[发明专利]基于多种群遗传算法的分段式综合能源系统运行优化方法

权利要求书

1.一种基于多种群遗传算法的分段式综合能源系统运行优化方法，其特征在于：

步骤1：根据“低谷-高峰-平段-高峰-平段”的分段电价，将24小时分为时段一、时段二、时段三、时段四、时段五的五个时段，时段一从时刻1到时刻T₁，时段二从时刻T₁+1到时刻T₂，时段三从时刻T₂+1到时刻T₃，时段四从时刻T₃+1到时刻T₄，时段五从时刻T₄+1到时刻24；

步骤2：构建包含五个时段的运行优化目标函数f₁，如下：

其中，c_gas表示燃气价格,c_i表示时段i从电网的购电价格，P_i,gas表示时段i冷热电联产系统的发电功率，P_i,net表示时段i从电网的购电量；

步骤3：构建包含五个时段的约束条件，包括：

(3-1)综合能源系统中，电功率平衡约束如下：

Aeq₁＝P_i,gas+P_i,net+P_i,pv+P_i,cd-P_i,eth-P_i,etc-eLoad_i

其中，Aeq₁＝0时满足电功率平衡约束，P_i,pv表示时段i光伏的发电功率，P_i,cd表示时段i储电设备的功率，P_i,eth表示时段i电制热设备的功率，P_i,etc表示时段i电制冷设备的功率，eLoad_i表示时段i的电力负荷的总需求；

(3-2)综合能源系统中，热功率约束如下：

A₁＝hLoad_i-ε₁·P_i,gas-η₁·P_i,eth-P_i,cr

其中，A₁0时满足热功率约束，hLoad_i表示时段i的热负荷的总需求，ε₁表示冷热电联产系统的热电比例系数，η₁表示电制热设备的转换效率，P_i,cr表示时段i储热设备的功率；

(3-3)综合能源系统中，冷功率约束如下：

A₂＝cLoad_i-ε₂·P_i,gas-η₂·P_i,etc-P_i,cl

其中，A₂0时满足冷功率约束，cLoad_i表示时段i的冷负荷的总需求，ε₂表示冷热电联产系统的冷电比例系数，η₂表示电制冷设备的转换效率，P_i,cl表示时段i储冷设备的功率；

(3-4)综合能源系统中，充放电约束如下：

其中，Aeq₂＝0时满足充放电约束；

(3-5)综合能源系统中，充放热约束如下：

其中，Aeq₃＝0时满足充放热约束；

(3-6)综合能源系统中，充放冷约束如下：

其中，Aeq₄＝0时满足充放冷约束；

(3-7)综合能源系统中，储电容量约束如下：

其中，i＝1,2,…,5；A₃0且A₄0时满足储电容量约束；表示前i个时段的储电设备功率累加值；W_d表示电池的额定容量；

(3-8)综合能源系统中，储热容量约束如下：

其中，i＝1,2,…,5；A₅0且A₆0时满足储电容量约束；表示前i个时段的储热设备功率累加值；W_r表示储热设备的额定容量；

(3-9)综合能源系统中，储冷容量约束如下：

其中，i＝1,2,…,5；A₇0且A₈0时满足储电容量约束；表示前i个时段的储冷设备功率累加值；W_l表示储冷设备的额定容量；

步骤4：构造待优化变量矩阵，具体表示为：Matrix1＝[P_i,gas,P_i,net,P_i,pv,P_i,cd,P_i,eth,P_i,etc,P_i,cr,P_i,cl],i＝1,2,…,5；Matrix1为一个1×40的矩阵；

步骤5：将步骤2的目标函数与步骤3的约束条件构造遗传算法的适应度函数f₂，公式如下：

步骤6：令w＝1,2,…,S；构建第w个遗传算法种群，采用二进制编码法将Matrix1中每一个变量用N个随机二进制码表示，则可以将Matrix1转换为一个包含40×N个二进制码的矩阵Matrix2，随机构造M个二进制码的矩阵Matrix2，进而得到初始化的遗传算法种群Matrix_w，Matrix_w为一个M行，40×N列的二进制码的矩阵；如此，共构建S个遗传算法种群，每个种群包含M个个体；

步骤7：每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrix_w进行进化；进化过程中，种群中适应度函数f₂最大的个体是最优个体，适应度函数f₂最小的个体是最劣个体，每一代进化中，将S个遗传算法种群中的S个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num1次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S-1；

步骤8：当精华种群中的最优个体经过num2次迭代后仍保持不变，则算法迭代终止，最后得到精华种群中使适应度函数f₂最大的二进制码的矩阵Matrix2_best，相应的，可得最优优化变量矩阵Matrix1_best＝[P_i,gas,best,P_i,net,best,P_i,pv,best,P_i,cd,best,P_i,eth,best,P_i,etc,best,P_i,cr,best,P_i,cl,best],i＝1,2,…,5；

步骤9：对时段一进行细化寻优，具体包括：

(9-1)构建时段一的运行优化目标函数f₃，如下：

其中，c_ki表示时刻k₁从电网的购电价格，P_k1,gas表示时刻k₁冷热电联产系统的发电功率，P_k1,net表示时刻k₁从电网的购电量；

(9-2)构建包含时段一的约束条件，包括：

(9-2-1)电功率平衡约束如下：

其中，Aeq₁₁＝0时满足电功率平衡约束，P_k1,pv表示时刻k₁光伏的发电功率，P_k1,cd表示时刻k₁储电设备的功率，P_k1,eth表示时刻k₁电制热设备的功率，P_k1,etc表示时刻k₁电制冷设备的功率，eLoad_k1表示时刻k₁的电力负荷的总需求；

(9-2-2)热功率约束如下：

其中，A₁₁0时满足热功率约束，hLoad_k1表示时刻k₁的热负荷的总需求，ε₁表示冷热电联产系统的热电比例系数，η₁表示电制热设备的转换效率，P_k1,cr表示时刻k₁储热设备的功率；

(9-2-3)冷功率约束如下：

其中，A₁₂0时满足冷功率约束，cLoad_k1表示时刻k₁的冷负荷的总需求，ε₂表示冷热电联产系统的冷电比例系数，η₂表示电制冷设备的转换效率，P_k1,cl表示时刻k₁储冷设备的功率；

(9-2-4)设备出力功率约束如下：

其中，Aeq₁₂、Aeq₁₃、Aeq₁₄、Aeq₁₅、Aeq₁₆、Aeq₁₇、Aeq₁₈、Aeq₁₉均等于0时，满足设备出力功率约束；

(9-2-5)储电容量约束如下：

其中，A₁₃0且A₁₄0时满足储电容量约束；表示前k₁个时段的储电设备功率累加值；W_d表示电池的额定容量；

(9-2-6)储热容量约束如下：

其中，A₁₅0且A₁₆0时满足储电容量约束；表示前k₁个时段的储热设备功率累加值；W_r表示储热设备的额定容量；

(9-2-7)储冷容量约束如下：

其中，A₁₇0且A₁₈0时满足储电容量约束；表示前k₁个时段的储冷设备功率累加值；W_l表示储冷设备的额定容量；

(9-3)构造时段一的待优化变量矩阵，具体表示为：Matrix4＝[P_k1,gas,P_k1,net,P_k1,pv,P_k1,cd,P_k1,eth,P_k1,etc,P_k1,cr,P_k1,cl],k₁＝1,2,…,T₁；Matrix4共包含8×T₁个变量；

(9-4)将步骤(9-1)的目标函数与步骤(9-2)的约束条件构造遗传算法的适应度函数f₄，公式如下：

g₁＝Aeq₁₁+Aeq₁₂+Aeq₁₃+Aeq₁₄+Aeq₁₅+Aeq₁₆+Aeq₁₇+Aeq₁₈+Aeq₁₉

g₂＝A₁₁+A₁₂+A₁₃+A₁₄+A₁₅+A₁₆+A₁₇+A₁₈

(9-5)令u＝1,2,…,S₁；构建第w个遗传算法种群，采用二进制编码法将Matrix4中每一个变量用N₁个随机二进制码表示，则可以将Matrix4转换为一个包含8×T₁×N₁个二进制码的矩阵Matrix5，随机构造M₁个二进制码的矩阵Matrix5，进而得到初始化的遗传算法种群Matrix_u，Matrix_u为一个M₁行，8×T₁×N₁列的二进制码的矩阵；如此，共构建S₁个遗传算法种群，每个种群包含M₁个个体；

(9-6)每个遗传算法种群，取不同的选择操作、交叉操作、变异操作控制参数，各自通过选择操作、交叉操作、变异操作对遗传算法种群Matrix_u进行进化；进化过程中，种群中适应度函数f₄最大的个体是最优个体，适应度函数f₄最小的个体是最劣个体，每一代进化中，将S₁个遗传算法种群中的S₁个最优个体挑选出来，放入精华种群中加以保存；同时，每经过num3次迭代，用第v个种群中最优个体替代第v+1种群中的最劣个体，v＝1,2,…,S₁-1；

(9-7)：当精华种群中的最优个体经过num4次迭代后仍保持不变，则算法迭代终止，最后得到使适应度函数f₄最大的二进制码的矩阵Matrix5_best，相应的，可得时段一的最优优化变量矩阵Matrix4_best＝[P_k1,gas,best,P_k1,net,best,P_k1,pv,best,P _k1,cd,best,P_k1,eth,best,P_k1,etc,best,P_k1,cr,best,P_k1,cl,best],k₁＝1,2,…,T₁；

步骤10：参照步骤9，依次对时段二、时段三、时段四、时段五进行细化寻优，分别得到时段二、时段三、时段四、时段五的最优优化变量矩阵；

步骤11：时段一、时段二、时段三、时段四、时段五的最优优化变量矩阵即为综合能源系统的运行优化结果。