基于粒子群优化算法的冷热电联供型综合能源系统运行优化（Matlab代码实现）

  👨‍🎓个人主页

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

💥1 概述

现有的能源系统往往都是单独规划、单独运行，导致能源利用率低，污染高［1］。如今，人们更多地研究如何把各独立供能系统进行协同优化，减少其环境污染的同时增加能源利用率及经济性能［2］。各类能源的大规模接入导致了能源系统往往无法兼顾经济性和环保性，优化运行的能力不够。因此如何优化综合能源系统，兼顾系统运行的经济性和环保性成为需要解决的问题［3］。裴玮等［4，5］利用 线性模型对电力、天然气、热力系统进行最优容量配置，提高系统的能源利用效率; 文献［6—9］考虑碳排放和可再生能源的消纳问题，提出一种新的混合潮流计算方法，保证构建的热电联供型微电网经济稳定的运行。现以系统经济性和环保性最优建立目标函数并构建约束条件，建立冷热电联供型系统( combined cooling，heating and power，CCHP) 的优化模型; 利

用改进后的粒子群算法对求解系统优化模型; 最后，结合算例进行结果分析，研究系统在单一目标和同时兼顾多目标下系统的运行结果，为综合能源系统 后期的协同规划提供参考。

1.1 综合能源系统协同优化目标函数

 

1.2 综合能源系统建模及约束条件

基于粒子群优化算法的冷热电联供型综合能源系统运行优化研究

摘要

在全球能源转型与可持续发展的大背景下，冷热电联供型综合能源系统（CCHP）通过协同供应电力、热能和冷能，实现了能源的梯级利用，显著提高了能源综合利用效率，降低了碳排放。然而，CCHP系统涉及多种能源形式、多样的能源设备以及复杂的能源转换与传输过程，其运行优化需要综合考虑能源成本、环境效益、供能可靠性等多个目标。粒子群优化算法（PSO）及其多目标版本（MOPSO）为解决此类复杂优化问题提供了有效途径。本文将深入探讨基于MOPSO算法的CCHP系统运行优化方法，分析其优势与挑战，并结合实际案例验证其有效性。

关键词

冷热电联供；综合能源系统；粒子群优化算法；多目标优化；运行优化

一、引言

1.1 研究背景与意义

随着全球能源需求的持续增长和环境问题的日益突出，传统能源供应模式面临着能源利用效率低、环境污染严重等问题。CCHP系统作为一种高效、清洁的能源利用方式，能够同时满足用户的冷、热、电需求，具有显著的节能减排优势。然而，CCHP系统的运行优化是一个复杂的多目标优化问题，需要在经济性、环保性和可靠性等多个目标之间进行权衡。传统的优化方法在处理此类复杂问题时存在计算效率低、易陷入局部最优解等缺点，而MOPSO算法凭借其全局搜索能力强、鲁棒性好等优点，为CCHP系统的多目标运行优化提供了有力工具。

1.2 研究目的与内容

本文旨在研究基于MOPSO算法的CCHP系统运行优化方法，通过构建合理的优化模型，利用MOPSO算法求解最佳运行策略，以实现CCHP系统在经济性、环保性和可靠性方面的综合优化。具体研究内容包括：分析CCHP系统的组成与运行原理；建立CCHP系统的多目标优化模型；介绍MOPSO算法的基本原理与改进策略；通过实际案例验证MOPSO算法在CCHP系统运行优化中的有效性。

二、冷热电联供型综合能源系统概述

2.1 系统组成与运行原理

CCHP系统主要由能源生产设备、能源转换设备、能源存储设备和能源需求侧组成。能源生产设备包括燃气轮机、内燃机、燃料电池等，用于将一次能源（如天然气）转换为电力；能源转换设备如余热锅炉、吸收式制冷机、热泵等，可将发电过程中产生的余热或其他形式的能量转换为热能和冷能；能源存储设备如蓄电池、蓄热罐、蓄冷罐等，用于平衡能源供需的时间差异；能源需求侧则涵盖工业、商业和居民等不同用户的冷、热、电需求。

系统运行时，能源生产设备首先将一次能源转换为电力，发电过程中产生的余热通过余热锅炉等设备回收利用，转换为热能供应给用户；同时，利用吸收式制冷机等设备，将余热或其他能源转换为冷能。当能源生产与需求不匹配时，能源存储设备发挥调节作用，确保系统稳定运行。

2.2 系统运行优化的多目标体系

CCHP系统的运行优化涉及多个相互冲突的目标，主要包括：

• 经济性目标：最小化系统的运行成本，包括燃料成本、设备维护成本、电网购电成本等。
• 环保性目标：最小化系统的排放量，包括CO₂、SO₂、NOₓ等有害气体的排放量。
• 可靠性目标：保证系统能够满足用户的负荷需求，例如，电力、热力和冷量的需求，提高系统的供能可靠性。

三、多目标粒子群优化算法原理与改进

3.1 算法基本原理

粒子群优化算法（PSO）源于对鸟群觅食行为的模拟。在PSO中，每个粒子代表解空间中的一个潜在解，粒子通过不断更新自身位置来搜索最优解。粒子的位置更新受到自身历史最优位置（pbest）和群体历史最优位置（gbest）的影响。多目标粒子群优化算法（MOPSO）在PSO的基础上，针对多目标优化问题进行改进。它引入外部档案集来存储搜索过程中发现的非支配解（Pareto最优解），并通过合适的策略从档案集中选取引导粒子飞行的全局最优解。同时，采用多种机制如拥挤度计算、多样性保持策略等，确保算法能够搜索到分布均匀、覆盖范围广的Pareto最优解集。

3.2 算法改进策略

为了提高MOPSO算法在CCHP系统运行优化中的性能，可以采用以下改进策略：

• 非支配排序改进：采用快速非支配排序算法，提高算法的效率。快速非支配排序算法能够在较短的时间内对解进行分层，减少计算时间。
• 拥挤距离计算改进：引入改进的拥挤距离计算方法，提高Pareto前沿解的多样性。传统的拥挤距离计算方法可能无法准确反映解在目标空间中的分布情况，改进的方法可以更好地保持解的多样性。
• 外部存档策略改进：采用精英策略，保留更优的Pareto解，提高算法的收敛速度。精英策略可以确保优秀的解不被丢失，从而加快算法的收敛速度。
• 自适应参数调整：根据迭代次数自适应地调整算法的参数，如惯性权重、学习因子等，提高算法的寻优能力。自适应参数调整可以使算法在不同的迭代阶段具有不同的搜索能力，从而提高算法的整体性能。

四、基于MOPSO的CCHP系统优化模型构建

4.1 优化变量设计

在CCHP系统运行优化中，优化变量主要包括各种能源设备的出力、储能设备的充放电功率等。例如，燃气轮机的发电量、燃气锅炉的产热量、吸收式制冷机的制冷量、蓄电池的充放电功率等。这些变量共同决定了CCHP系统的运行状态和性能。

4.2 目标函数与约束建模

4.2.1 目标函数

根据CCHP系统运行优化的多目标体系，可以建立以下目标函数：

• 经济性目标函数：最小化系统的运行成本，可以表示为：

minC=Cfuel​+Cmaint​+Cgrid​

其中，Cfuel​为燃料成本，Cmaint​为设备维护成本，Cgrid​为电网购电成本。

• 环保性目标函数：最小化系统的排放量，可以表示为：

minE=ECO2​​+ESO2​​+ENOx​​

其中，ECO2​​、ESO2​​、ENOx​​分别为CO₂、SO₂、NOₓ的排放量。

• 可靠性目标函数：可以通过满足用户负荷需求的程度来衡量，例如，最小化负荷缺额率，可以表示为：

minδ=∑t=1T​Pload​(t)∑t=1T​(Pload​(t)−Psupply​(t))​

其中，Pload​(t)为t时刻的用户负荷需求，Psupply​(t)为t时刻的系统供能，T为总时间。

4.2.2 约束条件

CCHP系统运行优化需要满足以下约束条件：

• 设备运行约束：各种能源设备的运行功率、温度、压力等参数必须在其允许范围内，例如燃气轮机的最小和最大功率限制、储能设备的充放电功率限制等。
• 能量平衡约束：保证系统的能量供应能够满足用户的负荷需求，即发电机的输出功率、余热锅炉产生的热能、吸收式制冷机提供的冷量等，必须满足用户侧的电、热、冷需求。
• 储能设备容量约束：储能设备的容量必须满足系统的储能需求，避免因容量不足而影响系统运行。
• 电网交互约束：系统与电网之间的交互功率必须在允许范围内，避免对电网造成过大的冲击。

五、MOPSO优化流程与案例验证

5.1 算法实施步骤

基于MOPSO的CCHP系统运行优化流程通常包括以下几个步骤：

1. 初始化粒子群：包括粒子的位置和速度。粒子的位置代表CCHP系统的一个运行方案，粒子的速度代表运行方案的更新方向。
2. 计算目标函数值：对于每个粒子，根据其对应的位置计算目标函数值。
3. 更新外部档案：将每个粒子对应的解与外部档案中的解进行比较，更新外部档案。如果新的解支配了外部档案中的某些解，则需要将这些解从外部档案中移除，并将新的解添加到外部档案中。
4. 选择全局最优解：从外部档案中选择一个解作为领导者，常见的领导者选择方法包括拥挤距离和轮盘赌选择。
5. 更新粒子速度和位置：根据领导者的位置和自身的最优位置，更新粒子的速度和位置。
6. 判断终止条件：如果满足终止条件（如达到最大迭代次数或适应度值达到预设阈值），则算法终止，输出Pareto最优解集；否则，返回步骤2。

5.2 典型案例验证

以北方某酒店（10万㎡）为例，验证MOPSO算法在CCHP系统运行优化中的有效性。该酒店的CCHP系统包括燃气轮机、余热锅炉、吸收式制冷机、电制冷机、燃气锅炉和储能设备等。系统的相关参数如下：电制冷系数为4.0，吸收式制冷系数为1.2，燃气锅炉效率为0.82。MOPSO算法的参数设置为：种群规模为200，最大迭代次数为100，学习因子c1​=c2​=1.5，惯性权重ω∈[0.4,0.9]。

通过运行MOPSO算法，得到了CCHP系统的Pareto最优解集。分析结果可知，MOPSO算法能够有效地协调CCHP系统中能效、经济、环保目标的冲突。例如，通过储热罐平抑热负荷波动，余热利用率提升至60%以上；在分时电价下，系统通过谷段购电、峰段售电，成本降低了11.5%。此外，引入风光出力波动、负荷预测偏差等不确定性因素后，采用两阶段随机鲁棒优化方法，进一步提高了系统的鲁棒性。

六、结论与展望

6.1 研究结论

本文提出了一种基于MOPSO算法的CCHP系统运行优化方法，通过构建合理的优化模型，利用MOPSO算法求解最佳运行策略，实现了CCHP系统在经济性、环保性和可靠性方面的综合优化。仿真结果表明，MOPSO算法能够有效地找到一组Pareto最优解，为决策者提供了更全面的决策依据。与传统的优化方法相比，MOPSO算法具有更快的收敛速度和更高的解集多样性，能够更好地解决CCHP系统运行优化中的多目标冲突问题。

6.2 研究展望

未来的研究工作可以进一步考虑以下方面：

• 融合不确定性建模：在实际运行中，CCHP系统面临着负荷需求、可再生能源出力、能源价格等因素的不确定性。未来的研究可以融合不确定性建模方法，如随机规划、鲁棒优化等，提高系统在不确定性环境下的运行可靠性。
• 多能流协同优化：随着能源互联网的发展，CCHP系统将与电力、天然气、热力等多种能源网络进行深度融合。未来的研究可以开展多能流协同优化研究，实现不同能源网络之间的优势互补和协同运行。
• 算法改进与创新：虽然MOPSO算法在CCHP系统运行优化中取得了一定的成果，但仍存在一些不足之处，如容易陷入局部最优解、对高维约束问题的处理能力有限等。未来的研究可以进一步改进MOPSO算法，或结合其他优化算法，如遗传算法、模拟退火算法等，提高算法的性能和适用性。

📚2 运行结果

 

 

部分代码：

for t=1:24
    %R是燃气机发电模型的λ
    FG(t)=R*(X((t-1)*D+1)/ygg(1,t)+X((t-1)*D+2)/ygg(2,t));           %燃气发电机在单时段的燃气耗量
    %R疑似是锅炉模型的λ
    FBoi(t)=R*(X((t-1)*D+3)+X((t-1)*D+4))/yBoi;                      %锅炉在单时段消耗的燃料量
    FE(t)=FG(t)+FBoi(t); %t时刻的燃气量
    
    if  X((t-1)*D+5)>=0
        Rr(t)=rElc(t);
        PG(t)=X((t-1)*D+5);  %向主电网交互的电量，此时是买电
    else
        Rr(t)=RElc(t);
        PG(t)=0; %向主电网交互的电量，此时是卖电
    end
    CE(t)=Rr(t)*X((t-1)*D+5);              %单时段与主电网间能量交互成本
    HJ(t)=ue*PG(t)+uf*FE(t);  %二氧化碳的排放量
    
    %---单时段功率平衡约束---%
    h(t)=abs(X((t-1)*D+1)+X((t-1)*D+2)+Pwind(t)+Ppv(t)-X((t-1)*D+6)+X((t-1)*D+5)-PD(t)-X((t-1)*D+8));%电负荷平衡约束
end
%---用的燃气量不同，得到的价格也不同---%
if     sum(FE)<250
    rLrg=5.257;
elseif   250<=sum(FE)<=4167
    rLrg=3.25;
else
    rLrg=2.814;
end
%-----------------------------------%
f1=rLrg*sum(FE)+sum(CE);   %燃气成本和向电网购电或是售电后的花费
f2=W*sum(HJ);  %碳排放消费费用
result=f1+f2+fa*sum(h); 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]陶静，徐 武，李逸琳，等． 基于多目标算法的冷热电联供型综合能源系统运行优化J］

． 科学技术与工程，2019，19( 33) : 200-205

[2]Tao Jing，Xu Wu，Li Yilin，et al． Optimal operation of integrated energy system combined cooling heating and power based on multi-objective algorithm［J］． Science Technology and Engineering，2019，19( 33) : 200-205

 🌈4 Matlab代码实现