技术领域
[0001] 本发明属于综合能源系统领域，具体涉及一种基于改进海洋捕食者算法的综合能源系统优化运行方法及综合能源系统。
相关背景技术
[0002] 综合能源系统是一种多能互补的能源系统，其通过对电热冷气等多种能源，进行整合、规划，从而实现能源的供需平衡，同时达到能源的高效和清洁利用。综合能源系统与独立规划布局的能源系统来说，在降低运行成本、减少资源浪费、减少碳排放、减少弃光弃风等方面拥有独特优势，成为世界能源体系建设与发展的必然趋势。
[0003] 目前，综合能源系统多数以电力系统作为综合能源系统的核心，将风能、太阳能、天然气等能源进行融合，实现综合能源系统的优化运行。其中，储能是新能源并网的重要组成部分，储能参与园区综合能源系统不仅能够更好的解决新能源消纳问题，还能有效的降低环境污染，提高系统稳定性。
[0004] 含储能的综合能源系统是一个多输入多输出、多能量耦合的复杂系统。需要分析并利用多能量流相互配合，通过协同优化保证综合能源系统运行的经济性和可靠性。并且要考虑储能参与CCHP系统(冷热电联产系统)耦合综合能源系统的多种能量流，并通过余热回收实现能量的梯级利用同时满足用户冷热电负荷，才能建立一个能够快速、准确、稳定地运行含储能的综合能源系统。
[0005] 海洋捕食者算法(Marine Predators Algorithm，MPA)是一种模拟生物捕食行为的启发式优化算法。它由Zahra Ghafoori等人在2020年提出。该算法受到海洋中捕食者捕食猎物的行为启发，并结合了一些数学技术来解决优化问题。该算法中，将解决方案看作捕食者的位置，而待优化的目标函数则看作猎物的位置。捕食者通过觅食和探索行为来找到最佳的猎物。该算法认为顶级捕食者具有最大的搜索本领。海洋捕食者算法是一种新型元启发式优化算法，但是它的性能还有以下弱点：(1)无法创造出多样化的优质初始种群。(2)算法不能快速脱离局部最优，结果会出现不合理的收敛，不能给出正确的全局最优解。(3)更新阶段在勘探与开发之间存在不平衡的取舍，导致算法精度较差。
[0006] 有鉴于此，确有必要提出一种基于改进海洋捕食者算法的综合能源系统优化运行方法及综合能源系统，以解决上述问题。
具体实施方式
[0042] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0043] 请参阅图1‑2所示，本发明揭示了一种综合能源系统优化运行方法，包括以下步骤：
[0044] S1：建立含储能的综合能源系统结构；
[0045] S2：建立含储能的综合能源系统模型；
[0046] S3：建立含储能的综合能源系统优化调度模型；
[0047] S4：基于改进海洋捕食者算法求解含储能的综合能源系统优化调度模型。
[0048] 进一步地，步骤S1中，含储能的综合能源系统结构包括：能源转入单元、能源转化单元和能源输出单元。
[0049] 能源转入单元包括：电网输入、风能输入及太阳能输入。
[0050] 能源转化单元包括：将天然气转化为热能的单元，例如，通过燃气锅炉燃烧天然气产生热能。将天然气转化为热能和电能的单元，例如，通过燃气轮机产生电能和热能。将热能和电能转化为冷能的单元，例如，通过吸收式制冷机和电制冷机分别将热能和电能转化为冷能。将太阳能转化为电能的单元，例如，通过光伏电站将太阳能转化为电能。将风能转化为电能的单元，例如，通过风电站将风能转化为电能。
[0051] 能源输出单元包括：电负荷、冷负荷、热负荷及气负荷。
[0052] 进一步地，步骤S2：建立含储能的综合能源系统模型，包括：
[0053] S21：建立设备模型；
[0054] S22：构建综合能源系统能源平衡方程。
[0055] 其中，所述设备模型包括：光伏发电数学模型、风力发电数学模型、燃气轮机数学模型、燃气锅炉数学模型、余热回收锅炉数学模型、吸收式制冷机数学模型、电制冷机数学模型及储能设备数学模型。
[0056] 其中，光伏发电数学模型如下：
[0057]
[0058] (1)式中：ppv为光伏发电设备的发电功率；fpv为光伏功率输出的能量转换效率；Pt,pw为标准条件的额定输出功率；I为实际光照强度；Is为标准光照强度； 为温度系数；tpv为光伏模块的实际温度；tr为光伏模块的额定温度。
[0059] 风力发电数学模型如下：
[0060]
[0061] (2)式中，pWT(v)是风机发电功率；v、vr、vout、vin分别是风机实际风速、额定风速、切出风速和切入风速；pwr是风机额定功率。
[0062] 燃气轮机数学模型以及其运行约束为：
[0063]
[0064] (3)式中，P为燃气轮机发电量，η为燃气轮机发电效率，G为燃气轮机天然气消耗量，q为天然气低热值。
[0065] 燃气锅炉数学模型以及其运行约束为：
[0066]
[0067] (4)式中，H为燃气锅炉制热量，η为锅炉运行效率，G为锅炉天然气消耗量，q为天然气低热值。
[0068] 吸收式制冷机数学模型以及其运行约束为：
[0069]
[0070] (5)式中，C为溴化锂吸收式制冷机的制冷量，COP为溴化锂吸收式制冷机制冷系数，H为溴化锂吸收式制冷机输入的热功率，α是余热分配系数。
[0071] 余热回收锅炉数学模型以及其运行约束为：
[0072]
[0073] (6)式中，H是余热回收锅炉产生的热量，η是余热回收锅炉效率，H是余热回收锅炉输入热功率。
[0074] 电制冷机数学模型以及其运行约束为：
[0075]
[0076] (7)式中，C为电制冷机的制冷量，COP电制冷机的制冷效率，P为电制冷机的功耗。
[0077] 储能设备数学模型为：
[0078] SOC＝ESB/ESB_max (8)
[0079] 充电时：SOCSB,t＝(1‑σSB)×SOCSB,t‑1+ηSB_in×PSB_in,t×Δt/ESB_max (9)[0080] 放电时：SOCSB,t＝(1‑σSB)×SOCSB,t‑1‑ηSB_out×PSB_out,t×Δt/ESB_max (10)[0081] 储能设备的约束条件为：
[0082]
[0083] 进一步地，步骤S21：构建综合能源系统能源平衡方程。其中，综合能源系统能源平衡方程包括电功率平衡、冷功率平衡、热功率平衡和气平衡。
[0084] 其中，电功率平衡约束方程为：
[0085] PPV,t+PWD,t+Pgrid,t+PGT,t+PSB_out,t‑PSB_in,t‑Psold,t‑PEC,t＝Pload,t (12)[0086] (12)式中，PPV,t是单时段光伏发电功率，PWD,t是单时段风力发电功率，Pgrid,t是单时段向电网购电功率，PGT,t是单时段燃气轮机发电功率，P是放电时储能设备提供的电功率，P是充电时储能设备消耗的电功率，P是向电网售电的功率，P为单时段电制冷机的电功率，Pload,t是单时段用户的用电负荷。
[0087] 冷功率平衡约束方程为：
[0088] CEC,t+CAC,t＝Cload,t (13)
[0089] (13)式中，C为单时段电制冷机的制冷量，C为单时段溴化锂吸收式制冷机的制冷量，Cload,t是单时段用户冷负荷需求。
[0090] 热功率平衡约束方程为：
[0091] HHA,t+HGB,t＝Hload,t (14)
[0092] (14)式中，H是余热回收锅炉产生的热量，H为燃气锅炉制热量，Hload,t是单时段用户热负荷。
[0093] 气平衡约束方程为：
[0094] GGB,t+GGT,t＝Gload,t (15)
[0095] (15)式中，G为燃气轮机天然气消耗量，G为锅炉天然气消耗量，Gload,t是单时段用户的气负荷。
[0096] 步骤S3：建立含储能的综合能源系统优化调度模型。
[0097] 本发明选取了以综合能源系统经济性成本最小，一次能源消耗量最少，二氧化碳排放量最低为优化目标。
[0098] (1)运行成本目标函数
[0099] C＝Cgrid+Cgas‑Csold (16)
[0100]
[0101] 其中，pgrid,t是电网的售电价格，P是向电网购电的功率，p是天然气的价格，G是天然气的购气量，p是向电网购电的价格，P是向电网售电的功率，Δt是时间。
[0102] (2)碳排放目标函数
[0103] D＝DGB+DGT+Dgrid (18)
[0104]
[0105] 其中，D是燃气锅炉运行产生的CO2的量，D是燃气轮机运行产生的CO2量，D是电网产生的CO2的量。是电网产生的CO2的量。ε为燃气锅炉的CO2排放系数，H为燃气锅炉制热量。ε为燃气轮机的CO2排放系数，P为燃气轮机发电功率，H为溴化锂吸收式制冷机的输入热功率，H是余热回收锅炉输入热功率。ε为电网的CO2排放系数，E为从电网购电量。ε、ε、ε根据参考文献取值0.889kg/kW·h,0.7246kg/kW·h和0.7246kg/kW·h。
[0106] (3)一次能源消耗目标函数
[0107] M＝MGB+MGT+Mgrid (20)
[0108]
[0109] 将电能和天然气消耗量都等效为标准煤的消耗量来量化系统的一次能源消耗。其中M是燃气锅炉消耗的天然气等效的标准煤当量，M是燃气轮机消耗的天然气等效的标准煤当量，M是电网用电等效的标准煤当量。u为燃气锅炉的标准煤转化系数，H为燃气锅炉制热量。u为燃气轮机的标准煤转化系数，P为燃气轮机发电量，H为溴化锂吸收式制冷机的输入热功率，H是余热回收锅炉输入热功率。u为电网的标准煤转化系数，E为从电网购电量。u、u、u根据参考文献取0.121kg/kW·h、0.121kg/kW·h和0.32kg/kW·h。
[0110] 综上所述，综合能源系统整体优化目标函数为：
[0111] CZ＝min(γ1C+γ2D+γ3M) (22)
[0112] 其中，γ1、γ2、γ3分别为每个目标函数的权重。根据优化目标侧重选择不同的权重系数。
[0113] S4：基于改进海洋捕食者算法求解含储能的综合能源系统优化调度模型。
[0114] 海洋捕食者算法(Marine Predators Algorithm，MPA)。该算法由Afshin Faramarzi等人于2020年提出，主要模拟了海洋中适者生存的过程。海洋捕食者算法启发于自然界中捕食者的捕食策略。该算法认为顶级捕食者具有最大的搜索本领。海洋捕食者算法(MPA)是一种新型元启发式优化算法。
[0115] 本发明对海洋捕食者算法进行了改进，并基于改进的海洋捕食者算法求解含储能的综合能源系统优化调度模型，包括：
[0116] 基于混沌映射和反向学习策略初始化种群；
[0117] 评价个体适应度并采用自适应策略更新精英矩阵；
[0118] 在海洋捕食者的种群进行迭代后采用多子群改善策略对各个种群进行排序及改善。
[0119] 具体地，标准海洋捕食者算法包括：初始化精英矩阵(Elite)和猎物矩阵(Prey)。
[0120] 猎物矩阵的初始化每个元素的初始化方法为：
[0121] X0＝Xmin+rand(Xmax‑Xmin) (23)
[0122] 得到猎物(Prey)矩阵：
[0123]
[0124] 式中n是种群的规模，d是维度，计算Prey矩阵中每个个体Xi的适应度，然后使用适应度最优的个体复制n份构成Elite矩阵：
[0125]
[0126] 式中n是种群的规模，d是维度，可以看到Elite矩阵与Prey矩阵维度相同。
[0127] 本发明在算法的初始化阶段采用混沌映射和反向学习策略初始化猎物(Prey)矩阵。混沌映射是一种非线性理论，具有非线性、普适性、遍历性和随机性的特点，在智能算法优化中能帮助生成新的解，增加种群多样性。
[0128] 初始化混沌映射：
[0129]
[0130] 其中t为当前迭代次数，tmax为最大迭代次数，是t次迭代产生混沌数，是[0,1]之间的常数，这里取0.7。采用Tent映射初始化生成第一部分种群：
[0131] X0＝Xmin+λt(Xmax‑Xmin) (27)
[0132] 再利用反向学习策略在第一部分种群的基础上生成第二部分种群：
[0133] X0＝Xmin+λt(Xmax‑Xmin) (28)
[0134] 优选地，第一部分种群和第二部分种群的数量之比为1：1。
[0135] 本发明在种群初始化的阶段，用公式27和公式28替代标准海洋捕食者算法中的公式23来初始化种群。然后在公式27和公式28的基础上，再计算猎物矩阵和精英矩阵。
[0136] 进一步地，进入保留海洋记忆阶段。MPA算法具有海洋记忆功能，在算法迭代开始和位置更新结束都需要进行适应度对比，这一步骤进行对Elite(精英)矩阵的更新，这个过程可以随着迭代的推移提高解的质量。
[0137] 在得到猎物矩阵和精英矩阵后，对海洋捕食者算法进行优化。其中，MPA优化过程分为三个主要阶段。
[0138] 阶段一，更新：
[0139] 此阶段捕食者采取的最佳策略就是维持当前位置，而猎物遵循布朗运动，数学模型如下：
[0140] While Iter＜1/3Max_Iter
[0141]
[0142]
[0143] 其中， 是包含随机数的向量，该随机数基于表示布朗运动的正态分布。符号表示按项乘法。 与猎物的相乘模拟了猎物的运动。P＝0.5是一个常数，R是[0，1]中的均匀随机数向量。Iter是当前迭代代数，而Max_iter是最大迭代代数。
[0144] 阶段二，自适应更新：
[0145] 该阶段发生在迭代中期，种群被分为两部分，其中猎物做莱维运动，负责算法在搜索空间内开发，捕食者做布朗运动，负责算法在搜索空间内探索：
[0146] While 1/3Max_Iter＜Iter＜2/3Max_Iter
[0147] 第一部分种群更新规则如下：
[0148]
[0149]
[0150] 其中，RL是Levy分布组成的出来的一个向量，维度是d。P是一个常数，等于0.5。R是一个0到1之间的均匀分布的随机数组成的向量，维度是d。
[0151] 第二部分种群更新规则如下：
[0152]
[0153]
[0154] RB是采用布朗随机游走产生的随机数组成的向量，维度是d。P是常数，等于0.5。CF是步长si的自适应参数：
[0155]
[0156] 阶段三，自适应更新：
[0157] 该阶段主要发生在优化过程的最后一个阶段，在低速比(v＝0.1)下，捕食者的最佳策略是Levy。该阶段表示为：
[0158] While Iter＞2/3Max_Iter
[0159]
[0160]
[0161] 进一步地，为了解决MPA算法存在求解精度低的问题，本发明提出了自适应改善策略，在自适应更新阶段(即，阶段二和阶段三)加入非线性收敛因子，根据迭代的次数实时更新收敛因子，分别用非线性收敛因子替代公式(31)和公式(33)中的常数P。
[0162] 采用自适应策略更新精英矩阵的更新方法包括在更新阶段加入非线性收敛因子其中，c是当调整系数，Iter是当前迭代次数(也可以使用t表示)，Max_Iter是最大迭代次数(也可以使用T表示)，可根据使用环境自定义设置，优选地，在本发明中，设置Max_Iter为1000次。
[0163] 判断迭代次数Iter(t)与Max_Iter(T)的关系，当Iter<1/3Max_Ite时，c取1/3，即，t＜1/3T，此时进入第一阶段更新。当1/3Max_Iter
[0164] 进一步地，需要解决涡流形成和FADs效应。
[0165] FADs被认为是局部最优，考虑这些较长的跳跃避免了局部最优中的停滞，达到更好的寻优精度。FADs效应的数学表达式为：
[0166]
[0167] 其中FADs＝0.2是FADs影响优化过程的概率。是二进制向量，数组包括0和1。这是通过在[0，1]中生成一个随机向量并在数组小于0.2时将其数组更改为0，在数组大于0.2时将其数组更改为1来构造的。r是[0，1]中的均匀随机数。X和Xmax是包含维度的上界和下界的向量，下标r1和r2表示食饵矩阵的随机指数。
[0168] 进一步地，在海洋捕食者的种群进行迭代后采用多子群改善策略对各个种群进行排序及改善，其排序及改善的方法包括：
[0169] 根据获得的种群适应度值的大小对各个种群进行排序，将各个种群分为三个子种群，分别为高质量种群、追随者种群和低质量种群。分别利用强化学习、反省学习和全局最优解更新三个子种群。
[0170] 具体地，将所述高质量种群中的个体进行强化学习，若强化学习后的个体更优秀，则取代原有个体；
[0171] 利用反向学习策略更新所述追随者种群；
[0172] 利用全局最优个体的方法来更新所述低质量种群。
[0173] 在一实施例中，在海洋捕食者的种群进行迭代后，根据获得的种群适应度值的大小对各个种群进行了排序，将种群分为3个子种群，适应度值排在前N/3的个体划为高质量种群，适应度值在N/3到2N/3的划为追随者种群，其余划为低质量种群。
[0174] 高质量种群中的优秀个体在其自身的两个不同维度之间互相借鉴学习，有利于促使优秀个体根据自身经验来强化学习，在最优解存在概率较大的区域内进行更精细的探索，加快算法收敛速度和寻优精度。
[0175] 进一步地，将高质量种群中的个体按照公式34进行强化学习，若强化学习后的个体更优秀，则取代原有个体。
[0176]
[0177] 其中， 为高质量种群中个体新的位置，p1为[0，1]区间的随机数，d1和d2为在个体中随机选取的两个维度。
[0178] 对于追随者种群，利用反向学习策略更新，以提高算法跳出局部最优的能力。
[0179] 利用反向学习策略更新所述追随者种群的方法为：
[0180]
[0181] 其中， 为追随者种群中个体新的位置，lbi和ubi分别为第i个决策变量的下限和上限。
[0182] 对于低质量的种群，利用全局最优个体来更新种群。利用全局最优个体的方法来更新所述低质量种群的方法为：
[0183]
[0184] 其中， 为低质量种群中个体新的位置，lbi和ubi分别为第i个决策变量的下限和上限，r1和r2是服从均匀分布的随机值。通过采用全局最优个体以对低质量种群个体的更新，使低质量种群中的个体有了更好的寻优能力。
[0185] 进一步地，进入保留海洋记忆阶段。MPA算法具有海洋记忆功能，在算法迭代开始和位置更新结束都需要进行适应度对比，这一步骤进行对Elite(精英)矩阵的更新，这个过程可以随着迭代的推移提高解的质量。
[0186] 判断迭代次数是否达到终止条件。即判断迭代次数Iter是否大于等于Max_Iter，若，Iter≥Max_Iter，则结束迭代，并返回全局最优位置，输出全局最优解。若，Iter＜Max_Iter，则继续进行迭代更新。
[0187] 本发明的另一目的在于提供一种应用上述综合能源系统优化运行方法的综合能源系统。
[0188] 为实现上述目的，本发明提供了一种综合能源系统，包括：
[0189] 含储能的综合能源系统结构；
[0190] 含储能的综合能源系统模型；
[0191] 含储能的综合能源系统优化调度模型；
[0192] 以及应用上述综合能源系统优化运行方法对所述综合能源系统进行优化。
[0193] 综上所述，本发明的综合能源系统优化运行方法，通过建立含储能的园区综合能源系统模型以及系统内多种设备模型；考虑综合能源系统经济效益、一次能源消耗和二氧化碳排放，建立含储能的园区综合能源系统优化调度模型；融合多种策略对海洋捕食者算法进行改进，并基于改进海洋捕食者算法对综合能源系统进行优化运行。通过引入混沌映射和反向学习策略来丰富种群多样性；在更新阶段利用自适应更新策略，加入非线性收敛因子，提高算法在更新阶段的寻优精度；提出多子群改进策略，分别利用强化学习策略改善高质量种群，在最优解存在概率较大的区域内进行更精细的探索，用反向学习策略改善追随者种群，提高算法跳出局部最优能力，用群体最优解改善低质量种群，加快算法收敛速度。本发明可以指导综合能源系统调度计划的制定，提升综合能源系统运行的灵活性，提高可再生能源消纳，并显著地降低系统的运行成本、一次能源消耗和碳排放。
[0194] 以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
