CN114398748A - 基于水力计算和双层优化的电蓄热装置规划方法及系统 - Google Patents

基于水力计算和双层优化的电蓄热装置规划方法及系统 Download PDF

Info

Publication number
CN114398748A
CN114398748A CN202111419199.8A CN202111419199A CN114398748A CN 114398748 A CN114398748 A CN 114398748A CN 202111419199 A CN202111419199 A CN 202111419199A CN 114398748 A CN114398748 A CN 114398748A
Authority
CN
China
Prior art keywords
heat storage
storage device
heat
electric heat
electric
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
CN202111419199.8A
Other languages
English (en)
Inventor
时伟
穆佩红
谢金芳
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.)
Hangzhou Yingji Power Technology Co ltd
Jiaxing Yingji Power Technology Co ltd
Original Assignee
Hangzhou Yingji Power Technology Co ltd
Jiaxing Yingji Power Technology Co ltd
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 Hangzhou Yingji Power Technology Co ltd, Jiaxing Yingji Power Technology Co ltd filed Critical Hangzhou Yingji Power Technology Co ltd
Priority to CN202111419199.8A priority Critical patent/CN114398748A/zh
Publication of CN114398748A publication Critical patent/CN114398748A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • 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

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

Abstract

本发明公开了一种基于水力计算和双层优化的电蓄热装置规划方法及系统，包括：建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；基于水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能。本发明提供一种基于水力计算和双层优化的电蓄热装置规划方法及系统，对电蓄热装置进行合理的控制，对电蓄热装置在热力站的部署进行科学合理的规划，综合投资成本、运行费用的经济规划和热网水力平衡的因素，满足集中供热系统热电联合调度的需求。

Description

基于水力计算和双层优化的电蓄热装置规划方法及系统
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于水力计算和双层优化的电蓄热装置规划方法及系统。
背景技术
长期以来我国北方地区城镇冬季供暖以燃煤机组为主，二氧化碳等大气污染物排放量大，随着“双碳”战略的实施，绿电开发和电能替代的不断推进，以电制热方式部分代替传统燃煤集中供热取暖呈现出快速增长的趋势，利用低谷电价，将低价热能收集存储，再转移至高峰电价时段使用，可以降低电采暖的运行成本。
在集中供热系统的热力站中布置电蓄热装置，并与现有集中供热系统互补使用，具有工程可行性。电蓄热是一种广义上的储能系统，可作为时移负荷。按照蓄热介质的不同，可将电蓄热装置分为液体电蓄热装置和固体电蓄热装置，液体电蓄热装置是以水、导热油或其他物质为介质；固体电蓄热装置是储热材料内部通过热传导、辐射向外部传递热量，最终储热材料整体温度升高。
传统的蓄放热策略较为简单，对电蓄热装置没有合理的控制策略和蓄放热容量计算模型，容易出现在蓄热量不足时，室内温度无法维持，影响用户体验，另外电蓄热装置在热力站的部署没有科学合理的规划，往往考虑比较单一，忽略投资成本、运行费用的经济规划和热网水力平衡的因素，无法满足集中供热系统热电联合调度的需求。
基于上述技术问题，需要设计一种新的基于水力计算和双层优化的电蓄热装置规划方法及系统。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于水力计算和双层优化的电蓄热装置规划方法及系统，对电蓄热装置进行合理的控制，对电蓄热装置在热力站的部署进行科学合理的规划，综合投资成本、运行费用的经济规划和热网水力平衡的因素，满足集中供热系统热电联合调度的需求。
为了解决上述技术问题，本发明的技术方案是：
本发明第一方面提供了一种基于水力计算和双层优化的电蓄热装置规划方法，它包括：
步骤S1、建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；
步骤S2、在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；
步骤S3、基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度；
步骤S4、建立上层规划模型：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量；
步骤S5、建立下层规划模型：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数；
步骤S6、通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案。
进一步，所述步骤S1中，建立集中供热系统水力计算仿真模型，获知水力工况不利用户，具体包括：
建立供热管网物理模型：
以流量和管径变化处为节点，根据管网平面布置图，构建供热管网物理模型，并将实际供热管网系统中管路参数、节点参数、泵参数、阀门参数和用户参数数据输入物理模型中；
建立供热管网水力工况数学模型：
基于图论的管网拓扑结构性质，对于一个含有J个节点，N条分支的供热管网，依据节点流量平衡、回路压力平衡和各管段分支阻力建立供热管网水力工况数学模型为：
Figure RE-GDA0003528061750000021
其中，Ak为基本关联矩阵，Ak＝(aij)(J-1)×N；q为N阶分支流量列阵， qT＝(q1,q2,…,qN)；Q为J-1阶节点流量列阵，Q＝(Q1,Q2,…,Qj-1)T；Bf为独立回路矩阵，Bf＝(bij)(N-J+1)×N；ΔP为N阶分支压降列阵，ΔP＝(ΔP1,ΔP2,…,ΔPN)T；S为各管段阻力系数矩阵；Z为每个管段两节点间的高差；DH为每个管段中水泵的扬程；
求解数学模型：
建立基本关联矩阵Ak和独立回路矩阵Bf；假定链支流量，根据 qt＝At -1Q-Al -1Alql计算获得树支流量q，qt为树支流量向量，At为树支矩阵，Al为连支矩阵，ql为连支流量向量；根据Mk＝2BfS|qk|Bf T计算麦克斯韦矩阵M；根据 -MkΔql k+1＝ΔPk计算获得压降ΔP；
通过水力计算仿真模型计算出管网中各用户的站内压降，第k个用户压降最小，即为最不利用户，依据压降的数值可选取多个不利用户。
进一步，所述步骤S1中，建立集中供热系统负荷预测模型，获知大负荷用户，具体包括：
采集热力站所覆盖的供热区域中热负荷影响因素的历史数据，构建训练样本集，并对训练样本集进行预处理和归一化处理；所述热负荷影响因素至少包括室外环境、历史热负荷值和供回水温度、供回水流量；
建立神经网络预测模型，将样本数据随机划分为训练数据和测试数据，把热负荷影响因素的历史数据作为输入量，实测热负荷数据作为标准量，对神经网络预测模型进行反复训练，直到误差满足设定的要求或者达到最大迭代次数；
利用学习训练得到的神经网络预测模型对未来时刻热力站的热负荷进行预测，用以得到下一时刻热力站的热负荷需求预测值；
应用马尔科夫方法计算热负荷需求预测值与实际值相对误差的修正值，进而得到经修正后的预测值；
对集中供热系统中所有的热力站负荷分别进行预测，选取热负荷预测值最大的热力站为最大负荷用户，依据热负荷的预测值可选取多个大负荷用户。
进一步，所述步骤S2中，在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案，具体包括：
选取供热系统中不利用户和大负荷用户热力站处设置电蓄热装置；所述电蓄热装置包括蓄热装置和电转热装置，蓄热装置的蓄放热操作通过电转热装置的启停操作进行控制；
依据蓄放热特性设定电蓄热装置的运行方案，包括：在预设第一时间段启动电转热装置为电蓄热装置蓄热，在预设第二时间段启动电蓄热装置为热网供热；所述第一时间段为电价波谷时间段，所述第二时间段为电价波峰时间段；通过获取一个蓄放热周期内的分时电价预测数据，从电价最低起始时段开始，记录电价变化时刻，选取全天电价最低的低电价时段的起止时间作为电价波谷时间段，选取全天电价最高的高电价时段的起止时间作为电价波峰时间段；
设定运行方案一：
在波谷时间段的起始时刻，启动电转热装置对蓄热装置进行蓄热，当蓄热装置的热容量达到额定容量时，在进行蓄热的同时进行热网供热；在波谷时间段的截止时刻到来前，持续蓄热，若达到蓄热最大容量时，则控制电转热装置的功率，并维持蓄热最大容量，计算剩余蓄热量为总蓄热量；否则，剩余蓄热量为实际蓄热量；在波谷时间段的截止时刻到来时，关停电转热装置，仅由原有热网继续供热；
在波峰时间段的起始时刻，由蓄热装置进行放热，原有热网同时供热，预估当前时间到下一周期的波谷起始时刻所需要的的热量，若该需要的热量大于剩余蓄热量，则在波峰时间段的截止时刻之后选取剩余供热时间段内电价处于波谷时间段进行蓄热；否则，从当前时刻到波峰时间段的截止时刻，不再启动电转热装置；
设定运行方案二：
与运行方案一蓄热过程相同，仅在放热时存在区别：
在波谷时间段的起始时刻，启动电转热装置对蓄热装置进行蓄热，当蓄热装置的热容量达到额定容量时，在进行蓄热的同时进行热网供热；在波谷时间段的截止时刻到来前，持续蓄热，若达到蓄热最大容量时，则控制电转热装置的功率，并维持蓄热最大容量，计算剩余蓄热量为总蓄热量；否则，剩余蓄热量为实际蓄热量；在波谷时间段的截止时刻到来时，关停电转热装置，仅由原有热网继续供热；
在波峰时间段的起始时刻，仅由蓄热装置进行放热，预估当前时间到下一周期的波谷起始时刻所需要的的热量，若该需要的热量大于剩余蓄热量，则在蓄热装置的蓄热量全部释放之后，切换到原有热网进行供热，同时在波峰时间段的截止时刻之后选取剩余供热时间段内电价处于波谷时间段进行蓄热；否则，从当前时刻到波峰时间段的截止时刻，不再启动电转热装置；
依据电蓄热装置在不利用户和大负荷用户热力站的设置和选取的运行方案不同组合形成电蓄热装置的多种规划设计方案。
进一步，所述步骤S3中，基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度，具体包括：
当电蓄热装置在不利用户或大负荷用户热力站设置时，基于水力计算仿真模型分析不同运行方案下的热网水力工况变化，计算相应的水力计算指标、水力失调度和水泵性能，包括：
计算热网各管段的流量：
Figure RE-GDA0003528061750000051
G为管网中各管段的流量，Qn为热负荷，c为水的比热，tg、th为各管路系统中的供回水温度；
计算热网比摩阻：
Figure RE-GDA0003528061750000052
R为比摩阻，Gt为管段的水流量，d为管子内径，λ为管道内壁的摩擦阻力系数，ρ为水的密度；
计算主干线各管段的压降：ΔP＝ΔPy+ΔPj＝R(l+ld)，ΔP为管段的总阻力损失，ΔPy为管段的沿程阻力损失，ΔPj为管段的局部阻力损失，l为管段总长度，ld为当量长度；
计算水力失调度；
Figure RE-GDA0003528061750000053
x为水力失调度，Gs为热用户的实际流量，Gg为热用户的设计流量；x＝1表示实际流量等于设计流量，管网水力平衡；x＞＞1或x＜＜1表示实际流量远偏离设计值，管网严重水力失调；所有热用户x＞1或x＜1表示热用户流量值均偏大或偏小，管网一致失调；部分热用户x＞1，部分热用户x＜1，表示不一致失调；
计算水泵性能：采用插值法建立水泵扬程与流量和水泵功率与流量的关系式，表示为：H＝C1+C2Q+C3Q2；N＝C1′+C2′Q+C3′Q2；H为水泵的扬程，Q为水泵的流量，C1、C2、C3为水泵扬程与流量的性能曲线数学表达式系数，N为水泵的功率， C1′、C2′、C3′为水泵功率与流量的性能曲线数学表达式系数。
进一步，所述步骤S4中，建立上层规划模型：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量，具体包括：
电蓄热装置投资成本：
Figure RE-GDA0003528061750000054
Cr,inv为电蓄热装置供暖运行投资成本；ηp、ηs分别为电蓄热装置单位功率成本和单位容量成本；Ts、T分别电蓄热装置的寿命天数和年供暖天数；
电蓄热装置设置位置约束：xe∈Xloc；xe为电蓄热装置的设置位置，Xloc为能设置电蓄热装置的热力站节点集合；
电蓄热装置容量约束：
Figure RE-GDA0003528061750000061
Figure RE-GDA0003528061750000062
Figure RE-GDA0003528061750000063
其中，
Figure RE-GDA0003528061750000064
为蓄热装置t时刻的蓄热量，
Figure RE-GDA0003528061750000065
为蓄热装置初始蓄热量，
Figure RE-GDA0003528061750000066
蓄热量与蓄、放热功率相关，
Figure RE-GDA0003528061750000067
分别为电蓄热装置容量上下限，
Figure RE-GDA0003528061750000068
分别为蓄热装置t时刻的蓄、放热功率。
进一步，所述步骤S5中，建立下层规划模型：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数，具体包括：
步骤S51、建立电蓄热装置运行经济性目标函数：
收益包括向用户收取的供暖收益C1、节煤收益C2和减排收益C3；C1＝Sm×Pm， Sm为供暖面积，Pm为单位面积供暖费用；
Figure RE-GDA0003528061750000069
wm为节省的煤耗量，qe为电能热值，qm为标煤热值，pm为标准煤价；C3＝mco2×mb×pco2，mco2为每吨标准煤燃烧产生的二氧化碳，mb为年替代标准煤量，pco2为排污费征收标准；
成本包括初始建设成本Ch、年运维费用及人员成本Cj和年运营费用Ck； Ch＝px×Sr,h，px为电蓄热装置建设单价，Sr,h为建设的电蓄热装置容量； Cj＝Cogc×α+Crgc，Cogc为维护费用标准，α为维护费用比例，Crgc为人员工资成本； Ck＝Pgd×Qdl，Pgd为年购电平均单价，Qdl为供暖总购电总量；
经济性目标函数f表示为：
f＝w1C1+w2C2+w3C3-w4Ch-w5Cj-w6Ck；wi各部分收益/成本的权重系数；
步骤S52、建立电蓄热装置运行约束条件：
所述电蓄热装置运行约束条件包括电功率供给平衡约束、热功率供给平衡约束、电蓄热装置用电功率约束、电蓄热装置蓄放功率约束、电蓄热装置能量平衡约束和电蓄热装置蓄放热状态约束：
电功率供给平衡约束：
Figure RE-GDA00035280617500000610
Figure RE-GDA00035280617500000611
为原有供热系统热源机组的发电功率，
Figure RE-GDA0003528061750000071
为电转热装置的电能释放功率，Pload为电力负荷需求，
Figure RE-GDA0003528061750000072
为电转热装置的电能存储功率；
热功率供给平衡约束：
Figure RE-GDA0003528061750000073
Figure RE-GDA0003528061750000074
为原有供热系统热源机组的供热功率，
Figure RE-GDA0003528061750000075
为蓄热装置的供热功率，Qhload为热负荷总需求，
Figure RE-GDA0003528061750000076
为蓄热装置的蓄热功率；
电蓄热装置用电功率约束：
Figure RE-GDA0003528061750000077
Figure RE-GDA0003528061750000078
为电转热装置t时刻的用电功率，
Figure RE-GDA0003528061750000079
为电转热装置的最大电功率；
电蓄热装置蓄放功率约束：
Figure RE-GDA00035280617500000710
Figure RE-GDA00035280617500000711
分别为蓄热装置t时刻的蓄、放热功率；
Figure RE-GDA00035280617500000712
为蓄热装置的最大蓄放功率；
电蓄热装置能量平衡约束：
Figure RE-GDA00035280617500000713
Figure RE-GDA00035280617500000714
为蓄热装置t时刻的蓄热量，
Figure RE-GDA00035280617500000715
为蓄热装置t-1时刻的蓄热量，η1为蓄热装置的热量自损失率，
Figure RE-GDA00035280617500000716
为t时刻蓄热装置的蓄放热速率，Δt为一个时间间隔；
电蓄热装置蓄放热状态约束：
Figure RE-GDA00035280617500000717
Figure RE-GDA00035280617500000718
为0、1状态变量，取值1时表示电蓄热装置蓄热，取值0时表示电蓄热装置不蓄热；
Figure RE-GDA00035280617500000719
为0、1状态变量，取值1 时表示电蓄热装置放热，取值0时表示电蓄热装置不放热。
进一步，所述步骤S6中，通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案，具体包括：
步骤S61、下层规划模型中电蓄热装置的运行控制参数和上层规划模型中电蓄热装置的位置和容量相互依赖；
步骤S62、对上层规划模型采用改进粒子群算法进行求解，包括：
种群的初始化：随机初始化N个粒子的位置和速度；
初始值代入目标函数中求解每个粒子的适应度；
计算每个粒子的个体最优Pbest和全局最优gbest；
更新粒子速度和位置；
对每个粒子pi施加扰动，得到新粒子pir，从原粒子与新粒子中选择适应度值较好的N个粒子；
更新个体最优及全局最优值；
判断是否达到迭代次数Maxit，若未达到，则迭代次数加1，返回更新粒子速度和位置；否则记录内层循环输出的全局最优gbest.in
判断是否达到外层迭代次数k，若未达到k，则外层迭代次数加1，返回种群初始化，并将gbest.in替换初始化的N个粒子中的任意一个；否则结束外层循环，并输出最终的最优解；
步骤S63、将最优解，即电蓄热装置的设置位置和设置容量输入至下层规划模型中，采用改进的遗传算法对下层规划模型进行求解，包括：
输入原始参数，包括电蓄热装置的设置位置、容量、功率、种群数量、电蓄热装置的运行参数、交叉变异概率；
对染色体进行编码，使其能够反映电蓄热装置的运行状态；
在满足各项约束和编码方式的条件下，产生数量为原始两倍的初始种群；
根据适应度评价函数计算种群中个体的适应度，将适应度值较低的一半个体舍弃，保留另一半较优良的个体作为初始种群进行后续迭代计算；
进行二次适应度值计算和选择操作；
对种群中的个体采用交叉、变异概率动态自适应调整策略进行交叉、变异；
判断新生成的个体是否满足约束条件，如果不满足，则重复进行交叉、变异；
判断是否达到最大迭代次数，如果没有，则重新计算个体适应度并进行后续计算和判断；如果达到最大迭代次数，则输出适应度最大的个体作为电蓄热装置的最优规划设计方案。
进一步，在粒子群优化过程中，每一个最优结果被看成一个运动在寻优空间中的粒子，每个粒子与它的速度和位置关联，粒子的位置对应目标函数的一个解，粒子的速度决定其运动的方向和距离，粒子会跟踪自身的历史最优值和全局最优值来改变自己的运动方向，运动过程包含一定的随机性；
所述更新粒子速度和位置的表达示为：
Vid(t)＝Wrand()Vid(t-1)+c1rand()[Pbest(t-1)-Pid(t-1)]+c2rand()[gbest(t-1)-pid(t-1)]
；pid(t)＝pid(t-1)+Vid(t)；
其中，t是当前迭代次数，Vid(t)是粒子速度，w是惯性权重，c1、c2是加速因子， Pbest(t-1)和gbest(t-1)分别为个体最优和全局最优，pid(t)是粒子位置；
Figure RE-GDA0003528061750000081
λ1、λ2为控制因子，μ为当前迭代次数，Maxit为最终迭代次数；
所述对每个粒子pi施加扰动，得到新粒子pir，包括：
Figure RE-GDA0003528061750000082
α为扰动系数，N(0,1)为服从标准正太分布的随机数，fz(·)为含惩函数项的适应度函数；
所述对种群中的个体采用交叉、变异概率动态自适应调整策略进行交叉、变异，包括：
Figure RE-GDA0003528061750000091
其中，pcmax、pcmin分别为设定的交叉概率的上下限；fmax、favg分别为整个种群的平均适应度；f1为选择进行交叉操作的两个个体中适应度值较大的个体的适应度值；
Figure RE-GDA0003528061750000092
其中，pmmax、pmmin分别为设定的变异概率的上下限；f1为要变异个体的适应度值。
本发明第二方面还提供了一种基于水力计算和双层优化的电蓄热装置规划系统，它包括：
用户确定单元：建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；
方案形成单元：在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；
水力计算单元：基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度；
上层规划模型建立单元：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量；
下层规划模型建立单元：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数；
双层模型求解单元：通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案。
本发明的有益效果是：
(1)本发明通过在不利用户、大负荷用户热力站中加装电蓄热装置，实现供热系统的热电互补，采用电蓄热装置可以对负荷进行分配，缓解供热负荷压力，同时通过构建电转热装置的启停控制策略和各时段电蓄热装置的蓄放热容量计算模型，利用峰谷电价的差异，使得在电价波谷区域进行蓄热操作，在电价波峰区域进行放热操作，从而降低系统运行成本，提升经济效益，实现节能降耗，削峰填谷的效果；
(2)本发明通过建立水力仿真模型，一方面能够确定水力工况不利用户，另一方面能够计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度，对于不同规划设计方案进行初步评估筛选；
(3)本发明通过建立上层和下层规划模型，建立相应的目标函数和约束条件，对电蓄热装置的设置位置、容量、运行控制参数进行优化，有利于综合得出电蓄热装置最优规划设计方案；并且上层和下层规划模型之间具有关联，通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案，使得电蓄热装置的规划设计得到了合理的配置优化，从而提高了集中供热系统运行的经济性；
(4)本发明在对上层规划模型采用改进粒子群算法进行求解的过程中，改进的粒子群算法采用双层循环结构，并增加了扰动环节，惯性权重采用非线性递减策略，使得算法在前期具有较好的全局搜索能力，后期具有较好的局部搜索性能，将内层最优作为外层循环初始化的一个粒子，对内层聚集程度较高的种群在空间内进行了重新分布，防止种群陷入局部最优，同时加入的扰动环节也是为了防止陷入局部最优；
(5)本发明在对下层规划模型采用改进遗传算法进行求解的过程中，改进的遗传算法中一方面先随机产生数量两倍于原始的初始种群，然后对所有个体使用适应度函数进行一次计算，将这些个体中，适应度值较低的一半个体舍弃，将另一半较优良的个体作为初始种群进行后续的迭代计算，改进后的初始种群数量与原始相同，且留下的个体都是适应度值较高的部分，这样在进行潮流计算时，收敛速度就会加快，从而使得整体算法的全局收敛性和收敛速度得到有效提升；另一方面采用交叉概率动态自适应调整，对不同的个体，选择不同的概率进行交叉操作，对于优秀个体，则提高交叉概率，而对于不良个体，则降低其交叉概率，从而尽可能保留优良基因，动态自适应的调节交叉概率，可以有效提升遗传算法的计算速度和全局寻优能力；同样采用变异概率动态自适应调整，对于优良度不同的个体，进行自适应调节，适应度低的个体其基因变异率高，而适应度较高的个体其基因变异率低，若适应度值远远高出平均适应度值，则不进行变异操作，提高算法收敛的速度，同样有效提升遗传算法的计算速度和全局寻优能力。
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为本发明一种基于水力计算和双层优化的电蓄热装置规划方法流程图；
图2为本发明集中供暖系统供热管网示意图；
图3为本发明电蓄热装置规划示意图；
图4为本发明改进粒子群算法流程图；
图5为本发明改进遗传算法流程图；
图6为本发明一种基于水力计算和双层优化的电蓄热装置规划系统结构示意图。
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是本发明所涉及的一种基于水力计算和双层优化的电蓄热装置规划方法流程图。
如图1所示，本实施例1提供了一种基于水力计算和双层优化的电蓄热装置规划方法，它包括：
步骤S1、建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；
步骤S2、在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；
步骤S3、基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度；
步骤S4、建立上层规划模型：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量；
步骤S5、建立下层规划模型：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数；
步骤S6、通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案。
图2是本发明所涉及的集中供暖系统供热管网示意图，其中，1、热源机组，2、波动式热源，3、热力站，4、波动式热力站，5、调节阀，6、泵，7、换热器，8、建筑物。
图3是本发明所涉及的电蓄热装置规划示意图，其中，9、最大负荷用户，10、最不利用户。
如图2、3所示，本实施例中，所述步骤S1中，建立集中供热系统水力计算仿真模型，获知水力工况不利用户，具体包括：
建立供热管网物理模型：
以流量和管径变化处为节点，根据管网平面布置图，构建供热管网物理模型，并将实际供热管网系统中管路参数、节点参数、泵参数、阀门参数和用户参数数据输入物理模型中；
建立供热管网水力工况数学模型：
基于图论的管网拓扑结构性质，对于一个含有J个节点，N条分支的供热管网，依据节点流量平衡、回路压力平衡和各管段分支阻力建立供热管网水力工况数学模型为：
Figure RE-GDA0003528061750000121
其中，Ak为基本关联矩阵，Ak＝(aij)(J-1)×N；q为N阶分支流量列阵， qT＝(q1,q2,…,qN)；Q为J-1阶节点流量列阵，Q＝(Q1,Q2,…,Qj-1)T；Bf为独立回路矩阵，Bf＝(bij)(N-J+1)×N；ΔP为N阶分支压降列阵，ΔP＝(ΔP1,ΔP2,…,ΔPN)T；S为各管段阻力系数矩阵；Z为每个管段两节点间的高差；DH为每个管段中水泵的扬程；
求解数学模型：
建立基本关联矩阵Ak和独立回路矩阵Bf；假定链支流量，根据 qt＝At -1Q-Al -1Alql计算获得树支流量q，qt为树支流量向量，At为树支矩阵，Al为连支矩阵，ql为连支流量向量；根据Mk＝2BfS|qk|Bf T计算麦克斯韦矩阵M；根据 -MkΔql k+1＝ΔPk计算获得压降ΔP；
通过水力计算仿真模型计算出管网中各用户的站内压降，第k个用户压降最小，即为最不利用户，依据压降的数值可选取多个不利用户。
本实施例中，所述步骤S1中，建立集中供热系统负荷预测模型，获知大负荷用户，具体包括：
采集热力站所覆盖的供热区域中热负荷影响因素的历史数据，构建训练样本集，并对训练样本集进行预处理和归一化处理；所述热负荷影响因素至少包括室外环境、历史热负荷值和供回水温度、供回水流量；
建立神经网络预测模型，将样本数据随机划分为训练数据和测试数据，把热负荷影响因素的历史数据作为输入量，实测热负荷数据作为标准量，对神经网络预测模型进行反复训练，直到误差满足设定的要求或者达到最大迭代次数；
利用学习训练得到的神经网络预测模型对未来时刻热力站的热负荷进行预测，用以得到下一时刻热力站的热负荷需求预测值；
应用马尔科夫方法计算热负荷需求预测值与实际值相对误差的修正值，进而得到经修正后的预测值；
对集中供热系统中所有的热力站负荷分别进行预测，选取热负荷预测值最大的热力站为最大负荷用户，依据热负荷的预测值可选取多个大负荷用户。
本实施例中，所述步骤S2中，在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案，具体包括：
选取供热系统中不利用户和大负荷用户热力站处设置电蓄热装置；所述电蓄热装置包括蓄热装置和电转热装置，蓄热装置的蓄放热操作通过电转热装置的启停操作进行控制；
依据蓄放热特性设定电蓄热装置的运行方案，包括：在预设第一时间段启动电转热装置为电蓄热装置蓄热，在预设第二时间段启动电蓄热装置为热网供热；所述第一时间段为电价波谷时间段，所述第二时间段为电价波峰时间段；通过获取一个蓄放热周期内的分时电价预测数据，从电价最低起始时段开始，记录电价变化时刻，选取全天电价最低的低电价时段的起止时间作为电价波谷时间段，选取全天电价最高的高电价时段的起止时间作为电价波峰时间段；
设定运行方案一：
在波谷时间段的起始时刻，启动电转热装置对蓄热装置进行蓄热，当蓄热装置的热容量达到额定容量时，在进行蓄热的同时进行热网供热；在波谷时间段的截止时刻到来前，持续蓄热，若达到蓄热最大容量时，则控制电转热装置的功率，并维持蓄热最大容量，计算剩余蓄热量为总蓄热量；否则，剩余蓄热量为实际蓄热量；在波谷时间段的截止时刻到来时，关停电转热装置，仅由原有热网继续供热；
在波峰时间段的起始时刻，由蓄热装置进行放热，原有热网同时供热，预估当前时间到下一周期的波谷起始时刻所需要的的热量，若该需要的热量大于剩余蓄热量，则在波峰时间段的截止时刻之后选取剩余供热时间段内电价处于波谷时间段进行蓄热；否则，从当前时刻到波峰时间段的截止时刻，不再启动电转热装置；
设定运行方案二：
与运行方案一蓄热过程相同，仅在放热时存在区别：
在波谷时间段的起始时刻，启动电转热装置对蓄热装置进行蓄热，当蓄热装置的热容量达到额定容量时，在进行蓄热的同时进行热网供热；在波谷时间段的截止时刻到来前，持续蓄热，若达到蓄热最大容量时，则控制电转热装置的功率，并维持蓄热最大容量，计算剩余蓄热量为总蓄热量；否则，剩余蓄热量为实际蓄热量；在波谷时间段的截止时刻到来时，关停电转热装置，仅由原有热网继续供热；
在波峰时间段的起始时刻，仅由蓄热装置进行放热，预估当前时间到下一周期的波谷起始时刻所需要的的热量，若该需要的热量大于剩余蓄热量，则在蓄热装置的蓄热量全部释放之后，切换到原有热网进行供热，同时在波峰时间段的截止时刻之后选取剩余供热时间段内电价处于波谷时间段进行蓄热；否则，从当前时刻到波峰时间段的截止时刻，不再启动电转热装置；
依据电蓄热装置在不利用户和大负荷用户热力站的设置和选取的运行方案不同组合形成电蓄热装置的多种规划设计方案。
需要说明的是，不利用户选取个数和大负荷用户的选取个数依据实际的计算结果选取，除了不利用户和大负荷用户之外，针对特殊用户处也可以设置电蓄热装置。
本实施例中，所述步骤S3中，基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度，具体包括：
当电蓄热装置在不利用户或大负荷用户热力站设置时，基于水力计算仿真模型分析不同运行方案下的热网水力工况变化，计算相应的水力计算指标、水力失调度和水泵性能，包括：
计算热网各管段的流量：
Figure RE-GDA0003528061750000151
G为管网中各管段的流量，Qn为热负荷，c为水的比热，tg、th为各管路系统中的供回水温度；
计算热网比摩阻：
Figure RE-GDA0003528061750000152
R为比摩阻，Gt为管段的水流量，d为管子内径，λ为管道内壁的摩擦阻力系数，ρ为水的密度；
计算主干线各管段的压降：ΔP＝ΔPy+ΔPj＝R(l+ld)，ΔP为管段的总阻力损失，ΔPy为管段的沿程阻力损失，ΔPj为管段的局部阻力损失，l为管段总长度，ld为当量长度；
计算水力失调度；
Figure RE-GDA0003528061750000153
x为水力失调度，Gs为热用户的实际流量，Gg为热用户的设计流量；x＝1表示实际流量等于设计流量，管网水力平衡；x＞＞1或x＜＜1表示实际流量远偏离设计值，管网严重水力失调；所有热用户x＞1或x＜1表示热用户流量值均偏大或偏小，管网一致失调；部分热用户x＞1，部分热用户x＜1，表示不一致失调；
计算水泵性能：采用插值法建立水泵扬程与流量和水泵功率与流量的关系式，表示为：H＝C1+C2Q+C3Q2；N＝C1′+C2′Q+C3′Q2；H为水泵的扬程，Q为水泵的流量，C1、C2、C3为水泵扬程与流量的性能曲线数学表达式系数，N为水泵的功率， C1′、C2′、C3′为水泵功率与流量的性能曲线数学表达式系数。
本实施例中，所述步骤S4中，建立上层规划模型：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量，具体包括：
电蓄热装置投资成本：
Figure RE-GDA0003528061750000161
Cr,inv为电蓄热装置供暖运行投资成本；ηp、ηs分别为电蓄热装置单位功率成本和单位容量成本；Ts、T分别电蓄热装置的寿命天数和年供暖天数；
电蓄热装置设置位置约束：xe∈Xloc；xe为电蓄热装置的设置位置，Xloc为能设置电蓄热装置的热力站节点集合；
电蓄热装置容量约束：
Figure RE-GDA0003528061750000162
Figure RE-GDA0003528061750000163
Figure RE-GDA0003528061750000164
其中，
Figure RE-GDA0003528061750000165
为蓄热装置t时刻的蓄热量，
Figure RE-GDA0003528061750000166
为蓄热装置初始蓄热量，
Figure RE-GDA0003528061750000167
蓄热量与蓄、放热功率相关，
Figure RE-GDA0003528061750000168
分别为电蓄热装置容量上下限，
Figure RE-GDA0003528061750000169
分别为蓄热装置t时刻的蓄、放热功率。
本实施例中，所述步骤S5中，建立下层规划模型：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数，具体包括：
步骤S51、建立电蓄热装置运行经济性目标函数：
收益包括向用户收取的供暖收益C1、节煤收益C2和减排收益C3；
C1＝Sm×Pm，Sm为供暖面积，Pm为单位面积供暖费用；
Figure RE-GDA00035280617500001610
wm为节省的煤耗量，qe为电能热值，qm为标煤热值，pm为标准煤价；
C3＝mco2×mb×pco2，mco2为每吨标准煤燃烧产生的二氧化碳，mb为年替代标准煤量，pco2为排污费征收标准；
成本包括初始建设成本Ch、年运维费用及人员成本Cj和年运营费用Ck；
Ch＝px×Sr,h，px为电蓄热装置建设单价，Sr,h为建设的电蓄热装置容量；
Cj＝Cogc×α+Crgc，Cogc为维护费用标准，α为维护费用比例，Crgc为人员工资成本；
Ck＝Pgd×Qdl，Pgd为年购电平均单价，Qdl为供暖总购电总量；
经济性目标函数f表示为：
f＝w1C1+w2C2+w3C3-w4Ch-w5Cj-w6Ck；wi各部分收益/成本的权重系数；
步骤S52、建立电蓄热装置运行约束条件：
所述电蓄热装置运行约束条件包括电功率供给平衡约束、热功率供给平衡约束、电蓄热装置用电功率约束、电蓄热装置蓄放功率约束、电蓄热装置能量平衡约束和电蓄热装置蓄放热状态约束；
电功率供给平衡约束：
Figure RE-GDA0003528061750000171
Figure RE-GDA0003528061750000172
为原有供热系统热源机组的发电功率，
Figure RE-GDA0003528061750000173
为电转热装置的电能释放功率，Pload为电力负荷需求，
Figure RE-GDA0003528061750000174
为电转热装置的电能存储功率；
热功率供给平衡约束：
Figure RE-GDA0003528061750000175
Figure RE-GDA0003528061750000176
为原有供热系统热源机组的供热功率，
Figure RE-GDA0003528061750000177
为蓄热装置的供热功率，Qhload为热负荷总需求，
Figure RE-GDA0003528061750000178
为蓄热装置的蓄热功率；
电蓄热装置用电功率约束：
Figure RE-GDA0003528061750000179
Figure RE-GDA00035280617500001710
为电转热装置t时刻的用电功率，
Figure RE-GDA00035280617500001711
为电转热装置的最大电功率；
电蓄热装置蓄放功率约束：
Figure RE-GDA00035280617500001712
Figure RE-GDA00035280617500001713
分别为蓄热装置t时刻的蓄、放热功率；
Figure RE-GDA00035280617500001714
为蓄热装置的最大蓄放功率；
电蓄热装置能量平衡约束：
Figure RE-GDA00035280617500001715
Figure RE-GDA00035280617500001716
为蓄热装置t时刻的蓄热量，
Figure RE-GDA00035280617500001717
为蓄热装置t-1时刻的蓄热量，η1为蓄热装置的热量自损失率，
Figure RE-GDA00035280617500001718
为t时刻蓄热装置的蓄放热速率，Δt为一个时间间隔；
电蓄热装置蓄放热状态约束：
Figure RE-GDA00035280617500001719
Figure RE-GDA00035280617500001720
为0、1状态变量，取值1时表示电蓄热装置蓄热，取值0时表示电蓄热装置不蓄热；
Figure RE-GDA00035280617500001721
为0、1状态变量，取值1 时表示电蓄热装置放热，取值0时表示电蓄热装置不放热。
需要说明的是，下层规划模型中目标函数除了电蓄热装置运行经济性之外，还可考虑能效性、安全性和可靠性，若设置多个目标函数，则在后续的求解过程中需要进行多目标求解。
图4是本发明所涉及的改进粒子群算法流程图。
图5是本发明所涉及的改进遗传算法流程图。
如图4、5所示，本实施例中，所述步骤S6中，通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案，具体包括：
步骤S61、下层规划模型中电蓄热装置的运行控制参数和上层规划模型中电蓄热装置的位置和容量相互依赖；
步骤S62、对上层规划模型采用改进粒子群算法进行求解，包括：
种群的初始化：随机初始化N个粒子的位置和速度；
初始值代入目标函数中求解每个粒子的适应度；
计算每个粒子的个体最优Pbest和全局最优gbest；
更新粒子速度和位置；
对每个粒子pi施加扰动，得到新粒子pir，从原粒子与新粒子中选择适应度值较好的N个粒子；
更新个体最优及全局最优值；
判断是否达到迭代次数Maxit，若未达到，则迭代次数加1，返回更新粒子速度和位置；否则记录内层循环输出的全局最优gbest.in
判断是否达到外层迭代次数k，若未达到k，则外层迭代次数加1，返回种群初始化，并将gbest.in替换初始化的N个粒子中的任意一个；否则结束外层循环，并输出最终的最优解；
步骤S63、将最优解，即电蓄热装置的设置位置和设置容量输入至下层规划模型中，采用改进的遗传算法对下层规划模型进行求解，包括：
输入原始参数，包括电蓄热装置的设置位置、容量、功率、种群数量、电蓄热装置的运行参数、交叉变异概率；
对染色体进行编码，使其能够反映电蓄热装置的运行状态；
在满足各项约束和编码方式的条件下，产生数量为原始两倍的初始种群；
根据适应度评价函数计算种群中个体的适应度，将适应度值较低的一半个体舍弃，保留另一半较优良的个体作为初始种群进行后续迭代计算；
进行二次适应度值计算和选择操作；
对种群中的个体采用交叉、变异概率动态自适应调整策略进行交叉、变异；
判断新生成的个体是否满足约束条件，如果不满足，则重复进行交叉、变异；
判断是否达到最大迭代次数，如果没有，则重新计算个体适应度并进行后续计算和判断；如果达到最大迭代次数，则输出适应度最大的个体作为电蓄热装置的最优规划设计方案。
本实施例中，所述更新粒子速度和位置，包括：
在粒子群优化过程中，每一个最优结果被看成一个运动在寻优空间中的粒子，每个粒子与它的速度和位置关联，粒子的位置对应目标函数的一个解，粒子的速度决定其运动的方向和距离，粒子会跟踪自身的历史最优值和全局最优值来改变自己的运动方向，运动过程包含一定的随机性；
更新粒子速度和位置表达式为：
Vid(t)＝Wrand()Vid(t-1)+c1rand()[Pbest(t-1)-Pid(t-1)]+c2rand()[gbest(t-1)-pid(t-1)] ；pid(t)＝pid(t-1)+Vid(t)；
其中，t是当前迭代次数，Vid(t)是粒子速度，w是惯性权重，c1、c2是加速因子， Pbest(t-1)和gbest(t-1)分别为个体最优和全局最优，pid(t)是粒子位置；
Figure RE-GDA0003528061750000191
λ1、λ2为控制因子，μ为当前迭代次数，Maxit为最终迭代次数；
所述对每个粒子pi施加扰动，得到新粒子pir，包括：
Figure RE-GDA0003528061750000192
α为扰动系数，N(0,1)为服从标准正太分布的随机数，fz(·)为含惩函数项的适应度函数；
所述对种群中的个体采用交叉、变异概率动态自适应调整策略进行交叉、变异，包括：
Figure RE-GDA0003528061750000193
其中，pcmax、pcmin分别为设定的交叉概率的上下限；fmax、favg分别为整个种群的平均适应度；f1为选择进行交叉操作的两个个体中适应度值较大的个体的适应度值；
Figure RE-GDA0003528061750000194
其中，pmmax、pmmin分别为设定的变异概率的上下限；f1为要变异个体的适应度值。
实施例2
图6是本发明所涉及的一种基于水力计算和双层优化的电蓄热装置规划系统结构示意图。
如图6所示，本实施例2提供了一种基于水力计算和双层优化的电蓄热装置规划系统，它包括：
用户确定单元：建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；
方案形成单元：在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；
水力计算单元：基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度；
上层规划模型建立单元：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量；
下层规划模型建立单元：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数；
双层模型求解单元：通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案。
本发明通过在不利用户、大负荷用户热力站中加装电蓄热装置，实现供热系统的热电互补，采用电蓄热装置可以对负荷进行分配，缓解供热负荷压力，同时通过构建电转热装置的启停控制策略和各时段电蓄热装置的蓄放热容量计算模型，利用峰谷电价的差异，使得在电价波谷区域进行蓄热操作，在电价波峰区域进行放热操作，从而降低系统运行成本，提升经济效益，实现节能降耗，削峰填谷的效果。
本发明通过建立水力仿真模型，一方面能够确定水力工况不利用户，另一方面能够计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度，对于不同规划设计方案进行初步评估筛选。
本发明通过建立上层和下层规划模型，建立相应的目标函数和约束条件，对电蓄热装置的设置位置、容量、运行控制参数进行优化，有利于综合得出电蓄热装置最优规划设计方案；并且上层和下层规划模型之间具有关联，通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案，使得电蓄热装置的规划设计得到了合理的配置优化，从而提高了集中供热系统运行的经济性。
本发明在对上层规划模型采用改进粒子群算法进行求解的过程中，改进的粒子群算法采用双层循环结构，并增加了扰动环节，惯性权重采用非线性递减策略，使得算法在前期具有较好的全局搜索能力，后期具有较好的局部搜索性能，将内层最优作为外层循环初始化的一个粒子，对内层聚集程度较高的种群在空间内进行了重新分布，防止种群陷入局部最优，同时加入的扰动环节也是为了防止陷入局部最优。
本发明在对下层规划模型采用改进遗传算法进行求解的过程中，改进的遗传算法中一方面先随机产生数量两倍于原始的初始种群，然后对所有个体使用适应度函数进行一次计算，将这些个体中，适应度值较低的一半个体舍弃，将另一半较优良的个体作为初始种群进行后续的迭代计算，改进后的初始种群数量与原始相同，且留下的个体都是适应度值较高的部分，这样在进行潮流计算时，收敛速度就会加快，从而使得整体算法的全局收敛性和收敛速度得到有效提升；另一方面采用交叉概率动态自适应调整，对不同的个体，选择不同的概率进行交叉操作，对于优秀个体，则提高交叉概率，而对于不良个体，则降低其交叉概率，从而尽可能保留优良基因，动态自适应的调节交叉概率，可以有效提升遗传算法的计算速度和全局寻优能力；同样采用变异概率动态自适应调整，对于优良度不同的个体，进行自适应调节，适应度低的个体其基因变异率高，而适应度较高的个体其基因变异率低，若适应度值远远高出平均适应度值，则不进行变异操作，提高算法收敛的速度，同样有效提升遗传算法的计算速度和全局寻优能力。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统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系统、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，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。
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 (10)

1.一种基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，它包括：
步骤S1、建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；
步骤S2、在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；
步骤S3、基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度；
步骤S4、建立上层规划模型：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量；
步骤S5、建立下层规划模型：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数；
步骤S6、通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案。
2.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S1中，建立集中供热系统水力计算仿真模型，获知水力工况不利用户，具体包括：
建立供热管网物理模型：
以流量和管径变化处为节点，根据管网平面布置图，构建供热管网物理模型，并将实际供热管网系统中管路参数、节点参数、泵参数、阀门参数和用户参数数据输入物理模型中；
建立供热管网水力工况数学模型：
基于图论的管网拓扑结构性质，对于一个含有J个节点，N条分支的供热管网，依据节点流量平衡、回路压力平衡和各管段分支阻力建立供热管网水力工况数学模型为：
Figure RE-FDA0003528061740000021
其中，Ak为基本关联矩阵，Ak＝(aij)(J-1)×N；q为N阶分支流量列阵，qT＝(q1,q2,…,qN)；Q为J-1阶节点流量列阵，Q＝(Q1,Q2,…,Qj-1)T；Bf为独立回路矩阵，Bf＝(bij)(N-J+1)×N；ΔP为N阶分支压降列阵，ΔP＝(ΔP1,ΔP2,…,ΔPN)T；S为各管段阻力系数矩阵；Z为每个管段两节点间的高差；DH为每个管段中水泵的扬程；
求解数学模型：
建立基本关联矩阵Ak和独立回路矩阵Bf；
假定链支流量，根据qt＝At -1Q-Al -1Alql计算获得树支流量q，其中，qt为树支流量向量，At为树支矩阵，Al为连支矩阵，ql为连支流量向量；
根据Mk＝2BfS|qk|Bf T计算麦克斯韦矩阵M；
根据-MkΔql k+1＝ΔPk计算获得压降ΔP；
通过水力计算仿真模型计算出管网中各用户的站内压降，第k个用户压降最小，即为最不利用户，依据压降的数值可选取多个不利用户。
3.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S1中，建立集中供热系统负荷预测模型，获知大负荷用户，具体包括：
采集热力站所覆盖的供热区域中热负荷影响因素的历史数据，构建训练样本集，并对所述训练样本集进行预处理和归一化处理；所述热负荷影响因素至少包括室外环境、历史热负荷值和供回水温度、供回水流量；
建立神经网络预测模型，将样本数据随机划分为训练数据和测试数据，把热负荷影响因素的历史数据作为输入量，实测热负荷数据作为标准量，对神经网络预测模型进行反复训练，直到误差满足设定的要求或者达到最大迭代次数；
利用学习训练得到的神经网络预测模型对未来时刻热力站的热负荷进行预测，用以得到下一时刻热力站的热负荷需求预测值；
应用马尔科夫方法计算热负荷需求预测值与实际值相对误差的修正值，进而得到经修正后的预测值；
对集中供热系统中所有的热力站负荷分别进行预测，选取热负荷预测值最大的热力站为最大负荷用户，依据热负荷的预测值可选取多个大负荷用户。
4.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S2中，在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案，具体包括：
选取供热系统中不利用户和大负荷用户热力站处设置电蓄热装置；所述电蓄热装置包括蓄热装置和电转热装置，所述蓄热装置的蓄放热操作通过电转热装置的启停操作进行控制；
依据蓄放热特性设定电蓄热装置的运行方案，包括：在预设第一时间段启动电转热装置为电蓄热装置蓄热，在预设第二时间段启动电蓄热装置为热网供热；所述第一时间段为电价波谷时间段，所述第二时间段为电价波峰时间段；通过获取一个蓄放热周期内的分时电价预测数据，从电价最低起始时段开始，记录电价变化时刻，选取全天电价最低的低电价时段的起止时间作为电价波谷时间段，选取全天电价最高的高电价时段的起止时间作为电价波峰时间段；
设定运行方案一：
在波谷时间段的起始时刻，启动电转热装置对蓄热装置进行蓄热，当蓄热装置的热容量达到额定容量时，在进行蓄热的同时进行热网供热；在波谷时间段的截止时刻到来前，持续蓄热，若达到蓄热最大容量时，则控制电转热装置的功率，并维持蓄热最大容量，计算剩余蓄热量为总蓄热量；否则，剩余蓄热量为实际蓄热量；在波谷时间段的截止时刻到来时，关停电转热装置，仅由原有热网继续供热；
在波峰时间段的起始时刻，由蓄热装置进行放热，原有热网同时供热，预估当前时间到下一周期的波谷起始时刻所需要的热量，若该需要的热量大于剩余蓄热量，则在波峰时间段的截止时刻之后选取剩余供热时间段内电价处于波谷时间段进行蓄热；否则，从当前时刻到波峰时间段的截止时刻，不再启动电转热装置；
设定运行方案二：
在波谷时间段的起始时刻，启动电转热装置对蓄热装置进行蓄热，当蓄热装置的热容量达到额定容量时，在进行蓄热的同时进行热网供热；在波谷时间段的截止时刻到来前，持续蓄热，若达到蓄热最大容量时，则控制电转热装置的功率，并维持蓄热最大容量，计算剩余蓄热量为总蓄热量；否则，剩余蓄热量为实际蓄热量；在波谷时间段的截止时刻到来时，关停电转热装置，仅由原有热网继续供热；
在波峰时间段的起始时刻，仅由蓄热装置进行放热，预估当前时间到下一周期的波谷起始时刻所需要的的热量，若该需要的热量大于剩余蓄热量，则在蓄热装置的蓄热量全部释放之后，切换到原有热网进行供热，同时在波峰时间段的截止时刻之后选取剩余供热时间段内电价处于波谷时间段进行蓄热；否则，从当前时刻到波峰时间段的截止时刻，不再启动电转热装置；
依据电蓄热装置在不利用户和大负荷用户热力站的设置和选取的运行方案不同组合形成电蓄热装置的多种规划设计方案。
5.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S3中，基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度，具体包括：
当电蓄热装置在不利用户或大负荷用户热力站设置时，基于水力计算仿真模型分析不同运行方案下的热网水力工况变化，计算相应的水力计算指标、水力失调度和水泵性能，包括：
计算热网各管段的流量：
Figure RE-FDA0003528061740000041
G为管网中各管段的流量，Qn为热负荷，c为水的比热，tg、th为各管路系统中的供回水温度；
计算热网比摩阻：
Figure RE-FDA0003528061740000042
R为比摩阻，Gt为管段的水流量，d为管子内径，λ为管道内壁的摩擦阻力系数，ρ为水的密度；
计算主干线各管段的压降：ΔP＝ΔPy+ΔPj＝R(l+ld)，ΔP为管段的总阻力损失，ΔPy为管段的沿程阻力损失，ΔPj为管段的局部阻力损失，l为管段总长度，ld为当量长度；
计算水力失调度；
Figure RE-FDA0003528061740000043
x为水力失调度，Gs为热用户的实际流量，Gg为热用户的设计流量；x＝1表示实际流量等于设计流量，管网水力平衡；x＞＞1或x＜＜1表示实际流量远偏离设计值，管网严重水力失调；所有热用户x＞1或x＜1表示热用户流量值均偏大或偏小，管网一致失调；部分热用户x＞1，部分热用户x＜1，表示不一致失调；
计算水泵性能：采用插值法建立水泵扬程与流量以及水泵功率与流量的关系式，表示为：
H＝C1+C2Q+C3Q2；N＝C1′+C2′Q+C3′Q2；
其中，H为水泵的扬程，Q为水泵的流量，C1、C2、C3为水泵扬程与流量的性能曲线数学表达式系数，N为水泵的功率，C1′、C2′、C3′为水泵功率与流量的性能曲线数学表达式系数。
6.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S4中，建立上层规划模型：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量，具体包括：
电蓄热装置投资成本：
Figure RE-FDA0003528061740000051
Cr,inv为电蓄热装置供暖运行投资成本；ηp、ηs分别为电蓄热装置单位功率成本和单位容量成本；Ts、T分别电蓄热装置的寿命天数和年供暖天数；
电蓄热装置设置位置约束：xe∈Xloc；xe为电蓄热装置的设置位置，Xloc为能设置电蓄热装置的热力站节点集合；
电蓄热装置容量约束：
Figure RE-FDA0003528061740000052
Figure RE-FDA0003528061740000053
Figure RE-FDA0003528061740000054
其中，
Figure RE-FDA0003528061740000055
为蓄热装置t时刻的蓄热量，
Figure RE-FDA0003528061740000056
为蓄热装置初始蓄热量，
Figure RE-FDA0003528061740000057
蓄热量与蓄、放热功率相关，
Figure RE-FDA0003528061740000058
分别为电蓄热装置容量上下限，
Figure RE-FDA0003528061740000059
分别为蓄热装置t时刻的蓄、放热功率。
7.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S5中，建立下层规划模型：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数，具体包括：
步骤S51、建立电蓄热装置运行经济性目标函数：
收益包括向用户收取的供暖收益C1、节煤收益C2和减排收益C3；
C1＝Sm×Pm，Sm为供暖面积，Pm为单位面积供暖费用；
Figure RE-FDA00035280617400000510
wm为节省的煤耗量，qe为电能热值，qm为标煤热值，pm为标准煤价；
C3＝mco2×mb×pco2，mco2为每吨标准煤燃烧产生的二氧化碳，mb为年替代标准煤量，pco2为排污费征收标准；
成本包括初始建设成本Ch、年运维费用及人员成本Cj和年运营费用Ck；
Ch＝px×Sr,h，px为电蓄热装置建设单价，Sr,h为建设的电蓄热装置容量；
Cj＝Cogc×α+Crgc，Cogc为维护费用标准，α为维护费用比例，Crgc为人员工资成本；
Ck＝Pgd×Qdl，Pgd为年购电平均单价，Qdl为供暖总购电总量；
所述运行经济性目标函数f表示为：
f＝w1C1+w2C2+w3C3-w4Ch-w5Cj-w6Ck；
其中，wi为各部分收益/成本的权重系数；
步骤S52、建立电蓄热装置运行约束条件：
所述电蓄热装置运行约束条件包括电功率供给平衡约束、热功率供给平衡约束、电蓄热装置用电功率约束、电蓄热装置蓄放功率约束、电蓄热装置能量平衡约束和电蓄热装置蓄放热状态约束：
所述电功率供给平衡约束表示为：
Figure RE-FDA0003528061740000061
Figure RE-FDA0003528061740000062
为原有供热系统热源机组的发电功率，
Figure RE-FDA0003528061740000063
为电转热装置的电能释放功率，Pload为电力负荷需求，
Figure RE-FDA0003528061740000064
为电转热装置的电能存储功率；
所述热功率供给平衡约束表示为：
Figure RE-FDA0003528061740000065
Figure RE-FDA0003528061740000066
为原有供热系统热源机组的供热功率，
Figure RE-FDA0003528061740000067
为蓄热装置的供热功率，Qhload为热负荷总需求，
Figure RE-FDA0003528061740000068
为蓄热装置的蓄热功率；
所述电蓄热装置用电功率约束表示为：
Figure RE-FDA0003528061740000069
Figure RE-FDA00035280617400000610
为电转热装置t时刻的用电功率，
Figure RE-FDA00035280617400000611
为电转热装置的最大电功率；
所述电蓄热装置蓄放功率约束表示为：
Figure RE-FDA00035280617400000612
Figure RE-FDA00035280617400000613
Figure RE-FDA00035280617400000614
分别为蓄热装置t时刻的蓄、放热功率；
Figure RE-FDA00035280617400000615
为蓄热装置的最大蓄放功率；
所述电蓄热装置能量平衡约束表示为：
Figure RE-FDA00035280617400000616
Figure RE-FDA00035280617400000617
为蓄热装置t时刻的蓄热量，
Figure RE-FDA00035280617400000618
为蓄热装置t-1时刻的蓄热量，η1为蓄热装置的热量自损失率，
Figure RE-FDA00035280617400000619
为t时刻蓄热装置的蓄放热速率，Δt为一个时间间隔；
所述电蓄热装置蓄放热状态约束表示为：
Figure RE-FDA00035280617400000620
Figure RE-FDA00035280617400000621
为0、1状态变量，取值1时表示电蓄热装置蓄热，取值0时表示电蓄热装置不蓄热；
Figure RE-FDA00035280617400000622
为0、1状态变量，取值1时表示电蓄热装置放热，取值0时表示电蓄热装置不放热。
8.根据权利要求1所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于，所述步骤S6中，通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案，具体包括：
步骤S61、下层规划模型中电蓄热装置的运行控制参数和上层规划模型中电蓄热装置的位置和容量相互依赖；
步骤S62、对上层规划模型采用改进粒子群算法进行求解，包括：
种群的初始化：随机初始化N个粒子的位置和速度；
初始值代入目标函数中求解每个粒子的适应度；
计算每个粒子的个体最优Pbest和全局最优gbest；
更新粒子速度和位置；
对每个粒子pi施加扰动，得到新粒子pir，从原粒子与新粒子中选择适应度值较好的N个粒子；
更新个体最优及全局最优值；
判断是否达到迭代次数Maxit，若未达到，则迭代次数加1，返回更新粒子速度和位置；否则记录内层循环输出的全局最优gbest.in
判断是否达到外层迭代次数k，若未达到k，则外层迭代次数加1，返回种群初始化，并将gbest.in替换初始化的N个粒子中的任意一个；否则结束外层循环，并输出最终的最优解；
步骤S63、将最优解，即电蓄热装置的设置位置和设置容量输入至下层规划模型中，采用改进的遗传算法对下层规划模型进行求解，包括：
输入原始参数，包括电蓄热装置的设置位置、容量、功率、种群数量、电蓄热装置的运行参数、交叉变异概率；
对染色体进行编码，使其能够反映电蓄热装置的运行状态；
在满足各项约束和编码方式的条件下，产生数量为原始两倍的初始种群；
根据适应度评价函数计算种群中个体的适应度，将适应度值较低的一半个体舍弃，保留另一半较优良的个体作为初始种群进行后续迭代计算；
进行二次适应度值计算和选择操作；
对种群中的个体采用交叉、变异概率动态自适应调整策略进行交叉、变异；
判断新生成的个体是否满足约束条件，如果不满足，则重复进行交叉、变异；
判断是否达到最大迭代次数，如果没有，则重新计算个体适应度并进行后续计算和判断；如果达到最大迭代次数，则输出适应度最大的个体作为电蓄热装置的最优规划设计方案。
9.根据权利要求8所述的基于水力计算和双层优化的电蓄热装置规划方法，其特征在于：
所述更新粒子速度和位置的表达式为：
Vid(t)＝Wrand( )Vid(t-1)+c1rand( )[Pbest(t-1)-Pid(t-1)]+c2rand( )[gbest(t-1)-pid(t-1)]；
pid(t)＝pid(t-1)+Vid(t)；
其中，t是当前迭代次数，Vid(t)是粒子速度，w是惯性权重，c1、c2是加速因子，Pbest(t-1)和gbest(t-1)分别为个体最优和全局最优，pid(t)是粒子位置；
Figure RE-FDA0003528061740000081
λ1、λ2为控制因子，μ为当前迭代次数，Maxit为最终迭代次数；
所述对每个粒子pi施加扰动，得到新粒子pir，包括：
Figure RE-FDA0003528061740000082
α为扰动系数，N(0,1)为服从标准正太分布的随机数，fz(·)为含惩函数项的适应度函数；
所述对种群中的个体采用交叉、变异概率动态自适应调整策略进行交叉、变异，包括：
Figure RE-FDA0003528061740000083
其中，pcmax、pcmin分别为设定的交叉概率的上下限；fmax、favg分别为整个种群的平均适应度；f1为选择进行交叉操作的两个个体中适应度值较大的个体的适应度值；
Figure RE-FDA0003528061740000084
其中，pmmax、pmmin分别为设定的变异概率的上下限；f1为要变异个体的适应度值。
10.一种基于水力计算和双层优化的电蓄热装置规划系统，其特征在于，它包括：
用户确定单元：建立集中供热系统水力计算仿真模型和负荷预测模型，并获知水力工况不利用户和大负荷用户；
方案形成单元：在供热系统不利用户和大负荷用户热力站处分别设置电蓄热装置，以及依据蓄放热特性设定电蓄热装置不同的运行方案，形成电蓄热装置的多种规划设计方案；
水力计算单元：基于所述水力计算仿真模型计算不同规划设计方案下的水力计算指标、水力失调度和水泵性能，研究不同规划设计方案对于集中供热系统水力工况的影响程度；
上层规划模型建立单元：以电蓄热装置投资成本最小为目标函数，以年为最小规划单位，建立电蓄热装置的设置约束条件，优化对象为电蓄热装置的设置位置和设置容量；
下层规划模型建立单元：以电蓄热装置运行经济性最优为目标函数，以天/小时为最小运行单位，建立电蓄热装置运行约束条件，优化对象为电蓄热装置的运行控制参数；
双层模型求解单元：通过对上层规划模型和下层规划模型进行交互求解输出求解结果，获得电蓄热装置的最优规划设计方案。
CN202111419199.8A 2021-11-26 2021-11-26 基于水力计算和双层优化的电蓄热装置规划方法及系统 Pending CN114398748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111419199.8A CN114398748A (zh) 2021-11-26 2021-11-26 基于水力计算和双层优化的电蓄热装置规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111419199.8A CN114398748A (zh) 2021-11-26 2021-11-26 基于水力计算和双层优化的电蓄热装置规划方法及系统

Publications (1)

Publication Number Publication Date
CN114398748A true CN114398748A (zh) 2022-04-26

Family

ID=81225766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111419199.8A Pending CN114398748A (zh) 2021-11-26 2021-11-26 基于水力计算和双层优化的电蓄热装置规划方法及系统

Country Status (1)

Country Link
CN (1) CN114398748A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035202A (zh) * 2023-10-10 2023-11-10 国网山西省电力公司电力科学研究院 考虑需求响应的电热综合能源系统双层协同扩展规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035202A (zh) * 2023-10-10 2023-11-10 国网山西省电力公司电力科学研究院 考虑需求响应的电热综合能源系统双层协同扩展规划方法
CN117035202B (zh) * 2023-10-10 2024-01-23 国网山西省电力公司电力科学研究院 考虑需求响应的电热综合能源系统双层协同扩展规划方法

Similar Documents

Publication Publication Date Title
Reynolds et al. Operational supply and demand optimisation of a multi-vector district energy system using artificial neural networks and a genetic algorithm
He et al. Performance prediction, optimal design and operational control of thermal energy storage using artificial intelligence methods
Saloux et al. Model-based predictive control to minimize primary energy use in a solar district heating system with seasonal thermal energy storage
CN116187601B (zh) 一种基于负荷预测的综合能源系统运行优化方法
CN114183796B (zh) 基于电制热与集中供热多能互补系统优化调度方法及装置
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
CN111709109B (zh) 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置
CN113822496A (zh) 一种多机组热电厂供热模式及参数在线寻优方法
CN115409396A (zh) 基于双层滚动优化的综合能源系统多时间尺度调度方法
CN112418488B (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
CN111724064B (zh) 一种基于改进免疫算法的含储能配电网规划方法
CN114398748A (zh) 基于水力计算和双层优化的电蓄热装置规划方法及系统
CN115115193A (zh) 一种工业园区低碳分析及优化规划方法
Fu et al. Predictive control of power demand peak regulation based on deep reinforcement learning
CN116362421B (zh) 一种基于能源综合统筹分析的供能分配预测系统及其方法
CN107139777A (zh) 一种车辆能量管理方法及其系统
CN116300755A (zh) 基于mpc的含储热的供热系统双层优化调度方法及装置
CN115828726A (zh) 基于机器学习的太阳能跨季节储热供热系统优化控制方法
CN112116131B (zh) 计及碳排放的综合能源系统多层级优化方法
CN114742410A (zh) 一种基于Pso-CNN的蓄热式电采暖用电控制决策方法及系统
Fang et al. Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient
Germi et al. A hybrid model for daily peak load power forecasting based on SAMBA and neural network
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization
Şeker et al. Application of Different Optimization Techniques and Artificial Neural Network (ANN) for Coal Consumption Forecasting: A Case Study
Kaddoura Simulation and Optimization of Energy Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 314031 room 1510-3, Jiaxing Photovoltaic Science and Innovation Park, No. 1288, Kanghe Road, Gaozhao street, Xiuzhou District, Jiaxing City, Zhejiang Province

Applicant after: Jiaxing Yingji Power Technology Co.,Ltd.

Applicant after: Zhejiang Yingji Power Technology Co.,Ltd.

Address before: 314031 room 1510-3, Jiaxing Photovoltaic Science and Innovation Park, No. 1288, Kanghe Road, Gaozhao street, Xiuzhou District, Jiaxing City, Zhejiang Province

Applicant before: Jiaxing Yingji Power Technology Co.,Ltd.

Applicant before: Hangzhou Yingji Power Technology Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination