CN115965156A - 能源***的调度方法以及调度装置 - Google Patents
能源***的调度方法以及调度装置 Download PDFInfo
- Publication number
- CN115965156A CN115965156A CN202310044061.7A CN202310044061A CN115965156A CN 115965156 A CN115965156 A CN 115965156A CN 202310044061 A CN202310044061 A CN 202310044061A CN 115965156 A CN115965156 A CN 115965156A
- Authority
- CN
- China
- Prior art keywords
- energy system
- optimization model
- energy
- historical data
- steam
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种能源***的调度方法、一种能源***的调度装置以及一种计算机可读存储介质。上述能源***的调度方法包括以下步骤：根据能源***的过程机制和操作特征，开发确定性能源***优化模型；获取能源***的历史数据；对历史数据进行聚类分析，以将历史数据映射到集群中；确定确定性能源***优化模型中多个场景的不确定集及相应的概率；根据确定性能源***优化模型、历史数据、集群，以及不确定集，确定随机鲁棒优化模型；以及经由随机鲁棒优化模型，确定能源***的调度方案。
Description
技术领域
本发明涉及工业能源***领域，尤其涉及一种能源***的调度方法、一种能源***的调度装置以及对应的计算机可读存储介质。
背景技术
随着我国经济的快速发展，工业中各种形式能量的消耗量越来越高，石油在总能源消耗中占有重大比例。传统化石能源的逐渐枯竭和环境问题的日益凸显，推动能源结构转型和碳减排将成为未来工业发展战略中的重要一环。设计工业能源***不仅要降低成本和环境污染，还要促进向低碳工业过渡，提高能源整体效率，紧紧围绕***经济和环境展开。可再生能源供应是减少温室气体排放的有效技术，太阳能、风能和生物能源等能源已被广泛研究用于***的可持续发展。
在考虑含不确定性因素的能源***调度领域内，一般可以采用以下的三种方法：机会约束规划、随机优化和鲁棒优化。机会约束规划必须在预测到随机变量的实现之前做出决策，且要考虑所作决策要使得约束条件成立的概率不小于某一置信水平，其可以灵活地实现收益性和可靠性的权衡，但该方法往往为含多变量积分的非凸的问题，这导致求解计算难度加大。在随机优化中，一般采用概率分布来描述不确定参数，优化时逐渐趋向目标函数的期望值最优，但在实际应用中伴随着数据维度较高，场景数逐渐增加，随机优化的计算难度也越来越大。鲁棒优化由于具有计算效率高等特点，被大量应用于不确定环境下的能量***优化中。不确定集的建立对鲁棒优化的效果有着关键的影响，传统的鲁棒优化方法采用盒形不确定集，选用基于机器学***衡解的性能和鲁棒性，但不能直接应用于不确定性条件下的可再生能源综合***优化。由于在最坏情况下几乎没有可再生能源可用，传统的鲁棒优化方法在没有考虑可再生能源渗透的情况下，往往过于保守。
为了克服现有技术存在的上述缺陷，本领域亟需一种能源***的调度方法，利用数据之间的耦合关系对工业***进行简单、快速、实用的调度优化，从而有效提高能源***的运行经济效益。此外，该多目标优化的结果可为决策者提供多优选方案，指导产业可持续发展。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
为了克服现有技术存在的上述缺陷，本发明提供了一种能源***的调度方法、一种能源***的调度装置及其对应的计算机可读存储介质，能够利用数据之间的耦合关系对工业***进行简单、快速、实用的调度优化，从而有效提高能源***的运行经济效益。此外，该多目标优化的结果可为决策者提供多优选方案，指导产业可持续发展。
具体来说，根据本发明的第一方面提供的上述能源***的调度方法包括以下步骤：根据能源***的过程机制和操作特征，开发确定性能源***优化模型；获取所述能源***的历史数据；对所述历史数据进行聚类分析，以将所述历史数据映射到集群中；确定所述确定性能源***优化模型中多个场景的不确定集及相应的概率；根据所述确定性能源***优化模型、所述历史数据、所述集群，以及所述不确定集，确定随机鲁棒优化模型；以及经由所述随机鲁棒优化模型，确定所述能源***的调度方案。
进一步地，在本发明的一些实施例中，所述能源***选自蒸汽发生***、汽轮机网络、电力***、冷却水***和可再生能源渗透***、生产超高压蒸汽的余热回收***和锅炉、满足工艺机械功率需求的蒸汽轮机、驱动压缩机的蒸汽透平、平衡蒸汽网络的减温减压器、用于水循环的冷却塔、热交换器、风力涡轮机和太阳能集热器中的一者或多者，其中，被转化和运输的能源包括燃料、蒸汽、电力、水和可再生能源中的一者或多者。
进一步地，在本发明的一些实施例中，所述确定性能源***优化模型的假设条件选自以下的至少一者：多个等级的蒸汽管网内的温度和压力为恒定值，所述蒸汽透平的进汽与抽汽的温度和压力等于对应管网的温度和压力，被选中的设备按其额定功率运行，废热回收***生产的蒸汽及消耗的水和燃料为定值，生产过程蒸汽需求为定值，同种类型的候选锅炉、候选冷却塔或候选循环水泵具有相同的结构参数，蒸汽管网平衡中的能量损失忽略不计，和/或所述确定性能源***优化模型的给定信息选自以下的至少一者：设备效率拟合函数中的参数，余热回收***中消耗的燃料和水，所述余热回收***中生产的超高压蒸汽流量，生产过程多个等级的蒸汽需求，水泵和/或冷却塔电机的额定功率，当地的环境温度、湿度、风速和/或太阳辐射，多种形式能量的加权系数，以及裂解气压缩***和冷箱单元能量***的关键位点的质量流量、温度和/或压力的历史数据，和/或所述确定性能源***优化模型的约束条件选自以下的至少一者：多个单元的质量约束条件，各所述单元的能量平衡约束条件，各所述单元的***平衡约束，以及决策变量的范围约束条件。
进一步地，在本发明的一些实施例中，所述对所述历史数据进行聚类分析，以将所述历史数据映射到集群中的步骤包括：预处理关于当地风速和/或太阳辐射的历史数据；以及通过双层无监督机器学习框架，将所述关于当地风速和/或太阳辐射的历史数据映射到一组所述集群中。
进一步地，在本发明的一些实施例中，述对所述历史数据进行聚类分析，以将所述历史数据映射到集群中的步骤还包括：采用模糊C均值聚类构建聚类集；采用广义最小二乘误差函数：
其中，N是数据的数量，uj是第j个数据集，第s个集群的中心εs表示为：
数据样本的隶属度表示为：
进一步地，在本发明的一些实施例中，所述确定所述确定性能源***优化模型中多个场景的不确定集及相应的概率的步骤包括：根据所述历史数据的描述分布，采用基于核学习的数据驱动方法构建不确定性集，并支持向量聚类将数据描述为具有最小体积的封闭球体：
minR2
s.t.||ψ(u(i))-q||2≤R2,i＝1,…,N其中，q是所述封闭球体的圆心，R是所述封闭球体的球面半径；通过引入松弛变量，利用KKT条件和对偶性进行重新表述，得到一个二次规划问题：
其中，i表示支持向量的索引，vi为辅助变量，Q＝Γ2，Γ表示不确定性的协方差矩阵；采用随机优化，将计算不确定参数的期望值视为多场景优化问题，以所述聚类分析的结果来代表随机优化的场景，并计算每个场景对应的发生概率，其中，每个类s的概率被定义为：
其中，I(uj)＝s表示数据集uj属于集群s。
进一步地，在本发明的一些实施例中，所述根据所述确定性能源***优化模型、所述历史数据、所述集群，以及所述不确定集，确定随机鲁棒优化模型的步骤包括：根据所述确定性能源***优化模型整合所述历史数据，以两阶段随机规划作为实现期望最优值的外部问题，并以鲁棒优化作为对冲最坏情况的内部问题；以及根据所述外部问题、所述内部问题以及所述不确定集，确定所述随机鲁棒优化模型。
进一步地，在本发明的一些实施例中，所述随机鲁棒优化模型的决策变量选自锅炉、汽轮机、放气阀、蓄热器的实际负荷、过程功率用户驱动源、是否采用锅炉、太阳能集热器、热能储存、太阳能集热器面积、风力涡轮机数量中的一者或多者。
进一步地，在本发明的一些实施例中，所述随机鲁棒优化模型的调度目标为全年运营总成本，其中，所述全年运营总成本中至少包括新增机组年化成本、多种能源类型的运行成本和/或碳税。
进一步地，在本发明的一些实施例中，所述随机鲁棒优化模型被表述为一个多层问题：
其中，C是数据类的个数，s是数据类的索引，所述经由所述随机鲁棒优化模型，确定所述能源***的调度方案的步骤包括：将所述随机鲁棒优化模型分节为一个主问题和多个子问题；迭代求解所述主问题和各所述场景下的子问题；以及根据所述主问题以及各所述子问题在满足停止准则的情况下得到的最优解，对所述聚类分析的聚类簇数进行敏感性分析，以确定所述能源***的调度方案。
进一步地，在本发明的一些实施例中，所述迭代求解所述主问题和各所述场景下的子问题的步骤包括：对所述随机鲁棒优化模型进行松弛，以将所述主问题表示为：
其中，所述主问题提供了目标值的下界；将迭代求解的所述子问题表示为：22A5241CNCN
并通过应用强对偶性，将所述子问题改写为：
其中，η、γ、λi和μi为拉格朗日乘子；通过求解所述子问题得到所述目标值的上界和可行解，以生成一组新的极值点；以及在主问题的约束条件中添加一个最优切割，以生成新的下界。
此外，根据本发明的第二方面提供的能源***的调度装置包括：存储器；以及处理器，所述处理器连接所述存储器，并被配置上述能源***的调度方法。
此外，根据本发明的第三方面提供的计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施上述的能源***的调度方法。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了根据本发明的一些实施例提供的能源***的调度裝置的架构图；
图2示出了根据本发明的一些实施例提供的能源***的调度方法的流程图；
图3示出了根据本发明的一些实施例提供的能源***的调度方案的架构示意图；
图4示出了根据本发明的一些实施例提供的不同情景下工业能源***年总成本；
图5示出了根据本发明的一些实施例提供的不同簇数下的调度优化结果；
图6示出了根据本发明的一些实施例提供的一种不确定环境下的工业多类型能源***数据驱动的随机鲁棒优化方法算法数据流向示意图。
图7示出了根据本发明的一些实施例提供的一种不确定环境下的工业多类型能源***数据驱动的随机鲁棒优化方法的调度方案示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
如上所述，在考虑含不确定性因素的能源***调度领域内，一般可以采用以下的三种方法：机会约束规划、随机优化和鲁棒优化。机会约束规划必须在预测到随机变量的实现之前做出决策，且要考虑所作决策要使得约束条件成立的概率不小于某一置信水平，其可以灵活地实现收益性和可靠性的权衡，但该方法往往为含多变量积分的非凸的问题，这导致求解计算难度加大。在随机优化中，一般采用概率分布来描述不确定参数，优化时逐渐趋向目标函数的期望值最优，但在实际应用中伴随着数据维度较高，场景数逐渐增加，随机优化的计算难度也越来越大。鲁棒优化由于具有计算效率高等特点，被大量应用于不确定环境下的能量***优化中。不确定集的建立对鲁棒优化的效果有着关键的影响，传统的鲁棒优化方法采用盒形不确定集，选用基于机器学***衡解的性能和鲁棒性，但不能直接应用于不确定性条件下的可再生能源综合***优化。由于在最坏情况下几乎没有可再生能源可用，传统的鲁棒优化方法在没有考虑可再生能源渗透的情况下，往往过于保守。
为了克服现有技术存在的上述缺陷，本发明提供了一种能源***的调度方法、一种能源***的调度装置及其对应的计算机可读存储介质，能够利用数据之间的耦合关系对工业***进行简单、快速、实用的调度优化，从而有效提高能源***的运行经济效益。此外，该多目标优化的结果可为决策者提供多优选方案，指导产业可持续发展。
在一些非限制性的实施例中，本发明的第一方面提供的上述能源***的调度方法可以经由本发明的第二方面提供的上述能源***的调度装置来实施。具体来说，该能源***的调度装置中配置有存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接存储器，并被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面提供的能源***的调度方法。
首先请参考图1，图1示出了根据本发明的一些实施例提供的能源***的调度装置的架构图。
图1示出了根据本发明的一些实施例提供的能源***的调度装置。能源***的调度装置包括内部通信总线301、处理器(processor)302、只读存储器(ROM)303、随机存取存储器(RAM)304、通信端口305、以及硬盘307。内部通信总线301可以实现能源***的调度装置组件间的数据通信。处理器302可以进行判断和发出提示。在一些实施例中，处理器302可以由一个或多个处理器组成。通信端口305可以实现能源***的调度装置与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，能源***的调度装置可以通过通信端口305从网络发送和接收信息及数据。在一些实施例中，能源***的调度装置可以通过输入/输出端306以有线的形式与外部的输入/输出设备之间进行数据传输与通信。能源***的调度装置还包括不同形式的程序储存单元以及数据储存单元，例如硬盘307，只读存储(ROM)303和随机存取存储器(RAM)304，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器302所执行的可能的程序指令。处理器302执行这些指令以实现方法的主要部分。处理器302处理的结果通过通信端口305传给外部的输出设备，在输出设备的用户界面上显示。
以下将结合一些能源***的调度方法的实施例来描述上述能源***的调度装置的工作原理。本领域的技术人员可以理解，这些调度方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该能源***的调度装置的全部功能或全部工作方式。同样地，该能源***的调度装置也只是本发明提供的一种非限制性的实施方式，不对这些能源***的调度方法中各步骤的执行主体构成限制。
请参考图2，图2示出了根据本发明的一些实施例提供的能源***的调度方法的流程图。
如图2的步骤S1所示，在能源***的调度过程中，能源***的调度方法可以首先根据能源***的过程机制和操作特征，开发确定性能源***优化模型。之后，如图2的步骤S2所示，上述方法可以获取上述能源***的历史数据。再之后，如图2的步骤S3所示，上述方法可以对上述历史数据进行聚类分析，以将上述历史数据映射到集群中。再之后，如图2的步骤S4所示，上述方法可以确定上述确定性能源***优化模型中多个场景的不确定集及相应的概率。再之后，如图2的步骤S5所示，上述方法可以根据上述确定性能源***优化模型、上述历史数据、上述集群，以及上述不确定集，确定随机鲁棒优化模型。在确定上述随机鲁棒优化模型之后，该方法可以经由该随机鲁棒优化模型，确定该能源***的调度方案。
进一步地，在本发明的一些实施例中，上述能源***可以选自蒸汽发生***、汽轮机网络、电力***、冷却水***和可再生能源渗透***、生产超高压蒸汽的余热回收***和锅炉、满足工艺机械功率需求的蒸汽轮机、驱动压缩机的蒸汽透平、平衡蒸汽网络的减温减压器、用于水循环的冷却塔、热交换器、风力涡轮机和太阳能集热器中的一者或多者，其中，被转化和运输的能源包括燃料、蒸汽、电力、水和可再生能源中的一者或多者。
进一步地，在本发明的一些实施例中，上述确定性能源***优化模型的假设条件可以选自以下的至少一者：多个等级的蒸汽管网内的温度和压力为恒定值，上述蒸汽透平的进汽与抽汽的温度和压力等于对应管网的温度和压力，被选中的设备按其额定功率运行，废热回收***生产的蒸汽及消耗的水和燃料为定值，生产过程蒸汽需求为定值，同种类型的候选锅炉、候选冷却塔或候选循环水泵具有相同的结构参数，蒸汽管网平衡中的能量损失忽略不计。上述确定性能源***优化模型的给定信息选自以下的至少一者：设备效率拟合函数中的参数，余热回收***中消耗的燃料和水，上述余热回收***中生产的超高压蒸汽流量，生产过程多个等级的蒸汽需求，水泵和/或冷却塔电机的额定功率，当地的环境温度、湿度、风速和/或太阳辐射，多种形式能量的加权系数，以及裂解气压缩***和冷箱单元能量***的关键位点的质量流量、温度和/或压力的历史数据。上述确定性能源***优化模型的约束条件选自以下的至少一者：多个单元的质量约束条件，各上述单元的能量平衡约束条件，各上述单元的***平衡约束，以及决策变量的范围约束条件。
进一步地，在本发明的一些实施例中，上述方法在上述历史数据进行聚类分析，以将上述历史数据映射到集群中的过程中，该方法可以首先预处理关于当地风速以及太阳辐射的历史数据。之后，该方法还可以通过双层无监督机器学习框架，将上述关于当地风速和/或太阳辐射的历史数据映射到一组上述集群中。
具体来说，该方法可以在采集太阳辐射和风速数据时，要求数据不少于20年，优选包含尽可能多的运行条件，比如干燥天气、潮湿天气、下雨天气等。本领域技术人员可以理解的是，本发明中，一组数据通常是指在某个时间点对所选取的监控变量进行采集得到的数据。
进一步地，在本发明的一些实施例中，上述方法可以对上述历史数据进行聚类分析，以将上述历史数据映射到集群中的步骤还包括：
采用模糊C均值聚类构建聚类集；
采用广义最小二乘误差函数：
其中，N是数据的数量，uj是第j个数据集，第s个集群的中心εs表示为：
数据样本的隶属度表示为：
其中，p为模糊化参数，表示簇之间的重叠。
进一步地，在本发明的一些实施例中，上述方法在确定上述确定性能源***优化模型中多个场景的不确定集及相应的概率的过程中，上述方法可以根据上述历史数据的描述分布，采用基于核学习的数据驱动方法构建不确定性集，并支持向量聚类将数据描述为具有最小体积的封闭球体：
minR2
s.t.||ψ(u(i))-q||2≤R2,i＝1,…,N
其中，q是上述封闭球体的圆心，R是上述封闭球体的球面半径；
通过引入松弛变量，利用KKT条件和对偶性进行重新表述，得到一个二次规划问题：
其中，K(u(i),u(j))为核函数，κ为调整鲁棒性的正则化参数且κ≥0；
将上述不确定集表示为：
其中，i表示支持向量的索引，vi为辅助变量，Q＝Γ2，Γ表示不确定性的协方差矩阵；
采用随机优化，将计算不确定参数的期望值视为多场景优化问题，以上述聚类分析的结果来代表随机优化的场景，并计算每个场景对应的发生概率，其中，每个类s的概率被定义为：
其中，I(u)＝s表示数据集uj属于集群s。
进一步地，在本发明的一些实施例中，上述方法在根据上述确定性能源***优化模型、历史数据、集群以及不确定集，确定随机鲁棒优化模型的过程中，该方法可以根据上述确定性能源***优化模型整合上述历史数据，以两阶段随机规划作为实现期望最优值的外部问题，并以鲁棒优化作为对冲最坏情况的内部问题。之后，该方法可以根据上述外部问题、上述内部问题以及上述不确定集，确定上述随机鲁棒优化模型。
进一步地，在本发明的一些实施例中，上述随机鲁棒优化模型的决策变量可以选自锅炉、汽轮机、放气阀、蓄热器的实际负荷、过程功率用户驱动源、是否采用锅炉、太阳能集热器、热能储存、太阳能集热器面积、风力涡轮机数量中的一者或多者。
进一步地，在本发明的一些实施例中，上述随机鲁棒优化模型的调度目标可以为全年运营总成本。在此，该全年运营总成本中可以至少包括新增机组年化成本、多种能源类型的运行成本以及碳税。
进一步地，在本发明的一些实施例中，在上述方法的调度过程中，上述随机鲁棒优化模型可以被表述为一个多层问题：
其中，C是数据类的个数，s是数据类的索引。
上述方法在经由上述随机鲁棒优化模型，确定上述能源***的调度方案的过程中，该方法首先可以将上述随机鲁棒优化模型分节为一个主问题和多个子问题。该方法在划分完主问题以及子问题后，该方法可以迭代求解上述主问题和各上述场景下的子问题。该方法可以根据上述主问题以及各上述子问题在满足停止准则的情况下得到的最优解。之后，该方法可以对上述聚类分析的聚类簇数进行敏感性分析，以确定上述能源***的调度方案。
具体来说，上述方法在迭代求解上述主问题以及确定子问题的过程中，该方法可以对上述随机鲁棒优化模型进行松弛，以将上述主问题表示为：
其中，上述主问题提供了目标值的下界；
将迭代求解的上述子问题可以表示为：
并通过应用强对偶性，将上述子问题改写为：
其中，η、γ、λi和μi为拉格朗日乘子。
通过求解上述子问题得到上述目标值的上界和可行解，该方法可以生成一组新的极值点，并在主问题的约束条件中添加一个最优切割，以生成新的下界。
进一步地，在本发明的一些实施例中，该方法可以聚类簇数进行敏感性分析。具体来说，当聚类数为1时，随机鲁棒优化等价于鲁棒优化，当聚类数不断增加时，鲁棒性也随着增强。
在本发明的另一些实施例中，从经济角度来说，该方法可以使用燃油来满足热需求，使用风电来满足电力需求。
在本发明的一些实施例中，该方法可以首先设计多类型能源***包含两台锅炉、四台抽汽凝透平、四台HS-LS背压式透平、四台MS-LS背压式透平、一块太阳能集热板及89台风力涡轮机。之后，该方法可以采用模糊C均值聚类(FCM)将数据映射到集群中，集群个数C＝9。再之后，该方法可以立不确定集及每一类相应概率为：
再之后，该方法可以建立随机鲁棒优化模型目标函数
在添加目标函数之后，该方法还可以增加质量和能量平衡的约束、***平衡约束、可变范围约束以及其他约束。在添加约束之后，该方法还可以基于分解算法，将混合整数非线性模型变成单层优化问题，其中不确定变量为风速和太阳辐射。在通过分解算法将混合整数非线性模型变成单层优化问题之后，该方法还可以设定随机鲁棒优化的目标是在不同情景下最小化目标的期望。该目标依赖于最坏情况的实现，上述方法可以不断更改聚类簇数来观察优化目标值。
请参考图3，图3示出了在不确定环境下的工业多类型能源***数据驱动的随机鲁棒优化方法下能源***的最优结构和运行条件的调度方案。
在本发明的一些实施例中，如图3所示，上述方法可以提供在不确定环境下的工业多类型能源***数据驱动的随机鲁棒优化方法下能源***的最优结构和运行条件的调度方案。
请结合参考图4以及图5。图4示出了根据本发明的一些实施例提供的不同情景下工业能源***年总成本。图5示出了根据本发明的一些实施例提供的不同簇数下的调度优化结果。
如图4以及图5所示，该方法对能源***调度优化的实验结果表明，上述方法可以利用数据之间的耦合关系对工业***进行调度优化。与传统的鲁棒优化相比，该方法具有更高的鲁棒性和更低的鲁棒代价，有效减少了温室气体排放，年成本明显降低，优化后的调度方案更具有经济和环境效益。
此外，如图5所示，上述方法可以根据簇数进行的敏感性分析，尽管鲁棒性随着集群数量的增加而增加，但集群越多并不意味着结果越差。SRO的目标是在不同情景下最小化目标的期望，这依赖于最坏情况的实现。在如图5所示的实施例中，9个集群案例在确保鲁棒性的同时可以实现相对较低的年度总成本。
进一步地，在本发明的另一些实施例中，上述方法可以使用与上述实施例同样的工业能源***数据和气象数据并同时引入不考虑太阳能和风能的工业能源***确定性优化(DO)、考虑太阳能和风能的工业能源***确定性优化(DO-new)、鲁棒优化(RO)与本发明提出的随机鲁棒优化(SRO)进行调度优化实验，其实验结果如表1所示。
表1：不同方法的问题规模和优化结果
22A524 1CNCN
如表1所示，上述方法可以引入可再生能源可有效降低年总成本，同时减少温室气体排放。上述方法可以使得每年总成本减少1507730$/a，温室气体排放量减少26352ton/a。由于考虑了不确定性的最坏实现，RO的年总成本高于DO-new，由于考虑了多种情况，SRO方法的计算复杂度较其他方法有所增加。上述方法虽然采用SRO算法需要更多的计算时间，但其PoR(2.91％)和鲁棒性(比RO高1.54％)都要小得多。当燃料消耗增加，更多的风力涡轮机引入SRO。在可再生能源不确定性条件下，工艺电力用户更倾向于选择汽轮机驱动。
此外，在本发明提供的另一些实施例中，上述方法可以引入不考虑太阳能和风能的工业能源***确定性优化(DO)、考虑太阳能和风能的工业能源***确定性优化(DO-new)、鲁棒优化(RO)与本发明提出的随机鲁棒优化(SRO)进行调度优化实验结果，定义鲁棒性价格评估鲁棒性牺牲的最优水平，该指标计算方式为：
PoR＝(objUO-objDO)/objDO，
其中，objDO为DO的目标值，objUO为不确定性(RO和SRO)下优化的目标值。PoR值越低，表示为保证鲁棒性而做出的最优性牺牲越小，在不确定条件下的优化更容易被选择。
请参考图6。图6示出了根据本发明的一些实施例提供的一种不确定环境下的工业多类型能源***数据驱动的随机鲁棒优化方法算法数据流向示意图。
此外，在本发明的一些实施例中，如图6所示，上述方法可以首先通过双层数据挖掘，将光辐射以及风速等信息进行数据挖掘。之后，上述方法可以根据上述数据信息，确定数据信息所对应的概率，并将上述概率转化为不确定集。再之后，该方法可以根据上述不确定集以及数据信息，进行鲁棒以及随机优化。再之后，该方法可以根据随机优化后的随机鲁棒优化模型，对于工业***进行调度。如此，本发明便可以利用数据之间的耦合关系对工业***进行简单、快速、实用的调度优化，从而有效提高能源***的运行经济效益。此外，该多目标优化的结果可为决策者提供多优选方案，指导产业可持续发展。
请参考图7。图7示出了根据本发明的一些实施例提供的一种不确定环境下的工业多类型能源***数据驱动的随机鲁棒优化方法调度方案示意图。
在本发明的一些实施例中，如图7所示，上述能源***可以包括太阳能收集器、热能存储***、风力涡轮机以及废热回收器。上述调度方法可以通过如图7所示的实施例进行能源调度，以利用数据之间的耦合关系对工业***进行简单、快速、实用的调度优化，从而有效提高能源***的运行经济效益。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (13)
1.一种能源***的调度方法，其特征在于，包括以下步骤：
根据能源***的过程机制和操作特征，开发确定性能源***优化模型；
获取所述能源***的历史数据；
对所述历史数据进行聚类分析，以将所述历史数据映射到集群中；
确定所述确定性能源***优化模型中多个场景的不确定集及相应的概率；
根据所述确定性能源***优化模型、所述历史数据、所述集群，以及所述不确定集，确定随机鲁棒优化模型；以及
经由所述随机鲁棒优化模型，确定所述能源***的调度方案。
2.如权利要求1所述的调度方法，其特征在于，所述能源***选自蒸汽发生***、汽轮机网络、电力***、冷却水***和可再生能源渗透***、生产超高压蒸汽的余热回收***和锅炉、满足工艺机械功率需求的蒸汽轮机、驱动压缩机的蒸汽透平、平衡蒸汽网络的减温减压器、用于水循环的冷却塔、热交换器、风力涡轮机和太阳能集热器中的一者或多者，其中，被转化和运输的能源包括燃料、蒸汽、电力、水和可再生能源中的一者或多者。
3.如权利要求2所述的调度方法，其特征在于，所述确定性能源***优化模型的假设条件选自以下的至少一者：多个等级的蒸汽管网内的温度和压力为恒定值，所述蒸汽透平的进汽与抽汽的温度和压力等于对应管网的温度和压力，被选中的设备按其额定功率运行，废热回收***生产的蒸汽及消耗的水和燃料为定值，生产过程蒸汽需求为定值，同种类型的候选锅炉、候选冷却塔或候选循环水泵具有相同的结构参数，蒸汽管网平衡中的能量损失忽略不计，和/或
所述确定性能源***优化模型的给定信息选自以下的至少一者：设备效率拟合函数中的参数，余热回收***中消耗的燃料和水，所述余热回收***中生产的超高压蒸汽流量，生产过程多个等级的蒸汽需求，水泵和/或冷却塔电机的额定功率，当地的环境温度、湿度、风速和/或太阳辐射，多种形式能量的加权
系数，以及裂解气压缩***和冷箱单元能量***的关键位点的质量流量、温度和/或压力的历史数据，和/或
所述确定性能源***优化模型的约束条件选自以下的至少一者：多个单元的质量约束条件，各所述单元的能量平衡约束条件，各所述单元的***平衡约束，以及决策变量的范围约束条件。
4.如权利要求3所述的调度方法，其特征在于，所述对所述历史数据进行聚类分析，以将所述历史数据映射到集群中的步骤包括：
预处理关于当地风速和/或太阳辐射的历史数据；以及
通过双层无监督机器学习框架，将所述关于当地风速和/或太阳辐射的历史数据映射到一组所述集群中。
5.如权利要求4所述的调度方法，其特征在于，所述对所述历史数据进行聚类分析，以将所述历史数据映射到集群中的步骤还包括：
采用模糊C均值聚类构建聚类集；
采用广义最小二乘误差函数：
其中，N是数据的数量，uj是第j个数据集，第s个集群的中心εs表示为：
数据样本的隶属度表示为：
其中，p为模糊化参数，表示簇之间的重叠。
6.如权利要求1所述的调度方法，其特征在于，所述确定所述确定性能源***优化模型中多个场景的不确定集及相应的概率的步骤包括：
根据所述历史数据的描述分布，采用基于核学习的数据驱动方法构建不确定性集，并采用支持向量聚类将数据描述为具有最小体积的封闭球体：
min R2
s.t.||ψ(u(i))-q||2≤R2,i＝1,…,N
其中，q是所述封闭球体的圆心，R是所述封闭球体的球面半径；
通过引入松弛变量，利用KKT条件和对偶性进行重新表述，得到一个二次规划问题：
s.t.0≤ωi≤1/Nκ,i＝1,…,N
其中，K(u(i),u(j))为核函数，κ为调整鲁棒性的正则化参数且κ≥0；
将所述不确定集表示为：
其中，i表示支持向量的索引，vi为辅助变量，Q＝Γ2，Γ表示不确定性的协方差矩阵；
采用随机优化，将计算多场景的期望值视为优化问题，以所述聚类分析的结果来代表随机优化的场景，并计算每个场景对应的发生概率，其中，每个类s的概率被定义为：
其中，I(uj)＝s表示数据集uj属于集群s。
7.如权利要求1所述的调度方法，其特征在于，所述根据所述确定性能源***优化模型、所述历史数据、所述集群，以及所述不确定集，确定随机鲁棒优化模型的步骤包括：
根据所述确定性能源***优化模型整合所述历史数据，以两阶段随机规划作为实现期望最优值的外部问题，并以鲁棒优化作为对冲最坏情况的内部问题；以及
根据所述外部问题、所述内部问题以及所述不确定集，确定所述随机鲁棒优化模型。
8.如权利要求7所述的调度方法，其特征在于，所述随机鲁棒优化模型的决策变量选自锅炉、汽轮机、放气阀、蓄热器的实际负荷、过程功用户驱动源、是否采用锅炉、太阳能集热器、热能储存、太阳能集热器面积、风力涡轮机数量中的一者或多者。
9.如权利要求7所述的调度方法，其特征在于，所述随机鲁棒优化模型的调度目标为全年运营总成本，其中，所述全年运营总成本中至少包括新增机组年化成本、多种能源类型的运行成本和/或碳税。
10.如权利要求7所述的调度方法，其特征在于，所述随机鲁棒优化模型被表述为一个多层问题：
s.t.Ax≥g
Px+Rys+Tu≥h
其中，C是数据类的个数，s是数据类的索引，所述经由所述随机鲁棒优化模型，确定所述能源***的调度方案的步骤包括：
将所述随机鲁棒优化模型分节为一个主问题和多个子问题；
迭代求解所述主问题和各所述场景下的子问题；以及
根据所述主问题以及各所述子问题在满足停止准则的情况下得到的最优解，对所述聚类分析的聚类簇数进行敏感性分析，以确定所述能源***的调度方案。
11.如权利要求10所述的调度方法，其特征在于，所述迭代求解所述主问题和各所述场景下的子问题的步骤包括：
对所述随机鲁棒优化模型进行松弛，以将所述主问题表示为：
s.t.Ax≥g
Px+Rys+Tu≥h
其中，所述主问题提供了目标值的下界；
将迭代求解的所述子问题表示为：
Px+Rys+Tu≥h
并通过应用强对偶性，将所述子问题改写为：
γ＞0,η＞0
其中，η、γ、λi和μi为拉格朗日乘子；
通过求解所述子问题得到所述目标值的上界和可行解，以生成一组新的极值点；以及
在主问题的约束条件中添加一个最优切割，以生成新的下界。
12.一种能源***的调度装置，其特征在于，包括：
存储器；以及
处理器，所述处理器连接所述存储器，并被配置用于实施如权利要求1～11中任一项所述的能源***的调度方法。
13.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～11中任一项所述的能源***的调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310044061.7A CN115965156A (zh) | 2023-01-29 | 2023-01-29 | 能源***的调度方法以及调度装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310044061.7A CN115965156A (zh) | 2023-01-29 | 2023-01-29 | 能源***的调度方法以及调度装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115965156A true CN115965156A (zh) | 2023-04-14 |
Family
ID=87361758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310044061.7A Pending CN115965156A (zh) | 2023-01-29 | 2023-01-29 | 能源***的调度方法以及调度装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965156A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629029A (zh) * | 2023-07-19 | 2023-08-22 | 天津大学 | 基于数据驱动的流程工业用户灵活性评估方法及相关设备 |
-
2023
- 2023-01-29 CN CN202310044061.7A patent/CN115965156A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629029A (zh) * | 2023-07-19 | 2023-08-22 | 天津大学 | 基于数据驱动的流程工业用户灵活性评估方法及相关设备 |
| CN116629029B (zh) * | 2023-07-19 | 2023-09-29 | 天津大学 | 基于数据驱动的流程工业用户灵活性评估方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Combined multi-objective optimization and robustness analysis framework for building integrated energy system under uncertainty | |
| Li et al. | An improved two-stage robust optimization model for CCHP-P2G microgrid system considering multi-energy operation under wind power outputs uncertainties | |
| Qu et al. | Prediction of electricity generation from a combined cycle power plant based on a stacking ensemble and its hyperparameter optimization with a grid-search method | |
| Zhi et al. | Improved butterfly optimization algorithm for CCHP driven by PEMFC | |
| Ghenai et al. | Recent trends of digital twin technologies in the energy sector: A comprehensive review | |
| CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
| Musbah et al. | Energy management using multi-criteria decision making and machine learning classification algorithms for intelligent system | |
| Wang et al. | Comparing stochastic programming with posteriori approach for multi-objective optimization of distributed energy systems under uncertainty | |
| Ledmaoui et al. | Forecasting solar energy production: A comparative study of machine learning algorithms | |
| Zavala et al. | Proactive energy management for next-generation building systems | |
| Liu et al. | Two-layer multiple scenario optimization framework for integrated energy system based on optimal energy contribution ratio strategy | |
| CN115965156A (zh) | 能源***的调度方法以及调度装置 | |
| Chen et al. | Operation optimization of combined cooling, heating, and power superstructure system for satisfying demand fluctuation | |
| Abokersh et al. | Sustainability insights on emerging solar district heating technologies to boost the nearly zero energy building concept | |
| Sharif et al. | Generation of whole building renovation scenarios using variational autoencoders | |
| CN116681171A (zh) | 一种多场景综合能源***分布鲁棒优化调度方法和*** | |
| Fragiacomo et al. | Semi‐empirical development of a novel and versatile multiobjective optimization tool for co/trigeneration energy system design | |
| Qin et al. | Two-stage robust optimal scheduling framework applied for microgrids: Combined energy recovery and forecast | |
| Chen et al. | A new technique for optimising of a PEMFC based CCHP system | |
| CN117078047B (zh) | 一种基于lstm的热负荷预测与分配优化方法及*** | |
| CN113708418A (zh) | 微电网优化调度方法 | |
| Li et al. | Coordinated planning of integrated electricity–heat–gas energy system considering renewable energy consumption | |
| Garlík | The application of artificial intelligence in the process of optimizing energy consumption in intelligent areas | |
| CN113313410B (zh) | 多能源耦合建模评估方法、装置及终端设备 | |
| Vannoni et al. | Combined Cycle, Heat Pump, and Thermal Storage Integration: Techno-Economic Sensitivity to Market and Climatic Conditions Based on a European and United States Assessment |
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 |