基于多目标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）

💥💥💞💞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。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

综合能源系统协同优化目标函数

综合能源系统建模及约束条件 

一、冷热电联供系统（CCHP）的核心结构与优化目标

1. 系统定义与工作原理

2. 运行优化的多目标体系

二、多目标粒子群优化（MOPSO）算法的原理与改进

1. 算法基础框架

2. MOPSO在CCHP优化中的改进方向

三、基于MOPSO的CCHP系统优化模型构建

1. 优化变量设计

2. 目标函数与约束建模

四、MOPSO优化流程与案例验证

1. 算法实施步骤

2. 典型案例验证（北方某酒店，10万㎡）

五、当前挑战与未来方向

结论

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码+数据

---

💥1 概述

文献来源：

 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"。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。
 

综合能源系统协同优化目标函数

综合能源系统建模及约束条件 

冷热电联供型综合能源系统是最常用的区域综合能源系统，其网络架构如图 1 所示。

CCHP 系统能够利用天然气内燃机和燃气轮机将天然气燃烧进行发电，也可以用这些设备和燃气

锅炉燃烧产生的热量进行供暖和制冷，从而使得供电、供暖、供冷供气结合在一起，加强了各功能系统的耦合程度，提高了能源的利用效率。

一、冷热电联供系统（CCHP）的核心结构与优化目标

1. 系统定义与工作原理

• 定义：CCHP系统以燃气为一次能源，通过燃气轮机发电，并梯级利用发电余热供热/制冷，实现电、热、冷三联供的分布式能源系统。
• 核心设备：
  • 发电单元：燃气轮机/内燃机（主）、光伏（辅）。
  • 余热利用单元：余热锅炉（供热）、溴化锂吸收式制冷机（制冷）。

    

  • 备用/调节单元：电制冷机、燃气锅炉、储能设备（热储、电池）。
• 能量流：燃料→发电（高品位电能）→余热→供热/制冷（低品位能源），综合利用率需＞70%。

2. 运行优化的多目标体系

目标类型	具体指标	计算公式/说明
能效目标	能源综合利用率	η=输出电+热(冷)量燃气输入热量×100%（国标要求＞70%）
	余热利用率	η余热=供热/制冷利用余热量总可利用余热量×100%
经济目标	总运行成本	$C_{\text{总}} = C_{\text{燃料}} + C_{\text{购电}} - C_{\text{售电}} + C_{\text{维护}}$（含分时电价、天然气费率）
环保目标	碳排放量	CO2=∑(燃料消耗×排放系数)，需最小化

---

二、多目标粒子群优化（MOPSO）算法的原理与改进

1. 算法基础框架

• 粒子更新公式：

  

  其中 ω 为惯性权重（通常取[0.4, 0.9]），c1,c2 为学习因子（常设1.5）。

• 关键机制：

  • 外部档案：存储非支配解（Pareto前沿），通过网格法保持多样性。
  • 约束处理：采用惩罚函数（如 penalty=∑(约束 violation)2penalty=∑(约束 violation)2）引导粒子向可行域移动。

2. MOPSO在CCHP优化中的改进方向

• 收敛性提升：自适应惯性权重（随迭代次数递减）。
• 多样性维护：ε-支配关系筛选外部档案，或引入变异算子（变异概率随代数增加）。
• 热电解耦支持：引入储能变量（储热罐、电池）作为优化维度，增强负荷动态匹配能力。

---

三、基于MOPSO的CCHP系统优化模型构建

1. 优化变量设计

变量类型	具体参数	约束条件
设备出力	燃气轮机功率 PGT​、电制冷机功率 PEC	Pmin⁡≤P≤Pmax⁡（最低负载率≥0.2）
储能状态	储热罐蓄热量 SthermalSthermal​、电池SOC	SOCmin⁡≤SOC≤SOCmax⁡
能源交易	电网购/售电量 Egrid​	受分时电价约束，需防逆功率（仅受电不馈电）

2. 目标函数与约束建模

• 多目标函数：

  

  （需同时最小化成本、排放，最大化能效）。

• 核心约束：

  • 能量平衡：

    

  • 设备耦合约束：余热锅炉制热量 ≤ 燃气轮机余热量。

---

四、MOPSO优化流程与案例验证

1. 算法实施步骤

2. 典型案例验证（北方某酒店，10万㎡）

• 参数设置：

  • 电制冷系数4.0，吸收式制冷系数1.2，燃气锅炉效率0.82。
  • MOPSO参数：种群200，迭代100，c1=c2=1.5，ω∈[0.4,0.9]。

• 优化结果：

  运行策略	能源利用率	年总成本（万元）	CO₂减排率
  传统"以电定热"	68%	152	-
  MOPSO优化后	76%	128	12.3%

• 效益分析：

  • 通过储热罐平抑热负荷波动，余热利用率提升至＞60%。
  • 分时电价下谷段购电、峰段售电，成本降低11.5%。

---

五、当前挑战与未来方向

1. 不确定性处理：
   • 风光出力波动、负荷预测偏差需引入两阶段随机鲁棒优化。
2. 多能互补深化：
   • 光-氢-气系统：光伏制氢掺入天然气管网（掺氢比14.47%时成本降26%）。
3. 算法效率提升：
   • 混合算法（如NSGA-II+MOPSO）解决高维约束，或改进MOEA/D加速收敛。
4. 政策适配性：
   • 并网模式需兼容"自发自用+防逆功率"的电网要求。

---

结论

MOPSO算法通过并行搜索Pareto解集，有效协调CCHP系统中能效、经济、环保目标的冲突，其收敛速度与约束处理能力尤为适合多能源耦合优化。未来需进一步融合不确定性建模与多能流协同，推动CCHP系统向低碳智慧能源枢纽演进。

📚2 运行结果

 

 

 

部分代码：

function result=fitness(x,k)
global PV;
global WT;
global P_load;
global R_load;
global L_load;
global G_price;
global C_grid_sell;%卖电电价
gas_price=0.175;  %气价
nGT_e=0.29; %燃气轮机转化效率
nGT_h=0.61;
nGB_h=0.85; %热锅炉的热效率
nGE_e=0.35; %天燃气内燃机转化效率
nGE_h=0.7;
COP_EC=5; %电制冷机的制冷效率
COP_AC=1.2;%吸收制冷机的制冷效率
n_hs=0.9;    %余热回收系统的效率
n_hr=0.85;   %换热器的效率

for j=1:120
     if j<25
           PGT(j)=x(j);
           
        elseif j>24&&j<49
          PGB(j-24)=x(j);
         
        elseif j>48&&j<73
           PGE(j-48)=x(j);
        elseif j>72&&j<97
           PEC(j-72)=x(j);
           elseif j>96
          Grid(j-96)=x(j);
        
     end
end
PGTe=PGT*nGT_e;   %燃气轮机转化
PGTh=PGT*nGT_h;
PGBh=PGB*nGB_h;   %热锅炉转化
PGEe=PGE*nGE_e;   %天燃气内燃机转化
PGEh=PGE*nGE_h;
PE= PV'+WT'+ Grid+PGTe+PGEe-PEC;  %电网总出力
P_hs=(PGEh+PGTh)*n_hs+PGBh;  %余热回收系统的热量
P_hr=P_hs*n_hr;  %过换热器提高的热量  总热量
Q_AC=P_hs*COP_AC;   %吸收制冷机的冷量
Q_EC=PEC*COP_EC;    %电制冷机的冷量
Q_all=Q_AC+Q_EC;  %总冷量

sum_delt_P=0;
sum_delt_R=0;
sum_delt_L=0;
delt_P=(P_load-PE);
delt_R=(R_load-P_hr);
delt_L=(L_load-Q_all);
sum_delt_P=sum(delt_P);
sum_delt_R=sum(delt_R);
sum_delt_L=sum(delt_L);
BT1=delt_P;
BT2=delt_R;
BT3=delt_L;
SOC=0;
  dsoc=0;
for i=1:24
    SOC=SOC+BT1(i);
    if SOC>1000
        dsoc=dsoc+(SOC-1000);
    end

    if SOC<-1000
        dsoc=dsoc+abs((SOC+1000));
    end
    
        
    
end

r1=0;
r2=0;
r3=0;

if(sum_delt_P<2000)
   r1=1.0;
elseif(sum_delt_P>2000&&sum_delt_P<=3000)
   r1=5;
elseif(sum_delt_P>3000&&sum_delt_P<=4000)
   r1=10;
elseif(sum_delt_P>4000&&sum_delt_P<=6000)
   r1=100;
else
   r1=1000;
end

if(sum_delt_R<1000)
   r2=1.0;
elseif(sum_delt_R>1000&&sum_delt_R<=2000)
   r2=5;
elseif(sum_delt_R>2000&&sum_delt_R<=3000)
   r2=10;
elseif(sum_delt_R>3000&&sum_delt_R<=4000)
   r2=20;
else
   r2=1000;
end

if(sum_delt_L<3000)
   r3=1.0;
elseif(sum_delt_L>3000&&sum_delt_L<=4000)
   r3=5;
elseif(sum_delt_L>4000&&sum_delt_L<=8000)
   r3=10;
elseif(sum_delt_L>8000&&sum_delt_L<=10000)
   r3=50;
else
   r3=2000;
end
C_all=0;
for i=1:24
    C_PEC(i)= G_price(i)*PEC(i);  %电制冷机买电成本
    if  Grid(i)>0
   C_grid(i)= G_price(i)*Grid(i); %电网购电成本
    else
    C_grid(i)= C_grid_sell*Grid(i);%电网售电收益
    end
end
C_all=gas_price*(sum( PGT)+sum( PGB)+sum( PGE))+sum( C_grid)++sum( C_PEC)+0.8*sum(abs(BT1)+abs(BT2)+abs(BT3));
%  result=C_all+r1*sum_delt_P+r2*sum_delt_R+r3*sum_delt_L;
result=C_all+10*dsoc;

🎉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,霍艺文,张恩睦.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.

🌈4 Matlab代码+数据