基于多种群遗传算法的分段式综合能源系统运行优化方法技术方案

本发明专利技术公开了一种基于多种群遗传算法的分段式综合能源系统运行优化方法。首先根据“低谷‑高峰‑平段‑高峰‑平段”的分段电价，将24小时分为五个时段，通过多种群遗传算法计算五个时段的最优优化变量矩阵，然后分别构建每个时段的目标函数与约束条件，最后通过多种群遗传算法依次细化计算每个时段的优化结果。本方法能够尽最大可能约简模型约束条件的数量，实现综合能源系统多种能源间运行的最优配置，实现最大的经济效益。

Operation optimization method of segmented comprehensive energy system based on multi population genetic algorithm

【技术实现步骤摘要】
基于多种群遗传算法的分段式综合能源系统运行优化方法
本专利技术涉及一种基于多种群遗传算法的分段式综合能源系统运行优化方法。
技术介绍
为了更好地应对化石能源逐渐枯竭、环境污染问题日益凸显等一系列挑战，有必要将多种能源资源整合起来，实现多种能源间的优化运行，从而提升能源利用效率。然而，与电力系统相比，综合能源系统具有系统耦合度高、供能方式丰富的特点，使得其在运行优化的层面面临更大的技术挑战。目前，尽管针对系统运行优化理论的相关研究较多，对于综合能源运行优化求解模型构建层面的研究仍处于探索阶段，通常参照电力系统运行优化的建模方式，直接采用全局建模的方法。对于综合能源运行优化问题，由于需要同时考虑多类型电源、主网互动、储能等因素，直接采用全局建模的方式需要处理的约束条件数量庞大，模型求解时容易陷入局部最优。因此，尚缺乏一种有效的可推广的综合能源运行优化方法，尽最大可能约简模型约束条件的数量，实现综合能源系统多种能源间运行的最优配置，实现最大的经济效益。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种基于多种群遗传算法的分段式综合能源系统运行优化方法，能够有效地实现综合能源系统多种能源间运行的最优配置，实现最大的经济效益。为达到上述目的，本专利技术所采用的技术方案是：一种基于多种群遗传算法的分段式综合能源系统运行优化方法：步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为时段一、时段二、时段三、时段四、时段五的五个时段，时段一从时刻1到时刻T1，、时段二从时刻T1+1到时刻T2，时段三从时刻T2+1到时刻T3，时段四从时刻T3+1到时刻T4，时段五从时刻T4+1到时刻24；步骤2：构建包含五个时段的运行优化目标函数f1，如下：其中，cgas表示燃气价格,ci表示时段i从电网的购电价格，Pi,gas表示时段i冷热电联产系统的发电功率，Pi,net表示时段i从电网的购电量。步骤3：构建包含五个时段的约束条件，包括：(3-1)综合能源系统中，电功率平衡约束如下：Aeq1＝Pi,gas+Pi,net+Pi,pv+Pi,cd-Pi,eth-Pi,etc-eLoadi其中，Aeq1＝0时满足电功率平衡约束，Pi,pv表示时段i光伏的发电功率，Pi,cd表示时段i储电设备的功率，Pi,eth表示时段i电制热设备的功率，Pi,etc表示时段i电制冷设备的功率，eLoadi表示时段i的电力负荷的总需求；(3-2)综合能源系统中，热功率约束如下：A1＝hLoadi-ε1·Pi,gas-η1·Pi,eth-Pi,cr其中，A1<0时满足热功率约束，hLoadi表示时段i的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pi,cr表示时段i储热设备的功率；(3-3)综合能源系统中，冷功率约束如下：A2＝cLoadi-ε2·Pi,gas-η2·Pi,etc-Pi,cl其中，A2<0时满足冷功率约束，cLoadi表示时段i的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pi,cl表示时段i储冷设备的功率；(3-4)综合能源系统中，充放电约束如下：其中，Aeq2＝0时满足充放电约束。(3-5)综合能源系统中，充放热约束如下：其中，Aeq3＝0时满足充放热约束。(3-6)综合能源系统中，充放冷约束如下：其中，Aeq4＝0时满足充放冷约束。(3-7)综合能源系统中，储电容量约束如下：其中，i＝1,2,…,5；A3<0且A4<0时满足储电容量约束；表示前i个时段的储电设备功率累加值；Wd表示电池的额定容量；(3-8)综合能源系统中，储热容量约束如下：其中，i＝1,2,…,5；A5<0且A6<0时满足储电容量约束；表示前i个时段的储热设备功率累加值；Wr表示储热设备的额定容量；(3-9)综合能源系统中，储冷容量约束如下：其中，i＝1,2,…,5；A7<0且A8<0时满足储电容量约束；表示前i个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；步骤4：构造待优化变量矩阵，具体表示为：Matrix1＝[Pi,gas,Pi,net,Pi,pv,Pi,cd,Pi,eth,Pi,etc,Pi,cr,Pi,cl],i＝1,2,…,5；Matrix1为一个1×40的矩阵。步骤5：将步骤2的目标函数与步骤3的约束条件构造遗传算法的适应度函数f2，公式如下：步骤6：令w＝1,2,…,S；构建第w个遗传算法种群，采用二进制编码法将Matrix1中每一个变量用N个随机二进制码表示，则可以将Matrix1转换为一个包含(40×N)个二进制码的矩阵Matrix2，随机构造M个二进制码的矩阵Matrix2，进而得到初始化的遗传算法种群Matrixw，Matrixw为一个M行，(40×N)列的二进制码的矩阵。如此，共构建S个遗传算法种群，每个种群包含M个个体。步骤7：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixw进行进化。进化过程中，种群中适应度函数f2最大的个体是最优个体，适应度函数f2最小的个体是最劣个体，每一代进化中，将S个遗传算法种群中的S个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num1次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S-1；步骤8：当精华种群中的最优个体经过num2次迭代后仍保持不变，则算法迭代终止，最后得到精华种群中使适应度函数f2最大的二进制码的矩阵Matrix2best，相应的，可得最优优化变量矩阵Matrix1best＝[Pi,gas,best,Pi,net,best,Pi,pv,best,Pi,cd,best,Pi,eth,best,Pi,etc,best,Pi,cr,best,Pi,cl,best],i＝1,2,…,5；步骤9：对时段一进行细化寻优，具体包括：(9-1)构建时段一的运行优化目标函数f3，如下：其中，cki表示时刻k1从电网的购电价格，Pk1,gas表示时刻k1冷热电联产系统的发电功率，Pk1,net表示时刻k1从电网的购电量。(9-2)构建包含时段一的约束条件，包括：(9-2-1)电功率平衡约束如下：其中，Aeq11＝0时满足电功率平衡约束，Pk1,pv表示时刻k1光伏的发电功率，Pk1,cd表示时刻k1储电设备的功率，Pk1,eth表示时刻k1电制热设备的功率，Pk1,etc表示时刻k1电制冷设备的功率，eLoadk1表示时刻k1的电力负荷的总需求；<本文档来自技高网...

【技术保护点】
1.一种基于多种群遗传算法的分段式综合能源系统运行优化方法，其特征在于：/n步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为时段一、时段二、时段三、时段四、时段五的五个时段，时段一从时刻1到时刻T

【技术特征摘要】
1.一种基于多种群遗传算法的分段式综合能源系统运行优化方法，其特征在于：
步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为时段一、时段二、时段三、时段四、时段五的五个时段，时段一从时刻1到时刻T1，、时段二从时刻T1+1到时刻T2，时段三从时刻T2+1到时刻T3，时段四从时刻T3+1到时刻T4，时段五从时刻T4+1到时刻24；
步骤2：构建包含五个时段的运行优化目标函数f1，如下：



其中，cgas表示燃气价格,ci表示时段i从电网的购电价格，Pi,gas表示时段i冷热电联产系统的发电功率，Pi,net表示时段i从电网的购电量；
步骤3：构建包含五个时段的约束条件，包括：
(3-1)综合能源系统中，电功率平衡约束如下：
Aeq1＝Pi,gas+Pi,net+Pi,pv+Pi,cd-Pi,eth-Pi,etc-eLoadi
其中，Aeq1＝0时满足电功率平衡约束，Pi,pv表示时段i光伏的发电功率，Pi,cd表示时段i储电设备的功率，Pi,eth表示时段i电制热设备的功率，Pi,etc表示时段i电制冷设备的功率，eLoadi表示时段i的电力负荷的总需求；
(3-2)综合能源系统中，热功率约束如下：
A1＝hLoadi-ε1·Pi,gas-η1·Pi,eth-Pi,cr
其中，A1<0时满足热功率约束，hLoadi表示时段i的热负荷的总需求，ε1表示冷热电联产系统的热电比例系数，η1表示电制热设备的转换效率，Pi,cr表示时段i储热设备的功率；
(3-3)综合能源系统中，冷功率约束如下：
A2＝cLoadi-ε2·Pi,gas-η2·Pi,etc-Pi,cl
其中，A2<0时满足冷功率约束，cLoadi表示时段i的冷负荷的总需求，ε2表示冷热电联产系统的冷电比例系数，η2表示电制冷设备的转换效率，Pi,cl表示时段i储冷设备的功率；
(3-4)综合能源系统中，充放电约束如下：



其中，Aeq2＝0时满足充放电约束；
(3-5)综合能源系统中，充放热约束如下：



其中，Aeq3＝0时满足充放热约束；
(3-6)综合能源系统中，充放冷约束如下：



其中，Aeq4＝0时满足充放冷约束；
(3-7)综合能源系统中，储电容量约束如下：






其中，i＝1,2,…,5；A3<0且A4<0时满足储电容量约束；表示前i个时段的储电设备功率累加值；Wd表示电池的额定容量；
(3-8)综合能源系统中，储热容量约束如下：






其中，i＝1,2,…,5；A5<0且A6<0时满足储电容量约束；表示前i个时段的储热设备功率累加值；Wr表示储热设备的额定容量；
(3-9)综合能源系统中，储冷容量约束如下：






其中，i＝1,2,…,5；A7<0且A8<0时满足储电容量约束；表示前i个时段的储冷设备功率累加值；Wl表示储冷设备的额定容量；
步骤4：构造待优化变量矩阵，具体表示为：Matrix1＝[Pi,gas,Pi,net,Pi,pv,Pi,cd,Pi,eth,Pi,etc,Pi,cr,Pi,cl],i＝1,2,…,5；Matrix1为一个1×40的矩阵；
步骤5：将步骤2的目标函数与步骤3的约束条件构造遗传算法的适应度函数f2，公式如下：



步骤6：令w＝1,2,…,S；构建第w个遗传算法种群，采用二进制编码法将Matrix1中每一个变量用N个随机二进制码表示，则可以将Matrix1转换为一个包含40×N个二进制码的矩阵Matrix2，随机构造M个二进制码的矩阵Matrix2，进而得到初始化的遗传算法种群Matrixw，Matrixw为一个M行，40×N列的二进制码的矩阵；如此，共构建S个遗传算法种群，每个种群包含M个个体；
步骤7：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrixw进行进化；进化过程中，种群中适应度函数f2最大的个体是最优个体，适应度函数f2最小的个体是最劣个体，每一代进化中，将S个遗传算法种群中的S个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num1次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S-1；
步骤8：当精华种群中的最优个体经过num2次迭代后仍保持不变，则算法迭代终止，最后得到精华种群中使适应度函数f2最大的二进制码的矩阵Matrix2best，相应的，可得最优优化变量矩阵Matrix1best＝[Pi,gas,best,Pi,net,best,Pi,pv,best,Pi,cd,best,Pi,eth,best,Pi,etc,best,Pi,cr,best,Pi,cl,best],i＝1,2...

【专利技术属性】
技术研发人员：张筱辰，朱金大，杨冬梅，陈永华，杜炜，刘刚，傅金洲，何国鑫，陈卉，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：江苏;32