CN114565236B - 一种双碳目标下的电力综合能源系统调度方法及装置 - Google Patents
一种双碳目标下的电力综合能源系统调度方法及装置 Download PDFInfo
- Publication number
- CN114565236B CN114565236B CN202210137814.4A CN202210137814A CN114565236B CN 114565236 B CN114565236 B CN 114565236B CN 202210137814 A CN202210137814 A CN 202210137814A CN 114565236 B CN114565236 B CN 114565236B
- Authority
- CN
- China
- Prior art keywords
- target
- student
- power
- energy
- generator set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 138
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 68
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 106
- 238000004422 calculation algorithm Methods 0.000 claims description 103
- 230000003044 adaptive effect Effects 0.000 claims description 36
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 32
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 16
- 239000001569 carbon dioxide Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 31
- 238000004364 calculation method Methods 0.000 description 8
- 241000282461 Canis lupus Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000035515 penetration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241000283153 Cetacea Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- 241000255588 Tephritidae Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- 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; 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种双碳目标下的电力综合能源系统调度方法及装置,该方法包括:基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立电力综合能源系统的能源调度模型;基于能源调度模型的目标函数,确定目标适应度函数,其中,能源调度模型的目标函数是以火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;根据火电能源发电机组的目标运行参数,以目标适应度函数最小为优化目标,对目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将火电能源发电机组运行的有功功率调整为目标有功功率。本发明的方法可以有效降低发电成本,同时减少发电过程中产生的碳排放。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种双碳目标下的电力综合能源系统调度方法及装置。
背景技术
随着能源电力行业的不断发展,为了实现碳达峰、碳中和的双碳目标,电力行业模式已由原来单一的火力发电方式转变为优先考虑清洁能源的模式,并逐渐形成了基于清洁能源且面向电力的综合能源系统。
目前,在面向电力的综合能源系统中,清洁能源供应电能的稳定性不高,例如,由于风力发电具有间歇性,导致电能供应不稳定;而传统的火力发电方式供应的电能稳定性好,却存在着污染物排放量较多等缺点。
因此,为了实现降低发电成本的同时,减少发电过程中产生的碳排放,当前亟需一种双碳目标下的电力综合能源系统调度方法,来对火力发电和清洁能源进行电力协同调度。
发明内容
本发明提供一种双碳目标下的电力综合能源系统调度方法及装置,用以实现降低发电成本的同时,减少发电过程中产生的碳排放。
本发明实施例提供一种双碳目标下的电力综合能源系统调度方法,包括:
基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;
基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;
根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率。
根据本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法,所述根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,包括:
根据所述火电能源发电机组的目标运行参数,进行学校优化算法初始化,获取多个初始班级及每个初始班级中的各个学生个体;
基于所述目标适应度函数和预设算子,对所述每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体;
基于所述最优学生个体,确定所述目标有功功率;
其中,所述学校优化算法包括所述预设算子,所述预设算子包括自适应算子和精英算子中的至少一项,所述自适应算子用于确定当前迭代过程中每个所述学生个体的教学因子,所述精英算子用于保存完成当前迭代过程所生成的预设数量的目标学生个体,以根据所述预设数量的目标学生个体,确定下一次迭代过程中各个初始班级的学生个体。
根据本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法,所述预设算子包括所述自适应算子和所述精英算子,所述基于所述目标适应度函数和预设算子,对所述每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体,包括:
基于所述目标适应度函数和所述自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子;
基于所述每个初始班级中每个学生个体的教学因子,对所述每个初始班级中的每个学生个体执行教师阶段和学生阶段的操作,更新每个所述学生个体在搜索空间中的位置,得到更新后的每个学生个体;
计算所述更新后的每个学生个体的适应度值,并从所有更新后的学生个体中确定所述预设数量的目标学生个体;
基于所述精英算子,保存所述预设数量的目标学生个体,并将所述预设数量的目标学生个体中满足目标条件的目标学生个体放入到下一次迭代过程中的各个初始班级中;
在当前迭代次数满足所述预设迭代终止条件的情况下,从保存的所述预设数量的目标学生个体中确定所述最优学生个体。
根据本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法,所述基于所述目标适应度函数和所述自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子,包括:
基于所述目标适应度函数,确定所述每个初始班级中每个学生个体的适应度值;
基于所述每个班级中每个学生个体的适应度值,计算所有学生个体的平均适应度值;
基于所述自适应算子、每个所述学生个体的适应度值和所述所有学生个体的平均适应度值,确定当前迭代过程的每个初始班级中每个学生个体的教学因子。
根据本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法,所述确定当前迭代过程的每个初始班级中每个学生个体的教学因子,包括:
通过所述自适应算子的公式:
根据本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法,所述基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型,包括:
基于所述火电能源发电机组的有功功率,确定火电能源产生的有功出力和二氧化碳排放量;
以所述火电能源产生的有功出力和二氧化碳排放量最低为优化目标,构建目标函数,并基于所述火电能源发电机组的有功功率和所述清洁能源发电机组的有功功率,确定目标约束条件;
基于所述目标函数和所述目标约束条件,建立所述电力综合能源系统的能源调度模型。
本发明实施例还提供一种双碳目标下的电力综合能源系统调度装置,包括:
建模模块,用于基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;
处理模块,用于基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;
调度模块,用于根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述双碳目标下的电力综合能源系统调度方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述双碳目标下的电力综合能源系统调度方法的步骤。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述双碳目标下的电力综合能源系统调度方法的步骤。
本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法及装置,通过综合考虑电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,来建立双碳目标下的电力综合能源系统的能源调度模型;并且通过该能源调度模型的目标函数,确定目标适应度函数,以目标适应度函数最小为优化目标,采用加快收敛能力和全局寻优能力的算法进行迭代求解,完成对电力综合能源系统的能源调度模型的有效分析,从而获得最小适应度值对应的目标有功功率,以将火电能源发电机组运行的有功功率调整为目标有功功率,实现对电力综合能源系统的有效调度,可以有效降低发电成本,同时减少发电过程中产生的碳排放。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的双碳目标下的电力综合能源系统调度方法的流程示意图;
图2是本发明实施例提供的双碳目标下的电力综合能源系统调度方法中优化算法的整体流程示意图;
图3是本发明实施例提供的双碳目标下的电力综合能源系统调度方法中多类算法适应度值对比曲线图;
图4是本发明实施例提供的双碳目标下的电力综合能源系统调度装置的结构示意图;
图5是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
下面结合图1-图5描述本发明实施例提供的一种双碳目标下的电力综合能源系统调度方法及装置。
图1是本发明实施例提供的双碳目标下的电力综合能源系统调度方法的流程示意图,如图1所示,包括:步骤101、步骤102和步骤103。
其中,步骤101,基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立电力综合能源系统的能源调度模型;
在本步骤中,本发明实施例所描述的电力综合能源系统指的是面向电力的综合能源系统,其用于整合区域内不同能源,例如,风电场、光伏场、火力发电机组等产生的电能,实现多种能源子系统之间的协调规划、优化运行,协同管理、交互响应和互补互济。在满足系统内多元化用能需求的同时,更有效地提升能源利用效率,促进能源可持续发展的新型一体化的能源系统。
本发明实施例所描述的火电能源发电机组可以包括多台火力发电机组,可以理解的是,火电能源发电机组在其发电过程中会产生碳排放。
本发明实施例所描述的清洁能源发电机组可以包括风电场发电机组、光伏发电机组等。
在本发明的实施例中,双碳目标下的电力综合能源系统的能源调度模型以火电能源的发电成本和发电过程中的碳排放量最低为优化目标,并根据综合能源系统中各类发电机组的功率参数确定模型的约束条件,以此建立电力综合能源系统的能源调度模型。
可以理解的是,在电力综合能源系统中,火电能源的各个火力发电机组的有功功率设定可以决定其发电成本和发电过程中的碳排放量,因此,在本发明的实施例中,可以基于火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立电力综合能源系统的能源调度模型。
在一些实施例中,所述基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型,包括:
基于所述火电能源发电机组的有功功率,确定火电能源产生的有功出力和二氧化碳排放量;
以所述火电能源产生的有功出力和二氧化碳排放量最低为优化目标,构建目标函数,并基于所述火电能源发电机组的有功功率和所述清洁能源发电机组的有功功率,确定目标约束条件;
基于所述目标函数和所述目标约束条件,建立所述电力综合能源系统的能源调度模型。
在本发明的实施例中,基于火电能源中的各个火力发电机组的有功功率,计算火电能源产生的有功出力H1和二氧化碳排放量H2,即有:
其中,ai、bi、ci均表示第i台火力发电机组的燃料耗能系数,Pi表示第i台火力发电机组的有功功率,N表示参与运行的所有火力发电机组的数量,ηi、βi、αi均表示第i台火力发电机组的二氧化碳排放系数。
进一步地,以火电能源产生的有功出力和二氧化碳排放量最低为优化目标,构建目标函数,具体地,电力综合能源系统的能源调度模型的优化目标为最小化火电能源发电机组的有功出力H1和其发电过程中产生的二氧化碳排放量H2,基于上述的火电能源产生的有功出力H1和二氧化碳排放量H2公式,可以得到目标函数的公式如下:
进一步地,基于电能源发电机组的有功功率和清洁能源发电机组的有功功率,确定目标约束条件。
在本发明的实施例中,目标约束条件包括火电能源发电机组出力约束、风电场出力约束、风电穿透功率极限约束、功率平衡约束中的至少一项。
在具体的实施方式中,优化电力综合能源系统调度的过程中,需要同时受到如下的目标约束条件:
基于电力综合能源系统中各台火力发电机组的有功功率,确定火电能源发电机组出力约束:
在本发明的实施例中,基于清洁能源发电机组中风电场发电机组的有功功率,确定风电场出力约束和风电穿透功率极限约束。
在本发明的具体实施方式中,风电场中的风速随机分布近似服从如下公式:
其中,k表示形状系数,k=1.8~2.3,一般取k=2,c表示风电场的年平均风速,v表示风电场的预测风速。
此外,风电场发电机组的有功功率表示公式如下:
其中,PR表示风机的额定输出功率,vw表示风机轮高度处的风速,vCI表示切入风速,当风速高于该值时,风机并网运行,vCO表示切出风速,当风速高于此值时,风机停止运行,vR表示风机运行的额定风速,当风速位于此值和切出风速之间时,风机的输出功率即风电场发电机组的有功功率为额定值。
风电场出力约束:
0≤Pw≤Prate;
其中,Pw表示风电场发电机组的有功功率输出值,Prate表示综合能源系统内风电场的额定出力值。
风电穿透功率极限约束:
0≤Pw≤δwPD;
其中,PD表示电力综合能源系统的电力负荷值,δw表示风电穿透功率系数,其取值一般为电力综合能源系统电力负荷值的10%。
在本发明的实施例中,根据火电能源发电机组的有功功率、风电场发电机组的有功功率和电力综合能源系统的电力负荷值,确定功率平衡约束,即其公式为:
进一步地,基于上述目标函数和目标约束条件,可以建立本发明双碳目标下的电力综合能源系统的能源调度模型。
本发明实施例的方法,通过综合考虑电力综合能源系统中各类发电机组的有功功率,确定火电能源发电机组的有功出力、二氧化碳排放量及模型的目标约束条件,并以火电能源产生的有功出力和二氧化碳排放量最低为优化目标,建立涉及清洁能源的电力综合能源系统的能源调度模型,有利于确保模型构建的准确性,通过模型优化分析,可以有效获取电力综合能源系统的最优调度方案。
步骤102,基于能源调度模型的目标函数,确定目标适应度函数,其中,能源调度模型的目标函数是以火电能源发电机组产生的有功出力和碳排放量最低为目标构建的。
本发明实施例所描述的目标函数是以火电能源发电机组产生的有功出力和碳排放量最低为目标构建的,其中,可以理解的是,火电能源发电机组产生的有功出力和碳排放量都可以通过火电能源发电机组的有功功率进行计算得到。
在本实施例中,通过目标函数确定目标适应度函数,将以火电能源发电机组产生的有功出力和碳排放量最低的多目标优化问题求解,通过线性加权求和方式转换为单目标优化问题求解,得到目标适应度函数。
可选地,在本发明的实施例中,可以采用学校优化(School-Based Optimization,SBO)算法或改进的SBO算法来对该能源调度模型进行分析,基于此,首先需要确定SBO算法中的适应度函数。
本发明实施例所描述的目标适应度函数可以为SBO算法中的适应度函数,其用于描述算法中学生个体性能的主要指标,根据适应度的大小,对个体进行“优胜劣汰”处理。
进一步地,基于电力综合能源系统的能源调度模型中的目标函数,确定SBO算法中的目标适应度函数,其具体实施方式为,根据目标函数中的火电能源发电机组的有功出力H1和其发电过程中产生的二氧化碳排放量H2,通过线性加权求和的方式,得到目标适应度函数,即
fit=μH1+δH2;
其中,μ表示有功系数,δ表示碳排放系数。
步骤103,根据火电能源发电机组的目标运行参数,以目标适应度函数最小为优化目标,对目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将火电能源发电机组运行的有功功率调整为目标有功功率。
本发明实施例所描述的目标运行参数包括火电能源发电机组的有功功率最大值和最小值、燃料耗能系数及二氧化碳排放系数。
本发明实施例所描述的目标有功功率指的是本发明的电力综合能源系统调度方法最终获得的调度参数,其用于将系统中火电能源发电机组运行的有功功率调整为目标有功功率进行运行,从而实现电力综合能源系统进行低成本、低排放运行。
发明人研究发现,在现有电力综合能源系统调度过程中,多采用元启发式群智能算法而不是传统的确定式算法来对调度过程进行优化,主要原因是确定式算法对待求解问题本身的数学性质要求非常严格,比如连续性和可导性,而在实际求解一些较复杂的问题过程中,很难或者不太可能找到问题本身的数学性质,因此不需要待求解问题本身的严格数学性质的元启发式群智能算法就越来越多的被用于求解相关的复杂优化问题,其中就包括电力综合能源系统多能互补调度的问题。
例如,一种基于灰狼优化算法的综合能源智能调度方法中,其通过灰狼种群的狩猎过程和等级制度来对所求解的问题进行优化。然而,在灰狼优化算法求解的过程当中,容易陷入局部最优困境并且很难跳出局部最优,这导致其所求得的调度方案的质量较低,不能最大限度的降低发电成本和发电过程中的碳排放量。
优选地,本发明实施例通过SBO算法或改进的SBO算法来对面向电力的双碳目标下的电力综合能源系统调度问题进行求解,可以有效解决上述技术缺陷。
在本实施例中,本发明实施例所描述的SBO算法属于一种元启发式优化算法,其灵感来自于在学校中多教室运行的传统教育过程,是一种协同优化策略,允许对搜索空间进行广泛的探索,并得到高质量的解。
在本步骤中,可以通过学校优化算法,根据火电能源发电机组的目标运行参数进行算法初始化,得到初始化个体数据,基于该初始化个体数据,对目标适应度函数进行迭代优化求解,得到最小适应度值,最小适应度值携带有火电能源发电机组运行的目标有功功率。
本发明所描述的改进的学校优化算法是通过在SBO算法中引入自适应策略和/或精英策略的算子,实现动态地改变算法的关键参数教学因子和/或保留最佳学生个体的效果,从而可以有效加快算法的收敛能力和全局寻优能力。
优选地,在本实施例中,通过改进的SBO算法,对基于电力综合能源系统的能源调度模型的目标适应度函数进行分析和迭代求解,可以高效地求解到全局最优解,获取更高质量的综合能源系统的调度方案,根据该调度方案,可以调度电力综合能源系统中的各个火力发电机组运行在目标有功功率参数下,从而高效地实现电力综合能源系统进行低成本、低碳排放运行的效果。
本发明实施例的方法,通过综合考虑电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,来建立双碳目标下的电力综合能源系统的能源调度模型;并且通过该能源调度模型的目标函数,确定目标适应度函数,以目标适应度函数最小为优化目标,采用加快收敛能力和全局寻优能力的算法进行迭代求解,完成对电力综合能源系统的能源调度模型的有效分析,从而获得最小适应度值对应的目标有功功率,以将火电能源发电机组运行的有功功率调整为目标有功功率,实现对电力综合能源系统的有效调度,可以有效降低发电成本,同时减少发电过程中产生的碳排放。
在一些实施例中,根据火电能源发电机组的目标运行参数,以目标适应度函数最小为优化目标,对目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,包括:
根据火电能源发电机组的目标运行参数,进行学校优化算法初始化,获取多个初始班级及每个初始班级中的各个学生个体;
基于目标适应度函数和预设算子,对每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体;
基于最优学生个体,确定目标有功功率;
其中,学校优化算法包括预设算子,预设算子包括自适应算子和精英算子中的至少一项,自适应算子用于确定当前迭代过程中每个学生个体的教学因子,精英算子用于保存完成当前迭代过程所生成的预设数量的目标学生个体,以根据预设数量的目标学生个体,确定下一次迭代过程中各个初始班级的学生个体。
在一些实施例中,本发明实施例所描述的预设数量指的是预先设置的数量阈值,可以用M表示,其可以取值5、10等数值,具体根据实际计算需求进行设定,在本实施例中不对此作具体限定。
本发明实施例所描述的预设数量的目标学生个体表示按学生个体的适应度值由小到大从前往后的顺序排序,选取得到的最靠前的M个学生个体,可以理解的是,这些学生个体所携带的解都是质量很高的解。
本发明实施例所描述的最优学生个体指的是算法结束后得到的所有学生个体中,适应度值最小的学生个体,即为最优解。
在本实施例中,精英算子用于保存完成每一次迭代过程所生成的M个目标学生个体,以从该M个目标学生个体中选择最优的多个学生个体,放入到下一次迭代过程中各个初始班级中,确定出各个初始班级的学生个体,以此保证下一次迭代生成更优的解。
需要说明的是,每一个学生个体都是SBO算法适应度函数的一个解,其携带有一种电力综合能源系统的调度方案。
本发明实施例所描述的预设算子包括自适应算子和精英算子中的至少一项,也就是说,在本发明的实施例中,可以引入自适应算子和精英算子中至少一项算子对SBO算法进行改进来得到本发明改进的SBO算法。
优选地,还可以同时引入自适应算子和精英算子来对SBO算法进行改进,得到本发明改进的SBO算法。
需要说明的是,与SBO算法中教学因子为固定值参数不同的是,在本实施例中,自适应算子可以动态地更新SBO算法的关键参数教学因子,用于确定每一次迭代过程中每个学生个体的教学因子,从而可以更加全面的搜索到解空间。
本发明实施例所描述的预设迭代终止条件可以指的是预先设置的迭代次数阈值,也就是说,算法迭代计算的次数达到预设迭代终止条件,则停止算法迭代,得到最终的求解结果。
在本发明的一个具体实施例中,电力综合能源系统中包括1个风电场和8台火力发电机组,其中,火力发电机组运行参数具体如表1所示,风电场包括65台风机,风电场中每台风机的额定出力为800kW,切入风速3.5米每秒,切出风速21米每秒,额定风速为15米每秒。
表1
在本实施例中,表1中参数 分别表示火力发电机组运行的最大有功功率和最小有功功率,参数αi、bi、ci、αi、βi、ηi的单位分别为p.u.、p.u.,$·(MW2·h)-1、$·(MW2·h)-1、$·h-1、10-2t·h-1、10-4t·(MW·h)-1、10-6t·(MW2·h)-1。
进一步地,根据火电能源发电机组的目标运行参数,基于浮点数编码的方式对学生个体进行编码,初始化SBO算法的相关参数,包括班级个数NC,每个班级里面的学生个体数量NP,算法的当前迭代次数为It,最大迭代次数MaxIt,各个发电机组的参数,包括火电能源发电机组和风电场发电机组的参数,进而随机生成多个学生个体,每个学生个体表示为火电能源发电机组中各个火力发电机组的有功功率矩阵,从而获取NC个班级及每个班级中的NP个学生个体。
进一步地,基于目标适应度函数和预设算子,对每个初始班级中的各个学生个体进行SBO算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体,以根据该最优学生个体得到目标有功功率。
本发明的一个具体实施例中,在对每个初始班级中的各个学生个体进行SBO算法的操作中,采用自适应算子动态更新每一次迭代过程中学生个体的教学因子,以更加高效地执行教师阶段操作和学习者阶段的操作,不断更新学生个体在搜索空间的位置,来获取最优学生个体。
本发明的另一个具体实施例中,在对每个初始班级中的各个学生个体进行SBO算法的操作过程中,还可以采用精英算子,保留每一次完成迭代过程所生成最优学生个体,通过不断迭代计算学生个体的适应度值,求解最优学生个体,在满足预设迭代终止条件的情况下,来获取最优学生个体。
优选地,本发明的又一个具体实施例中,在对每个初始班级中的各个学生个体进行SBO算法的操作中,还可以同时引入自适应算子和精英算子,来更加高效且精确地对目标适应度函数最小化迭代求解,得到最优学生个体。
在确定最优学生个体后,根据其携带的功率参数,即可获取到用于电力综合能源系统中火电能源发电机组运行的目标有功功率。
本发明实施例的方法,通过SBO算法对基于电力综合能源系统的能源调度模型的目标适应度函数进行求解分析,引入自适应算子来更加全面的搜索到解空间,引入精英算子确保每一次迭代生成的最优个体不会丢失而延续到下一代个体种群中,避免求解过程中陷入局部最优困境,有利于加快算法的收敛能力和提升全局寻优能力,获取高质量电力综合能源系统的能源调度方案。
优选地,在一些实施例中,预设算子包括自适应算子和精英算子,基于目标适应度函数和预设算子,对每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体,包括:
基于目标适应度函数和自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子;
基于每个初始班级中每个学生个体的教学因子,对每个初始班级中的每个学生个体执行教师阶段和学生阶段的操作,更新每个学生个体在搜索空间中的位置,得到更新后的每个学生个体;
计算更新后的每个学生个体的适应度值,并从所有更新后的学生个体中确定预设数量的目标学生个体;
基于精英算子,保存预设数量的目标学生个体,并将预设数量的目标学生个体中满足目标条件的目标学生个体放入到下一次迭代过程中的各个初始班级中;
在当前迭代次数满足预设迭代终止条件的情况下,从保存的预设数量的目标学生个体中确定最优学生个体。
具体地,在本发明的一个具体实施例中,设定SBO算法中的班级个数NC=5,每个班级里面的学生个体的人数NP=10,算法当前迭代次数It=1,最大迭代次数MaxIt=150,综合能源系统中电力总负荷值是3.026p.u.。
在本实施例中,基于目标适应度函数和自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子的具体实施方式包括步骤S1至步骤S2。
步骤S1中,根据目标适应度函数,计算每个初始班级中每个学生个体的适应度值,从而可以确定出每个初始班级里面适应度值最小的学生;
在本发明的实施例中,综合能源系统中包括1个风电场和8台火力发电机组,风电场包括65台风机,风电场中每台风机的额定出力为800kW,综合能源系统的电力总负荷值为3.026*100*10^3=302600KW,风电场能够提供的最大额定功率为65*800=48000KW;
在满足电力综合能源系统的能源调度模型的目标约束条件的前提下,假设有四个学生个体,根据各个发电机组中火力发电机组的运行参数,基于浮点数编码的方式对学生个体进行编码,其编码序列分别如下:
stud1=[0.42 0.33 0.46 0.41 0.17 0.56 0.40 0.79];
stud2=[0.59 0.77 0.31 0.21 0.08 0.28 0.69 0.56];
stud3=[0.44 0.89 0.41 0.48 0.56 0.48 0.54 0.38];
stud4=[0.53 0.08 0.93 0.04 0.76 0.44 0.62 0.61];
在本实施例中,假设有功系数μ=0.6,碳排放系数δ=0.4,则根据目标适应度函数的计算公式,可以分别得到四个学生个体的适应度值为:
对于学生个体1的适应度值计算过程为:
fit1=μH1+δH2=0.6×32.7996+0.4×23.0728=28.9089。
对于学生个体2的适应度值计算过程为:
fit2=μH1+δH2=0.6×34.6068+0.4×24.1631=30.4293。
对于学生个体3的适应度值计算过程为:
fit3=μH1+δH2=0.6×41.4449+0.4×22.6481=33.9262。
对于学生个体4的适应度值计算过程为:
fit4=μH1+δH2=0.6×36.7399+0.4×25.6120=32.2887。
需要说明的是,在本发明的实施例中,基于SBO算法中目标适应度函数计算得出的值与火电能源发电机组发电成本以及碳排放量成正比,因此学生个体的适应度值越低,则说明其所携带的火电能源发电机组的目标有功功率效果越优。
基于此,可以从以上四个学生个体计算得到的适应度值中看出,学生个体1的适应度值在四者中是最小的。根据学生个体1的编码序列,可以得到电力综合能源系统中的8台火力发电机组的详细参数设置如下:第一台、第二台、第三台、第四台、第五台、第六台、第七台、第八台火力发电机组的有功功率分别为0.42p.u.、0.33p.u.、0.46p.u.、0.41p.u.、0.17p.u.、0.56p.u.、0.40p.u.、0.79p.u.。
步骤S2中,将所有班级里面适应度值最小的学生个体组织成教师队伍,基于自适应算子,更新SBO算法的关键参数教学因子TF。
在本步骤中,基于上述实施例,假定一个班级里的学生个体的人数为上述的四个学生个体,由于学生个体1的适应度值最小,因此可以将学生个体1加入到教师队伍中。
在一些实施例中,基于所述目标适应度函数和所述自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子,包括:
基于所述目标适应度函数,确定所述每个初始班级中每个学生个体的适应度值;
基于所述每个班级中每个学生个体的适应度值,计算所有学生个体的平均适应度值;
基于所述自适应算子、每个所述学生个体的适应度值和所述所有学生个体的平均适应度值,确定当前迭代过程的每个初始班级中每个学生个体的教学因子。
在本实施例中,通过考虑所有学生个体的适应度值情况,计算所有学生个体的平均适应度值,比较每个学生个体的适应度值与所有学生个体的平均适应度值,以在得到该比较结果之后,基于本发明的自适应算子,来精确地确定当前迭代过程的每个初始班级中每个学生个体的教学因子。
本发明实施例的方法,通过上述实施方式可以动态地改变算法的关键参数教学因子,使得在算法运行前期可以进行更加全面地搜索到解空间,有利于提升算法收敛能力和全局寻优能力。
更具体地,在本发明的实施例中,确定当前迭代过程的每个初始班级中每个学生个体的教学因子,包括:
通过自适应算子的公式:
其中,TF表示学生个体的教学因子,表示预设教学因子的最大值,表示预设教学因子的最小值,fit表示学生个体的适应度值,fitavg表示所有学生个体的平均适应度值,fitmin表示所有学生个体中最小的适应度值。
在本发明的实施例中,教学因子的最大值基于上述实施例的基础上,经过计算得到四个学生个体的平均适应度值fitavg=(32.2887+33.9262+30.4293+28.9809)/4=31.4063,则对学生个体1来说,其适应度值28.9809小于平均值,则其教学因子的计算为:
本发明实施例的方法,通过自适应算子,判别每个学生个体的适应度值与所有学生个体的平均适应度值的大小关系,从而更加准确的确定每一次迭代过程中学生个体的教学因子,有利于更加全面地搜索到解空间,克服陷入局部最优的困境,提升算法的精度。
进一步地,基于每个初始班级中每个学生个体的教学因子,对每个初始班级中的每个学生个体执行教师阶段和学生阶段的操作,更新每个学生个体在搜索空间中的位置,得到更新后的每个学生个体,其具体实施方式包括步骤S3至步骤S5。
具体地,步骤S3中,通过轮盘赌的方式,为每一个初始班级从教师队伍里选择一名教师;
在本实施例中,假设目前教师队伍里面有三名教师,且他们的适应度值分别是31、28、27,则根据本实施例中轮盘赌的规则,从三级教师中为第一个班级选择教师,即先将三名教师的适应度值取反然后取立方后再进行归一化,归一化后得到的值分别为0.2581、0.3505、0.3914,则根据生成一个[0,1]的随机数r=0.42,可以发现轮盘的指针落在了第二个教师位置,则为第一个班级选择的教师为第二个教师;其余班级的教师安排方式同理类推。
步骤S4,将选择到的教师分配到对应的初始班级中,执行教师阶段的操作,即学生个体根据教师个体提供的信息更新各科的知识,然后评估自己的适应度值。
教师阶段的操作具体如下:
Δ(j)=TF×r|M(j)-T(j)|;
其中,和分别表示第k个变量更新前和更新后的第j维,TF表示教学因子,r表示[0,1]之间的随机数,M(j)表示班级的平均水平,T(j)表示教师状态,Δ(j)表示班级平均水平与教师水平的距离,此外各个班级的平均水平为:
其中,N表示种群大小,Xk(j)表示第k个变量的第j维;
在本实施例中,教师阶段的操作是问题优化过程中的中间计算过程,目的是将班级的整体知识水平进行提高,方式为将学生个体的位置朝着教师个体的位置进行更新。
步骤S5,对各个班级的学生个体执行学习者阶段操作,即分别选择两名学生个体p和q,且p≠q,评价两名学生个体的适应性,如果学生个体p的适应度值大于学生个体q,则按照下列公式更新位置:
否则根据下列公式更新位置:
其中,r表示[0,1]范围内均匀分布的随机数。
在本步骤中,如果学生个体q比学生个体p好,即fitp>fitq,则学生个体p就向学生个体q移动,否则学生个体p远离学生个体q,改变的方向和大小取决于每个学生个体当前在搜索空间中的位置以及学生个体p和q解的差异;注意到无论在任何一种情况下,学生个体p都试图改善其状态。
在本实施例中,班级中的学生个体执行学习者阶段的目的是通过学生个体之间的相互学习来更新彼此的位置,这是为了防止班级中的学生个体全部朝着教师个体所在的位置进行更新,导致陷入局部最优的困境。
经过步骤S5,可以更新每个学生个体在搜索空间中的位置,得到更新后的每个学生个体。
进一步地,计算更新后的每个学生个体的适应度值,并从所有更新后的学生个体中确定预设数量的目标学生个体,基于精英算子,保存预设数量的目标学生个体,并将预设数量的目标学生个体中满足目标条件的目标学生个体放入到下一次迭代过程中的各个初始班级中,其具体实施方式如步骤S6。
在本实施例中,本发明所描述的满足目标条件的目标学生个体指的是在对预设数量的目标学生个体按照适应度值由小到大从前往后排序后,排序靠前的目标数量的学生个体。
步骤S6中,计算所有学生个体的适应度值,基于精英算子,对适应度值最小的前M个目标学生个体执行精英操作,即将当前迭代过程的该M个目标学生个体放入到精英池中进行保存,以在下一轮迭代过程开始时,从精英池中再选出目标数量适应度值最优的目标学生个体,如前3个适应度值最小的学生个体放入到每个初始班级中,以确保下一次迭代生成的学生个体更优,其中,M≥1,目标数量不大于M。
在一个具体的实施例中,可以取M=4,即将适应度值最优的前4个目标学生个体放入到精英池里,之后每次迭代过程中选出精英池中适应度值最优的前3个学生个体放入到下一轮迭代的初始班级中。
进一步地,在当前迭代次数满足预设迭代终止条件的情况下,从保存的预设数量的目标学生个体中确定最优学生个体,其具体实施方式如步骤S7。
本发明实施例所描述的预设迭代终止条件指的是当前迭代次数It达到预设的最大迭代次数MaxIt的条件。在本实施例中,预设的最大迭代次数MaxIt=150。
步骤S7中,判断算法当前的迭代次数It是否达到了预设的最大迭代次数MaxIt,即判断是否满足预设迭代终止条件,若达到预设迭代终止条件,则结束SBO算法,并从保存的预设数量的目标学生个体中输出最优学生个体,根据该最优学生个体在搜索空间的位置,获得用于调度火电能源发电机组运行的目标有功功率;
否则令It=It+1,然后返回步骤S1进行下一次迭代计算。
本发明实施例的方法,通过改进的SBO算法,同时引入自适应算子和精英算子,除了动态地更新算法的关键参数,还可以将每一次迭代生成的最优学生个体作为下一次迭代过程中班级的学生个体,有利于进一步提升算法收敛速度和求解精度,获得高质量的能源调度方案。
图2是本发明实施例提供的双碳目标下的电力综合能源系统调度方法中优化算法的整体流程示意图,如图2所示,在本发明实施例中,改进的SBO算法的流程步骤具体可以包括:
步骤S210,根据各个火力发电机组的目标运行参数,基于浮点数编码的方式对学生个体进行编码,初始化SBO算法的相关参数、火力发电机组的参数和风电场的参数;
步骤S220,在NC个初始班级里,随机生成NP个学生个体,并且评价每个学生个体的适应度值;
步骤S230,确定每个初始班级里面适应度值最小的学生个体并组织成教师队伍,基于自适应算子更新SBO算法的关键参数教学因子TF;
步骤S240,通过轮盘赌的方式,为每一个初始班级从教师队伍里选择一名教师;
步骤S250,将选择到的教师分配到对应的初始班级中,执行教师阶段的操作,即学生个体根据教师提供的信息更新各科的知识,评估自己的适应度值;
步骤S260,对各个班级的学生个体执行学习者阶段操作,以更新各个学生个体在搜索空间中的位置;
步骤S270,计算所有学生个体的适应度值,得到M个目标学生个体,并基于精英算子,对该M个目标学生个体执行精英操作,其中,M≥1;
步骤S280,判断当前迭代次数It是否达到最大迭代次数MaxIt,若达到,跳转至步骤S290,否则,令It=It+1,跳转至步骤S230;
步骤S290,结束算法并输出最优学生个体,以根据该最优学生个体,获取电力综合能源系统的最优调度方案,得到目标有功功率。
本发明实施例的方法,在SBO算法中引入自适应算子和精英算子,有效地提升了算法优化得到的解的精度,提高了获得的电力综合能源系统调度方案的质量。
综上,本发明实施例所提供的综合能源系统多能互补调度方法,通过在电力综合能源系统调度过程中倾向于清洁能源风电的使用,有效降低了电力供应过程中的碳排放程度,具有良好的推广前景。
在上述任一实施例的基础上,在本发明的实施例中,将给出上述实施例所涉及到的仿真实验的详细参数配置和仿真结果。在本发明的实施例中,电力综合能源系统中的电力总负荷值是3.026p.u.(系统所的基准值为100MVA),其中包括1个风电场和8台火力发电机组,风电场包括65台风机,风电场每台风机的额定出力为800kW,切入风速3.5米每秒,切出风速21米每秒,额定风速为15米每秒;8台火力发电机组的具体参数可以由表1给出。
在本实施例中,优化目标是保证在满足电力综合能源系统总负荷值的前提下,凭借风电场提供的电能,最小化火力发电机组的发电成本和发电过程中的碳排放量。在本发提出的改进的SBO算法中,学校班级的数量NC=5,每个班级里面的学生个体数量为NP=10,改进的SBO算法的最大迭代次数MaxIt=150,在采用精英算子的过程中,从精英池中选出适应度最高的前3个学生个体放入到下一次迭代过程的初始班级中;
在本实施例中,与本发明提供的改进的SBO算法进行对比的现有算法有:人工蜂群算法、果蝇优化算法、鲸鱼优化算法和灰狼优化算法,将各个算法的种群大小和最大迭代次数都设置一致。
图3是本发明实施例提供的双碳目标下的电力综合能源系统调度方法中多类算法适应度值对比曲线图,如图3所示,本发明所提出来的基于改进的SBO算法的电力综合能源系统调度方法,其最后得到的火电能源发电机组参数的适应度值为24.23,优于其余四种对比算法优化得到的值。
具体来说,基于人工蜂群算法优化得到的适应度值为28.43,基于果蝇优化算法得到的适应度值为29.12,基于灰狼优化算法得到的适应度值为32.22,基于鲸鱼优化算法得到的适应度值为34.18;此外,本发明改进的SBO算法的优化曲线相比于其他对比算法的曲线下降的速度更加均匀,这主要得益于本发明对SBO算法中的教学因子采用自适应算子和基于精英算子将每一次迭代过程中的最优学生个体进行精英继承的方法。
在本发明的实施例中,基于改进的SBO算法的优化避免了其他几种对比算法陷入局部最优的处境,使得获取的火力发电机组参数能够最大限度地降低火力发电的成本和发电过程中产生的碳排放量,得到的综合能源系统的调度方案更加符合行业需求。
通过上述仿真实验,与其它现有电力综合能源系统调度方法相比,本发明所提供的基于改进的SBO算法的调度方法获得的解的质量更高,解所对应的发电成本更低,整个电力供应过程中的二氧化碳排放量更低。
下面对本发明提供的双碳目标下的电力综合能源系统调度装置进行描述,下文描述的双碳目标下的电力综合能源系统调度装置与上文描述的双碳目标下的电力综合能源系统调度方法可相互对应参照。
图4是本发明实施例提供的双碳目标下的电力综合能源系统调度装置的结构示意图,如图4所示,包括:
建模模块410,用于基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;
处理模块420,用于基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;
调度模块430,用于根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率。
本实施例所述的双碳目标下的电力综合能源系统调度装置可以用于执行上述双碳目标下的电力综合能源系统调度方法的实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例提供的双碳目标下的电力综合能源系统调度装置,通过综合考虑电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,来建立双碳目标下的电力综合能源系统的能源调度模型;并且通过该能源调度模型的目标函数,确定目标适应度函数,以目标适应度函数最小为优化目标,采用加快收敛能力和全局寻优能力的算法进行迭代求解,完成对电力综合能源系统的能源调度模型的有效分析,从而获得最小适应度值对应的目标有功功率,以将火电能源发电机组运行的有功功率调整为目标有功功率,实现对电力综合能源系统的有效调度,可以有效降低发电成本,同时减少发电过程中产生的碳排放。
图5是本发明实施例提供的电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行上述各方法所提供的双碳目标下的电力综合能源系统调度方法,该方法包括:基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的双碳目标下的电力综合能源系统调度方法,该方法包括:基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的双碳目标下的电力综合能源系统调度方法,该方法包括:基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种双碳目标下的电力综合能源系统调度方法,其特征在于,包括:
基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;
基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;
根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率;
其中,所述根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,包括:
根据所述火电能源发电机组的目标运行参数,进行学校优化算法初始化,获取多个初始班级及每个初始班级中的各个学生个体;
基于所述目标适应度函数和预设算子,对所述每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体;
基于所述最优学生个体,确定所述目标有功功率;
其中,所述学校优化算法包括所述预设算子,所述预设算子包括自适应算子和精英算子中的至少一项,所述自适应算子用于确定当前迭代过程中每个所述学生个体的教学因子,所述精英算子用于保存完成当前迭代过程所生成的预设数量的目标学生个体,以根据所述预设数量的目标学生个体,确定下一次迭代过程中各个初始班级的学生个体;
其中,所述自适应算子的公式为:
2.根据权利要求1所述的双碳目标下的电力综合能源系统调度方法,其特征在于,所述预设算子包括所述自适应算子和所述精英算子,所述基于所述目标适应度函数和预设算子,对所述每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体,包括:
基于所述目标适应度函数和所述自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子;
基于所述每个初始班级中每个学生个体的教学因子,对所述每个初始班级中的每个学生个体执行教师阶段和学生阶段的操作,更新每个所述学生个体在搜索空间中的位置,得到更新后的每个学生个体;
计算所述更新后的每个学生个体的适应度值,并从所有更新后的学生个体中确定所述预设数量的目标学生个体;
基于所述精英算子,保存所述预设数量的目标学生个体,并将所述预设数量的目标学生个体中满足目标条件的目标学生个体放入到下一次迭代过程中的各个初始班级中;
在当前迭代次数满足所述预设迭代终止条件的情况下,从保存的所述预设数量的目标学生个体中确定所述最优学生个体。
3.根据权利要求2所述的双碳目标下的电力综合能源系统调度方法,其特征在于,所述基于所述目标适应度函数和所述自适应算子,确定当前迭代过程的每个初始班级中每个学生个体的教学因子,包括:
基于所述目标适应度函数,确定所述每个初始班级中每个学生个体的适应度值;
基于所述每个班级中每个学生个体的适应度值,计算所有学生个体的平均适应度值;
基于所述自适应算子、每个所述学生个体的适应度值和所述所有学生个体的平均适应度值,确定当前迭代过程的每个初始班级中每个学生个体的教学因子。
4.根据权利要求1所述的双碳目标下的电力综合能源系统调度方法,其特征在于,所述基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型,包括:
基于所述火电能源发电机组的有功功率,确定火电能源产生的有功出力和二氧化碳排放量;
以所述火电能源产生的有功出力和二氧化碳排放量最低为优化目标,构建目标函数,并基于所述火电能源发电机组的有功功率和所述清洁能源发电机组的有功功率,确定目标约束条件;
基于所述目标函数和所述目标约束条件,建立所述电力综合能源系统的能源调度模型。
5.一种双碳目标下的电力综合能源系统调度装置,其特征在于,包括:
建模模块,用于基于电力综合能源系统中火电能源发电机组的有功功率和清洁能源发电机组的有功功率,建立所述电力综合能源系统的能源调度模型;
处理模块,用于基于所述能源调度模型的目标函数,确定目标适应度函数,其中,所述能源调度模型的目标函数是以所述火电能源发电机组产生的有功出力和碳排放量最低为目标构建的;
调度模块,用于根据所述火电能源发电机组的目标运行参数,以所述目标适应度函数最小为优化目标,对所述目标适应度函数进行迭代求解,确定最小适应度值对应的目标有功功率,以将所述火电能源发电机组运行的有功功率调整为所述目标有功功率;
其中,所述调度模块具体用于:
根据所述火电能源发电机组的目标运行参数,进行学校优化算法初始化,获取多个初始班级及每个初始班级中的各个学生个体;
基于所述目标适应度函数和预设算子,对所述每个初始班级中的各个学生个体进行学校优化算法的操作,在满足预设迭代终止条件的情况下,获得适应度值最小的最优学生个体;
基于所述最优学生个体,确定所述目标有功功率;
其中,所述学校优化算法包括所述预设算子,所述预设算子包括自适应算子和精英算子中的至少一项,所述自适应算子用于确定当前迭代过程中每个所述学生个体的教学因子,所述精英算子用于保存完成当前迭代过程所生成的预设数量的目标学生个体,以根据所述预设数量的目标学生个体,确定下一次迭代过程中各个初始班级的学生个体;
其中,所述自适应算子的公式为:
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述双碳目标下的电力综合能源系统调度方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述双碳目标下的电力综合能源系统调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137814.4A CN114565236B (zh) | 2022-02-15 | 2022-02-15 | 一种双碳目标下的电力综合能源系统调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137814.4A CN114565236B (zh) | 2022-02-15 | 2022-02-15 | 一种双碳目标下的电力综合能源系统调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565236A CN114565236A (zh) | 2022-05-31 |
CN114565236B true CN114565236B (zh) | 2023-04-18 |
Family
ID=81713931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137814.4A Active CN114565236B (zh) | 2022-02-15 | 2022-02-15 | 一种双碳目标下的电力综合能源系统调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565236B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598294A (zh) * | 2020-04-13 | 2020-08-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型教学优化的主动配电网重构算法和装置 |
CN113887973A (zh) * | 2021-10-09 | 2022-01-04 | 国网河北省电力有限公司经济技术研究院 | 一种综合能源系统的多目标规划方法、装置及终端设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170129B (zh) * | 2011-04-22 | 2014-02-26 | 武汉大学 | 一种基于大规模风电并网的电力系统低碳调度方法及其装置 |
JP5661833B2 (ja) * | 2013-02-28 | 2015-01-28 | ファナック株式会社 | 線状パターンを含む対象物の外観検査装置及び外観検査方法 |
CN106837678B (zh) * | 2017-03-15 | 2018-09-25 | 大连大学 | 基于改进tlbo算法的水轮发电机组pid调速器参数优化 |
CN107665384B (zh) * | 2017-10-27 | 2021-02-19 | 天津大学 | 一种含多区域能源站的电力-热力综合能源系统调度方法 |
CN108448649A (zh) * | 2018-03-21 | 2018-08-24 | 广东电网有限责任公司电力科学研究院 | 一种基于自主学习群搜索算法的联合调度方法及系统 |
CN108964128B (zh) * | 2018-08-07 | 2021-07-20 | 燕山大学 | 基于电锅炉与储热装置协调供热的低碳经济调度求解方法 |
CN111506855B (zh) * | 2020-02-18 | 2023-06-30 | 华北理工大学 | 利用tlbo算法优化深度置信网络模型预测海洋数据的方法 |
US11610214B2 (en) * | 2020-08-03 | 2023-03-21 | Global Energy Interconnection Research Institute North America | Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus |
CN112488363B (zh) * | 2020-11-09 | 2022-05-31 | 国网湖北省电力有限公司电力科学研究院 | 基于广义储能的多能源电力系统优化调度方法 |
-
2022
- 2022-02-15 CN CN202210137814.4A patent/CN114565236B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598294A (zh) * | 2020-04-13 | 2020-08-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型教学优化的主动配电网重构算法和装置 |
CN113887973A (zh) * | 2021-10-09 | 2022-01-04 | 国网河北省电力有限公司经济技术研究院 | 一种综合能源系统的多目标规划方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114565236A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN109451012B (zh) | 一种端云协同负载均衡调度方法、系统及存储介质 | |
CN108596438B (zh) | 一种多目标野花算法的动态环境经济调度方法 | |
CN114565237B (zh) | 用于多能组合发电站的综合能源低碳调度方法及系统 | |
CN109670655B (zh) | 一种电力系统多目标粒子群优化调度方法 | |
CN113255138B (zh) | 一种电力系统负荷分配优化方法 | |
CN110766210B (zh) | 一种梯级水库群短期优化调度方法与系统 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN114565236B (zh) | 一种双碳目标下的电力综合能源系统调度方法及装置 | |
Herrera-Lozada et al. | A micro artificial immune system | |
CN115169754B (zh) | 能源调度方法、装置、电子设备及存储介质 | |
CN115277445B (zh) | 一种基于QoS目标的微服务系统调度优化方法 | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
CN114723217A (zh) | 碳中和目标下的综合能源供给侧配置方法和系统 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
CN114707795A (zh) | 综合能源优化调度方法和系统、电子设备及存储介质 | |
CN114580298A (zh) | 一种基于rbf-isbo的微电网优化调度方法及系统 | |
CN109754108A (zh) | 基于变加速度系数混沌粒子群的机组经济负荷分配方法 | |
Li et al. | Research on intelligent volume algorithm based on improved genetic annealing algorithm | |
CN111915160A (zh) | 一种大规模水库群发电调度柔性优化方法与系统 | |
CN114565238B (zh) | 综合能源低碳调度方法及装置 | |
CN104573813A (zh) | 一种基于运行过程中历史信息自适应的人工蜂群优化方法 | |
Zhang et al. | Robot path planning based on shuffled frog leaping algorithm combined with genetic algorithm | |
Zhang et al. | Research on electrical load distribution using an improved bacterial foraging algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |