CN114723217B - 碳中和目标下的综合能源供给侧配置方法和系统 - Google Patents
碳中和目标下的综合能源供给侧配置方法和系统 Download PDFInfo
- Publication number
- CN114723217B CN114723217B CN202210137884.XA CN202210137884A CN114723217B CN 114723217 B CN114723217 B CN 114723217B CN 202210137884 A CN202210137884 A CN 202210137884A CN 114723217 B CN114723217 B CN 114723217B
- Authority
- CN
- China
- Prior art keywords
- locust
- supply side
- energy
- energy supply
- optimal solution
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000006386 neutralization reaction Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 66
- 239000007789 gas Substances 0.000 claims description 61
- 238000005457 optimization Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 33
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 28
- 238000010367 cloning Methods 0.000 claims description 20
- 239000003345 natural gas Substances 0.000 claims description 14
- 239000003034 coal gas Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 238000005485 electric heating Methods 0.000 description 43
- 241000238814 Orthoptera Species 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 238000002922 simulated annealing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 238000010792 warming 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
- 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
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种碳中和目标下的综合能源供给侧配置方法和系统、电子设备及存储介质。该方法包括:基于能源的生产成本、对能源的需求以及碳排放量,建立能源供给侧配置模型;对所述能源供给侧模型进行优化并获得最优解;根据所述最优解,获得最优能源供给侧配置方案。本发明通过建立综合考量对能源的需求、能源的生产成本以及碳排放量的能源供给侧配置模型,并对模型进行优化求解从而获得最优能源供给侧配置方案,在满足需求侧对综合能源的正常需求和满足综合能源供给侧所供应能源的生产成本最低的同时,有效地减少了综合能源供应过程中产生的碳排放量。
Description
技术领域
本发明涉及综合能源智能调度领域,特别涉及一种碳中和目标下的综合能源供给侧配置方法和系统、电子设备及存储介质。
背景技术
随着能源技术的不断提升,目前的能源系统迎来了较大的变革,其中以综合能源系统的出现为代表。所谓的综合能源系统是指能源供给侧将多种不同的能源进行整合供应,例如电热气综合能源系统能够将电能、热能和气能进行互补供应。得益于电转气技术的进步,电能和气能的互相转换也变得越来越普遍,因此,电能、热能和气能的综合能源系统的发展直接和用户的能源需求满意程度密切相关。由于全球温室效应日益严重,综合能源供给侧在供应能源的过程中需要谨慎处理碳排放的相关问题,并且同时满足低供应成本和高用户满意程度的要求。
因此需要一种符合碳中和目标的且满足多方需求的电热气综合能源供给侧配置方法。
发明内容
为了解决目前电热气综合能源供应过程中存在的高碳排放量问题,并尽可能地减少供给侧的供给成本和增加需求侧的需求满意程度,本发明提供了一种碳中和目标下的综合能源供给侧配置方法和系统、电子设备及存储介质。
第一方面,本发明提供一种碳中和目标下的综合能源供给侧配置方法,包括:
基于能源的生产成本、对能源的需求以及碳排放量,建立能源供给侧配置模型;
对所述能源供给侧模型进行优化并获得最优解;
根据所述最优解,获得最优能源供给侧配置方案。
进一步地,对所述能源供给侧模型进行优化并获得最优解,包括:使用克隆算子和自适应算子改进的蝗虫优化算法对所述能源供给侧模型进行优化并获得最优解。
进一步地,使用克隆算子和自适应算子改进的蝗虫优化算法对所述能源供给侧模型进行优化并获得最优解,包括:
步骤一,对每个蝗虫个体进行编码,其中所述每个蝗虫个体携带一种能源供给侧配置方案;
步骤二,初始化蝗虫优化算法的参数,其中所述参数包括所述每个蝗虫个体的初始位置;
步骤三,计算所述每个蝗虫个体的适应度值,并将具有最优适应度值的蝗虫个体确定为历史最优解;
步骤四,自适应地更新蝗虫优化算法的系数,基于所述系数,通过正则化蝗虫个体之间的距离来更新蝗虫个体的位置,计算位置更新后的蝗虫个体的适应度值,根据位置更新后的蝗虫个体的适应度值选择多个蝗虫个体进行克隆,对克隆后的种群进行变异,计算克隆和变异后的蝗虫种群的适应度值并基于所述适应度值更新历史最优解;
步骤五:判断是否达到预定迭代次数,如果否,则执行步骤四,否则,执行步骤六;
步骤六:基于所述历史最优解,获得全局最优解。
进一步地,根据位置更新后的蝗虫个体的适应度值选择多个蝗虫个体进行克隆,包括:根据位置更新后的蝗虫个体的适应度值,选择所述适应度值最优的多个蝗虫个体作为克隆对象进行克隆。
进一步地,计算克隆和变异后的蝗虫种群的适应度值并基于所述适应度值更新历史最优解,包括:
计算克隆和变异后的蝗虫种群的适应度值;
基于所述克隆和变异后的蝗虫种群的适应度值与所述历史最优解对应的适应度值之间的大小关系来更新所述历史最优解,
其中,当所述克隆和变异后的蝗虫种群的适应度值小于所述历史最优解对应的适应度值时,将所述克隆和变异后的蝗虫种群的适应度值对应的蝗虫个体更新为所述历史最优解。
进一步地,所述能源的类型包括电能源、热能源、气能源。
进一步地,所述电能源的来源包括火电、水电、风电、光伏发电,所述热能源的来源包括煤碳、天然气、煤气、电生热,所述气能源的来源包括液化气、天然气、煤气、电转气。
第二方面,本发明提供一种碳中和目标下的综合能源供给侧配置系统,包括:
能源供给侧配置模型构建单元,用于基于能源的生产成本、对能源的需求以及碳排放量,建立能源供给侧配置模型;
能源供给侧配置模型优化单元,用于对所述能源供给侧模型进行优化并获得最优解;
最优能源供给侧配置方案获取单元,用于根据所述最优解,获得最优能源供给侧配置方案。
第三方面,本发明提供一种电子设备,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,所述处理器执行所述计算机程序时实现如第一方面中任一项所述碳中和目标下的综合能源供给侧配置方法的步骤。
第四方面,本发明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,其特征在于,所述计算机程序被处理器执行时实现如第一方面中任一项所述碳中和目标下的综合能源供给侧配置方法的步骤。
本发明通过建立综合考量对能源的需求、能源的生产成本以及碳排放量的能源供给侧配置模型,并对模型进行优化求解从而获得最优能源供给侧配置方案,在满足需求侧对综合能源的正常需求和满足综合能源供给侧所供应能源的生产成本最低的同时,有效地减少了综合能源供应过程中产生的碳排放量。
附图说明
图1是根据本发明实施例的碳中和目标下的综合能源供给侧配置方法的流程图;
图2是根据本发明实施例的利用改进的蝗虫优化算法对模型优化求解的流程图;
图3是基于本发明的改进的蝗虫算法的能源供给侧配置方法以及现有技术的方法的结果对比图;
图4是根据本发明实施例的碳中和目标下的综合能源供给侧配置系统的结构示意图;以及
图5是根据本发明实施例的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明或现有技术中的技术方案,以下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,以下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。
在本发明中,综合能源的类型包括电能源、热能源、气能源,其中电能源的来源包括火电、水电、风电、光伏发电,热能源的来源包括煤碳、天然气、煤气、电生热,气能源的来源包括液化气、天然气、煤气、电转气。
图1是根据本发明实施例的碳中和目标下的综合能源供给侧配置方法的流程图。
参照图1,该方法包括以下步骤:
步骤S100,综合考量电热气综合能源的需求程度,以及各种综合能源来源的生产成本及碳排放程度,建立符合碳中和目标的电热气综合能源供给侧配置模型;
步骤S200,对该供给侧配置模型进行优化并输出最优解;
步骤S300,根据所得到的最优解,获得最优电热气综合能源供给侧配置方案。
具体地,在步骤S100中,可以综合考量电热气综合能源的需求程度、能源来源的生产成本及碳排放程度,将这些因素分别存储在需求矩阵、成本矩阵和碳排放量矩阵中,构建综合优化需求、成本和碳排放量的目标函数,从而建立起符合碳中和目标的电热气综合能源供给侧配置模型(其中,具体模型可以参考下文描述的适应度值函数的表达式)。
根据上述步骤S100建立的电热气综合能源供给侧配置模型,在步骤S200中,可以对该模型进行优化从而获得最优解。
其中,针对步骤S200中对模型的优化求解,可以具有多种不同的求解算法。例如,遗传算法、粒子群优化算法、模拟退火算法等。在本发明中,对供给侧模型优化求解的方式不限于特定算法。
在下文中,将以一种改进的蝗虫优化算法作为示例说明步骤S200的操作,如图2所示。
步骤S210,采用浮点数编码的方式对蝗虫个体J进行编码,每一个蝗虫个体携带一种电热气综合能源供给侧配置方案。
步骤S220,初始化蝗虫优化算法的参数,其中包括蝗虫种群的大小Pop,蝗虫个体的初始位置Xi,i=1,2,……,Pop,每一维位置的上限ub,每一维位置的下限lb,电热气综合能源的需求矩阵H,电热气综合能源来源的成本矩阵R,电热气综合能源来源的碳排放程度矩阵F,当前迭代次数Ir,最大迭代次数MaxIr。
步骤S230,计算每个蝗虫个体的适应度值,按照适应度的大小对蝗虫个体进行排序,并记录具有最优适应度值(即,适应度值最小)的个体T的位置,其中适应度值计算公式如下:
fitnessi=Xi·(R+F)·H;
其中fitnessi表示第i个蝗虫个体的适应度值,Xi表示第i个蝗虫个体的位置,R表示能源来源的成本矩阵,F是能源来源的碳排放程度矩阵,H是电热气综合能源的需求矩阵。
步骤S240,对改进的蝗虫优化算法进行迭代,当Ir<MaxIr时,采用如下公式自适应的更新系数c:
其中Ir表示算法当前的迭代次数,MaxIr表示最大的迭代次数,cmax表示系数c的最大值,cmin表示系数c的最小值。
步骤S250,对于每一个蝗虫个体,正则化蝗虫之间的距离,通过下列公式更新当前蝗虫个体的位置:
其中ubd是第D维的上界,lbd是第D维的下界,Pop是蝗虫种群的大小,s是一个函数且其中f表示吸引强度,l表示吸引长度尺度,是第D维中截止目前找到的最优值,c是递减系数,dij是第i个蝗虫和第j个蝗虫之间的距离且dij=|xj-xi|。
步骤S260,结束种群内循环,检查更新后的蝗虫个体位置是否存在越界的情况,若有则需进行调整使其回到规定区间内,之后再次计算位置更新后蝗虫个体的适应度值,并将蝗虫个体按照适应度值进行排序;如果没有越界则直接进行到步骤S270。
步骤S270,对蝗虫种群执行克隆操作,即选出适应度最优的多个蝗虫个体(例如,克隆之前的蝗虫种群中最优的多个蝗虫个体(例如,克隆之前的蝗虫种群中最优的一半蝗虫个体))进行等比例克隆组成种群大小不变的克隆种群,之后对克隆种群进行大规模的变异,并再次计算蝗虫种群的适应度值,如果有更优的解则对历史最优解T进行更新,也是就说,如果计算出的适应度值低于历史最优解T对应的适应度值,则将该适应度值对应的蝗虫个体更新为历史最优解T。
步骤S280,判断Ir是否达到了规定的最大迭代次数MaxIr,若达到则将算法终止,输出最终的历史最优解(即,全局最优解)对应的蝗虫个体所携带的供给侧配置序列作为符合碳中和目标的电热气综合能源供给侧配置方法(即,通过全局最优解,获得最优电热气综合能源供给侧配置方案);否则,Ir=Ir+1,并返回步骤S240。
在通过上述步骤S200获得全局最优解之后,在步骤S300中,将具有全局最优解的个体所对应的调度方案确定为最优电热气综合能源供给侧配置方案。
在下文中,将通过具体示例的方式详细描述步骤S200的过程。
在本示例中,电热气综合能源供给侧提供的能源包括电、热、气三大类,其中电能的来源包括火电、水电、风电、光伏发电四种,热能的来源包括煤碳、天然气、煤气、电生热四种,气能的来源包括液化气、天然气、煤气、电转气四种。
步骤S210,假设需求侧所需的电能为800千瓦时,热能为680平方米,气能为560平方米,则在蝗虫优化算法中一个蝗虫个体的编码可以表示为:
在该编码序列中,第一行、第二行、第三行分别表示电能、热能、气能,第一列依次表示火电、煤炭、液化气,第二列依次表示水电、天然气、天然气,第三列依次表示风电、煤气、煤气,第四列依次表示光伏发电、电生热、电转气。该序列中的数字表示不同来源所占的比例,以电能也就是矩阵中的第一行为例,由于需求侧总共所需的电能为800千瓦时,则在电热气综合能源供给侧提供给需求侧的电能产生来源中,来自于火电的为800*0.3=240千瓦时,来自于水电的为800*0.4=320千瓦时,来自于风电的为800*0.1=80千瓦时,来自于光伏发电的为800*0.2=160千瓦时;热能和气能的计算方式同电能一致。
步骤S220,初始化蝗虫优化算法的参数,其中包括蝗虫种群的大小Pop,蝗虫个体的初始位置Xi,i=1,2,……,Pop,每一维位置的上限ub,每一维位置的下限lb,电热气综合能源的需求矩阵H,电热气综合能源来源的成本矩阵R,电热气综合能源来源的碳排放程度矩阵F,当前迭代次数Ir,最大迭代次数MaxIr。
在本示例中,蝗虫种群的大小Pop=50,最大迭代次数MaxIr=150,每一维位置的上限ub=1,每一维位置的下限lb=0,蝗虫个体所携带的供给侧配置矩阵的每一行的和为1,个体的初始位置在位置上下限允许的范围内随机生成,电热气综合能源的需求矩阵H=[800;680;560],电热气综合能源来源的成本矩阵R为:
电热气综合能源来源的碳排放程度矩阵F为:
在成本矩阵R和碳排放程度矩阵F中,数值分别表示每一千瓦时或一平方米热能或一立方米气体的能源供应成本和碳排放量,在运用改进的蝗虫优化算法进行优化的过程中,需要再乘以对应的需求量,例如本示例中的电能的需求量为800千瓦时,则电能来源于火电的成本为800*0.15=120,该计算出来的成本是一个相对成本,是为了便于蝗虫优化算法的运行且根据实际的调研确定的相关系数。
步骤S230,计算每个蝗虫个体的适应度值,按照适应度的大小对蝗虫个体进行排序,并记录具有最优适应度值的个体T的位置,其中适应度值计算公式如下:
fitnessi=Xi·(R+F)·H;
其中fitnessi表示第i个蝗虫个体的适应度值,Xi表示第i个蝗虫个体的位置,R表示能源来源的成本矩阵,F是能源来源的碳排放程度矩阵,H是电热气综合能源的需求矩阵。
在本示例中,假设现在有四个蝗虫个体,它们携带的电热气综合能源供给侧配置序列分别为:
根据本发明为蝗虫优化算法设计的适应度函数可以计算得到各个蝗虫个体的适应度值,计算过程分别为:
由于本发明所提供的一种改进的蝗虫优化算法中,适应度函数值与能源供应成本和碳排放量成正比的,因此适应度值越低的蝗虫个体表示其所携带的电热气综合能源供给侧方案的能源供应成本越低以及碳排放量越低。所以可以从上述四个蝗虫个体的适应度计算得到的值可以发现蝗虫个体2的适应度值最低,表明其适应度最优。然后根据蝗虫个体2所携带的供给侧配置矩阵可以得到:供给侧提供给需求侧的电能源中来源于火电的为800*0.14=112千瓦时,来源于水电的为800*0.30=240千瓦时,来源于风电的为800*0.26=208千瓦时,来源于光伏发电的为800*0.30=240千瓦时;供给侧提供给需求侧的热能源中来源于煤碳的为680*0.26=176.8平方米,来源于天然气的为680*0.01=6.8平方米,来源于煤气的为680*0.34=231.2平方米,来源于电生热的为680*0.39=265.2平方米;供给侧提供给需求侧的气能源中来源于液化气的为560*0.27=151.2立方米,来源于天然气的为560*0.29=162.4立方米,来源于煤气的为560*0.28=156.8立方米,来源于电转气的为560*0.16=89.6立方米。
步骤S240,对改进的蝗虫优化算法进行迭代,当Ir<MaxIr时,采用如下公式自适应的更新系数c:
其中Ir表示算法当前的迭代次数,MaxIr表示最大的迭代次数,cmax表示系数c的最大值,cmin表示系数c的最小值;
步骤S250,对于每一个蝗虫个体,例如,在某个范围(例如,[1,4],例如,现在蝗虫个体正则前的值为11,22,运用正则化公式就可以变成一个1到4之间的数)内正则化蝗虫之间的距离,通过下列公式更新当前蝗虫个体的位置:
其中a和b分别是区间的边界,dmax是蝗虫个体间的最大距离,dmin是蝗虫个体间的最小距离,dij是蝗虫个体间正则化前的距离。
其中ubd是第D维的上界,lbd是第D维的下界,Pop是蝗虫种群的大小,s是一个函数且其中f表示吸引强度,l表示吸引长度,是第D维中截止目前找到的最优值,c是递减系数,dij是第i个蝗虫和第j个蝗虫之间的距离且dij=|xj-xi|。
在本示例中,ubd=1,lbd=0,假如xj=0.6,xi=0.8,则dij=|0.6-0.8|=0.2。
步骤S260,结束种群内循环,检查更新后的蝗虫个体位置是否存在越界的情况,若有则需进行调整使其回到规定区间内,之后再次计算位置更新后蝗虫个体的适应度值,并将蝗虫个体按照适应度值进行排序:
例如,若更新后的某个蝗虫个体的位置序列为:
则可以发现该个体中第一行的和大于1,不符合供给侧配置矩阵每一行和为1的规定,则需要对该个体进行调整,调整方式为将最高的值去掉,即将第一行中的0.51去掉,然后用1减去剩余位置的值,即1-0.18-0.19-0.35=0.28,所以经过调整之后的该蝗虫个体为:
步骤S270,对蝗虫种群执行克隆操作,即选出适应度最优的多个蝗虫个体进行等比例克隆组成种群大小不变的克隆种群,之后对克隆种群进行大规模的变异,并再次计算蝗虫种群的适应度值,如果有更优的解则对历史最优解T进行更新。
在本示例中,假如经过排序后的蝗虫种群的前五个适应度最优的蝗虫个体序号分别为X6、X15、X3、X43、X18,因为设定的种群大小为Pop=50,则经过等比例克隆后的克隆种群中将会分别由10个X6、X15、X3、X43和X18个体组成;为了防止算法陷入局部最优,还需要进行大规模的变异,在本示例中取变异概率Mu=0.3(仅仅作为示例,变异概率不限于该值),即对克隆种群中的每一个蝗虫个体都有30%的概率发生变异,变异的方式为对待变异的蝗虫个体的供给侧分配矩阵的某一行进行重新生成,其余两行保持不变。
步骤S280,判断Ir是否达到了规定的最大迭代次数MaxIr,若达到则将算法终止,输出全局最优的蝗虫个体所携带的供给侧配置序列作为符合碳中和目标的电热气综合能源供给侧配置方法;否则,Ir=Ir+1,并返回步骤S240。
上述实施例通过综合考量电热气综合能源的需求程度以及各种综合能源来源的生产成本及碳排放程度,建立符合碳中和目标的电热气综合能源供给侧配置模型;对该供给侧配置模型进行优化并输出最优解;根据所得到的最优解,获得最优电热气综合能源供给侧配置方案。
由以上可知,本发明通过建立综合考量对能源的需求、能源的生产成本以及碳排放量的能源供给侧配置模型,并对模型进行优化求解从而获得最优能源供给侧配置方案,在满足需求侧对综合能源的正常需求和满足综合能源供给侧所供应能源的生产成本最低的同时,有效地减少了综合能源供应过程中产生的碳排放量。
在本发明通过建立综合考量对能源的需求、能源的生产成本以及碳排放量的能源供给侧配置模型,并对模型进行优化求解从而获得最优能源供给侧配置方案,从而解决目前电热气综合能源供应过程中存在的高碳排放量问题并尽可能地减少供给侧的供给成本和增加需求侧的需求满意程度的基础上,本发明还进一步地对发明中涉及的模型优化求解的算法进行了优化,提出了使用克隆算子和自适应算子改进的蝗虫优化算法对能源供给侧模型进行优化并获得最优解。与传统的遗传算法、粒子群算法和模拟退火算法相比,本发明所提供的改进蝗虫优化算法,结合了克隆算子和自适应算子,通过克隆多份迭代过程中表现较优的个体并进行大规模的变异,并动态地改变算法的关键参数,该改进的蝗虫优化算法可以快速地寻找到问题的近似最优解并拥有较强的跳出局部最优的能力。
在下文中,示出了基于本发明的改进的蝗虫算法的能源供给侧配置方法以及现有技术的方法的示例设置。
电热气综合能源供给侧提供的能源种类包括电能源、热能源和气能源,其中电能源的来源包括火电、水电、风电和光伏发电四种,热能源的来源包括煤碳、天然气、煤气和电生热四种,气能源的来源包括液化气、天然气、煤气和电转气四种。
为了便于使用改进的蝗虫优化算法进行优化,采取提前存储电热气综合能源的需求矩阵、电热气综合能源来源的供应成本矩阵以及电热气综合能源来源的碳排放矩阵。关于算法参数设置方面,本发明所提供的改进蝗虫优化算法的种群大小Pop=50,最大迭代次数MaxIr=150,吸引强度f=0.54,吸引长度l=1.6,克隆算子选择的克隆父体为适应度值最优的前5个,大规模变异的概率为Mu=0.3;遗传算法的选择概率为0.8,交叉概率为0.85,变异概率为0.08;粒子群算法的个体学习因子和社会学习因子都置为2,惯性权重设置为0.85;模拟退火算法的初始温度为200,退火速率为0.98。三种现有技术的对比算法中的种群大小和最大迭代次数和基于本发明的改进的蝗虫优化算法保持一致。
图3示出了在以上示例设置的情况下,基于本发明的改进的蝗虫算法的能源供给侧配置方法以及现有技术的方法的结果对比图。
在图3中,基于本发明所提出来的改进的蝗虫优化算法的电热气综合能源供给侧配置方法最后优化得到的适应度值最小且为763,说明其优化的效果最优。相比之下,现有技术中的遗传算法、粒子群算法和模拟退火算法最后优化得到的结果分别是843、879和896,说明它们未能在150次迭代过程中找到更优的解,并且从图3中的曲线中可以看出,三种对比算法未能跳出局部最优,导致最后优化得到的解质量不高。综上,本发明算法在碳中和目标下的电热气综合能源供给侧配置优化方面,其性能优于遗传算法、粒子群算法和模拟退火算法,说明采用本发明所提供的方法得出的供给侧配置方法在考量了需求侧对于电热气综合能源的需求和供给侧配置能源的成本之外,还能有效的顾及到配置电热气能源过程中的碳排放量。同时相比于遗传算法、粒子群算法和模拟退火算法,本发明所提出来的改进的蝗虫优化算法的收敛速度明显更快,而遗传算法、粒子群算法、模拟退火算法在优化过程中陷入了早熟收敛,并且无法跳出局部最优,导致得到的综合能源需求响应方案质量较低,对实际应用不利。
由以上可知,本发明在解决目前电热气综合能源供应过程中存在的高碳排放量问题并尽可能地减少供给侧的供给成本和增加需求侧的需求满意程度的基础上,本发明还通过改进的蝗虫优化算法解决了优化过程中陷入早熟收敛并且无法跳出局部最优从而导致得到的综合能源需求响应方案质量较低的问题。
图4是根据本发明的碳中和目标下的综合能源供给侧配置系统的结构示意图。参照图4,该系统400包括:
能源供给侧配置模型构建单元401,用于基于能源的生产成本、对能源的需求以及碳排放量,建立能源供给侧配置模型;
能源供给侧配置模型优化单元403,用于对所述能源供给侧模型进行优化并获得最优解;
最优能源供给侧配置方案获取单元405,用于根据所述最优解,获得最优能源供给侧配置方案。
由以上可知,系统400的各个单元401至405可以分别执行参照上述实施例描述的碳中和目标下的综合能源供给侧配置方法中的各个步骤,此处将不再对其细节进行描述。
另一方面,本发明提供了一种电子设备。如图5所示,电子设备500包括处理器501、存储器502、通信接口503和通信总线504。
其中,处理器501、存储器502、通信接口503通过通信总线504完成相互间的通信。
处理器501用于调用存储器502中的计算机程序,处理器501执行计算机程序时实现如上所述的本发明实施例所提供的碳中和目标下的综合能源供给侧配置方法中的各个步骤。
此外,上述存储器中的计算机程序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,包括若干计算机程序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,本发明提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质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所述的本发明实施例所提供的碳中和目标下的综合能源供给侧配置方法中的各个步骤。
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。
最后应说明的是:以上实施例仅用于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)
1.一种碳中和目标下的综合能源供给侧配置方法,其特征在于,包括:
基于能源的生产成本、对能源的需求以及碳排放量,建立能源供给侧配置模型;
对所述能源供给侧模型进行优化并获得最优解;
根据所述最优解,获得最优能源供给侧配置方案,
其中,对所述能源供给侧模型进行优化并获得最优解,包括:使用克隆算子和自适应算子改进的蝗虫优化算法对所述能源供给侧模型进行优化并获得最优解,
其中,使用克隆算子和自适应算子改进的蝗虫优化算法对所述能源供给侧模型进行优化并获得最优解,包括:
步骤一,对每个蝗虫个体进行编码,其中所述每个蝗虫个体携带一种能源供给侧配置方案;
步骤二,初始化蝗虫优化算法的参数,其中所述参数包括所述每个蝗虫个体的初始位置;
步骤三,计算所述每个蝗虫个体的适应度值,并将具有最优适应度值的蝗虫个体确定为历史最优解;
步骤四,自适应地更新蝗虫优化算法的系数,基于所述系数,通过正则化蝗虫个体之间的距离来更新蝗虫个体的位置,计算位置更新后的蝗虫个体的适应度值,根据位置更新后的蝗虫个体的适应度值选择多个蝗虫个体进行克隆,对克隆后的种群进行变异,计算克隆和变异后的蝗虫种群的适应度值并基于所述适应度值更新历史最优解;
步骤五:判断是否达到预定迭代次数,如果否,则执行步骤四,否则,执行步骤六;
步骤六:基于所述历史最优解,获得全局最优解,其中,计算克隆和变异后的蝗虫种群的适应度值并基于所述适应度值更新历史最优解,包括:
计算克隆和变异后的蝗虫种群的适应度值;
基于所述克隆和变异后的蝗虫种群的适应度值与所述历史最优解对应的适应度值之间的大小关系来更新所述历史最优解,
其中,当所述克隆和变异后的蝗虫种群的适应度值小于所述历史最优解对应的适应度值时,将所述克隆和变异后的蝗虫种群的适应度值对应的蝗虫个体更新为所述历史最优解,
其中,针对所述步骤三,计算所述每个蝗虫个体的适应度值包括通过以下公式计算适应度值:
fitnessi=Xi·(R+F)·H
其中fitnessi表示第i个蝗虫个体的适应度值,Xi表示第i个蝗虫个体的位置,R表示能源来源的成本矩阵,F表示能源来源的碳排放程度矩阵,H是能源的需求矩阵,
其中,针对所述步骤四,通过正则化蝗虫个体之间的距离来更新蝗虫个体的位置包括通过以下公式更新位置:
2.根据权利要求1所述的碳中和目标下的综合能源供给侧配置方法,其特征在于,根据位置更新后的蝗虫个体的适应度值选择多个蝗虫个体进行克隆,包括:根据位置更新后的蝗虫个体的适应度值,选择所述适应度值最优的多个蝗虫个体作为克隆对象进行克隆。
3.根据权利要求1或2所述的碳中和目标下的综合能源供给侧配置方法,其特征在于,所述能源的类型包括电能源、热能源、气能源。
4.根据权利要求3所述的碳中和目标下的综合能源供给侧配置方法,其特征在于,所述电能源的来源包括火电、水电、风电、光伏发电,所述热能源的来源包括煤碳、天然气、煤气、电生热,所述气能源的来源包括液化气、天然气、煤气、电转气。
5.一种碳中和目标下的综合能源供给侧配置系统,其特征在于,包括:
能源供给侧配置模型构建单元,用于基于能源的生产成本、对能源的需求以及碳排放量,建立能源供给侧配置模型;
能源供给侧配置模型优化单元,用于对所述能源供给侧模型进行优化并获得最优解;
最优能源供给侧配置方案获取单元,用于根据所述最优解,获得最优能源供给侧配置方案,
其中,对所述能源供给侧模型进行优化并获得最优解,包括:使用克隆算子和自适应算子改进的蝗虫优化算法对所述能源供给侧模型进行优化并获得最优解,
其中,使用克隆算子和自适应算子改进的蝗虫优化算法对所述能源供给侧模型进行优化并获得最优解,包括:
步骤一,对每个蝗虫个体进行编码,其中所述每个蝗虫个体携带一种能源供给侧配置方案;
步骤二,初始化蝗虫优化算法的参数,其中所述参数包括所述每个蝗虫个体的初始位置;
步骤三,计算所述每个蝗虫个体的适应度值,并将具有最优适应度值的蝗虫个体确定为历史最优解;
步骤四,自适应地更新蝗虫优化算法的系数,基于所述系数,通过正则化蝗虫个体之间的距离来更新蝗虫个体的位置,计算位置更新后的蝗虫个体的适应度值,根据位置更新后的蝗虫个体的适应度值选择多个蝗虫个体进行克隆,对克隆后的种群进行变异,计算克隆和变异后的蝗虫种群的适应度值并基于所述适应度值更新历史最优解;
步骤五:判断是否达到预定迭代次数,如果否,则执行步骤四,否则,执行步骤六;
步骤六:基于所述历史最优解,获得全局最优解,其中,计算克隆和变异后的蝗虫种群的适应度值并基于所述适应度值更新历史最优解,包括:
计算克隆和变异后的蝗虫种群的适应度值;
基于所述克隆和变异后的蝗虫种群的适应度值与所述历史最优解对应的适应度值之间的大小关系来更新所述历史最优解,
其中,当所述克隆和变异后的蝗虫种群的适应度值小于所述历史最优解对应的适应度值时,将所述克隆和变异后的蝗虫种群的适应度值对应的蝗虫个体更新为所述历史最优解,
其中,针对所述步骤三,计算所述每个蝗虫个体的适应度值包括通过以下公式计算适应度值:
fitnessi=Xi·(R+F)·H
其中fitnessi表示第i个蝗虫个体的适应度值,Xi表示第i个蝗虫个体的位置,R表示能源来源的成本矩阵,F表示能源来源的碳排放程度矩阵,H是能源的需求矩阵,
其中,针对所述步骤四,通过正则化蝗虫个体之间的距离来更新蝗虫个体的位置包括通过以下公式更新位置:
6.一种电子设备,其特征在于,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,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述碳中和目标下的综合能源供给侧配置方法的步骤。
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1-4中任一项所述碳中和目标下的综合能源供给侧配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137884.XA CN114723217B (zh) | 2022-02-15 | 2022-02-15 | 碳中和目标下的综合能源供给侧配置方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137884.XA CN114723217B (zh) | 2022-02-15 | 2022-02-15 | 碳中和目标下的综合能源供给侧配置方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723217A CN114723217A (zh) | 2022-07-08 |
CN114723217B true CN114723217B (zh) | 2023-04-28 |
Family
ID=82236654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137884.XA Active CN114723217B (zh) | 2022-02-15 | 2022-02-15 | 碳中和目标下的综合能源供给侧配置方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723217B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186940B (zh) * | 2022-09-13 | 2022-12-09 | 北京邮电大学 | 综合能源调度方法、装置及设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110904A (zh) * | 2019-04-17 | 2019-08-09 | 华北电力大学 | 考虑经济性、独立性和碳排放的综合能源系统优化方法 |
CN110348631A (zh) * | 2019-07-09 | 2019-10-18 | 武汉四创自动控制技术有限责任公司 | 一种区域性电力负荷预测方法及系统 |
CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
CN112766865B (zh) * | 2021-03-02 | 2023-09-22 | 河南科技学院 | 一种考虑实时订单的互联网电商仓储动态调度方法 |
CN113468817B (zh) * | 2021-07-13 | 2023-08-22 | 淮阴工学院 | 一种基于igoa优化elm的超短期风电功率预测方法 |
CN113988399A (zh) * | 2021-10-22 | 2022-01-28 | 石河子大学 | 综合能源调度方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-15 CN CN202210137884.XA patent/CN114723217B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114723217A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023274425A1 (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
CN111611750B (zh) | 一种应用数字孪生技术的锂离子电池充电及热管理方法 | |
CN110838590B (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN114723217B (zh) | 碳中和目标下的综合能源供给侧配置方法和系统 | |
CN113937808B (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
Madraswala et al. | Genetic algorithm solution to unit commitment problem | |
CN115169916A (zh) | 一种基于安全经济的电热综合能源控制方法 | |
CN116316636A (zh) | 一种基于麻雀搜索算法的微电网优化调度方法 | |
CN114239372A (zh) | 一种考虑机组组合的多目标机组检修双层优化方法和系统 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN116345505B (zh) | 一种具备预测供能的柔性供电与制氢电力系统 | |
CN115169754B (zh) | 能源调度方法、装置、电子设备及存储介质 | |
CN114707795A (zh) | 综合能源优化调度方法和系统、电子设备及存储介质 | |
CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
CN116191421A (zh) | 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 | |
Jadhav et al. | A craziness based differential evolution algorithm for thermal-wind generation dispatch considering emission and economy with valve-point effect | |
CN114971207A (zh) | 基于改进人工蜂群算法的负荷优化分配方法 | |
CN114548790A (zh) | 一种综合能源系统碳排放分配方法、装置及相关组件 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
CN114565242A (zh) | 一种综合低碳能源基地选址智能优化方法及装置 | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN114565241B (zh) | 一种计及碳成本的电-气综合能源系统调度方法及装置 | |
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 |
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 |