CN108206543B - 一种基于能源梯级利用的能源路由器及其运行优化方法 - Google Patents

一种基于能源梯级利用的能源路由器及其运行优化方法 Download PDF

Info

Publication number
CN108206543B
CN108206543B CN201810112595.8A CN201810112595A CN108206543B CN 108206543 B CN108206543 B CN 108206543B CN 201810112595 A CN201810112595 A CN 201810112595A CN 108206543 B CN108206543 B CN 108206543B
Authority
CN
China
Prior art keywords
energy
heat
grade
steam
temperature
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
CN201810112595.8A
Other languages
English (en)
Other versions
CN108206543A (zh
Inventor
马大中
丁志浩
孙秋野
余越
黄博南
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810112595.8A priority Critical patent/CN108206543B/zh
Publication of CN108206543A publication Critical patent/CN108206543A/zh
Application granted granted Critical
Publication of CN108206543B publication Critical patent/CN108206543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H02J3/383—
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K23/00—Plants characterised by more than one engine delivering power external to the plant, the engines being driven by different fluids
    • F01K23/02—Plants characterised by more than one engine delivering power external to the plant, the engines being driven by different fluids the engine cycles being thermally coupled
    • F01K23/06—Plants characterised by more than one engine delivering power external to the plant, the engines being driven by different fluids the engine cycles being thermally coupled combustion heat from one cycle heating the fluid in another cycle
    • F01K23/10—Plants characterised by more than one engine delivering power external to the plant, the engines being driven by different fluids the engine cycles being thermally coupled combustion heat from one cycle heating the fluid in another cycle with exhaust fluid of one cycle heating the fluid in another cycle
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C6/00—Plural gas-turbine plants; Combinations of gas-turbine plants with other apparatus; Adaptations of gas-turbine plants for special use
    • F02C6/18—Plural gas-turbine plants; Combinations of gas-turbine plants with other apparatus; Adaptations of gas-turbine plants for special use using the waste heat of gas-turbine plants outside the plants themselves, e.g. gas-turbine power heat plants
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Engine Equipment That Uses Special Cycles (AREA)

Abstract

本发明公开一种基于能源梯级利用的能源路由器及其运行优化方法，能源路由器包括燃气轮机、蒸汽轮机、余热锅炉、吸收式制冷机、热交换器、蓄电池、蓄热水箱、光伏电池。系统根据能量的品质、品位，将燃料转化为电能，余热用于制冷、供热或发电，实现了能源的梯级利用。该系统的运行优化策略通过构建能源路由器的系统模型进而建立优化目标函数，选取优化调度约束条件之后进行优化调度求解，最终得到优化调度策略，实现根据用户需求的变化对系统设备进行相应控制，达到能源梯级利用率最大化、运行成本最小化的优化目标。

Description

一种基于能源梯级利用的能源路由器及其运行优化方法
技术领域
本发明属于电气工程技术领域，具体涉及一种基于能源梯级利用的能源路由器及其运行优化方法。
背景技术
由于全球化石能源的日益枯竭以及全球环境的日益恶化，可再生能源的利用越来越受到人们的重视。随着电力电子和计算机信息技术的快速发展，使得可再生能源得到了快速的发展。为了能将可再生能源更好地接入电网，一种新的能源结构——能源互联网产生了。
能源互联网是一种在电网基础上，融合大量的可再生能源尤其是分布式可再生能源，实现能源的分布式生产和交换的智能网络。能源互联网由能源路由器、能源交换机和能源接口组成。其中能源路由器是能源互联网的关键技术之一，它能够实现能源网络的互联、调度和控制。能源路由器的核心功能在于能源的控制，将输入的不同的能量形式经过优化调度后提供多种稳定的能量输出。
能源路由器是一个多种形式能输入输出的复杂系统，现有的能源路由器装置往往把不同品质、品位的能量等同看待，只是反映系统能量转换利用的数量关系。这种不科学与不合理的做法造成系统结构单一，无法实现多形式能量的综合优化调度，造成能源利用率低下。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于能源梯级利用的能源路由器及其运行优化方法，可实现多形式能量的综合优化调度，能源利用率高。
本发明提供一种基于能源梯级利用的能源路由器，包括燃气轮机发电系统、中品位热能利用系统、低品位热能利用系统、光伏发电系统、蓄电池储能系统、控制系统；燃气轮机发电系统一端与天然气管道连接，另一端通过第一AC/AC变换单元接入交流母线；中品位热能利用系统一端通过烟气管道连接燃气轮机发电系统的烟气出口，另一端通过第二AC/AC变换单元接入交流母线；低品位热能利用系统通过蒸汽管道连接中品位热能利用系统蒸汽出口，另一端接入直流母线；光伏发电系统通过第一DC/DC变换单元接入直流母线；蓄电池储能系统通过双向DC/DC变换单元接入直流母线；所述控制系统用于对燃气轮机发电系统、中品位热能利用系统、低品位热能利用系统、光伏发电系统、蓄电池储能系统进行控制，控制系统包括PLC和多个与PLC相连接的电磁阀。
本发明还提供一种基于能源梯级利用的能源路由器的运行优化方法，包括以下步骤：
步骤1：对能源路由器的建模，包括：微型燃气轮机建模、余热锅炉建模、吸收式制冷机组建模、光伏功率预测模型；
步骤2：考虑在能源路由器中不同能量品位的差异，将各能量数量乘以其对应品位系数，同时反映能量的数量与品位，得到能量的梯级利用率；建立以能量梯级利用率最大与能源路由器运行成本最小的多目标模型；
步骤3：根据多目标模型确定约束条件，包括：电负荷平衡约束、热负荷平衡约束、冷负荷平衡约束、蓄电池充放电约束、蒸汽型吸收式制冷机组输出约束和热水型吸收式制冷机组输出约束；
步骤4：将能量梯级利用率以价值的形式表示，用动态加权法实现对高能量梯级利用率的价值奖励与低能量梯级利用率的价值惩罚，进而将能量梯级利用率最大与能源路由器运行成本最小的多目标模型转化为能量梯级利用率的价值减去系统运行成本最大，即综合效益最大的单目标模型；
步骤5：运用粒子群算法求解综合效益最大的单目标模型，得到能源路由器的优化运行策略。
本发明至少具有一下有益效果：
(1)本发明采用包括天然气、太阳能、大电网电能在内的多种能源输入，实现了多能源互补的综合利用。
(2)本发明实现了不同形式电能、供热、制冷的输出，满足了用户对不同种类、形式能量的需求。根据用户在不同时段对能量需求量的不同采用不同的调度策略。
(3)本发明根据能量品位、品质的不同设计了高、中、低品位热能利用系统，提出了能量梯级利用率来更好的评价系统对不同品位能量的利用效果，并同时考虑能量梯级利用率以及系统成本，以系统综合效益作为优化目标，确定系统的优化运行方式，达到综合效益的最大化。
附图说明
图1是本发明的一种基于能源梯级利用的能源路由器的结构图；
图2是本发明的一种基于能源梯级利用的能源路由器的运行优化方法的流程图。
具体实施方式
图1是本发明的一种基于能源梯级利用的能源路由器的结构图，包括燃气轮机发电系统、中品位热能利用系统、低品位热能利用系统、光伏发电系统4、蓄电池储能系统5和控制系统。燃气轮机发电系统一端所述燃气轮与天然气管道连接，另一端通过第一AC/AC变换单元接入交流母线；中品位热能利用系统一端通过烟气管道连接燃气轮机发电系统1的烟气出口，另一端通过第二AC/AC变换单元接入交流母线；低品位热能利用系统通过蒸汽管道连接中品位热能利用系统蒸汽出口，另一端接入直流母线；光伏发电系统4通过第一DC/DC变换单元接入直流母线；蓄电池储能系统5通过双向DC/DC变换单元接入直流母线；所述控制系统用于对燃气轮机发电系统、中品位热能利用系统、低品位热能利用系统、光伏发电系统4、蓄电池储能系统5进行控制，包括PLC控制器和多个电磁阀。
其中，机发电系统包括燃气轮机11和第一交流发电机12；燃气轮机11与天然气管道连接，燃气轮机11转轴连接第一交流发电机12，第一交流发电机12通过第一AC/AC变换单元接入交流母线；所述天然气管道由电磁阀控制通断。
所述中品位热能利用系统2包括：中温余热锅炉21、汽轮机22、第二交流发电机23和蒸汽型吸收式制冷机组24；所述燃气轮机11所产生的高温烟气通过烟气管道接入中温余热锅炉21并产生高温蒸汽，所述高温蒸汽通过第一蒸汽管道进入汽轮机22，汽轮机22连接第二交流发电机发电23，所述第二交流发电机发电23通过第二AC/AC变换单元接入交流母线；所述高温蒸汽经过第二蒸汽管道进入蒸汽型吸收式制冷机组24进行制冷以实现向用户供冷；第一蒸汽管道和第二蒸汽管道由电磁阀控制通断。
所述低品位热能利用系统3包括低温余热锅炉31、热水换热器32、蓄热水箱33、太阳能集热器34和热水型吸收式制冷机组35；所述低温余热锅炉31的蒸汽入口端连接中温余热锅炉21热水出口端，低温余热锅炉31蒸汽出口端连接热水换热器32，热水换热器32出水端连接蓄热水箱33入水口；太阳能集热器34出水端连接蓄热水箱33入水口；蓄热水箱33装有电加热器，电加热器连接直流母线；蓄热水箱33通过出水管道连接用户以实现向用户供热；蓄热水箱33通过出水管道连接热水型吸收式制冷机组35，热水型吸收式制冷机组35进行制冷以实现向用户供冷；蓄热水箱33的出水管道由电磁阀控制通断。
所述控制系统6还包括分别于所述PLC相连接的上位机62、用户温度传感器63、蓄热水箱温度传感器64和蓄热水箱水位传感器65。
本发明还提供一种基于能源梯级利用的能源路由器的运行优化方法，流程图如图2所示，具体包括以下步骤：
步骤1：对能源路由器的建模，包括：微型燃气轮机建模、余热锅炉建模、吸收式制冷机组建模、光伏功率预测模型；能源路由器的各设备的建模具体为：
1.1微型燃气轮机建模
Pg,t＝Qg,tηp (1)
Qg,t＝Mg,t×LHV×ηf×ηg (2)
式(1)中Pg,t为微型燃气轮机的输出功率；Qg,t为微型燃气轮机消耗的天然气产生可利用热量；ηp为燃气轮机的发电效率；
式(2)Mg,t中为天然气在t时段的流量；LHV为低位热值；ηf为天然气在燃烧室中的燃烧效率；ηg为可利用热效率；
1.2：余热锅炉建模
Qhg,t＝Qg,tηhg (3)
其中,Qhg,t余热烟气带走的热量，Qg,t为微型燃气轮机消耗的天然气产生可利用热量，ηhg为燃气轮机燃烧效率；
Qhw,t＝Qhg,tηwg (4)
其中，Qhw,t余热锅炉所产生的蒸汽热量，ηwg为余热锅炉的转换效率；
1.3：吸收式制冷机建模
吸收式制冷机由余热锅炉产生的蒸汽驱动，其制冷量或热量为：
QAC,t＝QgηhgηhwCOPQ,g (5)
其中，QAC,t为吸收式制冷机的制冷量或制热量，ηhw为吸收式制冷机热利用率，COPQ,g为吸收式制冷机能效比；
1.4光伏功率预测模型
由于太阳辐射量和温度数据具有按时间排序和离散特性，将分别对时间点建立预测模型，并提前1小时进行光伏功率预测；
首先，从历史样本中选出5天与预测日同季节、同日类型的每小时的样本数据，包括白天15个(06:00—20:00)时间点的历史发电量、地表太阳辐射量以及温度，并将数据进行归一化处理，得到样本输入矩阵X＝(X1,X2,X3)，其中行矢量代表输入样本，列矢量X1,X2,X3分别为样本每小时的发电量、地表太阳辐射量和温度；
给定训练样本{xi,yi}，其中i＝1,2,…,n；n为样本总数，xi∈Rd，d为Rd空间的维数，yi∈R；用非线性映射将样本从原空间映射到高维(k维，k>d)特征空间中，在这个空间中构造如下最优线性回归函数：
Figure GDA0002886916200000061
其中，w为权向量，w∈Rk；b为常数，b∈R；
最小二乘支持向量机优化目标采用函数拟合精度ξi的平方项，根据SRM准则，优化目标和约束条件分别为：
Figure GDA0002886916200000062
Figure GDA0002886916200000063
式(7)中惩罚参数c>0，用以控制对超出函数拟合精度ξi的样本惩罚程度，c的适合值应在100～600之间；
根据Mercer定理，定义如下核函数：
Figure GDA0002886916200000064
引入拉格郎日乘子ai(ai∈R)求解卡罗需–库恩–塔克(Karush KuhnTucker，KTT)等式约束条件；综上，该方程组为：
Figure GDA0002886916200000065
上述线性方程可用最小二乘法求出a(a∈Rn)和b，则线性回归函数为：
f(x)＝aiK(x,xi)+b (11)
将未来1小时地表太阳辐射量Qpv和温度预测数据x＝[x1,x2]作为模型的输入变量带入式(11)，输出变量y对应下1小时的光伏阵列发电量。
步骤2：考虑在能源路由器中不同能量品位的差异，将各能量数量乘以其对应品位系数，同时反映能量的数量与品位，得到能量的梯级利用率；建立以能量梯级利用率最大与能源路由器运行成本最小的多目标模型；其中，能量梯级利用率ηcog,t与运行成本CR具体为：
2.1能量梯级利用率
一种基于能源梯级利用的能源路由器根据能量品位的不同对能量进行梯级利用。为了更合理地评价能量在各个转化过程中能量在数量和品质品位上的变化，提出能量梯级利用率的概念，全面评价系统能量梯级利用的效果；
整个能源路由器根据能量品位的高低分为高品位热能利用系统、中品位热能利用系统、低品位热能利用系统，系统综合能量梯级利用率：
ηcog,t＝Xhηh+Xmηm+Xlηl (12)
其中，ηcog,t为系统综合能量梯级利用率，ηh为高品位热能利用系统能量利用率，ηm为中品位热能利用系统能量利用率，ηl为低品位热能利用系统能量利用率，Xh为高品位热能利用系统权重系数，Xm为中品位热能利用系统权重系数，Xl为低品位热能利用系统权重系数；
高品位热能利用系统中，能量输入为天然气燃烧产生的高温热能Qg,t，输出为燃气轮机发电机组产生的电能Ph,t：
Figure GDA0002886916200000071
其中，λg为天然气的品位；
中品位热能利用系统中，能量输入为燃气轮机排出的高温烟气中的热能Qhg,t，当标志变量vmod＝1时第一蒸汽管道导通，第二蒸汽管道关闭，高温余热锅炉产生的高温蒸汽经第一蒸汽管道进入蒸汽轮机，输出为汽轮机发电机组产生电能Pm,t；当标志变量vmod＝0时第一蒸汽管道关闭，第二蒸汽管道导通，高温余热锅炉产生的高温蒸汽经第二蒸汽管道进入蒸汽型吸收式制冷机，输出为蒸汽型吸收式制冷机所产生的供热量Qmh,t与制冷量Qmc,t：
Figure GDA0002886916200000081
其中，λgm为高温烟气的品位；λmh为蒸汽型吸收式制冷机供热量品位；λmc为蒸汽型吸收式制冷机制冷量品位；
低品位热能利用系统中，能量输入为中品位余热锅炉排出的中温烟气中的热能Qmg,t、太阳辐射量Qpv，输出为产生热水中所含热量供热量Qlh,t、热水型吸收式制冷机所产生的制冷量Qlc,t、光伏发电量Ppv；
Figure GDA0002886916200000082
其中，λgl为中温烟气的品位；λlight为太阳光的品位；λlh为热水的品位；λlc为热水型吸收式制冷机制冷量品位；
λ表示不同能量形式的能源品位的统称，
Figure GDA0002886916200000083
其中，T0为环境温度，T1为初始状态温度，T2为最终状态温度；
具体地，热水品位λlc/λlh＝1-T0/(Th-T0)ln(Th/T0)，其中Th为热水温度；
天然气品位λg＝1-T0/(TBurn-T0)ln(TBurn/T0)，其中TBurn为天然气燃烧温度；
烟气/蒸汽品位λmc/λmh/λgl/λgm＝1-T0/(Tg-T0)ln(Tg/T0)，其中Tg为烟气/蒸汽温度；
太阳光品位λlight＝1+(T0/TSun)4/3-4T0/(3TSun)，其中TSun为太阳光温度；
其中，Xh、Xm、Xl分别用来体现高、中、低品位热能利用系统的能量梯级利用效果；
Figure GDA0002886916200000091
Figure GDA0002886916200000092
Figure GDA0002886916200000093
高、中、低品位热能利用系统输出能量与输入能量相比品位变化大小与数量变化大小的乘积分别表示为Δh、Δm、Δl，Δ小则能量梯级利用效果好，权重系数大；否则权重系数小；
Δh＝|(1-λg)×(Pg,t-Qg,t)| (20)
Δm＝|vmod×(1-λgm)×(Pm,t-Qhg,t)|+(1-vmod)(|(λgm-λg)×(Qmh,t-Qhg,t)|+|(λgm-λg)×(Qmc,t-Qhg,t)|) (21)
Δl＝|(1-λlight)×(Qpv-Ppv)|+|(λgl-λg)×(Qmg,t-Qlh,t)|+|(λgl-λg)×(Qmg,t-Qlc,t)| (22)
2.2运行成本
系统所产生的运行成本CR包括：天然气成本、向大电网购电的成本、系统管理维护费用：
minCR＝(Ce,tpe,t+CgQg/(LHV×ηf×ηg)+Cm) (23)
式中，Ce,t为实时电价；pe,t为购买的电量；Cg为购买天然气的价格，单位为元/kWh；Qg为微型燃气轮机消耗的天然气产生可利用热量；Cm为t时段内系统维护价格，单位为元。
步骤3：根据多目标模型确定约束条件，包括：电负荷平衡约束、热负荷平衡约束、冷负荷平衡约束、蓄电池充放电约束、蒸汽型吸收式制冷机组输出约束和热水型吸收式制冷机组输出约束；
所述步骤3中约束条件具体包括：
3.1电负荷平衡约束
Qg,tηgt+λhgQg,tηhgηhw(vmodηst)+pe,t+Ppv,t-Pb,t＝PL,t (24)
式中ηst为汽轮机发电效率；Ppv,t为t时段光伏发电量；pe,t为t时段大电网购/售电量；Pb,t为t时段蓄电池充/放电量，Pb,t>0表示蓄电池充电，Pb,t<0表示蓄电池放电；PL,t为t时段用户用电需求量；
3.2热负荷平衡约束
(1-vmod)QgηhgηhwCOPQ,g+Qgηmgηmw＝QHL,t (25)
其中，QHL,t为用户热需求量；ηmw为热水型换热器热利用率；ηmg为低温余热锅炉热转换效率；
3.3冷负荷平衡约束
(1-vmod)Qg,tηhgηhwCOPQ,g+ηmw(Qg,tηmg+Qsw)＝QCl,t (26)
其中，QCL,t为用户冷需求量；Qsw为太阳能集热器太阳辐射量；
3.4蓄电池充放电约束
SOCmin≤SOCt-1+Pb,t≤SOCmax (27)
其中，SOCmin为蓄电池额定最低电量；SOCmax为蓄电池额定最高电量；SOCt-1为上一时段蓄电池电量；
3.5蒸汽型吸收式制冷机组输出约束
Qg,min≤QgηhgηhwCOPQ,g≤Qg,max (28)
其中Qg,min为蒸汽型吸收式制冷机额定最小输出；Qg,max为额定最大输出；
3.6热水型吸收式制冷机组输出约束
Qw,min≤Qgηmgηmw≤Qw,max (29)
其中Qw,min为热水型吸收式制冷机额定最小输出；Qw,max为额定最大输出。
步骤4：将能量梯级利用率以价值的形式表示，用动态加权法实现对高能量梯级利用率的价值奖励与低能量梯级利用率的价值惩罚，进而将能量梯级利用率最大与能源路由器运行成本最小的多目标模型转化为能量梯级利用率的价值减去系统运行成本最大，即综合效益最大的单目标模型；
所述步骤4中，将能量梯级利用率ηcog,t以价值的形式表示，将系统输入总能量换算天然气消耗量，乘以天然气价格，得到输入能量总价值，再将总价值乘以能量梯级利用率得到相应能量梯级利用率的价值Cη：
Cη＝(Pg,t+Qpv)×1h×ηcog,t×Cg (30)
为了加强能量梯级利用率的价值体现，用动态加权法实现对高能量梯级利用率的价值奖励与低能量梯级利用率的价值惩罚。为此首先根据能源梯级利用率的大小分为四类：
优ηcog,t∈(0.70,1]、良ηcog,t∈(0.50,0.70]、合格ηcog,t∈(0.40,0.50]、差ηcog,t∈[0,0.40]，即在已经得到的能量梯级利用率的价值基础上乘以动态加权函数，为了达到对高能量梯级利用率价值的大幅提升和对低能量梯级利用率价值的压低，取偏大型正态分布函数作为动态加权函数：
Figure GDA0002886916200000111
其中，参数a可取差类指标[0,0.55]中的某定值，在此取
Figure GDA0002886916200000112
Figure GDA0002886916200000113
参数σ由w(0.85)＝0.9确定；由此得到系统模型综合效益的单目标函数：
G＝w(ηcog,t)×Cη-CR (32)
步骤5：运用粒子群算法求解综合效益最大的单目标模型，得到能源路由器的优化运行策略，具体为：
每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索；
PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest；
具体步骤为：
步骤5.1：设置算法参数，包括粒子数N、最大迭代次数K、学习因子、惯性因子w；
步骤5.2：随机生成模型决策变量(Qg,vmod,Pb,t,pe,t)作为粒子的初始位置，同时生成粒子的初始速度vid(0)，形成一个粒子。根据约束条件检验是否满足约束方程，若满足则粒子可行；否则重新随机生成一个新的粒子，继续检验，直至粒子可行。初始位置作为每个个体历史最佳Pi＝(pi1,pi2,pi3,pi4)；
步骤5.3：重复步骤5.2直至生成粒子数达到K；
步骤5.4：计算每个个体的适应度：
Figure GDA0002886916200000121
其中，s(d(i,j))为第i个粒子和第j个粒子的适应度分享函数：
Figure GDA0002886916200000122
其中，d(i,j)为第i个粒子和第j各粒子的距离，σshare为niche半径；
步骤5.5：以适应度大小作为每个个体被选中的概率，随机选择一个个体作为群体历史最佳，更新粒子速度和位置：
vid(t+1)＝w×vid(t)+c1×rand()×[pid(t)-xid(t)]+c2×rand()×[pgd(t)-xid(t)] (35)
xid(t+1)＝xid(t)+vid(t+1) (36)
其中，1≤i≤N1≤d≤4；c1，c2为正常数，称为加速因子；rand()为[0,1]随机数；若粒子某一维超过边界，则重新随机初始化该维数据，计算每个粒子的最佳向量；
步骤5.6：若当前粒子优于历史最佳则替换，若劣于历史最佳则保持。当迭代次数达到设定最大迭代次数后，终止迭代输出粒子群全局最优值及其对应的位置。
本发明提供一种基于能源梯级利用的能源路由器及其运行优化策略，该系统包括燃气轮机、蒸汽轮机、余热锅炉、吸收式制冷机、热交换器、蓄电池、蓄热水箱、光伏电池。系统根据能量的品质、品位，将燃料转化为电能，余热用于制冷、供热或发电，实现了能源的梯级利用。该系统的运行优化策略通过构建能源路由器的系统模型进而建立优化目标函数，选取优化调度约束条件之后进行优化调度求解，最终得到优化调度策略，实现根据用户需求的变化对系统设备进行相应控制，达到能源梯级利用率最大化、运行成本最小化的优化目标。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于能源梯级利用的能源路由器，其特征在于，包括燃气轮机发电系统、中品位热能利用系统、低品位热能利用系统、光伏发电系统、蓄电池储能系统、控制系统；燃气轮机发电系统一端与天然气管道连接，另一端通过第一AC/AC变换单元接入交流母线；中品位热能利用系统一端通过烟气管道连接燃气轮机发电系统的烟气出口，另一端通过第二AC/AC变换单元接入交流母线；低品位热能利用系统通过蒸汽管道连接中品位热能利用系统蒸汽出口，另一端接入直流母线；光伏发电系统通过第一DC/DC变换单元接入直流母线；蓄电池储能系统通过双向DC/DC变换单元接入直流母线；所述控制系统用于对燃气轮机发电系统、中品位热能利用系统、低品位热能利用系统、光伏发电系统、蓄电池储能系统进行控制，控制系统包括PLC和多个与PLC相连接的电磁阀；
所述燃气轮机发电系统包括：燃气轮机和第一交流发电机；燃气轮机与天然气管道连接，燃气轮机转轴连接第一交流发电机，第一交流发电机通过第一AC/AC变换单元接入交流母线；所述天然气管道由电磁阀控制通断；
所述中品位热能利用系统包括：中温余热锅炉、汽轮机、第二交流发电机和蒸汽型吸收式制冷机组；所述燃气轮机所产生的高温烟气通过烟气管道接入中温余热锅炉并产生高温蒸汽，所述高温蒸汽通过第一蒸汽管道进入汽轮机，汽轮机连接第二交流发电机发电，所述第二交流发电机发电通过第二AC/AC变换单元接入交流母线；所述高温蒸汽经过第二蒸汽管道进入蒸汽型吸收式制冷机组进行制冷以实现向用户供冷；第一蒸汽管道和第二蒸汽管道由电磁阀控制通断；
所述低品位热能利用系统包括：低温余热锅炉、热水换热器、蓄热水箱、太阳能集热器和热水型吸收式制冷机组；所述低温余热锅炉的蒸汽入口端连接中温余热锅炉热水出口端，低温余热锅炉蒸汽出口端连接热水换热器，热水换热器出水端连接蓄热水箱入水口；太阳能集热器出水端连接蓄热水箱入水口；蓄热水箱装有电加热器，电加热器连接直流母线；蓄热水箱通过出水管道连接用户以实现向用户供热；蓄热水箱通过出水管道连接热水型吸收式制冷机组，热水型吸收式制冷机组进行制冷以实现向用户供冷；蓄热水箱的出水管道由电磁阀控制通断；
所述控制系统还包括：分别于所述PLC相连接的上位机、用户温度传感器、蓄热水箱温度传感器和蓄热水箱水位传感器。
2.一种基于能源梯级利用的能源路由器的运行优化方法，其特征在于，包括以下步骤：
步骤1：对能源路由器的建模，包括：微型燃气轮机建模、余热锅炉建模、吸收式制冷机组建模、光伏功率预测模型；
步骤2：考虑在能源路由器中不同能量品位的差异，将各能量数量乘以其对应品位系数，同时反映能量的数量与品位，得到能量的梯级利用率；建立以能量梯级利用率最大与能源路由器运行成本最小的多目标模型；
步骤3：根据多目标模型确定约束条件，包括：电负荷平衡约束、热负荷平衡约束、冷负荷平衡约束、蓄电池充放电约束、蒸汽型吸收式制冷机组输出约束和热水型吸收式制冷机组输出约束；
步骤4：将能量梯级利用率以价值的形式表示，用动态加权法实现对高能量梯级利用率的价值奖励与低能量梯级利用率的价值惩罚，进而将能量梯级利用率最大与能源路由器运行成本最小的多目标模型转化为能量梯级利用率的价值减去系统运行成本最大，即综合效益最大的单目标模型；
步骤5：运用粒子群算法求解综合效益最大的单目标模型，得到能源路由器的优化运行策略。
3.如权利要求2所述的基于能源梯级利用的能源路由器的运行优化方法，其特征在于，步骤1中对能源路由器的各设备的建模具体为：
1.1微型燃气轮机建模
Pg，t＝Qg，tηp (1)
Qg，t＝Mg，t×LHV×ηf×ηg (2)
式(1)中Pg，t为微型燃气轮机的输出功率；Qg，t为微型燃气轮机消耗的天然气产生可利用热量；ηp为燃气轮机的发电效率；
式(2)Mg，t中为天然气在t时段的流量；LHV为低位热值；ηf为天然气在燃烧室中的燃烧效率；ηg为可利用热效率；
1.2：余热锅炉建模
Qhg，t＝Qg，tηhg (3)
其中，Qhg，t余热烟气带走的热量，Qg，t为微型燃气轮机消耗的天然气产生可利用热量，ηhg为燃气轮机燃烧效率；
Qhw，t＝Qhg，tηwg (4)
其中，Qhw，t为余热锅炉所产生的蒸汽热量，ηwg为余热锅炉的转换效率；
1.3：吸收式制冷机建模
吸收式制冷机由余热锅炉产生的蒸汽驱动，其制冷量或热量为：
QAC，t＝Qg，tηhgηhwCOPQ，g (5)
其中，QAC，t为吸收式制冷机的制冷量或制热量，ηhw为吸收式制冷机热利用率，COPQ，g为吸收式制冷机能效比；
1.4光伏功率预测模型
由于太阳辐射量和温度数据具有按时间排序和离散特性，将分别对时间点建立预测模型，并提前1小时进行光伏功率预测；
首先，从历史样本中选出5天与预测日同季节、同日类型的每小时样本数据，包括白天15个时间点的历史发电量、地表太阳辐射量以及温度，并将数据进行归一化处理，得到样本输入矩阵X＝(X1，X2，X3)，其中行矢量代表输入样本，列矢量X1，X2，X3分别为样本每小时的发电量、地表太阳辐射量、温度；
给定训练样本{xi，yi}，其中i＝1，2，…，n；n为样本总数，xi∈Rd，d为Rd空间的维数，yi∈R；用非线性映射将样本从原空间映射到高维，k维，k＞d，特征空间中，在这个空间中构造如下最优线性回归函数：
Figure FDA0002886916190000041
其中，w为权向量，w∈Rk；b为常数，b∈R；
最小二乘支持向量机优化目标采用函数拟合精度ξi的平方项，根据SRM准则，优化目标和约束条件分别为：
Figure FDA0002886916190000042
Figure FDA0002886916190000043
式(7)中惩罚参数c＞0，用以控制对超出函数拟合精度ξi的样本惩罚程度，c的适合值应在100～600之间；
根据Mercer定理，定义如下核函数：
Figure FDA0002886916190000044
其中xj为第j个训练样本，引入拉格郎日乘子ai，ai∈R，求解卡罗需-库恩-塔克(KarushKuhn Tucker，KTT)等式约束条件；综上，该方程组为：
Figure FDA0002886916190000045
上述线性方程可用最小二乘法求出a，a∈Rn和b，则线性回归函数为：
f(x)＝aiK(x，xi)+b (11)
将未来1小时地表太阳辐射量Qpv和温度预测数据x＝[x1，x2]作为模型的输入变量带入式(11)，输出变量y对应下1小时的光伏阵列发电量。
4.如权利要求3所述的基于能源梯级利用的能源路由器的运行优化方法，其特征在于所述步骤2中能量梯级利用率ηcog，t与运行成本CR具体为：
2.1能量梯级利用率
整个能源路由器根据能量品位的高低分为高品位热能利用系统、中品位热能利用系统、低品位热能利用系统，系统综合能量梯级利用率：
ηcog，t＝Xhηh+Xmηm+Xlηl (12)
其中，ηcog，t为系统综合能量梯级利用率，ηh为高品位热能利用系统能量利用率，ηm为中品位热能利用系统能量利用率，ηl为低品位热能利用系统能量利用率，Xh为高品位热能利用系统权重系数，Xm为中品位热能利用系统权重系数，Xl为低品位热能利用系统权重系数；
高品位热能利用系统中，能量输入为天然气燃烧产生的高温热能Qg，t，输出为燃气轮机发电机组产生的电能Ph，t：
Figure FDA0002886916190000051
其中，λg为天然气的品位；
中品位热能利用系统中，能量输入为燃气轮机排出的高温烟气中的热能Qhg，t，当标志变量vmod＝1时第一蒸汽管道导通，第二蒸汽管道关闭，高温余热锅炉产生的高温蒸汽经第一蒸汽管道进入蒸汽轮机，输出为汽轮机发电机组产生电能Pm，t；当标志变量vmod＝0时第一蒸汽管道关闭，第二蒸汽管道导通，高温余热锅炉产生的高温蒸汽经第二蒸汽管道进入蒸汽型吸收式制冷机，输出为蒸汽型吸收式制冷机所产生的供热量Qmh，t与制冷量Qmc，t：
Figure FDA0002886916190000061
其中，λgm为高温烟气的品位；λmh为蒸汽型吸收式制冷机供热量品位；λmc为蒸汽型吸收式制冷机制冷量品位；
低品位热能利用系统中，能量输入为中品位余热锅炉排出的中温烟气中的热能Qmg，t、光伏太阳辐射量Qpv，输出为产生热水中所含热量供热量Qlh，t、热水型吸收式制冷机所产生的制冷量Qlc，t、光伏发电量Ppv；
Figure FDA0002886916190000062
其中，λgl为中温烟气的品位；λlight为太阳光的品位；λlh为热水的品位；λlc为热水型吸收式制冷机制冷量品位；
λ为不同能量形式的能源品位的统称，
Figure FDA0002886916190000063
其中，T0为环境温度，T1为初始状态温度，T2为最终状态温度；
其中，Xh、Xm、Xl分别用来体现高、中、低品位热能利用系统的能量梯级利用效果；
Figure FDA0002886916190000064
Figure FDA0002886916190000065
Figure FDA0002886916190000066
高、中、低品位热能利用系统输出能量与输入能量相比品位变化大小与数量变化大小的乘积分别表示为Δh、Δm、Δl，Δ小则能量梯级利用效果好，权重系数大；否则权重系数小；
Δh＝|(1-λg)×(Ph，t-Qg，t)| (20)
Δm＝|vmod×(1-λgm)×(Pm，t-Qhg，t)|+(1-vmod)(|(λgm-λg)×(Qmh，t-Qhg，t)|+|(λgm-λg)×(Qmc，t-Qhg，t)|) (21)
Δl＝|(1-λlight)×(Qpv-Ppv)|+|(λgl-λg)×(Qmg，t-Qlh，t)|+|(λgl-λg)×(Qmg，t-Qlc，t)| (22)
2.2运行成本
系统所产生的运行成本CR包括：天然气成本、向大电网购电的成本、系统管理维护费用：
minCR＝(Ce，tpe，t+CgQg/(LHV×ηf×ηg)+Cm) (23)
式中，Ce，t为实时电价；pe，t为购买的电量；Cg为购买天然气的价格，单位为元/kWh；Qg为微型燃气轮机消耗的天然气产生可利用热量；Cm为t时段内系统维护价格，单位为元。
5.如权利要求4所述的基于能源梯级利用的能源路由器的运行优化方法，其特征在于，所述步骤3中系统的约束条件具体包括：
3.1电负荷平衡约束
Qg，tηgt+λhgQg，tηhgηhw(vmodηst)+pe，t+Ppv，t-Pb，t＝PL，t (24)
式中ηgt为微型燃气轮机消耗天然气产生可利用热量的效率，ηst为汽轮机发电效率；Ppv，t为t时段光伏发电量；pe，t为t时段大电网购/售电量；Pb，t为t时段蓄电池充/放电量，Pb，t＞0表示蓄电池充电，Pb，t＜0表示蓄电池放电；PL，t为t时段用户用电需求量；
3.2热负荷平衡约束
(1-vmod)Qg，tηhgηhwCOPQ，g+Qg，tηmgηmw＝QHL，t (25)
其中，QHL，t为用户热需求量；ηmw为热水型换热器热利用率；ηmg为低温余热锅炉热转换效率；
3.3冷负荷平衡约束
(1-vmod)Qg，tηhgηhwCOPQ，g+ηmw(Qg，tηmg+Qsw)＝QCL，t (26)
其中，QCL，t为用户冷需求量；Qsw为太阳能集热器太阳辐射量；
3.4蓄电池充放电约束
SOCmin≤SOCt-1+Pb，t≤SOCmax (27)
其中，SOCmin为蓄电池额定最低电量；SOCmax为蓄电池额定最高电量；SOCt-1为上一时段蓄电池电量；
3.5蒸汽型吸收式制冷机组输出约束
Qg，min≤QgηhgηhwCOPQ，g≤Qg，max (28)
其中Qg，min为蒸汽型吸收式制冷机额定最小输出；Qg，max为额定最大输出；
3.6热水型吸收式制冷机组输出约束
Qw，min≤Qgηmgηmw≤Qw，max (29)
其中Qw，min为热水型吸收式制冷机额定最小输出；Qw，max为额定最大输出。
6.如权利要求5所述的基于能源梯级利用的能源路由器的运行优化方法，其特征在于，所述步骤4中，将能量梯级利用率ηcog，t以价值的形式表示，将系统输入总能量换算天然气消耗量，乘以天然气价格，得到输入能量总价值，再将总价值乘以能量梯级利用率得到相应能量梯级利用率的价值Cη：
Cη＝(Pg，t+Qpv)×1h×ηcog，t×Cg (30)
为了加强能量梯级利用率的价值体现，用动态加权法实现对高能量梯级利用率的价值奖励与低能量梯级利用率的价值惩罚，为此首先根据能源梯级利用率的大小分为四类：
优ηcog，t∈(0.70，1]、良ηcog，t∈(0.50，0.70]、合格ηcog，t∈(0.40，0.50]、差ηcog，t∈[0，0.40]，即在已经得到的能量梯级利用率的价值基础上乘以动态加权函数，为了达到对高能量梯级利用率价值的大幅提升和对低能量梯级利用率价值的压低，取偏大型正态分布函数作为动态加权函数：
Figure FDA0002886916190000091
其中，参数a可取差类指标[0，0.55]中的某定值，参数σ由w(0.85)＝0.9确定；由此得到系统模型综合效益的单目标函数：
G＝w(ηcog，t)×Cη-CR (32)
其中，G为系统模型综合效益的单目标函数。
7.如权利要求6所述的基于能源梯级利用的能源路由器的运行优化方法，其特征在于，步骤5中运用粒子群算法求一种基于能源梯级利用的能源路由器数学模型，以综合效益G最大化为目标函数的解，具体步骤为：
步骤5.1：设置算法参数，包括粒子数N、最大迭代次数K、学习因子、惯性因子w；
步骤5.2：随机生成模型决策变量(Qg，vmod，Pb，t，pe，t)作为粒子的初始位置，同时生成粒子的初始速度vid(0)，形成一个粒子，根据约束条件检验是否满足约束方程，若满足则粒子可行；否则重新随机生成一个新的粒子，继续检验，直至粒子可行，初始位置作为每个个体历史最佳Pi＝(pi1，pi2，pi3，pi4)；
步骤5.3：重复步骤5.2直至生成粒子数达到K；
步骤5.4：计算每个个体的适应度：
Figure FDA0002886916190000092
其中，s(d(i，j))为第i个粒子和第j个粒子的适应度分享函数：
Figure FDA0002886916190000093
其中，d(i，j)为第i个粒子和第j各粒子的距离，σshare为niche半径；
步骤5.5：以适应度大小作为每个个体被选中的概率，随机选择一个个体作为群体历史最佳，更新粒子速度和位置：
vid(t+1)＝w×vid(t)+c1×rand()×[pid(t)-xid(t)]+c2×rand()×[pgd(t)-xid(t)] (35)
xid(t+1)＝xid(t)+vid(t+1) (36)
其中，1≤i≤N 1≤d≤4；c1，c2为正常数，称为加速因子；rand()为[0，1]随机数；pid(t)为第d个粒子t时刻的历史最佳位置；pgd(t)为第d个粒子所在的粒子群体t时刻的历史最佳位置；若粒子某一维超过边界，则重新随机初始化该维数据，计算每个粒子的最佳向量；
步骤5.6：若当前粒子优于历史最佳则替换，若劣于历史最佳则保持，当迭代次数达到设定最大迭代次数后，终止迭代输出粒子群全局最优值及其对应的位置。
CN201810112595.8A 2018-02-05 2018-02-05 一种基于能源梯级利用的能源路由器及其运行优化方法 Active CN108206543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810112595.8A CN108206543B (zh) 2018-02-05 2018-02-05 一种基于能源梯级利用的能源路由器及其运行优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810112595.8A CN108206543B (zh) 2018-02-05 2018-02-05 一种基于能源梯级利用的能源路由器及其运行优化方法

Publications (2)

Publication Number Publication Date
CN108206543A CN108206543A (zh) 2018-06-26
CN108206543B true CN108206543B (zh) 2021-06-04

Family

ID=62606430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810112595.8A Active CN108206543B (zh) 2018-02-05 2018-02-05 一种基于能源梯级利用的能源路由器及其运行优化方法

Country Status (1)

Country Link
CN (1) CN108206543B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109184916A (zh) * 2018-08-27 2019-01-11 同济大学 综合能源路由器设备及能源转换的方法
CN109120008B (zh) * 2018-09-05 2022-05-03 东北大学 一种应用于风光储能的能源路由器装置储能优化方法
CN109217381B (zh) * 2018-11-09 2020-05-19 浙江大学 一种基于粒子群算法的能源路由器更换时间优化配置方法
CN111768020A (zh) * 2019-04-02 2020-10-13 卜晓阳 基于svm算法的客户用电需求识别方法
CN110570010B (zh) * 2019-07-31 2023-01-17 中国科学院广州能源研究所 一种含储热装置的分布式系统的能量管理方法
CN110599008A (zh) * 2019-08-28 2019-12-20 镇江市高等专科学校 一种热能和电能集成化微网系统
CN110735682B (zh) * 2019-09-20 2022-04-22 华电电力科学研究院有限公司 一种基于多目标优化算法的分布式余压发电系统及调控方法
EP4024295A4 (en) * 2019-09-30 2023-05-10 Siemens Aktiengesellschaft OPTIMIZATION METHOD AND DEVICE FOR INTEGRATED POWER SYSTEM AND COMPUTER READABLE STORAGE MEDIUM
CN111121340B (zh) * 2020-01-15 2020-12-04 安徽普泛能源技术有限公司 一种循环利用多品质余热的系统
CN111415036B (zh) * 2020-03-17 2022-12-06 西安建筑科技大学 一种中央空调系统并联冷机负荷优化分配方法
CN112202203A (zh) * 2020-09-30 2021-01-08 国网山东省电力公司经济技术研究院 一种电热微网能量耦合的梯级利用优化方法
CN112821447A (zh) * 2021-01-05 2021-05-18 上海电机学院 一种多能形式能源路由器的运行工况集划分方法
CN114285026B (zh) * 2021-12-06 2023-08-15 内蒙古工业大学 一种农牧区电能路由器调度方法
CN117933500A (zh) * 2024-03-25 2024-04-26 青岛鼎信通讯科技有限公司 一种基于能量路由器的园区多元能源优化调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194516A (zh) * 2017-06-07 2017-09-22 华北电力大学 含多主体的多能互补微电网分布式优化调度方法
CN107609684A (zh) * 2017-08-24 2018-01-19 浙江万克新能源科技有限公司 一种基于微电网的综合能源系统经济优化调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194516A (zh) * 2017-06-07 2017-09-22 华北电力大学 含多主体的多能互补微电网分布式优化调度方法
CN107609684A (zh) * 2017-08-24 2018-01-19 浙江万克新能源科技有限公司 一种基于微电网的综合能源系统经济优化调度方法

Also Published As

Publication number Publication date
CN108206543A (zh) 2018-06-26

Similar Documents

Publication Publication Date Title
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
Ren et al. Multi-objective optimization and evaluation of hybrid CCHP systems for different building types
Luo et al. Multi-objective capacity optimization of a distributed energy system considering economy, environment and energy
CN111463836B (zh) 一种综合能源系统优化调度方法
CN109165788B (zh) 一种冷热电联供系统的优化方法
CN109859071B (zh) 虚拟电厂多能互补的源荷储优化配置方法
CN111860937B (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
CN111340274A (zh) 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN112069720B (zh) 一种综合能源系统及其运行优化方法
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
CN110705776A (zh) 能源优化调度方法
CN110807588B (zh) 一种多能源耦合综合能源系统的优化调度方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN112419087B (zh) 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法
Chang et al. Multi-objective optimization of a novel combined cooling, dehumidification and power system using improved M-PSO algorithm
CN114529075A (zh) 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法
CN112131712B (zh) 客户侧多能源系统多目标优化方法和系统
CN110555618A (zh) 基于改进樽海鞘算法的网络化综合能源系统优化调度方法
CN113255198B (zh) 一种含虚拟储能的冷热电联供微电网多目标优化方法
CN112418488B (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
CN113592365B (zh) 一种考虑碳排放与绿电消纳的能源优化调度方法及系统
CN112165122A (zh) 一种综合能源系统的运行方法及系统
CN110796279A (zh) 一种多能互补优化运行方法与系统
CN116307077A (zh) 一种冷热电联供型微网系统运行优化方法
CN114091728A (zh) 一种基于江水源热泵的供能系统优化调度方法和系统

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