CN113222214B - 一种基于随机场景的综合能源系统优化设计方法及系统 - Google Patents
一种基于随机场景的综合能源系统优化设计方法及系统 Download PDFInfo
- Publication number
- CN113222214B CN113222214B CN202110390384.2A CN202110390384A CN113222214B CN 113222214 B CN113222214 B CN 113222214B CN 202110390384 A CN202110390384 A CN 202110390384A CN 113222214 B CN113222214 B CN 113222214B
- Authority
- CN
- China
- Prior art keywords
- optimal
- scene
- equipment
- annual
- capacity
- 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 54
- 238000013461 design Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims description 46
- 230000008569 process Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 39
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开的一种基于随机场景的综合能源系统优化设计方法及系统，包括：获取时间信息和天气信息，将时间信息和天气信息输入场景模型中，输出负荷信息和能源资源信息，获取年度运行场景；采用内外双循环嵌套的方式，对获取的年度运行场景进行分析，获取设备的最优容量和最优运行方式，其中，内循环以实时性能最优为目标，获取年度各运行场景中设备的最优运行方式，外循环以全局性能最优为目标，在内循环获取的设备的最优运行方式的基础上，获取设备的最优容量。获取了综合能源系统的设备最优容量和最优运行方式。
Description
技术领域
本发明涉及能源系统中规划设计技术领域，尤其涉及一种基于随 机场景的综合能源系统优化设计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必 然构成在先技术。
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获取电力、供 暖和制冷，各种能源的生产和供应是相互独立的。由于能量的多次能 量转换，尽管单个设备的效率不断改进，但建筑能耗的整体效率仍不 尽如人意。因此，集中式能源系统正在向以可再生能源和清洁能源为 主的分布式能源系统过度。综合能源系统是一种多能量输入多能量输 出的分布式能源系统，可集成多种分布式电源设备、能量转换设备、 储能设备，满足用户的多元用能需求，有效的提升了能源生产和供给 的经济和环境效益。
综合能源系统的设计与运行，离不开对能源资源和用户负荷的采 集和预测。而可再生能源和用户负荷数据庞杂属性多样，多种能源时 空尺度差异大，多种用户负荷和能源资源的周期性波动、不确定性较 强，造成了运行场景的随机性和多样化，本质特征难提取。传统数据 统计的方法，简单的选取部分历史负荷资源数据代表运行场景，不能 描述系统运行场景的复杂性。而对于新建设的用户，常使用相似用户 的历史数据，则存在更大的误差。因此，需要从更智能的方法中建立 场景模型，对运行场景做出更全面的描述。
而在综合能源系统的设计方法中，多使用典型日作为评价运行性 能的场景。一方面，在全生命周期内，综合能源系统的运行场景复杂， 数量众多，能量流耦合严重，仅考虑一定数量的典型日难以精确寻优。 典型日及其数据难以挑选拟合，且典型日数量有限，容易片面化，缺 乏多样性。另一方面，多种异质能流的深度耦合，加剧了系统结构与 运行机理复杂性，典型日缺少连续性，导致系统中需要连续运行的设 备，无法发挥其最大效益，使得综合能源系统的结构和容量难以准确 设计与配置，造成系统的运行性能低于预期。
发明内容
本公开为了解决上述问题，提出了一种基于随机场景的综合能源 系统优化设计方法及系统，构建了物理场景模型，通过物理场景模型 获取年度运行场景信息，通过内外双循环嵌套的方式，对获取的年度 运行场景进行分析，获取设备的最优容量和设备的最优运行方式。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种基于随机场景的综合能源系统优化设计方 法，包括：
获取时间信息和天气信息，将时间信息和天气信息输入场景模型 中，输出负荷信息和能源资源信息，获取年度运行场景；
采用内外双循环嵌套的方式，对获取的年度运行场景进行分析， 获取设备的最优容量和最优运行方式，其中，内循环以实时性能最优 为目标，获取年度各运行场景中设备的最优运行方式，外循环以全局 性能最优为目标，在内循环获取的设备的最优运行方式的基础上，获 取设备的最优容量。
第二方面，提出了一种基于随机场景的综合能源系统优化设计系 统，包括：
年度运行场景获取模块，用于获取时间信息和天气信息，将时间 信息和天气信息输入场景模型中，输出负荷信息和能源资源信息，获 取年度运行场景；
设别的最优容量和最优运行方式获取模块，用于采用内外双循环 嵌套的方式，对获取的年度运行场景进行分析，获取设备的最优容量 和最优运行方式，其中，内循环以实时性能最优为目标，获取年度各 运行场景中设备的最优运行方式，外循环以全局性能最优为目标，在 内循环获取的设备的最优运行方式的基础上，获取设备的最优容量。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储 在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理 器运行时，完成一种基于随机场景的综合能源系统优化设计方法所述 的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指 令，所述计算机指令被处理器执行时，完成一种基于随机场景的综合 能源系统优化设计方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开以用户的功能、建筑、地理等属性作为常量输入，以 时间、天气作为变量输入，以用户负荷和可用资源为输出，通过历史 数据训练多层神经网络，建立多层次场景模型，通过多层次场景模型 能够获取最符合真实运行场景的年度运行场景，基于获取的该年度运 行场景设计的能源系统性能最优。
2、本公开以双循环随机优化设计方法，协同优化系统的设备容 量和实时运行，大量随机场景的使用保持了系统设计中面临的随机性 和多样性，有效的提升了系统设计的准确性和可靠性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下 面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步 理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对 本申请的不当限定。
图1为本公开实施例1公开的多层次物理场景模型框图；
图2为本公开实施例1公开的多层次物理场景模型中神经网络结 构图；
图3为本公开实施例1公开的内外双循环嵌套的随机优化方法流 程图；
图4为本公开实施例1中涉及案例的建筑分布图；
图5为本公开实施例1中涉及案例的综合能源系统结构图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
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。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖 直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的 方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而 确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本 公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表 示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接 相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术 人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能 理解为对本公开的限制。
实施例1
为了解决目前系统设计方法中运行场景单调和连续性不足的问 题，获得更好的综合能源系统设计方案，在该实施例中，公开了一种 基于随机场景的综合能源系统优化设计方法，包括：
获取时间信息和天气信息，将时间信息和天气信息输入训练好的 场景模型中，输出负荷信息和能源资源信息，获取年度运行场景；
采用内外双循环嵌套的方式，对获取的年度运行场景进行分析， 获取设备的最优容量和最优运行方式，其中，内循环以实时性能最优 为目标，获取年度各运行场景中设备的最优运行方式，外循环以全局 性能最优为目标，在内循环获取的设备的最优运行方式的基础上，获 取设备的最优容量。
进一步的，场景模型采用神经网络模型，神经网络模型的变量输 入为时间信息和天气信息，常量输入为地址信息、管网信息和建筑信 息，输出为负荷信息和能源资源信息。
进一步的，随机选取年度周期内的日期，根据选取日期，获得时 间信息，为每个日期随机选定一个历史年份，获得天气信息。
进一步的，当运行场景中包含多个建筑时，为每个建筑构建场景 模型。
进一步的，采用遗传算法对内外循环进行求解，获取设备的最优 容量和设备的最优运行方式。
进一步的，采用遗传算法对外循环进行求解的过程为：
设置优化变量；
初始化样本种群和初始化全年场景；
基于当前年度运行场景，调用内循环，获取当前样本种群中各个 样本的设备运行性能；
根据样本的设备运行性能对样本进行评价，获取样本寿命；
当样本寿命到达设定值，或评价次数到达上限时，外循环终止。
进一步的，采用遗传算法对内循环进行求解的过程为：
设置样本中各个设备的容量；
在年度运行场景中，按照时间顺序依次选择各个运行场景，用于 当前样本的运行优化；
基于当前样本中的设备容量和当前场景中的资源、负荷，获得最 优的设备运行性能。
结合图1-图5对本实施例公开的一种基于随机场景的综合能源 系统优化设计方法进行详细说明。
本实施例公开的一种基于随机场景的综合能源系统优化设计方 法，用于以提升全生命周期内的综合性能，一方面，本发明将综合能 源系统的运行场景划分为多个层次，建立多层次物理场景模型，该模 型以场景的地址层、管网层、建筑层属性作为常量输入，以时间层、 天气层属性作为变量输入，以负荷层和资源层为变量输出，通过历史 数据训练多个神经网络用于描述输入量和输出量的关系。另一方面， 本发明提出了用于综合能源系统设计的随机优化方法，采用内外双循 环嵌套的优化方式，协同优化系统的容量和运行。外循环以设备容量 为变量，以全局性能为优化目标，多次随机生成大量运行场景，优化 系统的各容量配置方案。内循环以设备出力为变量，以实时性能为优 化目标，优化某容量配置方案在各个场景中的运行方案。
其中，以全年运行成本最低为全局性能优化目标，以实时运行成 本最低为实时性能优化目标，对一种基于随机场景的综合能源系统优 化设计方法进行详细说明。
一、多层次物理场景的建模
本发明根据综合能源系统运行场景的物理特征，将场景信息划分 为七个层次，分别为地址层、管网层、建筑层、时间层、天气层、能 耗层和资源层。多层次物理场景模型通过描述能耗层和资源层与其他 各层的信息对应关系，从而获得综合能源系统运行时所需的负荷数据 和能源数据。这里假设地址层、管网层、建筑层的信息在全生命周期 内是固定的，并将其作为常量输入。而时间层的信息是周期性的，天 气层的信息同时具备一定的随机性和周期性，因此作为变量输入。能 耗层和资源层作为变量输出。通过历史数据训练多个神经网络以描述 输入与输出的对应关系。多层次物理场景模型中的层次关系如图1所示。
地址层中包含的数据类型为：省、市、区；
管网层中包含的数据类型为：距离、价格、流量、功率；
建筑层中包含的数据类型为：数量、类型、面积、人员；
时间层中包含的数据类型为：日期、小时、工休；
天气层中包含的数据类型为：温度(℃)、降水(mm)；
能耗层中包含的数据类型为：电负荷(kW)、热负荷(kW)、冷 负荷(kW)；
资源层中包含的数据类型为：太阳能(kW/m2)、风速(m/s)；
综合能源系统运行场景中通常含有多个建筑，每个建筑的材料、 结构、空间、用途、人员等属性不同，需要为各个建筑分别训练神经 网络描述其用能负荷和可用资源。因此，一个多层次物理场景模型中 含有多个神经网络。基于时间层、天气层、能耗层和资源层的信息类 型，设置神经网络层次数量和节点数量，并使用历史数据对各个神经 网络进行训练。某建筑的单层神经网络的训练过程如图2所示。
其中，输入条目包括时间层和天气层的信息，输出条目包括能耗 层的信息。模型的公式化表示为：
(loads，resources)＝Neuralnetwork(time，weather)
其中，loads，resources分别表示用户负荷和能源资源， time，weather分别表示时间信息和天气信息，Neuralnetwork表示神 经网络。
二、全生命周期中的运行场景
综合能源系统的全生命周期大约为20年，场景数量庞大，特征 多样。系统优化设计中，需要对这些场景进行筛选，以降低优化难度 和计算量。场景筛选时，主要考虑变量特征，即时间层、天气层、能 耗层和资源层的数据。因此本发明基于多层次场景模型和概率函数， 在年度周期内随机选取一定数量的日期，拼接各个日期的场景特征， 得到年度运行场景，用于系统优化设计。
具体来说，时间层数据和天气层数据都是基于概率函数选取的。 时间层数据中，日期的概率密度函数为均匀分布。根据所需天数的不 同，在季节内或月份选取适当的日期。当所需天数为4至20时，可 在各个季节中平均选择。当所需天数大于20时，可在各个月份中平 均选择。全部日期选定后，根据日期的先后顺序进行排列，得到时间 层的日期、小时、工休数据。天气层数据中，年份的概率密度函数为 均匀分布。基于时间层选定的日期，为每个日期随机选定一个历史年 份，进而在历史数据中得到每个日期的温度、晴雨数据。
场景生成时，需依次输入各个场景的时间层数据和天气层数据到 神经网络模型中，获取整个场景的用户负荷和可用资源，其中，用户 负荷指用户端额冷热电等能源需求量，能源资源信息指的是光照、风 速、燃气、电网等可用能源量。
本实施例以用户的功能、建筑、地理等属性作为常量输入，以时 间、天气作为变量输入，以用户负荷和可用资源为输出，通过历史数 据训练多层神经网络，建立多层次场景模型，通过多层次场景模型能 够获取最符合真实运行场景的年度运行场景，基于获取的该年度运行 场景设计的能源系统性能最优。
三、综合能源系统的随机优化设计方法
本发明所提出的综合能源系统设计的随机优化方法，如图3所示， 采用内外双循环嵌套的优化方式，协同优化系统的容量和运行。外循 环以设备容量为变量，在全生命周期中随机生成运行场景，以全局性 能为优化目标，优化系统的各容量配置方案。内循环以设备出力为变 量，以实时性能为优化目标，获取某容量配置方案在各个运行场景的 最优运行方式，进而获取整个年度某容量配置方案所有运行场景的最 优运行方式。
外循环中，种群中的样本设置了寿命属性，当样本寿命达到特定 数值后，外部环节结束，该样本为系统的各容量配置方案。外部环节 主要分为以下步骤：
1)设置优化变量。将系统中待优化设备的容量设为优化变量， 其他设备的容量设为常量。
2)初始化样本种群。根据优化变量的数量，设置样本种群规模 的大小，并为种群中各个样本的优化变量随机赋值，完成样本中群初 始化。样本种群规模一般为优化变量数量的10倍左右。初始化的样 本种群中的样本的寿命设置为0。
3)初始化全年场景。根据优化设计的精确度需求，设置全年场 景中的常量数量，并随机生成各个场景，完成全年场景的初始化。
4)获取样本性能。基于当前全年场景，调用内循环，依次获取 当前样本种群中各个样本的最优运行性能。
5)样本优劣评价。获取到当前样本种群中全部样本的最优运行 性能后，对样本性能进行评价排序。对于排序靠前的优秀样本，每个 样本的寿命加一。
6)判断终止条件。判断是否存在寿命到达要求的样本，以及评 价次数是否达到上限。如果两者都不满足，则继续外循环的后续步骤。 如果满足某一条件，则终止外循环，以寿命最高的样本为最优设计方 案。
7)更新样本种群。基于样本优劣排结果，保留排序靠前的优秀 样本，删除其他样本，并填补新的样本。新样本由保留的优秀样本随 机修改而得，新样本的寿命设置为0。
8)更新全年场景。根据场景数量和场景模型，随机生成新的全 年场景，用于下一次评价，然后回到外循环的第4步。
内循环中，基于当前全年场景，优化选定样本在每个场景中的运 行性能，并得到该样本在全年场景的整体性能。
1)选取样本。在样本种群中依次选择样本，根据选定样本中容 量变量的数值，设置样本中各个设备的容量。
2)起始场景。在年度场景中，按照时间顺序依次选择各个场景， 用于当前样本的运行优化。
3)优化出力方案。基于当前样本中的设备容量和当前场景中的 资源、负荷，优化各个设备的出力，获得最佳的实时性能，也就是说 根据资源的可用量，负荷的需求量，及设备容量(最大功率)的约束， 在多个可行的出力方案中，选择实时性能最佳的运行方式和性能。
4)判断最终场景。若当前场景为全年场景中最后一个场景，则 终止内循环，并计算当前样本的年度性能。否则，选择下一个场景并 回到内循环的第3步，继续内循环。
选择某商务度假园区为用户，如图4所示，包括行政办公楼、餐 饮楼、住宿楼、会议中心、休闲景区，用能需求包括供电、热水、供 暖和制冷。案例中选择的综合能源系统如图5所示，包括光伏、风机、 发电机组、吸收式制冷机、热力锅炉、电制冷机、储能电池、储热水箱。该系统属于分布式系统，接入电网运行。
根据多层次场景建模方法，采用5年的历史数据，分别训练各个 用能建筑的神经网络，得到用户的场景模型，并进行模型检验，检验 数据如表1所示。其中特征输入矩阵依次表示日期、小时、工休、晴 雨、温度，输出矩阵依次表示电负荷、冷负荷、热负荷、光资源、风 资源。
表1设备价格数据
将训练后的场景模型用于优化方法中，为综合能源系统配置容量。 在外循环的容量优化中，场景数量设置为21天，理想寿命为15年， 优化变量为发电机组、吸收式制冷机、热力锅炉、电制冷机、储能电 池、储热水箱的容量，优化目标为全年成本最低。在内循环的运行优 化中，优化变量为6个设备的出力，优化目标为实时运行成本最低。 优化过程中，内外循环均采用遗传算法求解。外循环的种群规模设置 为50，迭代次数为200。内循环的种群规模设置为50，迭代次数为 50。优化过程中使用的数据参数如表2表3所示。
表2设备价格数据
表3电网燃料数据
经过外循环173次的迭代评价，得到3个寿命为15年的样本， 外部循环终止，所得最优设计方案如表4所示。
表4容量配置的优化结果
本发明适用于综合能源系统的优化设计，创新性归纳如下：
以用户的功能、建筑、地理等属性作为常量输入，以时间、天气 作为变量输入，以用户负荷和可用资源为输出，通过历史数据训练多 层神经网络，建立多层次场景模型；
以双循环随机优化设计方法，协同优化系统的设备容量和实时运 行，大量随机场景的使用保持了系统设计中面临的随机性和多样性， 有效的提升了系统设计的准确性和可靠性。
该实施例提出的一种基于随机场景的综合能源系统优化设计方 法，仅以运行成本最低为目标进行了说明，当将运行成本为优化目标， 替换为建设成本、污染物排放等为优化目标，设计综合能源系统时， 内外循环的设计方法同样适用。
实施例2
在该实施例中，公开了一种基于随机场景的综合能源系统优化设 计系统，包括：
年度运行场景获取模块，用于获取时间信息和天气信息，将时间 信息和天气信息输入场景模型中，输出负荷信息和能源资源信息，获 取年度运行场景；
设别的最优容量和最优运行方式获取模块，用于采用内外双循环 嵌套的方式，对获取的年度运行场景进行分析，获取设备的最优容量 和最优运行方式，其中，内循环以实时性能最优为目标，获取年度各 运行场景中设备的最优运行方式，外循环以全局性能最优为目标，在 内循环获取的设备的最优运行方式的基础上，获取设备的最优容量。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及 存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被 处理器运行时，完成实施例1公开的一种基于随机场景的综合能源系 统优化设计方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算 机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种 基于随机场景的综合能源系统优化设计方法所述的步骤。
以上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。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系 统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序 指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图 和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理 设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处 理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数 据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计 算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理 设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产 生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图一个流程或多个流程和/或方框图一个方框 或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而 非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属 领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进 行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等 同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于随机场景的综合能源系统优化设计方法，其特征在于，包括：
获取时间信息和天气信息，采用内外双循环嵌套的方式，对获取的年度运行场景进行分析，获取设备的最优容量和最优运行方式，其中，内循环以实时性能最优为目标，获取年度各运行场景中设备的最优运行方式，外循环以全局性能最优为目标，在内循环获取的设备的最优运行方式的基础上，获取设备的最优容量；
所述外循环以设备容量为变量，在全生命周期的迭代过程中，使用场景模型多次随机生成年度运行场景，通过内循环获得不同容量配置方案的性能指标，进而筛选出最优容量配置方案；所述内循环以设备出力为变量，基于外循环给定的设备容量和年度运行场景，获取某容量配置方案在各个运行场景的最优运行方式，进而获取整个年度运行场景的最优运行方式及性能指标；
双循环中外循环的求解过程为：
设置优化变量；
初始化样本种群和初始化全年场景；
随机获取年度日期，并匹配时间信息和天气信息，将时间信息和天气信息输入场景模型中，输出负荷信息和能源资源信息，获取年度运行场景；基于当前年度运行场景，调用内循环，获取当前样本种群中各个样本的最优的设备运行性能；
根据样本的最优的设备运行性能对样本进行评价，获取样本寿命；
当样本寿命到达设定值，或评价次数到达上限时，外循环终止；
否则更新样本种群、更新全年场景；
双循环中内循环的求解过程为：
设置样本中各个设备的容量；
在年度运行场景中，按照时间顺序依次选择各个运行场景，用于当前样本的运行优化；
基于当前样本中的设备容量和当前场景中的资源、负荷，获得最优的设备实时运行性能。
2.如权利要求1所述的一种基于随机场景的综合能源系统优化设计方法，其特征在于，场景模型采用神经网络模型，神经网络模型的变量输入为时间信息和天气信息，常量输入为地址信息、管网信息和建筑信息，输出为负荷信息和能源资源信息。
3.如权利要求1所述的一种基于随机场景的综合能源系统优化设计方法，其特征在于，随机选取年度周期内的日期，根据选取日期，获得时间信息，为每个日期随机选定一个历史年份，获得天气信息。
4.如权利要求1所述的一种基于随机场景的综合能源系统优化设计方法，其特征在于，当运行场景中包含多个建筑时，为每个建筑构建场景模型。
5.如权利要求1所述的一种基于随机场景的综合能源系统优化设计方法，其特征在于，采用遗传算法对内外循环进行求解，获取设备的最优容量和设备的最优运行方式。
6.一种基于随机场景的综合能源系统优化设计系统，包括：
年度运行场景获取模块，用于获取时间信息和天气信息，将时间信息和天气信息输入场景模型中，输出负荷信息和能源资源信息，获取年度运行场景；
设别的最优容量和最优运行方式获取模块，用于采用内外双循环嵌套的方式，对获取的年度运行场景进行分析，获取设备的最优容量和最优运行方式，其中，内循环以实时性能最优为目标，获取年度各运行场景中设备的最优运行方式，外循环以全局性能最优为目标，在内循环获取的设备的最优运行方式的基础上，获取设备的最优容量；
所述外循环以设备容量为变量，在全生命周期的迭代过程中，使用场景模型多次随机生成年度运行场景，通过内循环获得不同容量配置方案的性能指标，进而筛选出最优容量配置方案；所述内循环以设备出力为变量，基于外循环给定的设备容量和年度运行场景，获取某容量配置方案在各个运行场景的最优运行方式，进而获取整个年度运行场景的最优运行方式及性能指标；
双循环中外循环的求解过程为：
设置优化变量；
初始化样本种群和初始化全年场景；
随机获取年度日期，并匹配时间信息和天气信息，将时间信息和天气信息输入场景模型中，输出负荷信息和能源资源信息，获取年度运行场景；
基于当前年度运行场景，调用内循环，获取当前样本种群中各个样本的最优的设备运行性能；
根据样本的最优的设备运行性能对样本进行评价，获取样本寿命；
当样本寿命到达设定值，或评价次数到达上限时，外循环终止；
否则更新样本种群、更新全年场景；
双循环中内循环的求解过程为：
设置样本中各个设备的容量；
在年度运行场景中，按照时间顺序依次选择各个运行场景，用于当前样本的运行优化；
基于当前样本中的设备容量和当前场景中的资源、负荷，获得最优的设备实时运行性能。
7.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项所述的一种基于随机场景的综合能源系统优化设计方法的步骤。
8.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的一种基于随机场景的综合能源系统优化设计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110390384.2A CN113222214B (zh) | 2021-04-12 | 2021-04-12 | 一种基于随机场景的综合能源系统优化设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110390384.2A CN113222214B (zh) | 2021-04-12 | 2021-04-12 | 一种基于随机场景的综合能源系统优化设计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222214A CN113222214A (zh) | 2021-08-06 |
| CN113222214B true CN113222214B (zh) | 2022-11-01 |
Family
ID=77087166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110390384.2A Active CN113222214B (zh) | 2021-04-12 | 2021-04-12 | 一种基于随机场景的综合能源系统优化设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222214B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN111181201A (zh) * | 2020-02-21 | 2020-05-19 | 清华大学 | 基于双层强化学习的多能园区调度方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110912204B (zh) * | 2019-11-20 | 2021-06-25 | 天津大学 | 一种适用于热电耦合太阳能联产的惯性功率协调控制系统 |
| CN111049136B (zh) * | 2019-12-31 | 2023-11-24 | 青海能高新能源有限公司 | 电/热/冷三联储综合能源系统及方法 |
| CN111404183B (zh) * | 2020-04-22 | 2021-07-02 | 南方电网科学研究院有限责任公司 | 区域综合能源系统多元储能协同配置方法、程序、系统与应用 |
-
2021
- 2021-04-12 CN CN202110390384.2A patent/CN113222214B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN111181201A (zh) * | 2020-02-21 | 2020-05-19 | 清华大学 | 基于双层强化学习的多能园区调度方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "可再生能源冷热电联供系统两级优化设计研究";张立志;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190915;第3章 * |
| "基于天气信息的短期冷热电负荷联合预测方法";马得银 等;《电网技术》;20210331;第45卷(第3期);第2节，图2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222214A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | A review of simulation-based urban form generation and optimization for energy-driven urban design | |
| Jafari-Marandi et al. | A distributed decision framework for building clusters with different heterogeneity settings | |
| CN111401665B (zh) | 协同优化的综合能源系统设计方案的获取方法和系统 | |
| CN108206543A (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 | |
| CN110363353A (zh) | 一种分布式综合能源系统的优化设计和调度方法及系统 | |
| CN111612273A (zh) | 一种区域级综合能源系统分区设计方法及系统 | |
| Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
| CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
| CN117556696A (zh) | 一种高计算效率的中深层地热耦合相变储热系统设计优化方法 | |
| Hirvonen et al. | Neural network metamodelling in multi-objective optimization of a high latitude solar community | |
| Habib et al. | Combined heat and power units sizing and energy cost optimization of a residential building by using an artificial bee colony algorithm | |
| CN113723793A (zh) | 园区综合能源系统的实现方法、装置、设备和介质 | |
| CN113222214B (zh) | 一种基于随机场景的综合能源系统优化设计方法及系统 | |
| CN117748444A (zh) | 一种配电系统的运行模拟方法 | |
| Du et al. | A data-driven home energy scheduling strategy under the uncertainty in photovoltaic generations | |
| CN116502921A (zh) | 一种园区综合能源系统优化管理系统及其协调调度方法 | |
| 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 | |
| CN116258335A (zh) | 基于改进麻雀算法的低碳综合能源多阶段优化配置方法 | |
| CN110135094A (zh) | 一种基于收缩空间和声算法的虚拟电厂优化调度方法 | |
| CN115173477A (zh) | 一种基于受端电网的新能源消纳能力优化方法 | |
| CN112116131B (zh) | 计及碳排放的综合能源系统多层级优化方法 | |
| CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 | |
| CN113131464A (zh) | 一种基于混沌蛙跳算法的多能源协同优化方法和存储介质 | |
| KR101778599B1 (ko) | 건물 태양열시스템 최적화 설계방법 | |
| Qi et al. | MOSAIC: A Multi-Objective Optimization Framework for Sustainable Datacenter Management |
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 |