CN109992828A - 一种热电联产设备容量配置方法和系统 - Google Patents
一种热电联产设备容量配置方法和系统 Download PDFInfo
- Publication number
- CN109992828A CN109992828A CN201910130918.0A CN201910130918A CN109992828A CN 109992828 A CN109992828 A CN 109992828A CN 201910130918 A CN201910130918 A CN 201910130918A CN 109992828 A CN109992828 A CN 109992828A
- Authority
- CN
- China
- Prior art keywords
- capacity
- cost
- optimal
- cogeneration
- equipment
- 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 49
- 238000005457 optimization Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 230000002068 genetic effect Effects 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000005265 energy consumption Methods 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000009434 installation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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
- Y02E20/00—Combustion technologies with mitigation potential
- Y02E20/14—Combined heat and power generation [CHP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种热电联产设备容量配置方法和系统，包括：基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；结合能源效率和设备利用率，对比第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。该方法和系统利用了最大矩形法和遗传算法对户用热电联产设备容量配置问题进行求解，相比单一计算方法，能够更好的保证得到最佳的热电联产设备的容量，解决了热电联产微电网容量优化配置复杂，导致现有户用热电联产设备的能源成本较高、能源效率低的问题，提高了经济效益。
Description
技术领域
本发明属于能源互联网技术领域，具体涉及一种热电联产设备容量配置方法和系统。
背景技术
随着人们对于生活质量需求的提高，全球能源消耗量快速增长，从而引发了能源危机和气候问题。同时，随着城市化水平的逐步提升，居民的用电、供暖等需求不断增加。因此，如何高效、清洁地利用现有的能源是亟待解决的问题。而户用热电联产设备的应用是提高能源利用效率，减少二氧化碳排放量的重要途径之一。
随着工业化和信息化的深入发展，家用热电联产已经受到国内外众多学者的广泛关注，但是，家用热电联产的容量配置技术研究，尤其是考虑能源成本的，是能源互联网领域研究的短板。在用户侧，负荷、能价等因素的时变性，以及新能源的随机性和波动性的存在为户用热电联产设备的容量配置带来了很大干扰。而容量配置结果的不同会导致户用热电联产设备的安装成本、使用频率、能源利用效率等结果值不同。安装热电联产设备的容量不合适可能会增加能源成本和减少能源效率。目前考虑能源成本最优的户用热电联产设备容量配置方法计算方式单一，难以保证得到最佳的热电联产设备的容量。
发明内容
为克服上述现有技术的不足，本发明提出一种热电联产设备容量配置方法和系统。该方法和系统提供一种考虑能源成本最优化，从而确定户用热电联产设备容量配置的技术方法，最优化每日能量损耗。
实现上述目的所采用的解决方案为：
一种热电联产设备容量配置方法，其改进之处在于，包括：
基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；
在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；
结合能源效率和设备利用率，对比所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
本发明提供的第一优选技术方案，其改进之处在于，所述基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量，包括：
基于电力负荷的历史数据，绘制负荷分布曲线；
以坐标轴原点和所述曲线上的点间连接线为对角线，绘制矩形；
以面积最大矩形的宽度为热电联产设备的第一最适容量。
本发明提供的第二优选技术方案，其改进之处在于，所述在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量，包括：
采用第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间；
在所述容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量；
其中，所述第二等梯度小于第一等梯度。
本发明提供的第三优选技术方案，其改进之处在于，所述采用设第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间，包括：
以最小化的每日能源成本为目标函数，以用户需求、设备效率和能源输送为约束条件，采用第一等梯度，利用遗传算法进行一次优化，得到基于成本最优的热电联产设备容量所在容量区间。
本发明提供的第四优选技术方案，其改进之处在于，所述在所述容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量，包括：
在所述容量区间内，以最小化的每日能源成本为目标函数，以用户需求、设备效率和能源输送为约束条件，采用第二等梯度，利用遗传算法进行二次优化，得到基于成本最优的热电联产设备的第二最适容量。
本发明提供的第五优选技术方案，其改进之处在于，所述结合能源效率和设备利用率，对比所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量，包括：
分别计算第一最适容量和第二最适容量对应的能源效率和设备利用率；
基于所述能源效率、设备利用率和能耗成本，分别计算所述第一最适容量和第二最适容量的等效成本优选指标；
比较所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
本发明提供的第六优选技术方案，其改进之处在于，所述能源效率如下式计算：
其中，表示第一最适容量或第二最适容量对应的能源效率，ηCHPE(t)表示采用对应的容量配置时在t时间热电联产设备的电能输出效率，ηCHPH(t)表示采用对应的容量配置时在t时间热电联产设备的热能输出效率，L表示时段数量。
本发明提供的第七优选技术方案，其改进之处在于，所述设备利用率如下式计算：
其中，hCHP表示第一最适容量或第二最适容量对应的设备利用率，PCHPin(t)表示采用hCHP对应的容量配置时在t时间供给热电联产设备的燃气对应功率，PR表示热电联产设备的额定功率，L表示时段数量。
本发明提供的第八优选技术方案，其改进之处在于，所述等效成本优选指标如下式计算：
其中，W1表示第一最适容量对应的等效成本优选指标，表示量第一最适容量对应的能源效率，表示第一最适容量对应设备利用率，C1表示第一最适容量对应的能耗成本，W2表示第二最适容量对应的等效成本优选指标，表示第二最适容量对应的能源效率，表示第二最适容量对应设备利用率，C2表示第二最适容量对应的能耗成本，a1表示效率系数，a2表示利用率系数，a3表示成本系数，a1+a2+a3＝1。
一种热电联产设备容量配置系统，其改进之处在于，包括：第一计算模块、第二计算模块和比较模块；
所述第一计算模块，用于基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；
所述第二计算模块，用于在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；
所述比较模块，用于结合能源效率和设备利用率，对比所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
本发明提供的第九优选技术方案，其改进之处在于，所述第一计算模块包括：曲线绘制单元、矩形绘制单元和第一最适容量单元；
所述曲线绘制单元，用于基于电力负荷的历史数据，绘制负荷分布曲线；
所述矩形绘制单元，用于以坐标轴原点和所述曲线上的点间连接线为对角线，绘制矩形；
所述第一最适容量单元，用于以面积最大矩形的宽度为热电联产设备的第一最适容量。
本发明提供的第十优选技术方案，其改进之处在于，所述第二计算模块包括：一次优化单元和二次优化单元；
所述一次优化单元，用于采用第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间；
所述二次优化单元，用于在所述容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量；
其中，所述第二等梯度小于第一等梯度。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；结合能源效率和设备利用率，对比第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。本发明除了遗传算法之外，还利用了最大矩形法，基于能源成本最优，考虑了电能和热能的约束条件，对户用热电联产设备容量配置问题进行求解，通过最大矩形法计算时间明显减少，通过遗传算法最优化损耗降低；同时，采用两种不同的计算方法，相比单一计算方法，能够更好的保证得到最佳的热电联产设备的容量，解决了热电联产微电网容量优化配置复杂，导致现有户用热电联产设备的能源成本较高、能源效率低的问题，提高了经济效益。
同时，本发明中热电联产设备的输出效率视为只关于输入功率的函数，相比之于恒定的输出效率作为最优化准则，可以达到更精确的优化结果；不同类型的热电联产设备和负荷会被作为定容标准，然最优化结果会给工程师以建议以选择和定容热电联产设备。
附图说明
图1为本发明提供的一种热电联产设备容量配置方法流程示意图；
图2为本发明涉及的最大矩形法示意图；
图3为本发明涉及的使用遗传算法找出理论上最佳的家用热电联产设备容量方法示意图；
图4为本发明提供的一种热电联产设备容量配置系统基本结构示意图；
图5为本发明提供的一种热电联产设备容量配置系统详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种热电联产设备容量配置方法流程示意图如图1所示，包括：
步骤1：基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；
步骤2：在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；
步骤3：结合能源效率和设备利用率，对比第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
具体的，一种热电联产设备容量配置方法流程包括：
步骤101：基于电力负荷用最大矩形法定容热电联产设备。
记录一年内每一分钟的电力需求并作为样本点。找到每年电力需求的最大最小值，然后将最大最小值之差值等分成10至20个间隔。所有的样本点都需要放在相应间隔内，在每个间隔内的样本点数也必须计算。绘制如图2的负荷分布曲线。最后，基于负荷分布曲线，以坐标轴原点和曲线上的点间连接线为对角线，绘制如图2一样足够数量的矩形，并找到其中面积最大的。该矩形的宽度就是热电联产设备的额定电能输出对应的容量，即第一最适容量。
步骤102：利用遗传算法进行一次每日能耗成本优化。
每日能耗成本表达式为：
式(1)中：F(t)是每日能源成本，CE(t)和Cg(t)是每日电能和热能的价格,然后PEin(t),PGin(t)和PCHPin(t)分别是由电网输出的每日平均电能，供给锅炉的燃气和供给热电联产设备的燃气。目标函数为最优化的每日能源成本，即minF(t)。其中，下标E表示电能，下标G表示热能，下标CHP表示热电联产，下标Ein表示电网供给，下标Gin表示锅炉供给，下标CHPin表示热电联产设备供给。
为了达到房屋的电和热需求，等式的限制可以列写如下：
PE(t)＝PEin(t)+ηCHPE×PCHPin(t) (2)
PH(t)＝PGin(t)×ηB+ηCHPH×PCHPin(t) (3)
式(2)和(3)中：PE(t)和PH(t)分别是家用住房的每分钟的电和热需求。ηCHPE和ηCHPH分别是热电联产(Combined Heat and Power，CHP)设备的输出电能和热能效率。ηB是锅炉的热转化效率。另外，系统给出的额外限制可以被列写如下约束条件表达式：
ηCHPEmin≤ηCHPE≤ηCHPEmax (4)
ηCHPHmin≤ηCHPH≤ηCHPHmax (5)
PEin(t)≥0 (7)
PGin(t)≥0 (8)
式中：为户用热电联产设备电能输出效率最小值，ηCHPE为户用热电联产设备电能输出效率实际值，ηCHPEmax为户用热电联产设备电能输出效率最大值，ηCHPHmin为户用热电联产设备热能输出效率最小值，ηCHPH为户用热电联产设备热能输出效率实际值，ηCHPHmax为户用热电联产设备热能输出效率最大值，为比例因数，PR为户用热电联产设备额定日功率，下标R表示额定(Rated)，PEin(t)、PGin(t)和PCHPin(t)分别是由电网输出的每日平均电能、供给锅炉的燃气和供给热电联产设备的燃气，下标CHPH表示热电联产设备的热能，下标CHPE表示热电联产设备的电能。
在步骤102中，利用遗传算法进行每日能源成本的优化时，采用第一等梯度进行计算。
步骤103：在步骤102得到的区间内，进一步对户用热电联产设备在等梯度容量下利用遗传算法进行每日能耗成本优化，寻求最优解。
将步骤102得到的结果用MATLAB软件画出曲线，在曲线上找出成本最优时所可能对应的容量，得到基于成本最优的户用热电联产设备容量所在区间；之后进一步利用遗传算法进行每日能耗成本优化：所包括目标函数表达式和约束条件表达式与步骤102相同，但是相比于步骤102在区间内将容量用更小的等梯度即第二等梯度进一步分离；
基于该方法，遗传算法将被用于计算对于一个特定的热电联产设备容量下的每日能源成本。通过绘制额定容量和年平均能源成本图表，可以得到热电联产设备容量的可行范围。那之后将最大值和最小值之间的区域5等分，在可能成本最低的区间进一步计算，方法可见图3。
在步骤102和步骤103中，第一等梯度和第二等梯度按照实际需求进行设置，且第二等梯度要小于第一等梯度，例如将第一等梯度设为500瓦，第二等梯度设为100瓦。
步骤104：比对步骤101和步骤103所得结果，有效热电联产设备能源效率和平均热电联产设备输入功率与额定功率比被用来测试热电联产设备能耗表现。得到考虑能源效率和设备利用率的基于成本最优的不同类别热电联产设备容量。
定义两个参数用来校验热电联产设备定容结果的性能，其一，定义有效热电联产设备能源效率，来计算不同容量下的热电联产设备年平均能源效率。其二，定义热电联产设备平均输出功率和额定功率的比值即设备利用率，来表明是否热电联产设备被充分利用。等式(9)和等式(10)是以上变量相关的函数。
在式(9)中，是有效的热电联产设备能源效率，ηCHPE(t)和ηCHPH(t)分别是在t时间热电联产设备的电能和热能的输出效率。ηCHPE(t)和ηCHPH(t)都应该大于零，因为为了计算有效的热电联产设备能源效率，应当排除热电联产设备的关闭状态。在(10)式中，hCHP是设备利用率即平均热电联产设备输出功率与额定功率的比值。L是样本数量。
当两种方案进行对比时，针对可能出现的成本低者效率也低的情况，定义等效成本优选指标W，等效成本优选指标W值大者选为最优方案，所对应的容量值，该值即为基于成本最优的户用热电联产设备容量。C是对应能耗成本。
其中，W1表示第一最适容量对应的等效成本优选指标，表示第一最适容量对应的能源效率，表示第一最适容量对应设备利用率，C1表示第一最适容量对应的能耗成本，W2表示第二最适容量对应的等效成本优选指标，表示第二最适容量对应的能源效率，表示第二最适容量对应设备利用率，C2表示第二最适容量对应的能耗成本，a1表示效率系数，a2表示利用率系数，a3表示成本系数，且a1+a2+a3＝1。本实施例中，效率系数a1可取为25％，利用率系数a2可取为25％，成本系数a3可取为50％。
实施例2：
下面给出一个热电联产设备容量配置具体实施例。
步骤201：基于电力负荷用最大矩形法定容热电联产设备有下述5个步骤。
第一步，记录一年内每一分钟的电力需求并作为样本点，这是必要的。第二步，要找到每年电力需求的最大最小值，然后将最大最小值之差值等分成10至20个间隔。由于过多的间隔(超过20个)会引起负荷分布波动，这会给绘制负荷分布曲线带来麻烦。从另一个角度说来，过少的间隔(少于10个)将减少曲线结果的精确性。因此，在最大最小值之间等分10至20个间隔是必须的。第三步，所有的样本点都需要放在相应间隔内，在每个间隔内的样本点数也必须计算。第四步就是绘制如图2的负荷分布曲线。最后，基于负荷分布曲线，要绘制如图2一样足够数量的矩形，并找到其中最大的。该矩形的宽度就是热电联产设备的额定电能输出对应的容量。在这一步中，绘制的矩形越多，精确度就越高；
步骤202：利用遗传算法进行每日能耗成本优化：
每日能耗成本表达式为：
式(1)中：F(t)是每日能源成本，Ce(t)和Cg(t)是每日电能和热能的价格，然后PEin(t)，PGin(t)和PCHPin(t)分别是由电网输出的每日平均电能，供给锅炉的燃气和供给热电联产设备的燃气。目标函数为最优化的每日能源成本，即minF(t)。
为了达到房屋的电和热需求，等式的限制可以列写如下：
PE(t)＝PEin(t)+ηCHPE×PCHPin(t) (2)
PH(t)＝PGin(t)×ηB+ηCHPH×PCHPin(t) (3)
式(2)和(3)中：PE(t)和PH(t)分别是家用住房的每分钟的电和热需求。ηCHPE和ηCHPH分别是热电联产设备的输出电能和热能效率。ηB是锅炉的热转化效率。另外，系统给出的额外限制可以被列写如下约束条件表达式：
PEin(t)≥0 (7)
PGin(t)≥0 (8)
式中：为户用热电联产设备电能输出效率最小值，ηCHPE为户用热电联产设备电能输出效率实际值，ηCHPEmax为户用热电联产设备电能输出效率最大值，为户用热电联产设备热能输出效率最小值，ηCHPH为户用热电联产设备电能输出效率实际值，ηCHPHmax为户用热电联产设备热能输出效率最大值，ζ为比例因数，PR为户用热电联产设备额定日功率，PEin(t)、PGin(t)和PCHPin(t)分别是由电网输出的每日平均电能、供给锅炉的燃气和供给热电联产设备的燃气。
等式(4)和(5)描述了热电联产设备电能和热能的输出效率限制，等式(6)表明了一个热电联产设备系统要么关闭要么在一个可获得的操作条件下工作。在等式(6)中ζ是一个参考量，热电联产设备输入功率会从10％到100％额定功率上下波动。在发明中，ζ被设置为10％且由最大矩形法获得的最适容量将被用于找到每天不同情况下的最适能源成本。等式(7)和(8)证明了电能和热能只能被输出，不能输入，换句话说，它们描述了能量流动。
在本文中，热电联产CHP的输出效率被认为是只关于CHP输入功率的函数。表格1展示了CHP在不同输入功率下的效率，来源于：W.Zhimin,G.Chenghong,L.Furong,P.Bale,andS.Hongbin,"Active Demand Response Using Shared Energy Storage for HouseholdEnergy Management,"Smart Grid,IEEE Transactions on,vol.4,pp.1888-1897,2013.
表1：不同输入功率的热电联产的输出效率
根据表1，一般CHP装置的电力和热量输出效率可以用MATLAB曲线拟合工具箱拟合如下：
式中ζE和ζH都是热电联产设备的电能和热能的输出效率系数，他们的值只相关于热电联产设备的类型，换句话说，就是热电联产设备的设计，燃气机和燃料电池的电输出效率ζE为0.783和1.298，燃气机和燃料电池的电输出效率ζH为1.610和1.187。
步骤203：在步骤202得到的区间内，进一步对户用热电联产设备在等梯度容量下利用遗传算法进行每日能耗成本优化，寻求最优解：
如果热电联产设备在低输入功率下工作，热电联产设备的热和电的输出效率都会降低。在本发明中，热电联产设备的输出效率被认为是只关于热电联产设备输入功率的函数。将结果用MATLAB软件画出曲线，在曲线上找出成本最优时所可能对应的容量，得到基于成本最优的户用热电联产设备容量所在区间；之后进一步利用遗传算法进行每日能耗成本优化：所包括目标函数表达式和约束条件表达式与步骤202相同，但是相比于步骤202在区间内将容量用更小的等梯度进一步分离；
考虑到遗传算法通常需要很长的计算时间来获得优化结果并且商用CHP单元的输出通常被量化为100W这一事实，下面计算将以离散的成百瓦特为增量(增量为100W的n倍)，来寻求每种类型CHP的最佳容量。
本步骤的目标函数，限制条件和等式与步骤202相似，将找到可获得的热电联产设备容量范围，然后找到不同类型热电联产设备的最适容量，热电联产设备的输出功率将最初被定为1000瓦，然后每次提高500瓦，直到热电联产设备的输出功率达到一个定值，该定值之后每日能量成本将会随着热电联产设备容量的增加而增加。基于该方法，遗传算法将被用于计算对于一个特定的热电联产设备容量下的每日能源成本。通过绘制额定容量和年平均能源成本表，可以得到热电联产设备容量的可行范围。那之后将最大值和最小值之间的区域5等分，同时意味着需要检测另外4个样本。通过使用遗传算法最优化该4个点的每日能量成本，即可获得理论上最佳的热电联产设备容量，方法可见图3。
步骤204：有效热电联产设备能源效率和平均热电联产设备输入功率与额定功率比被用来测试热电联产设备能耗表现。得到基于成本最优的不同类别热电联产设备容量。比对所得结果的方法为：
正如前文介绍所提及，热电联产设备是一个高输出效率的发电装置。但是如果装设了不合适容量的热电联产设备，系统的能源效率会很大程度上降低，此处定义两个参数用来校验热电联产设备定容结果的性能，其一，定义有效热电联产设备能源效率，来计算不同容量下的热电联产设备年平均能源效率。能源效率，是指能源利用中发挥作用的与实际消耗的能源量之比，因此0≤该值≤1，该值越接近1表示消耗能源时发挥作用的越多。其二，定义热电联产设备平均输出功率和额定功率的比值即设备利用率，来表明是否热电联产设备被充分利用。0≤该值≤1，该值越大表示热电联产设备的利用率越高。等式(9)和等式(10)是以上变量相关的函数。
在式(9)中，是有效的热电联产设备能源效率，ηCHPE(t)和ηCHPH(t)分别是在t时间热电联产设备的电能和热能的输出效率且L′是样本数量。在式(9)中ηCHPE(t)和ηCHPH(t)都应该大于零，因为为了计算有效的热电联产设备能源效率，应当排除热电联产设备的关闭状态。在(10)式中，hCHP是平均热电联产设备输出功率与额定功率的比值。L是样本数量。
当两种方案进行对比时，针对可能出现的成本低者效率也低的情况，定义等效成本优选指标W，等效成本优选指标W值大者选为最优方案，所对应的容量值，该值即为基于成本最优的户用热电联产设备容量。C是对应成本。
其中，W1表示第一个方案的等效成本即等效成本优选指标W，W2表示第二个方案的等效成本即等效成本优选指标W，C1表示第一个方案的成本，C2表示第二个方案的成本。
比对所有结果，找出成本最优时所对应的容量值，该值即为基于成本最优的户用热电联产设备容量。即计算步骤201和步骤203结果的等效成本优选指标W，取等效成本优选指标最大的方案，作为等效成本最优的方案，配置热电联产设备容量。
实施例3：
基于同一发明构思，本发明还提供了一种热电联产设备容量配置系统，由于这些设备解决技术问题的原理与热电联产设备容量配置方法相似，重复之处不再赘述。
该系统基本结构示意图如图4所示，包括：
第一计算模块、第二计算模块和比较模块；
其中，第一计算模块，用于基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；
第二计算模块，用于在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；
比较模块，用于结合能源效率和设备利用率，对比第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
热电联产设备容量配置系统详细结构示意图如图5所示。
其中，第一计算模块包括：曲线绘制单元、矩形绘制单元和第一最适容量单元；
曲线绘制单元，用于基于电力负荷的历史数据，绘制负荷分布曲线；
矩形绘制单元，用于以坐标轴原点和曲线上的点间连接线为对角线，绘制矩形；
第一最适容量单元，用于以面积最大矩形的宽度为热电联产设备的第一最适容量。
其中，第二计算模块包括：一次优化单元和二次优化单元；
一次优化单元，用于采用第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间；
二次优化单元，用于在容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量；
其中，第二等梯度小于第一等梯度。
其中，比较模块包括：效率和利用率单元、优选指标计算单元和比较单元；
效率和利用率单元，用于分别计算第一最适容量和第二最适容量对应的能源效率和设备利用率；
优选指标计算单元，用于基于能源效率、设备利用率和能耗成本，分别计算第一最适容量和第二最适容量的等效成本优选指标；
比较单元，用于比较第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (12)
1.一种热电联产设备容量配置方法，其特征在于，包括：
基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；
在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；
结合能源效率和设备利用率，对比所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
2.如权利要求1所述的方法，其特征在于，所述基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量，包括：
基于电力负荷的历史数据，绘制负荷分布曲线；
以坐标轴原点和所述曲线上的点间连接线为对角线，绘制矩形；
以面积最大矩形的宽度为热电联产设备的第一最适容量。
3.如权利要求1所述的方法，其特征在于，所述在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量，包括：
采用第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间；
在所述容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量；
其中，所述第二等梯度小于第一等梯度。
4.如权利要求3所述的方法，其特征在于，所述采用设第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间，包括：
以最小化的每日能源成本为目标函数，以用户需求、设备效率和能源输送为约束条件，采用第一等梯度，利用遗传算法进行一次优化，得到基于成本最优的热电联产设备容量所在容量区间。
5.如权利要求3所述的方法，其特征在于，所述在所述容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量，包括：
在所述容量区间内，以最小化的每日能源成本为目标函数，以用户需求、设备效率和能源输送为约束条件，采用第二等梯度，利用遗传算法进行二次优化，得到基于成本最优的热电联产设备的第二最适容量。
6.如权利要求1所述的方法，其特征在于，所述结合能源效率和设备利用率，对比所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量，包括：
分别计算第一最适容量和第二最适容量对应的能源效率和设备利用率；
基于所述能源效率、设备利用率和能耗成本，分别计算所述第一最适容量和第二最适容量的等效成本优选指标；
比较所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
7.如权利要求6所述的方法，其特征在于，所述能源效率如下式计算：
其中，表示第一最适容量或第二最适容量对应的能源效率，ηCHPE(t)表示采用对应的容量配置时在t时间热电联产设备的电能输出效率，ηCHPH(t)表示采用对应的容量配置时在t时间热电联产设备的热能输出效率，L表示时段数量。
8.如权利要求6所述的方法，其特征在于，所述设备利用率如下式计算：
其中，hCHP表示第一最适容量或第二最适容量对应的设备利用率，PCHPin(t)表示采用hCHP对应的容量配置时在t时间供给热电联产设备的燃气对应功率，PR表示热电联产设备的额定功率，L表示时段数量。
9.如权利要求6所述的方法，其特征在于，所述等效成本优选指标如下式计算：
其中，W1表示第一最适容量对应的等效成本优选指标，表示量第一最适容量对应的能源效率，表示第一最适容量对应设备利用率，C1表示第一最适容量对应的能耗成本，W2表示第二最适容量对应的等效成本优选指标，表示第二最适容量对应的能源效率，表示第二最适容量对应设备利用率，C2表示第二最适容量对应的能耗成本，a1表示效率系数，a2表示利用率系数，a3表示成本系数，a1+a2+a3＝1。
10.一种热电联产设备容量配置系统，其特征在于，包括：第一计算模块、第二计算模块和比较模块；
所述第一计算模块，用于基于电力负荷，通过最大矩形法定容热电联产设备的第一最适容量；
所述第二计算模块，用于在等梯度容量下利用遗传算法进行热电联产设备每日能耗成本的优化计算，得到第二最适容量；
所述比较模块，用于结合能源效率和设备利用率，对比所述第一最适容量和第二最适容量的等效成本优选指标，以最大等效成本优选指标对应的容量为基于成本最优的热电联产设备容量。
11.如权利要求10所述的系统，其特征在于，所述第一计算模块包括：曲线绘制单元、矩形绘制单元和第一最适容量单元；
所述曲线绘制单元，用于基于电力负荷的历史数据，绘制负荷分布曲线；
所述矩形绘制单元，用于以坐标轴原点和所述曲线上的点间连接线为对角线，绘制矩形；
所述第一最适容量单元，用于以面积最大矩形的宽度为热电联产设备的第一最适容量。
12.如权利要求10所述的系统，其特征在于，所述第二计算模块包括：一次优化单元和二次优化单元；
所述一次优化单元，用于采用第一等梯度，利用遗传算法进行每日能源成本的一次优化，得到基于成本最优的热电联产设备容量所在容量区间；
所述二次优化单元，用于在所述容量区间内，采用第二等梯度，利用遗传算法进行热电联产设备每日能耗成本的二次优化，得到第二最适容量；
其中，所述第二等梯度小于第一等梯度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910130918.0A CN109992828A (zh) | 2019-02-22 | 2019-02-22 | 一种热电联产设备容量配置方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910130918.0A CN109992828A (zh) | 2019-02-22 | 2019-02-22 | 一种热电联产设备容量配置方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109992828A true CN109992828A (zh) | 2019-07-09 |
Family
ID=67130220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910130918.0A Pending CN109992828A (zh) | 2019-02-22 | 2019-02-22 | 一种热电联产设备容量配置方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109992828A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807884A (zh) * | 2021-08-20 | 2021-12-17 | 国网浙江省电力有限公司经济技术研究院 | 一种园区综合能源系统电网接入容量确定方法及装置 |
-
2019
- 2019-02-22 CN CN201910130918.0A patent/CN109992828A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807884A (zh) * | 2021-08-20 | 2021-12-17 | 国网浙江省电力有限公司经济技术研究院 | 一种园区综合能源系统电网接入容量确定方法及装置 |
| CN113807884B (zh) * | 2021-08-20 | 2024-05-14 | 国网浙江省电力有限公司经济技术研究院 | 一种园区综合能源系统电网接入容量确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711080B (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
| 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 | |
| CN110264088A (zh) | 一种园区综合能源分配方法及计算机装置 | |
| CN111476509A (zh) | 基于igdt模型的用户侧综合能源系统规划方法及装置 | |
| CN112883560B (zh) | 基于用户侧负荷削减响应的多能耦合供能网络的优化方法 | |
| CN108846506A (zh) | 一种能源系统的规划方法、装置、设备和存储介质 | |
| CN110400090A (zh) | 一种基于多目标随机优化的智能园区多能源微网配置方法 | |
| JP2014180134A (ja) | 電力管理システム、電力管理方法 | |
| JP5524428B1 (ja) | 電力制御装置、電力制御装置の制御方法及びプログラム | |
| CN111969602B (zh) | 一种综合能源系统的日前随机优化调度方法及装置 | |
| CN109992828A (zh) | 一种热电联产设备容量配置方法和系统 | |
| Chang et al. | Verification of chiller performance promotion and energy saving | |
| CN112116122B (zh) | 一种提升电网灵活性的楼宇热电联产系统运行优化方法 | |
| CN110705804A (zh) | 一种考虑多类型热泵的多能微网效率效益评估方法 | |
| Li et al. | Community energy system planning: A case study on technology selection and operation optimization | |
| CN118316041B (zh) | 一种电气互联系统的调度方法、装置、设备及存储介质 | |
| JP2014155390A (ja) | エネルギー最適制御装置、制御方法及び制御プログラム | |
| Dal Cin et al. | Energy, economic and environmental benefits of Demand Response for improving building energy flexibility | |
| Huang et al. | Research on optimal scheduling strategy of virtual power plant based on potential mining of industrial load demand response and user portrait | |
| CN118211380A (zh) | 一种电氢可逆转微网优化运行方法及装置 | |
| Li et al. | Optimization Algorithm for Energy Storage Capacity of Distribution Network Based on Distributed Energy Characteristics | |
| Jia et al. | Multi-scale flexibility assessment of electrical, thermal and gas multi-energy systems based on morphological decomposition | |
| Bologova et al. | Assessment of Indirect Economic Benefit from the Introduction of Electricity Storage Systems | |
| CN118014281A (zh) | 设备容量确定方法、装置、非易失性存储介质及电子设备 | |
| US9929564B2 (en) | Utility provisioning in an energy resource system |
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 |