CN111105090A - 一种基于智能算法的分布式能源系统优化调度方法及装置 - Google Patents
一种基于智能算法的分布式能源系统优化调度方法及装置 Download PDFInfo
- Publication number
- CN111105090A CN111105090A CN201911309140.6A CN201911309140A CN111105090A CN 111105090 A CN111105090 A CN 111105090A CN 201911309140 A CN201911309140 A CN 201911309140A CN 111105090 A CN111105090 A CN 111105090A
- Authority
- CN
- China
- Prior art keywords
- consumption
- heat
- natural gas
- gas
- combustion engine
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 67
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 432
- 239000007789 gas Substances 0.000 claims abstract description 236
- 239000003345 natural gas Substances 0.000 claims abstract description 216
- 238000002485 combustion reaction Methods 0.000 claims abstract description 154
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 145
- 239000002918 waste heat Substances 0.000 claims abstract description 141
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 39
- 239000003546 flue gas Substances 0.000 claims abstract description 39
- 238000006467 substitution reaction Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000010438 heat treatment Methods 0.000 claims description 94
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical group [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 82
- 238000010521 absorption reaction Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 58
- 238000005057 refrigeration Methods 0.000 claims description 52
- 239000000779 smoke Substances 0.000 claims description 52
- 238000000611 regression analysis Methods 0.000 claims description 37
- 238000001816 cooling Methods 0.000 claims description 31
- 238000005265 energy consumption Methods 0.000 claims description 28
- 238000004134 energy conservation Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 239000010687 lubricating oil Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于智能算法的分布式能源系统优化调度方法及装置,涉及综合能源技术领域,为解决现有技术中无法实现按需供能的能源系统的运行目标的问题而发明。该方法主要包括:根据历史天然气消耗量,以及与之对应的历史发电量、历史余热烟气热量和历史余热热水热量,训练第一BP神经网络模型;计算预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量;建立燃气内燃机组的替代模型;建立分布式能源系统利润的目标函数;以目标函数结合系统运行的主要限定条件,建立分布式能源系统优化调度模型;将实时用户需求输入优化调度模型,计算分布式能源系统的系统设备的运行参数。本发明主要应用于调度分布式能源系统的能源分配过程中。
Description
技术领域
本发明涉及综合能源技术领域,特别是涉及一种基于智能算法的分布式能源系统优化调度方法及装置。
背景技术
分布式能源系统是一个具有复杂性、多层次性的巨系统。制定合理的分布式能源系统运行机制有利于促进能源利用提质增效和环境友好型社会建设,对实现一次能源的综合利用,优化能源结构,起着重要作用。分布式能源系统的运行机制的优化建模是制定高效的运行机制、建立安全的能源供应体系的重要方法。因此,如何建立分布式能源系统的运行机制优化模型和生成最佳运行方案,在分布式能源系统的大力发展和推广阶段显得至关重要,具有非常重要的现实意义。
目前,随着分布式能源投运项目的增多,项目的运行管理问题和传统运行机制优化方案的弊端逐渐显现:(1)分布式能源系统的日常运行依赖管理人员的经验调控机组运行生产,缺少科学的管理方法和体系,导致在生产调度过程中不能很好的适应不断变化的生产系统,无法使整个能源系统处在最佳的负荷和运行状态;(2)运行过程中缺乏有效的监测、反馈和调控机制,无法随时根据运行边界参数的变化调整机组运行状态,经常出现供能过量或不能满足用户需求的情况,导致能源浪费及业主体验不佳等现象;(3)分布式能源运行机制优化方案中对用户需求的设定主要是建立在对历史和当前数据的分析上,往往忽视了温度、日照时长、相对湿度、风速等气象要素的影响,导致供需失衡;(4)内燃机作为分布式能源系统的重要组成部分,其运行影响着整个机组的性能和效率。但是,由于内燃机系统具有时变、多变量、强耦合、扰动频繁等特点,对整个系统建立精确的数学模型非常困难,采用传统的机理建模很难得到高精度和实时性强的满意模型,直接影响后续系统最优运行方案的生成。
现有技术中,采用建立冷-热-电综合能源系统成本运行最小化的目标函数,然后根据所述目标函数,确定优化变量和约束条件,再按照所述优化变量和约束条件,基于ADMM-like算法建立冷-热-电综合能源系统的分布式优化调度模型,获取优化计算结果,最后根据所述优化计算结果确定冷-热-电综合能源系统的运行参数。通过前述方法,能够解决传统运行机制优化方案的部分弊端,但是仍然无法真正实现按需供能的能源系统的运行目标。
发明内容
有鉴于此,本发明提供一种基于智能算法的分布式能源系统优化调度方法及装置,主要目的在于解决现有技术中无法实现按需供能的能源系统的运行目标的问题。
依据本发明一个方面,提供了一种基于智能算法的分布式能源系统优化调度方法,包括:
根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
依据本发明一个方面,提供了一种基于智能算法的分布式能源系统优化调度方法,包括:
第一训练模块,用于根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
第一计算模块,用于将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
第一建立模块,用于根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
第二建立模块,用于根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
第三建立模块,用于以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
第二计算模块,用于将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述基于智能算法的分布式能源系统优化调度方法对应的操作。
根据本发明的再一方面,提供了一种基于智能算法的分布式能源系统优化调度装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于智能算法的分布式能源系统优化调度方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种基于智能算法的分布式能源系统优化调度方法及装置,首先根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型;然后将预置天然气消耗量输入第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量;再基于回归分析算法,建立燃气内燃机组的替代模型;再根据所述替代模型,建立分布式能源系统利润的目标函数;再以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;最后将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。与现有技术相比,本发明实施例通过BP神经网络模型和回归分析算法,对燃气内燃机组进行仿真,在实现过程中不需要详细了解燃气内燃机组内部的结构和原理,将整个分布式能源系统作为黑箱处理,并建立能够仿真燃气内燃机组的替代模型。以分布式能源系统利润最大化的目标函数、系统设备运行限制和燃气内燃机组的替代模型,与用户的实时制冷需求和实时供暖需求相结合,能够确保得到合理且可靠的系统设备的运行参数。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种基于智能算法的分布式能源系统优化调度方法流程图;
图2示出了本发明实施例提供的另一种基于智能算法的分布式能源系统优化调度方法流程图;
图3示出了本发明实施例提供的一种基于智能算法的分布式能源系统优化调度方法组成框图;
图4示出了本发明实施例提供的另一种基于智能算法的分布式能源系统优化调度方法组成框图;
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种基于智能算法的分布式能源系统优化调度方法,如图1所示,该方法包括:
101、根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气热量和历史热水热量,训练第一BP神经网络模型。
第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量。获取分布式能源系统的燃气内燃机组,在实际运行过程中的历史天然气消耗量,以及与历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,以历史天然气消耗量为输入数据,以与历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量为输出数据,训练第一BP神经网络模型。示例性的,在第一BP神经网络模型中,设计隐含层为1层,节点数为10个,训练函数为trainlm,传递函数为tandig,初始学习步长为0.1,目标误差为0.001,最大的训练次数为5000次。
102、将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量。
预置天然气消耗量至少包括一个天然气消耗量的数据值,也就是通过本步骤能够计算得到至少一组的天然气消耗量,以及与其对应的发电量、余热烟气热量和余热热水热量。示例性的,在本步骤中预置天然气消耗量可以取50个不同的天然气消耗量的数据值,通过第一BP神经网络模型计算50组预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量。
103、根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型。
回归分析算法是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在大数据分析中,回归分析是一种预测性的建模技术,它研究的是因变量和自变量之间的关系,在本步骤中预置天然气消耗量为自变量,而与预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量为因变量。基于回归分析算法,建立的天然气消耗量与发电量、余热烟气热量和余热热水热量的关系,并以该关系作为燃气内燃机组的替代模型,代替燃气内燃机组在运行过程中呈现的复杂关系,对燃气内燃机组进行仿真。
104、根据所述替代模型,建立分布式能源系统利润的目标函数。
分布式能源系统的系统设备包括燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉。燃气内燃机组,是一种动力机械,通过天然气在机器内部燃烧,并将其放出热能直接转化为动力的热力发动机,利用燃气内燃机组产生的动能进行发电。吸收式溴化锂机组利用热能为动力,以溴化锂水溶液为介质用于降温制冷。离心式制冷机组利用电能作为动力,以氟利昂制冷剂为介质用于制取冷冻水,以供空调末端空气调节。燃气锅炉通过燃烧天然气产生热量为用户供暖同时获得热水。
分布式能源系统,是指以天然气为初始能源,利用燃气内燃机组将热能转换为机械能,将利用发电机将机械能转换为电能,同时通过离心式制冷机组和吸收式溴化锂机组为用户提供制冷系统,利用燃气锅炉为用户提供供暖系统。在使用分布式能源系统时,由于室外气温的影响,在同一时刻用户可能需要供暖、制冷和既不供暖也不制冷中的一种情况。根据用户需求的不同,建立分布式能源系统利润的目标函数,即总利润等于总收益与总成本的差值。
105、以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型。
总用户需求能量包括供暖热量和制冷消耗热量。系统设备的运行限制是指各个系统设备在独自运行中能量转换的限制。分布式能源系统以天然气为初始能源,在其转化为电能、机械能和热能的过程中必须满足能量守恒原则。以总用户需求能量、系统设备的运行限制和能量守恒原则为约束条件,以利润最大化为目标,对目标函数进行优化,生成优化调度模型。
106、将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
由于室外的气象要素不同,室内对冷量和热量的基本需求也不相同,例如室外气温大幅度降低则需要启动供暖系统,反之则需要启动制冷系统。因此考虑室外的气象要素变化情景的实时制冷需求和实时供暖需求,计算系统设备的运行参数更具有实际意义。系统设备的运行参数构成分布式能源系统的运行方案。运行参数包括系统设备中能够调节的能源转换效率、能源的输入输出效率。
本发明提供了一种基于智能算法的分布式能源系统优化调度方法,首先根据历史天然气消耗量分别与历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型;然后将预置天然气消耗量输入第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量;再基于回归分析算法,建立燃气内燃机组的替代模型;再根据所述替代模型,建立分布式能源系统利润的目标函数;再以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;最后将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。与现有技术相比,本发明实施例通过BP神经网络模型和回归分析算法,对燃气内燃机组进行仿真,在实现过程中不需要详细了解燃气内燃机组内部的结构和原理,将整个分布式能源系统作为黑箱处理,并建立能够仿真燃气内燃机组的替代模型。以分布式能源系统利润的目标函数、系统设备运行限制和燃气内燃机组的替代模型,与用户的实时制冷需求和实时供暖需求相结合,能够确保得到合理且可靠的系统设备的运行参数。
本发明实施例提供了另一种基于智能算法的分布式能源系统优化调度方法,如图2所示,该方法包括:
201、根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气热量和历史热水热量,训练第一BP神经网络模型。
第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量。以历史天然气消耗量为输入数据,以与历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量为输出数据,训练第一BP神经网络模型。
202、将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量。
预置天然气消耗量至少包括一个天然气消耗量的数据值,也就是通过本步骤能够计算得到至少一组的天然气消耗量,以及与其对应的发电量、余热烟气热量和余热热水热量。为了后续计算,在本步骤中预置天然气消耗量可以取多个不同的天然气消耗量的数据值,其数据值个数的选取即要考虑后续计算的精确度,又要考虑后续计算的时间成本。
203、根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型。
在大数据分析中,回归分析是一种预测性的建模技术,它研究的是因变量和自变量之间的关系,在本步骤中预置天然气消耗量为自变量,而与预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量为因变量。基于回归分析算法,建立的天然气消耗量与发电量、余热烟气热量和余热热水热量的关系,并以该关系作为燃气内燃机组的替代模型,代替燃气内燃机组在运行过程中呈现的复杂关系,对燃气内燃机组进行仿真。
其中替代模型包括:天然气消耗量-发电量关系模型、天然气消耗量-余热烟气热量关系模型和天然气消耗量-余热热水热量关系模型。建立替代模型具体包括:根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的发电量,基于回归分析算法计算第一回归系数,生成天然气消耗量-发电量关系模型,所述天然气消耗量-发电量关系模型为Q发电量=G×α1-β1,其中,Q发电量为所述燃气内燃机组的发电量,G为所述燃气内燃机组的天然气消耗量,α1和β1为所述第一回归系数;根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热烟气热量,基于回归分析算法计算第二回归系数,生成天然气消耗量-余热烟气热量关系模型,所述天然气消耗量-余热烟气热量关系模型为Q余热烟气热量=G×α2-β2,其中,Q余热烟气热量为所述燃气内燃机组产生的余热烟气热量,G为所述燃气内燃机组的天然气消耗量,α2和β2为所述第二回归系数;根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热热水热量,基于回归分析算法计算第三回归系数,生成天然气消耗量-余热热水热量关系模型,所述天然气消耗量-余热热水热量关系模型为Q余热热水热量=G×α3-β3,其中,Q余热热水热量为所述燃气内燃机组产生的余热热水热量,G为所述燃气内燃机组的天然气消耗量,α3和β3为所述第三回归系数。
204、根据所述替代模型,建立分布式能源系统利润的目标函数。
分布式能源系统的系统设备包括燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉。分布式能源系统,是指以天然气为初始能源,利用燃气内燃机组将热能转换为机械能,将利用发电机将机械能转换为电能,再利用电能为用户提供所必须的电量,同时通过离心式制冷机组和吸收式溴化锂机组为用户提供制冷系统,利用燃气锅炉为用户提供供暖系统。根据用户对供暖或制冷的需求,建立分布式能源系统利润的目标函数,即总利润等于总收益与总成本的差值。
建立分布式能源系统利润的目标函数,具体包括:按照第一计算公式,计算所述燃气内燃机组的日消耗成本,所述第一计算公式为其中ttcec(l)为所述燃气内燃机组的日消耗成本,cec(t)为t时刻所述燃气内燃机组的运行成本,cel(t)为t时刻所述燃气内燃机组的润滑油消耗量,ey为单位质量的润滑油价格,cee(t)为t时刻所述燃气内燃机组的发电量,η1为所述燃气内燃机组的耗电比例,ep(t)为t时刻的售电电价,ceng(t)为t时刻所述燃气内燃机组的天然气消耗量,eg为单位体积天然气价格,T为所述燃气内燃机组的日消耗成本所对应的运行时间;
按照第三计算公式,计算离心式制冷机组的日消耗成本,所述第三计算公式为其中ttcmc(l)为所述离心式制冷机组的日消耗成本,cmcie(t)为t时刻所述离心式制冷机组运转过程中的能量转换耗电量,cmfe(t)为t时刻所述离心式制冷机组运转过程中的固定运转耗电量,s(t)为0或1的整数变量,如果所述离心式制冷机组运转则取1值,否则取0值;
根据第四计算公式,计算燃气锅炉的日消耗成本,所述第四计算公式为其中,ttbc(l)为所述燃气锅炉的日消耗成本,bme(t)为t时刻所述燃气锅炉为满足热水需求的耗电量,bmng(t)为t时刻所述燃气锅炉为满足热水需求的天然气消耗量,bie(t)为t时刻所述燃气锅炉为满足供暖需求的耗电量,bling(t)为t时刻所述燃气锅炉为满足供暖需求的天然气消耗量;
根据第五计算公式,计算所述分布式能源系统的总成本,所述第五计算公式为TC总成本=ttcec(l)+ttlbc(l)+ttcmc(l)+ttbc(l),其中TC总成本为所述分布式能源系统的消耗总成本;
根据所述替代模型,计算在t时刻所述燃气内燃机组的发电量;
根据第六计算公式,计算所述分布式能源系统的总收益,所述第六计算公式为其中TB总为所述分布式能源系统在(1~T)时间段内的总收益,cee(t)为t时刻所述燃气内燃机组的发电量,TB固定为所述分布式能源系统的固定收益;
根据所述分布式能源系统的总收益,以及所述分布式能源系统的总成本,建立所述分布式能源系统利润的目标函数,所述目标函数为GB=TB总-TC总成本,其中GB为所述分布式能源系统的利润。
205、以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型。
总用户需求能量包括供暖热量和制冷消耗热量。系统设备的运行限制是指各个系统设备在独自运行中能量转换的限制。分布式能源系统以天然气为初始能源,在其转化为电能、机械能和热能的过程中必须满足能量守恒原则。以总用户需求能量、系统设备的运行限制和能量守恒原则为约束条件,以利润最大化为目标,对目标函数进行优化,生成优化调度模型。
优化调度模型的建立过程具体包括:根据所述系统设备的设备功能,建立热水需求、供暖能量需求和制冷能量需求的能量约束条件,所述能量约束条件包括:热水需求约束、供暖需求约束和制冷需求约束,所述热水需求约束为z(t)×bmhd(t)+(1-z(t))×lbmhd(t)≥mhd(t),其中z(t)为为0或1的整数变量,如果采用所述燃气锅炉为热水箱提供热量则取1值,否则取0值,bmhd(t)为t时刻所述燃气锅炉为所述热水箱提供的热量,lbmhd(t)为t时刻所述吸收式溴化锂机组为所述热水箱提供的热量,mhd(t)为t时刻所述生活热水箱的热需求量,mhd(t)=G(t)×ρ×Cp×Δt,G(t)为t时刻所需的热水总量,ρ为热水密度,Cp为水的比热容,Δt为室内温度和环境温度的温差,所述供暖需求约束为bihd(t)+lbihd(t)≥ihd(t),其中bihd(t)为t时刻所述燃气锅炉的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组的供暖量,ihd(t)为t时刻的用户的供暖需求,所述制冷需求约束为lbicd(t)+cmicd(t)≥icd(t),其中lbicd(t)为t时刻所述吸收式溴化锂机组的供冷量,cmicd(t)为t时刻所述离心式制冷机组的供冷量,icd(t)为t时刻用户的供冷需求;
根据所述系统设备的设备机能,建立运行约束条件,所述运行约束条件包括所述燃气内燃机组的运行约束条件、所述吸收式溴化锂机组的运行约束条件、所述离心式制冷机组的运行约束条件和所述燃气锅炉的运行约束条件,所述燃气内燃机组的运行约束条件为
其中,cewh(t)为t时刻所述燃气内燃机组产生的余热烟气热量,ceh(t)为t时刻所述燃气内燃机组提供给所述热水箱的热量,α4,α5,α6,β4,β5和β6是回归系数,δ1为所述燃气内燃机组的运行成本系数,δ2所述燃气内燃机组的润滑消耗系数,ceemin为所述燃气内燃机组的的最小功率,ceemax为所述燃气内燃机组的最大功率,所述吸收式溴化锂机组的运行约束条件为
其中,lbicd(t)为t时刻所述吸收式溴化锂机组的制冷量,lbmhd(t)为t时刻所述吸收式溴化锂机组的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组提供给所述热水箱的热量,y(t)为所述吸收式溴化锂机组用于制冷和制热的热量分配比例,λ1、λ2和λ3为转换系数,lbicdmax为所述吸收式溴化锂机组的最大供冷量,lbhdmax为所述吸收式溴化锂机组的最大功率,所述离心式制冷机组的运行约束条件为cmicd(t)≤cmicdmax,其中cmicdmax为所述离心式制冷机组的最大功率,所述燃气锅炉的运行约束条件为bihd(t)+bmhd(t)≤bhdmax,其中,bhdmax为所述燃气锅炉的最大功率;
建立所述系统设备的能耗约束条件,所述能耗约束条件包括所述燃气锅炉的能耗约束条件和所述离心式制冷机组的能耗约束条件,所述燃气锅炉的能耗约束条件为
其中λ4和λ5为转换系数,α7、α8和α9为回归系数,φb(t)为所述燃气锅炉的燃烧效率,εb(t)为所述燃气锅炉的负荷率,bhdmax为所述燃气锅炉的额度负荷,所述离心式制冷机组的能耗约束条件为cmcie(t)=cmcid(t)×λ8,cmcie(t)为t时刻所述离心式制冷机组提供制冷需要消耗的电量,λ8为转换系数;
根据所述目标函数、所述能量约束条件、所述运行约束条件和所述能耗约束条件,建立所述分布式能源系统的优化调度模型。
206、根据预置归一化公式,分别计算历史气象要素参数的归一化气象参数,历史制冷需求参数的归一化制冷需求参数和历史供暖需求参数的归一化供暖需求参数。
在计算归一化参数时,采用预置归一化公式为其中为第i个所述归一化参数的数值,x(i)为第i个所述历史参数的数值,x(i)min为第i个所述历史参数的最小值,x(i)max为第i个所述历史参数的最大值,其中历史参数包括历史气象要素参数,历史制冷需求参数和历史供暖需求参数,历史气象要素参数包括室外温度、日照时长、相对湿度和风速。将历史参数转化为到较小的数据范围内可以提高数据的集中程度,以突出数据细节特征对后续计算的影响,由此增加计算的准确度。
207、根据所述归一化气象要素参数、所述归一化制冷需求参数和所述归一化供暖需求参数,训练第二BP神经网络模型。
归一化气象要素参数包括室外温度、日照时长、相对湿度和风速,第二BP神经网络模型用于预测气象要素对应的用户制冷需求和供暖需求。根据不同季节分别选取的41组样本数据的输入和输出变量情况,在第二BP神经网络设计隐含层为1层,节点数为10个,训练函数为trainlm,传递函数为tansig,初始学习步长为0.1,目标误差为0.001,最大的训练次数为5000次,训练第二BP神经网络模型。
208、将实时气象要素输入第二BP神经网络模型,计算所述实时气象要素对应的实时制冷需求和实时供暖需求。
209、将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
由于室外的气象要素不同,室内对电量的基本需求也不相同,例如室外气温大幅度降低则需要启动供暖系统,反之则需要启动制冷系统。因此考虑室外的气象要素变化情景的实时用户制冷和供暖需求,对计算系统设备的运行参数更具有实际意义。系统设备的运行参数构成分布式能源系统的运行方案。运行参数包括系统设备中能够调节的能源转换效率、能源的输入输出效率。
将气象要素纳入分析用户的实时制冷需求和实时供暖需求的考虑范围,可以大大削弱气象要素变化对分布式能源系统稳定性的影响,使得计算用户的实时制冷需求和供暖需求更符合用户的实际需求,同时采用神经网络模型对用户需求进行精准预测,排除了过于复杂、不适应系统需求的符合预测方法。
本发明提供了一种基于智能算法的分布式能源系统优化调度方法,首先根据历史天然气消耗量分别与历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型;然后将预置天然气消耗量输入第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量;再基于回归分析算法,建立燃气内燃机组的替代模型;再根据所述替代模型,建立分布式能源系统利润的目标函数;再以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;最后将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。与现有技术相比,本发明实施例通过BP神经网络模型和回归分析算法,对燃气内燃机组进行仿真,在实现过程中不需要详细了解燃气内燃机组内部的结构和原理,将整个分布式能源系统作为黑箱处理,并建立能够仿真燃气内燃机组的替代模型。以分布式能源系统利润最大化的目标函数、系统设备运行限制和燃气内燃机组的替代模型,与用户的实时制冷需求和实时供暖需求相结合,能够确保得到合理且可靠的系统设备的运行参数。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种基于智能算法的分布式能源系统优化调度装置,如图3所示,该装置包括:
第一训练模块31,用于根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
第一计算模块32,用于将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
第一建立模块33,用于根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
第二建立模块34,用于根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
第三建立模块35,用于以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
第二计算模块36,用于用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
本发明提供了一种基于智能算法的分布式能源系统优化调度装置,首先根据历史天然气消耗量分别与历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型;然后将预置天然气消耗量输入第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量;再基于回归分析算法,建立燃气内燃机组的替代模型;再根据所述替代模型,建立分布式能源系统利润的目标函数;再以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;最后将实时用户需求电量输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。与现有技术相比,本发明实施例通过BP神经网络模型和回归分析算法,对燃气内燃机组进行仿真,在实现过程中不需要详细了解燃气内燃机组内部的结构和原理,将整个分布式能源系统作为黑箱处理,并建立能够仿真燃气内燃机组的替代模型。以分布式能源系统利润的目标函数、系统设备运行限制和燃气内燃机组的替代模型,与用户的实时制冷需求和实时供暖需求相结合,能够确保得到合理且可靠的系统设备的运行参数。
进一步的,作为对上述图2所示方法的实现,本发明实施例提供了另一种基于智能算法的分布式能源系统优化调度装置,如图4所示,该装置包括:
第一训练模块41,用于根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
第一计算模块42,用于将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
第一建立模块43,用于根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
第二建立模块44,用于根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
第三建立模块45,用于以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
第二计算模块46,用于将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
进一步地,所述替代模型包括:天然气消耗量-发电量关系模型、天然气消耗量-余热烟气热量关系模型和天然气消耗量-余热热水热量关系模型;
所述第一建立模块43,用于:
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的发电量,基于回归分析算法计算第一回归系数,生成天然气消耗量-发电量关系模型,所述天然气消耗量-发电量关系模型为Q发电量=G×α1-β1,其中,Q发电量为所述燃气内燃机组的发电量,G为所述燃气内燃机组的天然气消耗量,α1和β1为所述第一回归系数;
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热烟气热量,基于回归分析算法计算第二回归系数,生成天然气消耗量-余热烟气热量关系模型,所述天然气消耗量-余热烟气热量关系模型为Q余热烟气热量=G×α2-β2,其中,Q余热烟气热量为所述燃气内燃机组产生的余热烟气热量,G为所述燃气内燃机组的天然气消耗量,α2和β2为所述第二回归系数;
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热热水热量,基于回归分析算法计算第三回归系数,生成天然气消耗量-余热热水热量关系模型,所述天然气消耗量-余热热水热量关系模型为Q余热热水热量=G×α3-β3,其中,Q余热热水热量为所述燃气内燃机组产生的余热热水热量,G为所述燃气内燃机组的天然气消耗量,α3和β3为所述第三回归系数。
进一步地,所述第二建立模块44,包括:
计算单元441,用于按照第一计算公式,计算所述燃气内燃机组的日消耗成本,所述第一计算公式为其中ttcec(l)为所述燃气内燃机组的日消耗成本,cec(t)为t时刻所述燃气内燃机组的运行成本,cel(t)为t时刻所述燃气内燃机组的润滑油消耗量,ey为单位质量的润滑油价格,cee(t)为t时刻所述燃气内燃机组的发电量,η1为所述燃气内燃机组的耗电比例,ep(t)为t时刻的售电电价,ceng(t)为t时刻所述燃气内燃机组的天然气消耗量,eg为单位体积天然气价格,T为所述燃气内燃机组的日消耗成本所对应的运行时间;
所述计算单元441,还用于按照第二计算公式,计算吸收式溴化锂机组的日消耗成本,所述第二计算公式为其中ttlbc(l)为所述吸收式溴化锂机组的日消耗成本,lbe(t)为t时刻所述吸收式溴化锂机组的耗电量;
所述计算单元441,还用于按照第三计算公式,计算离心式制冷机组的日消耗成本,所述第三计算公式为其中ttcmc(l)为所述离心式制冷机组的日消耗成本,cmcie(t)为t时刻所述离心式制冷机组运转过程中的能量转换耗电量,cmfe(t)为t时刻所述离心式制冷机组运转过程中的固定运转耗电量,s(t)为0或1的整数变量,如果所述离心式制冷机组运转则取1值,否则取0值;
所述计算单元441,还用于根据第四计算公式,计算燃气锅炉的日消耗成本,所述第四计算公式为其中,ttbc(l)为所述燃气锅炉的日消耗成本,bme(t)为t时刻所述燃气锅炉为满足热水需求的耗电量,bmng(t)为t时刻所述燃气锅炉为满足热水需求的天然气消耗量,bie(t)为t时刻所述燃气锅炉为满足供暖需求的耗电量,bling(t)为t时刻所述燃气锅炉为满足供暖需求的天然气消耗量;
所述计算单元441,还用于根据第五计算公式,计算所述分布式能源系统的总成本,所述第五计算公式为TC总成本=ttcec(l)+ttlbc(l)+ttcmc(l)+ttbc(l),其中TC总成本为所述分布式能源系统的消耗总成本;
所述计算单元441,还用于根据所述替代模型,计算在t时刻所述燃气内燃机组的发电量;
所述计算单元441,还用于根据第六计算公式,计算所述分布式能源系统的总收益,所述第六计算公式为其中TB总为所述分布式能源系统在(1~T)时间段内的总收益,cee(t)为t时刻所述燃气内燃机组的发电量,TB固定为所述分布式能源系统的固定收益;
建立单元442,用于根据所述分布式能源系统的总收益,以及所述分布式能源系统的总成本,建立所述分布式能源系统利润的目标函数,所述目标函数为GB=TB总-TC总成本,其中GB为所述分布式能源系统的利润。
进一步地,所述第三建立模块45,用于:
根据所述系统设备的设备功能,建立热水需求、供暖能量需求和制冷能量需求的能量约束条件,所述能量约束条件包括:热水需求约束、供暖需求约束和制冷需求约束,所述热水需求约束为z(t)×bmhd(t)+(1-z(t))×lbmhd(t)≥mhd(t),其中z(t)为为0或1的整数变量,如果采用所述燃气锅炉为热水箱提供热量则取1值,否则取0值,bmhd(t)为t时刻所述燃气锅炉为所述热水箱提供的热量,lbmhd(t)为t时刻所述吸收式溴化锂机组为所述热水箱提供的热量,mhd(t)为t时刻所述生活热水箱的热需求量,mhd(t)=G(t)×ρ×Cp×Δt,G(t)为t时刻所需的热水总量,ρ为热水密度,Cp为水的比热容,Δt为室内温度和环境温度的温差;所述供暖需求约束为bihd(t)+lbihd(t)≥ihd(t),其中bihd(t)为t时刻所述燃气锅炉的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组的供暖量,ihd(t)为t时刻的用户的供暖需求;所述制冷需求约束为lbicd(t)+cmicd(t)≥icd(t),其中lbicd(t)为t时刻所述吸收式溴化锂机组的供冷量,cmicd(t)为t时刻所述离心式制冷机组的供冷量,icd(t)为t时刻用户的供冷需求;
根据所述系统设备的设备机能,建立运行约束条件,所述运行约束条件包括所述燃气内燃机组的运行约束条件、所述吸收式溴化锂机组的运行约束条件、所述离心式制冷机组的运行约束条件和所述燃气锅炉的运行约束条件,所述燃气内燃机组的运行约束条件为
其中,cewh(t)为t时刻所述燃气内燃机组产生的余热烟气热量,ceh(t)为t时刻所述燃气内燃机组提供给所述热水箱的热量,α4,α5,α6,β4,β5和β6是回归系数,δ1为所述燃气内燃机组的运行成本系数,δ2所述燃气内燃机组的润滑消耗系数,ceemin为所述燃气内燃机组的的最小功率,ceemax为所述燃气内燃机组的最大功率,所述吸收式溴化锂机组的运行约束条件为
其中,lbicd(t)为t时刻所述吸收式溴化锂机组的制冷量,lbmhd(t)为t时刻所述吸收式溴化锂机组的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组提供给所述热水箱的热量,y(t)为所述吸收式溴化锂机组用于制冷和制热的热量分配比例,λ1、λ2和λ3为转换系数,lbicdmax为所述吸收式溴化锂机组的最大供冷量,lbhdmax为所述吸收式溴化锂机组的最大功率,所述离心式制冷机组的运行约束条件为cmicd(t)≤cmicdmax,其中cmicdmax为所述离心式制冷机组的最大功率,所述燃气锅炉的运行约束条件为bihd(t)+bmhd(t)≤bhdmax,其中,bhdmax为所述燃气锅炉的最大功率;
建立所述系统设备的能耗约束条件,所述能耗约束条件包括所述燃气锅炉的能耗约束条件和所述离心式制冷机组的能耗约束条件,所述燃气锅炉的能耗约束条件为
其中λ4和λ5为转换系数,α7、α8和α9为回归系数,φb(t)为所述燃气锅炉的燃烧效率,εb(t)为所述燃气锅炉的负荷率,bhdmax为所述燃气锅炉的额度负荷,所述离心式制冷机组的能耗约束条件为cmcie(t)=cmcid(t)×λ8,cmcie(t)为t时刻所述离心式制冷机组提供制冷需要消耗的电量,λ8为转换系数;
根据所述目标函数、所述能量约束条件、所述运行约束条件和所述能耗约束条件,建立所述分布式能源系统的优化调度模型。
进一步地,所述方法还包括:
第三计算模块47,用于所述将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数之前,根据预置归一化公式,分别计算历史气象要素参数的归一化气象参数,历史制冷需求参数的归一化制冷需求参数和历史供暖需求参数的归一化供暖需求参数,所述预置归一化公式为其中为第i个所述归一化参数的数值,x(i)为第i个所述历史参数的数值,x(i)min为第i个所述历史参数的最小值,x(i)max为第i个所述历史参数的最大值,所述历史参数包括所述历史气象要素参数,所述历史制冷需求参数和所述历史供暖需求参数,所述历史气象要素参数包括室外温度、日照时长、相对湿度和风速;
第二训练模块48,用于根据所述归一化气象要素参数、所述归一化制冷需求参数和所述归一化供暖需求参数,训练第二BP神经网络模型,所述第二BP神经网络模型用于预测气象要素对应的用户制冷需求和供暖需求;
第四计算模块49,用于将实时气象要素输入第二BP神经网络模型,计算所述实时气象要素对应的实时制冷需求和实时供暖需求。
本发明提供了一种基于智能算法的分布式能源系统优化调度装置,首先根据历史天然气消耗量分别与历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型;然后将预置天然气消耗量输入第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量;再基于回归分析算法,建立燃气内燃机组的替代模型;再根据所述替代模型,建立分布式能源系统利润的目标函数;再以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;最后将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。与现有技术相比,本发明实施例通过BP神经网络模型和回归分析算法,对燃气内燃机组进行仿真,在实现过程中不需要详细了解燃气内燃机组内部的结构和原理,将整个分布式能源系统作为黑箱处理,并建立能够仿真燃气内燃机组的替代模型。以分布式能源系统利润的目标函数、系统设备运行限制和燃气内燃机组的替代模型,与用户的实时制冷需求和实时供暖需求相结合,能够确保得到合理且可靠的系统设备的运行参数。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于智能算法的分布式能源系统优化调度方法。
图5示出了根据本发明一个实施例提供的一种基于智能算法的分布式能源系统优化调度装置的结构示意图,本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示,该基于智能算法的分布式能源系统优化调度装置可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述基于智能算法的分布式能源系统优化调度方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
根据历史天然气消耗量分别与历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于智能算法的分布式能源系统优化调度方法,其特征在于,包括:
根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气热量和历史余热热水热量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
2.如权利要求1所述的方法,其特征在于,所述替代模型包括:天然气消耗量-发电量关系模型、天然气消耗量-余热烟气热量关系模型和天然气消耗量-余热热水热量关系模型;
所述根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型,包括:
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的发电量,基于回归分析算法计算第一回归系数,生成天然气消耗量-发电量关系模型,所述天然气消耗量-发电量关系模型为Q发电量=G×α1-β1,其中,Q发电量为所述燃气内燃机组的发电量,G为所述燃气内燃机组的天然气消耗量,α1和β1为所述第一回归系数;
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热烟气热量,基于回归分析算法计算第二回归系数,生成天然气消耗量-余热烟气热量关系模型,所述天然气消耗量-余热烟气热量关系模型为Q余热烟气热量=G×α2-β2,其中,Q余热烟气热量为所述燃气内燃机组产生的余热烟气热量,G为所述燃气内燃机组的天然气消耗量,α2和β2为所述第二回归系数;
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热热水热量,基于回归分析算法计算第三回归系数,生成天然气消耗量-余热热水热量关系模型,所述天然气消耗量-余热热水热量关系模型为Q余热热水热量=G×α3-β3,其中,Q余热热水热量为所述燃气内燃机组产生的余热热水热量,G为所述燃气内燃机组的天然气消耗量,α3和β3为所述第三回归系数。
3.如权利要求1所述的方法,其特征在于,所述根据所述替代模型,建立分布式能源系统利润的目标函数,包括:
按照第一计算公式,计算所述燃气内燃机组的日消耗成本,所述第一计算公式为其中ttcec(l)为所述燃气内燃机组的日消耗成本,cec(t)为t时刻所述燃气内燃机组的运行成本,cel(t)为t时刻所述燃气内燃机组的润滑油消耗量,ey为单位质量的润滑油价格,cee(t)为t时刻所述燃气内燃机组的发电量,η1为所述燃气内燃机组的耗电比例,ep(t)为t时刻的售电电价,ceng(t)为t时刻所述燃气内燃机组的天然气消耗量,eg为单位体积天然气价格,T为所述燃气内燃机组的日消耗成本所对应的运行时间;
按照第三计算公式,计算离心式制冷机组的日消耗成本,所述第三计算公式为其中ttcmc(l)为所述离心式制冷机组的日消耗成本,cmcie(t)为t时刻所述离心式制冷机组运转过程中的能量转换耗电量,cmfe(t)为t时刻所述离心式制冷机组运转过程中的固定运转耗电量,s(t)为0或1的整数变量,如果所述离心式制冷机组运转则取1值,否则取0值;
根据第四计算公式,计算燃气锅炉的日消耗成本,所述第四计算公式为其中,ttbc(l)为所述燃气锅炉的日消耗成本,bme(t)为t时刻所述燃气锅炉为满足热水需求的耗电量,bmng(t)为t时刻所述燃气锅炉为满足热水需求的天然气消耗量,bie(t)为t时刻所述燃气锅炉为满足供暖需求的耗电量,bling(t)为t时刻所述燃气锅炉为满足供暖需求的天然气消耗量;
根据第五计算公式,计算所述分布式能源系统的总成本,所述第五计算公式为TC总成本=ttcec(l)+ttlbc(l)+ttcmc(l)+ttbc(l),其中TC总成本为所述分布式能源系统的消耗总成本;
根据所述替代模型,计算在t时刻所述燃气内燃机组的发电量;
根据第六计算公式,计算所述分布式能源系统的总收益,所述第六计算公式为其中TB总为所述分布式能源系统在(1~T)时间段内的总收益,cee(t)为t时刻所述燃气内燃机组的发电量,TB固定为所述分布式能源系统的固定收益;
根据所述分布式能源系统的总收益,以及所述分布式能源系统的总成本,建立所述分布式能源系统利润的目标函数,所述目标函数为GB=TB总-TC总成本,其中GB为所述分布式能源系统的利润。
4.如权利要求3所述的方法,其特征在于,所述以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型,包括:
根据所述系统设备的设备功能,建立热水需求、供暖能量需求和制冷能量需求的能量约束条件,所述能量约束条件包括:热水需求约束、供暖需求约束和制冷需求约束,所述热水需求约束为z(t)×bmhd(t)+(1-z(t))×lbmhd(t)≥mhd(t),其中z(t)为为0或1的整数变量,如果采用所述燃气锅炉为热水箱提供热量则取1值,否则取0值,bmhd(t)为t时刻所述燃气锅炉为所述热水箱提供的热量,lbmhd(t)为t时刻所述吸收式溴化锂机组为所述热水箱提供的热量,mhd(t)为t时刻所述生活热水箱的热需求量,mhd(t)=G(t)×ρ×Cp×Δt,G(t)为t时刻所需的热水总量,ρ为热水密度,Cp为水的比热容,Δt为室内温度和环境温度的温差,所述供暖需求约束为bihd(t)+lbihd(t)≥ihd(t),其中bihd(t)为t时刻所述燃气锅炉的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组的供暖量,ihd(t)为t时刻的用户的供暖需求,所述制冷需求约束为lbicd(t)+cmicd(t)≥icd(t),其中lbicd(t)为t时刻所述吸收式溴化锂机组的供冷量,cmicd(t)为t时刻所述离心式制冷机组的供冷量,icd(t)为t时刻用户的供冷需求;
根据所述系统设备的设备机能,建立运行约束条件,所述运行约束条件包括所述燃气内燃机组的运行约束条件、所述吸收式溴化锂机组的运行约束条件、所述离心式制冷机组的运行约束条件和所述燃气锅炉的运行约束条件,所述燃气内燃机组的运行约束条件为
其中,cewh(t)为t时刻所述燃气内燃机组产生的余热烟气热量,ceh(t)为t时刻所述燃气内燃机组提供给所述热水箱的热量,α4,α5,α6,β4,β5和β6是回归系数,δ1为所述燃气内燃机组的运行成本系数,δ2所述燃气内燃机组的润滑消耗系数,ceemin为所述燃气内燃机组的的最小功率,ceemax为所述燃气内燃机组的最大功率,所述吸收式溴化锂机组的运行约束条件为
其中,lbicd(t)为t时刻所述吸收式溴化锂机组的制冷量,lbmhd(t)为t时刻所述吸收式溴化锂机组的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组提供给所述热水箱的热量,y(t)为所述吸收式溴化锂机组用于制冷和制热的热量分配比例,λ1、λ2和λ3为转换系数,lbicdmax为所述吸收式溴化锂机组的最大供冷量,lbhdmax为所述吸收式溴化锂机组的最大功率,所述离心式制冷机组的运行约束条件为cmicd(t)≤cmicdmax,其中cmicdmax为所述离心式制冷机组的最大功率,所述燃气锅炉的运行约束条件为bihd(t)+bmhd(t)≤bhdmax,其中,bhdmax为所述燃气锅炉的最大功率;
建立所述系统设备的能耗约束条件,所述能耗约束条件包括所述燃气锅炉的能耗约束条件和所述离心式制冷机组的能耗约束条件,所述燃气锅炉的能耗约束条件为
其中λ4和λ5为转换系数,α7、α8和α9为回归系数,φb(t)为所述燃气锅炉的燃烧效率,εb(t)为所述燃气锅炉的负荷率,bhdmax为所述燃气锅炉的额度负荷,所述离心式制冷机组的能耗约束条件为cmcie(t)=cmcid(t)×λ8,cmcie(t)为t时刻所述离心式制冷机组提供制冷需要消耗的电量,λ8为转换系数;
根据所述目标函数、所述能量约束条件、所述运行约束条件和所述能耗约束条件,建立所述分布式能源系统的优化调度模型。
5.如权利要求1所述的方法,其特征在于,所述将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数之前,所述方法还包括:
根据预置归一化公式,分别计算历史气象要素参数的归一化气象参数,历史制冷需求参数的归一化制冷需求参数和历史供暖需求参数的归一化供暖需求参数,所述预置归一化公式为其中为第i个所述归一化参数的数值,x(i)为第i个所述历史参数的数值,x(i)min为第i个所述历史参数的最小值,x(i)max为第i个所述历史参数的最大值,所述历史参数包括所述历史气象要素参数,所述历史制冷需求参数和所述历史供暖需求参数,所述历史气象要素参数包括室外温度、日照时长、相对湿度和风速;
根据所述归一化气象要素参数、所述归一化制冷需求参数和所述归一化供暖需求参数,训练第二BP神经网络模型,所述第二BP神经网络模型用于预测气象要素对应的用户制冷需求和供暖需求;
将实时气象要素输入第二BP神经网络模型,计算所述实时气象要素对应的实时制冷需求和实时供暖需求。
6.一种基于智能算法的分布式能源系统优化调度装置,其特征在于,包括:
第一训练模块,用于根据历史天然气消耗量,以及与所述历史天然气消耗量对应的历史发电量、历史余热烟气量和历史热水量,训练第一BP神经网络模型,所述第一BP神经网络模型用于预测天然气消耗量能够产生的发电量、余热烟气热量和余热热水热量;
第一计算模块,用于将预置天然气消耗量输入所述第一BP神经网络模型,计算所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,所述预置天然气消耗量至少包括一个天然气消耗量的数据值;
第一建立模块,用于根据所述预置天然气消耗量、以及与所述预置天然气消耗量对应的发电量、余热烟气热量和余热热水热量,基于回归分析算法,建立燃气内燃机组的替代模型;
第二建立模块,用于根据所述替代模型,建立分布式能源系统利润的目标函数,所述分布式能源系统的系统设备包括所述燃气内燃机组、吸收式溴化锂机组、离心式制冷机组和燃气锅炉;
第三建立模块,用于以总用户需求能量、所述系统设备的运行限制和能量守恒原则为所述目标函数的约束条件,建立所述分布式能源系统的优化调度模型;
第二计算模块,用于将用户的实时制冷需求和实时供暖需求输入所述优化调度模型,计算所述分布式能源系统的系统设备的运行参数。
7.如权利要求6所述的装置,其特征在于,所述替代模型包括:天然气消耗量-发电量关系模型、天然气消耗量-余热烟气热量关系模型和天然气消耗量-余热热水热量关系模型;
所述第一建立模块,用于:
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的发电量,基于回归分析算法计算第一回归系数,生成天然气消耗量-发电量关系模型,所述天然气消耗量-发电量关系模型为Q发电量=G×α1-β1,其中,Q发电量为所述燃气内燃机组的发电量,G为所述燃气内燃机组的天然气消耗量,α1和β1为所述第一回归系数;
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热烟气热量,基于回归分析算法计算第二回归系数,生成天然气消耗量-余热烟气热量关系模型,所述天然气消耗量-余热烟气热量关系模型为Q余热烟气热量=G×α2-β2,其中,Q余热烟气热量为所述燃气内燃机组产生的余热烟气热量,G为所述燃气内燃机组的天然气消耗量,α2和β2为所述第二回归系数;
根据所述预置天然气消耗量,以及与所述预置天然气消耗量对应的余热热水热量,基于回归分析算法计算第三回归系数,生成天然气消耗量-余热热水热量关系模型,所述天然气消耗量-余热热水热量关系模型为Q余热热水热量=G×α3-β3,其中,Q余热热水热量为所述燃气内燃机组产生的余热热水热量,G为所述燃气内燃机组的天然气消耗量,α3和β3为所述第三回归系数。
8.如权利要求6所述的方法,其特征在于,所述第二建立模块,包括:
计算单元,用于按照第一计算公式,计算所述燃气内燃机组的日消耗成本,所述第一计算公式为其中ttcec(l)为所述燃气内燃机组的日消耗成本,cec(t)为t时刻所述燃气内燃机组的运行成本,cel(t)为t时刻所述燃气内燃机组的润滑油消耗量,ey为单位质量的润滑油价格,cee(t)为t时刻所述燃气内燃机组的发电量,η1为所述燃气内燃机组的耗电比例,ep(t)为t时刻的售电电价,ceng(t)为t时刻所述燃气内燃机组的天然气消耗量,eg为单位体积天然气价格,T为所述燃气内燃机组的日消耗成本所对应的运行时间;
所述计算单元,还用于按照第三计算公式,计算离心式制冷机组的日消耗成本,所述第三计算公式为其中ttcmc(l)为所述离心式制冷机组的日消耗成本,cmcie(t)为t时刻所述离心式制冷机组运转过程中的能量转换耗电量,cmfe(t)为t时刻所述离心式制冷机组运转过程中的固定运转耗电量,s(t)为0或1的整数变量,如果所述离心式制冷机组运转则取1值,否则取0值;
所述计算单元,还用于根据第四计算公式,计算燃气锅炉的日消耗成本,所述第四计算公式为
其中,ttbc(l)为所述燃气锅炉的日消耗成本,bme(t)为t时刻所述燃气锅炉为满足热水需求的耗电量,bmng(t)为t时刻所述燃气锅炉为满足热水需求的天然气消耗量,bie(t)为t时刻所述燃气锅炉为满足供暖需求的耗电量,bling(t)为t时刻所述燃气锅炉为满足供暖需求的天然气消耗量;
所述计算单元,还用于根据第五计算公式,计算所述分布式能源系统的总成本,所述第五计算公式为TC总成本=ttcec(l)+ttlbc(l)+ttcmc(l)+ttbc(l),其中TC总成本为所述分布式能源系统的消耗总成本;
所述计算单元,还用于根据所述替代模型,计算在t时刻所述燃气内燃机组的发电量;
所述计算单元,还用于根据第六计算公式,计算所述分布式能源系统的总收益,所述第六计算公式为其中TB总为所述分布式能源系统在(1~T)时间段内的总收益,cee(t)为t时刻所述燃气内燃机组的发电量,TB固定为所述分布式能源系统的固定收益;
建立单元,用于根据所述分布式能源系统的总收益,以及所述分布式能源系统的总成本,建立所述分布式能源系统利润的目标函数,所述目标函数为GB=TB总-TC总成本,其中GB为所述分布式能源系统的利润。
9.如权利要求8所述的装置,其特征在于,所述第三建立模块,用于:
根据所述系统设备的设备功能,建立热水需求、供暖能量需求和制冷能量需求的能量约束条件,所述能量约束条件包括:热水需求约束、供暖需求约束和制冷需求约束,所述热水需求约束为z(t)×bmhd(t)+(1-z(t))×lbmhd(t)≥mhd(t),其中z(t)为0或1的整数变量,如果采用所述燃气锅炉为热水箱提供热量则取1值,否则取0值,bmhd(t)为t时刻所述燃气锅炉为所述热水箱提供的热量,lbmhd(t)为t时刻所述吸收式溴化锂机组为所述热水箱提供的热量,mhd(t)为t时刻所述生活热水箱的热需求量,mhd(t)=G(t)×ρ×Cp×Δt,G(t)为t时刻所需的热水总量,ρ为热水密度,Cp为水的比热容,Δt为室内温度和环境温度的温差,所述供暖需求约束为bihd(t)+lbihd(t)≥ihd(t),其中bihd(t)为t时刻所述燃气锅炉的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组的供暖量,ihd(t)为t时刻的用户的供暖需求,所述制冷需求约束为lbicd(t)+cmicd(t)≥icd(t),其中lbicd(t)为t时刻所述吸收式溴化锂机组的供冷量,cmicd(t)为t时刻所述离心式制冷机组的供冷量,icd(t)为t时刻用户的供冷需求;
根据所述系统设备的设备机能,建立运行约束条件,所述运行约束条件包括所述燃气内燃机组的运行约束条件、所述吸收式溴化锂机组的运行约束条件、所述离心式制冷机组的运行约束条件和所述燃气锅炉的运行约束条件,所述燃气内燃机组的运行约束条件为
其中,cewh(t)为t时刻所述燃气内燃机组产生的余热烟气热量,ceh(t)为t时刻所述燃气内燃机组提供给所述热水箱的热量,α4,α5,α6,β4,β5和β6是回归系数,δ1为所述燃气内燃机组的运行成本系数,δ2所述燃气内燃机组的润滑消耗系数,ceemin为所述燃气内燃机组的的最小功率,ceemax为所述燃气内燃机组的最大功率,所述吸收式溴化锂机组的运行约束条件为
其中,lbicd(t)为t时刻所述吸收式溴化锂机组的制冷量,lbmhd(t)为t时刻所述吸收式溴化锂机组的供暖量,lbihd(t)为t时刻所述吸收式溴化锂机组提供给所述热水箱的热量,y(t)为所述吸收式溴化锂机组用于制冷和制热的热量分配比例,λ1、λ2和λ3为转换系数,lbicdmax为所述吸收式溴化锂机组的最大供冷量,lbhdmax为所述吸收式溴化锂机组的最大功率,所述离心式制冷机组的运行约束条件为cmicd(t)≤cmicdmax,其中cmicdmax为所述离心式制冷机组的最大功率,所述燃气锅炉的运行约束条件为bihd(t)+bmhd(t)≤bhdmax,其中,bhdmax为所述燃气锅炉的最大功率;
建立所述系统设备的能耗约束条件,所述能耗约束条件包括所述燃气锅炉的能耗约束条件和所述离心式制冷机组的能耗约束条件,所述燃气锅炉的能耗约束条件为
其中λ4和λ5为转换系数,α7、α8和α9为回归系数,φb(t)为所述燃气锅炉的燃烧效率,εb(t)为所述燃气锅炉的负荷率,bhdmax为所述燃气锅炉的额度负荷,所述离心式制冷机组的能耗约束条件为cmcie(t)=cmcid(t)×λ8,cmcie(t)为t时刻所述离心式制冷机组提供制冷需要消耗的电量,λ8为转换系数;
根据所述目标函数、所述能量约束条件、所述运行约束条件和所述能耗约束条件,建立所述分布式能源系统的优化调度模型。
10.一种基于智能算法的分布式能源系统优化调度装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于智能算法的分布式能源系统优化调度方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911309140.6A CN111105090B (zh) | 2019-12-18 | 2019-12-18 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911309140.6A CN111105090B (zh) | 2019-12-18 | 2019-12-18 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105090A true CN111105090A (zh) | 2020-05-05 |
CN111105090B CN111105090B (zh) | 2024-05-28 |
Family
ID=70423588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911309140.6A Active CN111105090B (zh) | 2019-12-18 | 2019-12-18 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105090B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723908A (zh) * | 2020-06-11 | 2020-09-29 | 国网浙江省电力有限公司台州供电公司 | 一种基于深度学习的含风电电力系统实时调度模型 |
CN114611793A (zh) * | 2022-03-11 | 2022-06-10 | 中国地质大学(武汉) | 考虑短期负荷预测的综合能源系统优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776909A (zh) * | 2010-01-07 | 2010-07-14 | 冶金自动化研究设计院 | 一种钢铁企业燃气供需动态预测系统及方法 |
US20130270353A1 (en) * | 2011-10-23 | 2013-10-17 | Hongyu LONG | Joint heating system of gas combined cycle and solar power and dispatching method thereof |
CN107169599A (zh) * | 2017-05-12 | 2017-09-15 | 东北大学 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
CN108631302A (zh) * | 2018-05-15 | 2018-10-09 | 佛山科学技术学院 | 一种岛礁综合能源系统优化调度方法及装置 |
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 |
-
2019
- 2019-12-18 CN CN201911309140.6A patent/CN111105090B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776909A (zh) * | 2010-01-07 | 2010-07-14 | 冶金自动化研究设计院 | 一种钢铁企业燃气供需动态预测系统及方法 |
US20130270353A1 (en) * | 2011-10-23 | 2013-10-17 | Hongyu LONG | Joint heating system of gas combined cycle and solar power and dispatching method thereof |
CN107169599A (zh) * | 2017-05-12 | 2017-09-15 | 东北大学 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
CN108631302A (zh) * | 2018-05-15 | 2018-10-09 | 佛山科学技术学院 | 一种岛礁综合能源系统优化调度方法及装置 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723908A (zh) * | 2020-06-11 | 2020-09-29 | 国网浙江省电力有限公司台州供电公司 | 一种基于深度学习的含风电电力系统实时调度模型 |
CN114611793A (zh) * | 2022-03-11 | 2022-06-10 | 中国地质大学(武汉) | 考虑短期负荷预测的综合能源系统优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111105090B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8396572B2 (en) | System and method for energy plant optimization using mixed integer-linear programming | |
Jindal et al. | A heuristic-based smart HVAC energy management scheme for university buildings | |
CN110866641A (zh) | 计及源储荷协同的多能互补系统两级优化调度方法及系统 | |
WO2021062748A1 (zh) | 综合能源系统的优化方法、装置和计算机可读存储介质 | |
CN108596525B (zh) | 冷热电气多能互补的微能源网鲁棒优化调度方法 | |
CN112950098B (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
CN107292766A (zh) | 面向风电消纳的电力系统调峰手段经济性评估方法与系统 | |
CN114503120A (zh) | 综合能源系统的仿真方法、装置和计算机可读存储介质 | |
Yun et al. | Real-time combined heat and power operational strategy using a hierarchical optimization algorithm | |
CN112560160B (zh) | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 | |
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 | |
CN112182887A (zh) | 一种综合能源系统规划优化仿真方法 | |
CN112150024B (zh) | 一种综合能源系统多场景能效评估方法 | |
WO2021062749A1 (zh) | 综合能源系统的控制方法、装置和计算机可读存储介质 | |
Xu et al. | Supply demand coordination for building energy saving: Explore the soft comfort | |
CN111539584A (zh) | 一种用户级综合能源系统规划方法、系统以及设备 | |
CN111105090B (zh) | 一种基于智能算法的分布式能源系统优化调度方法及装置 | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
CN112883560A (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 | |
Zhao et al. | A model predictive control regulation model for radiant air conditioning system based on delay time | |
Alden et al. | Artificial intelligence method for the forecast and separation of total and hvac loads with application to energy management of smart and nze homes | |
CN113239617B (zh) | 一种室内用电活动的经济低碳型电采暖优化调控方法 | |
CN117557019A (zh) | 基于模型预测控制的含热泵集群的供热系统调度方法 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
Georgiou et al. | A linear programming approach to the optimal utilization of renewable energy sources in buildings |
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 |