CN112598195A - 楼宇型综合能源系统运行优化方法、装置及终端设备 - Google Patents

楼宇型综合能源系统运行优化方法、装置及终端设备 Download PDF

Info

Publication number
CN112598195A
CN112598195A CN202011639964.2A CN202011639964A CN112598195A CN 112598195 A CN112598195 A CN 112598195A CN 202011639964 A CN202011639964 A CN 202011639964A CN 112598195 A CN112598195 A CN 112598195A
Authority
CN
China
Prior art keywords
power
time period
energy system
building
constraint
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
Application number
CN202011639964.2A
Other languages
English (en)
Inventor
刘钊
魏孟举
刘雪飞
胡梦锦
王永利
蔡成聪
周泯含
杨洋
赵贤龙
李嘉恒
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011639964.2A priority Critical patent/CN112598195A/zh
Publication of CN112598195A publication Critical patent/CN112598195A/zh
Pending legal-status Critical Current

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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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

Landscapes

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

Abstract

本发明提供了一种楼宇型综合能源系统运行优化方法、装置及终端设备，该方法包括：获取楼宇型综合能源系统的历史冷热电负荷数据，所述历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据；将所述历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据；基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数；根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。本发明提供的楼宇型综合能源系统运行优化方法、装置及终端设备能够实现楼宇型综合能源系统的能源优化，降低楼宇型综合能源系统的运行成本。

Description

楼宇型综合能源系统运行优化方法、装置及终端设备
技术领域
本发明属于能源系统优化技术领域，更具体地说，是涉及一种楼宇型综合能源系统运行优化方法、装置及终端设备。
背景技术
随着人类社会的进步与全球经济的发展，能源需求量与消耗量越来越大，不仅造成了化石能源危机，也给全球的环境带来了不可磨灭的影响，出现了全球温度逐年上升、持续的雾霾天气等现象。近年来，为了防止环境污染的加剧恶化，人们开始寻找清洁能源接替化石能源的使用，并且伴随着互联网的发展，人们着手研究如何将能源与互联网融合在一起，进一步建立了能源互联网，目的在于整合所有可利用的能源资源，实现能源的综合利用，提高能源利用率，降低对化石能源的依赖性、转变能源生产方式及消费模式。为此，综合能源系统应运而生。
综合能源系统包含许多对象，能源种类方面有风能、水能、太阳能、氢能、天然气、电能、热能等，供能系统包括电力系统、天然气系统、供冷/热系统，使用主体有企业、居民、工厂等，设计综合能源系统的目的是打破各能源子系统之间的相互孤立，形成一个“源-网-荷-储”一体化协同规划运行的新型能源系统。该系统利用不同能源之间的优势互补，可以有效地提高能源的综合利用效率，实现能源的梯级利用。已知综合能源系统可分为四类，具体包括：跨区型、区域型、用户型、楼宇型，大量的研究集中于区域型综合能源系统，极少一部分学者研究了楼宇型综合能源系统。因此，如何实现楼宇型综合能源系统的运行优化成为了本领域技术人员所需解决的问题。
发明内容
本发明的目的在于提供一种楼宇型综合能源系统运行优化方法、装置及终端设备，以实现楼宇型综合能源系统的能源优化，降低楼宇型综合能源系统的运行成本。
本发明实施例的第一方面，提供了一种楼宇型综合能源系统运行优化方法，包括：
获取楼宇型综合能源系统的历史冷热电负荷数据，所述历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据；
将所述历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据；
基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数；
根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。
本发明实施例的第二方面，提供了一种楼宇型综合能源系统运行优化装置，包括：
数据获取模块，用于获取楼宇型综合能源系统的历史冷热电负荷数据，所述历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据；
负荷预测模块，用于将所述历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据；
模型求解模块，用于基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数；
出力优化模块，用于根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的楼宇型综合能源系统运行优化方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的楼宇型综合能源系统运行优化方法的步骤。
本发明实施例提供的楼宇型综合能源系统运行优化方法、装置及终端设备的有益效果在于：
区别于现有技术中直接建立经济优化运行模型进行综合能源系统运行优化的常规手段，本发明首先对冷热电负荷数据进行了预测，基于预测得到的冷热电负荷数据进行经济优化运行模型的求解和计算，由此方法计算得到的出力优化参数更加准确，也更具备指导性。也就是说，基于本发明提供的楼宇型综合能源系统运行优化方法、装置及终端设备，能够实现楼宇型综合能源系统的能源优化，并且有效降低楼宇型综合能源系统的运行成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的楼宇型综合能源系统运行优化方法的流程示意图；
图2为本发明一实施例提供的楼宇型综合能源系统运行优化装置的结构框图；
图3为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参考图1，图1为本发明一实施例提供的楼宇型综合能源系统运行优化方法的流程示意图，该方法包括：
S101：获取楼宇型综合能源系统的历史冷热电负荷数据，历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据。
在本实施例中，数据的获取可基于物联网技术实现。
S102：将历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据。
在本实施例中，可获取楼宇型综合能源系统的历史冷热电负荷数据，并提取历史冷热电负荷数据的冷热电负荷特征，将提取得到的历史冷热电负荷数据的冷热电负荷特征输入至预设的神经网络模型中进行目标预测时段的冷热电负荷数据的预测。其中，预设的神经网络模型可以为RBF神经网络模型。
在本实施例中，楼宇电负荷特征可以表示为：
Figure BDA0002879738640000041
其中，
Figure BDA0002879738640000042
为第i个用户每小时的电固定负荷，
Figure BDA0002879738640000043
为第i个用户每小时的电可移动负荷，
Figure BDA0002879738640000044
为第i个用户每小时的电负荷，EL为所有用户每小时的电负荷(i为大于0小于等于n的整数)。
在本实施例中，楼宇热负荷特征可以表示为：
Figure BDA0002879738640000045
其中，
Figure BDA0002879738640000046
为第i个用户每小时的设定热负荷，
Figure BDA0002879738640000047
为第i个用户每小时的热切负荷，
Figure BDA0002879738640000048
为第i个用户每小时的实际热负荷，TRL为所有用户每小时的实际热负荷。
在本实施例中，楼宇冷负荷特征可以表示为：
Figure BDA0002879738640000049
Figure BDA00028797386400000410
为第i个用户每小时的设定冷负荷，
Figure BDA00028797386400000411
为第i个用户每小时的冷切负荷，
Figure BDA00028797386400000412
为第i个用户每小时的实际冷负荷，TCL为所有用户每小时的实际冷负荷。
S103：基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数。
在本实施例中，可基于双差差分进化算法、目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数。
S104：根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。
在本实施例中，可根据计算得到的处理优化参数调整楼宇型综合能源系统中储能设备的出力，以实现楼宇型综合能源系统的运行优化。
由上可以得出，区别于现有技术中直接建立经济优化运行模型进行综合能源系统运行优化的常规手段，本发明首先对冷热电负荷数据进行了预测，基于预测得到的冷热电负荷数据进行经济优化运行模型的求解和计算，由此方法计算得到的出力优化参数更加准确，也更具备指导性。也就是说，基于本发明提供的楼宇型综合能源系统运行优化方法、装置及终端设备，能够实现楼宇型综合能源系统的能源优化，并且有效降低楼宇型综合能源系统的运行成本。
可选地，作为本发明实施例提供的楼宇型综合能源系统运行优化方法的一种具体实施方式，楼宇型综合能源系统运行优化方法还可以包括根据目标预测时段确定与目标预测时段对应的历史时段的过程。
根据目标预测时段确定与目标预测时段对应的历史时段的过程为：
获取各个历史时段对应的冷热电负荷数据。
对各个历史时段对应的冷热电负荷数据进行聚类分析，并根据聚类分析的分析结果确定各个历史时段所属的数据类。
基于各个历史时段所属的数据类确定各个历史时段的相似关系，基于各个历史时段的相似关系确定目标预测时段对应的历史时段。
在本实施例中，可基于冷热电负荷数据的多源异构性，基于模糊聚类的方法，建立各个历史时段的相似关系，基于各个历史时段的相似关系确定输入至预设的神经网络模型的冷热电负荷数据。
在本实施例中，若某两个(或者几个)历史时段对应的冷热电负荷数据属于同一数据类，则说明此两个(或者几个)历史时段的数据具有相似性，因此可建立此两个(或者几个)历史时段的对应关系，也即此两个(或者几个)历史时段是相似并且对应的。
在进行目标预测时段的冷热电负荷数据的预测时，可查找与该目标预测时段对应的(相似的)历史时段，基于该历史时段的冷热电负荷数据进行目标预测时段冷热电负荷数据的预测。
在本实施例中，根据负荷特点可知，历史冷热电负荷数据与用户的用电行为有着密切关系，即可根据日期将负荷分为工作日负荷、周末负荷、短节假日负荷、长节假日负荷共4类。因此，聚类参数(也即数据类的个数)可以为3或4，也即当选取的历史冷热电负荷数据中不包含长节假日负荷时，可以取模糊聚类参数C＝3；当选取的历史冷热电负荷数据中包含长节假日负荷时，则可以取模糊聚类参数C＝4。
在本实施例中，也可基于各个历史时段的相似关系选取相应的样本数据进行预设的神经网络模型的训练，以优化神经网络模型的训练样本的选择，减小神经网络模型的训练时间，并提高神经网络模型的训练精度。
可选地，作为本发明实施例提供的楼宇型综合能源系统运行优化方法的一种具体实施方式，楼宇型综合能源系统运行优化方法还可以包括：
以楼宇型综合能源系统的总成本最小为优化目标，以购能约束、功率平衡约束、能量转移约束、设备容量约束、设备耦合约束、燃气机组爬坡率约束、储能电池约束、切负荷约束、楼宇制冷采暖系统约束、生活热水系统约束为约束条件构建经济优化运行模型。
在本实施例中，基于对楼宇的热惯性特征的分析，本发明的发明人发现了楼宇的热惯性特征对综合能源系统运行状态的影响、以及楼宇的热惯性特征对用户的满意程度和舒适度的影响，在此基础上，将楼宇空调制冷采暖系统和热水系统的热惯性特征引入到了经济优化运行模型的约束条件中，从而更准确地实现了经济优化运行模型的构建。
可选地，作为本发明实施例提供的楼宇型综合能源系统运行优化方法的一种具体实施方式，经济优化运行模型的目标函数为：
Ctotal＝∑Ppur,eIpur,eΔt+Ppur,gIpur,gΔt+∑IgtPgt,g+IgbPgb,g+IecPec,e+IacPac,h+∑Ic,eΔLe+Ic,gΔLg+Ic,cΔLc+Ic,hΔLh+Ib(Tb,in-Tb,set)2+Iw(Tw,in-Tw,set)2其中，Ctotal为楼宇型综合能源系统的总成本，Ipur,e、Ipur,g分别为楼宇型综合能源系统上级电网、上级气网的购能价格，Ppur,e、Ppur,g分别为折算的购电功率、购气功率，Pgt,g为燃气轮机输入天然气功率，Pgb,g为燃气锅炉输入天然气功率，Pec,e为电制冷机输入电功率，Pac,h为溴化锂制冷机输入热效率，Igt、Igb、Iec、Iac分别为燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机的维护成本系数，Ic,e、Ic,g、Ic,c、Ic,h分别为燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机切负荷补偿系数，ΔLe、ΔLg、ΔLc、ΔLh分别为对应的燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机切负荷量，Ib、Iw分别为楼宇室内温度满意度补偿系数、热水温度满意度补偿系数，Tb,set、Tw,set分别为楼宇设定的期望温度、热水系统设定的期望温度。
经济优化运行模型的约束条件包括：
购能约束：
Ppur,e,min≤Ppur,e≤Ppur,e,max
Ppur,g,min≤Ppur,g≤Ppur,g,max
其中，Ppur,e,min、Ppur,e,max分别为购电功率最小值、最大值，Ppur,g,min、Ppur,g,max分别为购气功率最小值、最大值。
功率平衡约束：
Figure BDA0002879738640000081
其中，Lhr、ΔLhr分别为刚性热负荷及对应的切负荷量，Lcr、ΔLcr分别为刚性冷负荷及对应的切负荷量，Qb,h、Qb,c分别为居民楼宇采暖、制冷功率，Qw为热水系统加热功率，Le为电负荷，Lg为气负荷，Pgt,e为燃气轮机输出电功率，Pgt,h为燃气轮机输出热功率，Pgb,h为燃气锅炉输出热功率，Pec,c为电制冷机输出冷功率，Pac,c为溴化锂制冷机输出冷功率。
能量转移约束。
设备容量约束：
0≤PCOC≤rCOCXCOC
Figure BDA0002879738640000082
其中，cac为待规划设备，包括燃气轮机(GT)、燃气锅炉(GB)，电制冷机(EC)，溴化锂制冷机(AC)，PCOC为各个待规划设备的运行功率，XCOC为各个待规划设备的安装容量，rCOC为各个待规划设备的备用容量系数。
设备耦合约束：
Pi,min≤Pi(t)≤Pi,max
其中，Pi,min、Pi,max分别为各个待规划设备出力的最小值和最大值。
燃气机组爬坡率约束：
Figure BDA0002879738640000083
其中，Prq(t)、Prq(t-1)分别为燃气机组第t和t-1时段的功率，Rup,rq,Rdown,rq分别为在第t-1至t时段内燃气机组增加和减少有功功率的限值。
储能电池约束：
Figure BDA0002879738640000091
Es_in+Es_out≤1
其中，
Figure BDA0002879738640000092
是储能电池储能容量Es的下限和上限，分别为0.1、0.9。Es_in、Es_out分别为储能电池的充电和放电标记，0表示储能电池正在充电，1表示储能电池正在放电。
切负荷约束：
0≤ΔLen≤cls,enLen
Figure BDA0002879738640000093
其中，en为切负荷种类，e、g、hr、cr分别为电、气负荷和刚性热、冷负荷，ΔLen为切负荷量，cls,en为最大切负荷系数，Len为负荷总量。
楼宇制冷采暖系统约束：
Tb,in,min≤Tb,in≤Tb,in,max
rb,in,min≤dTb,in/dt≤rw,max
其中，Tb,in,min、Tb,in,max分别为楼宇室内最低、最高温度，rb,in,min、rw,max分别为楼宇室内温度变化率的最小值、最大值。
生活热水系统约束：
Tw,min≤Tw≤Tw,max
rw,min≤dTw/dt≤rw,max
其中，Tw,min、Tw,max分别为热水最低、最高温度。
可选地，作为本发明实施例提供的楼宇型综合能源系统运行优化方法的一种具体实施方式，基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数，包括：
基于双差差分进化算法、目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数。
在本实施例中，可基于双差差分进化算法对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数，具体求解步骤如下：
1)初始化：假设楼宇型综合能源系统中有Ni个粒子(也即楼宇型综合能源系统中的储能设备有Ni个)，NP为初始种群大小，
Figure BDA0002879738640000106
为初始位置，则NP＝(xi,1,xi,2,xi,3…xi,Ni)。
2)粒子变异：判断迭代次数L是否达到预设阈值，进行双重策略变异。突变策略1采用全局搜索性能较好的DE/rand/1算子，突变策略2采用改进的DE/rand/2算子。如果L没有达到预设阈值，则执行突变策略1，否则使用突变策略2进行突变。
对偶变异策略的具体实现如下：
Figure BDA0002879738640000101
其中，F为比例因子，具有控制偏差向量放大的功能，其值一般在[0，1]区间内，
Figure BDA0002879738640000102
为当代种群中适应度最优的粒子，Gm为最大迭代次数，
Figure BDA0002879738640000103
为在[1，rank(G)]区间中随机选取的不同于
Figure BDA0002879738640000104
的两个粒子。其中，rank(G)表示基向量的范围，
Figure BDA0002879738640000105
3)粒子交叉：基于预设的交叉概率对种群中的各个粒子进行交叉。
4)粒子选择：基于目标预测时段的冷热电负荷数据、经济优化运行模型的约束条件、经济优化运行模型的目标函数计算当前种群中各个粒子的适应度fi，根据各个粒子的适应度fi确定各个粒子的最优解。
5)循环判断：判断当前迭代次数L是否大于最大迭代次数，若当前迭代次数L大于最大迭代次数Gm，则循环结束，即目标函数达到最优值；否则，循环将继续(也即返回执行步骤2))，直到迭代次数大于最大迭代次数。
其中，可在迭代过程中计算当前总体适应度的方差变化(Δδ2)。在判断种群多样性的过程中，为了避免算法随着迭代次数的增加和种群多样性的下降而陷入局部最优的问题，引入了种群自适应方差(Δδ2)我们可以看到群体的聚集情况，通过计算Δδ2得出算法是否早熟。
定义种群自适应方差(δ2)为：
Figure BDA0002879738640000111
其中，fi为第i个粒子的适应度，
Figure BDA0002879738640000112
是当前种群的平均适应度。
对应于上文实施例的楼宇型综合能源系统运行优化方法，图2为本发明一实施例提供的楼宇型综合能源系统运行优化装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图2，该楼宇型综合能源系统运行优化装置20包括：数据获取模块21、负荷预测模块22、模型求解模块23、出力优化模块24。
其中，数据获取模块21，用于获取楼宇型综合能源系统的历史冷热电负荷数据，历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据。
负荷预测模块22，用于将历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据。
模型求解模块23，用于基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数。
出力优化模块24，用于根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。
可选地，请参考图2，作为本发明实施例提供的楼宇型综合能源系统运行优化装置的一种具体实施方式，楼宇型综合能源系统运行优化装置还包括相似日确定模块25，相似日确定模块25用于根据目标预测时段确定与目标预测时段对应的历史时段。
根据目标预测时段确定与目标预测时段对应的历史时段的过程为：
获取各个历史时段对应的冷热电负荷数据。
对各个历史时段对应的冷热电负荷数据进行聚类分析，并根据聚类分析的分析结果确定各个历史时段所属的数据类。
基于各个历史时段所属的数据类确定各个历史时段的相似关系，基于各个历史时段的相似关系确定目标预测时段对应的历史时段。
可选地，请参考图2，作为本发明实施例提供的楼宇型综合能源系统运行优化装置的一种具体实施方式，楼宇型综合能源系统运行优化装置还包括优化模型建立模块26，优化模型建立模块26用于以楼宇型综合能源系统的总成本最小为优化目标，以购能约束、功率平衡约束、能量转移约束、设备容量约束、设备耦合约束、燃气机组爬坡率约束、储能电池约束、切负荷约束、楼宇制冷采暖系统约束、生活热水系统约束为约束条件构建经济优化运行模型。
可选地，作为本发明实施例提供的楼宇型综合能源系统运行优化装置的一种具体实施方式，经济优化运行模型的目标函数为：
Ctotal＝∑Ppur,eIpur,eΔt+Ppur,gIpur,gΔt+∑IgtPgt,g+IgbPgb,g+IecPec,e+IacPac,h+∑Ic,eΔLe+Ic,gΔLg+Ic,cΔLc+Ic,hΔLh+Ib(Tb,in-Tb,set)2+Iw(Tw,in-Tw,set)2其中，Ctotal为楼宇型综合能源系统的总成本，Ipur,e、Ipur,g分别为楼宇型综合能源系统上级电网、上级气网的购能价格，Ppur,e、Ppur,g分别为折算的购电功率、购气功率，Pgt,g为燃气轮机输入天然气功率，Pgb,g为燃气锅炉输入天然气功率，Pec,e为电制冷机输入电功率，Pac,h为溴化锂制冷机输入热效率，Igt、Igb、Iec、Iac分别为燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机的维护成本系数，Ic,e、Ic,g、Ic,c、Ic,h分别为燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机切负荷补偿系数，ΔLe、ΔLg、ΔLc、ΔLh分别为对应的燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机切负荷量，Ib、Iw分别为楼宇室内温度满意度补偿系数、热水温度满意度补偿系数，Tb,set、Tw,set分别为楼宇设定的期望温度、热水系统设定的期望温度。
经济优化运行模型的约束条件包括：
购能约束：
Ppur,e,min≤Ppur,e≤Ppur,e,max
Ppur,g,min≤Ppur,g≤Ppur,g,max
其中，Ppur,e,min、Ppur,e,max分别为购电功率最小值、最大值，Ppur,g,min、Ppur,g,max分别为购气功率最小值、最大值。
功率平衡约束：
Figure BDA0002879738640000131
其中，Lhr、ΔLhr分别为刚性热负荷及对应的切负荷量，Lcr、ΔLcr分别为刚性冷负荷及对应的切负荷量，Qb,h、Qb,c分别为居民楼宇采暖、制冷功率，Qw为热水系统加热功率，Le为电负荷，Lg为气负荷，Pgt,e为燃气轮机输出电功率，Pgt,h为燃气轮机输出热功率，Pgb,h为燃气锅炉输出热功率，Pec,c为电制冷机输出冷功率，Pac,c为溴化锂制冷机输出冷功率。
能量转移约束。
设备容量约束：
0≤PCOC≤rCOCXCOC
Figure BDA0002879738640000132
其中，cac为待规划设备，包括燃气轮机(GT)、燃气锅炉(GB)，电制冷机(EC)，溴化锂制冷机(AC)，PCOC为各个待规划设备的运行功率，XCOC为各个待规划设备的安装容量，rCOC为各个待规划设备的备用容量系数。
设备耦合约束：
Pi,min≤Pi(t)≤Pi,max
其中，Pi,min、Pi,max分别为各个待规划设备出力的最小值和最大值。
燃气机组爬坡率约束：
Figure BDA0002879738640000141
其中，Prq(t)、Prq(t-1)分别为燃气机组第t和t-1时段的功率，Rup,rq,Rdown,rq分别为在第t-1至t时段内燃气机组增加和减少有功功率的限值。
储能电池约束：
Figure BDA0002879738640000143
Es_in+Es_out≤1
其中，
Figure BDA0002879738640000144
是储能电池储能容量Es的下限和上限，分别为0.1、0.9。Es_in、Es_out分别为储能电池的充电和放电标记，0表示储能电池正在充电，1表示储能电池正在放电。
切负荷约束：
0≤ΔLen≤cls,enLen
Figure BDA0002879738640000142
其中，en为切负荷种类，e、g、hr、cr分别为电、气负荷和刚性热、冷负荷，ΔLen为切负荷量，cls,en为最大切负荷系数，Len为负荷总量。
楼宇制冷采暖系统约束：
Tb,in,min≤Tb,in≤Tb,in,max
rb,in,min≤dTb,in/dt≤rw,max
其中，Tb,in,min、Tb,in,max分别为楼宇室内最低、最高温度，rb,in,min、rw,max分别为楼宇室内温度变化率的最小值、最大值。
生活热水系统约束：
Tw,min≤Tw≤Tw,max
rw,min≤dTw/dt≤rw,max
其中，Tw,min、Tw,max分别为热水最低、最高温度。
可选地，作为本发明实施例提供的楼宇型综合能源系统运行优化装置的一种具体实施方式，基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数，包括：
基于双差差分进化算法、目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数。
参见图3，图3为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端300可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图2所示模块21至26的功能。
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的楼宇型综合能源系统运行优化方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种楼宇型综合能源系统运行优化方法，其特征在于，包括：
获取楼宇型综合能源系统的历史冷热电负荷数据，所述历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据；
将所述历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据；
基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数；
根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。
2.如权利要求1所述的楼宇型综合能源系统运行优化方法，其特征在于，还包括根据目标预测时段确定与目标预测时段对应的历史时段的过程；
所述根据目标预测时段确定与目标预测时段对应的历史时段的过程为：
获取各个历史时段对应的冷热电负荷数据；
对各个历史时段对应的冷热电负荷数据进行聚类分析，并根据聚类分析的分析结果确定各个历史时段所属的数据类；
基于各个历史时段所属的数据类确定各个历史时段的相似关系，基于各个历史时段的相似关系确定目标预测时段对应的历史时段。
3.如权利要求1所述的楼宇型综合能源系统运行优化方法，其特征在于，还包括：
以楼宇型综合能源系统的总成本最小为优化目标，以购能约束、功率平衡约束、能量转移约束、设备容量约束、设备耦合约束、燃气机组爬坡率约束、储能电池约束、切负荷约束、楼宇制冷采暖系统约束、生活热水系统约束为约束条件构建经济优化运行模型。
4.如权利要求3所述的楼宇型综合能源系统运行优化方法，其特征在于，所述经济优化运行模型的目标函数为：
Ctotal＝∑Ppur,eIpur,eΔt+Ppur,gIpur,gΔt+∑IgtPgt,g+IgbPgb,g+IecPec,e+IacPac,h+∑Ic,eΔLe+Ic,gΔLg+Ic,cΔLc+Ic,hΔLh+Ib(Tb,in-Tb,set)2+Iw(Tw,in-Tw,set)2
其中，Ctotal为楼宇型综合能源系统的总成本，Ipur,e、Ipur,g分别为楼宇型综合能源系统上级电网、上级气网的购能价格，Ppur,e、Ppur,g分别为折算的购电功率、购气功率，Pgt,g为燃气轮机输入天然气功率，Pgb,g为燃气锅炉输入天然气功率，Pec,e为电制冷机输入电功率，Pac,h为溴化锂制冷机输入热效率，Igt、Igb、Iec、Iac分别为燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机的维护成本系数，Ic,e、Ic,g、Ic,c、Ic,h分别为燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机切负荷补偿系数，ΔLe、ΔLg、ΔLc、ΔLh分别为对应的燃气轮机、燃气锅炉、电制冷机、溴化锂制冷机切负荷量，Ib、Iw分别为楼宇室内温度满意度补偿系数、热水温度满意度补偿系数，Tb,set、Tw,set分别为楼宇设定的期望温度、热水系统设定的期望温度；
所述经济优化运行模型的约束条件包括：
购能约束：
Ppur,e,min≤Ppur,e≤Ppur,e,max
Ppur,g,min≤Ppur,g≤Ppur,g,max
其中，Ppur,e,min、Ppur,e,max分别为购电功率最小值、最大值，Ppur,g,min、Ppur,g,max分别为购气功率最小值、最大值；
功率平衡约束：
Figure FDA0002879738630000021
其中，Lhr、ΔLhr分别为刚性热负荷及对应的切负荷量，Lcr、ΔLcr分别为刚性冷负荷及对应的切负荷量，Qb,h、Qb,c分别为居民楼宇采暖、制冷功率，Qw为热水系统加热功率，Le为电负荷，Lg为气负荷，Pgt,e为燃气轮机输出电功率，Pgt,h为燃气轮机输出热功率，Pgb,h为燃气锅炉输出热功率，Pec,c为电制冷机输出冷功率，Pac,c为溴化锂制冷机输出冷功率；
能量转移约束；
设备容量约束：
0≤PCOC≤rCOCXCOC
Figure FDA0002879738630000031
其中，cac为待规划设备，包括燃气轮机(GT)、燃气锅炉(GB)，电制冷机(EC)，溴化锂制冷机(AC)，PCOC为各个待规划设备的运行功率，XCOC为各个待规划设备的安装容量，rCOC为各个待规划设备的备用容量系数；
设备耦合约束：
Pi,min≤Pi(t)≤Pi,max
其中，Pi,min、Pi,max分别为各个待规划设备出力的最小值和最大值；
燃气机组爬坡率约束：
Figure FDA0002879738630000032
其中，Prq(t)、Prq(t-1)分别为燃气机组第t和t-1时段的功率，Rup,rq,Rdown,rq分别为在第t-1至t时段内燃气机组增加和减少有功功率的限值；
储能电池约束：
Figure FDA0002879738630000033
Es_in+Es_out≤1
其中，
Figure FDA0002879738630000034
是储能电池储能容量Es的下限和上限，分别为0.1、0.9；Es_in、Es_out分别为储能电池的充电和放电标记，0表示储能电池正在充电，1表示储能电池正在放电；
切负荷约束：
0≤ΔLen≤cls,enLen
Figure FDA0002879738630000041
其中，en为切负荷种类，e、g、hr、cr分别为电、气负荷和刚性热、冷负荷，ΔLen为切负荷量，cls,en为最大切负荷系数，Len为负荷总量；
楼宇制冷采暖系统约束：
Tb,in,min≤Tb,in≤Tb,in,max
rb,in,min≤dTb,in/dt≤rw,max
其中，Tb,in,min、Tb,in,max分别为楼宇室内最低、最高温度，rb,in,min、rw,max分别为楼宇室内温度变化率的最小值、最大值；
生活热水系统约束：
Tw,min≤Tw≤Tw,max
rw,min≤dTw/dt≤rw,max
其中，Tw,min、Tw,max分别为热水最低、最高温度。
5.如权利要求1所述的楼宇型综合能源系统运行优化方法，其特征在于，所述基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数，包括：
基于双差差分进化算法、目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数。
6.一种楼宇型综合能源系统运行优化装置，其特征在于，包括：
数据获取模块，用于获取楼宇型综合能源系统的历史冷热电负荷数据，所述历史冷热电负荷数据为与目标预测时段对应的历史时段的冷热电负荷数据；
负荷预测模块，用于将所述历史冷热电负荷数据输入至预设的神经网络模型，预测得到目标预测时段的冷热电负荷数据；
模型求解模块，用于基于目标预测时段的冷热电负荷数据对预设的经济优化运行模型进行求解，得到楼宇型综合能源系统的出力优化参数；
出力优化模块，用于根据楼宇型综合能源系统的出力优化参数对楼宇型综合能源系统中储能设备的出力进行优化。
7.如权利要求6所述的楼宇型综合能源系统运行优化装置，其特征在于，还包括相似日确定模块，所述相似日确定模块用于根据目标预测时段确定与目标预测时段对应的历史时段；
所述根据目标预测时段确定与目标预测时段对应的历史时段的过程为：
获取各个历史时段对应的冷热电负荷数据；
对各个历史时段对应的冷热电负荷数据进行聚类分析，并根据聚类分析的分析结果确定各个历史时段所属的数据类；
基于各个历史时段所属的数据类确定各个历史时段的相似关系，基于各个历史时段的相似关系确定目标预测时段对应的历史时段。
8.如权利要求6所述的楼宇型综合能源系统运行优化装置，其特征在于，还包括优化模型建立模块，所述优化模型建立模块用于以楼宇型综合能源系统的总成本最小为优化目标，以购能约束、功率平衡约束、能量转移约束、设备容量约束、设备耦合约束、燃气机组爬坡率约束、储能电池约束、切负荷约束、楼宇制冷采暖系统约束、生活热水系统约束为约束条件构建经济优化运行模型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN202011639964.2A 2020-12-31 2020-12-31 楼宇型综合能源系统运行优化方法、装置及终端设备 Pending CN112598195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011639964.2A CN112598195A (zh) 2020-12-31 2020-12-31 楼宇型综合能源系统运行优化方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011639964.2A CN112598195A (zh) 2020-12-31 2020-12-31 楼宇型综合能源系统运行优化方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN112598195A true CN112598195A (zh) 2021-04-02

Family

ID=75206624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011639964.2A Pending CN112598195A (zh) 2020-12-31 2020-12-31 楼宇型综合能源系统运行优化方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN112598195A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177366A (zh) * 2021-05-28 2021-07-27 华北电力大学 一种综合能源系统规划方法、装置和终端设备
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113723709A (zh) * 2021-09-08 2021-11-30 山东佐耀科技有限公司 一种空气源热泵负荷优化方法及系统
CN113780781A (zh) * 2021-08-31 2021-12-10 国网河北省电力有限公司经济技术研究院 综合能源系统的扩容设备选取方法、装置及终端
CN114626616A (zh) * 2022-03-21 2022-06-14 特斯联科技集团有限公司 园区高温尾气余热回收cchp的最优运行方法及系统
CN116415801A (zh) * 2023-06-12 2023-07-11 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及系统
CN116700126A (zh) * 2023-08-09 2023-09-05 中关村科学城城市大脑股份有限公司 能源设备控制方法、装置、电子设备和计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN108510131A (zh) * 2018-05-22 2018-09-07 清华大学 一种综合能源微网优化规划方法、微网结构及控制方法
CN109063925A (zh) * 2018-08-16 2018-12-21 合肥工业大学 一种计及负荷聚合商的区域综合能源系统优化运行方法
CN111260116A (zh) * 2020-01-10 2020-06-09 河南理工大学 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN108510131A (zh) * 2018-05-22 2018-09-07 清华大学 一种综合能源微网优化规划方法、微网结构及控制方法
CN109063925A (zh) * 2018-08-16 2018-12-21 合肥工业大学 一种计及负荷聚合商的区域综合能源系统优化运行方法
CN111260116A (zh) * 2020-01-10 2020-06-09 河南理工大学 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘向向 等: ""考虑热惯性的居民楼宇综合能源系统日前运行优化"", 《可再生能源》 *
雍明月: ""多能互补分布式电源用能需求分析与应用模式研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177366A (zh) * 2021-05-28 2021-07-27 华北电力大学 一种综合能源系统规划方法、装置和终端设备
CN113177366B (zh) * 2021-05-28 2024-02-02 华北电力大学 一种综合能源系统规划方法、装置和终端设备
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113469412B (zh) * 2021-06-02 2024-04-09 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113780781A (zh) * 2021-08-31 2021-12-10 国网河北省电力有限公司经济技术研究院 综合能源系统的扩容设备选取方法、装置及终端
CN113723709A (zh) * 2021-09-08 2021-11-30 山东佐耀科技有限公司 一种空气源热泵负荷优化方法及系统
CN113723709B (zh) * 2021-09-08 2022-09-06 山东佐耀科技有限公司 一种空气源热泵负荷优化方法及系统
CN114626616B (zh) * 2022-03-21 2023-11-21 特斯联科技集团有限公司 园区高温尾气余热回收cchp的最优运行方法及系统
CN114626616A (zh) * 2022-03-21 2022-06-14 特斯联科技集团有限公司 园区高温尾气余热回收cchp的最优运行方法及系统
CN116415801B (zh) * 2023-06-12 2023-08-29 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及系统
CN116415801A (zh) * 2023-06-12 2023-07-11 山东创宇环保科技有限公司 基于大数据的商业能源负荷智能分配方法及系统
CN116700126A (zh) * 2023-08-09 2023-09-05 中关村科学城城市大脑股份有限公司 能源设备控制方法、装置、电子设备和计算机可读介质
CN116700126B (zh) * 2023-08-09 2024-02-02 中关村科学城城市大脑股份有限公司 能源设备控制方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN112598195A (zh) 楼宇型综合能源系统运行优化方法、装置及终端设备
Zhao et al. Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm
US11610214B2 (en) Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus
CN111695742B (zh) 一种综合能源系统日前调度区间优化方法、系统及设备
CN112950098B (zh) 基于综合能源系统的能源规划方法、装置及终端设备
Wang et al. Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables
CN112036934A (zh) 考虑热电协调运行的负荷聚合商参与需求响应的报价方法
CN111754037A (zh) 区域终端集成供能系统长期负荷混合预测方法
CN110198042B (zh) 一种电网储能的动态优化方法及存储介质
CN112686571A (zh) 基于动态自适应建模的综合智慧能源优化调度方法及系统
CN111563637A (zh) 基于需求响应的多目标概率最优潮流计算方法及装置
CN114154744A (zh) 综合能源系统的扩容规划方法、装置及电子设备
Zhang et al. Deep reinforcement learning based bi-layer optimal scheduling for microgrid considering flexible load control
CN116070740A (zh) 综合能源系统的优化运行方法、装置和计算机设备
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
Wang et al. Coordinated residential energy resource scheduling with human thermal comfort modelling and renewable uncertainties
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN111126675A (zh) 多能互补微网系统优化方法
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
Li et al. Multi-dimension day-ahead scheduling optimization of a community-scale solar-driven CCHP system with demand-side management
Xia et al. Optimal scheduling of residential heating, ventilation and air conditioning based on deep reinforcement learning
CN116128154A (zh) 一种农业园区综合能源系统的能源优化配置方法及装置
CN113392513B (zh) 冷热电联供系统多目标优化方法、装置及终端
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
CN111489031B (zh) 基于源荷演化博弈的综合能源系统中长期负荷预测系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402

RJ01 Rejection of invention patent application after publication