申请/专利权人：西安理工大学

申请日：2020-12-31

公开（公告）日：2023-08-22

公开（公告）号：CN112580897B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/0631;G06Q50/06;G06N3/006;G06F30/27;G06F30/25;G06F111/04;G06F113/04;G06F119/06;G06F119/08

优先权：

专利状态码：有效-授权

法律状态：2023.08.22#授权;2021.04.16#实质审查的生效;2021.03.30#公开

摘要：基于鹦鹉算法的多能源电力系统优化调度的方法，包括以下步骤：步骤1，建立考虑经济性和环保性的多能源电力系统优化调度的数学模型；步骤2，设计鹦鹉算法；步骤3，构建三种不同的多能源电力系统优化调度策略，对鹦鹉算法的有效性进行验证；具有高效，准确的优点。

主权项：1.基于鹦鹉算法的多能源电力系统优化调度的方法，其特征在于，包括以下步骤：步骤1，建立考虑经济性和环保性的多能源电力系统优化调度的数学模型；所述的步骤1，建立考虑经济性和环保性的多能源电力系统优化调度的数学模型，具体步骤为：步骤1.1，得到包含光伏发电、风力发电机、微型燃气轮机、燃料电池、储能单元的多能源电力系统各个发电单元的输出特性和成本组成：1光伏发电单元：光电的主要特性如下所示： 式中，Kr＝0.0017A℃，Tr＝301.18K，其中P是光伏板发出的功率，V是光伏板发出的电压，I是光伏板发出的电流，m是并联板电池数，Iph是光伏组件经由光照射所产生，I0是初始电流，q是电池内部电子电量常量，Rs是串联单向电阻，n是串联电池数，A是二极管特性拟合系数，Kr是玻尔兹曼常数，Tr是标准温度，T是测量时刻的温度；在实际应用时，由于系统出力受光伏电池环境温度和太阳辐射下系统强度的多种因素影响，所以会以标准条件下来修正： 式中：GSTC＝1000Wm2，k＝-0.47％℃，Tr＝25℃，GSTC是标准太阳辐照强度，GING是实际太阳辐照强度，k是功率温度系数，Tc是实际温度，Tr是标准温度，太阳能光伏燃料电池直接从太阳获取的能量，属于可再生能源，还应该全方位考量其工作费用和维修费用；2风力发电单元：风电的功率特性如下： 在实际条件下，此处不考虑环保成本与利用率成本，只考虑其修理的成本，其中V是风机输入的风速，Vr是标准风速，Pr是标准功率，PWT是风机输出功率，Vco是风机切出风速，Vci是风机切入风速；3微型燃气轮机：微型燃气轮机功率函数模型如下： 其中，ηMT是型通用燃气轮机的效率，PMT是型通用燃气轮机的输出功率；微型通用燃气轮机的正常维护运行以及日常维护费用成本相关函数： 式中，KOMMT直接取0.047元kWh，其中，KOMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本系数，COMMT是微型通用燃气轮机的正常维护运行以及日常维护费用成本；微型燃汽轮机的外部污染治理排放系数及其治理费用和成本的函数计算如下式所示： 其中，CEMMT是微型燃汽轮机的外部污染治理排放系数及其治理费用和成本，λk是排放因子，αk是折扣系数；4燃料电池：P为40kW，其功率输出PFC与发电效率ηFC的关系可由下式表示：ηFC＝-0.0023PFC+0.67357其中，ηFC是燃料电池的效率，在维持燃料电池发电动力系统正常稳态持续发电的过程中，燃料电池的有效输入量和燃料电池输出能耗投入的发电成本的比例关系可用下式进行表示： 式中：LHVng是天然气低热值取9.7kWhm3，Cng是天然气成本，PFCt是t时刻燃料电池的功率，CFFCt是t时刻燃料电池费用，ηFCt是燃料电池效率；燃料转化电池的正常工作运行以及维护管理成本可用下式来表示： 其中，CEMFC是燃料转化电池的正常工作运行以及维护管理成本，αk是折扣系数，λk是排放因子；5储能单元：充分考虑了多能源电力蓄电池的两种重要约束，即蓄电池充放电功率约束和蓄电池最大容量约束，所以便于蓄电池的应用在t时刻荷电状态可表示为： 式中，I是蓄电池的电流，PBT是蓄电池的功率，UBT是蓄电池的电压，SOC是蓄电池的荷电状态，ssdr是蓄电池的自放电率，ηbce是蓄电池的充放电效率，C是蓄电池的电池容量，△t是时间间隔，取△t＝1h,ηbce放电时其值为1，充电时在0.65～0.85范围内；步骤1.2，构建多能源电力系统环保经济运行的目标函数：1经济成本目标函数这一目标函数是使每个单元都有最小的操作成本，包括微电网与主网交互成本、运行维护成本、制热收益、孤网负荷补偿成本、制冷收益以及微电源的燃料成本，表示公式如下： 式中，C1是运行成本，Cf是燃料成本，COM是检修维护成本，Cgeid是微网主网交互成本，Csh是制热成本，Csc是制冷成本，CL是补偿成本，e、b是费用考虑系数。当这两个值取e＝1,b＝0时，系统并网工作，主网与系统之间存在交互成本；e＝0,b＝1，即系统孤网工作，要取掉一定比例的负荷，那么这种情况下就有切负荷补偿成本，其中： Cgridt＝CgtPgt-CstPst15Csht＝Qho×Kho16Csct＝Qco×Kco17CLt＝Cbu×PCLt18式中：LHVng是天然气低热值取9.7kWhm3，Cng是天然气成本，PFCt是t时刻燃料电池的功率，CFFCt是t时刻燃料电池费用，ηFCt是燃料电池效率；Pi是第i个发电单元的输出功率，ηi第i个发电单元的效率，COM是检修维护成本，KOMi是第i个发电单元正常维护运行以及日常维护费用成本系数，Cgrid是微网主网交互成本，Cg是微网向主网购电成本，Pg是微网向主网购电功率，Cs是微网向主网卖电成本，Ps是微网向主网卖电功率，Csh是制热成本，Qho是热值量，Kho是制热系数，Csc是制冷成本，Qco是冷值量，Kco制冷系数，CL是补偿成本，Cbu是微网支付的停电电量损失，PCL切负荷功率，n是发电单元总数，i是发电单元编号；2环保目标函数这一目标函数是考虑到多能源电力系统的环境效益最大，即能源的污染排放和治理的成本最小，表示公式如下： 式中：C2是环保成本，CK处理污染物惩罚系数，rik第k类型排放的i个发电单元的输出功率系数，Pi是第i个发电单元的输出功率，α是外部折扣系数，rgridk是第k类型排放的微网主网交互系数，Cg是微网向主网购电成本，P是微网向主网购电功率，t是调度的时间，T是调度的总时间，M是排放类型NOX、SO2或者CO2数，k是排放类型，n是发电单元总数，i是发电单元编号；步骤1.3，构建多能源电力系统环保经济运行的约束条件：1电功率平衡约束 其中，Pi是第i个发电单元发出的功率，Pball是蓄电池释放的功率，Pgrid是微网主网交互功率，PL是孤网下切负荷功率，β是运行系数，PCL是切负荷功率，当系统并网运行时，β＝0；当系统孤网运行时，β＝1；2冷热平衡约束 其中，Qho是制热量，是第k个冷热电联供系统制热量，Qco是制冷量，是第k个冷热电联供系统制冷量，是冷热电联供系统制热量最大值，是冷热电联供系统制热量最小值，是冷热电联供系统制冷量最大值，是冷热电联供系统制冷量最小值，M是冷热电联供系统的总数；3微源功率的限定值的约束Pimin≤Pit≤Pimax23其中，Pimax和Pimin分别表示发电单元发出功率的最大值和最小值；4蓄电池运行约束 其中，Sin为输入荷电状态，SOCmin为最小荷电状态，SOCmax为最大荷电状态，Pball为蓄电池的充放电功率，为蓄电池最小的充放电功率，为蓄电池最大的充放电功率；5多能源电力系统与主网允许传输功率约束 其中，和分别表示电网传输功率的最大值和最小值；步骤2，设计鹦鹉算法；所述的步骤2，设计鹦鹉算法，具体的步骤为：步骤2.1，引入自适应权重法：受到鹦鹉具有自我学习能力与不同环境适应能力的启发，引入自适应权重法，权重公式描述了鹦鹉个体上一代运动速度对当前一代运动速度的一个线性周期变化率的影响，本文以非线性运动法作为计算物体惯性运动权重w的基本方法和应用策略，其改进的计算公式如下： 式中：wmax、wmin分别表示为最大权重值和最小权重值，取wmin＝4.0，wmax＝9.0；惯性权重和适应系数的最小值会随着自适应鹦鹉个体的目标适应度函数值的大小改变而发生改变，所以该惯性权重又命名为自适应权重；步骤2.2，引入学习因子：在鹦鹉算法中，两异步速度变化的群算法学习因子c1、c2会随着优化时间的长短发生不同的改变，对鹦鹉个体优化加以下的要求：在鹦鹉个体的群算法开始和结束阶段，鹦鹉个体必须具有较大的自我参与学习的能力，应该需要加强其全局学习和搜索的能力；而在群算法寻优的快速开始和结束时，鹦鹉个体必须具有较弱的自我参与社会学习的能力和较强的自我社会学习的能力，因此加快鹦鹉种群算法收敛的速度，有利于快速的群算法收敛得到快速的全局最优解，具体的公式如下： 式中：c1是第1个学习因子，c1f是第1个最终学习因子，c1t是第1个初始学习因子，tmax是最大时间，t是时间，c2是第2个学习因子，c2f是第2个最终学习因子，c2t是第2个初始学习因子，取c1t＝c1f＝2.5，c1t＝c1f＝0.5；步骤3，构建三种不同的多能源电力系统优化调度策略，对鹦鹉算法的有效性进行验证；所述的步骤3，构建三种不同的多能源电力系统优化调度策略，对鹦鹉算法的有效性进行验证，具体的步骤为：步骤3.1，多能源电力系统的多目标函数处理方法：1多目标优化算法的通用模型： 式中：fX是总目标函数，f1X,f2X,…,fmX是m个不同的子目标函数，m表示个数的多少，giX为不等式约束，i表示等式约束的个数，hjX表示等式约束，j表示等式约束的个数，X为n个变量x1,x2,…,xn所组成的n维决策变量。在多目标优化问题中，取不等式约束m≥2；等式约束取s.t.giX≥0和hjX＝0；2多能源电力系统的多目标函数处理办法：多目标优化的各个子目标较难同时实现总目标最优化，因此采用一种线性加权函数求和法对多目标进行了最优化，来实现多目标电力系统的优化，具体表示为：minfX＝w1f1X+w2f2X31式中：fX为总的目标函数，f1X为第1个目标函数，f2X为第2个目标函数，w1，w2分别表示第1个目标函数和第2个目标函数的权重，w1≥0,w2≥0，且满足w1+w2＝1，随机权重w1和w2由下式确定： 式中：ri是非负随机数，r1，r2是均是非负随机数；步骤3.2，多能源电力系统的约束条件处理方法：利用罚函数法处理约束条件，它将优化问题中含有不等式约束和等式约束的函数经过加权优化处理后，与原优化目标函数相结合，直接得到一个新的目标函数，此时，原约束问题转化成新的无约束条件的优化问题，对这个无约束的优化问题进行求解即可。步骤3.3，构建三种不同的多能源电力系统优化调度策略：根据多能源电力系统是否与主网之间的并网协同运行，确定微电源和主网的优先级，构建了以下管控策略：策略一：微电源优先级高于主网，若微电源功率不够，则向主网购电；策略二：微电源与主网优先级相同，若微电源电量不够，只能从主网购电；策略三：微电源与主网优先级相同，若微电源电量不足，不限制从主网购电；步骤3.4，采用鹦鹉算法求解三种不同的多能源电力系统优化调度策略：采用鹦鹉算法对提出的三种不同的多能源电力系统优化调度策略进行求解，首先，生成随机移动的鹦鹉种群，初始化全部随机鹦鹉个体的初始值和鹦鹉个体的移动速度v，并且随机设定鹦鹉个体移动位置以及各种随机鹦鹉个体移动参数；其次，评价每个鹦鹉个体的适应度，计算个体极值pbest及全局极值gbest，并根据相关公式对被测鹦鹉个体的移动区域和移动速度v的两个参数进行更新；再次，对学习习惯性的权重因子进行调整，并通过比较迭代后鹦鹉个体的适应度值的大小与上一次迭代后鹦鹉个体的适应度值的大小，来决定是否要更新个体极值和全局极值；最后，根据是否达到迭代的次数或者最大适应参数值没有发生变化两个条件来判断是否终止算法，若满足条件之一，则算法结束，若不满足，则重新进行初始化进行相关操作。

全文数据：

权利要求：

百度查询： 西安理工大学 基于鹦鹉算法的多能源电力系统优化调度的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD