[发明专利]一种基于遗传算法的考虑多因素的产能端功率分配方法

摘要

本发明公开了一种基于遗传算法的考虑多因素的产能端功率分配方法，本发明根据能源互联网中产能端设备的使用寿命，通过建立寿命损耗率模型以决定产能端设备在不同阶段的最大产能功率，并结合能量传输损耗、环境效益等多因素进行功率分配的方法，从而最大化产能效率及产能收益。本文采用启发式的遗传算法，以种群中的所有个体为对象，利用随机化技术指导对一个被编码的参数空间进行高效搜索，通过选择、交叉、变异自适应地调整搜索方向，得出群体最优解，即最佳分配方案。本发明对于能源互联网中多能源形式共存的产能端功率分配问题具有重要的科学意义和应用价值。

主权项

1.一种基于遗传算法的考虑多因素的产能端功率分配方法，其特征在于，包括以下步骤：(1)获取能源互联网产能端多种能源形式的产能设备，产能设备的编号M表示为：其中，n为产能端的产能设备数量，产能设备在时刻t可发功率P表示为：其中，Pi(t)为产能设备i在时刻t的可发功率；(2)将产能设备的寿命损耗率γP与运行功率的关系设置为指数模型，表示为：其中，γ0为该设备没有运行时的自然损耗率，b为待拟合常数，P为实际功率，Pn为额定功率；引入关于使用时间的修正系数γt，设置为分段函数模型，表示为：其中，Tn为设备始终处于额定功率下的使用寿命，则修正之后的设备总寿命损耗率γ(P,t)表示为：γ(P,t)＝γP·γt当设备始终处于满载状态，即额定功率运行状态下，寿命损耗率γ(P,t)由1下降至阈值α时无法继续使用，满足：每个设备有其对应的α,Tn,γ0值，由此拟合出设备损耗率模型中的b值；当设备分别处于过载、满载与轻载运行状态时，寿命损耗率γ(P,t)同样在下降至阈值α时无法继续使用，则设备实际运行寿命T满足条件：其中，T1,T2,T3为设备分别在过载、满载、轻载运行状态下的运行时间，由此条件分配T1,T2,T3值，即设备处于不同运行状态的持续时间；在功率分配中，每个产能设备根据自身寿命损耗率的模型控制其处于过载、满载及轻载运行状态的时间，不同的运行状态对应不同的产能性能，通过建立模糊规则表示与使用时间相关的性能系数Wage，模糊规则的应用如下表示：(3)获取能源互联网中不同能源类型负荷的功率需求，表示为：PL(t)＝[PL1(t),PL2(t),...,PLs(t)]其中，s为负荷总数，PLj(t)为负荷j在t时刻所需功率；每个产能设备能够同时向多个负荷进行供能，产能设备i向s个负荷进行供能的分配表示为：其中，αij为产能设备i向负荷j发送功率与自身可发最大功率的百分比，满足条件αi1+αi2+...+αis≤1；(4)产能设备向负荷供能时首先需要将自身的能源类型转换为负荷需求的能源类型，能源转换装置有电力变压器、微型燃气轮机、燃气锅炉等，对应的转换效率ηc表示为：其中，为产能设备i的能源类型转换为负荷j所需能源类型转换的效率；产能设备将能源类型转换为负荷需求的能量类型之后，在向负荷传输过程会造成能量的损耗，传输效率ηt表示为：其中，Dij为产能设备i与负荷j的能量传输距离，δj为负荷j所需能量类型对应的单位传输距离的能量损耗率；(5)获取不同能源类型各自的实时价格C(t)，表示为：其中，C_i(t)为产能设备i对应能源类型在t时刻的实时价格，能源类型相同的产能设备对应实时价格相同，为了便于将价格因素与其他因素进行运算，将实时价格C_i(t)归一化至0到1之间的系数表示为：(6)不同能源类型产能时对环境的影响不同，使用模糊规则对环境效益系数Wen进行评估，风力发电和光伏发电的环境效益定义为高，天然气产能的环境效益定位为正常，火力发电的环境效益定义为低，模糊规则的应用如下：(7)在功率分配中综合考虑产能设备使用寿命、能量转换效率、能量传输效率、能源实时价格以及环境效益五项因素来进行产能的分配，五项因素的考虑权重W表示为：W＝[w1,w2,w3,w4,w5]其中，wk表示第k项因素的权重，满足w1+w2+w3+w4+w5＝1；(8)对于负荷j，在t时刻每个产能设备向其供能的占比β(t)表示为：βj(t)＝[β1j(t),β2j(t),...,βnj(t)]其中，βij(t)为t时刻产能设备i向负荷j供能与负荷所需能量的占比，满足β1j+β2j+...+βnj＝1，则t时刻向负荷j供能分配方案的性能指标为：目标函数为在时间周期Tduration内所有负荷的性能指标之和，表示为：目标函数越大，对应的分配方案越好，约束条件为：对任意负荷j，都有其中，nj为向负荷j进行供能的产能设备个数，Pij为产能设备i向负荷j供能的实际功率，满足条件：其中，为产能设备i向负荷j供能时所发最大功率，满足：(9)采用启发式的遗传算法求解目标函数，获取最佳功率分配方案，即每个设备向每个负荷实际所发功率与自身可发最大功率的占比；目标函数的求解过程具体如下：(9.1)选取每个设备向每个负荷进行供能的功率与自身所发最大功率的随机占比，选取满足约束条件的占比取值，首先取整，作为初始占比，初始占比为s·n矩阵，之后将初始占比转换为二进制，作为种群中的一个个体，设置种群中的个体数，并对每个个体进行适应度评估，即求解目标函数值，目标函数值越大，适应度越大；(9.2)对二进制表示的初代种群进行选择、交叉、变异操作，设置最大遗传代数K，交叉概率γc、变异概率γm；选择过程采用轮盘赌机制，交叉过程采用二进制单点交叉方式，变异操作选择二进制单点变异方式，得到新一代种群，将二进制表示的种群转换为十进制数值，选取新一代种群中满足约束条件的个体计算适应度；(9.3)重复执行步骤(9.2)，直到达到最大遗传代数K时，种群所在位置即为最优值，将二进制表示的种群位置转换为十进制数，即得到最佳功率分配方案。