基于大规模混合整数分解协调算法的多能源规划方法

技术领域

本发明涉及电力技术，尤其涉及一种基于大规模混合整数分解协调算法的多能源规划方法。

背景技术

传统单一能源系统的规划方式已经无法进一步提高能源利用效率，在能源互补方面也存在障碍。多能源系统可以接纳包括清洁能源在内的电、热、天然气等多种能源系统，提高各种能源的利用效率，促进能源系统之间的协调优化，实现多种能源的互补互济。多能源系统的规划问题具体涉及纯凝发电机组、热电联产机组、热泵、锅炉和储能等设备的物理选址和设备容量选定，包含连续型决策变量和离散型整数变量。如何获取快速高质量的能源规划方案是现有技术需要解决的问题。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种快速且高质量的基于大规模混合整数分解协调算法的多能源规划方法。

技术方案：本发明所述的基于大规模混合整数分解协调算法的多能源规划方法包括如下步骤：

(1)构建如下多能源规划问题：

式中，x是各设备的运行状态向量，为n

(2)将多能源规划问题划分为针对每个设备进行优化的多个子问题，每个子问题中设有带惩罚系数的惩罚项和带对偶乘子的能量守恒约束向量；

(3)根据上次迭代时的惩罚系数和对偶乘子，求解每个子问题的线性多能规划松弛问题，将所有子问题的求解结果整合形成近似解(x′,y′)；其中，首次迭代求解子问题时，按照惩罚系数和对偶乘子的预设初始值计算；

(4)将y′中每个非整数元素向上或向下取整，x′按照约束对应调整，从而得到多个可行解，组成可行解集S；

(5)从可行解集S中查找满足替代最优性条件的暂优解，若没有查找到暂优解，则执行步骤(6)；否则执行步骤(8)；

(6)采用分支切割法B&C求解每个子问题，如果从求解结果中没有查找到暂优解，则执行步骤(7)，否则执行步骤(8)；

(7)按照预设方法减小惩罚系数，将迭代次数加1，并返回执行步骤(3)；

(8)更新对偶乘子、迭代步长和惩罚系数；

(9)判断暂优解是否满足预设最优解标准，若不满足，将迭代次数加1，并返回执行步骤(3)；若满足，则根据暂优解寻找最优解，执行步骤(10)；

(10)检查是否满足迭代停止条件，若不满足，将迭代次数加1，并返回执行步骤(3)；若满足，则停止迭代，将当前最优解作为多能源规划的规划方案输出。

进一步的，步骤(2)中所述子问题具体为：

式中,L

进一步的，步骤(5)中所述从可行解集S中查找满足替代最优性条件的暂优解具体包括：

对于可行解集S中每个可行解，计算多能源规划问题的目标函数值，选取目标函数值最小值对应的可行解；

判断选取的可行解是否满足以下替代最优性条件：

式中，

如果满足，则将选取的可行解作为暂优解。

进一步的，步骤(7)中所述按照预设方法减小惩罚系数具体包括：

按照下式减小惩罚系数：

c

式中，c

进一步的，步骤(8)中更新对偶乘子的具体公式为：

λ

g(x

式中，λ

更新迭代步长的具体公式为：

式中，s

更新惩罚系数的具体公式为：

c

式中，c

进一步的，所述迭代步长的初始值为：

式中，s

进一步的，所述预设最优解标准具体为：

||g(x

x

进一步的，步骤(9)所述根据暂优解寻找最优解具体包括：

使用启发式算法在暂优解的周围寻找最优解；或

将暂优解大于一半的y变量固定，只挑选剩余部分y带入多能源规划问题，利用B&C算法求解出满足全局约束的最优解。

进一步的，所述迭代停止条件具体为：

||g(x

其中，x

本发明与现有技术相比，其有益效果是：本发明可以快速获得高质量的规划方案，运算速度快。

附图说明

图1是本发明提供的基于大规模混合整数分解协调算法的多能源规划方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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它实施例，都属于本发明保护的范围。

本实施例提供一种基于大规模混合整数分解协调算法的多能源规划方法，如图1所示，包括如下步骤：

(1)构建多能源规划问题。

多能源规划问题具体如下

式中，x是各设备的运行状态向量，为n

(2)将多能源规划问题划分为针对每个设备进行优化的多个子问题。

其中，每个子问题中设有带惩罚系数的惩罚项和带对偶乘子的能量守恒约束向量。具体为：

式中,L

(3)根据上次迭代时的惩罚系数和对偶乘子，求解每个子问题的线性多能规划松弛问题，将所有子问题的求解结果整合形成近似解(x′,y′)。

其中，首次迭代求解子问题时，按照惩罚系数和对偶乘子的预设初始值计算。

在每次迭代中，没必要完全求解一个子问题，只需要找到一个满足替代最优性条件的“足够好的”暂优解即可。寻找“足够好的”暂优解解比寻找最优解要容易很多。因此，不一定需要精确的优化方法(例如分支切割法B&C)，本发明构建一个多能规划粗略模型，从而更快的计算出“足够好的”暂优解。

受序优化概念的启发，基于“近似解法”思想本发明提出了一种高效方法来获得“足够好的”暂优解。通过放宽多能规划子问题中的整数要求生成线性多能规划松弛问题，该线性多能规划松弛问题则被用作“粗略模型”来近似子问题，这样“近似解”(x′,y′)就可以通过线性规划获得。

(4)将y′中每个非整数元素向上或向下取整，x′按照约束对应调整，从而得到多个可行解，组成可行解集S。

具体的，如果y′中所有的元素都是整数，则(x′,y′)就是原子问题的最优解。如果不是，非整数元素通过向上或向下取整产生一个满足子问题的可行集S。为了方便说明，假设y′中所有元素均为非整数元素：

通过向上或向下取整，可得

根据取整后的解调整连续变量x′以满足约束条件，从而形成可行集S。由于S中的可行解接近于最优解，S有较高的概率包含足够好的子问题解。

(5)从可行解集S中查找满足替代最优性条件的暂优解，若没有查找到暂优解，则执行步骤(6)；否则执行步骤(8)。

具体的，首先计算多能源规划问题的目标函数值，选取目标函数值最小值对应的可行解，判断选取的可行解是否满足以下替代最优性条件：

式中，

因为线性多能规划松弛问题通常很容易求解，所需的计算工作量比B&C要少得多。如果通过B&C获得的最优解是通过大量迭代后获取的，那么本发明所提方法将是十分有效的。此外，由于每次迭代都满足收敛条件，子问题的解仍然在有效协调的范围内，从而形成高质量的全局解。

(6)采用分支切割法B&C求解每个子问题，如果从求解结果中没有查找到暂优解，则执行步骤(7)，否则执行步骤(8)。

(7)按照预设方法减小惩罚系数，将迭代次数k加1，并返回执行步骤(3)。

具体按照下式减小惩罚系数：

c

式中，c

(8)更新对偶乘子、迭代步长和惩罚系数。

其中，更新对偶乘子的具体公式为：

λ

g(x

式中，λ

更新迭代步长的具体公式为：

式中，s

更新惩罚系数的具体公式为：

c

式中，c

良好的乘子初始值可以减少迭代次数。通常使用启发式算法来初始化乘子。对于需要每天解决多次的优化问题，乘子也可以使用前一次优化运行获得的值进行初始化。步长初始化计算公式如下：

式中，s

(9)判断暂优解是否满足预设最优解标准，若不满足，将迭代次数k加1，并返回执行步骤(3)；若满足，则根据暂优解寻找最优解，执行步骤(10)。

其中，预设最优解标准具体为：

||g(x

x

所述根据暂优解寻找最优解具体为：使用启发式算法在暂优解的周围寻找最优解；或将暂优解大于一半的y变量固定，只挑选剩余部分y带入多能源规划问题，利用B&C算法求解出满足全局约束的最优解。

(10)检查是否满足迭代停止条件，若不满足，将迭代次数加1，并返回执行步骤(3)；若满足，则停止迭代，将当前最优解作为多能源规划的规划方案输出。

迭代停止条件具体为：

||g(x

其中，x

本发明可以采用计算机程序代码来实现，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机可执行程序的代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。