CN113346556A - 一种面向冷库的光伏储能容量配置方法及系统 - Google Patents
一种面向冷库的光伏储能容量配置方法及系统 Download PDFInfo
- Publication number
- CN113346556A CN113346556A CN202110635121.3A CN202110635121A CN113346556A CN 113346556 A CN113346556 A CN 113346556A CN 202110635121 A CN202110635121 A CN 202110635121A CN 113346556 A CN113346556 A CN 113346556A
- Authority
- CN
- China
- Prior art keywords
- equipment
- refrigeration
- cost
- storage
- photovoltaic
- 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
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 141
- 238000004146 energy storage Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 claims abstract description 249
- 238000013178 mathematical model Methods 0.000 claims abstract description 73
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 44
- 239000002245 particle Substances 0.000 claims abstract description 34
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 24
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims description 43
- 230000005611 electricity Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000093 extraction electrospray ionisation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000007704 transition Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 239000011541 reaction mixture Substances 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及光伏储能容量的优化配置技术领域,提供一种面向冷库的光伏储能容量配置方法及系统。本申请首先获取光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型,并建立以系统年经济成本最小和二氧化碳排放量最小为目标的多目标函数;然后通过构建功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束,建立多目标规划模型;对所述多目标规划模型中的多目标函数进行归一化处理后,再进行线性加权;最后利用粒子群算法对制冷系统设备进行规划配置,从而降低冷库制冷系统的总成本,减少二氧化碳排放量,提高可再生能源的利用率。
Description
技术领域
本申请涉及光伏储能容量的优化配置技术领域,尤其涉及一种面向冷库的光伏储能容量配置方法及系统。
背景技术
目前,制冷设备主要包括家用电冰箱、空调、冷库、冷藏车和制冰机,随着社会的智能化发展,不仅制冷设备的用电量超过总用电量的15%,而且制冷设备中使用制冷剂所产生的气体排放也对环境造成了严重影响。
冷库作为一种通过人工手段为物品创造一定温度环境的制冷贮藏设备,虽然其不断发展给人们的日常生活、生产和工作都带来了极大的便利,但部分冷库存在设备陈旧老化以及制冷系统缺乏节能措施等问题,导致冷库成为制冷设备领域中的能源消耗大户。
现有技术中,针对冷库制冷系统的节能改造,越来越多地运用光伏发电等新型可再生能源技术进行优化配置。由于光伏发电具有波动性、随机性和间歇性,易造成供电不稳定及能源浪费问题,因而通常需要引入储能设备以保障供电的稳定。目前,应用最为广泛的储能设备是蓄电设备,故将光伏发电和蓄电设备协同运行,是当前制冷系统采用的主要手段。然而,尽管蓄电设备技术日益成熟,但蓄电设备的成本较高,导致整个制冷系统的总成本也较高。
发明内容
为了克服现有技术的不足,本申请旨在提供一种面向冷库的光伏储能容量配置方法及系统,通过建立以系统成本最小和二氧化碳排放量最小为目标的混合整数规划模型,从而实现储能设备的合理配置。
为了实现上述目的,一方面,本申请提供一种面向冷库的光伏储能容量配置方法,具体包括:
获取冷库的制冷系统模型,所述制冷系统模型包括光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型。
所述光伏组件的数学模型为:
PPV=APVGSηPV[1+αPV(TPV-TSTC)]
其中,PPV为光伏阵列输出电功率,APV为光伏阵列安装面积,ηPV为光伏发电转换效率,GS为太阳光照强度,αPV为功率温度系数,TPV为光伏电池板表面温度,TSTC为标准测试条件温度。
所述制冷设备为电制冷机,所述电制冷机的数学模型为:
Pt EC,cool=COPECPt EC,elec
其中,Pt EC,cool为t时刻电制冷机的输出冷功率,COPEC为电制冷机制冷系数,Pt EC,elec为t时刻电制冷机的输入电功率。
所述蓄电设备为蓄电池,所述蓄电池的数学模型为:
其中,为t时刻蓄电池的存储电能,为蓄电池的自损耗系数,ηEESc为蓄电池的充电效率,Pt EESc为t时刻蓄电池的充电功率,ηEESd为蓄电池的放电效率;Pt EESd为t时刻蓄电池的放电功率,Δt为充放电时长。
所述冷储设备为冰蓄冷,所述冰蓄冷的数学模型为:
根据预设的成本参数构建冷库制冷系统的成本目标函数,以及根据二氧化碳排放量构建冷库制冷系统的环保目标函数,所述成本参数包括设备初始投资成本、设备运行维护成本、购电成本和补贴成本,所述成本目标函数和所述环保目标函数构成多目标函数,所述多目标函数具体表示为:
获取光伏阵列实际输出电功率和冷负荷功率,并根据所述光伏组件的数学模型、所述电制冷机的数学模型、所述蓄电池的数学模型和所述冰蓄冷的数学模型,构建约束条件,所述约束条件包括功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束。
基于所述功率平衡约束、所述光伏组件运行约束、所述制冷设备运行约束、所述蓄电设备运行约束和所述冷储设备运行约束,根据所述多目标函数,建立多目标规划模型。
对所述多目标规划模型中的多目标函数进行归一化处理后,通过线性加权和法,获得单目标规划模型。
利用粒子群算法对所述单目标规划模型进行求解,获得所述光伏阵列安装面积,以及对所述制冷系统设备进行容量规划配置,所述容量规划配置为所述电制冷机配置容量、所述蓄电设备配置容量和所述冷储设备配置容量。
进一步的,所述设备初始投资成本包括光伏组件的年初始投资成本CPV,in、制冷设备的年初始投资成本CEC,in、蓄电设备的年初始投资成本CEES,in和冷储设备的年初始投资成本CCES,in,具体表示为:
Cin=CPV,in+CEC,in+CEES,in+CCES,in。
具体的,所述光伏组件的年初始投资成本CPV,in具体表示为:
其中,IPV为光伏组件的初始单位投资成本,r为贴现率,nPV为光伏组件的使用寿命。
具体的,所述制冷设备的年初始投资成本CEC,in具体表示为:
其中,QEC为电制冷机配置容量,IEC为电制冷机的初始单位投资成本,nEC为电制冷机的使用寿命。
具体的,所述蓄电设备的年初始投资成本CEES,in具体表示为:
其中,QEES为蓄电设备配置容量,IEES为蓄电设备的初始单位投资成本,nEES为蓄电设备的使用寿命。
具体的,所述冷储设备的年初始投资成本CCES,in具体表示为:
其中,QCES为冷储设备配置容量,ICES为冷储设备的初始单位投资成本,nCES为冷储设备的使用寿命。
进一步的,所述设备运行维护成本包括光伏组件的运行维护成本CPV,om、制冷设备的运行维护成本CEC,om、蓄电设备的运行维护成本CEES,om和冷储设备的运行维护成本CCES,om,具体表示为:
Com=CPV,om+CEC,om+CEES,om+CCES,om。
进一步的,所述对所述多目标规划模型中的多目标函数进行归一化处理采用线性加权和法。
第二方面,本申请还提供一种面向冷库的光伏储能容量配置系统,具体包括:
模型获取单元,用于获取冷库的制冷系统模型,所述制冷系统模型包括光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型;所述制冷设备为电制冷机,所述蓄电设备为蓄电池,所述冷储设备为冰蓄冷。
目标函数构建单元,用于根据预设的成本参数构建冷库制冷系统的成本目标函数,以及用于根据二氧化碳排放量构建冷库制冷系统的环保目标函数,所述成本参数包括设备初始投资成本、设备运行维护成本、购电成本和补贴成本,所述成本目标函数和所述环保目标函数构成多目标函数,所述多目标函数为所述成本目标函数最小化和所述环保目标函数最小化;
约束条件构建单元,用于获取光伏阵列实际输出电功率和冷负荷功率,并根据所述光伏组件的数学模型、所述电制冷机的数学模型、所述蓄电池的数学模型和所述冰蓄冷的数学模型,构建约束条件,所述约束条件包括功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束。
规划模型建立单元,用于基于所述功率平衡约束、所述光伏组件运行约束、所述制冷设备运行约束、所述蓄电设备运行约束和所述冷储设备运行约束,根据所述多目标函数,建立多目标规划模型。
归一化处理单元,用于对所述多目标规划模型中的多目标函数进行归一化处理后,通过线性加权和法,获得单目标规划模型。
规划配置单元,用于利用粒子群算法对所述单目标规划模型进行求解,获得所述光伏阵列安装面积,以及对所述制冷系统设备进行容量规划配置,所述容量规划配置为所述电制冷机配置容量、所述蓄电设备配置容量和所述冷储设备配置容量。
进一步的,所述设备初始投资成本为光伏组件的年初始投资成本与制冷设备的年初始投资成本、蓄电设备的年初始投资成本以及冷储设备的年初始投资成本之和;所述设备运行维护成本为光伏组件的运行维护成本与制冷设备的运行维护成本、蓄电设备的运行维护成本以及冷储设备的运行维护成本之和。
本申请提供一种面向冷库的光伏储能容量配置方法及系统,首先获取光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型,并建立以系统年经济成本最小和二氧化碳排放量最小为目标的多目标函数;然后通过构建功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束,建立多目标规划模型;对所述多目标规划模型中的多目标函数进行归一化处理后,再进行线性加权;最后利用粒子群算法对制冷系统设备进行规划配置,从而降低冷库制冷系统的总成本,减少二氧化碳排放量,提高可再生能源的利用率。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请实施例提供的一种面向冷库的光伏储能容量配置流程示意图;
图2为本申请实施例提供的光伏混合储能系统结构示意图;
图3为本申请实施例提供的过渡季负荷情况示意图;
图4为本申请实施例提供的夏季负荷情况示意图;
图5为本申请实施例提供的冬季负荷情况示意图;
图6为本申请实施例提供的光伏协同混合储能过渡季的电功率优化结果示意图;
图7为本申请实施例提供的光伏协同混合储能过渡季的冷功率优化结果示意图;
图8为本申请实施例提供的光伏协同混合储能夏季的电功率优化结果示意图;
图9为本申请实施例提供的光伏协同混合储能夏季的冷功率优化结果示意图;
图10为本申请实施例提供的光伏协同混合储能冬季的电功率优化结果示意图;
图11为本申请实施例提供的光伏协同混合储能冬季的冷功率优化结果示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行完整、清楚的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,为本申请实施例提供的一种面向冷库的光伏储能容量配置方法流程示意图。本申请实施例第一方面提供一种面向冷库的光伏储能容量配置方法,具体包括:
步骤S1:获取冷库的制冷系统模型,所述制冷系统模型包括光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型。
步骤S101:考虑环境温度影响和太阳光照强度,所述光伏组件的数学模型为:
PPV=APVGSηPV[1+αPV(TPV-TSTC)] (1)
式(1)中,APV为光伏阵列安装面积,单位为:m2;ηPV为光伏发电转换效率;GS为太阳光照强度,单位为:kW/m2;αPV为功率温度系数,单位为:%/℃;TPV为光伏电池板表面温度,单位为:℃;TSTC为标准测试条件温度,本申请实施例中取值为25℃。
步骤S102:所述制冷设备为电制冷机,电制冷机可以利用电能转换为冷能,供给冷负荷,所述电制冷机的数学模型为:
Pt EC,cool=COPECPt EC,elec (2)
式(2)中,Pt EC,cool为t时刻电制冷机的输出冷功率,单位为:kW;COPEC为电制冷机制冷系数;Pt EC,elec为t时刻电制冷机的输入电功率,单位为:kW。
步骤S103:所述蓄电设备为蓄电池,由于蓄电池具有技术成熟、价格低、可大量存储电能的特点,并且可利用充放电功率及充放电效率表示蓄电设备的电能储存和释放,故所述蓄电池的数学模型为:
式(3)中,为t时刻蓄电池的存储电能,单位为:kWh;为蓄电池的自损耗系数;ηEESc为蓄电池的充电效率;Pt EESc为t时刻蓄电池的充电功率,单位为:kWh;ηEESd为蓄电池的放电效率;Pt EESd为t时刻蓄电池的放电功率,单位为:kWh;Δt为充放电时长。
步骤S104:所述冷储设备为冰蓄冷,由于冷蓄冷具有不受场地影响、适用于区域供冷的特点,所述冰蓄冷的数学模型为:
式(4)中,为t时刻冰蓄冷存储的冷能,单位为:kWh;为冰蓄冷的自损耗系数;ηCESc为冰蓄冷的蓄冷效率;Pt CESc为t时刻冰蓄冷的蓄冷功率,单位为:kW;ηCESd为冰蓄冷的释冷效率;Pt CESd为t时刻冰蓄冷的释冷功率,单位为:kW。
步骤S2:根据预设的成本参数构建冷库制冷系统的成本目标函数,以及根据二氧化碳排放量构建冷库制冷系统的环保目标函数,所述成本参数包括设备初始投资成本、设备运行维护成本、购电成本和补贴成本,所述成本目标函数和所述环保目标函数构成多目标函数,所述多目标函数具体表示为:
进一步的,所述设备初始投资成本包括光伏组件的年初始投资成本CPV,in、制冷设备的年初始投资成本CEC,in、蓄电设备的年初始投资成本CEES,in和冷储设备的年初始投资成本CCES,in,具体表示为:
Cin=CPV,in+CEC,in+CEES,in+CCES,in (6)
具体的,所述光伏组件的年初始投资成本CPV,in具体表示为:
式(7)中,IPV为光伏组件的初始单位投资成本,单位为:元/m2;r为贴现率,nPV为光伏组件的使用寿命,单位为:年。
具体的,所述制冷设备的年初始投资成本CEC,in具体表示为:
式(8)中,QEC为电制冷机配置容量,单位为:kW;IEC为电制冷机的初始单位投资成本,单位为:元/kW;nEC为电制冷机的使用寿命,单位为:年。
具体的,所述蓄电设备的年初始投资成本CEES,in具体表示为:
式(9)中,QEES为蓄电设备配置容量,单位为:kW;IEES为蓄电设备的初始单位投资成本,单位为:元/kW;nEES为蓄电设备的使用寿命,单位为:年。
具体的,所述冷储设备的年初始投资成本CCES,in具体表示为:
式(10)中,QCES为冷储设备配置容量,单位为:kW;ICES为冷储设备的初始单位投资成本,单位为:元/kW;nCES为冷储设备的使用寿命,单位为:年。
进一步的,所述设备运行维护成本包括光伏组件的运行维护成本CPV,om、制冷设备的运行维护成本CEC,om、蓄电设备的运行维护成本CEES,om和冷储设备的运行维护成本CCES,om,具体表示为:
Com=CPV,om+CEC,om+CEES,om+CCES,om (11)
具体的,所述光伏组件的运行维护成本CPV,om表示为:
具体的,所述制冷设备的运行维护成本CEC,om表示为:
式(13)中,λEC为电制冷机的单位运行成本,单位为:元/kWh。
具体的,所述蓄电设备的运行维护成本CEES,om表示为:
式(14)中,λEES为蓄电设备的单位运行成本,单位为:元/kWh。
具体的,所述冷储设备的运行维护成本CCES,om表示为:
式(15)中,λCES为冷储设备的单位运行成本,单位为:元/kWh。
进一步的,所述购电成本Cgrid具体表示为:
进一步的,所述光伏补贴收益BPV具体表示为:
式(17)中,ISPV为当地光伏补贴价格,单位为:元/kWh。
式(18)中,EFCO2为标准煤的二氧化碳排放因子,单位为:kg-CO2/kgce;φ为电能折标煤系数,单位为:kgce/kWh。
步骤S3:参见图2,为本申请实施例提供的光伏混合储能系统结构示意图,从图上可以看出整个制冷系统由电网、光伏和蓄电设备供电,由制冷设备和冷储设备供冷,所以通过获取电负荷功率和冷负荷功率,并根据所述光伏组件的数学模型、所述电制冷机的数学模型、所述蓄电池的数学模型和所述冰蓄冷的数学模型,构建约束条件,所述约束条件包括功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束。
步骤S301:构建功率平衡等式约束,具体表示为:
步骤S302:构建光伏组件运行约束,具体表示为:
步骤S303:构建制冷设备运行约束,具体表示为:
步骤S304:构建蓄电设备运行约束,蓄电设备需要同时满足储电量约束和充放电功率约束,为保证蓄电设备循环利用,需要限制蓄电设备初始与结束时储电量使其满足能量守恒,为了蓄电设备可长期利用,需要设置蓄电设备储电量的上下限约束,以及蓄电设备的充放电功率需要满足上下限约束,具体表示为:
步骤S305:构建冷储设备运行约束,冷储设备需要同时满足储冷量约束和充放冷功率约束,为保证冷储设备循环利用,需要限制冷储设备初始与结束时储冷量使其满足能量守恒,为了冷储设备可长期利用,需要设置冷储设备储冷量的上下限约束,以及冷储设备的充放冷功率需要满足上下限约束,具体表示为:
步骤S4:基于所述功率平衡约束、所述光伏组件运行约束、所述制冷设备运行约束、所述蓄电设备运行约束和所述冷储设备运行约束,根据所述多目标函数,建立多目标规划模型。
步骤S5:对所述多目标规划模型中的多目标函数进行归一化处理后,通过线性加权和法,将多目标规划模型转换成单目标规划模型。在多目标的优化问题上,通常存在多目标项目制约的情况,所以在求解的过程中常会出现某一个或者几个目标函数达到了最优但是其他目标不是最优状态,所以需要在多个目标中进行优先选择某一个或者某几个目标达到最优而其他目标进行迁就,然后从这些解中选择最优解,通常此过程被称为帕累托(Pareto)最优。Pareto最优是指部分目标在保证较优的状态迁就某一个或者几个目标函数达到最优状态,从而使整体达到最优的情况。
如果多个目标要实现Pareto最优可以采用不同方法,例如分层序列、层次分析、化多为少等方法,其中化多为少因方法简单易懂较为常用,化多为少方法又可以细分为乘除法、平法和加权法及线性加权和法等。在本申请的部分实施例中,采用线性加权和法。
线性加权和法是指对多个目标加上权系数得到新的目标函数,结合式(5),新的目标函数可表示为:
式(24)中,a1和a2为权系数,由于a1与a2之和为1,所以只需要确定一个值即可。
但是,如果目标函数具有不同的量纲,就不能简单地对各个目标函数附加权重然后求和,本申请实施例中采用的两个目标函数,一个是系统的成本及收益,单位是元,另一个是系统二氧化碳排放量,单位是吨,两个目标函数具有不同的量纲,为了将两者进行加权,需要调整两个目标函数。对于不同量纲的目标函数,有些是求解最小化目标函数,有些是求解最大化目标函数,本申请实施例将所有目标函数统一成最小值形式,所以将目标函数值分为值大于0和值小于0的情况,皆可采用桂玉华的方法进行处理,具体表示为:
综上,对多目标函数进行归一化处理后,获得归一化规划模型,具体表示为:
步骤S6:利用粒子群算法对所述单目标规划模型进行求解,获得所述光伏阵列安装面积,以及对所述制冷系统设备进行容量规划配置,所述容量规划配置为所述电制冷机配置容量、所述蓄电设备配置容量和所述冷储设备配置容量。
粒子群算法类似于鸟群觅食,采用了“速度-位移”模型,整个群体都由粒子组成,粒子存在位置、速度和适应值,粒子会根据自己及其他粒子的经验改变自己的位置,每个粒子搜索适应值最优的位置作为个体最优,所有粒子中适应值最优的个体最优作为全局最优,通过寻求个体最优和全局最优,粒子群算法会快速收敛,具体流程如下:
步骤S601:对群体中的粒子进行初始化。
步骤S602:计算并记录每个粒子的适应值。
步骤S603:计算并记录每个粒子的最优位置和群体中最优粒子位置。
步骤S604:利用公式更新粒子的速度和位置。
粒子的速度方程为:
粒子的位置方程为:
式(27)和式(28)中,为第k次迭代时粒子i第j维的速度;为第k次迭代时粒子i第j维的位置;ω为惯性权重;D1和D2为加速因子,取值为0~4;R1、R2为[0,1]之间随机数;为粒子i第j维的最优位置;为j维内最优粒子的位置。
步骤S605:重新计算并记录每个粒子的适应值,更新其最优位置。
步骤S606:比较所有的粒子最优位置,更新最优的粒子位置。
步骤S607:如果满足了最大迭代次数或者预设的适应值,则停止搜索并输出,否则返回步骤S604。
以下将通过具体实施例,对本申请实施例所提供的一种面向冷库的光伏储能容量配置方法进行详细阐述。
本实施例选用某冷库过渡季、夏季和冬季的负荷数据,将目前常使用的光伏协同蓄电设备与本申请提出的光伏协同混合储能设备两种方法的优化配置结果进行对比。图3、图4和图5分别为过渡季、夏季和冬季的负荷情况,表1至表3为选用的基础数据,配置结果如表4所示。
表1能源转换设备
表2储能设备
表3分时电价
表4配置结果对比
由表4的配置结果可知,在冷库制冷系统中考虑光伏协同混合储能具有可行性,相比光伏协同蓄电设备在满足负荷需求的同时,减少了蓄电设备的配置,不仅可以提高经济性,还能够减少二氧化碳排放量。
参见图6至图11,分别为过渡季、夏季和冬季典型日光伏协同混合储能后优化功率平衡示意图。其中,图6为光伏协同混合储能过渡季的电功率优化结果,图7为光伏协同混合储能过渡季的冷功率优化结果;图8为光伏协同混合储能夏季的电功率优化结果,图9为光伏协同混合储能夏季的冷功率优化结果;图10为光伏协同混合储能冬季的电功率优化结果,图11为光伏协同混合储能冬季的冷功率优化结果。
由图6、图8和图10观察可知,未配置冷储设备时,冷库制冷系统会选择在电价低谷或可再生能源充足时刻对蓄电设备进行能量存储,在电价高峰时刻蓄电设备释放能量,相比其他两个季节,蓄电设备在夏季的出力偏高。
由图7、图9和图11观察可知,配置冷储设备后,冷库制冷系统选择在电价低谷时刻和午间光照充足即可再生能源富裕的时刻,增大电制冷机用能功率,然后转换成冷功率,存入冷储设备中,在电价高峰时刻释放冷储设备的冷功率,分担电制冷机的压力,实现对冷能的“削峰填谷”。
综上所述,本申请实施例首先根据冷库实际环境和储能设备的运行特性,采用光伏协同混合储能设备进行配置,其中储能设备包括蓄电设备和冷储设备,建立了光伏组件、制冷设备、蓄电设备和冷储设备的数学模型;其次,建立了以系统成本和二氧化碳排放量为目标的多目标函数;然后,建立包括功率平衡、光伏出力、蓄电设备的蓄电量及其充放电功率和冷储设备的储冷量及其充放冷功率的约束条件;对多目标函数归一化处理后,再进行线性加权;最后利用粒子群算法实现制冷系统设备的规划配置,进而降低系统的总成本,减少二氧化碳排放,提高可再生能源的利用率。
本申请实施例第二方面提供一种面向冷库的光伏储能容量配置系统,用于执行本申请实施例第一方面提供的一种面向冷库的光伏储能容量配置方法,对于本申请实施例第二方面提供的面向冷库的光伏储能容量配置系统中未公开的细节,请参见本申请实施例第一方面提供的面向冷库的光伏储能容量配置方法。
所述一种面向冷库的光伏储能容量配置系统,具体包括:模型获取单元、目标函数构建单元、约束条件构建单元、规划模型建立单元、归一化处理单元和规划配置单元。
所述模型获取单元,用于获取冷库的制冷系统模型,所述制冷系统模型包括光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型;所述制冷设备为电制冷机,所述蓄电设备为蓄电池,所述冷储设备为冰蓄冷。
所述目标函数构建单元,用于根据预设的成本参数构建冷库制冷系统的成本目标函数,以及用于根据二氧化碳排放量构建冷库制冷系统的环保目标函数,所述成本参数包括设备初始投资成本、设备运行维护成本、购电成本和补贴成本,所述成本目标函数和所述环保目标函数构成多目标函数,所述多目标函数为所述成本目标函数最小化和所述环保目标函数最小化。
进一步的,所述设备初始投资成本为光伏组件的年初始投资成本与制冷设备的年初始投资成本、蓄电设备的年初始投资成本以及冷储设备的年初始投资成本之和;所述设备运行维护成本为光伏组件的运行维护成本与制冷设备的运行维护成本、蓄电设备的运行维护成本以及冷储设备的运行维护成本之和。
所述约束条件构建单元,用于获取光伏阵列实际输出电功率和冷负荷功率,并根据所述光伏组件的数学模型、所述电制冷机的数学模型、所述蓄电池的数学模型和所述冰蓄冷的数学模型,构建约束条件,所述约束条件包括功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束。
所述规划模型建立单元,用于基于所述功率平衡约束、所述光伏组件运行约束、所述制冷设备运行约束、所述蓄电设备运行约束和所述冷储设备运行约束,根据所述多目标函数,建立多目标规划模型。
所述归一化处理单元,用于对所述多目标规划模型中的多目标函数进行归一化处理后,通过线性加权和法,获得单目标规划模型。
所述规划配置单元,用于利用粒子群算法对所述单目标规划模型进行求解,获得所述光伏阵列安装面积,以及对所述制冷系统设备进行容量规划配置,所述容量规划配置为所述电制冷机配置容量、所述蓄电设备配置容量和所述冷储设备配置容量。
由上述技术方案可知,本申请提供一种面向冷库的光伏储能容量配置方法及系统,首先获取光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型,并建立以系统年经济成本最小和二氧化碳排放量最小为目标的多目标函数;然后通过构建功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束,建立多目标规划模型;对所述多目标规划模型中的多目标函数进行归一化处理后,再进行线性加权;最后利用粒子群算法对制冷系统设备进行规划配置,从而降低冷库制冷系统的总成本,减少二氧化碳排放量,提高可再生能源的利用率。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种面向冷库的光伏储能容量配置方法,其特征在于,包括:
获取冷库的制冷系统模型,所述制冷系统模型包括光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型;
所述光伏组件的数学模型为:
PPV=APVGSηPV[1+αPV(TPV-TSTC)]
其中,PPV为光伏阵列输出电功率,APV为光伏阵列安装面积,ηPV为光伏发电转换效率,GS为太阳光照强度,αPV为功率温度系数,TPV为光伏电池板表面温度,TSTC为标准测试条件温度;
所述制冷设备为电制冷机,所述电制冷机的数学模型为:
所述蓄电设备为蓄电池,所述蓄电池的数学模型为:
所述冷储设备为冰蓄冷,所述冰蓄冷的数学模型为:
根据预设的成本参数构建冷库制冷系统的成本目标函数,以及根据二氧化碳排放量构建冷库制冷系统的环保目标函数,所述成本参数包括设备初始投资成本、设备运行维护成本、购电成本和补贴成本,所述成本目标函数和所述环保目标函数构成多目标函数,所述多目标函数具体表示为:
获取光伏阵列实际输出电功率和冷负荷功率,并根据所述光伏组件的数学模型、所述电制冷机的数学模型、所述蓄电池的数学模型和所述冰蓄冷的数学模型,构建约束条件,所述约束条件包括功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束;
基于所述功率平衡约束、所述光伏组件运行约束、所述制冷设备运行约束、所述蓄电设备运行约束和所述冷储设备运行约束,根据所述多目标函数,建立多目标规划模型;
对所述多目标规划模型中的多目标函数进行归一化处理后,通过线性加权和法,获得单目标规划模型;
利用粒子群算法对所述单目标规划模型进行求解,获得所述光伏阵列安装面积,以及对所述制冷系统设备进行容量规划配置,所述容量规划配置为所述电制冷机配置容量、所述蓄电设备配置容量和所述冷储设备配置容量。
2.根据权利要求1所述的一种面向冷库的光伏储能容量配置方法,其特征在于,所述设备初始投资成本包括光伏组件的年初始投资成本CPV,in、制冷设备的年初始投资成本CEC,in、蓄电设备的年初始投资成本CEES,in和冷储设备的年初始投资成本CCES,in,具体表示为:
Cin=CPV,in+CEC,in+CEES,in+CCES,in。
7.根据权利要求1所述的一种面向冷库的光伏储能容量配置方法,其特征在于,所述设备运行维护成本包括光伏组件的运行维护成本CPV,om、制冷设备的运行维护成本CEC,om、蓄电设备的运行维护成本CEES,om和冷储设备的运行维护成本CCES,om,具体表示为:
Com=CPV,om+CEC,om+CEES,om+CCES,om。
8.一种面向冷库的光伏储能容量配置系统,其特征在于,所述光伏储能容量配置系统用于执行权利要求1-7所述的一种面向冷库的光伏储能容量配置方法,包括:
模型获取单元,用于获取冷库的制冷系统模型,所述制冷系统模型包括光伏组件的数学模型、制冷设备的数学模型、蓄电设备的数学模型和冷储设备的数学模型;所述制冷设备为电制冷机,所述蓄电设备为蓄电池,所述冷储设备为冰蓄冷;
目标函数构建单元,用于根据预设的成本参数构建冷库制冷系统的成本目标函数,以及用于根据二氧化碳排放量构建冷库制冷系统的环保目标函数,所述成本参数包括设备初始投资成本、设备运行维护成本、购电成本和补贴成本,所述成本目标函数和所述环保目标函数构成多目标函数,所述多目标函数为所述成本目标函数最小化和所述环保目标函数最小化;
约束条件构建单元,用于获取光伏阵列实际输出电功率和冷负荷功率,并根据所述光伏组件的数学模型、所述电制冷机的数学模型、所述蓄电池的数学模型和所述冰蓄冷的数学模型,构建约束条件,所述约束条件包括功率平衡约束、光伏组件运行约束、制冷设备运行约束、蓄电设备运行约束和冷储设备运行约束;
规划模型建立单元,用于基于所述功率平衡约束、所述光伏组件运行约束、所述制冷设备运行约束、所述蓄电设备运行约束和所述冷储设备运行约束,根据所述多目标函数,建立多目标规划模型;
归一化处理单元,用于对所述多目标规划模型中的多目标函数进行归一化处理后,通过线性加权和法,获得单目标规划模型;
规划配置单元,用于利用粒子群算法对所述单目标规划模型进行求解,获得所述光伏阵列安装面积,以及对所述制冷系统设备进行容量规划配置,所述容量规划配置为所述电制冷机配置容量、所述蓄电设备配置容量和所述冷储设备配置容量。
9.根据权利要求8所述的一种面向冷库的光伏储能容量配置系统,其特征在于,所述设备初始投资成本为光伏组件的年初始投资成本与制冷设备的年初始投资成本、蓄电设备的年初始投资成本以及冷储设备的年初始投资成本之和。
10.根据权利要求8所述的一种面向冷库的光伏储能容量配置系统,其特征在于,所述设备运行维护成本为光伏组件的运行维护成本与制冷设备的运行维护成本、蓄电设备的运行维护成本以及冷储设备的运行维护成本之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635121.3A CN113346556B (zh) | 2021-06-08 | 2021-06-08 | 一种面向冷库的光伏储能容量配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635121.3A CN113346556B (zh) | 2021-06-08 | 2021-06-08 | 一种面向冷库的光伏储能容量配置方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113346556A true CN113346556A (zh) | 2021-09-03 |
CN113346556B CN113346556B (zh) | 2023-05-26 |
Family
ID=77475055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635121.3A Active CN113346556B (zh) | 2021-06-08 | 2021-06-08 | 一种面向冷库的光伏储能容量配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113346556B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852110A (zh) * | 2021-09-23 | 2021-12-28 | 南京铭晶电力科技有限公司 | 一种基于制冷系统的光伏储能容量规划方法 |
CN118214079A (zh) * | 2024-05-20 | 2024-06-18 | 国文电气股份有限公司 | 一种光储充荷检一体化智能微电网系统及其控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014105987A (ja) * | 2012-11-30 | 2014-06-09 | Sumitomo Metal Mining Co Ltd | 冷凍冷蔵室用発電装置及びそれを備えた冷凍冷蔵車輌 |
CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供系统优化运行的线性化方法 |
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
CN109146182A (zh) * | 2018-08-24 | 2019-01-04 | 南京理工大学 | 计及多种储能的分布式冷热电联供系统的经济调度方法 |
CN111191820A (zh) * | 2019-12-17 | 2020-05-22 | 国网浙江省电力有限公司 | 一种综合能源系统中储能装置的选址定容优化规划方法 |
CN112165122A (zh) * | 2020-09-02 | 2021-01-01 | 中国电力科学研究院有限公司 | 一种综合能源系统的运行方法及系统 |
CN112329988A (zh) * | 2020-10-16 | 2021-02-05 | 杭州鸿晟电力设计咨询有限公司 | 一种基于园区可调能力分析的需求侧响应计算方法 |
CN112364556A (zh) * | 2020-11-27 | 2021-02-12 | 国网河北省电力有限公司经济技术研究院 | 基于多能互补的智慧能源优化配置方法及终端设备 |
-
2021
- 2021-06-08 CN CN202110635121.3A patent/CN113346556B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014105987A (ja) * | 2012-11-30 | 2014-06-09 | Sumitomo Metal Mining Co Ltd | 冷凍冷蔵室用発電装置及びそれを備えた冷凍冷蔵車輌 |
CN105676646A (zh) * | 2016-03-11 | 2016-06-15 | 国网天津市电力公司 | 一种冷热电联供系统优化运行的线性化方法 |
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
CN109146182A (zh) * | 2018-08-24 | 2019-01-04 | 南京理工大学 | 计及多种储能的分布式冷热电联供系统的经济调度方法 |
CN111191820A (zh) * | 2019-12-17 | 2020-05-22 | 国网浙江省电力有限公司 | 一种综合能源系统中储能装置的选址定容优化规划方法 |
CN112165122A (zh) * | 2020-09-02 | 2021-01-01 | 中国电力科学研究院有限公司 | 一种综合能源系统的运行方法及系统 |
CN112329988A (zh) * | 2020-10-16 | 2021-02-05 | 杭州鸿晟电力设计咨询有限公司 | 一种基于园区可调能力分析的需求侧响应计算方法 |
CN112364556A (zh) * | 2020-11-27 | 2021-02-12 | 国网河北省电力有限公司经济技术研究院 | 基于多能互补的智慧能源优化配置方法及终端设备 |
Non-Patent Citations (1)
Title |
---|
朱晗: ""基于DER-CAM的开发与改进对分布式能源系统的运行策略优化研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852110A (zh) * | 2021-09-23 | 2021-12-28 | 南京铭晶电力科技有限公司 | 一种基于制冷系统的光伏储能容量规划方法 |
CN118214079A (zh) * | 2024-05-20 | 2024-06-18 | 国文电气股份有限公司 | 一种光储充荷检一体化智能微电网系统及其控制方法 |
CN118214079B (zh) * | 2024-05-20 | 2024-08-20 | 国文电气股份有限公司 | 一种光储充荷检一体化智能微电网系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113346556B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105928292B (zh) | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 | |
CN105337303B (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
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 | |
WO2022193794A1 (zh) | 考虑退役电池的智能社区微网超多目标能量管理方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN111144707A (zh) | 基于能源枢纽的多能源系统协同规划建模方法 | |
CN110659788A (zh) | 一种用户侧综合能源系统的供需平衡分析方法和系统 | |
CN112600253B (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 | |
CN112069720A (zh) | 一种综合能源系统及其运行优化方法 | |
CN110311371A (zh) | 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法 | |
CN111639819B (zh) | 一种综合能源园区多阶段优化控制方法 | |
CN113346556A (zh) | 一种面向冷库的光伏储能容量配置方法及系统 | |
CN111768032A (zh) | 基于双模式热泵储能协调的综合能源系统双层优化方法 | |
KR20130074045A (ko) | 마이크로그리드 기반의 수용가 에너지 관리 방법 및 시스템 | |
CN112417651A (zh) | 一种基于后悔规避的用户级综合能源系统优化方法 | |
CN114757414A (zh) | 一种考虑供需不确定性的综合能源系统鲁棒优化规划方法 | |
CN116227739B (zh) | 计及能效的含热泵与电热混合储能的建筑微能源网双层优化配置方法 | |
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 | |
CN114881280A (zh) | 一种基于双层优化算法的光伏建筑能量分析方法 | |
Lv et al. | Optimization of building microgrid energy system based on virtual energy storage | |
Shi et al. | Economic operation of industrial microgrids with multiple kinds of flexible loads | |
CN113949082A (zh) | 一种工业园区能源日前调度方法及装置 | |
Yiru et al. | A modified particle swarm optimization based algorithm for the energy management strategy of a regional integrated energy system | |
CN107482670B (zh) | 电动汽车和恒温冷库就地协同消纳分布式发电优化方法 | |
Zhou et al. | Building energy flexibility analysis: case studies and demonstration |
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 |