基于粒子群优化算法的微型燃气轮机冷热电联供系统优化调度附Matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/Matlab245/article/details/147549313

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着全球能源结构转型和环境保护意识的日益增强，冷热电联供（Combined Heat and Power, CHP）系统以其高效、节能、环保的特点，成为分布式能源系统中的重要组成部分。微型燃气轮机（Micro Turbine, MT）作为一种灵活可靠的发电和热源设备，在CHP系统中具有广泛的应用前景。然而，MT-CHP系统的优化调度是一个复杂的多目标非线性优化问题，涉及到设备的启停、功率分配、以及满足动态变化的冷热电负荷需求，同时需要考虑经济性、能源利用效率和环境效益等因素。传统的优化方法往往难以有效解决此类高维、非线性的问题。本文提出一种基于粒子群优化（Particle Swarm Optimization, PSO）算法的MT-CHP系统优化调度策略。首先，建立了包含MT、余热锅炉、吸收式制冷机、电制冷机、蓄热罐和蓄冷罐等设备的MT-CHP系统数学模型，详细描述了各设备的运行特性、耦合关系以及系统运行约束。其次，构建了以系统总运行成本（燃料成本、购电成本、设备运行维护成本等）、能源利用效率最大化和污染物排放最小化为目标的优化调度模型。最后，利用PSO算法对该优化模型进行求解，并通过仿真算例验证了本文所提方法的有效性和优越性。仿真结果表明，基于PSO算法的优化调度策略能够有效地降低系统运行成本，提高能源利用效率，并对环境产生积极影响，为MT-CHP系统的实际运行提供了有力的技术支持。

关键词： 微型燃气轮机；冷热电联供；优化调度；粒子群优化算法；分布式能源；智能算法

1. 引言

能源是国民经济和社会发展的基础，随着经济社会的快速发展，能源需求持续增长，传统能源的过度消耗带来了资源枯竭和环境污染等严峻问题。发展高效、清洁的分布式能源系统已成为必然趋势。冷热电联供（CHP）系统作为一种能够同时提供电、热、冷三种形式能源的集成系统，通过能源的梯级利用，显著提高了能源利用效率，降低了污染物排放，是分布式能源系统中的典型代表。

微型燃气轮机（MT）以其体积小、启动快、负载适应性强、排放低等优点，在分布式CHP系统中得到越来越广泛的应用。MT-CHP系统能够根据用户的冷热电负荷需求，灵活调整运行模式，实现能源的就地生产和消耗，减少了长距离输配电的损耗。然而，MT-CHP系统的优化调度是一个复杂的系统工程问题。系统需要满足用户动态变化的冷热电负荷需求，同时 고려多设备的运行特性（如MT的发电效率随负荷率的变化、吸收式制冷机的COP随运行状态和热源温度的变化等）、设备的启停状态、设备的运行约束（如出力上下限、爬坡速率等）以及系统运行的经济性、能源利用效率和环境效益等多个目标。传统的优化方法，如线性规划、非线性规划等，在处理此类高维、非线性的耦合问题时，往往面临计算复杂度高、容易陷入局部最优等挑战。

近年来，随着人工智能和计算技术的发展，各种智能优化算法被引入能源系统优化调度领域。粒子群优化（PSO）算法作为一种基于群体智能的随机搜索算法，具有收敛速度快、实现简单、鲁棒性强等优点，在解决复杂非线性优化问题方面表现出良好的性能。因此，将PSO算法应用于MT-CHP系统的优化调度，具有重要的理论意义和实际应用价值。

本文的研究目标是开发一种基于PSO算法的MT-CHP系统优化调度策略，旨在通过合理协调系统内各设备的运行状态，以最小化总运行成本、最大化能源利用效率和最小化污染物排放为目标，在满足用户冷热电负荷需求和设备运行约束的前提下，实现系统的最优运行。

2. MT-CHP系统结构及数学模型

典型的MT-CHP系统通常由微型燃气轮机（MT）、余热锅炉（Heat Recovery Boiler, HRB）、吸收式制冷机（Absorption Chiller, AC）、电制冷机（Electric Chiller, EC）、电网、蓄热罐（Thermal Storage Tank, TST）和蓄冷罐（Cool Thermal Storage Tank, TCST）等设备组成。系统结构如图1所示。

图1：MT-CHP系统结构示意图

（注：此处应插入MT-CHP系统结构示意图，图中包含MT、HRB、AC、EC、电网、TST、TCST等设备及其连接关系。）

为了建立系统的优化调度模型，需要对系统中的关键设备进行数学建模。

2.1 微型燃气轮机（MT）模型

MT是系统的核心设备，主要功能是发电，同时产生高温烟气。

2.2 余热锅炉（HRB）模型

余热锅炉用于回收MT产生的高温烟气余热，并产生热水或蒸汽用于供热或驱动吸收式制冷机。

2.3 吸收式制冷机（AC）模型

吸收式制冷机利用热源（通常是HRB产生的高温热水）产生冷量。

2.4 电制冷机（EC）模型

电制冷机利用电能产生冷量。

2.5 蓄热罐（TST）和蓄冷罐（TCST）模型

蓄热罐和蓄冷罐用于储存和释放热能和冷能，以应对负荷的波动，提高系统的灵活性和经济性。

3. MT-CHP系统优化调度模型

MT-CHP系统的优化调度是一个典型的多目标优化问题，需要在满足负荷需求和设备约束的前提下，平衡经济性、能源利用效率和环境效益等目标。本文主要考虑经济性目标，即最小化系统的总运行成本。同时，通过提高能源利用效率和降低污染物排放来体现系统的综合效益。

设备出力约束： 见式(3), (6), (8), (11), (12), (15), (16)。
设备启停约束： 见章节2中对MT, AC, EC的描述，包括最小运行时间和最小停运时间约束。
蓄能设备状态约束： 见式(10), (14)，以及充放能不能同时进行的约束。
其他运行约束： 如MT的爬坡速率约束、电网购售电上下限约束等。

4. 基于粒子群优化算法的优化调度

MT-CHP系统的优化调度问题是一个具有多种约束和非线性目标函数的混合整数非线性规划问题。由于涉及二值变量（设备启停）和连续变量（设备出力），以及复杂的耦合关系，传统的优化方法难以有效求解。本文采用PSO算法来解决这一问题。

4.1 粒子群优化算法概述

PSO算法是由Eberhart和Kennedy于1995年提出的一种基于鸟群觅食行为模拟的群体智能优化算法。算法通过模拟群体中个体之间的信息交流与协作，寻找最优解。在PSO算法中，每个解被看作搜索空间中的一个“粒子”，每个粒子具有位置和速度两个属性。粒子根据自身经验（个体最优位置）和群体经验（全局最优位置）来更新其速度和位置，从而逐步向最优解区域移动。

4.2 粒子编码与适应度函数

在将PSO算法应用于MT-CHP系统优化调度时，需要将系统的优化变量映射到PSO粒子的位置。在一个调度周期内的每个时间步长，系统的优化变量包括MT的电出力、AC的制冷量、EC的制冷量、TST的充放热量、TCST的充放冷量等。同时，设备的启停状态也需要编码。由于设备启停是二值变量，可以采用离散PSO或将二值变量转化为连续变量再进行阈值判断。考虑到本文模型的复杂性，我们将主要连续优化变量作为粒子的位置分量。设备的启停状态可以根据连续变量的取值范围或通过额外的判断逻辑来确定。

4.3 PSO算法流程

基于PSO算法的MT-CHP系统优化调度流程如下：

初始化：
设定PSO算法的参数，包括粒子群规模、最大迭代次数、惯性权重、学习因子等。随机初始化粒子群的位置和速度。将每个粒子的初始位置设置为其个体最优位置 pbest,ipbest,i，将粒子群中的最优位置设置为全局最优位置 gbestgbest。
计算适应度：
对于每个粒子，根据其位置向量计算系统的总运行成本和惩罚函数值，得到其适应度值。
更新个体最优位置：
如果当前粒子的适应度值优于其历史最优适应度值，则更新该粒子的个体最优位置 pbest,ipbest,i。
更新全局最优位置：
如果当前粒子的适应度值优于全局最优适应度值，则更新全局最优位置 gbestgbest。
更新粒子速度和位置：
根据式(25)和(26)更新每个粒子的速度和位置。更新位置后，需要检查是否满足设备出力上下限等简单约束，如果违反，可以进行边界处理（如设置为边界值或反射）。
迭代：
重复步骤2-5，直到达到最大迭代次数或满足其他终止条件。
输出结果：
输出全局最优位置对应的系统运行调度方案（各设备在每个时间步长的出力、蓄能设备的充放能、与电网的互动等）以及对应的总运行成本、能源利用效率和污染物排放量。

4.4 约束处理

在PSO算法中处理约束是关键。除了上述的罚函数法，还可以采用以下方法：

可行解修复：
在粒子位置更新后，检查是否违反约束，如果违反，通过一定的规则对粒子位置进行调整，使其满足约束。
基于排序的约束处理：
在比较粒子优劣时，优先考虑满足约束的粒子，其次再比较适应度值。

本文主要采用罚函数法，并结合简单的边界处理来处理连续变量的约束。对于启停等二值变量，可以通过在连续变量上设定阈值来决定设备的启停状态，并在适应度函数中加入与最小运行/停运时间相关的惩罚项。

5. 结论与展望

本文提出了一种基于粒子群优化算法的微型燃气轮机冷热电联供系统优化调度策略。建立了包含关键设备的数学模型，构建了以总运行成本最小化为目标的优化调度模型，并利用PSO算法对该模型进行求解。仿真算例验证了所提方法的有效性，结果表明基于PSO算法的优化调度能够显著降低系统运行成本，提高能源利用效率，并有助于减少污染物排放。这为MT-CHP系统的智能化运行提供了有益的探索。

未来的研究可以从以下几个方面展开：

多目标优化：
将能源利用效率和污染物排放作为显式目标，构建多目标优化模型，并采用多目标PSO算法进行求解，得到一组帕累托最优解，为系统运行决策提供更多选择。
不确定性处理：
考虑负荷预测误差、设备故障等不确定性因素对优化调度的影响，采用鲁棒优化或随机优化方法提高调度方案的鲁棒性。
模型精细化：
建立更精细的设备模型，如考虑MT的部分负荷效率特性、蓄能设备的温分层模型等，进一步提高优化结果的准确性。
混合整数规划求解：
考虑设备的启停变量，可以采用混合整数优化算法或将PSO算法与混合整数规划相结合的方法进行求解。
实时优化：
结合滚动优化策略，实现MT-CHP系统的实时优化调度，以应对实际运行中的动态变化。
与其他智能算法的比较：
将PSO算法与遗传算法、模拟退火、禁忌搜索等其他智能优化算法进行比较，评估其在MT-CHP系统优化调度问题上的性能差异。
考虑电网约束和互动限制：
在接入大规模电网时，考虑电网对分布式电源并网的功率限制、电压稳定等约束。