申请/专利权人：河北工业大学

申请日：2024-01-16

公开（公告）日：2024-04-16

公开（公告）号：CN117892959A

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06Q10/063;G06Q50/06;G06N3/006

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：设计了一种基于改进型斑马优化算法的分布式能源系统优化配置方法，为此，首先建立分布式能源系统DES的结构模型和优化数学模型，其中结构模型包括组成该系统的各种设备及其连接方式，优化数学模型包括DES优化配置的目标函数和约束条件；其次，设计一种性能优异的改进型斑马优化算法用于求解DES的优化配置模型，即以DES的建设与运维年度成本、污染物排放量、燃料消耗量最小化为目标的DES优化模型。本发明旨在改善耦合太阳能和地热能技术的DES的经济、环境和节能性能，最后，在发明实例中验证了本发明方法的合理性。因此，本发明为解决分布式电源规划问题提供了一种有效的解决方法和思路，对促进可再生能源的发展具有重要意义。

主权项：1.一种基于改进斑马优化算法的能源系统优化配置方法，其特征在于提出一种改进斑马优化算法和建立一个耦合可再生能源的DES系统模型；具体步骤如下：步骤1：建立耦合了太阳能和地热能转化设备，并引入储能设备调控系统中的能流的DES系统结构，得到主要由动力子系统、供热与制冷子系统、储能子系统和辅助供能模块构成的DES系统。步骤2：建立以经济成本节约率ECSR、污染物排放减少率PERR、能源节约率ESR为目标的系统设备容量和地源热泵供应比例的优化模型。在排放目标函数中计及了SO2、CO2、NOx的排放。步骤3：选取跟随电负荷FEL策略指导DES的运行，最大程度上开发DES的性能，减少更多成本和污染物排放。步骤4；对斑马优化算法ZebraOptimizationAlgorithmZOA进行改进，得到改进斑马优化算法。步骤5：设置改进斑马优化算法的参数。应用改进斑马优化算法对分布式电源模型进行求解，得到分布式电源最优规划结果，确定分布式能源系统的最优配置方案。进一步的，所述步骤1具体包括以下步骤：步骤1.1，分布式能源系统主要由动力子系统、供热与制冷子系统、储能子系统和辅助供能模块构成。步骤1.2，动力子系统包含化石燃料驱动的燃气轮机GT和吸收太阳能的光伏装置PV，是系统的主要电能来源。步骤1.3，供热与制冷子系统主要由3个模块组成：用于制热的余热回收利用单元HR和燃气锅炉，利用热能制冷的吸收式制冷机AC，兼具冷、热供应能力的地源热泵GSHP。步骤1.4，可实现短时供能的蓄电装置ES和蓄热装置HS组成了储能子系统。步骤1.5，辅助供能模块包括换热器HE和公用电网，HE用于整合供冷与制热子系统提供的能量，将其传输给不同的用户。进一步，所述步骤2的具体实现方法包括以下步骤：步骤2.1，确定经济成本节约率ECSR为目标函数，其数学表达式如下： 式中，CRs和CDES分别表示参考系统和DES所花费的经济成本。以DES为例，其成本CDES可通过以下方程详细表示： 式中，p、Nk、m分别表示利息、DES第k个设备的安装容量和其使用寿命；为设备对应的投资成本；δgrid和δgas表示每千瓦时电能和天然气的购买成本。步骤2.2，确定污染物排放减少率PERR为目标函数，其数学表达式如下： 式中，PRS和PDES分别表示参考系统和DES的污染物排放，其中考虑了CO2、SO2和NOx的排放量，PDES的详细计算公式如下： 式中，γCO2，g和γCO2，e分别表示天然气和外部电网的CO2排放因子，γSO2，g和γSO2，e分别表示天然气和外部电网的SO2排放因子，γNOxx，g和γNOx，e分别表示天然气和外部电网的NOx排放因子。步骤2.3，确定能源节约率ESR为目标函数，其数学表达式如下： 式中，FRS和FDES分别表示参考系统和DES的燃料消耗总量，包含GB和GT消耗的天然气Fgb和Fgt以及外部电网发电所燃烧的化石燃料Fgrid。步骤2.4，确定目标函数为包含经济成本节约率ECSR、污染物排放减少率PERR、能源节约率ESR三种评估指标的综合函数，其表达式如下：minF＝1-ω1·ECSR+ω2·PERR+ω3·ESR6式中，ω1、ω2、ω3表示衡量ECSR、PERR、ESR重要性的权重系数，本方法采用最常用的等权重法，令ω1＝ω2＝ω3＝13。步骤2.5，确定分布式电源模型的约束条件：1制冷平衡约束：DES的制冷平衡方程可表示为： 式中，QAC，out分别表示区域内用户的冷负荷需求总和、GSHP和AC的制冷量，kc为制冷比，用于调节GSHP在制冷季的出力。GSHP在利用地热能进行制冷时消耗的电能和AC吸收的热量QAC，in可分别表示如下： 式中，ηac和表示AC和GSHP的制冷效率。2热平衡约束：DES的热平衡方程可表示为： 式中，QHe表示区域内用户的热负荷需求总和、GSHP和HE提供的热量；kh为供暖比，用于调节GSHP在供暖季的出力；QHe，in和ηhe表示流入HE的热量和HE的转化效率；Qgt、Qgb、QHs，out分别表示来源于GT、GB和HS的热量，QHs，in表示DES产热过多时由HS吸收的热量。GSHP制热消耗的电能为： 式中，为GSHP制热效率。GT和GB产生的热能Qgt和Qgb可由下式计算：Qgt＝Fgtηre1-ηgt13Qgb＝Fgbηgb14式中，Fgt与Fgb为设备消耗的燃料量；ηre、ηgb、ηgt分别表示HR的余热利用效率、GB的热效率和GT的发电效率。某一时刻的QHs，out和QHs，in可由HS的状态方程计算： 式中，QHs，t表示某时刻HS的储热量，QHs，t-1则对应HS在前一小时的剩余热量；HS的热量自损耗率、吸收和释放热量效率分别表示为σh、ηhs，in和ηhs，out。3电力平衡约束：DES的电力平衡方程可表示为： 式中，Eload、Egt、Epv表示区域内用户的电力需求总和、GT和PV的发电量；Egrid，buy和Egrid，sell代表DES与外部电网之间的电能购售量；EEs，out和EEs，in表示ES释放和存储的电能。GT和PV的发电量Egt和Epv可计算如下：Egt＝Fgtηgt17 式中，Npv、GAC、GSTC表示PV的安装容量、实际和标准条件下的光辐射强度；μ、Tc、Tr表示功率温度系数、PV板的工作温度和参考温度。某一时刻的EEs，out和EEs，in可由ES的状态方程计算： 式中，EEs，t表示某时刻ES的电能存储量，EEs，t-1则对应ES在前一小时的剩余电能；ES的电能自损耗率、补充和释放电能的效率表示为σe、ηes，in和ηes，out。进一步，步骤3，DES在FEL模式下运行时，首先需要根据制冷比kc和供暖比kh分配GSHP需要承担的冷、热负荷需求并求出GSHP的耗电量。GSHP消耗的电能和用户的电负荷需求由PV和GT供应，不足的部分由ES和外部电网补充。GT产生的热能用于匹配HE和AC的热负荷需求，不足的部分由GB和HS补充。DES内部产生的多余热量和电力由TS和HS储存。进一步，所述步骤4的具体实现方法包括以下步骤：步骤4.1，种群位置初始化策略改进；在斑马优化算法中，每个斑马个体是待优化问题的一个候选解。为了得到目标问题的最优解决方案，需要随机生成一个斑马种群作为问题的搜索空间，通过迭代计算寻找最优斑马个体位置。随机生成的初始化斑马位置矩阵如下： 式中，XZ表示初始化生成的斑马种群；xi，j是第i只斑马在第j维的位置；d和N分别表示优化问题的维度和斑马种群的个体数。斑马的适应度计算公式如下： 式中，FZ是斑马的适应度矩阵，Fi是第i只斑马的适应度值，在求解DES的优化问题时，设置问题的目标函数作为斑马种群的适应度函数。步骤4.2，作为优化过程的第二阶段，斑马种群在最优斑马个体的引导下通过觅食行为更新位置，位置更新表达式如下： 式中，是当前适应度最小的最优斑马个体，称之为先驱斑马；rand是一个[0，1]区间内的随机数；是第i个斑马在觅食阶段位置更新后的新位置，是其对应的适应度值；如果新位置的适应度值更小，则斑马个体用第一阶段更新的位置代替原位置，进入下一阶段。步骤4.3，作为优化过程的第三阶段，斑马种群根据御敌策略更新位置。御敌策略分为M1和M2两种模式，并通过[0，1]区间生成的随机数a3决定斑马执行何种模式，更新公式如下所示： 式中，R是人为设置的常数；是第i个斑马在觅食阶段位置更新后的新位置，是其对应的适应度值；是随机选择的斑马个体在第j维的值，此随机个体称为被攻击斑马。步骤4.4，Tent混沌映射初始化种群ZOA算法在种群的初始化阶段生成完全随机的斑马种群，这种传统的初始化方法可能导致斑马的初始个体分布不均匀，如果大部分初始斑马位置远离最优解，算法在后续的求解过程中容易陷入局部最优解。因此，为了生成在搜索空间中分布更均匀的斑马种群，本方法引入Tent混沌映射来初始化种群，新的初始化公式可表示如下：xi＝ri·ub-lb+lb27 式中，xi表示Tent混沌初始化后的斑马个体，ri表示生成的混沌序列；lb和ub分别表示可生成斑马位置的下界和上界；β是一个可调节的混沌参数。步骤4.5，加入正余弦策略为了增强ZOA算法的全局搜索能力，在觅食阶段引入正余弦策略，根据SineCosineAlgorithmSCA中的正余弦模型对斑马个体的位置更新公式22进行改进。引入正余弦策略后的觅食行为新公式为： 式中，b2和b3是区间[0，2π]内生成的随机数，k为调节系数，且k≥1。步骤4.6，加入动态自适应权重因子在ZOA算法的御敌策略中引入动态自适应权重因子，有利于动态平衡算法的全局搜索和局部勘探能力。在迭代前期，权重因子下降迅速，有助于增强斑马个体的全局搜索能力；而在迭代中后期，权重因子的变化逐渐缓慢，以配合斑马在搜索空间内进行局部挖掘。斑马御敌策略的新位置更新公式和动态自适应权重因子wz如下所示： 进一步的，所述步骤5具体包括以下步骤：步骤5.1，设置IZOA的种群参数，包括维度、斑马数量、最大迭代次数；步骤5.2，使用Tent映射初始化斑马种群；步骤5.3，计算斑马个体适应度值，记录最优斑马位置；步骤5.4，通过融合正余弦策略的觅食公式更新斑马个体位置；步骤5.5，生成随机数a3，并根据a3选择御敌模式，如果a3≤0.5，使用添加动态自适应权重的更新公式31中的模式M1更新斑马位置；如果a3＞0.5，斑马使用公式31中的模式M2更新斑马位置；步骤5.6计算所有斑马适应度值，通过式26更新斑马位置并保存全局最优解；步骤5.7，判断迭代终止条件是否达成，如果条件达到，输出全局最优解，结束IZOA；如果不满足终止条件，返回步骤4进行循环迭代。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于改进型斑马优化算法的分布式能源系统优化配置方法

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