含有风、光和负荷不确定的热电联供系统双层优化方法技术方案

本发明专利技术请求保护一种含有风、光和负荷不确定的热电联供系统双层优化方法。本发明专利技术采用改进的随机模型预测控制，首先采用卡尔曼滤波方法对风、光和负荷进行预测，采用双层优化实现互动反馈，选取经济性、环保、能效指标综合最优为目标，建立双层协同滚动优化设计模型，第一层采用离散粒子群算法，根据优化结果确定系统运行在“以热定电”模式还是在“以电定热”模式，第二层改进粒子群算法求解优化模型，得到的各设备的出力情况，使系统运行在最优的情况，以减少能源的浪费和对环境的污染，实现节能减耗的目的。的目的。的目的。

【技术实现步骤摘要】
含有风、光和负荷不确定的热电联供系统双层优化方法


[0001]本专利技术属于综合能源系统
，具体是一种含有新能源发电的热电联合 调度优化方法。

技术介绍

[0002]近些年来，传统化石能源带来的污染问题愈加严重。风能、太阳能等可再 生能源因其分布广泛、储量丰富、开发潜力大以及绿色无污染的特点受到广泛 关注。因此，根据现行主流技术，热电联产(CHP)是解决燃料经济利用的方法之 一。热电联产同时提供电能和热能的高效联合生产方式，首先将高温高压的蒸 汽通入燃气轮机做功，再将做功的蒸汽用于供热，减少系统能源损失，实现了 能源的梯度利用。然而，由于风力、光伏发电、热负荷等具有随机性，如何在 运行生产电负荷和热负荷的状态下，提高能源利用率，使得热负荷的分配实现 经济效益的最大化，运行成本最低和排放最小化，是我们追求的目标。
[0003]现有热电联合优化调度方法主要有智能优化算法和数学优化算法。智能算法 在此类求解问题中被广泛应用，其普遍的优点是不需要精确的方案结构而且模 型中约束条件可以是不连续、非线性的；其缺点是参数的选取存在人为主观性。 数学优化算法的优点是运算速度快，得到的解是全局最优解，且避免了选择参 数的主观性，其缺点是模型的优劣直接影响预测模型的预测精度，进而可能导 致系统优化策略无法达到最优。
[0004]经过检索，申请公开号CN109245093A，一种冷热电联供分布式能源站协同 优化调度方法，包括以下步骤：步骤1：根据冷热电联供分布式能源站各部分设 备运行特性建立考虑经济效益规划运行模型；步骤2：综合考虑环境成本和经济 运行成本，将排放污染物和环境承载力用经济学方法来表示，针对冷热电联供 分布式能源站各部分设备的运行模型结合约束条件构建整体优化调度模型；步 骤3：利用改进优化的基于蜂群优化算子的自适应粒子群优化算法对整体优化调 度模型进行求解进而得出冷热电联供分布式能源站各部分设备最优调度策略。 与现有技术相比，本专利技术具有准确提供调度计划，易于工程技术人员使用，算 法运行速度快，精度高，全局优化能力强等优点。
[0005]该专利主要根据冷或热的情况来确定发电设备和制热或冷设备的出力情况， 运行在“以热定电”模式，在用电高峰时从电网购电，加大了平峰填谷的难度， 而且适应负荷的变化性能差，机组的发电量受制于冷热负荷的变化。本专利通 过建立双层优化方法，第一层以系统的运行模式为优化变量，根据不同需求使 系统运行在“以热定电”或“以电定热”模式，增加了系统平峰填谷的能力， 增强了系统的灵活性，使得能源利用率提高。第二层从成本、和污染排放方面 考虑，优化系统各设备的出力情况，真正做到降低成本、节能减排。

技术实现思路

[0006]本专利技术旨在解决以上现有技术的问题。提出了一种含有风、光和负荷不确定 的热电联供系统双层优化方法。本专利技术的技术方案如下：
[0007]一种含有风、光和负荷不确定的热电联供系统双层优化方法，其包括以下 步骤：
[0008]S1：根据风机、光伏和负荷的历史数据，采用卡尔曼滤波方法进行预测得到 预测值；
[0009]S2:以成本节约率、能源节约率和二氧化碳减排率最优作为综合期望，构建 作第一层优化目标，采用离散粒子群算法优化第一层优化目标；
[0010]S3：以成本、一次能源消耗量和CO2排放量作为综合期望最小为第二层优化 目标，采用改进粒子群算法构优化第二层优化优化目标；
[0011]S4：根据步骤S3求得各设备的出力情况，使得系统运行在最优状态。
[0012]进一步的，所述步骤S1根据风机、光伏和负荷的历史数据，采用卡尔曼滤 波方法进行预测得到预测值,具体包括：
[0013]利用光伏、风机和负荷的历史数据的到未来特定时域N内的预测值；通过卡 尔曼滤波对风电、光伏和负荷功率进行短期的预测，动态预测方程如下：
[0014][0015]其中，为状态转移矩阵；y(k+1|k)、 y(k+2|k)
…
y(k+N|k)分别为k时刻对k+1、k+2
…
k+N时刻的预测值；
[0016]表示k
‑
1时刻对k
‑
1的动态预测；y(k
‑
1|k
‑
1)、 y(k|k
‑
1)
…
y(k+N
‑
1|k
‑
1)分别为k
‑
1时刻对k
‑
1、k
…
k+N
‑
1时刻的预测值；1时刻的预测值；分别为针对输入和干扰的阶跃响应系数；Δu(k
‑
1)＝u(k
‑
1)
‑
u(k
‑
2)，u(k
‑
1)、 u(k
‑
2)为k
‑
1、k
‑
2时的状态；Δf(k)＝f(k)
‑
f(k
‑
1)，f(k)为k时刻的可测干扰， f(k
‑
1)为k
‑
1时刻的可测干扰；e(k+1|k)、e(k+2|k)
…
e(k+N|k)为k+1、k+2
…ꢀ
k+N时刻的反馈。
[0017]进一步的，所述步骤S2具体包括：第一层优化考虑成本节约率、能源节约 率和二氧化碳减排综合期望最优为目标值进行求解，得到系统运行的模式，将 系统的性能指标、设备参数和第二层优化出的各设备出力情况作为第一层的输 入；第一层基于离散粒子群算法建立优化目标函数；目标函数为：
[0018]max W＝α1DCSR+α2CDRR+α3PESR
[0019]其中，0≤α1,α2,α3≤1，α1,α2,α3分别为成本节约率、CO2减排率和一次能源节约率 的权重系数；W为第一层求解目标；DCSR为日综合成本节约率；CDRR为CO2减 排率；PESR为一
次能源节约率。然后根据负荷运行情况，如果用户对电量需求 高于对热的需要，在此情况下，优先满足电量的供应，系统运行在“以电定热
”ꢀ
模式，此时若风力、光伏发电和储存的电能不能满足要求，则通过微型燃气轮 机进行发电以优先满足电量需求；如果用户一些负荷要求不高，对热量需求高 时，系统运行在“以热定电”模式，首先满足用户用热需求。
[0020]进一步的，所述采用改进粒子群算法构优化第二层优化优化目标，具体包括： 首先，初始化参数，对种群的规模M、加速因子c1，c2、粒子最大速度v
max
、最 大迭代次数进行初始化，将所有粒子的速度和位置进行随机初始化，将粒子位 置设为个体最优；粒子根据自身的飞行经验和群体飞行经验进行速度和位置的 调整，粒子i的第j维在t+1时刻的速度和位置的更新公式如下：
[0021]v
ij
(t+1)＝ωv
ij
(t)+c1r1(p
ij本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含有风、光和负荷不确定的热电联供系统双层优化方法，其特征在于，包括以下步骤：S1：根据风机、光伏和负荷的历史数据，采用卡尔曼滤波方法进行预测得到预测值；S2:以成本节约率、能源节约率和二氧化碳减排率最优作为综合期望，构建作第一层优化目标，采用离散粒子群算法优化第一层优化目标；S3：以成本、一次能源消耗量和CO2排放量作为综合期望最小为第二层优化目标，采用改进粒子群算法构优化第二层优化优化目标；S4：根据步骤S3求得各设备的出力情况，使得系统运行在最优状态。2.根据权利要求1所述的一种含有风、光和负荷不确定的热电联供系统双层优化方法，其特征在于，所述步骤S1根据风机、光伏和负荷的历史数据，采用卡尔曼滤波方法进行预测得到预测值,具体包括：利用光伏、风机和负荷的历史数据的到未来特定时域N内的预测值；通过卡尔曼滤波对风电、光伏和负荷功率进行短期的预测，动态预测方程如下：其中，为状态转移矩阵；y(k+1|k)、y(k+2|k)
…
y(k+N|k)分别为k时刻对k+1、k+2
…
k+N时刻的预测值；表示k
‑
1时刻对k
‑
1的动态预测；y(k
‑
1|k
‑
1)、y(k|k
‑
1)
…
y(k+N
‑
1|k
‑
1)分别为k
‑
1时刻对k
‑
1、k
…
k+N
‑
1时刻的预测值；1时刻的预测值；分别为针对输入和干扰的阶跃响应系数；Δu(k
‑
1)＝u(k
‑
1)
‑
u(k
‑
2)，u(k
‑
1)、u(k
‑
2)为k
‑
1、k
‑
2时的状态；Δf(k)＝f(k)
‑
f(k
‑
1)，f(k)为k时刻的可测干扰，f(k
‑
1)为k
‑
1时刻的可测干扰；e(k+1|k)、e(k+2|k)
…
e(k+N|k)为k+1、k+2
…
k+N时刻的反馈。3.根据权利要求2所述的一种含有风、光和负荷不确定的热电联供系统双层优化方法，其特征在于，所述步骤S2具体包括：第一层优化考虑成本节约率、能源节约率和二氧化碳减排综合期望最优为目标值进行求解，得到系统运行的模式，将系统的性能指标、设备参数和第二层优化出的各设备出力情况作为第一层的输入；第一层基于离散粒子群算法建立优化目标函数；目标函数为：max W＝α1DCSR+α2CDRR+α3PESR
其中，0≤α1,α2,α3≤1，α1,α2,α3分别为成本节约率、CO2减排率和一次能源节约率的权重系数；W为第一层求解目标；D...

【专利技术属性】
技术研发人员：丁宝苍，曾宇龙，丁瑞豪，李想，原鹏程，苏本吉，杜凯，卢彦，靳璐，王首刚，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：