CN116307077A - 一种冷热电联供型微网***运行优化方法 - Google Patents
一种冷热电联供型微网***运行优化方法 Download PDFInfo
- Publication number
- CN116307077A CN116307077A CN202310052113.5A CN202310052113A CN116307077A CN 116307077 A CN116307077 A CN 116307077A CN 202310052113 A CN202310052113 A CN 202310052113A CN 116307077 A CN116307077 A CN 116307077A
- Authority
- CN
- China
- Prior art keywords
- power
- heat
- power generation
- grid system
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 86
- 238000001816 cooling Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000013486 operation strategy Methods 0.000 claims abstract description 11
- 238000010248 power generation Methods 0.000 claims description 74
- 239000007789 gas Substances 0.000 claims description 70
- 238000003860 storage Methods 0.000 claims description 42
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 34
- 238000005338 heat storage Methods 0.000 claims description 30
- 241000122205 Chamaeleonidae Species 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 19
- 238000004146 energy storage Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 18
- 239000002918 waste heat Substances 0.000 claims description 17
- 238000001179 sorption measurement Methods 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 12
- 239000003345 natural gas Substances 0.000 claims description 9
- 239000002699 waste material Substances 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 6
- 210000001508 eye Anatomy 0.000 claims description 6
- 230000004418 eye rotation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000003463 adsorbent Substances 0.000 claims description 3
- 210000005252 bulbus oculi Anatomy 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 claims description 2
- 238000005057 refrigeration Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 1
- 239000003830 anthracite Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/14—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from dynamo-electric generators driven at varying speed, e.g. on vehicle
- H02J7/16—Regulation of the charging current or voltage by variation of field
- H02J7/28—Regulation of the charging current or voltage by variation of field using magnetic devices with controllable degree of saturation in combination with controlled discharge tube or controlled semiconductor device
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/32—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from a charging set comprising a non-electric prime mover rotating at constant speed
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (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)
- Feedback Control In General (AREA)
Abstract
本发明提出一种冷热电联供型微网***运行优化方法,首先,构建冷热电联供型微网***运行的优化目标函数和约束条件,从而建立冷热电联供型微网***多目标优化模型;然后确定冷热电联供型微网***的目标函数,从而降低了成本提高经济效益;其次,在冷热电联供型微网***运行策略中的传统方法中引进了改进的变色龙群算法来实现冷热电联供型微网***的能量优化管理,从而避免群体智能优化算法在变色龙群算法中存在种群多样性衰减、陷入局部最优解等问题;最后,提出一种采用混合跟随热负荷策略的运行策略,更有效地降低了冷热电联供型微网***的运行成本。本发明有益的效果:实现可再生能源的利用、保持电网的稳定运行以及有效地降低冷热电联供型微电网***的运行成本。
Description
技术领域
本发明的技术方案属于***运行优化技术领域,具体地说是一种冷热电联供型微网***运行优化方法。
背景技术
近年来,由于用户对电能质量提出了更高的需求,而化石燃料的过度使用严重影响了自然环境,因此供电***的发展问题和电力能源的使用问题已经成为全球电力行业的关注焦点。相比较于传统的单一微网***而言,冷热电联供型微网***是将负荷需求、分布式电源和储能设备整合为一体并同时引入可再生能源的综合型能源管理***,因此冷热电联供型微网的运行受到功率出力设备因素的影响尤为明显,所以可再生能源出力的随机性和波动性导致冷热电联供型微网***的运行具有不稳定性。随着工业化进程的不断推进以及社会经济的快速发展,工业生产和居民生活的用电负荷越来越大,用于制冷、制热以及供电所消耗的能源增加,可再生能源的不确定性因素对冷热电联供型微网的影响日益增加。电力***的相关性要求冷热电联供型微网***运行保持动态平衡,因此可再生能源的不可控性以及分布式电源容量配置的不合理性导致整个***无法达到最优运行状态,这不仅没有提高冷热电联供型微网的经济性反而出现能量的浪费或缺额现象,导致了巨大的经济损失和环境破坏,极大地阻碍了冷热电联供型微网***的进一步发展。
分布式电源中的可再生能源具有很强的随机性和间歇性,严重影响了冷热电联供型微网***的正常运行和供电网络的可靠性,而且大规模的冷热电联供型微网***并入主电网将会对整个电力***产生冲击,并导致电网电压和频率出现波动,给电力***运行带来巨大的安全隐患。对供能***和能源结构做出合理的优化不仅有助于调整冷热电联供型微网***的调度计划,还可以有效地对设备容量进行最优配置,减少***的运行成本,并有效地提高***的环保性和可靠性。
在***运行优化领域中,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出了突出优势。面对冷热电联供型微网***容量优化这类耦合度高和复杂度较高的问题,新兴的优化算法可以实现更加迅速的优化过程,以缩短调度安排之间的时间间隔,所以智能优化算法是解决冷热电联供型微网***能量管理和运行优化问题的理想方法,合理优化冷热电联供型微网***将对实现可再生能源的利用以及保持电网的稳定运行具有重要意义。
发明内容
本发明的目的在于克服现有技术存在的不足,而提供一种冷热电联供型微网***运行优化方法。
本发明的目的是通过如下技术方案来完成的。一种冷热电联供型微网***运行优化方法,该方法包括步骤如下:
步骤一,建立冷热电联供型微网***多目标模型;
步骤二,确定冷热电联供型微网***的目标函数和约束条件,目标函数包括经济目标函数和环境目标函数,约束条件应满足各种负载下的负载平衡,从而建立冷热电联供型微网***多目标优化模型;
步骤三,在冷热电联供型微网***运行策略中,根据经济目标函数和环境目标函数,得到改进的变色龙群算法ICSA的优化参数,通过改进的变色龙群算法ICSA,实现冷热电联供型微电网***的能量优化管理;
步骤四,采用混合跟随热负荷策略HFHL的运行策略,将冷负荷需求分配在交流电源和电流互感器中,其中交流电源作为主要冷负荷。
作为进一步优选的技术方案,所述步骤一中,冷热电联供型微网***中包含沼气发电模型、光伏发电模型、微型燃气轮机、余热锅炉、吸附式制冷机、燃气锅炉、电制冷机和储能***模型相关设备,对于各个设备的建模如下:
(1)沼气发电模型
沼气发电模型表示为:
式中,PBIO(t)为沼气发电***的输出功率;QBIO(t)为沼气发电***的输出热量;CBIO(t)为单位时间沼气进气量;up、uq分别为单位立方沼气的发电量和热值;ηp、ηq为沼气发电***的发电效率和热效率;
(2)光伏发电模型
光伏发电模型表示为:
式中,PPV为光伏发电***的输出功率;TSTC、GSTC分别为标准条件下的环境温度和光照强度;PSTC为标准条件下光伏发电***的额定输出功率;TC、GC分别为当前环境下的光伏电池板温度和光照强度;Tt为当前环境下的环境温度;k为功率温度系数;
(3)微型燃气轮机模型
微型燃气轮机模型表示为:
式中,PMT(t)、QMT(t)分别为微型燃气轮机在t时刻的发电、发热功率;GMT(t)为微型燃气轮机在t时刻内消耗的燃料总量;QG为天然气的热值;ηMT为微型燃气轮机的发电效率;ηMTloss为微型燃气轮机的燃气损耗率;
(4)余热锅炉和吸附式制冷机模型
微型燃气轮机将产出的热量传递给余热锅炉,进行热能供热,其等效模型为:
QHE(t)=QMT,HE(t)COPhe (4)
式中,QHE(t)为余热锅炉在t时刻内输出的热量;QMT,HE(t)为在t时刻内微型燃气轮机供给的热量;COPhe为余热锅炉的制热效率;同时,吸附式制冷机是利用吸附剂将热能转化为冷功率从而供给冷负荷,微型燃气轮机将产出的热量传递给吸附式制冷机,其等效模型为:
QCO(t)=QMT,CO(t)COPco (5)
式中,QCO(t)为吸附式制冷机在t时刻内输出的冷功率;QMT,CO(t)为在t时刻内微型燃气轮机供给的热量;COPco为余热锅炉的冷热转换效率;
(5)燃气锅炉和电制冷机模型
燃气锅炉的能效模型为:
QGB(t)=GGB(t)QGηGB (6)
式中,QGB(t)为燃气锅炉在t时刻内输出的热量;GGB(t)为微燃气锅炉在t时刻内消耗的燃料总量;ηGB为燃气锅炉的发热效率;
电制冷机的能效模型为:
QER(t)=PER(t)ηER (7)
式中,QER(t)燃气锅炉在t时刻内输出的冷功率;PER(t)为电制冷机在t时刻内消耗的电功率;ηER电制冷机的制冷效率;
(6)储能***模型
储能***模型中蓄电池的工作过程表示为:
式中,EBAT,C(t)、EBAT,D(t)分别为t时刻蓄电池充电、放电状态下的剩余电量;EBAT,C(t-1)、EBAT,D(t-1)分别为t-1时刻蓄电池充电、放电状态下的剩余电量;Ec(t)为蓄电池在t时刻的实际容量;Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率;ηc、ηd分别为蓄电池的充、放电效率;ESTC、TSTC分别为标准条件下的蓄电池容量和环境温度;T(t)为t时刻环境温度;δb为蓄电池的容量温度系数;Δt为时间间隔。
作为进一步优选的技术方案,所述储能***模型中,蓄热槽将***中多余热功率储存起来,需要时再释放出来使用,其工作过程表示为:
式中,QHSK,C(t)、QHSK,D(t)分别为t时刻蓄热槽蓄热、放热状态储存的热能;QHSK,C(t-1)、QHSK,D(t-1)分别为t-1时刻蓄热槽蓄热、放热状态储存的热能;Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率;α为蓄热槽的自损耗系数;ηchr、ηdis分别为蓄热槽的蓄热、放热效率。
作为进一步优选的技术方案,所述步骤二中,具体步骤如下:
(1)确定经济目标函数和环境目标函数
经济目标函数F1表示为式(10),包括安装成本FDG、运行成本FOM、燃料成本FFuel、电力交易成本FGrid和惩罚成本FPU;
minF1=FDG+FOM+FFuel+FGrid+FPU (10)
式中,cg为天然气单价,;是第i个设备的投资成本;Pi是第i个设备的额定容量;是第i个设施的运行和维护费用;kbuy(t)和ksell(t)是购买和出售电力的单位价格;Pbuy(t)和Psell(t)是购买和出售的功率;Pvacancy(t)和Pwaste(t)是不足和浪费的部分;Qvacancy(t)和Qwaste(t)是热能的缺失和浪费部分;λ是惩罚系数;
环境目标函数F2如式(16)所示:
式中,K为污染物类型;Ck为第k种污染物的成本;χik和χgridk为发射系数;Pi(t)是发电量;
优化目标函数F如式(17)所示:
式中,ω1,ω2是自适应权重系数;当F1减小时,ω1减小;如果F1增加,ω1也会增加;n1、n2为自然系数;G1(t)为在t时刻内消耗的燃料总量;
(2)***的约束
冷热电联供型微网***的约束包括基本负荷约束和设备运行约束,约束条件应满足各种负载下的负载平衡,微网***的输出功率应与所有负载需求一致;
式中,PBIO(t)、PPV(t)、PMT(t)分别为t时刻沼气发电***、光伏发电***、风力发电***的输出功率;Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率;PLoad(t)为t时刻微网***的电负荷;PER(t)为在t时刻电制冷机消耗的电能;Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率;QHE(t)、QGB(t)分别为在t时刻内吸收式制冷机、热转换器输入的热能;QCO(t)、QER(t)分别为吸收式制冷机、电制冷机在t时刻内输出的冷能;QLoad,h(t)为微网***在t时刻内热负荷的需求量,QLoad,c(t)为微网***在t时刻内冷负荷的需求量;和/>分别为蓄电池的最小、最大储能容量;EBAT(t)为t时刻蓄电池的剩余电能;/>和/>分别为蓄电池的最小、最大充电功率;/>和/>分别为蓄电池的最小、最大放电功率;/>和/>分别为蓄热槽的最小、最大储能容量;QHST(t)为t时刻蓄热槽储存的热能;/>和/>分别为蓄热槽的最小、最大储热功率;/>和/>分别为蓄热槽的最小、最大放热功率;分别为风力发电***、光伏发电***、沼气发电***、燃气轮机和燃气锅炉的最小出力;/> 和/>分别为风力发电***、光伏发电***、沼气发电***、燃气轮机和燃气锅炉的最大出力。
作为进一步优选的技术方案,所述步骤三中,具体步骤如下:在运行成本优化问题中,选择改进的变色龙群算法ICSA作为总运行成本优化问题的求解方法,取式(18)为ICSA的适应度函数;
(1)变色龙群算法模型CSA
该模型模拟了变色龙寻找食物的过程,将其分为三个阶段:寻找猎物、转动眼睛和捕获猎物;CSA需要确定具有种群大小Pop和维数Dim的种群矩阵,并根据式(24)初始化种群;
yi,j=LB+rand·(UB-LB) (24)
式中,LB和UB是搜索空间的范围;rand是0到1之间的随机数;i代表个体;j代表维度;yi,j代表第i个个体在第j个维度的位置;
(1.1)搜索猎物
在这个阶段,变色龙根据式(25)开始寻找猎物
式中,s为迭代次数;Smax为最大迭代次数;下标p是当前个体最优位置;b是全局最优位置;r、R1、R2、R3是0到1之间的随机数;P1和P2是开发参数;sgn(rand-0.5)控制开发方向,取值为1或-1;α、β、γ为设定值;P表示感知猎物的概率,如果r≥P,个体会根据在搜索空间中观察到的猎物更新自己的位置;如果r<P,这个个体会随机地向不同的方向搜索;
(1.2)眼睛转动
变色龙的眼睛同时向两个不同的方向旋转和聚焦,在此阶段,根据式(26),利用眼球旋转来模拟定位猎物时的位置更新;
式中,下标“-”表示变色龙在每个维度位置旋转前的平均位置;M为旋转矩阵;θ控制眼睛旋转角度在[-180°,180°];
(1.3)捕捉猎物
变色龙用舌头捕捉猎物,在位置更新之前需要确定舌头的速度模型,这一阶段的具体过程如下;
(2)改进策略和过程
首先,选择Tent混沌映射来初始化种群,具体如下:
式中,k为0~1中的一个随机数;xs是s次迭代生成的随机数值;xs+1是s+1次迭代生成的随机值;
其次,根据式(29),使用改进的动态权重因子b代替ω;
式中,b是全局最优位置;C1和C2分别为当前个体最优位置和全局最优位置的控制系数;R1、R2是0到1之间的随机数;Smax为最大迭代次数;
最后,增加多策略猎物搜索,多策略猎物搜索如式(25)所示,当正弦-余弦变换的适应值优于原策略时,在ICSA中选择正弦-余弦变换,正弦余弦变换的具体过程如下:
式中,r1是步长搜索系数;r2和r3用于控制单个搜索距离。
本发明的有益效果为:
(1)本发明实现了对能源更好的利用,其中所提出的能源优化管理模型通过涉及沼气发电、光伏发电和微型燃气轮机的方式,保持了电网的稳定合理分配,冷热电联供型微网***因其可再生能源利用率高、运行控制灵活、环境污染小等优点,正成为解决当前区域能源供应问题的重要措施。
(2)为实现冷热电联供型微网***的经济运行,本发明通过标准函数对改进算法进行性能测试,表明了ICSA在搜索能力上优于原算法,避免了群体智能优化算法在CSA中存在种群多样性衰减、陷入局部最优解等问题。
(3)本发明通过整合不同的改进策略求解了***的最优运行成本,在冷热电联供型微网***中,各设备协同运行,常用的运行策略是先电后负荷策略(FEL)和先热后负荷策略(FHL),然而,这两种传统的运行策略缺乏储能***的支持,会造成能量浪费,HFHL策略的提出可有效实现冷热电联供型微网***的经济运行,该操作策略可以更有效地降低冷热电联供型微网***的经济和环境成本。
附图说明
图1是本发明的冷热电联供型微网******的模型结构图;
图2是本发明中基于改进变色龙群算法的冷、热、电联合微电网能源优化管理算法流程图;
图3是本实施例三个典型季节的负荷需求曲线图;
图4是本实施例三个典型季节的温度和光强曲线示意图;
图5是本实施例夏季的日常电力调度结果示意图;
图6是本实施例冬季的日常电力调度结果示意图;
图7是本实施例过渡季节的日常电力调度结果示意图;
图8是本实施例平均收敛曲线示意图。
具体实施方式
下面将结合附图和实施例对本发明做详细的介绍:
本发明提供了一种冷热电联供型微网***运行优化方法,首先,构建冷热电联供型微网***运行的优化目标函数和约束条件,从而建立建立冷热电联供型微网***多目标优化模型;然后确定冷热电联供型微网***的目标函数,从而降低了成本提高经济效益;其次,在冷热电联产型(Combined Cooling Heating and Power,CCHP)***运行策略中的传统方法中引进了改进的变色龙群算法(Improved Chameleon Swarm Algorithm,ICSA)来实现冷热电联供型微网***的能量优化管理,从而避免群体智能优化算法在变色龙群算法(Chameleon Swarm Algorithm,CSA)中存在种群多样性衰减、陷入局部最优解等问题;最后,提出一种采用混合跟随热负荷策略(Hybrid Following Heating Load strategy,HFHL)的运行策略,为了更有效地降低CCHP微电网***的运行成本。
图1表明一种冷热电联供型微网******的模型,其主要的分布式电源包括风力发电***、光伏发电***、沼气发电***和燃气轮机;储能***包括蓄电池和蓄热槽;辅助供能设备包括余热锅炉、燃气锅炉、热变换器、吸收式制冷机和电制冷机等,且微网***内部的用户负荷包括电负荷、热负荷和冷负荷。
图2所示实施例表明一种冷热电联供型微网***多目标优化方法的程序流程是:开始→设置CCIIP微网基本参数,确定BIO-PV的产量和负荷需求→根据冷热负载平衡计算输出值→函数上计算输出值bascd电动负载平衡→构造目标函数和使用ICSA解决→判断最优结果是否可以实现→否,重新调整“决策变量”的上下限→是,保存设备每个阶段的产量目标函数的最优值操作风险因素→判断是否满足停止条件→输出结果→结束。
本发明提供的一种冷热电联供型微网***运行优化方法,具体步骤如下:
步骤一,建立冷热电联供型微网***多目标模型;
冷热电联供型微网***中包含沼气发电模型、光伏发电模型、微型燃气轮机、余热锅炉、吸附式制冷机、燃气锅炉、电冰箱和储能***模型等设备,对于各个设备的建模如下:
(1.1)沼气发电模型
甲烷是沼气中的主要成分,其所占比例约为60%~75%。在沼气发电***中,每立方标准沼气可以发电1.4~2.6度,且产热量大于21520千焦,相当于0.7立方天然气或0.7千克无烟煤提供的热量,其简化出力模型可表示为:
式中,PBIO(t)为沼气发电***的输出功率;QBIO(t)为沼气发电***的输出热量;CBIO(t)为单位时间沼气进气量;up、uq分别为单位立方沼气的发电量和热值;ηp、ηq为沼气发电***的发电效率和热效率。
(1.2)光伏发电模型
通常环境温度和光照强度是影响光伏发电***出力的重要因素,其输出功率的简化模型可表示为:
式中,PPV为光伏发电***的输出功率;TSTC、GSTC分别为标准条件下的环境温度和光照强度,其值分别为25℃和1000W/m2;PSTC为标准条件下光伏发电***的额定输出功率;TC、GC分别为当前环境下的光伏电池板温度和光照强度;Tt为当前环境下的环境温度;k为功率温度系数。
(1.3)微型燃气轮机模型
微型燃气轮机是一种同时提供电能和满足***内部热能需求的出力设备,Chenet al.(2019)给出一种基于天然气的微型燃气轮机的等效模型,可表示为:
式中,PMT(t)、QMT(t)分别为微型燃气轮机在t时刻的发电、发热功率;GMT(t)为微型燃气轮机在t时刻内消耗的燃料总量;QG为天然气的热值,通常取9.7(kW·h)/m3;ηMT为微型燃气轮机的发电效率;ηMTloss为微型燃气轮机的燃气损耗率。
(1.4)余热锅炉和吸附式制冷机模型
微型燃气轮机将产出的热量传递给余热锅炉,进行热能供热,其等效模型为:
QHE(t)=QMT,HE(t)COPhe (4)
式中,QHE(t)为余热锅炉在t时刻内输出的热量;QMT,HE(t)为在t时刻内微型燃气轮机供给的热量;COPhe为余热锅炉的制热效率。同时,吸附式制冷机是利用吸附剂将热能转化为冷功率从而供给冷负荷,微型燃气轮机将产出的热量传递给吸附式制冷机,其等效模型为:
QCO(t)=QMT,CO(t)COPco (5)
式中,QCO(t)为吸附式制冷机在t时刻内输出的冷功率;QMT,CO(t)为在t时刻内微型燃气轮机供给的热量;COPco为余热锅炉的冷热转换效率。
(1.5)燃气锅炉和电制冷机模型
燃气锅炉是一种通过燃烧天然气而获得热量的设备,工作流程包括烟气过程和汽水过程两个阶段,其能效模型为:
QGB(t)=GGB(t)QGηGB (6)
式中,QGB(t)为燃气锅炉在t时刻内输出的热量;GGB(t)为微燃气锅炉在t时刻内消耗的燃料总量;ηGB为燃气锅炉的发热效率。
电制冷机是一种利用电能转化为冷功率的设备,其能效模型为:
QER(t)=PER(t)ηER (7)
式中,QER(t)燃气锅炉在t时刻内输出的冷功率;PER(t)为电制冷机在t时刻内消耗的电功率;ηER电制冷机的制冷效率。
(1.6)储能***模型
当处于充电状态时,蓄电池以充电功率储存电能;而处于放电状态时,蓄电池以放电功率释放电能,所以蓄电池的工作过程可表示为:
式中,EBAT,C(t)、EBAT,D(t)分别为t时刻蓄电池充电、放电状态下的剩余电量;EBAT,C(t-1)、EBAT,D(t-1)分别为t-1时刻蓄电池充电、放电状态下的剩余电量;Ec(t)为蓄电池在t时刻的实际容量;Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率;ηc、ηd分别为蓄电池的充、放电效率;ESTC、TSTC分别为标准条件下的蓄电池容量和环境温度;T(t)为t时刻环境温度;δb为蓄电池的容量温度系数;Δt为时间间隔。此外,蓄热槽可以将***中多余热功率储存起来,需要时再释放出来使用,其工作过程可表示为:
式中,QHSK,C(t)、QHSK,D(t)分别为t时刻蓄热槽蓄热、放热状态储存的热能;QHSK,C(t-1)、QHSK,D(t-1)分别为t-1时刻蓄热槽蓄热、放热状态储存的热能;Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率;α为蓄热槽的自损耗系数;ηchr、ηdis分别为蓄热槽的蓄热、放热效率。
步骤二,确定冷热电联供型微网***的目标函数和约束条件,目标函数包括经济目标函数和环境目标函数,约束条件应满足各种负载下的负载平衡,从而建立冷热电联供型微网***多目标优化模型;
(2.1)确定经济目标函数和环境目标函数
经济目标函数F1表示为式(10),包括安装成本FDG、运行成本FOM、燃料成本FFuel、电力交易成本FGrid和惩罚成本FPU;
minF1=FDG+FOM+FFuel+FGrid+FPU (10)
式中,cg为天然气单价,造价2.05元/m3。注意人民币和美元之间的汇率转换;是第i个设备的投资成本;Pi是第i个设备的额定容量/>是第i个设施的运行和维护费用;kbuy(t)和ksell(t)是购买和出售电力的单位价格;Pbuy(t)和Psell(t)是购买和出售的功率;Pvacancy(t)和Pwaste(t)是不足和浪费的部分;Qvacancy(t)和Qwaste(t)是热能的缺失和浪费部分;λ是惩罚系数。
环境目标函数F2如式(16)所示:
式中,K为污染物类型,Ck为第k种污染物的成本。χik和χgridk为发射系数,Pi(t)是发电量。
优化目标函数F如式(17)所示:
式中,ω1,ω2是自适应权重系数;当F1减小时,ω1减小;如果F1增加,ω1也会增加;n1、n2为自然系数;G1(t)为在t时刻内消耗的燃料总量。
(2.2)***的约束
冷热电联供型微网***的约束包括基本负荷约束和设备运行约束,约束条件应满足各种负载下的负载平衡;此外,微源的输出功率应与所有负载需求一致。
式中,PBIO(t)、PPV(t)、PMT(t)分别为t时刻沼气发电***、光伏发电***、风力发电***的输出功率;Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率;PLoad(t)为t时刻微网***的电负荷;PER(t)为在t时刻电制冷机消耗的电能;Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率;QHE(t)、QGB(t)分别为在t时刻内吸收式制冷机、热转换器输入的热能;QCO(t)、QER(t)分别为吸收式制冷机、电制冷机在t时刻内输出的冷能;QLoad,h(t)为微网***在t时刻内热负荷的需求量,QLoad,c(t)为微网***在t时刻内冷负荷的需求量;和/>分别为蓄电池的最小、最大储能容量;EBAT(t)为t时刻蓄电池的剩余电能;/>和/>分别为蓄电池的最小、最大充电功率;/>和/>分别为蓄电池的最小、最大放电功率;/>和/>分别为蓄热槽的最小、最大储能容量;QHST(t)为t时刻蓄热槽储存的热能;/>和/>分别为蓄热槽的最小、最大储热功率;/>和/>分别为蓄热槽的最小、最大放热功率; 分别为风力发电***、光伏发电***、沼气发电***、燃气轮机和燃气锅炉的最小出力;/>和/>分别为风力发电***、光伏发电***、沼气发电***、燃气轮机和燃气锅炉的最大出力。
步骤三,在冷热电联供型微网***运行策略中,根据经济目标函数和环境目标函数,得到改进的变色龙群算法ICSA的优化参数,通过改进的变色龙群算法ICSA,实现冷热电联供型微电网***的能量优化管理;
CCHP微电网***总运行成本包括经济目标函数(F1)和环境目标函数(F2)。在运行成本优化问题中,选择ICSA作为总运行成本优化问题的求解方法,取式(18)为ICSA的适应度函数。同时,为了避免群体智能优化算法在CSA中存在种群多样性衰减、陷入局部最优解等问题,提出了ICSA。
(3.1)变色龙群算法模型
该模型模拟了变色龙寻找食物的过程,将其分为三个阶段:寻找猎物、转动眼睛和捕获猎物。与群搜索算法类似,CSA需要确定具有种群大小(Pop)和维数(Dim)的种群矩阵,并根据式(24)初始化种群。
yi,j=LB+rand·(UB-LB) (24)
式中,LB和UB是搜索空间的范围;rand是0到1之间的随机数;i代表个体;j代表维度;yi,j代表第i个个体在第j个维度的位置;
(3.1.1)搜索猎物
在这个阶段,变色龙根据式(25)开始寻找猎物
式中,s为迭代次数;Smax为最大迭代次数;下标p是当前个体最优位置;b是全局最优位置;r、R1、R2、R3是0到1之间的随机数;P1和P2是开发参数;sgn(rand-0.5)控制开发方向,取值为1或-1;α、β、γ为设定值;P表示感知猎物的概率,如果r≥P,个体会根据在搜索空间中观察到的猎物更新自己的位置;如果r<P,这个个体会随机地向不同的方向搜索。
(3.1.2)眼睛转动
变色龙的眼睛可以同时向两个不同的方向旋转和聚焦,在此阶段,根据式(26),利用眼球旋转来模拟定位猎物时的位置更新,大大提高了算法发现猎物的概率。
式中,下标“-”表示变色龙在每个维度位置旋转前的平均位置;M为旋转矩阵;θ控制眼睛旋转角度在[-180°,180°]。
(3.1.3)捕捉猎物
变色龙用舌头捕捉猎物,所以在位置更新之前需要确定舌头的速度模型。这一阶段的具体过程如下。
(3.2)改进策略和过程
首先,利用Tent混沌映射对初始化进行改进;其次,为了进一步增强算法在后期迭代中的能力,使用改进的动态权系数来代替ω;最后,为了提高变色龙在猎物搜索阶段的发展效率,在该阶段增加了多策略猎物搜索。
Tent混沌映射在本研究中,我们选择Tent混沌映射来初始化种群,具体如下:
式中,k为0~1中的一个随机数;xs是s次迭代生成的随机数值;xs+1是s+1次迭代生成的随机值;
动态权重因子为了进一步平衡迭代前期和后期的搜索方法,根据式(29),用改进的动态权重因子代替ω。
式中,b是全局最优位置;C1和C2分别为当前个体最优位置和全局最优位置的控制系数;R1、R2是0到1之间的随机数;Smax为最大迭代次数;
多策略猎物搜索如式(25)所示,当r≥P时,个***置更新受最优位置影响较大;当r<P时,个人位置更新将会具有很大的随机性。因此,在现阶段搜索策略的基础上,引入正弦-余弦变换,扩大了变色龙搜索猎物的能力。此外,个体根据不同搜索策略下的适应值选择合适的搜索策略;当正弦-余弦变换的适应值优于原策略时,在ICSA中选择正弦-余弦变换。正弦余弦变换的具体过程如下:
式中,r1是步长搜索系数;r2和r3用于控制单个搜索距离。
步骤四,为了更有效地降低CCHP微电网***的运行成本,提出了采用混合跟随热负荷策略(HFHL)的运行策略,包括电力负荷和热负荷需求的具体运行策略。
在冷热电联供型微网***中,各设备协同运行,常用的运行策略是先电后负荷策略(FEL)和先热后负荷策略(FHL)。然而,这两种传统的运行策略缺乏储能***的支持,会造成能量浪费。因此,为了更有效地降低CCHP微电网***的运行成本,提出了采用混合跟随热负荷策略(HFHL)的运行策略。包括电力负荷和热负荷需求的具体运行策略。
由MT和BIO产生的余热被用来提供冷和热负荷。如果产生的余热大于冷热负荷的需要,HSK将排出多余的能量。同时,GB可以作为一个备用电源。电能由MT、PV和BIO产生。当提供的电能大于电力负荷和电流变化率的需求时,多余的电能将被BAT和主网吸收。另一方面,如果发电***产生的电力不足,所需的额外电力将由BAT和主电网提供。基于混合控制策略,将冷负荷需求分配在交流电源和电流互感器中,其中交流电源作为主要冷负荷。
根据图3所示夏季、冬季和过渡季节三个典型季节的热电联产微网***负荷需求曲线、图4所示三个典型季节的温度和光强曲线、图5所示夏季的日常电力调度结果、图6是本所示日常电力调度结果、图7是所示过渡季节的日常电力调度结果可知,在三个典型季节中,随着购电量的增加,用于限制电力交互成本的经济成本权重ω1增加。当电冰箱和微型燃气轮机产量较大时,提高环境成本权重ω2,以限制污染物处理成本。
在FEL、FHL和HFHL操作策略下,使用ICSA的优化结果如表1所示:
表1不同运行策略的优化与比较结果
由表1可知,FEL和FHL的经济目标函数(F1)、环境目标函数(F2)以及经济和环境的总运行成本(C)均高于HFHL,与FEL相比,夏季使用HFHL的C降低了1.12%,冬季下降21.35%。过渡季节减少了13.62%。与FHL相比,夏季采用HFHL策略的C降低了1.67%。冬季减少6.89%,过渡季节减少3.42%,因此,HFHL能更有效地降低冷热电联供型微网***的总运行成本。
为了验证ICSA在求解***运行成本方面的具体效果,用式(17)作为各算法的适应函数,Min、Avg和Std不同算法的比较分析结果如表2所示:
表2.不同算法的比较分析
由表2可知,ICSA的Min和Std结果较小,说明该算法求解效率高,没有明显的结果异常值。与其他算法相比,ALO的Min结果较大,说明在求解过程中容易陷入局部最优解差,不适合本研究设计的CCHP微电网***。ICSA在收敛精度上有了明显的提高,Avg结果可以是最优的。WOA的收敛效果接近于ICSA,而ALO和CSA的收敛效果不如ICSA。总的来说,ICSA的性能优于CSA、WOA和ALO。同时,各算法的最终收敛结果差异不大,四种算法都没有收敛到局部最优结果。此外,算法早期的开发能力与后期的收敛效果密切相关。从图8整体平均收敛曲线可以看出,在200代之前的夏季和过渡季节,ICSA的收敛速度明显优于其他算法。在冬季,ICSA的收敛速度比WOA和ALO差,但比CSA快,中间迭代400-600代收敛效果发生变化。综上所述,ICSA在冷热电联供型微网***的能源优化管理方面具有一定的优势。
以上仅为本发明较好的实施方式,但本发明的保护范围并不仅限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (5)
1.一种冷热电联供型微网***运行优化方法,其特征在于:该方法包括步骤如下:
步骤一,建立冷热电联供型微网***多目标模型;
步骤二,确定冷热电联供型微网***的目标函数和约束条件,目标函数包括经济目标函数和环境目标函数,约束条件应满足各种负载下的负载平衡,从而建立冷热电联供型微网***多目标优化模型;
步骤三,在冷热电联供型微网***运行策略中,根据经济目标函数和环境目标函数,得到改进的变色龙群算法ICSA的优化参数,通过改进的变色龙群算法ICSA,实现冷热电联供型微电网***的能量优化管理;
步骤四,采用混合跟随热负荷策略HFHL的运行策略,将冷负荷需求分配在交流电源和电流互感器中,其中交流电源作为主要冷负荷。
2.根据权利要求1所述的冷热电联供型微网***运行优化方法,其特征在于:所述步骤一中,冷热电联供型微网***中包含沼气发电模型、光伏发电模型、微型燃气轮机、余热锅炉、吸附式制冷机、燃气锅炉、电制冷机和储能***模型相关设备,对于各个设备的建模如下:
(1)沼气发电模型
沼气发电模型表示为:
式中,PBIO(t)为沼气发电***的输出功率;QBIO(t)为沼气发电***的输出热量;CBIO(t)为单位时间沼气进气量;up、uq分别为单位立方沼气的发电量和热值;ηp、ηq为沼气发电***的发电效率和热效率;
(2)光伏发电模型
光伏发电模型表示为:
式中,PPV为光伏发电***的输出功率;TSTC、GSTC分别为标准条件下的环境温度和光照强度;PSTC为标准条件下光伏发电***的额定输出功率;TC、GC分别为当前环境下的光伏电池板温度和光照强度;Tt为当前环境下的环境温度;k为功率温度系数;
(3)微型燃气轮机模型
微型燃气轮机模型表示为:
式中,PMT(t)、QMT(t)分别为微型燃气轮机在t时刻的发电、发热功率;GMT(t)为微型燃气轮机在t时刻内消耗的燃料总量;QG为天然气的热值;ηMT为微型燃气轮机的发电效率;ηMTloss为微型燃气轮机的燃气损耗率;
(4)余热锅炉和吸附式制冷机模型
微型燃气轮机将产出的热量传递给余热锅炉,进行热能供热,其等效模型为:
QHE(t)=QMT,HE(t)COPhe (4)
式中,QHE(t)为余热锅炉在t时刻内输出的热量;QMT,HE(t)为在t时刻内微型燃气轮机供给的热量;COPhe为余热锅炉的制热效率;同时,吸附式制冷机是利用吸附剂将热能转化为冷功率从而供给冷负荷,微型燃气轮机将产出的热量传递给吸附式制冷机,其等效模型为:
QCO(t)=QMT,CO(t)COPco (5)
式中,QCO(t)为吸附式制冷机在t时刻内输出的冷功率;QMT,CO(t)为在t时刻内微型燃气轮机供给的热量;COPco为余热锅炉的冷热转换效率;
(5)燃气锅炉和电制冷机模型
燃气锅炉的能效模型为:
QGB(t)=GGB(t)QGηGB (6)
式中,QGB(t)为燃气锅炉在t时刻内输出的热量;GGB(t)为微燃气锅炉在t时刻内消耗的燃料总量;ηGB为燃气锅炉的发热效率;
电制冷机的能效模型为:
QER(t)=PER(t)ηER (7)
式中,QER(t)燃气锅炉在t时刻内输出的冷功率;PER(t)为电制冷机在t时刻内消耗的电功率;ηER电制冷机的制冷效率;
(6)储能***模型
储能***模型中蓄电池的工作过程表示为:
式中,EBAT,C(t)、EBAT,D(t)分别为t时刻蓄电池充电、放电状态下的剩余电量;EBAT,C(t-1)、EBAT,D(t-1)分别为t-1时刻蓄电池充电、放电状态下的剩余电量;Ec(t)为蓄电池在t时刻的实际容量;Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率;ηc、ηd分别为蓄电池的充、放电效率;ESTC、TSTC分别为标准条件下的蓄电池容量和环境温度;T(t)为t时刻环境温度;δb为蓄电池的容量温度系数;Δt为时间间隔。
4.根据权利要求3所述的冷热电联供型微网***运行优化方法,其特征在于:所述步骤二中,具体步骤如下:
(1)确定经济目标函数和环境目标函数
经济目标函数F1表示为式(10),包括安装成本FDG、运行成本FOM、燃料成本FFuel、电力交易成本FGrid和惩罚成本FPU;
minF1=FDG+FOM+FFuel+FGrid+FPU (10)
式中,cg为天然气单价,;是第i个设备的投资成本;Pi是第i个设备的额定容量;/>是第i个设施的运行和维护费用;kbuy(t)和ksell(t)是购买和出售电力的单位价格;Pbuy(t)和Psell(t)是购买和出售的功率;Pvacancy(t)和Pwaste(t)是不足和浪费的部分;Qvacancy(t)和Qwaste(t)是热能的缺失和浪费部分;λ是惩罚系数;
环境目标函数F2如式(16)所示:
式中,K为污染物类型;Ck为第k种污染物的成本;χik和χgridk为发射系数;Pi(t)是发电量;
优化目标函数F如式(17)所示:
式中,ω1,ω2是自适应权重系数;当F1减小时,ω1减小;如果F1增加,ω1也会增加;n1、n2为自然系数;G1(t)为在t时刻内消耗的燃料总量;
(2)***的约束
冷热电联供型微网***的约束包括基本负荷约束和设备运行约束,约束条件应满足各种负载下的负载平衡,微网***的输出功率应与所有负载需求一致;
式中,PBIO(t)、PPV(t)、PMT(t)分别为t时刻沼气发电***、光伏发电***、风力发电***的输出功率;Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率;PLoad(t)为t时刻微网***的电负荷;PER(t)为在t时刻电制冷机消耗的电能;Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率;QHE(t)、QGB(t)分别为在t时刻内吸收式制冷机、热转换器输入的热能;QCO(t)、QER(t)分别为吸收式制冷机、电制冷机在t时刻内输出的冷能;QLoad,h(t)为微网***在t时刻内热负荷的需求量,QLoad,c(t)为微网***在t时刻内冷负荷的需求量;和/>分别为蓄电池的最小、最大储能容量;EBAT(t)为t时刻蓄电池的剩余电能;/>和/>分别为蓄电池的最小、最大充电功率;/>和/>分别为蓄电池的最小、最大放电功率;/>和/>分别为蓄热槽的最小、最大储能容量;QHST(t)为t时刻蓄热槽储存的热能;/>和/>分别为蓄热槽的最小、最大储热功率;/>和/>分别为蓄热槽的最小、最大放热功率;分别为风力发电***、光伏发电***、沼气发电***、燃气轮机和燃气锅炉的最小出力;/> 和/>分别为风力发电***、光伏发电***、沼气发电***、燃气轮机和燃气锅炉的最大出力。
5.根据权利要求4所述的冷热电联供型微网***运行优化方法,其特征在于:所述步骤三中,具体步骤如下:在运行成本优化问题中,选择改进的变色龙群算法ICSA作为总运行成本优化问题的求解方法,取式(18)为ICSA的适应度函数;
(1)变色龙群算法模型CSA
该模型模拟了变色龙寻找食物的过程,将其分为三个阶段:寻找猎物、转动眼睛和捕获猎物;CSA需要确定具有种群大小Pop和维数Dim的种群矩阵,并根据式(24)初始化种群;
yi,j=LB+rand·(UB-LB) (24)
式中,LB和UB是搜索空间的范围;rand是0到1之间的随机数;i代表个体;j代表维度;yi,j代表第i个个体在第j个维度的位置;
(1.1)搜索猎物
在这个阶段,变色龙根据式(25)开始寻找猎物
式中,s为迭代次数;Smax为最大迭代次数;下标p是当前个体最优位置;b是全局最优位置;r、R1、R2、R3是0到1之间的随机数;P1和P2是开发参数;sgn(rand-0.5)控制开发方向,取值为1或-1;α、β、γ为设定值;P表示感知猎物的概率,如果r≥P,个体会根据在搜索空间中观察到的猎物更新自己的位置;如果r<P,这个个体会随机地向不同的方向搜索;
(1.2)眼睛转动
变色龙的眼睛同时向两个不同的方向旋转和聚焦,在此阶段,根据式(26),利用眼球旋转来模拟定位猎物时的位置更新;
式中,下标“-”表示变色龙在每个维度位置旋转前的平均位置;M为旋转矩阵;θ控制眼睛旋转角度在[-180°,180°];
(1.3)捕捉猎物
变色龙用舌头捕捉猎物,在位置更新之前需要确定舌头的速度模型,这一阶段的具体过程如下;
(2)改进策略和过程
首先,选择Tent混沌映射来初始化种群,具体如下:
式中,k为0~1中的一个随机数;xs是s次迭代生成的随机数值;xs+1是s+1次迭代生成的随机值;
其次,根据式(29),使用改进的动态权重因子b代替ω;
式中,b是全局最优位置;C1和C2分别为当前个体最优位置和全局最优位置的控制系数;R1、R2是0到1之间的随机数;Smax为最大迭代次数;
最后,增加多策略猎物搜索,多策略猎物搜索如式(25)所示,当正弦-余弦变换的适应值优于原策略时,在ICSA中选择正弦-余弦变换,正弦余弦变换的具体过程如下:
式中,r1是步长搜索系数;r2和r3用于控制单个搜索距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052113.5A CN116307077A (zh) | 2023-02-02 | 2023-02-02 | 一种冷热电联供型微网***运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052113.5A CN116307077A (zh) | 2023-02-02 | 2023-02-02 | 一种冷热电联供型微网***运行优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307077A true CN116307077A (zh) | 2023-06-23 |
Family
ID=86827676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052113.5A Pending CN116307077A (zh) | 2023-02-02 | 2023-02-02 | 一种冷热电联供型微网***运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307077A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081143A (zh) * | 2023-07-14 | 2023-11-17 | 中国电建集团华东勘测设计研究院有限公司 | 促进分布式光伏就地消纳的园区综合能源***协调优化运行方法 |
CN117674302A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
CN117892848A (zh) * | 2023-11-03 | 2024-04-16 | 中国电建集团华东勘测设计研究院有限公司 | 计及源荷双侧不确定性的综合能源***区间优化运行方法 |
-
2023
- 2023-02-02 CN CN202310052113.5A patent/CN116307077A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081143A (zh) * | 2023-07-14 | 2023-11-17 | 中国电建集团华东勘测设计研究院有限公司 | 促进分布式光伏就地消纳的园区综合能源***协调优化运行方法 |
CN117892848A (zh) * | 2023-11-03 | 2024-04-16 | 中国电建集团华东勘测设计研究院有限公司 | 计及源荷双侧不确定性的综合能源***区间优化运行方法 |
CN117674302A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
CN117674302B (zh) * | 2024-02-01 | 2024-05-03 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165788B (zh) | 一种冷热电联供***的优化方法 | |
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 | |
CN111463836B (zh) | 一种综合能源***优化调度方法 | |
CN103151797B (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
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 | |
CN116307077A (zh) | 一种冷热电联供型微网***运行优化方法 | |
CN112069720B (zh) | 一种综合能源***及其运行优化方法 | |
CN112419087B (zh) | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 | |
CN107358345B (zh) | 计及需求侧管理的分布式冷热电联供***优化运行方法 | |
CN105337303A (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
Li et al. | Performance evaluation of solar hybrid combined cooling, heating and power systems: A multi-objective arithmetic optimization algorithm | |
CN110391655B (zh) | 一种含多能源耦合的微能源网经济优化调度方法及装置 | |
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*** | |
CN112131712B (zh) | 客户侧多能源***多目标优化方法和*** | |
Zhang et al. | Energy scheduling optimization of the integrated energy system with ground source heat pumps | |
CN112580897A (zh) | 基于鹦鹉算法的多能源电力***优化调度的方法 | |
Wang et al. | Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies | |
CN112085263A (zh) | 一种用户侧分布式能源***混合储能优化配置方法和*** | |
Wang et al. | Research on capacity and strategy optimization of combined cooling, heating and power systems with solar photovoltaic and multiple energy storage | |
CN114742276A (zh) | 一种考虑㶲效率的含orc的园区综合能源***多目标优化调度方法 | |
Zeng et al. | Multiobjective Optimized Dispatching for Integrated Energy System Based on Hierarchical Progressive Parallel NSGA‐II Algorithm | |
Li et al. | Planning model of integrated energy system considering P2G and energy storage | |
CN111756073B (zh) | 多能互补微网分层控制与运行优化方法 |
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 |