一种基于改进混沌优化算法的分布式能源系统双层运行优化方法

本发明属于分布式能源系统优化运行技术领域，尤其是一种基于改进混沌优化算法的分布式能源系统分层运行优化方法。

背景技术

大规模使用传统化石燃料带来的问题亟待紧急解决。充分利用可再生和分布式能源技术已成为解决能源危机和环境污染的有效途径。作为典型的分布式能源系统，冷热电三联供(CCHP)系统因其高能效、节能、环保和脱网运行等特性，已成为各国积极推广的技术热点。结合可再生能源建设CCHP系统有助于发挥多种形式可再生能源的优势，总体上实现丰富、清洁、可持续的发展。此外，CCHP系统的灵活能源供应模式能够很好地适应可再生能源的随机、波动和间歇性特性。建立清洁、低碳、安全、高效的能源供应模式，实现多能互补和能梯度利用，是未来能源系统发展的重要方向。随着新能源发电技术的迅猛发展和CCHP系统的成熟，综合能源系统研究已成为电力乃至整个能源领域改革的突破口，是未来能源领域的主要发展趋势。

发明内容

本发明针对考虑热能存储的混合冷热电联供系统，构建一个多目标双层CCHP优化模型，将k均值、非支配排序和相对决策度排序与两层优化模型结合，形成一个完整的两层CCHP优化模型，实现最优配置方案和运行策略；

本发明解决其技术问题是采取以下技术方案实现的：

一种基于改进混沌优化算法的分布式能源系统双层运行优化方法，包括以下步骤：

步骤1，建立包含外层优化和内层优化的双层模型；

步骤2，求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵；通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率。将典型情景及其相应的情景概率输入外层优化模型；

步骤3，外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用混合整数线性规划(MILP)算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型；

步骤4，外层优化模型以内层优化模型得到的运行方案为基础，利用多目标混沌优化(MOCGO)算法进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型；

步骤5，内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止。然后使用非支配排序和相对决策度排序对解决方案集进行排序，选择非支配解集中相对决策度最大的作为最优个体；

步骤1，构建的冷热电三联供系统的主要设备包括电制冷机(EC)、吸收式制冷机(AC)、热交换装置(HE)、热能储存罐(TES)、燃气锅炉(GB)、燃气轮机(GT)、太阳能集热器(ST)和光伏装置(PV)。双层优化模型包括外层优化和内层优化两部分，外层优化模型如下：

(1)决策变量：

X＝[N

(2)在外层优化模型中，经济、能源和环境目标函数如下：

式中，f

式中，S为情景总数，P

式中，F

(3)设备容量的约束条件如表1所示：

表1设计参数范围

(4)内层优化模型的决策变量主要是各设备的输出功率，其定义如下：

X＝[E

(5)内层优化模型的目标是最小化系统的年度运行和维护成本，其定义如下：

f

(6)约束条件如下：

E

Q

C

步骤2，求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵，通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率。将典型情景及其相应的情景概率输入外层优化模型；

(1)将一年的负荷和气象数据存储到一个矩阵中，并对该矩阵进行归一化。归一化的公式如下：

式中，A

(2)使用k均值对归一化后的矩阵进行聚类。我们获取典型场景的数量k以及每个簇的中心日。与中心日对应的原始数据是该簇的典型场景，而每个簇中包含的天数即为这些典型场景的天数。每个场景的概率如下：

式中，P

在使用k均值算法对数据进行聚类之前，需要指定一个确定的簇数。然而，如果聚类值的选择基于用户的主观意愿，将不可避免地使最终的聚类结果更加随机和不确定。而且，即使对于相同的样本集，当不同用户使用不同数量的簇来处理数据时，最终的聚类结果可能会有很大的差异。因此，采用适当的方法确定簇的数量并确保最终聚类结果的客观性是非常重要的。作为确定最优簇数的客观方法，肘部法则的核心思想包括以下几点，随着样本分类数的增加，每个簇中样本的聚集程度将逐渐增加，平方误差和(SSE)自然会逐渐减小。当簇的数量k小于最优簇数时，随着簇的数量k的增加，SSE的减小趋势会逐渐减缓。当簇的数量k等于最优簇数时，SSE的减小趋势会突然减小。此时，继续增加k的值，SSE将不会有明显的变化。因此，使得SSE减小幅度突然减小的簇的数量k，就是数据的实际簇数。肘部法则的核心度量指标是平方误差和(SSE)，具体定义如下：

式中，k表示簇的数量；C

步骤3，外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用MILP算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型；

步骤4，外层优化模型以内层优化模型得到的运行方案为基础，利用MOCGO进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型。所选多目标智能算法为多目标混沌优化算法，混沌博弈优化算法(CGO)是一种基于混沌理论原理提出的优化算法，它利用分形和混沌博弈的基本概念。其初始化公式如下：

(1)在该算法中，每个候选解X

式中，n是西尔平斯基三角形中合格点的数量，d是这些点的维数。考虑的合格点的初始位置是在搜索空间中随机确定的，具体过程如下：

式中，

(2)第一个种子位置更新的数学表示如下：

式中，β

(3)类似于生成第一个种子的过程，第二个种子可以沿着MGi和Xi之间的直线移动，并利用一些随机生成的因素来约束该移动。该过程的数学表示如下：

(3)第三个种子是基于MG

(4)第四个种子的位置更新是基于对随机选择的决策变量进行一些随机更改。第四个种子的数学建模如下：

式中，R是在[0，1]上均匀分布的随机数；k是一个在[1，d]范围内的随机整数向量。此外，为控制种子的移动限制，对于α提出四个不同的公式，可以表示如下：

式中，rand是在[0，1]范围内的随机向量；δ和ε是在[0，1]范围内的随机向量；

(5)对于多目标混沌优化算法，进行初始适应度。对于每个个体X

S(X

式中，X

式中，R(X

(6)关于基于移位的密度估计，如果某个个体在某个目标上的表现优于p，那么它就会被转移到与p在该目标上相同的位置；否则，它就会保持不变。个体p在种群D′(p，P)中的新密度可以表示为：

D′(p，P)＝D(dist(p，q′

式中，N为种群大小；dist(p，q′

式中，m代表目标数，P

步骤5，内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止；

对于最优个体的选取，采用非支配排序和相对决策度排序获得帕累托前沿和最优个体，非支配排序可以筛选出不同个体的适应度优劣级别，相对决策度可以表达解集的分布情况。下面介绍基于相对决策度的非支配排序机制：

(1)对解集进行非支配排序，按照不同支配等级对解集进行划分。对于种群每次进化产生的帕累托前沿，采用外部存档的方法进行存储与更新；

(2)对于外部档案中划分好支配等级的解集，依据支配等级依次计算不同解的相对决策度并按降序排列，选择非支配解集中相对决策度最大的作为最优个体。相对决策度的计算公式如下：

式中，

上述的一种基于改进混沌优化算法的混合能源系统双层运行优化方法，所述的多目标优化算法，是为本技术领域技术人员所熟知的；

本发明的优点和积极效果是：

1、本发明构建一个多目标两层CCHP规划模型。我们将k均值和非支配排序和相对决策度排序方法与两层优化模型结合，形成一个完整的两层CCHP优化模型。提出一种新颖的多目标混沌优化算法(MOCGO)。通过对混沌博弈优化算法的改进，我们得到MOCGO；

2、本发明提出解决两层优化模型的新方法。我们将MOCGO与MILP结合起来解决构建的两层优化模型，并通过与其他算法的比较验证所提算法具有更卓越的优化结果。分析并比较在考虑和不考虑TES的情况下，两层优化模型下CCHP系统的设计性能；

3、本发明所提出的两层优化模型能够同时实现最优配置方案和运行策略。我们将所提出的两层优化模型与单层优化模型进行比较，并证明所提出的模型能够同时实现最优配置方案和调度策略；

附图说明

下面结合附图和实施例对本发明进一步说明；

图1是一种基于改进混沌优化算法的分布式能源系统双层运行优化方法总流程图；

图2是本实施例最终的聚类数图；

图3是本实施例具体的聚类结果图；

图4是改进混沌优化算法的工作流程图；

图5是本实施例年度逐日小时负荷负荷图；

图6是本实施例环境温度和辐照度图；

图7是本实施例分时电价和燃气价格图；

图8是本实施例混合CCHP系统的电能平衡图；

图9是本实施例混合CCHP系统的热能平衡图；

图10是本实施例混合CCHP系统的制冷能量平衡图；

图11是本实施例不考虑热能储存的情况下两层优化模型的最优性能因子图；

图1表明一种基于改进混沌优化算法的分布式能源系统双层运行优化方法的流程是：开始→建立包含外层优化和内层优化的双层模型→求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵；通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率；将典型情景及其相应的情景概率输入外层优化模型→外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用MILP算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型外层优化→模型以内层优化模型得到的运行方案为基础，利用MOCGO进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型→内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止。然后使用非支配排序和相对决策度排序对解决方案集进行排序，选择非支配解集中相对决策度最大的作为最优个体→结束；

实施例

本发明是一种基于改进混沌优化算法的分布式能源系统双层运行优化方法，双层运行优化方法的流程如图1所示；

步骤1，建立包含外层优化和内层优化的双层模型；

步骤2，求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵；通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率；将典型情景及其相应的情景概率输入外层优化模型；

步骤3，外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用MILP算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型；

步骤4，外层优化模型以内层优化模型得到的运行方案为基础，利用MOCGO进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型；

步骤5，内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止。然后使用非支配排序和相对决策度排序对解决方案集进行排序，选择非支配解集中相对决策度最大的作为最优个体；

步骤1，构建的冷热电三联供系统的主要设备包括电制冷机(EC)、吸收式制冷机(AC)、热交换装置(HE)、热能储存罐(TES)、燃气锅炉(GB)、燃气轮机(GT)、太阳能集热器(ST)和光伏装置(PV)。双层优化模型包括外层优化和内层优化两部分，对于外层优化模型，用式(1)建立决策变量，式(2)建立经济、能源和环境目标函数，用式(3)建立燃料成本，式(4)建立电网互动成本，式(5)、式(6)和式(7)建立设备维护成本，内层优化模型的决策变量主要是各设备的输出功率，用式(8)建立决策变量，内层优化模型的目标是最小化系统的年度运行和维护成本，用式(9)建立目标函数，用式(10)、(11)和(12)建立约束条件；

步骤2，求解双层优化模型，将参考建筑的年负荷数据和历史气象数据输入矩阵；通过k-means算法对矩阵中的数据进行聚类，从而得到聚类后的情景及其相应的情景概率；将典型情景及其相应的情景概率输入外层优化模型。将一年的负荷和气象数据存储到一个矩阵中，并对该矩阵进行归一化，用式(13)建立归一化。使用k均值对归一化后的矩阵进行聚类。我们获取典型场景的数量k以及每个簇的中心日。与中心日对应的原始数据是该簇的典型场景，而每个簇中包含的天数即为这些典型场景的天数，用式(14)建立每个场景的概率，在使用k均值算法对数据进行聚类之前，需要指定一个确定的簇数。然而，如果聚类值的选择基于用户的主观意愿，将不可避免地使最终的聚类结果更加随机和不确定。而且，即使对于相同的样本集，当不同用户使用不同数量的簇来处理数据时，最终的聚类结果可能会有很大的差异。因此，采用适当的方法确定簇的数量并确保最终聚类结果的客观性是非常重要的。作为确定最优簇数的客观方法，肘部法则的核心思想包括以下几点，随着样本分类数的增加，每个簇中样本的聚集程度将逐渐增加，平方误差和(SSE)自然会逐渐减小。当簇的数量k小于最优簇数时，随着簇的数量k的增加，SSE的减小趋势会逐渐减缓。当簇的数量k等于最优簇数时，SSE的减小趋势会突然减小。此时，继续增加k的值，SSE将不会有明显的变化。因此，使得SSE减小幅度突然减小的簇的数量k，就是数据的实际簇数。肘部法则的核心度量指标是平方误差和(SSE)，用式(15)建立平方误差和，最终的聚类数如图2所示，使用K均值聚类算法对参考建筑的典型年度负荷和气象数据进行聚类，具体的聚类结果如图3所示；

步骤3，外层优化模型随机初始化一个设备容量场景群，内层优化模型读取初始化的设备容量群。内层优化模型采用MILP算法，以系统运行成本最小为目标，获得最佳运行策略，并将最佳运行方案传递给外层优化模型；

步骤4，外层优化模型以内层优化模型得到的运行方案为基础，利用MOCGO进行位置更新，得到新的设备装机容量群，并将新的装机容量群返回给内层优化模型。所选多目标智能算法为多目标混沌优化算法，混沌博弈优化算法(CGO)是一种基于混沌理论原理提出的优化算法，它利用分形和混沌博弈的基本概念，改进混沌优化算法的工作流程图如图4所示，在该算法中，每个候选解X

步骤5，内层优化模型利用新的装机容量群再次求解最优运行方案，如此循环迭代。当达到最大迭代次数时，循环将停止。然后使用非支配排序和相对决策度排序对解决方案集进行排序，选择非支配解集中相对决策度最大的作为最优个体，式(27)和(28)建立相对决策度的具体计算；

以美国能源部提供的一家大型酒店的能源数据为案例研究，本发明采用提出的优化方法解决混合CCHP两层优化模型，以实现系统的最优综合性能。图5展示年度逐日小时负荷，图6显示环境温度和辐照度，图7呈现分时电价和燃气价格；

图8展示混合CCHP系统的电能平衡。可以看到，酒店的电力消耗在整个年度内非常稳定，而燃气轮机几乎负责酒店的全部电负荷和电吸收制冷机的功耗。在构建的两层优化模型下，混合CCHP几乎可以独立于电网为客户供电，而不会产生多余的电力。此外，还发现在第五和第十二个典型场景中，电吸收制冷机的功耗最小。这种情况发生的原因是，在上述两个场景中，环境温度和辐射使得太阳能热产生大量的热能，因此空气制冷机几乎完全满足用户的制冷需求；

图9详细描述混合CCHP系统的热能平衡。可以观察到，混合CCHP系统在供热方面表现良好，避免能源浪费的问题。太阳能热在不同的典型场景中热能供应呈现较大变化，而燃气轮机的热能供应则非常稳定。考虑到设备的多次启停可能影响其使用寿命，本发明提出的两层优化模型对于延长燃气轮机和热回收设备的寿命具有积极作用。当环境条件不适宜太阳能热运行时，燃气锅炉会接管部分用户的热需求。此外，蓄热系统的储能工作时间、空调制冷工作时间与太阳能热的供热之间存在紧密联系，特别值得注意的是，在太阳能热产生的热能较大时，蓄热系统将储存部分热能，而空调将利用这部分热能进行制冷；而在太阳能热产生的热能较小时，蓄热系统则释放部分储存的热能，此时空调可能停止运行；

图10展示混合CCHP系统的制冷能量平衡。可以看到，混合CCHP系统可以可靠地满足客户的制冷负荷。此外，电吸收制冷机在满足客户制冷负荷方面起着更为关键的作用。另一方面，当太阳能热供热较多时，空调将几乎承担客户的全部制冷负荷，并在环境条件不适合太阳能热工作时，空调可能只会承担一小部分或甚至停机；

本部分设置4个案例用于验证所提方法的有效性；

案例1：采用本发明所提方法进行优化；

案例2：采用多目标单层优化模型进行优化；

案例3：采用单目标单层优化模型进行优化；

案例4：采用未考虑热能储存的双层优化模型进行优化；

在案例1中，为验证MOCGO在多能源系统规划运算中的适用性和有效性，将比较dMOPSO-MILP、MOEAD-MILP、MOPSOCD-MILP和MOCGO-MILP分别获得的最佳配置解在经济、能源和环境性能方面的不同表现；

表2不同算法得出的双层优化模型结果

表2展示解决两层优化模型的不同优化算法的最优结果。可以看出，所提出的MOCGO在经济成本、燃气消耗和环境排放方面均优于比较算法。这些对比结果说明，MOCGO在处理多研究的两层优化模型时更为高效，能够为用户提供更优的解决方案；

为证明本发明提出的两层优化模型能够同时实现混合CCHP的最优配置和运行策略，将该两层优化模型与基于规则的单层优化模型进行比较。对于单层优化模型，最大迭代次数为500。使用一次能源节约比(PESR)、年度成本节约率(ACSR)和二氧化碳排放减少率(CDERR)作为评价指标，比较单层优化模型和两层优化模型之间的性能差异；

在案例2中，为验证本研究提出的两层优化模型在提高系统经济、能源和环境性能方面的优势，将其与基于规则的单层多目标优化模型进行比较。基于规则的运行策略主要包括FTL、FEL、FTL-ECR、FEL-ECR和FHL；

表3多目标优化模型的评价指标值

表3呈现多目标优化模型的PESR、ACSR和CDERR数值。可以看到，在任何策略下，与单层优化模型相比，两层优化模型始终在提高系统的能源、经济和环境性能方面都是有效的。特别是在ACSR方面，两层优化模型实现最大经济性能的提升，达到30.63％。在PESR方面，两层优化模型实现高达37.94％的燃气消耗节约。而在CDERR方面，两层优化模型实现最大的CO2减排，为38.16％；

在光伏(PV)和太阳能热(ST)装机容量方面，发现在FEL、FTL、FEL-ECR、FTL-ECR和FHL策略下的多目标优化模型的最佳配置具有特定的PV和ST装机容量数值。然而，在两层优化模型中，其最佳PV装机容量为零，而最佳ST装机面积则为屋顶面积。上述情况可能是由于酒店全年消耗的热负荷较大且稳定。关于燃气轮机(GT)装机容量，发现两层和多目标优化模型之间只有很小的差异。至于上网电网交互限制，通过dMOPSO得到的FEL-ECR和FHL的最佳值为零，表明在这个时候混合型CCHP几乎可以实现脱网运行；

关于TES的装机容量，通过dMOPSO和MOPSOCD获得的FTL和FTL-ECR的最佳装机容量较小，因为系统几乎不产生多余的热能。就上网电网交互限制而言，通过dMOPSO得到的FEL-ECR和FHL的最佳值为0，表明在这个时候混合型CCHP几乎可以实现脱网运行。同样，两层优化模型也可以实现脱网运行。至于TES的装机容量，在FTL和FTL-ECR下，dMOPSO和MOPSOCD得到的最佳装机容量都相对较小，因为在FTL下系统几乎不产生多余的热能。然而，对于两层优化模型，TES的装机容量较大，这表明在两层优化模型下系统运行时产生更多的多余热能。对于GB的装机容量，通过dMOPSO得到的最佳值较小，因为系统的最佳GT装机容量较大。两层优化模型的最佳GB装机容量也较小，因为它具有较大的ST装机面积；

在案例3中，我们将两层优化模型与单一目标优化模型进行比较，以更深入地论证两层优化模型的卓越性；

表4单一目标优化模型的评估指标数值

表4显示单一目标的单层优化模型的评估指标数值。与之相比，两层优化模型显著提高能源、经济和环境性能。此外，两层优化模型在经济、能源和环境方面的最大改进分别达到34.95％、35.81％和37.55％；

两层优化模型和单一目标单层优化模型的最优配置解之间存在显著差异。单一目标单层优化模型具有特定的光伏(PV)和太阳能热(ST)安装面积，然而两层优化模型的ST占据全部屋顶面积。作为混合型CCHP的核心能源供应设备，燃气轮机(GT)在单一目标单层优化模型和两层优化模型之间的装机容量差异不大。单一目标单层优化模型具有较大的电网交互限制，这表明CCHP的独立运行性能较差。而两层优化模型使得CCHP能够实现脱网运行。对于GA的FTL和FTL-ECR、PSO的FTL以及DE的FTL-ECR，TES的装机容量较小。我们可以看到，在单一目标单层优化模型下，所有策略都具有较大的燃气锅炉(GB)装机容量，这表明GB在辅助供热方面发挥着重要作用；

图11展示在不考虑热能储存的情况下，两层优化模型的最优性能因子(PF)。可以观察到，即使在没有考虑热能储存的情况下，所提出的两层优化模型仍然提供一系列可行的解决方案，而非支配排序和相对决策度排序方法获得最优解。接下来，将比较考虑热能储存和不考虑热能储存的两层优化模型的最优解在性能和组件尺寸方面的特征，以及基于规则的运行策略；

表5不考虑TES的双层模型的最佳性能

表5描述在不考虑热能储存的情况下，两层优化模型的最优性能。与案例1中考虑热能储存的两层优化模型的最优性能相比，不考虑热能储存会显著降低CCHP的经济、能源和环境性能。此外，不考虑热能储存甚至会使CCHP的经济性能不如案例2中的多目标优化模型。这证明在两层优化模型中热能储存的重要性；

表6未考虑热能储存的两层模型的最优组件尺寸

表6提供在不考虑热能储存的情况下，两层优化模型的最优设计解。可以注意到，与考虑热能储存的两层优化模型相比(见第4.3节)，不考虑热能储存会使CCHP的最优光伏(PV)装机面积显著增加，达到1214.55平方米.相比之下，太阳能热(ST)的装机面积减小至263.45平方米。这是因为此时太阳能热产生的多余热量没有热能储存器进行存储，导致最优太阳能热装机面积显著减小。燃气轮机(GT)的最优装机容量保持稳定，因为它是核心能源供应设备。太阳能热装机面积的显著减小导致最优燃气锅炉(GB)装机容量的显著增加，达到563.51千瓦。由于光伏装机面积的显著增加，光伏产生的多余电力不得不卖给电网，以保持系统处于稳定运行状态。最优电锅炉(EC)的装机容量减小至0千瓦，而最优空调(AC)的装机容量波动不大；

综上所述，所提出的两层优化模型可以显著提升混合型CCHP系统的经济、能源和环境性能。与基于规则的多目标单层优化模型相比，所提出的两层优化模型在经济、能源和环境性能方面最大可实现30.63％、37.94％和38.16％的改进。相较于基于规则的单目标单层优化模型，所提出的两层优化模型在经济、能源和环境性能方面最大可实现34.95％、35.81％和37.55％的改进。在两层优化模型下，热能储存(TES)对于混合型CCHP系统的发展至关重要。不考虑热能储存会使两层优化模型的最优系统经济、能源和环境性能达到328460.03美元、4385982.81千瓦、977244.11千克，这低于考虑热能储存的情况。此外，不考虑热能储存会导致CCHP的最优设计解与考虑热能储存时有很大不同；

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。