CN112580897A - 基于鹦鹉算法的多能源电力***优化调度的方法 - Google Patents
基于鹦鹉算法的多能源电力***优化调度的方法 Download PDFInfo
- Publication number
- CN112580897A CN112580897A CN202011631340.6A CN202011631340A CN112580897A CN 112580897 A CN112580897 A CN 112580897A CN 202011631340 A CN202011631340 A CN 202011631340A CN 112580897 A CN112580897 A CN 112580897A
- Authority
- CN
- China
- Prior art keywords
- power
- cost
- parrot
- algorithm
- power system
- 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
- 241000287531 Psittacidae Species 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 70
- 238000005457 optimization Methods 0.000 claims description 65
- 239000000446 fuel Substances 0.000 claims description 57
- 238000010248 power generation Methods 0.000 claims description 49
- 238000012423 maintenance Methods 0.000 claims description 43
- 238000010438 heat treatment Methods 0.000 claims description 42
- 230000013016 learning Effects 0.000 claims description 36
- 239000007789 gas Substances 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 28
- 238000001816 cooling Methods 0.000 claims description 25
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 16
- 238000005057 refrigeration Methods 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000003345 natural gas Substances 0.000 claims description 12
- 229910017059 organic montmorillonite Inorganic materials 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 239000007983 Tris buffer Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 241000287530 Psittaciformes Species 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000005622 photoelectricity Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 claims 1
- 239000010959 steel Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000013486 operation strategy Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 241000255588 Tephritidae Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/06—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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
基于鹦鹉算法的多能源电力***优化调度的方法，包括以下步骤：步骤1，建立考虑经济性和环保性的多能源电力***优化调度的数学模型；步骤2，设计鹦鹉算法；步骤3，构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证；具有高效，准确的优点。
Description
技术领域
本发明属于多能源电力***的优化调度技术领域，具体涉及基于鹦鹉算法的多能源电力***优化调度的方法。
背景技术
随着工业的快速发展，传统的化石能源也在快速的消耗，能源危机成了迫在眉睫的问题。为了解决能源危机问题,只有传统的一种供能方式是不够的，人们开始对电能、气能、热能等多种形式的能源进行综合利用研究。过去的能源***中，电网、气网、热网等不同的能源网络是相互独立运行的，互联程度不高，不利于提高能源的综合利用率，也不利于多个能源***的优化运行，而近些年发展的多能源***能够打破这个壁垒，因此多能源电力***的优化调度也十分重要。
多能源电力***孤岛运行模式下优化调度策略流程图过于繁杂，对比其他多种算法，粒子群算法(Particle Swarm Optimization,PSO)有容易理解，所需控制参数不多，容易得到期望结果，有一些的并行性等特点。但PSO具有容易陷入局部最优和低精度这两大缺点，国内外学者近几年致力于改进这一算法，但是结果却都不尽人意，蝙蝠算法在PSO基础上采用频率调谐的新型算法，虽然在收敛方面有所改观，但寻优精度大幅下降。在应对井喷式增长的能量负荷计算的需求下，果蝇分析算法虽然在优化时具有较高精度，但是比传统的粒子群优化算法更容易陷入与功率相关的局部最优这一情况。从这些例子可以看出近些年PSO的改进陷入了要想增加优化规模、提高算法寻优效率和精度，就无法彻底解决PSO缺陷，要想彻底解决PSO缺陷，就无法增加优化规模、提高算法寻优效率和精度的怪圈。
发明内容
为突破上述难题，本发明提出了一种基于鹦鹉算法的多能源电力***优化调度的方法，分别解决传统粒子群算法容易陷入局部最优和低精度的问题，具有高效，准确的优点。
本发明所采用的技术方案是，基于鹦鹉算法的多能源电力***优化调度的方法，其特征在于，包括以下步骤：
步骤1，建立考虑经济性和环保性的多能源电力***优化调度的数学模型；
步骤2，设计鹦鹉算法；
步骤3，构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证。
所述的步骤1，建立考虑经济性和环保性的多能源电力***优化调度的数学模型,具体步骤为：
步骤1.1，得到包含光伏发电、风力发电机、微型燃气轮机、燃料电池、储能单元的多能源电力***各个发电单元的输出特性和成本组成：
1)光伏发电单元(Photovoltaic cell,PV)：
光电的主要特性如下所示：
式中，Kr＝0.0017(A/℃)，Tr＝301.18K，其中P是光伏板发出的功率，V是光伏板发出的电压，I是光伏板发出的电流，m是并联板电池数，Iph是光伏组件经由光照射所产生，I0是初始电流，q是电池内部电子电量常量，Rs是串联单向电阻，n是串联电池数，A是二极管特性拟合系数，Kr是玻尔兹曼常数，Tr是标准温度，T是测量时刻的温度；
在实际应用时，由于***出力受光伏电池环境温度和太阳辐射下***强度的多种因素影响，所以用标准条件下来修正：
式中：GSTC＝1000W/m2，k＝-0.47％/℃，Tr＝25℃，GSTC是标准太阳辐照强度，GING是实际太阳辐照强度，k是功率温度系数，Tc是实际温度，Tr是标准温度；
太阳能光伏燃料电池直接从太阳获取的能量，属于可再生能源，还应该全方位考量其工作费用和维修费用；
2)风力发电单元(Wind Turbine generator,WT)：
风电的功率特性如下：
在实际条件下，此处不考虑环保成本与利用率成本，只考虑其修理的成本，其中V是风机输入的风速，Vr是标准风速，Pr是标准功率，PWT是风机输出功率，Vco是风机切出风速，Vci是风机切入风速；
3)微型燃气轮机(Micro gas Turbine,MT)：
微型燃气轮机功率函数模型如下：
其中，ηMT是型通用燃气轮机的效率，PMT是型通用燃气轮机的输出功率；
微型通用燃气轮机的正常维护运行以及日常维护费用成本相关函数：
式中，KOMMT直接取0.047元/kWh，其中，KOMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本系数，COMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本；
微型燃汽轮机的外部污染治理排放系数及其治理费用和成本的函数计算如下式所示：
其中，CEMMT是微型燃汽轮机的外部污染治理排放系数及其治理费用和成本，λk是排放因子，αk是折扣系数；
4)燃料电池(Fuel Cell,FC)：
P为40kW，其功率输出PFC与发电效率ηFC的关系可由下式表示：
ηFC＝-0.0023PFC+0.6735 (7)
其中，ηFC是燃料电池的效率；
在维持燃料电池发电动力***正常稳态持续发电的过程中，燃料电池的有效输入量和燃料电池输出能耗投入的发电成本的比例关系用下式进行表示：
式中：LHVng是天然气低热值取9.7kWh/m3，Cng是天然气成本，PFC(t)是t时刻燃料电池的功率，CFFC(t)是t时刻燃料电池费用，ηFC(t)是燃料电池效率；
燃料转化电池的正常工作运行以及维护管理成本可用下式来表示：
其中，CEMFC是燃料转化电池的正常工作运行以及维护管理成本，αk是折扣系数，λk是排放因子；
5)储能单元(BatteryTurbine,BT)：
充分考虑了多能源电力蓄电池的两种重要约束，即蓄电池充放电功率约束和蓄电池最大容量约束，所以便于蓄电池的应用在t时刻荷电状态(State Of Charge,SOC)可表示为：
式中，I是蓄电池的电流，PBT是蓄电池的功率，UBT是蓄电池的电压，SOC是蓄电池的荷电状态，σsdr是蓄电池的自放电率，ηbce是蓄电池的充放电效率，C是蓄电池的电池容量，Δt是时间间隔，取Δt＝1h,ηbce放电时其值为1，充电时一般在0.65～0.85范围内；
步骤1.2，构建多能源电力***环保经济运行的目标函数：
1)经济成本目标函数
这一目标函数是使每个单元都有最小的操作成本，包括微电网与主网交互成本、运行维护成本、制热收益、孤网负荷补偿成本、制冷收益以及微电源的燃料成本，表示公式如下：
式中，C1是运行成本，Cf是燃料成本，COM是检修维护成本，Cgeid是微网主网交互成本，Csh是制热成本，Csc是制冷成本，CL是补偿成本，e、b是费用考虑系数，当这两个值取e＝1,b＝0时，***并网工作，主网与***之间存在交互成本；e＝0,b＝1，即***孤网工作，要取掉一定比例的负荷，那么这种情况下就有切负荷补偿成本，
其中：
Cgrid(t)＝Cg(t)Pg(t)-Cs(t)Ps(t) (15)
Csh(t)＝Qho×Kho (16)
Csc(t)＝Qco×Kco (17)
CL(t)＝Cbu×PCL(t) (18)
其中，LHVng是天然气低热值取9.7kWh/m3，Cng是天然气成本，PFC(t)是t时刻燃料电池的功率，CFFC(t)是t时刻燃料电池费用，ηFC(t)是燃料电池效率；Pi是第i个发电单元的输出功率，ηi第i个发电单元的效率，COM是检修维护成本，KOMi是第i个发电单元正常维护运行以及日常维护费用成本系数，Cgrid是微网主网交互成本，Cg是微网向主网购电成本，Pg是微网向主网购电功率，Cs是微网向主网卖电成本，Ps是微网向主网卖电功率，Csh是制热成本，Qho是热值量，Kho是制热系数，Csc是制冷成本，Qco是冷值量，Kco制冷系数，CL是补偿成本，Cbu是微网支付的停电电量损失，PCL切负荷功率，n是发电单元总数，i是发电单元编号；
2)环保目标函数
这一目标函数是考虑到多能源电力***的环境效益最大，即能源的污染排放和治理的成本最小，表示公式如下：
式中：C2是环保成本，CK处理污染物惩罚系数，rik第k类型排放的i个发电单元的输出功率系数，Pi是第i个发电单元的输出功率，α是外部折扣系数，rgridk是第k类型排放的微网主网交互系数，Cg是微网向主网购电成本，P是微网向主网购电功率，t是调度的时间，T是调度的总时间，M是排放类型(NOX、SO2或者CO2)数，k是排放类型，n是发电单元总数，i是发电单元编号；
步骤1.3，构建多能源电力***环保经济运行的约束条件：
1)电功率平衡约束
其中，Pi是第i个发电单元发出的功率，Pball是蓄电池释放的功率，Pgrid是微网主网交互功率，PL是孤网下切负荷功率，β是运行系数，PCL是切负荷功率，当***并网运行时，β＝0；当***孤网运行时，β＝1；
2)冷热平衡约束
其中，Qho是制热量，
是第k个冷热电联供***制热量，Qco是制冷量，
是第k个冷热电联供***制冷量，
是冷热电联供***制热量最大值，
是冷热电联供***制热量最小值，
是冷热电联供***制冷量最大值，
是冷热电联供***制冷量最小值；M是冷热电联供***的总数；
3)微源功率的限定值的约束
其中，
和
分别表示发电单元发出功率的最大值和最小值；
4)蓄电池运行约束
其中，Sin为输入荷电状态，SOCmin为最小荷电状态，SOCmax为最大荷电状态，Pball为蓄电池的充放电功率，
为蓄电池最小的充放电功率，
为蓄电池最大的充放电功率；
5)多能源电力***与主网允许传输功率约束
其中，
和
分别表示电网传输功率的最大值和最小值。
所述的步骤2，设计鹦鹉算法，具体的步骤为：
步骤2.1，引入自适应权重法：
受到鹦鹉具有自我学习能力与不同环境适应能力的启发，引入自适应权重法；惯性运动权重w的线性速度公式描述了鹦鹉个体以非线性运动法作为计算物体惯性运动权重w的基本方法和应用策略，其改进的计算公式如下：
式中：wmax、wmin分别表示为最大权重值和最小权重值，一般取wmin＝4.0，wmax＝9.0；惯性权重和适应系数的最小值会随着自适应粒子的目标适应度函数值的大小改变而发生改变，所以该惯性权重又命名为自适应权重；
步骤2.2，引入学习因子：
在鹦鹉算法中，两异步速度变化的群算法学习因子c1、c2会随着优化时间的长短发生不同的改变，对鹦鹉个体优化加以下的要求：在鹦鹉个体的群算法开始和结束阶段，鹦鹉个体必须具有较大的自我参与学习的能力，应该需要加强其全局学习和搜索的能力；而在群算法寻优的快速开始和结束时，鹦鹉个体必须具有较弱的自我参与社会学习的能力和较强的自我社会学习的能力，因此可以加快鹦鹉种群算法收敛的速度，有利于快速的群算法收敛得到快速的全局最优解，具体的公式如下：
式中：c1是第1个学习因子，c1f是第1个最终学习因子，c1t是第1个初始学习因子，tmax是最大时间，t是时间，c2是第2个学习因子，c2f是第2个最终学习因子，c2t是第2个初始学习因子，取c1t＝c1f＝2.5，c1t＝c1f＝0.5。
所述的步骤3，构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证，具体的步骤为：
步骤3.1，多能源电力***的多目标函数处理方法：
1)多目标优化算法的通用模型：
式中：f(X)是总目标函数，f1(X),f2(X),…,fm(X)是m个不同的子目标函数，m表示个数的多少，gi(X)为不等式约束，i表示等式约束的个数，hj(X)表示等式约束，j表示等式约束的个数，X为n个变量x1,x2,…,xn所组成的n维决策变量，在多目标优化问题中，取不等式约束m≥2；等式约束取s.t.gi(X)≥0和hj(X)＝0；
2)多能源电力***的多目标函数处理办法：
多目标优化的各个子目标较难同时实现总目标最优化，因此采用一种线性加权函数求和法对多目标进行了最优化，来实现多目标电力***的优化，具体可以表示为：
minf(X)＝w1f1(X)+w2f2(X) (31)
式中：f(X)为总的目标函数，f1(X)为第1个目标函数，f2(X)为第2个目标函数，w1，w2分别表示第1个目标函数和第2个目标函数的权重。w1≥0,w2≥0，且满足w1+w2＝1，随机权重w1和w2由下式确定：
式中：ri是非负随机数，r1，r2是均是非负随机数；
步骤3.2，多能源电力***的约束条件处理方法：
利用罚函数法处理约束条件，它将优化问题中含有不等式约束和等式约束的函数经过加权优化处理后，与原优化目标函数相结合，可以直接得到一个新的目标函数，此时，原约束问题转化成新的无约束条件的优化问题，对这个无约束的优化问题进行求解即可。
步骤3.3，构建三种不同的多能源电力***优化调度策略：
根据多能源电力***是否与主网之间的并网协同运行，确定微电源和主网的优先级，构建了以下管控策略：
策略一：微电源优先级高于主网，若微电源功率不够，则向主网购电；
策略二：微电源与主网优先级相同，若微电源电量不够，只能从主网购电；
策略三：微电源与主网优先级相同，若微电源电量不足，不限制从主网购电；
步骤3.4，采用鹦鹉算法求解三种不同的多能源电力***优化调度策略：
采用鹦鹉算法对提出的三种不同的多能源电力***优化调度策略进行求解；
首先，生成随机移动的鹦鹉种群，初始化全部随机鹦鹉个体的初始值和鹦鹉个体的移动时间v，并且随机设定鹦鹉个体移动位置以及各种随机粒子移动参数；
其次，评价每个鹦鹉个体的适应度，计算个体极值pbest及全局极值gbest，并根据相关公式对被测鹦鹉个体的移动区域和移动时间v的两个参数进行更新；
再次，对学习习惯性的权重因子进行调整，并通过比较迭代后鹦鹉个体的适应度值的大小与上一次迭代后鹦鹉个体的适应度值的大小，来决定是否要更新个体极值和全局极值；
最后，根据是否达到迭代的次数或者最大适应参数值没有发生变化两个条件来判断是否终止算法，若满足条件之一，则算法结束，若不满足，则重新进行初始化进行相关操作。
本发明的有益效果是：
使用的鹦鹉算法在传统粒子群算法的基础上增加自适应权重和学习因子，以此来改变传统粒子群算法容易陷入局部最优、低精度两大缺点。通过对相关案例进行求解和仿真，仿真的结果表明，对于不同目标函数、不同目标、不同运行策略下使用鹦鹉算法，都能快速、准确的求解该模型，证明了该算法的有效性。
附图说明
图1是基于鹦鹉算法的多能源电力***优化调度数学模型的求解流程图。
图2是采用策略三，即微电源与主网优先级相同，若微电源电量不足，不限制从主网购电，在冬季典型日目标权重系数w1＝w2＝0.5时的仿真结果分析图。
图3是采用策略三，在冬季典型日目标权重系数w1＝0.8,w2＝0.2时的仿真结果分析图。
图4是采用策略三，在冬季典型日目标权重系数w1＝0.3,w2＝0.7时的仿真结果分析图。
图5是采用策略一，即微电源优先级高于主网，若微电源功率不够，则向主网购电时冬季典型日***优化结果分析图。
图6是采用策略二，即微电源与主网优先级相同，若微电源电量不够，只能从主网购电时冬季典型日***优化结果分析图。
图7是采用策略三，微电源与主网优先级相同，若微电源电量不足，不限制从主网购电时冬季典型日***优化结果分析图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明，但本发明并不限于这些方式。
本发明基于鹦鹉算法的多能源电力***优化调度的方法，步骤为：
步骤1、建立考虑经济性和环保性的多能源电力***优化调度的数学模型；
步骤2、设计鹦鹉算法；
步骤3、构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证。
其中步骤1具体为：
本发明主要针对5种类型的发电单元发电***进行了分析，分析其基本工作原理与特点、功率输出与成本建模等几个主要方面，为多能源环境下电力***的优化以及调度***分析设计做准备。
步骤1.1，构建包含光伏发电单元、风力发电单元、微型燃气轮机、燃料电池、储能单元的多能源电力***各个发电单元的输出特性和成本组成：
1)光伏发电单元(Photovoltaic cell,PV)：
光电的主要特性如下所示：
式中，Kr＝0.0017(A/℃)，Tr＝301.18K，其中P是光伏板发出的功率，V是光伏板发出的电压，I是光伏板发出的电流，m是并联板电池数，Iph是光伏组件经由光照射所产生，I0是初始电流，q是电池内部电子电量常量，Rs是串联单向电阻，n是串联电池数，A是二极管特性拟合系数，Kr是玻尔兹曼常数，Tr是标准温度，T是测量时刻的温度。
在实际应用时，由于***出力受光伏电池环境温度和太阳辐射下***强度的多种因素影响，所以会以标准条件下来修正：
式中：GSTC＝1000W/m2，k＝-0.47％/℃，Tr＝25℃，GSTC是标准太阳辐照强度，GING是实际太阳辐照强度k是功率温度系数，Tc是实际温度，Tr是标准温度。
太阳能光伏燃料电池直接从太阳获取的能量，属于可再生能源，还应该全方位考量其工作费用和维修费用。
2)风力发电单元(Wind Turbine generator,WT)：
风电的功率特性如下：
在实际条件下，此处不考虑环保成本与利用率成本，只考虑其修理的成本，其中V是风机输入的风速，Vr是标准风速，Pr是标准功率，PWT是风机输出功率，Vco是风机切出风速，Vci是风机切入风速。
3)微型燃气轮机(Micro gas Turbine,MT)：
微型燃气轮机功率函数模型如下：
式中，ηMT表示燃气轮机工作效率，PMT表示燃气轮机功率。
微型通用燃气轮机的正常维护运行以及日常维护费用成本相关函数：
式中，KOMMT表示燃气轮机单位进修价格，这里直接取0.047元/kWh，其中，KOMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本系数，COMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本。
微型燃汽轮机的外部污染治理排放系数及其治理费用和成本的函数计算如下式所示：
其中，CEMMT是微型燃汽轮机的外部污染治理排放系数及其治理费用和成本，λk是排放因子，αk是折扣系数。
4)燃料电池(Fuel Cell,FC)：
P为40kW，其功率输出PFC与发电效率ηFC的关系可由下式表示：
ηFC＝-0.0023PFC+0.6735 (7)
其中，ηFC是燃料电池的效率；
在维持燃料电池发电动力***正常稳态持续发电的过程中，燃料电池的有效输入量和燃料电池输出能耗投入的发电成本的比例关系用下式进行表示：
式中：LHVng是天然气低热值取9.7kWh/m3，Cng是天然气成本，PFC(t)是t时刻燃料电池的功率，CFFC(t)是t时刻燃料电池费用，ηFC(t)是燃料电池效率。
燃料转化电池的正常工作运行以及维护管理成本可用下式来表示：
其中，CEMFC是燃料转化电池的正常工作运行以及维护管理成本，αk是折扣系数，λk是排放因子。
5)储能单元(BatteryTurbine,BT)：
本文充分考虑了多能源电力蓄电池的两种重要约束，即蓄电池充放电功率约束和蓄电池最大容量约束，所以便于蓄电池的应用在t时刻荷电状态(State OfCharge,SOC)可表示为：
式中，I是蓄电池的电流，PBT是蓄电池的功率，UBT是蓄电池的电压，SOC是蓄电池的荷电状态，σsdr是蓄电池的自放电率，ηbce是蓄电池的充放电效率，C是蓄电池的电池容量，Δt是时间间隔，取Δt＝1h,ηbce放电时其值为1，充电时一般在0.65～0.85范围内。
步骤1.2，构建多能源电力***环保经济运行的目标函数：
步骤1.2.1，多目标分析：
为更好地使多能源电力***的优化和节约运行，应当研究设置多能源电力***优化经济调度的基本数学模型，该数学模型有目标约束条件以及基本目标函数这两个主要组成部分。在这之中，多能源优化型电力***需要优化经济调度的主要基本目标有：(1)污染治理成本最小；(2)各微电源机组出力、蓄电池的剩余容量、***与主网交互能量在限制范围内；(3)与主网交易成本最小；(4)运行维护成本最小；(5)***中冷热电负荷的平衡情况；(6)微电源燃料成本最少。
步骤1.2.2，确定目标函数：
1)经济成本目标函数
多能源电力***可获得的利益很大，也可以说每个单元有最小的操作成本，这一操作成本包括微电网与主网交互成本、运行维护成本、制热收益、孤网负荷补偿成本、制冷收益以及微电源的燃料成本。
式中，C1是运行成本，Cf是燃料成本，COM是检修维护成本，Cgeid是微网主网交互成本，Csh是制热成本，Csc是制冷成本，CL是补偿成本，e、b是费用考虑系数，当这两个值取e＝1,b＝0时，***并网工作，主网与***之间存在交互成本；e＝0,b＝1，即***孤网工作，要取掉一定比例的负荷，那么这种情况下就有切负荷补偿成本。
其中：
Cgrid(t)＝Cg(t)Pg(t)-Cs(t)Ps(t) (15)
Csh(t)＝Qho×Kho (16)
Csc(t)＝Qco×Kco (17)
CL(t)＝Cbu×PCL(t) (18)
其中，LHVng是天然气低热值取9.7kWh/m3，Cng是天然气成本，PFC(t)是t时刻燃料电池的功率，CFFC(t)是t时刻燃料电池费用，ηFC(t)是燃料电池效率；Pi是第i个发电单元的输出功率，ηi第i个发电单元的效率，COM是检修维护成本，KOMi是第i个发电单元正常维护运行以及日常维护费用成本系数，Cgrid是微网主网交互成本，Cg是微网向主网购电成本，Pg是微网向主网购电功率，Cs是微网向主网卖电成本，Ps是微网向主网卖电功率，Csh是制热成本，Qho是热值量，Kho是制热系数，Csc是制冷成本，Qco是冷值量，Kco制冷系数，CL是补偿成本，Cbu是微网支付的停电电量损失，PCL切负荷功率，n是发电单元总数，i是发电单元编号；
2)环保目标函数
这一目标函数是考虑到多能源电力***的环境效益最大，即能源的污染排放和治理的成本最小，表示公式如下：
式中：C2是环保成本，CK处理污染物惩罚系数，rik第k类型排放的i个发电单元的输出功率系数，Pi是第i个发电单元的输出功率，α是外部折扣系数，rgridk是第k类型排放的微网主网交互系数，Cg是微网向主网购电成本，P是微网向主网购电功率，t是调度的时间，T是调度的总时间，M是排放类型(NOX、SO2或者CO2)数，k是排放类型，n是发电单元总数，i是发电单元编号；
步骤1.2.3，构建多能源电力***环保经济运行的约束条件：
在掌握正确建立多通道能源***优化控制和调度的优化控制目标函数的基础上，应当全方位理解多能源***中多种控制和约束的条件，更全面的各种约束控制条件形成方式如下所述：
1)电功率平衡约束
其中，Pi是第i个发电单元发出的功率，Pball是蓄电池释放的功率，Pgrid是微网主网交互功率，PL是孤网下切负荷功率，β是运行系数，PCL是切负荷功率，当***并网运行时，β＝0；当***孤网运行时，β＝1；
2)冷热平衡约束
多能源电力***中冷热电联供***需要满足用户需求，它能使用下面这一公式理解：
其中，Qho是制热量，
是第k个冷热电联供***制热量，Qco是制冷量，
是第k个冷热电联供***制冷量，
是冷热电联供***制热量最大值，
是冷热电联供***制热量最小值，
是冷热电联供***制冷量最大值，
是冷热电联供***制冷量最小值；M是冷热电联供***的总数；
3)微源功率的限定值的约束
其中，
和
分别表示发电单元发出功率的最大值和最小值。
4)蓄电池运行约束
其中，Sin为输入荷电状态，SOCmin为最小荷电状态，SOCmax为最大荷电状态，Pball为蓄电池的充放电功率，
为蓄电池最小的充放电功率，
为蓄电池最大的充放电功率。
5)多能源电力***与主网允许传输功率约束
其中，
和
分别表示电网传输功率的最大值和最小值。
所述的步骤2，设计鹦鹉算法的具体步骤为：
在建立了数学优化调度模型后，模型的经济性求解问题就成为了解决优化调度问题的重要关键。针对复杂的模型优化调度问题的解决这种非线性动力***，近些年大量采取的是传统的PSO算法。虽然传统的PSO有诸多优点，但也同时存在一些技术缺陷，其迭代非线性容易陷入局部最优，易产生发散，收敛和低精度的缺点。受到鹦鹉具有自我学习能力与不同环境适应能力的启发，对于上面PSO的缺点，利用自适应权重法以及引入非线性收缩精度等学习因子两种措施来解决，最终生成的算法本发明称之为鹦鹉算法；
步骤2.1引入自适应权重法
由描述可知，权重公式描述了鹦鹉个体上一代运动速度对当前一代的运动速度的一个线性周期变化率的影响。w的统计取样数值区间大小直接地会影响着w和PSO两个局部算法寻优的计算能力。通常这种状态下，取到w的越高，全局寻优的计算强度也越高，在这期间局部寻优的计算强度越低；而当w越低时，结果则正好相反。依据以上计算方法的应用特征，本文以非线性运动法作为计算物体惯性运动权重w的基本方法和应用策略。其需要改进的计算公式如下：
式中，wmax、wmin分别表示为最大权重值和最小权重值，一般取wmin＝4.0，wmax＝9.0；惯性权重和适应系数的最小值会随着自适应鹦鹉个体的目标适应度函数值的大小改变而发生改变，所以该惯性权重又命名为自适应权重；
步骤2.2引入学习因子
在鹦鹉算法优化进程中，两异步速度变化的群算法学习因子c1、c2会随着优化时间的长短发生不同的改变。通过对需要学习的因子进行适当的动态调整，不仅可以有利于其群算法收敛到快速的全局最优解，而且同时还可以大大加快鹦鹉算法的收敛速度。因此对于鹦鹉个体优化作出以下的要求：在鹦鹉个体的群算法开始和结束阶段，鹦鹉个体必须具有较强的自我参与学习的能力，应该需要加强其鹦鹉个体的全局学习和搜索的能力；而在鹦鹉算法寻优的快速开始和结束时，鹦鹉个体必须具有较弱的自我参与社会学习的能力和较强的自我社会学习的能力，因此可以加快其算法收敛的速度，有利于快速的算法收敛得到快速的全局最优解，着力于这两个需要学习的因子分别对其做出适当的学习和动态模拟优化，其动态优化如下：
式中：c1是第1个学习因子，c1f是第1个最终学习因子，c1t是第1个初始学习因子，tmax是最大时间，t是时间，c2是第2个学习因子，c2f是第2个最终学习因子，c2t是第2个初始学习因子。取c1t＝c1f＝2.5，c1t＝c1f＝0.5。
所述步骤3，构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证的具体步骤为：
步骤3.1，多能源电力***的多目标函数处理方法：
1)在通常情况下，多目标***优化的计算方法和基本模型：
式中：f(X)是总目标函数，f1(X),f2(X),…,fm(X)是m个不同的子目标函数，m表示个数的多少，gi(X)为不等式约束，i表示等式约束的个数，hj(X)表示等式约束，j表示等式约束的个数，X为n个变量x1,x2,…,xn所组成的n维决策变量。在多目标优化问题中，取不等式约束m≥2；等式约束取s.t.gi(X)≥0和hj(X)＝0；
2)多能源电力***的多目标函数处理办法：
多目标优化的各个子目标较难同时实现总目标最优化，因此采用一种线性加权函数求和法对多目标进行了最优化，来实现多目标电力***的优化，具体可以表示为：
minf(X)＝w1f1(X)+w2f2(X) (31)
式中：f(X)为总的目标函数，f1(X)为第1个目标函数，f2(X)为第2个目标函数，w1，w2分别表示第1个目标函数和第2个目标函数的权重。w1≥0,w2≥0，且满足w1+w2＝1，随机权重w1和w2由下式确定：
随机权重w1和w2由下式确定：
式中，ri是非负随机数，r1，r2是均是非负随机数；
步骤3.2，多能源电力***的约束条件处理方法：
利用罚函数法处理约束条件，它将优化问题中含有不等式约束和等式约束的函数经过加权优化处理后，与原优化目标函数相结合，可以直接得到一个新的目标函数，此时，原约束问题转化成新的无约束条件的优化问题，对这个无约束的优化问题进行求解即可。
步骤3.3，构建三种不同的多能源电力***优化调度策略：
在对该类***进行设计，及对能源进行调度时使用的管理策略进行优化时，除了会受到其内部的具体结构的影响，也跟电力资源市场中所推行的相关解决方案存在显著关联。根据多能电力***是否与主网之间的并网协同运行，确定微电源和主网的优先级，构建了以下管控策略：
策略一：微电源优先级高于主网，若微电源功率不够，则向主网购电；
策略二：微电源与主网优先级相同，若微电源电量不够，只能从主网购电；
策略三：微电源与主网优先级相同，若微电源电量不足，不限制从主网购电；
步骤3.4，采用鹦鹉算法求解三种不同的多能源电力***优化管控策略：
在对多能源电力***的优化管控的数学模型中的每个变量的异同点做出有效解释后，这一算法的步骤可以概括如下：
首先，生成随机移动的鹦鹉种群，初始化全部随机移动鹦鹉个体的初始值和鹦鹉个体的移动速度v，并且随机设定鹦鹉个体移动位置以及各种移动参数；
其次，评价每个鹦鹉个体的适应度，计算个体极值Pbest及全局极值gbest，并根据相关公式对被测鹦鹉个体的移动区域和移动速度v的两个参数进行更新；
再次，对学习习惯性的权重因子进行调整，并通过比较迭代后鹦鹉个体的适应度值的大小与上一次迭代后鹦鹉个体的适应度值的大小，来决定是否要更新个体极值和全局极值；
最后，根据是否达到迭代的次数或者最大适应参数值没有发生变化两个条件来判断是否终止算法，若满足条件之一，则算法结束，若不满足，则重新进行初始化进行相关操作。具体的求解流程图如图1所示。
实施例
在这一部分中，将在冬、夏季典型日时基于该***给某农村区域供电当做这次探究的案例，涉及的数据主要为冬季、夏季电冷热负荷曲线典型日的光伏发电功率、风电功率预测曲线、微电源性能参数、冬夏季MT出力曲线。
1)不同目标权重系数下的仿真结果分析
在这一节的内容中，采用策略三。将冬季工作日的相关数据中包含的热负荷的情况当做计算案例，利用鹦鹉算法对***在能量方面的调度情况进行优化，且不用对冬季典型日中在热负荷方面的情况进行考虑。w1,w2代表的是***在运行时付出的成本及对排放的污染物进行治理方需要付出成本对应的权重系数，二者对应的数值不同，最终得到的结果也会存在差别。图2、3、4为冬季典型日时不同w1,w2情况下的仿真结果，图中黑色折线为电负荷出力曲线。
当对发电成本进行计算时确定的权重系数存在区别时，冬季典型日对应的成本优化的具体情况列示在表1中：
表1不同权重系冬季典型日***的成本比较(单位：元)
从表1各不同权重系数下成本的比较可知：多能电力***的优化调度与***目标函数的权重大小有关。仿真得到的结果显示，***运行成本在相应权重减小的情况下出现提升的情况，而治理费用会在相应权重增加的情况下得到降低。
2)不同运行策略下的仿真结果分析
本节将对多能电力***经济及环境方面的效益进行了综合考虑，处于冬季典型日时，以三种不同的运行策略来进行发电，图5、6、7为对应的功率及输出的具体情况。
基于上述三种策略，***在冬季典型日运行时，对应的成本的具体情况列示在表2中。
表2不同从策略下冬季典型日的成本比较(单位：元)
从表2各运行策略下成本的比较可知多能电力***优化调度与运行策略有关。
本发明最终仿真结果与结论保持一致，并且利用鹦鹉算法，得出的曲线并未像其他算法出现收敛性差、容易陷入局部最优等问题。这代表这次探究中构建的相关模型及使用的鹦鹉算法，具有较好的可行性，相关的结果也是较好的。
Claims (4)
1.基于鹦鹉算法的多能源电力***优化调度的方法，其特征在于，包括以下步骤：
步骤1，建立考虑经济性和环保性的多能源电力***优化调度的数学模型；
步骤2，设计鹦鹉算法；
步骤3，构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证。
2.根据权利要求1所述的基于鹦鹉算法的多能源电力***优化调度的方法，其特征在于，所述的步骤1，建立考虑经济性和环保性的多能源电力***优化调度的数学模型，具体步骤为：
步骤1.1，得到包含光伏发电、风力发电机、微型燃气轮机、燃料电池、储能单元的多能源电力***各个发电单元的输出特性和成本组成：
1)光伏发电单元：
光电的主要特性如下所示：
式中，Kr＝0.0017(A/℃)，Tr＝301.18K，其中P是光伏板发出的功率，V是光伏板发出的电压，I是光伏板发出的电流，m是并联板电池数，Iph是光伏组件经由光照射所产生，I0是初始电流，q是电池内部电子电量常量，Rs是串联单向电阻，n是串联电池数，A是二极管特性拟合系数，Kr是玻尔兹曼常数，Tr是标准温度，T是测量时刻的温度；
在实际应用时，由于***出力一般受光伏电池环境温度和太阳辐射下***强度的多种因素影响，所以一般会以标准条件下来修正：
式中：GSTC＝1000W/m2，k＝-0.47％/℃，Tr＝25℃，GSTC是标准太阳辐照强度，GING是实际太阳辐照强度，k是功率温度系数，Tc是实际温度，Tr是标准温度，
太阳能光伏燃料电池直接从太阳获取的能量，属于可再生能源，还应该全方位考量其工作费用和维修费用；
2)风力发电单元：
风电的功率特性如下：
在实际条件下，此处不考虑环保成本与利用率成本，只考虑其修理的成本，其中V是风机输入的风速，Vr是标准风速，Pr是标准功率，PWT是风机输出功率，Vco是风机切出风速，Vci是风机切入风速；
3)微型燃气轮机：
微型燃气轮机功率函数模型如下：
其中，ηMT是型通用燃气轮机的效率，PMT是型通用燃气轮机的输出功率；
微型通用燃气轮机的正常维护运行以及日常维护费用成本相关函数：
式中，KOMMT直接取0.047元/kWh，其中，KOMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本系数，COMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本；
微型燃汽轮机的外部污染治理排放系数及其治理费用和成本的函数计算如下式所示：
其中，CEMMT是微型燃汽轮机的外部污染治理排放系数及其治理费用和成本，λk是排放因子，αk是折扣系数；
4)燃料电池：
P为40kW，其功率输出PFC与发电效率ηFC的关系可由下式表示：
ηFC＝-0.0023PFC+0.6735 (7)
其中，ηFC是燃料电池的效率，
在维持燃料电池发电动力***正常稳态持续发电的过程中，燃料电池的有效输入量和燃料电池输出能耗投入的发电成本的比例关系一般可用下式进行表示：
式中：LHVng是天然气低热值取9.7kWh/m3，Cng是天然气成本，PFC(t)是t时刻燃料电池的功率，CFFC(t)是t时刻燃料电池费用，ηFC(t)是燃料电池效率；
燃料转化电池的正常工作运行以及维护管理成本可用下式来表示：
其中，CEMFC是燃料转化电池的正常工作运行以及维护管理成本，αk是折扣系数，λk是排放因子；
5)储能单元：
充分考虑了多能源电力蓄电池的两种重要约束，即蓄电池充放电功率约束和蓄电池最大容量约束，所以便于蓄电池的应用在t时刻荷电状态可表示为：
式中，I是蓄电池的电流，PBT是蓄电池的功率，UBT是蓄电池的电压，SOC是蓄电池的荷电状态，σsdr是蓄电池的自放电率，ηbce是蓄电池的充放电效率，C是蓄电池的电池容量，Δt是时间间隔，取Δt＝1h,ηbce放电时其值为1，充电时一般在0.65～0.85范围内；
步骤1.2，构建多能源电力***环保经济运行的目标函数：
1)经济成本目标函数
这一目标函数是使每个单元都有最小的操作成本，包括微电网与主网交互成本、运行维护成本、制热收益、孤网负荷补偿成本、制冷收益以及微电源的燃料成本，表示公式如下：
式中，C1是运行成本，Cf是燃料成本，COM是检修维护成本，Cgeid是微网主网交互成本，Csh是制热成本，Csc是制冷成本，CL是补偿成本，e、b是费用考虑系数。当这两个值取e＝1,b＝0时，***并网工作，主网与***之间存在交互成本；e＝0,b＝1，即***孤网工作，要取掉一定比例的负荷，那么这种情况下就有切负荷补偿成本，
其中：
Cgrid(t)＝Cg(t)Pg(t)-Cs(t)Ps(t) (15)
Csh(t)＝Qho×Kho (16)
Csc(t)＝Qco×Kco (17)
CL(t)＝Cbu×PCL(t) (18)
式中：LHVng是天然气低热值取9.7kWh/m3，Cng是天然气成本，PFC(t)是t时刻燃料电池的功率，CFFC(t)是t时刻燃料电池费用，ηFC(t)是燃料电池效率；Pi是第i个发电单元的输出功率，ηi第i个发电单元的效率，COM是检修维护成本，KOMi是第i个发电单元正常维护运行以及日常维护费用成本系数，Cgrid是微网主网交互成本，Cg是微网向主网购电成本，Pg是微网向主网购电功率，Cs是微网向主网卖电成本，Ps是微网向主网卖电功率，Csh是制热成本，Qho是热值量，Kho是制热系数，Csc是制冷成本，Qco是冷值量，Kco制冷系数，CL是补偿成本，Cbu是微网支付的停电电量损失，PCL切负荷功率，n是发电单元总数，i是发电单元编号；
2)环保目标函数
这一目标函数是考虑到多能源电力***的环境效益最大，即能源的污染排放和治理的成本最小，表示公式如下：
式中：C2是环保成本，CK处理污染物惩罚系数，rik第k类型排放的i个发电单元的输出功率系数，Pi是第i个发电单元的输出功率，α是外部折扣系数，rgridk是第k类型排放的微网主网交互系数，Cg是微网向主网购电成本，P是微网向主网购电功率，t是调度的时间，T是调度的总时间，M是排放类型(NOX、SO2或者CO2)数，k是排放类型，n是发电单元总数，i是发电单元编号；
步骤1.3，构建多能源电力***环保经济运行的约束条件：
1)电功率平衡约束
其中，Pi是第i个发电单元发出的功率，Pball是蓄电池释放的功率，Pgrid是微网主网交互功率，PL是孤网下切负荷功率，β是运行系数，PCL是切负荷功率，当***并网运行时，β＝0；当***孤网运行时，β＝1；
2)冷热平衡约束
其中，Qho是制热量，
是第k个冷热电联供***制热量，Qco是制冷量，
是第k个冷热电联供***制冷量，
是冷热电联供***制热量最大值，
是冷热电联供***制热量最小值，
是冷热电联供***制冷量最大值，
是冷热电联供***制冷量最小值，M是冷热电联供***的总数；
3)微源功率的限定值的约束
Pi min≤Pi(t)≤Pi max (23)
其中，Pi max和Pi min分别表示发电单元发出功率的最大值和最小值；
4)蓄电池运行约束
其中，Sin为输入荷电状态，SOCmin为最小荷电状态，SOCmax为最大荷电状态，Pball为蓄电池的充放电功率，
为蓄电池最小的充放电功率，
为蓄电池最大的充放电功率；
5)多能源电力***与主网允许传输功率约束
其中，
和
分别表示电网传输功率的最大值和最小值。
3.根据权利要求1所述的基于鹦鹉算法的多能源电力***优化调度的方法，其特征在于，所述的步骤2，设计鹦鹉算法，具体的步骤为：
步骤2.1，引入自适应权重法：
受到鹦鹉具有自我学习能力与不同环境适应能力的启发，引入自适应权重法，权重公式描述了鹦鹉个体上一代运动速度对当前一代运动速度的一个线性周期变化率的影响，本文以非线性运动法作为计算物体惯性运动权重w的基本方法和应用策略，其改进的计算公式如下：
式中：wmax、wmin分别表示为最大权重值和最小权重值，一般取wmin＝4.0，wmax＝9.0；惯性权重和适应系数的最小值会随着自适应鹦鹉个体的目标适应度函数值的大小改变而发生改变，所以该惯性权重又命名为自适应权重；
步骤2.2，引入学习因子：
在鹦鹉算法中，两异步速度变化的群算法学习因子c1、c2会随着优化时间的长短发生不同的改变，对鹦鹉个体优化加以下的要求：在鹦鹉个体的群算法开始和结束阶段，鹦鹉个体必须具有较大的自我参与学习的能力，应该需要加强其全局学习和搜索的能力；而在群算法寻优的快速开始和结束时，鹦鹉个体必须具有较弱的自我参与社会学习的能力和较强的自我社会学习的能力，因此可以加快鹦鹉种群算法收敛的速度，有利于快速的群算法收敛得到快速的全局最优解，具体的公式如下：
式中：c1是第1个学习因子，c1f是第1个最终学习因子，c1t是第1个初始学习因子，tmax是最大时间，t是时间，c2是第2个学习因子，c2f是第2个最终学习因子，c2t是第2个初始学习因子，取c1t＝c1f＝2.5，c1t＝c1f＝0.5。
4.根据权利要求1所述的基于鹦鹉算法的多能源电力***优化调度的方法，其特征在于，所述的步骤3，构建三种不同的多能源电力***优化调度策略，对鹦鹉算法的有效性进行验证，具体的步骤为：
步骤3.1，多能源电力***的多目标函数处理方法：
1)多目标优化算法的通用模型：
式中：f(X)是总目标函数，f1(X),f2(X),…,fm(X)是m个不同的子目标函数，m表示个数的多少，gi(X)为不等式约束，i表示等式约束的个数，hj(X)表示等式约束，j表示等式约束的个数，X为n个变量x1,x2,…,xn所组成的n维决策变量。在多目标优化问题中，取不等式约束m≥2；等式约束取s.t.gi(X)≥0和hj(X)＝0；
2)多能源电力***的多目标函数处理办法：
多目标优化的各个子目标较难同时实现总目标最优化，因此采用一种线性加权函数求和法对多目标进行了最优化，来实现多目标电力***的优化，具体可以表示为：
min f(X)＝w1f1(X)+w2f2(X) (31)
式中：f(X)为总的目标函数，f1(X)为第1个目标函数，f2(X)为第2个目标函数，w1，w2分别表示第1个目标函数和第2个目标函数的权重，w1≥0,w2≥0，且满足w1+w2＝1，随机权重w1和w2由下式确定：
式中：ri是非负随机数，r1，r2是均是非负随机数；
步骤3.2，多能源电力***的约束条件处理方法：
利用罚函数法处理约束条件，它将优化问题中含有不等式约束和等式约束的函数经过加权优化处理后，与原优化目标函数相结合，可以直接得到一个新的目标函数，此时，原约束问题转化成新的无约束条件的优化问题，对这个无约束的优化问题进行求解即可。
步骤3.3，构建三种不同的多能源电力***优化调度策略：
根据多能源电力***是否与主网之间的并网协同运行，确定微电源和主网的优先级，构建了以下管控策略：
策略一：微电源优先级高于主网，若微电源功率不够，则向主网购电；
策略二：微电源与主网优先级相同，若微电源电量不够，只能从主网购电；
策略三：微电源与主网优先级相同，若微电源电量不足，不限制从主网购电；
步骤3.4，采用鹦鹉算法求解三种不同的多能源电力***优化调度策略：
采用鹦鹉算法对提出的三种不同的多能源电力***优化调度策略进行求解，
首先，生成随机移动的鹦鹉种群，初始化全部随机鹦鹉个体的初始值和鹦鹉个体的移动速度v，并且随机设定鹦鹉个体移动位置以及各种随机鹦鹉个体移动参数；
其次，评价每个鹦鹉个体的适应度，计算个体极值pbest及全局极值gbest，并根据相关公式对被测鹦鹉个体的移动区域和移动速度v的两个参数进行更新；
再次，对学习习惯性的权重因子进行调整，并通过比较迭代后鹦鹉个体的适应度值的大小与上一次迭代后鹦鹉个体的适应度值的大小，来决定是否要更新个体极值和全局极值；
最后，根据是否达到迭代的次数或者最大适应参数值没有发生变化两个条件来判断是否终止算法，若满足条件之一，则算法结束，若不满足，则重新进行初始化进行相关操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011631340.6A CN112580897B (zh) | 2020-12-31 | 2020-12-31 | 基于鹦鹉算法的多能源电力***优化调度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011631340.6A CN112580897B (zh) | 2020-12-31 | 2020-12-31 | 基于鹦鹉算法的多能源电力***优化调度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112580897A true CN112580897A (zh) | 2021-03-30 |
| CN112580897B CN112580897B (zh) | 2023-08-22 |
Family
ID=75144535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011631340.6A Active CN112580897B (zh) | 2020-12-31 | 2020-12-31 | 基于鹦鹉算法的多能源电力***优化调度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580897B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519543A (zh) * | 2022-04-21 | 2022-05-20 | 国网江西省电力有限公司电力科学研究院 | 一种乡村多能源***边缘自治运行方法及*** |
| CN116882641A (zh) * | 2023-05-22 | 2023-10-13 | 国网湖北省电力有限公司宜昌供电公司 | 一种适用于地市电网公司的协同降碳方法 |
| CN118033786A (zh) * | 2024-04-15 | 2024-05-14 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种预测山区城市暴雨强度的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103326353A (zh) * | 2013-05-21 | 2013-09-25 | 武汉大学 | 基于改进多目标粒子群算法的环境经济发电调度求解方法 |
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN109345019A (zh) * | 2018-10-10 | 2019-02-15 | 南京邮电大学 | 一种基于改进粒子群算法的微电网经济调度优化策略 |
-
2020
- 2020-12-31 CN CN202011631340.6A patent/CN112580897B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103326353A (zh) * | 2013-05-21 | 2013-09-25 | 武汉大学 | 基于改进多目标粒子群算法的环境经济发电调度求解方法 |
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN109345019A (zh) * | 2018-10-10 | 2019-02-15 | 南京邮电大学 | 一种基于改进粒子群算法的微电网经济调度优化策略 |
Non-Patent Citations (3)
| Title |
|---|
| AN YUAN ET AL.: "Coordinative optimization of hydro-photovoltaic-wind-battery complementary power stations", CSEE JOURNAL OF POWER AND ENERGY SYSTEMS, vol. 6, pages 10 - 418 * |
| 苗雨阳;卢锦玲;朱国栋;: "基于改进多目标粒子群算法的微电网并网优化调度", 电力科学与工程, no. 07, pages 19 - 24 * |
| 谢敏等: "考虑风光互补特性的微电网动态经济优化调度", 智慧电力, vol. 45, no. 8, pages 9 - 14 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519543A (zh) * | 2022-04-21 | 2022-05-20 | 国网江西省电力有限公司电力科学研究院 | 一种乡村多能源***边缘自治运行方法及*** |
| CN116882641A (zh) * | 2023-05-22 | 2023-10-13 | 国网湖北省电力有限公司宜昌供电公司 | 一种适用于地市电网公司的协同降碳方法 |
| CN116882641B (zh) * | 2023-05-22 | 2024-05-28 | 国网湖北省电力有限公司宜昌供电公司 | 一种适用于地市电网公司的协同降碳方法 |
| CN118033786A (zh) * | 2024-04-15 | 2024-05-14 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种预测山区城市暴雨强度的方法 |
| CN118033786B (zh) * | 2024-04-15 | 2024-06-25 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种预测山区城市暴雨强度的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112580897B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Capacity planning and optimization of business park-level integrated energy system based on investment constraints | |
| CN111463836B (zh) | 一种综合能源***优化调度方法 | |
| 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 | |
| CN108009693B (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
| CN111860937B (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 | |
| CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
| CN112580897B (zh) | 基于鹦鹉算法的多能源电力***优化调度的方法 | |
| Deng et al. | System modeling and optimization of microgrid using genetic algorithm | |
| CN110705776A (zh) | 能源优化调度方法 | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN113255198B (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和*** | |
| CN114529075A (zh) | 考虑风光预测误差的综合能源***分布鲁棒优化调度方法 | |
| CN110796279A (zh) | 一种多能互补优化运行方法与*** | |
| Zhang et al. | Deep reinforcement learning based Bi-layer optimal scheduling for microgrids considering flexible load control | |
| CN114611772A (zh) | 一种基于多智能体强化学习的多微网***协同优化方法 | |
| CN112418488A (zh) | 一种基于两阶段能量优化的综合能源***调度方法及装置 | |
| CN112131712A (zh) | 客户侧多能源***多目标优化方法和*** | |
| Ren et al. | Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers | |
| CN112883630A (zh) | 用于风电消纳的多微网***日前优化经济调度方法 | |
| 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 | |
| CN112734451B (zh) | 一种基于非合作博弈的农业大棚多能源***和优化方法 | |
| CN114997460A (zh) | 考虑可再生能源最大消纳的区域型微能源网运行优化方法 | |
| CN111555270A (zh) | 一种综合能源优化与动态分析的方法及*** | |
| Fei et al. | Investigation and 3E (economic, environmental and energy) analysis of a combined heat and power system based on renewable energies for supply energy of sport facilities |
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 |