CN113469412A - 一种综合能源系统实时运行策略优化方法及系统 - Google Patents
一种综合能源系统实时运行策略优化方法及系统 Download PDFInfo
- Publication number
- CN113469412A CN113469412A CN202110616649.6A CN202110616649A CN113469412A CN 113469412 A CN113469412 A CN 113469412A CN 202110616649 A CN202110616649 A CN 202110616649A CN 113469412 A CN113469412 A CN 113469412A
- Authority
- CN
- China
- Prior art keywords
- load
- energy system
- cold
- optimization
- real
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013486 operation strategy Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 39
- 230000005611 electricity Effects 0.000 claims description 27
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 22
- 238000005286 illumination Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 11
- 239000003345 natural gas Substances 0.000 claims description 11
- 241000039077 Copula Species 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000002918 waste heat Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- -1 period Chemical class 0.000 claims description 5
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 5
- 239000000809 air pollutant Substances 0.000 claims description 4
- 231100001243 air pollutant Toxicity 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 230000008901 benefit Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
本发明公开了一种综合能源系统实时运行策略优化方法及系统，其中优化方法包括以下步骤：建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；建立多维度综合能源系统评价体系；以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价体系确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略；本发明利用多种优化方法进行协同优化能更快速、准确地得到综合能源系统最优的运行策略。
Description
技术领域
本发明属于综合能源系统运行策略优化技术领域，特别涉及一种综合能源系统实时运行策略优化方法及系统。
背景技术
综合能源系统作为新一代能源系统的重要组成，集成了多种形式的供能、能量转换和储能设备，在源、网、荷等不同环节实现了不同类型能源的耦合，梯级利用能源，从而提升能源效率。
良好且可靠的运行策略是保证综合能源系统整体效率和性能的关键，由于电、冷、热负荷随时间不断变化且变化具有不同步性，综合能源系统不宜采用单一的运行策略，运行策略应实时优化调整，与负荷需求更好的协调。因此，准确的负荷预测是进行综合能源系统运行策略优化的首要前提，目前已有的单一负荷预测方法大多数是基于传统机器学习算法和深度学习算法，传统机器学习算法具有高效的特点，深度学习算法的预测准确性更高，目前的预测方法难以兼顾高效性和准确性。此外，单一负荷预测方法无法应对不同类型负荷间的复杂耦合关系。
在综合能源系统运行策略优化中，目标函数和优化方法是影响运行策略优化的重要因素，目前的目标函数更多考虑系统的经济效益、环境效益，基于可靠性的目标函数较少，且难以兼顾快速性。目标函数中考虑的性能指标越全面，得出的运行策略越能均衡综合能源系统的各方面效益。
发明内容
针对上述问题，本发明提供一种综合能源系统实时运行策略优化方法及系统，利用多种优化方法进行协同优化能更快速、准确地得到最优的运行策略，为综合能源系统的实时运行服务。
一种综合能源系统实时运行策略优化方法，包括以下步骤：
建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；
建立多维度综合能源系统评价体系；
以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价体系确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略。
进一步的，建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷，具体如下：
S11：收集区域t时刻前一定时间段内的湿度、温度、降雨量、光照强度和风速数据；
收集区域t时刻前一定时间段内的综合能源系统电负荷、冷负荷和热负荷数据；
S12：将湿度、温度、降雨量、光照强度、风速和历史的电负荷、热负荷、冷负荷作为训练输入数据；
将电负荷、热负荷、冷负荷作为训练输出数据；
通过脉冲时间编码方式对训练输入和输出数据进行编码；
S13：建立结合门控循环单元的脉冲神经网络模型，并通过编码后的训练数据进行训练；
S14：以t时刻的湿度、温度、降雨量、光照强度、风速和t－1时刻电、热、冷负荷输入到训练完成的改进脉冲神经网络中，得出t时刻电、热、冷负荷Le,t、Lh,t、Lc,t。
进一步的，建立多维度综合能源系统评价体系，包括以下步骤：
计算系统t时刻周期内运行成本Poc,t；
计算系统t时刻周期内能源总利用率ηt；
计算系统t时刻周期内减排量△Et；
计算系统t时刻的供能能力St。
进一步的，计算系统t时刻周期内运行成本Poc,t，具体如下：
Poc,t＝Ce,tEb,t+Cg,tGb,t
式中，Ce,t和Cg,t分别为t时刻的实时电价和天然气价，Eb,t和Gb,t分别为t时刻周期内电能和天然气的购买量。
进一步的，计算系统t时刻周期内能源总利用率ηt，具体如下：
式中，Eo,t、Ho,t和Co,t分别为周期内系统输出电量、热量、冷量，Eb,t和Gb,t分别为t时刻周期内电能和天然气的购买量。
进一步的，计算系统t时刻周期内减排量△Et，具体如下：
△Et＝Etps,t-Eies,t
式中，Etps,t和Eies,t分别为传统分产系统和综合能源系统的空气污染物排放量。
进一步的，计算系统t时刻的供能能力St，具体如下：
St＝μeQe,t+μhQh,t+μcQc,t
式中，μe,μc和μh分别为电、冷、热能的供给重要程度，在本实施例中电、冷、热能供给重要程度相等，均为三分之一；Qe,t、Qc,t、Qh,t分别当电、冷、热输出电量，当电、冷、热输出电量大于等于电、冷、热负荷时为1，否则为0。
进一步的，以电、冷、热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略，具体包括以下步骤：
S31：对多维度综合能源系统评价体系中的各个评价指标加权得出综合能源系统的目标函数Jt，以Jt为目标函数，将得出的电、冷、热t时刻的预测负荷Le,t、Lh,t、Lc,t作为基础条件，光伏出力取预测出力PVt，对t时刻燃气轮机、余热锅炉、补燃锅炉、电网、储能电池的出力进行寻优求解；
S32：利用Copula分布估计算法进行第一阶段的寻优；
S33：在第一阶段寻优结果的基础上，利用差分进化算法和遗传算法进行第二阶段的协同优化；
S34：对得出的全局最优解进行解码，得出t时刻参与优化各机组的出力。
进一步的，综合能源系统的目标函数Jt，具体如下：
Jt＝ω1Poc,t+ω2ηt+ω3△Et+ω4St
式中，ω1,ω2,ω3和ω4分别为Poc,t,ηt,△Et和St的权重系数。
进一步的，利用Copula分布估计算法进行第一阶段的寻优，具体如下：
随机产生规模为N的初始种群并求该种群中个体的适应度，选择出p个优秀个体，具体如下：
zi＝(zi1,…,ziD),i＝1,2,…,p
计算第d∈{1,2,…,D}维的边缘正态分布函数Fd(z)，具体如下：
式中，
根据Sklar定理构建Copula函数C(u1,…ud)，具体如下：
根据拉丁超立法采样方法从C(u1,…ud)中采样m个个体，随机产生N－p－m个新个体，将采样产生的m个、选择出的p个、随机产生的N－p－m个个体构造为新一代种群，循环Tmax＝100代，结束第一阶段寻优。
进一步的，在第一阶段寻优结果的基础上，利用差分进化算法和遗传算法进行第二阶段的协同优化，具体包括以下步骤：
S331：将第一阶段的寻优得到的最优种群随机划分为Gde,0和Gga，0两个子种群；
S332：差分进化算法以Gde,0为初始种群通过向量间的差分差异寻求更优子代种群，遗传算法以Gga，0为初始种群通过对个体的染色体交叉变异寻求更优子代种群，将差分进化算法和遗传算法得出的子代种群进行组合选择出最优子代种群；
S333：将最优子代种群随机划分为Gde,i和Gga,i，重复S332，直到得出全局最优解。
本发明还提供一种综合能源系统实时运行策略优化系统，包括：
第一建立模块，用于建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；
第二建立模块，用于建立多维度综合能源系统评价体系；
优化求解模块，用于以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略。
进一步的，所述第一建立模块包括：
编码模块，用于将湿度、温度、降雨量、光照强度、风速和历史的电负荷、热负荷、冷负荷作为训练输入数据，电负荷、热负荷、冷负荷作为训练输出数据，并通过脉冲时间编码方式对训练输入和输出数据进行编码；
训练模块，用于建立结合门控循环单元的脉冲神经网络模型，并通过编码后的训练数据进行训练；
数据处理模块，用于以t时刻的湿度、温度、降雨量、光照强度、风速和t－1时刻电、热、冷负荷输入到训练完成的改进脉冲神经网络中，得出t时刻电、热、冷负荷。
进一步的，所述第二建立模块包括：
第一计算模块，用于计算系统t时刻周期内运行成本；
第二计算模块，用于计算系统t时刻周期内能源总利用率；
第三计算模块，用于计算系统t时刻周期内减排量；
第四计算模块，用于计算系统t时刻的供能能力。
本发明的有益效果：
1.在第三代人工神经网络——脉冲神经网络中融合门控循环单元，建立综合能源系统多元负荷联合预测模型，利用脉冲神经网络特有的多突触结构及时间编码的方式和门控循环单元对时间序列信号的强表征能力处理多元负荷间的海量耦合信息，高效准确地得出电、冷、热预测负荷。
2.对综合能源系统建立基于经济性、能效性、环保性、可靠性的多维度评价体系，3.综合考虑系统经济效益、供能质量、能耗效率、节能减排等方面效益。
3.利用准确的实时电、冷、热预测负荷，同时考虑系统的经济性、能效性、环保性、可靠性前提下，通过两阶段合作协同进化算法优化综合能源系统实时运行策略，在第一阶段，利用Copula分布估计算法快速定位有潜力的寻优区域；在第二阶段，利用差分进化算法和遗传算法协同开展局部细搜索，最终得出参与优化的各机组的最优出力。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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示出了现有的综合能源系统的结构示意图；
图2示出了根据本发明实施例的一种综合能源系统实时运行策略优化方法的流程示意图；
图3示出了根据本发明实施例的结合门控循环单元的脉冲神经网络多元负荷预测模型图；图中，SRM为脉冲反应模型(Spike Response Model，SRM)，GRU为门控循环单元(Gate Recurrent Unit，GRU)；
图4示出了根据本发明实施例的两阶段合作协同进化综合能源系统运行策略优化算法流程图；
图5示出了根据本发明实施例的一种综合能源系统实时运行策略优化系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，图1示出了现有的综合能源系统的结构示意图，综合能源系统包括电网、光伏发电机组、储能电池、电负荷、气网、燃气轮机、余热锅炉、补燃锅炉、热交换器、吸收式制冷机、热负荷和冷负荷。
电负荷与电网、光伏发电机组、储能电池、燃气轮机连接；储能电池还与光伏发电机组、燃气轮机连接。
气网与燃气轮机、补燃锅炉连接，气网的天然气进入补燃锅炉燃烧。燃气轮机还与余热锅炉连接，燃气轮机的高温烟气进入余热锅炉。余热锅炉和补燃锅炉产生的蒸汽分别进入热交换器、吸收式制冷机，热交换器与热负荷连接，吸收式制冷机与冷负荷连接。
基于上述综合能源系统，请参阅图2，图2示出了根据本发明实施例的一种综合能源系统实时运行策略优化方法的流程示意图，本发明提供一种综合能源系统实时运行策略优化方法，包括以下步骤：
建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；
建立多维度综合能源系统评价体系；
以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略。
建立综合能源系统多元负荷联合预测模型，利用脉冲神经网络特有的多突触结构及时间编码的方式和门控循环单元对时间序列信号的强表征能力处理多元负荷间的海量耦合信息，高效准确地得出电、冷、热预测负荷。
对综合能源系统建立基于经济性、能效性、环保性、可靠性的多维度评价体系，综合考虑系统经济效益、供能质量、能耗效率、节能减排等方面效益。
利用准确的实时电、冷、热预测负荷，同时考虑系统的经济性、能效性、环保性、可靠性前提下，通过两阶段合作协同进化算法优化综合能源系统实时运行策略，最终得出参与优化的各机组的最优出力。
建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷，具体如下：
S11：收集区域t时刻前一定时间段内的湿度、温度、降雨量、光照强度和风速数据；
收集区域t时刻前一定时间段内的综合能源系统电负荷、冷负荷和热负荷数据；
S12：将湿度、温度、降雨量、光照强度、风速和历史的电负荷、热负荷、冷负荷作为训练输入数据，电负荷、热负荷、冷负荷作为训练输出数据，并通过脉冲时间编码方式对训练输入和输出数据进行编码；
S13：利用门控循环单元替代传统脉冲神经网络中的全连接结构，建立结合门控循环单元的脉冲神经网络模型，并通过编码后的训练数据进行训练；
请参阅图3，图3示出了根据本发明实施例的结合门控循环单元的脉冲神经网络多元负荷预测模型图，图中，SRM为脉冲反应模型(Spike Response Model，SRM)，GRU为门控循环单元(Gate Recurrent Unit，GRU)。
将将湿度、温度、降雨量、光照强度、风速等气象数据和历史的电负荷数据、热负荷数据、冷负荷数据作为训练输入数据，输入到多个GRU中，多个GRU相互关联，多个GRU将输入数据分别输送至SRM进行训练，得出输出数据，输出数据包括电负荷、热负荷和冷负荷。
S14：以t时刻的湿度、温度、降雨量、光照强度、风速和t－1时刻电、热、冷负荷输入到训练完成的改进脉冲神经网络中，得出t时刻电、热、冷负荷Le,t、Lh,t、Lc,t。
综合考虑系统经济效益、供能质量、能耗效率、节能减排方面，建立结合经济性、能效性、环保性、可靠性的多维度综合能源系统评价体系。建立多维度综合能源系统评价体系，具体如下：
计算系统t时刻周期内运行成本Poc,t，Poc,t为周期内系统购买天然气及电量的成本，具体如下：
Poc,t＝Ce,tEb,t+Cg,tGb,t
式中，Ce,t和Cg,t分别为t时刻的实时电价和天然气价，Eb,t和Gb,t分别为t时刻周期内电能和天然气的购买量。
计算系统t时刻周期内能源总利用率ηt，ηt为系统产生的冷热电量与输入系统的总能之比，具体如下：
式中，Eo,t、Ho,t和Co,t分别为周期内系统输出电量、热量、冷量，Eb,t和Gb,t分别为t时刻周期内电能和天然气的购买量。
计算系统t时刻周期内减排量△Et，△Et为系统与分产系统相比减少的空气污染物排放量，具体如下：
△Et＝Etps,t-Eies,t
式中，Etps,t和Eies,t分别为传统分产系统和综合能源系统的空气污染物排放量。
计算系统t时刻的供能能力St，St为电、冷、热能源供给期望Qe,t、Qc,t、Qh,t按不同权重的求和，具体如下：
St＝μeQe,t+μhQh,t+μcQc,t
式中，μe,μc和μh分别为电、冷、热能的供给重要程度，在本实施例中电、冷、热能供给重要程度相等，均为三分之一；Qe,t、Qc,t、Qh,t分别当电、冷、热输出电量，当电、冷、热输出电量大于等于电、冷、热负荷时为1，否则为0。
以电、冷、热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对系统内各机组的逐时出力进行优化求解，请参阅图4，图4示出了根据本发明实施例的两阶段合作协同进化综合能源系统运行策略优化算法流程图，得出综合能源系统的实时运行策略，具体如下：
S31：对多维度综合能源系统评价体系中的各个评价指标加权得出综合能源系统的目标函数Jt，具体如下：
Jt＝ω1Poc,t+ω2ηt+ω3△Et+ω4St
式中，ω1,ω2,ω3和ω4分别为Poc,t,ηt,△Et和St的权重系数。
以Jt为目标函数，将得出的电、冷、热t时刻的预测负荷Le,t、Lh,t、Lc,t作为基础条件，光伏出力取预测出力PVt，对t时刻燃气轮机、余热锅炉、补燃锅炉、电网、储能电池的出力进行寻优求解。
S32：利用Copula分布估计算法进行第一阶段的寻优，随机产生规模为N的初始种群并求该种群中个体的适应度，选择出p个优秀个体，具体如下：
zi＝(zi1,…,ziD),i＝1,2,…,p
计算第d∈{1,2,…,D}维的边缘正态分布函数Fd(z)，具体如下：
式中，
根据Sklar定理构建Copula函数C(u1,…ud)，具体如下：
根据拉丁超立法采样方法从C(u1,…ud)中采样m个个体，随机产生N－p－m个新个体，将采样产生的m个、选择出的p个、随机产生的N－p－m个个体构造为新一代种群，循环Tmax＝100代，结束第一阶段寻优。
S33：在第一阶段寻优结果的基础上，利用差分进化算法和遗传算法进行第二阶段的协同优化，具体包括以下步骤：
S331：将第一阶段的寻优得到的最优种群随机划分为Gde,0和Gga，0两个子种群；
S332：差分进化算法以Gde,0为初始种群通过向量间的差分差异寻求更优子代种群，遗传算法以Gga，0为初始种群通过对个体的染色体交叉变异寻求更优子代种群，将上述两种方法得出的子代种群进行组合选择出最优子代种群；
S333：将最优子代种群随机划分为Gde,i和Gga,i，重复S332，直到得出全局最优解。
差分进化算法和遗传算法优化为常见的优化算法，本领域技术人员应当理解，具体说明不再赘述，不影响本领域技术人员对本发明技术方案的理解。
S34：对得出的全局最优解进行解码，得出t时刻参与优化各机组的出力，如表1所示，表1为t时刻综合能源系统各机组的出力，从而确定t时刻综合能源系统的运行策略。
表1 t时刻综合能源系统各机组的出力
优化算法中采用的编码方式为浮点数编码，优化得出的最优解是一个n维数组(实例中n为6)，数组中的每一元素的数值代表某一设备t时刻的出力值。因此，解码过程即为把数组中的每一元素取出，作为对应设备的出力值。
本实施例中优化过程为最大化优化，即目标函数值越大，其对应的解越优。因此，最优解即为目标函数值最大对应的解，在寻优过程中目标函数Jt值无法增大时，对应的解为最优解。
根据上述综合能源系统实时运行策略优化方法，本发明还提供一种综合能源系统实时运行策略优化系统，请参阅图5，图5示出了根据本发明实施例的一种综合能源系统实时运行策略优化系统的结构示意图，系统包括：
第一建立模块，用于建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；
第二建立模块，用于建立多维度综合能源系统评价体系；
优化求解模块，用于以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略。
具体的，第一建立模块包括：
编码模块，用于将湿度、温度、降雨量、光照强度、风速和历史的电负荷、热负荷、冷负荷作为训练输入数据，电负荷、热负荷、冷负荷作为训练输出数据，并通过脉冲时间编码方式对训练输入和输出数据进行编码；
训练模块，用于建立结合门控循环单元的脉冲神经网络模型，并通过编码后的训练数据进行训练；
数据处理模块，用于以t时刻的湿度、温度、降雨量、光照强度、风速和t－1时刻电、热、冷负荷输入到训练完成的改进脉冲神经网络中，得出t时刻电、热、冷负荷。
具体的，第二建立模块包括：
第一计算模块，用于计算系统t时刻周期内运行成本；
第二计算模块，用于计算系统t时刻周期内能源总利用率；
第三计算模块，用于计算系统t时刻周期内减排量；
第四计算模块，用于计算系统t时刻的供能能力。
系统各模块的具体实施可以从综合能源系统实时运行策略优化方法的具体实施方式获得，不再赘述。
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 (14)
1.一种综合能源系统实时运行策略优化方法，其特征在于，包括以下步骤：
建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；
建立多维度综合能源系统评价体系；
以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价体系确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略。
2.根据权利要求1所述的综合能源系统实时运行策略优化方法，其特征在于，
建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷，具体如下：
S11：收集区域t时刻前一定时间段内的湿度、温度、降雨量、光照强度和风速数据；
收集区域t时刻前一定时间段内的综合能源系统电负荷、冷负荷和热负荷数据；
S12：将湿度、温度、降雨量、光照强度、风速和历史的电负荷、热负荷、冷负荷作为训练输入数据；
将电负荷、热负荷、冷负荷作为训练输出数据；
通过脉冲时间编码方式对训练输入和输出数据进行编码；
S13：建立结合门控循环单元的脉冲神经网络模型，并通过编码后的训练数据进行训练；
S14：以t时刻的湿度、温度、降雨量、光照强度、风速和t－1时刻电、热、冷负荷输入到训练完成的改进脉冲神经网络中，得出t时刻电、热、冷负荷Le,t、Lh,t、Lc,t。
3.根据权利要求1所述的综合能源系统实时运行策略优化方法，其特征在于，
建立多维度综合能源系统评价体系，包括以下步骤：
计算系统t时刻周期内运行成本Poc,t；
计算系统t时刻周期内能源总利用率ηt；
计算系统t时刻周期内减排量△Et；
计算系统t时刻的供能能力St。
4.根据权利要求3所述的综合能源系统实时运行策略优化方法，其特征在于，
计算系统t时刻周期内运行成本Poc,t，具体如下：
Poc,t＝Ce,tEb,t+Cg,tGb,t
式中，Ce,t和Cg,t分别为t时刻的实时电价和天然气价，Eb,t和Gb,t分别为t时刻周期内电能和天然气的购买量。
5.根据权利要求3所述的综合能源系统实时运行策略优化方法，其特征在于，
计算系统t时刻周期内能源总利用率ηt，具体如下：
式中，Eo,t、Ho,t和Co,t分别为周期内系统输出电量、热量、冷量，Eb,t和Gb,t分别为t时刻周期内电能和天然气的购买量。
6.根据权利要求3所述的综合能源系统实时运行策略优化方法，其特征在于，
计算系统t时刻周期内减排量△Et，具体如下：
△Et＝Etps,t-Eies,t
式中，Etps,t和Eies,t分别为传统分产系统和综合能源系统的空气污染物排放量。
7.根据权利要求3所述的综合能源系统实时运行策略优化方法，其特征在于，
计算系统t时刻的供能能力St，具体如下：
St＝μeQe,t+μhQh,t+μcQc,t
式中，μe,μc和μh分别为电、冷、热能的供给重要程度，在本实施例中电、冷、热能供给重要程度相等，均为三分之一；Qe,t、Qc,t、Qh,t分别当电、冷、热输出电量，当电、冷、热输出电量大于等于电、冷、热负荷时为1，否则为0。
8.据权利要求1所述的综合能源系统实时运行策略优化方法，其特征在于，
以电、冷、热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略，具体包括以下步骤：
S31：对多维度综合能源系统评价体系中的各个评价指标加权得出综合能源系统的目标函数Jt，以Jt为目标函数，将得出的电、冷、热t时刻的预测负荷Le,t、Lh,t、Lc,t作为基础条件，光伏出力取预测出力PVt，对t时刻燃气轮机、余热锅炉、补燃锅炉、电网、储能电池的出力进行寻优求解；
S32：利用Copula分布估计算法进行第一阶段的寻优；
S33：在第一阶段寻优结果的基础上，利用差分进化算法和遗传算法进行第二阶段的协同优化；
S34：对得出的全局最优解进行解码，得出t时刻参与优化各机组的出力。
9.据权利要求8所述的综合能源系统实时运行策略优化方法，其特征在于，
综合能源系统的目标函数Jt，具体如下：
Jt＝ω1Poc,t+ω2ηt+ω3△Et+ω4St
式中，ω1,ω2,ω3和ω4分别为Poc,t,ηt,△Et和St的权重系数。
10.据权利要求8所述的综合能源系统实时运行策略优化方法，其特征在于，
利用Copula分布估计算法进行第一阶段的寻优，具体如下：
随机产生规模为N的初始种群并求该种群中个体的适应度，选择出p个优秀个体，具体如下：
zi＝(zi1,…,ziD),i＝1,2,…,p
计算第d∈{1,2,…,D}维的边缘正态分布函数Fd(z)，具体如下：
式中，
根据Sklar定理构建Copula函数C(u1,…ud)，具体如下：
根据拉丁超立法采样方法从C(u1,…ud)中采样m个个体，随机产生N－p－m个新个体，将采样产生的m个、选择出的p个、随机产生的N－p－m个个体构造为新一代种群，循环Tmax＝100代，结束第一阶段寻优。
11.根据权利要求8所述的综合能源系统实时运行策略优化方法，其特征在于，
在第一阶段寻优结果的基础上，利用差分进化算法和遗传算法进行第二阶段的协同优化，具体包括以下步骤：
S331：将第一阶段的寻优得到的最优种群随机划分为Gde,0和Gga，0两个子种群；
S332：差分进化算法以Gde,0为初始种群通过向量间的差分差异寻求更优子代种群，遗传算法以Gga，0为初始种群通过对个体的染色体交叉变异寻求更优子代种群，将差分进化算法和遗传算法得出的子代种群进行组合选择出最优子代种群；
S333：将最优子代种群随机划分为Gde,i和Gga,i，重复S332，直到得出全局最优解。
12.一种综合能源系统实时运行策略优化系统，其特征在于，包括：
第一建立模块，用于建立基于改进脉冲神经网络的多元负荷联合预测模型，得出电预测负荷、冷预测负荷和热预测负荷；
第二建立模块，用于建立多维度综合能源系统评价体系；
优化求解模块，用于以电预测负荷、冷预测负荷和热预测负荷为负荷需求，根据多维度综合能源系统评价指标确定优化目标函数，利用两阶段合作协同进化算法对综合能源系统内各机组的逐时出力进行优化求解，得出综合能源系统的实时运行策略。
13.根据权利要求12所述的综合能源系统实时运行策略优化系统，其特征在于，所述第一建立模块包括：
编码模块，用于将湿度、温度、降雨量、光照强度、风速和历史的电负荷、热负荷、冷负荷作为训练输入数据，电负荷、热负荷、冷负荷作为训练输出数据，并通过脉冲时间编码方式对训练输入和输出数据进行编码；
训练模块，用于建立结合门控循环单元的脉冲神经网络模型，并通过编码后的训练数据进行训练；
数据处理模块，用于以t时刻的湿度、温度、降雨量、光照强度、风速和t－1时刻电、热、冷负荷输入到训练完成的改进脉冲神经网络中，得出t时刻电、热、冷负荷。
14.根据权利要求12所述的综合能源系统实时运行策略优化系统，其特征在于，所述第二建立模块包括：
第一计算模块，用于计算系统t时刻周期内运行成本；
第二计算模块，用于计算系统t时刻周期内能源总利用率；
第三计算模块，用于计算系统t时刻周期内减排量；
第四计算模块，用于计算系统t时刻的供能能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110616649.6A CN113469412B (zh) | 2021-06-02 | 2021-06-02 | 一种综合能源系统实时运行策略优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110616649.6A CN113469412B (zh) | 2021-06-02 | 2021-06-02 | 一种综合能源系统实时运行策略优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469412A true CN113469412A (zh) | 2021-10-01 |
| CN113469412B CN113469412B (zh) | 2024-04-09 |
Family
ID=77872173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110616649.6A Active CN113469412B (zh) | 2021-06-02 | 2021-06-02 | 一种综合能源系统实时运行策略优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469412B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115247864A (zh) * | 2022-09-22 | 2022-10-28 | 苏州思萃融合基建技术研究所有限公司 | 建筑柔性负荷控制方法、系统、电子设备及介质 |
| CN117974365A (zh) * | 2024-03-29 | 2024-05-03 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合系统多目标运行优化方法及系统 |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700158A (zh) * | 2015-02-12 | 2015-06-10 | 国家电网公司 | 一种配电园区的能源管理方法与系统 |
| 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 |
| CN105790258A (zh) * | 2016-03-15 | 2016-07-20 | 国电南瑞科技股份有限公司 | 基于正态Copula函数的拉丁超立方抽样法概率潮流计算方法 |
| CN107016441A (zh) * | 2017-03-14 | 2017-08-04 | 北京无线电测量研究所 | 一种遗传算法与差分进化算法串行融合的进化算法 |
| CN107247447A (zh) * | 2017-05-23 | 2017-10-13 | 长安大学 | 一种基于混合算法框架的混流装配调度控制方法 |
| CN107451686A (zh) * | 2017-07-18 | 2017-12-08 | 广东双新电气科技有限公司 | 考虑随机预测误差的遗传算法的微电网能源优化方法 |
| CN107749638A (zh) * | 2017-10-19 | 2018-03-02 | 东南大学 | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 |
| CN107967537A (zh) * | 2017-11-27 | 2018-04-27 | 湖南大学 | 一种风光沼微能源网的能量管理方法及装置 |
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
| CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
| CN109858759A (zh) * | 2018-12-29 | 2019-06-07 | 陕西鼓风机（集团）有限公司 | 一种工业园区综合能源平衡调度方法 |
| CN110046774A (zh) * | 2019-05-31 | 2019-07-23 | 广东工业大学 | 一种配电网故障定位方法、装置及相关设备 |
| CN110503241A (zh) * | 2019-07-24 | 2019-11-26 | 清华大学 | 冷-热-电综合能源系统的多目标优化方法 |
| CN110619420A (zh) * | 2019-07-31 | 2019-12-27 | 广东工业大学 | 一种基于Attention-GRU的短期住宅负荷预测方法 |
| 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 |
| CN110851257A (zh) * | 2019-11-07 | 2020-02-28 | 中国石油大学(华东) | 一种基于前期灾变策略的遗传与差分混合进化云计算任务调度算法 |
| CN110991917A (zh) * | 2019-12-10 | 2020-04-10 | 浙江工业大学 | 采用两阶段遗传算法的多模资源受限项目调度优化方法 |
| CN111091239A (zh) * | 2019-12-04 | 2020-05-01 | 国网天津市电力公司电力科学研究院 | 基于差分进化算法的能源服务商电价策略制定方法及装置 |
| CN111429301A (zh) * | 2020-03-26 | 2020-07-17 | 中国科学技术大学 | 一种容量配置和运行策略的协同优化处理方法和装置 |
| CN111612273A (zh) * | 2020-05-28 | 2020-09-01 | 山东大学 | 一种区域级综合能源系统分区设计方法及系统 |
| CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
| CN111783684A (zh) * | 2020-07-03 | 2020-10-16 | 湖南大学 | 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统 |
| CN111952965A (zh) * | 2020-08-05 | 2020-11-17 | 山东大学 | 一种基于预测控制与区间规划的cchp系统优化运行方法 |
| CN112270456A (zh) * | 2020-12-22 | 2021-01-26 | 国网江西省电力有限公司电力科学研究院 | 一种热电联供系统多目标优化调度方法及装置 |
| CN112333194A (zh) * | 2020-11-09 | 2021-02-05 | 国网上海市电力公司 | 基于gru-cnn的综合能源网络安全攻击检测方法 |
| CN112418488A (zh) * | 2020-11-04 | 2021-02-26 | 南方电网科学研究院有限责任公司 | 一种基于两阶段能量优化的综合能源系统调度方法及装置 |
| CN112508221A (zh) * | 2020-09-24 | 2021-03-16 | 国网天津市电力公司电力科学研究院 | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 |
| CN112598195A (zh) * | 2020-12-31 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 楼宇型综合能源系统运行优化方法、装置及终端设备 |
| CN112686571A (zh) * | 2021-01-12 | 2021-04-20 | 山东电力工程咨询院有限公司 | 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 |
-
2021
- 2021-06-02 CN CN202110616649.6A patent/CN113469412B/zh active Active
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700158A (zh) * | 2015-02-12 | 2015-06-10 | 国家电网公司 | 一种配电园区的能源管理方法与系统 |
| 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 |
| CN105790258A (zh) * | 2016-03-15 | 2016-07-20 | 国电南瑞科技股份有限公司 | 基于正态Copula函数的拉丁超立方抽样法概率潮流计算方法 |
| CN107016441A (zh) * | 2017-03-14 | 2017-08-04 | 北京无线电测量研究所 | 一种遗传算法与差分进化算法串行融合的进化算法 |
| CN107247447A (zh) * | 2017-05-23 | 2017-10-13 | 长安大学 | 一种基于混合算法框架的混流装配调度控制方法 |
| CN107451686A (zh) * | 2017-07-18 | 2017-12-08 | 广东双新电气科技有限公司 | 考虑随机预测误差的遗传算法的微电网能源优化方法 |
| CN107749638A (zh) * | 2017-10-19 | 2018-03-02 | 东南大学 | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 |
| CN107967537A (zh) * | 2017-11-27 | 2018-04-27 | 湖南大学 | 一种风光沼微能源网的能量管理方法及装置 |
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
| CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
| CN109858759A (zh) * | 2018-12-29 | 2019-06-07 | 陕西鼓风机（集团）有限公司 | 一种工业园区综合能源平衡调度方法 |
| CN110046774A (zh) * | 2019-05-31 | 2019-07-23 | 广东工业大学 | 一种配电网故障定位方法、装置及相关设备 |
| CN110503241A (zh) * | 2019-07-24 | 2019-11-26 | 清华大学 | 冷-热-电综合能源系统的多目标优化方法 |
| CN110619420A (zh) * | 2019-07-31 | 2019-12-27 | 广东工业大学 | 一种基于Attention-GRU的短期住宅负荷预测方法 |
| 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 |
| CN110851257A (zh) * | 2019-11-07 | 2020-02-28 | 中国石油大学(华东) | 一种基于前期灾变策略的遗传与差分混合进化云计算任务调度算法 |
| CN111091239A (zh) * | 2019-12-04 | 2020-05-01 | 国网天津市电力公司电力科学研究院 | 基于差分进化算法的能源服务商电价策略制定方法及装置 |
| CN110991917A (zh) * | 2019-12-10 | 2020-04-10 | 浙江工业大学 | 采用两阶段遗传算法的多模资源受限项目调度优化方法 |
| CN111429301A (zh) * | 2020-03-26 | 2020-07-17 | 中国科学技术大学 | 一种容量配置和运行策略的协同优化处理方法和装置 |
| CN111612273A (zh) * | 2020-05-28 | 2020-09-01 | 山东大学 | 一种区域级综合能源系统分区设计方法及系统 |
| CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
| CN111783684A (zh) * | 2020-07-03 | 2020-10-16 | 湖南大学 | 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统 |
| CN111952965A (zh) * | 2020-08-05 | 2020-11-17 | 山东大学 | 一种基于预测控制与区间规划的cchp系统优化运行方法 |
| CN112508221A (zh) * | 2020-09-24 | 2021-03-16 | 国网天津市电力公司电力科学研究院 | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 |
| CN112418488A (zh) * | 2020-11-04 | 2021-02-26 | 南方电网科学研究院有限责任公司 | 一种基于两阶段能量优化的综合能源系统调度方法及装置 |
| CN112333194A (zh) * | 2020-11-09 | 2021-02-05 | 国网上海市电力公司 | 基于gru-cnn的综合能源网络安全攻击检测方法 |
| CN112270456A (zh) * | 2020-12-22 | 2021-01-26 | 国网江西省电力有限公司电力科学研究院 | 一种热电联供系统多目标优化调度方法及装置 |
| CN112598195A (zh) * | 2020-12-31 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 楼宇型综合能源系统运行优化方法、装置及终端设备 |
| CN112686571A (zh) * | 2021-01-12 | 2021-04-20 | 山东电力工程咨询院有限公司 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| DANXIANG WEI ET AL.: "Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks", APPLIED ENERGY, vol. 292, pages 3 * |
| 柳玉宾;阙亚卫;吴政华;孔飞;孙思宇;王恒涛;刘洁;陆永卿;刘庆阳;: "基于遗传算法的燃气分布式能源系统负荷优化分配", 华电技术, no. 03 * |
| 罗艳红;梁佳丽;杨东升;周博文;胡博;杨玲;: "计及可靠性的电―气―热能量枢纽配置与运行优化", 电力系统自动化, no. 04 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN115247864A (zh) * | 2022-09-22 | 2022-10-28 | 苏州思萃融合基建技术研究所有限公司 | 建筑柔性负荷控制方法、系统、电子设备及介质 |
| CN115247864B (zh) * | 2022-09-22 | 2022-12-23 | 苏州思萃融合基建技术研究所有限公司 | 建筑柔性负荷控制方法、系统、电子设备及介质 |
| CN117974365A (zh) * | 2024-03-29 | 2024-05-03 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合系统多目标运行优化方法及系统 |
| CN117974365B (zh) * | 2024-03-29 | 2024-06-14 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合系统多目标运行优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469412B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023274425A1 (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
| Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
| CN113469412B (zh) | 一种综合能源系统实时运行策略优化方法及系统 | |
| Musbah et al. | Energy management using multi-criteria decision making and machine learning classification algorithms for intelligent system | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| 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 | |
| CN111985702A (zh) | 一种计及电能替代效果的园区级综合能源系统优化方法 | |
| CN112749462A (zh) | 一种综合能源系统当前运行参数的优化方法、系统及设备 | |
| CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
| CN111598289A (zh) | 计及lstm光伏出力预测的综合能源系统分散式优化方法 | |
| Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
| CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
| CN116523683A (zh) | 一种基于智能园区虚拟电厂的碳交易方法 | |
| CN114611772B (zh) | 一种基于多智能体强化学习的多微网系统协同优化方法 | |
| Quaiyum et al. | Application of artificial neural network in forecasting solar irradiance and sizing of photovoltaic cell for standalone systems in Bangladesh | |
| CN114971048A (zh) | 一种零碳园区综合能源规划仿真方法、系统和计算机设备 | |
| CN114117925A (zh) | 考虑高比例分布式光伏消纳的综合能源系统规划方法 | |
| CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| CN117291315A (zh) | 一种碳循环利用的电-气-热多能联供网络协同运行方法 | |
| CN112001639A (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
| CN108009684A (zh) | 一种包含短期负荷预测的微电网并网状态能量管理方法 | |
| CN116191508A (zh) | 一种计及风光出力的含储能有源配电网经济运行优化方法 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
| CN112488573A (zh) | 一种ppp模式下的综合能源服务模式评价方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |