CN114723136B - 计及光热电站镜场面积和储热容量的优化运行方法 - Google Patents
计及光热电站镜场面积和储热容量的优化运行方法 Download PDFInfo
- Publication number
- CN114723136B CN114723136B CN202210364647.7A CN202210364647A CN114723136B CN 114723136 B CN114723136 B CN 114723136B CN 202210364647 A CN202210364647 A CN 202210364647A CN 114723136 B CN114723136 B CN 114723136B
- Authority
- CN
- China
- Prior art keywords
- photo
- power station
- thermal power
- time
- heat storage
- 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
- 238000005338 heat storage Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 71
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000010168 coupling process Methods 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 230000005855 radiation Effects 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 42
- 238000010248 power generation Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000005494 condensation Effects 0.000 claims description 6
- 238000009833 condensation Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005485 electric heating Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- H02J3/38—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
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明具体涉及计及光热电站镜场面积和储热容量的优化运行方法,包括:基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用,结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型,建立考虑光热电站镜场面积和储热容量的优化配置模型;通过层次聚类法对光热电站的太阳直射辐射数据即DNI数据进行聚类处理;通过粒子群算法结合聚类后的DNI数据求解考虑光热电站镜场面积和储热容量的优化配置模型,得到对应的模型最优解结果,进而将模型最优解结果应用于光热电站的优化运行。本发明将光热电站镜场面积和储热容量参数纳入运行优化规划中,进而能够在保证系统运行经济性的基础上考虑光热电站参数对系统整体可靠性的影响。
Description
技术领域
本发明涉及光热发电技术领域,具体涉及计及光热电站镜场面积和储热容量的优化运行方法。
背景技术
太阳能因其广泛性和充足性而处于可再生能源发展的重要位置,同时,光热发电也是未来可再生能源规模化发电的重要基础之一。纵观光热发电技术三十多年来的发展历程,其在聚光跟踪、集热、传输、存储、转换等环节都取得了长足的进步,正朝着产业化和规模化发展。但是,由于起步较晚,商业化并不普遍,光热电站仍面临着高额的投资成本。因此,为了提高光热电站的经济可行性,对光热电站各子系统进行合理规划对场站本身及系统的经济运行具有重要意义。
针对光热电站运行优化的问题,公开号为CN110994698A的中国专利公开了《一种太阳能光伏-光热联合发电系统优化运行方法》,其利用热量在光热电站内部各部分的平衡机理来建立光热电站的发电模型,并在此基础上建立光伏-光热联合发电模型,构建太阳能光伏-光热联合发电优化运行调度策略,能够计及太阳能能源消纳最多、净负荷波动程度最小以及电力系统运维成本最少。
上述现有方案中的发电系统优化运行方法是一种以光伏-光热联合系统收益最大且跟随负荷能力最强为目标的优化运行方法。但申请人发现,上述现有方案以及其他现有方案,基本以考虑自身收益的场站级层面或系统综合运行收益的系统级层面进行规划,其一般从系统收益的不同角度考虑了光热电站对系统运行的经济性影响,而未考虑规划参数对系统可靠性的影响,也就是说,现有方案对光热电站运行优化的考虑不够全面。因此,如何设计一种能够同时提高系统运行经济性和运行可靠性的优化运行方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种计及光热电站镜场面积和储热容量的优化运行方法,以将光热电站镜场面积和储热容量参数纳入运行优化规划中,进而能够在保证系统运行经济性的基础上考虑光热电站参数对系统整体可靠性的影响,从而能够同时提高系统运行经济性和运行可靠性。
为了解决上述技术问题,本发明采用了如下的技术方案:
计及光热电站镜场面积和储热容量的优化运行方法,包括以下步骤:
S1:基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用,结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型,建立考虑光热电站镜场面积和储热容量的优化配置模型;
S2:通过层次聚类法对光热电站的太阳直射辐射数据即DNI数据进行聚类处理;
S3:通过粒子群算法结合聚类后的DNI数据求解考虑光热电站镜场面积和储热容量的优化配置模型,得到对应的模型最优解结果,进而将模型最优解结果应用于光热电站的优化运行。
优选的,步骤S1中,考虑光热电站镜场面积和储热容量的优化配置模型,以光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和最小为目标函数;
考虑光热电站镜场面积和储热容量的优化配置模型表示为:
式中:F表示目标函数,即光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和;ICSF表示SF投资成本等年值;ICTES表示TES投资成本等年值;ωy表示年化系数;Nstate表示一阶故障场景数;表示场景ns的概率;和/>分别表示场景ns下的常规火电机组燃料成本、热电机组燃料成本、EH装置使用成本及负荷损失成本;ISF表示SF投资价格;ITES表示TES投资价格;Crf表示年化率;r表示贴现率;Y表示研究周期年数;Ai和Uj分别表示元件i、j的可用率和不可用率;Ωsa表示正常工作元件集;Ωsu表示故障元件集;/>表示光热电站发电功率上限;/>表示光热电站供热功率上限;ASF表示镜场面积;SM表示光电容量比;ηSF和ηPB分别表示光热转换效率和热电转换效率;RDNI表示标准DNI值;Emax表示蓄热罐容量上限;HTES表示储热时间;ηd表示放热效率。
优选的,步骤S1中,考虑光热电站镜场面积和储热容量的优化配置模型的约束条件包括但不限于光热电站约束、热电机组约束、其他设备约束和系统功率平衡约束。
优选的,光热电站约束包括光热电站集热子系统约束、光热电站换热和发电子系统约束以及光热电站储热约束;
光热电站集热子系统约束表示为:
式中:表示t时刻能够利用的太阳辐射热能;/>表示t时刻镜场输出的热能;表示t时刻镜场弃光量;/>表示t时刻集热子系统运行状态;ASF表示镜场面积;ηSF表示光热转换效率;
光热电站换热和发电子系统约束表示为:
式中:表示t时刻镜场输出的热能;/>表示t时刻储热量;/>表示t时刻放热量;/>表示t时刻发电模块接收热能;/>表示t时刻光热电站发电功率;/>表示t时刻光热电站供热功率;/>表示光热电站发电功率上限;/>表示光热电站供热功率上限;和/>分别表示t时刻换热子系统和发电子系统的运行状态;/>表示t时刻的PB启停状态;PSU表示发电模块启动所需热能;ηPB表示热电转换效率;
光热电站储热约束表示为:
Emin≤Et≤Emax;
ET=Et0;
式中:表示t时刻蓄热罐侧储热量;/>表示t时刻储热量;/>表示t时刻蓄热罐侧放热量;/>表示蓄热罐储/放热上限;ET表示模拟周期结束时蓄热罐的热量;Et0表示模拟周期开始时蓄热罐的热量;/>表示光热电站储热和放热不能同时进行;ET=Et0表示在光热电站蓄热罐在模拟周期始末储热量保持不变;Et表示t时刻蓄热罐内的热量;Emin表示蓄热罐容量下限值;Emax表示蓄热罐容量上限值;ηc和ηd分别表示储热效率和放热效率;ηTES表示储热罐的转换效率。
优选的,热电机组约束表示为:
式中:表示热电机组k的背压运行弹性系数;rk为常数,/>表示t时刻热电机组k的运行状态;/>表示热电机组k在纯凝工况下t时刻的发电功率;/>表示热电机组k的cv值;/>表示热电机组k在t时刻的供热功率;/>表示热电机组k在t时刻的发电功率;/>和/>分别表示t时刻第k台热电机组在纯凝工况下发电功率下限值和上限值。
优选的,其他设备约束表示为:
式中:表示常规机组k的出力上限;/>表示t时刻常规机组k的运行状态;ηEH表示EH装置的转换效率;/>表示t时刻EH装置输出的热功率;/>表示EH装置转换功率上限;/>表示t时刻EH装置输出的发电功率;/>表示常规机组k的出力。
优选的,系统功率平衡约束包括系统功率平衡约束1、系统功率平衡约束2、和系统功率平衡约束3;
系统功率平衡约束1表示为:
式中:表示t时刻系统提供的电功率;/>表示t时刻系统向常年性热负荷提供的热功率;/>表示t时刻系统向季节性热负荷提供的热功率;/>表示t时刻光热电站发电功率;/>表示t时刻光热电站供热功率;/>表示t时刻EH装置输出的发电功率;/>表示t时刻EH装置输出的热功率;/>表示常规机组k的出力;KCHP表示热电机组数量;Kgen表示常规机组数量;/>表示热电机组k在t时刻的供热功率;/>表示热电机组k在t时刻的发电功率;cw表示工质水的比热容;m表示管道内热水工质流量;/>和/>分别表示t时刻供水管道入口温度和回水管道的出口温度;
系统功率平衡约束2表示为:
式中:表示t时刻系统电负荷削减量;/>表示t时刻系统提供的电功率;/>表示t时刻系统的电负荷大小;/>表示t时刻系统热负荷削减量;/>表示t时刻系统向常年性热负荷提供的热功率;/>表示t时刻系统的热负荷大小;
系统功率平衡约束3表示为:
式中:表示供水管道水温下限;/>表示供水管道水温上限;/>表示回水管道水温下限;/>表示回水管道水温上限;/>和/>分别表示t时刻供水管道的入口温度和供水管道的出口温度。
优选的,步骤S2中,具体包括以下步骤:
S201:将DNI数据转换为DNI向量,并将DNI向量各自作为一个DNI类,即每个DNI类仅对应一个DNI向量;
S202:计算不同DNI类之间的距离,并把距离最近的DNI类合并为一个新DNI类;
S203:计算新DNI类之间的距离,并合并距离最近的DNI类,每次减少一个DNI类;
S204:判断DNI类的类别数是否达到预设要求或所有DNI向量是否被合并为一个DNI类:若是,则完成聚类;否则,返回步骤S202。
优选的,步骤S3中,具体包括以下步骤:
S301:初始化粒子群算法的迭代次数md=1,确定种群规模与最大迭代次数M,随机初始化粒子的优化速度和位置,即光热电站的光电容量比和储热时间;
S302:计算初始粒子的适应值F(pg),得到初始粒子的个体最优值和种群的全局最优值;其中,适应值F(pg)表示考虑光热电站镜场面积和储热容量的优化配置模型的目标函数值;
S303:每一个粒子根据历史数据更新自身优化速度和位置;
S304:基于各个粒子的优化速度和位置计算更新适应值F(pg),得到各个粒子的个体最优值和种群的全局最优值;
S305:判断md是否达到最大迭代次数M:若是,则基于个体最优值和种群的全局最优值选取最优适应值的粒子pg及其适应值F(pg)作为模型最优解结果;否则,令md=md+1,并返回步骤S303。
优选的,步骤S301中,设初始种群具有N个粒子,第i个粒子的初始位置Xi=(xi1,xi2)i=1,2,…,N;第i个粒子的初始优化速度Vi=(vi1,vi2)i=1,2,…,N;
步骤S302中,第i个粒子的自身历史最优位置即个体最优值pi=(pi1,pi2)i=1,2,…,N;在所有粒子中,具有最优适应值的粒子记为pg,其位置则为全局最优值pgi=(pg1,pg2);
步骤S303中,更新粒子优化速度的公式为vid=ω·vid+c1r1(pid-xid)+c2r2(pgd-xid)d=1,2;
式中:d表示粒子i的第d维,d=1表示光电容量比SM,d=2表示储热时间HTES;ω表示惯性权重;c1和c2表示学习因子,取值为[0,4];r1和r2为两个[0,1]范围内相互独立的均匀随机数;vid表示优化速度;pid表示第i个粒子位置的坐标;xid表示第i个粒子的初始位置向量;pgd表示最优适应值粒子的坐标。
本发明中计及光热电站镜场面积和储热容量的优化运行方法,具有如下有益效果:
本发明基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型,建立了考虑光热电站镜场面积和储热容量的优化配置模型,并且优化配置模型能够以光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和最小为目标函数,使得能够有效的将光热电站镜场面积和储热容量参数纳入运行优化规划中,进而能够在保证系统运行经济性的基础上,进一步考虑光热电站参数对系统整体可靠性的影响,从而能够同时提高系统运行经济性和运行可靠性,并为含光热电站的综合能源系统的可靠安全运行或规划提供更为可靠的依据。
本发明通过层次聚类法对光热电站的DNI数据进行聚类处理,使得能够减轻模型解算时的负担,从而能够提高光热电站优化运行时的效率。
本发明通过粒子群算法结合聚类后的DNI数据求解优化配置模型得到对应的模型最优解结果并应用于光热电站的优化运行,使得能够准确、有效的解算优化配置模型,从而能够提高光热电站优化运时的准确性。
本发明通过实验验证了优化配置模型及其解算方法的经济性和有效性,并且实验结果表明,本发明的方案与不考虑负荷损失成本光电容量比和储热时间的方案相比,优化后的光电容量比和储热时间参数更加适宜于电热耦合系统模型建设。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为计及光热电站镜场面积和储热容量优化运行方法的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种计及光热电站镜场面积和储热容量的优化运行方法。
如图1所示,计及光热电站镜场面积和储热容量的优化运行方法,包括以下步骤:
S1:基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用,结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型,建立考虑光热电站镜场面积和储热容量的优化配置模型;本实施例中,考虑光热电站镜场面积和储热容量的优化配置模型,以光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和最小为目标函数。
S2:通过层次聚类法对光热电站的太阳直射辐射数据即DNI(Direct NormalIrradiation)数据进行聚类处理;
S3:通过粒子群(Particle Swarm Optimization,PSO)算法结合聚类后的DNI数据求解考虑光热电站镜场面积和储热容量的优化配置模型,得到对应的模型最优解结果,进而将模型最优解结果应用于光热电站的优化运行。本实施例中,将模型最优解结果应用于光热电站的优化运行是指,基于模型最优解结果对应的参数去设置光热电站的对应参数,进而运行光热电站。
本发明基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型,建立了考虑光热电站镜场面积和储热容量的优化配置模型,并且优化配置模型能够以光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和最小为目标函数,使得能够有效的将光热电站镜场面积和储热容量参数纳入运行优化规划中,进而能够在保证系统运行经济性的基础上,进一步考虑光热电站参数对系统整体可靠性的影响,从而能够同时提高系统运行经济性和运行可靠性,并为含光热电站的综合能源系统的可靠安全运行或规划提供更为可靠的依据。其次,本发明通过层次聚类法对光热电站的DNI数据进行聚类处理,使得能够减轻模型解算时的负担,从而能够提高光热电站优化运行时的效率。进一步的,本发明通过粒子群算法结合聚类后的DNI数据求解优化配置模型得到对应的模型最优解结果并应用于光热电站的优化运行,使得能够准确、有效的解算优化配置模型,从而能够提高光热电站优化运时的准确性。最后,本发明通过实验验证了优化配置模型及其解算方法的经济性和有效性,并且实验结果表明,本发明的方案与不考虑负荷损失成本光电容量比和储热时间的方案相比,优化后的光电容量比和储热时间参数更加适宜于电热耦合系统模型建设。
具体实施过程中,考虑光热电站镜场面积和储热容量的优化配置模型表示为:
式中:F表示目标函数,即光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和;ICSF表示SF投资成本等年值;ICTES表示TES投资成本等年值;ωy表示年化系数;Nstate表示一阶故障场景数;表示场景ns的概率;和/>分别表示场景ns下的常规火电机组燃料成本、热电机组燃料成本、EH装置使用成本及负荷损失成本;ISF表示SF投资价格;ITES表示TES投资价格;Crf表示年化率;r表示贴现率;Y表示研究周期年数;Ai和Uj分别表示元件i、j的可用率和不可用率;Ωsa表示正常工作元件集;Ωsu表示故障元件集;/>表示光热电站发电功率上限;/>表示光热电站供热功率上限;ASF表示镜场面积;SM表示光电容量比;ηSF和ηPB分别表示光热转换效率和热电转换效率;RDNI表示标准DNI值;Emax表示蓄热罐容量上限;HTES表示储热时间;ηd表示放热效率。
具体实施过程中,考虑光热电站镜场面积和储热容量的优化配置模型的约束条件包括但不限于光热电站约束、热电机组约束、其他设备约束和系统功率平衡约束。
光热电站运行过程涉及三个子系统的相互协调配合,因此光热电站约束包括光热电站集热子系统约束、光热电站换热和发电子系统约束以及光热电站储热约束;
光热电站集热子系统约束表示为:
式中:表示t时刻能够利用的太阳辐射热能;/>表示t时刻镜场输出的热能;表示t时刻镜场弃光量;/>表示t时刻集热子系统运行状态(“1”代表正常运行,“0”代表故障);ASF表示镜场面积;ηSF表示光热转换效率;
光热电站换热和发电子系统约束表示为:
式中:表示t时刻镜场输出的热能;/>表示t时刻储热量;/>表示t时刻放热量;/>表示t时刻发电模块接收热能;/>表示t时刻光热电站发电功率;/>表示t时刻光热电站供热功率;/>表示光热电站发电功率上限;/>表示光热电站供热功率上限;和/>分别表示t时刻换热子系统和发电子系统的运行状态(“1”代表正常运行,“0”代表故障);/>表示t时刻的PB启停状态;PSU表示发电模块启动所需热能;ηPB表示热电转换效率;
光热电站储热约束表示为:
Emin≤Et≤Emax;
ET=Et0;
式中:表示t时刻蓄热罐侧储热量;/>表示t时刻储热量;/>表示t时刻蓄热罐侧放热量;/>表示蓄热罐储/放热上限;ET表示模拟周期结束时蓄热罐的热量;Et0表示模拟周期开始时蓄热罐的热量;/>表示光热电站储热和放热不能同时进行;ET=Et0表示在光热电站蓄热罐在模拟周期始末储热量保持不变;Et表示t时刻蓄热罐内的热量;Emin表示蓄热罐容量下限值;Emax表示蓄热罐容量上限值;ηc和ηd分别表示储热效率和放热效率;ηTES表示储热罐的转换效率。
热电机组约束表示为:
式中:表示热电机组k的背压运行弹性系数;rk为常数,/>表示t时刻热电机组k的运行状态;/>表示热电机组k在纯凝工况下t时刻的发电功率;/>表示热电机组k的cv值;/>表示热电机组k在t时刻的供热功率;/>表示热电机组k在t时刻的发电功率;/>和/>分别表示t时刻第k台热电机组在纯凝工况下发电功率下限值和上限值。
其他设备约束(包括常规发电机组出力约束和EH装置相关约束)表示为:
式中:表示常规机组k的出力上限;/>表示t时刻常规机组k的运行状态;ηEH表示EH装置的转换效率;/>表示t时刻EH装置输出的热功率;/>表示EH装置转换功率上限;/>表示t时刻EH装置输出的发电功率;/>表示常规机组k的出力。
具体实施过程中,系统功率平衡约束包括系统功率平衡约束1、系统功率平衡约束2、和系统功率平衡约束3;
系统功率平衡约束1(包括系统电功率平衡约束和系统热功率平衡约束)表示为:
式中:表示t时刻系统提供的电功率;/>表示t时刻系统向常年性热负荷提供的热功率;/>表示t时刻系统向季节性热负荷提供的热功率;/>表示t时刻光热电站发电功率;/>表示t时刻光热电站供热功率;/>表示t时刻EH装置输出的发电功率;/>表示t时刻EH装置输出的热功率;/>表示常规机组k的出力;KCHP表示热电机组数量;Kgen表示常规机组数量;/>表示热电机组k在t时刻的供热功率;/>表示热电机组k在t时刻的发电功率;cw表示工质水的比热容;m表示管道内热水工质流量;/>和/>分别表示t时刻供水管道入口温度和回水管道的出口温度;
系统功率平衡约束2表示为:
式中:表示t时刻系统电负荷削减量;/>表示t时刻系统提供的电功率;/>表示t时刻系统的电负荷大小;/>表示t时刻系统热负荷削减量;/>表示t时刻系统向常年性热负荷提供的热功率;/>表示t时刻系统的热负荷大小;
系统功率平衡约束3表示为:
式中:表示供水管道水温下限;/>表示供水管道水温上限;/>表示回水管道水温下限;/>表示回水管道水温上限;/>和/>分别表示t时刻供水管道的入口温度和供水管道的出口温度。
本发明中考虑光热电站镜场面积和储热容量的优化配置模型,基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型建立,并且能够以光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和最小为目标函数,使得能够有效的将光热电站镜场面积和储热容量参数纳入运行优化规划中,进而能够在保证系统运行经济性的基础上,进一步考虑光热电站参数对系统整体可靠性的影响,从而能够同时提高系统运行经济性和运行可靠性。
步骤S2中,具体包括以下步骤:
S201:将DNI数据转换为DNI向量,并将DNI向量各自作为一个DNI类,即每个DNI类仅对应一个DNI向量;
S202:计算不同DNI类之间的距离,并把距离最近的DNI类合并为一个新DNI类;
S203:计算新DNI类之间的距离,并合并距离最近的DNI类,每次减少一个DNI类;
S204:判断DNI类的类别数是否达到预设要求或所有DNI向量是否被合并为一个DNI类:若是,则完成聚类;否则,返回步骤S202。
本实施例中,使用四个典型周来代表全年水平,对全年的以周为单位的DNI数据进行聚类处理,分为四类,然后选择四类的类重心作为典型周以匹配模型周期。
采用层次聚类法对DNI数据进行聚类时首先需要定义观测点即各DNI向量之间的距离和不同DNI类之间的距离。观测点之间的距离通常采用欧氏距离;类与类之间的距离通常采用利用了所有观测点数据信息的类平均法。本发明定义不同DNI类之间的平方距离为类中所有DNI向量之间平方距离和的均值,即类DI和类DJ之间的平方距离为:
式中:GIJ表示DNI类DI和DNI类DJ之间的距离;nI、nJ分别表示DNI类DI和DNI类DJ中的DNI周数(观测点数量);dij表示DNI向量xi和DNI向量xj之间的距离。
在其他优选实施例中,也可采用现有的层次聚类法实现DNI数据的聚类处理。
本发明通过层次聚类法对光热电站的DNI数据进行聚类处理,使得能够减轻模型解算时的负担,从而能够提高光热电站优化运行时的效率。
粒子群算法的基本思想是以随机解作为初始群体,以适应值作为品质评价标准,通过群体中个体之间的合作共享不断迭代,改变自身的搜索模式,追随当前最优值来寻找全局最优解。步骤S3中,具体包括以下步骤:
S301:初始化粒子群算法的迭代次数md=1,确定种群规模与最大迭代次数M,随机初始化粒子的优化速度和位置,即光热电站的光电容量比和储热时间;
本实施例中,设初始种群具有N个粒子,第i个粒子的初始位置Xi=(xi1,xi2)i=1,2,…,N;第i个粒子的初始优化速度Vi=(vi1,vi2)i=1,2,…,N;
S302:计算初始粒子的适应值F(pg),得到初始粒子的个体最优值和种群的全局最优值;其中,适应值F(pg)表示考虑光热电站镜场面积和储热容量的优化配置模型的目标函数值;
本实施例中,第i个粒子的自身历史最优位置即个体最优值pi=(pi1,pi2)i=1,2,…,N;在所有粒子中,具有最优适应值的粒子记为pg,其位置则为全局最优值pgi=(pg1,pg2);
S303:每一个粒子根据历史数据更新自身优化速度和位置;
本实施例中,通过现有粒子群算法中更新粒子位置的方式实现粒子位置的更新。
更新粒子优化速度的公式为vid=ω·vid+c1r1(pid-xid)+c2r2(pgd-xid)d=1,2;
式中:d表示粒子i的第d维,d=1表示光电容量比SM,d=2表示储热时间HTES;ω表示惯性权重;c1和c2表示学习因子,取值为[0,4];r1和r2为两个[0,1]范围内相互独立的均匀随机数;vid表示优化速度;pid表示第i个粒子位置的坐标;xid表示第i个粒子的初始位置向量;pgd表示最优适应值粒子的坐标。
S304:基于各个粒子的优化速度和位置计算更新适应值F(pg),得到各个粒子的个体最优值和种群的全局最优值;
S305:判断md是否达到最大迭代次数M:若是,则基于个体最优值和种群的全局最优值选取最优适应值的粒子pg及其适应值F(pg)作为模型最优解结果;否则,令md=md+1,并返回步骤S303。
在其他优选实施例中,也可采用现有的粒子群算法解算优化配置模型。
本发明通过粒子群算法结合聚类后的DNI数据求解优化配置模型得到对应的模型最优解结果并应用于光热电站的优化运行,使得能够准确、有效的解算优化配置模型,从而能够提高光热电站优化运时的准确性。
为了更好的说明本发明技术方案的优势,本实施例中公开了如下实验。
本实验将考虑光热电站镜场面积和储热容量的优化配置模型应用于含光热电站的电热耦合系统,所有分析均使用MATLAB 2018a在Inter Core i5-6600 3.3GHz的处理器、内存16GB的计算机上进行计算分析,并采用Gurobi 9.1.0进行求解。
该电热耦合系统包含1个光热电站、2台热电机组、11台常规火电机组和1个EH装置。
光热电站技术参数见表1;热电机组相关参数见表2;常规机组相关参数见表3;负荷周和季节调整系数见表4。
表1 光热电站技术参数
表2 热电机组相关参数
表3 常规机组相关参数
表4 负荷周和季节调整系数
首先对本发明所提出的优化配置模型的规划结果进行分析,并与优化前的不考虑负荷损失成本的光电容量比和储热时间进行比较,优化前后的光电容量比SM和储热时间HTES如表5所示。
表5 优化配置前后的光热电站光电容量比和储热时间
对比优化前后的SM和HTES可以看出:优化前不考虑负荷损失成本的光电容量比和储热时间较小,优化后SM和HTES都有所增大。由于优化前的系统不考虑可靠性的影响,仅在投资成本上做到了尽量降低,但是带来的是较大的负荷损失成本,使得系统总成本较高;优化后的系统略微增加了投资成本,但是负荷损失成本和生产成本分别降低了1.55×106元和1.39×106元,系统总成本减少了1.07×106元,优化后的光电容量比和储热时间显然在投资费用与运行费用之间衡量更为准确,做到了系统总费用更低更优。之后针对优化配置模型在不同DNI强度下的规划结果进行比对分析。基于基本算例DNI的规划结果,选取两个位于中国西北某地区的辐照强度,分别采用更小和更大的DNI进行规划,结果对比如表6所示。
表6 不同辐照强度下的光热电站光电容量比和储热时间
从表6可以看出:地区A的规划结果与基本算例的结果相比,光电容量比更大,储热时间更小,这是因为地区A的辐照强度更弱,为了能够多接收太阳辐射能,增大产能,光电容量比相比于基本算例的结果只能更大;同时,由于地区A的辐照强度限制,储热罐容量则不需要那么大。此外,由于地区A的DNI较小,光热电站运行和出力都会受到影响,从而系统的负荷损失成本和生产成本分别增大了1.41×106元和1.1×106元,总成本增大了2.78×106元。
同样,对辐照强度较基本算例的更强的地区B,由于辐照强度较大,光电容量比较小也可接收到足够的太阳辐射,储热容量相应的也需要较大才能存储镜场转换的热能,因此,地区B的规划结果与基本算例的结果相比,光电容量比更小,储热时间更大;此外,由于地区A的DNI较大,光热电站运行和出力更优,从而系统的负荷损失成本和生产成本分别减小了0.57×106元和0.76×106元,总成本减小了1.15×106元。
结论:
本发明通过实验验证了优化配置模型及其解算方法的经济性和有效性,并且实验结果表明,本发明的方案与不考虑负荷损失成本光电容量比和储热时间的方案相比,优化后的光电容量比和储热时间参数更加适宜于电热耦合系统模型建设。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.计及光热电站镜场面积和储热容量的优化运行方法,其特征在于,包括以下步骤:
S1:基于光热电站的光电容量比、储热时间以及系统负荷削减的负荷损失费用,结合电热耦合系统最优负荷削减模型和光热电站多状态可靠性模型,建立考虑光热电站镜场面积和储热容量的优化配置模型;
步骤S1中,考虑光热电站镜场面积和储热容量的优化配置模型,以光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和最小为目标函数;
考虑光热电站镜场面积和储热容量的优化配置模型表示为:
式中:F表示目标函数,即光热电站集热环节的镜场面积和储热容量的投资成本、系统生产成本和负荷损失成本之和;ICSF表示SF投资成本等年值;ICTES表示TES投资成本等年值;ωy表示年化系数;Nstate表示一阶故障场景数;表示场景ns的概率;/>和分别表示场景ns下的常规火电机组燃料成本、热电机组燃料成本、EH装置使用成本及负荷损失成本;ISF表示SF投资价格;ITES表示TES投资价格;Crf表示年化率;r表示贴现率;Y表示研究周期年数;Ai和Uj分别表示元件i、j的可用率和不可用率;Ωsa表示正常工作元件集;Ωsu表示故障元件集;/>表示光热电站发电功率上限;/>表示光热电站供热功率上限;ASF表示镜场面积;SM表示光电容量比;ηSF和ηPB分别表示光热转换效率和热电转换效率;RDNI表示标准DNI值;Emax表示蓄热罐容量上限;HTES表示储热时间;ηd表示放热效率;
考虑光热电站镜场面积和储热容量的优化配置模型的约束条件包括但不限于光热电站约束、热电机组约束、其他设备约束和系统功率平衡约束;
光热电站约束包括光热电站集热子系统约束、光热电站换热和发电子系统约束以及光热电站储热约束;
光热电站集热子系统约束表示为:
式中:表示t时刻能够利用的太阳辐射热能;/>表示t时刻镜场输出的热能;/>表示t时刻镜场弃光量;/>表示t时刻集热子系统运行状态;ASF表示镜场面积;ηSF表示光热转换效率;
光热电站换热和发电子系统约束表示为:
式中:表示t时刻镜场输出的热能;/>表示t时刻储热量;/>表示t时刻放热量;/>表示t时刻发电模块接收热能;/>表示t时刻光热电站发电功率;/>表示t时刻光热电站供热功率;/>表示光热电站发电功率上限;/>表示光热电站供热功率上限;/>和分别表示t时刻换热子系统和发电子系统的运行状态;/>表示t时刻的PB启停状态;PSU表示发电模块启动所需热能;ηPB表示热电转换效率;
光热电站储热约束表示为:
Emin≤Et≤Emax;
ET=Et0;
式中:表示t时刻蓄热罐侧储热量;/>表示t时刻储热量;/>表示t时刻蓄热罐侧放热量;/>表示蓄热罐储/放热上限;ET表示模拟周期结束时蓄热罐的热量;Et0表示模拟周期开始时蓄热罐的热量;/>表示光热电站储热和放热不能同时进行;ET=Et0表示在光热电站蓄热罐在模拟周期始末储热量保持不变;Et表示t时刻蓄热罐内的热量;Emin表示蓄热罐容量下限值;Emax表示蓄热罐容量上限值;ηc和ηd分别表示储热效率和放热效率;ηTES表示储热罐的转换效率;
热电机组约束表示为:
式中:表示热电机组k的背压运行弹性系数;rk为常数,/> 表示t时刻热电机组k的运行状态;/>表示热电机组k在纯凝工况下t时刻的发电功率;/>表示热电机组k的cv值;/>表示热电机组k在t时刻的供热功率;/>表示热电机组k在t时刻的发电功率;/>和/>分别表示t时刻第k台热电机组在纯凝工况下发电功率下限值和上限值;
其他设备约束表示为:
式中:表示常规机组k的出力上限;/>表示t时刻常规机组k的运行状态;ηEH表示EH装置的转换效率;/>表示t时刻EH装置输出的热功率;/>表示EH装置转换功率上限;表示t时刻EH装置输出的发电功率;/>表示常规机组k的出力;
系统功率平衡约束包括系统功率平衡约束1、系统功率平衡约束2、和系统功率平衡约束3;
系统功率平衡约束1表示为:
式中:表示t时刻系统提供的电功率;/>表示t时刻系统向常年性热负荷提供的热功率;/>表示t时刻系统向季节性热负荷提供的热功率;/>表示t时刻光热电站发电功率;表示t时刻光热电站供热功率;/>表示t时刻EH装置输出的发电功率;/>表示t时刻EH装置输出的热功率;/>表示常规机组k的出力;KCHP表示热电机组数量;Kgen表示常规机组数量;/>表示热电机组k在t时刻的供热功率;/>表示热电机组k在t时刻的发电功率;cw表示工质水的比热容;m表示管道内热水工质流量;/>和/>分别表示t时刻供水管道入口温度和回水管道的出口温度;
系统功率平衡约束2表示为:
式中:表示t时刻系统电负荷削减量;/>表示t时刻系统提供的电功率;/>表示t时刻系统的电负荷大小;/>表示t时刻系统热负荷削减量;/>表示t时刻系统向常年性热负荷提供的热功率;/>表示t时刻系统的热负荷大小;
系统功率平衡约束3表示为:
式中:表示供水管道水温下限;/>表示供水管道水温上限;/>表示回水管道水温下限;/>表示回水管道水温上限;/>和/>分别表示t时刻供水管道的入口温度和供水管道的出口温度;
S2:通过层次聚类法对光热电站的太阳直射辐射数据即DNI数据进行聚类处理;
步骤S2中,具体包括以下步骤:
S201:将DNI数据转换为DNI向量,并将DNI向量各自作为一个DNI类,即每个DNI类仅对应一个DNI向量;
S202:计算不同DNI类之间的距离,并把距离最近的DNI类合并为一个新DNI类;
S203:计算新DNI类之间的距离,并合并距离最近的DNI类,每次减少一个DNI类;
S204:判断DNI类的类别数是否达到预设要求或所有DNI向量是否被合并为一个DNI类:若是,则完成聚类;否则,返回步骤S202;
S3:通过粒子群算法结合聚类后的DNI数据求解考虑光热电站镜场面积和储热容量的优化配置模型,得到对应的模型最优解结果,进而将模型最优解结果应用于光热电站的优化运行;
步骤S3中,具体包括以下步骤:
S301:初始化粒子群算法的迭代次数md=1,确定种群规模与最大迭代次数M,随机初始化粒子的优化速度和位置,即光热电站的光电容量比和储热时间;
步骤S301中,设初始种群具有N个粒子,第i个粒子的初始位置Xi=(xi1,xi2)i=1,2,…,N;第i个粒子的初始优化速度Vi=(vi1,vi2)i=1,2,…,N;
步骤S302中,第i个粒子的自身历史最优位置即个体最优值pi=(pi1,pi2)i=1,2,…,N;在所有粒子中,具有最优适应值的粒子记为pg,其位置则为全局最优值pgi=(pg1,pg2);
步骤S303中,更新粒子优化速度的公式为vid=ω·vid+c1r1(pid-xid)+c2r2(pgd-xid)d=1,2;
式中:d表示粒子i的第d维,d=1表示光电容量比SM,d=2表示储热时间HTES;ω表示惯性权重;c1和c2表示学习因子,取值为[0,4];r1和r2为两个[0,1]范围内相互独立的均匀随机数;vid表示优化速度;pid表示第i个粒子位置的坐标;xid表示第i个粒子的初始位置向量;pgd表示最优适应值粒子的坐标;
S302:计算初始粒子的适应值F(pg),得到初始粒子的个体最优值和种群的全局最优值;
其中,适应值F(pg)表示考虑光热电站镜场面积和储热容量的优化配置模型的目标函数值;
S303:每一个粒子根据历史数据更新自身优化速度和位置;
S304:基于各个粒子的优化速度和位置计算更新适应值F(pg),得到各个粒子的个体最优值和种群的全局最优值;
S305:判断md是否达到最大迭代次数M:若是,则基于个体最优值和种群的全局最优值选取最优适应值的粒子pg及其适应值F(pg)作为模型最优解结果;否则,令md=md+1,并返回步骤S303。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364647.7A CN114723136B (zh) | 2022-04-07 | 2022-04-07 | 计及光热电站镜场面积和储热容量的优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364647.7A CN114723136B (zh) | 2022-04-07 | 2022-04-07 | 计及光热电站镜场面积和储热容量的优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723136A CN114723136A (zh) | 2022-07-08 |
CN114723136B true CN114723136B (zh) | 2024-04-16 |
Family
ID=82241938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210364647.7A Active CN114723136B (zh) | 2022-04-07 | 2022-04-07 | 计及光热电站镜场面积和储热容量的优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723136B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276088B (zh) * | 2022-08-02 | 2023-08-08 | 国网甘肃省电力公司经济技术研究院 | 一种联合发电系统中光热电站储热容量优化配置方法 |
CN117109345B (zh) * | 2023-08-24 | 2024-04-26 | 华北电力大学 | 耦合火电机组的高温熔盐储热装置的优化配置方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014026610A1 (zh) * | 2012-08-14 | 2014-02-20 | 北京兆阳能源技术有限公司 | 一种太阳能聚集系统 |
CN110555571A (zh) * | 2019-09-25 | 2019-12-10 | 重庆大学 | 计及光热电站和温控设备的微电网及其最优经济运行方法 |
CN113378447A (zh) * | 2021-07-07 | 2021-09-10 | 华北电力大学(保定) | 一种太阳能光热电站参与的黑启动服务定价方法 |
CN113381403A (zh) * | 2021-06-09 | 2021-09-10 | 河海大学 | 基于运行可靠性的光热-生物质混合电站容量配置方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106998079B (zh) * | 2017-04-28 | 2020-05-05 | 东南大学 | 一种热电联合优化调度模型的建模方法 |
-
2022
- 2022-04-07 CN CN202210364647.7A patent/CN114723136B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014026610A1 (zh) * | 2012-08-14 | 2014-02-20 | 北京兆阳能源技术有限公司 | 一种太阳能聚集系统 |
CN110555571A (zh) * | 2019-09-25 | 2019-12-10 | 重庆大学 | 计及光热电站和温控设备的微电网及其最优经济运行方法 |
CN113381403A (zh) * | 2021-06-09 | 2021-09-10 | 河海大学 | 基于运行可靠性的光热-生物质混合电站容量配置方法 |
CN113378447A (zh) * | 2021-07-07 | 2021-09-10 | 华北电力大学(保定) | 一种太阳能光热电站参与的黑启动服务定价方法 |
Non-Patent Citations (2)
Title |
---|
光热电站热能储存最优分配研究;陈德秋;电子世界;20201015(第19期);70-71 * |
计及条件风险价值的含储热光热电站与风电电力系统经济调度;车泉辉;电工技术学报;20190510;第34卷(第10期);2047-2055 * |
Also Published As
Publication number | Publication date |
---|---|
CN114723136A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723136B (zh) | 计及光热电站镜场面积和储热容量的优化运行方法 | |
CN111463836B (zh) | 一种综合能源系统优化调度方法 | |
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 | |
CN110601177B (zh) | 一种含风电、光伏发电的微电网经济优化方法 | |
CN114529075A (zh) | 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法 | |
CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN116993128B (zh) | 一种综合能源系统深度强化学习低碳调度方法及系统 | |
CN116681171A (zh) | 一种多场景综合能源系统分布鲁棒优化调度方法和系统 | |
CN107276121A (zh) | 一种计及不确定性因素的家庭并网协同经济调度优化方法 | |
CN112418488A (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 | |
CN116957362A (zh) | 一种区域综合能源系统的多目标规划方法及系统 | |
CN113255224A (zh) | 一种基于发光萤火虫算法的能源系统配置优化方法 | |
CN114322044B (zh) | 一种综合能源系统及其运行控制方法 | |
CN117791739B (zh) | 基于新型源储设备的综合能源微网可靠性控制方法及装置 | |
CN112001639B (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
CN118034874A (zh) | Cchp系统的运行优化方法、装置、设备及存储介质 | |
CN111967646A (zh) | 一种虚拟电厂可再生能源优化配置方法 | |
CN115189402B (zh) | 一种光热-光伏-风电联合出力概率建模方法 | |
CN116502921A (zh) | 一种园区综合能源系统优化管理系统及其协调调度方法 | |
CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
CN114400713A (zh) | 综合能源系统区间优化调度方法 | |
CN115693793A (zh) | 一种区域微电网能源优化控制方法 | |
CN114861521A (zh) | 一种冷热电联供型微电网容量优化配置的方法 | |
CN112365134A (zh) | 一种基于点估计法概率多能流的能源网络随机规划方法 | |
CN114565244B (zh) | 综合能源系统的优化调度方法及装置 |
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 |