CN108646552B - 基于遗传算法的天然气分布式能源机组参数的多目标优化方法 - Google Patents

基于遗传算法的天然气分布式能源机组参数的多目标优化方法 Download PDF

Info

Publication number
CN108646552B
CN108646552B CN201810339277.5A CN201810339277A CN108646552B CN 108646552 B CN108646552 B CN 108646552B CN 201810339277 A CN201810339277 A CN 201810339277A CN 108646552 B CN108646552 B CN 108646552B
Authority
CN
China
Prior art keywords
power
natural gas
heating
annual
energy system
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.)
Expired - Fee Related
Application number
CN201810339277.5A
Other languages
English (en)
Other versions
CN108646552A (zh
Inventor
岳伟挺
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.)
School of Information Engineering of Hangzhou Dianzi University
Original Assignee
School of Information Engineering of Hangzhou Dianzi University
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 School of Information Engineering of Hangzhou Dianzi University filed Critical School of Information Engineering of Hangzhou Dianzi University
Priority to CN201810339277.5A priority Critical patent/CN108646552B/zh
Publication of CN108646552A publication Critical patent/CN108646552A/zh
Application granted granted Critical
Publication of CN108646552B publication Critical patent/CN108646552B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法的天然气分布式能源机组参数的多目标优化方法，针对楼宇建筑的全年能源负荷需求，建立天然气分布式能源系统；将火用利用量、工程投资和和经济收益结合起来，建立天然气分布式能源系统的多目标优化函数模型；运用带精英策略的快速非支配排序遗传算法，优化计算冷热电机组的发电功率w、制冷功率q1、热水功率q2和设备运行时间，用于指导分布式能源系统的设计和运行调度；通过仿真结果，比较、分析各种能源价格波动时，能源系统热经济性和火用利用率的变化规律，得出不同能源价格下分布式能源系统的装机和运行原则。本发明对分布式能源系统的装机参数和运行时间优化后，具有良好的经济性能和能源梯级利用效益。

Description

基于遗传算法的天然气分布式能源机组参数的多目标优化 方法
技术领域
本申请属于能源优化技术领域，具体地说，涉及一种基于遗传算法的天然气分布式能源机组参数的多目标优化方法。
背景技术
天然气分布式能源冷、热、电三联供系统是分布式能源最为典型形式之一，系统通过燃烧天然气发电，余热作为溴化锂制冷机组或通过换热器向用户供冷或供热，实现能源的梯级利用，可大幅度提高燃料的利用价值。我国已将天然气分布式能源作为能源领域重点发展方向，规划到2020年天然气分布式能源装机总量将达到5000万千瓦。与传统的燃煤机组相比，天然气分布式能源机组更适用于楼宇或工业园区型的能源用户。目前国内已有众多处于筹建阶段的机组，其经济性和能源利用效率是令人首先关注的问题，因此其系统的规模容量与运行方式是最重要的设计任务之一。众多学者近年来从系统设计、运行及热经济性等方面，进行了许多初步研究，探索各种有效降低供热(冷)成本的技术方案。
分布式冷热电联产系统评价准则对系统集成开拓与设计至关重要。能源系统性能评价标准很多，如发电效率、能源消耗率、总能利用率、投资回报年限、经济效率等，目前研究的方法大多是把热效率和年度费用作为评价依据。王惠、安青松等(王惠，赵军，安青松，康利改.不同建筑负荷下分布式能源系统优化与政策激励研究[J].中国电机工程学报，2015，35(14)：3734-3740.)通过建立分布式能源系统三维和二维模型，考虑系统碳排放并引进碳税和电力回购，构建以运行费用为目标的分布式能源系统，研究办公型建筑冷热电供能的最优策略。张涛等(张涛，朱彤，高乃平，吴竺.分布式冷热电能源系统优化设计及多指标综合评价方法的研究[J].中国电机工程学报，2015，35(14)：3706-3712.)根据冷热电负荷需求、能源价格和设备技术信息等，建立内燃机、燃气轮机、燃料电池、光伏、吸收式制冷系统、换热器等在内的能源系统指标评价矩阵，根据各个系统的年费用为目标函数，运用非线性整数规划方法，求解得到不同系统的最优配置、运行策略和评价指标值。根据林汝谋、金红光等人的研究，认为采用火用效率作为评价准则比热效率更为合理(林汝谋，郭栋，金红光，隋军.布式冷热电联产系统的能量梯级利用率新准则[J]燃气轮机技术，2010,23(1)：1-10.)。
分布式能源系统研究的另外一个焦点问题是通过智能算法对系统进行优化计算。Longxi Li等(Longxi Li,Hailin Mu,Weijun Gao,Miao Li.Optimization and analysisof CCHP system based on energy loads coupling ofresidential and officebuildings[J].Applied Energy，2014,136(31)：206-216.)采用遗传算法以年费用最低为目标，优化居民和商业建筑热电冷三联供系统设备容量。Jiangjiang等(JiangjiangWanga,Tianzhi Mao.Cost allocation and sensitivity analysis of multi-productsfrom biomass gasification combined cooling heating and power system based onthe exergoeconomic methodology[J].Energy Conversion and Management，2015,105(15)：230-239.)通过建立火用利用模型，分析了产品价格、能源系统的投资、服务周期、利润率和运行时间对冷热电联供系统的经济性的影响。Rong Zeng等(Rong Zeng,HongqiangLi,Lifang Liu,Xiaofeng Zhang,Guoqiang Zhang.A novel method based on multi-population genetic algorithm for CCHP–GSHP coupling system optimization[J].Energy Conversion and Management，2015105(15)：1138-1148.)采用遗传算法，以冷热电联供系统一次能源节能效率、CO2减排量和运行时间和年度运行费用作为优化变量，优化机组容量和运行方式。目前的研究大多是从能源热效率或经济性对系统进行评价和优化。
经济性最优模式的控制目标是运行成本最低，根据预测或实测的冷、电负荷，计算出优化运行的燃机功率和对应的优化运行成本，进而通过控制燃机功率，调整系统运行状态，使系统在整个运行阶段内都趋于成本最低状态。能源综合利用效率最优模式的控制目标是分布式联供系统一次能源综合利用效率最高，通过控制燃机功率，调整系统运行状态，使系统在整个运行阶段内都趋于能源综合利用效率最高状态。能源系统的优化应从整体进行综合分析和设计，仅仅从某一个方面(例如：能源热效率或经济性)进行优化和控制，是不完整、不全面，无法兼顾。
发明内容
有鉴于此，本申请提供了一种基于遗传算法的天然气分布式能源机组参数的多目标优化方法。
为了解决上述技术问题，本申请公开了一种基于遗传算法的天然气分布式能源机组参数的多目标优化方法，包括以下步骤：
步骤1、针对楼宇建筑的全年能源负荷需求，建立天然气分布式能源系统；
步骤2、将火用利用量、工程投资和和经济收益结合起来，建立天然气分布式能源系统的多目标优化函数模型；
步骤3、运用带精英策略的快速非支配排序遗传算法，优化计算冷热电机组的发电功率w、制冷功率q1、热水功率q2和设备运行时间，用于指导分布式能源系统的设计和运行调度；
步骤4、通过仿真结果，比较、分析各种能源价格波动时，能源系统热经济性和火用利用率的变化规律，得出不同能源价格下分布式能源系统的装机和运行原则。
可选地，所述天然气分布式能源系统为楼宇型冷热电三联供系统；包括发电系统以及制冷和供热系统，所述发电系统包括依次连接的燃气内燃机和酒店配电系统，所述酒店配电系统通过导线与电网系统相连接；制冷和供热系统包括第一板式换热器、热水溴化锂机组和酒店房间内热源，所述第一板式换热器分别连接排烟机构、生活热水、酒店房间内热源和第二板式换热器；燃气内燃机的缸套热水流入第二板式换热器，被冷却降温之后通过缸套回水返回燃气内燃机，热水溴化锂机组和酒店房间内热源的回水流入第二板式换热器，被加热升温之后流入第一板式换热器；所述燃气内燃机内烟气依次通过第一板式换热器和排烟机构排出。
可选地，所述步骤2中的将火用利用量、工程投资和和经济收益结合起来，建立天然气分布式能源系统的多目标优化函数模型，具体为：
步骤2.1、对天然气分布式能源系统的热力指标和经济指标进行优化，得到优化的目标函数，其中，热力指标具体是指热经济系数F1，经济指标具体是指经济收益系数F2；
步骤2.2、对天然气分布式能源系统参数引入约束条件。
可选地，所述步骤2.1中的对天然气分布式能源系统的热力指标和经济指标进行优化，得到优化的目标函数，具体为：
Figure BDA0001630193510000041
Figure BDA0001630193510000042
Z1＝(K1*w+K2*q1+K3q0+K4q2) (3)Z2＝w*t1*P1+q1*t2*P2+q0*t3*P3+q2*t4*P4-B*P5 (4)
式中，F1表示热经济系数，其值为能源系统总输出火用与总资金投入之比，该指标表示单位投资下系统所能获得的火用量，即单位资金能够产生的有用功，kW/元；
F2表示经济收益系数，其值为系统的年收益与总资金投入之比，该指标表示单位投资所能够产生的经济回报；
Z1表示工程初期投资，元；
Z2表示年度运行收益，元；
w——发电功率(kW)；
q0——供热功率(kW)；
q1——制冷功率(kW)；
q2——热水功率(kW)；根据能源用户的需求，不同季节下24h内热水功率平均值均取523.7KW；
Tg—热源温度，T＝500℃；
T0—环境温度，T0＝20℃；
Tc—冷源温度，Tc＝5℃；
Tw—热水温度，Tc＝70℃；
k1＝0.45万元/kw，k2＝0.2万元/kw，k3＝0.1万元/kw，k4＝0.05万元/kw；
P1—售电价，具体根据市价进行调整；
P2—供冷价，具体根据市价进行调整；
P3—供热蒸气价，具体根据市价进行调整；
P4—供热水价，具体根据市价进行调整；
P5—天然气进气价格，具体根据市价进行调整；
P6—市政自来水价，具体根据市价进行调整；
t1—供电设备的年运行时间，0＜t1≤305天；
t2—供冷设备的年运行时间，0＜t2≤140天；
t3—供热设备的年运行时间，0＜t3≤165天；
t4—供热水设备的年运行时间，0＜t4≤305天。
可选地，所述工程初期投资Z1包括发电设备、供热设备、制冷设备的投资；年度运行收益Z2包括发电收益、供热收益、制冷收益，并减去能源系统所消耗的天然气的成本。
可选地，所述步骤2.2中的对天然气分布式能源系统参数引入约束条件具体为：
Figure BDA0001630193510000051
Figure BDA0001630193510000052
Q0+Q1+Q2+3.6W≤B*QL (7)
W＝w*t1*24*3.6 (8)
Q0＝q0*t3*24*3.6 (9)
Q1＝q1*t2*24*3.6 (10)
Q2＝q2*t4*24*3.6 (11)
式中：
η1—能源系统的年平均能源综合利用率(％)；
η2—能源系统的热电比(％)
W—联供系统年发电量(kW·h)；
Q0—年供暖供热总量(MJ)；
Q1—年供冷总量(MJ)；
Q2—年热水供热总量(MJ)；
B—年天然气总耗量(Nm3)；
QL—天然气低位发热量(MJ/Nm3)，取为36.3MJ/Nm3。
可选地，所述步骤3中的运用带精英策略的快速非支配排序遗传算法，优化计算冷热电机组的发电功率w、制冷功率q1、热水功率q2和设备运行时间具体为：
步骤3.1、在建筑的24h冷热电负荷需求范围内，任意选择一组冷热电负荷数值发电功率w、制冷功率q1、热水功率q2作为优化算法的初始值；
步骤3.2、运用带精英策略的快速非支配排序遗传算法，计算公式(1)和公式(2)中的F1和F2的最优解，所求得最优解数值的集合称为Pareto前沿面；
步骤3.3、在Pareto最优解的集合中，每一组目标函数F1和F2的最优解，NSGA-Ⅱ算法都求出该目标函数所对应的一组优化变量，即电功率参数w、供热功率参数q1、制冷功率参数q2的取值，以及各种功率的设备运行时间t1、t2、t3；
步骤3.4、根据功率和运行时间，通过公式(8)-(11)，可以求得联供系统的年发电量W、年供暖供热总量Q0、年供暖供热总量Q1。
与现有技术相比，本申请可以获得包括以下技术效果：
1)本发明对分布式能源系统的装机参数和运行时间进行优化后，能源系统的收益与投入的资金比例最高可达到约1.3，火用利用量与投入资金比例可达到7.3kW/元，系统具有良好的经济性能和能源梯级利用效益。
2)制冷系统的负荷优化计算结果为其平均值，发电系统的负荷优化计算结果是其用电负荷的最小值。天然气分布式能源系统应增加冷热负荷的供应，不依靠发电为盈利方式。
3)冷、热、电以及天然气这四种能源价格明显影响分布式能源系统的投资收益比，在制冷价格提高到1.50元/kW时，系统的收益与投入的资金比例最大可达到1.8；在供热价格提高到0.8元/kW时，收益与投入的资金比例最大可达到1.5；在发电价格提高到1.4元/kW时，收益与投入的资金比例最大可达到1.6。若天然气降低到2.40元/Nm3时，能源系统的收益与投入的资金比例可提高到1.35。
4)随着火用利用效率的提高，价格因素对经济收益的影响逐渐下降。在火用利用效率最大的情况下，能源价格的影响最小。这表明可通过能源的高效利用来弥补能源低价格对经济收益的影响。
当然，实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例1中的分布式冷热电联供系统结构；
图2是本申请宾馆建筑的24h冷热电负荷需求；
图3是本申请NSGA-Ⅱ算法迭代2000次的Pareto前沿面；
图4是本申请制冷价格对优化结果的影响；
图5是本申请供热价格对优化结果的影响；
图6是本申请发电价格对优化结果的影响；
图7是本申请天然气价格对优化结果的影响。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式，藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明公开了一种基于遗传算法的天然气分布式能源机组参数的多目标优化方法，包括以下步骤：
步骤1、针对楼宇建筑的全年能源负荷需求，建立天然气分布式能源系统；
具体地，所述天然气分布式能源系统为楼宇型冷热电三联供系统；包括发电系统以及制冷和供热系统，所述发电系统包括依次连接的燃气内燃机4和酒店配电系统6，所述酒店配电系统6通过导线与电网系统7相连接；制冷和供热系统包括第一板式换热器1、热水溴化锂机组8和酒店房间内热源9，所述第一板式换热器1分别连接排烟机构5、生活热水3、酒店房间内热源9和第二板式换热器2；燃气内燃机4的缸套热水流入第二板式换热器2，被冷却降温之后通过缸套回水返回燃气内燃机4，热水溴化锂机组8和酒店房间内热源9的回水流入第二板式换热器2，被加热升温之后流入第一板式换热器1；所述燃气内燃机4内烟气依次通过第一板式换热器1和排烟机构5排出。
燃气内燃机发电容量在扣除机组系统用电部分后，剩余电量全部供给用户。燃气内燃机4的500℃以上的高温烟气和缸套热水作为板式换热器(第一板式换热器1和第二板式换热器2)或热水溴化锂机组8的热源；发电机组的中冷水温度一般为40～50℃，这部分热量可以考虑作为生活热水的预热热源加以利用。燃气内燃机4的最终排放烟温度在100℃左右，直接排放至大气。在余热无法满足建筑物冷、热负荷时，可考虑加入常规系统的供能方式，如用电空调补充制冷，电空调用电可来自市电网，也可以由燃气发电机提供。
步骤2、将火用利用量、工程投资和和经济收益结合起来，建立天然气分布式能源系统的多目标优化函数模型(具体包括热经济系数F1和经济收益系数F2)，具体为：
步骤2.1、对天然气分布式能源系统的热力指标和经济指标进行优化，得到优化的目标函数，其中，热力指标具体是指热经济系数F1，经济指标具体是指经济收益系数F2，优化的目标函数如下：
Figure BDA0001630193510000091
Figure BDA0001630193510000092
Z1＝(K1*w+K2*q1+K3q0+K4q2) (3)Z2＝w*t1*P1+q1*t2*P2+q0*t3*P3+q2*t4*P4-B*P5 (4)
式中，F1表示热经济系数，其值为能源系统总输出火用与总资金投入之比，该指标表示单位投资下系统所能获得的火用量，即单位资金能够产生的有用功，kW/元；
F2表示经济收益系数，其值为系统的年收益与总资金投入之比，该指标表示单位投资所能够产生的经济回报；
Z1表示工程初期投资，元，设备价格与设备功率成正比的线性关系；
Z2表示年度运行收益，元；
w——发电功率(kW)；
q0——供热功率(kW)；
q1——制冷功率(kW)；
q2——热水功率(kW)；根据能源用户的需求，不同季节下24h内热水功率平均值均取523.7KW；
Tg—热源温度，T＝500℃；
T0—环境温度，T0＝20℃；
Tc—冷源温度，Tc＝5℃；
Tw—热水温度，Tc＝70℃；
k1＝0.45万元/kw，k2＝0.2万元/kw，k3＝0.1万元/kw，k4＝0.05万元/kw；
P1—售电价，可以按1.08元/kWh，具体根据市价进行调整；
P2—供冷价，可以按0.3元/kWh，具体根据市价进行调整；
P3—供热蒸气价，可以按0.4元/kWh，具体根据市价进行调整；
P4—供热水价，可以按0.4元/kWh，具体根据市价进行调整；
P5—天然气进气价格，可以3.1元/标方，具体根据市价进行调整；
P6—市政自来水价，可以按1.3元/标方，具体根据市价进行调整；
t1—供电设备的年运行时间，0＜t1≤305天；
t2—供冷设备的年运行时间，0＜t2≤140天；
t3—供热设备的年运行时间，0＜t3≤165天；
t4—供热水设备的年运行时间，0＜t4≤305天；
步骤2.2、对天然气分布式能源系统参数引入约束条件，具体为：
Figure BDA0001630193510000101
Figure BDA0001630193510000102
Q0+Q1+Q2+3.6W≤B*QL (7)
W＝w*t1*24*3.6 (8)
Q0＝q0*t3*24*3.6 (9)
Q1＝q1*t2*24*3.6 (10)
Q2＝q2*t4*24*3.6 (11)
式中：
η1—天然气分布式能源系统的年平均能源综合利用率(％)；
η2—能源系统的热电比(％)；
W—联供系统年发电量(kW·h)；
Q0—年供暖供热总量(MJ)；
Q1—年供冷总量(MJ)；
Q2—年热水供热总量(MJ)；
B—年天然气总耗量(Nm3)；
QL—天然气低位发热量(MJ/Nm3)，取为36.3MJ/Nm3。
步骤3、运用带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)，优化计算冷热电机组的发电功率w、制冷功率q1、热水功率q2和设备运行时间；
步骤3.1、如图1所示，在建筑的24h冷热电负荷需求范围内，任意选择一组冷热电负荷数值发电功率w、制冷功率q1、热水功率q2作为优化算法的初始值；
步骤3.2、运用带精英策略的快速非支配排序遗传算法，计算公式(1)和公式(2)中的F1和F2的最优解，所求得最优解数值的集合称为Pareto前沿面；
步骤3.3、在Pareto最优解的集合中，每一组目标函数F1和F2的最优解，NSGA-Ⅱ算法都求出该目标函数所对应的一组优化变量，即电功率参数w、供热功率参数q1、制冷功率参数q2的取值，以及各种功率的设备运行时间t1、t2、t3；
步骤3.4、根据功率和运行时间，通过公式(8)-(11)，可以求得联供系统的年发电量W、年供暖供热总量Q0、年供暖供热总量Q1。
步骤4、通过仿真结果，比较、分析各种能源价格波动时，能源系统热经济性和火用利用率的变化规律，得出不同能源价格下分布式能源系统的装机和运行原则。
步骤4.1、确定能源价格的影响程度：当制冷价格、供热价格、发电价格、天然气价格随市场波动时，通过本优化方法，计算在不同价格下分布式能源机组的热经济性系数F1和收益系数F2，如图4～图7所示。从计算结果看出，能源价格对F2的影响要大于对F1的影响，这反映了价格因素主要对能源系统的未来经济收益产生影响，而对系统的初始投资和火用利用效率的影响较小。具体而言，当制冷价格从0.5元/kWh升高到1.5元/kWh，经济收益系数最大值从1.12升高到1.73，经济收益升高了54％；当供热价格从0.4元/kWh升高到0.8元/kWh，经济收益系数最大值从1.35升高到1.53，经济收益升高了13％；当发电价格从0.7元/kWh升高到1.4元/kWh，经济收益系数最大值从1.02升高到1.59，经济收益升高了55％。
计算结果表明，制冷价格和供电价格对分布式能源系统的经济收益有明显影响。机组在参数配置上应重点加大制冷的供应量和运行时间，这将带来更好的经济收益。
步骤4.2、在图4～图7中，冷、热、电及天然气产品价格变化时，随着系数F1的增大，系数F2均是减小的。也就是说，火用利用率比较小的时候，价格因素对能源系统经济性的影响比较大。随着火用利用效率的提高，价格因素对经济收益的影响逐渐下降。当系数F1取最大值时，不同价格下的F2取值是最为接近的。这表明在能源价格比较低时，可以通过提高能源利用率来弥补低价格的影响；
步骤4.3、冷、热、电三种能源价格对系数F2减小速率的影响是不同的。在图5中，F2减小速率是最快的，当F1增大到最大值时，三种供热价格下的F2取值已经接近一致。即供热价格因素的影响，此刻对F2的影响已经可以忽略。在图6和图7中，随着F1增大，F2的值均在小幅减小，其中供电价格对F2减小的影响程度最轻。从图7中看出，当供电价格1.4元/kWh时，随着F1增加，F2的减小最缓慢。这表明在高电价下，火用利用率的提高对系统整体综合效益已经影响很小；这种情况下即使火用利用率比较低，分布式能源建设单位可以通过提高电价来获取高的经济收益。
通过以上计算和分析，分布式能源系统的装机和运行原则如下：
1)对分布式能源系统的装机参数和运行时间进行优化后，能源系统的收益与投入的资金比例最高可达到约1.3，火用利用量与投入资金比例可达到7.3kW/元，系统具有良好的经济性能和能源梯级利用效益。
2)制冷系统的负荷优化计算结果为其平均值，发电系统的负荷优化计算结果是其用电负荷的最小值。天然气分布式能源系统应增加冷热负荷的供应，不依靠发电为盈利方式。
3)冷、热、电以及天然气这四种能源价格明显影响分布式能源系统的投资收益比，在制冷价格提高到1.50元/kW时，系统的收益与投入的资金比例最大可达到1.8；在供热价格提高到0.8元/kW时，收益与投入的资金比例最大可达到1.5；在发电价格提高到1.4元/kW时，收益与投入的资金比例最大可达到1.6。若天然气降低到2.40元/Nm3时，能源系统的收益与投入的资金比例可提高到1.35。
4)随着火用利用效率的提高，价格因素对经济收益的影响逐渐下降。在火用利用效率最大的情况下，能源价格的影响最小。这表明可通过能源的高效利用来弥补能源低价格对经济收益的影响。
实施例1
1、天然气分布式能源系统及组成：
本发明研究的酒店总建筑面具约8万平方米，分为商务区域和酒店区域，有较大的电负荷和冷热负荷的需求。天然气分布式能源机组由动力系统(燃气发电机组)和余热利用系统(余热锅炉、换热器和溴化锂制冷机组)等组成，其能源系统结构如图1所示。燃气内燃机发电容量在扣除机组系统用电部分后，剩余电量全部供给用户。发电机组500℃以上的高温烟气和缸套水作为板式换热器或烟气热水型溴化锂机组的热源；发电机组的中冷水温度一般为40～50℃，这部分热量可以考虑作为生活热水的预热热源加以利用。内燃机组的最终排放烟温度在100℃左右，直接排放至大气。在余热无法满足建筑物冷、热负荷时，可考虑加入常规系统的供能方式，如用电空调补充制冷，电空调用电可来自市电网，也可以由燃气发电机提供。
该宾馆建筑的冷、热、电负荷数据如表1所示(夏季电负荷扣除了溴化锂冷水机组制冷替代的电制冷负荷所消耗的电量)。室外气候条件和室内人员活动是影响冷、热负荷的主要因素。热负荷主要集中在冬季时段，约100天；冷负荷主要集中在夏季时段，约120天；过渡季分别在4月到6月的春季和10月到12月的秋季。根据当地全年气象变化，并参考同类型酒店的运行实际经验数据，采用DEL软件绘制了该酒店的冷、热负荷曲线，如图2所示。各类负荷随季节变化较频繁，变化幅度非常大；一天之中各负荷主要集中在昼间时段，夜间仅有少量负荷。
表1制冷、供热、发电的运行时间和负荷范围
Figure BDA0001630193510000141
Figure BDA0001630193510000151
2、能源系统优化模型
2.1目标函数
在能源负荷的需求确定后，系统可以从不同的方面进行优化。从能源利用角度分析，当净输出功和火用效率最大，则系统的热力性能最优；而从经济角度分析，希望系统的投资费用最小，收益最大，项目资金利用周期最短。本发明兼顾系统的经济性能和能源利用效率，对热力指标和经济指标同时进行优化。优化的目标函数如下：
Figure BDA0001630193510000152
Figure BDA0001630193510000153
Z1＝(K1*w+K2*q1+K3q0+K4q2) (3)Z2＝w*t1*P1+q1*t2*P2+q0*t3*P3+q2*t4*P4-B*P5 (4)
式中，F1表示热经济系数；
F2表示经济收益系数；
Z1表示工程初期投资，元；
Z2表示年度运行收益，元；
w——发电功率(kW)；
q0——供热功率(kW)；
q1——制冷功率(kW)；
q2——热水功率(kW)；根据能源用户的需求，不同季节下24h内热水功率平均值均取523.7KW；
Tg—热源温度，T＝500℃；
T0—环境温度，T0＝20℃；
Tc—冷源温度，Tc＝5℃；
Tw—热水温度，Tc＝70℃；
P1—售电价，单位为元/kWh；
P2—供冷价，单位为元/kWh；
P3—供热蒸气价，单位为元/kWh；
P4—供热水价，单位为元/kWh；
P5—天然气进气价，单位为元/kWh；
本发明首先采用热经济系数F1作为衡量能源利用效率的指标，其值为能源系统总输出火用与总资金投入之比。该指标可表示单位投资下系统所能获得的火用量，即单位资金能够产生的有用功(kW/元)。本发明其次采用经济收益系数F2作为衡量经济收益的指标，其值为系统的年收益与总资金投入之比。该指标表示单位投资所能够产生的经济回报。通过优化计算，热经济系数F1和经济收益系数F2同时能达到最优化。按照这种原则配置机组的发电、供热、制冷功率，以满足能源高效利用和经济收益的双重要求。
工程初期投资Z1主要包括发电设备、供热设备、制冷设备的投资。根据工程经验，分布式能源设备投资与设备功率近似可取线性关系，k1＝0.45万元/kW，k2＝0.2万元/kW，k3＝0.1万元/kW，k4＝0.05万元/kW。
年度运行收益Z2包括发电收益、供热收益、制冷收益，并减去能源系统所消耗的天然气的成本。参考目前浙江省内的能源价格，售电价P1按1.08元/kWh；供冷价P2按0.3元/kWh；供热蒸气价P3按0.4元/kWh；供热水价P4按0.4元/kWh；天然气进气价P5按3.1元/Nm3。
2.2、约束条件
2.2.1、设计变量约束
为确定能源系统机组(燃气内燃机和热水溴化锂机组)规模和运行方式，取发电功率、供热功率、制冷功率,以及供热、制冷、发电系统(即燃气内燃机和热水溴化锂机组)的运行时间作为优化变量。根据能源需求和气候环境等因素，宾馆的冷、热、电三种负荷功率和需求时间的取值范围如表1所示。
2.2.2、约束条件：
我国《燃气冷热电分布式能源工程技术规程》(CJJ145-2010)中明确要求分布式能源系统的年平均能源综合利用率应大于70％；并考虑热电联产行业规定，各容量等级燃气-蒸汽联合循环热电联产的热电比年平均应大于30％。因此，能源系统参数需满足以下约束条件：
Figure BDA0001630193510000171
Figure BDA0001630193510000172
Q0+Q1+Q2+3.6W≤B*QL (7)
W＝w*t1*24*3.6 (8)
Q0＝q0*t3*24*3.6 (9)
Q1＝q1*t2*24*3.6 (10)
Q2＝q2*t4*24*3.6 (11)
式中：
η1—能源系统的年平均能源综合利用率(％)；
η2—能源系统的热电比(％)
W—联供系统年发电量(kW·h)；
Q0—年供暖供热总量(MJ)；
Q1—年供冷总量(MJ)；
Q2—年热水供热总量(MJ)；
B—年天然气总耗量(Nm3)；
QL—天然气低位发热量(MJ/Nm3)，取为36.3MJ/Nm3。
本发明研究的天然气分布式能源系统选用道以茨TCG型号内燃机，该类型内燃机的主要性能指标如表2所示。
表2燃气内燃机性能指标
Figure BDA0001630193510000181
Figure BDA0001630193510000191
3优化算法说明
在多目标优化问题中，大多情况下各个优化目标相互冲突和相互制约，某个目标性能的改善可能会导致其他目标性能的下降，同时使所有目标都达到最优是不可能实现的，只能在各个目标之间进行妥协折中和协调权衡，使所有的目标函数尽可能达到最优；因此，对于多目标优化问题，其最优解不是一个单独的最优解，多目标优化的结果通常是得到一个解集，称为Pareto最优集，解集中的决策向量称为非劣的，用图形化的方式表示由Pareto最优集中非劣向量所对应的目标函数称为Pareto前沿。多目标优化计算就是通过多目标优化方法获得问题的Pareto最优解集，并且根据实际条件和决策者偏好，从Pareto最优解集中选择一些Pareto最优解。带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)是迄今为止应用最广泛的多目标优化算法之一，具有以下优点：可以降低计算复杂度；采用拥挤距离比较算子进行选择，保证个体的多样性，防止过早收敛；引入精英保留机制，有利于保持优良的个体，提高种群的整体进化水平等。
NSGA-Ⅱ的计算过程如下：首先产生初始种群，接着判断是否可以退出算法，若退出，则得到Pareto最优解，若不退出，则使种群进化一代。在进化过程中，选择就是选取种群中适应度函数值较小的若干个体作为父代，产生新的种群，并不是所有的个体都可以成为父代中的一员，那些适应度函数太大，也就是不适应环境的个体将被淘汰。选择操作是基于序值和拥挤距离的，具体的说，两个个体的序值不同时，序值小的个体将被选中而不论其拥挤距离如何。当序值相同时，拥挤距离大的个体将被选中，这是因为拥挤距离越大，种群多样性越好。
4、仿真结果与分析
本发明采用的实数编码NSGA-Ⅱ优化算法选择算子为锦标赛选择算子、模拟二进制交叉算子、多项式变异算子。选取的各参数如下：种群数量100、交叉概率0.4、变异概率0.05，最大进化代数2000，得到的Pareto前沿面如图3所示。从其中任选10组优化计算结果，如表3所示。
在多目标最优解集中如何选择一个合适的解来满足优化设计的要求，是多目标优化必须解决的一个问题。对于分布式天然气发电系统多目标优化而言，就是在搜索空间所得到的所有Pareto最优解集中选出一组比较合适的解，通过优化配置冷(q1)、热(q0)、电设备功率(w)与年供热(Q0)、年供冷(Q1)、年发电总量(W)，以及设备运行时间，使能源系统的综合性能达到最好效果。根据图3结果，可以看到用本发明所述算法对热经济系数F1和经济收益系数F2同时进行优化配置后，最后获得一组Pareto最优解。随着系数F1增大，即能源利用效率是增加的，单位投资下可以利用的火用量增加；但是与此同时系数F2逐渐减小，经济收益下降。由于这两个目标函数的相互矛盾性，一般情况下使它们同时最优化的可能性很小，因此只能根据系统的实际要求从Pareto最优解集中进行选择。选出最优解是一个决策过程。实际上，这个决策过程主要依赖于工程经验和决策者的偏好。当以能源利用效率为主要目标时，可在F1较大的方案中进行选择；当以经济收益为主要目标时，可在F2较大的方案中进行选择。
表3优化计算结果
Figure BDA0001630193510000201
Figure BDA0001630193510000211
把表2和表3进行比较可以看出，制冷、供热及发电系统运行时间的优化计算结果均为能源负荷实际需求的最大时间。这表明为了使系统达到最优的热经济性，应尽量增加设备可运行的时间，减少设备闲置时间。从设备功率的优化计算结果看出，发电功率值是其下限值，这表明对于天然气分布式能源系统，在目前的天然气价格下，单纯依靠增加发电量是不经济的。机组参数配置应遵循能源梯级利用的原则，在满足基本用电负荷的需求后，适当增大供热功率，主要依靠增大制冷功率，以替代传统的电制冷机对能源的消耗。通过机组冷、热、电的合理分配，使得单位投资下的火用利用效率和经济收益达到综合优化。
5、热经济性分析
5.1能源价格对经济收益的影响
当制冷价格、供热价格、发电价格、天然气价格随市场波动时，价格因素对分布式能源系统的热经济性系数F1和收益系数F2的影响结果如图4～图7所示。随着冷、热、电价格的提高，系数F2均明显增大，表明系统的经济效益是提高的。从计算结果看出，能源价格对F2的影响要大于对F1的影响，这反映了价格因素主要对能源系统的未来经济收益产生影响，而对系统的初始投资和火用利用效率的影响较小。具体而言，当制冷价格从0.5元/kWh升高到1.5元/kWh，经济收益系数最大值从1.12升高到1.73，经济收益升高了54％；当供热价格从0.4元/kWh升高到0.8元/kWh，经济收益系数最大值从1.35升高到1.53，经济收益升高了13％；当发电价格从0.7元/kWh升高到1.4元/kWh，经济收益系数最大值从1.02升高到1.59，经济收益升高了55％。优化结果表明，制冷价格和供电价格对分布式能源系统的经济收益有明显影响。机组在参数配置上应重点加大制冷的供应量和运行时间，这将带来更好的经济收益。
从图7看出，随着天然气价格提高，热经济系数F1基本不变，但收益系数F2明显减小，这表明天然气的价格主要影响供能系统的经济收益，但是不影响火用利用率。天然气价格越低，供能系统的经济收益越高。
如在说明书及权利要求当中使用了某些词汇来指称特定成分或方法。本领域技术人员应可理解，不同地区可能会用不同名词来称呼同一个成分。本说明书及权利要求并不以名称的差异来作为区分成分的方式。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
上述说明示出并描述了发明的若干优选实施例，但如前所述，应当理解发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

Claims (7)

1.一种基于遗传算法的天然气分布式能源机组参数的多目标优化方法，其特征在于，包括以下步骤：
步骤1、针对楼宇建筑的全年能源负荷需求，建立天然气分布式能源系统；
步骤2、将火用利用量、工程投资和和经济收益结合起来，建立天然气分布式能源系统的多目标优化函数模型；
步骤3、运用带精英策略的快速非支配排序遗传算法，优化计算冷热电机组的发电功率w、制冷功率q1、热水功率q2和设备运行时间，用于指导分布式能源系统的设计和运行调度；
步骤4、通过仿真结果，比较、分析各种能源价格波动时，能源系统热经济性和火用利用率的变化规律，得出不同能源价格下分布式能源系统的装机和运行原则。
2.根据权利要求1所述的优化方法，其特征在于，所述天然气分布式能源系统为楼宇型冷热电三联供系统；包括发电系统以及制冷和供热系统，所述发电系统包括依次连接的燃气内燃机(4)和酒店配电系统(6)，所述酒店配电系统(6)通过导线与电网系统(7)相连接；制冷和供热系统包括第一板式换热器(1)、热水溴化锂机组(8)和酒店房间内热源(9)，所述第一板式换热器(1)分别连接排烟机构(5)、生活热水(3)、酒店房间内热源(9)和第二板式换热器(2)；燃气内燃机(4)的缸套热水流入第二板式换热器(2)，被冷却降温之后通过缸套回水返回燃气内燃机(4)，热水溴化锂机组(8)和酒店房间内热源(9)的回水流入第二板式换热器(2)，被加热升温之后流入第一板式换热器(1)；所述燃气内燃机(4)内烟气依次通过第一板式换热器(1)和排烟机构(5)排出。
3.根据权利要求1所述的优化方法，其特征在于，所述步骤2中的将火用利用量、工程投资和和经济收益结合起来，建立天然气分布式能源系统的多目标优化函数模型，具体为：
步骤2.1、对天然气分布式能源系统的热力指标和经济指标进行优化，得到优化的目标函数，其中，热力指标具体是指热经济系数F1，经济指标具体是指经济收益系数F2；
步骤2.2、对天然气分布式能源系统参数引入约束条件。
4.根据权利要求3所述的优化方法，其特征在于，所述步骤2.1中的对天然气分布式能源系统的热力指标和经济指标进行优化，得到优化的目标函数，具体为：
Figure FDA0002693482140000021
Figure FDA0002693482140000022
Z1＝(K1*w+K2*q1+K3q0+K4q2) (3)
Z2＝w*t1*P1+q1*t2*P2+q0*t3*P3+q2*t4*P4-B*P5 (4)
式中，F1表示热经济系数，其值为能源系统总输出火用与总资金投入之比，该指标表示单位投资下系统所能获得的火用量，即单位资金能够产生的有用功，kW/元；
F2表示经济收益系数，其值为系统的年收益与总资金投入之比，该指标表示单位投资所能够产生的经济回报；
Z1表示工程初期投资，元；
Z2表示年度运行收益，元；
w——发电功率(kW)；
q0——供热功率(kW)；
q1——制冷功率(kW)；
q2——热水功率(kW)；根据能源用户的需求，不同季节下24h内热水功率平均值均取523.7KW；
Tg—热源温度，T＝500℃；
T0—环境温度，T0＝20℃；
Tc—冷源温度，Tc＝5℃；
Tw—热水温度，Tc＝70℃；
k1＝0.45万元/kw，k2＝0.2万元/kw，k3＝0.1万元/kw，k4＝0.05万元/kw；
P1—售电价，具体根据市价进行调整；
P2—供冷价，具体根据市价进行调整；
P3—供热蒸气价，具体根据市价进行调整；
P4—供热水价，具体根据市价进行调整；
P5—天然气进气价格，具体根据市价进行调整；
P6—市政自来水价，具体根据市价进行调整；
t1—供电设备的年运行时间，0＜t1≤305天；
t2—供冷设备的年运行时间，0＜t2≤140天；
t3—供热设备的年运行时间，0＜t3≤165天；
t4—供热水设备的年运行时间，0＜t4≤305天；
B—年天然气总耗量(Nm3)。
5.根据权利要求4所述的优化方法，其特征在于，所述工程初期投资Z1包括发电设备、供热设备、制冷设备的投资；年度运行收益Z2包括发电收益、供热收益、制冷收益，并减去能源系统所消耗的天然气的成本。
6.根据权利要求3所述的优化方法，其特征在于，所述步骤2.2中的对天然气分布式能源系统参数引入约束条件具体为：
Figure FDA0002693482140000031
Figure FDA0002693482140000032
Q0+Q1+Q2+3.6W≤B*QL (7)
W＝w*t1*24*3.6 (8)
Q0＝q0*t3*24*3.6 (9)
Q1＝q1*t2*24*3.6 (10)
Q2＝q2*t4*24*3.6 (11)
式中：
η1—能源系统的年平均能源综合利用率(％)；
η2—能源系统的热电比(％)
W—联供系统年发电量(kW·h)；
Q0—年供暖供热总量(MJ)；
Q1—年供冷总量(MJ)；
Q2—年热水供热总量(MJ)；
B—年天然气总耗量(Nm3)；
QL—天然气低位发热量(MJ/Nm3)，取为36.3MJ/Nm3。
7.根据权利要求1所述的优化方法，其特征在于，所述步骤3中的运用带精英策略的快速非支配排序遗传算法，优化计算冷热电机组的发电功率w、制冷功率q1、热水功率q2和设备运行时间具体为：
步骤3.1、在建筑的24h冷热电负荷需求范围内，任意选择一组冷热电负荷数值发电功率w、制冷功率q1、热水功率q2作为优化算法的初始值；
步骤3.2、运用带精英策略的快速非支配排序遗传算法，计算公式(1)和公式(2)中的F1和F2的最优解，所求得最优解数值的集合称为Pareto前沿面；
步骤3.3、在Pareto最优解的集合中，每一组目标函数F1和F2的最优解，NSGA-Ⅱ算法都求出该目标函数所对应的一组优化变量，即电功率参数w、供热功率参数q1、制冷功率参数q2的取值，以及各种功率的设备运行时间t1、t2、t3；
步骤3.4、根据功率和运行时间，通过公式(8)-(11)，求得联供系统的年发电量W、年供暖供热总量Q0、年供暖供热总量Q1。
CN201810339277.5A 2018-04-16 2018-04-16 基于遗传算法的天然气分布式能源机组参数的多目标优化方法 Expired - Fee Related CN108646552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810339277.5A CN108646552B (zh) 2018-04-16 2018-04-16 基于遗传算法的天然气分布式能源机组参数的多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810339277.5A CN108646552B (zh) 2018-04-16 2018-04-16 基于遗传算法的天然气分布式能源机组参数的多目标优化方法

Publications (2)

Publication Number Publication Date
CN108646552A CN108646552A (zh) 2018-10-12
CN108646552B true CN108646552B (zh) 2020-12-11

Family

ID=63746562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810339277.5A Expired - Fee Related CN108646552B (zh) 2018-04-16 2018-04-16 基于遗传算法的天然气分布式能源机组参数的多目标优化方法

Country Status (1)

Country Link
CN (1) CN108646552B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884898B (zh) * 2019-03-22 2022-01-28 河海大学 一种综合能源系统多目标模糊优化方法
CN110110904A (zh) * 2019-04-17 2019-08-09 华北电力大学 考虑经济性、独立性和碳排放的综合能源系统优化方法
CN110414779A (zh) * 2019-06-18 2019-11-05 华电电力科学研究院有限公司 一种基于改进mrm法的分布式系统多目标优化设计方法
CN110990793B (zh) * 2019-12-07 2024-03-15 国家电网有限公司 电热气耦合微能源站调度优化方法
CN111291995B (zh) * 2020-02-14 2024-02-23 广东省智能制造研究所 一种基于moea的生产线设备资源优化配置方法及装置
CN111429301B (zh) * 2020-03-26 2023-04-28 中国科学技术大学 一种容量配置和运行策略的协同优化处理方法和装置
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN111881540B (zh) * 2020-05-28 2024-02-02 湘潭大学 一种能量枢纽中热泵容量和各能源设备功率的优化方法
CN111928294B (zh) * 2020-08-06 2023-03-24 华能太原东山燃机热电有限责任公司 一种燃气-蒸汽联合循环机组热电成本分摊的方法
CN112182887A (zh) * 2020-09-30 2021-01-05 深圳供电局有限公司 一种综合能源系统规划优化仿真方法
CN113777919B (zh) * 2021-08-13 2023-11-17 哈尔滨工程大学 一种基于nsga-ⅱ遗传算法的自抗扰控制的串级燃气轮机功率控制方法
CN115864429A (zh) * 2022-08-31 2023-03-28 湖北工业大学 双碳目标下风储火协同的多目标优化agc方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105207573A (zh) * 2015-09-04 2015-12-30 浙江大学 基于离散概率模型的风光互补供电系统定量优化配置方法
KR101596692B1 (ko) * 2012-07-06 2016-02-23 연세대학교 산학협력단 환경성을 고려한 합성기둥 열의 설계방법
CN105914758A (zh) * 2016-05-17 2016-08-31 华北电力大学 考虑分布式电源无功补偿成本的电网无功优化方法
CN106487005A (zh) * 2016-11-14 2017-03-08 国网浙江省电力公司经济技术研究院 一种考虑输配电价的电网规划方法
CN107706923A (zh) * 2017-10-27 2018-02-16 云南电网有限责任公司 一种适用于主动配电网的负荷主动管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101596692B1 (ko) * 2012-07-06 2016-02-23 연세대학교 산학협력단 환경성을 고려한 합성기둥 열의 설계방법
CN105207573A (zh) * 2015-09-04 2015-12-30 浙江大学 基于离散概率模型的风光互补供电系统定量优化配置方法
CN105914758A (zh) * 2016-05-17 2016-08-31 华北电力大学 考虑分布式电源无功补偿成本的电网无功优化方法
CN106487005A (zh) * 2016-11-14 2017-03-08 国网浙江省电力公司经济技术研究院 一种考虑输配电价的电网规划方法
CN107706923A (zh) * 2017-10-27 2018-02-16 云南电网有限责任公司 一种适用于主动配电网的负荷主动管理方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Energy, exergy, economic (3E) analyses and multi-objective optimization of vapor absorption heat transformer using NSGA-II technique;Vaibhav Jain;《Energy Conversion and Management》;20170915;全文 *
Exergy analysis of a Combined Cooling, Heating and Power system integrated with wind turbine and compressed air energy storage system;Amin Mohammadi;《Energy Conversion and Management》;20170101;全文 *
基于改进非支配排序遗传算法的含DG 配电网优化配置;孟佳;《可再生能源》;20140930;全文 *
天然气分布式能源冷热电联供机组;岳伟挺;《新能源及工艺》;20151231;全文 *
太阳能驱动的冷热电联供系统研究进展;戴雨辰;《武汉工程大学学报》;20150930;全文 *

Also Published As

Publication number Publication date
CN108646552A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108646552B (zh) 基于遗传算法的天然气分布式能源机组参数的多目标优化方法
Wei et al. Multi-objective optimal operation and energy coupling analysis of combined cooling and heating system
CN111463836B (zh) 一种综合能源系统优化调度方法
Wang et al. Analysis of inlet air throttling operation method for gas turbine in performance of CCHP system under different operation strategies
Cui et al. Effect of device models on the multiobjective optimal operation of CCHP microgrids considering shiftable loads
CN111429301B (zh) 一种容量配置和运行策略的协同优化处理方法和装置
CN107860057B (zh) 一种热电联产供暖系统热负荷经济优化调度方法
CN110110897A (zh) 一种考虑不同储能运行策略的综合能源系统优化方法
Song et al. Study on the optimization and sensitivity analysis of CCHP systems for industrial park facilities
CN112149980A (zh) 区域级综合能源系统能效分析方法及系统
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
Vialetto et al. Innovative household systems based on solid oxide fuel cells for the Mediterranean climate
CN111969592A (zh) 基于用户满意度和需求响应的综合能源系统双层规划方法
CN110197300A (zh) 基于年综合费用最小的经开区综合能源系统规划方法
CN112329260A (zh) 一种多能互补微网多元多目标优化配置与优化运行方法
CN116432824A (zh) 基于多目标粒子群的综合能源系统优化方法及系统
CN114997715A (zh) 基于改进模糊c均值聚类的冷热电联供系统配置方法
Zeng et al. Multiobjective optimized dispatching for integrated energy system based on hierarchical progressive parallel NSGA‐II algorithm
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN113609778B (zh) 一种综合能源系统多目标优化方法及系统
CN213783243U (zh) 一种面向产业园区的综合能源系统运行优化装置
Jiang et al. An Integrated Energy System Evaluation Method Based on FAHP-EWM-TOPSIS
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
CN114997460A (zh) 考虑可再生能源最大消纳的区域型微能源网运行优化方法
CN113393053B (zh) 一种基于原动机的cchp系统的设备选型优化方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201211

Termination date: 20210416