CN117391402B - 一种面向碳中和的智慧工厂多能协同优化方法 - Google Patents

一种面向碳中和的智慧工厂多能协同优化方法 Download PDF

Info

Publication number
CN117391402B
CN117391402B CN202311669303.8A CN202311669303A CN117391402B CN 117391402 B CN117391402 B CN 117391402B CN 202311669303 A CN202311669303 A CN 202311669303A CN 117391402 B CN117391402 B CN 117391402B
Authority
CN
China
Prior art keywords
energy
power
sampling
scene
wind
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
Application number
CN202311669303.8A
Other languages
English (en)
Other versions
CN117391402A (zh
Inventor
亓晋
王微
董振江
孙雁飞
郭宇锋
孙莹
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.)
Jiangsu Tuoyou Information Intelligent Technology Research Institute Co ltd
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202311669303.8A priority Critical patent/CN117391402B/zh
Publication of CN117391402A publication Critical patent/CN117391402A/zh
Application granted granted Critical
Publication of CN117391402B publication Critical patent/CN117391402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Biodiversity & Conservation Biology (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)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于能源协同技术领域，公开了一种面向碳中和的智慧工厂多能协同优化方法，其基于多区域拉丁超立方采样和场景削减技术获取风光典型场景，建立基于期望值的多能协同随机规划模型；基于智慧工厂各能源设备数据以及电热负荷数据采用基于粒子迁移策略的多种群优化算法求解基于期望值的多能协同随机规划模型，最终获得各能源设备的出力情况。本发明所述方法能够进行高效采样且避免采样过程中出现采样低估和采样失效的情况，并可提高复杂模型的求解效率和精度。

Description

一种面向碳中和的智慧工厂多能协同优化方法
技术领域
本发明属于能源协同技术领域，具体是涉及一种面向碳中和的智慧工厂多能协同优化方法。
背景技术
可再生能源在智慧工厂供能侧比重的增加以及智慧工厂需求的多样化，对智慧工厂能源系统能源协同效率、运行稳定性提出更高的要求，传统的能源系统燃气轮机“以热定电”运行方法难以应对可再生能源带来的不确定性和满足工厂需求的多样化。亟需建立满足当前需求多样化、具有高耦合性和不确定性的能源协同模型，提高能源协同优化效率和协同灵活性，增加能源稳定性。
多能协同是保证智慧工厂能源系统稳定运行、绿色运行的重要手段，主要采取增加储热装置和燃气锅炉装置来提高能源协同的灵活性，基于此采用随机规划或鲁棒优化来建立含不确定性的运行优化模型，并采用智能优化算法进行求解，然而对于变量复杂、解空间大的模型，当前智能优化算法的求解速度和精度较低。
对于上述问题，相关技术人员进行相关研究，但仍然存在不足之处；如专利申请CN113688576A公开了一种城市区域能源互联网能量调度方法，在建立能量调度优化数学模型和预测数据的基础上运用量子PSO算法进行求解和分析以实现了对城市区域能源互联网的能源互济和能量优化调度；其主要针对电能进行能量调度，然而随着需求多样化需要考虑热能需求，同时微型燃气轮机存在电热刚性耦合的特征，在求解包含电热需求的能源协同模型时，提出的PSO算法已不能满足求解空间复杂的模型。
专利申请CN115238503A公开了一种电-热-气-氢综合能源系统优化调度方法，其采用拉丁超立方抽样和场景削减法生成风电出力预测模型，考虑了风电出力的不确定性，将风电功率的随机性、波动性纳入到综合能源优化调度统筹中，通过风电出力的多场景生成及缩减算法快速求解综合能源随机规划模型；但其并未考虑到风电出力受到风力发电机的物理限制，可能会导致采样不精确的情况发生。
发明内容
为解决上述技术问题，本发明提供了一种面向碳中和的智慧工厂多能协同优化方法，采用场景分析技术进行场景抽样并建立多能协同日前随机规划调度模型，并提出基于种群迁移策略的多种群优化算法，解耦燃气轮机电热刚性耦合并实现智慧工厂低碳经济运行。
本发明所述的一种面向碳中和的智慧工厂多能协同优化方法，包括以下步骤：
步骤1、基于多区域拉丁超立方采样和场景削减技术获取风光典型场景，建立基于期望值的多能协同随机规划模型；
步骤2、基于智慧工厂各能源设备数据以及电热负荷数据采用基于粒子迁移策略的多种群优化算法求解基于期望值的多能协同随机规划模型，最终获得各能源设备的出力情况。
进一步的，步骤1具体为：
步骤1-1、采用多区域拉丁超立方采样分别对风电和光伏输出功率进行采样获取多个采样场景；
步骤1-2、对获取的多个采样场景利用场景缩减技术得到缩减后的典型场景及其相应的场景概率；利用欧式距离来描述场景集的距离，距离越小，相似度越大，其表达式如式（1）所示：
，
式中，表示欧式距离，/>和/>分别表示第/>个样本和第/>个样本的第/>次采样，/>表示采样场景；
步骤1-3、计算智慧工厂能源协同低碳运行成本，确定智慧工厂能源系统的约束条件，构建基于期望值的多能协同随机规划模型。
进一步的，风电采样时，首先获取时段内风电功率的预测值/>，并对该预测值的大小进行判断；WT表示风力；
若该预测值小于风力在低风级别时的预测功率，则属于低风级，使服从均匀分布，将均匀分布的累积分布函数以等概率划 分为N个非重叠区间，从每个子区间中随机选择一个样本，其中r为0到 区间宽度均匀分布的随机数，并计算每个样本对应的采样值；，表示服从均匀分布的逆函数；
若该预测值大于风力在高风级别时的预测功率/>，则属于高风级，其处于高功率采样区，根据正态分布生成样本/>，将/>与风力发电最大容量/>进行比较；如果超过最大容量，则由另一个边界为/>和/>的均匀分布/>重新生成样本，即将均匀分布/>累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，其中r为0到/>区间宽度均匀分布的随机数，计算每个样本对应的采样/>；/>，表示服从均匀分布/>的逆函数；
当处于/>和/>之间时，为正常水平，/>服从正态分布，其中以/>为均值，以其值的20%为方差进行采样；将正态分布/>的累积分布函数/>以等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本，计算每个样本对应的采样值/>，/>，/>为标准正太分布的逆函数。
进一步的，光伏采样时，首先获取时段内光伏功率的预测值/>，并对该预测值/>的大小进行判断；PV表示光伏；
若该预测值小于光伏在低辐射级别时的预测功率/>，则属于低辐射区，使服从均匀分布/>，将均匀分布/>的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间/>中随机选择一个样本/>，其中r为0到区间宽度/>均匀分布的随机数，并计算每个样本对应的采样值/>；，/>表示服从均匀分布/>的逆函数；
若该预测值大于光伏在高辐射级别时的预测功率/>，则属于高辐射区，其处于高功率采样区，根据正态分布生成样本/>，将/>与光伏发电最大容量/>进行比较；如果超过最大容量，则由另一个边界为/>和/>的均匀分布/>重新生成样本，即将均匀分布/>的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，其中r为0到/>区间宽度均匀分布的随机数，计算每个样本对应的采样值/>；/>，表示服从均匀分布/>的逆函数；
当处于/>和/>之间时，为正常水平，/>服从正态分布，其中以/>为均值，以其值的10%为方差进行采样；将正态分布/>的累积分布函数等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，计算每个样本对应的采样值/>，/>，/>为标准正太分布的逆函数；
光伏在凌晨和夜晚不产生电能，因此在该区间的采样功率均为0。
进一步的，步骤1-3中，智慧工厂能源协同低碳运行成本包括能源设备的电、气购置成本、维护成本和碳排放成本：
，
表示场景/>下从电网购买电力和天然气能源的成本，由式(3)表示：
，
其中，T为调度周期，时间步长为；/>、/>为场景/>下/>时期电、气购置量；/>、/>是相应的购买价格；
该系统的维护成本如式(4)所示：
，
式中，M为维修单位总数，；包括微型燃气轮机MT、风力WT、光伏PV、储能单元BU；/>、/>分别为/>单元的输出功率、维护费用；特别的，对于BU来说/>表示其折旧成本系数；
碳排放成本如下式：
，
式中，为每单位二氧化碳的处理成本，/>和/>分别表示引入配电网电力和天然气燃烧的二氧化碳排放强度；光伏和风电由于不产生二氧化碳，所以不做考虑；该智慧工厂能源系统可以从配电网购买能源，并将自身多余的电量售卖给配电网以获得利润，利润/>由下式计算：
，
式中，为售卖价格, />为场景/>下在时隙/>内向配电网出售的电量；
智慧工厂低碳经济运行目标，由公式（7）表示：
，
式(7)中，表示场景/>的概率, />表示在场景/>下向上游网络售电所获取的利润。
进一步的，步骤1-3中，智慧工厂能源系统的约束条件包括产能单元约束、储能单元约束以及系统平衡约束。
进一步的，产能单元包括有微型燃气轮机、燃气锅炉、燃料电池、风力、光伏；微型燃气轮机只能产生一定的功率，输出范围定义为闭区间；由于设备受到其固有的物理限制，也就是说在上一时隙内设备的输出功率为/>，若想在下一时隙内的功率输出为/>是不现实的，因此其受到爬坡限制，表达如下：
，
，
式中，、/>分别表示单位时间内爬坡率上限，即产能单元输出功率的增加和减少；不同产能设备的具体约束表达式如下；
微型燃气轮机约束：
微型燃气轮机的输出功率与工作效率有关，为三次函数关系，如式(10)，燃料成本与两者有关，如式(11)：
，
，
式中，为MT的燃料成本，LHV为天然气的低热值，/>，为MT的输出功率，/>为MT的工作效率；
，
，
，
式(12)表示MT能量输入的上下界约束，，/>分别表示MT输出功率的下界和上界，式(13)和(14)表示MT机组的上、下爬坡限制，/>表示/>时隙MT的输出功率，表示/>时隙MT的输出功率；为了求解方便，将约束写成以下形式：
，
，
燃气锅炉约束：
燃气锅炉数学模型采用能量平衡方程，根据能源转换效率转换为相应的热能，其燃料成本如式(17)：
，
式中，为燃料成本，/>表示燃气锅炉输出功率，LHV为天然气的低热值，为燃气锅炉的能量转换效率；燃气锅炉约束的能量输出受到自身生产容量限制，由式(18)表示：
，
式中，、/>分别表示燃气锅炉的能量输入上下界约束，其爬坡约束与MT类似；
燃料电池FC约束：
燃料电池的输出功率与燃料成本由式(19)表示：
，
式中，为FC的燃料成本，/>为FC的输出功率，/>为FC的工作效率；其爬坡约束由式（20）到（21）表示：
，
，
式(13)和(14)表示FC机组的上、下爬坡限制，表示/>时隙MT的输出功率，表示/>时隙FC的输出功率；
可再生能源包括风力和光伏发电，可再生能源出力约束：
可再生能源出力受到其装机容量的约束，由式(22)、(23)表示：
，
，
式中，、/>分别为预测功率接近或达到最大发电量时，风力与光伏的总装机容量。
进一步的，所述储能单元约束包括电储能约束及热储能约束；
电储能约束由式(24)到(28)表示：
，
，
，
，
，
其中，式(24)表示电池单元的荷电状态的时域动态约束；式(25)表示电池单元的荷电状态的上下限约束以及时域解耦约束；式(26)和式(27)分别表示电池单元的充电、放电功率的上下限约束；式(28)表示电池单元不能同时进行充电和放电；为电池容量，为电池的自放电系数，/>和/>分别为电池单元的充电效率以及放电效率；/>表示电池单元在/>时刻的荷电水平，其上限为/>，下限为/>；/>和/>分别为电池单元/>时刻的充放电功率，/>和/>为电池单元充放电功率上下限，电池单元的充电放电状态标识为/>和/>；
热储能约束由式(29)到(33)表示：
，
，
，
，
，
其中，式(27)为热储能的储热水平时域动态约束，表示储热装置在/>时刻的储热水平，受限于/>和/>，/>和/>为储热装置的充放热功率，和/>，为放热功率上下限，/>和/>为充热功率上下限，/>为储热装置容量，/>表示储热装置的热损失，/>、/>为储热装置的充放热效率，/>和为储热损耗率和放热损耗率，/>和/>为储热装置充放热状态标识。
进一步的，系统平衡约束是指智慧工厂能源系统中生产的能量等于系统中消耗的能量，电力、热力的功率平衡表示如下：
，
，
，
，
，
其中，式(34)和(35)为智慧工厂能源系统的电功率平衡方程；式(37)和(38)为热功率平衡方程；为预测的工业负荷需求；式(36)为天然气平衡方程；根据该能源方程可知，智慧工厂能源系统的电力负荷由MT、FC、PV、WT满足，剩余部分由配电网满足。
进一步的，步骤2中，采用基于种群迁移策略的多种群优化算法求解多能协同随机规划模型，具体为：
步骤2-1、获取智慧工厂能源系统的系统设备参数以及各场景概率；
步骤2-2、初始化算法参数：设置种群规模、迭代次数/>、自我学习因子初始值/>，终止值/>，社会学习因子初始值/>，终止值；
步骤2-3、采用Sobol序列初始化粒子群优化算法（PSO）粒子种群；
步骤2-4、通过基于罚函数的适应度函数计算每个个体的适应度值，适应度函数由公式（39）到（40）所示：
，
，
其中，即为低碳经济运行目标函数式（7），/>为待求解的向量及目标函数涉及的所有变量，/>为惩罚因子，/>；/>为违反不等式约束的程度、/>为违反等式约束的程度，R、H分别为不等式约束和等式约束的个数；同时，为了提高收敛精度和速度，可以通过在不同的迭代次数对惩罚因子做相应的修改；在第/>次迭代中，惩罚因子定义如下：
,
其中, 为惩罚因子初始值；
步骤2-5、根据适应度值排序后，将种群按照均匀分布划分为4个子群particle1、particle2、particle3、particle4，分别进行迭代；在每次迭代过程中，采用公式(42)更新惯性权重：
,
步骤2-6、对于子群particle1和子群particle3采用PSO算法更新粒子位置，对于子群particle2和子群particle4采用灰狼优化算法（GWO）更新粒子位置，最终采用PSO策略更新粒子速度；
步骤2-7、对越限变量进行处理；
步骤2-8、更新个体适应度值，求解每个自种群的个体最优以及全局最优值并选取种群间的最优值作为迁移粒子进行迁移策略；
步骤2-9、迭代到最大次数为止，记录历史最优值并将迭代收敛结果作为智慧工厂能源系统中能源设备的协同结果。
本发明所述的有益效果为：本发明所述方法采用多区域拉丁超立方抽样建立以低碳经济为目标的多能协同优化模型，能够进行高效采样且避免采样过程中采样值超过最大发电容量，导致风电、光伏发电功率值无效和避免由于风速或太阳辐射较低，预测值相对较小时，由于正态分布的方差较小，样本值无法覆盖不确定性。针对建立的能源协同优化模型提出一种基于粒子迁移策略的多种群优化算法，采用非线性递减函数表示惯性权重的变化，在算法前期，将惯性权重设为较大值，此时搜索能力较强，有利于跳出局部最优解进行全局搜索；在算法后期，将惯性权重设为较小值，此时搜索能力趋于局部，有利于收敛到最优解；将种群通过均匀分布划分为多个独立的子群，并采用粒子群优化算法(PSO)、灰狼优化算法(GWO)对不同种群进行更新，兼具PSO的快速收敛能力和GWO的高效求解能力，可提高复杂模型的求解效率和精度。
附图说明
图1是能源系统模型示意图；
图2是粒子迁移策略示意图；
图3是本发明所述方法的流程示意图；
图4是本发明所述多种群优化算法与其他算法的迭代对比示意图。
具体实施方式
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
本发明所述的一种面向碳中和的智慧工厂多能协同优化方法，该方法对智慧工厂中的能源设备进行协同调度，工厂中能源系统模型如图1所示。
为了实现工厂低碳经济运行，以碳排放作为评价环境效益的标准，以机组的燃料成本、电网交互成本、各分布式单元的维护成本的日运行成本作为智慧工厂能源系统的经济运行目标，由下式表示：
，
式中，表示场景/>的概率，/>表示在场景/>下智慧工厂能源系统的购电成本、设备运行维护成本以及碳排放成本，/>表示在场景/>下向上游网络售电所获取的利润。
如图3所示，本发明所述的一种面向碳中和的智慧工厂多能协同优化方法，其具体步骤如下：
步骤1、基于多区域拉丁超立方采样和场景削减技术获取风光典型场景，建立基于期望值的多能协同随机规划模型；
步骤2、基于智慧工厂各能源设备数据以及电热负荷数据采用基于粒子迁移策略的多种群优化算法求解基于期望值的多能协同随机规划模型，最终获得各能源设备的出力情况。
步骤1具体为：
步骤1-1、采用多区域拉丁超立方采样对风电和光伏输出功率进行采样获得1000个采样场景。以风电为例具体流程如下：首先获取时段内风电功率的预测值/>，并判断该功率是否小于风力在低风级别时的预测功率/>。若小于，属于低风级，在这种情况下，正态分布的方差很小，对其进行采样会导致不确定性的覆盖程度较低，从而导致低估采样；因此，使/>服从均匀分布/>，采用LHS采样以扩大采样覆盖范围；将均匀分布的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>并计算每个样本对应的采样值/>。当/>处于和高风级/>之间时，处于正常水平，/>服从正态分布，其中以预测的风电功率为均值，以其值的20%为方差进行采样。将正态分布/>的累积分布函数等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>,计算每个样本对应的采样值/>；当/>大于/>时，处于高功率采样区，为了提高采样精度、避免采样失效，LHS方法首先根据正态分布生成样本/>，将其与风力发电最大容量/>进行比较。如果超过最大容量，则由另一个边界为/>和/>的均匀分布/>重新生成样本，即将均匀分布/>的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，计算每个样本对应的采样值/>。光伏的采样流程与风电相似，区别在于光伏在凌晨和夜晚不产生电能，因此在该区间的采样功率均为0；
步骤1-2、采用场景缩减技术获得10个典型场景及其相应的场景概率。利用欧式距离来描述场景集的距离，距离越小，相似度越大。其表达式如下式所示：
，
式中，表示欧式距离，/>和/>分别表示第/>个样本和第/>个样本的第/>次采样；
步骤1-3、计算智慧工厂能源协同低碳运行成本、约束条件。
步骤2具体为：
步骤2-1、获取智慧工厂能源系统的系统设备参数以及各场景概率；
步骤2-2、初始化算法参数：设置种群规模、迭代次数/>、自我学习因子初始值/>，终止值/>，社会学习因子初始值/>，终止值；
步骤2-3、采用Sobol序列初始化PSO种群；
步骤2-4、通过适应度函数计算每个个体的适应度值，根据适应度值排序后，将种群按照均匀分布划分为4个子群particle1、particle2、particle3、particle4，分别进行迭代；在每次迭代过程中，采用下式更新惯性权重：
，
步骤2-5、对于子群particle1和子群particle3采用PSO算法更新粒子位置，对于子群particle2和子群particle4采用GWO算法更新粒子位置，最终采用PSO策略更新粒子速度；
步骤2-6、对越限变量进行处理；
步骤2-7、更新个体适应度值，求解每个自种群的个体最优以及全局最优值并选取种群间的最优值作为迁移粒子进行迁移策略。具体来说：将种群通过均匀分布划分为多个独立的子群，并采用PSO算法、GWO算法对不同种群进行更新，兼具PSO的快速收敛能力和GWO的高效求解能力；每个子群各自进行迭代优化，在当前迭代结束后，比较各子群当前全局最优解，选出所有子群中最优的粒子。对于不包含整体最优粒子的子群，随机选取该种群中非子群最优的粒子，并将其更新为自身种群中的最优解，再通过粒子迁移，将最优的粒子迁移到该子群中成为该子群中新的最优解。如图2，通过以上策略，种群间可以进行信息共享，并且每个子群能够在保证自己子群最优的同时学习种群间的最优值，并提高求解效率；
步骤2-8、迭代到最大次数为止，记录历史最优值并将迭代收敛结果作为智慧工厂能源系统中能源设备的协同结果。
综上，本发明为了验证所提出方法的有效性，以某大型工厂的智慧工厂能源系统为例进行分析，该系统包括光伏设备、风机设备、微型燃气轮机、燃料电池、燃气锅炉以及电热储能等单元。调度时段数为24小时，调度单位为1小时。假设单位时间内各单元的出力及交互功率恒定，交互电价为分时电价。该系统内的相关参数如表1，电价时段划分如表2，储能系统具体参数如表3。
表1 能源系统相关参数
，
表2 电能交易电价
，
表3 储能系统参数
。
将该大型工厂的风电出力和光伏出力近似为正太分布，，风电标准差为均值的20%，光伏标准差为均值的10%。采用多区域拉丁超立方抽样后，分别得到1000个场景集，再采用向后缩减技术分别获得10个典型场景。场景概率如表4所示。假设风光独立分布，最后获得100个场景集。场景概率由风电概率和光伏概率相乘。
表4 风光场景概率
为了验证所提出算法的优势设计了以下方案：在相同的求解环境下，对于所建立的多能协同模型，将本发明所提出多种群优化算法与PSO、GWO算法进行对比，程序独立仿真30次，系统的平均值、最大值、最小值和平均求解时间如表5。实验结果表明所提出的算法在收敛效果方面优于单独采用PSO、GWO的算法。因为划分子种群后，种群之间的更新策略不同，基于种群迁移策略的多种群优化算法能够集中各种群的优势，通过将最优粒子种群迁移到其它种群中可以提高其它种群寻找最优解的速度，且子群并行进化能够提升求解效率。
表5 实验结果对比
。
图4描述了以上算法的最优求解结果的迭代曲线变化趋势，由于前期迭代次数惩罚值较高，难以从图中比较差距，因此选取后1000代进行比较。
如图4，PSO已经陷入局部最优解，而GWO仍在寻找最优解的过程中，然而其求解速度显然低于PSO，这是因为求解模型中解空间GWO的搜索策略依赖于大量随机初始化的狼对解空间进行搜索，在搜索过程中，随机地生成狼群，导致狼的分布不均，可能会出现狼群陷入局部最优解的情况，需要重新生成狼群和调整参数来解决，这就导致GWO算法在解空间较大时，需要更多的迭代次数和更长的搜索时间，才能找到全局最优解。而PSO算法通过粒子的移动来进行搜索，每个粒子都会与当前的全局最优解和局部最优解进行比较，根据权重和速度更新粒子位置，粒子的移动速度和位置更新规则都是确定的，PSO算法更容易对局部最优解进行逃逸和全局最优解的发现，因此在解空间较大时的搜索效率高于GWO算法。根据表5结果，GWO的求解速度明显高于PSO，这是因为GWO无需调参，算法较为简单。本发明所提出算法综合了两者的优势，通过粒子迁移来分享各子群的最优粒子从而使寻优精度均优于PSO、GWO，同时由于多种群并行计算，使求解速度得到提高。
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (8)

1.一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，包括以下步骤：
步骤1、基于多区域拉丁超立方采样和场景削减技术获取风光典型场景，建立基于期望值的多能协同随机规划模型；具体为：
步骤1-1、采用多区域拉丁超立方采样分别对风电和光伏输出功率进行采样获取多个采样场景；
步骤1-2、对获取的多个采样场景利用场景缩减技术得到缩减后的典型场景及其相应的场景概率；利用欧式距离来描述场景集的距离，距离越小，相似度越大，其表达式如式（1）所示：
，
式中，表示欧式距离，/>和/>分别表示第/>个样本和第/>个样本的第/>次采样，表示采样场景；
步骤1-3、计算智慧工厂能源协同低碳运行成本，确定智慧工厂能源系统的约束条件，构建基于期望值的多能协同随机规划模型；
步骤2、基于智慧工厂各能源设备数据以及电热负荷数据，采用基于粒子迁移策略的多种群优化算法求解基于期望值的多能协同随机规划模型，最终获得各能源设备的出力情况；具体为：
步骤2-1、获取智慧工厂能源系统的系统设备参数以及各场景概率；
步骤2-2、初始化算法参数：设置种群规模、迭代次数/>、自我学习因子初始值/>，终止值/>，社会学习因子初始值/>，终止值；
步骤2-3、采用Sobol序列初始化粒子群优化算法PSO粒子种群；
步骤2-4、通过基于罚函数的适应度函数计算每个个体的适应度值，适应度函数由公式（39）到（40）所示：
，
，
其中，即为低碳经济运行目标函数式（7），/>为待求解的向量及目标函数涉及的所有变量，/>为惩罚因子，/>；/>为违反不等式约束的程度、/>为违反等式约束的程度，R、H分别为不等式约束和等式约束的个数；在第/>次迭代中，惩罚因子定义如下：
,
其中, 为惩罚因子初始值；
步骤2-5、根据适应度值排序后，将种群按照均匀分布划分为4个子群particle1、particle2、particle3、particle4，分别进行迭代；在每次迭代过程中，采用公式(42)更新惯性权重：
,
步骤2-6、对于子群particle1和子群particle3采用PSO算法更新粒子位置，对于子群particle2和子群particle4采用灰狼优化算法GWO更新粒子位置，最终采用PSO策略更新粒子速度；
步骤2-7、对越限变量进行处理；
步骤2-8、更新个体适应度值，求解每个自种群的个体最优以及全局最优值并选取种群间的最优值作为迁移粒子进行迁移策略；
步骤2-9、迭代到最大次数为止，记录历史最优值并将迭代收敛结果作为智慧工厂能源系统中能源设备的协同结果。
2.根据权利要求1所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，风电采样时，首先获取时段内风电功率的预测值/>，并对该预测值/>的大小进行判断；WT表示风力；
若该预测值小于风力在低风级别时的预测功率/>，则属于低风级，使/>服从均匀分布/>，将均匀分布/>的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间/>中随机选择一个样本/>，其中r为0到区间宽度均匀分布的随机数，并计算每个样本对应的采样值/>，/>，表示服从均匀分布/>的逆函数；
若该预测值大于风力在高风级别时的预测功率/>，则属于高风级，其处于高功率采样区，根据正态分布生成样本/>，将/>与风力发电最大容量/>进行比较；如果超过最大容量，则由另一个边界为/>和/>的均匀分布/>重新生成样本，即将均匀分布/>累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，其中r为0到/>区间宽度均匀分布的随机数，计算每个样本对应的采样/>，/>，表示服从均匀分布/>的逆函数；
当处于/>和/>之间时，为正常水平，/>服从正态分布，其中以/>为均值，以其值的20%为方差进行采样；将正态分布/>的累积分布函数以等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，计算每个样本对应的采样值/>，/>，/>为标准正太分布的逆函数。
3.根据权利要求1所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，光伏采样时，首先获取时段内光伏功率的预测值/>，并对该预测值/>的大小进行判断；PV表示光伏；
若该预测值小于光伏在低辐射级别时的预测功率/>，则属于低辐射区，使服从均匀分布/>，将均匀分布/>的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间/>中随机选择一个样本/>，其中r为0到区间宽度/>均匀分布的随机数，并计算每个样本对应的采样值/>，，/>表示服从均匀分布/>的逆函数；
若该预测值大于光伏在高辐射级别时的预测功率/>，则属于高辐射区，其处于高功率采样区，根据正态分布生成样本/>，将/>与光伏发电最大容量/>进行比较；如果超过最大容量，则由另一个边界为/>和/>的均匀分布/>重新生成样本，即将均匀分布/>的累积分布函数以/>等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，其中r为0到/>区间宽度均匀分布的随机数，计算每个样本对应的采样值/>，/>，/>表示服从均匀分布/>的逆函数；
当处于/>和/>之间时，为正常水平，/>服从正态分布，其中以/>为均值，以其值的10%为方差进行采样；将正态分布/>的累积分布函数等概率划分为N个非重叠区间，从每个子区间中随机选择一个样本/>，计算每个样本对应的采样值/>，/>，/>为标准正太分布的逆函数；
光伏在凌晨和夜晚不产生电能，因此在该区间的采样功率均为0。
4.根据权利要求1所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，步骤1-3中，智慧工厂能源协同低碳运行成本包括能源设备的电、气购置成本、维护成本和碳排放成本：
，
表示场景/>下从电网购买电力和天然气能源的成本，由式(3)表示：
，
其中，T为调度周期，时间步长为；/>、/>为场景/>下/>时期电、气购置量；/>、/>是相应的购买价格；
该系统的维护成本如式(4)所示：
，
式中，M为维修单位总数，；包括微型燃气轮机MT、风力WT、光伏PV、储能单元BU；/>、/>分别为/>单元的输出功率、维护费用；其中，对于BU来说/>表示其折旧成本系数；
碳排放成本如下式：
，
式中，为每单位二氧化碳的处理成本，/>和/>分别表示引入配电网电力和天然气燃烧的二氧化碳排放强度；光伏和风电由于不产生二氧化碳，所以不做考虑；该智慧工厂能源系统从配电网购买能源，并将自身多余的电量售卖给配电网以获得利润，利润由下式计算：
，
式中，为售卖价格, />为场景/>下在时隙/>内向配电网出售的电量；
智慧工厂低碳经济运行目标，由公式（7）表示：
，
式(7)中，表示场景/>的概率, />表示在场景/>下向上游网络售电所获取的利润。
5.根据权利要求4所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，步骤1-3中，智慧工厂能源系统的约束条件包括产能单元约束、储能单元约束以及系统平衡约束。
6.根据权利要求5所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，产能单元包括有微型燃气轮机、燃气锅炉、燃料电池、风力、光伏；微型燃气轮机功率输出范围定义为闭区间；由于设备受到其固有的物理限制，也就是说在上一时隙内设备的输出功率为/>，若想在下一时隙内的功率输出为/>是不现实的，因此其受到爬坡限制，表达如下：
，
，
式中，、/>分别表示单位时间内爬坡率上限，即产能单元输出功率的增加和减少；不同产能设备的具体约束表达式如下；
微型燃气轮机约束：
微型燃气轮机的输出功率与工作效率有关，为三次函数关系，如式(10)，燃料成本与两者有关，如式(11)：
，
，
式中，为MT的燃料成本，LHV为天然气的低热值，/>，/>为MT的输出功率，/>为MT的工作效率；
，
，
，
式(12)表示MT能量输入的上下界约束，，/>分别表示MT输出功率的下界和上界，式(13)和(14)表示MT机组的上、下爬坡限制，/>表示/>时隙MT的输出功率，表示/>时隙MT的输出功率；为了求解方便，将约束写成以下形式：
，
，
燃气锅炉约束：
燃气锅炉数学模型采用能量平衡方程，根据能源转换效率转换为相应的热能，其燃料成本如式(17)：
，
式中，为燃料成本，/>表示燃气锅炉输出功率，LHV为天然气的低热值，为燃气锅炉的能量转换效率；燃气锅炉约束的能量输出受到自身生产容量限制，由式(18)表示：
，
式中，、/>分别表示燃气锅炉的能量输入上下界约束，其爬坡约束与MT类似；
燃料电池FC约束：
燃料电池的输出功率与燃料成本由式(19)表示：
，
式中，为FC的燃料成本，/>为FC的输出功率，/>为FC的工作效率；其爬坡约束由式（20）到（21）表示：
，
，
式(13)和(14)表示FC机组的上、下爬坡限制，表示/>时隙MT的输出功率，表示/>时隙FC的输出功率；
可再生能源包括风力和光伏发电，可再生能源出力约束：
可再生能源出力受到其装机容量的约束，由式(22)、(23)表示：
，
，
式中，、/>分别为预测功率接近或达到最大发电量时，风力与光伏的总装机容量。
7.根据权利要求5所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，所述储能单元约束包括电储能约束及热储能约束；
电储能约束由式(24)到(28)表示：
，
，
，
，
，
其中，式(24)表示电池单元的荷电状态的时域动态约束；式(25)表示电池单元的荷电状态的上下限约束以及时域解耦约束；式(26)和式(27)分别表示电池单元的充电、放电功率的上下限约束；式(28)表示电池单元不能同时进行充电和放电；为电池容量，/>为电池的自放电系数，/>和/>分别为电池单元的充电效率以及放电效率；/>表示电池单元在/>时刻的荷电水平，其上限为/>，下限为/>；/>和/>分别为电池单元/>时刻的充放电功率，/>和/>为电池单元充放电功率上下限，电池单元的充电放电状态标识为/>和/>；
热储能约束由式(29)到(33)表示：
，
，
，
，
，
其中，式(27)为热储能的储热水平时域动态约束，表示储热装置在/>时刻的储热水平，受限于/>和/>，/>和/>为储热装置的充放热功率，/>和，为放热功率上下限，/>和/>为充热功率上下限，/>为储热装置容量，表示储热装置的热损失，/>、/>为储热装置的充放热效率，/>和/>为储热损耗率和放热损耗率，/>和/>为储热装置充放热状态标识。
8.根据权利要求5所述的一种面向碳中和的智慧工厂多能协同优化方法，其特征在于，系统平衡约束是指智慧工厂能源系统中生产的能量等于系统中消耗的能量，电力、热力的功率平衡表示如下：
，
，
，
，
，
其中，式(34)和(35)为智慧工厂能源系统的电功率平衡方程；式(37)和(38)为热功率平衡方程；为预测的工业负荷需求；式(36)为天然气平衡方程；根据该能源方程可知，智慧工厂能源系统的电力负荷由MT、FC、PV、WT满足，剩余部分由配电网满足。
CN202311669303.8A 2023-12-07 2023-12-07 一种面向碳中和的智慧工厂多能协同优化方法 Active CN117391402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311669303.8A CN117391402B (zh) 2023-12-07 2023-12-07 一种面向碳中和的智慧工厂多能协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311669303.8A CN117391402B (zh) 2023-12-07 2023-12-07 一种面向碳中和的智慧工厂多能协同优化方法

Publications (2)

Publication Number Publication Date
CN117391402A CN117391402A (zh) 2024-01-12
CN117391402B true CN117391402B (zh) 2024-02-09

Family

ID=89468608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311669303.8A Active CN117391402B (zh) 2023-12-07 2023-12-07 一种面向碳中和的智慧工厂多能协同优化方法

Country Status (1)

Country Link
CN (1) CN117391402B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494015A (zh) * 2018-02-09 2018-09-04 中国科学院电工研究所 一种源-荷-储协调互动的综合能源系统设计方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN112713618A (zh) * 2020-12-29 2021-04-27 天津大学合肥创新发展研究院 基于多场景技术的主动配电网源网荷储协同优化运行方法
WO2023103385A1 (zh) * 2021-12-09 2023-06-15 国网上海市电力公司 一种多能微网群自身及市场决策协同优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026152B (zh) * 2016-05-19 2017-06-06 合肥工业大学 一种电动汽车接入微电网的充放电调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494015A (zh) * 2018-02-09 2018-09-04 中国科学院电工研究所 一种源-荷-储协调互动的综合能源系统设计方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN112713618A (zh) * 2020-12-29 2021-04-27 天津大学合肥创新发展研究院 基于多场景技术的主动配电网源网荷储协同优化运行方法
WO2023103385A1 (zh) * 2021-12-09 2023-06-15 国网上海市电力公司 一种多能微网群自身及市场决策协同优化方法

Also Published As

Publication number Publication date
CN117391402A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
Aslam et al. Towards efficient energy management in smart grids considering microgrids with day-ahead energy forecasting
Wu et al. Multitasking multi-objective operation optimization of integrated energy system considering biogas-solar-wind renewables
CN108206543B (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
CN109615141B (zh) 一种多能源系统并网优化调度方法及装置
CN103138256A (zh) 一种新能源电力消纳全景分析系统及方法
CN109636056A (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
CN103545846A (zh) 基于广义负荷预测的微网经济运行方法
Hong et al. Interactive multi-objective active power scheduling considering uncertain renewable energies using adaptive chaos clonal evolutionary programming
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN112668791A (zh) 热电联供系统的优化方法
Jithendranath et al. Stochastic planning of islanded microgrids with uncertain multi‐energy demands and renewable generations
CN116014715A (zh) 一种基于数字孪生的综合能源控制方法及系统
Samakpong et al. Optimal power flow incorporating renewable uncertainty related opportunity costs
Azizivahed et al. Multi-area dynamic economic dispatch considering water consumption minimization, wind generation, and energy storage system
CN112580897B (zh) 基于鹦鹉算法的多能源电力系统优化调度的方法
CN111523947B (zh) 一种虚拟电厂发电成本生成方法
CN117391402B (zh) 一种面向碳中和的智慧工厂多能协同优化方法
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
CN116191508A (zh) 一种计及风光出力的含储能有源配电网经济运行优化方法
Nandish et al. Simulation of Household Appliances with Energy Disaggrigation using Deep Learning Technique
CN115511200A (zh) 一种基于混合粒子群-灰狼算法的优化调度模型
CN108022055A (zh) 一种基于粒子群模型的微电网经济调度方法
Wu et al. Study on optimal dispatching strategy of regional energy microgrid
CN111555270A (zh) 一种综合能源优化与动态分析的方法及系统
Liu et al. An optimum dispatching for photovoltaic-thermal mutual-complementing power plant based on the improved particle swarm knowledge algorithm

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
TR01 Transfer of patent right

Effective date of registration: 20240424

Address after: Room 401, building 6, Jinzheng Nanjing Science Park, No. 6, Fengxin Road, Yuhuatai District, Nanjing, Jiangsu 210000

Patentee after: Jiangsu Tuoyou Information Intelligent Technology Research Institute Co.,Ltd.

Country or region after: China

Address before: 210023 No.9, Wenyuan Road, Yadong new town, Qixia District, Nanjing City, Jiangsu Province

Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

TR01 Transfer of patent right