一种基于改进粒子群算法的综合能源系统优化调度方法与流程

[0001]
本发明涉及一种综合能源系统，具体为一种基于改进粒子群算法的综合能源系统优化调度方法。


背景技术：

[0002]
随着社会经济的发展，能源需求量越来越大，全球面临严重的能源危机，同时像煤、石油等不可再生能源的大量燃烧会加剧地球温室效应以及酸雨的形成，这对环境污染造成很大的影响。因此，急需发展可再生能源，构建多能互补，能量梯级利用的新型能源体系。
[0003]
园区综合能源系统是一种包括能量提供端，能量转换端，能量存储端和能量需求端的一种冷热电气多能耦合系统，它打破了传统的分供系统的运行模式，实现了能量的梯级利用，所以制定一个合理的优化调度方案可以有效的提高综合能源利用率，降低系统成本，减少环境污染。
[0004]
一个合理的调度方案依赖于好的方法，目前，对于综合能源系统优化调度领域，所应用的方法大部分是群智能算法，粒子群算法操作参数少，易于实现等优点可以应用于优化调度过程中，但是传统的粒子群算法存在易于陷入局部最优、缺乏多样性等缺点，导致综合能源系统24小时日调度不精确，进而导致经济成本增加环境污染严重。


技术实现要素：

[0005]
针对现有技术中综合能源系统上等不足，本发明要解决的问题是提供一种可以精确且快速求出系统内各个设备在某一时刻的出力情况，达到降低系统成本和保护环境目的的基于改进粒子群算法的综合能源系统优化调度方法。
[0006]
为解决上述技术问题，本发明采用的技术方案是：
[0007]
本发明提供基于改进粒子群算法的综合能源系统优化调度方法，包括以下步骤：
[0008]
1)给出园区综合能源系统内部各个设备产生的冷热电的能量流动关系，构建综合能源系统；
[0009]
2)在建综合能源系统中对园区综合能源系统内部各个设备建模；
[0010]
3)建立园区综合能源系统的优化调度模型及目标函数；
[0011]
4)确定园区综合能源系统约束条件；
[0012]
5)基于上述优化调度模型、目标函数以及约束条件，引入改进粒子群算法对园区综合能源系统进行优化调度，在基本粒子群算法基础上，采用多种群、综合学习策略和时变参数的方法进行粒子更新，将该改进算法应用于综合能源系统优化调度中，获得最优解，实现系统的冷热电优化调度。
[0013]
步骤5)中，采用多群和时变参数的方法，应用综合学习策略的方法进行粒子更新，具体为：
[0014]
501)初始化粒子群的速度和位置，生成n个粒子，分别代表园区综合能源系统各个
设备的出力大小的n个估计值，每个粒子对应的位置向量为xi＝{xi1,xi2,...,xid}(i＝1,2,...,n)，对应的速度向量为vi＝{vi1,vi2,...,vid}(i＝1,2,...,n)，每个粒子有d个维度，这里d表示园区综合能源系统可调度的变量，即微型燃气轮机出力，风力发电出力，光伏发电出力，大电网出力，蓄电池出力；
[0015]
502)基于改进粒子群的分群方法，将n个粒子分成两个种群，第一个种群为局部搜索群g1，大小为n1，g1负责局部搜索，加快收敛；第二个种群为全局搜索群g2,大小为n2，g2负责全局搜索，保证种群多样性；n＝n1+n2；
[0016]
503)为g1种群中每个粒子的每个维度构建初始学习模范pbest，对于第i个粒子的第d维，随机选择两个粒子，比较他们的适应度函数值，优胜者作为第i个粒子的第d维的学习模范；
[0017]
504)基于改进的惯性权重，各群的加速因子如下，惯性权重ω可采用随迭代次数递减的计算方法，g1群的加速因子c在[2.5,0.5]线性递减，g2群的加速因子c1[3,1.5]线性递减,c2[1.5,3]线性递增；
[0018]
505)基于改进的速度更新公式更新各种群粒子速度v
i
和位置x
i
；
[0019]
506)将园区综合能源系统可调度变量作为改进粒子群算法的输入参数，计算每个粒子的适应度函数值，更新历史最优解和全局最优解；
[0020]
507)重复步骤504～506)，当达到迭代最大值时，输出参数；输出的x即为微型燃气轮机出力，光伏发电出力，风力发电出力，大电网出力，蓄电池出力情况；输出的适应函数值为目标函数的最小值，即园区综合能源系统的最低成本。
[0021]
步骤505)中基于改进的速度更新公式更新各种群粒子速度v
i
和位置x
i
，其中，g1群粒子负责局部搜索，g1群的速度更新公式忽略速度项，同时向学习榜样p
best
学习，g2群粒子负责全局搜索，g2群粒子向该粒子的历史最优和g2群的全局最优学习；具体速度位置更新公式如下所示：
[0022]
g1群：v
i,d
＝c*rand
i,d
*(pbest
d-x
i,d
)
ꢀꢀꢀ
(21)
[0023]
x
i,d
＝x
i,d
+v
i,d
ꢀꢀꢀ
(22)
[0024]
g2群：v
i
＝ω*v
i
+c1*rand1
i
*(x
i,pbest-x
i
)+c2*rand2
i
*(x
gbest-x
i
)
ꢀꢀꢀ
(23)
[0025]
x
i
＝x
i
+v
i
ꢀꢀꢀ
(24)
[0026]
pbest
d
为g1群第i个粒子的第d维的学习榜样，x
i,pbest
为g2群第i个粒子的历史最优，x
gbest
为g2群的全局最优，rand
i,d
、rand1
i
、rand2
i
都是[0,1]的随机数；ω为惯性权重，c为g1群的加速因子，c1、c2分别为g2群的加速因子，v
i,d
为第i个粒子d维上的速度，x
i，d
为第i个粒子d维上的位置。
[0027]
步骤1)中，园区综合能源系统内部各个设备产生的冷热电的能量流动关系包括电能版块和热能版块电能版块包括风力发电、光伏发电、微型燃气轮机提供电能，蓄电池存储电能；热能版块包括微型燃气轮机、余热锅炉和电锅炉提供热能；其中微型燃气轮机通过燃气产生的热能分别用于溴化锂吸收式制冷所需的热能和提供给余热锅炉进一步满足热负荷，电锅炉消耗电能产生热能提供给热负荷；溴化锂机组吸收微型燃气轮机的余热产生冷能提供给冷负荷，电制冷机组消耗电能产生冷能提供给冷负荷；风力、光伏发电提供电能，微型燃气轮机燃烧天然气提供电能，蓄电池存储电能。
[0028]
步骤2)中，对园区综合能源系统内部各个设备建模包括对风力发电机组、光伏发
电机组、微型燃气轮机、余热锅炉、溴化锂制冷机组、电制冷机组、电锅炉、蓄电池的建模，具体为：
[0029]
201)建立风力发电的数学模型
[0030]
风力发电机组的输出功率用如下公式(1)表示：
[0031][0032]
其中，p
wt
为风机的实际输出功率，v
c
为切入风速，v
f
为切出风速，v
r
为额定风速，v
k
为k时刻当地风速，为k时刻切入风速，为k时刻额定风速，p
r
为风机的额定输出功率；
[0033]
202)建立光伏发电的数学模型
[0034]
光伏发电机组的输出功率用如下公式(2)表示：
[0035]
p
pv
＝p
stc
g
ac
[1+k(t
c-t
r
)]/g
stc
ꢀꢀꢀ
(2)
[0036]
其中，g
ac
为实际的光照强度；p
stc
为最大测试功率；g
stc
为标准情况下光辐射强度值；k为功率温度系数；t
c
为电池板表面实际工作温度；t
r
为参考温度；
[0037]
203)建立微型燃气轮机的数学模型
[0038]
微型燃气轮机的输出功率用如下公式(3)表示：
[0039][0040]
其中，q
mt
是发电部分排出的烟气的余热量；p
e
是燃气轮机的出力；η
e
是燃气轮机的发电效率；η
l
是燃气轮机的散热损失系数；
[0041]
204)微型燃气轮机的消耗的天然气量用如下公式(4)表示：
[0042][0043]
其中，p
e
是燃气轮机的出力，η
e
是燃气轮机的发电效率，是δt时间内燃气轮机消耗的天然气量，lhv
g
是天然气最低热值；
[0044]
205)建立余热锅炉的数学模型
[0045]
余热锅炉的输出功率用如下公式(6)表示：
[0046][0047]
其中，h
b
(t)为t时段余热锅炉的制热功率输出；η
l
为燃气轮机散热损失系数；η
b
为热回收效率；cop
b
为余热锅炉的能效比；p
mt
(t)为t时刻微型燃气轮机发电功率；η
mt
为微型燃气轮机的热效率；
[0048]
206)建立溴化锂吸收式制冷机组的数学模型
[0049]
溴化锂吸收式制冷机组的输出功率用如下公式(7)表示：
[0050]
q
ac
(t)＝h
ac
(t)
·
cop
ac
ꢀꢀꢀ
(6)
[0051]
其中：q
ac
(t)、h
ac
(t)分别为t时段溴化锂吸收式制冷机的制冷功率输出和吸收的
热功率，cop
ac
为溴化锂吸收式制冷机的能效比；
[0052]
207)建立电制冷机组的数学模型
[0053]
电制冷机组的输出功率用如下公式(8)表示：
[0054]
q
ec
(t)＝p
ec
(t)
·
cop
ec
ꢀꢀꢀ
(7)
[0055]
其中：q
ec
(t)、p
ec
(t)分别为t时段电制冷机的制冷功率输出和消耗的电功率；cop
ec
为电制冷机的能效比；
[0056]
208)建立电锅炉机组的数学模型
[0057]
电锅炉机组的输出功率用如下公式(8)表示：
[0058]
h
eh
(t)＝p
eh
(t)
·
cop
eh
ꢀꢀꢀ
(8)
[0059]
其中，h
eh
(t)、p
eh
(t)为t时段电锅炉的制热功率输出和消耗的电功率，cop
eh
为电锅炉的能效比；
[0060]
209)建立蓄电池的数学模型
[0061]
蓄电池的输出功率用如下公式(9)、(10)表示：
[0062]
充电过程：
[0063]
soc(t)＝(1-δ)soc(t-1)-p
bt,c
·
δt
·
η
c
/e
c
ꢀꢀꢀ
(9)
[0064]
放电过程：
[0065]
soc(t)＝(1-δ)soc(t-1)-p
bt,f
·
δt/e
c
·
η
d
ꢀꢀꢀ
(10)
[0066]
其中，soc(t)和soc(t-1)分别为第t和t-1时段结束时储能蓄电池的剩余电量；δ和e
c
分别为储能蓄电池的自放电率和额定容量；p
bt,c
为储能蓄电池充电功率，为负值；p
dt,f
为储能蓄电池放电功率，为正值：η
c
和η
d
分别为储能蓄电池的充电效率和放电效率。
[0067]
本发明具有以下有益效果及优点：
[0068]
1.本发明在满足园区用户冷热电需求和综合能源系统内部各设备安全运行约束下，以综合成本最低为目标进行优化求解，采用本文改进的粒子群算法进行求解，可以精确且快速求出系统内各个设备在某一时刻的出力情况，达到降低系统成本和保护环境的目的。
[0069]
2.测试数据表明，本发明采用改进的ipso寻优速度和寻优精度，要高于其他几种算法，且rastrigin函数直接求得最优值0，充分说明ipso在单峰和多峰函数上都优于其他算法，证明该算法的有效可行性，并将该算法应用于综合能源系统优化调度模型中，可得到一天24小时的优化调度结果。
[0070]
3.本发明方法采用了改进粒子群算法，可同时应用于其他行业，没有局限性，为科技发展提供参考。
附图说明
[0071]
图1为本发明基于改进粒子群算法的综合能源系统优化调度方法流程图；
[0072]
图2为本发明基于改进粒子群算法的综合能源系统优化调度方法采用的结构示意图；
[0073]
图3为本发明改进粒子群算法在单峰函数sphere与其他三种算法的对比图；
[0074]
图4为本发明改进粒子群算法在多峰函数rastrigin与其他三种算法的对比图；
[0075]
图5为本发明改进粒子群算法应用于综合能源系统24小时的优化调度图。
具体实施方式
[0076]
下面结合说明书附图对本发明作进一步阐述。
[0077]
如图1所示，本发明提供一种基于改进粒子群算法的综合能源系统优化调度方法，包括以下步骤：
[0078]
1)给出园区综合能源系统内部各个设备产生的冷热电的能量流动关系，构建综合能源系统；
[0079]
2)在建综合能源系统中对园区综合能源系统内部各个设备建模；
[0080]
3)建立园区综合能源系统的优化调度模型及目标函数；
[0081]
4)确定园区综合能源系统约束条件；
[0082]
5)基于上述优化调度模型、目标函数以及约束条件上，引入基本粒子群算法对园区综合能源系统进行优化调度，在基本粒子群算法基础上，采用多种群、综合学习策略和时变参数的方法进行种群更新，将该改进算法应用于综合能源系统优化调度中，获得最优解，实现系统的冷热电优化调度。
[0083]
本实施例以拥有风力发电、光伏发电、微型燃气轮机、微型燃气轮机、余热锅炉和电锅炉等能源设备的工业园区为例，具体说明如下：
[0084]
步骤1)中，给出园区综合能源系统内部各个设备产生的冷热电的能量流动关系，得到图2所示的园区综合能源系统图。
[0085]
园区综合能源系统内部各个设备产生的冷热电的能量流动关系包括电能版块和热能版块电能版块包括风力发电、光伏发电、微型燃气轮机提供电能，蓄电池存储电能；热能版块包括微型燃气轮机、余热锅炉和电锅炉提供热能；其中微型燃气轮机通过燃气产生的热能分别用于溴化锂吸收式制冷所需的热能和提供给余热锅炉进一步满足热负荷，电锅炉消耗电能产生热能提供给热负荷；溴化锂机组吸收微型燃气轮机的余热产生冷能提供给冷负荷，电制冷机组消耗电能产生冷能提供给冷负荷；风力、光伏发电提供电能，微型燃气轮机燃烧天然气提供电能，蓄电池存储电能。不满足电负荷时可以向大电网购电，多余电能时可以卖给大电网。
[0086]
步骤2)中，对园区综合能源系统内部各个设备建模包括对风力发电机组(wt)、光伏发电机组(pv)、微型燃气轮机(mt)、余热锅炉(b)、溴化锂制冷机组(ac)、电制冷机组(ec)、电锅炉(eh)、蓄电池(bt)的建模，具体为：
[0087]
201)建立风力发电的数学模型
[0088]
风力发电机组的输出功率用如下公式(1)表示：
[0089][0090]
其中，p
wt
为风机的实际输出功率，v
c
为切入风速，v
f
为切出风速，v
r
为额定风速，v
k
为k时刻当地风速，为k时刻切入风速，为k时刻额定风速，p
r
为风机的额定输出功率。
[0091]
202)建立光伏发电的数学模型
[0092]
光伏发电机组的输出功率用如下公式(2)表示：
[0093]
p
pv
＝p
stc
g
ac
[1+k(t
c-t
r
)]/g
stc
ꢀꢀꢀ
(2)
[0094]
其中，g
ac
为实际的光照强度；p
stc
为最大测试功率；g
stc
为标准情况下光辐射强度值1kw/m2；k为功率温度系数，其值-0.47％/k；t
c
为电池板表面实际工作温度；t
r
为参考温度，其值为25℃；
[0095]
203)建立微型燃气轮机的数学模型
[0096]
微型燃气轮机的输出功率用如下公式(3)表示：
[0097][0098]
其中，q
mt
是发电部分排出的烟气的余热量；p
e
是燃气轮机的出力；η
e
是燃气轮机的发电效率；η
l
是燃气轮机的散热损失系数。
[0099]
204)微型燃气轮机的消耗的天然气量用如下公式(4)表示：
[0100][0101]
其中，p
e
是燃气轮机的出力，η
e
是燃气轮机的发电效率，是δt时间内燃气轮机消耗的天然气量，lhv
g
是天然气最低热值。
[0102]
205)建立余热锅炉的数学模型
[0103]
余热锅炉的输出功率用如下公式(6)表示：
[0104][0105]
其中，h
b
(t)为t时段余热锅炉的制热功率输出；η
l
为燃气轮机散热损失系数；η
b
为热回收效率；cop
b
为余热锅炉的能效比；p
mt
(t)为t时刻微型燃气轮机发电功率；η
mt
为微型燃气轮机的热效率；
[0106]
206)建立溴化锂吸收式制冷机组的数学模型
[0107]
溴化锂吸收式制冷机组的输出功率用如下公式(7)表示：
[0108]
q
ac
(t)＝h
ac
(t)
·
cop
ac
ꢀꢀꢀ
(6)
[0109]
其中：q
ac
(t)、h
ac
(t)分别为t时段溴化锂吸收式制冷机的制冷功率输出和吸收的热功率，cop
ac
为溴化锂吸收式制冷机的能效比；
[0110]
207)建立电制冷机组的数学模型
[0111]
电制冷机组的输出功率用如下公式(8)表示：
[0112]
q
ec
(t)＝p
ec
(t)
·
cop
ec
ꢀꢀꢀ
(7)
[0113]
其中：q
ec
(t)、p
ec
(t)分别为t时段电制冷机的制冷功率输出和消耗的电功率；cop
ec
为电制冷机的能效比；
[0114]
208)建立电锅炉机组的数学模型
[0115]
电锅炉机组的输出功率用如下公式(8)表示：
[0116]
h
eh
(t)＝p
eh
(t)
·
cop
eh
ꢀꢀꢀ
(8)
[0117]
其中，h
eh
(t)、p
eh
(t)为t时段电锅炉的制热功率输出和消耗的电功率，cop
eh
为电锅炉的能效比；
[0118]
209)建立蓄电池的数学模型
[0119]
蓄电池的输出功率用如下公式(9)、(10)表示：
[0120]
充电过程：
[0121]
soc(t)＝(1-δ)soc(t-1)-p
bt,c
·
δt
·
η
c
/e
c
ꢀꢀꢀ
(9)
[0122]
放电过程：
[0123]
soc(t)＝(1-δ)soc(t-1)-p
bt,f
·
δt/e
c
·
η
d
ꢀꢀꢀ
(10)
[0124]
其中，soc(t)和soc(t-1)分别为第t和t-1时段结束时储能蓄电池的剩余电量；δ和e
c
分别为储能蓄电池的自放电率和额定容量；p
bt,c
为储能蓄电池充电功率，为负值；p
dt,f
为储能蓄电池放电功率，为正值：η
c
和η
d
分别为储能蓄电池的充电效率和放电效率，充电效率一般取0.65-0.85，放电效率一般取1。
[0125]
步骤3)，建立园区综合能源系统的优化调度模型及目标函数
[0126]
本实施例中，建立的园区综合能源系统的优化调度模型通过以下目标函数实现：
[0127][0128]
其中，f为园区综合能源系统消耗的总成本；t为运行周期内的总时段数；c
gas
(t)、c
grid
(t)、c
en
(t)分别为t时段系统燃料成本、购电成本、污染物处理费用。
[0129]
步骤4)，建立园区综合能源系统约束条件：
[0130]
本实施例中，园区综合能源系统的约束条件包括：
[0131]
401)电能平衡条件
[0132]
电功率平衡约束方程：
[0133]
p
wt
(t)+p
pv
(t)+p
mt
(t)+p
grid
(t)+p
bt,f
(t)-p
bt,c
(t)-p
ec
(t)-p
eh
(t)＝p
e
(t)
ꢀꢀꢀ
(12)
[0134]
其中，p
wt
(t)为t时刻风力发电功率；p
pv
(t)为t时刻光伏发电功率；p
mt
(t)为t时刻微型燃气轮机发电功率；p
grid
(t)为t时刻从大电网购买的电能；p
bt,f
(t)为t时刻蓄电池放电量；p
bt,c
(t)为t时刻蓄电池充电量；p
ec
(t)为t时刻电锅炉消耗的电能；p
eh
(t)为t时刻压缩式制冷机组消耗的电能；p
e
(t)为t时刻综合能源系统所需的电负荷。
[0135]
402)热能平衡条件
[0136]
热功率平衡约束方程：
[0137]
p
eh
(t)
·
η
eh
+h
mt
(t)+h
gb
(t)-h
ac
(t)＝q
h
(t)
ꢀꢀꢀ
(13)
[0138]
其中，η
eh
为电锅炉的热转换率；h
mt
(t)为t时刻余热锅炉的产热量；h
ac
(t)为溴化锂吸收式制冷机组在t时刻消耗的热量；q
h
(t)为t时刻综合能源系统所需的热负荷。
[0139]
403)冷能平衡条件
[0140]
冷功率平衡约束方程：
[0141]
h
ac
(t)
·
cop
ac
+p
ec
(t)
·
cop
ec
＝q
c
(t)
ꢀꢀꢀ
(14)
[0142]
其中，cop
ac
为t时刻溴化锂吸收式制冷机冷却转换效率；cop
ec
为t时刻压缩式制冷机冷却转换效率；q
c
(t)为t时刻综合能源系统所需的冷负荷。
[0143]
404)各设备自身约束
[0144]
从大电网购买的电量：
[0145]
[0146]
其中，为从大电网卖的最大电能量；为从大电网买的最大电能量。
[0147]
电锅炉：
[0148][0149]
其中，为热锅炉最小电功率；为从热锅炉的最大电功率。
[0150]
微型燃气轮机：
[0151][0152]
其中，为微型燃气轮机最小电功率；为微型燃气轮机的最大电功率。
[0153]
溴化锂吸收式制冷机：
[0154][0155]
其中，为溴化锂吸收式制冷机的最小热功率；为溴化锂吸收式制冷机的最大热功率。
[0156]
溴化锂吸收式制冷机：
[0157][0158]
其中，为溴化锂吸收式制冷机的最小电功率；为溴化锂吸收式制冷机的最大电功率。
[0159]
蓄电池：
[0160][0161]
其中，为为蓄电池的最小剩余电量；为蓄电池的最大剩余电量。
[0162]
步骤5)中，采用多群和时变参数的方法，应用综合学习策略的方法进行种群更新，具体为：
[0163]
501)初始化粒子群的速度和位置，生成40(n＝n1+n2＝40)个粒子，分别代表园区综合能源系统各个设备的出力大小的40个估计值，每个粒子对应的位置向量为xi＝{xi1,xi2,...,xid}(i＝1,2,...,n)，对应的速度向量为vi＝{vi1,vi2,...,vid}(i＝1,2,...,n)，每个粒子有5(d＝5)个维度，这里d表示园区综合能源系统可调度的变量，即微型燃气轮机出力，风力发电出力，光伏发电出力，大电网出力，蓄电池出力；
[0164]
502)基于改进粒子群的分群方法，将40(n＝40)；个粒子分成两个种群，第一个种群为局部搜索群g1，大小为15(n1)，g1负责局部搜索，加快收敛；第二个种群为全局搜索群g2，大小为25(n2)，g2负责全局搜索，保证种群多样性，分种群规模是通过实验验证g1＝15，g2＝25最好；
[0165]
503)为g1种群中每个粒子的每个维度构建初始学习模范pbest，对于第i个粒子的第d维，随机选择两个粒子，比较他们的适应度函数值，优胜者作为第i个粒子的第d维的学习模范；
[0166]
504)基于改进的惯性权重，各群的加速因子如下，惯性权重ω可采用随迭代次数递减的计算方法，g1群的加速因子c在[2.5,0.5]线性递减，g2群的加速因子c1[3,1.5]线性
递减,c2[1.5,3]线性递增；
[0167]
505)基于改进的速度更新公式更新各种群粒子速度vi和位置xi；
[0168]
506)将园区综合能源系统可调度变量作为改进粒子群算法的输入参数，计算每个粒子的适应度函数值，更新历史最优解和全局最优解；
[0169]
507)重复步骤504～506)，当达到迭代最大值时，输出参数；输出的x即为微型燃气轮机出力，光伏发电出力，风力发电出力，大电网出力，蓄电池出力情况。输出的适应函数值为目标函数的最小值，即园区综合能源系统的总成本最低。
[0170]
步骤505)中基于改进的速度更新公式更新各种群粒子速度vi和位置xi，其中，g1群粒子负责局部搜索，g1群的速度更新公式忽略速度项，同时向学习榜样pbest学习，g2群粒子负责全局搜索，g2群粒子向该粒子的历史最优和g2群的全局最优学习；具体速度位置更新公式如下所示：
[0171]
g1群：v
i,d
＝c*rand
i,d
*(pbest
d-x
i,d
)
ꢀꢀꢀ
(21)
[0172]
x
i,d
＝x
i,d
+v
i,d
ꢀꢀꢀ
(22)
[0173]
g2群：v
i
＝ω*v
i
+c1*rand1
i
*(x
i,pbest-x
i
)+c2*rand2
i
*(x
gbest-x
i
)
ꢀꢀꢀ
(23)
[0174]
x
i
＝x
i
+v
i
ꢀꢀꢀ
(24)
[0175]
pbest
d
为g1群第i个粒子的第d维的学习榜样，x
i,pbest
为g2群第i个粒子的历史最优，x
gbest
为g2群的全局最优，rand
i,d
、rand1
i
、rand2
i
都是[0,1]的随机数；ω为惯性权重，c为g1群的加速因子，c1、c2分别为g2群的加速因子，v
i,d
为第i个粒子d维上的速度，x
i，d
为第i个粒子d维上的位置。
[0176]
图5为本发明改进粒子群算法应用于综合能源系统24小时的优化调度图，该图显示了一天24小时内，每小时该综合能源系统各个设备的出力情况，可以看出在不考虑初投资成本时，要优先利用可再生能源风能光能，微型燃气轮机24小时运行，满足大部分的电负荷，不满足部分在电价低时从大电网购买电，同时微型燃气轮机、溴化锂机组不能满足冷热平衡时，可以多从大电网购电提供给电制冷、电制热和蓄电池。电价高时可以优先蓄电池放电，不够在从大电网买电。
[0177]
本发明方法在满足园区用户冷热电需求和综合能源系统内部各设备安全运行约束下，以综合成本最低为目标进行优化求解，采用本文改进的粒子群算法进行求解，可以精确且快速求出系统内各个设备在某一时刻的出力情况，达到降低系统成本和保护环境的目的。
[0178]
改进的粒子群算法和其他四种算法进行测试时，图3为单峰sphere函数在不同算法中的适应度值变化曲线，图4为多峰rastrigin函数在不同算法中的适应度值变化曲线，可以看出改进的ipso寻优速度和寻优精度，都要高于其他几种算法，且rastrigin函数直接求得最优值0，充分说明ipso在单峰和多峰函数上都优于其他算法，将改进的ipso应用于综合能源系统模型中，可得到一天24小时的优化调度结果，得到各设备的出力情况，在满足多约束条件下实现经济成本最小，测试结果证明该算法的有效可行性，同时该改进粒子群算法也可以应用于其他行业，没有局限性，为科技发展提供参考。