【技术实现步骤摘要】
本专利技术涉及一种面向工业园区能量管理方法，属于工业园区能量调度。
技术介绍
1、能量管理系统(energy management system，ems)是针对源网荷储一体化微电网的智能系统，基于数据采集、分析和能量调度优化等技术，能够实时监测能源设备的运行状态、能源消耗情况以及环境条件，从而实现对能源的高效管理和优化，在调峰调频、削峰填谷、提高电网运行稳定性等方面效果显著。
2、随着我国产业结构的不断调整，作为智慧城市中主要耗能场所之一的工业园区建设规模不断增加。面向工业园区的能量管理系统首先通过对微电网各个系统进行模型构建，一般包括分布式能源模型、储能系统模型、微型燃气轮机模型、能量调度模型、负荷模型及电网分时电价模型，再结合对分布式能源发电量、负载功率等的预测数据，在满足园区内部用户用电需求及用电舒适度的前提下，通过智能优化算法协调优化园区源、储、荷各系统之间能量交互关系，对微网的多以经济性、环保型、安全性、可靠性等中的一个或多个为优化目标进行求解，全面提高商业园区源储荷系统的整体经济性，平衡电力资源。
3、现有技术存在的问题：能量管理系统通过智能优化算法，结合预测得到的分布式能源发电功率及负荷功率，对建立的模型进行求解，得到最优的能量协调调度方案。分布式能源发电波动性较大，难以实现精准预测；工业园区结构复杂，难以建立合适、精准的微电网模型；具有针对性的面向工业园区的能量管理系统研究较少；同时在面对多个目标函数优化求解问题时，传统nsga-ii优化算法可能面对收敛速度慢、容易陷入局部最优等问题，从而
技术实现思路
1、本专利技术为解决在面对多个目标函数优化求解问题时，传统nsga-ii优化算法可能面对收敛速度慢、容易陷入局部最优等问题，从而导致能量管理系统难以让工业园区微电网实现最大的经济效益，造成浪费的问题，进而提出一种基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法。
2、本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤包括：
3、步骤1、整理历史分布式能源发电功率数据及负载功率数据；
4、步骤2、对于光伏功率预测，采取风速、风向、温度、光照强度信息作为输入变量；
5、对于负荷功率预测，将负荷历史数据和预测日的天气、气温和日类型作为输入变量；
6、步骤3、通过ga-bp算法实现光伏发电功率及负荷功率的预测，得到次日24小时内每小时的光伏发电功率及负荷功率；
7、步骤4、将步骤3中得到的预测数据输入给工业园区微电网模型；
8、步骤5、结合电网分时电价模型，设置约束条件，设置工业园区微电网经济成本和工业园区碳排放量为目标数据；
9、步骤6、设置目标函数为改进hsga-ii算法适应度；
10、步骤7、通过改进的nsga-ii算法，以最小化目标函数为目的进行优化；
11、步骤8、达到设置迭代次数后得到一组pareto最优解，根据实际需求选取综合效果最好的一个解，得到最优能量调度方案。
12、进一步的，步骤3中ga-bp算法的步骤包括：
13、步骤301、确定神经网络拓扑结构；
14、步骤302、对神经网络权值和阈值编码，得到遗传算法初始种群；
15、步骤303、解码得到神经网络权值和阈值；
16、步骤304、将权值和阈值赋给bp网络输入层和隐含层；
17、步骤305、使用训练样本对神经网络进行训练；
18、步骤306、使用测试样本对神经网络进行测试；
19、步骤307、得到神经网络测试残差；
20、步骤308、将步骤307中得到的神经网络测试残差作为遗传算法适应度；
21、步骤309、选择色度高的染色体进行复制；
22、步骤3010、通过不断的繁殖得到遗传算法新种群；
23、步骤3011、判断新种群是否满足终止条件；是，则进行解码得到最佳神经网络权值和阈值；否，则返回步骤302。
24、进一步的，步骤4中的工业园区微电网模型包括光伏模型、储能系统模型、微型燃气轮机模型和电网分时电价模型；
25、光伏模型中其输出功率取决于光伏电池板所处环境的光照强度和温度，其输出功率数学表达式如下：(1)
26、
27、公式(1)中，，ppv是光伏实际发电功率，单位是kw，pstc是标准测试环境下，光伏最大发电功率，单位是kw，gg是实际太阳辐射强度，单位是kw/m2，gstc是标准情况下的光辐射强度，单位是kw/m2，取1kw/m2，k是温度功率系数，单位是℃，取-0.0048℃，tc是实际光伏电池板温度，单位是℃，tstc是标准条件下光伏电池板组件表面温度，单位是℃，取25℃；
28、对采取锂电池作为储能设备的工业园储能系统模型进行建模，当储能模块处于充电状态时，储能模块荷电状态与充电功率之间的关系表示如下：
29、
30、储能的剩余容量表示为：
31、q(t)＝q0+μc∫0δtpc(t)dt (3)，
32、当储能模块处于放电状态下，储能模块荷电状态与放电功率之间的关系表示如下：
33、
34、储能的剩余容量表示为：
35、
36、公式(2)、(3)、(4)、(5)中，soc(t+1)是(t+1)时刻储能荷电状态，soc(t)是t时刻储能荷电状态，pc(t)是t时刻储能充点功率，单位是kw，pd(t)是t时刻储能放电功率，单位是kw，e是储能的额定容量，单位是kwh，μc是储能的充电效率，μd是储能放电效率，σ是储能自放电效率，单位是0.01％/h，δt是储能充放电时间，单位是h，q0是储能初始容量；
37、微型燃气轮机模型的输出功率模型如下：
38、pcgt，t＝qcgt，thgμgct (6)；
39、公式(6)中，pcgt，t是t时刻gct输出功率，qcgt，t是t时刻天然气消耗量，hg是天然气热值，μgct是微型燃气机效率值；
40、电网分时电价模型的表达式如下：
41、
42、公式(7)中，cp是峰时电价，cf是平时电价，cv是谷时电价。
43、进一步的，基于改进hsga-ii算法的优化调度模型包括：
44、目标函数
45、选取经济效益及碳排放量作为目标函数。
46、其中代表经济成本的目标函数如下：
47、
48、公式(8)中，c_buy(t)是用户向电网购电价格，c_sell(t)是用户向电网售电价格，pgrid本文档来自技高网...
【技术保护点】
1.基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：所述基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法的步骤包括：
2.根据权利要求1所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：步骤3中GA-BP算法的步骤包括：
3.根据权利要求1所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：步骤4中的工业园区微电网模型包括光伏模型、储能系统模型、微型燃气轮机模型和电网分时电价模型；
4.根据权利要求1所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：基于改进NSGA-II算法的优化调度模型包括：
5.根据权利要求1所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：改进的NSGA-II算法的步骤为：
6.根据权利要求5所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：步骤一中初始化种群
7.根据权利要求5所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：步骤二中采用基于线性排名的父代选择方式进行选择的步骤为：
8.根据权利要求5所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：步骤三中假设两个父代个体和则使用SBX算子产生的两个后代个体和可以通过以下公式计算得到：
9.根据权利要求5所述的基于改进NSGA-II与GA-BP组合算法的面向工业园区能量管理方法，其特征在于：步骤四中设x＝(x1，x2，...xn)为待变异个体，变异产生一个新基因y，首先随机生成一个整数k∈[1，n]然后对x的第k个基因进行变异：
...【技术特征摘要】
1.基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法，其特征在于：所述基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法的步骤包括：
2.根据权利要求1所述的基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法，其特征在于：步骤3中ga-bp算法的步骤包括：
3.根据权利要求1所述的基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法，其特征在于：步骤4中的工业园区微电网模型包括光伏模型、储能系统模型、微型燃气轮机模型和电网分时电价模型；
4.根据权利要求1所述的基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法，其特征在于：基于改进nsga-ii算法的优化调度模型包括：
5.根据权利要求1所述的基于改进nsga-ii与ga-bp组合算法的面向工业园区能量管理方法，其特征在于：改进的nsga-ii...
【专利技术属性】
技术研发人员：黄国柱，郑文斌，石通航，
申请(专利权)人：深圳市灰山石能源管理有限公司，
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。