CN112686447B - 海上油气田开发多能流耦合负荷预测方法 - Google Patents
海上油气田开发多能流耦合负荷预测方法 Download PDFInfo
- Publication number
- CN112686447B CN112686447B CN202011610329.1A CN202011610329A CN112686447B CN 112686447 B CN112686447 B CN 112686447B CN 202011610329 A CN202011610329 A CN 202011610329A CN 112686447 B CN112686447 B CN 112686447B
- Authority
- CN
- China
- Prior art keywords
- load
- natural gas
- prediction
- heat
- adopting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011161 development Methods 0.000 title claims abstract description 20
- 230000008878 coupling Effects 0.000 title claims abstract description 19
- 238000010168 coupling process Methods 0.000 title claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 19
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 96
- 239000003345 natural gas Substances 0.000 claims abstract description 48
- 239000007789 gas Substances 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000018109 developmental process Effects 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 239000007788 liquid Substances 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000002347 injection Methods 0.000 claims abstract description 4
- 239000007924 injection Substances 0.000 claims abstract description 4
- 239000000178 monomer Substances 0.000 claims abstract description 4
- 230000001932 seasonal effect Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 15
- 239000003546 flue gas Substances 0.000 claims description 15
- 239000002918 waste heat Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种海上油气田开发多能流耦合负荷预测方法，包括如下步骤：1)进行电负荷预测：采用以历史电负荷数据、产液量、含水率、注水量、季节特性为输入的Elman神经网络算法，对油田群整体电负荷进行预测并进行滚动学习训练；2)进行热负荷预测：采用以历史热负荷数据、产液量、含水率、产液温度及环境温度为输入的模糊神经网络算法，采用网络分割法，分别对每个用热单体进行热负荷预测；3)进行天然气负荷预测：采用以已预测电负荷、热负荷及发电机和锅炉效率以及环境温度为特征量的多元线性回归算法和Elman神经网络的混合算法。本发明能够将海上油气田电能、天然气、热能相互耦合，为海上油气田有计划的安排生产及能源管控、优化调度提供支持。
Description
技术领域
本发明涉及海上油气田开发技术领域，具体是关于一种海上油气田开发多能流耦合负荷预测方法。
背景技术
海上油气田通常由中心平台及其附属的井口平台构成，各平台之间通过海底电缆、油气管道相连，将区域内油气平台群连成一个整体，形成一个集能源产生、传输、利用为一体的综合能源系统。负荷预测技术研究在各行业都有广泛的应用，当前在电力行业及其他行业的用电负荷方面开展的预测研究较多，相应的预测方法研究也非常广泛，预测的时间尺度上也广泛涵盖长期、中期及短期负荷预测；另外在民用燃气供应和供暖领域，也有少量的用气和用热负荷预测的研究，主要集中在对单一能源形式的预测研究方面。
目前，海上油气田还没有专门的能源管控措施，相应的研究也比较少，对于其使用能源的预测也主要根据操作和油田管理人员的简单预判，还没有形成专门的能源负荷预测方法及技术。陆地对负荷预测技术的研究主要集中在对单一能源形式的预测研究方面，对多能耦合情况下的负荷预测尚没有系统研究。
发明内容
针对上述问题，本发明的目的是提供一种海上油气田电能、天然气、热能相互耦合情况下的海上油气田开发多能流耦合负荷预测方法，为海上油气田有计划的安排生产及能源管控、优化调度提供支持，一方面可进行电、热潮流优化，合理安排开机电源点，实现最优化电力调度；另一方面可提前安排天然气生产，优化天然气调度，减少天然气放空。
为实现上述目的，本发明采取以下技术方案：
本发明所述的海上油气田开发多能流耦合负荷预测方法，包括如下步骤：
1)进行电负荷预测：
采用以历史电负荷数据、产液量、含水率、注水量、季节特性为输入的Elman神经网络算法，对油田群整体电负荷进行预测并进行滚动学习训练；
2)进行热负荷预测：
采用以历史热负荷数据、产液量、含水率、产液温度及环境温度为输入的模糊神经网络算法，采用网络分割法，输出隶属度函数类型为trimf，输出类型为线性输出，分别对每个用热单体进行热负荷预测；
3)进行天然气负荷预测：
采用以已预测电负荷、热负荷及发电机和锅炉效率以及环境温度为特征量的多元线性回归算法和Elman神经网络的混合算法。
所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3)包括如下子步骤：
3.1)进行发电机消耗天然气预测：
首先采用完全型二元二次多项式，以环境温度和发电机负荷率作为输入变量，以单位发电量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测电负荷、发电机效率以及环境温度为特征量的多元线性回归算法，对油田发电机消耗天然气进行预测；
3.2)进行锅炉消耗天然气预测：
首先采用完全型二元二次多项式，以环境温度和锅炉负荷率作为输入变量，以单位产热量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测热负荷、燃气透平发电机废热锅炉可利用的热量、锅炉效率以及环境温度为特征量的多元线性回归算法，对锅炉消耗天然气进行预测；
3.3)计算油田自耗天然气：
对步骤3.1)和步骤3.2)的预测结果相加，得到油田总的自耗天然气y1。
所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3.1)和步骤3.2)中的最小二乘法的拟合公式均为：
y0＝b0+b1x1+b2x2+b12x1x2+b11x1 2+b22x2 2 (1)
式中，y0代表输出变量；b0，b1，b2，b12，b11，b22为二元回归模型的回归系数；x1，x2为影响输出变量的输入因素。
所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3.2)中还包括以下步骤：
3.2.1)通过公式(2)计算燃气透平发电机废热锅炉可供利用的热量Qr：
式中：Gr表示烟气的质量流量；t2,t1分别表示余热锅炉进出口的烟气温度；Cp表示在t2和t1温度范围内，烟气平均温度等压比热，一般在1.0～1.2范围内取值；α表示烟气经烟道旁通挡板泄漏率导致烟气可供利用的热功率系数，一般为0.95～0.98。
所述的海上油气田开发多能流耦合负荷预测方法，优选地，所述步骤3.3)后还包括如下步骤：
3.4)采用时序预测方法预测油田自耗天然气：采用Elman神经网络算法预测，得到油田总的自耗天然气y2；
3.5)通过公式(3)计算油田自耗天然气预测结果：
y＝0.6y1+0.4y2 (3)
3.6)进行外输天然气预测：采用算法为Elman神经网络进行预测，对不同外输管线分别进行预测并进行滚动学习。
所述的海上油气田开发多能流耦合负荷预测方法，优选地，在步骤3)后还包括如下步骤：
4)汇总步骤1)、步骤2)、步骤3.5)及步骤3.6)结果，即为海上平台综合能源系统多能流负荷预测结果；
5)对步骤1)、步骤2)及步骤3.5)预测结果进行加和，即得到海上平台开发过程中的能源消耗。
本发明由于采取以上技术方案，其具有以下优点：
1、计算效率高，对于变动较平稳的负荷采用线性回归和简单人工神经网络算法显著提高计算效率；
2、预测精度高，对于变化规律性差的负荷采用混合预测算法及模糊神经网络算法提高了预测精度；
3、本发明负荷预测过程中考虑了多种能源之间的耦合关系，对多种能源形式的预测结果进行关联性校验，进一步提高了多能负荷的预测精度。
附图说明
图1为本发明的多能负荷预测流程框图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。
如图1所示，本发明提供的海上油气田开发多能流耦合负荷预测方法，包括如下步骤：
1)进行电负荷预测：
采用以历史电力负荷数据、产液量、含水率、注水量、季节特性为输入的Elman神经网络算法，对油田群整体电负荷进行预测并进行滚动学习训练。其中，输入输出变量表如表1，为：
表1电负荷预测输入输出变量表
2)进行热负荷预测：
采用以历史热负荷数据、产液量、含水率、产液温度及环境温度为输入的模糊神经网络算法，采用网络分割法，输出隶属度函数类型为trimf，输出类型为线性输出，分别对每个用热单体进行热负荷预测。输入输出变量表如表2，为：
表2热负荷预测输入输出变量表
3)进行天然气负荷预测：
采用以已预测电负荷、热负荷及发电机和锅炉效率以及环境温度为特征量的多元线性回归算法和Elman神经网络的混合算法。
在上述实施例中，优选地，所述步骤3)包括如下子步骤：
3.1)进行发电机消耗天然气预测：
首先采用完全型二元二次多项式，以环境温度和发电机负荷率作为输入变量，以单位发电量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测电负荷、发电机效率以及环境温度为特征量的多元线性回归算法，对油田发电机消耗天然气进行预测；
3.2)进行锅炉消耗天然气预测：
首先采用完全型二元二次多项式，以环境温度和锅炉负荷率作为输入变量，以单位产热量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测热负荷、燃气透平发电机废热锅炉可利用的热量、锅炉效率以及环境温度为特征量的多元线性回归算法，对锅炉消耗天然气进行预测；
3.3)计算油田自耗天然气：
对步骤3.1)和步骤3.2)的预测结果相加，得到油田总的自耗天然气y1。
在上述实施例中，优选地，步骤3.1)和步骤3.2)中的最小二乘法的拟合公式均为：
y0＝b0+b1x1+b2x2+b12x1x2+b11x1 2+b22x2 2 (1)
式中，y0代表输出变量；b0，b1，b2，b12，b11，b22为二元回归模型的回归系数；x1，x2为影响输出变量的输入因素。
在上述实施例中，优选地，步骤3.2)中还包括以下步骤：
3.2.1)通过公式(2)计算燃气透平发电机废热锅炉可供利用的热量；
式中：Gr表示烟气的质量流量；t2,t1分别表示余热锅炉进出口的烟气温度；Cp表示在t2和t1温度范围内，烟气平均温度等压比热，一般在1.0～1.2范围内取值；α表示烟气经烟道旁通挡板泄漏率导致烟气可供利用的热功率系数，一般为0.95～0.98。
在上述实施例中，优选地，步骤3.3)后还包括如下步骤：
3.4)采用时序预测方法预测油田自耗天然气：
采用Elman神经网络算法预测，得到油田总的自耗天然气y2，对油田自耗天然气进行预测并进行滚动学习训练。输入输出变量表如表3，为：
表3油田自耗天然气预测输入输出变量表
3.5)通过公式(3)计算油田自耗天然气预测结果：
y＝0.6y1+0.4y2 (3)
3.6)进行外输天然气预测：
采用算法为Elman神经网络进行预测，对不同外输管线分别进行预测并进行滚动学习。输入输出变量表如表4，为：
表4外输天然气预测输入输出变量表
在上述实施例中，优选地，在步骤3)后还包括如下步骤：
4)汇总步骤1)、步骤2)、步骤3.5)及步骤3.6)结果，即为海上平台综合能源系统多能流负荷预测结果；
5)对步骤1)、步骤2)及步骤3.5)预测结果进行加和，即得到海上平台开发过程中的能源消耗。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种海上油气田开发多能流耦合负荷预测方法，其特征在于，包括如下步骤：
1)进行电负荷预测：
采用以历史电负荷数据、产液量、含水率、注水量、季节特性为输入的Elman神经网络算法，对油田群整体电负荷进行预测并进行滚动学习训练；
2)进行热负荷预测：
采用以历史热负荷数据、产液量、含水率、产液温度及环境温度为输入的模糊神经网络算法，采用网络分割法，输出隶属度函数类型为trimf，输出类型为线性输出，分别对每个用热单体进行热负荷预测；
3)进行天然气负荷预测：
采用以已预测电负荷、热负荷及发电机和锅炉效率以及环境温度为特征量的多元线性回归算法和Elman神经网络的混合算法；
所述步骤3)包括如下子步骤：
3.1)进行发电机消耗天然气预测：
首先采用完全型二元二次多项式，以环境温度和发电机负荷率作为输入变量，以单位发电量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测电负荷、发电机效率以及环境温度为特征量的多元线性回归算法，对油田发电机消耗天然气进行预测；
3.2)进行锅炉消耗天然气预测：
首先采用完全型二元二次多项式，以环境温度和锅炉负荷率作为输入变量，以单位产热量消耗天然气作为输出变量，采用最小二乘法对每台发电机进行拟合并定期进行数据更新；然后采用以已预测热负荷、燃气透平发电机废热锅炉可利用的热量、锅炉效率以及环境温度为特征量的多元线性回归算法，对锅炉消耗天然气进行预测；
3.3)计算油田自耗天然气：
对步骤3.1)和步骤3.2)的预测结果相加，得到油田总的自耗天然气y1；
3.4)采用时序预测方法预测油田自耗天然气：采用Elman神经网络算法预测，得到油田总的自耗天然气y2；
3.5)通过公式(3)计算油田自耗天然气预测结果：
y＝0.6y1+0.4y2 (3)
3.6)进行外输天然气预测：采用算法为Elman神经网络进行预测，对不同外输管线分别进行预测并进行滚动学习。
2.根据权利要求1所述的海上油气田开发多能流耦合负荷预测方法，其特征在于，所述步骤3.1)和步骤3.2)中的最小二乘法的拟合公式均为：
y0＝b0+b1x1+b2x2+b12x1x2+b11x1 2+b22x2 2 (1)
式中，y0代表输出变量；b0，b1，b2，b12，b11，b22为二元回归模型的回归系数；x1，x2为影响输出变量的输入因素。
3.根据权利要求2所述的海上油气田开发多能流耦合负荷预测方法，其特征在于，所述步骤3.2)中还包括以下步骤：
3.2.1)通过公式(2)计算燃气透平发电机废热锅炉可供利用的热量Qr：
式中：Gr表示烟气的质量流量；t2，t1分别表示余热锅炉进出口的烟气温度；GP表示在t2和t1温度范围内，烟气平均温度等压比热，一般在1.0～1.2范围内取值；α表示烟气经烟道旁通挡板泄漏率导致烟气可供利用的热功率系数，一般为0.95～0.98。
4.根据权利要求1所述的海上油气田开发多能流耦合负荷预测方法，其特征在于，在步骤3)后还包括如下步骤：
4)汇总步骤1)、步骤2)、步骤3.5)及步骤3.6)结果，即为海上平台综合能源系统多能流负荷预测结果；
5)对步骤1)、步骤2)及步骤3.5)预测结果进行加和，即得到海上平台开发过程中的能源消耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011610329.1A CN112686447B (zh) | 2020-12-30 | 2020-12-30 | 海上油气田开发多能流耦合负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011610329.1A CN112686447B (zh) | 2020-12-30 | 2020-12-30 | 海上油气田开发多能流耦合负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686447A CN112686447A (zh) | 2021-04-20 |
| CN112686447B true CN112686447B (zh) | 2024-05-31 |
Family
ID=75455163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011610329.1A Active CN112686447B (zh) | 2020-12-30 | 2020-12-30 | 海上油气田开发多能流耦合负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686447B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113178859A (zh) * | 2021-04-12 | 2021-07-27 | 国网河北省电力有限公司沧州供电分公司 | 一种基于岸基供电的海上油田负荷预测方法 |
| CN113988366A (zh) * | 2021-09-17 | 2022-01-28 | 国能浙江余姚燃气发电有限责任公司 | 一种燃气机组的发电气耗的预测方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09215192A (ja) * | 1996-02-08 | 1997-08-15 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
| CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
| CN107291994A (zh) * | 2017-05-25 | 2017-10-24 | 天津大学 | 一种基于Elman神经网络模型的秸秆热值预测方法 |
| CN109934386A (zh) * | 2019-01-30 | 2019-06-25 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
| CN110619110A (zh) * | 2019-09-18 | 2019-12-27 | 南京师范大学 | 一种含热泵的综合能源系统协调运行优化方法 |
| CN111188688A (zh) * | 2020-01-15 | 2020-05-22 | 西安交通大学 | 一种燃气发动机分布式能源系统热电比调节方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8463441B2 (en) * | 2002-12-09 | 2013-06-11 | Hudson Technologies, Inc. | Method and apparatus for optimizing refrigeration systems |
-
2020
- 2020-12-30 CN CN202011610329.1A patent/CN112686447B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09215192A (ja) * | 1996-02-08 | 1997-08-15 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
| CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
| CN107291994A (zh) * | 2017-05-25 | 2017-10-24 | 天津大学 | 一种基于Elman神经网络模型的秸秆热值预测方法 |
| CN109934386A (zh) * | 2019-01-30 | 2019-06-25 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
| CN110619110A (zh) * | 2019-09-18 | 2019-12-27 | 南京师范大学 | 一种含热泵的综合能源系统协调运行优化方法 |
| CN111188688A (zh) * | 2020-01-15 | 2020-05-22 | 西安交通大学 | 一种燃气发动机分布式能源系统热电比调节方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于BP 神经网络与多元线性回归的短期燃气负荷预测;宋娟 等;《宁夏工程技术》;第18卷(第4期);343-346 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686447A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Optimization of a solar-based integrated energy system considering interaction between generation, network, and demand side | |
| CN106529740B (zh) | 一种天然气网络、电力网络和电源的联合规划方法 | |
| CN104537435B (zh) | 基于用户侧经济性指标的分布式电源优化配置方法 | |
| Yabanova et al. | Development of ANN model for geothermal district heating system and a novel PID-based control strategy | |
| Mansouri et al. | Energy hub design in the presence of P2G system considering the variable efficiencies of gas-fired converters | |
| CN106991539B (zh) | 一种能源系统优化调度方法及装置 | |
| CN112686447B (zh) | 海上油气田开发多能流耦合负荷预测方法 | |
| Guo et al. | Multi-objective bi-level quantity regulation scheduling method for electric-thermal integrated energy system considering thermal and hydraulic transient characteristics | |
| CN116341881B (zh) | 计及热网灵活性的电-热系统鲁棒超前调度方法及系统 | |
| Yin et al. | Relaxed deep generative adversarial networks for real-time economic smart generation dispatch and control of integrated energy systems | |
| CN110991092A (zh) | 一种余能一体化利用计算方法及系统 | |
| Ding et al. | Operational reliability assessment of integrated heat and electricity systems considering the load uncertainties | |
| Lv et al. | Optimal capacity configuration model of power-to-gas equipment in wind-solar sustainable energy systems based on a novel spatiotemporal clustering algorithm: A pathway towards sustainable development | |
| Lu et al. | Medium-and long-term interval optimal scheduling of cascade hydropower-photovoltaic complementary systems considering multiple uncertainties | |
| CN113298407A (zh) | 一种工业园区电-气综合能源系统优化调度模型建立方法 | |
| CN108734419B (zh) | 一种基于知识迁移的高炉煤气调度系统建模方法 | |
| Liang et al. | Deep reinforcement learning-based optimal scheduling of integrated energy systems for electricity, heat, and hydrogen storage | |
| Tang et al. | Optimal dispatch of integrated energy campus microgrids considering the time-delay of pipelines | |
| Zhang et al. | Low-Carbon Economic Dispatch of Integrated Energy Systems Considering Extended Carbon Emission Flow | |
| Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
| Hu et al. | Optimal planning of electric-heating integrated energy system in low-carbon park with energy storage system | |
| CN117787636A (zh) | 一种综合能源系统的多目标规划方法、系统及设备 | |
| Wu et al. | Neural Network Based Fea sible Region Approximation Model for Optimal Operation of Integrated Electricity and Heating System | |
| Zhang et al. | Low-Carbon Economic Dispatch of Integrated Energy Systems Considering Full-Process Carbon Emission Tracking and Low Carbon Demand Response | |
| Dobos et al. | Dynamic model and control of heat exchanger networks for district heating |
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 |