CN113780768A - 混沌变异遗传高维度多指标综合能源系统规划方法及系统 - Google Patents

混沌变异遗传高维度多指标综合能源系统规划方法及系统 Download PDF

Info

Publication number
CN113780768A
CN113780768A CN202110987182.6A CN202110987182A CN113780768A CN 113780768 A CN113780768 A CN 113780768A CN 202110987182 A CN202110987182 A CN 202110987182A CN 113780768 A CN113780768 A CN 113780768A
Authority
CN
China
Prior art keywords
energy system
comprehensive energy
chaotic
index
individual
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
CN202110987182.6A
Other languages
English (en)
Inventor
孙鹏
林小杰
杨天国
晋伟平
殷俊
崔大铭
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.)
Yunnan Power Grid Co ltd Dehong Power Supply Bureau
Changzhou Industrial Technology Research Institute of Zhejiang University
Original Assignee
Yunnan Power Grid Co ltd Dehong Power Supply Bureau
Changzhou Industrial Technology Research Institute of Zhejiang University
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 Yunnan Power Grid Co ltd Dehong Power Supply Bureau, Changzhou Industrial Technology Research Institute of Zhejiang University filed Critical Yunnan Power Grid Co ltd Dehong Power Supply Bureau
Priority to CN202110987182.6A priority Critical patent/CN113780768A/zh
Publication of CN113780768A publication Critical patent/CN113780768A/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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明属于能源系统技术领域，具体涉及一种混沌变异遗传高维度多指标综合能源系统规划方法及系统，其中基于混沌变异遗传的高维度多指标综合能源系统规划方法包括：确定综合能源系统规划方案评价指标；建立城市综合能源系统评价模型；根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案，实现了为综合能源系统提供最佳规划方案。在满足用户多种能源需求的前提下，最大限度地降低系统投资和用能成本，促进多种能源的高效利用和可持续发展。

Description

混沌变异遗传高维度多指标综合能源系统规划方法及系统
技术领域
本发明属于能源系统技术领域，具体涉及一种混沌变异遗传高维度多指标综合能源系统规划方法及系统。
背景技术
综合能源系统中存在多种能源供应形式、多种用能需求、多种能量转化设备，对综合能源系统的规划需要综合协调各端的配置，达到多能互补、清洁高效的目标，这本质上是一个高维度的优化问题。通过优化算法找到综合能源配置方式的全局最优配置方式，对提升综合能源系统能效、保证能源供应与能源安全、减少碳排放具有至关重要的作用。混沌是指在确定性的非线性动力学系统中，不需要附加任何随机因素亦可出现的类似随机的行为，呈现一种表面貌似无规则的运动。借助混沌的无序性进行全局寻优，是一种有效的解决方案。
因此，基于上述技术问题需要设计一种新的混沌变异遗传高维度多指标综合能源系统规划方法及系统。
发明内容
本发明的目的是提供一种混沌变异遗传高维度多指标综合能源系统规划方法及系统。
为了解决上述技术问题，本发明提供了一种基于混沌变异遗传的高维度多指标综合能源系统规划方法，包括：
确定综合能源系统规划方案评价指标；
建立城市综合能源系统评价模型；
根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案。
进一步，所述确定综合能源系统规划方案评价指标的方法包括：
评价指标包括基础指标和综合指标；
所述基础指标为：
Figure BDA0003231133890000021
其中，
Figure BDA0003231133890000022
为电能最小供应量；
Figure BDA0003231133890000023
为能量供应可靠程度；
所述综合指标为Gm，细分评价指标加权得到的一个综合评价指标；
若综合能源系统规划方案满足电能最小供应量则记为
Figure BDA0003231133890000024
若综合能源系统规划方案满足能量供应可靠程度记为
Figure BDA0003231133890000025
若满足所有基础指标,则记为Gb＞0；
若不满足所有的基础指标，则记为Gb＜0。
进一步，所述建立城市综合能源系统评价模型的方法包括：
各个系统的规模及配置方式记录在n维向量
Figure BDA0003231133890000026
中，
Figure BDA0003231133890000027
针对综合能源系统内的各个装置和单位建立数学模型，进而建立城市综合能源系统评价模型，计算不同配置
Figure BDA0003231133890000028
下的评价指标
Figure BDA0003231133890000029
和
Figure BDA00032311338900000210
进一步，所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法包括：
构建包含预设个数个体的种群，每个个体是一种配置方案
Figure BDA00032311338900000211
根据城市综合能源系统评价模型获取每个个体的评价指标
Figure BDA00032311338900000212
和
Figure BDA00032311338900000213
根据
Figure BDA00032311338900000214
和
Figure BDA00032311338900000215
综合选择参与繁衍的父体与母体，即在所有个体中综合指标Gm值越高的个体越容易被选中，若该个体的Gb＜0则该个体被选中的概率会降低。
进一步，所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法还包括：
根据选出的父体与母体执行遗传操作，产生子代；
在子代基因选择部分点位，将这些点位上的数值进行混沌映射操作，通过部分点位的混沌映射实现了基因突变；
判断当前种群是否满足局部终止条件，若不满足则重新构建包含预设个数个体的种群，若满足则找出种群中所有个体中适应度最高个体，记录个体的基因
Figure BDA0003231133890000032
进一步，所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法还包括：
将当前种群中个体基因的全部点位使用混沌映射进行迭代，获取新的初始种群；
检查此时的种群是否满足全局终止条件，若满足终止条件，结束循环，得到当前综合能源系统的最优配置
Figure BDA0003231133890000031
若不满足则重新构建包含预设个数个体的种群。
另一方面，本发明还提供一种基于混沌变异遗传的高维度多指标综合能源系统规划系统，包括：
指标确定模块，确定综合能源系统规划方案评价指标；
模型构建模块，建立城市综合能源系统评价模型；
遗传进化模块，根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案。
本发明的有益效果是，本发明通过确定综合能源系统规划方案评价指标；建立城市综合能源系统评价模型；根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案，实现了为综合能源系统提供最佳规划方案。在满足用户多种能源需求的前提下，最大限度地降低系统投资和用能成本，促进多种能源的高效利用和可持续发展。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是本发明所涉及的基于混沌变异遗传的高维度多指标综合能源系统规划方法的流程图；
图2是本发明所涉及的基于混沌变异遗传的高维度多指标综合能源系统规划方法的具体流程图；
图3是本发明所涉及的基于混沌变异遗传的高维度多指标综合能源系统规划系统的原理框图。
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，下面将结合附图对本发明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做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。
实施例1
图1是本发明所涉及的基于混沌变异遗传的高维度多指标综合能源系统规划方法的流程图。
如图1所示，本实施例1提供了一种基于混沌变异遗传的高维度多指标综合能源系统规划方法，包括：确定综合能源系统规划方案评价指标；建立城市综合能源系统评价模型；根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案，实现了为综合能源系统提供最佳规划方案。在满足用户多种能源需求的前提下，最大限度地降低系统投资和用能成本，促进多种能源的高效利用和可持续发展。
图2是本发明所涉及的基于混沌变异遗传的高维度多指标综合能源系统规划方法的具体流程图。如图2所示，在本实施例中，所述确定综合能源系统规划方案评价指标的方法包括：
Step1：根据需求，确定综合能源系统规划方案评价指标，评价指标包括基础指标和综合指标；所述基础指标为：
Figure BDA0003231133890000051
指的是为了保证能量供应的稳定与安全所满足的必需指标；其中，
Figure BDA0003231133890000052
为电能最小供应量；
Figure BDA0003231133890000053
为能量供应可靠程度；所述综合指标为Gm，对各个细分评价指标加权得到的一个综合评价指标，细分评价指标包括能源清洁度、用户舒适度、能源效率等指标。各个细分评价指标的权重可以通过经验得到，也可以通过层次分析法或者对大数据的学习等方式得到；若综合能源系统规划方案满足电能最小供应量则记为
Figure BDA0003231133890000054
若综合能源系统规划方案满足能量供应可靠程度记为
Figure BDA0003231133890000055
若满足所有基础指标,则记为Gb＞0；若不满足所有的基础指标，则记为Gb＜0。
在本实施例中，所述建立城市综合能源系统评价模型的方法包括：Step2：建立城市综合能源系统评价模型，综合能源系统由许多不同类型的能源、能源生产设备、能源转换设备及储能设备组成。终端负荷需求包括电需求、供热需求、热水需求和供冷需求；在系统的输入端，其能源可以是天然气、液化石油气、柴油、太阳能、风能、生物质能以及地热能等。经过不同的能源转换设备，这些能源的能量最终转化成可以供用户使用的电、热和冷等形式；在本实施例中规划的综合能源系统包括分布式可再生能源(光伏、风机)、冷热电三联供系统、冰蓄冷空调、储能装置(储冷、储热、储电)、电制冷装置、终端用户负荷等单元构成；能源系统内能源生产和转化系统的配置方式(各个系统的规模及配置方式)记录在n维向量
Figure BDA0003231133890000061
中，
Figure BDA0003231133890000062
针对综合能源系统内的各个装置和单位建立数学模型，进而建立城市综合能源系统评价模型，建立城市综合能源系统评价模型，预测城市综合能源系统在不同配置方式下的各种表现，即计算不同配置
Figure BDA0003231133890000063
下的评价指标
Figure BDA0003231133890000064
和
Figure BDA0003231133890000065
在本实施例中，所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法包括：
Step3：随机产生一个种群，作为问题的初代解，构建包含预设个数(可以是100个)个体的种群，每个个体是一种配置方案
Figure BDA0003231133890000066
初代种群可以使用随机算法生成，也可以根据实际能源系统给定。
Step4：根据城市综合能源系统评价模型获取每个个体的评价指标
Figure BDA0003231133890000067
和
Figure BDA0003231133890000068
Step5：根据
Figure BDA0003231133890000069
和
Figure BDA00032311338900000610
综合选择参与繁衍的父体与母体，选择的原则是评价指标
Figure BDA00032311338900000611
和
Figure BDA00032311338900000612
越优秀的个体越可能被选中，
Figure BDA00032311338900000613
和
Figure BDA00032311338900000614
性能越低的个体被选中的概率越小，即在所有个体中综合指标Gm值越高的个体越容易被选中，若该个体的Gb＜0则该个体被选中的概率会降低。
在本实施例中，所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法还包括：
Step6：根据选出的父体与母体执行遗传操作，产生下一代。首先使用合适的编码方案对种群中的个体进行编码成为基因，编码方案可以选择浮点数编码、二进制编码等编码方案。然后复制父体与母体的基因，并产生出子代。产生子代的方法包括单点交叉、两点交叉、多点交叉、均匀交叉及算术交叉等；
Step7：基因混沌变异。在子代基因选择部分点位，将这些点位上的数值进行混沌映射操作。通过部分点位的混沌映射实现了基因突变；混沌映射保证了变异的无序性，在较大程度保留优秀基因的基础上，增加了基因的多样性，从而提高找到最优解的概率。混沌映射包括但不限于Logistic混沌映射、henon混沌映射或者其他合适的混沌映射算法；此处使用Logistic混沌映射，在3个基因点位进行混沌变异，对于每个点位，进行以下操作：
gi＝μ·gi·(1-gi)；
其中，
gi：基因点位，i＝1,2,3。
μ:混沌映射参数，可取0-4，本实施例可以取μ＝2.5。
Step8：判断当前种群是否满足局部终止条件，若不满足，则回到step4；若满足终止条件，则执行Step9；终止条件可以是种群适应度达到了要求水平，可以是繁殖代数足够大，也可以是其他终止条件；
Step9:找出种群中所有个体中适应度最高个体，记录个体的基因
Figure BDA0003231133890000071
在本实施例中，所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法还包括：
Step10：种群混沌演化，当前种群的存在形式已经可以认为是高度适应当前环境的种群，但这是不一定是适应度最优的种群，只是当前的适应度让它们丧失了进化的动力；将当前高度适应环境的种群进行灭绝，通过将种群中个体基因的全部点位使用混沌映射进行迭代，创造新的初始种群。
Step11：新的种群遗传进化。检查此时的种群是否满足全局终止条件。终止条件可以是固定循环次数或其他终止条件，若不满足终止条件重复执行step4-step10。若满足终止条件，结束循环，得到最优配置
Figure BDA0003231133890000081
实施例2
在实施例1的基础上，本实施例2还提供一种基于混沌变异遗传的高维度多指标综合能源系统规划系统，包括：指标确定模块，确定综合能源系统规划方案评价指标；模型构建模块，建立城市综合能源系统评价模型；遗传进化模块，根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案。
在本实施例中，各模块的具体功能在实施例1中已经详细描述，在本实施例中不再赘述。
综上所述，本发明通过确定综合能源系统规划方案评价指标；建立城市综合能源系统评价模型；根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案，实现了为综合能源系统提供最佳规划方案。在满足用户多种能源需求的前提下，最大限度地降低系统投资和用能成本，促进多种能源的高效利用和可持续发展。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种基于混沌变异遗传的高维度多指标综合能源系统规划方法，其特在于，包括：
确定综合能源系统规划方案评价指标；
建立城市综合能源系统评价模型；
根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案。
2.如权利要求1所述的基于混沌变异遗传的高维度多指标综合能源系统规划方法，其特征在于，
所述确定综合能源系统规划方案评价指标的方法包括：
评价指标包括基础指标和综合指标；
所述基础指标为：
Figure FDA0003231133880000011
其中，
Figure FDA0003231133880000012
为电能最小供应量；
Figure FDA0003231133880000013
为能量供应可靠程度；
所述综合指标为Gm，细分评价指标加权得到的一个综合评价指标；
若综合能源系统规划方案满足电能最小供应量则记为
Figure FDA0003231133880000014
若综合能源系统规划方案满足能量供应可靠程度记为
Figure FDA0003231133880000015
若满足所有基础指标,则记为Gb＞0；
若不满足所有的基础指标，则记为Gb＜0。
3.如权利要求2所述的基于混沌变异遗传的高维度多指标综合能源系统规划方法，其特征在于，
所述建立城市综合能源系统评价模型的方法包括：
各个系统的规模及配置方式记录在n维向量
Figure FDA0003231133880000016
中，
Figure FDA0003231133880000017
针对综合能源系统内的各个装置和单位建立数学模型，进而建立城市综合能源系统评价模型，计算不同配置
Figure FDA0003231133880000018
下的评价指标
Figure FDA0003231133880000019
和
Figure FDA00032311338800000110
4.如权利要求3所述的基于混沌变异遗传的高维度多指标综合能源系统规划方法，其特征在于，
所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法包括：
构建包含预设个数个体的种群，每个个体是一种配置方案
Figure FDA0003231133880000021
根据城市综合能源系统评价模型获取每个个体的评价指标
Figure FDA0003231133880000022
和
Figure FDA0003231133880000023
根据
Figure FDA0003231133880000024
和
Figure FDA0003231133880000025
综合选择参与繁衍的父体与母体，即在所有个体中综合指标Gm值越高的个体越容易被选中，若该个体的Gb＜0则该个体被选中的概率会降低。
5.如权利要求4所述的基于混沌变异遗传的高维度多指标综合能源系统规划方法，其特征在于，
所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法还包括：
根据选出的父体与母体执行遗传操作，产生子代；
在子代基因选择部分点位，将这些点位上的数值进行混沌映射操作，通过部分点位的混沌映射实现了基因突变；
判断当前种群是否满足局部终止条件，若不满足则根据城市综合能源系统评价模型获取每个个体的评价指标
Figure FDA0003231133880000026
和
Figure FDA0003231133880000027
若满足则找出种群中所有个体中适应度最高个体，记录个体的基因
Figure FDA0003231133880000028
6.如权利要求5所述的基于混沌变异遗传的高维度多指标综合能源系统规划方法，其特征在于，
所述根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案的方法还包括：
将当前种群中个体基因的全部点位使用混沌映射进行迭代，获取新的初始种群；
检查此时的种群是否满足全局终止条件，若满足终止条件，结束循环，得到当前综合能源系统的最优配置
Figure FDA0003231133880000031
若不满足则根据城市综合能源系统评价模型获取每个个体的评价指标
Figure FDA0003231133880000032
和
Figure FDA0003231133880000033
7.一种基于混沌变异遗传的高维度多指标综合能源系统规划系统，其特在于，包括：
指标确定模块，确定综合能源系统规划方案评价指标；
模型构建模块，建立城市综合能源系统评价模型；
遗传进化模块，根据城市综合能源系统评价模型和混沌变异遗传获取综合能源系统最优配置方案。
CN202110987182.6A 2021-08-26 2021-08-26 混沌变异遗传高维度多指标综合能源系统规划方法及系统 Pending CN113780768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110987182.6A CN113780768A (zh) 2021-08-26 2021-08-26 混沌变异遗传高维度多指标综合能源系统规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110987182.6A CN113780768A (zh) 2021-08-26 2021-08-26 混沌变异遗传高维度多指标综合能源系统规划方法及系统

Publications (1)

Publication Number Publication Date
CN113780768A true CN113780768A (zh) 2021-12-10

Family

ID=78839354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110987182.6A Pending CN113780768A (zh) 2021-08-26 2021-08-26 混沌变异遗传高维度多指标综合能源系统规划方法及系统

Country Status (1)

Country Link
CN (1) CN113780768A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915472A (zh) * 2012-10-30 2013-02-06 南京软核科技有限公司 基于基因修复混沌遗传算法的配电网综合优化规划方法
CN107480813A (zh) * 2017-07-27 2017-12-15 河海大学 基于多目标混沌遗传算法的流域水资源优化配置方法
CN109523065A (zh) * 2018-10-29 2019-03-26 西安理工大学 一种基于改进量子粒子群算法的微能源网优化调度方法
CN109598433A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN110659830A (zh) * 2019-09-25 2020-01-07 国网天津市电力公司 面向综合能源系统的多能源微网规划方法
WO2020063690A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统预测的方法和装置
CN111626487A (zh) * 2020-05-15 2020-09-04 浙江大学 一种综合能源系统多评价指标优化规划技术方法和系统
US20210124089A1 (en) * 2019-10-25 2021-04-29 The Florida International University Board Of Trustees System for forecasting renewable energy generation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915472A (zh) * 2012-10-30 2013-02-06 南京软核科技有限公司 基于基因修复混沌遗传算法的配电网综合优化规划方法
CN107480813A (zh) * 2017-07-27 2017-12-15 河海大学 基于多目标混沌遗传算法的流域水资源优化配置方法
WO2020063690A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统预测的方法和装置
CN109523065A (zh) * 2018-10-29 2019-03-26 西安理工大学 一种基于改进量子粒子群算法的微能源网优化调度方法
CN109598433A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN110659830A (zh) * 2019-09-25 2020-01-07 国网天津市电力公司 面向综合能源系统的多能源微网规划方法
US20210124089A1 (en) * 2019-10-25 2021-04-29 The Florida International University Board Of Trustees System for forecasting renewable energy generation
CN111626487A (zh) * 2020-05-15 2020-09-04 浙江大学 一种综合能源系统多评价指标优化规划技术方法和系统

Similar Documents

Publication Publication Date Title
Emami et al. New approach on optimization in placement of wind turbines within wind farm by genetic algorithms
Cheng et al. Unit commitment by annealing-genetic algorithm
Khan et al. Optimal sizing of a stand-alone photovoltaic, wind turbine and fuel cell systems
Balamurugan et al. Hybrid integer coded differential evolution–dynamic programming approach for economic load dispatch with multiple fuel options
Yang et al. A novel strategy of pareto-optimal solution searching in multi-objective particle swarm optimization (MOPSO)
Mahbub et al. Incorporating domain knowledge into the optimization of energy systems
Yildirim et al. Power generation expansion planning with adaptive simulated annealing genetic algorithm
CN114519459A (zh) 基于场景分析和混合储能的热电联合系统优化调度方法
Noorollahi et al. A scenario-based approach for optimal operation of energy hub under different schemes and structures
Bagheri et al. A novel multiobjective generation and transmission investment framework for implementing 100% renewable energy sources
Şahin Forecasting of Turkey's electricity generation and CO2 emissions in estimating capacity factor
CN111126707B (zh) 能耗方程构建、能耗预测方法与装置
Dong et al. Energy supply network design optimization for distributed energy systems
Shayeghi et al. Optimal thermal generating unit commitment with wind power impact: a PSO-IIW procedure
CN113723793A (zh) 园区综合能源系统的实现方法、装置、设备和介质
Pourdarvish et al. Cold standby redundancy allocation in a multi-level series system by memetic algorithm
Hidalgo et al. Evaluation of optimization algorithms to adjust efficiency curves for hydroelectric generating units
Elaiw et al. Hybrid DE‐SQP Method for Solving Combined Heat and Power Dynamic Economic Dispatch Problem
CN113780768A (zh) 混沌变异遗传高维度多指标综合能源系统规划方法及系统
CN115983489A (zh) 一种随机模糊环境下的热泵与集中供热互补优化运行方法
Sato et al. Total optimization of smart city by global-best brain storm optimization
Zhu et al. Monthly unit commitment model and algorithm with renewable energy generation considering system reliability
Wang et al. An illustration of the optimization of combined cooling heating and power systems using genetic algorithm
Colmenares-Quintero et al. Application of a simulation tool based on a bio-inspired algorithm for optimisation of distributed power generation systems
Hu et al. Robust optimal scheduling of integrated energy systems considering multiple uncertainties

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