CN113255198B - 一种含虚拟储能的冷热电联供微电网多目标优化方法 - Google Patents

Abstract

本发明涉及一种含虚拟储能的冷热电联供微电网多目标优化方法，所述的方法包括以下步骤：建立微电网系统中设备的设备模型；建立微电网系统的多目标优化模型；设置微电网系统运行的约束条件；对多目标优化模型的目标函数进行模糊处理，获取基于满意度的单目标优化模型；采用改进粒子群算法对基于满意度的单目标优化模型进行求解，输出最大满意度时的系统信息。与现有技术相比，本发明充分考虑微电网系统的虚拟储能模型，利用模糊优化模型对多目标优化模型进行处理，转化为单目标优化模型简化了求解流程，提高了求解速度，基于改进粒子群算法对系统进行优化，提高系统优化的准确性和效率。

Description

一种含虚拟储能的冷热电联供微电网多目标优化方法

技术领域

本发明涉及冷热电联供微网领域，尤其是涉及一种含虚拟储能的冷热电联供微电网多目标优化方法。

背景技术

冷热电联供(combined cooling heating and power，CCHP)系统存在冷、热、电三种能量，能够提高能源的综合利用率并减少污染物排放，具有良好的社会和经济效益。随着空调的快速推广普及，我国空调负荷在夏季所占尖峰负荷的比例已达半数，而且还在不断增加，由于人体对温度变化的感知不敏感，且冷热能存在一定的惯性因素。随着系统内空调设备的增多，空调的可调度裕量变得较为可观。

现有的微电网系统中风电、光伏发出功率存在间歇性、随机性等问题。蒸汽轮机在发出电能的同时也会产生大量热能及污染气体。目前，针对微网内的优化调度，主要考虑传统的储能设备作用，系统的设备容量存在一定冗余且经济性较差，大多数优化目标与约束条件较为单一，与实际运行情况有一定差距，很难准确得到系统优化调度结果。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种含虚拟储能的冷热电联供微电网多目标优化方法。

本发明的目的可以通过以下技术方案来实现：

一种含虚拟储能的冷热电联供微电网多目标优化方法，所述的方法包括以下步骤：

S1：建立微电网系统中设备的设备模型，所述的设备模型包括虚拟储能模型；

S2：建立微电网系统的多目标优化模型；

S3：设置微电网系统运行的约束条件；

S4：对多目标优化模型的目标函数进行模糊优化处理，获取基于满意度的单目标优化模型；

S5：采用改进粒子群算法对基于满意度的单目标优化模型进行求解，输出最大满意度时的系统信息。

优选地，所述的步骤S2中多目标优化模型的优化目标包括经济指标优化模型和能效指标优化模型。

优选地，所述的经济指标优化模型的函数表达式为：

Q_OUT＝P_{H_LOAD}+P_{C_LOAD}+P_{E_LOAD}+P_{GRID_SELL}

Q_IN＝P_PV+P_WT+P_MT+P_{GRID_BUY}

式中，F₁为能源综合利用率；Q_OUT为冷热电微网系统输出能量；Q_IN为冷热电微网系统输入能量；P_{H_LOAD}、P_{C_LOAD}、P_{E_LOAD}、P_{GRID_SELL}分别为热负荷功率、冷负荷功率、电负荷功率和电网卖电功率；P_PV、P_WT、P_MT分别为光伏、风机、微型燃气轮机的发电功率；P_{GRID_BUY}为电网购电功率，

所述的能效指标优化模型的函数表达式为：

其中，C_F(t)为系统运行燃料成本、C_OM(t)为系统运行维护成本、C_GE(t)为与电网双向功率交互成本、C_SS(t)为系统设备启停成本、C_BW(t)为系统储能设备折旧成本；T为一个调度周期。

优选地，所述的步骤S4的具体步骤包括：

S41：以升半直线分布函数作为综合能源利用率的隶属度函数：

其中，μ(F₁)为系统综合能源利用率所的隶属度函数；F_1min为系统综合能源利用率对应的单目标优化最优值；δ₁为系统综合能源利用率对应的伸缩值；

S42：以降半直线分布函数作为运行成本最小的隶属度函数：

其中，μ(F₂)为运行成本所对应的隶属度函数；F_2min为运行成本对应的单目标优化最优值；δ₂为运行成本分别对应的伸缩值，

S43：设μ隶属度函数中的最小值，定义μ为满意度，将多目标优化经模糊处理后转变为满足所有已有约束条件的单目标非线性优化问题，获取基于满意度的单目标优化模型，所述的单目标优化模型的目标为满意度μ最大，基于满意度的单目标优化模型为：

maxμ

F₂+δ₂μ≤F_2min+δ₂

F₁-δ₁μ≥F_1min-δ₁

0≤μ≤1。

优选地，所述的步骤S5具体包括：

S51：将原始数据输入微电网优化模型，所述的原始数据包括风机、光伏输出电功率，电功率和冷热能功率，空调负荷的输入电功率等，以及系统运行各设备的运行和储能约束条件；

S52：利用改进粒子群算法，求解经济指标优化模型、能效指标优化模型的单目标优化结果；

S53：将经济指标优化模型、能效指标优化模型的单目标优化结果进行伸缩，获取优化结果的伸缩值；

S54：将伸缩值代入新的以满意度最大为目标函数的模糊优化模型中，利用改进的粒子群算法求解该非线性单目标模糊优化模型，得到最大满意度时的系统内各设备的出力、负荷和系统的运行成本、综合能源利用率。

优选地，所述的改进粒子群算法为自适应惯性权重的改进粒子群算法，所述的改进粒子群算法利用当前粒子位置与全局最优粒子位置的差值来决定算法的惯性权重，并根据差值的大小对惯性权重进行非线性的改变，并采用动态调整加速粒子的形式更新加速因子。

优选地，所述的惯性权重的计算公式为：

其中，D为解空间维数；

为粒子i在k时刻的惯性权重；w_start、w_end为惯性权重的初始值和结束值；x_max、x_min为粒子位置的变化范围，

优选地，所述的加速因子的更新公式为：

式中：c_1f、c_1i为加速因子c₁的初始值和最终值；c_2f、c_2i为加速因子c₂的初始值和最终值；T、T_max为算法当前迭代次数与最大迭代次数。

优选地，所述的虚拟储能模型的表达式为：

P_{ac_in}＝COP_ac×H_{ac_out}

P_{ac_in}＝COP_ac×Q_ac(t)

其中，P_{ac_in}、H_{ac_out}为输入电功率和输出冷、热功率；COP_ac为空调的能效系数；T_r(t)为室内房间温度；T_out(t)为室外温度；Q_ac(t)为空调制冷功率；R为建筑等效热阻；C为建筑等效热熔。

优选地，所述的设备模型还包括微型燃气轮机、余热锅炉模型、吸收式制冷机模型、电制冷机模型、电锅炉模型和电储能模型。

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

其中，

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

余热锅炉模型

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

吸收式制冷机模型

Q_ac(t)＝H_ac(t)·COP_ac

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

电制冷机模型：

Q_ec(t)＝P_ec(t)×COP_ec

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

电锅炉模型：

H_eh(t)＝P_eh(t)×COP_eh

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

电储能模型：

电储能系统选取蓄电池作为储能设备。其储能容量与蓄电池充放电功率应满足：

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

优选地，所述的约束条件包括功率平衡约束、设备容量及运行出力约束、蓄电池功率约束、空调负荷与建筑温度的约束。

优选地，功率平衡约束，系统内所需功率约束主要是电功率约束和冷热能功率约束：

P_WT(t)+P_PV(t)+P_MT(t)+P_grid(t)＝P_L(t)

P_AC(t)COP_AC+P_EC(t)COP_EC＝Q_{L_C}(t)

Q_MT+Q_GB-Q_HE-Q_AC+H_EH+H_TS＝Q_{L_H}

式中，P_WT(t)、P_PV(t)、P_MT(t)为风机、光伏和微型燃气轮机发电功率；P_grid(t)为电网的交互功率；P_L(t)为预测负荷功率；P_AC(t)、COP_AC和P_EC(t)、COP_EC为吸收式制冷机和电制冷机所需电功率以及能效系数；Q_MT、Q_GB、Q_HE、Q_AC、H_EH、H_TS为微型燃气轮机、燃气锅炉、余热回收锅炉、吸收式制冷机、电锅炉和储热箱所需热功率，Q_{L_H}为负荷预测功率。

设备容量及运行出力约束：

P_{MT_min}≤P_MT≤P_{MT_max}

P_{MT_down}≤P_MT(t)-P_MT(t-1)≤P_{MT_up}

式中，

为风机和光伏的预测功率；P_{MT_min}、P_{MT_max}为微型燃气轮机的最小最大输出功率；P_{MT_down}、P_{MT_up}微型燃气轮机的爬坡功率。

蓄电池功率约束：

η_chrP_{bt_min}＜P_bt＜η_chrP_{bt_max}

η_disP_{bt_min}＜P_bt＜η_disP_{bt_max}

η_chr+η_dis≤1

P_{bt_down}≤P_bt(t)-P_bt(t-1)≤P_{bt_up}

SOC_{bt_min}＜SOC_bt＜SOC_{bt_max}

式中：P_{bt_min}、P_{bt_max}为蓄电池充放电功率上下限；η_chr、η_dis为蓄电池充放电系数，运行时为1，停运时为0；P_{bt_down}、P_{bt_up}为蓄电池的爬坡功率；SOC_{bt_min}、SOC_{bt_max}为蓄电池荷电状态上下限值。

空调负荷与建筑温度的约束：

T_out(t)≥T_r(t)

T_min(t)≤T_r(t)≤T_max(t)

式中：

为空调以最低室内温度运行所需电功率；

为空调以最高室内温度运行所需电功率；P_ac为空调运行所需电功率。

与现有技术相比，本发明具有如下优点：

(1)本发明利用空调负荷的可调度特性，综合考虑系统内空调负荷的虚拟储能作用，建立其设备模型，并构建系统的经济指标优化模型和能效指标优化模型，利用模糊优化、改进粒子群算法对微电网系统进行多目标优化求解，在满足系统内负荷正常运行的基础上，尽可能减少系统运行成本，提高系统内综合能源利用率，提高了优化效率和算法求解可靠性；

(2)本发明充分考虑多目标优化求解目标间存在一定的制约关系，很难找到两个目标共同最优解，利用模糊数学理论，利用隶属度函数模糊处理多目标模型，建立单目标模糊优化模型，能够有效降低对目标函数求解的准确性和效率，避免了多目标优化求解中各目标权重的影响，转化为单目标优化问题后，简化了求解流程，提高了求解速度；

(3)以优先使用风电、光伏为调度原则，利用改进的粒子群算法对问题进行求解，利用当前粒子位置与全局最优粒子位置的差值来决定算法的惯性权重，根据差值的大小对惯性权重进行非线性的改变，保证惯性权重不会偏离粒子变化轨迹，并且为提高粒子的寻优速度与精度，平衡算法的全局搜索和局部搜索能力，提出一种动态调整加速粒子的方法，提高了算法求解的效率和精度，加快了算法的收敛速度，提高了算法求解的可靠性。

附图说明

图1为本发明的流程图；

图2为本发明为含冷热电联供的微电网系统的结构示意图；

图3为降半梯形分布函数的示意图；

图4为升半梯形分布函数的示意图；

图5为本发明的算法仿真测试结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

一种含虚拟储能的冷热电联供微电网多目标优化方法，如图1所示，所述的方法包括以下步骤：

S1：建立微电网系统中设备的设备模型，所述的设备模型包括虚拟储能模型。

本实施例中，如图2所示，为含冷热电联供的微电网系统考虑空调负荷的虚拟储能特性建立的以微型燃气轮机为核心，包含可再生能源、CCHP系统、储能设备和空调负荷的微电网系统框架。该系统利用冷热能的惯性因素，实现了冷、热和电能的相互转化。

具体地，S1中建立各设备的设备模型，分别为设备模型还包括微型燃气轮机、余热锅炉模型、吸收式制冷机模型、电制冷机模型、电锅炉模型、电储能模型和虚拟储能模型。

下面为各设备模型的具体数学模型

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

其中：

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

余热锅炉模型：

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

吸收式制冷机模型：

Q_ac(t)＝H_ac(t)·COP_ac

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

电制冷机模型：

Q_ec(t)＝P_ec(t)×COP_ec

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

电锅炉模型：

H_eh(t)＝P_eh(t)×COP_eh

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

电储能模型：

电储能系统选取蓄电池作为储能设备。其储能容量与蓄电池充放电功率应满足：

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

虚拟储能：

空调负荷是将电能转化为冷/热能，用于调节建筑内部的温度或湿度的一种设备。由于冷热能存在一定的惯性因素，可将空调设备作为虚拟储能，利用规定的控制目标，在一定时间内通过改变空调电功率以控制室内温度。空调虚拟储能特性与温度之间的关系主要受空调能效比、建筑热性能和等效热参数的影响，为了便于分析计算，本发明只考虑空调的能效比，其数学模型如下所示：

P_{ac_in}＝COP_ac×H_{ac_out}

P_{ac_in}＝COP_ac×Q_ac(t)

式中，P_{ac_in}、H_{ac_out}为输入电功率和输出冷(热)功率；COP_ac为空调的能效系数；T_r(t)为室内房间温度(℃)；T_out(t)为室外温度(℃)；Q_ac(t)为空调制冷功率(kW)；R为建筑等效热阻(℃/kW)，取值为0.002(kW/(℃m2))；C为建筑等效热熔(kJ/℃)，取值为120(kJ/(℃m2))。

S2：建立微电网系统的多目标优化模型。

本发明选取冷热电连供系统内能效指标和经济指标对系统运行进行评价。在满足系统内负荷正常运行的基础上，尽可能减少系统运行成本，提高系统内综合能源利用率。因此，本实施例的多目标优化模型的优化目标包括经济指标优化模型和能效指标优化模型。

经济指标优化模型：

本发明在满足系统内冷、热和电负荷需求下，以系统日运行费用最小为目标，对各设备出力情况进行优化：

式中，C_F(t)为系统运行燃料成本、C_OM(t)为系统运行维护成本、C_GE(t)为与电网双向功率交互成本、C_SS(t)为系统设备启停成本、C_BW(t)为系统储能设备折旧成本；T为一个调度周期。

能效指标优化模型：

本发明以系统运行时的综合能源利用率为能效指标进行优化分析，其数学模型如下所示：

Q_OUT＝P_{H_LOAD}+P_{C_LOAD}+P_{E_LOAD}+P_{GRID_SELL}

Q_IN＝P_PV+P_WT+P_MT+P_{GRID_BUY}

式中，F₁为能源综合利用率；Q_OUT为冷热电微网系统输出能量；Q_IN为冷热电微网系统输入能量；P_{H_LOAD}、P_{C_LOAD}、P_{E_LOAD}、P_{GRID_SELL}分别为热负荷功率、冷负荷功率、电负荷功率和电网卖电功率；P_PV、P_WT、P_MT分别为光伏、风机、微型燃气轮机的发电功率；P_{GRID_BUY}为电网购电功率，

S3：设置微电网系统运行的约束条件。

本实施例中，约束条件包括功率平衡约束、设备容量及运行出力约束、蓄电池功率约束、空调负荷与建筑温度的约束，分别如下表示。

功率平衡约束：系统内所需功率约束主要是电功率约束和冷热能功率约束。

P_WT(t)+P_PV(t)+P_MT(t)+P_grid(t)＝P_L(t)

P_AC(t)COP_AC+P_EC(t)COP_EC＝Q_{L_C}(t)

Q_MT+Q_GB-Q_HE-Q_AC+H_EH+H_TS＝Q_{L_H}

式中，P_WT(t)、P_PV(t)、P_MT(t)为风机、光伏和微型燃气轮机发电功率；P_grid(t)为电网的交互功率；P_L(t)为预测负荷功率；P_AC(t)、COP_AC和P_EC(t)、COP_EC为吸收式制冷机和电制冷机所需电功率以及能效系数；Q_MT、Q_GB、Q_HE、Q_AC、H_EH、H_TS为微型燃气轮机、燃气锅炉、余热回收锅炉、吸收式制冷机、电锅炉和储热箱所需热功率，Q_{L_H}为负荷预测功率。

设备容量及运行出力约束：

P_{MT_min}≤P_MT≤P_{MT_max}

P_{MT_down}≤P_MT(t)-P_MT(t-1)≤P_{MT_up}

式中，

为风机和光伏的预测功率；P_{MT_min}、P_{MT_max}为微型燃气轮机的最小最大输出功率；P_{MT_down}、P_{MT_up}微型燃气轮机的爬坡功率。

蓄电池功率约束：

η_chrP_{bt_min}＜P_bt＜η_chrP_{bt_max}

η_disP_{bt_min}＜P_bt＜η_disP_{bt_max}

η_chr+η_dis≤1

P_{bt_down}≤P_bt(t)-P_bt(t-1)≤P_{bt_up}

SOC_{bt_min}＜SOC_bt＜SOC_{bt_max}

式中：P_{bt_min}、P_{bt_max}为蓄电池充放电功率上下限；η_chr、η_dis为蓄电池充放电系数，运行时为1，停运时为0；P_{bt_down}、P_{bt_up}为蓄电池的爬坡功率；SOC_{bt_min}、SOC_{bt_max}为蓄电池荷电状态上下限值。

空调负荷与建筑温度的约束：

T_out(t)≥T_r(t)

T_min(t)≤T_r(t)≤T_max(t)

式中：

为空调以最低室内温度运行所需电功率；

为空调以最高室内温度运行所需电功率；P_ac为空调运行所需电功率。

S4：对多目标优化模型的目标函数进行模糊优化处理，获取基于满意度的单目标优化模型。

对于本发明所描述的优化模型，需要考虑的优化目标有经济成本和综合能源利用率，但两个目标之前存在一定的制约关系，很难找到两个目标共同最优解，传统基于权重分配的多目标优化方法具有较大的偶然性，导致解集排序混乱，不能客观的实现多目标优化调度。基于以上问题，本发明利用模糊数学理论，利用隶属度函数模糊处理多目标模型，建立单目标模糊优化模型，并采用改进粒子群算法进行求解。

本发明中对多目标优化模型的目标函数进行模糊处理，本发明所要解决的问题是在满足模型运行约束的基础上，减少运行成本的同时提高系统内能源利用率。其中运行成本越小越好，目标函数有上限而无下限，目标函数越小，决策者的满意度越高，隶属度函数越接近1，因此选择偏小型的隶属度函数；本发明以降半直线分布函数作为运行成本最小的隶属度函数，以升半直线分布函数作为综合能源利用率的隶属度函数。降半梯形分布函数与升半梯形函数如图3、4所示。

步骤S4的具体步骤包括：

S41：以升半直线分布函数作为综合能源利用率的隶属度函数：

其中，μ(F₁)为系统综合能源利用率所的隶属度函数；F_1min为系统综合能源利用率对应的单目标优化最优值；δ₁为系统综合能源利用率对应的伸缩值；

S42：以降半直线分布函数作为运行成本最小的隶属度函数：

其中，μ(F₂)为运行成本所对应的隶属度函数；F_2min为运行成本对应的单目标优化最优值；δ₂为运行成本分别对应的伸缩值，

S43：设μ隶属度函数中的最小值，定义μ为满意度，将多目标优化经模糊处理后转变为满足所有已有约束条件的单目标非线性优化问题，获取基于满意度的单目标优化模型，所述的单目标优化模型的目标为满意度μ最大，基于满意度的单目标优化模型为：

maxμ

F₂+δ₂μ≤F_2min+δ₂

F₁-δ₁μ≥F_1min-δ₁

0≤μ≤1。

S5：采用改进粒子群算法对基于满意度的单目标优化模型进行求解，输出最大满意度时的系统信息。

步骤S5具体包括：

S51：将原始数据输入微电网优化模型，所述的原始数据包括风机、光伏输出电功率，电功率和冷热能功率，空调负荷的输入电功率等，以及系统运行各设备的运行和储能约束条件；

S52：利用改进粒子群算法，求解经济指标优化模型、能效指标优化模型的单目标优化结果；

S53：将经济指标优化模型、能效指标优化模型的单目标优化结果进行伸缩，获取优化结果的伸缩值；

S54：将伸缩值代入新的以满意度最大为目标函数的模糊优化模型中，利用改进的粒子群算法求解该非线性单目标模糊优化模型，得到最大满意度时的系统内各设备的出力、负荷和系统的运行成本、综合能源利用率。

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

针对标准粒子群易早熟的特点，本文提出一种自适应惯性权重的改进粒子群算法。主流的惯性权重取值方法难以考虑单个粒子的变化过程，容易对种群的多样性造成损失，使算法陷入局部最优解。因此，本发明的改进粒子群算法为自适应惯性权重的改进粒子群算法，改进粒子群算法利用当前粒子位置与全局最优粒子位置的差值来决定算法的惯性权重，并根据差值的大小对惯性权重进行非线性的改变。

惯性权重的计算公式为：

其中，D为解空间维数；

为粒子i在k时刻的惯性权重；w_start、w_end为惯性权重的初始值和结束值；x_max、x_min为粒子位置的变化范围，

在算法初期，应扩大粒子的搜寻范围，使其可以搜索到整个解空间，寻优后期，应注重粒子的收敛速度，使粒子在一个较小的搜索空间内尽快找到最优位置。为提高粒子的寻优速度与精度，平衡算法的全局搜索和局部搜索能力，本发明的改进粒子群算法采用动态调整加速粒子的形式更新加速因子。

加速因子的更新公式为：

式中：c_1f、c_1i为加速因子c₁的初始值和最终值；c_2f、c_2i为加速因子c₂的初始值和最终值；T、T_max为算法当前迭代次数与最大迭代次数。

相比于其他启发式智能算法，粒子群优化算法模型简单且易于调整。通过对基本粒子群算法内惯性权重和加速因子的改进，有效避免算法易早熟的缺点，利用标准测试函数Sphere对标准粒子群和改进粒子群算法分别进行仿真测试，函数表达式如下式所示：

本实施例中，以粒子数量为30，迭代次数为500次进行算法适应度值得计算，仿真结果如图5所示。

本发明针对冷热电联供微电网系统难以平衡运行成本和综合能源利用率的问题，考虑系统内空调负荷的虚拟储能作用，建立其优化调度模型。通过隶属度函数，把多目标转化为以满意度最大为目标的单目标模糊优化，利用改进的粒子群算法进行仿真求解，以小区夏季典型日数据为例，验证了所提调度策略和模型的有效性以及相较于传统策略的优越性。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的方法包括以下步骤：

S1：建立微电网系统中设备的设备模型，所述的设备模型包括虚拟储能模型，虚拟储能包括空调设备，构建的虚拟储能模型如下所示：

P_{ac_in}＝COP_ac×H_{ac_out}

P_{ac_in}＝COP_ac×Q_ac(t)

式中，P_{ac_in}、H_{ac_out}为输入电功率和输出冷/热功率，COP_ac为空调的能效系数，T_r(t)为室内房间温度，T_out(t)为室外温度，Q_ac(t)为空调制冷功率，R为建筑等效热阻，C为建筑等效热熔；

S2：建立微电网系统的多目标优化模型；

S3：设置微电网系统运行的约束条件；

S4：对多目标优化模型的目标函数进行模糊优化处理，获取基于满意度的单目标优化模型；

S5：以优先使用风电、光伏为调度原则，采用改进粒子群算法对基于满意度的单目标优化模型进行求解，输出最大满意度时的系统信息。

2.根据权利要求1所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的步骤S2中多目标优化模型的优化目标包括经济指标优化模型和能效指标优化模型。

3.根据权利要求2所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的经济指标优化模型的函数表达式为：

Q_OUT＝P_{H_LOAD}+P_{C_LOAD}+P_{E_LOAD}+P_{GRID_SELL}

Q_IN＝P_PV+P_WT+P_MT+P_{GRID_BUY}

式中，F₁为能源综合利用率；Q_OUT为冷热电微网系统输出能量；Q_IN为冷热电微网系统输入能量；P_{H_LOAD}、P_{C_LOAD}、P_{E_LOAD}、P_{GRID_SELL}分别为热负荷功率、冷负荷功率、电负荷功率和电网卖电功率；P_PV、P_WT、P_MT分别为光伏、风机、微型燃气轮机的发电功率；P_{GRID_BUY}为电网购电功率，

所述的能效指标优化模型的函数表达式为：

其中，C_F(t)为系统运行燃料成本、C_OM(t)为系统运行维护成本、C_GE(t)为与电网双向功率交互成本、C_SS(t)为系统设备启停成本、C_BW(t)为系统储能设备折旧成本；T为一个调度周期。

4.根据权利要求1所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的步骤S4的具体步骤包括：

S41：以升半直线分布函数作为综合能源利用率的隶属度函数：

其中，μ(F₁)为系统综合能源利用率所的隶属度函数；F_1min为系统综合能源利用率对应的单目标优化最优值；δ₁为系统综合能源利用率对应的伸缩值；

S42：以降半直线分布函数作为运行成本最小的隶属度函数：

其中，μ(F₂)为运行成本所对应的隶属度函数；F_2min为运行成本对应的单目标优化最优值；δ₂为运行成本分别对应的伸缩值，

S43：设μ隶属度函数中的最小值，定义μ为满意度，将多目标优化经模糊处理后转变为满足所有已有约束条件的单目标非线性优化问题，获取基于满意度的单目标优化模型，所述的单目标优化模型的目标为满意度μ最大，基于满意度的单目标优化模型为：

maxμ

F₂+δ₂μ≤F_2min+δ₂

F₁-δ₁μ≥F_1min-δ₁

0≤μ≤1。

5.根据权利要求1所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的步骤S5具体包括：

S51：将原始数据输入微电网优化模型，所述的原始数据包括风机、光伏输出电功率，电功率和冷热能功率，空调负荷的输入电功率等，以及系统运行各设备的运行和储能约束条件；

S52：利用改进粒子群算法，求解经济指标优化模型、能效指标优化模型的单目标优化结果；

S53：将经济指标优化模型、能效指标优化模型的单目标优化结果进行伸缩，获取优化结果的伸缩值；

S54：将伸缩值代入新的以满意度最大为目标函数的模糊优化模型中，利用改进的粒子群算法求解该非线性单目标模糊优化模型，得到最大满意度时的系统内各设备的出力、负荷和系统的运行成本、综合能源利用率。

6.根据权利要求5所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的改进粒子群算法为自适应惯性权重的改进粒子群算法，所述的改进粒子群算法利用当前粒子位置与全局最优粒子位置的差值来决定算法的惯性权重，并根据差值的大小对惯性权重进行非线性的改变，并采用动态调整加速粒子的形式更新加速因子。

7.根据权利要求6所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的惯性权重的计算公式为：

其中，D为解空间维数；

为粒子i在k时刻的惯性权重；w_start、w_end为惯性权重的初始值和结束值；x_max、x_min为粒子位置的变化范围。

8.根据权利要求6所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的加速因子的更新公式为：

式中：c_1f、c_1i为加速因子c₁的初始值和最终值；c_2f、c_2i为加速因子c₂的初始值和最终值；T、T_max为算法当前迭代次数与最大迭代次数。

9.根据权利要求1所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的约束条件包括功率平衡约束、设备容量及运行出力约束、蓄电池功率约束、空调负荷与建筑温度的约束。

10.根据权利要求1所述的一种含虚拟储能的冷热电联供微电网多目标优化方法，其特征在于，所述的设备模型还包括微型燃气轮机、余热锅炉模型、吸收式制冷机模型、电制冷机模型、电锅炉模型和电储能模型。

Images