CN116154840A - 一种智能工业厂区多能源优化调节方法及设备 - Google Patents

一种智能工业厂区多能源优化调节方法及设备 Download PDF

Info

Publication number
CN116154840A
CN116154840A CN202211420143.9A CN202211420143A CN116154840A CN 116154840 A CN116154840 A CN 116154840A CN 202211420143 A CN202211420143 A CN 202211420143A CN 116154840 A CN116154840 A CN 116154840A
Authority
CN
China
Prior art keywords
energy
heat
power supply
power generation
equipment
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
CN202211420143.9A
Other languages
English (en)
Inventor
周孟雄
郭仁威
许嘉浩
汤健康
苏姣月
纪捷
张楚
彭甜
孙娜
陈帅
荆佳龙
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202211420143.9A priority Critical patent/CN116154840A/zh
Publication of CN116154840A publication Critical patent/CN116154840A/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28D—HEAT-EXCHANGE APPARATUS, NOT PROVIDED FOR IN ANOTHER SUBCLASS, IN WHICH THE HEAT-EXCHANGE MEDIA DO NOT COME INTO DIRECT CONTACT
    • F28D20/00—Heat storage plants or apparatus in general; Regenerative heat-exchange apparatus not covered by groups F28D17/00 or F28D19/00
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28D—HEAT-EXCHANGE APPARATUS, NOT PROVIDED FOR IN ANOTHER SUBCLASS, IN WHICH THE HEAT-EXCHANGE MEDIA DO NOT COME INTO DIRECT CONTACT
    • F28D21/00—Heat-exchange apparatus not covered by any of the groups F28D1/00 - F28D20/00
    • F28D21/0001—Recuperative heat exchangers
    • 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
    • H02J3/04—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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • 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
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种智能工业厂区多能源优化调节方法及设备，基于鹈鹕优化算法，对阵工业厂区的热电等负载，运行优化调节厂区的能源供给情况。包括多能源产能单元、储能单元、电能设备单元、热能设备单元以及调控模块,多能源产能单元通过光伏太阳能发电模块和天然气发电模块进行发电，储能单元包括电池和超级电容组，实现对电能、热能的储存与分配利用，调控模块通过鹈鹕优化算法基于负载负荷需求数据进行电需求供能设计，调用电池组数量。与现有技术相比，本发明整合了绿色能源中的光伏发电与较为清洁的天然气发电，基于智能算法综合热电供给，提高供电的稳定性和灵活性，灵活调控电池数量，满足不同场景下的供电需求。

Description

一种智能工业厂区多能源优化调节方法及设备
技术领域
本发明涉及热电系统技术领域，具体涉及一种智能工业厂区多能源优化调节方法及设备。
背景技术
工业是促使人类发展进步的重要组成成分，工业产品与人类生活息息相关，但工业带来的污染又是巨大的，尤其是在能源消耗方面尤为突出，且热能电能利用率都相对较低。在工业生产过程中，其热量被高温烟气，高温炉渣，高温产品等带走了绝大部分的热量。近年来节能减排，低碳生活是我国发展的战略方针，而热能与电能的合理分配与利用能够促使降低资源的消耗，提高能源的利用率，符合了我国环保战略的方向。并且，热能与电能的分配与转换在节约能源，增加生产，降低成本等方面起着重要作用。
此外，热电系统是一个具有多时间尺度，多种能源需求的复杂系统，如何按照不同能源间的互补特性，统筹实现热电系统的优化运行，是未来能源系统发展的重要研究方向。
因此需要一种调节设备，既能够提高能源的利用率，又能协调设备运行，从总体上提高热电系统的经济效益与环境效益。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种智能工业厂区多能源优化调节方法及设备，能够实现工业厂区中热能与电能充分利用，并且利用鹈鹕优化算法优化系统调度配置，解决工业厂区能源利用率低的问题。
技术方案：本发明公开一种智能工业厂区多能源优化调节方法，所述工业厂区多能源包括光伏太阳能、天然气，储能模块包括若干电池组及超级电容组，该调节方法包括如下步骤：
步骤1：构建多能源储能供电目标函数模型，输入影响系统配置容量的参数，其目标函数如下：
Figure SMS_1
其中，Efit为目标值，Ev为光伏太阳能发电总容量、Eg为天然气发电总容量Ebattery为单个电池的容量、Esuper为超级电容的容量、Eother涉及其他方面的损失容量η1为太阳能发电的转化效率，η2为天然气发电的转化效率，n为电池数量；
步骤2：利用鹈鹕优化算法POA中鹈鹕种群成员的种群矩阵进行识别：
Figure SMS_2
Figure SMS_3
Xi，j＝lj+rand·(uj-lj)，i＝1，2，...，N，j＝1，2，...，m
式中：，X代表整个鹈鹕种群，每个Xi都是给定问题的一个候选解，F代表适应度函数值，Xi，j代表第i个鹈鹕的第j个变量的值；N是种群大小；m是维度；rand代表[0，1]之间的随机数；lj代表下限；uj代表上限；
步骤3：利用鹈鹕优化算法POA模拟鹈鹕在攻击和捕猎猎物时的行为和策略，以更新候选解决方案，这种狩猎策略分为探索和开发这两个阶段；
步骤4：在所有个体经过狩猎策略的两个阶段更新后，基于种群的新状态和目标函数的值，到目前位置的最佳候选方案将被更新，算法进入下一次迭代，基于上述位置更新方式重复执行，直到完全结束，输出目标函数的最佳候选方案。
进一步地，所述步骤3中狩猎策略分为探索和开发这两个阶段：
第一阶段：探索阶段，鹈鹕确定猎物的位置，然后向确定的区域移动；
POA的重点是在搜索空间中随机生成猎物的位置：
Figure SMS_4
式中：
Figure SMS_5
为第i个鹈鹕的新位置，Pj是第j个维度上的猎物位置，FP是其目标函数值；I是随机数字，可以取1或2，当I＝2时，可以增加每个个体的位移，使得其进入搜索空间的新区域；
探索结束后，判断新位置的目标函数值和猎物的目标函数值谁大谁小，谁小取谁，更新方式如下：
Figure SMS_6
第二阶段：开发阶段，增加局部搜索能力和开发性POA的能力；
检查鹈鹕位置附近的点，以便收敛到更好的解：
Figure SMS_7
式中
Figure SMS_8
为基于第2阶段更新后第i个鹈鹕的第j维的位置，rand为[0，1]范围内的随机数，R＝0.2，常数；t是当前迭代次数；T是最大迭代次数。
本发明还公开一种智能工业厂区多能源优化调节设备，包括光伏太阳能发电模块、天然气发电模块、调控模块、储能单元、电能设备单元以及热能设备单元；
所述光伏太阳能发电模块、天然气发电模块的输出端与所述储能单元连接，所述储能单元的输出端与电能设备单元、热能设备单元输入端连接，所述调控模块与所述电能设备单元、热能设备单元相连接；
所述调控模块中设置有权利要求1或2所述的智能工业厂区多能源优化调节方法，用于根据厂区的供能需求及电能设备单元、热能设备单元的数据反馈进行灵活的配置所述储能单元。
优选地，所述储能单元包括储能供电模块、微型燃气轮机、储热罐、余热回收设备、换热器，所述电能设备包括极小功率设备、日常供电设备，所述热能设备单元包括热电需求设备以及低温需求设备；
所述光伏太阳能发电模块的输出端与所述储能供电模块连接，所述天然气发电模块的输出端与所述微型燃气轮机连接；所述微型燃气轮机为储能供电模块提供电能，所述微型燃气轮机为储热罐、换热器提供热能；所述余热回收设备回收储热罐多余的热能，所述储热罐为换热器提供热能；
所述储能供电模块与极小功率设备、日常供电设备相连接，所述换热器与热电需求设备、低温需求设备相连接，所述余热回收设备与低温需求设备相连接；
所述储能供电模块包括若干电池组及超级电容组，所述调控模块用于根据厂区的供能需求及极小功率设备、日常供电设备、热电需求设备、低温需求设备的数据反馈进行灵活的配置所述储能供电模块。
优选地，所述光伏太阳能发电模块将太阳能转化为电能传导至储能供电模块储存，储能供电模块根据极小功率设备与日常供电设备的供电需求进行电能分配供给，再根据厂区的供能需求及极小功率设备、日常供电设备的数据反馈经调控模块进行灵活的配置调控所述储能单元的电能储备。
优选地，所述天然气发电模块将通过天然气燃烧产生的电能传送至微型燃气轮机，由微型燃气轮机产生的电能传送至储能供电模块进行储存，由微型燃气轮机产生的热能传送至储热罐与换热器中进行储存并二次加工成条件所需的热能，储热罐的余热传送至余热回收设备进行回收，再由换热器与余热回收设备直接为热电需求设备与低温需求设备提供热能，再由热电需求设备与低温需求设备提供数据，经由调控模块分析，根据厂区的供能需求进行灵活的配置。
有益效果：
1、与传统的热电系统相比，本发明采用多层级热能电能的存储与利用，促使高温发电，中温协作，低温日用，极大的提高了热能与电能分配的协调性、灵活性和稳定性。
2、与传统的热电系统相比，本发明采用针对储能单元的协调控制，对电能设备单元与热能设备单元进行调控，提高设备运行能力，带来经济效益。
3、本发明还利用鹈鹕优化算法生成控制策略，使得该系统能够应用于不同场景，应对不同的现场需求，并且根据算法生成最优控制策略，可以大大提高系统能源转化率与利用率，保证对厂区的持续不间断的供能，保障厂区持续可靠的运行。
4、本发明可以降低综合成本。整合绿色能源、混合储能使得该系统可应用于不同的供能场合，提供了一种新型的、绿色的的供能方式，降低了综合成本。
附图说明
图1为本发明的结构示意图；
图2为本发明的算法流程图；
图3为本发明的能源利用率对比图；
图4为本发明的热能电能综合利用率对比图；
图5为本发明的综合能源成本节约量对比图；
其中，1-光伏太阳能发电模块、2-天然气发电模块、3-储能供电模块、4-微型燃气轮机、5-调控模块、6-储热罐、7-余热回收设备、8-换热器、9-极小功率设备、10-日常供电设备、11-热电需求设备，12-低温需求设备。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开了一种智能工业厂区多能源优化调节方法及设备，参见图1、2，该设备包括如下结构：
1-光伏太阳能发电模块、2-天然气发电模块、3-储能供电模块、4-微型燃气轮机、5-调控模块、6-储热罐、7-余热回收设备、8-换热器、9-极小功率设备、10-日常供电设备、11-热电需求设备以及12-低温需求设备。
光伏太阳能发电模块1的输出端与储能单元的储能供电模块3连接；天然气发电模块2的输出端与储能单元的微型燃气轮机4连接；微型燃气轮机4为储能供电模块3提供电能，微型燃气轮机4为储热罐6提供热能，微型燃气轮机4为换热器8提供热能；余热回收设备7回收储热罐6多余的热能，储热罐6为换热器8提供热能。
储能供电模块3与极小功率设备9、日常供电设备10相连接；换热器8与热电需求设备11、低温需求设备12相连接，余热回收设备7与低温需求设备12相连接，调控模块5与电能设备单元、热能设备单元相连接，调控模块5同时与电能设备单元与热能设备单元以及储能供电模块3相连接。
光伏太阳能发电模块1将太阳能转化为电能传导至储能供电模块3储存，储能供电模块3根据极小功率设备9与日常供电设备10的供电需求进行电能分配供给，再根据厂区的供能需求经调控模块5可进行灵活的配置，调控模块5通过数据分析控制策略调控储能单元的电能储备，进行对厂区不间断地、持续地供热、供电。
天然气发电模块2将通过天然气燃烧产生的电能传送至微型燃气轮机4，由微型燃气轮机4产生的电能传送至储能供电模块3进行储存，由微型燃气轮机4产生的热能传送至储热罐6与换热器8中进行储存并二次加工成条件所需的热能，储热罐6的余热传送至余热回收设备7进行回收，再由换热器8与余热回收设备7直接为热电需求设备11与低温需求设备12提供热能，再由热电需求设备11与低温需求设备12提供数据，经由调控模块5分析，根据厂区的供能需求经调控模块5可进行灵活的配置。
储能供电模块3与极小功率设备9、日常供电设备10相连接，换热器8与热电需求设备11、低温需求设备12相连接，余热回收设备7与低温需求设备12相连接，调控模块5同时与电能设备单元、热能设备单元以及储能供电模块3相连接。
由光伏太阳能发电模块1将太阳能转化为电能传导至储能供电模块3储存，储能供电模块3根据极小功率设备9与日常供电设备10的供电需求进行电能分配供给，再根据厂区的供能需求经调控模块5可进行灵活的配置，传输至调控模块5通过数据分析控制策略调控储能单元的电能储备，进行对厂区不间断地、持续地供热、供电。
天然气发电模块2将通过天然气燃烧产生的电能传送至微型燃气轮机4，由微型燃气轮机4产生的电能传送至储能供电模块3进行储存，由微型燃气轮机4产生的热能传送至储热罐6与换热器8中进行储存并二次加工成条件所需的热能，储热罐6的余热传送至余热回收设备7进行回收，再由换热器8与余热回收设备7直接为热电需求设备11与低温需求设备12提供热能，再由热电需求设备11与低温需求设备12提供数据，经由调控模块5分析，根据厂区的供能需求经调控模块5可进行灵活的配置。
调控模块5通过对电能设备单元中的极小功率设备9、日常供电设备10以及热能设备单元中的热电需求设备11、低温需求设备12的数据分析，利用鹈鹕优化算法计算出热能电能调配需求的数据，再通过智能控制器控制储能单元的电池组数量，实现针对工业厂区热电系统中的热能与电能在不同时刻，不同需求时高效、合理的存储与调配。
参见图3，本发明通过使用鹈鹕优化算法进行控制储能单元的电池组数量，主要包括如下步骤：
步骤1：提出鹈鹕优化算法POA中的鹈鹕种群成员使用公式(1)中称为种群矩阵的矩阵进行识别，X代表整个鹈鹕种群，每个Xi都是给定问题的一个候选解，F代表适应度函数值。
Figure SMS_9
Figure SMS_10
Xi，j＝lj+rand·(uj-lj)，i＝1，2，…，N，j＝1，2，…，m
式中：Xi，j代表第i个鹈鹕的第j个变量的值；N是种群大小；m是维度；rand代表[0，1]之间的随机数；lj代表下限；uj代表上限。
步骤2：构建多能源储能供电目标函数模型，输入影响系统配置容量的参数，目标函数如下：
Figure SMS_11
其中，Efit为目标值，Ev为光伏太阳能发电总容量、Eg为天然气发电总容量Ebattery为单个电池的容量、Esuper为超级电容的容量、Eother涉及其他方面的损失容量η1为太阳能发电的转化效率，η2为天然气发电的转化效率，n为电池数量。
步骤3：鹈鹕优化算法POA模拟鹈鹕在攻击和捕猎猎物时的行为和策略，以更新候选解决方案。这种狩猎策略分为探索和开发这两个阶段。
第一阶段：探索阶段
在第一阶段，鹈鹕确定猎物的位置，然后向确定的区域移动。POA的重点是在搜索空间中随机生成猎物的位置。上述概念和鹈鹕向猎物位置移动的策略在公式(2)中进行了数学模拟。公式(2)如下：
Figure SMS_12
式中：
Figure SMS_13
为第i个鹈鹕的新位置，Pj是第j个维度上的猎物位置，FP是其目标函数值；I是随机数字，可以取1或2，当I＝2时，可以增加每个个体的位移，使得其进入搜索空间的新区域。
探索结束后，判断新位置的目标函数值和猎物的目标函数值谁大谁小，谁小取谁，更新方式如下：
Figure SMS_14
进一步说明。在鹈鹕优化算法中，如果目标函数值在该位置得到改善，则接收鹈鹕的新位置。在这种类型的更新中，也被成为有效更新，该算法不能移动到非最优区域，这个过程可以用公式(3)描述。
第二阶段：开发阶段
这一过程增加了局部搜索能力和开发性POA的能力。从数学的角度来看，算法必须检查鹈鹕位置附近的点，以便收敛到更好的解。该过程在式(4)中进行了数学模拟。公式(4)如下：
Figure SMS_15
式中：
Figure SMS_16
为基于第2阶段更新后第i个鹈鹕的第j维的位置，rand为[0，1]范围内的随机数，R＝0.2，常数；t是当前迭代次数；T是最大迭代次数。
Figure SMS_17
步骤4：重复步骤
在所有个体经过第一和第二阶段更新后，基于种群的新状态和目标函数的值，到目前位置的最佳候选方案将被更新。算法进入下一次迭代，基于上述位置更新方式的4个公式重复执行，直到完全结束。结束的方式可以被设置好的误差要求截断或者终止于迭代次数。最后，最佳候选方案即为给定问题的准最优解。
参见图4，对于传统、现有与本发明的热电系统热能电能综合利用率的对比中，本发明的热电系统的热能电能综合利用率常年保持在69-77％之间，相较于现有热电系统的50-59％和传统热电系统的40-49％有较为明显的提高。
参见图5，对于未引入电池和超级电容的混合储能模块的传统系统及未加入算法优化的现有系统与本发明的热电系统余热回收率的对比中，本发明的热电系统余热回收率常年保持在60-69％之间，相较于现有热电系统的28-40％和传统热电系统的12-20％有较为明显的提高。
参见图5，在工业厂区中，较未引入电池和超级电容的混合储能模块的传统系统会导致多余的供能产出不能存储，从而导致浪费，以及未加入算法优化的现有系统与本发明的系统相比，不能合理的分配热、电能以及不能合理规划电池模型，本发明的热电系统热电能源成本节约量为12.17-13.62万千瓦左右，相较于现有热电系统的7.69-8.02万千瓦和传统热电系统的3.23-3.63万千瓦，分别提高了约5.05和9.47万千瓦，经过鹈鹕优化算法，经济效益大大提高。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种智能工业厂区多能源优化调节方法，其特征在于，所述工业厂区多能源包括光伏太阳能、天然气，储能模块包括若干电池组及超级电容组，该调节方法包括如下步骤：
步骤1：构建多能源储能供电目标函数模型，输入影响系统配置容量的参数，其目标函数如下：
Figure FDA0003940492350000011
其中，Efit为目标值，Ev为光伏太阳能发电总容量、Eg为天然气发电总容量Ebattery为单个电池的容量、Esuper为超级电容的容量、Eother涉及其他方面的损失容量η1为太阳能发电的转化效率，η2为天然气发电的转化效率，n为电池数量；
步骤2：利用鹈鹕优化算法POA中鹈鹕种群成员的种群矩阵进行识别：
Figure FDA0003940492350000012
Figure FDA0003940492350000013
Xi，j＝lj+rand·(uj-li)，i＝1，2，…，N，j＝1，2，…，m
式中：x代表整个鹈鹕种群，每个Xi都是给定问题的一个候选解，F代表适应度函数值，Xi，j代表第i个鹈鹕的第j个变量的值；N是种群大小；m是维度；rand代表[0，1]之间的随机数；lj代表下限；uj代表上限；
步骤3：利用鹈鹕优化算法POA模拟鹈鹕在攻击和捕猎猎物时的行为和策略，以更新候选解决方案，这种狩猎策略分为探索和开发这两个阶段；
步骤4：在所有个体经过狩猎策略的两个阶段更新后，基于种群的新状态和目标函数的值，到目前位置的最佳候选方案将被更新，算法进入下一次迭代，基于上述位置更新方式重复执行，直到完全结束，输出目标函数的最佳候选方案。
2.根据权利要求1所述的智能工业厂区多能源优化调节方法，其特征在于，所述步骤3中狩猎策略分为探索和开发这两个阶段：
第一阶段：探索阶段，鹈鹕确定猎物的位置，然后向确定的区域移动；
POA的重点是在搜索空间中随机生成猎物的位置：
Figure FDA0003940492350000021
式中：
Figure FDA0003940492350000022
为第i个鹈鹕的新位置，Pj是第j个维度上的猎物位置，FP是其目标函数值；I是随机数字，可以取1或2，当I＝2时，可以增加每个个体的位移，使得其进入搜索空间的新区域；
探索结束后，判断新位置的目标函数值和猎物的目标函数值谁大谁小，谁小取谁，更新方式如下：
Figure FDA0003940492350000023
第二阶段：开发阶段，增加局部搜索能力和开发性POA的能力；
检查鹈鹕位置附近的点，以便收敛到更好的解：
Figure FDA0003940492350000024
式中：
Figure FDA0003940492350000025
为基于第2阶段更新后第i个鹈鹕的第j维的位置，rand为[0，1]范围内的随机数，R＝0.2，常数；t是当前迭代次数；T是最大迭代次数。
3.一种智能工业厂区多能源优化调节设备，其特征在于，包括光伏太阳能发电模块(1)、天然气发电模块(2)、调控模块(5)、储能单元、电能设备单元以及热能设备单元；
所述光伏太阳能发电模块(1)、天然气发电模块(2)的输出端与所述储能单元连接，所述储能单元的输出端与电能设备单元、热能设备单元输入端连接，所述调控模块(5)与所述电能设备单元、热能设备单元相连接；
所述调控模块(5)中设置有权利要求1或2所述的智能工业厂区多能源优化调节方法，用于根据厂区的供能需求及电能设备单元、热能设备单元的数据反馈进行灵活的配置所述储能单元。
4.根据权利要求3所述的智能工业厂区多能源优化调节设备，其特征在于，所述储能单元包括储能供电模块(3)、微型燃气轮机(4)、储热罐(6)、余热回收设备(7)、换热器(8)，所述电能设备包括极小功率设备(9)、日常供电设备(10)，所述热能设备单元包括热电需求设备(11)以及低温需求设备(12)；
所述光伏太阳能发电模块(1)的输出端与所述储能供电模块(3)连接，所述天然气发电模块(2)的输出端与所述微型燃气轮机(4)连接；所述微型燃气轮机(4)为储能供电模块(3)提供电能，所述微型燃气轮机(4)为储热罐(6)、换热器(8)提供热能；所述余热回收设备(7)回收储热罐(6)多余的热能，所述储热罐(6)为换热器(8)提供热能；
所述储能供电模块(3)与极小功率设备(9)、日常供电设备(10)相连接，所述换热器(8)与热电需求设备(11)、低温需求设备(12)相连接，所述余热回收设备(7)与低温需求设备(12)相连接；
所述储能供电模块(3)包括若干电池组及超级电容组，所述调控模块(5)用于根据厂区的供能需求及极小功率设备(9)、日常供电设备(10)、热电需求设备(11)、低温需求设备(12)的数据反馈进行灵活的配置所述储能供电模块(3)。
5.根据权利要求4所述的智能工业厂区多能源优化调节设备，其特征在于，所述光伏太阳能发电模块(1)将太阳能转化为电能传导至储能供电模块(3)储存，储能供电模块(3)根据极小功率设备(9)与日常供电设备(10)的供电需求进行电能分配供给，再根据厂区的供能需求及极小功率设备(9)、日常供电设备(10)的数据反馈经调控模块(5)进行灵活的配置调控所述储能单元的电能储备。
6.根据权利要求4所述的智能工业厂区多能源优化调节设备，其特征在于，所述天然气发电模块(2)将通过天然气燃烧产生的电能传送至微型燃气轮机(4)，由微型燃气轮机(4)产生的电能传送至储能供电模块(3)进行储存，由微型燃气轮机(4)产生的热能传送至储热罐(6)与换热器(8)中进行储存并二次加工成条件所需的热能，储热罐(6)的余热传送至余热回收设备(7)进行回收，再由换热器(8)与余热回收设备(7)直接为热电需求设备(11)与低温需求设备(12)提供热能，再由热电需求设备(11)与低温需求设备(12)提供数据，经由调控模块(5)分析，根据厂区的供能需求进行灵活的配置。
CN202211420143.9A 2022-11-14 2022-11-14 一种智能工业厂区多能源优化调节方法及设备 Pending CN116154840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211420143.9A CN116154840A (zh) 2022-11-14 2022-11-14 一种智能工业厂区多能源优化调节方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211420143.9A CN116154840A (zh) 2022-11-14 2022-11-14 一种智能工业厂区多能源优化调节方法及设备

Publications (1)

Publication Number Publication Date
CN116154840A true CN116154840A (zh) 2023-05-23

Family

ID=86351437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211420143.9A Pending CN116154840A (zh) 2022-11-14 2022-11-14 一种智能工业厂区多能源优化调节方法及设备

Country Status (1)

Country Link
CN (1) CN116154840A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036828A (zh) * 2024-03-29 2024-05-14 淮阴工学院 一种利用分布式能源的充电站系统、供能策略及选址方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158203A (zh) * 2014-08-21 2014-11-19 重庆大学 一种微电网电源容量优化配置方法
CN106505634A (zh) * 2016-12-14 2017-03-15 东南大学 基于两阶段协调优化与控制的冷热电联供型微网运行方法
CN114243759A (zh) * 2021-11-17 2022-03-25 淮阴工学院 一种冷热电联产系统及冷热电负荷调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158203A (zh) * 2014-08-21 2014-11-19 重庆大学 一种微电网电源容量优化配置方法
CN106505634A (zh) * 2016-12-14 2017-03-15 东南大学 基于两阶段协调优化与控制的冷热电联供型微网运行方法
CN114243759A (zh) * 2021-11-17 2022-03-25 淮阴工学院 一种冷热电联产系统及冷热电负荷调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PAVEL TROJOVSKÝ等: "Pelican Optimization Algorithm: A Novel Nature-Inspired Algorithm for Engineering Applications", SENSORS, pages 1 - 34 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036828A (zh) * 2024-03-29 2024-05-14 淮阴工学院 一种利用分布式能源的充电站系统、供能策略及选址方法
CN118036828B (zh) * 2024-03-29 2024-08-23 淮阴工学院 一种利用分布式能源的充电站系统、供能策略及选址方法

Similar Documents

Publication Publication Date Title
Arya Impact of hydrogen aqua electrolyzer-fuel cell units on automatic generation control of power systems with a new optimal fuzzy TIDF-II controller
Wang et al. Intelligent multi-agent control for integrated building and micro-grid systems
CN103872694B (zh) 区域风电场群储能电站的容量优化及其辅助调峰方法
CN107958300A (zh) 一种考虑互动响应的多微网互联运行协调调度优化方法
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
Welch et al. Energy dispatch fuzzy controller for a grid-independent photovoltaic system
CN111934360B (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
CN111860937A (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
CN111160636B (zh) 一种cchp型微电网调度优化方法
CN110543966A (zh) 一种电热气联供的微能源网的日前调度优化方法
CN107732945A (zh) 一种基于模拟退火粒子群算法的储能单元优化方法
CN105574620A (zh) 一种结合双主控协作与mpso算法的微电网动态优化调度方法
Dagal et al. A novel hybrid series salp particle Swarm optimization (SSPSO) for standalone battery charging applications
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
CN114595961B (zh) 一种生物质能多能源利用系统调度方法及装置
CN116154840A (zh) 一种智能工业厂区多能源优化调节方法及设备
CN113869742B (zh) 基于行动家和评论家网络的综合供需侧的电力调度系统
CN113078684B (zh) 一种基于双层优化的区域能源社区规划方法
CN113765098B (zh) 一种基于需求侧负荷响应的荷源互动调峰控制方法
CN111082442B (zh) 一种基于改进fpa的储能容量优化配置方法
Liu et al. Optimal sizing of distributed generation based on chaotic free-search algorithm in an island microgrid
CN108613247B (zh) 一种汽水两用燃气锅炉组的热负荷分配方法
Aijaz et al. Optimal control of a two-area hybrid microgrid system incorporating electric vehicles
CN117744894B (zh) 一种综合能源系统的主动学习代理优化方法
Fan et al. Research on Optimal Operation and Capacity Configuration of Energy Storage Based on Pumped Storage Station

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230523