[發明專利]基于改進粒子群算法的綜合能源系統設備容量優化方法

在審

• 申請號: 202210072948.2
• 申請日: 2022-01-21
• 公開（公告）號: CN114444793A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 戴毅茹;曾依浦
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00;G06Q50/06
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

本發明涉及一種基于改進粒子群算法的綜合能源系統設備容量優化方法，包括：建立由光伏、風電、CCHP以及電儲能設備組成的綜合能源系統模型；確定綜合能源系統模型的目標函數以及約束條件；基于反向學習和精英提升，構建改進的動態多種群無速度項粒子群算法；利用改進的動態多種群無速度項粒子群算法，結合綜合能源系統模型的目標函數以及約束條件，完成對綜合能源系統設備容量配置的求解，得到最優的容量配置方案。與現有技術相比，本發明通過改進粒子群算法，不僅能有效簡化粒子的位置更新過程，而且可以避免粒子錯過全局最優解，從而能夠快速、準確、穩定地求解出綜合能源系統設備容量配置最優方案。

技術領域

本發明涉及綜合能源系統設備容量優化技術領域，尤其是涉及一種基于改進粒子群算法的綜合能源系統設備容量優化方法。

背景技術

傳統的能源系統主要采用獨立供能模式，引入清潔能源的多能協同綜合能源系統成為新的發展方向。由于可再生能源設備供能具有高度隨機性，這使得多能耦合互補的能源系統更加復雜，開展系統設備容量優化現已成為研究的熱門課題。許多現實中的工程優化問題可以抽象為多峰函數的數學表達式，而粒子群優化算法是一種基于社會行為模擬的隨機優化方法，由Kenney與Eberhart在1995年提出。粒子群優化算法的主要思想是系統初始化一組隨機解，通過迭代搜尋優化問題的最優解，粒子群算法憑借其結構簡單、容易實現等優勢，目前被廣泛的用來求解最優化問題。

PSO(Particle swarm optimization，粒子群優化)算法源于鳥群捕食模型，每個粒子的位置代表當前優化問題的一個解，所有粒子通過速度決定探索的方向和距離，而速度會根據個體歷史最優位置和種群歷史最優位置在解空間中進行調整。在每次迭代進化的過程中通過“適者生存法則”更新粒子的個體歷史最佳位置以及全局最佳粒子Gbest。

然而現有的PSO算法在處理復雜和高維的優化問題時，存在搜索能力弱、解的分散性不佳、收斂速度不穩定以及容易陷入局部最優等問題。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于改進粒子群算法的綜合能源系統設備容量優化方法，通過一種基于反向學習和精英提升的動態多種群無速度項粒子群算法，以對綜合能源系統的設備容量配置進行優化，能夠實現快速、準確、穩定求解優化的目的。

本發明的目的可以通過以下技術方案來實現：一種基于改進粒子群算法的綜合能源系統設備容量優化方法，包括以下步驟：

S1、建立由光伏、風電、CCHP(Combined Cooling Heating and Power，冷熱電聯產系統)以及電儲能設備組成的綜合能源系統模型；

S2、確定綜合能源系統模型的目標函數以及約束條件；

S3、基于反向學習和精英提升，構建改進的動態多種群無速度項粒子群算法；

S4、利用改進的動態多種群無速度項粒子群算法，結合綜合能源系統模型的目標函數以及約束條件，完成對綜合能源系統設備容量配置的求解，得到最優的容量配置方案。

進一步地，所述綜合能源系統模型的目標函數具體為初始投資成本最小化。

進一步地，所述綜合能源系統模型的約束條件包括設備運行功率約束和電冷熱功率約束。

進一步地，所述改進的動態多種群無速度項粒子群算法的具體工作過程為：

初始化種群；

對種群進行動態劃分，得到不同子群；

針對不同子群，分別執行相應的進化策略；

更新個體極值，合并子種群、并更新種群極值；

對個體極值執行精英提升進化策略；

對種群極值執行差分進化策略；