陈 旭,沈安宁,李康吉
(江苏大学电气信息工程学院,江苏 镇江 212013)
传统的火力发电厂用煤发电,效率很低,在转化过程中,存在大量的热量流失和浪费。热电联产机组既能发电又能供热,将损失的热量重新利用,提高了能量转换效率。经过二十多年的发展,热电联产技术受到研究者越来越多的关注。根据中国电力规划设计院的数据,截至2021 年,中国热电联产总装机容量已达264.6 万kW,占全国火电总装机容量的6.3%。其中,工业热电联产占比最高,达87.5%,商业和居民热电联产占比分别为10.6%和1.9%。与传统火力发电相比,热电联产技术可实现高达90%的能量转换效率,并减少13%~18%的污染物气体排放。
热电联产系统由发电机组、热电联产机组和供热机组组成。热电联产经济调度(combined heat and power economic dispatch,CHPED)的目的是使总生产成本最小化,同时满足不同的运行约束,包括火电厂的阀点效应、热电生产能力、需求平衡、输电损耗等。早期解决CHPED 问题通常采用传统的数学方法,如分枝定界法[1],对偶二次规划[2]。但是传统的数学方法存在局限性,例如对于初始解比较敏感,容易局部收敛,不能处理非凸非线性问题等。
现代智能优化算法能够很好地克服传统数学方法的缺陷,因此越来越多的科研工作者使用智能优化算法进行CHPED 问题的研究,例如遗传算法[3-4]、粒子群优化[5-6]、差分进化[7-8]、社会认知优化[9]、随机分形搜索[10]、和谐搜索[11]、纵横交叉算法[12]等。
此外,为提升智能优化算法求解CHPED 问题的性能,一些学者混合两种或多种算法,设计了混合优化算法。例如,Murugan 等[13]提出了结合蝙蝠算法、人工蜂群和混沌自适应搜索策略的混合算法。Gu等[14]提出了基于生物地理学和模拟退火的混合算法。Nasir 等[15]提出了一种融合萤火虫算法和自调节粒子群的混合优化算法。Ramachandran 等[16]提出了一种混合改进的蚱蜢优化和哈里斯鹰优化的新型优化算法。
目前智能优化算法在求解复杂CHPED 问题上,仍然存在易陷入局部最优、优化精度不高等问题。为此,提出一种新型的高斯柯西差分进化(Gaussian-Cauchy differential evolution,GCDE)算法。GCDE 算法主要引入了高斯柯西变异算子和参数自适应两个策略,来提升差分进化算法求解CHPED 问题的性能。通过将GCDE 算法应用于两个CHPED 模型,验证了其具有较好的求解性能。
热电联产的燃料成本函数由纯电机组的燃料成本、热电联产机组的燃料成本和纯热机组的燃料成本组成。
式中:FC为燃料的总成本;Ci(Pi)为第i个纯电机组的燃料成本为第j个热电联产机组的燃料成本;Ck(Hk)为第k个纯热机组的燃料成本;Pi为第i个纯电机组的输出功率分别为第j个热电联产机组的输出功率和输出热量;Hk为第k个纯热机组的输出热量;NP、NC、NH分别为纯电机组、热电联产机组和纯热机组的机组数量。三种不同类型机组的燃料成本构成如下。
式中:αi、βi、γi、λi、ρi为第i个纯电机组的成本系数;aj、bj、cj、dj、ej、fj为第j个热电联产机组的成本系数;ak、bk、ck为第k个纯热机组的成本系数为第i个纯电机组的输出功率下限。
1.2.1 电功率平衡约束
式中:PD为电负荷;Pl为第l个纯电机组的输出功率;PL为电力传输损耗,通过克朗公式[17]计算求得;Bil、B0i和B00为相关计算系数。
1.2.2 热平衡约束
式中:HD为热负荷。
1.2.3 纯电机组输出功率约束
1.2.4 热电联产机组输出约束
1.2.5 纯热机组输出热量约束
差分进化(differential evolution,DE)是一种基于种群的进化算法。它使用变异、交叉和选择算子来生成新的个体。每一代都保留较好的个体,达到种群进化的目的。DE 算法在解决不同领域的复杂优化问题上有多种应用,包括化工过程优化[18]、电机设计优化[19]等。基本DE 算法步骤如下。
1)初始化。
DE 算法将初始化N个个体,得到初始种群Xm,0,每个元素记为Xm,n,G(n=1,2,…,D)。
式中:Xm,0=(Xm,1,0,Xm,2,0,…,Xm,D,0)为第m个个体;分别为下限和上限;D为向量的维度;Rand为一个D维随机向量,每个元素取值在[0,1]之间。
2)变异。
种群根据式(12)进行变异生成新的变异个体Vm,G,每个元素记为Vm,n,G(n=1,2,…,D)。
3)交叉。
种群根据式(13)进行交叉生成新的个体Um,G,每个元素Um,n,G(n=1,2,…,D)的取值为
式中:Q为交叉概率;jrand为[1,D]之间的一个随机整数;rand为[0,1]之间的随机数。
4)选择。
式中:f(·)为DE 算法求解的优化函数。下一代种群中的个体通过选择操作实现,如果经过变异和交叉步骤后的个体适应度优于原来个体的适应度,则将Um,G替换Xm,G至下一代,否则保持Xm,G不变。
为了改进DE 算法求解CHPED 问题的性能,提出了高斯柯西变异自适应差分进化(Gaussian-Cauchy DE,GCDE)算法。该算法在两方面做出了改进,即参数自适应策略和高斯柯西变异策略。
2.2.1 参数自适应
在DE 算法的变异和交叉过程中,有两个参数值得注意,即F和Q。F和Q固定取值无法应对不同问题的求解。因此,在GCDE 算法中,采用了自适应调节的参数策略。对每个个体Xm,G取独立的参数Fm,G和Qm,G,更新公式如下。
式中:Fm,G初值设置为0.5;Qm,G初值设置为0.9;τ1、τ2、Fl、Fu为参数,数值分别为0.1、0.1、0.1、0.9;rand1、rand2、rand3、rand4为[0,1]之间的随机数。
当选择操作成功时,即f(Um,G)≤f(Xm,G)时,保留Fm,G和Qm,G的值至下一代,否则Fm,G和Qm,G的取值分别以τ1和τ2的概率进行修改,具体修改方式参照式(15)和式(16)。
2.2.2 高斯柯西变异策略
高斯柯西变异(Gaussian-Cauchy mutation,GCM)策略主要是在基础变异步骤上,以一定概率使用高斯和柯西变异,用以增强算法的局部搜索能力。
式中:θ为概率,取值为0.05;FES为函数评价次数;FESmax为最大函数评价次数;Gaussian(·)为高斯函数;Cauchy(·)为柯西函数;GCM为高斯柯西变异后得到的个体。高斯柯西变异策略的使用概率从0 增加至0.05。GCDE 算法的流程如图1 所示。
在应用GCDE 算法时,个体Xm(m=1,2,…,N)由CHPED 问题中纯电机组、热电联产机组和纯热机组输出的电能和热能组成:
此外,在优化过程中,对产生的新个体需要运行约束修复技术,获得可行解。约束修复技术如下:
1)对纯电机组Pi(i=1,2,…,NP),容量约束修复方式为
3)对纯热机组Hk(k=1,2,…,NH),容量约束修复方式为
XP中任一元素XP的修复方式为
XH中任一元素XH的修复方式为
GCDE 算法被用于求解两个CHPED 模型。为了验证其有效性,将GCDE 算法与现有代表差分算法,即差分进化算法[20]、高斯变异差分进化(differential evolution with gaussian mutation,DEGM)算法[21]和策略自适应差分进化(differential evolution with strategy adaptation,SaDE)算法[22]的结果进行比较。所有算法都运用了约束修复技术修复可行域外的个体,使其满足约束条件,且均是独立运行30 次。仿真平台为MATLAB R2016a,计算机配置参数为i5-7500 3.40GHz、8G。
系统1 由4 台纯电机组、2 台热电联产机组和1 台纯热机组组成。该系统的电负荷和热负荷分别为600 MW 和150 MW。该系统仅考虑阀点效应和传输损耗。种群大小设置为100,最大迭代次数设置为500。
表1 为不同算法在系统1 上的统计结果,由表1可知,GCDE 算法和SaDE 算法在最小值、平均值、最大值和标准差方面均为最优,燃料成本均为10 094.20 美元/h,标准差均为0,可以看出GCDE 算法和SaDE 算法在系统1 上拥有最佳的优化精度。图2 为不同算法在系统1 上的收敛曲线,由图2 可以看出,GCDE 算法的收敛速度明显优于SaDE 算法,同样也优于DE 算法和DEGM 算法。结合上述分析得出,GCDE 算法在系统1 中拥有最优的优化精度与收敛速度。表2 为系统1 的各算法最优调度解。
表1 系统1的统计结果Table1 Statistical results of system 1
表2 系统1的最优调度解Table 2 Optimal dispatch solution of system 1
图2 系统1收敛曲线Fig.2 Convergence curve for system 1
系统2 由13 台纯电机组、6 台热电联产机组和5台纯热机组组成。该系统的电负荷和热负荷分别为2 350 MW 和1 250 MW。该系统仅考虑阀点效应,不考虑传输损耗。种群大小设置为100,最大迭代次数设置为5 000。
表3 为不同算法在系统2 上的统计结果,由表3 可知,GCDE 算法在最小值、平均值、最大值和标准差方面均为最优,燃料成本最优为57 825.71 美元/h,标准差为6.65,可以看出GCDE 算法在系统2 上拥有良好的优化精度。图3 为不同算法在系统2 上的收敛曲线。由图3 可以看出,GCDE 算法的收敛速度明显优于其他三种算法。结合上述分析得出,GCDE算法在测试系统2 中拥有最优的优化精度与收敛速度。表4 为系统2 的各算法最优调度解。
表3 系统2的统计结果Table 3 Statistical results of system 2
表4 系统2最优调度解Table 4 Optimal dispatch solution of system 2
图3 系统2收敛曲线Fig.3 Convergence curve for system 2
针对复杂多约束CHPED 问题,提出了一种改进的高斯柯西变异自适应差分进化算法。该算法采用高斯柯西变异策略,对种群个体周围进行不同范围的局部搜索,并采用自适应参数策略调节参数,提升了算法的优化性能。结合约束修复策略,将GCDE算法应用在7 台机组和和24 台机组两种不同的CHPED 系统。仿真结果表明,GCDE 算法在这两个CHPED 系统上相比于其他三种代表差分进化算法,具有更优的求解精度和收敛速度。