CN104392334B - 钢铁企业自备电厂多类型发电机组联合优化调度方法 - Google Patents
钢铁企业自备电厂多类型发电机组联合优化调度方法 Download PDFInfo
- Publication number
- CN104392334B CN104392334B CN201410771245.4A CN201410771245A CN104392334B CN 104392334 B CN104392334 B CN 104392334B CN 201410771245 A CN201410771245 A CN 201410771245A CN 104392334 B CN104392334 B CN 104392334B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- unit
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 25
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 22
- 239000010959 steel Substances 0.000 title claims abstract description 22
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 18
- 239000000446 fuel Substances 0.000 claims abstract description 51
- 239000003034 coal gas Substances 0.000 claims abstract description 33
- 238000012946 outsourcing Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 239000003245 coal Substances 0.000 claims description 33
- 239000006227 byproduct Substances 0.000 claims description 28
- 238000005265 energy consumption Methods 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种钢铁企业自备电厂多类型发电机组联合优化调度的方法,属于钢铁企业能源优化调度技术领域。在构建机组能耗特性模型中考虑了燃料种类、煤气掺烧量对机组能耗的影响,在不同煤气掺烧下进行拟合,提高了模型的准确性与代表性;在构建优化调度模型中综合考虑了燃料价格、分时电价及富余煤气动态变化对于发电成本的影响,同时考虑了电力平衡约束、发电机组自身运行约束、外购电量约束、煤气供给约束和变负荷速率限制等各种约束条件,保证发电计划的可执行性。采用自适应粒子群算法进行对所述模型优化求解,能够很好解决自备电厂多机组发电调度具有髙维数、非凸、非线性、多约束的问题,实现了电力生产优化与外购的合理化,富余煤气充分利用,最大限度地降低供电成本。
Description
技术领域
本发明属于钢铁企业能源优化调度技术领域,特别是提供了一种钢铁企业自备电厂多类型发电机组联合优化调度的方法。
背景技术
我国大、中型钢铁企业一般都建有自备电厂,作为钢铁企业煤气***的主要缓冲用户调节吸收富余煤气,并为企业提供电力,降低了用电成本,在节能、环保、提高经济效益上都起到了良好的作用。充分发挥自备电厂的现有发电能力,来进行电力的生产和使用,既可以降低对外部电网电能的依赖,又可以降低用电成本,同时对缓解当地电网用电紧张的状况发挥着重大的作用。
从自备电厂来说,钢铁企业自备电厂发电是指通过利用钢铁生产过程中回收的二次能源如高炉煤气(BFG)、焦炉煤气(COG)、转炉煤气(LDG)以及外购一次能源(如动力煤)以燃烧的形式来发电。钢铁企业的自备电站发电技术有:锅炉-汽轮机发电(简称为BTG,其又分为燃煤锅炉发电、全烧煤气锅炉发电、掺烧煤气锅炉发电),燃气-蒸汽联合循环发电(CCPP),热电联产发电(CHP)。这些机组的燃料种类不同,缓冲煤气量不同,发电容量不同,其经济负荷范围就很有可能不同,即使同一型号的机组,各自的经济效益也会有所差别。如何在满足电网安全、高质运行条件下,对发电机组的有功负荷进行科学分配,使企业发电的成本最低,企业获得的经济效益最大,是每个企业所面临的重要任务。
目前,对于发电优化调度的研究主要集中于常规火力或水力发电厂,根据机组的能耗模型进行负荷优化分配来实现降低煤耗或发电成本目的。而针对钢铁企业自备电厂的发电优化调度仍处于起步阶段,主要依靠工作人员的经验来安排机组的出力。根据经验设定的发电计划在实际执行时通常会遇到各种困难,很难保证其安全、稳定、经济运行,并且不能适应不断变化的产品需求、加工量等对电力的需求变化,显然已无法适应日趋激烈的市场竞争,也无法满足企业节能降耗的目标。因此,自备电厂的发电优化调度的研究对钢铁企业提高自身竞争力具有重要的现实意义。
发明内容
本发明的目的在于提供一种钢铁企业自备电厂多类型发电机组联合优化调度的方法,用以解决现有技术中调度人员主要凭经验对多台不同类型的发电机组进行优化调度,导致的电力生产的能耗高和成本高的问题的方法,确保在满足生产电力负荷需要、机组出力能力、燃料消耗限值等条件下,结合燃料配比、上网电价及电网电价等因素对发电成本的影响,合理安排未来一个调度周期内的自备电厂各机组的有功出力、煤气分配以及外购送电计划,使全厂供电成本最小。
本发明包括以下步骤:
步骤一,获取自备电厂各机组的如下特性参数:有功出力最大值、有功出力最小值、最大升负荷速度、最大降负荷速度、燃料消耗范围和煤气掺烧比例上限。
步骤二,确定自备电厂机组在不同煤气掺烧比下的能耗模型。
通过发电机组监控***从数据库服务器中获取构建自备电厂各机组的能耗模型所需的历史运行数据,包括各机组的动力煤气耗量、副产煤气消耗量和有功出力数据。
对上述数据进行预处理,将煤量或者高炉煤气量折合成为等热值的标煤量,获得机组在不同负荷不同燃料配比下的能耗数据组,并绘制能耗特性曲线。
根据曲线的特点,以机组有功出力P和煤气掺烧量D为自变量,标准煤耗量B为因变量,采用二次多项式曲线拟合的方法,来确定各机组的能耗模型,其模型表达式如下:
第i台纯燃煤发电机组:Bi=aiPi 2+biPi+ci;
第j台纯燃气发电机组:Bj=ajPj 2+bjPj+cj;
第k台气煤混烧发电机组:Bk=akPk 2+bkPk+ck+ekDk 2+fkDk+gkPkDk
其中,B表示机组的标煤耗,P为机组的有功出力,D分别为机组的煤气消耗量,a,b,c,e,f,g为机组能耗模型的特性参数,可通过参数辨识的方法(如最小二乘法)来确定。
步骤三,设定整个优化调度周期所包含的时段数,获取机组优化调度计算所需的输入数据:包括调度周期内企业电力负荷需求预测曲线、富余煤气供应曲线、生产和检修计划、外购送电计划、机组的启停状态、可用状态、固定机组出力计划和可调整机组出力计划等数据。
步骤四,以设定数量的时段内,以整个自备电厂供电成本最小为目标,建立钢铁企业自备电厂多类型发电机组联合电优化调度模型。所述优化调度模型包括目标函数和约束条件。
所述目标函数为:以全周期内总供电成本最小为目标函数,具体包括燃料费用、副产煤气的放散惩罚费用、机组运行维护费用、外购电费用及外送电收益。
式中,T为一个调度周期内所包含的时段数目,NG表示自备电厂机组的数目,Ng表示副产煤气的数目,Cg表示副产煤气g的价格,表示机组i在t时段副产煤气g的消耗量,CCoal表示外购燃料煤的价格,表示机组i在t时段燃料煤的消耗量,CM,i表示第i发电机的制造费用(包括设备折旧、维修费用,人工薪酬等,与机组有功出力大小成正比关系),Pi,t表示机组i在t时段的有功出力,Crel,g表示副产煤气g的放散惩罚价格,Rg,t表示副产煤气g在t时段的放散量,Pw,t表示企业电网在t时段的关***换功率,Cb,t为t时段的外购电价,δt为0,1量表征有无外供电,Cs,t为t时段的外送电价。
所述约束条件包括:机组能耗模型、电力平衡约束、机组容量约束、机组负荷变化速率约束、燃料消耗范围、煤气掺烧比例限制等约束条件。
1)电力平衡约束
式中,PD,t表示在t时段的电力负荷总需求;
2)机组容量约束
式中,和分别为机组i的最小和最大负荷;
3)机组负荷变化速率约束
-URi≤Pi,t-Pi,t-1≤DRi,i=1,2...NG
式中,URi和DRi为机组i在一个时段内能增加的最大负荷和能减小的最大负荷;
4)机组燃料消耗约束
式中,和分别为机组i消耗副产煤气g的最小和最大值;
5)煤气掺烧比例约束:
式中,αi表示机组i对煤气掺烧比例的上限要求,hg和hcoal分别表示副产煤气g和外购燃料煤的热值;
6)富余煤气供应约束
式中,为副产煤气g在t时段的用量上限;
7)关口功率约束:
式中,分别表示企业内网与外网关***换功率的上限。
步骤五,采用自适应粒子群算法对所述优化调度模型进行求解,以得到所述自备电厂在当前电力负荷需求和煤气供给下各机组的出力计划和燃料分配计划以及***外购送电方案。具体实现过程如下:
Step 1:参数设置。输入发电机参数、不等式约束的上下限值及电力负荷需求等数据,设置粒子群算法中的相关参数、变量范围及最大迭代次数。
Step 2:初始化种群;群体中每个个体都是该优化问题的一个解决方案,由一组决策变量即各机组的有功出力、燃料消耗量以及关口功率组成。在各决策变量可行域变化范围内随机产生一个初始种群,并计算整个粒子当前全局最优值和每个粒子的当前个体最优值。
Step 3:计算当前种群各个体的适应度值,并计算局部最优值和全局最优值。
Step 4:对粒子群算法的控制参数即惯性权重和加速因子进行自适应动态更新。
Step 5:更新当前种群的每个粒子的速度和位置。
Step 6:约束处理。对当前种群中的每个个体,判读其是否满足所有的约束条件。对得到不可行方案(即不满足约束条件的个体),根据启发式策略对其逐步调整,使其满足所有的约束条件。并根据目标函数评估更新后的所有个体的适应度值。
Step 7:变异:为了增加种群的多样性,采用自适应变异机制。首先,对种群中的每个个体,根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量。然后,将这两个变异向量的所对应的适应值和当前个体的新适应值进行比较,根据贪婪原则选择适应度最优者作为下一代。
Step8:根据更新后的当前个体,计算其局部极值以及整个种群的全局极值。
Step 9:判断是否达到迭代停止条件,如满足,则最后一次迭代的全局值中每一维的权值即为所求的;若不满足,转向Step 5,算法继续迭代,直至满足条件。
步骤六,生成最终各机组的发电计划、煤气分配计划和外购送电计划及最优综合目标函数指标。
本发明的有益效果是:
本发明在构建机组能耗特性模型中考虑了燃料种类、煤气掺烧量对机组能耗的影响,在不同煤气掺烧下进行拟合,提高了模型的准确性与代表性;在构建优化调度模型中综合考虑了燃料价格、分时电价及富余煤气动态变化对于发电成本的影响,同时考虑了电力平衡约束、发电机组自身运行约束、外购电量约束、煤气供给约束和变负荷速率限制等各种约束条件,保证了发电计划的可执行性;同时,本发明采用自适应粒子群算法进行对所述模型优化求解,能够很好解决自备电厂多机组发电调度具有髙维数、非凸、非线性、多约束的问题,并且能够克服标准粒子群算法易陷入局部收敛和早熟的缺点,能够为自备电厂寻求最经济的发电计划、煤气分配以及外购送电方案,实现了电力生产优化与外购的合理化以及富余煤气的充分利用,最大限度地降低全厂供电成本,提高其经济效益。
附图说明
图1为本发明的钢铁企业自备电厂多类型发电机组联合优化调度方法的流程框。
图2为本发明的基于自适应粒子群算法获得发电优化调度方案技术路线图。
具体实施方式
本发明提出的技术方案可采用计算机软件技术实现自动运行流程。以下结合附图对本发明做进一详细步说明。
请参阅图1,图1为给出了本申请一种钢铁企业自备电厂多类型发电机组联合优化调度的方法方实施例的流程图,其包括以下步骤:
步骤一,获取自备电厂各机组的如下特性参数:有功出力最大值、有功出力最小值、最大升负荷速度、最大降负荷速度、燃料消耗范围和煤气掺烧比例上限。
步骤二,确定自备电厂机组在不同煤气掺烧比下的能耗模型。
通过发电机组监控***从数据库服务器中获取构建自备电厂各机组的能耗模型所需的历史运行数据,包括各机组的动力煤气耗量、副产煤气消耗量和有功出力数据。
对上述数据进行预处理,将煤量或者高炉煤气量折合成为等热值的标煤量,获得机组在不同负荷不同燃料配比下的能耗数据组,并绘制能耗特性曲线。
根据曲线的特点,以机组有功出力P和煤气掺烧量D为自变量,标准煤耗量B为因变量,采用二次多项式曲线拟合的方法,来确定各机组的能耗模型,其模型表达式如下:
第i台纯燃煤发电机组:Bi=aiPi 2+biPi+ci;
第j台纯燃气发电机组:Bj=ajPj 2+bjPj+cj;
第k台气煤混烧发电机组:Bk=akPk 2+bkPk+ck+ekDk 2+fkDk+gkPkDk
其中,B表示机组的标煤耗,P为机组的有功出力,D分别为机组的煤气消耗量,a,b,c,e,f,g为机组能耗模型的特性参数,可通过参数辨识的方法(如最小二乘法)来确定。
步骤三,设定整个优化调度周期所包含的时段数,获取机组优化调度计算所需的输入数据:包括调度周期内企业电力负荷需求预测曲线、富余煤气供应曲线、生产和检修计划、外购送电计划、机组的启停状态、可用状态、固定机组出力计划和可调整机组出力计划等数据。
步骤四,以设定数量的时段内,以整个自备电厂供电成本最小为目标,建立钢铁企业自备电厂多类型发电机组联合电优化调度模型。所述优化调度模型包括目标函数和约束条件。
所述目标函数为:以全周期内总供电成本最小为目标函数,具体包括燃料费用、副产煤气的放散惩罚费用、机组运行维护费用、外购电费用及外送电收益。
式中,T为一个调度周期内所包含的时段数目,NG表示自备电厂机组的数目,Ng表示副产煤气的数目,Cg表示副产煤气g的价格,表示机组i在t时段副产煤气g的消耗量,CCoal表示外购燃料煤的价格,表示机组i在t时段燃料煤的消耗量,CM,i表示第i发电机的制造费用(包括设备折旧、维修费用,人工薪酬等,与机组有功出力大小成正比关系),Pi,t表示机组i在t时段的有功出力,Crel,g表示副产煤气g的放散惩罚价格,Rg,t表示副产煤气g在t时段的放散量,Pw,t表示企业电网在t时段的关***换功率,Cb,t为t时段的外购电价,δt为0,1量表征有无外供电,Cs,t为t时段的外送电价。
所述约束条件包括:机组能耗模型、电力平衡约束、机组容量约束、机组负荷变化速率约束、燃料消耗范围、煤气掺烧比例限制等约束条件。
1)电力平衡约束
式中,PD,t表示在t时段的电力负荷总需求;
2)机组容量约束
式中,和分别为机组i的最小和最大负荷;
3)机组负荷变化速率约束
-URi≤Pi,t-Pi,t-1≤DRi,i=1,2...NG
式中,URi和DRi为机组i在一个时段内能增加的最大负荷和能减小的最大负荷;
4)机组燃料消耗约束
式中,和分别为机组i消耗副产煤气g的最小和最大值;
5)煤气掺烧比例约束:
式中,αi表示机组i对煤气掺烧比例的上限要求,hg和hcoal分别表示副产煤气g和外购燃料煤的热值;
6)富余煤气供应约束
式中,为副产煤气g在t时段的用量上限;
7)关口功率约束:
式中,分别表示企业内网与外网关***换功率的上限。
步骤五,采用自适应粒子群算法对所述优化调度模型进行求解,以得到所述自备电厂在当前电力负荷需求和煤气供给下各机组的出力计划和燃料分配计划以及***外购送电方案。请参阅图2,具体实现过程如下:
Step 1:参数设置。输入发电机参数、不等式约束的上下限值及电力负荷需求等数据,设置粒子群算法中的相关参数、变量范围及最大迭代次数。
Step 2:初始化种群;群体中每个个体都是该优化问题的一个解决方案,由一组决策变量即各机组的有功出力、燃料消耗量以及关口功率组成。在各决策变量可行域变化范围内随机产生一个初始种群,并计算整个粒子当前全局最优值和每个粒子的当前个体最优值。
Step 3:计算当前种群各个体的适应度值,并计算局部最优值和全局最优值。
Step4:对粒子群算法的控制参数即惯性权重和加速因子进行自适应动态更新。
Step5:更新当前种群的每个粒子的速度和位置。
Step 6:约束处理。对当前种群中的每个个体,判读其是否满足所有的约束条件。对得到不可行方案(即不满足约束条件的个体),根据启发式策略对其逐步调整,使其满足所有的约束条件。并根据目标函数评估更新后的所有个体的适应度值。
Step7:变异:为了增加种群的多样性,采用自适应变异机制。首先,对种群中的每个个体,根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量。然后,将这两个变异向量的所对应的适应值和当前个体的新适应值进行比较,根据贪婪原则选择适应度最优者作为下一代。
Step 8:根据更新后的当前个体,计算其局部极值以及整个种群的全局极值。
Step 9:判断是否达到迭代停止条件,如满足,则最后一次迭代的全局值中每一维的权值即为所求的;若不满足,转向Step 5,算法继续迭代,直至满足条件。
步骤六,生成最终各机组的发电计划、煤气分配计划和外购送电计划及最优综合目标函数指标。
采用本发明提出的钢铁企业自备电厂多类型发电机组联合优化调度方法,可以合理地安排未来自备电厂各机组的发电计划、煤气分配计划以及外购送电方案;本发明综合考虑了燃料价格、分时电价及富余煤气动态变化对于发电成本的影响,以全周期整个自备电厂供电成本最小为目标函数,以机组发电容量、燃料使用限制、机组爬坡能力限制等各约束条件,建立了钢铁企业自备电厂发电优化调度数学模型,并采用智能优化算法迭代求解获得机组有功出力和煤气分配,有效解决了企业自备电厂多机组发电优化调度问题。
以上实施例仅供说明本发明之用,并非是对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,可以做出各种变换或变型,因此,所有等同的技术方案也应该属于本发明的范畴,应由权利要求所限定。
Claims (1)
1.一种钢铁企业自备电厂多类型发电机组联合优化调度的方法,其特征在于,工艺步骤如下:
步骤一,获取自备电厂各机组的如下特性参数:有功出力最大值、有功出力最小值、最大升负荷速度、最大降负荷速度、燃料消耗范围和煤气掺烧比例上限;
步骤二,确定自备电厂机组在不同煤气掺烧比下的能耗模型;
通过发电机组监控***从数据库服务器中获取构建自备电厂各机组的能耗模型所需的历史运行数据,包括各机组的动力煤气耗量、副产煤气消耗量和有功出力数据;
对上述数据进行预处理,将煤量或者高炉煤气量折合成为等热值的标煤量,获得机组在不同负荷不同燃料配比下的能耗数据组,并绘制能耗特性曲线;
根据曲线的特点,以机组有功出力P和煤气掺烧量D为自变量,标准煤耗量B为因变量,采用二次多项式曲线拟合的方法,来确定各机组的能耗模型,其模型表达式如下:
第i台纯燃煤发电机组:Bi=aiPi 2+biPi+ci;
第j台纯燃气发电机组:Bj=ajPj 2+bjPj+cj;
第k台气煤混烧发电机组:Bk=akPk 2+bkPk+ck+ekDk 2+fkDk+gkPkDk
其中,B表示机组的标煤耗,P为机组的有功出力,D分别为机组的煤气消耗量,a,b,c,e,f,g为机组能耗模型的特性参数,可通过参数辨识的最小二乘法来确定;
步骤三,设定整个优化调度周期所包含的时段数,获取机组优化调度计算所需的输入数据:包括调度周期内企业电力负荷需求预测曲线、富余煤气供应曲线、生产和检修计划、外购送电计划、机组的启停状态、可用状态、固定机组出力计划和可调整机组出力计划数据;
步骤四,以设定数量的时段内,以整个自备电厂供电成本最小为目标,建立钢铁企业自备电厂多类型发电机组联合电优化调度模型;所述优化调度模型包括目标函数和约束条件;
所述目标函数为:以全周期内总供电成本最小为目标函数,具体包括燃料费用、副产煤气的放散惩罚费用、机组运行维护费用、外购电费用及外送电收益;
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mi> </mi>
<mi>J</mi>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Sigma;</mo>
<mi>g</mi>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
</msubsup>
<msub>
<mi>C</mi>
<mi>g</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>M</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
</msubsup>
<msub>
<mi>C</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
<mo>,</mo>
<mi>g</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>g</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>&delta;</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中,T为一个调度周期内所包含的时段数目,NG表示自备电厂机组的数目,Ng表示副产煤气的数目,Cg表示副产煤气g的价格,表示机组i在t时段副产煤气g的消耗量,CCoal表示外购燃料煤的价格,表示机组i在t时段燃料煤的消耗量,CM,i表示第i发电机的制造费用包括设备折旧、维修费用,人工薪酬,与机组有功出力大小成正比关系,Pi,t表示机组i在t时段的有功出力,Crel,g表示副产煤气g的放散惩罚价格,Rg,t表示副产煤气g在t时段的放散量,Pw,t表示企业电网在t时段的关***换功率,Cb,t为t时段的外购电价,δt为0,1量表征有无外供电,Cs,t为t时段的外送电价;
所述约束条件包括:机组能耗模型、电力平衡约束、机组容量约束、机组负荷变化速率约束、燃料消耗范围、煤气掺烧比例限制约束条件;
1)电力平衡约束
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
式中,PD,t表示在t时段的电力负荷总需求;
2)机组容量约束
Pi min≤Pi,t≤Pi max,i=1,2,...,NG
式中,Pi min和Pi max分别为机组i的最小和最大负荷;
3)机组负荷变化速率约束
-URi≤Pi,t-Pi,t-1≤DRi,i=1,2...NG
式中,URi和DRi为机组i在一个时段内能增加的最大负荷和能减小的最大负荷;
4)机组燃料消耗约束
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mo>,</mo>
<mi>min</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
</mrow>
式中,Fi g,min和Fi g,max分别为机组i消耗副产煤气g的最小和最大值;
5)煤气掺烧比例约束:
<mrow>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
</msubsup>
<msub>
<mi>h</mi>
<mi>g</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mi>g</mi>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
</msubsup>
<msub>
<mi>h</mi>
<mi>g</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
式中,αi表示机组i对煤气掺烧比例的上限要求,hg和hcoal分别表示副产煤气g和外购燃料煤的热值;
6)富余煤气供应约束
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>G</mi>
</msub>
</msubsup>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mi>g</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>F</mi>
<mi>t</mi>
<mrow>
<mi>g</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
</mrow>
式中,Ft g,max为副产煤气g在t时段的用量上限;
7)关口功率约束:
<mrow>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
</mrow>
式中,分别表示企业内网与外网关***换功率的上限;
步骤五,采用自适应粒子群算法对所述优化调度模型进行求解,以得到所述自备电厂在当前电力负荷需求和煤气供给下各机组的出力计划和燃料分配计划以及***外购送电方案;具体实现过程如下:
Step 1:参数设置:输入发电机参数、不等式约束的上下限值及电力负荷需求数据,设置粒子群算法中的相关参数、变量范围及最大迭代次数;
Step 2:初始化种群;群体中每个个体都是该优化问题的一个解决方案,由一组决策变量即各机组的有功出力、燃料消耗量以及关口功率组成;在各决策变量可行域变化范围内随机产生一个初始种群,并计算整个粒子当前全局最优值和每个粒子的当前个体最优值;
Step3:计算当前种群各个体的适应度值,并计算局部最优值和全局最优值;
Step4:对粒子群算法的控制参数即惯性权重和加速因子进行自适应动态更新;
Step5:更新当前种群的每个粒子的速度和位置;
Step 6:约束处理:对当前种群中的每个个体,判读其是否满足所有的约束条件;对得到不可行方案,即不满足约束条件的个体,根据启发式策略对其逐步调整,使其满足所有的约束条件;并根据目标函数评估更新后的所有个体的适应度值;
Step 7:变异:为了增加种群的多样性,采用自适应变异机制;首先,对种群中的每个个体,根据差分变异和高斯变异两种不同变异算子产生两个不同的变异向量;然后,将这两个变异向量的所对应的适应值和当前个体的新适应值进行比较,根据贪婪原则选择适应度最优者作为下一代;
Step8:根据更新后的当前个体,计算其局部极值以及整个种群的全局极值;
Step 9:判断是否达到迭代停止条件,如满足,则最后一次迭代的全局值中每一维的权值即为所求的;若不满足,转向Step 5,算法继续迭代,直至满足条件;
步骤六,生成最终各机组的发电计划、煤气分配计划和外购送电计划及最优综合目标函数指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410771245.4A CN104392334B (zh) | 2014-12-12 | 2014-12-12 | 钢铁企业自备电厂多类型发电机组联合优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410771245.4A CN104392334B (zh) | 2014-12-12 | 2014-12-12 | 钢铁企业自备电厂多类型发电机组联合优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392334A CN104392334A (zh) | 2015-03-04 |
CN104392334B true CN104392334B (zh) | 2017-09-12 |
Family
ID=52610233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410771245.4A Expired - Fee Related CN104392334B (zh) | 2014-12-12 | 2014-12-12 | 钢铁企业自备电厂多类型发电机组联合优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392334B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137756B (zh) * | 2015-08-31 | 2017-10-27 | 南京南瑞继保电气有限公司 | 钢铁企业电网协调控制方法及*** |
CN105205703A (zh) * | 2015-11-05 | 2015-12-30 | 中国南方电网有限责任公司电网技术研究中心 | 基于业务分析的电网电力运营方案确定方法及*** |
CN106487025B (zh) * | 2016-08-29 | 2019-03-01 | 湛江天汇综合能源服务有限公司 | 用于能耗节省的配电方法 |
JP6830784B2 (ja) * | 2016-09-30 | 2021-02-17 | 株式会社日本総合研究所 | 情報処理システム |
CN106773704B (zh) * | 2017-01-04 | 2020-02-07 | 中国科学院过程工程研究所 | 多***联合优化调度方法及装置 |
CN106991539B (zh) * | 2017-04-11 | 2020-06-16 | 中国科学院过程工程研究所 | 一种能源***优化调度方法及装置 |
CN107958324A (zh) * | 2017-11-15 | 2018-04-24 | 国网新疆电力公司 | 一种新能源企业与自备电厂之间的替代交易计算办法 |
CN107976976B (zh) * | 2017-11-15 | 2020-04-21 | 东南大学 | 一种钢铁企业煤气消耗设备时序优化方法 |
CN107895209A (zh) * | 2017-11-17 | 2018-04-10 | 上海交通大学 | 混杂燃料机组电厂负荷燃料优化分配方法及*** |
CN108153225B (zh) * | 2017-12-22 | 2020-04-07 | 山西嘉源致远新能源科技有限公司 | 一种瓦斯发电站机组功率分配方法 |
CN110097235B (zh) * | 2019-05-14 | 2023-05-26 | 广东电网有限责任公司 | 一种联合发电的调度优化方法、装置和介质 |
CN110298456A (zh) * | 2019-07-05 | 2019-10-01 | 北京天泽智云科技有限公司 | 集群***中设备维护排程方法及装置 |
CN110442921B (zh) * | 2019-07-15 | 2023-04-07 | 广州汇电云联互联网科技有限公司 | 一种基于生产数据挖掘的燃煤电厂发电成本测算方法 |
CN110348643B (zh) * | 2019-07-18 | 2023-09-01 | 国网冀北电力有限公司技能培训中心 | 一种基于能源区块链的分布式电力交易合约共识方法 |
CN110532638B (zh) * | 2019-08-05 | 2023-04-07 | 广州汇电云联互联网科技有限公司 | 一种基于生产数据挖掘的燃气电厂发电成本测算方法 |
CN110774929A (zh) * | 2019-10-25 | 2020-02-11 | 上海电气集团股份有限公司 | 一种电动汽车有序充电的实时控制策略及优化方法 |
CN111244946B (zh) * | 2020-02-18 | 2021-11-09 | 国网江苏省电力有限公司 | 一种自备电厂发用电资源的调控方法和装置 |
CN112269315B (zh) * | 2020-10-14 | 2022-09-20 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种基于设备监控信号的事件分析方法及*** |
CN112435056A (zh) * | 2020-11-19 | 2021-03-02 | 贵州乌江水电开发有限责任公司 | 一种基于生产与财务数据的燃煤电厂实时成本测算方法 |
CN112517254A (zh) * | 2020-11-25 | 2021-03-19 | 中粮糖业辽宁有限公司 | 一种大型糖厂分离机成组联锁时间的控制方法 |
CN112394643B (zh) * | 2020-11-27 | 2021-11-09 | 大连理工大学 | 钢铁企业热电***调度方法、***及计算机可读存储介质 |
CN112564101B (zh) * | 2020-12-08 | 2022-08-30 | 华能巢湖发电有限责任公司 | 一种机组启动停止过程中外购电的控制方法 |
CN112749205B (zh) * | 2020-12-09 | 2023-03-03 | 华能陕西发电有限公司 | 一种燃煤发电机组功率与供电煤耗关系曲线获取***及方法 |
CN114841542A (zh) * | 2022-04-25 | 2022-08-02 | 河北华电石家庄热电有限公司 | 燃气-蒸汽联合循环热电机组的调度计划生成方法及*** |
CN115178590B (zh) * | 2022-09-07 | 2022-12-06 | 承德建龙特殊钢有限公司 | 一种无缝钢管生产方法 |
CN115441515B (zh) * | 2022-09-14 | 2024-05-03 | 南方电网数字电网研究院有限公司 | 一种燃煤-燃气机组联合状态优化控制方法 |
CN117273410B (zh) * | 2023-11-23 | 2024-02-02 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁企业发电调度方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595061A (zh) * | 2013-11-21 | 2014-02-19 | 冶金自动化研究设计院 | 基于综合效益分析的企业电网无功优化方法及*** |
CN103606018A (zh) * | 2013-12-04 | 2014-02-26 | 冶金自动化研究设计院 | 一种钢铁企业电力负荷短期动态预测*** |
CN103617552A (zh) * | 2013-11-22 | 2014-03-05 | 冶金自动化研究设计院 | 一种钢铁企业发电成本优化的方法 |
-
2014
- 2014-12-12 CN CN201410771245.4A patent/CN104392334B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595061A (zh) * | 2013-11-21 | 2014-02-19 | 冶金自动化研究设计院 | 基于综合效益分析的企业电网无功优化方法及*** |
CN103617552A (zh) * | 2013-11-22 | 2014-03-05 | 冶金自动化研究设计院 | 一种钢铁企业发电成本优化的方法 |
CN103606018A (zh) * | 2013-12-04 | 2014-02-26 | 冶金自动化研究设计院 | 一种钢铁企业电力负荷短期动态预测*** |
Non-Patent Citations (1)
Title |
---|
基于INSQL平台的机组负荷优化调度***;张强 等;《华东电力》;20110228;第39卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104392334A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392334B (zh) | 钢铁企业自备电厂多类型发电机组联合优化调度方法 | |
CN111652441B (zh) | 考虑气电联合需求响应的气电综合能源***配网优化方法 | |
CN106773704B (zh) | 多***联合优化调度方法及装置 | |
CN106451550B (zh) | 一种基于改进次梯度粒子群的微电网并网优化调度方法 | |
CN103617552B (zh) | 一种钢铁企业发电成本优化的方法 | |
CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
CN104376412B (zh) | 一种新能源发电模式下高载能企业调峰控制方法 | |
Fan et al. | A Bi-level optimization model of integrated energy system considering wind power uncertainty | |
CN104299072B (zh) | 一种基于水火协调的安全约束发电计划制定方法 | |
CN104268712B (zh) | 基于改进的混合多种群进化算法的能源平衡与调度方法 | |
CN105337303A (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
CN114519543B (zh) | 一种乡村多能源***边缘自治运行方法及*** | |
CN105279355B (zh) | 一种园区型多能源互补分布式能源***的能源调度实现方法 | |
CN106451552A (zh) | 一种基于势博弈的微电网能量管理***分布式优化算法 | |
CN102915006A (zh) | 一种冶金企业副产煤气离线分析在线调度方法 | |
Yang et al. | Optimal allocation of surplus gas and suitable capacity for buffer users in steel plant | |
CN1753010A (zh) | 用于钢铁企业能源优化调度的分类建模和滚动求解方法 | |
CN109347152A (zh) | 考虑多类型电源参与调峰的随机生产模拟方法及应用 | |
CN106159998A (zh) | 可再生能源微电网优化调度*** | |
Mi et al. | Energy cooperation for wind farm and hydrogen refueling stations: A RO-based and nash-harsanyi bargaining solution | |
Habib et al. | Economic dispatch optimization considering operation cost and environmental constraints using the HBMO method | |
Deng et al. | Real-coded quantum optimization-based bi-level dispatching strategy of integrated power and heat systems | |
Namvar et al. | Adaptive residential energy hubs scheduling considering renewable sources | |
CN103761680B (zh) | 具有风电场的交直流互联大电网网省调度方法及*** | |
CN105069533A (zh) | 一种基于随机预测模型的钢铁企业多能源优化调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170912 Termination date: 20201212 |
|
CF01 | Termination of patent right due to non-payment of annual fee |