基于分布式神经动态优化的综合能源系统多目标优化调度.docx资源-CSDN文库

版权申诉

177 浏览量 2023-02-23 16:49:28 上传评论收藏 1.53MB DOCX 举报

资源推荐

资源详情

资源评论

随着全球能源危机的加剧, 包含太阳能、风能等新能源, 并整合了电、气、热等多元

产、用能源形式的综合能源系统, 凭借其节能、环保和灵活等特点受到了世界各国的广泛

关注. 近年来, 国内外学者针对有关综合能源系统的各种关键理论与工程技术, 如优化调度

[1]

、发电预测

[2]

、协同控制

[3]

等, 开展了大量的科学研究和理论分析工作并得到了丰硕的研

究成果.

与已有电、气、热等单一供能系统一样, 在综合能源系统的运行过程中, 如何实现其

优化调度是人们最为关注的问题之一, 即如何在满足各机组单元运行约束的前提下, 通过优

化分配负荷需求并合理安排产能计划实现系统运行总成本(经济成本、环境成本等)最低

[4]

近年来, 针对综合能源系统的优化调度问题, 国内外科研学者提出了许多成熟的解决办法,

其总体上可以分为两类, 即集中式方法和分布式方法. 其中, 集中式方法主要包括解析式算

法和启发式算法, 如迭代法、牛顿法和遗传算法等. 1)解析式算法, 如: 文献[5]提出了一种

混合整数优化方法解决具有多不确定性的综合能源系统调度问题; 2)启发式算法, 如: 文献

[6]提出了一种基于直接搜索方法(Direct search method, DSM)的解决综合能源系统经济调度

问题的新方法, 该算法可以处理发电机的非线性特性所带来的问题. 集中式算法在获得最优

解方面具有一定优势, 但存在单点故障敏感、通信负担较大和隐私泄露等缺点. 较之于集中

式方法, 分布式方法可以利用稀疏的通信网络结构实现网络内各组件的分散式协作, 可有效

提高系统的鲁棒性和灵活性, 并兼具保护隐私等优点. 因此, 近年来基于分布式方法研究综

合能源系统的优化调度问题, 已经成为国内外学术界的研究热点. 文献[7]提出了一种智能

能源枢纽的分布式综合需求响应算法, 但它需要一个中央价格协调器和一个集中的通信网

络来更新当地的能源需求信息, 因而认为该算法是一种非完全分布式的方法; 文献[8]针对

多能源系统的优化调度问题提出了一种基于一致性的分布式方法; 文献[9]提出了一种针对

多能源需求的两层分布式优化策略, 以优化生产者的利润和用户的舒适度. 然而, 文献[8]和

文献[9]仅考虑了全局等式和局部不等式约束, 没有讨论电力线路传输约束等耦合约束; 文

献[10]提出了一种综合能源系统经济运行的分布式优化方法, 以适应间歇性可再生能源发

电. 但是它无法解决全局耦合的不可分离不等式约束, 所以没有考虑电网传输损耗等因素的

影响. 值得指出的是, 已有的研究成果大部分都是只考虑系统运行经济性的综合能源系统单

目标分布式优化调度方法, 而在兼顾系统经济性与环境友好性的多目标分布式优化调度策

略的研究尚较为不足. 近期, 在多目标分布式优化理论研究方面, 文献[11]中提出了一种基

于次梯度的多目标分布式优化算法, 并讨论了权重向量的选择与帕累托前沿(Pareto front)近

似误差之间的关系. 但是基于次梯度的方法需要减小步长才能得到精确的解, 这可能会限制

算法的性能. 文献[12]和文献[13]分别提出了基于迭代增广拉格朗日协调技术和扩散策略的

多目标分布式优化算法, 但是其算法处理的约束为等式约束和线性的不等式约束, 无法处理

更具一般性的约束. 针对一类带有一般性约束的非线性优化问题, 文献[14]提出了一种基于

切换拓扑的多目标分布式神经动态优化方法. 该方法可以有效处理更为一般的约束, 且较之

于现有多目标分布式优化方法具有可并行计算、收敛速度快和易于硬件实现的优点. 但是

该算法在权向量的选取上采用了人为选定方式, 因而无法覆盖整个权向量空间, 且要求目标

问题为凸优化问题. 然而, 综合能源系统的多目标优化调度问题具有耦合性强和约束一般性

强等特点, 并且在考虑能量传输损耗特性等因素时, 会造成目标问题具有非凸特性, 因此上

述所提算法不能直接应用于求解此类问题.

针对一类综合能源系统的优化调度问题, 本文提出了一种基于分布式神经动态优化的

多目标优化调度方法. 首先, 建立了此类综合能源系统兼顾系统经济性与环境友好性的多目

标优化调度模型, 该模型除考虑了系统能量平衡和设备特性约束等一般性约束外, 还同时考

虑了系统能量传输损耗与网络传输约束, 因而不同于大部分已有分布式优化方法, 本文需要

解决的是一类非凸的多目标优化问题; 其次, 针对此类问题, 本文提出了一种基于动态权重

的分布式神经动态优化算法, 该算法不仅可以有效处理文献[10]和文献[15]中无法解决的全

局耦合不可分离不等式约束, 进而解决能量传输损耗因素带来的非凸问题, 而且可在动态权

重系统的指导下生成不断变化的权向量, 使得智能体输出轨迹可涵盖整个帕累托前沿, 进而

有效解决此类非凸多目标优化问题; 此外, 该算法仅要求每个智能体与自己邻居节点交互部

分信息来计算本地最优解, 具有较高的灵活性和隐私性等优势. 最后, 本文搭建了 15 节点

的综合能源 MATLAB 仿真测试系统, 通过 2 个仿真算例, 验证了算法的正确性和有效性.

1. 电−气−热综合能源系统

本文考虑的综合能源系统如图 1 所示, 其主要设备包括: 1)仅发电装置, 包括常规发电

设备(Conventional generator, CG)、分布式可再生发电设备(Distributed renewable generator,

DRG)、燃料电机(Fuel generator, FG)和分布式电力储能设备(Distributed power storage device,

DPSD); 2)仅发热装置, 包括分布式可再生制热装置(Distributed renewable heating device,

DRHD)、燃料制热装置(Fuel heating device, FHD)和分布式蓄热装置(Distributed heat storage

device, DHSD); 3)热电联产装置(Combined heat and power device, CHP); 4)燃气供应商(Gas

producer, GP). 同时, 负荷(Energy load, EL)可分为 3 类, 即电负荷(Power load, PL)、热负荷

(Heat load, HL)和气负荷(Gas load, GL), 其中每类负荷都包含常规负荷和柔性负荷. 此类综

合能源系统可应用于现代工业园区和智能楼宇等场所.

图 1 本文所考虑的综合能源系统结构图

对于分布式可再生发电设备(DRG)来说, 主要能源是燃料成本为零的太阳能和风能.

由于间歇性和随机性的特点, 可再生发电设备一般被视为不可调度的单元. 为了在优化调度

中考虑这些问题, 本文参考文献[16]中对可再生发电设备的成本函数建模机理, 将 DRG 的

成本函数建模为

C(PRGi,t)=bRGiPRGi,t+εRGiexp⎛⎝γRGiPRG,maxi,t−PRGi,tPRG,maxi,t−PRG,mini,t⎞⎠C(Pi,tRG)=biRGPi,tRG+εiRGexp⁡(γiRGPi,tRG,max−Pi,tRGPi,tRG,max−Pi,tRG,min)

(3)

式中, bRGi>0biRG>0, εRGi>0εiRG>0 为可再生发电设备 ii 的成本系数, γRGi<0γiRG<0

为惩罚因子; PRGi,tPi,tRG 是由可再生发电设备 ii 在 tt 时刻产生的功率(单位:

MW); PRG,mini,tPi,tRG,min 和 PRG,maxi,tPi,tRG,max 是可再生发电设备的发电功率的下限和

上限(单位: MW). 此外, DRG 模型也可应用于 DRHD. 并设 HRHi,tHi,tRH 和

C(HRHi,t)C(Hi,tRH)分别表示相应的热功率和成本函数.

2.1.1.3 燃料电机运行成本

定义每个燃料电机(FG)的成本函数, 如式(4)所示.

C(PFGi,t)=aFGi(PFGi,t)2+bFGiPFGi,t+cFGi+εFGiexp(ηFGiPFGi,t)C(Pi,tFG)=aiFG(Pi,tFG)2+biFGPi,tFG+ciFG+εiFGexp⁡(ηiFGPi,tFG)

(4)

式中, aFGiaiFG, bFGibiFG, cFGiciFG, εFGiεiFG 和 ηFGiηiFG 表示非负成本系

数. PFGi,tPi,tFG 是第 ii 个 FG 在 tt 时刻的输出功率(单位: MW); 此外, 如果上述 FG 是燃气

轮机, 即消耗天然气产生电能, 则发电量与耗气量之间的关系可以用下式近似计算

gasFGi,t=θ(PFGi,tηFGi)gasi,tFG=θ(Pi,tFGηiFG)

(5)

式中, θθ 是单位 MW 与 SCM/h 的转化率, 值约 84. ηFGiηiFG 是燃气轮机的效率, 本文

取 0.8.

FG 模型也可应用于 FHD. 并设 HFHi,tHi,tFH 和 C(HFHi,t)C(Hi,tFH)分别表示相应的热

功率和成本函数. 如果加热装置是燃气锅炉, 则可以用以下方法近似估算气体消耗量:

gasFHi,t=θ(HFHi,tηFHi)gasi,tFH=θ(Hi,tFHηiFH)

(6)

式中, ηFHiηiFH 是燃气锅炉的效率, 本文取 0.8.

2.1.1.4 燃气供应商运行成本

将燃气供应商(GP)的成本函数建模为

C(gGPi,t)=aGPi(gGPi,t)3+bGPi(gGPi,t)2+dGPigGPi,t+cGPiC(gi,tGP)=aiGP(gi,tGP)3+biGP(gi,tGP)2+diGPgi,tGP+ciGP

(7)

式中, aGPiaiGP, bGPibiGP, cGPiciGP 和 dGPidiGP 表示燃气供应商 ii 的成本系

数; gGPi,tgi,tGP 是由燃气供应商 ii 在 tt 时刻产生的功率(单位: SCM/h).

2.1.1.5 热电联产机组运行成本

将热电联产机组的成本函数建模为以下凸函数:

C(PCHPi,t,HCHPi,t)=aCHPi(PCHPi,t)2+bCHPiPCHPi,t+αCHPi(HCHPi,t)2+βCHPiHCHPi,t+σCHPiPCHPi,tHCHPi,t+cCHPiC(Pi,tCHP,Hi,tCHP)=aiCHP(Pi,tCHP)2+biCHPPi,tCHP+αiCHP(Hi,tCHP)2+βiCHPHi,tCHP+σiCHPPi,tCHPHi,tCHP+ciCHP

(8)

式中, aCHPiaiCHP, bCHPibiCHP, αCHPiαiCHP, βCHPiβiCHP, σCHPiσiCHP 和 cCHPiciCHP

为热电联产机组的成本系数, PCHPi,tPi,tCHP 和 HCHPi,tHi,tCHP 是 ii 个 CHP 在 tt 时刻的电功

率和热功率(单位: MW). 如果 CHP 的供给是天然气, 那么总耗气量可以用下式计算

gasCHPi,t=θ(HCHPi,t+PCHPi,t)ηCHPigasi,tCHP=θ(Hi,tCHP+Pi,tCHP)ηiCHP

(9)

式中, ηCHPiηiCHP 是 CHP 的效率, 本文取 0.88.

2.1.1.6 电力储能设备运行成本

电力储能设备不能同时充放电. 为了方便起见, 将 tt 时刻的第 ii 个电池的充放电量定

义为 PPSi,tPi,tPS, (单位: MW), 其中负值是充电过程, 而正值是放电过程. 将储能设备的成

本函数建模为

C(PPSi,t)=aPSi(PPSi,t+bPSi)2C(Pi,tPS)=aiPS(Pi,tPS+biPS)2

(10)

式中, aPSiaiPS 和 bPSibiPS 表示电池 ii 的成本系数; 将此模型应用于蓄热装

置, HPSi,tHi,tPS 表示第 ii 个蓄热装置在 tt 时刻的热功率, C(HHSi,t)C(Hi,tHS)表示其成本函

数.

2.1.1.7 柔性负荷运行成本

将综合能源系统中的负荷分为 3 类, 分别是电负荷、热负荷和气负荷; 其中每一类负

荷都包含常规负荷(系统必须承担的负荷, 不参与调度)和柔性负荷(系统可以灵活调节的, 参

与调度). 根据文献[17]将三种柔性负荷的成本函数建模为

C(PPLi,t)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪−aPLi(PPLi,t)2+bPLiPPLi,t,(bPLi)24aPLi,PPLi,t≤bPLi2aPLiPPLi,t>bPLi2aPLiC(Pi,tPL)={−aiPL(Pi,tPL)2+biPLPi,tPL,Pi,tPL≤biPL2aiPL(biPL)24aiPL,Pi,tPL>biPL2aiPL

(11)

式中, aPLiaiPL, bPLibiPL 是正的柔性电负荷成本系数; PPLi,tPi,tPL 是柔性电负荷的功率

(单位: MW). 此外, PL 模型也可应用于 HL 模型和 GL 模型. 并设

HHLi,tHi,tHL, gGLi,tgi,tGL, C(HHLi,t)C(Hi,tHL), C(gGLi,t)C(gi,tGL)分别表示相应的功率和成本

函数.

2.1.2 环境友好性目标

环境友好性目标旨在实现系统污染气体总排放量最低, 通常以 CO

, SOx 和 NOx 作为

主要污染气体, 即综合最小化系统含硫、氮、碳污染气体排放总量. 本文的排放成本模型采

用多项式和指数项的组合的形式, 具体描述如下

[18]

Femission=Ec+EsFemission=Ec+Es

(12)

其中,

Ec=Ec(PCGi,t)+Ec(PFGi,t)+Ec(PCHPi,t)+Ec(HFHi,t)+Ec(gGPi,t)=τCGiPCGi,t+τFGiPFGi,t+τCHPiPCHPi,t+τFHiHFHi,t+τGPigGPi,tEc=Ec(Pi,tCG)+Ec(Pi,tFG)+Ec(Pi,tCHP)+Ec(Hi,tFH)+Ec(gi,tGP)=τiCGPi,tCG+τiFGPi,tFG+τiCHPPi,tCHP+τiFHHi,tFH+τiGPgi,tGP

(13)

Es=Es(PCGi,t)+Es(PFGi,t)+Es(PCHPi,t)+Es(HFHi,t)+Es(gGPi,t)=ωCGi+μCGiPCGi,t+κCGi(PCGi,t)2+ζCGie(πCGiPCGi,t)+ωFGi+μFGiPFGi,t+κFGi(PFGi,t)2+ζFGie(πFGiPFGi,t)+(ωCHPi+μCHPi)PCHPi,t+(ωFHi+μFHi)HFHi,t+(ωGPi+μGPi)gGPi,tEs=Es(Pi,tCG)+Es(Pi,tFG)+Es(Pi,tCHP)+Es(Hi,tFH)+Es(gi,tGP)=ωiCG+μiCGPi,tCG+κiCG(Pi,tCG)2+ζiCGe(πiCGPi,tCG)+ωiFG+μiFGPi,tFG+

κiFG(Pi,tFG)2+ζiFGe(πiFGPi,tFG)+(ωiCHP+μiCHP)Pi,tCHP+(ωiFH+μiFH)Hi,tFH+(ωiGP+μiGP)gi,tGP

(14)

剩余29页未读，继续阅读

评论收藏

内容反馈

版权申诉