CN114204551A - 一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备 - Google Patents

一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备 Download PDF

Info

Publication number
CN114204551A
CN114204551A CN202111415624.6A CN202111415624A CN114204551A CN 114204551 A CN114204551 A CN 114204551A CN 202111415624 A CN202111415624 A CN 202111415624A CN 114204551 A CN114204551 A CN 114204551A
Authority
CN
China
Prior art keywords
grid
electricity
cost
power
micro
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
CN202111415624.6A
Other languages
English (en)
Inventor
王盼宝
周洋
谭岭玲
柯镇宇
王卫
徐殿国
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.)
Industrial Technology Research Institute Of Heilongjiang Province
Harbin Institute of Technology
Original Assignee
Industrial Technology Research Institute Of Heilongjiang Province
Harbin Institute of Technology
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 Industrial Technology Research Institute Of Heilongjiang Province, Harbin Institute of Technology filed Critical Industrial Technology Research Institute Of Heilongjiang Province
Priority to CN202111415624.6A priority Critical patent/CN114204551A/zh
Publication of CN114204551A publication Critical patent/CN114204551A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备，所述方法通过获取用户多元负荷优化需求，所述优化需求包括最低的微电网运行费用和最低的环境污染处理成本，根据微电网优化需求及约束构建优化运行模型，对模型采用改进的多目标粒子群算法进行计算，求解出微电网双目标均满足的运行方案，输出多种运行方案后，采用最大隶属度，便可从多种运行方案中选取合适的最优运行方案。本发明改进了粒子群算法，并分别与单目标优化运行进行对比，验证了多目标优化运行方法在多能互补型微电网系统中的有效性和必要性。

Description

一种含光伏热泵的多能互补型微电网多元化优化运行方法、 设备
技术领域
本发明属于多能互补型微电网技术领域，特别是涉及一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备。
背景技术
由于可再生能源发电(风电和光伏)具有间歇性和不确定性，因此大容量直接接入公共电网会影响其电能质量与稳定运行，蕴含量巨大且可持续再生的清洁能源，无法进行大规模利用，便失去了其优点。利用多种能源替代单一种类的可再生能源成为趋势，不同的能源在空间和时间上的互补特性，可以提高供能系统的稳定性和可再生能源的利用率，便能大规模推广可再生能源的应用，减少环境污染，达到环保、经济等效果，有利于社会的可持续发展。
目前许多国家处在相同纬度，气候条件相似，大部分冬季天气寒冷，对生活热水和供暖有非常大的需求，在住宅的能耗中占比较高，但可再生能源用于供热和供冷还未进行大范围研究，应用也较少。为了综合利用多种能源，微电网是非常有效的形式。由于多能互补型微电网内有多种设备单元，能量的供需复杂，制定合适的运行方案，协调各单元的出力，有利于增强微电网整体的稳定性。多能互补型微电网的优化运行对提高多能互补型系统综合性能、推广可再生能源应用、构建可持续发展社会具有重要的现实意义。
发明内容
本发明为了解决现有技术的问题，提出了一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备，以满足微电网经济成本最低和污染处理成本最低两个优化需求。本发明改进了粒子群算法，并分别与单目标优化运行进行对比，验证了多目标优化运行方法在多能互补型微电网系统中的有效性和必要性。
本发明是通过以下技术方案实现的，本发明提出一种含光伏热泵的多能互补型微电网多元化优化运行方法，获取用户多元负荷优化需求，所述优化需求包括最低的微电网运行费用和最低的环境污染处理成本，根据微电网优化需求及约束构建优化运行模型，对模型采用改进的多目标粒子群算法进行计算，求解出微电网双目标均满足的运行方案，输出多种运行方案后，采用最大隶属度，便可从多种运行方案中选取合适的最优运行方案；
所述微电网中存在冷热电三种负荷，对所述三种负荷分别制定运行策略，具体为：
(1)供电单元运行策略
电价采用分时计价，在电价低谷时间段，蓄电池储电；在电价高峰时间段，光伏输出能供给电负荷时，净光伏用以储电，未能满足电负荷时，蓄电池放电以满足，避免在高峰时期向大电网购电；在电价平时段，蓄电池不进行充放电，净光伏功率为正时，上网售电，净光伏功率为负时，向大电网购电；
(2)供热单元运行策略
供冷季时，热负荷为洗浴热水，污水源热泵单独供热；非供冷季时，热负荷包括洗浴热水和生活热水，污水源热泵和空气源热泵共同供热；污水源热泵在洗浴时间工作，电磁锅炉辅助供热，如果热负荷还未能满足，蓄热槽释放热能供给；
(3)供冷单元运行策略
非供冷季时，蓄冷槽不工作，空气源热泵处于制热模式，污水源热泵不提供冷功率；供冷季时，空气源热泵为主要供冷设备，污水源热泵辅助供冷，因为供冷季的洗浴热水需求减少，而冷负荷增多，如果冷负荷还未能满足，蓄冷槽释放冷能供给。
进一步地，所述改进的多目标粒子群算法采用的种群更新策略迭代公式为：
Figure BDA0003375145820000021
式中，vi(k+1)表示第k+1次迭代粒子群中第i个粒子的速度，vi(k)表示第k次迭代粒子群中第i个粒子的速度，xi(k)表示第k次迭代粒子群中第i个粒子的位置，xi(k+1)表示第k+1次迭代粒子群中第i个粒子的位置，ωmax表示惯性权重的最大值，ωmin表示惯性权重的最小值，c1min、c1max分别为学习因子c1的最小值和最大值；c2min、c2max分别为学习因子c2的最小值和最大值；k为多目标粒子群算法的当前迭代次数；gen为算法设置的最大迭代次数；pi(k)为第k代种群中每个粒子的个体历史最优解；pg(k)为第k代种群的全局最优解；ω是惯性权重；i表示第i个粒子；c1、c2为学习因子；r1、r2为(0,1)区间的随机数。
进一步地，多目标优化求解时得到的是一组解，需要根据微电网运行的需求从这组解中选出一个合适的解，利用最大隶属度进行选择；对于数值小为优的成本型函数，计算公式为：
Figure BDA0003375145820000031
式中：ri1为成本型函数，fi为第i个目标函数值；Fimax、Fimin分别为第i个目标函数值的最大值和最小值。
进一步地，将遗传算法的变异操作引入多目标粒子群算法；
粒子变异的过程：产生一个(0,1)的随机数，如果随机数小于变异概率，则对粒子进行变异操作，否则不变。
进一步地，微电网运行费用包括两个方面：各设备单元的运行维护费用和微电网与公共电网交互产生的费用；典型日运行维护费用的数学表达式为：
Figure BDA0003375145820000032
式中，Fc为微电网典型日运行24小时总的运行维护费用；N为设备单元的数量：Pi,t为第i种设备第t小时消耗的功率；Ci为第i种设备的单位功率运行维护成本；Pgrid,t为第t小时微电网与公共电网的交互功率，从公共电网购电为正，向公共电网售电为负；Cp为从公共电网购电价格；Cs为向公共电网售电价格。
进一步地，产生污染气体的设备主要为公共电网，不同气体对环境的影响程度不同，将典型日产生的污染气体的治理成本最少作为目标函数，具体的数学表达式为：
Figure BDA0003375145820000033
式中，Fe为微电网典型日运行24小时产生的污染气体治理成本；k表示不同的排放气体；Wgrid,k表示电厂发电时污染气体k的生产系数；Pgrid,t表示第t小时微电网从公共电网购电的功率，售电时不需要电厂发电为0；Ck表示污染气体k的单位重量治理成本。
本发明提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种含光伏热泵的多能互补型微电网多元化优化运行方法的步骤。
附图说明
图1为多能互补型微电网结构示意图。
图2为电负荷供给运行策略示意图。
图3为热负荷供给运行策略示意图。
图4为冷负荷供给运行策略示意图。
图5为多能互补型微电网多元化优化运行流程图。
图6为供暖季运行状况示意图，其中，(a)为电负荷单元运行状况，(b)为热负荷单元运行状况。
图7为供暖季典型日经济成本示意图。
图8为环保性运行结果示意图，其中，(a)为热负荷单元，(b)为电负荷单元。
图9为供暖季污染物治理成本示意图。
图10为多能互补型微电网多目标优化的Pareto前沿示意图。
具体实施方式
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，所描述的实施例仅仅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。
结合图1-10，本发明研究对象为含光伏热泵的多能互补型微电网系统，其组成结构如图1所示，系统的能量源包含太阳能、污水热能和空气热能，满足用户冷、热、电三种负荷的多元化需求。本发明提出一种含光伏热泵的多能互补型微电网多元化优化运行方法，在约束条件下追求每个典型日最优的运行计划，具体流程如图5所示，获取用户多元负荷优化需求，所述优化需求包括最低的微电网运行费用和最低的环境污染处理成本，根据微电网优化需求及约束构建优化运行模型，对模型采用改进的多目标粒子群算法进行计算，求解出微电网双目标均满足的运行方案，输出多种运行方案后，采用最大隶属度，便可从多种运行方案中选取合适的最优运行方案；
结合能源输入和输出特性，污水源热泵回收浴池的污水热能，再利用生成热能供给用户，同时还能产生冷水用以供冷；空气源热泵利用空气中的热能制热制冷，清洁高效率。由于该微电网系统内的主要负荷为热负荷，因此，微电网采用优先满足热负荷的运行策略。
由于微电网中存在冷热电三种负荷，多种负荷导致优化过程复杂，需要对三种负荷分别制定运行策略。
所述微电网中存在冷热电三种负荷，对所述三种负荷分别制定运行策略，具体为：
(1)供电单元运行策略
电价采用分时计价，在电价低谷时间段，蓄电池储电；在电价高峰时间段，光伏输出能供给电负荷时，净光伏用以储电，未能满足电负荷时，蓄电池放电以满足，避免在高峰时期向大电网购电；在电价平时段，蓄电池不进行充放电，净光伏功率为正时，上网售电，净光伏功率为负时，向大电网购电；
(2)供热单元运行策略
供冷季时，热负荷为洗浴热水，污水源热泵单独供热；非供冷季时，热负荷包括洗浴热水和生活热水，污水源热泵和空气源热泵共同供热；污水源热泵在洗浴时间工作，即十二点到二十二点。电磁锅炉辅助供热，如果热负荷还未能满足，蓄热槽释放热能供给；
(3)供冷单元运行策略
非供冷季时，蓄冷槽不工作，空气源热泵处于制热模式，污水源热泵不提供冷功率；供冷季时，空气源热泵为主要供冷设备，污水源热泵辅助供冷，因为供冷季的洗浴热水需求减少，而冷负荷增多，如果冷负荷还未能满足，蓄冷槽释放冷能供给。
基本的粒子群算法采用的种群更新策略为线性递减的惯性权重与固定的学习因子，固定的学习因子，在算法后期，不利于全局搜索最优解，改进的迭代公式如下所示：
Figure BDA0003375145820000051
式中，vi(k+1)表示第k+1次迭代粒子群中第i个粒子的速度，vi(k)表示第k次迭代粒子群中第i个粒子的速度，xi(k)表示第k次迭代粒子群中第i个粒子的位置，xi(k+1)表示第k+1次迭代粒子群中第i个粒子的位置，ωmax表示惯性权重的最大值，ωmin表示惯性权重的最小值，c1min、c1max分别为学习因子c1的最小值和最大值；c2min、c2max分别为学习因子c2的最小值和最大值；k为多目标粒子群算法的当前迭代次数；gen为算法设置的最大迭代次数；pi(k)为第k代种群中每个粒子的个体历史最优解；pg(k)为第k代种群的全局最优解；ω是惯性权重；i表示第i个粒子；c1、c2为学习因子；r1、r2为(0,1)区间的随机数。
改进后，算法初期，迭代次数小，c1较大，c2较小，便于局部寻优；算法后期，迭代次数大，c1较小，c2较大，利于全局搜寻最优值。
所述改进的多目标粒子群算法具体为：
确立粒子的个体历史最优解后，需要采用合适的策略选取全局最优解，多目标优化问题不同于单目标优化，得到的解是互相不Pareto支配的解，无法直接筛选出唯一的全局最优解；所述改进的多目标粒子群算法采用自适应网格的策略，具体的步骤如下：
第一步：将目标函数的空间分为相同大小的目标空间；
第二步：将目标空间划分为M×M个网格；
第三步：记录外部档案中所有粒子所在网格的编号；
第四步：计算各网格中的粒子密度，当外部档案存放在某个网格中的粒子数超过1时，随机删除粒子；
第五步：根据粒子密度选取全局最优解，密度越大，选择的概率越小，反之越大。
多目标优化求解时得到的是一组解，需要根据微电网运行的需求从这组解中选出一个合适的解，利用最大隶属度进行选择；对于数值小为优的成本型函数，计算公式为：
Figure BDA0003375145820000061
式中：ri1为成本型函数，fi为第i个目标函数值；Fimax、Fimin分别为第i个目标函数值的最大值和最小值。
传统的粒子群算法存在早熟的问题，过早收敛导致求出的解不是优化问题的最优解。为了解决上述问题，在优化过程中，将遗传算法的变异操作引入多目标粒子群算法；
粒子变异的过程：产生一个(0,1)的随机数，如果随机数小于变异概率，则对粒子进行变异操作，否则不变。
微电网的运行通常以经济性最优为目标，同时考虑环保性，加入环境污染排放成本，考虑经济、环境双重目标。多能互补型微电网的目标函数包括两个方面：最低的微电网运行费用、最低的环境污染处理成本。
(1)微电网运行费用
微电网运行费用包括两个方面：各设备单元的运行维护费用和微电网与公共电网交互产生的费用；典型日运行维护费用的数学表达式为：
Figure BDA0003375145820000071
式中，Fc为微电网典型日运行24小时总的运行维护费用；N为设备单元的数量：Pi,t为第i种设备第t小时消耗的功率；Ci为第i种设备的单位功率运行维护成本；Pgrid,t为第t小时微电网与公共电网的交互功率，从公共电网购电为正，向公共电网售电为负；Cp为从公共电网购电价格；Cs为向公共电网售电价格。
(2)污染处理成本
本发明的多能互补型微电网中的各设备均是环境友好型设备，不产生污染气体，由于电厂燃烧煤炭等发电，产生污染气体的设备主要为公共电网，不同气体对环境的影响程度不同，为了更好地量化对环境的污染程度，本发明不是仅将各种气体的排放量相加，而是将典型日产生的污染气体的治理成本最少作为目标函数，具体的数学表达式为：
Figure BDA0003375145820000072
式中，Fe为微电网典型日运行24小时产生的污染气体治理成本；k表示不同的排放气体(包括二氧化碳，氮氧化物和二氧化硫等)；Wgrid,k表示电厂发电时污染气体k的生产系数；Pgrid,t表示第t小时微电网从公共电网购电的功率，售电时不需要电厂发电为0；Ck表示污染气体k的单位重量治理成本。
本发明提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种含光伏热泵的多能互补型微电网多元化优化运行方法的步骤。
针对所提出的多能互补型微电网，分为不同的典型日进行优化运行。
首先进行经济性优化，并与冷热电独立供应系统进行对比，对优化模型的经济性进行验证。供暖季运行状况如图6所示。可以看出，电负荷和热负荷未完全被满足，在电负荷晚间高峰期和热负荷午间高峰期供应不足，此典型日，失电负荷率为4.68％，失热负荷率为10％，在热负荷高峰段有短暂的不足。供暖季典型日经济成本如图7所示，成本降低明显，经计算，多能互补型微电网系统的日经济成本为298.05元，相比独立供应冷热电负荷所需的日经济成本1031.2元，经济成本降低71.10％。计算供暖季典型日各分项成本，如表1所示，可以看出，光伏发电提供了电能，降低了大部分成本。
表1供暖季典型日分项成本对比(元)
Figure BDA0003375145820000081
然后进行环保性案例分析，以环保性为目标的运行结果如图8所示，供暖季典型日污染物治理成本如图9所示，成本降低较为明显，多能互补型微网系统的日污染物治理成本为43.02元，相比独立供应冷热电负荷所需的日污染物治理成本58.58元，经计算，污染物治理成本降低39.07％。供暖季典型日的各污染气体排放量如表2所示。可以看出，相比分供系统，各种污染气体的排放量均减少了约60％，减排效益显著。
表2污染气体排放量(kg)
Figure BDA0003375145820000082
可以看出，所得到的最优运行计划是不同的，相同的运行计划不能让两个目标同时达到最优，因此，微电网的经济性和环保性双重目标优化需要进行多目标优化。
运用改进的多目标粒子群算法对运行优化模型进行求解。
优化运行所得的Pareto前沿如图10所示，表示微电网多目标优化运行问题的一组解。典型日经济成本最小时的解为经济性单目标时的解，此时，环境成本为26.85元，小于单目标优化时得到的环境成本，是由于单目标优化时限制了电冷热的失负荷率，环境成本会高于不限制失负荷率时的成本。通过计算，目标函数为(33.18,26.16)时隶属度最大，相比单目标经济优化，日经济成本增加为33.18元，但日环境处理成本降低为26.16元，验证了多目标优化的有效性。
在多能互补型微电网运行过程中，由于设备单元众多，需要对其功率的分配进行优化。基于多元负荷需求，提出了一种多能互补型微电网多目标优化运行的优化方法，采用改进的多目标粒子群算法，在约束条件下追求经济成本最低和污染处理成本最低的运行计划。
以上对本发明所提出的一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种含光伏热泵的多能互补型微电网多元化优化运行方法，其特征在于，获取用户多元负荷优化需求，所述优化需求包括最低的微电网运行费用和最低的环境污染处理成本，根据微电网优化需求及约束构建优化运行模型，对模型采用改进的多目标粒子群算法进行计算，求解出微电网双目标均满足的运行方案，输出多种运行方案后，采用最大隶属度，便可从多种运行方案中选取合适的最优运行方案；
所述微电网中存在冷热电三种负荷，对所述三种负荷分别制定运行策略，具体为：
(1)供电单元运行策略
电价采用分时计价，在电价低谷时间段，蓄电池储电；在电价高峰时间段，光伏输出能供给电负荷时，净光伏用以储电，未能满足电负荷时，蓄电池放电以满足，避免在高峰时期向大电网购电；在电价平时段，蓄电池不进行充放电，净光伏功率为正时，上网售电，净光伏功率为负时，向大电网购电；
(2)供热单元运行策略
供冷季时，热负荷为洗浴热水，污水源热泵单独供热；非供冷季时，热负荷包括洗浴热水和生活热水，污水源热泵和空气源热泵共同供热；污水源热泵在洗浴时间工作，电磁锅炉辅助供热，如果热负荷还未能满足，蓄热槽释放热能供给；
(3)供冷单元运行策略
非供冷季时，蓄冷槽不工作，空气源热泵处于制热模式，污水源热泵不提供冷功率；供冷季时，空气源热泵为主要供冷设备，污水源热泵辅助供冷，因为供冷季的洗浴热水需求减少，而冷负荷增多，如果冷负荷还未能满足，蓄冷槽释放冷能供给。
2.根据权利要求1所述的方法，其特征在于，所述改进的多目标粒子群算法采用的种群更新策略迭代公式为：
Figure FDA0003375145810000011
式中，vi(k+1)表示第k+1次迭代粒子群中第i个粒子的速度，vi(k)表示第k次迭代粒子群中第i个粒子的速度，xi(k)表示第k次迭代粒子群中第i个粒子的位置，xi(k+1)表示第k+1次迭代粒子群中第i个粒子的位置，ωmax表示惯性权重的最大值，ωmin表示惯性权重的最小值，c1min、c1max分别为学习因子c1的最小值和最大值；c2min、c2max分别为学习因子c2的最小值和最大值；k为多目标粒子群算法的当前迭代次数；gen为算法设置的最大迭代次数；pi(k)为第k代种群中每个粒子的个体历史最优解；pg(k)为第k代种群的全局最优解；ω是惯性权重；i表示第i个粒子；c1、c2为学习因子；r1、r2为(0,1)区间的随机数。
3.根据权利要求2所述的方法，其特征在于，多目标优化求解时得到的是一组解，需要根据微电网运行的需求从这组解中选出一个合适的解，利用最大隶属度进行选择；对于数值小为优的成本型函数，计算公式为：
Figure FDA0003375145810000021
式中：ri1为成本型函数，fi为第i个目标函数值；Fimax、Fimin分别为第i个目标函数值的最大值和最小值。
4.根据权利要求3所述的方法，其特征在于，将遗传算法的变异操作引入多目标粒子群算法；
粒子变异的过程：产生一个(0,1)的随机数，如果随机数小于变异概率，则对粒子进行变异操作，否则不变。
5.根据权利要求1所述的方法，其特征在于，微电网运行费用包括两个方面：各设备单元的运行维护费用和微电网与公共电网交互产生的费用；典型日运行维护费用的数学表达式为：
Figure FDA0003375145810000022
式中，Fc为微电网典型日运行24小时总的运行维护费用；N为设备单元的数量：Pi,t为第i种设备第t小时消耗的功率；Ci为第i种设备的单位功率运行维护成本；Pgrid,t为第t小时微电网与公共电网的交互功率，从公共电网购电为正，向公共电网售电为负；Cp为从公共电网购电价格；Cs为向公共电网售电价格。
6.根据权利要求1所述的方法，其特征在于，产生污染气体的设备主要为公共电网，不同气体对环境的影响程度不同，将典型日产生的污染气体的治理成本最少作为目标函数，具体的数学表达式为：
Figure FDA0003375145810000031
式中，Fe为微电网典型日运行24小时产生的污染气体治理成本；k表示不同的排放气体；Wgrid,k表示电厂发电时污染气体k的生产系数；Pgrid,t表示第t小时微电网从公共电网购电的功率，售电时不需要电厂发电为0；Ck表示污染气体k的单位重量治理成本。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
CN202111415624.6A 2021-11-25 2021-11-25 一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备 Pending CN114204551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111415624.6A CN114204551A (zh) 2021-11-25 2021-11-25 一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111415624.6A CN114204551A (zh) 2021-11-25 2021-11-25 一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备

Publications (1)

Publication Number Publication Date
CN114204551A true CN114204551A (zh) 2022-03-18

Family

ID=80649013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111415624.6A Pending CN114204551A (zh) 2021-11-25 2021-11-25 一种含光伏热泵的多能互补型微电网多元化优化运行方法、设备

Country Status (1)

Country Link
CN (1) CN114204551A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739306A (zh) * 2023-07-27 2023-09-12 华北电力大学 一种热泵负荷灵活性量化方法、系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699946A (zh) * 2014-01-13 2014-04-02 国家电网公司 利用储能系统平抑充换电站负荷和保证用电经济性的方法
CN106229964A (zh) * 2016-07-22 2016-12-14 南京工程学院 一种基于改进二进制粒子群算法的配电网故障定位方法
CN106529166A (zh) * 2016-11-04 2017-03-22 河海大学 一种基于maepso算法的区域水资源优化配置方法
CN110020466A (zh) * 2019-03-19 2019-07-16 南京理工大学 基于代理模型的负泊松比结构吸能盒协同优化设计方法
CN112329260A (zh) * 2020-11-24 2021-02-05 国网黑龙江省电力有限公司电力科学研究院 一种多能互补微网多元多目标优化配置与优化运行方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699946A (zh) * 2014-01-13 2014-04-02 国家电网公司 利用储能系统平抑充换电站负荷和保证用电经济性的方法
CN106229964A (zh) * 2016-07-22 2016-12-14 南京工程学院 一种基于改进二进制粒子群算法的配电网故障定位方法
CN106529166A (zh) * 2016-11-04 2017-03-22 河海大学 一种基于maepso算法的区域水资源优化配置方法
CN110020466A (zh) * 2019-03-19 2019-07-16 南京理工大学 基于代理模型的负泊松比结构吸能盒协同优化设计方法
CN112329260A (zh) * 2020-11-24 2021-02-05 国网黑龙江省电力有限公司电力科学研究院 一种多能互补微网多元多目标优化配置与优化运行方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LINGLING TAN等: ""Optimal Operation of Multi-energy Complementary Microgrid with Cooling Thermal and Electricity Load"", 《2021 3RD ASIA ENERGY AND ELECTRICAL ENGINEERING SYMPOSIUM(AEEES)》, pages 599 - 604 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739306A (zh) * 2023-07-27 2023-09-12 华北电力大学 一种热泵负荷灵活性量化方法、系统及设备
CN116739306B (zh) * 2023-07-27 2023-12-26 华北电力大学 一种热泵负荷灵活性量化方法、系统及设备

Similar Documents

Publication Publication Date Title
Wu et al. Multitasking multi-objective operation optimization of integrated energy system considering biogas-solar-wind renewables
Jamshidi et al. Techno-economic analysis and size optimization of an off-grid hybrid photovoltaic, fuel cell and diesel generator system
Wang et al. Multi-stage optimal energy management of multi-energy microgrid in deregulated electricity markets
CN108832656B (zh) 基于电转气和可再生能源利用微能源网多目标规划方法
CN111860937B (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
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
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
Liu et al. Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios
CN108206543A (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
CN107358345B (zh) 计及需求侧管理的分布式冷热电联供系统优化运行方法
CN112290533A (zh) 一种氢能-天然气混合储能的综合能源微电网调度方法
CN113673738B (zh) 基于供需响应与可调场景的综合能源系统优化配置方法
Yang et al. Optimal configuration of improved integrated energy system based on stepped carbon penalty response and improved power to gas
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
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
Shi et al. Research on comprehensive benefit of hydrogen storage in microgrid system
CN112257294A (zh) 一种综合能源系统的能源集线器分部建模方法及系统
CN110796279A (zh) 一种多能互补优化运行方法与系统
CN114154744A (zh) 综合能源系统的扩容规划方法、装置及电子设备
CN116468215A (zh) 计及源荷不确定性的综合能源系统调度方法及装置
Dong et al. Hierarchical multi-objective planning for integrated energy systems in smart parks considering operational characteristics
Wang et al. Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies
CN116432824A (zh) 基于多目标粒子群的综合能源系统优化方法及系统
CN111144633A (zh) 一种cchp微电网运行优化方法
CN111126675A (zh) 多能互补微网系统优化方法

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