CN113344273B (zh) | 基于建筑用能的区域配电网峰谷差调节优化方法及系统 | |
Dimitroulis et al. | Multimodal energy management system for residential building prosumers utilizing various lifestyles | |
Zheng et al. | Optimum operation of energy hub by considering renewable resources by considering risk tolerance and risk taking with teaching–learning-based optimization | |
CN112052987B (zh) | 一种计及风电的综合能源系统优化规划方法及系统 | |
CN113708418A (zh) | 微电网优化调度方法 | |
Mendoza et al. | Automatic voltage regulators siting in distribution systems considering hourly demand | |
CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 | |
JP2003113739A (ja) | エネルギ供給設備の運転計画システム | |
CN112907030B (zh) | 一种考虑需求侧响应的能源中心配置方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |