基于改进粒子群算法的综合能源系统多目标优化运行方法

技术领域

本发明基于改进粒子群算法的综合能源系统多目标优化运行方法属于综合能源系统研究技术领域。

背景技术

电力能源使用的覆盖程度日益增加，电能使用规划若还是按照过去的规划经验进行直接规划，则对于综合能源系统稳定性、能源合理利用以及成本可控性来说，都是一种很大的挑战。因此，如何降低对市场的依赖，同时减少环境污染，实现能源可持续发展变成了当下首要解决的问题。人工智能算法是处理这类规划问题的重要手段，已公开的相关资料内容如下：①针对气候变化对IES供需的影响进行研究，基于反向传播(Back Propagation,BP)神经网络等智能算法，建立了综合能源系统动态模型；②提出了一种基于非支配排序遗传算法的综合能源系统优化控制策略，验证了该优化控制策略的有效性；③基于改进的模拟-退火粒子群算法，以系统运行成本最优为目标，构建了区域IES经济模型，结果表明该算法收敛性较快，同时能保证系统的经济性。牛顿拉夫逊法是能流计算中常用的计算方法，但其收敛性与所选取的初值息息相关，有公开的研究文献《基于BFGS信赖域算法的电-气综合能源系统能流计算》针对能流计算初值选取问题，提出了基于拟牛顿法的IES能流计算方法，具有良好的收敛性，且对初值依赖程度低，能够很好的解决使用牛顿法时因初值而造成运算不收敛的问题。文献《基于SOCP的综合能源系统日前调度概率最优能量流》搭建了IES日前调度概率最优能量流系统模型，提出了基于二阶锥优化的综合能源系统日前调度概率最优能量流计算，但模型未考虑IES不确定因素。文献《基于改进小生境PSO算法的综合能源系统调度》针对传统粒子群优化(Particle Swarm Optimization,PSO)算法在求解时容易陷入局部最优的问题，考虑使用改变搜索步长来提高其全局搜索能力，并将小生境技术融合进PSO算法中。

传统的负荷预测算法在收敛性方面也还有提升空间，文献《基于模糊C均值聚类算法的电-热互联综合能源系统负荷预测》针对负荷预测参数具有较高相似度的特点，在电-热互联系统的基础上提出一种模糊C均值的聚类算法，根据数据密度设置聚类参数，通过与传统径向基函数预测结果比较，同时提升能源系统负载运行的稳定性。文献《基于深度Q学习的电热综合能源系统能量管理》对电-热联合系统能量管理进行了研究。能量管理面临着用户用能的随机性和清洁能源出力的波动性等问题，为更好管理能源，有人提出基于强化学习的电-热联合系统能量管理方法，考虑了清洁能源及负荷的不确定性，同时将能源管理近似为马尔可夫决策过程，有效提升了系统响应能力，实现系统能量优化管理。

然而，传统算法在实际应用过程中无法满足目前所建模型的复杂程度以及最优解维度增多的情况，存在着收敛性差，寻优困难等问题。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种基于改进粒子群算法的综合能源系统多目标优化运行方法，改进后的PSO算法具有良好的收敛性和全局适应性，系统多目标优化可减少综合能源系统对外部市场的依赖，为加强整体规划运行提供依据。

为了解决上述技术问题，本发明采用的技术方案为：基于改进粒子群算法的综合能源系统多目标优化运行方法，包括以下步骤：

S1)以系统经济性、环保性和系统不平衡量为优化目标，建立多目标综合能源系统模型；

S2)对多目标函数进行处理及优化改进基本PSO算法对模型求解；

S3)采用算例分析验证模型和算法的有效性。

有益效果：

本发明建立了一种基于改进粒子群算法的综合考虑系统经济性、环保性及出力不平衡性的综合能源系统多目标优化模型。首先，以系统经济性、环保性和出力不平衡性为目标，构建IES多目标调度模型；其次，对三个指标进行归一化处理，确定目标权重系数；最后，引入粒子浓度评价算子改进粒子群算法，并对模型进行求解。算例分析表明，改进后的PSO算法具有良好的收敛性和全局适应性；系统多目标优化可减少综合能源系统对外部市场的依赖，为加强整体规划运行提供依据。

附图说明

下面结合附图对本发明做进一步详细的说明；

图1为本发明中的综合能源系统能量流示意图；

图2为本发明中的改进PSO算法优化求解流程图；

图3为本发明算例分析中各园区电价情况曲线图；

图4为本发明算例分析中综合园区冬季典型日下负荷参数及风力机组实际出力值曲线图；

图5为本发明算例分析中标准测试函数最优适应度平均值进化情况曲线图；

图6为本发明算例分析中综合能源系统冷功率优化情况柱状图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明基于改进粒子群算法的综合能源系统多目标优化运行方法，其包括以下步骤：

S1)以系统经济性、环保性和系统不平衡量为优化目标，建立多目标综合能源系统模型；

S2)对多目标函数进行处理及优化改进基本PSO算法对模型求解；

S3)采用算例分析验证模型和算法的有效性。

综合能源系统(IES)能量流示意图如图1所示。系统主要包含多能源供给侧、负荷侧及能量转化与储存环节。能源设备包括光伏(photovoltaic,PV)、风机(wind turbine,WT)；转化设备包括电锅炉(electric boiler,EB)、燃气锅炉(gas boiler,GB)、燃气轮机(gas turbine，GT)、电制冷机(electric chiller，EC)、吸收式制冷机(absorptionchiller，AC)和电转气(power to gas,P2G)设备；储能设备针对电/热/气等能源进行储存。

为解决仅考虑单一目标下能源系统优化无法同时满足不同能源调度需求的问题，本发明以系统经济性、环保性和系统不平衡量为优化目标，构建模型，并以此优化运行分析。

所述步骤S1)以系统经济性、环保性和系统不平衡量为优化目标，建立多目标综合能源系统模型的内容包括：

S11)成本模型

以综合能源系统(IES)成本最低、环保性最好及系统不平衡量最小为优化目标，系统成本C

C

式(2)-(5)中，b

环保成本C

式中，c

综合能源系统实际运行过程中存在不平衡量，为了让综合能源系统运行更加接近实际生产工况，考虑系统出力不平衡量，减少系统运行时出力的不平衡差额，是保证系统优化运行的关键，系统出力不平衡量表示如下：

P

式(7)-(9)中，P

S12)约束条件

冷热电功率平衡约束和微网内各设备负荷约束是区域综合能源系统的主要约束：

(1)冷功率平衡约束表达式为：

式中，Q

(2)热功率平衡约束表达式为：

式中，Q

(3)电功率平衡约束表达式为：

式中，P

(4)储能约束表达式为：

0≤E

式中，E

(5)风机出力约束表达式为：

式中，

(6)其他设备出力上下限及稳定性约束：

式(16)-(17)中，P

本发明搭建的综合能源系统优化模型中含有多个目标函数及约束条件，这类问题一般可运用单纯形算法、非线性规划算法、遗传算法、粒子群算法等优化算法。这些算法以各自的逻辑最终都能求解出优化模型，但无法完全解决局部搜索和全局搜索这两者间的矛盾。传统的优化算法在求解方面操作简单且精度较高，但运行稳定性差、结果容易陷入局部最优、寻优能力比较差的缺点也无法避免。

本发明采用改进的PSO算法对模型求解，现对多目标函数进行处理及优化改进基本PSO算法，在保证获取最优的情况下，更精确的衡量系统不同运行模式下对规划的影响。

所述步骤S2)对多目标函数进行处理及优化改进基本PSO算法对模型求解的内容包括：

S21)多目标函数处理

采用隶属度函数对多目标函数进行处理，将其分别归一化、线性叠加，进而将多目标函数合并成一个统一的函数进行求解，目前，如何确立隶属度函数是一个有待深入探究的问题，虽然研究人员对模糊概念的理解、应用形式各有不同，但是若能在处理模糊信息问题时有效体现模糊原理，则仍有异曲同工的作用，因此，在确定过程中带有主观性，研究人员结合了自己的部分先验经验，对于最终结果虚拟性判定；

步骤S1)所建立的多目标综合能源系统模型中的经济性、系统不平衡性指标的隶属度函数，环保性的隶属度函数如式(18)、(19)所示：

式中，A

本发明的模型综合考虑了经济性、环保性和系统不平衡性，但指标相互之间关系比较复杂，容易因为自身主观能动性导致在选择决策系数时，系统优化运行不合理，因此，针对本文多目标模型使用层次分析法(AHP)来确定隶属度函数权重系数，层次分析法的特点就是对于复杂问题进行抽离化处理，使得整体综合问题转化为单一简单问题，将维度降低，从而可以通过逻辑关联进行数学建模求解；

针对多目标模型使用层次分析法(AHP)来确定隶属度函数权重系数，层次分析法具体步骤如下：

(1)用1-9的整数a

(2)构造判断矩阵如式(20)所示；

D＝[a

式中，D表示判断矩阵；a

(3)层次单排序及其一致性检验，一致性检验如式(21)所示：

式中，CI表示一致性指标；λ

(4)将判别矩阵的特征向量进行标准化，得到综合权重；

所构建模型中会出现经济与系统不平衡两个指标交叉的情况，遂在指标权重获取后，引入重合系数(取值0.7)，同时标准化处理三个目标函数，得到三个目标权重分别为：0.36、0.33和0.31，最后，得到综合能源系统的目标函数可简化为式(22)所示：

C＝ε

式中，ε

S22)改进粒子群(PSO)算法

(1)惯性权重因子的改进

在传统PSO算法中，惯性权重通常为常数或者线性变化，这样会使算法陷入局部最优，本发明使用非线性递减方法调整ω值，可以较好的平衡PSO算法的全局和局部搜索能力，前期权重较大，全局中能快速搜索初期粒子，后期惯性权重减小，在局部中寻找最优解，同时随着惯性权重的递减，粒子运动轨迹将逐步逼近最优解，求解ω的非线性公式如式(23)所示：

式中，ω

(2)个体最优值的改进

首先，引入免疫算法中的抗体浓度来评价算子，可以避免粒子群陷入局部最优解，抗体浓度可用来表征当前样本的丰富程度，也可以一定程度反应解的泛化性和鲁棒性，当抗体浓度过高时则意味着种群的丰富性较低，这种情况不利于样本的泛化性提升，算法容易陷入局部最优解，所以，抗体浓度评价算子能够识别到浓度过高的个体，并且能够起到抑制的作用，保护个体多样性；

然后，通过类比抗体浓度评价算子，构建粒子浓度评价算子如式(24)所示，综合考虑粒子亲和度和适应度，同时，也提高了全局搜索性能，评价算子公式如下：

式中，d(i)表示粒子i的亲密度，也即浓度评价算子；P(i,j)表示粒子i与j的密集关系，0为稀疏，1为密集；N表示粒子总数；P

模型中采用了粒子浓度评价算子后，即为粒子群算法增加了浓度惩罚因子，以最小化惩罚为目标，重新开展算法计算，在粒子群单次迭代时，先使用适应度评价函数计算粒子适应度值，然后再计算粒子亲密度函数，用粒子适应度值与该粒子的亲密度值的差额，作新的适应度，粒子由小到大重新排序，取最小为此次迭代的最优值，粒子再进行更新，进入下一次迭代，依此循环往复；

S23)改进后的算法流程

综合能源系统模型对基本粒子群算法进行改进，采用非线性惯性权重，引入粒子浓度评价算子，提出了对基本粒子群的惯性权重因子和个体最优值的改进方法。图2为改进PSO算法求解过程。

算例分析

所述步骤S3)采用算例分析验证模型和算法的有效性的内容包括：算法结果对比分析结论、综合能源系统设备出力分析结论、算法优化前后系统成本分析结论、不同目标下系统综合分析结论。

S31)算例参数

某园区IES能量流结构如图1所示。园区包含了生活区、办公区和工业区3个子区域，3个子网以储能为能源枢纽连接构成多园区IES。本发明以其中一个园区(生活区)为研究对象进行优化分析。仿真中，IES系统中主要的设备相关基础参数，如表1所示。园区电价如图3所示，各园区日前参数如图4所示。

表1园区主要设备的相关基础参数

S32)算法结果对比分析

本发明采用标准测试函数Sphere、Rastrigrin分别对基本PSO算法和改进PSO算法进行对比，检验本发明中所提算法的收敛性与稳定性。Sphere为单峰函数，对于整体求最优解过程进行监测，Rastrigrin为多峰函数，局部最优点的数量随着维数的增加呈指数型递增。标准测试函数Sphere、Rastrigrin的表达式如式(26)、(27)所示：

其中，标准测试函数Sphere和Rastrigrin的全局最优点都是x

验证改进PSO算法的标准测试函数相关参数如表2所示。

表2标准测试函数的相关参数

采用相同的随机粒子进行对比分析，以减小随机误差。对标准测试函数进行20次测试，测试结果如表3所示。

表3不同粒子群算法测试结果对比

由表3可知，在基本PSO中，Sphere的全局最优值、最优值平均值分别为3.001 03和13.412 96；Rastrigrin的全局最优值、最优值平均值分别为26.139 47和63.75 282，由此也可以看出，全局最优值优于最优值平均值。同时，两个测试函数在全局最优值、方差、最优值平均值方面，改进PSO算法的值都几乎接近于零，其收敛速度和全局搜索能力更具优势。特别Rastrigrin函数尤为突出。图5为标准测试函数进行连续多次的实验结果。

由图5可以看出，Sphere函数中基本PSO算法和改进PSO算法两条曲线基本都趋向于0，但后者收敛速度更快。Rastrigrin函数中基本PSO算法不能收敛到0，改进PSO算法能快速收敛到0。综上所述，本发明PSO算法的改进，对收敛性和全局适应性有着较好的效果。

S33综合能源系统设备出力分析

基于改进粒子群算法的综合能源系统设备出力优化情况如图6所示。

从图中可知，系统的电功率主要来自于GT、WT和电网购电。00:00-06:00及15:00-24:00时段，风力较足，优先消纳风电。GT从早上运行到晚上几乎全天工作。用电高峰期时，通过电网购电弥补缺额部分，从而使得从宏观上对于电网的调度进行平衡优化，其余不足部分由储能电池补充和GT出力。园区热功率需求由燃气锅炉和余热锅炉供应，北方冬天环境下，暖气全天供应，供暖设备出力较多。多园区IES的冷功率来源包括AC和EC，本发明模型只针对生活园区，因此，冷负荷需求全部由EC提供。并且由于冬季天气寒冷，EC较少出力。

S34)算法优化前后系统成本分析

综合考虑系统经济性、环保性和出力不平衡性，分别采用基本PSO算法和改进PSO算法对模型进行求解。求解结果显示，若同时兼顾系统3个指标，采用基本粒子群算法求解模型时，系统总运行成本为19 513元；而采用改进后的粒子群算法求解模型时，系统总运行成本为15 607元，同比下降了15.7％。算法优化前后系统运行综合成本有所下降。因此，改进后的粒子群算法明显较优，能够找到更好的最优解，有效保证了系统的经济性。

S35)不同目标下系统综合分析

将IES模型分别以经济最优和环保性最优做单目标优化，运行结果与综合目标最优对比，并以第三个目标出力不平衡性作为评判系统负荷所需功率差额的指标，运行结果如表4所示。出力不平衡率越高，表明系统负荷所需功率差额越多，模型效果越差；反之，系统负荷所需功率差额越少，模型效果越好，从而减少综合能源系统对外部市场的依赖。

表4不同目标系统优化结果对比

Tab.4 Comparison of optimization results of different target systems

由表4可以看出，当经济性为优化指标时，系统所需成本为14 745元，CO

结论

本发明建立了一种基于改进粒子群算法的综合考虑系统经济性、环保性及出力不平衡性的综合能源系统多目标优化模型。首先，以系统经济性、环保性和出力不平衡性为目标，构建IES多目标调度模型；其次，对三个指标进行归一化处理，确定目标权重系数；最后，引入粒子浓度评价算子改进粒子群算法，并对模型进行求解。算例分析表明，改进后的PSO算法具有良好的收敛性和全局适应性；系统多目标优化可减少综合能源系统对外部市场的依赖，为加强整体规划运行提供依据。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。