基于多目标鲸鱼优化算法的热电联产经济排放调度方法

1.本发明涉及一种热电联产机组的经济排放方法，具体为一种基于多目标鲸鱼优化算法的热电联产经济排放调度方法。


背景技术：

2.传统的火力发电厂能量转换效率低，无法有效利用多余的热能，同时还产生了大量的污染物。与传统发电机组相比，热电联产机组(combined heat and power,chp)是一种节能减排装置。在它的发电过程中，其化石燃料所产生的热能转为电能的效率高达90％。这意味着在相同发电量的情况下，热电联产机组消耗的化石燃料更少，同时也表示它能减少发电成本和降低污染排放量。
3.热电联产经济调度(combined heat and power economic dispatch,chped)是一种合理分配热功率和电功率使系统运行成本更低的方法。但是，随着空气污染的日益加剧，发电过程的污染气体排放量也成为大家关注的焦点。由此，热电联产经济排放调度(combined heat and power economic emission dispatch,chpeed)被提出。chpeed旨在满足一系列等式约束和不等式约束的情况下，使热电联产系统的运行成本和污染排放量最小化。
4.鲸鱼优化算法(whale optimization algorithm，woa)是模仿座头鲸的狩猎行为进而提出的一种新型启发式优化算法。多目标鲸鱼优化算法(multi-objective whale optimization algorithm，mowoa)是在woa基础上引入了约束非支配排序和外部存档机制，同时为了提高种群的多样性，引入混沌策略对种群初始化。除此之外，针对最优帕累托前沿，通过topsis决策方法得到一组最优解。


技术实现要素：

5.本发明主要针对只考虑经济优化而忽略环境优化的传统调度方法，提出了一种基于多目标鲸鱼优化算法的热电联产经济排放调度方法。旨在获得一组使热电联产系统运行成本和污染排放量最优的调度方案。
6.为了解决上述问题，本发明采用如下技术方案，包括以下步骤：
7.步骤1：假设种群大小为n,采用tent混沌映射生成d维混沌序列，其表达式如下：
[0008][0009]
其中，i＝1,2,
…
,n,d＝1,2,
…
,d,y
i,d
代表第d维的第i个个体，y
i+1,d
代表第d维的第i+1个个体。
[0010]
步骤2：根据混沌序列，产生n个d维的解向量x，解向量x表示为其中，n
p
+2
·
nc+nm＝d，代表n
p
个纯电机组的输出功率，分别代表nc个热电联产机组的输出
功率和输出热量，代表nm个纯热机组的输出热量。解向量x的表达式如下：
[0011]
x
i,d
＝x
min,d
+y
i,d
·
(x
max,d-x
min,d
)
[0012]
其中，xi,d代表第d维第i个个体，x
min,d
、x
max,d
分别代表第d个发电机组的输出功率下限和上限。
[0013]
步骤3：明确热电联产经济排放调度的目标函数及约束条件，并搭建热电联产经济排放调度模型。计算每个解向量的约束违反值cv和目标值，目标值包括运行成本cost和污染排放量emission；
[0014]
步骤4：通过多目标鲸鱼优化算法产生子代，并计算每个解向量的约束违反值cv和目标值，目标值包括运行成本cost和污染排放量emission；
[0015]
步骤5：将父代种群和子代种群结合并根据约束非支配排序选择下一代个体，将非支配解存入外部集合中；
[0016]
步骤6：若迭代次数达到最大迭代次数，则将获得的非支配解集作为热电联产经济排放调度的最优解集，否则，重复步骤4～6；
[0017]
步骤7：采用topsis决策方法从最优解集中选择一个符合人们的调度方案。
[0018]
在步骤3中，热电联产经济排放调度模型的目标函数和约束条件分别如下：
[0019]
a：热电联产经济排放调度的目标函数
[0020]
热电联产经济排放调度是以系统运行成本和污染排放量为目标的多目标问题，其运行成本如下所示：
[0021][0022]
其中，c
p,k
(pk)、c
c,j
(oj,hj)、c
t,l
(t
l
)分别代表第k个纯电机组、第j个热电联产机组、第l个纯热机组的运行成本。它们的表达式如下所示：
[0023][0024][0025][0026]
其中fk、bk、ck代表第k个纯电机组的燃料成本系数，αj、βj、χj、γj、δj、εj代表第j个热电联产机组的燃料成本系数，ψ
l
、η
l
、κ
l
代表第l个纯热机组的燃料成本系数，dk、ek代表第k个纯电机组的阀点系数。
[0027]
热电联产经济排放调度的污染排放量的目标函数表达式如下所示：
[0028][0029]
其中，e
p,k
(pk)、e
c,j
(oj,hj)、e
t,l
(t
l
)分别代表第k个纯电机组、第j个热电联产机组、第l个纯热机组的运行成本。它们的表达式如下所示：
[0030][0031]ec,j
(oj,hj)＝ρjoj[0032]et,l
(t
l
)＝σ
l
t
l
[0033]
其中λk、μk、νk、ωk、θk代表第k个纯电机组的排放系数，ρj代表第j个热电联产机组的排放系数，σ
l
代表第l个纯热机组的排放系数。
[0034]
b：热电联产经济排放调度的约束条件
[0035]
热电联产经济排放调度的约束可分为等式约束和不等式约束，具体情况如下所示：
[0036]
b-1不等式约束
[0037][0038][0039][0040][0041]
其中p
kmin
、p
kmax
分别为第k个纯电机组的最小和最大输出功率，o
jmin
(hj)、o
jmax
(hj)分别为第j个热电联产机组的最小和最大输出功率，h
jmin
(oj)、h
jmax
(oj)别为第j个热电联产机组的最小和最大产热功率，可以看出，热电联产机组的热功率和电功率是相互制约，它们构成一个不规则多边形，如图3所示，t
lmin
、t
lmax
分别为第l个纯热机组的最小和最大产热功率。
[0042]
b-2等式约束
[0043][0044]
此约束为输出功率平衡约束，pd代表电负荷需求，p
l
代表系统传输损耗。
[0045][0046]
此约束为产热功率平衡约束，hd代表热负荷需求。
[0047]
在步骤4中，多目标鲸鱼优化算法的流程图如图2所示，具体内容如下所示：
[0048]
鲸鱼优化算法是模仿座头鲸的狩猎行为而提出的启发式算法。它的狩猎行为可分为包围狩猎猎物和搜索猎物。假设a《1时，座头鲸向猎物前进，否则，座头鲸重新寻找猎物。a的表达式如下所示：
[0049]
a＝2
·a·r1-a
[0050]
a＝2-((2t)/g)
[0051]
其中t为当前迭代次数，r1、p是[0,1]中的随机数，g为最大迭代次数。
[0052]
(1)螺旋包围猎物
[0053]
座头鲸在捕食猎物时，会以螺旋方式包围猎物。因此，在座头鲸捕食过程中，座头鲸的位置可分为螺旋和包围两种方式更新位置。
[0054][0055]dp
＝|x
*
(t)-x(t)|
[0056]
dis＝|cx
*
(t)-x(t)|
[0057]
c＝2r2[0058]
其中r2、p是[0,1]中的随机数，x
*
(t)、x(t)分别为鲸鱼的最优位置和当前位置，
[0059]
b，τ是一个常数，l是[-1,1]中的随机数。
[0060]
(2)搜索猎物
[0061]
x(t+1)＝x
rand
+ads[0062]ds
＝|cx
rand-x(t)|
[0063]
其中，x
rand
是在座头鲸中随机选择的位置。
[0064]
由于热电联产经济排放调度是一个多目标、多约束问题。因此，采用非支配排序作为比较方法，并在比较过程中考虑了约束违反值。
[0065]
约束非支配排序机制：对于任意两个解，无论满足以下哪一个条件，都认为x1约束支配x2。
[0066]
(1)x1是可行的解决方案，而x2是不可行的解决方案；
[0067]
(2)x1和x2都是不可行解，而cv(x1)《cv(x2)；
[0068]
(3)x1和x2都是可行解，且x1的每个目标值都小于x2；
[0069]
外部存档集存储着种群的非支配个体，即种群中的最优个体。同时也代表着座头鲸所捕食的猎物。它的更新机制如下：
[0070]
(1)新获得的非支配个体至少由存档中的一个非支配个体支配，则存档将忽略该个体；
[0071]
(2)新获得的非支配个体支配了存档中的非支配个体，它将取代被支配的个体；
[0072]
(3)新获得的非支配个体与存档中的任何非支配个体没有支配关系，则将其存入；
[0073]
(4)如果外部存档集已满，检查存档中每个非支配个体的拥挤度，并删除拥挤度高的非支配个体。
[0074]
在步骤7中，topsis决策方法的具体步骤如下所示：
[0075]
(1)数据预处理。将目标函数矩阵归一化。
[0076][0077]
其中，m为目标个数，n为种群个数。
[0078]
(2)寻找最优值和最劣值
[0079][0080][0081]
(3)计算各个评价对象与最优值和最劣值之间的距离
[0082][0083]
[0084]
(4)计算各个评价指标与最优值的相对接近度。
[0085][0086]
(5)排序。根据cn的大小进行排序，cn越大，表示评价个体越接近最优值。
附图说明
[0087]
为了使读者更容易的理解本专利的具体内容，下面将对本专利具体实施方式中的附图作简单介绍：
[0088]
图1为本发明的使用流程图。
[0089]
图2为多目标鲸鱼优化算法的流程图。
[0090]
图3为热电联产机组的可运行区域
具体实施方式
[0091]
下面通过一个具体的实施例子对本发明进详细的说明，流程图见图1，具体步骤如下：
[0092]
步骤1：根据混沌映射初始化种群，种群大小为n，维度为d，最大迭代次数为g；
[0093]
步骤2：输入热电联产经济排放调度系统的参数，明确目标函数；
[0094]
步骤3：计算目标函数值和约束违反值；
[0095]
步骤4：根据约束非支配排序将种群分成多个支配层，选取非支配层的个体作为下一代。若非支配层的个体超过n，则选择低拥挤度的个体；否则，则从下一层选取低拥挤度的个体，以此类推，直到种群大小为n，同时更新外部存档集；
[0096]
步骤5：从外部存档集中选取低拥挤度的非支配个体作为种群的猎物，引导种群朝着最优方向优化；
[0097]
步骤6：通过鲸鱼优化算法的螺旋包围阶段和搜索阶段更新下一代；
[0098]
步骤7：检查迭代次数是否大于最大迭代次数，如果大于，则输出结果；否则，返回步骤3。
[0099]
步骤8：将n个优化目标值作为评价对象，通过topsis决策方法选取一个符合要求的解决方案。

技术特征：
1.一种基于多目标鲸鱼优化算法的热电联产经济排放调度方法，其特征在于：a.在传统的热电联产经济调度中，考虑了环境优化，形成了热电联产经济排放调度；b.在传统单目标鲸鱼优化算法基础上引入约束非支配排序和外部存档集，形成多目标鲸鱼优化算法；c.采用topsis决策方法，能客观的从一组解决方案中选区最佳折衷解。2.根据权利要求1所示的多目标鲸鱼优化算法的热电联产经济排放调度方法，所改进的多目标鲸鱼优化算法，其特征在于：满足了人们在在获得运行成本最小化的同时能使污染排放量的多个目标；约束非支配排序机制能够保存每代中n个优秀个体；外部存档集机制通过选取最佳个体能够有效引导鲸鱼种群朝着最优方向优化，其更新机制如下：a.鲸鱼优化算法产生子代a1螺旋包围猎物a2搜索猎物x(t+1)＝x
rand
+ad
s
b.鲸鱼优化算法产生子代后，再通过约束非支配排序选择n个个体作为下一代，选取规则如下b1 x1是可行的解决方案，而x2是不可行的解决方案；b2 x1和x2都是不可行解，而cv(x1)<cv(x2)；b3 x1和x2都是可行解，且x1的每个目标值都小于x2。3.根据权利要求1所示的基于多目标多元宇宙优化算法的智能楼宇负荷优化调度方法，topsis决策方法其特征在于：该方法对数据分布及样本含量没有严格限制，数据计算简单易行。

技术总结
本发明公开一种基于多目标鲸鱼优化算法的热电联产经济排放调度方法。与传统的热电联产经济调度相比，该方法不仅考虑了经济优化，还考虑了环境优化。该方法主要包括以下几个方面：(1)采用Tent混沌映射产生混沌序列，从而提高种群的多样性；(2)引入了约束非支配排序，能够保留父代种群和子代种群中的优秀个体；(3)采用外部存档集，保证了每次迭代过程中最优个体的丢失；(4)引入了TOPSIS决策方法，能够客观的从最优解集中选择一个最佳折衷解。与其他技术相比，本发明具有收敛速度快、多样性好等优点。点。点。


技术研发人员：胡洪波 吴跃唐 范朝冬 易灵芝 肖乐意 聂上皓
受保护的技术使用者：湘潭大学
技术研发日：2021.12.06
技术公布日：2022/3/8