CN112069720B - 一种综合能源***及其运行优化方法 - Google Patents

一种综合能源***及其运行优化方法 Download PDF

Info

Publication number
CN112069720B
CN112069720B CN202010987915.1A CN202010987915A CN112069720B CN 112069720 B CN112069720 B CN 112069720B CN 202010987915 A CN202010987915 A CN 202010987915A CN 112069720 B CN112069720 B CN 112069720B
Authority
CN
China
Prior art keywords
power
period
energy
cost
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
CN202010987915.1A
Other languages
English (en)
Other versions
CN112069720A (zh
Inventor
陈磊
张能汉
简禧彦
吴鹏飞
林兴洋
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010987915.1A priority Critical patent/CN112069720B/zh
Publication of CN112069720A publication Critical patent/CN112069720A/zh
Application granted granted Critical
Publication of CN112069720B publication Critical patent/CN112069720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial 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]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种综合能源***运行优化方法，包括建立CCHP冷热电联供发电***模型并设定边界条件；引入阶梯气价和随季节调整的阶梯电价模型；确定CCHP冷热电联供发电***的约束条件、目标函数与优化变量；初始化CCHP冷热电联供发电***的参数，采用改进杂交粒子群算法计算得到不同时段CCHP中发电机的功率、热负荷、冷负荷、CCHP***与电网交互的电量、CCHP中蓄电池的充放电功率、热回收***提供的冷功率和电制冷机制冷所消耗的电功率；通过综合评价模型，综合考虑一次能耗节省率、环境成本节省率和经济成本节省率，实现综合能源的综合配置运行优化目的；采用改进的杂交粒子群算法能快速稳定的找到合理的全局最优解目的。

Description

一种综合能源***及其运行优化方法
技术领域
本发明属于综合能源***优化领域，涉及一种综合能源***及其运行优化方法，更具体的涉及一种基于改进杂交粒子群算法的综合能源***及其运行优化方法。
背景技术
随着煤炭、石油等传统化石能源的日益枯竭，世界各国开始重视并开发可再生能源，其相关技术也得到快速发展。综合能源***能够将多种能源整合起来，并且实现多种能源互相优化运行，提升能源的利用率。然而，综合能源***供能方式多样，所以为了实现综合能源***的进一步优化仍然面临挑战。
目前，尽管对综合能源***运行优化的理论和成果较多，但是由于需要考虑大量因素，且算法容易陷入“早熟”，因此，综合考虑节能性和经济性的综合能源运行优化方法亟待人们研究探索。
发明内容
为了解决现有技术中存在的问题，本发明提供一种基于改进杂交粒子群算法的综合能源***及其运行优化方法，现综合能源的综合配置运行优化目的；采用改进的杂交粒子群算法实现避免粒子群出现早熟和陷入局部最优的缺点，能快速稳定的找到合理的全局最优解目的。
为了实现上述目的，本发明采用的技术方案是：一种综合能源***运行优化方法，包括以下步骤：
S1，建立CCHP冷热电联供发电***模型并设定边界条件；
S2，引入阶梯气价和随季节调整的阶梯电价模型；
S3，基于S1的边界条件和S2引入的阶梯气价和随季节调整的阶梯电价模型确定CCHP冷热电联供发电***的约束条件、目标函数与优化变量；
所述目标函数中考虑一次能源节省率；
S4，初始化CCHP冷热电联供发电***的参数，基于S3所述约束条件、目标函数与优化变量，采用改进杂交粒子群算法计算得到不同时段CCHP中发电机的功率、热负荷、冷负荷、CCHP***与电网交互的电量、CCHP中蓄电池的充放电功率、热回收***提供的冷功率和电制冷机制冷所消耗的电功率；
改进杂交粒子群算法中，在每次迭代时，粒子在迭代过程中，通过个体最优解和全局最优解更新自身速度和位置过程中引入线性递减的时变权重以及同步变化的学习因子。
S1中，CCHP冷热电联供发电***模型具体如下：(1)燃气发电机模型：
EGt,i,t＝PGt,i,tΔt
式中FGt,i,t为第i台燃气发电机在t时段的天然气耗量；EGt,i,t为第i台燃气发电机在t时段提供的能量；EGt,i,t为燃气发电机t时段提供的电能；ηGt,i,t为第i台燃气发电机在t时段的发电效率；ai、bi、ci、di为第i台燃气发电机的效率系数；PGt,i,t、为第i台燃气发电机在t时段的电功率和标幺值(pu)；
(2)风力发电机模型：
式中Pwind,j,t为第j台风力发电机在t时段的电功率；为第j台风力发电机在t时段的实际风速；/>分别为第j台风力发电机的切入风速、切出风速和额定风速；
(3)光伏电池模型：
式中PPv,k,t为第k组光伏电池在t时段的电功率；为第k组光伏电池在标准测试条件(1000W/m2,25℃)下的最大电功率；GAC,k,t为第k组光伏电池在t时段的光照强度；kT为功率温度系数；Tc,k,t为光伏电池温度；Tr为参考温度；GStc为标准测试条件下的光照强度，取1000W/m2；温度单位为K；
(4)储能电池***模型：
式中：SBat,l,t、SBat,l,t-1分别为蓄电池组l在t、t-1时段的剩余容量；σBat,l为蓄电池组l的自放电率；为蓄电池组l在t时段的充电功率和放电功率，放电时功率为负值；/> 为蓄电池组l在t时段的充电效率和放电效率；
(5)燃气锅炉模型：
式中：FBoi,t为锅炉在t时段消耗的燃料量；QBoi,t为锅炉在t时段提供的热功率；ηBoi,t为锅炉在t时段的热效率；
(6)热回收***模型：
式中：QHrs,t为热回收***在t时段提供的热功率；ηHrs,t为热回收***在t时段的热回收效率；
(7)吸收制冷机模型：
式中：QAc，t为吸收制冷机在t时段提供的冷功率；为热回收***在t时段提供的冷功率；/>为燃气锅炉在t时段提供的冷功率；COPAc,t为冷机在t时段的能效比；
(8)电制冷机模型：
QEc,t＝PEc,tCOPEc,t
式中：QEc,t为电制冷机在t时段提供的冷功率；PEc,t为电制冷机在t时段制冷的电功率；COPEc,t为电制冷机在t时段的能效比。
S2中，随使用量变化的阶梯气价结构为：
随时间和季节变化，且考虑向电网交互售电的阶梯电价结构为：
S3中，所述综合能源***的约束条件如下：
Pgrid,min≤Pgrid,t≤Pgrid,max
PGt,min≤PGt,t≤PGt,max
SBat,l,T＝SBat,l,0
式中，Pgrid,t为t时段微网与主网交互的电功率；Pgrid,max为交互功率的最大限值；Pgrid,min为交互功率的最小限值；PGt,t为t时段燃气发电机的功率，PGt,min为燃气发电机的最小电功率，又称切除功率，当实际功率降到此值以下时需要停机；PGt,max为燃气发电机的最大电功率，且该值一般为燃气发电机的额定功率；为第j台风力发电机在t时段的预测功率和额定功率；/>为第k组光伏电池在t时段的预测功率和额定功率；SBat,l,T、SBat,l,0、/>和/>分别为蓄电池组l在协调周期内的终止容量、初始容量、额定容量和保持稳定的最小、最大容量；/>分别为蓄电池组l在t时段的最大充电率和最大放电率；此外，蓄电池本身具有自放电率dBat视为常量，充电效率为ηBat,cha,放电效率为ηBat,dis；QEc,l、/>为电制冷机在t时段的功率和额定功率；QAc,l、/>为吸收制冷机在t时段的功率和额定功率；/>为热回收***在t时段的制热功率，制冷功率和额定功率；/> 为燃气锅炉在t时段的制热功率，制冷功率和额定功率；PD,t为t时段***需要的预测电功率；/>为t时段***需要的热负荷；/>为t时段***需要的冷负荷。
S3中，优化的目标函数为：
1)经济成本节省率：
可变成本：
min CTotal＝CEle+CLng+CPollution
CEle＝γEle,onEEle,on+γEle,midEEEle,mid+γEle,offEEle,off
CLng＝γLng(FGt+FBoi)
CPollution＝w(FGt+FBoi)
式中CTotal、CEle、CLng、CPollution分别为可变费用、总购电费用、总购气费用和碳排放成本；FGt、FBoi分别为总发电耗气量和总锅炉耗气量；
综合能源***日均投资成本：
式中表示日均投资总成本；Ginv表示设备投资成本；Cserv表示设备的日维护费用；i取值从1到7，其中i＝1表示光伏发电机的成本；i＝2表示风力发电机的成本；i＝3表示燃气发电机的成本；i＝4表示燃气锅炉的成本；i＝5为吸收式制冷机的成本；i＝6为电制冷机的成本；i＝7为热回收***的成本；CTotal表示综合能源***的可变成本；
常规***日均投资成本：
式中表示分供发电***总日均投资量，Cinv,bol、Crun,bol、Cserve,bol分别表示***中锅炉的设备投资成本、日运行费用、日维护费；/>用来表示***从总电网购电的费用；
联产***经济成本节省率：
2)环境成本节省率：
选取二氧化碳的排放量作为环保性评价指标，综合***能源和分供***的CO2的排放量公式分别如下所示：
式中：为综合能源***CO2的排放量；/>为分供***CO2的排放量，εg为购电所产生的CO2排放量的转化系数(g/kWh),我们给定为960g/kWh；EEle,t为综合能源***购电量(kW)；/>为分供***的购电量(kW)；εp为次能源燃烧时CO2排放量的转化系数(g/kWh)，我们给定为443g/kWh；FGt,t为综合能源***中燃气轮机发电时一次能源的消耗量(m3)；/>为联供***总的补燃量(m3)；/>为分供***总的补燃量(m3)；
二氧化碳排放节省率：
3)一次能耗节省率
综合能源联供***与常规分供***供能所消耗的燃料量分别为：
其中为综合***用于供热的天然气需求，Fsub为分供***的天然气需求量，QD,therm为热负荷；ηBoi,t为锅炉的热效率；
得到一次能耗节省率：
4)综合目标函数：
式中：Z为综合目标函数，以结果最大为评价基准：ω1、ω2、ω3分别表示环境指标、经济指标和能效指标三者在综合目标函数的权重系数，ω1+ω2+ω3＝1,且0≤ω1,ω2,ω3≤1。
S4中，采用改进的杂交粒子群优化算法求解综合能源***的运行优化模型方法包括如下步骤：
(1)初始化设定改进的杂交粒子群算法的参数，并对模型中的设备进行分时段初始化以满足约束的初始运行参数；
(2)根据CCHP冷热电联供发电***的初始运行参数，利用改进的杂交粒子群算法，计算出每个粒子的适应度，并求出每个粒子的个体最优解(pbest)和整个种群的全局最优解(gbest)；
(3)更新每个粒子的速度和位置，并对速度越界的粒子做限界处理；本实施例所述限界处理具体为：将速度越界的粒子按最大或最小限制重置；
(4)在对所有粒子更新速度和位置之后，重新计算每个粒子的适应度；
(5)比较每个粒子的适应度与其个体最优解，如果优于所述pbest，则个体最优解为当前粒子位置；比较每个粒子的pbest和gbest，如果某个粒子的pbest优于当前的gbest，则当前的全局最优解为当前粒子的pbest；
(6)对种群中所有粒子的适应度进行排序，按照从小到大排序，并将最小适应度的粒子与种群最优解比较，如果所述粒子的适应度优于种群最优解，则种群最优解为当前粒子位置；比较种群最优解中的历史最优解，如果种群中的某个粒子pbest优于种群的gbest，则当前历史最优解为当前粒子的pbest；
(7)根据杂交概率从步骤(6)所得种群中选取指定数量的粒子放入杂交池，池中的粒子随机两两杂交，产生同样数目的子代粒子，并用子代粒子代替亲代粒子；
(8)判断是否满足最大迭代次数Tmax，如果满足转至(9)，否则转至(2)；
(9)输出综合能源***的整体最优设计方案。
***优化以1小时为单位进行。
一种冷热电三联供综合能源***，包括CCHP冷热电联供发电***、电制冷机以及吸收式制冷机；吸收式制冷机和电制冷机的输出接冷负荷端，电制冷机的电能输入端接有电网、风力发电***、光伏发电***以及储能电池；吸收式制冷机的输入端连接预热锅炉的冷源输出端，燃气发电***的热输出端依次连接热回收***、加热***和热负荷；
CCHP冷热电联供发电***采用燃气轮机发电***和预热锅炉***供能；电网、风力发电***、光伏发电***以及储能电池还连接电负荷；
***中设置有至少一个处理器和一个存储器；存储器用于存储计算机可执行程序；所述处理器在执行所述计算机可执行程序时能够基于预测电需求、冷需求、热需求、风力发电***的能量输出以及光伏发电***的能量输出，在CCHP冷热电联供发电***的约束、吸收式制冷机、电制冷机、热回收***以及加热***的约束条件下，执行权利要求1-7任意一项所述的综合能源***运行优化方法。
所述存储器中还存储CCHP冷热电联供发电***的约束、吸收式制冷机、电制冷机、热回收***以及加热***的约束条件；，所述存储器中还存储阶梯气价和随季节调整的阶梯电价模型。
一种计算机可读存储介质，所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行如本发明所述的综合能源***运行优化方法。
与现有技术相比，本发明至少具有以下有益效果：
本发明通过建立阶梯气价和考虑季节变化且向电网售电的阶梯电价模型实现对综合能源***的模型更加符合实际情况和新时代的节能环保要求；通过综合评价模型，综合考虑一次能耗节省率、环境成本节省率和经济成本节省率，实现综合能源的综合配置运行优化目的；采用改进的杂交粒子群算法实现避免粒子群出现早熟和陷入局部最优的缺点，能快速稳定的找到合理的全局最优解目的。
附图说明
图1为冷热电联供发电***示意图。
图2为阶梯天然气售价示意图。
图3为夏季阶梯电价示意图。
图4为冬季阶梯电价示意图。
图5为改进杂交粒子群算法流程图。
图6为算例的风力出力功率、太阳能出力功率示意图。
图7为算例中冷热负荷示意图。
图8为最优粒子实时情况示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提供一种综合能源***运行优化方法，包括以下步骤：
S1，建立CCHP冷热电联供发电***模型并设定边界条件；
S2，引入阶梯气价和随季节调整的阶梯电价模型；
S3，基于S1和S2确定CCHP冷热电联供发电***的约束条件、目标函数与优化变量，目标函数中考虑一次能源节省率；
S4，初始化CCHP冷热电联供发电***的参数，基于S3所述约束条件、目标函数与优化变量，采用改进杂交粒子群算法计算得到不同时段CCHP中发电机的功率、热负荷、冷负荷、CCHP***与电网交互的电量、CCHP中蓄电池的充放电功率、热回收***提供的冷功率和电制冷机制冷所消耗的电功率；
改进杂交粒子群算法中，在每次迭代时，根据杂交概率选取指定数量的粒子放入杂交池内，池中的粒子随机两两杂交，产生与亲代相同数目的子代粒子，并用子代粒子代替亲代粒子，子代粒子的位置由亲代粒子位置进行交叉得到，粒子在迭代通过个体最优解和全局最优解更新自身速度和位置过程中引入线性递减的时变权重。
S1：建立CCHP冷热电联供发电***模型以及相关边界条件，CCHP冷热电联供发电***模型如下：
冷热电联供发电***集制冷、供热以及发电为一体。电负荷由发电设备(powergeneration unit，PGU)和电网供电；热负荷由发电设备的热回收***(heat recoverysystem)提供，不足部分由燃气锅炉(boiler)补充；冷负荷由吸收制冷机(absorptionchiller)供给，电制冷机(electric chiller)补足剩余冷负荷，图1所示***包含了风能和太阳能，并增加了储能***。
具体微网***模型的公式表述如下：
(1)燃气发电机模型：
EGt,i,t＝PGt,i,tΔt
式中FGt,i,t为第i台燃气发电机在t时段的天然气耗量；EGt,i,t为第i台燃气发电机在t时段提供的能量；EGt,i,t为燃气发电机t时段提供的电能；ηGt,i,t为第i台燃气发电机在t时段的发电效率；ai、bi、ci、di为第i台燃气发电机的效率系数；PGt,i,t、为第i台燃气发电机在t时段的电功率和标幺值(pu)。
(2)风力发电机模型：
式中Pwind,j,t为第j台风力发电机在t时段的电功率；为第j台风力发电机在t时段的实际风速；/>分别为第j台风力发电机的切入风速、切出风速和额定风速。
(3)光伏电池模型：
式中PPv,k,t为第k组光伏电池在t时段的电功率；为第k组光伏电池在标准测试条件(1000W/m2,25℃)下的最大电功率；GAC,k,t为第k组光伏电池在t时段的光照强度；kT为功率温度系数；Tc,k,t为光伏电池温度；Tr为参考温度；GStc为标准测试条件下的光照强度，取1000W/m2；温度单位为K。
(4)储能电池***模型：
式中：SBat,l,t、SBat,l,t-1分别为蓄电池组l在t、t-1时段的剩余容量；σBat,l为蓄电池组l的自放电率；为蓄电池组l在t时段的充电功率和放电功率，放电时功率为负值；/> 为蓄电池组l在t时段的充电效率和放电效率。
(5)燃气锅炉模型：
式中：FBoi,t为锅炉在t时段消耗的燃料量；QBoi,t为锅炉在t时段提供的热功率；ηBoi,t为锅炉在t时段的热效率。
(6)热回收***模型：
式中：QHrs,t为热回收***在t时段提供的热功率；ηHrs,t为热回收***在t时段的热回收效率。
(7)吸收制冷机模型：
式中：QAc，t为吸收制冷机在t时段提供的冷功率；为热回收***在t时段提供的冷功率；/>为燃气锅炉在t时段提供的冷功率；COPAc,t为冷机在t时段的能效比。
(8)电制冷机模型：
QEc,t＝PEc,tCOPEc,t
式中：QEc,t为电制冷机在t时段提供的冷功率；PEc,t为电制冷机在t时段制冷的电功率；COPEc,t为电制冷机在t时段的能效比。
S2：引入阶梯气价和随季节调整的阶梯电价模型，具体模型建立过程包括以下步骤：
S21：建立天然气阶梯分段气价模型
基于S1的微网***模型，引入天然气阶梯分段气价模型。天然气(liquidffiednatural gas，LNG)属于消耗性能源，天然气公司的采购模式以长期合同为主，为鼓励工业生产、居民取暖中更多地使用较为清洁环保的天然气，降低企业和居民的购气成本以刺激消费，在费率结构上通常采用“使用量越大，单位体积天然气价格越低”的模式,本发明采用某天然气公司的费率结构，并将该阶梯气价结构考虑到模型构建与求解之中，模型如下：
具体气价数值如图2所示。
S22：建立购电售电阶梯分段电价模型
本发明引入阶梯分段电价模型，与天然气价格在费率结构方面有着很大的不同，电能为二次能源，难以长时间大量储存，在供电周期内存在谷峰差异，为了调节用电负荷，电力公司通常在高峰时段提高用电价格，而在低谷时段给予价格上的优惠，进而达到平衡各时段用电负荷的目的，在夏季电力供应紧张时，将供电价格分为峰、平、谷三档；在冬季时则取消高峰电价；由于本发明中***自身可能出现用电过剩，即自发电量高于用电量的情况，故也可向外界输送电能并获得收益，介于自发电能在品质等方面略次于电网电能，故售电价格应当略低于购电价格，时域阶梯结构与购电电价相似，本发明选取如下电价阶梯结构：
夏季电价数值见图3，冬季电价数值见图4。
S3，确定综合能源***的目标函数与优化变量，具体如下：
S31，建立约束条件
(1)联络线功率约束
Pgrid,min≤Pgrid,t≤Pgrid,max
式中：Pgrid,t为t时段微网与主网交互的电功率；Pgrid,max为交互功率的最大限值；Pgrid,min为交互功率的最小限值；
(2)燃气发电机功率约束
PGt,min≤PGt,t≤PGt,max
式中：PGt,t为t时段燃气发电机的功率，PGt,min为燃气发电机的最小电功率，又称切除功率，当实际功率降到此值以下时需要停机；PGt,max为燃气发电机的最大电功率，且该值一般为燃气发电机的额定功率。
(3)风电出力约束
由于风能具有较大的随机性和波动性，在调度过程中通常是全额接收，风电出力按照预测功率参与协调过程：
式中：为第j台风力发电机在t时段的预测功率和额定功率。/>
(4)光伏电池组出力约束
太阳能和风能有相似的特性，因此协调时也以预测出力为参与协调功率：
式中：为第k组光伏电池在t时段的预测功率和额定功率。
(5)蓄电池储能设备约束
蓄电池作为多余能量的缓冲，并不能产生电能，因此在整个协调周期内维持容量不变：
SBat,l,T＝SBat,l,0
为了保持良好的工况和使用寿命，蓄电池在使用过程中受到容量的限制：
蓄电池受最大充、放电率制约：
式中：SBat,l,T、SBat,l,0、和/>分别为蓄电池组l在协调周期内的终止容量、初始容量、额定容量和保持稳定的最小、最大容量；/>分别为蓄电池组l在t时段的最大充电率和最大放电率。此外，蓄电池本身具有自放电率dBat视为常量，充电效率为ηBat,cha,放电效率为ηBat,dis
(6)电制冷机约束
式中：QEc,l、为电制冷机在t时段的功率和额定功率。
(7)吸收制冷机约束
式中：QAc,l、为吸收制冷机在t时段的功率和额定功率。
(8)热回收***约束
式中：为热回收***在t时段的制热功率，制冷功率和额定功率。
(9)燃气锅炉出力约束
/>
式中：为燃气锅炉在t时段的制热功率，制冷功率和额定功率。
(10)电负荷平衡
式中PD,t为t时段***需要的预测电功率。
(11)热负荷平衡
式中为t时段***需要的热负荷。
(12)冷负荷平衡
式中为t时段***需要的冷负荷。
S32：优化的目标函数
(1)经济成本节省率：
可变成本：
min CTotal＝CEle+CLng+CPollution
CEle＝γEle,onEEle,on+γEle,midEEle,mid+γEle,offEEle,off
CLng＝γLng(FGt+FBoi)
CPollution＝w(FGt+FBoi)
式中CTotal、CEle、CLng、CPollution分别为可变费用、总购电费用、总购气费用和碳排放成本；FGt、FBoi分别为总发电耗气量和总锅炉耗气量。
综合能源***日均投资成本：
式中表示日均投资总成本；Cinv表示设备投资成本；Cserv表示设备的日维护费用。i取值从1到7，其中i＝1表示光伏发电机的成本；2表示风力发电机的成本；3表示燃气发电机的成本；4表示燃气锅炉的成本；5为吸收式制冷机的成本；6为电制冷机的成本；7为热回收***的成本；CTotal表示综合能源***的可变成本。
常规***日均投资成本：
式中表示分供发电***总日均投资量，Cinv,bol、Crun,bol、Cserve,bol分别表示***中锅炉的设备投资成本、日运行费用、日维护费；/>用来表示***从大电网购电的费用。
联产***经济成本节省率：
(2)环境成本节省率：
选取二氧化碳的排放量作为环保性评价指标。综合***能源和分供***的CO2的排放量公式分别如下所示：
式中：为综合能源***CO2的排放量；/>为分供***CO2的排放量，εg为购电所产生的CO2排放量的转化系数(g/kWh),我们给定为960g/kWh；EEle,t为综合能源***购电量(kW)；/>为分供***的购电量(kW)；εp为次能源燃烧时CO2排放量的转化系数(g/kWh)，我们给定为443g/kWh；FGt,t为综合能源***中燃气轮机发电时一次能源的消耗量(m3)；/>为联供***总的补燃量(m3)；/>为分供***总的补燃量(m3)。
二氧化碳排放节省率：
(3)一次能耗节省率：
综合能源联供***与常规分供***供能所消耗的燃料量分别为：
其中为综合***用于供热的天然气需求，Fsub为分供***的天然气需求量，QD,therm为热负荷；ηBoi,t为锅炉的热效率。
得到一次能耗节省率：
(4)综合目标函数：
式中：Z为综合目标函数，以结果最大为评价基准：ω1、ω2、ω3分别表示环境指标、经济指标和能效指标三者在综合目标函数所占的权重系数，ω1+ω2+ω3＝1,且0≤ω1,ω2,ω3≤1。
S4，基于改进杂交粒子群算法的综合能源***的运行方法，
引入杂交粒子群算法
粒子群算法(Particle Swarm Optimization，PSO算法)，其主要思路为首先初始化一些随机粒子，然后粒子自身历史最佳位置和种群历史最佳位置聚集，实现对候选解的进化。
假设在一个D维的目标搜索空间中，有N个粒子组成一个种群，其中第i个粒子的位置和速度分别为Xi＝(xi1,xi2,…,xiD)和Vi＝(vi1,vi2,…,viD)。第i个粒子本身所找到的最优解记为pbest＝(pi1,pi2,…,piD)，整个种群所找到的最优解记为gbest＝(g1,g2,…,gD)。在找到这两个最优值时，粒子将通过个体最优解和全局最优解来更新自身的速度和位置，即:
vij(t+1)＝w·vij(t)+c1r1[pij(t)-xij(t)]+c2r2[pgi(t)-xij(t)]
xij(t+1)＝xij(t)+vij(t+1)
其中，w为惯性权重；c1和c2是学习因子，也成为学习因子；r1和r2为[0,1]范围内的均匀随机数。
针对PSO算法容易早熟，容易陷入局部最优的问题，本发明提出杂交粒子群算法，说明如下：
杂交粒子群算法是将遗传算法(Genetic Algorithm，GA)中的杂交概念引入粒子群算法中，在每次迭代中，根据杂交概率选取指定数量的粒子放入杂交池内，池中的粒子随机两两杂交，产生与亲代相同数目的子代粒子，并用子代粒子代替亲代粒子，子代粒子的位置由亲代粒子位置进行交叉得到：
child(x)＝p·parent1(x)+(1-p)·parent2(x)
式中，p是0～1之间的随机数；child(x)为子代粒子位置；parent1(x)和parent2(x)为亲代粒子位置。
子代粒子的速度公式为：
式中，child(v)为子代粒子速度；parent1(v)和parent2(v)为亲代粒子速度。
引入改进的杂交粒子群算法
在杂交粒子群算法中，算法中的惯性权重w起到平衡局部搜索能力和全局搜索能力的作用，固定的惯性权重可以使粒子保持相同的探索和开发能力，而时变惯性权重可以使粒子在进化的不同阶段拥有不同的探索和开发能力，本发明所述时变惯性权重采用线性递减权值策略，其表达式为：
其中，Tmax表示最大进化代数；wmin表示最小惯性权重，wmax表示最大惯性权重；t表示当前迭代次数。
学习因子c1和c2分别调节粒子向pbest和gbest方向飞行的最大步长，它们分别决定粒子个体经验和种群经验对粒子运动轨迹的影响，反映粒子群之间的信息交流，本发明采用同步变化的学习因子，可以避免粒子群陷入局部最优，使得最后的最优解更加精确。同步变化的学习表示为：
其中，cmin表示最小学习因子，cmax表示最大学习因子。
S43，改进的杂交粒子群优化算法流程为：
(1)初始化设定改进的杂交粒子群算法的参数，并对模型中的设备进行分时段初始化以满足约束的初始运行参数；
(2)根据CCHP冷热电联供发电***的初始运行参数，利用改进的杂交粒子群算法，计算出每个粒子的适应度，并求出每个粒子的个体最优解(pbest)和整个种群的全局最优解(gbest)；
(3)更新每个粒子的速度和位置，并对速度越界的粒子做限界处理；本实施例所述限界处理具体为：将速度越界的粒子按最大或最小限制重置；
(4)在对所有粒子更新速度和位置之后，重新计算每个粒子的适应度；
(5)比较每个粒子的适应度与其个体最优解，如果优于所述pbest，则个体最优解为当前粒子位置；比较每个粒子的pbest和gbest，如果某个粒子的pbest优于当前的gbest，则当前的全局最优解为当前粒子的pbest；
(6)对种群中所有粒子的适应度进行排序，本实施例中，按照从小到大排序，并将最小适应度的粒子与种群最优解比较，如果所述粒子的适应度优于种群最优解，则种群最优解为当前粒子位置；比较种群最优解中的历史最优解，如果种群中的某个粒子pbest优于种群的gbest，则当前历史最优解为当前粒子的pbest；
(7)根据杂交概率从步骤(6)所得种群中选取指定数量的粒子放入杂交池，池中的粒子随机两两杂交，产生同样数目的子代粒子，并用子代粒子代替亲代粒子；
(8)判断是否满足最大迭代次数Tmax，如果满足转至(9)，否则转至(2)；
(9)输出综合能源***的整体最优设计方案。
算法流程图如图5所示，具体的，本发明确定了模型所需要的参数，并采用仿真分析，步骤5中所述模型参数具体如下：
(1)***的初始情况见表1。
表1
/>
(2)风力出力功率，太阳能出力功率，***特点功率，见图6。
(3)热冷、负荷，具体情况见图7。
(4)用层次分析法求得目标函数中权重值：
(5)改进杂交PSO算法的参数设定：
种群规模N取100；迭代次数Tmax取1000代；惯性权重w初始值为0.7，结束值为0.4；同步学习因子最大值为2.5，最小值为1.8；杂交概率为0.9；杂交池的大小比例为0.2。
设定参数结束后，进行计算，最终输出1×192的pg数组就是算法最后得到的最优粒子的实时情况；数组中，每一个小时占据8列，依次分别为CCHP1的燃气发电机的功率、CCHP2的燃气发电机的功率、热负荷、冷负荷、***与电网交互的电量、蓄电池的充放电功率、热回收***提供的冷功率和电制冷机制冷所消耗的电功率；将运行算法得到的pg数组导出后，对各个数据归类后得到具体最优粒子实时情况见图8。以夏季为例，实施能效比情况见表2。
表2
/>
(6)可以看出，本发明提出的综合能源***优化方法能够实现在考虑一次能源节约率、环境成本节省率、经济成本节约率的情况下，找到对应***的最优优化方案，具有更好的经济性、环保性和节能性。
参考图1，本发明还提供一种冷热电三联供综合能源***，包括CCHP冷热电联供发电***、电制冷机以及吸收式制冷机；吸收式制冷机和电制冷机的输出接冷负荷端，电制冷机的电能输入端接有电网、风力发电***、光伏发电***以及储能电池；吸收式制冷机的输入端连接预热锅炉的冷源输出端，燃气发电***的热输出端依次连接热回收***、加热***和热负荷；
CCHP冷热电联供发电***采用燃气轮机发电***和预热锅炉***供能；电网、风力发电***、光伏发电***以及储能电池还连接电负荷；
***中设置有至少一个处理器和一个存储器；存储器用于存储计算机可执行程序；所述处理器在执行所述计算机可执行程序时能够基于预测电需求、冷需求、热需求、风力发电***的能量输出以及光伏发电***的能量输出，在CCHP冷热电联供发电***的约束、吸收式制冷机、电制冷机、热回收***以及加热***的约束条件下，执行本发明所述的综合能源***运行优化方法。
所述存储器中还存储CCHP冷热电联供发电***的约束、吸收式制冷机、电制冷机、热回收***以及加热***的约束条件；所述存储器中还存储阶梯气价和随季节调整的阶梯电价模型。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

Claims (8)

1.一种综合能源***运行优化方法，其特征在于，包括以下步骤：
S1，建立CCHP冷热电联供发电***模型并设定边界条件；
S2，引入阶梯气价和随季节调整的阶梯电价模型；
S3，基于S1的边界条件和S2引入的阶梯气价和随季节调整的阶梯电价模型确定CCHP冷热电联供发电***的约束条件、目标函数与优化变量；所述目标函数中考虑一次能源节省率；具体的S3中，优化的目标函数为：
1)经济成本节省率：
可变成本：
min CTotal＝CEle+CLng+CPollution
CEle＝γEle，onEEle，on+γEle，midEEle，mid+γEle，offEEle，off
CLng＝γLng(FGt+FBoi)
CPollution＝w(FGt+FBoi)
式中CTotal、CEle、CLng、CPollution分别为可变费用、总购电费用、总购气费用和碳排放成本；FGt、FBoi分别为总发电耗气量和总锅炉耗气量；
综合能源***日均投资成本：
式中表示日均投资总成本；Cinv表示设备投资成本；Cserv表示设备的日维护费用；i取值从1到7，其中i＝1表示光伏发电机的成本；i＝2表示风力发电机的成本；i＝3表示燃气发电机的成本；i＝4表示燃气锅炉的成本；i＝5为吸收式制冷机的成本；i＝6为电制冷机的成本；i＝7为热回收***的成本；CTotal表示综合能源***的可变成本；
常规***日均投资成本：
式中表示分供发电***总日均投资量，Cinv，bol、Crun，bol、Cserve，bol分别表示***中锅炉的设备投资成本、日运行费用、日维护费；/>用来表示***从总电网购电的费用；
联产***经济成本节省率：
2)环境成本节省率：
选取二氧化碳的排放量作为环保性评价指标，综合***能源和分供***的CO，的排放量公式分别如下所示：
式中：为综合能源***CO2的排放量；/>为分供***CO2的排放量，εg为购电所产生的CO2排放量的转化系数(g/kWh)，我们给定为960g/kWh；EEle，t为综合能源***购电量(kW)；/>为分供***的购电量(kW)；εp为次能源燃烧时C02排放量的转化系数(g/kWh)，我们给定为443g/kWh；FGt，t为综合能源***中燃气轮机发电时一次能源的消耗量(m3)；为联供***总的补燃量(m3)；/>为分供***总的补燃量(m3)；
二氧化碳排放节省率：
3)一次能耗节省率
综合能源联供***与常规分供***供能所消耗的燃料量分别为：
其中为综合***用于供热的天然气需求，Fsub为分供***的天然气需求量，QD，therm为热负荷；ηBoi，t为锅炉的热效率；
得到一次能耗节省率：
4)综合目标函数：
式中：Z为综合目标函数，以结果最大为评价基准：ω1、ω2、ω3分别表示环境指标、经济指标和能效指标三者在综合目标函数的权重系数，ω1+ω2+ω3＝1，且0≤ω1，ω2，ω3≤1；
S4，初始化CCHP冷热电联供发电***的参数，基于S3所述约束条件、目标函数与优化变量，采用改进杂交粒子群算法计算得到不同时段CCHP中发电机的功率、热负荷、冷负荷、CCHP***与电网交互的电量、CCHP中蓄电池的充放电功率、热回收***提供的冷功率和电制冷机制冷所消耗的电功率；
改进杂交粒子群算法中，在每次迭代时，粒子在迭代过程中，通过个体最优解和全局最优解更新自身速度和位置过程中引入线性递减的时变权重以及同步变化的学习因子；具体的，S4中，采用改进的杂交粒子群优化算法求解综合能源***的运行优化模型方法包括如下步骤：
(1)初始化设定改进的杂交粒子群算法的参数，并对模型中的设备进行分时段初始化以满足约束的初始运行参数；
(2)根据CCHP冷热电联供发电***的初始运行参数，利用改进的杂交粒子群算法，计算出每个粒子的适应度，并求出每个粒子的个体最优解(pbest)和整个种群的全局最优解(gbest)；
(3)更新每个粒子的速度和位置，并对速度越界的粒子做限界处理；本实施例所述限界处理具体为：将速度越界的粒子按最大或最小限制重置；
(4)在对所有粒子更新速度和位置之后，重新计算每个粒子的适应度；
(5)比较每个粒子的适应度与其个体最优解，如果优于所述pbest，则个体最优解为当前粒子位置；比较每个粒子的pbest和gbest，如果某个粒子的pbest优于当前的gbest，则当前的全局最优解为当前粒子的pbest；
(6)对种群中所有粒子的适应度进行排序，按照从小到大排序，并将最小适应度的粒子与种群最优解比较，如果所述粒子的适应度优于种群最优解，则种群最优解为当前粒子位置；比较种群最优解中的历史最优解，如果种群中的某个粒子pbest优于种群的gbest，则当前历史最优解为当前粒子的pbest；
(7)根据杂交概率从步骤(6)所得种群中选取指定数量的粒子放入杂交池，池中的粒子随机两两杂交，产生同样数目的子代粒子，并用子代粒子代替亲代粒子；
(8)判断是否满足最大迭代次数Tmax，如果满足转至(9)，否则转至(2)；
(9)输出综合能源***的整体最优设计方案。
2.根据权利要求1所述的综合能源***运行优化方法，其特征在于，S1中，CCHP冷热电联供发电***模型具体如下：(1)燃气发电机模型：
EGt,i,t＝PGy,i,tΔt
式中FGt，i，t为第i台燃气发电机在t时段的天然气耗量；EGt，i，t为第i台燃气发电机在t时段提供的能量；EGt，i，t为燃气发电机t时段提供的电能；ηGt，i，t为第i台燃气发电机在t时段的发电效率；ai、bi、ci、di为第i台燃气发电机的效率系数；PGt，i，t、为第i台燃气发电机在t时段的电功率和标幺值(pu)；
(2)风力发电机模型：
式中Pwind，j，t为第j台风力发电机在t时段的电功率；为第j台风力发电机在t时段的实际风速；/>分别为第j台风力发电机的切入风速、切出风速和额定风速；
(3)光伏电池模型：
式中PPv，k，t为第k组光伏电池在t时段的电功率；为第k组光伏电池在标准测试条件(1000W/m2，25℃)下的最大电功率；GAC，k，t为第k组光伏电池在t时段的光照强度；kT为功率温度系数；Tc，k，t为光伏电池温度；Tr为参考温度；GStc为标准测试条件下的光照强度，取1000W/m2；温度单位为K；
(4)储能电池***模型：
式中：SBat，l，t、SBat，l，t-1分别为蓄电池组l在t、t-1时段的剩余容量；σBat，l为蓄电池组l的自放电率；为蓄电池组l在t时段的充电功率和放电功率，放电时功率为负值； 为蓄电池组l在t时段的充电效率和放电效率；
(5)燃气锅炉模型：
式中：FBoi，t为锅炉在t时段消耗的燃料量；QBoi，t为锅炉在t时段提供的热功率；ηBoi，t为锅炉在t时段的热效率；
(6)热回收***模型：
式中：QHrs，t为热回收***在t时段提供的热功率；ηHrs，t为热回收***在t时段的热回收效率；
(7)吸收制冷机模型：
式中：QAc，t为吸收制冷机在t时段提供的冷功率；为热回收***在t时段提供的冷功率；/>为燃气锅炉在t时段提供的冷功率；COPAct为冷机在t时段的能效比；
(8)电制冷机模型：
QEc，t＝PEc，tCOPEc，t
式中：QEc，t为电制冷机在t时段提供的冷功率；PEc，t为电制冷机在t时段制冷的电功率；COPEc，t为电制冷机在t时段的能效比。
3.根据权利要求1所述的综合能源***运行优化方法，其特征在于，S2中，随使用量变化的阶梯气价结构为：
随时间和季节变化，且考虑向电网交互售电的阶梯电价结构为：
4.根据权利要求1所述的综合能源***运行优化方法，其特征在于，S3中，所述综合能源***的约束条件如下：
Pgrid,min≤Pgrid,t≤Pgrid,max
PGt,min≤PGt,t≤PGt,max
SBat,l,T＝SBat,l,0
式中，Pgrid,t为t时段微网与主网交互的电功率；Pgrid,max为交互功率的最大限值；
Pgrid,min为交互功率的最小限值；PGt,t为t时段燃气发电机的功率，PGt,min为燃气发电机的最小电功率，又称切除功率，当实际功率降到此值以下时需要停机；PGt,max为燃气发电机的最大电功率，且该值一般为燃气发电机的额定功率；为第j台风力发电机在t时段的预测功率和额定功率；/>为第k组光伏电池在t时段的预测功率和额定功率；SBat,l,T、SBat,l,0、/>和/>分别为蓄电池组l在协调周期内的终止容量、初始容量、额定容量和保持稳定的最小、最大容量；/>分别为蓄电池组l在t时段的最大充电率和最大放电率；此外，蓄电池本身具有自放电率dBat视为常量，充电效率为ηBat,cha,放电效率为ηBat,dis；QEc,l、/>为电制冷机在t时段的功率和额定功率；QAc,l、/>为吸收制冷机在t时段的功率和额定功率；/>为热回收***在t时段的制热功率，制冷功率和额定功率；/>为燃气锅炉在t时段的制热功率，制冷功率和额定功率；PD,t为t时段***需要的预测电功率；/>为t时段***需要的热负荷；/>为t时段***需要的冷负荷。
5.根据权利要求1所述的综合能源***运行优化方法，其特征在于，***优化以1小时为单位进行。
6.一种冷热电三联供综合能源***，其特征在于，包括CCHP冷热电联供发电***、电制冷机以及吸收式制冷机；吸收式制冷机和电制冷机的输出接冷负荷端，电制冷机的电能输入端接有电网、风力发电***、光伏发电***以及储能电池；吸收式制冷机的输入端连接预热锅炉的冷源输出端，燃气发电***的热输出端依次连接热回收***、加热***和热负荷；
CCHP冷热电联供发电***采用燃气轮机发电***和预热锅炉***供能；电网、风力发电***、光伏发电***以及储能电池还连接电负荷；
***中设置有至少一个处理器和一个存储器；存储器用于存储计算机可执行程序；所述处理器在执行所述计算机可执行程序时能够基于预测电需求、冷需求、热需求、风力发电***的能量输出以及光伏发电***的能量输出，在CCHP冷热电联供发电***的约束、吸收式制冷机、电制冷机、热回收***以及加热***的约束条件下，执行权利要求1-5任意一项所述的综合能源***运行优化方法。
7.根据权利要求6所述的冷热电三联供综合能源***，其特征在于，所述存储器中还存储CCHP冷热电联供发电***的约束、吸收式制冷机、电制冷机、热回收***以及加热***的约束条件；所述存储器中还存储阶梯气价和随季节调整的阶梯电价模型。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的综合能源***运行优化方法。
CN202010987915.1A 2020-09-18 2020-09-18 一种综合能源***及其运行优化方法 Active CN112069720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010987915.1A CN112069720B (zh) 2020-09-18 2020-09-18 一种综合能源***及其运行优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010987915.1A CN112069720B (zh) 2020-09-18 2020-09-18 一种综合能源***及其运行优化方法

Publications (2)

Publication Number Publication Date
CN112069720A CN112069720A (zh) 2020-12-11
CN112069720B true CN112069720B (zh) 2024-04-05

Family

ID=73681162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010987915.1A Active CN112069720B (zh) 2020-09-18 2020-09-18 一种综合能源***及其运行优化方法

Country Status (1)

Country Link
CN (1) CN112069720B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749462A (zh) * 2020-12-31 2021-05-04 西安交通大学 一种综合能源***当前运行参数的优化方法、***及设备
CN112949177B (zh) * 2021-02-26 2024-03-08 国网北京市电力公司 一种综合能源***构建中的多优化目标赋权方法及***
CN112883630B (zh) * 2021-03-31 2023-10-31 南京工程学院 用于风电消纳的多微网***日前优化经济调度方法
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***
CN113872192B (zh) * 2021-09-26 2024-03-12 国网电力科学研究院武汉能效测评有限公司 医院电网负荷优化控制***及控制方法
CN113807746B (zh) * 2021-10-20 2023-06-27 南京信息工程大学 一种冷热电联供***的综合运行优化方法
CN114844124B (zh) * 2022-06-20 2024-04-19 中国电力工程顾问集团中南电力设计院有限公司 一种基于目标优化的综合能源***的运行控制方法
CN114997715A (zh) * 2022-06-29 2022-09-02 国网辽宁省电力有限公司电力科学研究院 基于改进模糊c均值聚类的冷热电联供***配置方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN111144633A (zh) * 2019-12-19 2020-05-12 广东工业大学 一种cchp微电网运行优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN111144633A (zh) * 2019-12-19 2020-05-12 广东工业大学 一种cchp微电网运行优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨茂 ; 王金鑫 ; .需求侧管理参与的孤岛型微电网多目标优化调度.电网与清洁能源.2020,(02),全文. *

Also Published As

Publication number Publication date
CN112069720A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN112069720B (zh) 一种综合能源***及其运行优化方法
WO2023274425A1 (zh) 一种风光水火储***的多能容量优化配置方法
CN111445090B (zh) 一种离网型综合能源***双层规划方法
CN108183500B (zh) 一种多能互补的农村微能网容量优化配置方法及装置
CN112749462A (zh) 一种综合能源***当前运行参数的优化方法、***及设备
CN108879793B (zh) 一种风光蓄能水电站互补的离网式混合能源***优化方法
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
CN105550766A (zh) 一种含可再生能源的微网鲁棒多目标运行优化方法
Nosrat et al. Improved performance of hybrid photovoltaic-trigeneration systems over photovoltaic-cogen systems including effects of battery storage
Liu et al. Co-optimization of a novel distributed energy system integrated with hybrid energy storage in different nearly zero energy community scenarios
CN112383053A (zh) 一种基于改进粒子群算法的综合能源***优化调度方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN110994606B (zh) 一种基于复杂适应***理论的多能源电源容量配置方法
CN111668878A (zh) 一种可再生微能源网的优化配置方法和***
CN112131712B (zh) 客户侧多能源***多目标优化方法和***
CN109510241A (zh) 工业园区风光燃储能能源的并网模式优化配置***及方法
CN110391655A (zh) 一种含多能源耦合的微能源网经济优化调度方法及装置
CN116307077A (zh) 一种冷热电联供型微网***运行优化方法
CN114519543A (zh) 一种乡村多能源***边缘自治运行方法及***
CN111367171A (zh) 太阳能与天然气耦合冷热电联供***多目标优化方法及***
He et al. Analysis on data center power supply system based on multiple renewable power configurations and multi-objective optimization
CN112580897A (zh) 基于鹦鹉算法的多能源电力***优化调度的方法
CN113592365A (zh) 一种考虑碳排放与绿电消纳的能源优化调度方法及***
CN113410854B (zh) 一种多类型储能***优化运行方法
CN114997715A (zh) 基于改进模糊c均值聚类的冷热电联供***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