CN107464008A - 一种大型楼宇冷热电联供系统的优化调度方法 - Google Patents

一种大型楼宇冷热电联供系统的优化调度方法 Download PDF

Info

Publication number
CN107464008A
CN107464008A CN201610384245.8A CN201610384245A CN107464008A CN 107464008 A CN107464008 A CN 107464008A CN 201610384245 A CN201610384245 A CN 201610384245A CN 107464008 A CN107464008 A CN 107464008A
Authority
CN
China
Prior art keywords
mrow
msubsup
power
msub
heating
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
Application number
CN201610384245.8A
Other languages
English (en)
Inventor
陈鸿亮
张俊芳
解坤
齐浩宇
王惟怡
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201610384245.8A priority Critical patent/CN107464008A/zh
Publication of CN107464008A publication Critical patent/CN107464008A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Engine Equipment That Uses Special Cycles (AREA)

Abstract

本发明提出一种大型楼宇冷热电联供系统的优化调度方法，针对楼宇建筑冷负荷、热负荷、电负荷多种负荷利用的特点，综合考虑燃汽轮机、燃汽锅炉、余热吸收式冷温水机以及电制冷机多类供能设备的特点，结合燃气冷热电联供系统的运行特性，建立大型楼宇冷热电联供系统的优化调度模型，并利用改进的粒子群算法求解优化调度模型得到日前优化调度出力曲线，推动大型楼宇冷热电联供系统的优化管理。本发明对大型楼宇冷热电联供系统的日前调度安排进行优化计算，实现能源的最优化利用。

Description

一种大型楼宇冷热电联供系统的优化调度方法
技术领域
本发明属于电力调度技术领域，特别涉及一种大型楼宇冷热电联供系统的优化调度方法。
背景技术
随着生产力的高速发展，能源匮乏问题和环境污染问题日益突出，如何提升能效与环保已成为一大热点问题。分布式冷热电联供系统以清洁的天然气作为能量源，具备低排放的环保特性。此外通过对不同品质能量的阶梯级利用，使一次能源的利用效率提升至90％，是同时实现能效提升与排放降低的有效途径。
近年来，随着大型楼宇建筑的迅猛发展以及城市天然气管网的全面铺设，为楼宇型冷热电联供系统(Buildings Cooling Heating and Power systems，BCHP)的推广与应用提供了条件。大型楼宇建筑的用能通常涵盖了冷、热、电三类负荷，且据调查，通常大型公共机构建筑用电中约50％来自于空调系统，从而造成在夏季空调使用高峰期间，电力公司往往会出现供电紧张的局面。因此，合理地在大型楼宇建筑中应用BCHP，一方面能够响应国家节能减排的号召，另一方面可减少电力公司用电高峰时的供电压力，此外BCHP还可充当楼宇建筑的备用电源，在紧急情况下保证重要负荷不中断。针对楼宇建筑各类负荷的用能特性，如何合理地对BCHP进行能量调度分配，是充分发挥BCHP优势的关键性问题。
发明内容
针对现有技术的不足，本发明提出一种大型楼宇冷热电联供系统的优化调度方法，综合考虑了燃汽轮机、燃汽锅炉、余热吸收式冷温水机以及电制冷机多类供能设备的特点，结合用户冷热电多种负荷的利用特性，对大型楼宇冷热电联供系统的日前调度安排进行优化计算，实现能源的最优化利用。
为了解决上述技术问题，本发明提供一种大型楼宇冷热电联供系统的优化调度方法，使用粒子群算法求解多目标优化调度模型，获得冷热电联供系统的日前优化调度出力曲线；所述多目标优化调度模型包括优化调度目标函数、设备运行特性方程以及能量约束条件；
(1)所述优化调度目标函数为：
minC＝Crun+Com+Cdis
其中，Crun为购电购气成本、Com为系统运行维护成本、Cdis为污染排放成本；为分时电价；fgas为商用天然气价格；为燃气轮机逐时耗气量；为燃气锅炉逐时耗气量；为逐时购买电量；ξ为设备单位输出功率的运行维护成本；分别为二氧化碳、二氧化硫、氮氧化合物的排放税收；分别为电网供电/消耗天然气时二氧化碳、二氧化硫、氮氧化合物的排放系数；
(2)所述设备包括燃气轮机、余热吸收式冷温水机组、燃气锅炉以及电制冷机，相应的运行特性方程为：
燃气轮机的运行特性方程：
其中，Pgt为燃气轮机发电功率；Qgt为燃气轮机可利用的余热功率；PFgt为燃气轮机额定发电功率；Hgt为输入天然气流量；λ为天然气低热热值能量转化系数；npgt为燃气轮机发电效率；nqgt为燃气轮机余热转化效率；αgt为燃气轮机最低负荷率；βgt为燃气轮机爬坡约束系数；和分别为燃气轮机在t-1时刻的出力以及下一时刻t的发电功率；
余热吸收式冷温水机组运行特性方程：
供冷工态：
供热工态：
其中，Qrc为吸收机制冷功率；COPrc为吸收机制冷性能系数；为用于制冷的余热功率；QFrc为制冷的额定功率；Qrh为吸收机制热功率；COPrh为吸收机制热性能系数；为用于制热的余热功率；QFrh为制热的额定功率；
燃气锅炉运行特性方程：
其中，Qbg为燃气锅炉供热功率；nbg为燃气锅炉效率；Hbg为燃气锅炉输入的燃气流量；λ为天然气低热热值能量转化系数；QFbg为燃气锅炉额定制热功率；
电制冷机运行特性方程：
其中，Qe为电制冷机制冷功率；COPe为电制冷机制冷性能系数；Pe为电制冷机耗电功率；QFe为电制冷机额定制冷功率；
(3)所述能量约束条件为能流平衡方程，包括电负荷平衡方程、热负荷平衡方程、冷负荷能平衡方程、以及余热平衡方程：
电负荷平衡方程：Pgrid+Pgt＝Pcl+Pe
其中，Pcl为建筑电负荷需求；Pgrid为电网购买电量；Pe为电制冷耗电量；Pgt为燃气轮机发电量；
热负荷平衡方程：Qclh＝Qrh+Qbg
其中，Qclh为建筑热负荷需求量；Qrh为余热吸收式冷温水机组供热量；Qbg为燃气锅炉供热量；
冷负荷平衡方程：Qclc＝Qrc+Qe
其中，Qclc为建筑冷负荷需求量；Qrc为余热吸收式冷温水机组制冷量；Qe为电制冷机制冷量；
余热平衡方程：
其中，Qgt为燃气轮机可利用的高温余热；为用于制冷的余热量；为用于制热的余热量。
进一步，使用粒子群算法求解多目标优化调度模型的方法为：
2.1设置粒子群算法参数：以每一时段中的燃气轮机、余热吸收式冷温水机组、燃气锅炉、电制冷机各自的出力作为变量，确定如下粒子的编码方式：
其中，向量表示粒子i第k代的位置，向量中的分别表示第t时段中燃气轮机的发电功率、余热吸收式冷温水机组的制冷功率、余热吸收式冷温水机组的制热功率、燃气锅炉的制热功率、电制冷机的制冷功率；向量表示粒子i第k代的速度，向量中的分别表示相应设备出力的速度；
同时设置种群规模、最大迭代次数、惯性权重系数、学习因子；
2.2随机生成初始种群；
2.3更新粒子位置和速度：由种群的最优位置gbest以及粒子i的最优位置pbest,i，依据下式更新粒子i第k+1代的位置和速度：
其中，w为惯性权重系数；c1和c2均为加速因子；rand(0,1)表示介于[0,1]之间的随机数；
粒子位置和速度更新后，对粒子位置和速度中的越限变量进行约束：
其中，xmin、xmax、vmin、vmax分别表示粒子位置和速度中变量的上下限值；
2.4依据日前优化调度目标函数计算粒子的适应度值并更新最优解；
2.5判断是否满足迭代结束条件，若满足则输出最优解，否则转2.3继续迭代。
进一步，迭代后期，对惯性权重系数w和加速因子c1和c2做如下改进：
c1＝c11-(c11-c12)×k/kmax
c2＝c21-(c21-c22)×k/kmax
其中，wmax为最大权重系数；wmin为最小权重系数；c11、c12为加速因子c1的初始值及最终值；c21、c22为加速因子c2的初始值及最终值；k为当前迭代次数；kmax为最大迭代次数。
进一步，冷、热和电三类能源均以千瓦作为计量单位。
本发明与现有技术相比，其显著优点在于：(1)本发明利用不同类型能源的能量转化关系，在进行冷热电负荷统计时以千瓦为单位，统一了优化调度计算过程中的量纲，推动多类型能源的综合优化调度管理；(2)本发明对楼宇冷热电联供系统中多种供能设备的运行特性进行建模，综合多种供能设备的能源利用特性，实现不同品质能量的阶梯级利用，从而最大化利用一次能源；(3)本发明所建立的冷热电联供系统优化调度模型，实现了系统中多种供能设备的优化运行，充分发挥楼宇型冷热电联供系统在经济性、环保性以及节能性上的优势；(4)本发明针对冷热电联供系统优化调度模型的特点，对常规粒子群算法进行了改进，提升了算法的收敛速度和计算精度，充分发挥粒子群算法在求解优化问题上的优势。
附图说明
图1为本发明大型楼宇冷热电联供系统优化调度方法的应用流程图。
图2为本发明应用的典型大型楼宇冷热电联供系统耦合配置示意图。
图3为本发明具体实施例中的楼宇日前冷热电负荷预测曲线示意图。
图4为本发明使用改进粒子群算法求解大型楼宇冷热电联供系统优化调度问题的流程图。
图5为本发明具体实施例中计算所得的日前调度计划中电功率出力安排图。
图6为本发明具体实施例中计算所得的日前调度计划中热功率出力安排图。
图7为本发明具体实施例中计算所得的日前调度计划中冷功率出力安排图。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明带内置电源和控制功能的无刷直流电机的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合图1，本发明所述基于改进粒子群算法的大型楼宇冷热电联供系统的优化调度方法，步骤如下：
(1)确定楼宇冷热电联供系统的设备类型及相应的特性参数；
(2)建立多目标优化调度模型；
(3)输入日前负荷逐时预测值；
(4)基于改进的粒子群算法求解优化调度模型；
(5)输出冷热电联供系统的日前优化调度出力曲线。
步骤(1)综合考虑了大型楼宇冷热电联供系统中多种设备的运行特性，所述的大型楼宇冷热电联供系统的常用设备包含燃气轮机、余热吸收式冷温水机组、燃气锅炉以及电制冷机，相应的运行特性参数方程如下：
燃气轮机的运行特性参数方程：
其中，Pgt为燃气轮机发电功率(kW)；Qgt为燃气轮机可利用的余热功率(kW)；PFgt为燃气轮机额定发电功率(kW)；Hgt为输入天然气流量(m3/h)；λ为天然气低热热值能量转化系数(kW·h/m3)；npgt为燃气轮机发电效率；nqgt为燃气轮机余热转化效率；αgt为燃气轮机最低负荷率；βgt为燃气轮机爬坡约束系数；和分别为燃气轮机在t-1时刻的出力、其下一时刻t的发电功率。
余热吸收式冷温水机组运行特性参数方程：
供冷工态：
供热工态：
其中，Qrc为吸收机制冷功率(kW)；COPrc为吸收机制冷性能系数；为用于制冷的余热功率(kW)；QFrc为制冷的额定功率(kW)；Qrh为吸收机制热功率(kW)；COPrh为吸收机制热性能系数；为用于制热的余热功率(kW)；QFrh为制热的额定功率(kW)。
燃气锅炉运行特性参数方程：
其中，Qbg为燃气锅炉供热功率(kW)；nbg为燃气锅炉效率；Hbg为燃气锅炉输入的燃气流量(m3/h)；λ为天然气低热热值能量转化系数(kW·h/m3)；QFbg为燃气锅炉额定制热功率(kW)。
电制冷机运行特性参数方程：
其中，Qe为电制冷机制冷功率(kW)；COPe为电制冷机制冷性能系数；Pe为电制冷机耗电功率(kW)；QFe为电制冷机额定制冷功率(kW)。
步骤(2)中楼宇冷热电联供系统的优化调度目标包括经济性最优以及污染排放最低；所建立的优化调度模型由三部分组成，分别为多目标优化调度目标函数、设备运行特性参数方程以及其约束条件。
所述优化调度目标函数如下：
以购电购气成本Crun、系统运行维护成本Com以及污染排放成本Cdis最低作为优化调度目标，优化调度目标函数为：
minC＝Crun+Com+Cdis
其中，为分时电价(元/kW·h)；fgas为商用天然气价格(元/m3)；为燃气轮机逐时耗气量(m3)；为燃气锅炉逐时耗气量(m3)；为逐时购买电量(kW·h)；ξ为各类设备单位输出功率的运行维护成本(元/kW·h)；分别为二氧化碳、二氧化硫、氮氧化合物的排放税收(元/kg)；分别为电网供电/消耗天然气时二氧化碳、二氧化硫、氮氧化合物的排放系数(电网供电：kg/kW·h，消耗天然气：kg/m3)。
所述约束条件即为能流平衡方程，大型楼宇冷热电联供系统的能流平衡方程主要包含电负荷平衡方程、热负荷平衡方程、冷负荷能平衡方程、以及余热平衡方程：
(1)电负荷平衡方程：
Pgrid+Pgt＝Pcl+Pe
其中，Pcl为建筑电负荷需求；Pgrid为电网购买电量；Pe为电制冷耗电量；Pgt为燃气轮机发电量。
(2)热负荷平衡方程：
Qclh＝Qrh+Qbg
其中，Qclh为建筑热负荷需求量；Qrh为余热吸收式冷温水机组供热量；Qbg为燃气锅炉供热量。
(3)冷负荷平衡方程
Qclc＝Qrc+Qe
其中，Qclc为建筑冷负荷需求量；Qrc为余热吸收式冷温水机组制冷量；Qe为电制冷机制冷量。
(4)余热平衡方程
其中，Qgt为燃气轮机可利用的高温余热；为用于制冷的余热量；为用于制热的余热量。
步骤(3)所述的日前负荷逐时预测值，具体包括楼宇建筑的冷、热、电三类用能负荷，依据楼宇建筑的类型，结合历史用能数据以及日前用能计划安排，确定楼宇建筑的日前负荷预测曲线，将负荷预测曲线作为优化调度模型的输入条件。
步骤(4)所述的基于改进的粒子群算法求解优化调度模型，具体步骤包括：
1)设置粒子群算法参数；
以每一时刻中的燃气轮机、余热吸收式冷温水机组、燃气锅炉、电制冷机的出力作为变量，确定粒子的编码方式：
其中，向量表示粒子i第k代的位置信息，向量中的分别表示第t时段中燃气轮机的发电功率、余热吸收式冷温水机组的制冷功率、余热吸收式冷温水机组的制热功率、燃气锅炉的制热功率、电制冷机的制冷功率，t取1至24共24个时段；向量表示粒子i第k代的速度信息，向量中的分别表示相应设备出力的速度信息，t取1至24共24个时段。此外还需设置的参数包括种群的规模、最大迭代次数、惯性权重系数、学习因子等。
2)随机生成初始种群；
3)更新粒子位置和速度；
由种群的最优位置gbest以及粒子i的最优位置pbest,i，依据下式更新粒子i第k+1代的位置和速度信息：
其中，w：惯性权重系数；c1、c2：加速因子；rand(0,1)：介于[0,1]之间的随机数。
更新后，对粒子位置和速度信息中的越限变量进行约束：
其中，xmin、xmax、vmin、vmax：粒子位置信息和速度信息中变量的上下限值。
为了提高粒子群算法的计算效率，本发明在迭代前期中增强粒子的全局搜索能力，迭代后期中提升粒子趋于收敛的能力，对w、c1、c2改进如下：
c1＝c11-(c11-c12)×k/kmax
c2＝c21-(c21-c22)×k/kmax
其中，wmax为最大权重系数；wmin为最小权重系数；c11、c12：c1的初始值及最终值；c21、c22：c2的初始值及最终值；k：当前迭代数；kmax：最大迭代次数。
本发明针对粒子群算法的惯性权重系数以及学习因子进行改进，提升粒子群算法的收敛速度及计算精度，更加有效地求解优化调度模型。
4)依据日前优化调度目标函数计算粒子的适应度值并更新最优解；
5)评价是否满足迭代结束条件；
迭代结束条件设定为满足收敛条件或达到最大进化代数，若满足则输出结果，否则转第三步继续迭代过程，此处收敛条件设定为在N次迭代内，若种群的最优位置gbest没有发生变化则认为种群收敛，停止迭代过程并输出最优解。
步骤(5)所述的输出冷热电联供系统的日前优化调度出力曲线，具体包括系统中相应供能设备的电功率出力曲线图、热功率出力曲线图、以及冷功率出力曲线图。
本发明提针对楼宇建筑冷热电多种负荷的利用特性，结合燃气冷热电联供系统的运行特性及优化调度目标，利用改进粒子群算法求解冷热电联供系统的日前调度计划，推动大型楼宇冷热电联供系统的优化调度管理。
实施例
本实施例的具体思路为，选择需优化的大型楼宇冷热电联供系统的耦合配置形式，如图2所示；依据设备特性参数及待优化目标建立优化调度模型；以某典型办公建筑的夏季日前负荷预测曲线作为模型的输入量，如图3所示；结合当地电价以及天然气价格，基于改进粒子群算法对优化调度模型进行求解，求解流程如图4所示。本实施例具体实施参数如下表1至表4所示，在能源间的等值计算中，天然气燃料低热热值能量转换系数取λ＝9.77kW·h/m3。
表1 大型楼宇冷热电联供系统设备参数
表2 分时电价及燃气价格
表3 污染气体排放成本参数
表4 粒子群算法设定参数
本实施例最终得到系统中各类设备在日前调度计划中的逐时出力曲线图，分别如图5、图6、图7所示，依据本发明提出一种大型楼宇冷热电联供系统的优化调度方法，根据楼宇的日前负荷预测曲线，结合当地的分时电价及天然气价格，确定大型楼宇冷热电联供系统的最优运行方式，进一步实现能源的优化利用，可实现大型楼宇冷热电联供系统的优化调度管理。
结合上述实施例，本发明针对大型楼宇建筑中冷热电多元能源利用的特点，综合考虑BCHP中多种设备的运行特性，建立BCHP优化调度模型，将楼宇的日前负荷预测曲线作为输入量，利用改进的粒子群算法求解BCHP的日前优化调度出力曲线，实现BCHP在大型楼宇建筑中的合理利用。

Claims (4)

1.一种大型楼宇冷热电联供系统的优化调度方法，其特征在于，使用粒子群算法求解多目标优化调度模型，获得冷热电联供系统的日前优化调度出力曲线；所述多目标优化调度模型包括优化调度目标函数、设备运行特性方程以及能量约束条件；
(1)所述优化调度目标函数为：
minC＝Crun+Com+Cdis
<mrow> <msub> <mi>C</mi> <mrow> <mi>r</mi> <mi>u</mi> <mi>n</mi> </mrow> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mi>t</mi> <mn>24</mn> </munderover> <mo>&amp;lsqb;</mo> <msubsup> <mi>f</mi> <mrow> <mi>e</mi> <mi>l</mi> <mi>e</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>f</mi> <mrow> <mi>g</mi> <mi>a</mi> <mi>s</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msubsup> <mi>H</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>H</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow>
<mrow> <msub> <mi>C</mi> <mrow> <mi>o</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mi>t</mi> <mn>24</mn> </munderover> <mrow> <mo>(</mo> <msub> <mi>&amp;xi;</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> </msub> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mrow> <mi>r</mi> <mi>c</mi> </mrow> </msub> <msubsup> <mi>Q</mi> <mrow> <mi>r</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mrow> <mi>r</mi> <mi>h</mi> </mrow> </msub> <msubsup> <mi>Q</mi> <mrow> <mi>r</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> </msub> <msubsup> <mi>Q</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;xi;</mi> <mi>e</mi> </msub> <msubsup> <mi>Q</mi> <mi>e</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
其中，Crun为购电购气成本、Com为系统运行维护成本、Cdis为污染排放成本；为分时电价；fgas为商用天然气价格；为燃气轮机逐时耗气量；为燃气锅炉逐时耗气量；为逐时购买电量；ξ为设备单位输出功率的运行维护成本；分别为二氧化碳、二氧化硫、氮氧化合物的排放税收；分别为电网供电/消耗天然气时二氧化碳、二氧化硫、氮氧化合物的排放系数；
(2)所述设备包括燃气轮机、余热吸收式冷温水机组、燃气锅炉以及电制冷机，相应的运行特性方程为：
燃气轮机的运行特性方程：
其中，Pgt为燃气轮机发电功率；Qgt为燃气轮机可利用的余热功率；PFgt为燃气轮机额定发电功率；Hgt为输入天然气流量；λ为天然气低热热值能量转化系数；npgt为燃气轮机发电效率；nqgt为燃气轮机余热转化效率；αgt为燃气轮机最低负荷率；βgt为燃气轮机爬坡约束系数；和分别为燃气轮机在t-1时刻的出力以及下一时刻t的发电功率；
余热吸收式冷温水机组运行特性方程：
供冷工态：
供热工态：
其中，Qrc为吸收机制冷功率；COPrc为吸收机制冷性能系数；为用于制冷的余热功率；QFrc为制冷的额定功率；Qrh为吸收机制热功率；COPrh为吸收机制热性能系数；为用于制热的余热功率；QFrh为制热的额定功率；
燃气锅炉运行特性方程：
其中，Qbg为燃气锅炉供热功率；nbg为燃气锅炉效率；Hbg为燃气锅炉输入的燃气流量；λ为天然气低热热值能量转化系数；QFbg为燃气锅炉额定制热功率；
电制冷机运行特性方程：
其中，Qe为电制冷机制冷功率；COPe为电制冷机制冷性能系数；Pe为电制冷机耗电功率；QFe为电制冷机额定制冷功率；
(3)所述能量约束条件为能流平衡方程，包括电负荷平衡方程、热负荷平衡方程、冷负荷能平衡方程、以及余热平衡方程：
电负荷平衡方程：Pgrid+Pgt＝Pcl+Pe
其中，Pcl为建筑电负荷需求；Pgrid为电网购买电量；Pe为电制冷耗电量；Pgt为燃气轮机发电量；
热负荷平衡方程：Qclh＝Qrh+Qbg
其中，Qclh为建筑热负荷需求量；Qrh为余热吸收式冷温水机组供热量；Qbg为燃气锅炉供热量；
冷负荷平衡方程：Qclc＝Qrc+Qe
其中，Qclc为建筑冷负荷需求量；Qrc为余热吸收式冷温水机组制冷量；Qe为电制冷机制冷量；
余热平衡方程：
其中，Qgt为燃气轮机可利用的高温余热；为用于制冷的余热量；为用于制热的余热量。
2.如权利要求1所述大型楼宇冷热电联供系统的优化调度方法，其特征在于，使用粒子群算法求解多目标优化调度模型的方法为：
2.1 设置粒子群算法参数：以每一时段中的燃气轮机、余热吸收式冷温水机组、燃气锅炉、电制冷机各自的出力作为变量，确定如下粒子的编码方式：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mi>k</mi> </msubsup> <mo>=</mo> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>Q</mi> <mrow> <mi>r</mi> <mi>c</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>Q</mi> <mrow> <mi>r</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>Q</mi> <mrow> <mi>r</mi> <mi>h</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>Q</mi> <mrow> <mi>r</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>Q</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>Q</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>Q</mi> <mi>e</mi> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>Q</mi> <mi>e</mi> <mi>t</mi> </msubsup> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mi>k</mi> </msubsup> <mo>=</mo> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msubsup> <mi>v</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>v</mi> <mrow> <mi>g</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>v</mi> <mrow> <mi>r</mi> <mi>c</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>v</mi> <mrow> <mi>r</mi> <mi>c</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>v</mi> <mrow> <mi>r</mi> <mi>h</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>v</mi> <mrow> <mi>r</mi> <mi>h</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>v</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>v</mi> <mrow> <mi>b</mi> <mi>g</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msubsup> <mi>v</mi> <mi>e</mi> <mn>1</mn> </msubsup> <mo>...</mo> <msubsup> <mi>v</mi> <mi>e</mi> <mi>t</mi> </msubsup> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，向量表示粒子i第k代的位置，向量中的分别表示第t时段中燃气轮机的发电功率、余热吸收式冷温水机组的制冷功率、余热吸收式冷温水机组的制热功率、燃气锅炉的制热功率、电制冷机的制冷功率；向量表示粒子i第k代的速度，向量中的分别表示相应设备出力的速度；
同时设置种群规模、最大迭代次数、惯性权重系数、学习因子；
2.2 随机生成初始种群；
2.3 更新粒子位置和速度：由种群的最优位置gbest以及粒子i的最优位置pbest,i，依据下式更新粒子i第k+1代的位置和速度：
<mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>wv</mi> <mi>i</mi> <mi>k</mi> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mo>&amp;CenterDot;</mo> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msubsup> <mi>p</mi> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mi>i</mi> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msubsup> <mi>g</mi> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mi>i</mi> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>x</mi> <mi>i</mi> <mi>k</mi> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> </mrow>
其中，w为惯性权重系数；c1和c2均为加速因子；rand(0,1)表示介于[0,1]之间的随机数；
粒子位置和速度更新后，对粒子位置和速度中的越限变量进行约束：
其中，xmin、xmax、vmin、vmax分别表示粒子位置和速度中变量的上下限值；
2.4 依据日前优化调度目标函数计算粒子的适应度值并更新最优解；
2.5 判断是否满足迭代结束条件，若满足则输出最优解，否则转2.3继续迭代。
3.如权利要求2所述大型楼宇冷热电联供系统的优化调度方法，其特征在于，迭代后期，对惯性权重系数w和加速因子c1和c2做如下改进：
<mrow> <mi>w</mi> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>w</mi> <mi>min</mi> </msub> </mrow> <msub> <mi>k</mi> <mi>max</mi> </msub> </mfrac> <mo>&amp;CenterDot;</mo> <mi>k</mi> </mrow>
c1＝c11-(c11-c12)×k/kmax
c2＝c21-(c21-c22)×k/kmax
其中，wmax为最大权重系数；wmin为最小权重系数；c11、c12为加速因子c1的初始值及最终值；c21、c22为加速因子c2的初始值及最终值；k为当前迭代次数；kmax为最大迭代次数。
4.如权利要求2所述大型楼宇冷热电联供系统的优化调度方法，其特征在于，冷、热和电三类能源均以千瓦作为计量单位。
CN201610384245.8A 2016-06-02 2016-06-02 一种大型楼宇冷热电联供系统的优化调度方法 Pending CN107464008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610384245.8A CN107464008A (zh) 2016-06-02 2016-06-02 一种大型楼宇冷热电联供系统的优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610384245.8A CN107464008A (zh) 2016-06-02 2016-06-02 一种大型楼宇冷热电联供系统的优化调度方法

Publications (1)

Publication Number Publication Date
CN107464008A true CN107464008A (zh) 2017-12-12

Family

ID=60545324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610384245.8A Pending CN107464008A (zh) 2016-06-02 2016-06-02 一种大型楼宇冷热电联供系统的优化调度方法

Country Status (1)

Country Link
CN (1) CN107464008A (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596525A (zh) * 2018-06-29 2018-09-28 国家电网有限公司 冷热电气多能互补的微能源网鲁棒优化调度方法
CN109146182A (zh) * 2018-08-24 2019-01-04 南京理工大学 计及多种储能的分布式冷热电联供系统的经济调度方法
CN109245093A (zh) * 2018-09-28 2019-01-18 上海电力学院 一种冷热电联供分布式能源站协同优化调度方法
CN109471362A (zh) * 2018-12-18 2019-03-15 东北大学 一种冷热电联产优化系统及方法
CN109523137A (zh) * 2018-10-29 2019-03-26 天津大学 考虑楼宇热负荷需求响应的园区综合能源优化调度方法
CN109657974A (zh) * 2018-12-19 2019-04-19 上海发电设备成套设计研究院有限责任公司 一种分布式能源项目全年主要技术指标计算方法
CN109740899A (zh) * 2018-12-25 2019-05-10 国网浙江省电力有限公司电力科学研究院 一种考虑主动配电网的楼宇集群多阶段优化调度方法
CN110188993A (zh) * 2019-04-29 2019-08-30 华中科技大学 一种多用户公寓楼宇的可持续多能源调度配给方法及系统
CN110225075A (zh) * 2019-03-25 2019-09-10 北京快电科技有限公司 一种建筑能源互联网智慧运营云操作系统
CN110232481A (zh) * 2019-06-17 2019-09-13 重庆仲澜科技有限公司 基于mqpso的天然气管网多目标优化调度方法
CN110376897A (zh) * 2019-08-02 2019-10-25 西安建筑科技大学 一种基于ga-bfo的家庭能量多目标优化方法
CN110503241A (zh) * 2019-07-24 2019-11-26 清华大学 冷-热-电综合能源系统的多目标优化方法
CN110535124A (zh) * 2019-08-29 2019-12-03 中国海洋石油集团有限公司 考虑负荷预测的海上综合能源系统日前多目标调度方法
CN110543702A (zh) * 2019-08-16 2019-12-06 上海电力大学 一种内燃机-溴化锂冷热电联供系统的建模方法
CN110645098A (zh) * 2019-09-26 2020-01-03 东北大学 一种含二氧化碳储能的区域综合能源系统及其运行方法
CN110648252A (zh) * 2019-09-26 2020-01-03 云南电网有限责任公司电力科学研究院 基于柔性动态热平衡的建筑物热电调度方法
CN111649457A (zh) * 2020-05-13 2020-09-11 中国科学院广州能源研究所 一种动态预测性机器学习型空调节能控制方法
CN112419087A (zh) * 2020-11-20 2021-02-26 国网江苏省电力有限公司南京供电分公司 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法
CN113031447A (zh) * 2021-03-15 2021-06-25 上海电气集团股份有限公司 冷热电三联供系统中设备的配置方法、系统、设备和介质
CN113255198A (zh) * 2021-03-25 2021-08-13 上海电机学院 一种含虚拟储能的冷热电联供微电网多目标优化方法
CN113256137A (zh) * 2021-06-03 2021-08-13 浙江浙能技术研究院有限公司 一种工业园能源系统的分时售能的时段划分方法
CN113449900A (zh) * 2021-01-27 2021-09-28 国网山东省电力公司济南供电公司 一种面向终端用户的综合能源优化方法及系统
CN114243759A (zh) * 2021-11-17 2022-03-25 淮阴工学院 一种冷热电联产系统及冷热电负荷调度方法
CN115906488A (zh) * 2022-11-25 2023-04-04 国网江苏省电力有限公司电力科学研究院 一种用于楼宇综合能源系统的优化调度方法

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596525A (zh) * 2018-06-29 2018-09-28 国家电网有限公司 冷热电气多能互补的微能源网鲁棒优化调度方法
CN108596525B (zh) * 2018-06-29 2022-07-22 国家电网有限公司 冷热电气多能互补的微能源网鲁棒优化调度方法
CN109146182A (zh) * 2018-08-24 2019-01-04 南京理工大学 计及多种储能的分布式冷热电联供系统的经济调度方法
CN109245093A (zh) * 2018-09-28 2019-01-18 上海电力学院 一种冷热电联供分布式能源站协同优化调度方法
CN109523137A (zh) * 2018-10-29 2019-03-26 天津大学 考虑楼宇热负荷需求响应的园区综合能源优化调度方法
CN109523137B (zh) * 2018-10-29 2022-11-04 天津大学 考虑楼宇热负荷需求响应的园区综合能源优化调度方法
CN109471362A (zh) * 2018-12-18 2019-03-15 东北大学 一种冷热电联产优化系统及方法
CN109657974B (zh) * 2018-12-19 2023-05-02 上海发电设备成套设计研究院有限责任公司 一种分布式能源项目全年主要技术指标计算方法
CN109657974A (zh) * 2018-12-19 2019-04-19 上海发电设备成套设计研究院有限责任公司 一种分布式能源项目全年主要技术指标计算方法
CN109740899A (zh) * 2018-12-25 2019-05-10 国网浙江省电力有限公司电力科学研究院 一种考虑主动配电网的楼宇集群多阶段优化调度方法
CN110225075A (zh) * 2019-03-25 2019-09-10 北京快电科技有限公司 一种建筑能源互联网智慧运营云操作系统
CN110188993A (zh) * 2019-04-29 2019-08-30 华中科技大学 一种多用户公寓楼宇的可持续多能源调度配给方法及系统
CN110188993B (zh) * 2019-04-29 2021-08-03 华中科技大学 一种多用户公寓楼宇的可持续多能源调度配给方法及系统
CN110232481A (zh) * 2019-06-17 2019-09-13 重庆仲澜科技有限公司 基于mqpso的天然气管网多目标优化调度方法
CN110232481B (zh) * 2019-06-17 2023-02-14 重庆仲澜科技有限公司 基于mqpso的天然气管网多目标优化调度方法
CN110503241B (zh) * 2019-07-24 2022-07-08 清华大学 冷-热-电综合能源系统的多目标优化方法
CN110503241A (zh) * 2019-07-24 2019-11-26 清华大学 冷-热-电综合能源系统的多目标优化方法
CN110376897B (zh) * 2019-08-02 2022-04-19 西安建筑科技大学 一种基于ga-bfo的家庭能量多目标优化方法
CN110376897A (zh) * 2019-08-02 2019-10-25 西安建筑科技大学 一种基于ga-bfo的家庭能量多目标优化方法
CN110543702B (zh) * 2019-08-16 2022-12-16 上海电力大学 一种内燃机-溴化锂冷热电联供系统的建模方法
CN110543702A (zh) * 2019-08-16 2019-12-06 上海电力大学 一种内燃机-溴化锂冷热电联供系统的建模方法
CN110535124A (zh) * 2019-08-29 2019-12-03 中国海洋石油集团有限公司 考虑负荷预测的海上综合能源系统日前多目标调度方法
CN110645098B (zh) * 2019-09-26 2021-11-30 东北大学 一种含二氧化碳储能的区域综合能源系统的运行方法
CN110648252A (zh) * 2019-09-26 2020-01-03 云南电网有限责任公司电力科学研究院 基于柔性动态热平衡的建筑物热电调度方法
CN110645098A (zh) * 2019-09-26 2020-01-03 东北大学 一种含二氧化碳储能的区域综合能源系统及其运行方法
CN111649457A (zh) * 2020-05-13 2020-09-11 中国科学院广州能源研究所 一种动态预测性机器学习型空调节能控制方法
CN112419087B (zh) * 2020-11-20 2022-10-04 国网江苏省电力有限公司南京供电分公司 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法
CN112419087A (zh) * 2020-11-20 2021-02-26 国网江苏省电力有限公司南京供电分公司 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法
CN113449900A (zh) * 2021-01-27 2021-09-28 国网山东省电力公司济南供电公司 一种面向终端用户的综合能源优化方法及系统
CN113031447A (zh) * 2021-03-15 2021-06-25 上海电气集团股份有限公司 冷热电三联供系统中设备的配置方法、系统、设备和介质
CN113255198A (zh) * 2021-03-25 2021-08-13 上海电机学院 一种含虚拟储能的冷热电联供微电网多目标优化方法
CN113256137B (zh) * 2021-06-03 2021-11-02 浙江浙能技术研究院有限公司 一种工业园能源系统的分时售能的时段划分方法
CN113256137A (zh) * 2021-06-03 2021-08-13 浙江浙能技术研究院有限公司 一种工业园能源系统的分时售能的时段划分方法
CN114243759A (zh) * 2021-11-17 2022-03-25 淮阴工学院 一种冷热电联产系统及冷热电负荷调度方法
CN114243759B (zh) * 2021-11-17 2024-05-14 淮阴工学院 一种冷热电联产系统及冷热电负荷调度方法
CN115906488A (zh) * 2022-11-25 2023-04-04 国网江苏省电力有限公司电力科学研究院 一种用于楼宇综合能源系统的优化调度方法
CN115906488B (zh) * 2022-11-25 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种用于楼宇综合能源系统的优化调度方法

Similar Documents

Publication Publication Date Title
CN107464008A (zh) 一种大型楼宇冷热电联供系统的优化调度方法
CN108932560A (zh) 基于模型预测控制的园区综合能源系统优化调度方法
Guo et al. Multi-objective optimization design and multi-attribute decision-making method of a distributed energy system based on nearly zero-energy community load forecasting
CN105869075A (zh) 一种冷热电联供型微型能源网经济优化调度方法
CN108832656A (zh) 基于电转气和可再生能源利用微能源网多目标规划方法
CN110361969B (zh) 一种冷热电综合能源系统优化运行方法
CN111244939B (zh) 一种计及需求侧响应的多能互补系统两级优化设计方法
CN103778485B (zh) 一种分布式发电供能系统及其优化方法
CN110826815A (zh) 一种考虑综合需求响应的区域综合能源系统运行优化方法
CN109298634B (zh) 一种综合能源系统两阶段鲁棒优化调度方法
CN111860937A (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
Han et al. Collaborative optimization method and operation performances for a novel integrated energy system containing adiabatic compressed air energy storage and organic Rankine cycle
CN112836882B (zh) 考虑设备负载率变化的区域综合能源系统运行优化方法
Jin Impact of renewable energy penetration in power systems on the optimization and operation of regional distributed energy systems
Wang et al. Research on capacity and strategy optimization of combined cooling, heating and power systems with solar photovoltaic and multiple energy storage
Luo et al. A two-stage energy management strategy for CCHP microgrid considering house characteristics
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
CN112446552B (zh) 一种生物质气化冷热电联供系统的多目标优化方法
Gan-yun et al. Optimal scheduling of regional integrated energy system considering integrated demand response
Georgiou et al. A linear programming approach to the optimal utilization of renewable energy sources in buildings
Yin et al. Heating characteristics and economic analysis of a controllable on-demand heating system based on off-peak electricity energy storage
CN116306194A (zh) 基于多目标优化理论的综合能源系统能效优化配置方法
Zhao et al. Comparative Study on Heating and Cooling Systems Integrated with Energy Storage
Zhou et al. Research on Modeling Method of Comprehensive Energy User Load in Load-intensive City Smart Park
Ye et al. Research on optimal design and control method of integrated energy system based on improved cloud adaptive particle swarm

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171212

RJ01 Rejection of invention patent application after publication