CN117669791A - 基于co2源汇属性与决策时间的全周期源汇匹配优化方法 - Google Patents
基于co2源汇属性与决策时间的全周期源汇匹配优化方法 Download PDFInfo
- Publication number
- CN117669791A CN117669791A CN202311365297.7A CN202311365297A CN117669791A CN 117669791 A CN117669791 A CN 117669791A CN 202311365297 A CN202311365297 A CN 202311365297A CN 117669791 A CN117669791 A CN 117669791A
- Authority
- CN
- China
- Prior art keywords
- sink
- source
- sealing
- period
- maximum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000007789 sealing Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000009919 sequestration Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 239000000243 solution Substances 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,包括:确定所有CO2源、汇点数量,各CO2源、汇点工作寿命,CO2源点年捕集能力、汇点年封存能力;将各CO2源、汇点的起始工作时间作为决策变量,将预设的***规划周期以及***规划周期内任意年份从任意CO2源点捕集并被封存于任意CO2汇点的CO2总量作为过程变量,建立***最大CO2封存量模型,并求解得到***全周期内最大CO2封存量以及各CO2源、汇点起始工作时间;基于***最大CO2封存量,确定***最低运输成本函数并进行求解,得到源汇匹配方案。本发明在满足***封存量最大、运输成本最低条件下,给出任意时刻CO2源与汇点的具体源汇匹配方案。
Description
技术领域
本发明涉及基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,属于CO2源和封存地之间的时空匹配技术领域。
背景技术
二氧化碳捕集封存被认为是将来实现温室气体减排和减缓气候变化的重要手段。而源汇集群部署、运输路径选择与运输管网优化等CO2源汇匹配工作是CCS研究项目无法回避的内容。目前,CO2源汇匹配数学模型多是为了实现特定需求而建立的。已有模型多关注源汇属性而忽略时间因素,考虑的影响因素不够全面。常见模型还会限制源汇点之间的运输映射关系,以实现模型简化;如CO2封存地能接受多个源,但单个源点只能连接一个封存汇等。因此,其应用范围收到极大限制,进而导致无法得到***最经济的匹配方案。所以,不断建立完善特定约束条件下的源汇匹配数学模型对优化CCS项目具有重要意义。
影响源汇匹配结果的因素众多:包括源汇点空间位置和容量、CO2源点(汇点)的捕集(注入)速率、CO2源点(汇点)运行寿命、运输方式,各个源点、汇点的起始工作时间与相互连接关系等因素,均能够对***总封存量、运输成本产生影响。如何建立能够考虑多因素影响下的源汇匹配组合优化数学模型,减少对影响因素的限制条件,缩小目标函数最优解的可行域范围,对找出源汇匹配最优解具有重要意义。
发明内容
本发明所要解决的技术问题是:提供基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,实现满足***CO2封存量最大、运输成本最低的具体源汇匹配。
本发明为解决上述技术问题采用以下技术方案:
基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,包括如下步骤:
步骤1,确定所有CO2源点数量、所有CO2汇点数量、各CO2源点的工作寿命、各CO2汇点的工作寿命、各CO2源点年捕集能力以及各CO2汇点年封存能力;
步骤2,将各CO2源点和各CO2汇点的起始工作时间作为决策变量,将预设的***规划周期以及***规划周期内任意年份从任意CO2源点捕集并被封存于任意CO2汇点的CO2总量作为过程变量,将所有CO2源点和汇点中最先开始的起始工作时间作为***时间起点,建立***最大CO2封存量模型;
步骤3,利用遗传算法求解***最大CO2封存量模型,得到***规划周期内最大CO2封存量以及对应的各CO2源点和各CO2汇点的起始工作时间;步骤4,基于***最大CO2封存量,确定***最低运输成本函数并进行求解,得到***规划周期内任意年份从任意CO2源点捕集并被封存于任意CO2汇点的CO2总量,即任意年份的具体源汇匹配方案。
作为本发明的一种优选方案,所述步骤2中,预设的***规划周期的取值为所有CO2源点的工作寿命之和,或者所有CO2汇点的工作寿命之和;
***最大CO2封存量目标函数为:
其中,Tend为预设的***规划周期;t表示时间;i、j分别表示所有CO2源点、CO2汇点数量;
Sm表示第m个CO2源点的捕集能力,Sn表示第n个CO2汇点的封存能力,具体表达式如下:
amt为二元变量,表示第m个CO2源点在t时刻是否处于工作状态,处于工作状态时amt取1,否则取0;ant为二元变量,表示第n个CO2汇点在t时刻是否处于工作状态,处于工作状态时ant取1,否则取0;具体表达式如下:
其中,tm表示第m个CO2源点的起始工作时间,tn表示第n个CO2汇点的起始工作时间,Tm表示第m个CO2源点的工作寿命,Tn表示第n个CO2汇点的工作寿命。
作为本发明的一种优选方案,所述步骤3中,利用遗传算法求解***最大CO2封存量模型时,采用整数编码方式对步骤2提出的决策变量进行编码,将***最大CO2封存量目标函数作为适应度函数,进行迭代求解,当目标函数值为预设的最大可能封存量或达到预设的迭代次数时,算法终止。
作为本发明的一种优选方案,所述步骤4中,***最大CO2封存量满足如下公式:
且第m个CO2源点的实际捕集量小于等于其捕集能力,第n个CO2汇点的实际封存量小于等于其封存能力,即:
***最低运输成本函数表示为:
其中,xmnt表示在第t年从第m个CO2源点捕集并被封存于第n个CO2汇点的CO2总量;lmn表示从第m个CO2源点到第n个CO2汇点的运输距离,单位km;cmn表示从第m个CO2源点到第n个CO2汇点的运输单价,默认值为1元/(t·km)。
一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的步骤。
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,所述计算机程序被处理器执行时实现如上所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的步骤。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明考虑工作寿命、捕集/封存速率、规划周期等,建立多源汇属性的多因素源汇匹配组合优化决策模型,将“考虑时间因素的多源多汇的动态匹配问题”转化为“有限个已知时刻的静态产销不平衡问题”,将“有限个已知时刻的静态产销不平衡问题”转化为“有限个已知时刻的静态产销平衡问题”,实现***封存量最大、运输成本最低条件下的CO2源点与CO2汇点的具体源汇匹配。
附图说明
图1是本发明基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的流程图;
图2是遗传算法工作流程图;
图3是实施例1中***最大封存量对应源汇匹配方案;
图4是实施例2中***最大封存规划决策方案甘特图;
图5是实施例2中第6~16年间***年度源汇匹配运输方案。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的流程图,具体步骤如下:
步骤一:确定模型输入参数
(1)确定CO2源汇点数量,其中源点数量表示为i,封存地数量表示为j。
(2)确定所有源汇点工作寿命的1×(i+j)矩阵T;表示为:T=[T1,T2,…,Tk,…,Ti+j]。T矩阵中前i个Tk为所有CO2源点的工作寿命;T的后j个Tk为所有CO2汇点的工作寿命。
(3)确定所有源汇点年捕集/封存能力的1×(i+j)矩阵S;S矩阵中前i个Sk为所有CO2源点的年捕集能力;后j个Sk为所有CO2汇点的年封存能力;表示为:S=[S1,S2,…,Sk,…,Si+j]。
步骤二:确定模型决策变量tk
假设CO2源点i开始捕集CO2的时刻为***运行第ti年;ti∈N*,N*表示正整数。假设CO2汇点j开始封存CO2的时刻为***运行第tj年;tj∈N*。可用一个变量表示为第k处CO2源汇点起始工作时间为tk,所有源汇点工作起点的时间矩阵表示为:T′=[t1,t2,…,tk,…,ti+j]。将所有源点和汇点中最先运行的工作起点作为***时间起点;表示为:
min{tk}=1
步骤三:引入过程变量
(1)确定源汇点过程变量Tend:可以是决策部门预设的***规划周期;文中为了确保目标函数取得最值,同时为了减少手动输入参数的个数,Tend取值为所有源点(或所有汇点)寿命总和;表示为:
(2)确定源汇点过程变量xmnt:假设在第t年,从CO2源点m处捕获并被埋藏于汇点n处的量为xmnt万吨。从下文计算结果可知xmnt为中间过程变量,并不会影响***最大封存量的优化目标。但在规划部门完成***最优规划后,具体负责实施的企业则关心特定时刻的具体匹配方案(源汇运输方案);此时,过程变量则成为该时刻源汇匹配方案的决策变量。此后问题转化为“在t时刻的静态产销平衡问题”。
步骤四:建立***最大封存量数学模型
引入二元变量akt,用于表示第k个源汇点在t时刻是否处于工作状态。表达式为:
(2)确定t时刻,第k个源/汇点的捕集/封存能力Sk。当t≤tk时,此时第k个源(汇)点并未运行,捕集/封存能力为零;当t>tk+Tk时,此时第k个源(汇)点寿命结束,捕集/封存能力为零;当tk<t≤tk+Tk时,此时第k个源(汇)点正在运行周期内,捕集/封存能力为Sk。
(3)确定t时刻,***的捕集/封存能力。CO2源的捕集速率与CO2汇的封存速率均存在上限;在第t年的***实际最大封存量均受限于上述两个数值,且不超过两者中的最小值。所以令两者中较小的数值为F(t,T′),表示在t时刻所有源捕集/汇封存量中较小的数值;表示为:
(4)确定***总封存量目标函数。引入Q(T′)表示***运行周期内,关于T′变量的总封存量,表达式为:综上所述,在给定CO2源汇点数量i、j,其工作寿命T,及年捕集/封存能力S条件下,关于CO2源和汇起始工作时间T′的***最大CO2封存量目标函数为:
arg.max{Q(T′)}
步骤五:确定***最低运输成本函数
本发明在建立***最大封存量模型后,将求解具体匹配方案任务转化为求解任意t时刻的产销不平衡问题;从而实现任意时刻的具体源汇匹配方案。此时,可以通过***规划决策时间矩阵T,表示出给定时刻源汇点的运行状况;至此,具体源汇匹配问题已转化为产销不平衡条件下的运输问题。
该步骤中,***最低运输成本模型是在封存总量已经明确的前提下开展;具体需要针对决策变量xmnt设计出具体的匹配方案。此时的源汇匹配问题,本质上是运筹学中的“产销不平衡的运输问题”。其影响因素包括运输量、距离及单价等因素。其中,封存总量约束需满足公式:
由于CO2源m处实际捕集量小于等于该处捕集能力,CO2汇n处实际封存量小于等于其封存能力;则t时刻源汇点决策变量xmnt实际捕集/封存量约束满足公式:
***最低成本目标函数表示为:
式中:cnm表示运输单价,默认值为1元/(t·km)。lmn表示运输距离,km。
至此,本发明的具体源汇匹配决策***模型搭建完成。
步骤六:运用遗传算法求解***最大封存量
上述源汇匹配模型不仅需要实现封存量最大化目标,还需要满足低成本目标,是一个多目标组合优化模型。随着CO2源汇点数量的增加,在用穷举法、动态规划、分支定界法等精确算法求解目标函数arg.max{Q(T′)}时,计算结果难以在多项式时间内完成。因此,本发明选用遗传算法完成***最大封存量模型的快速求解,如图2所示;具体步骤如下:
(1)确定个体编码方式。考虑到作为决策变量的规划决策时间单位为整数年;采用整数编码方式不仅可以满足计算要求,还能够大大降低运算速度。最终选择决策变量个体编码方式为整数编码。
(2)生成初始种群。初始种群采用生成方式生成;种群规模可根据源汇点数量适当调整。
(3)确定适应度函数。由于***总封存量目标函数为求最大值问题;因此,可直接将***目标函数Q(T′)作为适应度函数。然后将初始种群带入适应函数计算。
(4)算法操作过程。在完成适应度计算后,保留优秀个体,对其余个体进行交叉选择变异等操作,进而形成新一代种群。
(5)确定算法终止条件。不断重复(3)、(4)步骤。当目标函数取值为设定的***最大可能封存量,或者达到预设的迭代次数,算法终止。完成***最大封存量模型的快速求解后,得出i个源、j个汇的***规划决策时间矩阵T′。
步骤七:运用运筹学方法求解特定时刻具体源汇匹配方案
在完成***最大封存量求解后,将求解具体匹配方案任务转化为求解任意t时刻的产销平衡问题;从而实现任意时刻的具体源汇匹配方案。此时,通过***规划决策时间矩阵T′,可以获取给定时刻运行的源汇点;至此,具体源汇匹配问题已转化为产销不平衡条件下的运输问题,最终实现最低运输成本的求取。
导出所有源汇点规划决策时间表;根据表格画出调度甘特图。导出给定时刻具体源汇匹配方案。
实施例1
本实施例包含4个CO2源和2个CO2汇点;具体参数见表1。具体实施步骤如下:
步骤一:确定***输入参数。根据表1得到T=[40,30,25,20,50,10],S=[5,10,8,5,15,25];
表1CO2源汇属性数据
步骤二:确定***决策周期Tend。该步骤根据具体规划决策单位提供。取Tend=50年。
步骤三:将上述参数按图2流程,运用遗传算法进行运算。
最终得到以下结果:当T′=[0,0,25,30,0,25]时,能够获得785Mt的***最大封存量;此时,可得到对应的具体匹配方案如图3所示。
实施例2
本实施例包括8个CO2源和8个CO2汇点,预估的捕集/封存速率、运行寿命如表2所示,任意CO2源与CO2汇点之间的距离如表3所示。本实施例区别于实施例1在于,本实施例的源汇点数量显著增加,计算量显著提高。具体步骤如下:
表2CO2源汇封存能力参数
表3CO2源-CO2汇距离
步骤一:确定***输入参数。根据表2得到T=[25,25,50,20,25,40,25,40,30,30,20,50,10,10,10,50],S=[50,25,35,60,30,25,30,30,10,10,10,50,10,10,50,100]。
步骤二:确定***决策周期Tend。该步骤根据具体规划决策单位提供。取Tend=50年。
步骤三:将上述参数带入计算模型,按图2流程,运用遗传算法计算***实现最大封存量对应的规划决策时间T′。由于可实现最大封存量的匹配方案并不唯一,此处规划决策年解T′和具体匹配方案就不全部列出。然后将T′带入***CO2最大封存量目标函数,得出任意时刻的实际封存量;最终通过遗传算法求出***总封存量。当T′=[0,5,0,30,21,1,25,0,1,17,6,0,21,21,31,0]时,能够使得***获得85.25Mt的最大封存量;具体的匹配方案如图4所示。此时,所有源点捕集能力为85.25Mt,封存占比超过99%。
步骤四:运用遗传算法对建立的数学模型进行求解;此时模型的解集表示:以***满足最大封存量为前提的匹配方案。
随着二氧化碳源汇点数量增多,在满足***最大封存量前提下,运行周期内源汇点的运行状态随时间变化而变化;但固定时刻下运行状态是固定的。规划决策者仍然可根据给定时刻,计算出各个源汇点的一一对应匹配方案。
以第6~16年运行周期内确定的规划决策时间为例。期间,S1、S2、S3、S6、S8、Sk1、Sk3、Sk4、Sk8处于运行状态,且每个源汇点的运行状态均未改变,所以期间每年的运输匹配方案均相同。此时,问题就转化为“在***第6~16年内,包含5个CO2源和4个CO2汇点的静态产销不平衡问题”。然后将各参数代入***最低成本目标函数可以得到最终的低成本匹配方案,如图5所示。
基于同一发明构思,本申请实施例提供一种计算机设备,包括存储器、处理器,以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现前述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的步骤。
基于同一发明构思,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现前述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,其特征在于,包括如下步骤:
步骤1,确定所有CO2源点数量、所有CO2汇点数量、各CO2源点的工作寿命、各CO2汇点的工作寿命、各CO2源点年捕集能力以及各CO2汇点年封存能力;
步骤2,将各CO2源点和各CO2汇点的起始工作时间作为决策变量,将预设的***规划周期以及***规划周期内任意年份从任意CO2源点捕集并被封存于任意CO2汇点的CO2总量作为过程变量,将所有CO2源点和汇点中最先开始的起始工作时间作为***时间起点,建立***最大CO2封存量模型;
步骤3,利用遗传算法求解***最大CO2封存量模型,得到***规划周期内最大CO2封存量以及对应的各CO2源点和各CO2汇点的起始工作时间;
步骤4,基于***最大CO2封存量,确定***最低运输成本函数并进行求解,得到***规划周期内任意年份从任意CO2源点捕集并被封存于任意CO2汇点的CO2总量,即任意年份的具体源汇匹配方案。
2.根据权利要求1所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,其特征在于,所述步骤2中,预设的***规划周期的取值为所有CO2源点的工作寿命之和,或者所有CO2汇点的工作寿命之和;
***最大CO2封存量目标函数为:
其中,Tend为预设的***规划周期;t表示时间;i、j分别表示所有CO2源点、CO2汇点数量;
Sm表示第m个CO2源点的捕集能力,Sn表示第n个CO2汇点的封存能力,具体表达式如下:
amt为二元变量,表示第m个CO2源点在t时刻是否处于工作状态,处于工作状态时amt取1,否则取0;ant为二元变量,表示第n个CO2汇点在t时刻是否处于工作状态,处于工作状态时ant取1,否则取0;具体表达式如下:
其中,tm表示第m个CO2源点的起始工作时间,tn表示第n个CO2汇点的起始工作时间,Tm表示第m个CO2源点的工作寿命,Tn表示第n个CO2汇点的工作寿命。
3.根据权利要求2所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,其特征在于,所述步骤3中,利用遗传算法求解***最大CO2封存量模型时,采用整数编码方式对步骤2提出的决策变量进行编码,将***最大CO2封存量目标函数作为适应度函数,进行迭代求解,当目标函数值为预设的最大可能封存量或达到预设的迭代次数时,算法终止。
4.根据权利要求2所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法,其特征在于,所述步骤4中,***最大CO2封存量满足如下公式:
且第m个CO2源点的实际捕集量小于等于其捕集能力,第n个CO2汇点的实际封存量小于等于其封存能力,即:
***最低运输成本函数表示为:
其中,xmnt表示在第t年从第m个CO2源点捕集并被封存于第n个CO2汇点的CO2总量;lmn表示从第m个CO2源点到第n个CO2汇点的运输距离,单位km;cmn表示从第m个CO2源点到第n个CO2汇点的运输单价,默认值为1元/(t·km)。
5.一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的步骤。
6.一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至4任一项所述的基于CO2源汇属性与决策时间的全周期源汇匹配优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311365297.7A CN117669791A (zh) | 2023-10-20 | 2023-10-20 | 基于co2源汇属性与决策时间的全周期源汇匹配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311365297.7A CN117669791A (zh) | 2023-10-20 | 2023-10-20 | 基于co2源汇属性与决策时间的全周期源汇匹配优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669791A true CN117669791A (zh) | 2024-03-08 |
Family
ID=90075989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311365297.7A Pending CN117669791A (zh) | 2023-10-20 | 2023-10-20 | 基于co2源汇属性与决策时间的全周期源汇匹配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669791A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100283606A1 (en) * | 2009-05-08 | 2010-11-11 | Boris Tsypin | Building energy consumption analysis system |
CN104834823A (zh) * | 2015-05-18 | 2015-08-12 | 中国科学院地理科学与资源研究所 | 基于卫星-地基co2数据联合同化的碳源汇估测方法 |
CN112884274A (zh) * | 2021-01-11 | 2021-06-01 | 生态环境部环境规划院 | 一种基于排放网格的二氧化碳源-汇匹配方法及装置 |
CN115467709A (zh) * | 2022-07-25 | 2022-12-13 | 大连理工大学 | 一种二氧化碳源汇匹配方法及*** |
CN115619053A (zh) * | 2022-12-20 | 2023-01-17 | 湖南工商大学 | 一种多微网区域协同的碳排放质量优化方法 |
CN116411997A (zh) * | 2023-03-06 | 2023-07-11 | 大连理工大学 | 一种co2封存利用源汇匹配全流程评价装置 |
-
2023
- 2023-10-20 CN CN202311365297.7A patent/CN117669791A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100283606A1 (en) * | 2009-05-08 | 2010-11-11 | Boris Tsypin | Building energy consumption analysis system |
CN104834823A (zh) * | 2015-05-18 | 2015-08-12 | 中国科学院地理科学与资源研究所 | 基于卫星-地基co2数据联合同化的碳源汇估测方法 |
CN112884274A (zh) * | 2021-01-11 | 2021-06-01 | 生态环境部环境规划院 | 一种基于排放网格的二氧化碳源-汇匹配方法及装置 |
CN115467709A (zh) * | 2022-07-25 | 2022-12-13 | 大连理工大学 | 一种二氧化碳源汇匹配方法及*** |
CN115619053A (zh) * | 2022-12-20 | 2023-01-17 | 湖南工商大学 | 一种多微网区域协同的碳排放质量优化方法 |
CN116411997A (zh) * | 2023-03-06 | 2023-07-11 | 大连理工大学 | 一种co2封存利用源汇匹配全流程评价装置 |
Non-Patent Citations (5)
Title |
---|
JUI-YUAN LEE: "Comments on "Continuous-Time Optimization Model for Source- Sink Matching in Carbon Capture and Storage Systems"", 《INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH》, 23 August 2012 (2012-08-23) * |
孙亮;陈文颖;: "基于GAMS的CCS源汇匹配管网优化模型", 清华大学学报(自然科学版), no. 01, 15 January 2013 (2013-01-15) * |
孙亮;陈文颖;: "基于GAMS的CCUS源汇匹配动态规划模型", 清华大学学报(自然科学版), no. 04, 15 April 2013 (2013-04-15) * |
李小春;方志明;魏宁;白冰;: "我国CO_2捕集与封存的技术路线探讨", 岩土力学, no. 09, 10 September 2009 (2009-09-10) * |
李永;陈文颖;刘嘉;: "二氧化碳收集与封存的源汇匹配模型", 清华大学学报(自然科学版), no. 06, 15 June 2009 (2009-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590603B (zh) | 基于改进变邻域搜索和差分进化算法的调度方法及*** | |
CN103870647A (zh) | 一种基于遗传算法的作业车间调度建模的方法 | |
CN106779143A (zh) | 一种生产排产调度优化方法 | |
CN106897821A (zh) | 一种暂态评估特征选择方法及装置 | |
CN112200532B (zh) | 一种施工工期智能计算的方法及***、计算机可读介质 | |
CN110222880A (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN113191085B (zh) | 考虑工具变换能耗下的不完全拆卸线的设置方法 | |
CN109993382B (zh) | 快递员派送顺序推荐方法及*** | |
CN106548278A (zh) | 一种高标准基本农田建设项目区优选自动化计算方法 | |
CN104199820A (zh) | 云平台MapReduce工作流调度优化方法 | |
CN112100899A (zh) | 卷烟辅料调度的agv多线程作业全局优化方法 | |
CN106648839A (zh) | 数据处理的方法和装置 | |
CN117669791A (zh) | 基于co2源汇属性与决策时间的全周期源汇匹配优化方法 | |
CN113487276B (zh) | 一种电气装备制造生产过程协同管理平台 | |
CN106446338A (zh) | 基于Revit平台的算量处理方法和装置 | |
CN112150059B (zh) | 一种基于乌鸦算法的计量器具智能仓库调度优化方法 | |
CN101894063B (zh) | 一种用于微处理器功能验证的测试程序生成方法及装置 | |
CN111489035B (zh) | 一种基于机器学习与回溯法结合的模具组合分配方法 | |
CN115994612A (zh) | 基于业扩规划的配电网运行优化方法、装置及存储介质 | |
CN115906232A (zh) | 基于bim和工程量清单的建筑物建造过程碳排量计算方法 | |
CN104991531A (zh) | 一种确定钢铁企业副产煤气***优化调度可行解的方法 | |
CN111563699B (zh) | 考虑灵活性需求的电力***分布鲁棒实时调度方法及*** | |
CN107122849A (zh) | 基于SparkR的产品检测总完工时间极小化方法 | |
CN107292049A (zh) | 一种基于icd数据流的仿真***设计方法 | |
CN103955541B (zh) | 一种基于acad的异源异构数据的整合***及其工作方法 |
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 |