CN114977247A - 一种应用于能量路由管理的扩展时间轴的粒子群算法 - Google Patents

一种应用于能量路由管理的扩展时间轴的粒子群算法 Download PDF

Info

Publication number
CN114977247A
CN114977247A CN202210529758.9A CN202210529758A CN114977247A CN 114977247 A CN114977247 A CN 114977247A CN 202210529758 A CN202210529758 A CN 202210529758A CN 114977247 A CN114977247 A CN 114977247A
Authority
CN
China
Prior art keywords
power
hydrogen
time
grid
energy routing
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
CN202210529758.9A
Other languages
English (en)
Inventor
王宝诚
任天一
孙孝峰
李昕
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202210529758.9A priority Critical patent/CN114977247A/zh
Publication of CN114977247A publication Critical patent/CN114977247A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • 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
    • H02J2300/30—The power source being a fuel cell
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种应用于能量路由管理的扩展时间轴的粒子群算法，应用于能量路由系统的能量管理领域，充分考虑未来时间点的蓄电池荷电状态约束条件，寻找基于时间的最优调度曲线，即使在未来某时刻分布式电源容量小于系统最大功率需求时，算法仍能超前规划，使蓄电池储存充足电能，以实现任意时间点调度功率及荷电状态均在约束范围内；本发明提出的扩展时间轴粒子群算法，克服了标准粒子群时间线只能单向流动的局限性，相比动态规划算法也不需要特定的算法结构，并且不存在维数灾问题，使其可在多时空范围内搜索最优曲线，有效解决了前后时间点寻优结果相互耦合的问题。

Description

一种应用于能量路由管理的扩展时间轴的粒子群算法
技术领域
本发明涉及智能电网调度领域，尤其是一种应用于能量路由管理的扩展时间轴的粒子群算法。
背景技术
在全球气候日益变暖的今天，降低碳排放已是众多行业的迫切追求，如何以可再生能源与绿色氢能源替代化石能源成为研究的热点。然而可再生能源发电具有较强随机性，其广泛接入增大了电网功率波动和影响电网稳定性。能量路由系统能够平抑新能源功率波动、参与电网调度、辅助消峰填谷、并赚取一定的经济收益，因此将其作为新能源并网的入口，并进行经济、高效的能量管理，对提高新能源并网友好性及新能源渗透率都有重要意义。
然而随着对能量路由系统的要求逐渐提高，以及光伏、风电、储能蓄电池、氢电解池和氢燃料电池等设备的接入，使能量路由系统的能量波动更加复杂，显著增大了能量管理难度，需要针对不同能量管理目标及设备特性，为各设备选择合适的控制策略并设计能量管理系统，进行自动控制和智能调度决策，在多约束的条件下，以新能源利用率最高、发电成本最低、经济效益最大为目标，调整可控分布式电源及负荷的出力，实现消峰填谷和经济调度的功能，为系统安全、稳定、经济和高效的运行提供保障。
由于能量管理是一种多目标、多约束、多阶段、多变量和复杂非线性的优化调度问题，因此需引入寻优算法计算最优调度安排，加快调度决策速度，提高调度的经济水平。然而目前常见算法只能在连续时段内，单向的对多个时间点进行逐个单点寻优，尤其是存在系统最大功率需求大于分布式电源容量的情况时，无法顾及当前时刻调度对未来时刻蓄电池SOC的影响，因此设计一种新算法以解决上述问题就具有重要意义。
发明内容
本发明需要解决的技术问题是提供一种应用于能量路由管理的扩展时间轴的粒子群算法，充分考虑未来时间点的蓄电池SOC及其他约束条件，寻找基于时间的最优曲线，即使在分布式电源容量小于系统最大功率需求时，也能够超前规划，以实现任意时间点调度功率及SOC均在约束范围内。
为解决上述技术问题，本发明所采用的技术方案是：一种应用于能量路由管理的扩展时间轴的粒子群算法，包括如下步骤：
步骤S1、以全天24h出售氢电解池制取的氢气/氧气收益、辅助电网削峰收益及从电网购电成本，构成系统收益/成本目标函数；
步骤S2、基于氢电解池、氢燃料电池、蓄电池容量及荷电状态参数，设定每时刻约束条件；
步骤S3、初始化包括全部粒子的位置X、移动速度V、迭代次数n、学习因子c1和c2、惯性系数ω在内的各项参数，生成带有时间t维度的粒子；
步骤S4、根据步骤S1中的系统收益/成本目标函数计算每个粒子适应度，得到个体最优粒子及群体最优粒子；
步骤S5、根据个体最优粒子及群体最优粒子位置更新各时刻所有粒子的速度Vi,d,t与位置Xi,d,t，并对更新后的粒子速度与位置约束范围；
步骤S6、判断当前迭代次数是否达到最大迭代次数，若达到，则停止迭代，输出最优解；否则返回步骤S4继续迭代计算。
本发明技术方案的进一步改进在于：所述步骤S1中系统收益/成本目标函数为：
Figure BDA0003645709280000021
式中，
Figure BDA0003645709280000022
为能量路由系统全天从电网取电总量；
Figure BDA0003645709280000023
为能量路由系统全天向电网馈电总量；
Figure BDA0003645709280000024
为氢电解池全天制氢总量；
Figure BDA0003645709280000025
为氢燃料电池全天用氢总量；Cb为从电网取电价格；Cs为向电网馈电价格；CH2为买卖氢气价格；CO2为出售氧气价格；
能量路由系统全天从电网取电总量的表达式为：
Figure BDA0003645709280000031
式中，
Figure BDA0003645709280000032
为t时刻能量路由系统从电网买电功率；
能量路由系统全天向电网馈电总量的表达式为：
Figure BDA0003645709280000033
式中，
Figure BDA0003645709280000034
为t时刻能量路由系统向电网卖电功率；
氢电解槽全天制氢总量的表达式为：
Figure BDA0003645709280000035
式中，
Figure BDA0003645709280000036
为t时刻能量路由系统中氢电解槽制氢速率。
氢燃料电池全天消耗氢气总量的表达式为：
Figure BDA0003645709280000037
式中，
Figure BDA0003645709280000038
为t时刻能量路由系统中氢燃料电池消耗氢气速率。
本发明技术方案的进一步改进在于：所述步骤S2中氢电解池t时刻功率Pel(t)的约束条件如下：
Figure BDA0003645709280000039
式中，Pel,max与Pel,min分别为氢电解池运行功率的最大边界和最小边界；
Figure BDA00036457092800000310
为开关量，
Figure BDA00036457092800000311
时氢电解池运行，否则停机；
氢燃料电池t时刻功率Pfc(t)的约束条件如下：
Figure BDA0003645709280000041
式中，Pfc,max与Pfc,min分别为氢燃料电池运行功率的最大边界和最小边界；
Figure BDA0003645709280000042
为开关量，
Figure BDA0003645709280000043
时氢燃料电池运行，否则停机；
蓄电池t时刻充电功率
Figure BDA0003645709280000044
与放电功率
Figure BDA0003645709280000045
的约束条件如下：
Figure BDA0003645709280000046
Figure BDA0003645709280000047
式中，
Figure BDA0003645709280000048
与
Figure BDA0003645709280000049
分别为蓄电池充电最大功率边界和放电最大功率边界；σbat为开关量，σbat＝1是蓄电池放电，σbat＝0时蓄电池充电；
蓄电池荷电状态SOC约束的约束条件如下：
SOCmin≤SOC(t)≤SOCmax，
式中，SOCmax与SOCmin分别为蓄电池荷电状态的最大边界和最小边界；
蓄电池的等式约束条件如下：
Figure BDA00036457092800000410
式中，Ppv(t)为光伏t时刻输出功率，Pload(t)为负荷t时刻需求功率，ηbat为蓄电池充放电效率，ηpv为光伏发电效率，ηfc为氢燃料电池发电效率，ηel为氢电解池制氢效率，ηgrid为能量路由系统与电网的电能交互效率；
能量路由系统t时刻与电网的有功功率的交互约束条件如下：
Figure BDA00036457092800000411
Figure BDA00036457092800000412
式中，
Figure BDA00036457092800000413
与
Figure BDA00036457092800000414
分别为能量路由系统从电网买电和向电网卖电最大功率边界；σgrid为开关量，σgrid＝1时只从电网买电，σgrid＝0时只向电网卖电。
本发明技术方案的进一步改进在于：所述步骤S3中初始化生成的带有时间t维度的粒子表达式为：
Xi,d,t＝(Xmax-Xmin)×rand+Xmin，
Vi,d,t＝(Vmax-Vmin)×rand+Vmin，
式中，i表示粒子序数；d表示粒子位置维度；t表示粒子所处时刻；
学习因子c1和c2不随迭代次数变换，惯性系数ω随迭代次数n变化而更新：
Figure BDA0003645709280000051
式中，N为总迭代次数，ωmax为惯性系数变化的最大值边界，ωmin为惯性系数变化的最小值边界。
本发明技术方案的进一步改进在于：所述步骤S5中更新各时刻所有粒子的速度Vi,d,t与位置Xi,d,t的表达式为：
Figure BDA0003645709280000052
Figure BDA0003645709280000053
式中，
Figure BDA0003645709280000054
表示i粒子在d维度上的t时间点的个体最优位置；
Figure BDA0003645709280000055
表示i粒子在d维度上的t时间点的群体最优位置；n表示迭代次数；
对更新后的粒子速度
Figure BDA0003645709280000056
与位置
Figure BDA0003645709280000057
的范围约束条件如下：
Figure BDA0003645709280000058
Figure BDA0003645709280000059
式中，
Figure BDA00036457092800000510
表示粒子在d维度上的t个时刻速度最大、最小值；
Figure BDA00036457092800000511
Figure BDA00036457092800000512
表示粒子在d维度上t时刻位置的最大、最小边界。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明提出的扩展时间轴粒子群算法被应用于能量路由系统的能量管理领域，可充分考虑未来时间点的蓄电池荷电状态约束条件，寻找基于时间的最优调度曲线，即使在未来某时刻分布式电源容量小于系统最大功率需求时，算法仍能超前规划，使蓄电池储存充足电能，以实现任意时间点调度功率及荷电状态均在约束范围内；
2、本发明提出的扩展时间轴粒子群算法，在标准粒子群上扩展时间轴，赋予每个寻优粒子时间维度。利用升高维度解决本维度问题的思想，将只有粒子数与空间维度的二维粒子矩阵增加第三个维度“时间”，使粒子群可以从多个空间同时寻找最优调度，进而可以同时兼顾每个时空各状态变量，使之处于约束范围内；
3、本发明提出的扩展时间轴粒子群算法，克服了标准粒子群时间线只能单向流动的局限性，相比动态规划算法也不需要特定的算法结构，并且不存在维数灾问题，使其可在多时空范围内搜索最优曲线，有效解决了前后时间点寻优结果相互耦合的问题。通过对全时段所有粒子增加约束，并在保证各时刻寻优结果均满足约束的基础上，以全时段中各时刻目标函数最优适应度之和作为全局最优的方式，将各时空中的粒子联系在一起，使得前后所有时间点的粒子行为均可以互相影响，最终在多时空约束范围中求解出全时段最优曲线。所提扩展时间轴粒子群算法，拓宽了标准粒子群的适用范围，而且本发明所提算法可能适用的问题还包括：路径规划、仓库管理、装载、资源分配、微网设备定容等。
附图说明
图1为扩展时间轴粒子群算法流程图；
图2为扩展时间轴粒子群算法寻优示意图；
图3为光伏、并网功率与负荷组成的寻优调度场景；
图4为标准粒子群寻优结果折线图；
图5为扩展时间轴粒子群算法寻优结果折线图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种应用于能量路由管理的扩展时间轴的粒子群算法，包括如下步骤：
步骤S1、以全天24h出售氢电解池制取的氢气/氧气收益、辅助电网削峰收益及从电网购电成本，构成系统收益/成本目标函数；
系统收益/成本目标函数为：
Figure BDA0003645709280000071
式中，
Figure BDA0003645709280000072
为能量路由系统全天从电网取电总量；
Figure BDA0003645709280000073
为能量路由系统全天向电网馈电总量；
Figure BDA0003645709280000074
为氢电解池全天制氢总量；
Figure BDA0003645709280000075
为氢燃料电池全天用氢总量；Cb为从电网取电价格；Cs为向电网馈电价格；CH2为买卖氢气价格；CO2为出售氧气价格；
能量路由系统全天从电网取电总量的表达式为：
Figure BDA0003645709280000076
式中，
Figure BDA0003645709280000077
为t时刻能量路由系统从电网买电功率；
能量路由系统全天向电网馈电总量的表达式为：
Figure BDA0003645709280000078
式中，
Figure BDA0003645709280000079
为t时刻能量路由系统向电网卖电功率；
氢电解槽全天制氢总量的表达式为：
Figure BDA00036457092800000710
式中，
Figure BDA0003645709280000081
为t时刻能量路由系统中氢电解槽制氢速率。
氢燃料电池全天消耗氢气总量的表达式为：
Figure BDA0003645709280000082
式中，
Figure BDA0003645709280000083
为t时刻能量路由系统中氢燃料电池消耗氢气速率。
步骤S2、基于氢电解池、氢燃料电池、蓄电池容量及荷电状态参数，设定每时刻约束条件；
氢电解池t时刻功率Pel(t)的约束条件如下：
Figure BDA0003645709280000084
式中，Pel,max与Pel,min分别为氢电解池运行功率的最大边界和最小边界，最大边界取值为100kW，最小边界为10kW；
Figure BDA0003645709280000085
为开关量，
Figure BDA0003645709280000086
时氢电解池运行，否则停机；
氢燃料电池t时刻功率Pfc(t)的约束条件如下：
Figure BDA0003645709280000087
式中，Pfc,max与Pfc,min分别为氢燃料电池运行功率的最大边界和最小边界，最大边界取值为100kW，最小边界为10kW；
Figure BDA0003645709280000088
为开关量，
Figure BDA0003645709280000089
时氢燃料电池运行，否则停机；
蓄电池t时刻充电功率
Figure BDA00036457092800000810
与放电功率
Figure BDA00036457092800000811
的约束条件如下：
Figure BDA00036457092800000812
Figure BDA00036457092800000813
式中，
Figure BDA00036457092800000814
与
Figure BDA00036457092800000815
分别为蓄电池充电最大功率边界和放电最大功率边界，充电最大功率边界和放电最大功率边界取值均为100kW；σbat为开关量，σbat＝1是蓄电池放电，σbat＝0时蓄电池充电；
蓄电池荷电状态SOC约束的约束条件如下：
SOCmin≤SOC(t)≤SOCmax，
式中，SOCmax与SOCmin分别为蓄电池荷电状态的最大边界和最小边界，最大边界取值0.9，最小边界取值0.1；
由蓄电池保证能量路由系统内功率平衡，因此蓄电池还应满足等式约束，蓄电池的等式约束条件如下：
Figure BDA0003645709280000091
式中，Ppv(t)为光伏t时刻输出功率，Pload(t)为负荷t时刻需求功率，ηbat为蓄电池充放电效率，ηpv为光伏发电效率，ηfc为氢燃料电池发电效率，ηel为氢电解池制氢效率，ηgrid为能量路由系统与电网的电能交互效率；
能量路由系统t时刻与电网的有功功率的交互约束条件如下：
Figure BDA0003645709280000092
Figure BDA0003645709280000093
式中，
Figure BDA0003645709280000094
与
Figure BDA0003645709280000095
分别为能量路由系统从电网买电和向电网卖电最大功率边界；σgrid为开关量，σgrid＝1时只从电网买电，σgrid＝0时只向电网卖电。
步骤S3、初始化包括全部粒子的位置X、移动速度V、迭代次数n、学习因子c1和c2、惯性系数ω在内的各项参数，生成带有时间t维度的粒子，其原理如图2所示；
初始化生成的带有时间t维度的粒子表达式为：
Xi,d,t＝(Xmax-Xmin)×rand+Xmin，
Vi,d,t＝(Vmax-Vmin)×rand+Vmin，
式中，i表示粒子序数；d表示粒子位置维度；t表示粒子所处时刻；
学习因子c1和c2不随迭代次数变换，惯性系数ω随迭代次数n变化而更新：
Figure BDA0003645709280000101
式中，N为总迭代次数，ωmax为惯性系数变化的最大值边界，ωmin为惯性系数变化的最小值边界。
步骤S4、根据步骤S1中的系统收益/成本目标函数计算每个粒子适应度，得到个体最优粒子及群体最优粒子；
步骤S5、根据个体最优粒子及群体最优粒子位置更新各时刻所有粒子的速度Vi,d,t与位置Xi,d,t，并对更新后的粒子速度与位置约束范围；
更新各时刻所有粒子的速度Vi,d,t与位置Xi,d,t的表达式为：
Figure BDA0003645709280000102
Figure BDA0003645709280000103
式中，
Figure BDA0003645709280000104
表示i粒子在d维度上的t时间点的个体最优位置；
Figure BDA0003645709280000105
表示i粒子在d维度上的t时间点的群体最优位置；n表示迭代次数；
对更新后的粒子速度
Figure BDA0003645709280000106
与位置
Figure BDA0003645709280000107
的范围约束条件如下：
Figure BDA0003645709280000108
Figure BDA0003645709280000109
式中，
Figure BDA00036457092800001010
表示粒子在d维度上的t个时刻速度最大、最小值；
Figure BDA00036457092800001011
Figure BDA00036457092800001012
表示粒子在d维度上t时刻位置的最大、最小边界。
步骤S6、判断当前迭代次数是否达到最大迭代次数，若达到，则停止迭代，输出最优解；否则返回步骤S4继续迭代计算。
本发明的目标是使得目标函数即系统收益结果最大化，扩展时间轴粒子群算法有几个参数需要设定初始值，设：粒子数量为3000，学习因子c1为2，c2为10，惯性系数ω于0.1至1.1线性降低，最大迭代次数为200。
本发明针对含有光伏、氢电解池、氢燃料电池、蓄电池、并网变换器和负荷的能量路由系统进行经济优化调度，提出一种扩展时间轴粒子群算法对目标函数进行求解，得到目标函数的最优解，即得到能量路由系统在调度期间各时刻的氢电解池功率和制氢速率、氢燃料电池功率耗氢速率和蓄电池功率及荷电状态SOC，进而提升能量路由系统运行的经济性。利用如图3所示的光伏、并网功率与负荷组成的寻优调度场景，经过仿真对比标准粒子群算法和本发明算法，证明扩展时间轴粒子群算法能够得到全时段最大收益调度，而标准粒子群算法只能在长时段的寻优过程中逐个的进行单点寻优，无法考虑未来时刻的蓄电池SOC是否能处于约束内的情况。如图4所示，在开机后的1-2h，在标准粒子群算法的寻优结果中氢电解池会以最大功率运行，尽可能多的制取氢气，因此会快速的耗尽蓄电池内电能，使蓄电池SOC达到下限。且由于以经济收益最高为目标的原因，能量管理系统会尽可能少的调度氢燃料电池发电，因为这意味着消耗氢气即经济收益的减少。因此蓄电池SOC会长期处于稍高于下限的位置，尽管此时SOC还未超出下限，但能量路由系统应对负荷突增的能力已经很低了。
然而在21-22h由于负荷Pload与向电网馈电功率Pgrid之和超过氢燃料电池额定功率100kW。但此时SOC仍处于下边界0.1附近，蓄电池没有足够电能应对突然增大的负荷，导致蓄电池的SOC超出0.1的下限。此问题由标准PSO算法在长时段内，只能对单点逐个寻优无法顾及未来时间点调度约束造成，这会危及系统可靠稳定运行。
本发明利用粒子群算法的快速搜索能力，在标准粒子群上扩展时间轴，赋予每个寻优粒子时间维度，提出一种改进扩展时间轴粒子群算法。同样在图3所示的寻优调度场景下，本发明算法的调度结果如图5所示。该扩展克服了标准粒子群时间线只能单向流动的局限性，使粒子可在多时空范围内搜索最优曲线，有效解决了任意时间点调度沿时间轴存在与其他所有时刻调度均双向耦合的问题。

Claims (5)

1.一种应用于能量路由管理的扩展时间轴的粒子群算法，其特征在于：包括如下步骤：
步骤S1、以全天24h出售氢电解池制取的氢气/氧气收益、辅助电网削峰收益及从电网购电成本，构成系统收益/成本目标函数；
步骤S2、基于氢电解池、氢燃料电池、蓄电池容量及荷电状态参数，设定每时刻约束条件；
步骤S3、初始化包括全部粒子的位置X、移动速度V、迭代次数n、学习因子c1和c2、惯性系数ω在内的各项参数，生成带有时间t维度的粒子；
步骤S4、根据步骤S1中的系统收益/成本目标函数计算每个粒子适应度，得到个体最优粒子及群体最优粒子；
步骤S5、根据个体最优粒子及群体最优粒子位置更新各时刻所有粒子的速度Vi,d,t与位置Xi,d,t，并对更新后的粒子速度与位置约束范围；
步骤S6、判断当前迭代次数是否达到最大迭代次数，若达到，则停止迭代，输出最优解；否则返回步骤S4继续迭代计算。
2.根据权利要求1所述的一种应用于能量路由管理的扩展时间轴的粒子群算法，其特征在于：所述步骤S1中系统收益/成本目标函数为：
Figure FDA0003645709270000011
式中，
Figure FDA0003645709270000012
为能量路由系统全天从电网取电总量；
Figure FDA0003645709270000013
为能量路由系统全天向电网馈电总量；
Figure FDA0003645709270000014
为氢电解池全天制氢总量；
Figure FDA0003645709270000015
为氢燃料电池全天用氢总量；Cb为从电网取电价格；Cs为向电网馈电价格；CH2为买卖氢气价格；CO2为出售氧气价格；
能量路由系统全天从电网取电总量的表达式为：
Figure FDA0003645709270000016
式中，
Figure FDA0003645709270000021
为t时刻能量路由系统从电网买电功率；
能量路由系统全天向电网馈电总量的表达式为：
Figure FDA0003645709270000022
式中，
Figure FDA0003645709270000023
为t时刻能量路由系统向电网卖电功率；
氢电解槽全天制氢总量的表达式为：
Figure FDA0003645709270000024
式中，
Figure FDA0003645709270000025
为t时刻能量路由系统中氢电解槽制氢速率。
氢燃料电池全天消耗氢气总量的表达式为：
Figure FDA0003645709270000026
式中，
Figure FDA0003645709270000027
为t时刻能量路由系统中氢燃料电池消耗氢气速率。
3.根据权利要求2所述的一种应用于能量路由管理的扩展时间轴的粒子群算法，其特征在于：所述步骤S2中氢电解池t时刻功率Pel(t)的约束条件如下：
Figure FDA0003645709270000028
式中，Pel,max与Pel,min分别为氢电解池运行功率的最大边界和最小边界；
Figure FDA0003645709270000029
为开关量，
Figure FDA00036457092700000210
时氢电解池运行，否则停机；
氢燃料电池t时刻功率Pfc(t)的约束条件如下：
Figure FDA00036457092700000211
式中，Pfc,max与Pfc,min分别为氢燃料电池运行功率的最大边界和最小边界；
Figure FDA00036457092700000212
为开关量，
Figure FDA00036457092700000213
时氢燃料电池运行，否则停机；
蓄电池t时刻充电功率
Figure FDA0003645709270000031
与放电功率
Figure FDA0003645709270000032
的约束条件如下：
Figure FDA0003645709270000033
Figure FDA0003645709270000034
式中，
Figure FDA0003645709270000035
与
Figure FDA0003645709270000036
分别为蓄电池充电最大功率边界和放电最大功率边界；σbat为开关量，σbat＝1是蓄电池放电，σbat＝0时蓄电池充电；
蓄电池荷电状态SOC约束的约束条件如下：
SOCmin≤SOC(t)≤SOCmax，
式中，SOCmax与SOCmin分别为蓄电池荷电状态的最大边界和最小边界；
蓄电池的等式约束条件如下：
Figure FDA0003645709270000037
式中，Ppv(t)为光伏t时刻输出功率，Pload(t)为负荷t时刻需求功率，ηbat为蓄电池充放电效率，ηpv为光伏发电效率，ηfc为氢燃料电池发电效率，ηel为氢电解池制氢效率，ηgrid为能量路由系统与电网的电能交互效率；
能量路由系统t时刻与电网的有功功率的交互约束条件如下：
Figure FDA0003645709270000038
Figure FDA0003645709270000039
式中，
Figure FDA00036457092700000310
与
Figure FDA00036457092700000311
分别为能量路由系统从电网买电和向电网卖电最大功率边界；σgrid为开关量，σgrid＝1时只从电网买电，σgrid＝0时只向电网卖电。
4.根据权利要求3所述的一种应用于能量路由管理的扩展时间轴的粒子群算法，其特征在于：所述步骤S3中初始化生成的带有时间t维度的粒子表达式为：
Xi,d,t＝(Xmax-Xmin)×rand+Xmin，
Vi,d,t＝(Vmax-Vmin)×rand+Vmin，
式中，i表示粒子序数；d表示粒子位置维度；t表示粒子所处时刻；
学习因子c1和c2不随迭代次数变换，惯性系数ω随迭代次数n变化而更新：
Figure FDA0003645709270000041
式中，N为总迭代次数，ωmax为惯性系数变化的最大值边界，ωmin为惯性系数变化的最小值边界。
5.根据权利要求4所述的一种应用于能量路由管理的扩展时间轴的粒子群算法，其特征在于：所述步骤S5中更新各时刻所有粒子的速度Vi,d,t与位置Xi,d,t的表达式为：
Figure FDA0003645709270000042
Figure FDA0003645709270000043
式中，
Figure FDA0003645709270000044
表示i粒子在d维度上的t时间点的个体最优位置；
Figure FDA0003645709270000045
表示i粒子在d维度上的t时间点的群体最优位置；n表示迭代次数；
对更新后的粒子速度
Figure FDA0003645709270000046
与位置
Figure FDA0003645709270000047
的范围约束条件如下：
Figure FDA0003645709270000048
Figure FDA0003645709270000049
式中，
Figure FDA00036457092700000410
表示粒子在d维度上的t个时刻速度最大、最小值；
Figure FDA00036457092700000411
Figure FDA00036457092700000412
表示粒子在d维度上t时刻位置的最大、最小边界。
CN202210529758.9A 2022-05-16 2022-05-16 一种应用于能量路由管理的扩展时间轴的粒子群算法 Pending CN114977247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210529758.9A CN114977247A (zh) 2022-05-16 2022-05-16 一种应用于能量路由管理的扩展时间轴的粒子群算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210529758.9A CN114977247A (zh) 2022-05-16 2022-05-16 一种应用于能量路由管理的扩展时间轴的粒子群算法

Publications (1)

Publication Number Publication Date
CN114977247A true CN114977247A (zh) 2022-08-30

Family

ID=82983471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210529758.9A Pending CN114977247A (zh) 2022-05-16 2022-05-16 一种应用于能量路由管理的扩展时间轴的粒子群算法

Country Status (1)

Country Link
CN (1) CN114977247A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307021A (zh) * 2022-10-08 2023-06-23 中国大唐集团科学技术研究总院有限公司 一种新能源制氢系统的多目标能量管理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307021A (zh) * 2022-10-08 2023-06-23 中国大唐集团科学技术研究总院有限公司 一种新能源制氢系统的多目标能量管理方法
CN116307021B (zh) * 2022-10-08 2024-03-22 中国大唐集团科学技术研究总院有限公司 一种新能源制氢系统的多目标能量管理方法

Similar Documents

Publication Publication Date Title
Maleki et al. Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system
Amer et al. Optimization of hybrid renewable energy systems (HRES) using PSO for cost reduction
Bansal et al. Optimization of hybrid PV/wind energy system using Meta Particle Swarm Optimization (MPSO)
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN103217900A (zh) 基于实时电价的中压微网混沌pso最优潮流实现方法
CN111697578B (zh) 多目标含储能区域电网运行控制方法
Gupta et al. Economic analysis and design of stand-alone wind/photovoltaic hybrid energy system using Genetic algorithm
CN111934360A (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
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
CN111327053A (zh) 一种适用于极地气候下的多源微电网容量优化配置方法
Javadi et al. Application of GA, PSO and ABC in optimal design of a stand-alone hybrid system for north-west of Iran
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN107732945A (zh) 一种基于模拟退火粒子群算法的储能单元优化方法
CN110796373A (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
CN115115130A (zh) 一种基于模拟退火算法的风光储制氢系统日前调度方法
CN117096908A (zh) 基于麻雀搜索的并网型微电网优化调度方法
Katsigiannis et al. Genetic algorithm solution to optimal sizing problem of small autonomous hybrid power systems
CN114977247A (zh) 一种应用于能量路由管理的扩展时间轴的粒子群算法
CN111126675A (zh) 多能互补微网系统优化方法
Maleki et al. Optimization of grid independent diesel-based hybrid system for power generation using improved particle swarm optimization algorithm
CN108494014A (zh) 一种混合能源热电联产经济性优化管理方法
Lin et al. Optimal hybrid energy solution for island micro-grid
CN117039830A (zh) 减少燃料电池混合能源系统氢气消耗的能量管理方法
El-Hendawi et al. Enhanced MG with optimum operational cost of pumping water distribution systems
CN115995832A (zh) 一种计及柔性负荷的户用氢能系统优化运行方法及装置

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