[发明专利]一种基于粒子群算法的计及产能节点使用寿命的产能分配方法

摘要

本发明公开了一种基于粒子群算法的计及产能节点使用寿命的产能分配方法，本发明根据能源互联网中产能节点的使用寿命，提出寿命损耗率模型决定产能节点在不同阶段的最大产能功率，并结合能量传输损耗、环境效益等多因素进行产能分配的方法，从而最大化产能效率及产能收益。本发明采用启发式的粒子群算法，模拟群体智能，将决策变量看作一个个粒子，拥有位置和速度两个属性，并根据自身找到的最优解和参考共享于整个群体的最优解调整自身的位置，使整个种群大致向同一个位置进行聚集，这个位置便是最优解，即最佳分配方案。本发明对于能源互联网中多能源形式共存的产能分配问题具有重要的科学意义和应用价值。

主权项

1.一种基于粒子群算法的计及产能节点使用寿命的产能分配方法，其特征在于，包括以下步骤：(1)获取能源互联网产能区域多种能源形式的产能节点，产能节点的编号M表示为：其中，n为该产能区域的产能节点数量，产能节点在时刻t可发功率P表示为：其中，Pi(t)为产能节点i在时刻t的可发功率；(2)将产能节点的寿命损耗率γP与运行功率的关系设置为指数模型，表示为：其中，γ0为该节点没有运行时的自然损耗率，b为待拟合常数，P为实际功率，Pn为额定功率；引入关于使用时间的修正系数γt，设置为分段函数模型，表示为：其中，Tn为节点始终处于额定功率下的使用寿命，则修正之后的节点总寿命损耗率γ(P,t)表示为：γ(P,t)＝γP·γt当节点始终处于满载状态，即额定功率运行状态下，寿命损耗率γ(P,t)由1下降至阈值α时无法继续使用，满足：每个节点有其对应的α,Tn,γ0值，由此拟合出节点损耗率模型中的b值；当节点分别处于过载、满载与轻载运行状态时，寿命损耗率γ(P,t)同样在下降至阈值α时无法继续使用，则节点实际运行寿命T满足条件：其中，T1,T2,T3为节点分别在过载、满载、轻载运行状态下的运行时间，由此条件分配T1,T2,T3值，即节点处于不同运行状态的持续时间；在产能分配中，每个产能节点根据自身寿命损耗率的模型控制其处于过载、满载及轻载运行状态的时间，不同的运行状态对应不同的产能性能，通过建立模糊规则表示与使用时间相关的性能系数Wage，模糊规则的应用如下表示：(3)获取能源互联网中不同能源类型负荷的功率需求，表示为：PL(t)＝[PL1(t),PL2(t),...,PLs(t)]其中，s为负荷总数，PLj(t)为负荷j在t时刻所需功率；每个产能节点能够同时向多个负荷进行供能，产能节点i向s个负荷进行供能的分配表示为：其中，αij为产能节点i向负荷j发送功率与自身可发最大功率的百分比，满足条件αi1+αi2+...+αis≤1；(4)产能节点向负荷供能时首先需要将自身的能源类型转换为负荷需求的能源类型，对应的转换效率ηc表示为：其中，ηcij为产能节点i的能源类型转换为负荷j所需能源类型转换的效率；产能节点将能源类型转换为负荷需求的能量类型之后，在向负荷传输过程会造成能量的损耗，传输效率ηt表示为：其中，Dij为产能节点i与负荷j的能量传输距离，δj为负荷j所需能量类型对应的单位传输距离的能量损耗率；(5)获取不同能源类型各自的实时价格C(t)，表示为：其中，C_i(t)为产能节点i对应能源类型在t时刻的实时价格，能源类型相同的产能节点对应实时价格相同，将实时价格C_i(t)归一化至0到1之间的系数表示为：(6)不同能源类型产能时对环境的影响不同，使用模糊规则对环境效益系数Wen进行评估，风力发电和光伏发电的环境效益定义为高，天然气产能的环境效益定位为正常，火力发电的环境效益定义为低，模糊规则的应用如下：(7)在产能分配中综合考虑产能节点使用寿命、能量转换效率、能量传输效率、能源实时价格以及环境效益五项因素来进行产能的分配，五项因素的考虑权重W表示为：W＝[w1,w2,w3,w4,w5]其中，wk表示第k项因素的权重，满足w1+w2+w3+w4+w5＝1；(8)对于负荷j，在t时刻每个产能节点向其供能的占比β(t)表示为：βj(t)＝[β1j(t),β2j(t),...,βnj(t)]其中，βij(t)为t时刻产能节点i向负荷j供能与负荷所需能量的占比，满足β1j+β2j+...+βnj＝1，则t时刻向负荷j供能分配方案的性能指标为：目标函数为在时间周期Tduration内所有负荷的性能指标之和，表示为：目标函数越大，对应的分配方案越好，约束条件为：对任意负荷j，都有其中，nj为向负荷j进行供能的节点个数，Pij为产能节点i向负荷j供能的实际功率，满足条件：其中，为产能节点i向负荷j供能时所发最大功率，满足：(9)采用启发式的粒子群算法求解目标函数，获取最佳产能分配方案，即每个节点向每个负荷进行供能的功率与自身所发最大功率的占比；目标函数的求解过程具体如下：(9.1)选取每个节点向每个负荷进行供能的功率与自身所发最大功率的占比为初始占比，初始占比为s·n矩阵，作为种群中的一个个体；初始化个体数量、最大迭代次数，并设置位置参数限制、速度限制、惯性权重w、自我学习因子c1、群体学习因子c2；初始化种群位置x(1)、种群速度v(1)、每个个体及种群的历史最佳位置、历史最佳适应度；(9.2)对种群中的每个个体l，根据其个体历史最佳位置以及群体历史最佳位置对l的速度和位置进行更新，在l的速度和位置更新后首先对其速度及位置进行边界处理，处理方式为超出边界的部分赋值为边界值，之后选择出符合约束条件的速度与位置更新值，作为该个体新的速度与位置；对l的速度和位置的更新按以下公式计算：其中，vl(k)为种群中第l个个体的当前速度，vl(k‑1)为第l个个体的上次更新的速度，r1，r2为0到1之间的随机数，pi为第l个个体历史最佳位置，xl(k)为第l个个体当前位置，xl(k‑1)为第l个个体的上次更新的位置，pg为群体的历史最佳位置；(9.3)计算l在新的位置xl(k)下的目标函数值fk，如果fk大于l的个体历史最佳位置pl对应的目标函数值，则将个体历史最佳位置更新为xl(k)，如果fk大于群体的历史最佳位置pg对应的目标函数值，则将群体历史最佳位置更新为xl(k)；(9.4)令k＝k+1,返回步骤(9.2)，直到达到最大迭代次数时，种群停止移动，记录种群历史最优值，得到最佳分配方案。