技术领域
[0001] 本发明涉及技术领域，特别是涉及一种能源优化调度方法。
相关背景技术
[0002] 能源系统(即，综合能源系统)是指利用智能控制策略，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种能源子系统之间的协调规划、优化运行，协同管理、交互响应和互补互济。一方面，在满足系统内多元化用能需求，另一方面，还要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统。随着化石燃料的日渐枯竭，以及传统能源开发利用所带来的环境污染、气候变化等问题日益严重，大规模开发利用可再生能源，提高能源利用效率，减少污染排放，保障能源供应和能源安全是当前我国能源革命的核心内容和必然选择。
[0003] 然而，现有的能源系统在能源优化过程中，都是以经济性为优化目的，忽略了需求侧响应，导致模型在能源调度过程中优化不合理。
具体实施方式
[0013] 以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
[0014] 在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
[0015] 虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一预设阈值可以被称作第二预设阈值，并且类似地，第二预设阈值可以被称作第一预设阈值，而不脱离各种所描述的实施例的范围。第一预设阈值和预设阈值均是在描述一个阈值，但是除非上下文以其他方式明确指出，否则它们不是同一个预设阈值。相似的情况还包括第一音量与第二音量。
[0016] 再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
[0017] 请参阅图1，为本发明实施例提供的综合能源系统结构框图，其中，冷热电三联供系统是综合能源系统中最常用的一种技术。在能源互联网视角下，通过连接可形成多个局域性输配电微网，不仅能够实现局域内部的电能输送调配，同时能够与集中式电网进行能源互通，从而与中央能源供应系统提供支持和补充。
[0018] 请参阅图2，本发明实施例提供的能源优化调度方法流程图，包括：
[0019] 步骤S1，从发电成本、环境成本、备用成本以及需求侧响应构建能源系统的优化调度模型；其中，所述能源系统的优化调度模型建立相应的目标函数，所述目标函数的约束条件包括系统能量平衡约束、综合能源出力约束、储能电池约束、制冷机约束、需求侧负荷约束和可转移负荷系统平衡容量约束；
[0020] 步骤S2，根据蜻蜓算法对所述能源系统的目标函数进行优化求解，输出满足迭代终止条件的最优解，得到能源系统调度的最优方案。
[0021] 在本实施例中，基于发电成本、环境成本、备用成本以及需求侧响应构构建能源系统的优化调度模型，充分考虑了综合能源系统中需求侧的电负荷、热负荷和冷负荷中可转移负荷，以目标函数为优化目标，利用蜻蜓算法对目标函数进行多目标优化求解，得到能源系统调度的最优方案，还解决了综合能源系统优化调度中多目标、非线性优化问题。
[0022] 在一实施例中，综合能源系统的优化调度模型是建立在系统满足各个综合能源正常运行及负荷消纳的条件下，通过合理规划安排各个单位的出力计划并及时进行负荷调整，从而使得综合能源系统的总运行费用最小。该模型是一个复杂的、非线性多目标优化问题，其经济运行主要考虑了经济成本、环境成本以及综合能源的备用成本，而对于需求侧响应的考虑主要体现在需求侧负荷约束中。对于光伏、风电等利用自然资源发电的能源，由于其发电成本很小，可以忽略不计，因此在经济运行中，只考虑其机组的折旧费用和运行费用。微型燃气发电以及燃料电池发电需要考虑燃料成本、机组运行维护成本以及折旧成本。
由于综合能源系统与外界大电网并网，当内部电源供应不足时，需要考虑从外网购电；当内部消纳过剩时，需要向电网输电；因此，在综合能源系统运行的总费用中还需要考虑支付给电网的购、售电费用。此外，还需要考虑由燃料机组产生的污染物排放治理费用(环境成本)，以及可再生能源发电机组随天气变化不断波动而产生的补偿费用。所述目标函数为：
[0023] minC＝CF+CH+CB (1)
[0024]
[0025] 式(1)、式(2)中CF为发电成本，CH为环境污染排放治理成本，CB为备用容量费；Nt为计算的总时段数，M为机组的数量；cf为燃料价格；Fi(Pi)表示机组的燃料消耗；Oi(Pi)表示机组的运行维护成本；Cdep(Pi)表示机组的折旧成本；Cbuy和Csell分别表示在t时间段的购电电价和上网电价；Pgrid(t)表示在t时间段与电网交换的功率值；其中，Fi(Pi)＝Cst(Pi)+Cop(Pi)，Cst(Pi)为机组在发电时使用的燃料，Cop(Pi)为机组在启动时使用的燃料；Oi(Pi)＝ko(Pi)PiΔt，ko(Pi)为运行维护参数，Pi为输出功率；Cdep(Pi)＝CIfcr/Pcrτ，CI为发电机的安装成本，fcr为资本回收系数，Pcr为发电机的额定发电功率，τ为最大利用小时数；k为污染物类型编号；αik为不同机组类型的污染物排放系数；αgrid，k为系统发电的污染物排放系数；Pi(t)为第i台机组在时段t时的功率，βk为治理污染物所需费用； 为风力发电调度值过大而引起的负荷缺额； 为风力发电调度值过小而引起的窝电量； 为光伏发电调度值过大引起的负荷缺额； 为光伏发电调度值过小而引起的窝电量； 为风电过调度补偿系数； 为
风电欠调度补偿系数； 为光伏发电过调度补偿系数， 为光伏发电欠调度补偿系数。
[0026] 在一实施例中，所述需求侧负荷约束为：
[0027]
[0028] 式(3)中， 为时间段Δt内转移的负荷量； 为时间段Δt内第i类负荷的单位转移量； 为时间段Δt内可转移负荷的单元数量； 和 分别为时间段Δt第i
内负荷的最大输入量和输出量； 为转移前第i类负荷的负荷量。
[0029] 在一实施例中，所述可转移负荷系统平衡容量约束为：
[0030]
[0031] 式(4)中： 为转移后第i类负荷的负荷量； 为时间段Δt内的最大负荷量；PF(Δt)为固定负荷量；PR(Δt)为随机负荷量。
[0032] 在上述实施例基础上，所述目标函数的约束条件包括系统能量平衡约束、综合能源出力约束、储能电池约束、制冷机约束具体包括：
[0033] 系统能量平衡约束条件
[0034]
[0035] 式(5)中，Pi(t)为第i台机组在时段t时的功率；Ps(t)为光伏出力；Pw(t)为风能出力；Pbatt(t)为储能电池出力；Pgrid(t)为与电网交换的功率；PD(t)为可调度出力；WMT，k为内燃气轮机的发热量；WRT，l为燃料电池余热发热量；WD为电网热负荷； 为电制冷机在t时段的功率； 为吸收制冷机在t时段的功率；PD(t)为t时段需要的冷负荷。
[0036] 综合能源出力约束
[0037]
[0038] 式(6)中，Pmin、Pmax为机组最小/最大出力； 为机组最大爬坡速率和最大下坡速率；ui(t)为机组的开关机状态；Ni，max为机组在调度时段内的最大启动次数；Ton，i、Toff，i为机组开关机时间；Toff，i，min、Ton，i，min为机组最小关机/开机时间。
[0039] 储能电池约束
[0040]
[0041] 式(7)中，Pcharge，max、Pdischarge，max分别为电池充电/放电功率；Ebatt，min、Ebatt，max分别为电池储能的最小值和最大值；Ebatt(0)为调度初始时刻的电池储能值；Ebatt(Nt)为调度结束时刻的电池储能值；ucharge，i(t)、udischarge，i(t)分别为电池i在t时刻的充电/放电状态；η1i，max、η2i，max分别为电池再调度周期内的最大放电/充电次数。
[0042] 制冷机约束
[0043]
[0044] 式(8)中， 分别为t时段电制冷机和吸收制冷剂的最大功率。
[0045] 在一实施例中，例如，本实施例中的蜻蜓算法是美国学者Seyedali Mirjalili在2015年提出的元启发式新型智能优化算法，具有很强的优化求解能力，近年来越来越受到学者们的关注。但在应用蜻蜓算法进行长期优化调度时发现，各蜻蜓种群在优化过程中不断向种群最优位置靠拢，种群多样性逐渐降低，易在后期陷入局部最优。因此如何避免早熟收敛，以尽可能在可接受的计算耗时条件下提高优化结果质量是迫切需要解决的问题。
[0046] 在一实施例中，利用混沌遍历搜索优化所述蜻蜓算法提升初始化种群质量。
[0047] 具体地，采用混沌遍历搜索提升初始种群质量
[0048] 混沌现象普遍存在于非线性优化系统中，内在结构精致，可在特定区域内不重复地历经所有状态，具有良好的遍历性、随机性和规律性，采用Logistic映射进行混沌搜索:
[0049] zn+1＝u(1-zn)zn (9)
[0050] 式(9)中：zn为变量z在第n次迭代时取值，zn∈[0,1]；u为控制系统状态的关键参数，u∈[0,4]。研究表明，当u＝4时系统处于完全混沌状态，混沌序列无重复现象，故本发明技术取u＝4。
[0051] 混沌序列生成后，需对各混沌变量分别进行载波处理映射至原优化变量Y可行空间内，公式为：
[0052] Yn＝Y-+zn(Y--Y-) (10)
[0053] 式(10)中：Yn为原优化变量Y与混沌变量zn相应取值；Y-、Y-分别为原优化变量Y取值上、下限。
[0054] 在本实施例中，利用混沌思想初始化种群，有效提高初始种群多样性与分布均衡性，增强算法收敛速度和搜索精度。
[0055] 在一实施例中，利用邻域变异搜索优化所述蜻蜓算法提升种群的多样性。
[0056] 具体地，利用邻域变异搜索提高种群的多样性
[0057] 各粒子在进化过程中不断向种群最优位置靠拢，逐渐聚集至较小区域范围内，种群多样性降低，搜索能力下降，若种群全局最优位置为局部最优解，易发生早熟收敛现象。为改善算法搜索效率，对种群最优个体在逐代缩小的邻域范围内随机变异，开展局部精细化搜索，若变异得到的新个体适应度有所提升，则直接替换变异前种群全局最优个体，否则以一定概率随机替换种群中个体。设变量Y变异得到Y'，计算公式为：
[0058] Y′＝Y+Rk(2r4-1) (11)
[0059] Rk＝(R--R-)(k--k)k-+R- (12)
[0060] 式(11)和式(12)中：Rk为第k次迭代时邻域搜索半径；R-、R-分别为邻域搜索半径的上、下限；r4为[0，1]区间均匀分布的随机数。
[0061] 在本实施例中，利用邻域变异搜索得到变异后种群全局的最优个体，避免了种群早熟收敛的现象，提高种群的多样性。而上述两实施例中的邻域变异搜索和混沌遍历搜索算法可单独针对蜻蜓算法使用，也可结合同时对蜻蜓算法使用，本实施例中优选两者相结合使用。
[0062] 在一实施例中，其中，能源优化调度方法中步骤S2包括：
[0063] 导入数据到所述优化调度模型；
[0064] 初始化蜻蜓算法参数；
[0065] 利用混沌遍历搜索初始化种群；
[0066] 计算种群内蜻蜓个体的初始适应度函数值；
[0067] 根据蜻蜓算法的五种行为对所述目标函数进行优化，不断迭代计算，更新蜻蜓个体的位置；
[0068] 利用邻域变异搜索对种群全局最优位置进行搜索输出迭代达到预设最大迭代次数时对应的最大适应度函数值和蜻蜓个体，得到能源系统调度的最优方案。
[0069] 在本实施例中，详见图3，为步骤S2实施的详细流程图，包括：
[0070] Step1：输入各综合能源的运行参数、各阶段购售电价格、燃料价格、最大利用小时数、污染排放系数、补偿系数以及其他各种费用系数等。同时根据各阶段负荷参数以及风光机组参数，预测得出各阶段系统的电负荷、热负荷、冷负荷以及风、光出力情况。
[0071] Step2：初始化蜻蜓算法参数。设置种群规模m、迭代次数N、位置参数X和位置变化步长ΔX等参数。
[0072] Step3：利用公式(9)和式(10)混沌初始化种群。
[0073] Step4：种群初始化。随机产生n个蜻蜓个体，根据式(1)计算每个个体的适应度值并记录。
[0074] Step5：寻找相邻蜻蜓。利用欧氏距离判断蜻蜓与蜻蜓间是否存在相邻蜻蜓。
[0075] Step6：个体位置更新。位置和位置步长更新，蜻蜓个体位置更新行为的数学表达式为：
[0076] ①分离度 其中，Si表示第i个个体的分散行为，Xj表示第j个相邻蜻蜓个体的位置；X为当前个体的位置，N表示与第i个蜻蜓个体相邻的个体数量；②对齐度 其中，Ai表示第i个个体的对齐度，Vj表示第j个相邻蜻蜓个体的速度，j为相
邻个体的总数，N表示为个体总数；③内聚度 其中，Ci表示第i个个体的
内聚度，Xj表示第j个相邻蜻蜓个体的位置，N为相邻个体的总数；X为当前个体的位置；④食物吸引力Fi＝X+-X，其中Fi表示第i个个体的食物吸引力，X+表示食物源的位置，X为当前个体的位置；⑤避敌行为：Ei＝X--X，其中，Ei表示第i个个体的避敌行为，X-表示天敌的位置，X为当前个体的位置。根据Step5判断的结果；若存在相邻蜻蜓，则下一代蜻蜓的位置更新步长计算为ΔXt+1＝(sSi+aAi+cCi+fFi+eEi)+wΔXi，下一代蜻蜓位置计算为Xt+1＝Xt+ΔXi+1，式中：t表示当前迭代次数；i表示第i个蜻蜓个体；Xt表示当前t代种群个体位置；ΔXt+1表示下一代种群位置更新步长；Xt+1表示下一代种群个体位置；s表示分离度权重；Si表示第i个个体的分离度；a表示对齐度权重；Ai表示第i个个体的对齐度；c表示内聚度权重；Ci表示第i个个体的内聚度；f表示食物因子；Fi表示食物位置对第i个个体的吸引力；e表示天敌因子；Ei表示天敌位置对第i个个体的排斥力；w表示自适应惯性权重系数值，根据公式
更新自适应惯性权值w，式中，wmax、wmin分别为w的
最大值和最小值，J是蜻蜓个体当前的适应度函数值；Javg和Jmin分别是当前所有蜻蜓个体的平均适应度函数值和最小适应度函数值。
[0077] 若不存在相邻蜻蜓，则下一代蜻蜓的位置更新为Xt+1＝Xt+Levy(d)×Xt，式中：d表示位置向量维数。
[0078] Step7：根据式(11)和式(12)对种群全局最优位置进行领域变异搜索。
[0079] Step8：判断流程是否满足算法的收敛条件(终止条件)，如果算法达到了预设的最大迭代次数，则跳出程序；若不满足，则返回Step3继续迭代。
[0080] Step9：计算并输出结果。比较每次迭代中最优个体的适应度值，选出全部迭代中最优适应度值所对应的最优个体，则输出蜻蜓的最大适应度值和最优值所对应的蜻蜓个体，得到优化计算的收敛结果即为最优方案，计算并输出最优个体所对应的目标函数值、各阶段综合能源的出力情况以及负荷转移情况等。
[0081] 在本申请实施例中，采用能源优化调度方法具有以下优点：
[0082] (1)本发明通过综合考虑了发电成本、环境成本以及备用成本三方面，较为全面地建立了兼容需求侧响应的综合能源系统的优化调度模型，并充分考虑了综合能源系统中的电负荷、热负荷和冷负荷。
[0083] (2)本发明引入了蜻蜓算法解决综合能源系统优化调度中多目标、非线性优化问题，同时，针对蜻蜓算法的不足，对其进行改进。
[0084] (3)本发明将引入混沌搜索来增强蜻蜓种群的质量；同时，对蜻蜓种群实行领域变异搜索，以此来增强种群的多样性，解决算法容易陷入局部最优的问题，克服了群优化过程中存在着早熟收敛、寻优能力欠佳等缺陷。
[0085] 综上所述，基于发电成本、环境成本、备用成本以及需求侧响应构构建能源系统的优化调度模型，充分考虑了综合能源系统中需求侧的电负荷、热负荷和冷负荷中可转移负荷，以目标函数为优化目标，利用蜻蜓算法对目标函数进行多目标优化求解，得到能源系统调度的最优方案，还解决了综合能源系统优化调度中多目标、非线性优化问题。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0086] 上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
