申请/专利权人：河北工业大学

申请日：2024-01-16

公开（公告）日：2024-04-12

公开（公告）号：CN117874562A

主分类号：G06F18/23213

分类号：G06F18/23213;G06N7/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明建立一个双层优化框架，以获得太阳能和热能储存耦合冷热电联供系统的最佳配置。外层以组件尺寸为决策变量，优化系统的年经济效益、年二氧化碳排放量和年一次能源消耗量；内层以设备输出为决策变量，优化运行和维护成本。以一家大型酒店为案例进行研究。优化结果表明，所提出的双层优化模型可以实现混合CCHP的最优配置方案和调度策略。与基于规则的多目标单层优化模型相比，所提出的双层优化模型在经济、能源和环境性能方面的最大改进率分别为30.63％、37.94％和38.16％。与基于规则的单目标单层优化模型相比，所提出的双层优化模型在经济、能源和环境性能方面的最大改进幅度分别为34.95％、35.81％和37.55％。此外，热能储存TES可大幅提高双层优化模型的最优性能。

主权项：1.一种基于改进混沌优化算法的分布式能源系统双层运行优化方法，包括以下步骤：步骤1，建立包含外层优化和内层优化的双层模型；步骤2，求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵；通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率。将典型情景及其相应的情景概率输入外层优化模型；步骤3，外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用混合整数线性规划MILP算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型；步骤4，外层优化模型以内层优化模型得到的运行方案为基础，利用多目标混沌优化MOCGO算法进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型；步骤5，内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止。然后使用非支配排序和相对决策度排序对解决方案集进行排序，选择非支配解集中相对决策度最大的作为最优个体；步骤1，构建的冷热电三联供系统的主要设备包括电制冷机EC、吸收式制冷机AC、热交换装置HE、热能储存罐TES、燃气锅炉GB、燃气轮机GT、太阳能集热器ST和光伏装置PV。双层优化模型包括外层优化和内层优化两部分，外层优化模型如下：1决策变量：X＝[NEC，NAC，NTES，NGB，APV，AST，NMT]12在外层优化模型中，经济、能源和环境目标函数如下： 式中，fEco、fEne和fEnv分别为经济、能源和环境目标函数。IV是利率，lifem是设备寿命，Cm是第m个设备的投资成本，Nm是第m个设备的装机容量。fGas是燃料成本，fGrid是电网互动成本，fMain是设备维护成本。它们的定义如下： 式中，S为情景总数，Ps为情景概率，Cf为天然气价格，FGB和FGT分别为GB和GT的天然气消耗量，EOUT为售电量，EIN为外购电量，Ce为使用时间，CEC为EC的制冷量，QGB为GB的制热量，EGT为GT的发电量，ε为设备维护成本系数； 式中，FGrid是电网的燃料消耗量，λf和λe分别是燃气和电网的等效CO2排放系数。λf取值为0.968kgkWh，λe取值为0.220kgkWh；3设备容量的约束条件如表1所示：表1设计参数范围 4内层优化模型的决策变量主要是各设备的输出功率，其定义如下：X＝[EMT1：24·S，QGB1：24·S，…，CEC1：24·S]85内层优化模型的目标是最小化系统的年度运行和维护成本，其定义如下：fInner＝fMain+fGrid+fGas96约束条件如下：ELoad+EEC+EGrid，in＝EMT+EPV+EGrid，out10QLoad+QAC+QTES，in＝QHR+QTES，out+QGB11CLoad＝CAC+CEC12步骤2，求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵，通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率。将典型情景及其相应的情景概率输入外层优化模型；1将一年的负荷和气象数据存储到一个矩阵中，并对该矩阵进行归一化。归一化的公式如下： 式中，Ai是归一化后的元素；Xi是原始数据在归一化前的元素；Xmax和Xmin分别是归一化前数据的最大值和最小值；2使用k均值对归一化后的矩阵进行聚类。我们获取典型场景的数量k以及每个簇的中心日。与中心日对应的原始数据是该簇的典型场景，而每个簇中包含的天数即为这些典型场景的天数。每个场景的概率如下： 式中，Pk是每个场景的概率，Nk表示每个场景中包含的天数；在使用k均值算法对数据进行聚类之前，需要指定一个确定的簇数。然而，如果聚类值的选择基于用户的主观意愿，将不可避免地使最终的聚类结果更加随机和不确定。而且，即使对于相同的样本集，当不同用户使用不同数量的簇来处理数据时，最终的聚类结果可能会有很大的差异。因此，采用适当的方法确定簇的数量并确保最终聚类结果的客观性是非常重要的。作为确定最优簇数的客观方法，肘部法则的核心思想包括以下几点，随着样本分类数的增加，每个簇中样本的聚集程度将逐渐增加，平方误差和SSE自然会逐渐减小。当簇的数量k小于最优簇数时，随着簇的数量k的增加，SSE的减小趋势会逐渐减缓。当簇的数量k等于最优簇数时，SSE的减小趋势会突然减小。此时，继续增加k的值，SSE将不会有明显的变化。因此，使得SSE减小幅度突然减小的簇的数量k，就是数据的实际簇数。肘部法则的核心度量指标是平方误差和SSE，具体定义如下： 式中，k表示簇的数量；Ci表示第i个簇；p表示第i个簇的样本点；mi表示第i个簇的质心；步骤3，外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用MILP算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型；步骤4，外层优化模型以内层优化模型得到的运行方案为基础，利用MOCGO进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型。所选多目标智能算法为多目标混沌优化算法，混沌博弈优化算法CGO是一种基于混沌理论原理提出的优化算法，它利用分形和混沌博弈的基本概念。其初始化公式如下：1在该算法中，每个候选解Xi包含一些决策变量Xi，j，这些变量表示西尔平斯基三角形中这些合格种子的位置。在这个算法中，西尔平斯基三角形被视为候选解的搜索空间。其数学模型如下： 式中，n是西尔平斯基三角形中合格点的数量，d是这些点的维数。考虑的合格点的初始位置是在搜索空间中随机确定的，具体过程如下： 式中，是合格点的初始位置；和分别是第i个候选解的第j个决策变量的最小和最大允许值；rand.是一个在区间[0，1]内的随机数；2第一个种子位置更新的数学表示如下： 式中，βi和γi分别表示1或2的随机整数，用于模拟掷骰子的可能性。GB是当前的最优解，MGi是初始合格点的平均值，它们被视为第一个临时三角形的三个顶点。αi是一个随机生成的矩阵，Xi是第i个候选解；3类似于生成第一个种子的过程，第二个种子可以沿着MGi和Xi之间的直线移动，并利用一些随机生成的因素来约束该移动。该过程的数学表示如下： 3第三个种子是基于MGi的位置随机生成的，其数学模型如下： 4第四个种子的位置更新是基于对随机选择的决策变量进行一些随机更改。第四个种子的数学建模如下： 式中，R是在[0，1]上均匀分布的随机数；k是一个在[1，d]范围内的随机整数向量。此外，为控制种子的移动限制，对于α提出四个不同的公式，可以表示如下： 式中，rand是在[0，1]范围内的随机向量；δ和ε是在[0，1]范围内的随机向量；5对于多目标混沌优化算法，进行初始适应度。对于每个个体Xj，其强度值的定义如下： 式中，Xj和Xw既是种群中的个体，也是存档个体。对于个体Xi来说，新的适应度值由两部分组成，密度信息DXi和原始适应度值RXi。RXi的定义如下： 式中，RXi个体在群体和外部档案中的主导地位决定Xi个体在群体和外部档案中的主导地位；6关于基于移位的密度估计，如果某个个体在某个目标上的表现优于p，那么它就会被转移到与p在该目标上相同的位置；否则，它就会保持不变。个体p在种群D′p，P中的新密度可以表示为：D′p，P＝Ddistp，q′1，distp，q′2，…distp，q′N-125式中，N为种群大小；distp，q′1为两个个体相似度的程度；q′1为个体qiqi≠pandqi∈P的位移版本，其定义如下： 式中，m代表目标数，pj、qij和分别代表个体p、q和q′的第j个目标值；步骤5，内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止；对于最优个体的选取，采用非支配排序和相对决策度排序获得帕累托前沿和最优个体，非支配排序可以筛选出不同个体的适应度优劣级别，相对决策度可以表达解集的分布情况。下面介绍基于相对决策度的非支配排序机制：1对解集进行非支配排序，按照不同支配等级对解集进行划分。对于种群每次进化产生的帕累托前沿，采用外部存档的方法进行存储与更新；2对于外部档案中划分好支配等级的解集，依据支配等级依次计算不同解的相对决策度并按降序排列，选择非支配解集中相对决策度最大的作为最优个体。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于改进混沌优化算法的分布式能源系统双层运行优化方法

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