基于多目标算法的冷热电联供型综合能源系统运行优化 matlab 代码

基于粒子群算法的综合能源多目标优化

代码链接

https://download.csdn.net/download/mohen_777/89459250

摘 要

为了 解决 现 有 冷 热 电 联 供 型 综合 能 源 系统大 多 只 单 一 考虑系统 机 组 投 资 成 本 或 系统 环境 污 染 ，影响 系统 整 体 优化 运行的问题，以系统经 济 性和 环 保 性 为 目 标 ，对 冷 热 电 联 供 系统 进行研究分析 。 构 建 含 燃 气 轮 机 、 燃 气 锅 炉 、 电制 冷 机 等 机 组 的冷 热 电 联 供 系统 优化模型 并 建 立 约束条件 ; 改 进 粒 子 群 算 法， 面向 多 约束 目 标 进行 模型 求 解优化 ，提 高 求 解 的 收 敛 精度 、 收 敛速度 和 稳 定 性 ; 最 后利 用 算 例 进行结 果 分析 。 结 果表 明 改 进 后 的 粒 子 群 算 法 能 够 同时 兼顾 系统 的 经 济 性和 环 保 性 ， 使 系统 运行更 加 优化 ，为 之 后 的 能 源 供 给 系统 的规 划 提供 前 期 依 据 。

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 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

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

综合能源系统协同规划方法

实验结果

load PV
load WT
load P_load
load R_load
load L_load
load G_price_buy
load  G_price_sell
load price_C
load price_H
load price_G
PV=2*PV;
WT=2*WT;
L_load=1.5*L_load;
global P_load;  %定义全局变量  电负荷
global R_load; %定义全局变量  热负荷
global L_load; %定义全局变量  冷负荷
global  G_price_buy;%购电电价
global G_price_sell;%卖电电价
global PV;
global WT;
global  price_C %供冷价格
global price_H %供热价格
global price_G %供电价格
% Grid 电   热heat  冷 cool
gas_price=0.175;  %气价
ngas_G=0.35; %气转电效率
ngas_h=0.9; %气转热效率
ngas_c=0.9; %气转冷效率
nGB_h=0.9; %电热锅炉的热效率
COP_EC=3.5; %电制冷机的制冷效率
price_G=[0.312000000000000,0.312000000000000,0.312000000000000,0.312000000000000,0.312000000000000,0.312000000000000,1.20000000000000,1.20000000000000,1.20000000000000,1.20000000000000,0.720000000000000,0.720000000000000,0.720000000000000,0.720000000000000,0.720000000000000,0.720000000000000,0.720000000000000,1.20000000000000,1.20000000000000,1.20000000000000,0.312000000000000,0.312000000000000,0.312000000000000,0.312000000000000];
price_C=price_H;
%初始化条件****************************************
%天燃气供给最大值
GTMaxPower=200;
%天燃气供给最小值
GTMinPower=0;
%电热锅炉的最大功率
GBMaxPower=100;
%电热锅炉的最小功率
GBMinPower=0;
%电制冷机与电网最大功率
ECMaxPower=50;
%电制冷机与电网最小功率
ECMinPower=0;
%电网最大购电功率
GridMaxPower=200;
%电网最小购电功率
GriMinPower=-100;
mm=mopso();
nn=length(mm.swarm);

for i=1:nn
   xx(i)= mm.swarm(1,i).cost(1);
  yy(i)= mm.swarm(1,i).cost(2);
   zz(i)=mm.swarm(1,i).cost(3);
end

m1=max( xx);
m2=max( yy);
m3=max( zz);
for i=1:nn
    object(i)= mm.swarm(1,i).cost(1)./m1+ mm.swarm(1,i).cost(2)./m2+ mm.swarm(1,i).cost(3)./m3;
  
end
[m,p]=min(object);
pg=mm.swarm(1,p).x;