CN114091780A - 一种基于改进麻雀优化算法的综合能源系统优化调度方法 - Google Patents

一种基于改进麻雀优化算法的综合能源系统优化调度方法 Download PDF

Info

Publication number
CN114091780A
CN114091780A CN202111439170.6A CN202111439170A CN114091780A CN 114091780 A CN114091780 A CN 114091780A CN 202111439170 A CN202111439170 A CN 202111439170A CN 114091780 A CN114091780 A CN 114091780A
Authority
CN
China
Prior art keywords
power
formula
heat
output
energy
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
CN202111439170.6A
Other languages
English (en)
Inventor
夏磊
高晋
王谦
廖庆龙
岳鑫桂
向洪
吴晓东
谭笑
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.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
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 Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN202111439170.6A priority Critical patent/CN114091780A/zh
Publication of CN114091780A publication Critical patent/CN114091780A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

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

Abstract

本发明公开了一种基于改进麻雀优化算法的综合能源系统优化调度方法，具体包括以下步骤：步骤1：定义能源麻雀，确定初始化种群；步骤2：设定麻雀寻优基础原则；步骤3：原则计算适应度值及所在位置，确定最优适应度值和最差适应度值，以及其相对应的位置；步骤4：从适应度较优的能源麻雀中，选取部分麻雀作为探索者，根据探索者更新公式更新位置；步骤5：剩余能源麻雀作为跟随者，根据跟随者更新公式更新位置；步骤6：从能源麻雀中随机选取部分麻雀作为警戒者，根据警戒者更新公式更新位置；本发明在能量层面实现多能互补与转换，完善了模型设备与结构，能够增强所搭系统的可靠性，最大化程度考虑实际运行情况。

Description

一种基于改进麻雀优化算法的综合能源系统优化调度方法
技术领域
本发明属于综合能源系统优化调度领域，具体为一种基于改进麻雀优化算法的综合能源系统优化调度方法。
背景技术
热电冷三联供(Combined Cooling Heating and Power，CCHP)系统能够有效提高可再生能源的转换效率，减少环境污染，为偏远地区和重要负荷改善电能质量和供电可靠性。目前CCHP系统的研究存在目标函数单一、目标权重比的设置主观性强的问题，容易降低调度结果的准确性；综合能源系统结构复杂，优化调度对象繁多，易增加寻优计算负担，降低动态响应效率。综合上述存在的问题，本申请提出一种用于CCHP多能优化调度的新方法，以提高优化调度方法的计算效率与计算准确率，使系统实现低成本、低碳环保地运行。
热电冷三联供(Combined Cooling Heating and Power，CCHP)系统能够有效提高可再生能源的转换效率，减少环境污染，有利于构建我国清洁低碳安全高效的能源体系和构建以新能源为主题的新型电力系统。
目前，针对CCHP规划设计研究主要集中在系统建模、规划、调度等方面，即根据所建设的CCHP系统的资源特性和负荷特性，对所构建的系统进行各分布式电源及储能优化设计。主要的思路为：首先建立包含太阳能、风能、天然气等分布式能量供给源及相应设备和负荷模型，将其抽象化为数学模型进行求解；其次建立表征某种性能的目标函数，例如表征系统经济性、可靠性、环保型；最后制定相应的运行策略，并利用优化算法对各时刻分布式电源出力及储能容量进行设计。然而，目前相关优化方法的提出存在如下问题:1、所搭建的系统数学模型不全面，各能量供给耦合考虑不周；2、确立目标函数单一，目标权重比设置主观性强；3、调度对象复杂，计算负担过重，动态响应性能差。
因此，迫切需要一种基于改进麻雀优化算法的综合能源系统优化调度方法。
发明内容
本发明的目的在于提供了一种基于改进麻雀优化算法的综合能源系统优化调度方法。
实现本发明目的的技术解决方案为：一种基于改进麻雀优化算法的综合能源系统优化调度方法，具体包括以下步骤：
步骤1：定义能源麻雀，确定初始化种群；
步骤2：设定麻雀寻优基础原则；
步骤3：原则计算适应度值及所在位置，确定最优适应度值和最差适应度值，以及其相对应的位置；
步骤4：从适应度较优的能源麻雀中，选取部分麻雀作为探索者，根据探索者更新公式更新位置；
步骤5：剩余能源麻雀作为跟随者，根据跟随者更新公式更新位置；
步骤6：从能源麻雀中随机选取部分麻雀作为警戒者，根据警戒者更新公式更新位置；
步骤7：依据柯西-高斯变异算法对当前最优解进行变异；
步骤8：计算最优麻雀柯西-高斯变异后的适应度；若计算结果小于等于变异前的适应度，则将最优解位置更新，否则保持原最优解位置；
步骤9：若到达结束条件，即结束，否则进入下一次迭代，即跳转到步骤3；
步骤10：结束，获得最优解。
更进一步的，所述步骤1中能源麻雀代表热、电、冷三联供系统(CCHP) 中分布式电源与各设备出力，能源麻雀包括购电功率Pgrid(t)，光伏出力PPV(t)，风电出力PWP(t)，微燃机出力Pge(t)，燃气锅炉Qgb(t)，电锅炉热出力Qeb(t)，吸收制冷功率Qac(t)，电制冷功率Qec(t)，蓄电池出力PB(t)，热充放功率Qch(t)和 Qdis(t)以及冷充放功率Qcsc(t)和Qcsd(t)；初始化种群包括种群数量、最大迭代次数、探索者和警戒者比例，警戒阈值等。
更进一步的，所述步骤2中的麻雀寻优基础原则包括：
21、始终满足约束条件平衡约束和各设备出力约束；
22、光伏出力和风电出力始终保持最大功率跟踪状态。
更进一步的，所述始终满足约束条件平衡约束和各设备出力约束包括：
211、电平衡约束
PEL(t)+Peb(t)+Pec(t)＝PWP(t)+PPV(t)+Pge(t)+PB(t)+Pgrid(t) (41)
其中PEL(t)为电负荷，Peb(t)为电锅炉输入功率，Pec(t)为电制冷机输入电功率。电锅炉输入功率Peb(t)与电锅炉热出力Qeb(t)的关系式为：
Qeb(t)＝Peb(t)ηeb (42)
式中，ηeb为电锅炉制热系数；
电制冷机输入电功率Pec(t)与电制冷机输出功率Qec(t)的关系式为：
Qec(t)＝Pec(t)ηec (43)
其中，ηec为电制冷机能效系数；
热平衡约束
QHL(t)+Pac(t)+Qdis(t)＝QBC(t)+Qgb(t)+Qeb(t)+Qch(t) (44)
其中，QHL(t)为热负荷，QBC(t)为微燃机产生的热量，Pac(t)为吸收制冷机输入热功率；
由于微燃机在发电的同时会产生废热，高温废热能通过溴冷机转换为低温后供给热负荷，因此微燃机为热负荷提供的热量QBC(t)描述如下：
QBC(t)＝αηBCPge(t)＝ηgehPge(t) (45)
式中，α为电热比，ηBC为热转换效率，ηgeh为产热效率；
吸收制冷机输入热功率Pac(t)与吸收制冷机输出功率Qac(t)的关系式为：
Qac(t)＝Pac(t)ηac (46)
ηac为吸收式冷机能效系数；
冷负荷功率约束：
Qac(t)+Qec(t)+Qcsd(t)＝Qcsc(t)+Qc(t) (47)
其中，Qc(t)为冷负荷；
212、微燃机出力约束
Figure BDA0003382298560000031
式中，δge(t)为t时刻微燃机运行状态，
Figure BDA0003382298560000041
和
Figure BDA0003382298560000042
分别为燃气轮机的发电功率上下限；
213、光伏出力约束
0≤PPV(t)≤PPR (49)
式中，PPR为光伏板额定输出功率；
214、风电出力约束
0≤PWP(t)≤λWPWWP (50)
式中，λWP为风电机组实时利用率，WWP为风电机组最大容量；
215、电锅炉与热锅炉出力约束
Figure BDA0003382298560000043
式中，
Figure BDA0003382298560000044
和
Figure BDA0003382298560000045
分别为电锅炉功率上下限，
Figure BDA0003382298560000046
和
Figure BDA0003382298560000047
分别为热锅炉功率上下限；
216、吸收制冷机模型与电制冷机模型约束
Figure BDA0003382298560000048
式中，δac(t)为t时刻吸收制冷机运行状态；
Figure BDA0003382298560000049
为吸收式制冷机输入热功率的上下限；
Figure BDA00033822985600000410
为电制冷机输入电功率上下限；
217、储能设备约束
蓄电池出力PB(t)与蓄电池容量的关系为：
放电状态可表示为：
Figure BDA00033822985600000411
式中，EA(t)为t时刻蓄电池的实际容量，PB(t)为t时段蓄电池充放电功率，ηdis为蓄电池放电效率；
当蓄电池处于充电状态，有下式：
EA(t)＝(1-τ)(EA(t-1)-PB(t)ηch) (54)
式中，ηch为蓄电池充电效率；
当蓄电池处于浮充状态时，满足下式：
EA(t)＝(1-τ)EA(t-1) (55)
蓄电池容量约束：
Figure BDA0003382298560000051
式中，
Figure BDA0003382298560000052
为电池容量最大值；
为了保证电池的正常工作，减缓寿命衰减，蓄电池工作功率和荷电状态需控制在一定范围内，限制如下：
Figure BDA0003382298560000053
式中，
Figure BDA0003382298560000054
和
Figure BDA0003382298560000055
分别为蓄电池充放电功率上下限，SOCmin和SOCmax为蓄电池荷电状态上下限；
热充放功率Qch(t)和Qdis(t)储热装置容量之间的关系：
Figure BDA0003382298560000056
式中，WH(t)为储热器在t时段内的储热；μHloss为储热器的散热系数；ρch和ρdis分别为储热效率和散热效率；
储热装置的不平衡约束：
Figure BDA0003382298560000057
式中，WH(t)为储热器在t时段内的储热，
Figure BDA0003382298560000061
和
Figure BDA0003382298560000062
分别为储热装置储热容量的上、下限；
Figure BDA0003382298560000063
为储热装置初始储热容量值；
Figure BDA0003382298560000064
为储热装置蓄热功率的上限；
Figure BDA0003382298560000065
为储热装置放热功率的上限；
冷充放功率Qcsc(t)和Qcsd(t)与储冷装置容量之间的关系：
Figure BDA0003382298560000066
式中，WS(t)为储热装置在t时段内的储冷容量；μSloss为储冷能量自耗系数；ρcsc和ρcsd分别为充放冷能效率；
储冷装置的不平衡约束：
Figure BDA0003382298560000067
式中，WS(t)为储热装置在t时段内的储冷容量，
Figure BDA0003382298560000068
和
Figure BDA0003382298560000069
分别为储冷装置储冷容量的上、下限；
Figure BDA00033822985600000610
为储冷装置初始储冷容量值；
Figure BDA00033822985600000611
为储冷装置蓄冷功率的上限；
Figure BDA00033822985600000612
为储冷装置储冷功率的下限。
更进一步的，所述光伏出力和风电出力始终保持最大功率跟踪状态包括：
221、光伏电池板输出功率模型
光伏电池板输出功率易受到外界环境温度和太阳辐射的影响，输出功率模型可表示为：
Figure BDA00033822985600000613
式中，PPV表示光伏电池板单位面积的输出功率；PSTC、GSTC、TSTC为标准测试条件下的最大输出功率、太阳辐照度以及参考温度；GPV为实际太阳辐照强度；TPV为光伏电池板实际温度；k为功率温度系数；Xp为光伏电池板面积，ηPV为光伏电池板效率；
对于玻璃封装的光伏组件，其实际温度可由实验环境温度换算，表达式为:
Figure BDA0003382298560000071
其中，Tair为实际环境温度；
222、风力发电机组出力模型
风的速率决定了风力发电机组输出功率的大小；来风速率必须在切入风速和切出风速之间，风电场才能正常发电；风力发电机功率与风速度的关系如下：
Figure BDA0003382298560000072
式中，PWP为风电发电机出力，PWR为额定功率，v(t)为t时刻实际风速，vcutin为切入风速，vcutout为切出风速，vR为风机额定风速。
更进一步的，所述步骤3中适应度公式为目标函数F，其由CCHP系统的综合运行成本最低和污染排放量最低构成，具体公式如下：
F＝θ1×F1+θ2×F2 (65)
其中F1表示系统综合运行成本最低，表达公式如下：
F1＝min(Cst+COM+Cfuel+Ct+Cgrid) (66)
其中，Cst为微燃机、热锅炉启停成本，COM为系统日常运维成本，Cfuel为天然气购买成本，Ct为投资折旧成本，Cgrid为购电成本；
启停成本Cst如下式所示：
Figure BDA0003382298560000073
其中，
Figure BDA0003382298560000074
表示微燃机或热锅炉的工作状态，当其为1时，表示启动状态，当其为0时表示停止状态，
Figure BDA0003382298560000075
为启停成本，T为系统调度周期，i＝1表示微燃机， i＝2表示燃气锅炉；
系统运维成本如下式所示：
Figure BDA0003382298560000076
其中，ρWP，ρPE，ρge，ρbat，ρeb，ρgb，ρac，ρec，ρh，ρs分别表示风机、光伏、微燃机、蓄电池、电锅炉、燃气锅炉、吸收制冷机、电制冷机、储热器、储冷装置的单位运维成本；
天然气购买成本如下式所示：
Figure BDA0003382298560000081
Figure BDA0003382298560000082
Figure BDA0003382298560000083
式中，Fge(t)为t时刻微燃机天然气消耗量，ηge为微燃机的发电效率，Fgb(t) 为t时刻燃气锅炉的天然气消耗量，ηgb为燃气锅炉的制热效率，LHVNG为天然气低热值，Fgas(t)为t时天然气总消耗量，cgas为天然气购买价格，Hgas为天然气的低热值；
投资折旧成本定义为下式：
Figure BDA0003382298560000084
其中，Ci为第i个微电源的单位功率安装成本；l为利息率；ki为第i个微电源(含储能设备)的寿命；N为系统微电源总数；ni为第i个微电源的容量因素；
外购电成本定义：
Cgrid(t)＝Pgrid(t)cgidΔt (73)
cgid为购电电价，采用分时电价；
F2表示系统1排放量最低，其表达式如下：
Figure BDA0003382298560000085
式中，
Figure BDA0003382298560000086
为第i种污染气体单位排放量，pi为排放第i种污染气体成本；
θ1和θ2分别表示F1和F2占总目标函数的权重。
更进一步的，所述权重用模糊C均值聚类算法对数据进行预处理，再搭建基于粗糙集理论算法的评价模型。
更进一步的，所述步骤4中的探索者更新公式如下：
Figure BDA0003382298560000091
其中，
Figure BDA0003382298560000092
表示第t次迭代中第i个麻雀在第j维度的位置，
Figure BDA0003382298560000093
表示第t+1次迭代中第i个麻雀在第j维度的位置；r2∈(0,1]，ST∈[0.5,1]分别代表预警值和安全值；α为(0,1]中均匀随机数，itermax为最大迭代次数；Q为(0,1]服从正态分布的随机数，L为每个元素全为1的矩阵；
当预警值r2小于安全值ST时，搜索者进行大范围跳跃式搜索；当预警值r2大于安全值ST时，搜索者移动到其他位置进行搜索。
更进一步的，所述步骤5中的跟随者更新公式如下：
Figure BDA0003382298560000094
A+＝AT·(AAT)-1 (77)
式中，
Figure BDA0003382298560000095
表示t+1次迭代搜索者的最优位置，
Figure BDA0003382298560000096
表示当前全局最差位置， A表示元素为1或-1的d维矩阵。
更进一步的，所述步骤6中的警戒者更新公式如下：
Figure BDA0003382298560000097
其中，Xbest表示全局最佳的位置，β为步长调整系数，β是一个均值为0、方差为1的正态分布随机数，k∈[-1,1]范围内的一个均匀随机数；fi是当前麻雀的适应度值；fg和fw依次为目前全局最优和最差适应度值；当fi>fg时，表示麻雀处于种群的边缘地带，非常容易被天敌所袭击；fi＝fg表明在种群中心的麻雀察觉到了被天敌袭击的危险，需要向其他麻雀靠拢。
更进一步的，所述柯西-高斯变异算法算法如下：
Figure BDA0003382298560000101
式中，
Figure BDA0003382298560000102
表示最优个体变异后的位置，σ2表示柯西-高斯变异策略； cauchy(0,σ2)是满足柯西分布的随机变量；Gauss(0,σ2)是满足高斯分布的随机变量；λ1和λ2是随迭代次数自适应调整的动态参数；在寻优过程中，λ1逐渐减少，λ2逐渐增大，使算法可以跳出当前停滞，并协调其局部开发和全局搜索的能力。
更进一步的，所述步骤8中的最优麻雀柯西-高斯变异后的适应度公式如下：
Figure BDA0003382298560000103
本发明与现有技术相比，其显著优点为：
本发明所建立的综合能源系统并网运行，由光伏发电、风力发电的分布式清洁能源，电储能、热储能、冷储能装置，电、热、冷供能设备以及负荷组成。风能、光能、微燃机作为系统主要的电力来源，电锅炉、热锅炉、微燃机余热用于满足用户热需求，电制冷机、吸收式制冷机满足用户的冷需求；储能设备协调输出、存储电/热/冷能量；该系统在空间上实现电/热/冷负荷设备的耦合关联，在能量层面实现多能互补与转换，完善了模型设备与结构，能够增强所搭系统的可靠性，最大化程度考虑实际运行情况。
本发明建立了综合考虑经济性、环保性的多目标函数，并引入模糊C均值算法和粗糙集理论进行权重比设计，降低权重设计主观性，增强计算结果准确性。
本发明基于改进麻雀搜索算法对综合能源系统进行优化调度，较传统麻雀算法相比能够有效降低经济成本和环境成本。
本发明所提出的方法能够在保证低成本、低碳运行的同时，进一步提高优化速度，提升系统优化的动态响应。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的基于改进麻雀搜索算法优化调度步骤流程示意图。
图2为本发明的CCHP综合系统示意图。
图3为本发明的权重实现步骤示意图。
图4为本发明的优化调度模型搭建流程示意图。
具体实施方式
为了更加清楚地描述本发明的思想，技术方案和优点，具体实施方式通过实施例和附图来表明。显然地，所描述的实施例是本发明的一部分实施例，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未付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
如图1、2和4所示，一种基于改进麻雀优化算法的综合能源系统优化调度方法，具体包括以下步骤：
步骤1：定义能源麻雀，确定初始化种群；
能源麻雀代表热、电、冷三联供系统(CCHP)中分布式电源与各设备出力，能源麻雀包括购电功率Pgrid(t)，光伏出力PPV(t)，风电出力PWP(t)，微燃机出力 Pge(t)，燃气锅炉Qgb(t)，电锅炉热出力Qeb(t)，吸收制冷功率Qac(t)，电制冷功率 Qec(t)，蓄电池出力PB(t)，热充放功率Qch(t)和Qdis(t)以及冷充放功率Qcsc(t)和 Qcsd(t)；初始化种群包括种群数量、最大迭代次数、探索者和警戒者比例，警戒阈值等。
步骤2：设定麻雀寻优基础原则；
麻雀寻优基础原则包括：
21、始终满足约束条件平衡约束和各设备出力约束；
始终满足约束条件平衡约束和各设备出力约束包括：
211、电平衡约束
PEL(t)+Peb(t)+Pec(t)＝PWP(t)+PPV(t)+Pge(t)+PB(t)+Pgrid(t) (81)
其中PEL(t)为电负荷，Peb(t)为电锅炉输入功率，Pec(t)为电制冷机输入电功率。
电锅炉输入功率Peb(t)与电锅炉热出力Qeb(t)的关系式为：
Qeb(t)＝Peb(t)ηeb (82)
式中，ηeb为电锅炉制热系数；
电制冷机输入电功率Pec(t)与电制冷机输出功率Qec(t)的关系式为：
Qec(t)＝Pec(t)ηec (83)
其中，ηec为电制冷机能效系数；
热平衡约束
QHL(t)+Pac(t)+Qdis(t)＝QBC(t)+Qgb(t)+Qeb(t)+Qch(t) (84)
其中，QHL(t)为热负荷，QBC(t)为微燃机产生的热量，Pac(t)为吸收制冷机输入热功率；
由于微燃机在发电的同时会产生废热，高温废热能通过溴冷机转换为低温后供给热负荷，因此微燃机为热负荷提供的热量QBC(t)描述如下：
QBC(t)＝αηBCPge(t)＝ηgehPge(t) (85)
式中，α为电热比，ηBC为热转换效率，ηgeh为产热效率；
吸收制冷机输入热功率Pac(t)与吸收制冷机输出功率Qac(t)的关系式为：
Qac(t)＝Pac(t)ηac (86)
ηac为吸收式冷机能效系数；
冷负荷功率约束：
Qac(t)+Qec(t)+Qcsd(t)＝Qcsc(t)+Qc(t) (87)
其中，Qc(t)为冷负荷；
212、微燃机出力约束
Figure BDA0003382298560000121
式中，δge(t)为t时刻微燃机运行状态，
Figure BDA0003382298560000122
和
Figure BDA0003382298560000123
分别为燃气轮机的发电功率上下限；
213、光伏出力约束
0≤PPV(t)≤PPR (89)
式中，PPR为光伏板额定输出功率；
214、风电出力约束
0≤PWP(t)≤λWPWWP (90)
式中，λWP为风电机组实时利用率，WWP为风电机组最大容量；
215、电锅炉与热锅炉出力约束
Figure BDA0003382298560000131
式中，
Figure BDA0003382298560000132
和
Figure BDA0003382298560000133
分别为电锅炉功率上下限，
Figure BDA0003382298560000134
和
Figure BDA0003382298560000135
分别为热锅炉功率上下限；
216、吸收制冷机模型与电制冷机模型约束
Figure BDA0003382298560000136
式中，δac(t)为t时刻吸收制冷机运行状态；
Figure BDA0003382298560000137
为吸收式制冷机输入热功率的上下限；
Figure BDA0003382298560000138
为电制冷机输入电功率上下限；
217、储能设备约束
蓄电池出力PB(t)与蓄电池容量的关系为：
放电状态可表示为：
Figure BDA0003382298560000139
式中，EA(t)为t时刻蓄电池的实际容量，PB(t)为t时段蓄电池充放电功率，ηdis为蓄电池放电效率；
当蓄电池处于充电状态，有下式：
EA(t)＝(1-τ)(EA(t-1)-PB(t)ηch) (94)
式中，ηch为蓄电池充电效率；
当蓄电池处于浮充状态时，满足下式：
EA(t)＝(1-τ)EA(t-1) (95)
蓄电池容量约束：
Figure BDA0003382298560000141
式中，
Figure BDA0003382298560000142
为电池容量最大值；
为了保证电池的正常工作，减缓寿命衰减，蓄电池工作功率和荷电状态需控制在一定范围内，限制如下：
Figure BDA0003382298560000143
式中，
Figure BDA0003382298560000144
和
Figure BDA0003382298560000145
分别为蓄电池充放电功率上下限，SOCmin和SOCmax为蓄电池荷电状态上下限；
热充放功率Qch(t)和Qdis(t)储热装置容量之间的关系：
Figure BDA0003382298560000146
式中，WH(t)为储热器在t时段内的储热；μHloss为储热器的散热系数；ρch和ρdis分别为储热效率和散热效率；
储热装置的不平衡约束：
Figure BDA0003382298560000147
式中，WH(t)为储热器在t时段内的储热，
Figure BDA0003382298560000148
和
Figure BDA0003382298560000149
分别为储热装置储热容量的上、下限；
Figure BDA00033822985600001410
为储热装置初始储热容量值；
Figure BDA00033822985600001411
为储热装置放热功率的上限；
冷充放功率Qcsc(t)和Qcsd(t)与储冷装置容量之间的关系：
Figure BDA00033822985600001412
式中，WS(t)为储热装置在t时段内的储冷容量；μSloss为储冷能量自耗系数；ρcsc和ρcsd分别为充放冷能效率；
储冷装置的不平衡约束：
Figure BDA0003382298560000151
式中，WS(t)为储热装置在t时段内的储冷容量，
Figure BDA0003382298560000152
和
Figure BDA0003382298560000153
分别为储冷装置储冷容量的上、下限；
Figure BDA0003382298560000154
为储冷装置初始储冷容量值；
Figure BDA0003382298560000155
为储冷装置蓄冷功率的上限；
Figure BDA0003382298560000156
为储冷装置储冷功率的下限。
22、光伏出力和风电出力始终保持最大功率跟踪状态。
所述光伏出力和风电出力始终保持最大功率跟踪状态包括：
221、光伏电池板输出功率模型
光伏电池板输出功率易受到外界环境温度和太阳辐射的影响，输出功率模型可表示为：
Figure BDA0003382298560000157
式中，PPV表示光伏电池板单位面积的输出功率；PSTC、GSTC、TSTC为标准测试条件下的最大输出功率、太阳辐照度以及参考温度；GPV为实际太阳辐照强度； TPV为光伏电池板实际温度；k为功率温度系数；Xp为光伏电池板面积，ηPV为光伏电池板效率；
对于玻璃封装的光伏组件，其实际温度可由实验环境温度换算，表达式为:
Figure BDA0003382298560000158
其中，Tair为实际环境温度；
222、风力发电机组出力模型
风的速率决定了风力发电机组输出功率的大小；来风速率必须在切入风速和切出风速之间，风电场才能正常发电；风力发电机功率与风速度的关系如下：
Figure BDA0003382298560000161
式中，PWP为风电发电机出力，PWR为额定功率，v(t)为t时刻实际风速，vcutin为切入风速，vcutout为切出风速，vR为风机额定风速。
步骤3：原则计算适应度值及所在位置，确定最优适应度值和最差适应度值，以及其相对应的位置；
适应度公式为目标函数F，其由CCHP系统的综合运行成本最低和污染排放量最低构成，具体公式如下：
F＝θ1×F1+θ2×F2 (105)
其中F1表示系统综合运行成本最低，表达公式如下：
F1＝min(Cst+COM+Cfuel+Ct+Cgrid) (106)
其中，Cst为微燃机、热锅炉启停成本，COM为系统日常运维成本，Cfuel为天然气购买成本，Ct为投资折旧成本，Cgrid为购电成本；
启停成本Cst如下式所示：
Figure BDA0003382298560000162
其中，
Figure BDA0003382298560000163
表示微燃机或热锅炉的工作状态，当其为1时，表示启动状态，当其为0时表示停止状态，
Figure BDA0003382298560000164
为启停成本，T为系统调度周期，i＝1表示微燃机， i＝2表示燃气锅炉；
系统运维成本如下式所示：
Figure BDA0003382298560000165
其中，ρWP，ρPE，ρge，ρbat，ρeb，ρgb，ρac，ρec，ρh，ρs分别表示风机、光伏、微燃机、蓄电池、电锅炉、燃气锅炉、吸收制冷机、电制冷机、储热器、储冷装置的单位运维成本；
天然气购买成本如下式所示：
Figure BDA0003382298560000166
Figure BDA0003382298560000171
Figure BDA0003382298560000172
式中，Fge(t)为t时刻微燃机天然气消耗量，ηge为微燃机的发电效率，Fgb(t) 为t时刻燃气锅炉的天然气消耗量，ηgb为燃气锅炉的制热效率，LHVNG为天然气低热值，Fgas(t)为t时天然气总消耗量，cgas为天然气购买价格，Hgas为天然气的低热值；
投资折旧成本定义为下式：
Figure BDA0003382298560000173
其中，Ci为第i个微电源的单位功率安装成本；l为利息率；ki为第i个微电源(含储能设备)的寿命；N为系统微电源总数；ni为第i个微电源的容量因素；
外购电成本定义：
Cgrid(t)＝Pgrid(t)cgidΔt (113)
cgid为购电电价，采用分时电价；
F2表示系统1排放量最低，其表达式如下：
Figure BDA0003382298560000174
式中，
Figure BDA0003382298560000175
为第i种污染气体单位排放量，pi为排放第i种污染气体成本；
θ1和θ2分别表示F1和F2占总目标函数的权重。
所述权重用模糊C均值聚类算法对数据进行预处理，再搭建基于粗糙集理论算法的评价模型，具体如图2所示：
图2中|U|表示非空集合域中评价对象的个数；|Aj|表示非空集合域第j个子集中评论对象的个数；|(A-|Ai|)j|表示去除因素Ai后非空集合域第j个子集中评价对象的个数。
步骤4：从适应度较优的能源麻雀中，选取部分麻雀作为探索者，根据探索者更新公式更新位置；
探索者更新公式如下：
Figure BDA0003382298560000181
其中，
Figure BDA0003382298560000182
表示第t次迭代中第i个麻雀在第j维度的位置，
Figure BDA0003382298560000183
表示第t+1次迭代中第i个麻雀在第j维度的位置；r2∈(0,1]，ST∈[0.5,1]分别代表预警值和安全值；α为(0,1]中均匀随机数，itermax为最大迭代次数；Q为(0,1]服从正态分布的随机数，L为每个元素全为1的矩阵；
当预警值r2小于安全值ST时，搜索者进行大范围跳跃式搜索；当预警值r2大于安全值ST时，搜索者移动到其他位置进行搜索。
步骤5：剩余能源麻雀作为跟随者，根据跟随者更新公式更新位置；
跟随者更新公式如下：
Figure BDA0003382298560000184
A+＝AT·(AAT)-1 (117)
式中，
Figure BDA0003382298560000185
表示t+1次迭代搜索者的最优位置，
Figure BDA0003382298560000186
表示当前全局最差位置， A表示元素为1或-1的d维矩阵。
步骤6：从能源麻雀中随机选取部分麻雀作为警戒者，根据警戒者更新公式更新位置；
警戒者更新公式如下：
Figure BDA0003382298560000187
其中，Xbest表示全局最佳的位置，β为步长调整系数，β是一个均值为0、方差为1的正态分布随机数，k∈[-1,1]范围内的一个均匀随机数；fi是当前麻雀的适应度值；fg和fw依次为目前全局最优和最差适应度值；当fi>fg时，表示麻雀处于种群的边缘地带，非常容易被天敌所袭击；fi＝fg表明在种群中心的麻雀察觉到了被天敌袭击的危险，需要向其他麻雀靠拢。
步骤7：依据柯西-高斯变异算法对当前最优解进行变异；
柯西-高斯变异算法算法如下：
Figure BDA0003382298560000191
式中，
Figure BDA0003382298560000192
表示最优个体变异后的位置，σ2表示柯西-高斯变异策略； cauchy(0,σ2)是满足柯西分布的随机变量；Gauss(0,σ2)是满足高斯分布的随机变量；λ1和λ2是随迭代次数自适应调整的动态参数；在寻优过程中，λ1逐渐减少，λ2逐渐增大，使算法可以跳出当前停滞，并协调其局部开发和全局搜索的能力。
步骤8：计算最优麻雀柯西-高斯变异后的适应度；若计算结果小于等于变异前的适应度，则将最优解位置更新，否则保持原最优解位置；
步骤8中的最优麻雀柯西-高斯变异后的适应度公式如下：
Figure BDA0003382298560000193
步骤9：若到达结束条件，即结束，否则进入下一次迭代，即跳转到步骤3；
步骤10：结束，获得最优解。
上述所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，具体包括以下步骤：
步骤1：定义能源麻雀，确定初始化种群；
步骤2：设定麻雀寻优基础原则；
步骤3：原则计算适应度值及所在位置，确定最优适应度值和最差适应度值，以及其相对应的位置；
步骤4：从适应度较优的能源麻雀中，选取部分麻雀作为探索者，根据探索者更新公式更新位置；
步骤5：剩余能源麻雀作为跟随者，根据跟随者更新公式更新位置；
步骤6：从能源麻雀中随机选取部分麻雀作为警戒者，根据警戒者更新公式更新位置；
步骤7：依据柯西-高斯变异算法对当前最优解进行变异；
步骤8：计算最优麻雀柯西-高斯变异后的适应度；若计算结果小于等于变异前的适应度，则将最优解位置更新，否则保持原最优解位置；
步骤9：若到达结束条件，即结束，否则进入下一次迭代，即跳转到步骤3；
步骤10：结束，获得最优解。
2.根据权利要求1所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤1中能源麻雀代表热、电、冷三联供系统(CCHP)中分布式电源与各设备出力，能源麻雀包括购电功率Pgrid(t)，光伏出力PPV(t)，风电出力PWP(t)，微燃机出力Pge(t)，燃气锅炉Qgb(t)，电锅炉热出力Qeb(t)，吸收制冷功率Qac(t)，电制冷功率Qec(t)，蓄电池出力PB(t)，热充放功率Qch(t)和Qdis(t)以及冷充放功率Qcsc(t)和Qcsd(t)；初始化种群包括种群数量、最大迭代次数、探索者和警戒者比例，警戒阈值等。
3.根据权利要求2所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤2中的麻雀寻优基础原则包括：
21、始终满足约束条件平衡约束和各设备出力约束；
22、光伏出力和风电出力始终保持最大功率跟踪状态。
4.根据权利要求3述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述始终满足约束条件平衡约束和各设备出力约束包括：
211、电平衡约束
PEL(t)+Peb(t)+Pec(t)＝PWP(t)+PPV(t)+Pge(t)+PB(t)+Pgrid(t) (1)
其中PEL(t)为电负荷，Peb(t)为电锅炉输入功率，Pec(t)为电制冷机输入电功率；
电锅炉输入功率Peb(t)与电锅炉热出力Qeb(t)的关系式为：
Qeb(t)＝Peb(t)ηeb (2)
式中，ηeb为电锅炉制热系数；
电制冷机输入电功率Pec(t)与电制冷机输出功率Qec(t)的关系式为：
Qec(t)＝Pec(t)ηec (3)
其中，ηec为电制冷机能效系数；
热平衡约束
QHL(t)+Pac(t)+Qdis(t)＝QBC(t)+Qgb(t)+Qeb(t)+Qch(t) (4)
其中，QHL(t)为热负荷，QBC(t)为微燃机产生的热量，Pac(t)为吸收制冷机输入热功率；
由于微燃机在发电的同时会产生废热，高温废热能通过溴冷机转换为低温后供给热负荷，因此微燃机为热负荷提供的热量QBC(t)描述如下：
QBC(t)＝αηBCPge(t)＝ηgehPge(t) (5)
式中，α为电热比，ηBC为热转换效率，ηgeh为产热效率；
吸收制冷机输入热功率Pac(t)与吸收制冷机输出功率Qac(t)的关系式为：
Qac(t)＝Pac(t)ηac (6)
ηac为吸收式冷机能效系数；
冷负荷功率约束：
Qac(t)+Qec(t)+Qcsd(t)＝Qcsc(t)+Qc(t) (7)
其中，Qc(t)为冷负荷；
212、微燃机出力约束
Figure FDA0003382298550000031
式中，δge(t)为t时刻微燃机运行状态，
Figure FDA0003382298550000032
和
Figure FDA0003382298550000033
分别为燃气轮机的发电功率上下限；
213、光伏出力约束
0≤PPV(t)≤PPR (9)
式中，PPR为光伏板额定输出功率；
214、风电出力约束
0≤PWP(t)≤λWPWWP (10)
式中，λWP为风电机组实时利用率，WWP为风电机组最大容量；
215、电锅炉与热锅炉出力约束
Figure FDA0003382298550000034
式中，
Figure FDA0003382298550000035
和
Figure FDA0003382298550000036
分别为电锅炉功率上下限，
Figure FDA0003382298550000037
和
Figure FDA0003382298550000038
分别为热锅炉功率上下限；
216、吸收制冷机模型与电制冷机模型约束
Figure FDA0003382298550000039
式中，δac(t)为t时刻吸收制冷机运行状态；
Figure FDA00033822985500000310
为吸收式制冷机输入热功率的上下限；
Figure FDA00033822985500000311
为电制冷机输入电功率上下限；
217、储能设备约束
蓄电池出力PB(t)与蓄电池容量的关系为：
放电状态可表示为：
Figure FDA00033822985500000312
式中，EA(t)为t时刻蓄电池的实际容量，PB(t)为t时段蓄电池充放电功率，ηdis为蓄电池放电效率；
当蓄电池处于充电状态，有下式：
EA(t)＝(1-τ)(EA(t-1)-PB(t)ηch) (14)
式中，ηch为蓄电池充电效率；
当蓄电池处于浮充状态时，满足下式：
EA(t)＝(1-τ)EA(t-1) (15)
蓄电池容量约束：
Figure FDA0003382298550000041
式中，
Figure FDA0003382298550000042
为电池容量最大值；
为了保证电池的正常工作，减缓寿命衰减，蓄电池工作功率和荷电状态需控制在一定范围内，限制如下：
Figure FDA0003382298550000043
式中，
Figure FDA0003382298550000044
和
Figure FDA0003382298550000045
分别为蓄电池充放电功率上下限，SOCmin和SOCmax为蓄电池荷电状态上下限；
热充放功率Qch(t)和Qdis(t)储热装置容量之间的关系：
Figure FDA0003382298550000046
式中，WH(t)为储热器在t时段内的储热；μHloss为储热器的散热系数；ρch和ρdis分别为储热效率和散热效率；
储热装置的不平衡约束：
Figure FDA0003382298550000051
式中，WH(t)为储热器在t时段内的储热，
Figure FDA0003382298550000052
和
Figure FDA0003382298550000053
分别为储热装置储热容量的上、下限；
Figure FDA0003382298550000054
为储热装置初始储热容量值；
Figure FDA0003382298550000055
为储热装置蓄热功率的上限；
Figure FDA0003382298550000056
为储热装置放热功率的上限；
冷充放功率Qcsc(t)和Qcsd(t)与储冷装置容量之间的关系：
Figure FDA0003382298550000057
式中，WS(t)为储热装置在t时段内的储冷容量；μSloss为储冷能量自耗系数；ρcsc和ρcsd分别为充放冷能效率；
储冷装置的不平衡约束：
Figure FDA0003382298550000058
式中，WS(t)为储热装置在t时段内的储冷容量，
Figure FDA0003382298550000059
和
Figure FDA00033822985500000510
分别为储冷装置储冷容量的上、下限；
Figure FDA00033822985500000511
为储冷装置初始储冷容量值；
Figure FDA00033822985500000512
为储冷装置蓄冷功率的上限；
Figure FDA00033822985500000513
为储冷装置储冷功率的下限。
5.根据权利要求4述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述光伏出力和风电出力始终保持最大功率跟踪状态包括：
221、光伏电池板输出功率模型
光伏电池板输出功率易受到外界环境温度和太阳辐射的影响，输出功率模型可表示为：
Figure FDA00033822985500000514
式中，PPV表示光伏电池板单位面积的输出功率；PSTC、GSTC、TSTC为标准测试条件下的最大输出功率、太阳辐照度以及参考温度；GPV为实际太阳辐照强度；TPV为光伏电池板实际温度；k为功率温度系数；Xp为光伏电池板面积，ηPV为光伏电池板效率；
对于玻璃封装的光伏组件，其实际温度可由实验环境温度换算，表达式为:
Figure FDA0003382298550000061
其中，Tair为实际环境温度；
222、风力发电机组出力模型
风的速率决定了风力发电机组输出功率的大小；来风速率必须在切入风速和切出风速之间，风电场才能正常发电；风力发电机功率与风速度的关系如下：
Figure FDA0003382298550000062
式中，PWP为风电发电机出力，PWR为额定功率，v(t)为t时刻实际风速，vcutin为切入风速，vcutout为切出风速，vR为风机额定风速。
6.根据权利要求5所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤3中适应度公式为目标函数F，其由CCHP系统的综合运行成本最低和污染排放量最低构成，具体公式如下：
F＝θ1×F1+θ2×F2 (25)
其中F1表示系统综合运行成本最低，表达公式如下：
F1＝min(Cst+COM+Cfuel+Ct+Cgrid) (26)
其中，Cst为微燃机、热锅炉启停成本，COM为系统日常运维成本，Cfuel为天然气购买成本，Ct为投资折旧成本，Cgrid为购电成本；
启停成本Cst如下式所示：
Figure FDA0003382298550000063
其中，
Figure FDA0003382298550000071
表示微燃机或热锅炉的工作状态，当其为1时，表示启动状态，当其为0时表示停止状态，
Figure FDA0003382298550000072
为启停成本，T为系统调度周期，i＝1表示微燃机，i＝2表示燃气锅炉；
系统运维成本如下式所示：
Figure FDA0003382298550000073
其中，ρWP，ρPE，ρge，ρbat，ρeb，ρgb，ρac，ρec，ρh，ρs分别表示风机、光伏、微燃机、蓄电池、电锅炉、燃气锅炉、吸收制冷机、电制冷机、储热器、储冷装置的单位运维成本；
天然气购买成本如下式所示：
Figure FDA0003382298550000074
Figure FDA0003382298550000075
Figure FDA0003382298550000076
式中，Fge(t)为t时刻微燃机天然气消耗量，ηge为微燃机的发电效率，Fgb(t)为t时刻燃气锅炉的天然气消耗量，ηgb为燃气锅炉的制热效率，LHVNG为天然气低热值，Fgas(t)为t时天然气总消耗量，cgas为天然气购买价格，Hgas为天然气的低热值；
投资折旧成本定义为下式：
Figure FDA0003382298550000077
其中，Ci为第i个微电源的单位功率安装成本；l为利息率；ki为第i个微电源(含储能设备)的寿命；N为系统微电源总数；ni为第i个微电源的容量因素；
外购电成本定义：
Cgrid(t)＝Pgrid(t)cgidΔt (33)
cgid为购电电价，采用分时电价；
F2表示系统1排放量最低，其表达式如下：
Figure FDA0003382298550000081
式中，
Figure FDA0003382298550000082
为第i种污染气体单位排放量，pi为排放第i种污染气体成本；
θ1和θ2分别表示F1和F2占总目标函数的权重。
7.根据权利要求6所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述权重用模糊C均值聚类算法对数据进行预处理，再搭建基于粗糙集理论算法的评价模型。
8.根据权利要求7所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤4中的探索者更新公式如下：
Figure FDA0003382298550000083
其中，
Figure FDA0003382298550000084
表示第t次迭代中第i个麻雀在第j维度的位置，
Figure FDA0003382298550000085
表示第t+1次迭代中第i个麻雀在第j维度的位置；r2∈(0,1]，ST∈[0.5,1]分别代表预警值和安全值；α为(0,1]中均匀随机数，itermax为最大迭代次数；Q为(0,1]服从正态分布的随机数，L为每个元素全为1的矩阵；
当预警值r2小于安全值ST时，搜索者进行大范围跳跃式搜索；当预警值r2大于安全值ST时，搜索者移动到其他位置进行搜索。
9.根据权利要求8所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤5中的跟随者更新公式如下：
Figure FDA0003382298550000086
A+＝AT·(AAT)-1 (37)
式中，
Figure FDA0003382298550000087
表示t+1次迭代搜索者的最优位置，
Figure FDA0003382298550000088
表示当前全局最差位置，A表示元素为1或-1的d维矩阵。
10.根据权利要求9所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤6中的警戒者更新公式如下：
Figure FDA0003382298550000091
其中，Xbest表示全局最佳的位置，β为步长调整系数，β是一个均值为0、方差为1的正态分布随机数，k∈[-1,1]范围内的一个均匀随机数；fi是当前麻雀的适应度值；fg和fw依次为目前全局最优和最差适应度值；当fi>fg时，表示麻雀处于种群的边缘地带，非常容易被天敌所袭击；fi＝fg表明在种群中心的麻雀察觉到了被天敌袭击的危险，需要向其他麻雀靠拢。
11.根据权利要求10所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述柯西-高斯变异算法算法如下：
Figure FDA0003382298550000092
式中，
Figure FDA0003382298550000093
表示最优个体变异后的位置，σ2表示柯西-高斯变异策略；cauchy(0,σ2)是满足柯西分布的随机变量；Gauss(0,σ2)是满足高斯分布的随机变量；λ1和λ2是随迭代次数自适应调整的动态参数；在寻优过程中，λ1逐渐减少，λ2逐渐增大，使算法可以跳出当前停滞，并协调其局部开发和全局搜索的能力。
12.根据权利要求11所述的基于改进麻雀优化算法的综合能源系统优化调度方法，其特征在于，所述步骤8中的最优麻雀柯西-高斯变异后的适应度公式如下：
Figure FDA0003382298550000094
CN202111439170.6A 2021-11-30 2021-11-30 一种基于改进麻雀优化算法的综合能源系统优化调度方法 Pending CN114091780A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111439170.6A CN114091780A (zh) 2021-11-30 2021-11-30 一种基于改进麻雀优化算法的综合能源系统优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111439170.6A CN114091780A (zh) 2021-11-30 2021-11-30 一种基于改进麻雀优化算法的综合能源系统优化调度方法

Publications (1)

Publication Number Publication Date
CN114091780A true CN114091780A (zh) 2022-02-25

Family

ID=80305711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111439170.6A Pending CN114091780A (zh) 2021-11-30 2021-11-30 一种基于改进麻雀优化算法的综合能源系统优化调度方法

Country Status (1)

Country Link
CN (1) CN114091780A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819349A (zh) * 2022-04-28 2022-07-29 河北工业大学 一种多微网系统的主动配电网能量分层管理优化方法
CN115115210A (zh) * 2022-06-23 2022-09-27 武汉工程大学 一种容量优化配置方法和装置
CN115471345A (zh) * 2022-08-31 2022-12-13 中国银行股份有限公司 风险用户的筛选方法、装置、电子设备及存储介质
CN116093497A (zh) * 2022-11-21 2023-05-09 广东电网有限责任公司 一种电池热失控概率预测方法、装置、设备及存储介质
CN116454995A (zh) * 2023-04-24 2023-07-18 国网浙江省电力有限公司丽水供电公司 基于麻雀搜索算法的微电网能量优化调度方法及设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819349A (zh) * 2022-04-28 2022-07-29 河北工业大学 一种多微网系统的主动配电网能量分层管理优化方法
CN115115210A (zh) * 2022-06-23 2022-09-27 武汉工程大学 一种容量优化配置方法和装置
CN115471345A (zh) * 2022-08-31 2022-12-13 中国银行股份有限公司 风险用户的筛选方法、装置、电子设备及存储介质
CN116093497A (zh) * 2022-11-21 2023-05-09 广东电网有限责任公司 一种电池热失控概率预测方法、装置、设备及存储介质
CN116454995A (zh) * 2023-04-24 2023-07-18 国网浙江省电力有限公司丽水供电公司 基于麻雀搜索算法的微电网能量优化调度方法及设备

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
Maleki et al. Optimal sizing of autonomous hybrid photovoltaic/wind/battery power system with LPSP technology by using evolutionary algorithms
CN114091780A (zh) 一种基于改进麻雀优化算法的综合能源系统优化调度方法
CN108183500B (zh) 一种多能互补的农村微能网容量优化配置方法及装置
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN109859071B (zh) 虚拟电厂多能互补的源荷储优化配置方法
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
Zhang et al. Day-ahead optimal scheduling of a standalone solar-wind-gas based integrated energy system with and without considering thermal inertia and user comfort
CN109245093A (zh) 一种冷热电联供分布式能源站协同优化调度方法
CN114914943B (zh) 面向绿色港口岸电系统的氢储能优化配置方法
Mohammadi et al. Comparative transient assessment and optimization of battery and hydrogen energy storage systems for near-zero energy buildings
CN111668878B (zh) 一种可再生微能源网的优化配置方法和系统
CN110311371A (zh) 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法
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
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
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
Ahammed et al. Analysis of energy consumption for a hybrid green data center
CN116667325A (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN117791710A (zh) 一种基于多目标优化模型的风光储容量配置优化方法
CN119514989A (zh) 综合能源系统规划优化方法及计算设备
CN119809466A (zh) 一种工业园区综合能源系统优化方法及系统
CN112883630B (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN116972521B (zh) 基于商业楼宇太阳能光伏中央空调系统控制方法
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
Elbaz et al. Optimal sizing of a renewable energy hybrid system in Libya using integrated crow and particle swarm algorithms

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