CN111339474A - 一种基于趋势预测分析法的综合能源系统预测运行方法 - Google Patents

一种基于趋势预测分析法的综合能源系统预测运行方法 Download PDF

Info

Publication number
CN111339474A
CN111339474A CN202010096083.4A CN202010096083A CN111339474A CN 111339474 A CN111339474 A CN 111339474A CN 202010096083 A CN202010096083 A CN 202010096083A CN 111339474 A CN111339474 A CN 111339474A
Authority
CN
China
Prior art keywords
prediction
energy
trend
output
analysis method
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
Application number
CN202010096083.4A
Other languages
English (en)
Other versions
CN111339474B (zh
Inventor
张承慧
孙波
李浩然
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 CN202010096083.4A priority Critical patent/CN111339474B/zh
Publication of CN111339474A publication Critical patent/CN111339474A/zh
Application granted granted Critical
Publication of CN111339474B publication Critical patent/CN111339474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

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

Abstract

本发明公开了一种基于趋势预测分析法的综合能源系统预测运行方法，解决了现有技术缺少多时间尺度、源荷预测、主动储能、削峰填谷的预测运行方式问题；降低了对预测精度的需求及计算的复杂度和时间；其技术方案为：包括以下步骤：初始化趋势预测分析法的参数并选择初始策略；以滚动预测的后续能量平衡期内各时间点的系统运行状态为预测结果；根据设定的尺度和预测结果，在多个时间尺度上计算各设备的出力趋势，并判定各个设备的峰谷位置；根据峰谷位置的判定结果设置约束条件，依次求解各设备出力的目标函数，优化其在下一个时间点的出力；对其他设备进行处理计算，完成当前时间点的运行优化；重复上述步骤，直至系统运行结束。

Description

一种基于趋势预测分析法的综合能源系统预测运行方法
技术领域
本发明涉及能量优化技术领域，尤其涉及一种基于趋势预测分析法的综合能源系统预测运行方法。
背景技术
随着人们对室内舒适性要求的提高和城市规模的扩大，建筑能耗在不断地增长。而传统的建筑从不同的能源供应系统中进口电、暖、冷，称为能源分供系统 (SES)。在分供系统中，各种能源的生产和供应是相互独立的。集中式电网购电是发电厂高效、稳定的电能，但污染物排放量大，需要远距离输送，且损耗大。可再生能源的分布式发电为建筑物提供清洁电力，但其发电量有限且不稳定。供暖、通风和空调系统在供冷方面是有效的，但这忽略了所耗电能在发电过程中的能量损失。而在供暖方面，考虑燃料发电、电制暖的多次能量转换，其效率低于使用锅炉直接供热。尽管各能源供应系统的效率不断提高，但建筑能耗的整体效率仍不尽如人意。
综合能源系统为建筑提供了多种能源需求，相对于分供系统，这种多联产措施提高了能源利用效率。综合能源系统是集“源”、“储”、“供”于一体的分布式能源枢纽，可将太阳能、风能、天然气、煤炭等能源转化为冷、热、电等多种能量。由于“源”“储”的集成，综合能源系统的能量生产不仅考虑实时的供能需求，而且还需要能量的存储调度。削峰填谷是综合能源系统运行提高运行效率和供能稳定性的有效途径。然而，缺少对供能需求预测的被动匹配实时需求的运行方式不能用于削峰填谷。原因在于，传统的运行策略安排设备出力时，没有考虑储能的充放，没有充足的能量用于削峰填谷。因此，在综合能源系统的运行方式中，对能源需求和可再生资源的预测是必不可少的，运行策略需要与预测优化相结合。
综合能源系统的预测运行方式通过预测、评价和调整某一时段内“源”、“储”、“供”的运行状态而达到一定的优化目标。日前优化调度(Day-ahead optimal dispatching，DOD)方法是能源系统优化运行的一种常用的全局优化方法。根据对能源需求的预测，日前调度法协调优化供热、供冷和发电，保证整个系统的高效稳定运行。然而，发明人发现，该法不适用于长期运行或系统设计中的优化操作。一方面，日前调度法对预测精度的要求很高，一旦预测的供能需求与实际的相差很大，系统性能就会大大降低。另一方面，日前调度法通过数据驱动的智能算法寻找数值解，数量较少的优化变量的迭代计算在速度和精度上都是可以接受的。但将优化时间扩展到季节、年度或整个生命周期，则优化变量的数量倍增，不能实现快速准确的求解。而适用于综合能源系统长期运行和优化设计的预测运行方式是空缺的。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于趋势预测分析法的综合能源系统预测运行方法，通过预测各设备出力的轨迹，以实际、短期、中期和长期多个时间尺度的分析获取峰谷趋势，并求解目标函数来优化设备的出力和储能的充放，滚动优化系统中各种能量的生产、存储和供给。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的实施例基于趋势预测分析法，以峰谷位置判定的结果，提供了一种基于趋势预测分析法的综合能源系统预测运行方法，包括以下步骤：
(1)初始化趋势预测分析法的参数并选择初始策略；所述参数包括优化时间间隔、能量平衡周期、各个尺度；由于滚动预测优化运行方式中的运行轨迹预测是基于传统策略滚动运行的结果，该运行策略定义为初始策略；
(2)以滚动预测的后续能量平衡期内各时间点的系统运行状态为预测结果；
(3)根据设定的尺度和预测结果，在多个时间尺度上计算各设备的出力趋势，并判定各个设备的峰谷位置；
(4)根据峰谷位置的判定结果设置约束条件，依次求解各设备出力的目标函数，优化其在下一个时间点的出力；
(5)为满足供能需求并保持“源”“储”“供”能量平衡，计算其他设备的出力、储能设备充放的能量和外部电力的购买量；完成当前时间点的运行优化，下一时间点重复(1)-(5)，直至系统运行结束。
上述本发明的实施例的有益效果如下：
(1)本发明的一个或多个实施方式基于电能、热能以及能源设备的不同时间尺度特征，从多个时间尺度分析设备出力的运行轨迹，提出了趋势预测分析法判定峰谷位置；
(2)本发明的一个或多个实施方式以综合能源系统预测运行中主动储能、削峰填谷的运行机理，结合趋势预测分析法和优化目标函数，设计了滚动优化的预测运行方式；在短期运行中，相对于传统方法，降低了对预测精度的需求，降低了计算的复杂度和时间；在长期运行和优化设计中，填补了预测运行方式的缺失，提升了系统设计和性能评估的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个或多个实施例的流程图；
图2为本发明一个或多个实施例的滚动预测和多时间尺度示意图；
图3(a)-3(d)为本发明一个或多个实施例的滚动预测的多时间尺度趋势分析图；
图4为本发明一个或多个实施例的用户能耗需求和可再生能源资源量分析图；
图5为本发明一个或多个实施例的综合能源系统结构图。
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，本文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。
术语解释：
其他设备，指经多次优化中未得到优化的设备。
实施例一：
下面结合附图1-对本发明进行详细说明，具体的，结构如下：
本实施例提供了一种基于趋势预测分析法的综合能源系统预测运行方法，该方法预测各设备出力的轨迹，以实际、短期、中期和长期多个时间尺度的分析获取峰谷趋势，并求解目标函数来优化设备的出力和储能的充放，滚动优化系统中各种能量的生产、存储和供给。
1、趋势预测分析法
本实施例提出的运行轨迹趋势的预测方法和多时间尺度的分析方法(趋势预测分析法)，利用传统的运行策略滚动预测设备单元的出力，分析实际、短期、中期和长期的平均出力以获取峰谷位置。由于各时间点是相对离散的，供能需求是相对随机的，因此可以视为马尔可夫过程，以某时间点的后续轨迹的预测判定该点峰谷位置。
滚动预测和多时间尺度如图1所示，在滚动预测中，根据时间点t的储能现状和时间点t+1的供能量预测，预测时间点t+1的运行计划。然后基于时间点t+1 预测时间点t+2，直到一段能量平衡周期结束。在多尺度分析中，将各个时间点按顺序归入四个尺度：实时(rs)、短期(ss)、中期(ms)和长期(ls)，并以各尺度下某设备的平均出力作为该设备的相应尺度的出力趋势。
以某发电设备(P)为例，出力趋势的计算公式表示为：
Figure RE-GDA0002469676410000051
式中，Pt是发电出力，Prst、Psst、Pmst和Plst分别为在实时、短期、中期和长期的发电出力趋势。
在趋势分析和位置判定中，对各尺度的处理趋势排序，以判定峰谷位置。以某发电设备(P)为例，如图3(a)所示，如果中尺度趋势大于短尺度趋势和长尺度趋势(Pmst＞Psst&Pmst＞Plst)，则表示处于爬升期。如图3(b)所示，如果短尺度趋势大于中尺度趋势，中尺度趋势大于长尺度趋势(Psst＞Pmst＞Plst)，则表示处于高峰期。如图3(c)所示，如果短尺度趋势和长尺度趋势都大于中尺度趋势(Psst＞Pmst&Plst＞Pmst)，则表示处于滑落期。如图3(d)所示，如果长尺度趋势大于中尺度趋势，而中尺度趋势大于短尺度趋势(Plst＞Pmst＞Psst)，则表示处于低谷期。因此，该设备的峰谷位置判定的公式为:
Figure RE-GDA0002469676410000061
式中，ta(P)为峰谷位置判定结果，ta(P)＝1表示爬升期，ta(P)＝2表示高峰期，ta(P)＝3表示滑落期，ta(P)＝4表示低谷期。
作为可以使用外部能源的分布式系统，综合能源系统中削峰填谷的主动储能原则与大型电站有所不同。相同处在于，在爬升期应增加设备的出力用于储能，在高峰期应保持设备的高出力。不同处在于，低谷期设备的供能效率较低，与使用储能设备中的能量和系统外的能量供能相比，在成本和能耗方面处于劣势。因此，在低谷期应降低设备的出力并从储能单元中放能，相应的，在滑落期应增加设备的出力用于储能，为低谷期的放能做准备。
2、滚动预测优化的运行方式
基于趋势预测分析法，以峰谷位置判定的结果，设计了基于该方法的滚动预测优化的运行方式(Trend prediction analysis operation mode,TPA)。解决了系统仿真和设计中缺少多时间尺度、源荷预测、主动储能、削峰填谷的预测运行方式的问题。与预测控制中的数据驱动方法相比，降低了对预测精度的需求，降低了计算的复杂度和时间，填补了预测控制方法在综合能源系统长期运行和优化设计中的缺失。
由于TPA运行方式中的运行轨迹预测是基于传统策略滚动运行的结果，该运行策略定义为初始策略，如以电定热(FEL)，此时趋势分析法可标记为TPA(FEL)。也是因此，TPA运行方式的效果受到初始策略的影响。具体的，操作方法为：
第一步：初始化趋势预测分析法的参数设置并选择初始策略。所述参数包括优化时间间隔、能量平衡周期、各个尺度。
第二步：在某时间点的后续能量平衡期内，以初始策略滚动预测各时间点的系统运行状态。例如，能量平衡周期是24小时，每小时是一个时间点，则通过第一步选择的初始策略，滚动运行获得24组运行状态作为预测结果。
第三步：根据第一步设定的尺度和第二步的预测结果，以趋势预测分析法，在多个时间尺度上计算各设备的出力趋势，并判定各个设备的峰谷位置。
第四步：根据峰谷位置判定的结果设置约束条件，依次求解各设备出力的目标函数，优化其在下一个时间点的出力。
根据分布式系统的削峰填谷的主动储能原则，在爬升期和下滑期应增加设备的出力用于储能，在高峰期应保持设备的高出力，在低谷期应最小化设备出力以避免低效运行。由于电能和热能的时间尺度特征和储能特征不同，目标函数中使用不同的出力趋势确定取值区间。电能宜采用实、短、长尺度，热能宜采用实、短、中尺度。
首先，求解吸收式制冷机(AC)的优化目标函数。原因是，通过增加吸收式制冷机的输出来降低电制冷机(EC)的输出和消耗是高效的用能方式，而这两个设备能耗的增减会影响其它设备的出力。以储热单元中剩余热量来增加对吸收式制冷机的供热可以提升用能效率、降低储热持能中的损耗以及避免产热设备出力的增加。在目标函数中，吸收式制冷机的出力受到自身趋势、电制冷机出力和储热余量的约束。在取值区间中，满足这些约束的最大值为最优结果。目标函数表示为：
max J＝act+1
s.t.，act+1∈[act，max(acrst，acsst，acmst)]
act+1≤acrst+ecrst
Figure RE-GDA0002469676410000081
ect+1＝ecrst-(act+1-acrst) (4)
其中，act+1表示需要优化的吸收式制冷机的制冷量，ecrst表示电制冷机的制冷量，ηAC表示收式制冷机的能效比，f(pgu)表示发电机组的产热量，gbrst表示燃气锅炉的产热量，tsrst表示储热单元中剩余的热量，
Figure RE-GDA0002469676410000082
表示储热单元的放热效率。
然后，求解发电机组(PGU)的优化目标函数。原因是，发电机组出力的变化带来产热量的变化，影响其他产热设备的出力。而发电机组出力的增加可以降低来自电网的电量，并为储电单元充电增加储电量，因此以出力最大化为目标。但是，为避免发电机组的低效运行，低谷期以满足供能的最小出力为目标。发电机组产量的增长受到自身趋势、储电余量、电网购电和电制冷机能耗的约束。并根据峰谷位置判定结果的不同，设置不同的取值区间。在取值区间中，满足这些约束的最大值为最优结果，目标函数表示为：
Figure RE-GDA0002469676410000091
Figure RE-GDA0002469676410000092
Figure RE-GDA0002469676410000093
Figure RE-GDA0002469676410000094
其中，pgut+1表示需要优化的发电机组的发电量,egrst表示从电网购入的电量，ebrst表示储电单元中剩余的电量，
Figure RE-GDA0002469676410000095
表示将储电单元充满所消耗的能量，
Figure RE-GDA0002469676410000096
表示储电单元的放电效率，ηEC表示电制冷机的能效比。
最后，求解燃气锅炉(GB)的优化目标函数。与发电机组类似，燃气锅炉输出的增加受自身趋势、储热余量、发电机组产热量和吸收式冷机能耗的约束。在取值区间中，满足这些约束的最大值为最优结果，目标函数表示为：
Figure RE-GDA0002469676410000097
Figure RE-GDA0002469676410000098
Figure RE-GDA0002469676410000099
Figure RE-GDA00024696764100000910
其中，
Figure RE-GDA0002469676410000101
表示将储热单元充满所消耗的能量。
第五步：为满足供能需求并保持“源”“储”“供”能量平衡，计算其他设备(若有)的出力、储能设备充放的能量和外部电力的购买量。完成当前时间点的运行优化，下一时间点，重复第二步至第五步，直至系统运行结束。
储能设备和电力购买的计算公式为：
Figure RE-GDA0002469676410000102
Figure RE-GDA0002469676410000103
Figure RE-GDA0002469676410000104
其中，
Figure RE-GDA0002469676410000105
表示储电单元的充电效率，
Figure RE-GDA0002469676410000106
表示储热单元的充热效率。
实施例二：
本实施例通过两组比较性的仿真实验，分别验证TPA运行方式在综合能源系统日常运行和优化设计中的可行性和先进性。在第一组中，在给定系统结构和设备容量的条件下，比较了TPA运行方式和DOD运行方式在典型季节日的效果。在第二组中，在给定系统结构下，比较了TPA运行方式和传统运行方式在系统容量配置优化中的效果。
在本实施例中，选择了一个具有电、热、冷需求的商业建筑。该建筑的屋顶可以容纳50千瓦的光伏电池板和20千瓦的微型风力发电机，年供能需求和可再生资源如图4所示。综合能源系统的系统结构如图5所示，系统只能从电网购电而不能售电。
1.应用于系统日常运行
采用上述的商业建筑，假设已有建成运行的系统，即机组容量及参数确定的情况下，分别采用两种运行策略运行仿真，所用数据如表1所示，所得结果如表 2所示。
表1各项价格数据
Figure RE-GDA0002469676410000111
表2典型季节日运行效果对比
Figure RE-GDA0002469676410000112
表2中计算结果表明，相对于单纯的FEL运行策略，TPA运行方式在各个季节日的运行效果都与DOD运行方式相近。
在综合能源系统的日常优化运行中，使用趋势分析法的性能与使用日前调度法在经济性、排放性、消耗性和稳定性等目标上具有相似的性能。但与日前调度法不同，综合能源系统滚动实时优化当前时间点的输出，对预测数据的精度要求不高，甚至可以使用历史数据。减少了优化操作的前提条件，提高了求解速度。趋势分析法为综合能源系统的日常优化运行提供了有效的指导和参考。
2.应用于系统优化设计
采用第三代非支配排序遗传算法在Matlab软件中对设备容量进行优化求解，结果如表3所示。
表3系统设计计算结果
Figure RE-GDA0002469676410000121
表3中的结果表明，采用TPA运行方式设计的系统，比采用传统运行策略具有较低的CO2排放、供能成本和能源消耗。
在优化设计中，用趋势分析法对综合能源系统进行年度评价比用策略进行年度评价更为准确。不同于传统的各设备独立运行的方式，趋势分析法协同优化各设备单元的运行效率和稳定性。在年度运行优化设计中，实现了预测控制的运行方式的嵌入，解决了使用智能算法设计计算量大、耗时长而使用传统策略设计精度低的难题。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，包括以下步骤：
(1)初始化趋势预测分析法的参数并选择初始策略；
(2)以滚动预测的后续能量平衡期内各时间点的系统运行状态为预测结果；
(3)根据设定的尺度和预测结果，在多个时间尺度上计算各设备的出力趋势，并判定各个设备的峰谷位置；
(4)根据峰谷位置的判定结果设置约束条件，依次求解各设备出力的目标函数，优化其在下一个时间点的出力；
(5)对其他设备进行处理计算，完成当前时间点的运行优化；
(6)重复(1)-(5)，直至系统运行结束。
2.根据权利要求1所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，所述步骤(1)中，参数包括优化时间间隔、能量平衡周期、各个尺度。
3.根据权利要求1所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，所述步骤(4)中，在爬升期和下滑期增加设备的出力用于储能，在高峰期保持设备的高出力，在低谷期最小化设备出力。
4.根据权利要求1所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，所述步骤(4)中，目标函数中使用不同的出力趋势确定取值区间。
5.根据权利要求4所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，电能采用实、短、长尺度，热能采用实、短、中尺度。
6.根据权利要求1所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，所述步骤(4)中，首先，求解吸收式制冷机的优化目标函数；然后，求解发电机组的优化目标函数；最后，求解燃气锅炉的优化目标函数。
7.根据权利要求6所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，在目标函数中，吸收式制冷机的出力受自身趋势、电制冷机出力和储热余量的约束，在取值区间中，满足所述约束的最大值为最优结果。
8.根据权利要求6所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，发电机组产量的增长受自身趋势、储电余量、电网购电和电制冷机能耗的约束，在取值区间中，满足所述约束的最大值为最优结果。
9.根据权利要求6所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，燃气锅炉输出的增加受自身趋势、储热余量、发电机组产热量和吸收式冷机能耗的约束，在取值区间中，满足所述约束的最大值为最优结果。
10.根据权利要求1所述的一种基于趋势预测分析法的综合能源系统预测运行方法，其特征在于，所述步骤(5)中，为满足供能需求并保持能量平衡，计算其他设备的出力、储能设备充放的能量和外部电力的购买量。
CN202010096083.4A 2020-02-17 2020-02-17 一种基于趋势预测分析法的综合能源系统预测运行方法 Active CN111339474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010096083.4A CN111339474B (zh) 2020-02-17 2020-02-17 一种基于趋势预测分析法的综合能源系统预测运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010096083.4A CN111339474B (zh) 2020-02-17 2020-02-17 一种基于趋势预测分析法的综合能源系统预测运行方法

Publications (2)

Publication Number Publication Date
CN111339474A true CN111339474A (zh) 2020-06-26
CN111339474B CN111339474B (zh) 2022-02-08

Family

ID=71181517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010096083.4A Active CN111339474B (zh) 2020-02-17 2020-02-17 一种基于趋势预测分析法的综合能源系统预测运行方法

Country Status (1)

Country Link
CN (1) CN111339474B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113038406A (zh) * 2021-03-01 2021-06-25 珠海市鸿瑞信息技术股份有限公司 一种基于5g通信的冷站能耗采集分析可信计算系统
CN118036833A (zh) * 2024-04-15 2024-05-14 山东建筑大学 基于多层博弈的区域综合能源系统运行优化方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003111497A (ja) * 2001-10-03 2003-04-11 Hitachi Engineering & Services Co Ltd 非常用発電設備の寿命予測診断装置
JP2005257097A (ja) * 2004-03-09 2005-09-22 Toshiba Corp 熱源機器の起動停止計画策定システム
CN103580284A (zh) * 2013-10-31 2014-02-12 广州瑞信电力科技有限公司 低压集抄系统
CN104135036A (zh) * 2014-07-24 2014-11-05 华北电力大学 一种基于时域和集群效应分析间歇性能源出力的方法
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN107565607A (zh) * 2017-10-24 2018-01-09 华北电力大学（保定） 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN107732982A (zh) * 2017-10-20 2018-02-23 河海大学 考虑模型预测控制的综合能源系统多时间尺度调度方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 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
CN109149567A (zh) * 2018-09-10 2019-01-04 华南理工大学 含混合储能的独立型微电网的多时间尺度协调控制方法
CN109687523A (zh) * 2019-02-28 2019-04-26 广东工业大学 一种基于多时间尺度的微电网的运行优化方法
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
CN109787227A (zh) * 2019-02-02 2019-05-21 国网江苏省电力有限公司南京供电分公司 一种多能互补系统多时间尺度优化调度方法
CN109919399A (zh) * 2019-04-15 2019-06-21 中国科学院电工研究所 一种综合能源系统日前经济调度方法及系统
CN110110987A (zh) * 2019-04-29 2019-08-09 兰州环境能源交易中心有限公司 一种节能减排与宏观信息管理系统
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
CN110659788A (zh) * 2018-06-29 2020-01-07 中国电力科学研究院有限公司 一种用户侧综合能源系统的供需平衡分析方法和系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003111497A (ja) * 2001-10-03 2003-04-11 Hitachi Engineering & Services Co Ltd 非常用発電設備の寿命予測診断装置
JP2005257097A (ja) * 2004-03-09 2005-09-22 Toshiba Corp 熱源機器の起動停止計画策定システム
CN103580284A (zh) * 2013-10-31 2014-02-12 广州瑞信电力科技有限公司 低压集抄系统
CN104135036A (zh) * 2014-07-24 2014-11-05 华北电力大学 一种基于时域和集群效应分析间歇性能源出力的方法
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN107732982A (zh) * 2017-10-20 2018-02-23 河海大学 考虑模型预测控制的综合能源系统多时间尺度调度方法
CN107565607A (zh) * 2017-10-24 2018-01-09 华北电力大学（保定） 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 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
CN110659788A (zh) * 2018-06-29 2020-01-07 中国电力科学研究院有限公司 一种用户侧综合能源系统的供需平衡分析方法和系统
CN109149567A (zh) * 2018-09-10 2019-01-04 华南理工大学 含混合储能的独立型微电网的多时间尺度协调控制方法
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
CN109787227A (zh) * 2019-02-02 2019-05-21 国网江苏省电力有限公司南京供电分公司 一种多能互补系统多时间尺度优化调度方法
CN109687523A (zh) * 2019-02-28 2019-04-26 广东工业大学 一种基于多时间尺度的微电网的运行优化方法
CN109919399A (zh) * 2019-04-15 2019-06-21 中国科学院电工研究所 一种综合能源系统日前经济调度方法及系统
CN110110987A (zh) * 2019-04-29 2019-08-09 兰州环境能源交易中心有限公司 一种节能减排与宏观信息管理系统
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 (5)

* Cited by examiner, † Cited by third party
Title
LI CHANGJI 等: "Comprehensive Evaluation of Multi-energy Complementary Combined Cooling Heating and Power System Based on Analytic Hierarchy Process", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 *
XU XIAOLI 等: "Trend prediction technology of condition maintenance for large water injection units", 《FRONTIERS OF MECHANICAL ENGINEERING IN CHINA》 *
刘志欣 等: "基于场景聚类分析的综合能源系统鲁棒运行策略", 《电工电能新技术》 *
李浩然: "基于风光特征多时间分解的新能源并网系统中长期风险评估", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
许冬兰 等: "山东省城市化与能源消费综合评价及协调性分析", 《青岛科技大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113038406A (zh) * 2021-03-01 2021-06-25 珠海市鸿瑞信息技术股份有限公司 一种基于5g通信的冷站能耗采集分析可信计算系统
CN113038406B (zh) * 2021-03-01 2021-09-14 珠海市鸿瑞信息技术股份有限公司 一种基于5g通信的冷站能耗采集分析可信计算系统
CN118036833A (zh) * 2024-04-15 2024-05-14 山东建筑大学 基于多层博弈的区域综合能源系统运行优化方法及系统

Also Published As

Publication number Publication date
CN111339474B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN111463836B (zh) 一种综合能源系统优化调度方法
CN109523052B (zh) 一种考虑需求响应和碳交易的虚拟电厂优化调度方法
CN108206543B (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN107134810B (zh) 一种独立型微能源网储能系统优化配置求解方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN111860937B (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
CN110807588B (zh) 一种多能源耦合综合能源系统的优化调度方法
CN105225022A (zh) 一种热电联产型微电网的经济性优化运行方法
CN111339689B (zh) 建筑综合能源调度方法、系统、存储介质及计算机设备
CN110322056A (zh) 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法
CN109685396B (zh) 一种计及公共楼宇需求响应资源的配电网能量管理方法
GR1010085B (el) Μεθοδος για βελτιωμενη διαχειριση της ενεργειας ενος σχεδον ενεργειακα αυτοδυναμου κτιριου
CN111339474B (zh) 一种基于趋势预测分析法的综合能源系统预测运行方法
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
CN110796279A (zh) 一种多能互补优化运行方法与系统
CN112600253A (zh) 基于用能效率最优的园区综合能源协同优化方法及设备
CN114583729A (zh) 考虑全生命周期碳排放的光-储电动汽车充电站调度方法
CN112001523A (zh) 考虑多种储能的综合能源多尺度优化调度控制方法及系统
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
Bai et al. Flexibility quantification and enhancement of flexible electric energy systems in buildings
Abdalla et al. The impact of clustering strategies to site integrated community energy and harvesting systems on electrical demand and regional GHG reductions
Li et al. A generalized study of photovoltaic driven air conditioning potential in cooling season in mainland China
CN115730747A (zh) 一种综合能源系统多主体利益分配方法及其应用
CN107563547B (zh) 一种用户侧用能纵深优化综合能源管控方法
CN113298164B (zh) 一种基于光伏出力不确定性的楼宇用能优化方法

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