一种泛能站优化方法及装置制造方法及图纸

本发明专利技术涉及一种泛能站优化方法及装置。包括以下步骤：建立能效模型，设置算法参数，初始化粒子群；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。基于改进的离散粒子群算法更新粒子速度，重新计算粒子的适应度，更新粒子个体最优位置pbest，群体的全局最优位置gpbest；判断算法是否满足终止条件，如果满足，输出优化结果。该方法能够得到泛能站的最优能效模型，有效降低工程应用成本。

An optimization method and device of universal energy station

【技术实现步骤摘要】
一种泛能站优化方法及装置
本专利技术涉及能源领域，具体涉及一种泛能站优化方法及装置。
技术介绍
在能源危机与环境污染的双重压力下，对综合能源系统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系统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系统，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系统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，系统总成本包括供电、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(ParticleSwarmOptimization，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(MixedIntegerPieceweiseNonlinearProgramming,MIPNLP)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(ParticleSwarmOptimization，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MINLP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算法应用于电力系统最优潮流的计算，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，本专利技术提出了一种基于改进离散二进制粒子群算法的泛能站优化方法，并进行算法改进，提高其的工程适应性。
技术实现思路
一种泛能站优化方法：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BPSO算法的初始参数，包括群体规模、粒子维度、粒子群位置；2)构建目标函数，所述目标函数以泛能站的系统总成本最小为目标；以步骤1)中设置的所述初始参数为BPSO算法的初始条件，并根据目标函数计算每个粒子的适应度Fitness，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；3)根据以下公式vi(t+1)＝wvi(t)+c1r1(pbesti(t)-pi(t))+c2r2(gpbestg(t)-pi(t))，pi(t+1)＝pi(t)+vi(t+1)更新粒子速度，重新计算粒子的适应度，其中，第一项为粒子原有飞行速度，反映粒子利用惯性的学习趋势，w为惯性权重系数，c1和c2是加速因子，分别代表自身学习与社会学习动力因素，r1和r2是在[0,1]内变化的随机数；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式中，s(vi(t))为位置pi(t)为1的概率，当vi(t)＜0时，当vi(t)≥0时，4)判断算法是否满足终止条件，如果满足，转向步骤5)，否则执行步骤3)；5)输出最优泛能站能效模型。步骤2)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；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。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：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：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：步骤1)中所述能效模型需满足内燃机余热回收约束，内燃机的烟气本文档来自技高网...

【技术保护点】
1.一种泛能站优化方法，其特征在于，具体包括如下步骤：/n1)建立泛能站的能效模型，所述能效模型包括群体规模、粒子维度、粒子群位置；/n2)构建目标函数，所述目标函数是基于步骤1)中设置的所述初始参数为BPSO算法的初始条件，并根据目标函数计算每个粒子的适应度Fitness，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；/n3)根据以下公式v

【技术特征摘要】
1.一种泛能站优化方法，其特征在于，具体包括如下步骤：
1)建立泛能站的能效模型，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，所述目标函数是基于步骤1)中设置的所述初始参数为BPSO算法的初始条件，并根据目标函数计算每个粒子的适应度Fitness，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；
3)根据以下公式vi(t+1)＝wvi(t)+c1r1(pbesti(t)-pi(t))+c2r2(gpbestg(t)-pi(t))，pi(t+1)＝pi(t)+vi(t+1)更新粒子速度和位置，重新计算粒子的适应度，其中，vi(t)为粒子原有飞行速度，w为惯性权重系数，c1和c2是加速因子，分别代表自身学习与社会学习动力因素，r1和r2是在[0,1]内变化的随机数；根据以下公式更新粒子个体最优位置Pbest和群体的全局最优位置gpbest，式中，s(vi(t))为位置pi(t)为1的概率，当vi(t)＜0时，当vi(t)≥0时，
4)判断算法是否满足终止条件，如果满足，转向步骤5)，否则执行步骤3)；
5)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，因而需满足燃气守恒：
所述能效模型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：
所述能效模型满足设备运行安全和状态耦合约束；考虑每个设备的能量产值，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。


5.一种泛能站优化装置，其包括：
建模...

【专利技术属性】
技术研发人员：代景龙，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：河北;13