CN115018221A - 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统 - Google Patents

基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统 Download PDF

Info

Publication number
CN115018221A
CN115018221A CN202210952712.8A CN202210952712A CN115018221A CN 115018221 A CN115018221 A CN 115018221A CN 202210952712 A CN202210952712 A CN 202210952712A CN 115018221 A CN115018221 A CN 115018221A
Authority
CN
China
Prior art keywords
boiler
load
nest position
bird nest
search algorithm
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.)
Granted
Application number
CN202210952712.8A
Other languages
English (en)
Other versions
CN115018221B (zh
Inventor
李钦武
郑政杰
蒋善行
刘庭宇
周春于
孔祥宇
张洪
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.)
Zhejiang Haopu Intelligent Technology Co ltd
Original Assignee
Zhejiang Haopu Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Haopu Intelligent Technology Co ltd filed Critical Zhejiang Haopu Intelligent Technology Co ltd
Priority to CN202210952712.8A priority Critical patent/CN115018221B/zh
Publication of CN115018221A publication Critical patent/CN115018221A/zh
Application granted granted Critical
Publication of CN115018221B publication Critical patent/CN115018221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial 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]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315Needs-based resource requirements planning or analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0637Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

本发明涉及一种基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统,属于热电厂锅炉控制技术领域。先建立适应度函数,再以适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台锅炉的最优负荷,从而能够合理对锅炉负荷进行分配,以合理规划锅炉的运行过程,减少碳排放。此外,通过令布谷鸟搜索算法的动态系数随迭代次数发生变化,以对布谷鸟搜索算法进行改进,能够使得算法的精度更高,得到的分配结果更加准确。

Description

基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统
技术领域
本发明涉及热电厂锅炉控制技术领域,特别是涉及一种基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统。
背景技术
随着社会的发展,对电力行业碳减排提出了更高的要求。目前很多热电厂都存在多台锅炉同时运行的情况,由于多台锅炉在不同负荷下碳排放水平不同,因此,如何合理规划不同锅炉的运行过程,从而减少热电厂的碳排放成为热电厂碳减排的研究重点。
基于此,亟需一种锅炉负荷分配技术,以合理规划锅炉的运行过程。
发明内容
本发明的目的是提供一种基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统,对布谷鸟搜索算法进行改进,能够更加准确对锅炉负荷进行分配,以合理规划锅炉的运行过程,减少碳排放。
为实现上述目的,本发明提供了如下方案:
一种基于改进布谷鸟搜索算法的锅炉负荷分配方法,所述锅炉负荷分配方法包括:
建立适应度函数;所述适应度函数为各台锅炉的适应度的和;所述锅炉的适应度为所述锅炉的负荷与所述锅炉在所述负荷下的碳排放总量的乘积;
以所述适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台所述锅炉的最优负荷;各台所述锅炉的最优负荷的和等于所述额定负荷;所述改进布谷鸟搜索算法的动态系数随迭代次数发生变化。
一种基于改进布谷鸟搜索算法的锅炉负荷分配系统,所述锅炉负荷分配系统包括:
构建模块,用于建立适应度函数;所述适应度函数为各台锅炉的适应度的和;所述锅炉的适应度为所述锅炉的负荷与所述锅炉在所述负荷下的碳排放总量的乘积;
优化模块,用于以所述适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台所述锅炉的最优负荷;各台所述锅炉的最优负荷的和等于所述额定负荷;所述改进布谷鸟搜索算法的动态系数随迭代次数发生变化。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统,先建立适应度函数,再以适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台锅炉的最优负荷,从而能够合理对锅炉负荷进行分配,以合理规划锅炉的运行过程,减少碳排放。此外,通过令布谷鸟搜索算法的动态系数随迭代次数发生变化,以对布谷鸟搜索算法进行改进,能够使得算法的精度更高,得到的分配结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例1所提供的锅炉负荷分配方法的方法流程图;
图2为本发明实施例1所提供的碳排放总量的计算示意图;
图3为本发明实施例1所提供的改进布谷鸟搜索算法的求解示意图;
图4为本发明实施例2所提供的锅炉负荷分配系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统,对布谷鸟搜索算法进行改进,能够更加准确对锅炉负荷进行分配,以合理规划锅炉的运行过程,减少碳排放。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
为了解决“如何合理规划不同锅炉的运行过程,从而减少热电厂的碳排放”这一技术难题,本实施例先通过数学计算、大数据分析技术建立了锅炉碳排放数据库,再通过改进布谷鸟搜索算法对热电厂锅炉负荷进行优化分配,以提供一种锅炉间负荷分配的优化方法,能够对锅炉负荷进行合理分配,以合理规划锅炉的运行过程,减少热电厂的碳排放。
具体的,本实施例用于提供一种基于改进布谷鸟搜索算法的锅炉负荷分配方法,如图1所示,所述锅炉负荷分配方法包括:
S1:建立适应度函数;所述适应度函数为各台锅炉的适应度的和;所述锅炉的适应度为所述锅炉的负荷与所述锅炉在所述负荷下的碳排放总量的乘积;
适应度函数的表达式为:
Figure 676526DEST_PATH_IMAGE001
其中,
Figure 876563DEST_PATH_IMAGE002
为适应度函数;B为锅炉的总个数;
Figure 197823DEST_PATH_IMAGE003
为第i台锅炉的负荷;
Figure 469929DEST_PATH_IMAGE004
为第i台锅炉在负荷
Figure 534837DEST_PATH_IMAGE003
下的碳排放总量。
作为一种可选的实施方式,锅炉在负荷下的碳排放总量根据预先建立的锅炉碳排放数据库获得,锅炉碳排放数据库包括每一锅炉的负荷与碳排放总量之间的对应关系。在获得锅炉的负荷后,则可基于该锅炉碳排放数据库确定锅炉在该负荷下的碳排放总量。
锅炉碳排放数据库的建立过程可以包括:对于每台锅炉,计算其在不同负荷下的碳排放总量,以建立不同负荷与碳排放总量之间的关系,从而建立锅炉碳排放数据库。并且,在不同负荷下热电厂锅炉的运行过程中,可以实时采集相关信息,以实时计算锅炉在不同负荷下的碳排放总量,更新完善锅炉碳排放数据库的信息。
在建立锅炉碳排放数据库时,本实施例提出一种锅炉在负荷下的碳排放总量的计算方式,如图2所示,所用的计算公式为:
Figure 323801DEST_PATH_IMAGE005
其中,
Figure 35536DEST_PATH_IMAGE004
为锅炉的碳排放总量,单位为t;
Figure 605058DEST_PATH_IMAGE006
为锅炉所用化石燃料燃烧产生的碳排放量,单位为t;
Figure 145761DEST_PATH_IMAGE007
为锅炉生产过程产生的碳排放量,单位为t;
Figure 366395DEST_PATH_IMAGE008
为锅炉所用净购入电力产生的碳排放量,单位为t。
锅炉所用化石燃料燃烧产生的碳排放量的计算公式为:
Figure 232720DEST_PATH_IMAGE009
其中,
Figure 227221DEST_PATH_IMAGE010
为不同燃料燃烧的重量,单位为t;
Figure 384664DEST_PATH_IMAGE011
为加权平均含碳量,按照入炉燃煤量和含碳量加权统计计算得到,单位为%;
Figure 413800DEST_PATH_IMAGE012
为锅炉总排渣量,单位为t;C为渣中碳碳元素的含量,单位为%。将每一种燃料的碳排放量求和,即可得到锅炉所用化石燃料燃烧产生的碳排放量。
锅炉生产过程产生的碳排放量的计算公式为:
Figure 451026DEST_PATH_IMAGE013
其中,
Figure 981758DEST_PATH_IMAGE014
为不同种类脱硫剂消耗量,单位为t;
Figure 129842DEST_PATH_IMAGE015
为不同种类脱硫剂中参与反应的物质的含量,单位为%;
Figure 13485DEST_PATH_IMAGE016
为CO2的摩尔质量,为44g/mol;
Figure 34661DEST_PATH_IMAGE017
为不同种类脱硫剂中参与反应的物质的摩尔质量,单位为g/mol;
Figure 738175DEST_PATH_IMAGE018
为锅炉发电量,单位为kW/h;
Figure 735956DEST_PATH_IMAGE019
为脱硫能耗比例,单位为%;
Figure 739684DEST_PATH_IMAGE020
为单位电量产生的二氧化碳,单位为tCO2/kWh。将每一种脱硫剂的碳排放量求和,即可得到锅炉生产过程产生的碳排放量。
锅炉所用净购入电力产生的碳排放量的计算公式为:
Figure 118713DEST_PATH_IMAGE021
其中,
Figure 122572DEST_PATH_IMAGE022
为核算期内锅炉所用购入的电量,单位为MWh;
Figure 878038DEST_PATH_IMAGE023
为区域电网年平均供电排放因子,单位为tCO2/MWh。
基于上述锅炉碳排放数据库,本实施例通过改进布谷鸟搜索算法,对额定负荷下不同锅炉间负荷分配的碳排放总量进行寻优,最终得出各个锅炉的最优负荷,使得在额定负荷下不同锅炉的碳排放水平最低。
S2:以所述适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台所述锅炉的最优负荷;各台所述锅炉的最优负荷的和等于所述额定负荷;所述改进布谷鸟搜索算法的动态系数随迭代次数发生变化。
本实施例对布谷鸟搜索算法所做的改进在于,令动态系数随迭代次数发生变化,通过使动态系数的值动态变化来参与循环迭代,使得算法的精度更高,得到的结果更加准确。动态系数随迭代次数发生变化的变化公式为:
Figure 205115DEST_PATH_IMAGE024
其中,
Figure 69559DEST_PATH_IMAGE025
为动态系数,
Figure 747665DEST_PATH_IMAGE025
>0;
Figure 306822DEST_PATH_IMAGE026
为变化率,
Figure 301454DEST_PATH_IMAGE027
,用来控制减小的幅度;
Figure 22285DEST_PATH_IMAGE028
为最大迭代次数;
Figure 250004DEST_PATH_IMAGE029
为当前迭代次数;
Figure 330962DEST_PATH_IMAGE030
为最小动态系数,
Figure 960526DEST_PATH_IMAGE031
,防止步长因子缩减到0。
Figure 852259DEST_PATH_IMAGE026
Figure 255689DEST_PATH_IMAGE030
的大小取决于问题的规模。
基于此,如图3所示,利用改进布谷鸟搜索算法对额定负荷进行优化分配可以包括:
(1)参数初始化。设置种群规模:N;最大迭代次数:
Figure 953387DEST_PATH_IMAGE032
;被宿主发现的概率:pa;步长因子:
Figure 146778DEST_PATH_IMAGE033
;变化率:
Figure 6150DEST_PATH_IMAGE034
;最小动态系数:
Figure 146144DEST_PATH_IMAGE035
(2)种群初始化。随机生成N个初始鸟巢位置,组成初始种群;鸟巢位置包括每一锅炉的负荷,即不同锅炉的负荷组成一个鸟巢位置,鸟巢位置可表示为(
Figure 335948DEST_PATH_IMAGE036
),且各台锅炉的负荷的和等于额定负荷。
(3)计算每一初始鸟巢位置的适应度函数值;
具体的,根据初始鸟巢位置中各台锅炉的负荷,从锅炉碳排放数据库中查找确定各台锅炉的碳排放总量,将各台锅炉的负荷和碳排放总量带入适应度函数,即可得到该初始鸟巢位置的适应度函数值。
(4)对于每一初始鸟巢位置,利用更新公式对初始鸟巢位置进行更新,得到新鸟巢位置;
本实施例所用的更新公式为:
Figure 674525DEST_PATH_IMAGE037
其中,
Figure 908061DEST_PATH_IMAGE038
为新鸟巢位置,也即第p+1代的第w个新鸟巢位置;
Figure 784619DEST_PATH_IMAGE039
为初始鸟巢位置,也即第p代的第w个初始鸟巢位置,初始鸟巢位置和新鸟巢位置一一对应;
Figure 824119DEST_PATH_IMAGE040
为动态系数;
Figure 220465DEST_PATH_IMAGE033
为步长因子,
Figure 375634DEST_PATH_IMAGE041
,大小取决于问题的规模,该值是常量,它具有固定的、有限的时间复杂度;
Figure 286958DEST_PATH_IMAGE042
为莱维飞行产生的随机值;
Figure 67832DEST_PATH_IMAGE043
为随机变量。
布谷鸟随机选择宿主巢下蛋,此过程采用基于莱维飞行的随机游走。莱维飞行符合下式的概率分布:
Figure 570882DEST_PATH_IMAGE044
其中,u为概率分布;p为概率。利用此式即可生成莱维飞行产生的随机值。
(5)对于每一新鸟巢位置,随机生成一个随机数R;判断随机数R是否大于被宿主发现的概率pa;若是,则返回“利用更新公式对初始鸟巢位置进行更新”的步骤,直至随机数小于或等于被宿主发现的概率;
需要说明的是,在返回“利用更新公式对初始鸟巢位置进行更新”的步骤时,是重新对随机数R大于被宿主发现的概率pa的新鸟巢位置所对应的初始鸟巢位置进行更新,而并非对所有的初始鸟巢位置进行更新。
(6)计算每一新鸟巢位置的适应度函数值;
具体的,根据新鸟巢位置中各台锅炉的负荷,从锅炉碳排放数据库中查找确定各台锅炉的碳排放总量,将各台锅炉的负荷和碳排放总量带入适应度函数,即可得到该新鸟巢位置的适应度函数值。
(7)对于每一新鸟巢位置,判断新鸟巢位置的适应度函数值是否小于与其相对应的初始鸟巢位置的适应度函数值;若是,则以新鸟巢位置作为下一代种群的鸟巢位置,否则,则以初始鸟巢位置作为下一代种群的鸟巢位置,得到下一代种群;
即比较两代鸟巢适应度函数值,保留适应度函数值较优的鸟巢位置,组成下一代种群。
(8)判断是否达到最大迭代次数;
(9)若是,则迭代结束,以下一代种群中适应度函数值最小的鸟巢位置作为最优鸟巢位置;
即若达到最大迭代次数
Figure 208537DEST_PATH_IMAGE032
,即可输出最优鸟巢位置,该最优鸟巢位置中所包含的各台锅炉的负荷即为各台锅炉的最优负荷。
(10)若否,则以下一代种群作为下一迭代中的初始种群,以下一代种群中的鸟巢位置作为下一迭代中的初始鸟巢位置,返回“对于每一初始鸟巢位置,利用更新公式对初始鸟巢位置进行更新,得到新鸟巢位置”的步骤。
通过采用改进布谷鸟搜索算法,能够得到每台锅炉的最优负荷,按照给出的最优负荷来指导锅炉的运行过程,能够最小化不同锅炉的碳排放水平。
作为一种可选的实施方式,本实施例还可利用改进布谷鸟搜索算法对各台锅炉的负荷分配比例进行寻优,此时,适应度函数中的负荷则应当写为负荷分配比例与额定负荷的乘积,在锅炉碳排放数据库中查找碳排放总量时,则先令负荷分配比例乘以额定负荷得到负荷,再利用该负荷去确定碳排放总量,还需要保证各个鸟巢位置的负荷分配比例的和为100%,以得到各台锅炉的最优负荷分配比例,令最优负荷分配比例乘以额定负荷,即可得到各台的锅炉的最优负荷。
本实施例通过数学计算、大数据分析技术建立了锅炉碳排放数据库,使得热电厂能够更清晰的核算碳排放总量数据,有利于后续的负荷分配过程。对布谷鸟搜索算法进行改进,能够使得算法的精度更高,得到的结果更加准确。通过锅炉负荷的合理分配,能够最大限度的减少热电厂的二氧化碳排放。
实施例2:
本实施例用于提供一种基于改进布谷鸟搜索算法的锅炉负荷分配系统,如图4所示,所述锅炉负荷分配系统包括:
构建模块M1,用于建立适应度函数;所述适应度函数为各台锅炉的适应度的和;所述锅炉的适应度为所述锅炉的负荷与所述锅炉在所述负荷下的碳排放总量的乘积;
优化模块M2,用于以所述适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台所述锅炉的最优负荷;各台所述锅炉的最优负荷的和等于所述额定负荷;所述改进布谷鸟搜索算法的动态系数随迭代次数发生变化。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于改进布谷鸟搜索算法的锅炉负荷分配方法,其特征在于,所述锅炉负荷分配方法包括:
建立适应度函数;所述适应度函数为各台锅炉的适应度的和;所述锅炉的适应度为所述锅炉的负荷与所述锅炉在所述负荷下的碳排放总量的乘积;
以所述适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台所述锅炉的最优负荷;各台所述锅炉的最优负荷的和等于所述额定负荷;所述改进布谷鸟搜索算法的动态系数随迭代次数发生变化。
2.根据权利要求1所述的锅炉负荷分配方法,其特征在于,所述锅炉在所述负荷下的碳排放总量根据预先建立的锅炉碳排放数据库获得;所述锅炉碳排放数据库包括每一所述锅炉的负荷与碳排放总量之间的对应关系。
3.根据权利要求2所述的锅炉负荷分配方法,其特征在于,在建立所述锅炉碳排放数据库时,所述锅炉在所述负荷下的碳排放总量的计算公式为:
Figure 374447DEST_PATH_IMAGE001
其中,
Figure 822746DEST_PATH_IMAGE002
为锅炉的碳排放总量;
Figure 133642DEST_PATH_IMAGE003
为锅炉所用化石燃料燃烧产生的碳排放量;
Figure 60009DEST_PATH_IMAGE004
为锅炉生产过程产生的碳排放量;
Figure 139961DEST_PATH_IMAGE005
为锅炉所用净购入电力产生的碳排放量。
4.根据权利要求3所述的锅炉负荷分配方法,其特征在于,所述锅炉所用化石燃料燃烧产生的碳排放量的计算公式为:
Figure 493582DEST_PATH_IMAGE006
其中,
Figure 88511DEST_PATH_IMAGE007
为不同燃料燃烧的重量;
Figure 51526DEST_PATH_IMAGE008
为加权平均含碳量;
Figure 251563DEST_PATH_IMAGE009
为锅炉总排渣量;
Figure 572823DEST_PATH_IMAGE010
为渣中碳碳元素的含量。
5.根据权利要求3所述的锅炉负荷分配方法,其特征在于,所述锅炉生产过程产生的碳排放量的计算公式为:
Figure 858311DEST_PATH_IMAGE011
其中,
Figure 126481DEST_PATH_IMAGE012
为不同种类脱硫剂消耗量;
Figure 915445DEST_PATH_IMAGE013
为不同种类脱硫剂中参与反应的物质的含量;
Figure 876448DEST_PATH_IMAGE014
为CO2的摩尔质量;
Figure 150697DEST_PATH_IMAGE015
为不同种类脱硫剂中参与反应的物质的摩尔质量;
Figure 753716DEST_PATH_IMAGE016
为锅炉发电量;
Figure 928346DEST_PATH_IMAGE017
为脱硫能耗比例;
Figure 794671DEST_PATH_IMAGE018
为单位电量产生的二氧化碳。
6.根据权利要求3所述的锅炉负荷分配方法,其特征在于,所述锅炉所用净购入电力产生的碳排放量的计算公式为:
Figure 789172DEST_PATH_IMAGE019
其中,
Figure 399144DEST_PATH_IMAGE020
为核算期内锅炉所用购入的电量;
Figure 428280DEST_PATH_IMAGE021
为区域电网年平均供电排放因子。
7.根据权利要求1所述的锅炉负荷分配方法,其特征在于,所述动态系数随迭代次数发生变化的变化公式为:
Figure 32218DEST_PATH_IMAGE022
其中,
Figure 514015DEST_PATH_IMAGE023
为动态系数;
Figure 927679DEST_PATH_IMAGE024
为变化率;
Figure 545742DEST_PATH_IMAGE025
为最大迭代次数;
Figure 19448DEST_PATH_IMAGE026
为当前迭代次数;
Figure 988541DEST_PATH_IMAGE027
为最小动态系数。
8.根据权利要求7所述的锅炉负荷分配方法,其特征在于,所述利用改进布谷鸟搜索算法对额定负荷进行优化分配具体包括:
随机生成多个初始鸟巢位置,组成初始种群;所述鸟巢位置包括每一所述锅炉的负荷,各台所述锅炉的负荷的和等于所述额定负荷;
计算每一所述初始鸟巢位置的适应度函数值;
对于每一所述初始鸟巢位置,利用更新公式对所述初始鸟巢位置进行更新,得到新鸟巢位置;
对于每一所述新鸟巢位置,随机生成一个随机数;判断所述随机数是否大于被宿主发现的概率;若是,则返回“利用更新公式对所述初始鸟巢位置进行更新”的步骤,直至所述随机数小于或等于被宿主发现的概率;
计算每一所述新鸟巢位置的适应度函数值;
对于每一所述新鸟巢位置,判断所述新鸟巢位置的适应度函数值是否小于与其相对应的所述初始鸟巢位置的适应度函数值;若是,则以所述新鸟巢位置作为下一代种群的鸟巢位置,否则,则以所述初始鸟巢位置作为所述下一代种群的鸟巢位置,得到所述下一代种群;
判断是否达到最大迭代次数;
若是,则迭代结束,以所述下一代种群中适应度函数值最小的鸟巢位置作为最优鸟巢位置;
若否,则以所述下一代种群作为下一迭代中的初始种群,以所述下一代种群中的鸟巢位置作为下一迭代中的初始鸟巢位置,返回“对于每一所述初始鸟巢位置,利用更新公式对所述初始鸟巢位置进行更新,得到新鸟巢位置”的步骤。
9.根据权利要求8所述的锅炉负荷分配方法,其特征在于,所述更新公式为:
Figure 940317DEST_PATH_IMAGE028
其中,
Figure 242248DEST_PATH_IMAGE029
为新鸟巢位置;
Figure 886855DEST_PATH_IMAGE030
为初始鸟巢位置;
Figure 343245DEST_PATH_IMAGE031
为动态系数;
Figure 833132DEST_PATH_IMAGE032
为步长因子;
Figure 425787DEST_PATH_IMAGE033
为莱维飞行产生的随机值;
Figure 241296DEST_PATH_IMAGE034
为随机变量。
10.一种基于改进布谷鸟搜索算法的锅炉负荷分配系统,其特征在于,所述锅炉负荷分配系统包括:
构建模块,用于建立适应度函数;所述适应度函数为各台锅炉的适应度的和;所述锅炉的适应度为所述锅炉的负荷与所述锅炉在所述负荷下的碳排放总量的乘积;
优化模块,用于以所述适应度函数最小为优化目标,利用改进布谷鸟搜索算法对额定负荷进行优化分配,得到各台所述锅炉的最优负荷;各台所述锅炉的最优负荷的和等于所述额定负荷;所述改进布谷鸟搜索算法的动态系数随迭代次数发生变化。
CN202210952712.8A 2022-08-10 2022-08-10 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统 Active CN115018221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210952712.8A CN115018221B (zh) 2022-08-10 2022-08-10 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210952712.8A CN115018221B (zh) 2022-08-10 2022-08-10 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统

Publications (2)

Publication Number Publication Date
CN115018221A true CN115018221A (zh) 2022-09-06
CN115018221B CN115018221B (zh) 2022-11-11

Family

ID=83065360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210952712.8A Active CN115018221B (zh) 2022-08-10 2022-08-10 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统

Country Status (1)

Country Link
CN (1) CN115018221B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799778A (zh) * 2012-07-16 2012-11-28 杭州电子科技大学 一种优化锅炉负荷分配方法
CN105975342A (zh) * 2016-04-29 2016-09-28 广东工业大学 基于改进布谷鸟搜索算法的云计算任务调度方法及系统
CN107169557A (zh) * 2017-05-12 2017-09-15 淮阴师范学院 一种对布谷鸟优化算法进行改进的方法
CN109583638A (zh) * 2018-11-16 2019-04-05 新疆大学 一种基于混合布谷鸟优化算法的多级水库优化调度方法
CN109800849A (zh) * 2018-12-13 2019-05-24 沈阳理工大学 动态布谷鸟搜索算法
CN111160636A (zh) * 2019-12-19 2020-05-15 广东工业大学 一种cchp型微电网调度优化方法
EP3916301A2 (en) * 2020-05-28 2021-12-01 EDF (China) Holding Ltd. Method and apparatus for optimising operation parameters of a biomass boiler
CN113962419A (zh) * 2020-07-20 2022-01-21 浙江大学 基于改进多目标布谷鸟搜索算法的热电联产机组负荷优化分配方法
CN114580265A (zh) * 2021-12-28 2022-06-03 浙江英集动力科技有限公司 一种多炉多机复杂生产系统的负荷调度分配方法及平台

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799778A (zh) * 2012-07-16 2012-11-28 杭州电子科技大学 一种优化锅炉负荷分配方法
CN105975342A (zh) * 2016-04-29 2016-09-28 广东工业大学 基于改进布谷鸟搜索算法的云计算任务调度方法及系统
CN107169557A (zh) * 2017-05-12 2017-09-15 淮阴师范学院 一种对布谷鸟优化算法进行改进的方法
CN109583638A (zh) * 2018-11-16 2019-04-05 新疆大学 一种基于混合布谷鸟优化算法的多级水库优化调度方法
CN109800849A (zh) * 2018-12-13 2019-05-24 沈阳理工大学 动态布谷鸟搜索算法
CN111160636A (zh) * 2019-12-19 2020-05-15 广东工业大学 一种cchp型微电网调度优化方法
EP3916301A2 (en) * 2020-05-28 2021-12-01 EDF (China) Holding Ltd. Method and apparatus for optimising operation parameters of a biomass boiler
CN113962419A (zh) * 2020-07-20 2022-01-21 浙江大学 基于改进多目标布谷鸟搜索算法的热电联产机组负荷优化分配方法
CN114580265A (zh) * 2021-12-28 2022-06-03 浙江英集动力科技有限公司 一种多炉多机复杂生产系统的负荷调度分配方法及平台

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINSONG TAO 等: ""Optimization model of trubines and boilers load distribution in paper mill power plant"", 《2010 2ND INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND TECHNOLOGY》 *
刘庭宇等: "基于改进布谷鸟搜索算法的TFT-LCD制造调度方法", 《计算机系统应用》 *
李进 等: ""燃煤发电厂CO2排放强度计算方法解析与应用"", 《环境工程学报》 *

Also Published As

Publication number Publication date
CN115018221B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN108764519B (zh) 一种园区能源互联网能源设备容量优化配置方法
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
Sirikum et al. Power generation expansion planning with emission control: a nonlinear model and a GA‐based heuristic approach
CN114036855B (zh) 火电厂动态配煤方法、系统、设备及存储介质
CN109784554B (zh) 一种基于主从博弈的电力系统最优调度方法
CN107681654A (zh) 考虑新能源消纳和环境效益的多目标电网规划方法和装置
CN109787227B (zh) 一种多能互补系统多时间尺度优化调度方法
CN112053035B (zh) 考虑经济性与灵活性的输电通道与储能联合规划方法
Mahari et al. A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA
CN110110948A (zh) 一种多目标分布式电源优化配置方法
CN113452078B (zh) 基于新能源接入及水火电特性的agc多目标协调优化策略
CN107634547A (zh) 基于新能源出力预测误差的电气联合系统出电控制方法
CN113538066A (zh) 虚拟电厂参与电力市场的控制方法、系统、设备及介质
CN114243691A (zh) 一种电力系统低碳优化调度方法
CN114037191A (zh) 基于大数据的虚拟电厂优化调度方法、装置、设备及介质
CN115423282A (zh) 一种基于奖惩阶梯型碳交易的电-氢-储综合能源网多目标优化调度模型
CN115099725B (zh) 一种综合能源系统能量管理分配方法及系统
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
CN109787221A (zh) 一种微电网电能安全经济调度方法和系统
CN115102231A (zh) 一种多尺度电-碳模式下风光储场站优化控制方法和系统
Deljouyi et al. Wind farm power output optimization using cooperative control methods
Dai et al. An equilibrium model of the electricity market considering the participation of virtual power plants
CN115018221B (zh) 基于改进布谷鸟搜索算法的锅炉负荷分配方法及系统

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