CN110619409A - 一种自适应扰动量子粒子群的泛能站调度方法及装置 - Google Patents
一种自适应扰动量子粒子群的泛能站调度方法及装置 Download PDFInfo
- Publication number
- CN110619409A CN110619409A CN201810632312.2A CN201810632312A CN110619409A CN 110619409 A CN110619409 A CN 110619409A CN 201810632312 A CN201810632312 A CN 201810632312A CN 110619409 A CN110619409 A CN 110619409A
- Authority
- CN
- China
- Prior art keywords
- internal combustion
- gas
- combustion engine
- boiler
- particle
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000002485 combustion reaction Methods 0.000 claims description 95
- 239000007789 gas Substances 0.000 claims description 91
- 239000002918 waste heat Substances 0.000 claims description 70
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 40
- 238000010168 coupling process Methods 0.000 claims description 32
- 238000005859 coupling reaction Methods 0.000 claims description 32
- 230000008878 coupling Effects 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 239000003546 flue gas Substances 0.000 claims description 20
- 239000003345 natural gas Substances 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 239000002737 fuel gas Substances 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000003094 perturbing effect Effects 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000002028 premature Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种自适应扰动量子粒子群的泛能站调度方法及装置，包括以下步骤：建立能效模型，设置算法参数，初始化粒子位置；构建目标函数，在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；更新粒子速度，重新计算粒子的适应度Fitness，更新粒子个体最优位置pbest，群体的全局最优位置gpbest和平均最优位置S(k)；判断算法是否满足终止条件，如果满足，输出优化调度结果,否则,计算群体的平均适应度偏差Δ，判断Δ是否小于阈值，如不满足，重复上述过程；否则，对群体执行扰动操作后重复上述过程。该方法有效降低了工程应用成本。
Description
技术领域
本发明涉及能源领域，具体涉及一种自适应扰动量子粒子群的泛能站调度方法。
背景技术
在能源危机与环境污染的双重压力下，对综合能源***的运行和整体性能的优化意义重大，是我国进一步发展区域综合能源***亟待解决的重要问题。根据客户需求进行量身定制，利用电、气、冷、热等不同形式能源在时空上的耦合机制,实现多能互补，这样的高效分布式能源***，称之为泛能站。泛能站凭借其能效高、环境效益好等优势已成为综合能源***的重要研究方向之一。
泛能站能源最优调度模型以泛能站总利润最大为优化目标，总利润为售能收益减去总成本，***总成本包括供电、供热以及供气的运行成本、启动成本和停机成本；满足各能源的电、热、天然气功率平衡、供能单元特性等约束条件，是一个混合整数分段非线性规划问题。
粒子群算法(Part ic l e Swarm Opt imi zat ion，PSO)是J.Kennedy和R.Eberhardt于1995年提出的一种根据群体中粒子之间的相互竞争和相互作用来智能优化搜索的进化算法。PSO算法易于实现、通用性强、可调参数少和具有较强的收敛能力，无需依赖问题的特征信息，适用于复杂模型的优化求解。
现有的能源类工程优化多为混合整数非线性规划(M ixed I nteger Pieceweise Non l i near Programmi ng,MI PNLP)问题，其求解方法多为调用 CPLEX和Gurobi等成熟的求解器建模优化，但求解器价格昂贵，提高了工程应用成本；且其商业化封装也限制了基于具体问题的算法个性化处理能力和工程产品的推广应用。故研究一种实现简单，适应性强且便于理解的泛能站优化算法尤为必要。
传统粒子群优化(Part ic l e Swarm Opt imi zat ion，PSO)算法对‘早熟’收敛问题考虑不足，对于含整数变量的问题难以直接处理，缺乏对工程项目实用化方面的改进研究。
针对能源站调度这类混合整数分段非线性规划问题，求解方法通常为调用CPLEX和Gurobi等成熟的求解器建模优化，但求解器价格昂贵，提高了工程应用成本；且其商业化封装也限制了基于具体问题的算法个性化处理能力和工程产品的推广应用。故研究一种实现简单，适应性强且便于理解的泛能站优化算法尤为必要。
近年来，学者对粒子群等群智能算法求解M INLP问题进行了诸多研究，相对于CPLEX等求解器集成的精确方法，粒子群算法更容易实现,改进后的算法适用性，适于解决泛能站优化调度问题。文献[1](基于改进粒子群优化算法的最优潮流计算)将PSO算法应用于电力***最优潮流的计算，并引入动态罚参数来增加算法适应性，但并未考虑多时段的耦合以及整数变量；文献 [2](费胜巍,苗玉彬,刘成良,张晓斌.基于粒子群优化支持向量机的变压器故障诊断[J].高电压技术,2009,35(03):509-513.[2017-09-29].)等基于粒子群优化支持向量机的变压器故障诊断进行了研究，相较标准支持向量机法取得了更高的诊断准确率。文献[3](孙俊.量子行为粒子群优化[M].清华大学出版社,2011.)指出，由于PSO中粒子的运动轨迹是一个有限的并逐渐减小的区域，不能覆盖整个可行空间解，因此PSO存在‘早熟’收敛的风险。随后，龚庆武等人([4]陈道君,龚庆武,金朝意,张静,王定美.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J/OL].电网技术,2013,37(04):974-980.(2013-01-22)[2017-09-28].)从量子粒子群算法出发，加入自适应早熟判定准则等改进，取得了相较PSO更佳的优化成果。
现有的技术缺点主要有：
①针对泛能站优化调度问题，现有技术缺乏对适于工程产品推广的算法研究；
②CPLEX和Gurobi等成熟的求解器不仅价格昂贵，而且限制了算法对于泛能站问题的个性化应用。
③针对粒子群算法“早熟收敛”的问题，虽然学者提出了诸多改进方法，但缺乏对泛能站工程项目实用化方面的改进研究与应用。
因此，本发明提出了一种自适应扰动量子粒子群的泛能站调度方法，并进行算法改进，提高其的工程适应性。
发明内容
由于量子粒子群中每个粒子的搜索空间是有限并逐渐缩小的区域，因此，必然存在迭代后期粒子的多样性减少，导致后续搜索中的局部寻优能力变差的现象。为了提高量子粒子群算法的全局搜索性能，弥补量子粒子群(QPSO) 优化‘早熟’收敛的不足，使其能够主动跳出局部最优区域，本发明在量子粒子群(QPSO)的基础上，通过加入算法的‘早熟’自检机制，即计算每一代粒子的平均适应值偏离度Δ，若检测到某一代的Δ小于设定阈值，则认为粒子间离散程度较低，算法可能陷入了局部最优，此时引入自扰动算子来使粒子主动跳出当前局部最优区域，实现参数的自动调整，增强算法的全局搜索能力，从而可以避免算法陷入‘早熟’收敛。
本发明提出一种自适应扰动量子粒子群的泛能站调度方法：其特征在于，具体包括如下步骤：
1)建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，包括群体规模、粒子维度、粒子群位置；初始化粒子位置；
2)构建目标函数，所述目标函数以泛能站的***总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
3)根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置 gpbest和最优中值位置S(t)，其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为： pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为: 式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：其中M为群体规模大小；
4)判断算法是否满足终止条件，如果满足，转向步骤6)；否则执行步骤 5)；
5)根据以下公式计算群体的平均适应度偏差Δ，判断Δ是否小于阈值，如不满足，转向步骤3)；否则，根据以下公式对群体执行扰动操作后转向步骤3)，上述公式中，M为群体规模大小， fm为粒子m的适应度，favg为当前群体的平均适应度，Δ为群体的平均适应度偏差，c1和c2为扰动系数，k为当前迭代次数，kmax为最大迭代次数，cmin和cmax为扰动系数的最小值和最大值；
6)输出最优泛能站能效模型。
其中，步骤2)中构建的目标函数F为，
其中，
时段t电价与购买电量的乘积；
时段t气价与购买气量的乘积；
时段t用户所需电量与电价的乘积；
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
和分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，
0代表设备停运状态/无开机动作/无关机动作。
其中，步骤1)中所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：
其中，步骤1)中所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
其中，步骤1)中所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
其中，步骤1)中所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
其中，步骤1)中所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，比如能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量耦合：式中，和分别为变量·的上下限。
其中，步骤1)中所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
其中，步骤1)中所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间应该是有确定的关系，采用黑盒模型，即直接通过内燃发电机的历史数据进行拟合：
其中，步骤1)中所述能效模型对燃气锅炉有以下的约束条件：其中，aj，bj，ci，di，ei为历史数据拟合值。
其中，步骤4)中所述终止条件为到达最大迭代次数或满足收敛标准。
本发明还涉及一种自适应扰动量子粒子群的泛能站调度装置，其包括：
建模单元，用于建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，包括群体规模、粒子维度、粒子群位置；
目标函数构建单元，用于构建目标函数，所述目标函数以泛能站的***总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度 Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
优化单元，用于根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为： pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：其中M为群体规模大小；
判断单元，用于判断算法是否满足终止条件，如果满足，则转向输出单元，否则转向优化单元；
扰动单元，用于根据以下公式计算群体的平均适应度偏差Δ，判断Δ是否小于阈值，如不满足，转向优化单元；否则，根据以下公式 对群体执行扰动操作后转向优化单元，上述公式中，M为群体规模大小，fm为粒子m的适应度，favg为当前群体的平均适应度，Δ为群体的平均适应度偏差，c1和c2为扰动系数，k为当前迭代次数，kmax为最大迭代次数，cmin和cmax为扰动系数的最小值和最大值；
输出单元，用于输出最优泛能站能效模型。
其中，目标函数构建单元构建的目标函数F为，
其中，
时段t电价与购买电量的乘积；
时段t气价与购买气量的乘积；
时段t用户所需电量与电价的乘积；
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
和分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
其中，状态变量和启停变量均为0-1整数变量，1代表设备运行状态/ 开机/关机，0代表设备停运状态/无开机动作/无关机动作。
其中，所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量耦合：式中，和分别为变量·的上下限；所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：所述能效模型对燃气锅炉有以下的约束条件：其中，aj，bj，ci，di，ei为历史数据拟合值。
其中，所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
其中，判断单元中所述终止条件为到达最大迭代次数或满足收敛标准。
本发明与现有技术相比，其优点在于：
利用了粒子群算法易于实现、通用性强、可调参数少和具有较强的收敛能力，无需依赖问题的特征信息，适用于复杂模型的优化求解的特性，同时为了弥补量子粒子群(QPSO)优化‘早熟’收敛的不足，本发明对QPSO算法做了适当改进，通过加入算法的‘早熟’自检机制，提高量子粒子群算法的全局搜索性能，使其能够主动跳出局部最优区域，该算法的使用避免了调用 CPLEX和Gurob i等成熟的求解器建模优化，从而降低了工程应用成本。
附图说明
图1为一泛能站示例；
图2位本发明一实施例的自适应扰动QPSO算法流程图；
具体实施方式
根据本发明的基于自适应扰动量子粒子群算法的泛能站调度方法，首先，建立泛能站的能效模型，来满足供需平衡及运行约束条件下不同用户对电和热的需求。其中，总利润为售能收益减去总成本，***总成本包括供电、供热以及供气的运行成本、启动成本和停机成本。所构造的目标函数F为，
其中，
时段t电价与购买电量的乘积；
时段t气价与购买气量的乘积；
时段t用户所需电量与电价的乘积；
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
和分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机， 0代表设备停运状态/无开机动作/无关机动作。
此外，在建立的泛能站能效模型的基础上，为满足各能源的电、热、天然气功率平衡、供能单元特性等约束条件，可按类分为***运行约束以及***内各供能单元的运行约束。
电量平衡约束
内燃机电力输出以及电网购电量应满足用户负荷需求：
热能平衡约束
除此之外，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：
燃气平衡约束
泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：
内燃机余热回收约束
内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：
设备运行安全和状态耦合约束
除此之外，每个设备的能量产值也是考虑的一个重要因素，比如能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量耦合：
式中，和分别为变量·的上下限。
开停机和设备状态耦合约束
引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：
设备之间输入输出耦合约束
内燃发电机输入天然气输出电力，同时排放高温混合烟气，因而天然气的消耗量与产生的电量和高温混合烟气的能力之间应该是有确定的关系。考虑到详细的设备原理建模对工程数据采集要求较高，故本项目采用黑盒模型，即直接通过内燃发电机的历史数据进行拟合：
同理，对燃气锅炉有以下的约束条件：
其中，aj，bj，ci，di，ei为历史数据拟合值。
式(1)-(9)即为泛能站的优化模型，由于状态变量和启停变量均为0-1 整数变量，且存在非线性约束(8)，故本发明研究的泛能站的优化模型是一个M I NLP问题。
传统粒子群算法(Part i c l e Swarm Opt imi zat i on，PSO)是J.Kennedy 和R.Eberhardt于1995年提出的一种根据群体中粒子之间的相互竞争和相互作用来智能优化搜索的进化算法。基于此，Sun等于2003年又从量子力学的角度考察粒子个体与群体的进化模式，提出了量子粒子群算法 (Quantum-Behaved Part i c l e Swarm Opt imi zat ion，QPSO)。相比传统粒子群算法，量子粒子群的控制参数相对更少，具有更优的全局寻优能力、更好的鲁棒性以及更短的计算时间，并且QPSO已经在函数测试、多阶段金融规划、神经网络优化等方面取得了广泛的应用。
由于QPSO中的粒子只带有位置信息，而没有速度信息，因此假设粒子i 在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：
pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t) (10)
式中，ri(t)是均匀分布在(0,1)上的随机数。应用Monte Car lo方法可以得到在第t+1次迭代时粒子i的位置表达式为:
式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t) 为最优中值位置，表达为：
其中M为群体规模大小 (12)
QPSO算法中pbest,gpbest的更新方程与PSO算法的更新方程完全相同，即：
式中，Fitness()为适应度。
动态扩张-收缩系数
QPSO算法在搜索的后期，粒子在位置上缺乏多样性，动态扩张-收缩系数能够调节QPSO算法的收敛过程，对于算法的计算性能具有重要影响。其借鉴了PSO中关于动态惯性权重的思想，给出动态扩张-收缩系数α的表达式：
α＝αmin+(αmax-αmin)(tmax-t)/tmax (14)
式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值；可以看出，随着迭代次数t的增加，扩张-收缩系数递减。较大的扩张-收缩系数有利于全局搜索，较小的扩张-收缩系数可以避免算法“早熟”。
为了弥补量子粒子群(QPSO)优化‘早熟’收敛的不足，本文在量子粒子群(QPSO)的基础上，通过加入算法的‘早熟’自检机制，即计算每一代粒子的平均适应值偏离度Δ，若检测到某一代的Δ小于设定阈值，则认为粒子间离散程度较低，算法可能陷入了局部最优，此时引入自扰动算子来使粒子主动跳出当前局部最优区域，实现参数的自动调整，增强算法的全局搜索能力，从而可以避免算法陷入‘早熟’收敛。
由于量子粒子群中每个粒子的搜索空间是有限并逐渐缩小的区域，因此必然存在迭代后期粒子的多样性减少，导致后续搜索中的局部寻优能力变差的现象。为了提高量子粒子群算法的全局搜索性能，使其能够主动跳出局部最优区域，本研究对QPSO算法做了适当改进：在算法中加入自适应‘早熟’自检准则，以及自适应扰动算子来最大限度避免算法‘早熟’收敛。
‘早熟’的自检准则主要是通过计算粒子群的平均适应值偏离度Δ来评估粒子群的离散程度。设群体规模大小为M，fm为粒子m的适应度，favg为当前群体的平均适应度，Δ为群体的平均适应度偏差，Δ可以定义为：
由上式可知，本文将平均适应值偏离度Δ定义为粒子当前适应度与平均适应度之间的标准差。随着算法不断迭代，不同粒子的适应度偏离会越来越接小，因此Δ也会越来越小，群体中粒子的聚集程度就会越大，群体越趋近于收敛。当Δ小于某一个给定的阈值D时，认为粒子较密集的存在一个区域，判断此时算法陷入‘早熟’收敛。
当检测到算法‘早熟’时，本文通过增加扰动操作的方法使算法跳出当前局部最优区域，进入搜索空间的其他区域进行搜索，从而提高算法的全局寻优能力。增加扰动之后的粒子平均最优位置计算公式：
βk＝c1[Ck(0,1)+c2Nk(0,1)] (17)
文献[基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测]表明，当Ck(0,1)服从标准柯西分布(Cauchy d i sturbance， CD)、Nk(0,1)服从标准高斯分布(Gauss i an d i sturbance，GD)时，能够得到范围更广的随机数；线性扰动系数也更有利于算法搜索性能的动态调节：搜索初期，较小的c1有利于在当前区域进行局部搜索。随着迭代的进行，线性增大的c2则更有利于跳出局部极小点，便于全局搜索。
图2为本发明一实施例的自适应扰动QPSO算法的流程图，具体步骤如下：
1)建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，包括群体规模、粒子维度、粒子群位置；初始化粒子位置；
2)构建目标函数，所述目标函数以泛能站的***总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；；
3)按式(10)-(14)更新粒子速度，重新计算粒子的适应度F itness，更新粒子个体最优位置pbest，群体的全局最优位置gpbest和平均最优位置 S(k)；
4)判断算法是否满足终止条件，如果满足，转向步骤6)；否则执行步骤5)；
5)根据式(15)计算群体的平均适应度偏差Δ，判断Δ是否小于阈值。如不满足，转向步骤3)；否则，根据式(16)-(18)对群体执行扰动操作后转向步骤3)；
6)输出最优泛能站能效模型。
根据本发明的又一实施方式，本发明还涉及一种自适应扰动量子粒子群的泛能站调度装置，其包括：
建模单元，用于建立泛能站能效模型，所述能效模型以泛能站的经济效益最大化为目标；设置算法参数，包括群体规模、粒子维度、粒子群位置；
目标函数构建单元，用于构建目标函数，所述目标函数以泛能站的***总成本最小为目标；在初始条件下，根据目标函数计算每个粒子的适应度 Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
优化单元，用于根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为： pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：其中M为群体规模大小；
判断单元，用于判断算法是否满足终止条件，如果满足，则转向输出单元，否则转向优化单元；
扰动单元，用于根据以下公式计算群体的平均适应度偏差Δ，判断Δ是否小于阈值，如不满足，转向优化单元；否则，根据以下公式βk＝c1[Ck(0，1)+c2Nk(0，1)]，对群体执行扰动操作后转向优化单元，上述公式中，M为群体规模大小，fm为粒子m的适应度，favg为当前群体的平均适应度，Δ为群体的平均适应度偏差，c1和c2为扰动系数，k为当前迭代次数，kmax为最大迭代次数，cmin和cmax为扰动系数的最小值和最大值；
输出单元，用于输出最优泛能站能效模型。
目标函数构建单元构建的目标函数F为，
其中，
时段t电价与购买电量的乘积；
时段t气价与购买气量的乘积；
时段t用户所需电量与电价的乘积；
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
和分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，
0代表设备停运状态/无开机动作/无关机动作。
所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量耦合：式中，和分别为变量·的上下限；所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：所述能效模型对燃气锅炉有以下的约束条件：其中，aj，bj，ci，di，ei为历史数据拟合值。
所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
判断单元中所述终止条件为到达最大迭代次数或满足收敛标准。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种基于自适应扰动量子粒子群算法的泛能站调度方法，其特征在于，具体包括如下步骤：
1)建立泛能站能效模型，所述能效模型包括群体规模、粒子维度、粒子群位置；
2)构建目标函数，所述目标函数是根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
3)根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：其中M为群体规模大小；
4)判断算法是否满足终止条件，如果满足，转向步骤6)；否则执行步骤5)；
5)根据以下公式计算群体的平均适应度偏差Δ，判断Δ是否小于阈值，如不满足，转向步骤3)；否则，根据以下公式βk＝c1[Ck(0,1)+c2Nk(0,1)]，对群体执行扰动操作后转向步骤3)，上述公式中，M为群体规模大小，fm为粒子m的适应度，favg为当前群体的平均适应度，Δ为群体的平均适应度偏差，c1和c2为扰动系数，k为当前迭代次数，kmax为最大迭代次数，cmin和cmax为扰动系数的最小值和最大值；
6)输出最优泛能站的能效模型。
2.根据权利要求1所述的方法，其特征在于，步骤2)中构建的目标函数F为，
其中，
时段t电价与购买电量的乘积；
时段t气价与购买气量的乘积；
时段t用户所需电量与电价的乘积；
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
和分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，0代表设备停运状态/无开机动作/无关机动作。
3.根据权利要求2所述的方法，其特征在于，步骤1)中所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：所述能效模型需满足燃气平衡约束，泛能站通过天然气为内燃机和燃气锅炉提供原料，满足燃气守恒：所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：所述能效模型需满足设备运行安全和状态耦合约束，燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量耦合：式中，●和分别为变量●的上下限；所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：所述能效模型对燃气锅炉有以下的约束条件：其中，aj，bj，ci，di，ei为历史数据拟合值。
4.根据权利要求1所述的方法，其特征在于，步骤3)中所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
5.根据权利要求1所述的方法，其特征在于，步骤4)中所述终止条件为到达最大迭代次数或满足收敛阈值标准。
6.一种基于自适应扰动量子粒子群算法的泛能站调度装置，其包括：
建模单元，用于建立泛能站能效模型，所述能效模型；设置算法参数，包括群体规模、粒子维度、粒子群位置；
目标函数构建单元，用于构建目标函数，所述目标函数根据目标函数计算每个粒子的适应度Fitness，根据粒子群优化算法确定并记录粒子的个体最优位置Pbest、群体的全局最优位置gpbest和最优中值位置S(t)；
优化单元，用于根据以下公式更新粒子个体最优位置Pbest，群体的全局最优位置gpbest和最优中值位置S(t)，其中，假设粒子i在D维空间运动，则在第t次迭代时，粒子i的个体最优位置为：pi(t)＝ri(t)*pbesti(t)+[1-ri(t)]gpbestg(t)，式中，ri(t)是均匀分布在(0,1)上的随机数，第t+1次迭代时粒子i的位置表达式为:式中，ui(t)是均匀分布在(0,1)上的随机数；α称为扩张-收缩系数；S(t)为最优中值位置，表达为：其中M为群体规模大小；
判断单元，用于判断算法是否满足终止条件，如果满足，则转向输出单元，否则调用扰动单元进行操作；
扰动单元，用于根据以下公式计算群体的平均适应度偏差Δ，判断Δ是否小于阈值，如不满足，转向优化单元继续进行优化操作；否则，根据以下公式βk＝c1[Ck(0,1)+c2Nk(0,1)]，对群体执行扰动操作后转向优化单元继续进行优化操作，上述公式中，M为群体规模大小，fm为粒子m的适应度，favg为当前群体的平均适应度，Δ为群体的平均适应度偏差，c1和c2为扰动系数，k为当前迭代次数，kmax为最大迭代次数，cmin和cmax为扰动系数的最小值和最大值；
输出单元，用于输出最优泛能站的能效模型。
7.根据权利要求6所述的装置，其特征在于，所述目标函数构建单元构建的目标函数F为，
其中，
时段t电价与购买电量的乘积；
时段t气价与购买气量的乘积；
时段t用户所需电量与电价的乘积；
时段t用户所需热量与热价的乘积；
Ny,Nm,Nb:分别为余热锅炉、内燃机和燃气蒸汽锅炉的个数；
分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的运行维护成本；
和分别为时段t第i台余热锅炉、内燃机和燃气蒸汽锅炉的开机成本和停机成本；
k＝y,m,b:分别代表余热锅炉、内燃机和燃气蒸汽锅炉；
j＝e,h,g,w:分别代表电能、热能、燃气，水；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的状态变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的启动变量；
第i个时段t燃气蒸汽锅炉、内燃机和余热锅炉的停机变量；
状态变量和启停变量均为0-1整数变量，1代表设备运行状态/开机/关机，0代表设备停运状态/无开机动作/无关机动作。
8.根据权利要求7所述的装置，其特征在于，所述能效模型需满足电量平衡约束，内燃机电力输出以及电网购电量应满足用户负荷需求：所述能效模型需满足热能平衡约束，内燃机同时产生高温烟气，通过余热锅炉产生的高温蒸汽，并结合燃气锅炉产生的高温蒸汽为用户提供热负荷，因而满足以下的热守恒：所述能效模型需满足燃气平衡约束，泛能站通过购买天然气为内燃机和燃气锅炉提供原料，因而需满足燃气守恒：所述能效模型需满足内燃机余热回收约束，内燃机的烟气输出即为余热锅炉的输入，且两者运行状态同步：所述能效模型需满足设备运行安全和状态耦合约束，每个设备的能量产值也是考虑的一个重要因素，能量产值有上下界的约束，并且燃气蒸汽锅炉，内燃机和余热蒸汽锅炉最大产能和最小产能又分别跟设备的状态变量耦合：式中，●和分别为变量●的上下限；所述能效模型需满足开停机和设备状态耦合约束，引入启动变量和停机变量，将启动成本和关机成本纳入模型，并考虑设备开停机和设备状态的各时段的耦合关系：所述能效模型需满足设备之间输入输出耦合约束，内燃发电机输入天然气输出电力，同时排放高温混合烟气，天然气的消耗量与产生的电量和高温混合烟气的能力之间有确定的关系，采用黑盒模型，直接通过内燃发电机的历史数据进行拟合：所述能效模型对燃气锅炉有以下的约束条件：其中，aj，bj，ci，di，ei为历史数据拟合值。
9.根据权利要求6所述的装置，其特征在于，所述扩张-收缩系数α的表达式为α＝αmin+(αmax-αmin)(tmax-t)/tmax，式中，αmax和αmin分别为扩张-收缩系数的最大值和最小值，t为迭代次数。
10.根据权利要求6所述的装置，其特征在于，判断单元中所述终止条件为到达最大迭代次数或满足收敛阈值标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810632312.2A CN110619409B (zh) | 2018-06-19 | 2018-06-19 | 一种自适应扰动量子粒子群的泛能站调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810632312.2A CN110619409B (zh) | 2018-06-19 | 2018-06-19 | 一种自适应扰动量子粒子群的泛能站调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110619409A true CN110619409A (zh) | 2019-12-27 |
| CN110619409B CN110619409B (zh) | 2023-01-10 |
Family
ID=68920247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810632312.2A Active CN110619409B (zh) | 2018-06-19 | 2018-06-19 | 一种自适应扰动量子粒子群的泛能站调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110619409B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111562571A (zh) * | 2020-05-28 | 2020-08-21 | 江南大学 | 一种未知新生强度的机动多目标跟踪与航迹维持方法 |
| CN112132342A (zh) * | 2020-09-23 | 2020-12-25 | 厦门锐特信息技术有限公司 | 一种启发式装箱优化方法 |
| CN113240287A (zh) * | 2021-05-17 | 2021-08-10 | 北京航空航天大学 | 一种基于供需关系的制造服务自适应调度方法 |
| CN113848709A (zh) * | 2021-09-17 | 2021-12-28 | 昌吉学院 | 一种基于改进量子粒子群算法的锅炉汽包水位控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053104A (zh) * | 2017-12-06 | 2018-05-18 | 天津大学 | 区域电力-天然气-热力综合能源***能量流优化方法 |
-
2018
- 2018-06-19 CN CN201810632312.2A patent/CN110619409B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053104A (zh) * | 2017-12-06 | 2018-05-18 | 天津大学 | 区域电力-天然气-热力综合能源***能量流优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张涛等: "多能源耦合***的运行优化与改进分析", 《科学通报》 * |
| 钱虹等: "分布式能源站三联供***优化运行策略研究", 《热能动力工程》 * |
| 陈道君等: "基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测", 《电网技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111562571A (zh) * | 2020-05-28 | 2020-08-21 | 江南大学 | 一种未知新生强度的机动多目标跟踪与航迹维持方法 |
| CN111562571B (zh) * | 2020-05-28 | 2022-04-29 | 江南大学 | 一种未知新生强度的机动多目标跟踪与航迹维持方法 |
| CN112132342A (zh) * | 2020-09-23 | 2020-12-25 | 厦门锐特信息技术有限公司 | 一种启发式装箱优化方法 |
| CN113240287A (zh) * | 2021-05-17 | 2021-08-10 | 北京航空航天大学 | 一种基于供需关系的制造服务自适应调度方法 |
| CN113848709A (zh) * | 2021-09-17 | 2021-12-28 | 昌吉学院 | 一种基于改进量子粒子群算法的锅炉汽包水位控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110619409B (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A microgrids energy management model based on multi-agent system using adaptive weight and chaotic search particle swarm optimization considering demand response | |
| CN110619409B (zh) | 一种自适应扰动量子粒子群的泛能站调度方法及装置 | |
| CN112529256B (zh) | 考虑多重不确定性的分布式电源集群日前调度方法和*** | |
| CN105870976B (zh) | 一种基于能源环境效率的低碳调度方法和装置 | |
| CN111210079B (zh) | 一种分布式能源虚拟电厂运行优化方法及*** | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** | |
| CN108985524B (zh) | 一种多能互补***的协调控制方法 | |
| CN114204550A (zh) | 一种含多类型新能源的电力***绿色调度方法 | |
| CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
| WO2024016504A1 (zh) | 一种基于安全经济的电热综合能源控制方法 | |
| CN112270433A (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 | |
| CN112131712B (zh) | 客户侧多能源***多目标优化方法和*** | |
| CN112580897A (zh) | 基于鹦鹉算法的多能源电力***优化调度的方法 | |
| Wang et al. | Optimal scheduling for integrated energy system considering scheduling elasticity of electric and thermal loads | |
| CN116108360A (zh) | 一种区域综合能源***优化运行控制方法及装置 | |
| CN103259258A (zh) | 微电网及其控制方法和装置 | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN114493143A (zh) | 面向并网型微电网的虚拟电厂多目标优化调度***及方法 | |
| CN109066769A (zh) | 风电全消纳下虚拟电厂内部资源调度控制方法 | |
| CN110689156A (zh) | 一种泛能站优化方法及装置 | |
| Zhou et al. | Optimal energy management strategy considering forecast uncertainty based on LSTM-quantile regression | |
| CN116629553A (zh) | 基于非完全区间多目标模糊优化的区域综合能源调度方法 | |
| CN110619586B (zh) | 一种基于量子粒子群算法的泛能站优化方法及装置 | |
| CN112561120B (zh) | 一种基于微电网参考日前市场出清***优化运行方法 | |
| CN110137938B (zh) | 基于改进蝙蝠算法的风火储联合***的优化调度方法 |
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 |