System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及计算机,更具体的说,是涉及一种动态碳排放因子下空调负荷的优化调度方法及装置。
技术介绍
1、
2、空调负荷作为最常用的家用电器之一,由于其控制灵活、调节能力大、对消费者舒适度影响小等特点,非常适合用于负荷分布的调节。一般来说,空调负荷是夏季占比超过40%。与其他恒温控制负荷一样,空调负荷适合在满足消费者舒适度的同时改变负荷分布。
3、然而,传统的空调负荷日前调度主要试图在考虑消费者舒适度的同时最大限度地降低电力成本,而忽略了电力消费者的碳排放这一重要因素,不利于绿色节能减排。
4、到目前为止,已经对电力交易和碳交易市场下电力消费者的最优运行进行了大量的研究,多数研究主要集中在发电方和需求方之间的最优协调。进一步的,有研究人员提出了一种混合启发式优化方法,为居民用户生成了最优的电器运行方案,在减少碳排放的同时节约能源成本。然而,该碳排放因子被假定为常数,这与实际碳排放并不一致。
5、如何设计一种动态碳排放因子下空调负荷的优化调度方法,以融合电力碳排放的因素,从而获得更高质量的调度最优值,是需要关注的问题。
技术实现思路
1、鉴于上述问题,提出了本申请以便提供一种动态碳排放因子下空调负荷的优化调度方法及装置,以融合电力碳排放的因素,从而获得更高质量的调度最优值,实现绿色减排。
2、为了实现上述目的,现提出具体方案如下:
3、一种动态碳排放因子下空调负荷的优化调度方法,包括:
4、利用第一公式计
5、
6、其中,δi为第i个消费节点的电力碳排放系数,pg为连接到第i个消费节点的发电厂的输出有功功率,δg为各个发电厂在并网时的碳排放系数,ωi为第i个消费节点的分支连接节点的集合,pij为从第j个节点到第i个节点的输入有功功率,δj为第j个消费节点的电力碳排放系数,每个不具备分支连接节点的消费节点的电力碳排放系数为预先获得的;
7、利用第二公式构建空调环境模型,所述第二公式为:
8、
9、其中,tin(t)为第t个时间窗下空调所在的密闭空间的室内温度,每个时间窗的时间段为1小时,tin(t+1)为第t+1个时间窗下所述密闭空间的室内温度,tout(t+1)为第t+1个时间窗下所述密闭空间的室外温度,r为空调所在所述密闭空间的等效电阻,c为空调所在所述密闭空间的等效热容,δt为空调当前状态的持续时间,turnoff为空调关闭状态,turnon为空调打开状态,p为空调额定功率,ηcop为空调制冷能效系数;
10、根据各个消费节点的电力碳排放系数,以及所述空调环境模型,构建空调负荷优化调度模型;
11、通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解,确定所述空调负荷优化调度模型的最优解,以使所述空调负荷优化调度模型的各个空调负荷在所述最优解下进行调控。
12、可选的,所述空调负荷优化调度模型为:
13、min f=ct+ce+cc
14、
15、其中,minf为总成本优化目标,ct为温度舒适度偏差,ce为电力成本,cc为碳排放成本,n为消费节点的总数量,ωj(t)为第j个消费节点在第t个时间窗下的室内温度权重,为第j个消费节点在第t个时间窗下的平均室内温度,为第j个消费节点在第t个时间窗下的设定室内温度,为第j个消费节点的空调负荷在第t个时间窗下的开关状态,为第j个消费节点的空调负荷在第t个时间窗下的开机持续时间,pj为第j个消费节点的空调负荷的额定功率,λe(t)为第j个消费节点在第t个时间窗下的电力价格,δj(t)为第j个消费节点在第t个时间窗下的电力碳排放系数,λc(t)为第j个消费节点在第t个时间窗下的碳排放价格。
16、可选的,所述通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解,确定所述空调负荷优化调度模型的最优解,包括:
17、在预设的混沌精英哈里斯鹰优化算法的探索阶段中,以所述空调负荷优化调度模型中每个消费节点作为哈里斯鹰个体,利用第三公式对各个消费节点进行初始化,得到种群,所述第三公式为:
18、
19、其中,x(k+1)为在第k+1次迭代下所述种群中最优哈里斯鹰个体的位置,xrand(k)为在第k次迭代下所述种群中随机哈里斯鹰个体的位置,xrabbit(k)为在第k次迭代下所述种群中猎物的位置,n为所述种群中哈里斯鹰个体的数量,ub为所述种群中哈里斯鹰个体的位置上界,lb为所述种群中哈里斯鹰个体的位置下界,r1、r2、r3和r4均为区间[0,1]中的随机数,q为哈里斯鹰栖息特征参数,xm(k)为所述种群内所有哈里斯鹰个体的平均位置;
20、每次对所述种群迭代开始时,更新所述种群中猎物的位置,得到所述猎物的更新位置;
21、利用第四公式计算当前迭代次数下的非线性逃逸能量因子,所述第四公式为:
22、
23、其中,ek为非线性逃逸能量因子,e0为逃逸能量因子,rand为区间[-1,1]中的随机数,k为当前迭代次数,kmax为最大迭代次数;
24、利用第五公式计算所述猎物在当前迭代次数下的逃脱概率,所述第五公式为:
25、
26、其中,rk+1为第k+1次迭代下的逃脱概率,rk为第k次迭代下的逃脱概率,xk为第k次迭代下的混沌映射参数;
27、在所述混沌精英哈里斯鹰优化算法的开发阶段中,根据所述逃脱概率和所述非线性逃逸能量因子,基于所述猎物在当前迭代次数下的位置,更新所述种群中最优哈里斯鹰个体的位置;
28、通过预设贪婪算法更新所述种群,得到更新后的种群;
29、若当前迭代次数未到达最大迭代次数,返回执行所述每次对所述种群迭代开始时,更新所述种群中猎物的位置,得到所述猎物的更新位置的步骤;
30、若当前迭代次数到达最大迭代次数,将所述种群中的最优哈里斯鹰个体作为所述空调负荷优化调度模型的最优解。
31、可选的,更新所述种群中猎物的位置,得到所述猎物的更新位置,包括:
32、基于所述空调负荷优化调度模型,确定当前种群中每个哈里斯鹰个体的适应度值;
33、根据当前种群中每个哈里斯鹰个体的适应度值,利用第六公式更新所述种群中猎物的位置,得到所述猎物的更新位置,所述第六公式为:
34、
35、其中,α、β和γ为所述种群中的最靠近当前所述猎物的位置的三个哈里斯鹰个体,xjbest(k)为在第k次迭代下所述种群中第j个哈里斯鹰个体的位置,f(xjbest(k))为在第k次迭代下所述种群中第j个哈里斯鹰个体的适应度值,xnew_rabbit(k)为所述猎物在第k次迭代下的更新位置。
36、可选的,根据所述逃脱概率和所述非线性逃逸能量因子,本文档来自技高网...
【技术保护点】
1.一种动态碳排放因子下空调负荷的优化调度方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述空调负荷优化调度模型为:
3.根据权利要求2所述的方法,其特征在于,所述通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解,确定所述空调负荷优化调度模型的最优解,包括:
4.根据权利要求3所述的方法,其特征在于,更新所述种群中猎物的位置,得到所述猎物的更新位置,包括:
5.根据权利要求3所述的方法,其特征在于,根据所述逃脱概率和所述非线性逃逸能量因子,基于所述猎物在当前迭代次数下的位置,更新所述种群中最优哈里斯鹰个体的位置,包括:
6.根据权利要求3所述的方法,其特征在于,根据所述逃脱概率和所述非线性逃逸能量因子,基于所述猎物在当前迭代次数下的位置,更新所述种群中最优哈里斯鹰个体的位置,包括:
7.根据权利要求3所述的方法,其特征在于,根据所述逃脱概率和所述非线性逃逸能量因子,基于所述猎物在当前迭代次数下的位置,更新所述种群中最优哈里斯鹰个体的位置,包括:
8.根据权
9.根据权利要求3-8任一项所述的方法,其特征在于,在更新所述种群中猎物的位置,得到所述猎物的更新位置之前,还包括:
10.一种动态碳排放因子下空调负荷的优化调度装置,其特征在于,包括:
...【技术特征摘要】
1.一种动态碳排放因子下空调负荷的优化调度方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述空调负荷优化调度模型为:
3.根据权利要求2所述的方法,其特征在于,所述通过预设的混沌精英哈里斯鹰优化算法对所述空调负荷优化调度模型进行求解,确定所述空调负荷优化调度模型的最优解,包括:
4.根据权利要求3所述的方法,其特征在于,更新所述种群中猎物的位置,得到所述猎物的更新位置,包括:
5.根据权利要求3所述的方法,其特征在于,根据所述逃脱概率和所述非线性逃逸能量因子,基于所述猎物在当前迭代次数下的位置,更新所述种群中最优哈里斯鹰个体的位置,包括:
6.根据权利要求3所述的方法,其特征在于,根据所述逃...
【专利技术属性】
技术研发人员:李慧,刘常,张静,彭正阳,温鑫,郑茵,黄力宇,郭斌,蔡妙妆,陈少梁,
申请(专利权)人:广东电网有限责任公司广州供电局,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。