CN110837938B - 基于模型预测控制架构的综合能源系统优化运行方法及系统 - Google Patents

基于模型预测控制架构的综合能源系统优化运行方法及系统 Download PDF

Info

Publication number
CN110837938B
CN110837938B CN201911114174.XA CN201911114174A CN110837938B CN 110837938 B CN110837938 B CN 110837938B CN 201911114174 A CN201911114174 A CN 201911114174A CN 110837938 B CN110837938 B CN 110837938B
Authority
CN
China
Prior art keywords
source load
prediction
model
predicted value
data
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
CN201911114174.XA
Other languages
English (en)
Other versions
CN110837938A (zh
Inventor
张承慧
董兴
孙波
卢建波
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN201911114174.XA priority Critical patent/CN110837938B/zh
Publication of CN110837938A publication Critical patent/CN110837938A/zh
Application granted granted Critical
Publication of CN110837938B publication Critical patent/CN110837938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于模型预测控制架构的综合能源系统优化运行方法及系统，包括：获取源荷历史数据；采用递归ARIMA模型对源荷历史数据进行多步预测，得到源荷预测数据；将实测数据与预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正；将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力的预测值。本发明在反馈校正环节，针对冷、热等负荷存在时滞，在实时调整阶段设备无法在短时间内补偿预测误差，引入误差多步预测，对预测环节的误差提前补偿，从而提前调整设备出力，更有效的减小可再生能源和负荷预测的波动性对系统的运行影响。

Description

基于模型预测控制架构的综合能源系统优化运行方法及系统
技术领域
本发明涉及分布式能源优化运行技术领域，尤其涉及一种基于模型预测控制架构的综合能源系统优化运行方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
综合能源系统是综合区域内石油、天然气、电能、热能等多种能源实现多种能源的协调规划，优化运行和互补互济，在满足系统内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统。由于其高效的能源利用率使得综合能源系统在近几年越来越受重视，且逐步成为研究热点。
综合能源系统本身是一个多种能源耦合(冷、热、电)的复杂系统。近年来，很多学者对综合能源系统的优化运行开展了相关的研究。
目前模型预测控制也已经成功应用到了热电联供系统和冷热电联供微网系统，并取得了一定的成果。通过对现有文献进行检索发现，现有的大多数基于模型预测控制的综合能源系统优化运行策略都包括预测、滚动优化环节和反馈校正环节。
但是，在预测环节大都以日前离线预测为基础，预测误差较大，无法实现在线预测；而在反馈校正环节，以实时调整为主，没有考虑冷、热等响应时间慢的设备在单步优化时间内出力跟踪不上设定值的问题。
发明内容
为了解决上述问题，本发明提出了基于模型预测控制架构的综合能源系统优化运行方法及系统，结合了发电机组的全工况特性，同时为了解决实时调整阶段对于冷、热等长时间尺度的负荷设备跟踪不上的问题，加入误差多步预测环节，实施提前补偿。
在一些实施方式中，采用如下技术方案：
基于模型预测控制架构的综合能源系统优化运行方法，包括：
获取源荷历史数据；
采用递归ARIMA模型对源荷历史数据进行多步预测，得到源荷预测数据；
将实时源荷数据与源荷预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正；
将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力的预测值。
在另一些实施方式中，采用如下技术方案：
基于模型预测控制架构的综合能源系统优化运行系统，包括：
用于获取源荷历史数据的装置；
用于采用递归ARIMA模型对源荷历史数据进行多步预测，得到源荷预测数据的装置；
用于将实时源荷数据与源荷预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正；
的装置；
用于将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力的预测值的装置。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于模型预测控制架构的综合能源系统优化运行方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于模型预测控制架构的综合能源系统优化运行方法。
与现有技术相比，本发明的有益效果是：
本发明提出的预测模型可以实现在线滚动多步预测；
本发明在反馈校正环节，针对冷、热等负荷存在时滞，在实时调整阶段设备无法在短时间内补偿预测误差，引入误差多步预测，对预测环节的误差提前补偿，从而提前调整设备出力，更有效的减小可再生能源和负荷预测的波动性对系统的运行影响。
附图说明
图1是本发明实施例一中基于模型预测控制架构的综合能源系统结构示意图；
图2是本发明实施例一中的滚动优化时间窗口示意图；
图3是本发明实施例一中基于模型预测控制架构的综合能源系统优化运行方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
图1为综合能源系统结构示意图，系统以燃烧天然气为主，包含风电、光电等可再生能源，燃气发电机组、燃气锅炉、制冷机等设备和蓄电池、储热罐等储能设备，综合能源系统可与电网并网向电网购售电能。
在一个或多个实施方式中，公开了一种基于模型预测控制架构的综合能源系统优化运行方法，首先电、光伏等可再生能源和用户负荷用递归形式ARIMA模型建立多步预测模型；在滚动优化环节以系统运行成本、能源利用率、综合排放最优为目标，根据预测模型的预测数据优化未来M时长的设备出力，并执行第一步的优化结果。滚动优化的时间窗口如图2所示。
由于对新能源和负荷预测的不确定性，会使得预测值和真实值存在一定的误差，为了解决在实时调整阶段系统对长时间尺度的负荷设备出力跟踪不上的问题，在反馈校正环节引入误差预测，将实测数据与预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正，提前补偿，修正之后引入滚动优化环节。采用遗传算法优化出各设备出力。
参照图3，本实施方式基于模型预测控制架构的综合能源系统优化运行方法具体包括如下步骤：
(1)建立源荷预测模型，新能源和负荷历史数据采用递归ARIMA模型进行多步预测，源荷预测模型的输入是源荷历史数据，输出是对应的源荷预测数据。例如：输入电负荷的历史数据输出电负荷的预测数据。
具体地，新能源和负荷采用递归ARIMA模型进行多步预测，递归ARIMA模型如式(1)--(3)所示。
u(k)＝a1u(k-1)+a2u(k-2)+…+amu(k-m)+bk (1)
u(k+1)＝a1u(k)+a2u(k-1)+…+amu(k-m+1)+bk+1 (2)
u(k+h)＝a1u(k+h-1)+a2u(k+h-2)+…+amu(k-m+h)+bk+h
(3)
其中，u(k)为源荷在k时刻的数据，ai(i＝1，2，…，m)是ARIMA模型的自回归系数，bk为白噪声。
本实施例中，输出是新能源和负荷的预测数据，用k-1，k-2等历史数据预测未来k，k+1，…，k+h时刻h步预测数据，所以称为多步预测，滚动优化是优化未来m(一般m＜h)步系统各设备的出力，要预测到h步的数据才能为滚动优化提供输入。
(2)将实时源荷数据与源荷预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正。
其中，实测数据指的是系统运行到k时刻时，测得的系统实际源荷数据；预测数据指的是k时刻之前用源荷预测模型得到的源荷预测数据。
误差反馈环节采用灰色模型，GM(1，1)模型的建立如下：
输入原始数据x(0)＝(x(0)(1)，x(0)(2)，…x(0)(n))，
对x(0)累加得到新数列x(1)＝(x(1)(1)，x(1)(2)，…x(1)(n))，其中
Figure BDA0002273604540000061
Figure BDA0002273604540000062
生成x(1)的邻均值等权数列y(1)＝(y(1)(1)，y(1)(2)，…y(1)(k))，k＝2，3…n；
其中，
Figure BDA0002273604540000063
根据灰色理论对x(1)建立微分方程GM(1，1)：
Figure BDA0002273604540000064
其中a为发展系数，u为灰色作用量，令
Figure BDA0002273604540000065
用最小二乘法求解
Figure BDA00022736045400000613
得：
Figure BDA0002273604540000067
其中，
Figure BDA0002273604540000068
对公式(4)求解并将
Figure BDA00022736045400000614
代入可得：
Figure BDA0002273604540000069
将以上结果累减还原得到预测值：
Figure BDA00022736045400000610
(t+h)时段的预测值为：
Figure BDA00022736045400000611
其中，x(0)(1)、
Figure BDA00022736045400000612
分别指原始序列(历史数据)和预测序列(预测数据)。
(3)将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力，作用于CCHP系统(热电冷联产系统)，指导系统各设备出力；比如：发电机组什么时候应该发多少功率的电能等。
以系统运行成本、一次能源消耗量、综合排放最优为目标，目标函数如式(9)所示：
Figure BDA0002273604540000071
其中ε1、ε2和ε3为权重系数并满足以下条件：
Figure BDA0002273604540000072
RPESR、RCSR和
Figure BDA0002273604540000077
分别表示为一次能源节约率、成本节约率和二氧化碳减排率，可分别表示如下：
Figure BDA0002273604540000074
Figure BDA0002273604540000075
Figure BDA0002273604540000076
其中，GSP(t)、CSP(t)和CO2ESP(t)分别表示分供系统(SP)t时刻的能耗、成本和二氧化碳排放，GCCHP(t)、CCCHP(t)和CO2ECCHP(t)分别表示可再生能源CCHP系统t时刻的能耗、成本和二氧化碳排放。
综合能源系统供t时刻电平衡可表示为式(14)：
Egrid(t)+EPGU(t)+Eren(t)+ESE(t)＝Eec(t)+EL(t) (14)
其中Egrid为电网购电量，EPGU为内燃发电机组的发电量，Eren为风电的发电量，ESE为蓄电池的放电量，Eec为电制冷机的用电量，EL为用户电负荷。
蓄电池t时刻的状态SOCSE(t)可表示为：
SOCSE(t)＝SOCSE(t-1)+ESE(t) (15)
综合能源系统供t时刻热平衡可表示为式(16)：
Hext(t)+Hb(t)+HSH(t)＝Hab(t)+HL(t) (16)
其中，Hext(t)、Hb(t)、HSH(t)、Hab(t)和HL(t)分别表示t时刻发电机组的余热回收的热量、燃气锅炉产生的热量、储热罐的供热量、吸收式制冷机输入的热量和用户的热负荷需求。
储热罐t时刻的状态SOCSH(t)可表示为：
SOCSH(t)＝SOCSH(t-1)+HSE(t) (17)
综合能源系统供t时刻冷平衡可表示为式(18)：
Cab(t)+Cec(t)＝CL(t) (18)
Cab(t)、Cec(t)和CL(t)分别表示为：吸收式制冷机出力、电制冷机出力和用户的冷负荷需求。
考虑到系统实际运行情况后，优化中除需满足能量平衡的等式约束外，还应加入如下不等式约束。
0≤PPGU(t)≤PPGUmax
0≤Pren(t)≤Prenmax
0≤Pb(t)≤Pbmax
0≤Pab(t)≤Pabmax
0≤Pec(t)≤Pecmax
0≤SOCSE(t)≤ESEmax
0≤SOCSH(t)≤ESHmax
其中，PPGU(t)、Pren(t)、Pb(t)、Pab(t)和Pec(t)分别表示t时刻发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的功率，PPGUmax、Prenmax、Pbmax、Pabmax和Pecmax分别表示发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的额定功率。ESEmax和ESHmax分别表示蓄电池和储热罐的最大容量。
通过建立以上基于模型预测控制架构的综合能源优化运行策略，将新能源和负荷的波动性考虑在内，在反馈环节引入误差多步预测可以有效解决冷、热等响应慢的负荷设备出力跟踪不上的问题。建立多目标优化模型并用遗传算法进行求解实现新能源CCHP系统的优化运行。
实施例二
在一个或多个实施方式中，公开了一种基于模型预测控制架构的综合能源系统优化运行系统，包括：
用于获取源荷历史数据的装置；
用于采用递归ARIMA模型对源荷历史数据进行多步预测，得到源荷预测数据的装置；
用于将实时源荷数据与源荷预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正的装置；
用于将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力的预测值的装置。
实施例三
在一些实施方式中，公开了一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一中所述的基于模型预测控制架构的综合能源系统优化运行方法。
在另一些实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于模型预测控制架构的综合能源系统优化运行方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.基于模型预测控制架构的综合能源系统优化运行方法，其特征在于，所述综合能源系统以燃烧天然气为主，包含可再生能源、燃气发电机组、燃气锅炉、制冷机、蓄电池和储热罐；包括：
获取源荷历史数据；
采用递归ARIMA模型对源荷历史数据进行多步预测，得到源荷预测数据；
将实时源荷数据与源荷预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正；
将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力的预测值，所述滚动优化模型以系统运行成本、一次能源消耗量、综合排放最优为目标，以满足综合能源系统t时刻的电平衡、热平衡和冷平衡，同时满足t时刻发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的功率范围作为约束条件；
采用递归ARIMA模型对源荷历史数据进行多步预测，具体为：
u(k)＝a1u(k-1)+a2u(k-2)+…+amu(k-m)+bk
u(k+1)＝a1u(k)+a2u(k-1)+…+amu(k-m+1)+bk+1
u(k+h)＝a1u(k+h-1)+a2u(k+h-2)+…+amu(k-m+h)+bk+h
其中，u(k)为源荷在k时刻的数据，ai(i＝1，2，…，m)是ARIMA模型的自回归系数，bk为白噪声。
2.如权利要求1所述的基于模型预测控制架构的综合能源系统优化运行方法，其特征在于，所述灰色预测模型具体为：
Figure 310421DEST_PATH_IMAGE001
其中，a为发展系数，u为灰色作用量；x(0)(1)、
Figure 306190DEST_PATH_IMAGE002
分别指原始序列和预测序列。
3.如权利要求1所述的基于模型预测控制架构的综合能源系统优化运行方法，其特征在于，所述滚动优化模型具体为：
Figure 148244DEST_PATH_IMAGE003
其中，ε1、ε2和ε3为权重系数，
Figure 619152DEST_PATH_IMAGE004
、
Figure 43312DEST_PATH_IMAGE005
和
Figure 928091DEST_PATH_IMAGE006
分别表示为一次能源节约率、成本节约率和二氧化碳减排率。
4.基于模型预测控制架构的综合能源系统优化运行系统，其特征在于，所述综合能源系统以燃烧天然气为主，包含可再生能源、燃气发电机组、燃气锅炉、制冷机、蓄电池和储热罐；包括：
用于获取源荷历史数据的装置；
用于采用递归ARIMA模型对源荷历史数据进行多步预测，得到源荷预测数据的装置；
用于将实时源荷数据与源荷预测数据的误差通过灰色预测模型得到误差的预测值，用误差预测值对源荷预测值进行修正的装置；
用于将修正之后的源荷预测值输入到滚动优化模型，采用遗传算法优化并输出各设备出力的预测值的装置；所述滚动优化模型以系统运行成本、一次能源消耗量、综合排放最优为目标，以满足综合能源系统t时刻的电平衡、热平衡和冷平衡，同时满足t时刻发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的功率范围作为约束条件；
采用递归ARIMA模型对源荷历史数据进行多步预测，具体为：
u(k)＝a1u(k-1)+a2u(k-2)+…+amu(k-m)+bk
u(k+1)＝a1u(k)+a2u(k-1)+…+amu(k-m+1)+bk+1
u(k+h)＝a1u(k+h-1)+a2u(k+h-2)+…+amu(k-m+h)+bk+h
其中，u(k)为源荷在k时刻的数据，ai(i＝1，2，…，m)是ARIMA模型的自回归系数，bk为白噪声。
5.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-3任一项所述的基于模型预测控制架构的综合能源系统优化运行方法。
6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-3任一项所述的基于模型预测控制架构的综合能源系统优化运行方法。
CN201911114174.XA 2019-11-14 2019-11-14 基于模型预测控制架构的综合能源系统优化运行方法及系统 Active CN110837938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911114174.XA CN110837938B (zh) 2019-11-14 2019-11-14 基于模型预测控制架构的综合能源系统优化运行方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911114174.XA CN110837938B (zh) 2019-11-14 2019-11-14 基于模型预测控制架构的综合能源系统优化运行方法及系统

Publications (2)

Publication Number Publication Date
CN110837938A CN110837938A (zh) 2020-02-25
CN110837938B true CN110837938B (zh) 2023-03-10

Family

ID=69576464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911114174.XA Active CN110837938B (zh) 2019-11-14 2019-11-14 基于模型预测控制架构的综合能源系统优化运行方法及系统

Country Status (1)

Country Link
CN (1) CN110837938B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111952965B (zh) * 2020-08-05 2023-03-10 山东大学 一种基于预测控制与区间规划的cchp系统优化运行方法
CN116127729B (zh) * 2022-12-28 2023-08-15 青芥一合碳汇(武汉)科技有限公司 基于线性动态模型的二氧化碳捕集精准预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106356902A (zh) * 2016-11-01 2017-01-25 东南大学 一种适用于能量互联网中多能协同综合能源网络的能量管理方法
CN107025519A (zh) * 2017-03-30 2017-08-08 厦门大学 区域分布式冷热电多联产系统混合整数非线性模型优化方法
CN108960556A (zh) * 2018-03-27 2018-12-07 国网天津市电力公司滨海供电分公司 一种冷热电联供系统多目标优化运行方法
CN109711080A (zh) * 2019-01-03 2019-05-03 山东大学 一种冷热电联供系统多时间尺度优化运行方法
CN109858759A (zh) * 2018-12-29 2019-06-07 陕西鼓风机（集团）有限公司 一种工业园区综合能源平衡调度方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018200861A1 (en) * 2017-04-27 2018-11-01 Johnson Controls Technology Company Building energy system with stochastic model predictive control

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106356902A (zh) * 2016-11-01 2017-01-25 东南大学 一种适用于能量互联网中多能协同综合能源网络的能量管理方法
CN107025519A (zh) * 2017-03-30 2017-08-08 厦门大学 区域分布式冷热电多联产系统混合整数非线性模型优化方法
CN108960556A (zh) * 2018-03-27 2018-12-07 国网天津市电力公司滨海供电分公司 一种冷热电联供系统多目标优化运行方法
CN109858759A (zh) * 2018-12-29 2019-06-07 陕西鼓风机（集团）有限公司 一种工业园区综合能源平衡调度方法
CN109711080A (zh) * 2019-01-03 2019-05-03 山东大学 一种冷热电联供系统多时间尺度优化运行方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Online Optimal Dispatch Schedule for CCHP Microgrids Based on Model Predictive Control;wei gu等;《IEEE Transactions on Smart Grid》;20160212;第8卷(第5期);第2-5节 *
wei gu等.An Online Optimal Dispatch Schedule for CCHP Microgrids Based on Model Predictive Control.《IEEE Transactions on Smart Grid》.2016,第8卷(第5期),第2-5节. *
小型冷热电联供系统多目标优化设计与能量管理策略研究;魏大钧;《中国博士学位论文全文数据库（工程科技Ⅱ辑）》;20170815;第42-46页 *

Also Published As

Publication number Publication date
CN110837938A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
CN110417006B (zh) 一种综合能源系统多时间尺度能量调度方法
CN107895971B (zh) 基于随机规划和模型预测控制的区域能源互联网调度方法
Li et al. A hybrid optimization-based scheduling strategy for combined cooling, heating, and power system with thermal energy storage
CN113095791B (zh) 一种综合能源系统运行方法及系统
Cheng et al. Multi-time scale dynamic robust optimal scheduling of CCHP microgrid based on rolling optimization
WO2019184344A1 (zh) 一种微能源网多目标运行控制方法
CN111952965B (zh) 一种基于预测控制与区间规划的cchp系统优化运行方法
Cheng et al. Multi-time scale coordinated optimization of an energy hub in the integrated energy system with multi-type energy storage systems
CN108521132B (zh) 多能互补支撑电网频率调节的多时间尺度优化控制方法
CN110837938B (zh) 基于模型预测控制架构的综合能源系统优化运行方法及系统
CN111950807A (zh) 计及不确定性与需求响应的综合能源系统优化运行方法
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
CN111245024B (zh) 基于模型预测控制的综合能源系统鲁棒优化运行方法
CN112417652A (zh) 一种电-气-热综合能源系统优化调度方法及系统
Abdelghany et al. Modeling and optimal control of a hydrogen storage system for wind farm output power smoothing
Tang et al. Multi-objective optimal dispatch for integrated energy systems based on a device value tag
Wang et al. The decarbonization pathway of power system by high-resolution model under different policy scenarios in China
CN115099007B (zh) 基于综合成本-能耗曲线的综合能源系统优化运行方法
CN114123260B (zh) 面向可再生能源的多能源微电网共享储能控制方法及系统
CN113240279B (zh) 基于综合需求侧响应的综合能源系统运行控制方法及系统
Huang et al. Improving operation strategies for solar-based distributed energy systems: Matching system design with operation
Wang et al. Convexification Technique for Optimal Thermal-Wind-Photovoltaic Coordination Dispatch Incorporating an Energy Storage System
Guo et al. Affine-Model Predictive Control based Optimal Dispatch of Multi-energy Microgrid
Sun et al. Energy Storage-Transmission Line Planning Based on Complete Information Static Game Model
Shang et al. Multi-time Scale Optimal Dispatching of Electric-Thermal Integrated Energy System Considering Multiple Uncertainties

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