CN110555618B - 基于改进樽海鞘算法的网络化综合能源***优化调度方法 - Google Patents

基于改进樽海鞘算法的网络化综合能源***优化调度方法 Download PDF

Info

Publication number
CN110555618B
CN110555618B CN201910840599.2A CN201910840599A CN110555618B CN 110555618 B CN110555618 B CN 110555618B CN 201910840599 A CN201910840599 A CN 201910840599A CN 110555618 B CN110555618 B CN 110555618B
Authority
CN
China
Prior art keywords
energy
heat
energy system
comprehensive
gas
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.)
Active
Application number
CN201910840599.2A
Other languages
English (en)
Other versions
CN110555618A (zh
Inventor
王安娜
刘璟璐
王文慧
王兴宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201910840599.2A priority Critical patent/CN110555618B/zh
Publication of CN110555618A publication Critical patent/CN110555618A/zh
Application granted granted Critical
Publication of CN110555618B publication Critical patent/CN110555618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70Smart grids as climate change mitigation technology in the energy generation sector
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于改进樽海鞘算法的网络化综合能源***优化调度方法,涉及综合能源***互补优化调度技术领域。该方法首先对各个综合能源***内部区域的能源设备建模,并结合综合能源***内部区域各设备间与各综合能源***间的四种能源流动关系,得到网络化综合能源***;然后建立各综合能源***的优化调度模型及约束条件;引入线性加权和算法对网络化综合能源***中多个能源***进行优化调度,在基本樽海鞘算法的基础上,采用斐波那契数列的迭代因子更新种群位置,应用避劣算法以改进寻优能力,获得最优解,实现对综合能源***的优化调度。该方法对多个综合能源***建模,并对优化调度问题进行求解,有效降低成本,减少可再生能源的废弃。

Description

基于改进樽海鞘算法的网络化综合能源***优化调度方法
技术领域
本发明涉及综合能源***互补优化调度技术领域,尤其涉及一种基于改进樽海鞘算法的网络化综合能源***优化调度方法。
背景技术
近年来,能源消费结构愈发清洁化,消费需求趋于多样化。而传统能源***依然存在能源供给结构转变缓慢、清洁化不足、价格非理性和供给动力不足等问题。为支撑国家的可持续经济发展,为应对化石能源逐渐枯竭及其造成的环境污染、气候变化等问题,集成包含新能源、可再生能源在内的新型电力***、天然气***和热力***的综合能源***发展模式被认为是能源领域的未来发展趋势。
随着各类能源需求的与日俱增,单一综合能源***由于地域限制,自身机组的容量限制,已经不能满足大规模可再生能源的集成、大规模不确定性负荷的接入以及多种不同类型能源整合的要求。而网络化综合能源***是将多个综合能源***、电网、天然气网、热力网、能源输送网以及数据互联网络进行优化整合,形成的深度耦合的网络化模型。因而,网络化综合能源***可以充分利用不同能源在时间尺度上的耦合机制,实现多能优势整合互补,能源梯级利用,有利于可再生能源大规模消纳,能够为***提供更好的灵活性。
对于电、热、冷、气等不同类型能源,在进行能量交互时,***的运行需要大规模的数据交互,一旦某一时段协调优化调度不合理,就会造成大量的能源消耗,增加能源生产成本。因此,有必要构建网络化综合能源***模型及提出新的优化调度关键技术。
樽海鞘算法可用于网络化综合能源***优化调度,具有易实现,全局搜索能力强等优点,但原有的樽海鞘算法也易陷入局部最小值,经过优化后的樽海鞘算法在局部寻优能力、收敛速度和搜索精度等方面都有很好的提高。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于改进樽海鞘算法的网络化综合能源***优化调度方法,实现对综合能源***的优化调度。
为解决上述技术问题,本发明所采取的技术方案是:基于改进樽海鞘算法的网络化综合能源***优化调度方法,包括以下步骤:
步骤1、对各个综合能源***内部区域的能源设备建模;
所述各个综合能源***为住宅综合能源***、商业综合能源***、工业综合能源***;
所述对能源设备建模包括对住宅能源***内的热电联产机组CHP、燃气锅炉GB、吸收式制冷机AC和蓄电池ES的建模;对商业能源***内的热泵HP、吸收式制冷机和热交换器HE的建模;对工业能源***中的电转气装置P2G、压缩式制冷机CC、燃气锅炉和蓄热器TS的建模;
步骤2、给出综合能源***内部区域各设备间与各综合能源***间的冷、热、电、气四种能源流动关系,得到网络化综合能源***;
所述的四种能源流动关系包括:
(1)综合能源***内部区域各能源设备间的能源流动关系:
压缩式制冷机通过消耗电能产生冷能,吸收式制冷机将燃气锅炉产生的热能转换成冷能;燃气锅炉通过天然气进行制热产生的热能一部分通过吸收式制冷机进行制冷,一部分由蓄热器进行收集,一部分供给热负荷;热电联产机组产生电能和热能,热能由吸收式制冷机进行制冷;热泵消耗电能产生的热能与热交换器交换后的热能供给热负荷;电转气装置机组消耗电能产生天然气,蓄电池储存电能;
(2)各综合能源***间的能源流动关系:
住宅能源***产生的电能传送给商业能源***与工业能源***;工业能源***产生的天然气传送给住宅能源***;住宅能源***与工业能源***产生的热能传送给商业能源***;
步骤3、建立各综合能源***的优化调度模型;
所述建立的各综合能源***的优化调度模型通过以下目标函数实现:
Figure BDA0002193580500000021
其中,fΦ是各综合能源***的能量购买成本,Φ=1,2,3,
Figure BDA0002193580500000022
为电力价格,λG,net为天然气价格,λH,net为热力价格;
Figure BDA0002193580500000023
分别为各综合能源***通过公用电网、天然气网和热力网购买的电能、燃气能和热能;
步骤4、建立网络化综合能源***约束条件;
所述建立网络化综合能源***的约束条件包括:
1)电能平衡条件
电功率平衡约束方程:
Figure BDA0002193580500000024
其中,
Figure BDA0002193580500000031
为综合能源***在t时刻的电负荷,
Figure BDA0002193580500000032
为t时刻热泵消耗的电功率,
Figure BDA0002193580500000033
为压缩式制冷机在t时刻所消耗的电能,
Figure BDA0002193580500000034
为t时刻电转气装置所需电能,
Figure BDA0002193580500000035
Figure BDA0002193580500000036
为综合能源***间交换的电能,n,k=1,2,3,
Figure BDA0002193580500000037
为在t时刻从公用电网购买的电能,
Figure BDA0002193580500000038
为光伏和风力涡轮机在t时刻输出的电能,ηCHP,GE为热电联产机组的发电效率,
Figure BDA0002193580500000039
为热电联产机组t时刻所消耗的天然气量,
Figure BDA00021935805000000310
为t时刻蓄电池的充放电功率;
2)热能平衡条件
热功率平衡约束方程:
Figure BDA00021935805000000311
其中,
Figure BDA00021935805000000312
为综合能源***在t时刻的热负荷,
Figure BDA00021935805000000313
为吸收式制冷机在t时刻所需热量,
Figure BDA00021935805000000314
为热交换器交换的热能,
Figure BDA00021935805000000315
为在t时刻从热网购买电能,
Figure BDA00021935805000000316
为蓄热器在t时刻所存储热能,
Figure BDA00021935805000000317
为燃气锅炉在t时刻所消耗天然气,ηCHP,GH为热电联产机组热效率,ηGB,GH为燃气锅炉的热效率,ηHP,EH为热泵的热转换率,ηHE,HH为热交换器效率;
3)冷能平衡条件
冷功率平衡约束方程:
Figure BDA00021935805000000318
其中,
Figure BDA00021935805000000319
为综合能源***在t时刻的冷负荷,ηAC,EC为吸收式制冷机冷却转换效率,ηCC,EC为压缩式制冷机冷却转换效率;
4)天然气能平衡条件
天然气平衡约束方程:
Figure BDA00021935805000000320
其中,ηP2G,EG为电转气装置转换效率;
5)设备容量的约束条件
从公共电网购买电能量:
Figure BDA00021935805000000321
其中,
Figure BDA00021935805000000322
为从公共电网购买的最小电能量,
Figure BDA00021935805000000323
为从公共电网购买的最大电能量;
从天然气网购买天然气量:
Figure BDA0002193580500000041
其中,
Figure BDA0002193580500000042
为从天然气网购买的最小天然气量,
Figure BDA0002193580500000043
为从公共电网购买的最大天然气量;
从热力网购买热能量:
Figure BDA0002193580500000044
其中,
Figure BDA0002193580500000045
为从热力网购买的最小热能量,
Figure BDA0002193580500000046
为从热力网购买的最大热能量;
热泵:
Figure BDA0002193580500000047
其中,
Figure BDA0002193580500000048
为热泵最小热电功率,
Figure BDA0002193580500000049
为从热泵的最大电功率;
电转气机组:
Figure BDA00021935805000000410
其中,
Figure BDA00021935805000000411
为电转气机组所需最小电能,
Figure BDA00021935805000000412
为电转气机组所需最大电能;
热电联产机组:
Figure BDA00021935805000000413
其中,
Figure BDA00021935805000000414
为热电联产机组所消耗最小天然气量,
Figure BDA00021935805000000415
为热电联产机组所消耗的最大天然气量;
燃气锅炉:
Figure BDA00021935805000000416
其中,
Figure BDA00021935805000000417
为燃气锅炉所消耗的最小天然气量,
Figure BDA00021935805000000418
为燃气锅炉所消耗的最大天然气量;
压缩式制冷机:
Figure BDA00021935805000000419
其中,
Figure BDA00021935805000000420
为压缩式制所消耗的最小电能,
Figure BDA00021935805000000421
为压缩式制冷机所消耗的最大电能;
吸收式制冷机:
Figure BDA00021935805000000422
其中,
Figure BDA0002193580500000051
为吸收式制冷机所消耗的最小电能,
Figure BDA0002193580500000052
为吸收式制冷机所消耗的最大电能;
热交换器:
Figure BDA0002193580500000053
其中,
Figure BDA0002193580500000054
为从热交换器输出的最小热能量,
Figure BDA0002193580500000055
为从热交换器输出的最大热能量;
蓄电池:
Figure BDA0002193580500000056
Figure BDA0002193580500000057
其中,
Figure BDA0002193580500000058
为蓄电池的最大充电量,
Figure BDA0002193580500000059
为蓄电池的最大放电量;
Figure BDA00021935805000000510
为蓄电池的剩余电量,
Figure BDA00021935805000000511
为蓄电池的最小剩余电量,
Figure BDA00021935805000000512
为从蓄电池的最大剩余电量;
蓄热器:
Figure BDA00021935805000000513
Figure BDA00021935805000000514
其中,
Figure BDA00021935805000000515
为蓄热器的最大储热量,
Figure BDA00021935805000000516
为蓄热器的最大放热量;
Figure BDA00021935805000000517
为蓄热器的剩余热量,
Figure BDA00021935805000000518
为蓄热器的最小剩余热量,
Figure BDA00021935805000000519
为蓄热器输出的最大剩余热量;
步骤5、引入线性加权和算法对网络化综合能源***中多个能源***进行优化调度,在基本樽海鞘算法的基础上,采用斐波那契数列的迭代因子更新种群位置,应用避劣算法以改进寻优能力,获得最优解,实现对综合能源***的优化调度,具体方法为:
步骤5.1、首先利用线性加权和算法将住宅综合能源***、商业区综合能源***和工业综合能源***三个***的协同优化问题结合为单目标优化问题,如下公式所示:
Figure BDA00021935805000000520
其中,f为各综合能源***购买电、气、热的总成本,ωΦ为加权和系数;通过调整加权和系数,得到不同的总成本;
步骤5.2、种群位置初始化;
使各综合能源***购买电、气、热的初始数量对应樽海鞘种群的初始位置;同时,樽海鞘种群的初始位置也是每一个樽海鞘的当前最佳位置,即局部最优值;使各综合能源***购买电、气、热的总成本对应樽海鞘种群的目标函数,即适应度值,同时,所述目标函数也是种群当前最佳位置,即全局最优值;
初始化樽海鞘种群个体数量为n,搜索空间上限为
Figure BDA0002193580500000061
下限为
Figure BDA0002193580500000062
搜索维度为D,则樽海鞘的种群位置随机初始化为如下公式所示:
Figure BDA0002193580500000063
其中,
Figure BDA0002193580500000064
为第i个樽海鞘在j维度的种群位置,i=1,...,n,j=1,...,D;
步骤5.3、将随机初始化的樽海鞘种群位置进行一次适应度值计算,通过升序排序将种群适应度最优所对应的樽海鞘的位置定义为食物的位置,该樽海鞘的适应度定义为食物的适应度;
步骤5.4、种群领导者位置更新;将种群适应度最优所对应的樽海鞘定义为食物的位置
Figure BDA0002193580500000065
将并种群适应度值最优的第一个樽海鞘作为领导者,进行位置更新,如下公式所示:
Figure BDA0002193580500000066
其中,
Figure BDA0002193580500000067
为适应度值最优的第一个樽海鞘在j维度的种群位置,c2和c3为随机数,c1由如下公式确定:
Figure BDA0002193580500000068
其中,
Figure BDA0002193580500000069
为斐波那契数列(Fibonacci sequence),又称黄金分割数列,l为当前迭代次数,l=2,...,L,L为最大迭代次数;搜索初期,樽海鞘快速向食物
Figure BDA00021935805000000610
移动;搜索后期,c1从大逐渐减小,樽海鞘在食物
Figure BDA00021935805000000611
所在区域内精细搜索;
步骤5.5、采用避劣算法更新种群跟随者位置;
将种群中除适应度值最优的第一个樽海鞘外的其他樽海鞘作为跟随者,采用避劣算法进行位置更新,如下公式所示:
Figure BDA00021935805000000612
其中,
Figure BDA0002193580500000071
为第i-1只樽海鞘的适应度值,
Figure BDA0002193580500000072
为第i只樽海鞘的适应度值,i=2,...,n,c4>1为影响因子;
步骤5.6、重复执行步骤5.4-5.5,当存在某只樽海鞘的适应度值小于种群的最佳适应度时,用其替代原来种群的最佳适应度;在满足网络化综合能源***约束条件限制条件的基础上,达到最大迭代次数时,更新完后的适应度值即为综合能源***的最小购买电、气、热的总成本;其对应的樽海鞘种群的位置即为综合能源***购买电、气、热的优化数量;通过比较不同线性加权和系数下对应的优化总成本,当存在某个加权和系数组合的总成本小于当前加权和系数组合的总成本时,用其替代原来的最佳总成本;进而得到最终优化调度结果,从而实现综合能源***的最优调度。
采用上述技术方案所产生的有益效果在于:本发明提供的基于改进樽海鞘算法的网络化综合能源***优化调度方法,由电网、天然气网、热力网和多个综合能源***构建网络化综合能源***模型,该模型引入互补机制,实现不同综合能源***间的热、电、气互补协调;该模型与现有普通的单一区域内的综合能源***模型相比,通过引入多个综合能源***实现多能耦合互补来进一步提高地区内自身调节能力;充分利用地区内各区域间的能源互补,使每个区域中的冷、热、电、气负荷都得到满足,且各个区域中没有出现大面积弃热、弃电等浪费能源的状况。同时,提出一种改进的樽海鞘算法,采用斐波那契数列的迭代因子更新樽海鞘算法中种群位置,应用避劣算法以改进寻优能力,引入线性加权和算法对多个综合能源***优化调度问题进行求解,有效降低成本,减少可再生能源的废弃。改进樽海鞘算法为对基本樽海鞘进行优化后的算法,经过优化后的算法的局部寻优能力、收敛速度和搜索精度都有很好的提高。
附图说明
图1为本发明实施例提供的基于改进樽海鞘算法的网络化综合能源***优化调度方法的流程图;
图2为本发明实施例提供的网络化综合能源***的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
基于改进樽海鞘算法的网络化综合能源***优化调度方法,包括以下步骤:
步骤1、对各个综合能源***内部区域的能源设备建模;
所述各个综合能源***为住宅综合能源***、商业综合能源***、工业综合能源***;
所述对能源设备建模包括对住宅能源***内的热电联产机组CHP、燃气锅炉GB、吸收式制冷机AC和蓄电池ES的建模;对商业能源***内的热泵HP、吸收式制冷机和热交换器HE的建模;对工业能源***中的电转气装置P2G、压缩式制冷机CC、燃气锅炉和蓄热器TS的建模;
本实施例中建立的各能源设备的数学模型为:
(1)建立燃气锅炉的数学模型为:
Figure BDA0002193580500000081
其中,ηGB,GH为燃气锅炉的热效率,
Figure BDA0002193580500000082
为燃气锅炉输出热能。
(2)建立吸收式制冷机的数学模型为:
Figure BDA0002193580500000083
其中,ηAC,HC为吸收式制冷机冷却系数,
Figure BDA0002193580500000084
为吸收式制冷机输出冷能。
(3)建立蓄电池的数学模型为:
Figure BDA0002193580500000085
其中,
Figure BDA0002193580500000086
为蓄电池的充电效率,
Figure BDA0002193580500000087
为蓄电池的放电效率,Δt为间隔时间,
Figure BDA0002193580500000088
为t时刻蓄电池的充电功率,
Figure BDA0002193580500000089
为t时刻蓄电池的放电功率。
(4)建立热电联产机组的数学模型为:
Figure BDA00021935805000000810
其中,ηCHP,GE为热电联产机组的发电效率,ηCHP,GH为热电联产机组热效率,
Figure BDA00021935805000000811
为热电联产机组t时刻输出电能,
Figure BDA00021935805000000812
为热电联产机组t时刻输出热能。
(5)建立热泵的数学模型为:
Figure BDA00021935805000000813
其中,ηHP,EH为热泵的热转换率,
Figure BDA00021935805000000814
为t时刻热泵的输出热能。
(6)建立热交换器的数学模型为:
Figure BDA00021935805000000815
(7)其中,ηHE,HH为热交换器效率,
Figure BDA00021935805000000816
为其他***传输至该能源***热能。
建立电转气装置的数学模型为:
Figure BDA0002193580500000091
其中,
Figure BDA0002193580500000092
为t时刻电转气装置输出天然气。
(8)建立压缩式制冷机的数学模型为:
Figure BDA0002193580500000093
其中,ηCC,EC为压缩式制冷机冷却转换效率,
Figure BDA0002193580500000094
为压缩式制冷机在t时刻输出冷能。
(9)建立蓄热器的数学模型为:
Figure BDA0002193580500000095
其中,
Figure BDA0002193580500000096
为蓄电池的充热效率,
Figure BDA0002193580500000097
为蓄电池的放热效率,
Figure BDA0002193580500000098
为t时刻蓄热器的充热功率,
Figure BDA0002193580500000099
为t时刻蓄热器的放热功率。
步骤2、给出综合能源***内部区域各设备间与各综合能源***间的冷、热、电、气四种能源流动关系,得到如图2所示的网络化综合能源***;
所述的四种能源流动关系包括:
(1)综合能源***内部区域各能源设备间的能源流动关系:
压缩式制冷机通过消耗电能产生冷能,吸收式制冷机将燃气锅炉产生的热能转换成冷能;燃气锅炉通过天然气进行制热产生的热能一部分通过吸收式制冷机进行制冷,一部分由蓄热器进行收集,一部分供给热负荷;热电联产机组产生电能和热能,热能由吸收式制冷机进行制冷;热泵消耗电能产生的热能与热交换器交换后的热能供给热负荷;电转气装置机组消耗电能产生天然气,蓄电池储存电能;
(2)各综合能源***间的能源流动关系:
住宅能源***产生的电能传送给商业能源***与工业能源***;工业能源***产生的天然气传送给住宅能源***;住宅能源***与工业能源***产生的热能传送给商业能源***;
步骤3、建立各综合能源***的优化调度模型;
所述建立的各综合能源***的优化调度模型通过以下目标函数实现:
Figure BDA00021935805000000910
其中,fΦ是各综合能源***的能量购买成本,Φ=1,2,3,
Figure BDA00021935805000000911
为电力价格,λG,net为天然气价格,λH,net为热力价格;
Figure BDA00021935805000000912
分别为各综合能源***通过公用电网、天然气网和热力网购买的电能、燃气能和热能;
步骤4、建立网络化综合能源***约束条件;
所述建立网络化综合能源***的约束条件包括:
1)电能平衡条件
电功率平衡约束方程:
Figure BDA0002193580500000101
其中,
Figure BDA0002193580500000102
为综合能源***在t时刻的电负荷,
Figure BDA0002193580500000103
为t时刻热泵消耗的电功率,
Figure BDA0002193580500000104
为压缩式制冷机在t时刻所消耗的电能,
Figure BDA0002193580500000105
为t时刻电转气装置所需电能,
Figure BDA0002193580500000106
Figure BDA0002193580500000107
为综合能源***间交换的电能,n,k=1,2,3,
Figure BDA0002193580500000108
为在t时刻从公用电网购买的电能,
Figure BDA0002193580500000109
为光伏和风力涡轮机在t时刻输出的电能,ηCHP,GE为热电联产机组的发电效率,
Figure BDA00021935805000001010
为热电联产机组t时刻所消耗的天然气量,
Figure BDA00021935805000001011
为t时刻蓄电池的充放电功率;
2)热能平衡条件
热功率平衡约束方程:
Figure BDA00021935805000001012
其中,
Figure BDA00021935805000001013
为综合能源***在t时刻的热负荷,
Figure BDA00021935805000001014
为吸收式制冷机在t时刻所需热量,
Figure BDA00021935805000001015
为热交换器交换的热能,
Figure BDA00021935805000001016
为在t时刻从热网购买电能,
Figure BDA00021935805000001017
为蓄热器在t时刻所存储热能,
Figure BDA00021935805000001018
为燃气锅炉在t时刻所消耗天然气,ηCHP,GH为热电联产机组热效率,ηGB,GH为燃气锅炉的热效率,ηHP,EH为热泵的热转换率,ηHE,HH为热交换器效率;
3)冷能平衡条件
冷功率平衡约束方程:
Figure BDA00021935805000001019
其中,
Figure BDA00021935805000001020
为综合能源***在t时刻的冷负荷,ηAC,EC为吸收式制冷机冷却转换效率,ηCC,EC为压缩式制冷机冷却转换效率;
4)天然气能平衡条件
天然气平衡约束方程:
Figure BDA0002193580500000111
其中,ηP2G,EG为电转气装置转换效率。
5)设备容量的约束条件
从公共电网购买电能量:
Figure BDA0002193580500000112
其中,
Figure BDA0002193580500000113
为从公共电网购买的最小电能量,
Figure BDA0002193580500000114
为从公共电网购买的最大电能量;
从天然气网购买天然气量:
Figure BDA0002193580500000115
其中,
Figure BDA0002193580500000116
为从天然气网购买的最小天然气量,
Figure BDA0002193580500000117
为从公共电网购买的最大天然气量;
从热力网购买热能量:
Figure BDA0002193580500000118
其中,
Figure BDA0002193580500000119
为从热力网购买的最小热能量,
Figure BDA00021935805000001110
为从热力网购买的最大热能量;
热泵:
Figure BDA00021935805000001111
其中,
Figure BDA00021935805000001112
为热泵最小热电功率,
Figure BDA00021935805000001113
为从热泵的最大电功率;
电转气机组:
Figure BDA00021935805000001114
其中,
Figure BDA00021935805000001115
为电转气机组所需最小电能,
Figure BDA00021935805000001116
为电转气机组所需最大电能;
热电联产机组:
Figure BDA00021935805000001117
其中,
Figure BDA00021935805000001118
为热电联产机组所消耗最小天然气量,
Figure BDA00021935805000001119
为热电联产机组所消耗的最大天然气量;
燃气锅炉:
Figure BDA00021935805000001120
其中,
Figure BDA0002193580500000121
为燃气锅炉所消耗的最小天然气量,
Figure BDA0002193580500000122
为燃气锅炉所消耗的最大天然气量;
压缩式制冷机:
Figure BDA0002193580500000123
其中,
Figure BDA0002193580500000124
为压缩式制所消耗的最小电能,
Figure BDA0002193580500000125
为压缩式制冷机所消耗的最大电能;
吸收式制冷机:
Figure BDA0002193580500000126
其中,
Figure BDA0002193580500000127
为吸收式制冷机所消耗的最小电能,
Figure BDA0002193580500000128
为吸收式制冷机所消耗的最大电能;
热交换器:
Figure BDA0002193580500000129
其中,
Figure BDA00021935805000001210
为从热交换器输出的最小热能量,
Figure BDA00021935805000001211
为从热交换器输出的最大热能量;
蓄电池:
Figure BDA00021935805000001212
Figure BDA00021935805000001213
其中,
Figure BDA00021935805000001214
为蓄电池的最大充电量,
Figure BDA00021935805000001215
为蓄电池的最大放电量;
Figure BDA00021935805000001216
为蓄电池的剩余电量,
Figure BDA00021935805000001217
为蓄电池的最小剩余电量,
Figure BDA00021935805000001218
为从蓄电池的最大剩余电量;
蓄热器:
Figure BDA00021935805000001219
Figure BDA00021935805000001220
其中,
Figure BDA00021935805000001221
为蓄热器的最大储热量,
Figure BDA00021935805000001222
为蓄热器的最大放热量;
Figure BDA00021935805000001223
为蓄热器的剩余热量,
Figure BDA00021935805000001224
为蓄热器的最小剩余热量,
Figure BDA00021935805000001225
为蓄热器输出的最大剩余热量;
步骤5、引入线性加权和算法对网络化综合能源***中多个能源***进行优化调度,在基本樽海鞘算法的基础上,采用斐波那契数列的迭代因子更新种群位置,应用避劣算法以改进寻优能力,获得最优解,实现对综合能源***的优化调度,具体方法为:
步骤5.1、首先利用线性加权和算法将住宅综合能源***、商业区综合能源***和工业综合能源***三个***的协同优化问题结合为单目标优化问题,如下公式所示:
Figure BDA0002193580500000131
其中,f为各综合能源***购买电、气、热的总成本,ωΦ为加权和系数;
步骤5.2、种群位置初始化;
使各综合能源***购买电、气、热的初始数量对应樽海鞘种群的初始位置;同时,樽海鞘种群的初始位置也是每一个樽海鞘的当前最佳位置,即局部最优值;使各综合能源***购买电、气、热的总成本对应樽海鞘种群的目标函数,即适应度值,同时,所述目标函数也是种群当前最佳位置,即全局最优值;
初始化樽海鞘种群个体数量为n,搜索空间上限为
Figure BDA0002193580500000132
下限为
Figure BDA0002193580500000133
搜索维度为D;则种群位置随机初始化,如下公式所示:
Figure BDA0002193580500000134
其中,
Figure BDA0002193580500000135
为第i个樽海鞘在j维度的种群位置,i=1,...,n,j=1,...,D;
步骤5.3、将随机初始化的樽海鞘种群位置进行一次适应度值计算,通过升序排序将种群适应度最优所对应的樽海鞘的位置定义为食物的位置,该樽海鞘的适应度定义为食物的适应度;
步骤5.4、种群领导者位置更新;将种群适应度最优所对应的樽海鞘定义为食物的位置
Figure BDA0002193580500000136
将并种群适应度值最优的第一个樽海鞘作为领导者,进行位置更新,如下公式所示:
Figure BDA0002193580500000137
其中,
Figure BDA0002193580500000138
为适应度值最优的第一个樽海鞘在j维度的种群位置,c2和c3为随机数,c1由如下公式确定:
Figure BDA0002193580500000139
其中,
Figure BDA00021935805000001310
为斐波那契数列(Fibonacci sequence),又称黄金分割数列,l为当前迭代次数,l=2,...,L,L为最大迭代次数;搜索初期,樽海鞘快速向食物
Figure BDA00021935805000001311
移动;搜索后期,c1从大逐渐减小,樽海鞘在食物
Figure BDA00021935805000001312
所在区域内精细搜索;该方法提高樽海鞘算法局部寻优能力,更好地完成领导者位置更新;
步骤5.5、采用避劣算法更新种群跟随者位置;
将种群中除适应度值最优的第一个樽海鞘外的其他樽海鞘作为跟随者,采用避劣算法进行位置更新,如下公式所示:
Figure BDA0002193580500000141
其中,
Figure BDA0002193580500000142
为第i-1只樽海鞘的适应度值,
Figure BDA0002193580500000143
为第i只樽海鞘的适应度值,i=2,...,n,c4>1为影响因子;
步骤5.6、重复执行步骤5.4-5.5,当存在某只樽海鞘的适应度值小于种群的最佳适应度时,用其替代原来种群的最佳适应度;在满足网络化综合能源***约束条件限制条件的基础上,达到最大迭代次数时,更新完后的适应度值即为综合能源***的最小购买电、气、热的总成本;其对应的樽海鞘种群的位置即为综合能源***购买电、气、热的优化数量;通过比较不同线性加权和系数下对应的优化总成本,当存在某个加权和系数组合的总成本小于当前加权和系数组合的总成本时,用其替代原来的最佳总成本;进而得到最终优化调度结果,从而实现综合能源***的最优调度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于改进樽海鞘算法的网络化综合能源***优化调度方法,其特征在于:包括以下步骤:
步骤1、对各个综合能源***内部区域的能源设备建模;
所述各个综合能源***为住宅综合能源***、商业综合能源***、工业综合能源***;
步骤2、给出综合能源***内部区域各设备间与各综合能源***间的冷、热、电、气四种能源流动关系,得到网络化综合能源***;
所述的四种能源流动关系包括:
(1)综合能源***内部区域各能源设备间的能源流动关系;
(2)各综合能源***间的能源流动关系;
步骤3、建立各综合能源***的优化调度模型;
所述建立的各综合能源***的优化调度模型通过以下目标函数实现:
Figure FDA0002193580490000011
其中,fΦ是各综合能源***的能量购买成本,Φ=1,2,3,
Figure FDA0002193580490000012
为电力价格,λG,net为天然气价格,λH,net为热力价格;
Figure FDA0002193580490000013
分别为各综合能源***通过公用电网、天然气网和热力网购买的电能、燃气能和热能;
步骤4、建立网络化综合能源***约束条件;
所述建立网络化综合能源***的约束条件包括:电能平衡条件、热能平衡条件、冷能平衡条件、天然气能平衡条件及设备容量的约束条件;
步骤5、引入线性加权和算法对网络化综合能源***中多个能源***进行优化调度,在基本樽海鞘算法的基础上,采用斐波那契数列的迭代因子更新种群位置,应用避劣算法以改进寻优能力,获得最优解,实现对综合能源***的优化调度,具体方法为:
步骤5.1、首先利用线性加权和算法将住宅综合能源***、商业区综合能源***和工业综合能源***三个***的协同优化问题结合为单目标优化问题,如下公式所示:
Figure FDA0002193580490000014
其中,f为各综合能源***购买电、气、热的总成本,ωΦ为加权和系数;
步骤5.2、种群位置初始化;
使各综合能源***购买电、气、热的初始数量对应樽海鞘种群的初始位置;同时,樽海鞘种群的初始位置也是每一个樽海鞘的当前最佳位置,即局部最优值;使各综合能源***购买电、气、热的总成本对应樽海鞘种群的目标函数,即适应度值,同时,所述目标函数也是种群当前最佳位置,即全局最优值;
初始化樽海鞘种群个体数量为n,搜索空间上限为
Figure FDA0002193580490000021
下限为
Figure FDA0002193580490000022
搜索维度为D,则樽海鞘的种群位置随机初始化为如下公式所示:
Figure FDA0002193580490000023
其中,
Figure FDA0002193580490000024
为第i个樽海鞘在j维度的种群位置,i=1,...,n,j=1,...,D;
步骤5.3、将随机初始化的樽海鞘种群位置进行一次适应度值计算,通过升序排序将种群适应度最优所对应的樽海鞘的位置定义为食物的位置,该樽海鞘的适应度定义为食物的适应度;
步骤5.4、种群领导者位置更新;将种群适应度最优所对应的樽海鞘定义为食物的位置χj,将并种群适应度值最优的第一个樽海鞘作为领导者,进行位置更新,如下公式所示:
Figure FDA0002193580490000025
其中,
Figure FDA0002193580490000026
为适应度值最优的第一个樽海鞘在j维度的种群位置,c2和c3为随机数,c1由如下公式确定:
Figure FDA0002193580490000027
其中,
Figure FDA0002193580490000028
为斐波那契数列,又称黄金分割数列,l为当前迭代次数,l=2,...,L,L为最大迭代次数;搜索初期,樽海鞘快速向食物χj移动;搜索后期,c1从大逐渐减小,樽海鞘在食物χj所在区域内精细搜索;
步骤5.5、采用避劣算法更新种群跟随者位置;
将种群中除适应度值最优的第一个樽海鞘外的其他樽海鞘作为跟随者,采用避劣算法进行位置更新,如下公式所示:
Figure FDA0002193580490000029
其中,
Figure FDA0002193580490000031
为第i-1只樽海鞘的适应度值,
Figure FDA0002193580490000032
为第i只樽海鞘的适应度值,i=2,...,n,c4>1为影响因子;
步骤5.6、重复执行步骤5.4-5.5,当存在某只樽海鞘的适应度值小于种群的最佳适应度时,用其替代原来种群的最佳适应度;在满足网络化综合能源***约束条件限制条件的基础上,达到最大迭代次数时,更新完后的适应度值即为综合能源***的最小购买电、气、热的总成本;其对应的樽海鞘种群的位置即为综合能源***购买电、气、热的优化数量;通过比较不同线性加权和系数下对应的优化总成本,当存在某个加权和系数组合的总成本小于当前加权和系数组合的总成本时,用其替代原来的最佳总成本;进而得到最终优化调度结果,从而实现综合能源***的最优调度。
2.根据权利要求1所述的基于改进樽海鞘算法的网络化综合能源***优化调度方法,其特征在于:步骤1所述对能源设备建模包括对住宅能源***内的热电联产机组CHP、燃气锅炉GB、吸收式制冷机AC和蓄电池ES的建模;对商业能源***内的热泵HP、吸收式制冷机和热交换器HE的建模;对工业能源***中的电转气装置P2G、压缩式制冷机CC、燃气锅炉和蓄热器TS的建模。
3.根据权利要求2所述的基于改进樽海鞘算法的网络化综合能源***优化调度方法,其特征在于:所述综合能源***内部区域各能源设备间的能源流动关系为:
压缩式制冷机通过消耗电能产生冷能,吸收式制冷机将燃气锅炉产生的热能转换成冷能;燃气锅炉通过天然气进行制热产生的热能一部分通过吸收式制冷机进行制冷,一部分由蓄热器进行收集,一部分供给热负荷;热电联产机组产生电能和热能,热能由吸收式制冷机进行制冷;热泵消耗电能产生的热能与热交换器交换后的热能供给热负荷;电转气装置机组消耗电能产生天然气,蓄电池储存电能;
所述各综合能源***间的能源流动关系为:
住宅能源***产生的电能传送给商业能源***与工业能源***;工业能源***产生的天然气传送给住宅能源***;住宅能源***与工业能源***产生的热能传送给商业能源***。
4.根据权利要求3所述的基于改进樽海鞘算法的网络化综合能源***优化调度方法,其特征在于:步骤4所述建立的网络化综合能源***的约束条件具体为:
1)电能平衡条件
电功率平衡约束方程:
Figure FDA0002193580490000033
其中,
Figure FDA00021935804900000423
为综合能源***在t时刻的电负荷,
Figure FDA0002193580490000041
为t时刻热泵消耗的电功率,
Figure FDA0002193580490000042
为压缩式制冷机在t时刻所消耗的电能,
Figure FDA0002193580490000043
为t时刻电转气装置所需电能,
Figure FDA0002193580490000044
Figure FDA0002193580490000045
为综合能源***间交换的电能,n,k=1,2,3,
Figure FDA0002193580490000046
为在t时刻从公用电网购买的电能,
Figure FDA0002193580490000047
为光伏和风力涡轮机在t时刻输出的电能,ηCHP,GE为热电联产机组的发电效率,
Figure FDA0002193580490000048
为热电联产机组t时刻所消耗的天然气量,
Figure FDA0002193580490000049
为t时刻蓄电池的充放电功率;
2)热能平衡条件
热功率平衡约束方程:
Figure FDA00021935804900000410
其中,
Figure FDA00021935804900000411
为综合能源***在t时刻的热负荷,
Figure FDA00021935804900000412
为吸收式制冷机在t时刻所需热量,
Figure FDA00021935804900000413
为热交换器交换的热能,
Figure FDA00021935804900000414
为在t时刻从热网购买电能,
Figure FDA00021935804900000415
为蓄热器在t时刻所存储热能,
Figure FDA00021935804900000416
为燃气锅炉在t时刻所消耗天然气,ηCHP,GH为热电联产机组热效率,ηGB,GH为燃气锅炉的热效率,ηHP,EH为热泵的热转换率,ηHE,HH为热交换器效率;
3)冷能平衡条件
冷功率平衡约束方程:
Figure FDA00021935804900000417
其中,
Figure FDA00021935804900000418
为综合能源***在t时刻的冷负荷,ηAC,EC为吸收式制冷机冷却转换效率,ηCC,EC为压缩式制冷机冷却转换效率;
4)天然气能平衡条件
天然气平衡约束方程:
Figure FDA00021935804900000419
其中,ηP2G,EG为电转气装置转换效率;
5)设备容量的约束条件
从公共电网购买电能量:
Figure FDA00021935804900000420
其中,
Figure FDA00021935804900000421
为从公共电网购买的最小电能量,
Figure FDA00021935804900000422
为从公共电网购买的最大电能量;
从天然气网购买天然气量:
Figure FDA0002193580490000051
其中,
Figure FDA0002193580490000052
为从天然气网购买的最小天然气量,
Figure FDA0002193580490000053
为从公共电网购买的最大天然气量;
从热力网购买热能量:
Figure FDA0002193580490000054
其中,
Figure FDA0002193580490000055
为从热力网购买的最小热能量,
Figure FDA0002193580490000056
为从热力网购买的最大热能量;
热泵:
Figure FDA0002193580490000057
其中,
Figure FDA0002193580490000058
为热泵最小热电功率,
Figure FDA0002193580490000059
为从热泵的最大电功率;
电转气机组:
Figure FDA00021935804900000510
其中,
Figure FDA00021935804900000511
为电转气机组所需最小电能,
Figure FDA00021935804900000512
为电转气机组所需最大电能;
热电联产机组:
Figure FDA00021935804900000513
其中,
Figure FDA00021935804900000514
为热电联产机组所消耗最小天然气量,
Figure FDA00021935804900000515
为热电联产机组所消耗的最大天然气量;
燃气锅炉:
Figure FDA00021935804900000516
其中,
Figure FDA00021935804900000517
为燃气锅炉所消耗的最小天然气量,
Figure FDA00021935804900000518
为燃气锅炉所消耗的最大天然气量;
压缩式制冷机:
Figure FDA00021935804900000519
其中,
Figure FDA00021935804900000520
为压缩式制所消耗的最小电能,
Figure FDA00021935804900000521
为压缩式制冷机所消耗的最大电能;
吸收式制冷机:
Figure FDA00021935804900000522
其中,
Figure FDA0002193580490000061
为吸收式制冷机所消耗的最小电能,
Figure FDA0002193580490000062
为吸收式制冷机所消耗的最大电能;
热交换器:
Figure FDA0002193580490000063
其中,
Figure FDA0002193580490000064
为从热交换器输出的最小热能量,
Figure FDA0002193580490000065
为从热交换器输出的最大热能量;
蓄电池:
Figure FDA0002193580490000066
Figure FDA0002193580490000067
其中,
Figure FDA0002193580490000068
为蓄电池的最大充电量,
Figure FDA0002193580490000069
为蓄电池的最大放电量;
Figure FDA00021935804900000610
为蓄电池的剩余电量,
Figure FDA00021935804900000611
为蓄电池的最小剩余电量,
Figure FDA00021935804900000612
为从蓄电池的最大剩余电量;
蓄热器:
Figure FDA00021935804900000613
Figure FDA00021935804900000614
其中,
Figure FDA00021935804900000615
为蓄热器的最大储热量,
Figure FDA00021935804900000616
为蓄热器的最大放热量;
Figure FDA00021935804900000617
为蓄热器的剩余热量,
Figure FDA00021935804900000618
为蓄热器的最小剩余热量,
Figure FDA00021935804900000619
为蓄热器输出的最大剩余热量。
CN201910840599.2A 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源***优化调度方法 Active CN110555618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910840599.2A CN110555618B (zh) 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源***优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910840599.2A CN110555618B (zh) 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源***优化调度方法

Publications (2)

Publication Number Publication Date
CN110555618A CN110555618A (zh) 2019-12-10
CN110555618B true CN110555618B (zh) 2023-01-13

Family

ID=68739254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910840599.2A Active CN110555618B (zh) 2019-09-06 2019-09-06 基于改进樽海鞘算法的网络化综合能源***优化调度方法

Country Status (1)

Country Link
CN (1) CN110555618B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111262240B (zh) * 2020-02-21 2021-06-22 山东大学 一种综合能源***优化运行方法及***
CN112383053A (zh) * 2020-11-19 2021-02-19 东北大学 一种基于改进粒子群算法的综合能源***优化调度方法
CN113191075B (zh) * 2021-04-22 2023-03-24 浙江大学 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN113468723B (zh) * 2021-06-09 2022-05-20 天津大学 一种离网风光氢冷能源***优化配置方法
CN113642802B (zh) * 2021-08-24 2024-02-02 国网江苏省电力有限公司营销服务中心 一种基于碳计量模型的综合能源站能源优化调度方法和***
CN115014617B (zh) * 2022-06-21 2023-04-07 福州大学 一种基于地基雷达的斜拉桥拉索索力同步监测方法
CN115239213A (zh) * 2022-09-22 2022-10-25 北京邮电大学 综合能源分配方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2778152A1 (en) * 2009-09-04 2011-03-10 Fredrik Noren A system to produce feedstock for biogas production
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源***多维寻优方法
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供***运行方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源***运行鲁棒优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2778152A1 (en) * 2009-09-04 2011-03-10 Fredrik Noren A system to produce feedstock for biogas production
WO2019134532A1 (zh) * 2018-01-02 2019-07-11 佛山科学技术学院 一种含风光可再生能源的热电联供***运行方法
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源***多维寻优方法
CN110009152A (zh) * 2019-04-03 2019-07-12 东南大学 一种考虑电转气和不确定性的区域综合能源***运行鲁棒优化方法

Also Published As

Publication number Publication date
CN110555618A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110555618B (zh) 基于改进樽海鞘算法的网络化综合能源***优化调度方法
CN111738502B (zh) 促进富余风电消纳的多能互补***需求响应运行优化方法
CN111463836B (zh) 一种综合能源***优化调度方法
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
Ren et al. A review on the integration and optimization of distributed energy systems
CN110503241B (zh) 冷-热-电综合能源***的多目标优化方法
CN110598313B (zh) 计及储能全寿命周期运维的综合能源***优化配置方法
CN108206543A (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN112600253B (zh) 基于用能效率最优的园区综合能源协同优化方法及设备
CN110619110A (zh) 一种含热泵的综合能源***协调运行优化方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
Yuan et al. Performance analysis of thermal energy storage in distributed energy system under different load profiles
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
CN114529075A (zh) 考虑风光预测误差的综合能源***分布鲁棒优化调度方法
CN112862253A (zh) 考虑风电不确定性的电-气-热储能协同规划方法及***
CN113313305A (zh) 一种基于非合作博弈的综合能源***优化调度方法
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源***协调优化运行方法
Yuan et al. A control strategy for distributed energy system considering the state of thermal energy storage
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源***多目标优化调度方法
CN109255487A (zh) 一种基于标准化矩阵模型的综合能源***优化方法
CN110992206B (zh) 一种多源电场的优化调度方法及***
CN115906456A (zh) 考虑需求侧响应不确定性的含氢储能ies调度优化模型
Zhang et al. Energy optimization and performance analysis of a novel integrated energy system coupled with solar thermal unit and preheated organic cycle under extended following electric load strategy
CN114943376A (zh) 用户侧综合能源优化利用区间规划方法及***
CN114330835A (zh) 一种综合能源微网中电/热混合储能***的优化配置方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant