CN109165788B - 一种冷热电联供***的优化方法 - Google Patents
一种冷热电联供***的优化方法 Download PDFInfo
- Publication number
- CN109165788B CN109165788B CN201811024958.9A CN201811024958A CN109165788B CN 109165788 B CN109165788 B CN 109165788B CN 201811024958 A CN201811024958 A CN 201811024958A CN 109165788 B CN109165788 B CN 109165788B
- Authority
- CN
- China
- Prior art keywords
- power
- combined cooling
- heat
- power system
- heating
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 71
- 238000010438 heat treatment Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000000739 chaotic effect Effects 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 241000283153 Cetacea Species 0.000 claims abstract description 10
- 238000013486 operation strategy Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000013433 optimization analysis Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 83
- 238000005338 heat storage Methods 0.000 claims description 25
- 239000002699 waste material Substances 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 20
- 238000013178 mathematical model Methods 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 239000002918 waste heat Substances 0.000 claims description 9
- 238000001179 sorption measurement Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0637—Strategic 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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Engine Equipment That Uses Special Cycles (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种冷热电联供***的优化方法，包括以下步骤：建立冷热电联供***模型，选取冷热电联供型微网作为优化对象，对场景中的设备进行数学建模；确定冷热电联供***优化分析的决策变量和目标函数；确定冷热电联供***优化运行的约束条件；选择鲸鱼优化算法并引入混沌立方映射和变异法则优化初始种群和行为规则；采用混合以热定电策略作为冷热电联供型***的运行策略；确定优化的评价指标并进行评价。本发明采用混合以热定电策略并将改进的鲸鱼算法用于求解冷热电联供型微网模型，在初始阶段进行混沌初始化操作提高搜索能力，在围捕阶段引入的变异操作，可更快地寻找到全局最优值，实现了快速找到冷热电联供******优化运行最优解的目的。
Description
技术领域
本发明属于新能源技术领域，尤其是一种冷热电联供***的优化方法。
背景技术
能源问题一直以来都是各国关注的热点问题，如新能源的开发利用、微电网的建设等，其中冷热电联供(Combined with Cooling,Heating and Power，CCHP)型微网在解决旅馆、楼宇、超市等场所的用电问题上获得了广泛应用。冷热电联供型微网取代传统电网的分散供电模式，将供电设备产生电能后的余热加以收集利用，供冷热负荷使用，因此，其能源利用效率较传统供电方式从59％提高到88％。有关冷热电联供型微网的众多研究领域中，容量优化问题和调度策略对微网的建设和使用至关重要。目前常见的优化方法包括线性规划模型和智能优化算法。使用最多的运行策略为“以电定热”和“以热定电”。
近二十年来，智能优化算法获得了突飞猛进的发展，相较于线性规划模型，智能优化算法在解决各类复杂问题上展现了突出优势。各种各样的算法相继涌现，其中具有代表性的如粒子群优化算法、遗传算法、差分进化算法等在工业领域获得了广泛应用。但智能算法大都根据自然界中生物的某些行为规则进行设计，算法收敛速度慢、结果不精确等问题不可避免，因此需要对原有算法进行改进。“以电定热”和“以热定电”作为最基本的两种调度策略，实现方法和优先满足的对象有所不同，都可满足供需平衡的要求，但两种策略均有不同程度的能源浪费，这显然违背了最大化能源利用率的原则，因此有必要对这两种策略加以完善。
发明内容
本发明的目的在于克服现有技术的不足，提出一种冷热电联供***的优化方法，解决微网***容量优化存在的耦合度高、复杂度高的问题，改进优化算法进行求解和改进现有的运行策略，从而实现更加迅速的优化过程，缩短小时调度安排之间的时间间隔，并提高能源的利用率。
本发明解决其技术问题是采取以下技术方案实现的：
一种冷热电联供***的优化方法，包括以下步骤：
步骤1、建立冷热电联供***模型，选取冷热电联供型微网作为优化对象，对场景中的设备进行数学建模；
步骤2、确定冷热电联供***优化分析的决策变量和目标函数；
步骤3、确定冷热电联供***优化运行的约束条件；
步骤4、选择鲸鱼优化算法并引入混沌立方映射和变异法则优化初始种群和行为规则；
步骤5、采用混合以热定电策略作为冷热电联供型***的运行策略；
步骤6、确定优化的评价指标并进行评价。
进一步，所述步骤1的冷热电联供***模型是以微型燃气轮机为原动机并结合光伏发电***和燃气锅炉为发电单元的冷热电联供型微网。
进一步，所述场景中的设备包括有微型燃气轮机、光伏发电***、燃气锅炉、蓄电池组和蓄热槽；对各个设备建模如下：
所述微型燃气轮机的数学模型为：
HMT＝FMTηr(1-ηMT)
其中，FMT是微型燃气轮机的燃气消耗，HMT是废物回收的余热，EMT是微型燃气轮机产生的电能，ηMT和ηr是微型燃气轮机和热回收***的效率；
所述光伏发电***数学模型为：
其中，EPV是光伏***的输出功率，ESTC是标准测试条件(STC)下的额定输出，G和T是工作点的辐照度和温度，GSTC和TSTC是STC下的辐照度和温度，k是热功率温度系数；
所述燃气锅炉的数学模型为：
其中，Fgb是燃气锅炉的燃气消耗，Hgb是燃气锅炉的补充热量，ηgb是燃气锅炉的效率；
所述蓄电池组的数学模型为：
其中，Eb(t)和Eb(t-1)是蓄电池组在t和t-1小时的电能，ηb是自放电率，ηb,in和ηb,out是蓄电池组的充放电效率，Eb,in和Eb,out是蓄电池组充放电的功率；
所述蓄热槽的数学模型为：
其中，Htst(t)和Htst(t-1)是蓄热槽在t和t-1小时的热能，ηtst是蓄热槽的自放热率，ηtst,in和ηtst,out是吸放热效率，Htst,in和Htst,out是吸放热功率。
进一步，所述步骤2中的决策变量为：
X＝[NPV,NMT,Ngrid,Nbat,Ntst,Ngb,ratio]
其中，NPV、NMT、Nbat、Ntst和Ngb分别为光伏***、微型燃气轮机、蓄电池、蓄热槽和燃气锅炉的安装容量，Ngrid是微电网和电网相互作用的上限，radio是电冷负荷比；
所述步骤2中的目标函数为燃料消耗与成本的比率，其公式如下：
其中Ci是第i种设备的成本,Ni是第i种设备的安装容量,Fi是第i种设备的燃料,Evacancy(t)和Ewaste(t)为t时刻电能的缺额值和电能的浪费值，Hvacancy(t)和Hwaste(t)为t时刻热能的缺额和浪费值；λ为惩罚系数。
进一步，所述步骤3中的冷热电联供***优化运行的约束条件由不等式约束和等式约束两部分构成，包括各设备的容量限制、电力负荷平衡、热负荷平衡和冷负荷平衡，所述容量限制包括容量约束和爬坡约束。
进一步，所述步骤4中的混沌初始化的方法为：
⑴在[-1，1]范围内产生一个D维的随机个体；
⑵按照下述立方映射公式迭代SearchAgents_no-1次，得到剩余个体；
y(n+1)＝4y(n)3-3y(n)；-1≤y(n)≤1；n＝0,1,2,...
⑶利用下述公式将混沌变量映射到解空间：
其中，Ld，Ud为搜索空间第d维变量的上下限，xid为WOA种群中第i个个体在搜索空间第d维的坐标，yid为混沌空间内第i个个体在第d维的坐标。
进一步，所述步骤4中的变异操作方法为：
⑴按照均匀分布和立方混沌映射得到两类初始化种群；
⑵将均匀分布得到的种群作为对比种群，在立方混沌映射得到的种群上采用Rand-to-best/1交叉策略，得到新的种群；该Rand-to-best/1表达式为：
其中，
为搜索空间中第i个个体向量，
为搜索空间内随机挑选的个体向量，满足j≠i条件，
是当前为止获得最优向量；
⑶选择两个种群中适应值较小的个体组成种群数目为SearchAgents_no的群体，进行后续的狩猎和搜索过程，挑选的表达式为：
其中
为采用均匀分布得到的种群，
为立方混沌映射得到的种群，rand为[0，1]范围内的随机数，p为选择概率，fitness()为目标函数。
进一步，所述步骤5采用混合以热定电策略为：如果微型燃气轮机以额定电功率运行产生的余热无法满足吸附式制冷机和热交换器的热能需求，则优先使用蓄热槽储存的热能，在获取蓄热槽补充的热能后依然无法满足热能需求，再启动燃气锅炉补偿热能缺额；反之，如果回收微型燃气轮机产生的热能大于吸附式制冷机和热交换器的热能需求，在蓄热槽的约束条件下为其分配部分热能，多余的热能排入空气中。
进一步，所述步骤6中确定的评价指标包括：
⑴一次能源节约率
PESR定义为与传统分供***相比，由CCHP***节省的能源消耗率，PEC为SP***和CCHP***的一次能源消耗量；
⑵年总成本节约率
ATCSR定义为与传统分供***相比，CCHP***年度总投资成本的减少比率，ATC是SP***和CCHP***的年度总成本；
⑶电力进口节约率
EISR定义为与传统分供***相比，CCHP***的电力进口节约率，EI定义为CCHP***与SP***向电网的购电量；
⑷燃气锅炉燃料节约率
BESR定义为与传统分供***相比，CCHP***的燃气锅炉燃料节约率，BEC为CCHP***与SP***中燃气锅炉的燃料消耗量
本发明的优点和积极效果是：
1、本发明在传统以热定电的基础上，提出了一种引入蓄电池和蓄热槽两种设备储能的混合以热定电策略，按照燃料消耗最少为目标对各设备的处理进行优化配置，可以平抑传统策略中负荷波动现象，提高***的灵活性。
2、本发明在优化算法选取上，采用改进的鲸鱼算法，并将其用于求解冷热电联供型微网模型，改进鲸鱼算法在求解冷热电联供***的优化配置模型中表现不俗：混沌初始化的使用提高了算法在初始阶段的搜索能力。围捕阶段引入的变异操作，最优个体引领其余个体的变异行为，增加种群多样性的同时可以更快地寻找到全局最优值，从而实现了快速找到冷热电联供******优化运行最优解的目的。
3、本发明在改进策略中引入了电冷负荷比，即电制冷机产生的冷能与冷负荷之间的比例系数，并将此系数作为一决策变量引入到模型的求解当中，可以使微网***以更灵活、更经济、更绿色的方式运行。
4、本发明在求解冷热电联供***优化运行问题时将燃料消耗和成本经济之间的比率作为目标函数，便于平衡能源与成本经济的关系，从而实现资源利用率的最大化。
附图说明
图1是本发明的优化方法流程示意图。
图2是本发明改进鲸鱼算法程序流程图
图3是本发明中混合以热定电策略中的电负荷平衡图
图4是本发明中混合以热定电策略中冷热负荷平衡图
图5是本发明中目标函数适应度值收敛图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种冷热电联供***的优化方法，如图1所示，包括以下步骤：
步骤1、建立冷热电联供***模型,选取冷热电联供型微网作为优化对象，对场景中的设备进行数学建模。
在本步骤中，冷热电联供***模型是以微型燃气轮机为原动机并结合光伏发电***和燃气锅炉为发电单元的冷热电联供型微网。
该场景中的设备包括有微型燃气轮机(MT)、光伏发电***(PV)、燃气锅炉、蓄电池组和蓄热槽。
所述微型燃气轮机(MT)采用如下所示的数学模型：
HMT＝FMTηr(1-ηMT)
其中，FMT是微型燃气轮机的燃气消耗，HMT是废物回收的余热，EMT是微型燃气轮机产生的电能，ηMT和ηr是微型燃气轮机和热回收***的效率。
所述光伏发电***(PV)的数学模型表达式为：
其中，EPV是光伏***的输出功率，ESTC是标准测试条件下的额定输出(STC)，G和T是工作点的辐照度和温度，GSTC和TSTC是STC下的辐照度和温度，k是热功率温度系数。
所述燃气锅炉的数学模型表达式为：
其中，Fgb是燃气锅炉的燃气消耗，Hgb是燃气锅炉的补充热量，ηgb是燃气锅炉的效率。
所述蓄电池组的数学模型为：
其中，Eb(t)和Eb(t-1)是蓄电池组在t和t-1小时的电能，ηb是自放电率，ηb,in和ηb,out是蓄电池组的充放电效率，Eb,in和Eb,out是蓄电池组充放电的功率。
所述蓄热槽的数学模型为：
其中，Htst(t)和Htst(t-1)是蓄热槽在t和t-1小时的热能，ηtst是蓄热槽的自放热率，ηtst,in和ηtst,out是吸放热效率，Htst,in和Htst,out是吸放热功率。
步骤2、确定冷热电联供***优化分析的决策变量和目标函数。
在本步骤中，确定的目标函数为燃料消耗与成本的比率，具体公式如下所示：
其中Ci是第i种设备的成本,Ni是第i种设备的安装容量,Fi是第i种设备的燃料,Evacancy(t)和Ewaste(t)为t时刻电能的缺额值和电能的浪费值。Hvacancy(t)和Hwaste(t)为t时刻热能的缺额和浪费值；λ为惩罚系数。
步骤3、确定冷热电联供***优化运行的约束条件。
在本步骤中，冷热电联供***优化运行的约束条件主要由不等式约束和等式约束两部分构成，包括各设备的容量限制，电力负荷平衡，热负荷平衡和冷负荷平衡。
(1)容量约束
(2)爬坡约束
Pi(t)-Pi(t-1)≤Pup
其中，Pi(t)，Pi(t-1)为第i类设备在t时刻与t-1时刻的出力，Pup为爬坡功率上限。
(3)电功率平衡
EPV(t)+EMT(t)+Egrid,out(t)+Eb,out(t)+Evacancy(t)＝Egrid,in(t)+Eb,in(t)+Ep(t)+Eec(t)+Ewaste(t)
其中，EPV(t)，EMT(t)分别表示在t时刻光伏发电***(PV)和微型燃气轮机(MT)发出的电能，Egrid,in(t)，Egrid,off(t)分别表示t时刻向电网购入和售卖的电能，Eb,in(t)，Eb,out(t)分别表示t时刻蓄电池组的充电和放电功率，Evacancy(t)，Ewaste(t)分别表示t时刻的电能缺额和浪费的电能，Ep(t)表示t时刻的电能负荷需求，Eec(t)表示t时刻电制冷机消耗的电能。
(4)热负荷平衡
HMT(t)+Hgb(t)+Htst,out(t)+Hvacancy(t)＝Htst,in(t)+Hhe(t)+Hac(t)+Hwaste(t)
其中，HMT(t)，Hgb(t)分别为t时刻微型燃气轮机(MT)产生的余热和燃气锅炉产生的热能，Htst,in(t)，Htst,out(t)分别为t时刻蓄热槽吸收的热能和放出的热能，Hvacancy(t)，Hwaste(t)分别为t时刻的热能缺额和热能浪费，Hhe(t)为t时刻热交换器消耗的热能，Hac(t)为t时刻吸附式制冷机消耗的热能。
(5)冷负荷平衡
Qac(t)+Qec(t)＝Qc(t)
其中，Qac(t)为t时刻吸附式制冷机产生的冷能，Qec(t)为t时刻电制冷机产生的冷能，Qc(t)为t时刻的冷负荷需求。
步骤4、选择性能好的智能算法进行优化，选取鲸鱼优化算法(WOA)加以改进，引入混沌立方映射和变异法则优化初始种群和行为规则，改进后的算法流程图如图2所示。
在本步骤中，智能算法选用WOA，改进部分为混沌初始化和变异操作，这两部分介绍如下所示：
(1)混沌初始化
采用立方映射模型初始化鲸鱼算法的初始种群。混沌立方映射的表达式如下：
y(n+1)＝4y(n)3-3y(n)；-1≤y(n)≤1；n＝0,1,2,...
具体来说，混沌初始化的步骤为：
1)在[-1，1]范围内产生一个D维的随机个体；
2)按照上述立方映射公式迭代SearchAgents_no-1次，得到剩余个体；
3)利用下述公式将混沌变量映射到解空间。
其中，Ld，Ud为搜索空间第d维变量的上下限，xid为WOA种群中第i个个体在搜索空间第d维的坐标，yid为混沌空间内第i个个体在第d维的坐标。
(2)变异操作
为提高WOA在迭代中后期阶段的表现，将基于交叉操作的新种群融入进原始WOA种群中。改进Rand-to-best/1表达式，修改后的Rand-to-best/1表达式如下：
其中，
为搜索空间中第i个个体向量，
为搜索空间内随机挑选的个体向量，满足j≠i条件，
是当前为止获得最优向量。
上述两部分改进之后，鲸鱼优化算法中的围捕阶段的流程为：
1)按照均匀分布和立方混沌映射得到两类初始化种群；
2)将均匀分布得到的种群作为对比种群，在立方混沌映射得到的种群上采用Rand-to-best/1交叉策略，得到新的种群；
3)根据一定的概率，选择两个种群中适应值较小的个体组成种群数目为SearchAgents_no的群体，进行后续的狩猎和搜索过程。挑选的表达式为：
其中
为采用均匀分布得到的种群，
为立方混沌映射得到的种群，rand为[0，1]范围内的随机数，p为选择概率，fitness()为目标函数。
步骤5、改进现有的冷热电联供型***的运行策略，提出了一种基于负荷符合需求的运行策略，即混合以热定电策略。
在本步骤中，对现有冷热电联供型***的运行策略进行改进，提出的一种基于负荷需求的运行策略为：混合以热定电策略。在此策略下，优化算法按照燃料消耗最少为目标对各设备的出力进行优化配置，此种情况下微型燃气轮机可以工作在连续工作模式下，即以额定功率运行。在某时刻，如果微型燃气轮机以额定电功率运行产生的余热无法满足吸附式制冷机和热交换器的热能需求，则优先使用蓄热槽储存的热能(燃气锅炉会消耗天然气)，在获取蓄热槽补充的热能后依然无法满足热能需求，再启动燃气锅炉补偿热能缺额；反之，如果回收微型燃气轮机产生的热能大于吸附式制冷机和热交换器的热能需求，在蓄热槽的约束条件下为其分配部分热能，多余的热能排入空气中。在该策略下，消耗化石能源的设备有微型燃气轮机、燃气锅炉和电网。
步骤6、确定优化分析的评价指标，对分析方法进行合理的评价。
在本步骤中，用于优化分析的评价指标所述评价指标包括：
1)一次能源节约率
PESR定义为与传统分供(separationproduction,SP)***相比，由CCHP***节省的能源消耗率，PEC为SP***和CCHP***的一次能源消耗量。
2)年总成本节约率
ATCSR定义为与SP***相比，CCHP***年度总投资成本的减少比率。ATC是SP***和CCHP***的年度总成本。
3)电力进口节约率
EISR定义为与SP***相比，CCHP***的电力进口节约率。EI定义为CCHP***与SP***向电网的购电量。
4)燃气锅炉燃料节约率
BESR定义为与SP***相比，CCHP***的燃气锅炉燃料节约率。BEC为CCHP***与SP***中燃气锅炉的燃料消耗量。
最后，在计算机上输入负荷原始数据，并使用MATLAB编制的冷热电联供***优化程序，运行冷热电联供***优化策略，最后结果在显示器上进行显示，达到优化分析的目的。
在本实施例中，选取冷热电联供***在一天24小时中的冷热电负荷完成优化运行方法的制定，将***中多种类型的负荷体现在负荷曲线中，图3是本发明中混合以热定电策略中的电负荷平衡图，图4是本发明中混合以热定电策略中冷热负荷平衡图，图5是本发明中目标函数适应度值收敛图。表1是不同运行策略下指标对比。
表1
| 策略 | ATCSR | BESR | EISR | PESR |
| 传统以电定热(FEL) | -20.4927 | -0.5658 | 0.4367 | 0.2514 |
| 传统以热定电(FTL) | -23.3374 | 1 | 0.5681 | 0.3341 |
| 混合以热定电(HFTL) | -23.3410 | 1 | 0.6207 | 0.3575 |
如表1所示，FEL的ATCSR基本为-20左右，FTL和HFTL的ATCSR基本为-23左右，FEL较FTL和HFTL低了10％。这是由于FTL和HFTL策略下微型燃气轮机需要单独满足冷热能的需求，微型燃气轮机的投资成本有所增加。三种策略下的投资成本较SP***都有明显增加，说明冷热电联供***的经济性不如SP***。FEL的BESR为-0.5658，在此策略下燃气锅炉是供给冷热能的主要设备，因此比SP***中燃气锅炉的燃料消耗量大。FTL和HFTL策略下的BESR为1，这是由于微型燃气轮机产生的余热就可满足冷热能的需求，不需要燃气锅炉参与。在EISR方面，三种策略下冷热电联供***向电网的购电量比SP***节省了40％以上。FTL和HFTL的EISR比FEL的大，这是由于为了不产生能量的浪费，FEL策略下微型燃气轮机的容量较小，需向电网购入部分电能。其中，HFTL的EISR最大，这是由于微型燃气轮机和蓄电池基本承担了大部分的电能供给任务。PESR都维持在25％以上，说明三种策略主要设备的燃料消耗都有所减小，减轻了对环境的污染。
综上所述，HFTL策略下冷热电联供***的各项指标都优于传统的两种策略，因此HFTL策略是值得推荐的。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (8)
1.一种冷热电联供***的优化方法，其特征在于：包括以下步骤：
步骤1、建立冷热电联供***模型，选取冷热电联供型微网作为优化对象，对场景中的设备进行数学建模；
步骤2、确定冷热电联供***优化分析的决策变量和目标函数；
步骤3、确定冷热电联供***优化运行的约束条件；
步骤4、选择鲸鱼优化算法并引入混沌立方映射和变异法则优化初始种群和行为规则；
步骤5、采用混合以热定电策略作为冷热电联供型***的运行策略；
步骤6、确定优化的评价指标并进行评价；
所述步骤5采用的混合以热定电策略为：如果微型燃气轮机以额定电功率运行产生的余热无法满足吸附式制冷机和热交换器的热能需求，则优先使用蓄热槽储存的热能，在获取蓄热槽补充的热能后依然无法满足热能需求，再启动燃气锅炉补偿热能缺额；反之，如果回收微型燃气轮机产生的热能大于吸附式制冷机和热交换器的热能需求，在蓄热槽的约束条件下为其分配部分热能，多余的热能排入空气中。
2.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述步骤1的冷热电联供***模型是以微型燃气轮机为原动机并结合光伏发电***和燃气锅炉为发电单元的冷热电联供型微网。
3.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述场景中的设备包括有微型燃气轮机、光伏发电***、燃气锅炉、蓄电池组和蓄热槽；对各个设备建模如下：
所述微型燃气轮机的数学模型为：
HMT＝FMTηr(1-ηMT)
其中，FMT是微型燃气轮机的燃气消耗，HMT是废物回收的余热，EMT是微型燃气轮机产生的电能，ηMT和ηr是微型燃气轮机和热回收***的效率；
所述光伏发电***数学模型为：
其中，EPV是光伏***的输出功率，ESTC是标准测试条件下的额定输出，G和T是工作点的辐照度和温度，GSTC和TSTC是STC下的辐照度和温度，k是热功率温度系数；
所述燃气锅炉的数学模型为：
其中，Fgb是燃气锅炉的燃气消耗，Hgb是燃气锅炉的补充热量，ηgb是燃气锅炉的效率；
所述蓄电池组的数学模型为：
其中，Eb(t)和Eb(t-1)是蓄电池组在t和t-1小时的电能，ηb是自放电率，ηb,in和ηb,out是蓄电池组的充放电效率，Eb,in和Eb,out是蓄电池组充放电的功率；
所述蓄热槽的数学模型为：
其中，Htst(t)和Htst(t-1)是蓄热槽在t和t-1小时的热能，ηtst是蓄热槽的自放热率，ηtst,in和ηtst,out是吸放热效率，Htst,in和Htst,out是吸放热功率。
4.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述步骤2中的决策变量为：
X＝[NPV,NMT,Ngrid,Nbat,Ntst,Ngb,ratio]
其中，NPV、NMT、Nbat、Ntst和Ngb分别为光伏***、微型燃气轮机、蓄电池、蓄热槽和燃气锅炉的安装容量，Ngrid是微电网和电网相互作用的上限，radio是电冷负荷比；
所述步骤2中的目标函数为燃料消耗与成本的比率，其公式如下：
其中Ci是第i种设备的成本,Ni是第i种设备的安装容量,Fi是第i种设备的燃料,Evacancy(t)和Ewaste(t)为t时刻电能的缺额值和电能的浪费值，Hvacancy(t)和Hwaste(t)为t时刻热能的缺额和浪费值；λ为惩罚系数。
5.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述步骤3中的冷热电联供***优化运行的约束条件由不等式约束和等式约束两部分构成，包括各设备的容量限制、电力负荷平衡、热负荷平衡和冷负荷平衡，所述容量限制包括容量约束和爬坡约束。
6.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述步骤4中的混沌初始化的方法为：
⑴在[-1，1]范围内产生一个D维的随机个体；
⑵按照下述立方映射公式迭代SearchAgents_no-1次，得到剩余个体；
y(n+1)＝4y(n)3-3y(n)；-1≤y(n)≤1；n＝0,1,2,...
⑶利用下述公式将混沌变量映射到解空间：
其中，Ld，Ud为搜索空间第d维变量的上下限，xid为WOA种群中第i个个体在搜索空间第d维的坐标，yid为混沌空间内第i个个体在第d维的坐标。
7.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述步骤4中的变异操作方法为：
⑴按照均匀分布和立方混沌映射得到两类初始化种群；
⑵将均匀分布得到的种群作为对比种群，在立方混沌映射得到的种群上采用Rand-to-best/1交叉策略，得到新的种群；该Rand-to-best/1表达式为：
其中，
为搜索空间中第i个个体向量，
为搜索空间内随机挑选的个体向量，满足j≠i条件，
是当前为止获得最优向量；
⑶选择两个种群中适应值较小的个体组成种群数目为SearchAgents_no的群体，进行后续的狩猎和搜索过程，挑选的表达式为：
其中
为采用均匀分布得到的种群，
为立方混沌映射得到的种群，rand为[0，1]范围内的随机数，p为选择概率，fitness()为目标函数。
8.根据权利要求1所述的一种冷热电联供***的优化方法，其特征在于：所述步骤6中确定的评价指标包括：
⑴一次能源节约率
PESR定义为与传统分供***相比，由CCHP***节省的能源消耗率，PEC为SP***和CCHP***的一次能源消耗量；
⑵年总成本节约率
ATCSR定义为与传统分供***相比，CCHP***年度总投资成本的减少比率，ATC是SP***和CCHP***的年度总成本；
⑶电力进口节约率
EISR定义为与传统分供***相比，CCHP***的电力进口节约率，EI定义为CCHP***与SP***向电网的购电量；
⑷燃气锅炉燃料节约率
BESR定义为与传统分供***相比，CCHP***的燃气锅炉燃料节约率，BEC为CCHP***与SP***中燃气锅炉的燃料消耗量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811024958.9A CN109165788B (zh) | 2018-09-04 | 2018-09-04 | 一种冷热电联供***的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811024958.9A CN109165788B (zh) | 2018-09-04 | 2018-09-04 | 一种冷热电联供***的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109165788A CN109165788A (zh) | 2019-01-08 |
| CN109165788B true CN109165788B (zh) | 2021-06-04 |
Family
ID=64894073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811024958.9A Active CN109165788B (zh) | 2018-09-04 | 2018-09-04 | 一种冷热电联供***的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109165788B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109802447A (zh) * | 2019-01-30 | 2019-05-24 | 广东工业大学 | 一种cchp***调度评价方法 |
| CN109657885A (zh) * | 2019-02-25 | 2019-04-19 | 华南理工大学 | 一种基于多搜索器算法的电-热网协调运行优化方法 |
| CN110348605B (zh) * | 2019-06-12 | 2022-06-14 | 广东工业大学 | 基于改进遗传算法的微电网经济运行优化方法 |
| CN110333660A (zh) * | 2019-07-29 | 2019-10-15 | 西安科技大学 | 一种冷热电联供***多目标优化方法 |
| CN110689189B (zh) * | 2019-09-24 | 2023-05-09 | 国网天津市电力公司 | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 |
| CN110619491A (zh) * | 2019-11-12 | 2019-12-27 | 东南大学 | 基于粒子群优化的冷热电联供型***三级联合设计方法 |
| CN110989342B (zh) * | 2019-11-19 | 2021-04-16 | 华北电力大学 | 一种联合循环机组重型燃气轮机实时t-s模糊建模方法 |
| CN111275251B (zh) * | 2020-01-16 | 2022-10-04 | 广东工业大学 | 一种含污水源热泵的cchp***冷热电联供优化方法 |
| CN111242388B (zh) * | 2020-01-22 | 2022-04-05 | 上海电机学院 | 一种考虑冷热电联供的微电网优化调度方法 |
| CN111275271B (zh) * | 2020-03-10 | 2022-09-20 | 清华大学 | 一种冷-热-电综合能源***潮流优化方法 |
| CN111429301B (zh) * | 2020-03-26 | 2023-04-28 | 中国科学技术大学 | 一种容量配置和运行策略的协同优化处理方法和装置 |
| CN112001529A (zh) * | 2020-08-03 | 2020-11-27 | 华北电力大学 | 一种电-冷-热综合能源***配置优化方法 |
| CN111987729B (zh) * | 2020-08-10 | 2021-10-22 | 南瑞集团有限公司 | 一种含p2g微网的储电储气容量配置与调度优化方法 |
| CN112287493B (zh) * | 2020-09-17 | 2022-11-01 | 国家电网公司西南分部 | 含透平膨胀机的冷热电氢联供型微电网容量优化配置方法 |
| CN112865195A (zh) * | 2021-01-25 | 2021-05-28 | 山东理工大学 | 一种基于改进的鲸鱼算法的机组组合出力分配方法及*** |
| CN113392513B (zh) * | 2021-05-28 | 2022-05-03 | 国网河北省电力有限公司衡水供电分公司 | 冷热电联供***多目标优化方法、装置及终端 |
| CN113569354A (zh) * | 2021-07-26 | 2021-10-29 | 中国科学院工程热物理研究所 | 一种叶轮机械叶片的自动优化方法 |
| CN113807746B (zh) * | 2021-10-20 | 2023-06-27 | 南京信息工程大学 | 一种冷热电联供***的综合运行优化方法 |
| CN113949098B (zh) * | 2021-10-26 | 2023-06-02 | 河北工业大学 | 计及fcv的孤岛型混合微电网***可靠性评估方法 |
| CN114037354B (zh) * | 2021-12-06 | 2024-06-04 | 河北师范大学 | 一种冷热电联供***容量优化配置的方法 |
| CN114565237B (zh) * | 2022-02-15 | 2023-09-12 | 石河子大学 | 用于多能组合发电站的综合能源低碳调度方法及*** |
| CN115238505B (zh) * | 2022-07-27 | 2024-02-13 | 国网山东省电力公司枣庄供电公司 | 基于风光场站的热电氢联供型***优化配置方法及*** |
| CN116131249A (zh) * | 2022-11-30 | 2023-05-16 | 淮阴工学院 | 一种小型建筑的温控供电***及温控供电方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013134455A1 (en) * | 2012-03-07 | 2013-09-12 | Siemens Corporation | Online heurisitc algorithm for combined cooling heating and power plant optimization |
| CN104808489A (zh) * | 2015-03-09 | 2015-07-29 | 山东大学 | 冷热电联供***的三级协同整体优化方法 |
| CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供***优化运行的线性化方法 |
| CN107957681A (zh) * | 2016-10-14 | 2018-04-24 | 华北电力大学（保定） | 一种研究冷热电联供微网环保经济调度的方法 |
| CN107977741A (zh) * | 2017-11-24 | 2018-05-01 | 合肥工业大学 | 冷热电联供微网***的能量调度优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8862279B2 (en) * | 2011-09-28 | 2014-10-14 | Causam Energy, Inc. | Systems and methods for optimizing microgrid power generation and management with predictive modeling |
-
2018
- 2018-09-04 CN CN201811024958.9A patent/CN109165788B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013134455A1 (en) * | 2012-03-07 | 2013-09-12 | Siemens Corporation | Online heurisitc algorithm for combined cooling heating and power plant optimization |
| CN104808489A (zh) * | 2015-03-09 | 2015-07-29 | 山东大学 | 冷热电联供***的三级协同整体优化方法 |
| CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供***优化运行的线性化方法 |
| CN107957681A (zh) * | 2016-10-14 | 2018-04-24 | 华北电力大学（保定） | 一种研究冷热电联供微网环保经济调度的方法 |
| CN107977741A (zh) * | 2017-11-24 | 2018-05-01 | 合肥工业大学 | 冷热电联供微网***的能量调度优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 冷热电三联供***研究(2):冷热电三联供***是否应该"以热定电";殷平;《暖通空调》;20130515;第43卷(第05期);82-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109165788A (zh) | 2019-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165788B (zh) | 一种冷热电联供***的优化方法 | |
| Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
| Li et al. | Reducing environmental pollution and fuel consumption using optimization algorithm to develop combined cooling heating and power system operation strategies | |
| CN105337303B (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
| 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 | |
| CN109523065B (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
| CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
| CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
| CN109861302B (zh) | 一种基于主从博弈的能源互联网日前优化控制方法 | |
| CN110110897A (zh) | 一种考虑不同储能运行策略的综合能源***优化方法 | |
| CN112365021A (zh) | 一种基于混合储能的区域综合能源***规划优化方法 | |
| CN112270433B (zh) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和*** | |
| CN112131712B (zh) | 客户侧多能源***多目标优化方法和*** | |
| CN112736987B (zh) | 一种基于非合作博弈的综合能源***容量配置方法及*** | |
| CN114662752A (zh) | 基于价格型需求响应模型的综合能源***运行优化方法 | |
| Shan et al. | Multi-objective economic optimization scheduling of CCHP micro-grid based on improved bee colony algorithm considering the selection of hybrid energy storage system | |
| CN116307077A (zh) | 一种冷热电联供型微网***运行优化方法 | |
| CN114154744A (zh) | 综合能源***的扩容规划方法、装置及电子设备 | |
| CN112085263A (zh) | 一种用户侧分布式能源***混合储能优化配置方法和*** | |
| Dong et al. | Hierarchical multi-objective planning for integrated energy systems in smart parks considering operational characteristics | |
| CN116468215A (zh) | 计及源荷不确定性的综合能源***调度方法及装置 | |
| CN115146868A (zh) | 电热气耦合的农村微能源***协同规划方法及终端设备 | |
| CN115241923A (zh) | 一种基于蛇优化算法的微电网多目标优化配置方法 | |
| CN115187018A (zh) | 一种园区综合能源***双层优化调度方法及装置 |
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 |