CN112257198A - 一种快速部署的分布式供能系统集成方法 - Google Patents
一种快速部署的分布式供能系统集成方法 Download PDFInfo
- Publication number
- CN112257198A CN112257198A CN202011117481.6A CN202011117481A CN112257198A CN 112257198 A CN112257198 A CN 112257198A CN 202011117481 A CN202011117481 A CN 202011117481A CN 112257198 A CN112257198 A CN 112257198A
- Authority
- CN
- China
- Prior art keywords
- energy supply
- supply system
- container
- air inlet
- distributed energy
- 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 29
- 230000010354 integration Effects 0.000 title claims abstract description 27
- 230000017525 heat dissipation Effects 0.000 claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000009423 ventilation Methods 0.000 abstract description 5
- 238000006467 substitution reaction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computer Networks & Wireless Communication (AREA)
- Genetics & Genomics (AREA)
Abstract
一种基于快速部署的分布式供能系统集成方法,包括以下步骤:提出系统模块化集成原则,将分布式供能系统的关键功能部件有机整合,实现将模块化设备装入集装箱内部的优化布局,利用集装箱易于运输、模块化设备易于拼装等特点有效解决分布式供能系统的快速部署问题;采用整型规划方法确定关键供能模块的集成方案,针对集装箱布局问题,提出了基于替代模型算法的设计方法,对决策变量进行蒙特卡罗抽样,采集样本点;利用有限元软件获取样本点的目标值;通过模拟目标值与变量之间的关系,并对该模型的搜索算法求解得到最优预测方案。再以通风散热效果为限制条件,求解最佳散热方案下的集装箱布局。
Description
技术领域
本发明涉及一种分布式供能系统的集成方法。
背景技术
有一定移动能力的便携式能源供应设备是海岛,边防哨所等远离大电网的离网环境供能的最佳选择。当前经济的高速发展对用电场需求不断增大,用电场所也不断扩展。为满足离网环境的用户生活供应需求,急需快捷、稳定的供能设备部署,以及安全、可靠的多种形式能量供应。
分布式供能系统是直接面向用户,按用户的需求就地生产并供应能量,具有多种功能,可满足多重目标的中、小型能量转换利用的系统。快速部署的分布式供能系统集装箱满足冷热电供应功能完备、易于运输,能很好地解决因某些地区市政电网供应不便的离网供能问题。箱式产品或多或少存在不同的问题,主要表现在:
(1)集成箱体一般整体比较笨重、体积庞大,导致交通运输不变,使其应用严重受限,无法实现快速部署;
(2)另一方面,国内外集装箱的散热研究主要集中于无热源的集装箱,如瓜果蔬菜的冷鲜保存,远洋船舶舱室的通风散热等。散热问题是集成布局主要存在的问题之一,由于箱式产品结构紧凑,在炎热的夏季,系统运行产生的大量热量靠自然通风散热很难满足安全运行要求,将严重增加运行设备的损耗和故障率。传统大功率风扇散热并无精确计算,安装大率风扇持续吹风将导致箱式防护等级下降及某些元器件的老化,因此如何合理安排通风散热亟待研究。
撬装是将功能组件集成于一个整体底座上,可以整体安装、移动的一种集成方式。现阶段分布式供能系统的撬装化安装技术仅限于其中部分模块的安装,如储能、汽轮机等单个子系统。多个子系统的集成技术需考虑安全约束、体积约束、不同设备间能量是否可转换利用等等因素,并根据不同设备特性将模块划分,有整合有拆分的优化布局装入一个至数个集装箱内。既要满足体积小重量轻易于快速部署的要求,又需考虑散热约束安全、高效、可靠运行。目前,基于快速部署的分布式供能系统的撬装化安装技术鲜有研究。
发明内容
本发明的目的是提出一种快速部署的分布式供能系统集成方法。本发明基于散热约束,采用撬装式安装方法,将分布式供能系统的关键功能部件有机整合,将独立设备模块化装入集装箱内进行优化布局,利用集装箱易于运输、模块化设备易于拼装等特点有效解决分布式供能系统的快速部署问题。
本发明方法分布式供能系统集成包括以下步骤:
步骤一:分析分布式供能系统模块化集成的约束条件
分布式供能系统模块化集成的约束条件主要有:能量平衡约束、体积重量约束与设备集成的安全约束。
能量平衡约束指供能系统中单一能源生产与转换元件、能源转换与消耗的耦合元件以及存储元件之间的联合供能应满足电、热、气等负荷需求,能量平衡约束数学模型可用能量矩阵描述,如下式所示:
式中,L表示能量输入向量,C为耦合矩阵,P为输出向量,S为存储集合;m为能源输出的种类数量,n为能源输入的种类数量,Cnm为耦合因子,表示第m种形式能源输出与第n种形式能源输入的比值。
集装箱的整体重量与体积需符合集装箱设计规范,且满足道路运输与落地点设计要求,符合各类设备集成的安全要求,如式(2)、(3)所示:
Vi,min≤Vi≤Vi,max,V=[Li,Ki,Gi] (2)
mi,min≤mi≤mi,max (3)
式中:i为集装箱,Vi为集装箱i的体积,mi为集装箱的重量,Vi,max为集装箱i体积的上限约束,Vi,min为集装箱i体积的下限约束,mi,max为集装箱i重量的上限约束,mi,min为集装箱i重量的下限约束。Li、Ki、Gi分别为集装箱的长、宽、高。
分布式供能系统中,独立设备的模块组合应优先满足功能设备的部署规范与安全约束,新能源发电设备风机/光伏的部署规范与建设规则要求风力发电机组和光伏组件独立安装;受安全约束,储能系统需单独集成装箱。
步骤二:获取独立设备与设备参数,生成分布式供能系统模块化集成备选方案
根据配置需求选择分布式供能系统待集成模块的具体设备,获取设备的长、宽、高尺寸及重量数据,获取关键功能部件的热值和输出功率等数据。
除了独立集成的风力发电机组、光伏组件、储能系统等设备,将分布式供能系统可组合的w种模块以排列组合方式组合出u种方案以作备选。组合方案数量u为w的阶乘,N为自然数。
步骤三:设计集装箱内部优化布局
优化布局的目标为分布式供能系统集成优化布局后总占地面积最小。
在风电场布置风电机组时,盛行风向的行距要求为机组间相隔5-9倍风轮直径,垂直于盛行风向的列距要求机组间隔3-5倍风轮直径。受场地面积与布局规范约束,根据风力发电机型号及对应风轮的直径、占地参数,计算确定风力发电机组的最优布置与占地面积。再以占地面积最小即场地面积等为约束,以步骤二中获取的设备数据及组合方案通过整数规划求解,寻求最佳布局方案。
不同布局方案下分布式供能系统加入不同设备,必将改变分布式供能系统撬装化后的热特性。为了在保证分布式供能系统可靠性的同时提升系统的能量供应,需要综合撬装化热特性与集装箱内部散热布局特点,在体积有限的分布式供能系统散热效果最好的同时取得最大功率。
为此,在模块化集成的基础上,采取基于数据驱动的替代建模方法来处理集装箱内部优化建模问题。本发明采取蒙地卡罗抽样方法设计抽样,如果g(x)为真实方程,依据伴随概率密度函数f(x)随机抽取m个样本。此后,通过COMSOL有限元模拟软件对样本点的目标函数进行测试,并建立预测模型。替代建模利用有限的已知数据构建预测模型,从而近似拟合,大幅度提高优化的效率,降低工程系统的复杂程度。并通过MATLAB等数学计算软件的智能算法如GA工具箱进行计算,使分布式供能系统在有限的空间内能够达到最大功率值。
本发明采用直接通风式散热系统结构,以集装箱内温度最低为目标选择最优布局方案。定义优化变量为:进风口宽度WAC,进风口高度HAC,进风口下端距地面距离HCAC,排风道宽度Vw,箱内功率密度Ppu。进风口宽度WAC,进风口高度HAC,进风口下端距地面距离HCAC决定了进风口的大小和位置,排风道宽度Vw,箱内功率密度Ppu则确定了集装箱箱体内设备最大功率值。此五个参数共同决定了箱体温度的分布。理论上,高功率密度越高,其需要的散热通道也就越大,因此将箱体内最高温度设为约束条件,将箱体总功率P设为目标,并根据箱体尺寸约束变量取值范围,分布式功能系统撬装式安装总体优化为:
Max{P(Vw,WAC,HAC,HCAC,Ppu)}
式中,P为箱体总功率,VW、VW,max、VW,min分别为排风道宽度、排风道宽度上限、排风道宽度下限,WAC、WAC,max、WAC,min分别为进风口宽度、进风口宽度上限、进风口宽度下限,HAC、HAC,max、HAC,min分别为进风口高度、进风口高度上限、进风口高度下限,HCAC、HCAC,max、HCAC,min分别为进风口下端距地面距离、进风口下端距地面距离上限、进风口下端距地面距离下限,PPU、PPU,max、PPU,min分别为箱内功率密度、箱内功率密度上限、箱内功率密度下限,T、Tmax、Tmin分别为箱内温度、箱内温度上限、箱内温度下限。
根据蒙地卡罗法抽样获取多组样本数据,取样本量的80%训练,取样本量的20%进行数据检测。一般认为平均相对误差在±10%以下即可接受。针对样本数据的检测结果,已知目标函数的功率的实际测试值和温度的实际测试值为Pi与Ti,基于代理模型的数据拟合出的功率和温度记为Pi_predict与Ti_predict。误差检测模型为式(6)所示:
与现有技术相比,本发明的有益效果是:
提出了模块化集成原则,实现了分布式供能系统的快速部署。通过模块与独立设备参数输入、模块组合生成集成备选方案、利用整形规划方法,实现独立设备与集装箱的优化布局,从而输出快速部署模块化集成方案。
此外,本发明根据模块化设计、撬装式安装的原则,探索了分布式供能系统散热布局问题。本发明采用蒙地卡罗法建立替代模型以替代有限元模型,以近似拟合方法降低系统的复杂程度,并通过GA遗传算法进行计算,规避优化调用复杂的困难。该方案在提出优化布局方案的同时,通过样本训练进一步验证了模块化集成的合理性。
附图说明
图1为本发明实施例的快速部署的分布式供能系统的集成流程图;
图2为本发明实施例中撬装式安装优化流程图。
具体实施方式
以下结合附图及具体实施例对本发明做进一步说明。
如图1、图2所示,本发明快速部署的分布式供能系统集成方法的实施例包括如下步骤:
1、分析分布式供能系统模块化集成的约束条件
分布式供能系统模块化集成的约束条件主要有:能量平衡约束、体积重量约束与设备集成的安全约束。
能量平衡约束指供能系统中单一能源生产与转换元件、能源转换与消耗的耦合元件以及存储元件之间的联合供能应满足电、热、气等负荷需求,集装箱的整体重量与体积需符合集装箱设计规范,且满足道路运输与落地点设计要求,符合各类设备集成的安全要求,约束如下式所示:
式中,L表示能量输入向量,C为耦合矩阵,P为输出向量,S为存储集合;m为能源输出的种类数量,n为能源输入的种类数量,Cnm为耦合因子,表示第m种形式能源输出与第n种形式能源输入的比值,i为集装箱,Vi为集装箱i的体积,mi为集装箱的重量,Vi,max为集装箱i体积的上限约束,Vi,min为集装箱i体积的下限约束,mi,max为集装箱i重量的上限约束,mi,min为集装箱i重量的下限约束。
分布式供能系统中,独立设备的模块组合应优先满足功能设备的部署规范与安全约束,新能源发电设备风机/光伏的部署规范与建设规则要求风力发电机组和光伏组件独立安装;受安全约束,储能系统需单独集成装箱。
2、获取独立设备与设备参数,生成分布式供能系统模块化集成备选方案
根据配置需求选择分布式供能系统待集成模块的具体设备,获取设备的长、宽、高尺寸及重量数据,获取关键功能部件的热值和输出功率等数据。
除了独立集成的风力发电机组、光伏组件、储能系统等设备,将分布式供能系统可组合的w种模块以排列组合方式组合出u种方案以作备选。
3、设计集装箱内部优化布局
优化布局的目标为分布式供能系统集成优化布局后总占地面积最小。
在风电场布置风电机组时,盛行风向的行距要求为机组间相隔5-9倍风轮直径,垂直于盛行风向的列距要求机组间隔3-5倍风轮直径。受场地面积与布局规范约束,根据风力发电机型号及对应风轮的直径、占地参数,计算确定风力发电机组的最优布置与占地面积。再以占地面积最小即场地面积等为约束,以步骤二中获取的设备数据及组合方案通过整数规划求解寻求最佳布局方案。
分布式供能系统不同类别设备的加入,必将改变分布式供能系统撬装化后的热特性。为了在保证分布式供能系统可靠性的同时提升系统的能量供应,需要综合撬装化热特性与集装箱内部散热布局特点,在体积有限的分布式供能系统散热效果最好的同时取得最大功率。
以多元储能集装箱为例进行说明。分布式供能系统集成设计基于一个20尺集装箱:5400*2200*2200,定义变量为:进风口宽度WAC,进风口高度HAC,进风口下端距地面距离HCAC,排风道宽度Vw,箱内功率密度Ppu。进风口宽度WAC,进风口高度HAC,进风口下端距地面距离HCAC决定了进风口的大小和位置,排风道宽度Vw,箱内功率密度Ppu则确定了集装箱箱体内设备最大功率值。此五个参数共同决定了箱体温度的分布。理论上,高功率密度越高,其需要的散热通道也就越大,因此将箱体内最高温度设为约束条件,将箱体总功率P设为目标,并根据箱体尺寸约束变量取值范围,优化为:
Max{P(Vw,WAC,HAC,HCAC,Ppu)}
式中,P为箱体总功率,VW、VW,max、VW,min分别为排风道宽度、排风道宽度上限、排风道宽度下限,WAC、WAC,max、WAC,min分别为进风口宽度、进风口宽度上限、进风口宽度下限,HAC、HAC,max、HAC,min分别为进风口高度、进风口高度上限、进风口高度下限,HCAC、HCAC,max、HCAC,min分别为进风口下端距地面距离、进风口下端距地面距离上限、进风口下端距地面距离下限,PPU、PPU,max、PPU,min分别为箱内功率密度、箱内功率密度上限、箱内功率密度下限,T、Tmax、Tmin分别为箱内温度、箱内温度上限、箱内温度下限。
基于蒙地卡罗法抽取50组样本数据进行测试,选取样本量的80%即40组样本训练,利用剩余10组样本数据进行误差检验。一般认为平均相对误差在±10%以下即可通过误差检测。误差检测模型如下所示:
式中,Pi与Ti为目标函数的功率的实际测试值和温度的实际测试值,Pi_predict与Ti_predict为基于代理模型的数据拟合出的功率和温度。
部分数据测试结果如下表所示:
样本数据测试结果表
基于替代模型算法的优化模型及ANSYS CFX的测试结果,通过粒子群算法求解,可以得到最优的预装式储能电站的布局方案如下表:
V<sub>w</sub>/(mm) | W<sub>AC</sub>/(mm) | H<sub>AC</sub>/(mm) | H<sub>CAC</sub>/(mm) | Ppu/(mm) | T<sub>_predict</sub>/(℃) | P<sub>_predict</sub>/(kW) |
500 | 1770 | 951 | 200 | 1200 | 57.5 | 89.93 |
T<sub>_predict</sub>/(℃) | T/(℃) | 误差 | P<sub>_predict</sub>/(℃) | P/(kW) | 误差 |
57.11 | 57.50 | 0.68% | 89.99 | 90.75 | 0.82% |
易知:结果通过误差分析。得到结论:通过本发明设计方法可以获取快速部署的分布式供能系统,研究方法有其先进性和实用性。
Claims (4)
1.一种快速部署的分布式供能系统集成方法,其特征在于,所述的方法包括以下步骤:
步骤一:分析分布式供能系统模块化集成的约束条件:能量平衡约束、体积重量约束与设备集成的安全约束;
步骤二:根据配置需求选择分布式供能系统待集成模块的具体设备,获取设备的长、宽、高尺寸及重量数据,获取关键功能部件的热值和输出功率等数据,生成分布式供能系统模块化集成备选方案;
步骤三:设计集装箱内部优化布局。
2.如权利要求1所述的快速部署的分布式供能系统集成方法,其特征在于所述的步骤一中,能量平衡约束指供能系统中单一能源生产与转换元件、能源转换与消耗的耦合元件以及存储元件之间的联合供能应满足电、热、气等负荷需求,能量平衡约束数学模型可用能量矩阵描述,如下式所示:
式中,L表示能量输入向量,C为耦合矩阵,P为输出向量,S为存储集合;m为能源输出的种类数量,n为能源输入的种类数量,Cnm为耦合因子,表示第m种形式能源输出与第n种形式能源输入的比值;
集装箱的整体重量与体积需符合集装箱设计规范,且满足道路运输与落地点设计要求,符合各类设备集成的安全要求,如下所示:
Vi,min≤Vi≤Vi,max,V=[Li,Ki,Gi]
mi,min≤mi≤mi,max
式中:i为集装箱,Vi为集装箱i的体积,mi为集装箱的重量,Vi,max为集装箱i体积的上限约束,Vi,min为集装箱i体积的下限约束,mi,max为集装箱i重量的上限约束,mi,min为集装箱i重量的下限约束;Li、Ki、Gi分别为集装箱的长、宽、高;
分布式供能系统中,独立设备的模块组合应优先满足功能设备的部署规范与安全约束,新能源发电设备风机/光伏的部署规范与建设规则要求风力发电机组和光伏组件独立安装;受安全约束,储能系统需单独集成装箱。
4.如权利要求1所述的快速部署的分布式供能系统集成方法,其特征在于,所述步骤三设计集装箱内部优化布局的步骤如下:优化布局的目标为分布式供能系统集成优化布局后总占地面积最小;不同布局方案下分布式供能系统加入不同设备,必将改变分布式供能系统撬装化后的热特性;为了在保证分布式供能系统可靠性的同时提升系统的能量供应,需要综合撬装化热特性与集装箱内部散热布局特点,在体积有限的分布式供能系统散热效果最好的同时取得最大功率;
为此,在模块化集成的基础上,采取基于数据驱动的替代建模方法来处理集装箱内部优化建模问题;采取蒙地卡罗抽样方法设计抽样,如果g(x)为真实方程,依据伴随概率密度函数f(x)随机抽取m个样本;此后,通过COMSOL有限元模拟软件对样本点的目标函数进行测试,并建立预测模型;替代建模利用有限的已知数据构建预测模型;并通过数学计算软件的智能算法计算,使分布式供能系统在有限的空间内能够达到最大功率值;
以集装箱内温度最低为目标选择最优布局方案;定义优化变量为:进风口宽度WAC,进风口高度HAC,进风口下端距地面距离HCAC,排风道宽度Vw,箱内功率密度Ppu,进风口宽度WAC,进风口高度HAC,进风口下端距地面距离HCAC决定了进风口的大小和位置,排风道宽度Vw,箱内功率密度Ppu则确定了集装箱箱体内设备最大功率值;将箱体内最高温度设为约束条件,将箱体总功率P设为目标,并根据箱体尺寸约束变量取值范围,分布式功能系统撬装式安装总体优化为:
式中,P为箱体总功率,VW、VW,max、VW,min分别为排风道宽度、排风道宽度上限、排风道宽度下限,WAC、WAC,max、WAC,min分别为进风口宽度、进风口宽度上限、进风口宽度下限,HAC、HAC,max、HAC,min分别为进风口高度、进风口高度上限、进风口高度下限,HCAC、HCAC,max、HCAC,min分别为进风口下端距地面距离、进风口下端距地面距离上限、进风口下端距地面距离下限,PPU、PPU,max、PPU,min分别为箱内功率密度、箱内功率密度上限、箱内功率密度下限,T、Tmax、Tmin分别为箱内温度、箱内温度上限、箱内温度下限;
根据蒙地卡罗法抽样获取多组样本数据,取样本量的80%训练,取样本量的20%进行数据检测;一般认为平均相对误差在±10%以下即可接受;针对样本数据的检测结果,已知目标函数的功率的实际测试值和温度的实际测试值为Pi与Ti,基于代理模型的数据拟合出的功率和温度记为Pi_predict与Ti_predict;误差检测模型为式(6)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011117481.6A CN112257198A (zh) | 2020-10-19 | 2020-10-19 | 一种快速部署的分布式供能系统集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011117481.6A CN112257198A (zh) | 2020-10-19 | 2020-10-19 | 一种快速部署的分布式供能系统集成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257198A true CN112257198A (zh) | 2021-01-22 |
Family
ID=74244265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011117481.6A Pending CN112257198A (zh) | 2020-10-19 | 2020-10-19 | 一种快速部署的分布式供能系统集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952569A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193626A (zh) * | 2018-09-15 | 2019-01-11 | 天津大学 | 一种分布式能源站选型与定容优化规划统一求解方法 |
CN110235128A (zh) * | 2016-12-16 | 2019-09-13 | 施耐德电气It公司 | 用于构造紧凑壁模型的系统和方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN110932317A (zh) * | 2019-11-29 | 2020-03-27 | 国网新疆电力有限公司 | 一种本质可再生能源互补的分布式能源系统的设计方法 |
CN111737884A (zh) * | 2020-08-06 | 2020-10-02 | 国网江西省电力有限公司电力科学研究院 | 一种含多种清洁能源微能源网多目标随机规划方法 |
-
2020
- 2020-10-19 CN CN202011117481.6A patent/CN112257198A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110235128A (zh) * | 2016-12-16 | 2019-09-13 | 施耐德电气It公司 | 用于构造紧凑壁模型的系统和方法 |
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN109193626A (zh) * | 2018-09-15 | 2019-01-11 | 天津大学 | 一种分布式能源站选型与定容优化规划统一求解方法 |
CN110932317A (zh) * | 2019-11-29 | 2020-03-27 | 国网新疆电力有限公司 | 一种本质可再生能源互补的分布式能源系统的设计方法 |
CN111737884A (zh) * | 2020-08-06 | 2020-10-02 | 国网江西省电力有限公司电力科学研究院 | 一种含多种清洁能源微能源网多目标随机规划方法 |
Non-Patent Citations (2)
Title |
---|
YONGMIN ZHU等: "The assessment of "Electrified Changji Project" based on evolutional game theory", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》, 31 December 2019 (2019-12-31), pages 1 - 7 * |
牛东晓;马天男;黄雅莉;刘冰旖;: "基于Godlike算法的海岛型分布式电源规划模型", 电力建设, no. 09, 30 September 2016 (2016-09-30), pages 132 - 139 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952569A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahman et al. | A hybrid renewable energy system for a North American off-grid community | |
Lumbreras et al. | Optimal design of the electrical layout of an offshore wind farm applying decomposition strategies | |
CN108565863A (zh) | 一种考虑随机性的区域综合能源系统多目标潮流优化方法 | |
CN109783909A (zh) | 考虑多种储能设备的综合能源站设备选型与容量规划方法 | |
CN107394828A (zh) | 一种基于概率潮流的电气互联综合能源系统优化运行分析方法 | |
Cao et al. | Wind farm layout optimization to minimize the wake induced turbulence effect on wind turbines | |
CN102930343A (zh) | 一种分布式发电供能系统能量优化方法 | |
CN110492535B (zh) | 含间歇性新能源的综合能源系统容量规划方法 | |
Wang et al. | A novel control strategy approach to optimally design a wind farm layout | |
Hou et al. | Performance analysis of a solar-assisted combined cooling, heating and power system with an improved operation strategy | |
CN112257294A (zh) | 一种综合能源系统的能源集线器分部建模方法及系统 | |
CN112257198A (zh) | 一种快速部署的分布式供能系统集成方法 | |
CN113779792A (zh) | 一种基于仿射的综合能源系统优化配置方法 | |
Ma et al. | Bi-objective layout optimization for multiple wind farms considering sequential fluctuation of wind power using uniform design | |
Yao et al. | 4E analysis and optimization of a novel combined cooling, heating and power system integrating compressed air and chemical energy storage with internal combustion engine | |
Ziyaei et al. | Minimizing the levelized cost of energy in an offshore wind farm with non-homogeneous turbines through layout optimization | |
CN114757388A (zh) | 一种基于改进nsga-iii的区域综合能源系统设备容量优化方法 | |
Fakhim et al. | Economic feasibility of power supply using hybrid system for a hotel in cold climate | |
CN105552941B (zh) | 一种分布式电源调峰容量优化方法 | |
CN112085276A (zh) | 一种含高渗透率风光发电的电源系统容量配比优化方法 | |
Phan-Van et al. | A comparison of different metaheuristic optimization algorithms on hydrogen storage-based microgrid sizing | |
CN110472364B (zh) | 一种考虑可再生能源的离网式热电气联产系统的优化方法 | |
CN114358601A (zh) | 多元能量系统多维评价指标体系构建的方法及装置 | |
Huque et al. | Optimization of wind turbine airfoil using nondominated sorting genetic algorithm and pareto optimal front | |
Musharavati | Artificial neural network‐based Sobol algorithm for multi‐objective optimization of renewable energy supply in buildings: A transient approach |
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 |