一种大型空调“电-储-供”一体化综合能源调控方法与流程

1.本发明属于微电网技术领域，特指一种大型空调“电-储-供”一体化综合能源调控方法。


背景技术：

2.电力工业的特点是发电、输电、配电、用电必须同时完成，且要求连续生产、随时随地保证电力的供应。因此，为了保证电力的连续、优质供应，首先必须有调频和调峰容量，还要有各种备用容量，如负载备用、事故备用、检修备用等。随着生活水平的进一步提高，电力负荷的变化会越来越剧烈，这就需要更多的调节容量和备用容量。在此背景下，进行电网调峰是十分必要和非常迫切的。如何在发电情况愈加复杂的情况下进行合理且寻优的优化调度成为了当前能源电力行业发展的重点。
3.随着现代电网技术的发展，储能技术逐渐被引入到电力系统中，储能系统凭借其良好的充放电特点，可以有效的实现需求侧管理。储能空调系统在负荷低谷时间吸收多余电量并储存，在高峰期释放电量，有效的消除昼夜间的峰谷差值，平滑负荷，进而解决了高峰负荷需要追加输配电线路投资的问题。传统调度方法在这些问题上具有局限性而无法满足电力系统稳定供电、经济安全的需求，因此提出新方法、建立新的经济调控模型，对微电网经济调度具有充分的实际意义。


技术实现要素：

4.针对传统微电网经济调度方法的不足，本发明提出一种大型空调“电-储-供”一体化综合能源调控方法，以储能水箱中的储能材料成本、常规机组发电成本、非常规机组的发电成本、运行环境成本为目标函数建立模型，并综合考虑了多种能源发电的发电成本、运行特性和环境成本来满足电能质量和动态功率平衡需求。同时，提出了一种大型空调“电-储-供”一体化综合能源调控方法，该方法在粒子群算法的基础上，建立了一种大型空调“电-储-供”一体化综合能源调控方法，该方法结合了黑洞理论和柯西变异的精英个体扰动机制，加强了粒子与粒子间的信息传递，在具有全局搜索能力的基础上达到比传统寻优方法更优的效果。
5.本发明提供一种大型空调“电-储-供”一体化综合能源调控方法，包括如下步骤：
6.步骤1：以储能空调系统中的储能水箱的储能材料成本、常规机组发电成本、非常规机组的发电成本、运行环境成本为目标函数建立模型；
7.步骤2：建立目标函数的约束条件；
8.步骤3：采用改进的粒子群算法求解目标函数；
9.步骤4：初始化各项参数，包括水箱注水量q、粒子数n及初始化粒子速度和位置、黑洞半径、粒子进入黑洞的概率阈值、联立种群中所有个体的适应度、学习因子c1和c2、惯性权重ω
′
、最大迭代次数r
max
；
10.步骤5：根据目标函数值、非线性的自适应系数c调整策略及精英个体扰动机制，计
算出每个粒子的适应度函数值；根据迭代次数，减少个体间的吸引域、舒适域和排斥域；和当前适应度最优的粒子个体x
best
对种群位置更新具有引领作用；
11.步骤6：根据适应度最优的粒子个体x
best
对种群位置更新具有引领作用，更新各个粒子进入黑洞的概率阈值p、黑洞半径r和粒子速度v
id
；
12.步骤7：判断当前迭代次数是否为最大迭代次数，若是，则停止迭代，输出最优解；若否，则继续进行迭代计算。
13.进一步地，所述步骤3中，改进的粒子群算法为：
14.当时，有
[0015][0016][0017]
当时，有
[0018][0019][0020]
式中，分别为第k 1次和第k次迭代时粒子i的第d个变量的搜索速度；ω为惯性权重，用于平衡局部搜索能力和全局搜索能力；c1,c2为学习因子(本文均取1.0)；r1和r2为[0,1]上服从均匀分布的随机数；分别为第k次迭代粒子i的第d个变量位置的当前值、个体极值和全局极值。为与第k次迭代粒子i的第d个变量相对应的概率值，是[0,1]上服从均匀分布的随机数；p为粒子进入黑洞的概率阈值，是[0,1]上的常数；r3为[0,1]上服从均匀分布的随机数；r为常数,代表黑洞半径；为[-r,r]上服从均匀分布的随机数；p和r的选取与函数自身特性有关，可经过多次仿真计算获得合适的p和r。
[0021]
速度公式改进为：
[0022][0023]
式中，x
best
为当前适应度最优的粒子个体。
[0024]
进一步地，所述步骤1中，储能空调系统中的储能水箱的储能材料成本包括材料成本和运行成本，其中，材料成本的表达式为：
[0025][0026][0027]
式中，ω为平均容量系数，p
ma
为储能空调供热功率；ms为发热额定功率；t为调度周期内所含时间段；n
ma
为储能空调机组的总数；λ表示第n个机组是否正在运行；q为第n个储能
空调机组的年平均利率百分比；α为各个储能空调机组的平均运行寿命；q为注水量，用于计算储能水箱补充的水量；
[0028]
运行成本表达式为：
[0029][0030]
式中，为储能空调机组的运行成本。
[0031]
进一步地，所述步骤1中，常规机组发电成本：
[0032][0033]
式中，sc为常规机组集合；表示第t小时的第n个常规机组是否正在运行；ξn,ζn为第n台机组的运行成本系数；为t时间段内第n个机组的功率；
[0034]
考虑风光荷随机因素对系统运行影响，包括风电、光伏发电成本与负荷预测偏差引起的成本表达式为：
[0035]
φ(w
act
,e
act
,δp
dt
)＝λ1w
act
λ2e
act
γδp
dt
[0036]
式中，λ1与λ2式分别为风力发电与光伏发电的价格，$/(mw
·
h)；γ为负荷预测偏差的价格，$/(mw
·
h)。
[0037]
运行环境成本的表达式为：
[0038][0039]
式中，ff为调度期内的废水排放量函数；αi,βi,γi为机组i的废水排放量系数。
[0040]
进一步地，所述步骤2中，目标函数的约束条件包括：
[0041]
储能空调机组最大出力约束为：
[0042][0043]
常规机组发电约束为:
[0044][0045][0046]
式中，和为常规机组的出力限制；为t时刻的负荷需求。
[0047]
废水排放约束为：
[0048]ff
(p
ma
)≤f
fmax
(p
ma
)。
[0049]
进一步地，所述步骤6中，粒子的速度表达公式为：
[0050][0051]
粒子的位置表达公式为：
[0052]
[0053]
本发明相比现有技术的有益效果是：
[0054]
1、本发明计及储能空调系统中的储能水箱的储能材料成本、常规机组发电成本、非常规机组的发电成本、运行环境成本为目标函数建立模型，不仅考虑了多种能源发电的发电成本、运行特性和环境成本需求，还考虑了储能空调系统对峰谷差的平抑效果。
[0055]
2、同时，本发明是通过融合混沌tent映射与反向学习机制进行种群初始化，确保了高质量的初始解。通过余弦函数的非线性自适应系数更新机制，均衡了搜索与开发间的协调。通过柯西变异扰动机制，有效避免了局部最优解。将算法应用于特征选择问题求解，证实算法降低特征维度，提升数据分类准确率。
[0056]
3、本发明将基于一种大型空调“电-储-供”一体化综合能源调控方法与构建的目标函数结合，得到目标函数的最优解，即得到微电网在调度期间各个时段的各种发电机组的配置情况，进而提升微电网运行的经济性。
附图说明
[0057]
图1为一种大型空调“电-储-供”一体化综合能源调控方法优化流程图；
[0058]
图2为微电网的典型日风、光与负荷日前预测数据图；
[0059]
图3为三种算法适应度收敛曲线仿真优化对比图。
具体实施方式
[0060]
为了使本技术领域的人员更好的理解本发明中的技术方案，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0061]
本发明提供一种大型空调“电-储-供”一体化综合能源调控方法，如图1所示，包括如下步骤：
[0062]
步骤1：以储能空调系统中的储能水箱的储能材料成本、常规机组发电成本、非常规机组的发电成本、运行环境成本为目标函数建立模型；
[0063]
储能空调系统中的储能水箱的储能材料成本包括材料成本和运行成本，其中，材料成本的表达式为：
[0064][0065][0066]
式中，ω为平均容量系数，p
ma
为储能空调供电功率；ms为发电机组额定功率；t为调度周期内所含时间段；n
ma
为储能空调机组的总数；λ表示第n个机组是否正在运行；q为第n个储能空调机组的年平均利率百分比；α为各个储能空调机组的平均运行寿命；q为注水量，用于计算储能水箱补充的水量；
[0067]
运行成本表达式为：
[0068][0069]
式中，为储能空调机组的运行成本。
[0070]
常规机组发电成本：
[0071][0072]
式中，sc为常规机组集合；表示第t小时的第n个常规机组是否正在运行；ξn,ζn为第n台机组的运行成本系数；为t时间段内第n个机组的功率；
[0073]
考虑风光荷随机因素对系统运行影响，包括风电、光伏发电成本与负荷预测偏差引起的成本表达式为：
[0074]
φ(w
act
,e
act
,δp
dt
)＝λ1w
act
λ2e
act
γδp
dt
[0075]
式中，λ1与λ2式分别为风力发电与光伏发电的价格，$/(mw
·
h)；γ为负荷预测偏差的价格，$/(mw
·
h)。
[0076]
运行环境成本的表达式为：
[0077][0078]
式中，ff为调度期内的废水排放量函数；αi,βi,γi为机组i的废水排放量系数。
[0079]
步骤2：建立目标函数的约束条件；
[0080]
储能空调机组最大出力约束为：
[0081][0082]
常规机组发电约束为:
[0083][0084][0085]
式中，和为常规机组的出力限制；为t时刻的负荷需求。
[0086]
废水排放约束为：
[0087]ff
(p
ma
)≤f
fmax
(p
ma
)
[0088]
步骤3：采用改进的粒子群算法求解目标函数，所述改进的粒子群算法为：
[0089]
当时，有
[0090][0091][0092]
当时，有
[0093]
[0094][0095]
式中，分别为第k 1次和第k次迭代时粒子i的第d个变量的搜索速度；ω为惯性权重，用于平衡局部搜索能力和全局搜索能力；c1,c2为学习因子(本文均取1.0)；r1和r2为[0,1]上服从均匀分布的随机数；分别为第k次迭代粒子i的第d个变量位置的当前值、个体极值和全局极值。为与第k次迭代粒子i的第d个变量相对应的概率值，是[0,1]上服从均匀分布的随机数；p为粒子进入黑洞的概率阈值，是[0,1]上的常数；r3为[0,1]上服从均匀分布的随机数；r为常数,代表黑洞半径；为[-r,r]上服从均匀分布的随机数。p和r的选取与函数自身特性有关，可经过多次仿真计算获得合适的p和r；
[0096]
速度公式改进为：
[0097][0098]
式中，x
best
为当前适应度最优的粒子个体。
[0099]
步骤4：初始化各项参数，包括水箱注水量q、粒子数n及初始化粒子速度和位置、黑洞半径、粒子进入黑洞的概率阈值、联立种群中所有个体的适应度、学习因子c1和c2、惯性权重ω
′
、最大迭代次数r
max
；
[0100]
步骤5：根据目标函数值、非线性的自适应系数c调整策略及精英个体扰动机制，计算出每个粒子的适应度函数值；根据迭代次数，减少个体间的吸引域、舒适域和排斥域；和当前适应度最优的粒子个体x
best
对种群位置更新具有引领作用；
[0101]
步骤6：根据适应度最优的粒子个体x
best
对种群位置更新具有引领作用，更新各个粒子进入黑洞的概率阈值p、黑洞半径r和粒子速度v
id
；
[0102]
粒子速度的表达公式为：
[0103][0104]
粒子的位置表达公式为：
[0105][0106]
步骤7：判断当前迭代次数是否为最大迭代次数，若是，则停止迭代，输出最优解；若否，则继续进行迭代计算。
[0107]
本文将一种大型空调“电-储-供”一体化综合能源调控方法扩展到多目标划领域，形成多目标随机黑洞粒子群算法，并应用于单目标发电调控以及多目标环境经济发电调控。这种方法属于经济调度领域，通过这种算法可以对目标函数求解从而得到目标函数的最优解，即得到微电网在调度期间各个时段的各种发电机组及可中断负荷的配置情况，进而提升微电网运行的经济性。通过余弦函数的非线性自适应系数更新机制，均衡了搜索与开发间的协调。通过柯西变异扰动机制，有效避免了局部最优解。将算法应用于特征选择问题求解，证实算法降低特征维度，提升数据分类准确率。仿真情况也表明，改进的随机黑洞
粒子群算法收敛速度更快。
[0108]
本发明利用混沌-蝗虫优化算法的挖掘能力和全局搜索能力，该方法结合了黑洞理论和柯西变异的精英个体扰动机制，加强了粒子与粒子间的信息传递，在具有全局搜索能力的基础上达到比传统寻优方法更优的效果，在满足微电网运行稳定的同时，增加其经济性。
[0109]
算例分析：
[0110]
本文采用的微电网系统包含各种分布式电源,包括pv、wt、de、mt和储能，微网中各个dg的运行参数与成本见表1,各个dg污染物排放系数及成本见表2，储能参数见表3。
[0111]
表1机组参数
[0112][0113][0114]
表2污染物排放系数及成本
[0115][0116]
表3储能参数
[0117][0118]
微电网的典型日风、光与负荷日前预测数据如图2所示。
[0119]
结果分析
[0120]
分别采用pso算法、bh
·
pso算法和本文改进算法求解。pso算法中ω＝1，c1＝c2＝2。在bh
·
pso算法中，ωs＝0.9,c
1s
＝3,c
2s
＝0.9。在本文改进算法中，ω
σ
＝0.6,c
1e
＝2.6,c
2e
＝0.4。这三个算法的相同参数:粒子群大小为100，最大迭代次数为500。三种方法的运行次数均为100次。表4给出了三种算法的结果比较。
[0121]
表4三种算法的比较
[0122]
[0123][0124]
从表4可以看出，改进算法在运行时间、最优值和平均值3个方面均优于前两种算法。因此，改进算法更优。三种算法适应度收敛曲线对比如图3所示。
[0125][0126]
从图2可以看出，改进算法的收敛速度比其他两种算法快，在第250代左右迭代收敛，而其他两种算法的收敛性显然差。这意味着改进算法更容易陷入最优值且具有更好的全局搜索能力。因此，本文所提的改进算法优于传统pso算法。
[0127]
上述实施例仅为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明说明中所使用的术语，只是为了描述具体得实施方式的目的，不是旨在于限制本发明。