一种基于混沌蛙跳算法的多能源协同优化方法和存储介质

摘要

本发明公开了一种基于混沌蛙跳算法的多能源协同优化方法和存储介质，以系统总费用最低、可靠性最强、减排率最高为目标函数，以可靠性、热量均衡、设备运行、储能、需求响应等方面为约束条件，构建多能源协同优化模型，引入混沌蛙跳算法对目标模型进行求解，利用混沌蛙跳算法具备的快速寻优性能逐渐向理论最优解逼近，根据自适应网格密度法对最优解规模进行动态维护，同时采用自适应混沌优化方式优化最优解集合多样性，最后通过最优解选取方案为蛙群选取最佳的更新粒子，当满足得到最优解或达到最大迭代次数条件时，算法停止运行，并输出最优解，得到符合目标模型的多能源协同优化方案。

说明书

技术领域

本发明属于综合能源技术领域，具体涉及一种基于混沌蛙跳算法的多能源协同优化方法和存储介质。

背景技术

能源是人类社会不断发展的基石，随着人类社会不断进步，经济飞速发展。但是，社会的飞速发展却是以巨大的能源消耗为代价的，人类越来越依赖能源，能源的消耗量持续增长。同时，目前的能源结构以一次能源为主，给世界能源供应的可持续性带来了极大的挑战，同时也给带来了巨大的环境问题。因此，人类社会的发展不能再持续依赖传统的攫取不可再生能源的方式，以石油和煤炭为核心的化石能源时代即将结束，我们将要面临的是新能源和化石能源互补的“混合能源时代”。同时，我国面临着能源需求不断增大、能源种类多、能源结构不合理、常规能源储备量减小、能源利用率普遍偏低、峰谷电力负荷差额大等特点。因此，在这种情况下，我国亟需大力发展可再生能源，构建多能互补，能源梯级利用的现代能源体系，实现能源转型和能源结构的调整。

目前在综合能源系统中，天然气网、热网等的能流分析模型及其各类设备的能流转换模型并不相同，各能源系统运行相对独立，系统间缺乏必要的交流互动，多能设备难以相互配合，能源利用率较低。需要根据多能流系统的动态特性和耦合关系，提出提高能源利用效率与经济效益的分布式协调控制方法。针对综合能源系统中的各种设备日益丰富的现状，可以将区域能源的运营商当作主体，分别在系统侧与用户侧同时通过综合能源系统具备的多能互补性，设计并构建双侧系统运行模型，调整能源转换设备分配因素实现系统多能源需求匹配度的有效提升，但该方法的可靠性较低；工业园区作为一个比较典型的综合能源系统，将能量梯级应用至综合能源系统中进行多能源调节与优化，针对能源系统中各种能量生产设备和能量转换设备等进行单独建模。但是该方法的实际应用成本较高。将综合能源系统当作核心的综合能源互联网为生态环境污染治理的关键途径之一，将社区的综合能源系统当作研究目标对象，并提出构建包括共享储能和热电联供等设备的用户协调模型，依据用户日消耗量科学再分配整体费用，但是该方法的减排率受到限制。

发明内容

本发明的目的是提出一种基于混沌蛙跳算法的多能源协同优化方法和存储介质，解决了现有多能源协同优化方法不准确或者复杂成本高的问题。

为实现上述目的，本发明采用以下技术方案：一种基于混沌蛙跳算法的多能源协同优化方法，包括如下步骤：

构建多能源协同优化模型，模型包括：目标函数和约束条件；

基于改进的混沌蛙跳算法，对目标函数进行求解，得到多能源协同优化最佳方案。

进一步的，目标函数包括：

能源调度周期的总时段数量T内总费用C

式中，U代表综合能源系统中各设备集合，W

综合能源系统缺电率LPSP为：

式中，LPSP(T)表示在T时段综合能源系统缺电率，W

综合能源系统中减排率：

式中，E

进一步的，约束条件包括：

可靠性约束：

式中，

冷热均衡约束：

1)热均衡约束为：

式中，

2)冷均衡约束条件为：

式中，

设备运行约束：

1)光伏机组运行：

P

式中，P

2)天然气的内燃机组：

P

P

式中，P

3)风力发电机组：

式中，P

4)制冷机组：

式中，

进一步的，基于改进的混沌蛙跳算法，对目标函数进行求解，得到多能源协同优化最佳方案，包括步骤：

将综合能源系统中各设备的总台数作为初始粒子数目，运用自适应网格密度法，将满足候选解条件的粒子当做Archive集候选解进行自适应网格分解、网格定位、网格粒子密度计算和粒子筛选；

对筛选后的粒子进行自适应混沌优化，对当前粒子群体中的最优粒子进行混沌寻优,寻找出最优的粒子作为寻优结果；

利用Pareto最优解选择策略，对寻优结果进行迭代，根据网格粒子密度值,在Archive集中选择一个Pareto最优解进行更新，最终选取网格粒子密度值较小的网格，以此寻找最优的Pareto解。

进一步的，所述运用自适应网格密度法，将满足候选解条件的粒子当做Archive集候选解进行自适应网格分解、网格定位、网格粒子密度计算和粒子筛选，方法包括：

自适应网格分解，将m′维目标空间的网格分解成K′

f′

Archive集粒子网格精确定位；假设第t′代Archive集为A′

对Archive集网格粒子的密度进行计算，设定网格G

Archive集网格粒子筛选；针对网格G

G

式中，G

式中，

进一步的，所述对筛选后的粒子进行自适应混沌优化，对当前粒子群体中的最优粒子进行混沌寻优,寻找出最优的粒子作为寻优结果，包括：

随机选取Archive集中的一部分粒子实行混沌优化，假设粒子i在整个混沌优化过程中的第k′-1、k′、k′+1代位置为C′

假设混沌迭代控制阈值diff

diff

混沌优化迭代的数量

进一步的，所述利用Pareto最优解选择策略，对寻优结果进行迭代，根据网格粒子密度值,在Archive集中选择一个Pareto最优解进行更新，最终选取网格粒子密度值较小的网格，以此寻找最优的Pareto解，包括：

混沌蛙群算法基于网格粒子的密度值，在Archive集合中给每只青蛙选取一个Pareto解实行更新操作，针对网格G

f′(G

基于网格的适应度值f′(G

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据前述的基于混沌蛙跳算法的多能源协同优化方法中的任一方法。

一种计算设备，包括，一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据前述的基于混沌蛙跳算法的多能源协同优化方法中的任一方法的指令。

本发明的有益效果：

针对当前多能源协同优化相关研究成果减排和可靠性待优化等问题，提出基于混沌蛙跳算法的综合能源系统中多能源协同优化方法，利用混沌蛙跳算法具备的快速寻优性能逐渐向理论最优解逼近，根据自适应网格密度法对最优解规模进行动态维护，同时采用自适应混沌优化方式优化最优解集合多样性，最后通过最优解选取方案为蛙群选取最佳的更新粒子，当满足得到最优解或达到最大迭代次数条件时，算法停止运行，并输出最优解，得到符合目标模型的多能源协同优化方案。实验表明，该方法能够有效提高系统可靠性，且减排环保方面也有很强的鲁棒性。与传统方法相比，本发明所提出的方法可有效解决能源负荷和系统减排等问题，可靠性很强，能够更好地实现综合能源协同优化，减少能源消耗成本、增强系统可靠性、提高减排率，可有效解决能源负荷和系统减排等问题，可靠性很强，对成本和能耗的控制能力较高。

附图说明

图1是本发明实施例中的多能源协同优化方法流程图；

图2是本发明实施例中的综合能源系统结构图；

图3是本发明实施例中的自适应网格密度法流程图；

图4是基于本发明所提方法和传统混沌蛙跳算法协同优化的实验对比图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

实施例1：

如图1所示，一种基于混沌蛙跳算法的多能源协同优化方法，包括如下步骤：

步骤1，综合考虑多能源协同优化实际需求，根据综合能源系统构建多能源协同优化模型；

多能源协同优化模型包括：目标函数和约束条件，目标函数包括：系统总费用、系统可靠性和系统减排率；

以系统总费用最低、系统可靠性最强和系统减排率最高为目标，约束条件包括：可靠性约束、冷热均衡约束、设备运行约束。

综合能源系统的结构如图2所示，在综合能源系统中，综合能源系统是面向整个社会能源市场与供电市场的，针对目前用户所拥有电力、天然气、供热等能源，通过大数据的控制将其转换为用户交互能源提供保障，其中煤炭和火力发电是具有波动性、间歇性和不确定性的不再生能源发电，风力就近消纳发电等为可再生能源发电。覆盖城镇范围的整体综合能源系统是自底而上的以用户为中心的结构，而用户侧除电能外，更是拥有气、冷、热等多种能源形式，因此需要多能综合响应。

建立目标函数：

(1)系统总费用最低

在多能源系统优化过程中，能源调度周期的总时段数量T内总费用C

式中，U代表综合能源系统中各设备集合，W

(2)系统可靠性最强

综合能源系统缺电率(the Loss of Power Supply Probability，LPSP)为额定周期范围内系统缺供电量在该周期系统总需电量中占据的比例。LPSP为供电的可靠性因素，引入综合能源系统所包含的电源类型，电源类型包括燃气机组、光伏发电机组以及风力发电机组等。LPSP的计算式为：

式中，LPSP(T)表示在T时段综合能源系统缺电率，W

(3)系统减排率最高

综合能源系统中减排率是系统与传统天然气联供发电相比的污染减排率。其表达式为：

式中，E

约束条件：

(1)可靠性约束

当供电整体可靠程度为一定时，想进一步提高可靠性要将增加成本与提高能耗当作代价。融合当前宏观的发展趋势，单纯追求系统供电程度最高并不是最好的选择。综上，在综合考虑电量均衡性过程中，不一定要求机组出力和主网购电相加结果必须大于等于负荷，而是以可靠程度当作目标实行优化。然而依据有关规定，要为供电可靠程度设计一个下限值，融合相关指标，LPSP不可高于上限，则有：

式中，

(2)冷热均衡约束

该约束中包含冷热均衡两部分，其物理概念为：由各热源得到的热量在考量了设备效率与有关损耗之后，分别全部转换成冷热负荷。

1)热均衡约束表达式为：

式中，

2)冷均衡约束条件表达式为：

式中，

(3)设备运行约束

1)光伏机组运行：

综合能源系统中光伏机组出力上限值为某时段当地太阳能的总辐射能量、太阳能板的总面积以及太阳能转化效率乘积值，并小于机组额定功率值。调度过程中一旦有需要则利用弃光实现光伏机组出力低化，然而一定要保障其出力高于最小限额。综上有：

P

式中，P

2)天然气的内燃机组：

机组出力过程中应该在上下限中间，且机组功率变化率会受到爬坡率约束。则有：

式中，P

3)风力发电机组：

风力发电机组约束物理定义和光伏雷同，但是处理的上限和气象条件存在分段函数相关性，风力机组约束条件如下式所示：

式中，P

4)制冷机组：

吸收形式的制冷机器与电制冷机功率值一定要为正，同时不可超过功率上限值，则有：

式中，

步骤2，基于混沌蛙跳算法，对目标函数进行求解，得到多能源协同优化最佳方案。具体方法包括：

(1)将燃气轮机为2台，风电机组为4台，光伏机组为2台，太阳能热水锅炉为5台，吸收式的制冷机为3台，电制冷机为2台的总台数作为混沌蛙跳算法的输入，其中总台数也是该算法的初始粒子数目，即为满足候选解条件的粒子数目。首先运用自适应网格密度法，将满足候选解条件的粒子当做Archive集候选解进行自适应网格分解、网格精确定位、网格粒子密度计算、粒子筛选。

假设Pareto代表最优解的存储器，将其记作Archive集，混沌蛙跳算法每次进化所得粒子当作Archive集候选解，在候选解满足下列条件之一即能够进入Archive集。

条件1：Archive集是空集；条件2：Archive集是非空集合，同时候选解不被Archive集中任何一个粒子所支配；条件3：候选解支配Archive集中的所有粒子。假设不对Archive集规模进行控制，会在很大程度上提高计算复杂度，综上，将Archive集规模定义为N′，同时根据自适应网格密度法对Archive集规模进行动态维护。其中，自适应网格密度法详细运行流程图如图3所示：

步骤一：自适应网格分解。将m′维目标空间的网格分解成K′

f′

步骤二：Archive集粒子网格精确定位。假设第t′代Archive集为A′

根据式(16)能够确定a′

步骤三：对Archive集网格粒子的密度进行计算。设定网格G

步骤四：Archive集网格粒子筛选。当候选解加入至Archive集之后，可能会导致Archive集规模比N′大，由此要对Archive集中的粒子进行筛选：针对网格G

G

式中，G

式中，

(2)筛选出粒子之后，对这些粒子进行自适应混沌优化，利用混沌运动的随机性、遍历性和规律性等特性首先对当前粒子群体中的最优粒子进行混沌寻优,寻找出最优的粒子作为寻优结果；

部分理论Pareto解并没有在Archive集中进行存储，则之后再找Pareto最优解将会非常难。引入自适应的混沌优化方法，整体思路为：随机选取Archive集中的一部分粒子实行混沌优化，假设粒子i在整个混沌优化过程中的第k′-1、k′、k′+1代位置为C′

假设混沌迭代控制阈值diff

diff

其中，当diff

在混沌优化之后，对

(3)然后利用Pareto最优解选择策略，对步骤(2)中的寻优的结果进行迭代，再根据网格粒子密度值D′

混沌蛙群算法基于网格粒子的密度值，在Archive集合中给每只青蛙选取一个Pareto解实行更新操作。针对网格G

f′(G

混沌蛙群算法基于网格的适应度值f′(G

最后对所前文所提出的基于混沌蛙跳算法的多能源协同优化方法进行仿真验证，并对比分析传统的混沌蛙跳算法，验证改进的算法的可靠性。

混沌蛙跳算法每次进化会生成新Pareto解粒子，然而，假设部分理论Pareto最优解并没有在Archive集中进行存储时，那么，对Archive集中的粒子进行筛选时为了匹配Pareto最优解就需要引入自适应的混沌优化方法，而设备燃料消耗和定期维护成本费用是生产运行维护成本费用的主要来源，其中，清洁机组补偿费需要根据不同时段的机电组调整过度调度情况和欠调度情况，在这个过程中的优化模型参数需要粒子自适应，以符合时段要求，因此进行自适应能力的测试，将所提方法与基于传统的混沌蛙跳算法的多能源协同优化方法进行比较，对比结果如图4所示。

由图4可知，假设有100个最优解粒子没有被集中储存，则这100个粒子将会被自适应优化，各个方法的自适应准确率皆随着粒子数目的增多而有不同程度的波动，其中本发明所提方法波动性最小，说明其自适应准确率最高。

本发明得到的多能源协同优化方案更加贴合实际需求，提高了所提方法的可靠性。

实施例2：

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据前述的基于混沌蛙跳算法的多能源协同优化方法中的任一方法。

一种计算设备，包括，一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据前述的基于混沌蛙跳算法的多能源协同优化方法中的任一方法的指令。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。