CN112131712A - 客户侧多能源***多目标优化方法和*** - Google Patents

客户侧多能源***多目标优化方法和*** Download PDF

Info

Publication number
CN112131712A
CN112131712A CN202010878056.2A CN202010878056A CN112131712A CN 112131712 A CN112131712 A CN 112131712A CN 202010878056 A CN202010878056 A CN 202010878056A CN 112131712 A CN112131712 A CN 112131712A
Authority
CN
China
Prior art keywords
power
energy
energy storage
objective function
decision
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.)
Granted
Application number
CN202010878056.2A
Other languages
English (en)
Other versions
CN112131712B (zh
Inventor
王靖韬
杨鑫
赵永凯
赵维
刘谦
陈爱明
李英吉
王红彦
姜冬梅
张元博
牛泽
付禹昕
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.)
Beijing Nari Digital Technology Co ltd
Nari Technology Co Ltd
Original Assignee
Nari Technology Co Ltd
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 Nari Technology Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202010878056.2A priority Critical patent/CN112131712B/zh
Publication of CN112131712A publication Critical patent/CN112131712A/zh
Application granted granted Critical
Publication of CN112131712B publication Critical patent/CN112131712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开客户侧多能源***多目标优化方法和***，获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数；对各单目标函数设定决策者偏好权重后构建决策多目标优化函数，求解获得最终最优解。本发明改进了线性加权和法使其能够真实反映各分量的重要程度；同时该方法考虑经济性、碳排放和节能性三大目标，包含决策者偏好输入模块、源‑网‑荷‑储多能优化模型、线性优化问题处理模块，可以满足不同决策者对优化目标的选择需求。

Description

客户侧多能源***多目标优化方法和***
技术领域
本发明属于客户侧多能源***技术领域，尤其涉及一种考虑决策者偏好的客户侧多能源***多目标优化方法。
背景技术
相比于传统单一能源***，综合能源***中包含源、网、荷、储等多个环节，覆盖电-气-冷-热等多种能源，其能源耦合性强、运行机制复杂，因此需要开展多能协同优化研究。多能协同优化的重要目的是充分合理地利用各种能源和设备运行能力，降低多能***的综合运行成本，实现能源的高效利用和清洁利用。因此这是一个多目标优化的研究过程。
目前关于综合能源***的多目标优化主要侧重以下两个方面。一方面多数研究侧重于采用启发式算法对多目标优化问题进行研究，例如基于多目标的粒子群算法、基于差分进化算法的多目标优化方法、人工蜂群算法在多目标优化中的应用，以及基于组合算法的多目标优化应用。启发式算法对于非线性问题具有较好的求解能力。另一方面也有从Pareto最优解集的角度开展多目标优化的研究，例如利用遗传算法求解近似Pareto最优解集，并根据NSGA-II算法进行快速非被占优解的排序。
总结现有研究现状，启发式算法虽然有求解非线性问题的能力，但是由于随机搜索的自然缺陷，无法摆脱陷入局部最优的困境。因此启发式算法很难投入到实际的在线调度中。而求解多目标Pareto最优解集，缺乏对决策者偏好的考虑，无法直接应用到实际中。因为决策者需要的是一个确定的解而不是解的集合。线性规划算法和线性加权和法可有效解决上述问题。现代线性规划算法本质上起源于上世纪提出的单纯形法，具有求解速度快，结果稳定的特点，其缺点是求解问题必须是线性的。而线性加权和法能够使各分量按照重要程度逼近其最优值，从而给决策者一个特定的解，其缺点是如果多个目标的最优值差别过大，该方法会存在不能准确反映目标影响程度的问题。
发明内容
本发明旨在解决现有技术中存在的上述不足，提供一种考虑决策者偏好的多能源***多目标优化方法，改进了线性加权和法使其能够真实反映各分量的重要程度，可以满足不同决策者对优化目标的选择需求。
为实现上述技术目的，本发明采用了以下技术方案。
一方面，本发明提供了客户侧多能源***多目标优化方法，包括：
获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；
根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数，并求解每个单目标函数的最优值；
对各单目标函数的最优值设定决策者偏好权重后构建决策多目标优化函数，求解所述决策多目标优化函数获得最终最优解。
进一步地，构建的约束条件包括设备运行约束和***平衡约束，所述设备运行约束包括燃气发电机和溴化锂机组运行约束、电网约束、储能电池约束、地源热泵约束、空气源热泵约束和水蓄能罐约束，所述***平衡约束包括：电平衡约束、冷热平衡约和气平衡约束。
第二方面，本发明提供了客户侧多能源***多目标优化***,包括信息获取模块、单目标函数构建和求解模块以及决策多目标优化函数构建和求解模块；
所述信息获取模块，用于获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；
所述单目标函数构建和求解模块，用于根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数，并求解每个单目标函数的最优值；
所述决策多目标优化函数构建和求解模块，用于对各单目标函数的最优值设定决策者偏好权重后构建决策多目标优化函数，求解所述决策多目标优化函数获得最终最优解。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如以上技术方案所提供的客户侧多能源***多目标优化方法的步骤。
有益技术效果：
本发明方法包含线性化建模过程以满足算法的线性要求，改进了线性加权和法使其能够真实反映各分量的重要程度；同时该方法考虑经济性、碳排放和节能性三大目标，包含决策者偏好输入模块、源-网-荷-储多能优化模型、线性优化问题处理模块，可以满足不同决策者对优化目标的选择需求。
附图说明
图1本发明具体实施例的总体架构图；
图2本发明具体实施例不同经济性目标权重的指标归一化结果；
图3本发明具体实施例不同环保性目标权重的指标归一化结果；
图4本发明具体实施例不同节能性目标权重的指标归一化结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一、客户侧多能源***多目标优化方法，包括：获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数；对各单目标函数设定决策者偏好权重后构建决策多目标优化函数，求解所述决策多目标优化函数获得最终最优解。
本实施例具体包括以下步骤：
1.1首先读取能源设备信息，能源设备包括燃气发电机、电网、溴化锂机组、地源热泵、空气源热泵、储能电池、水蓄能罐。本实施例中获取供电设备、供冷热设备、储电设备、储冷热设备的属性信息具体包括(参数如表1所示)：
燃气发电机基本信息：燃气发电机最大发电功率Pe，max，GG、燃气发电机最小发电功率Pe，min，GG、发电效率ηe，GG；
电网基本信息：电网最大购电功率Pe，max，G、电网最小购电功率Pe，min，G；
溴化锂机组基本信息：利用余热烟气的制冷热功率的热电比λe2t，LBAC、最大补燃制冷/热功率Pt，supmax，LBAC、最小补燃制冷/热功率Pt，supmin，LBAC、补燃制冷/热效率ηt，sup，LBAC；
地源热泵的基本信息：地源热泵最大制冷/热功率Pt，max，GSHP、最小制冷/热功率Pt，min，GSHP、制冷/热能效系数COPt，GSHP；
空气源热泵的基本信息：空气源热泵最大制冷/热功率Pt，max，ASHP、空气源热泵最小制冷/热功率Pt，min，ASHP，制冷制热能效系数COPt，ASHP；
储能电池的基本信息：包括当前储电容量Ce，now，ESB、最大储电容量Ce，max，ESB、最小储电容量Ce，min，ESB、最大充电功率Pe，chmax，ESB、最大放电功率Pe，dismax，ESB、最小充电功率Pe，chmin，ESB、最小放电功率Pe，dismin，ESB、充电效率ηe，ch，EsB、放电效率ηe，dis，ESB；
水蓄能罐的基本信息：当前储冷/热状态Ct，now，WS，最大储冷/热容量Ct，max，WS、最小储冷/热容量Ct，min，WS、最大充冷/热功率Pt，chmax，WS、最大放冷/热功率Pt，dismax，WS、最小充冷/热功率Pt，chmin，Ws、最小放冷/热功率Pt，dismin，WS、充冷/热效率ηt，ch，WS、放冷/热效率ηt，dis，WS。
表1能源设备相关参数
序号 参数名 单位 值 序号 参数名 单位 值
1 P<sub>e，max，GG</sub> kW 330 18 C<sub>e，min，ESB</sub> kWh 40
2 P<sub>e，min，GG</sub> kW 100 19 P<sub>e，chmax，ESB</sub> kW 200
3 η<sub>e，GG</sub> 0.4 20 P<sub>e，dismax，ESB</sub> kW 200
4 P<sub>e，max，G</sub> kW 660 21 P<sub>e，chmin，ESB</sub> kW 20
5 P<sub>e，min，G</sub> kW 0 22 P<sub>e，dismin，ESB</sub> kW 20
6 λ<sub>e2t，LBAC</sub> 1 23 η<sub>e，ch，ESB</sub> 0.95
7 P<sub>t，supmax，LBAC</sub> kW 376 24 η<sub>e，dis，ESB</sub> 0.95
8 P<sub>t，supmin，LBAC</sub> kW 75 25 C<sub>t，now，WS</sub> kWh 393
9 η<sub>t，sup，LBAC</sub> 1.2 26 C<sub>t，max，WS</sub> kWh 786
10 P<sub>t，max，GSHP</sub> kW 444 27 C<sub>t，min，WS</sub> kWh 39
11 P<sub>t，min，GSHP</sub> kW 90 28 P<sub>t，chmax，WS</sub> kW 150
12 COP<sub>t，GSHP</sub> 4.5 29 P<sub>t，dismax，WS</sub> kW 150
13 P<sub>t，max，ASHP</sub> kW 320 30 P<sub>t，chmin，WS</sub> kW 30
14 P<sub>t，min，ASHP</sub> kW 64 31 P<sub>t，dismin，WS</sub> kW 30
15 COP<sub>t，ASHP</sub> 2.5 32 η<sub>t，ch，WS</sub> 0.9
16 C<sub>e，now，ESB</sub> kWh 200 33 η<sub>t，dis，WS</sub> 0.9
17 C<sub>e，max，ESB</sub> kWh 400
1.2读取预测信息
预测信息包括客户电负荷Pe，L、冷/热负荷Pt，L及多能***中可再生能源的出力预测信息Pe，RES(本例中，可再生能源仅有光伏，因此读取光伏的出力预测信息Pe，PV)。
2构建决策变量和约束条件
2.1决策变量
决策变量是各能源设备可以调控的控制量(参数如表2所示)，包括：设置为燃气发电机的发电功率
Figure BDA0002653235220000061
和燃气发电机的启停状态
Figure BDA0002653235220000071
从电网的购电功率
Figure BDA0002653235220000072
和启停状态
Figure BDA0002653235220000073
溴化锂机组补燃制冷/热功率
Figure BDA0002653235220000074
和补燃启停状态
Figure BDA0002653235220000075
地源热泵的制冷/热功率
Figure BDA0002653235220000076
和启停状态
Figure BDA0002653235220000077
空气源热泵的制冷热功率
Figure BDA0002653235220000078
和启停状态
Figure BDA0002653235220000079
储能电池的充电功率
Figure BDA00026532352200000710
储能电池的充电状态
Figure BDA00026532352200000711
和储能电池的放电功率
Figure BDA00026532352200000712
储能电池的放电状态
Figure BDA00026532352200000713
水蓄能罐的充冷热功率
Figure BDA00026532352200000714
水蓄能罐的充冷热状态
Figure BDA00026532352200000715
和水蓄能罐的放冷热功率
Figure BDA00026532352200000716
水蓄能罐的放冷热状态
Figure BDA00026532352200000717
决策变量中P为连续变量，b为布尔变量。控制时间为设为1天，单位时间段为1小时，即n＝24。
表2决策变量参数
Figure BDA00026532352200000718
2.2约束条件
约束条件包括设备运行约束和***平衡约束。设备运行约束包括运行功率上下限约束和能量转化约束。
燃气发电机和溴化锂机组运行约束表示如下：
Figure BDA0002653235220000081
其中qgas为天然气低位热值。
Figure BDA0002653235220000082
为燃气发电机的耗气速度，
Figure BDA0002653235220000083
为溴化锂机组的耗气速度，
Figure BDA0002653235220000084
为溴化锂机组制冷热功率
电网约束如下：
Figure BDA0002653235220000085
储能电池约束如下：
Figure BDA0002653235220000086
其中上标i表示控制时间内第i个单位时间段。
Figure BDA0002653235220000087
表示第i个单位时间段储能电池的荷电状态，
Figure BDA0002653235220000088
为储能电池最小荷电状态，
Figure BDA0002653235220000089
为储能电池最大荷电状态。
Figure BDA00026532352200000810
为储能电池的充放电功率。其中充电为负，放电为正。
地源热泵约束表示如下：
Figure BDA00026532352200000811
其中Pe，GSHP为地源热泵的耗电功率。
空气源热泵约束表示如下：
Figure BDA0002653235220000091
其中Pe，ASHP为空气源热泵的耗电功率。
水蓄能罐约束如下：
Figure BDA0002653235220000092
其中
Figure BDA0002653235220000093
表示第i个单位时间段水蓄能罐的荷能状态，
Figure BDA0002653235220000094
为最小荷能状态，
Figure BDA0002653235220000095
为最大荷能状态，
Figure BDA0002653235220000096
分别为充放能功率和耗电功率，λ为耗电系数。
***平衡约束包括电平衡、冷热平衡、气平衡。
电平衡表示为：
Figure BDA0002653235220000097
其中，
Figure BDA0002653235220000098
为光伏的预测发电量，
Figure BDA0002653235220000099
为电网购电量，
Figure BDA00026532352200000910
为用户电负荷，
Figure BDA00026532352200000911
为储能电池的充放电功率，
Figure BDA00026532352200000912
为地源热泵的耗电功率，
Figure BDA00026532352200000913
为空气源热泵的耗电功率，
Figure BDA00026532352200000914
为水蓄能***的耗电功率。等式右侧耗电为负，发电为正。
冷/热平衡表示为：
Figure BDA0002653235220000101
其中
Figure BDA0002653235220000102
为用户冷/热负荷，
Figure BDA0002653235220000103
为溴化锂机组的制冷热功率，
Figure BDA0002653235220000104
为地源热泵的制冷热功率，
Figure BDA0002653235220000105
为空气源热泵的制冷热功率，
Figure BDA0002653235220000106
为水蓄能***的充放冷热功率。
燃气平衡表示为：
Figure BDA0002653235220000107
其中Pg，GS为燃气总燃气消耗速度，
Figure BDA0002653235220000108
为燃气发电机的耗气速度，
Figure BDA0002653235220000109
为溴化锂机组的耗气速度。
3多个单目标函数
本实施例考虑三种优化目标，分别为经济性、节能性和环保性。经济性的计算指标为***的运行成本，包括优化时间内的购电成本、购气成本。
Figure BDA00026532352200001010
其中，
Figure BDA00026532352200001011
为第i个时间段的分时电价，pg为气价，
Figure BDA00026532352200001012
为第i个时间段的燃气总燃气消耗速度。
节能性的计算指标为在满足用户负荷需求的前提下，***外购能源折合标准煤的数量。其中外购电力折合标准煤采用等价折合系数，而非当量折合系数。
Figure BDA00026532352200001013
其中，αe2coal为等价电力折合标煤系数，αg2coal为当量天然气折合标煤系数。
环保性的计算指标为在满足用户负荷需求的前提下，***外购能源折合二氧化碳排放量。
Figure BDA0002653235220000111
其中，
Figure BDA0002653235220000112
为电力折合二氧化碳排放量系数，
Figure BDA0002653235220000113
为天然气折合二氧化碳排放量系数。
4求解单目标最优解
利用步骤2中构建好的决策变量和约束条件，分别对步骤3中的三个目标进行最小值求解。构建的优化问题为混合整数线性规划问题，采用开源求解器即可快速得到每个目标的最优值，分别标记为
Figure BDA0002653235220000114
和
Figure BDA0002653235220000115
5多目标转单目标
如果不考虑决策者的偏好，在求解多目标问题时会得到一个解的集合，称为帕累托(Pareto)前沿。在帕累托前沿中，对于某一个解，在可行集内没有其他解能够对其进行改进。但是实际问题往往需要得到一个确定的答案，得到一个解的集合是不够的。因此需要加入决策者的偏好，将多目标问题转化为单目标问题进行求解。
构建多目标函数向量为：
f＝[f1，f2，f3]T
构建决策者偏好向量。决策者偏好模块由外部输入，根据决策者对每种目标的重视程度设置不同目标的权重值。
α＝[α1，α2，α3]
其中α1+α2+α3＝1。
分量加权和法能很好的兼顾不同目标的影响力，常用的有线性加权和法、平方加权和法、α—法、统计加权和法等。其中线性加权和法能够使各分量按照重要程度逼近其最优值，其函数表达如下：
Figure BDA0002653235220000121
如果两个目标的最优值差别过大，该方法会存在不能准确反映目标影响的问题。因此在其它实施例中可选的对其进行改进，抹除目标函数值之间量级差别的问题，决策多目标优化函数表达如下：
Figure BDA0002653235220000122
6求解优化问题
利用步骤2构建的决策变量和约束条件，以及步骤5构建的目标函数构建优化问题，该问题为混合整数线性规划问题，采用开源求解器即可得到决策变量最优解和各单个目标值。
7比较与选择
可通过改变决策者偏好的权重系数，重复步骤5～6，得到多组不同的决策变量解和目标函数值，综合考虑后选择最优运行方案。取一种目标为主变化目标，其余两个目标的权重值随之改变的方法，试验多种组合结果。将每种权重比下各目标值与最优值之比绘制成图，如附图2～4所示，可以得出不同决策者偏好的方案直接对比效果。
实施例二、以上实施例相对应的，本发明还提供了一种客户侧多能源***多目标优化***,其特征在于，包括信息获取模块、单目标函数构建和求解模块以及决策多目标优化函数构建和求解模块；
所述信息获取模块，用于获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；
所述单目标函数构建和求解模块，用于根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数，并求解每个单目标函数的最优值；
所述决策多目标优化函数构建和求解模块，用于对各单目标函数的最优值设定决策者偏好权重后构建决策多目标优化函数，求解所述决策多目标优化函数获得最终最优解。
需要说明书的是，本实施例中，各模块的实施方式与上述方法相对应，本实施例中不再次说明。
本发明提供一种考虑决策者偏好的多能源***多目标优化方法。该优化方法包含线性化建模过程以满足算法的线性要求，改进了线性加权和法使其能够真实反映各分量的重要程度。具体地，该方法考虑经济性、碳排放和节能性三大目标，包含决策者偏好输入模块、源-网-荷-储多能优化模型、线性优化问题处理模块，可以满足不同决策者对优化目标的选择需求。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.客户侧多能源***多目标优化方法，其特征在于，包括以下步骤：
获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；
根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数，并求解每个单目标函数的最优值；
对各单目标函数的最优值设定决策者偏好权重后构建决策多目标优化函数，求解所述决策多目标优化函数获得最终最优解。
2.根据权利要求1所述的客户侧多能源***多目标优化方法，其特征在于，构建的约束条件包括设备运行约束和***平衡约束，所述设备运行约束包括燃气发电机和溴化锂机组运行约束、电网约束、储能电池约束、地源热泵约束、空气源热泵约束和水蓄能罐约束，所述***平衡约束包括：电平衡约束、冷热平衡约束和气平衡约束。
3.根据权利要求2所述的客户侧多能源***多目标优化方法，其特征在于，所述设备运行约束具体包括：
①燃气发电机和溴化锂机组运行约束表示如下：
Figure FDA0002653235210000011
其中qgas为天然气低位热值，Pe，max，GG为燃气发电机最大发电功率，Pe，min，GG为燃气发电机最小发电功率；
Figure FDA0002653235210000012
为燃气发电机的耗气速度，ηe，GG为燃气发电机发电效率；Pt，supmin，LBAC为供冷供热设备最小值冷制热功率；
Pt，supmax，LBAC为利用补燃燃烧的最大制冷制热功率；
Figure FDA0002653235210000021
为溴化锂机组的耗气速度；ηt，sup，LBAC为补燃制冷制热效率；
Figure FDA0002653235210000022
为溴化锂机组的制冷热功率；λe2t，LBAC为利用余热烟气的制冷热功率的热电比；
②.电网约束如下：
Figure FDA0002653235210000023
Pe，max，G为电网最大购电功率，Pe，min，G为电网最小购电功率；
③.储能电池约束如下：
Figure FDA0002653235210000024
其中上标i表示控制时间内第i个单位时间段；
Figure FDA0002653235210000025
表示第i个单位时间段储能电池的荷电状态，
Figure FDA0002653235210000026
为储能电池最小荷电状态，
Figure FDA0002653235210000027
为储能电池最大荷电状态；
Figure FDA0002653235210000028
为储能电池的充放电功率；其中充电为负放电为正，Pe，chmax，ESB最大充电功率；储能电池的充电状态
Figure FDA0002653235210000029
Pe，chmin，ESB为储能最小充电功率；
Figure FDA00026532352100000210
为储能电池的充电功率；
Figure FDA00026532352100000211
为储能电池的放电状态；
Figure FDA00026532352100000212
为储能电池的放电功率；Pe，chmax，ESB为储能最大充电功率、Pe，dismax，ESB为储能最大放电功率；Pe，chmin，ESB为储能最小充电功率；Pe，dismin，ESB为储能最小放电功率；ηe，ch，ESB为储能充电效率；ηe，dis，ESB为储能放电效率；Ce，max，ESB为储能最大储电容量；
④.地源热泵约束表示如下：
Figure FDA0002653235210000031
其中
Figure FDA0002653235210000032
为地源热泵的启停状态；Pt，min，GSHP为地源热泵最小制冷制热功率；Pt，max，GSHP地源热泵最大制冷制热功率；
Figure FDA0002653235210000033
为地源热泵的耗电功率，
Figure FDA0002653235210000034
为空气源热泵的制冷热功率，
Figure FDA0002653235210000035
为水蓄能***的充放冷热功率；Pe，GSHP为地源热泵的耗电功率；
Figure FDA0002653235210000036
为地源热泵的制冷热功率；COPt，GSHP为地源热泵制冷制热能效系数；
⑤.空气源热泵约束表示如下：
Figure FDA0002653235210000037
其中Pe，ASHP为空气源热泵的耗电功率；
Figure FDA0002653235210000038
为空气源热泵的启停状态；
Figure FDA0002653235210000039
为空气源热泵的制冷热功率；Pt，min，ASHP为空气源热泵最小制冷制热功率；Pt，max，ASHP为空气源热泵最大制冷制热功率；COPt，ASHP为制冷制热能效系数；
Figure FDA00026532352100000310
为空气源热泵的耗电功率；
⑥.水蓄能罐约束如下：
Figure FDA0002653235210000041
其中Pt，chmin，WS水蓄能罐最小充冷充热功率；Pt，chmax，WS水蓄能罐最大充冷充热功率；
Figure FDA0002653235210000042
为水蓄能罐的充冷热功率；
Figure FDA0002653235210000043
为水蓄能罐的充冷热状态；
Figure FDA0002653235210000044
为水蓄能罐的放冷热功率；
Figure FDA0002653235210000045
为水蓄能罐的放冷热状态；Pt，dismax，WS为水蓄能罐最大放冷放热功率；Pt，dismin，WS为水蓄能罐最小放冷放热功率；ηt，ch，WS为水蓄能罐充冷充热效率、ηt，dis，WS为水蓄能罐放冷放热效率；Ct，max，WS为水蓄能罐最大储冷储热容量；
Figure FDA0002653235210000046
表示第i个单位时间段水蓄能罐的荷能状态，
Figure FDA0002653235210000047
为最小荷能状态，
Figure FDA0002653235210000048
为最大荷能状态，
Figure FDA0002653235210000049
为充放能功率，
Figure FDA00026532352100000410
为耗电功率，λ为耗电系数；
以上约束条件中的决策变量包括：燃气发电机的发电功率
Figure FDA00026532352100000411
燃气发电机的发电功率启停状态
Figure FDA00026532352100000412
从电网的购电功率
Figure FDA00026532352100000413
从电网购电启停状态
Figure FDA00026532352100000414
溴化锂机组补燃制冷热功率
Figure FDA00026532352100000415
补燃启停状态
Figure FDA00026532352100000416
决策变量中P为连续变量，b为布尔变量。
4.根据权利要求3所述的客户侧多能源***多目标优化方法，其特征在于，所述***平衡约束具体包括：
①.所述电平衡表示为：
Figure FDA00026532352100000417
其中，
Figure FDA0002653235210000051
为光伏的预测发电量，
Figure FDA0002653235210000052
为电网购电量；等式右侧耗电为负，发电为正；
Figure FDA0002653235210000053
为用户电负荷，
Figure FDA0002653235210000054
为储能电池的充放电功率，
Figure FDA0002653235210000055
为地源热泵的耗电功率，
Figure FDA0002653235210000056
为空气源热泵的耗电功率，
Figure FDA0002653235210000057
为水蓄能***的耗电功率；
②.所述冷热平衡表示为：
Figure FDA0002653235210000058
其中
Figure FDA0002653235210000059
为用户冷/热负荷；
Figure FDA00026532352100000510
为溴化锂机组的制冷热功率，
Figure FDA00026532352100000511
为地源热泵的制冷热功率，
Figure FDA00026532352100000512
为空气源热泵的制冷热功率，
Figure FDA00026532352100000513
为水蓄能***的充放冷热功率；
③.所述燃气平衡表示为：
Figure FDA00026532352100000514
其中Pg，GS为燃气总燃气消耗速度；
Figure FDA00026532352100000515
为燃气发电机的耗气速度，
Figure FDA00026532352100000516
为溴化锂机组的耗气速度。
5.根据权利要求2所述的客户侧多能源***多目标优化方法，其特征在于，基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数具体包括：
考虑经济性的目标函数表示如下：
Figure FDA00026532352100000517
其中，
Figure FDA00026532352100000518
为第i个时间段的分时电价，pg为气价，此目标函数构成的优化问题最优值为
Figure FDA00026532352100000520
考虑节能性的目标函数表示如下：
Figure FDA00026532352100000519
其中，αe2coal为等价电力折合标煤系数，αg2coal为当量天然气折合标煤系数，此目标函数构成的优化问题最优值为
Figure FDA0002653235210000061
考虑环保性的目标函数表示如下：
Figure FDA0002653235210000062
其中，
Figure FDA0002653235210000063
为电力折合二氧化碳排放量系数，
Figure FDA0002653235210000064
为天然气折合二氧化碳排放量系数，此目标函数构成的优化问题最优值为
Figure FDA0002653235210000065
6.根据权利要求1所述的客户侧多能源***多目标优化方法，其特征在于，所述决策多目标优化函数表示如下：
Figure FDA0002653235210000066
其中f1为考虑经济性的目标函数，f2为考虑节能性的目标函数，f3为考虑环保性的目标函数；α1为考虑经济性的目标函数f1的权重，α2为考虑节能性的目标函数f2的权重，α3为考虑环保性的目标函数f3的权重，α1+α2+α3＝1，n的值取3。
7.根据权利要求1所述的客户侧多能源***多目标优化方法，其特征在于，所述决策多目标优化函数表示如下：
Figure FDA0002653235210000067
其中f1为考虑经济性的目标函数，f2为考虑节能性的目标函数，f3为考虑环保性的目标函数；
Figure FDA0002653235210000068
为考虑经济性的目标最优值，
Figure FDA0002653235210000069
为考虑节能性的目标最优值，
Figure FDA00026532352100000610
为考虑环保性的目标最优值；
α1为考虑经济性的目标函数f1的权重，α2为考虑节能性的目标函数f2的权重，α3为考虑环保性的目标函数f3的权重，α1+α2+α3＝1，n的值取3。
8.客户侧多能源***多目标优化***，其特征在于，包括信息获取模块、单目标函数构建和求解模块以及决策多目标优化函数构建和求解模块；
所述信息获取模块，用于获取客户侧多能***中能源设备的属性信息，获取客户电负荷、冷热负荷及多能***中可再生能源出力的预测信息；
所述单目标函数构建和求解模块，用于根据获取的属性信息和预测信息构建优化问题的决策变量和约束条件；基于决策变量和约束条件分别构建考虑经济性、节能性和环保性的各单个目标函数，并求解每个单目标函数的最优值；
所述决策多目标优化函数构建和求解模块，用于对各单目标函数的最优值设定决策者偏好权重后构建决策多目标优化函数，求解所述决策多目标优化函数获得最终最优解。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7任意一项权利要求所述方法的步骤。
CN202010878056.2A 2020-08-27 2020-08-27 客户侧多能源***多目标优化方法和*** Active CN112131712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010878056.2A CN112131712B (zh) 2020-08-27 2020-08-27 客户侧多能源***多目标优化方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010878056.2A CN112131712B (zh) 2020-08-27 2020-08-27 客户侧多能源***多目标优化方法和***

Publications (2)

Publication Number Publication Date
CN112131712A true CN112131712A (zh) 2020-12-25
CN112131712B CN112131712B (zh) 2022-10-14

Family

ID=73848544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010878056.2A Active CN112131712B (zh) 2020-08-27 2020-08-27 客户侧多能源***多目标优化方法和***

Country Status (1)

Country Link
CN (1) CN112131712B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781884A (zh) * 2021-09-10 2021-12-10 国网山东省电力公司德州供电公司 一种支撑能效服务的供冷供热模型
CN113901672A (zh) * 2021-11-17 2022-01-07 香港理工大学深圳研究院 净零能耗建筑应用风光互补电力蓄能***的优化设计方法
CN113935198A (zh) * 2021-11-16 2022-01-14 清鸾科技(成都)有限公司 多能***运行优化方法、装置、电子设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109390979A (zh) * 2018-10-24 2019-02-26 云南电网有限责任公司电力科学研究院 一种综合能源***的优化控制方法
CN110333660A (zh) * 2019-07-29 2019-10-15 西安科技大学 一种冷热电联供***多目标优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109390979A (zh) * 2018-10-24 2019-02-26 云南电网有限责任公司电力科学研究院 一种综合能源***的优化控制方法
CN110333660A (zh) * 2019-07-29 2019-10-15 西安科技大学 一种冷热电联供***多目标优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781884A (zh) * 2021-09-10 2021-12-10 国网山东省电力公司德州供电公司 一种支撑能效服务的供冷供热模型
CN113935198A (zh) * 2021-11-16 2022-01-14 清鸾科技(成都)有限公司 多能***运行优化方法、装置、电子设备及可读存储介质
CN113935198B (zh) * 2021-11-16 2024-03-22 清鸾科技(成都)有限公司 多能***运行优化方法、装置、电子设备及可读存储介质
CN113901672A (zh) * 2021-11-17 2022-01-07 香港理工大学深圳研究院 净零能耗建筑应用风光互补电力蓄能***的优化设计方法

Also Published As

Publication number Publication date
CN112131712B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
Baniasadi et al. Optimal sizing design and operation of electrical and thermal energy storage systems in smart buildings
CN109165788B (zh) 一种冷热电联供***的优化方法
CN108206543B (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
CN104392286B (zh) 考虑冷热电联供和储能运行策略的微电网运行优化方法
Shen et al. Multi-objective capacity configuration optimization of an integrated energy system considering economy and environment with harvest heat
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源***优化方法和***
CN112131712B (zh) 客户侧多能源***多目标优化方法和***
Nosrat et al. Improved performance of hybrid photovoltaic-trigeneration systems over photovoltaic-cogen systems including effects of battery storage
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
CN111668878A (zh) 一种可再生微能源网的优化配置方法和***
Li et al. Capacity design of a distributed energy system based on integrated optimization and operation strategy of exergy loss reduction
CN110391655B (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
CN111245024B (zh) 基于模型预测控制的综合能源***鲁棒优化运行方法
CN114611772B (zh) 一种基于多智能体强化学习的多微网***协同优化方法
Du et al. RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm
Dai et al. Optimization of CCHP integrated with multiple load, replenished energy, and hybrid storage in different operation modes
CN113344249B (zh) 基于区块链的冷热电联供多微网优化调度方法和***
CN112308411B (zh) 基于动态碳交易模型的综合能源站随机规划方法及***
CN115759604B (zh) 一种综合能源***优化调度方法
Wang et al. Unified operation optimization model of integrated coal mine energy systems and its solutions based on autonomous intelligence
CN112580897A (zh) 基于鹦鹉算法的多能源电力***优化调度的方法
Habib et al. Combined heat and power units sizing and energy cost optimization of a residential building by using an artificial bee colony algorithm
CN111126675A (zh) 多能互补微网***优化方法
Wang et al. Research on capacity and strategy optimization of combined cooling, heating and power systems with solar photovoltaic and multiple energy storage
CN115146868A (zh) 电热气耦合的农村微能源***协同规划方法及终端设备

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
TA01 Transfer of patent application right

Effective date of registration: 20220913

Address after: Room 102, Floor 1, Building 29, No. 8, Northeast Wangxi Road, Zhongguancun Software Park, Haidian District, Beijing 100193

Applicant after: Beijing NARI Digital Technology Co.,Ltd.

Applicant after: NARI TECHNOLOGY Co.,Ltd.

Address before: 211106 No. 19 Chengxin Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant before: NARI TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant