CN113609778B - 一种综合能源系统多目标优化方法及系统 - Google Patents

一种综合能源系统多目标优化方法及系统 Download PDF

Info

Publication number
CN113609778B
CN113609778B CN202110920035.7A CN202110920035A CN113609778B CN 113609778 B CN113609778 B CN 113609778B CN 202110920035 A CN202110920035 A CN 202110920035A CN 113609778 B CN113609778 B CN 113609778B
Authority
CN
China
Prior art keywords
equipment
cost
energy
data
life cycle
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
Application number
CN202110920035.7A
Other languages
English (en)
Other versions
CN113609778A (zh
Inventor
魏志成
路军
王瑞琪
孙波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shandong Integrated Energy Service Co ltd
Shandong University
Original Assignee
State Grid Shandong Integrated Energy Service Co ltd
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Shandong Integrated Energy Service Co ltd, Shandong University filed Critical State Grid Shandong Integrated Energy Service Co ltd
Priority to CN202110920035.7A priority Critical patent/CN113609778B/zh
Publication of CN113609778A publication Critical patent/CN113609778A/zh
Application granted granted Critical
Publication of CN113609778B publication Critical patent/CN113609778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种综合能源系统多目标优化方法及系统，所述方案针对综合能源系统运行的经济性，考虑能源消耗成本的同时，又考虑使用随机森林算法预测设备寿命周期成本；针对综合能源系统运行的工程实用性，考虑能源利用率和碳排放的同时，又考虑了负荷需求侧的冷热惯性对实际供能的影响。在多目标优化的前提下，对源侧供能设备进行数据与机理建模，对负荷侧需求的建模考虑冷热惯性和能量传输过程中的延迟特性，使优化调度模型更加符合实际工况，降低源荷不匹配造成的能耗浪费；同时使用日前全局优化和实时滚动优化相互配合的优化调度方案，控制运行误差在可接受范围内，提高多目标优化的准确性。

Description

一种综合能源系统多目标优化方法及系统
技术领域
本公开属于综合能源系统技术领域，尤其涉及一种综合能源系统多目标优化方法及系统。
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。
长期以来，由于自然资源过度开发使用，人与自然的矛盾冲突日渐加剧，能源短缺和环境危机等问题越来越成为阻碍经济社会发展的重要因素。综合能源系统是未来能源供应的大趋势，通过建立一些综合能源系统并投入使用。而保证综合能源系统安全、稳定、高效运行是提高能源利用率、解决当今能源短缺和环境危机等问题的有效途径。
针对于综合能源系统，考虑设备寿命周期成本对于提高经济效益有重要的现实意义。综合能源系统是一个多能流协调规划、协同管理、交互耦合、互补互济的复杂系统，源-网-储-荷数据量的激增在一定程度上增加了各个设备集群发生故障的概率，被动、孤立地响应已发生的故障会降低设备的正常使用寿命，严重影响正常的工业生产，增加设备寿命周期成本，造成一定经济损失。
某些建筑楼宇内，在夜里不需要开空调，为了保证第二天工作开始时环境的舒适，就需要提前对其进行预冷或预热。另外，由于室内温度是惯性很大的被控对象，提前关闭空调也可以在一定的时间内保证室内温度变化不大。然而由于冷能、热能在传输过程中有明显的延迟性，多数的优化调度方案没有考虑需求侧冷热惯性，具体为：当需求侧负荷从0突变到需求值时，设备出力值才发生变化，不能及时满足负荷侧需求；当需求侧负荷从需求值骤降到0时，虽然可以满足负荷侧需求，但是因源荷不匹配造成的能耗浪费是不可忽略的。
发明人发现，目前针对综合能源系统多目标优化运行的研究，侧重于能源利用率或者能源成本以及碳排放对供能效益的影响。专利CN110910272A提出了一种考虑能效、经济性和环保性的多目标优化方法，对城市综合能源系统的能源生产、传输、转化、储存和利用五个环节的能效和经济性进行建模，为城市综合能源发展提供科学参考。专利CN112784484A考虑了经济性与环境性这两个优化目标，通过区域综合能源系统的结构、分时电价、天然气价格、电/热/冷负荷等多种信息，建立更加符合现实场景的设备模型，选择合适的多目标求解算法寻求最优解。以上多目标优化运行方法相对于单目标优化运行方法，能够提供更加科学合理的优化运行方案，但是由于源荷不匹配问题而造成的能耗浪费并未考虑，且仍然缺少研究设备寿命、需求侧冷热惯性对供能总效益的影响。
发明内容
本公开为了解决上述问题，提供了一种综合能源系统多目标优化方法及系统，所述方案通过考虑需求侧冷热惯性和设备寿命周期成本，保证满足需求侧舒适性和设备正常稳定运行；同时，综合考虑经济成本最低，能源利用率最高，碳排放总量最低为目标。
根据本公开实施例的第一个方面，提供了一种综合能源系统多目标优化方法，包括：
基于获得的源核历史数据对源荷日前数据进行预测；基于与设备寿命相关的设备参数数据对设备寿命周期成本数据进行预测；
以综合能源系统能源成本、设备寿命周期成本、能源利用率、碳排放及需求侧冷热惯性为优化目标，构建多目标优化调度目标函数；对所述目标函数进行优化求解获得日前全局优化调度方案；
基于所述日前全局优化调度方案运行所述综合能源系统，获取实时运行数据，并利用所述多目标优化调度目标函数进行实时预测与短期优化，对日前全局优化调度方案进行修正。
进一步的，所述对设备寿命周期成本数据进行预测，具体为：对设备数据进行采集，构建设备运行参数数据库；从设备运行参数数据库中采取有放回抽样，构建子数据集，基于所述子数据集构建子决策树；基于随机森林算法，建立设备寿命周期成本和设备参数间的拟合模型；基于所述拟合模型以及待优化参数，对综合能源系统的设备寿命周期成本进行预测。
进一步的，所述子决策树构建的每一个分裂过程中，从所述子数据集中随机选取预定数量特征，再从随机选取的特征中选取描述设备寿命周期成本的最优特征。
进一步的，所述需求侧冷热惯性采用的负荷侧模型具体如下：
Tin,min≤Tin(t)≤Tin,max
其中，Tin(t)、Tout(t)为t时刻建筑的室内温度、室外温度，Q(t)为t时刻在建筑内传输的热量，Qadd(t)为t时刻供热系统需要向建筑补充的热量，R为建筑物的热阻，Cair、Vair、ρair分别为室内空气的比热容、体积、密度，T、k分别为需求侧冷热惯性环节的时间常数、放大系数，与负荷侧楼宇的热阻和热容有关，Tin,min、Tin,max分别为保持室内舒适性的最低温度和最高温度。
根据本公开实施例的第二个方面，提供了一种综合能源系统多目标优化系统，包括：
数据获取单元，其用于基于获得的源核历史数据对源荷日前数据进行预测；基于与设备寿命相关的设备参数数据对设备寿命周期成本数据进行预测；
日前全局优化单元，其用于基于预测得到的数据，以综合能源系统能源成本、设备寿命周期成本、能源利用率、碳排放及需求侧冷热惯性为优化目标，构建多目标优化调度目标函数；对所述目标函数进行优化求解获得日前全局优化调度方案；
实时修正单元，其用于基于所述日前全局优化调度方案运行所述综合能源系统，获取实时运行数据，并利用所述多目标优化调度目标函数进行实时预测与短期优化，对日前全局优化调度方案进行修正。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种综合能源系统多目标优化方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种综合能源系统多目标优化方法。
与现有技术相比，本公开的有益效果是：
(1)相较于传统的优化运行策略，本公开提出的优化调度策略综合考虑了能源利用率、能源成本、需求侧冷热惯性、设备寿命周期成本、碳排放这五个因素对供能效益的影响，能够在保证满足需求侧舒适性的前提下，提高供能效益。对源侧供能机组进行数据与机理建模，对负荷侧需求的建模考虑冷热惯性以及能力传输过程中的延迟特性，使优化调度模型更加符合实际工况，能够降低源荷不匹配造成的能耗浪费；同时，使用日前全局优化和实时滚动优化相互配合的优化运行方案，控制运行误差在可接受范围内，提高了多目标优化的准确性。
(2)本公开所述方案采用随机森林算法预测设备寿命周期成本时，能够把多个单一的学习模型有机地结合起来，获得一个统一的集成学习模型，有效提高了设备寿命周期成本的准确性；同时，随机森林的数据选择和特征选择都是随机的，由于两个随机性的引入，因此对设备寿命周期成本的预测并非过拟合；随机森林是一个包含多个决策树的分类器，决策树的组合使得随机森林不仅可以处理线性数据，还可以处理非线性数据，且训练速度快，可以用在综合能源系统多设备集群的大数据处理上。
本公开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，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的用于预测设备寿命周期成本的随机森林算法构建流程图；
图2为本公开实施例一中所述的综合能源系统多目标优化方法流程图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种综合能源系统多目标优化方法。
一种综合能源系统多目标优化方法，包括：
基于获得的源核历史数据对源荷日前数据进行预测；基于与设备寿命相关的设备参数数据对设备寿命周期成本数据进行预测；
以综合能源系统能源成本、设备寿命周期成本、能源利用率、碳排放及需求侧冷热惯性为优化目标，构建多目标优化调度目标函数；对所述目标函数进行优化求解获得日前全局优化调度方案；
基于所述日前全局优化调度方案运行所述综合能源系统，获取实时运行数据，并利用所述多目标优化调度目标函数进行实时预测与短期优化，对日前全局优化调度方案进行修正。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明：
如图2所示，本公开采用的日前全局优化和实时滚动优化相互配合的优化调度方案流程，具体步骤如下：
步骤(1)：设置优化起始点；
步骤(2)：获取综合能源系统源荷历史数据；
步骤(3)：基于源荷历史数据，构造多项式回归模型，预测源荷日前数据，使用随机森林算法预测设备寿命周期成本数据；
步骤(4)：以综合能源系统能源经济成本、设备寿命周期成本、能源利用率、碳排放、需求侧冷热惯性为优化目标，构造日前多目标优化调度目标函数，以设备实际参数、设备运行工况构造约束条件函数；
步骤(5)：采用大数据技术与机器学习相结合的方式，深度挖掘数据之间的关系，优化top时刻的各机组出力值；具体的，所述多目标优化调度目标函数的求解可以采用遗传算法中的NSGA-II以及PSO算法，由于NSGA-II以及PSO算法是多目标优化求解中比较成熟的算法，故其详细步骤此处不再赘述。
步骤(6)：重复步骤(5)，直到优化时刻top＝24，给出日前全局优化调度方案；
步骤(7)：按照优化调度方案运行，获取实时运行数据并反馈给优化模型；
步骤(8)：判断实际工况与日前优化调度方案的偏差是否在可接受范围内，如果偏差在可接受范围内，那么继续按照日前优化调度方案运行，否则进行实时预测与短期优化以修正日前优化调度方案；
步骤(9)：重复步骤(7)、步骤(8)，直到实际时间t＝24。
其中，在进行优化调度前，需要预先获取源荷日前数据及设备寿命周期成本数据，其中，所述源荷日前数据通过获取源荷历史数据，并基于多项式回归模型进行拟合，获得源荷日前数据的预测结果；而设备寿命周期成本数据的获取需采用如下方案：
首先使用随机森林算法拟合得到设备寿命周期成本预测模型，对综合能源系统各个设备集群的寿命周期成本进行科学合理的预测，为相关部门进行运维费用预算提供依据，提升运维效果；同时对设备的实际工作时长精准控制，避免设备承受高强度、长时间的工作负荷，甚至超负荷工作，延长设备的实际使用寿命，尽可能降低设备故障率，降低设备故障修复总成本，从而降低单位时间内设备固定成本，提升综合能源系统的稳定供能能力，进一步提高供能效益。
设备寿命周期成本包括固定成本和变动成本，其中，固定成本指设备购买成本、设备废弃处置成本，变动成本指运维成本、设备故障修复成本。将设备寿命周期成本纳入综合能源系统运行优化的考虑因素中，可以有效避免设备承受高强度、长时间的工作负荷，延长设备的实际使用寿命，保障综合能源系统安全、稳定运行，进一步地降低综合能源供能总成本，提高供能效益。
随机森林算法是通过训练多个决策树，生成设备寿命周期成本预测模型，然后综合利用多个决策树将设备预期成本按照设备运行数据进行分类，进而预测设备寿命周期成本。随机森林算法采用了集成学习的思想，其优势在于能够把多个单一的学习模型有机地结合起来，获得一个统一的集成学习模型，提高了成本预测的准确性。其中，所述随机森林的构建过程如图1所示，基于随机森林算法预测设备寿命周期成本的具体步骤如下：
步骤(1)：设备数据采集，采集综合能源系统内部机组的运行数据，包括：热泵/制冷机的输出功率、电压、电流，冷凝器和蒸发器的输出热量/冷量、流量，供回水温度以及压强等；
步骤(2)：数据处理，对采集到的设备数据进行预处理和有效信息提取，组建设备运行参数数据库；
步骤(3)：数据选择，从设备运行参数数据库中采取有放回的抽样，构造子数据集(不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复)，利用子数据集来构建子决策树；
步骤(4)：特征选择，随机森林中的子决策树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取特定数量(具体数量可根据实际需求进行设定)的特征，之后再从随机选取的特征中选取描述设备寿命周期成本的最优特征；
步骤(5)：设备寿命周期成本模型拟合，根据随机森林算法，建立设备寿命周期成本和设备参数之间的拟合模型，并判断设备参数对设备寿命周期成本影响的权重；
步骤(6)：约束条件确定，根据步骤(5)建立的拟合模型以及实际情况，确定需要优化的参数以及参数调节边界；
步骤(7)：设备寿命周期成本预测，根据拟合得到的设备寿命周期成本预测模型，对综合能源系统的设备寿命周期成本进行预测。
进一步的，以下对于各优化目标进行详细说明：
(1)负荷需求侧的冷热惯性
负荷需求侧的冷热惯性在一定程度上会影响用户舒适度和源荷匹配程度。某些建筑楼宇内，在夜里不需要开空调，为了保证第二天工作开始时环境的舒适，就需要提前对其进行预冷或预热。另外，由于室内温度是惯性很大的被控对象，提前关闭空调也可以在一定的时间内保证室内温度变化不大，楼宇自控系统通过对空调设备的最佳启停时间的计算和控制，可以在保证环境舒适的前提下，缩短不必要的空调运行时间，达到节能的目的。
考虑冷热惯性的负荷侧模型如下：
Tin,min≤Tin(t)≤Tin,max
其中：Tin(t)、Tout(t)为t时刻建筑的室内温度、室外温度，Q(t)为t时刻在建筑内传输的热量，Qadd(t)为t时刻供热系统需要向建筑补充的热量，R为建筑物的热阻，Cair、Vair、ρair分别为室内空气的比热容、体积、密度，T、k分别为需求侧冷热惯性环节的时间常数、放大系数，与负荷侧楼宇的热阻和热容有关，Tin,min、Tin,max分别为保持室内舒适性的最低温度和最高温度，。
由于室内温度是惯性很大的被控对象，考虑负荷需求侧的冷热惯性可以让优化调度方案更加接近实际情况，自控系统通过对制热设备的最佳启停时间精准计算和控制，可以在保证环境舒适的前提下，缩短不必要的设备运行时间，达到节能的目的。
源侧能量输出设备协调优化，以保证办公楼宇的室内温度在可调度范围内的动态稳定，其调度模型如下：
Qout＝∑Qi＝∑cw·Fi·|Tout,i-Tin,i|·Δt
其中：Qout、Qi分别为供能系统总的能量输出和各设备的能量输出，cw为循环水的比热容，Δt为一个优化调度时间窗的长度，Fi、Tout,i、Tin,i代表不同设备的出水流量、出水温度、回水温度，三者是供能优化调度的主要控制指标。
本公开提出的优化调度策略在考虑需求侧冷热惯性和设备寿命周期成本，保证满足需求侧舒适性和设备正常稳定运行的前提下，综合考虑经济成本最低，能源利用率最高，碳排放总量最低为目标。
(2)经济成本
经济成本目标包括两部分，一是能源成本，二是设备寿命周期成本，具体如下：
Ctotal＝Cenergy+Clife
1)能源成本
其中：Ctotal为综合能源系统的日运行成本，Cenergy为能源消耗成本，主要包括从大电网购电的成本、购买天然气的成本、购买工厂废热的成本等。Clife为设备寿命周期成本，具体地，为各设备及其配套设施的日平均成本；pe,b(t)为t时刻从电网购电的单价，Qe,b(t)为t时刻从电网购买的电量；pe,s(t)为t时刻向电网售电的价格，Qe,s(t)为t时刻向电网出售的电量；pg,b(t)为t时刻从气网购气的单价，Qg,b(t)为t时刻从气网购买的气量；ph,b(t)为t时刻从工厂购热的价格，Qh,b(t)为t时刻从工厂购买的热量，Δt为一个优化调度周期的长度。
2)设备寿命周期成本
设备寿命周期成本的模型如下：
x(i)∈[0,1]
其中：Cf为固定成本，包括各机组及其配套设施购入成本以及报废后的处理成本；Y为预计使用年限；Cv为变动成本，包括不同设备及其配套设施的运行维护成本和故障后的修复成本；i代表不同种类的设备，n为设备类型数量，其数值根据具体的系统而定；Cequipent,b(i)为不同设备的购入成本，Cequipent,d(i)为不同设备报废后的处理成本；Qcon(i)为不同设备的出力值，f(i)为不同出力设备的运行成本系数；x(i)为不同出力设备故障系数，1为设备故障，0为设备正常；Crepair(i)为不同设备的故障修复成本。
(3)能源利用率
综合能源系统总能源利用率如下：
其中：ηtotal为能源综合利用率，j代表不同形式的能源，m为不同能源形式的数量，ηj为不同形式能源的利用率，Qj为不同形式能源的消耗量。
(4)碳排放
综合能源系统的碳排放总量如下：
其中：Etotal代表消耗所有能源的碳排放总量；ej代表消耗不同形式的单位能源的碳排放量。
本公开提出的优化运行策略基于综合能源系统源-荷实时数据、历史数据、预测数据，以及设备寿命周期成本数据，以综合能源系统能源经济成本、设备寿命周期成本、能源利用率、碳排放、需求侧冷热惯性为优化目标，采用大数据技术与机器学习相结合的方式，深度挖掘数据之间的内在关系，以求解综合考虑能源经济成本、设备寿命周期成本、能源利用率、碳排放、需求侧冷热惯性的日前优化调度方案，同时基于设备的实时运行情况，实时更新数据，并且制定日内滚动优化方案。
为提高优化调度方案的准确性与实用性，采用了日前全局优化和实时滚动优化相互配合的优化调度方案，长时间尺度的日前优化调度方案作为短时间尺度的日内滚动优化调度方案的参考，短时间尺度的日内滚动优化调度方案作为长时间尺度的日前优化调度方案的补充。通过不同时间尺度之间的优化调度策略协调配合，短时间尺度的日内滚动优化将本时间窗口最优作为优化目标，充分利用较短时间尺度内更为准确的源、荷实时数据，把上一级时间尺度的优化结果进一步细化成更细的计划，及时响应数据的异常波动，修正设备实际工况与日前优化调度方案之间的偏差，提升系统运行的稳定性，降低设备故障风险。
实施例二：
本实施例的目的是提供一种综合能源系统多目标优化系统。
一种综合能源系统多目标优化系统，包括：
数据获取单元，其用于基于获得的源核历史数据对源荷日前数据进行预测；基于与设备寿命相关的设备参数数据对设备寿命周期成本数据进行预测；
日前全局优化单元，其用于基于预测得到的数据，以综合能源系统能源成本、设备寿命周期成本、能源利用率、碳排放及需求侧冷热惯性为优化目标，构建多目标优化调度目标函数；对所述目标函数进行优化求解获得日前全局优化调度方案；
实时修正单元，其用于基于所述日前全局优化调度方案运行所述综合能源系统，获取实时运行数据，并利用所述多目标优化调度目标函数进行实时预测与短期优化，对日前全局优化调度方案进行修正。
在更多实施例中，还提供：
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，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
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，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
上述实施例提供的一种综合能源系统多目标优化方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种综合能源系统多目标优化方法，其特征在于，包括：
基于获得的源核历史数据对源荷日前数据进行预测；基于与设备寿命相关的设备参数数据对设备寿命周期成本数据进行预测；
所述对设备寿命周期成本数据进行预测，具体为：对设备数据进行采集，构建设备运行参数数据库；从设备运行参数数据库中采取有放回抽样，构建子数据集，基于所述子数据集构建子决策树；基于随机森林算法，建立设备寿命周期成本和设备参数间的拟合模型；基于所述拟合模型以及待优化参数，对综合能源系统的设备寿命周期成本进行预测；
所述设备寿命周期成本的模型如下：
x(i)∈[0,1]
其中：Cf为固定成本，包括各机组及其配套设施购入成本以及报废后的处理成本；Y为预计使用年限；Cv为变动成本，包括不同设备及其配套设施的运行维护成本和故障后的修复成本；i代表不同种类的设备，n为设备类型数量，其数值根据具体的系统而定；Cequipent,b(i)为不同设备的购入成本，Cequipent,d(i)为不同设备报废后的处理成本；Qcon(i)为不同设备的出力值，f(i)为不同出力设备的运行成本系数；x(i)为不同出力设备故障系数，1为设备故障，0为设备正常；Crepair(i)为不同设备的故障修复成本；
以综合能源系统能源成本、设备寿命周期成本、能源利用率、碳排放及需求侧冷热惯性为优化目标，构建多目标优化调度目标函数；对所述目标函数进行优化求解获得日前全局优化调度方案；
基于所述日前全局优化调度方案运行所述综合能源系统，获取实时运行数据，并利用所述多目标优化调度目标函数进行实时预测与短期优化，对日前全局优化调度方案进行修正；
所述方法考虑需求侧冷热惯性和设备寿命周期成本，保证满足需求侧舒适性和设备正常稳定运行的前提下，综合考虑经济成本最低，能源利用率最高，碳排放总量最低为目标。
2.如权利要求1所述的一种综合能源系统多目标优化方法，其特征在于，所述子数据集的构建中，不同子数据集间以及同一子数据集内存在设备运行参数的重复。
3.如权利要求1所述的一种综合能源系统多目标优化方法，其特征在于，所述子决策树构建的每一个分裂过程中，从所述子数据集中随机选取预定数量特征，再从随机选取的特征中选取描述设备寿命周期成本的最优特征。
4.如权利要求1所述的一种综合能源系统多目标优化方法，其特征在于，所述设备寿命周期成本包括固定成本和变动成本，其中，固定成本包括设备购买成本和设备废弃处置成本；所述变动成本指运维成本以及设备故障修复成本。
5.如权利要求1所述的一种综合能源系统多目标优化方法，其特征在于，所述需求侧冷热惯性采用的负荷侧模型具体如下：
Tin,min≤Tin(t)≤Tin,max
其中，Tin(t)、Tout(t)为t时刻建筑的室内温度、室外温度，Q(t)为t时刻在建筑内传输的热量，Qadd(t)为t时刻供热系统需要向建筑补充的热量，R为建筑物的热阻，Cair、Vair、ρair分别为室内空气的比热容、体积、密度，T、k分别为需求侧冷热惯性环节的时间常数、放大系数，与负荷侧楼宇的热阻和热容有关，Tin,min、Tin,max分别为保持室内舒适性的最低温度和最高温度；
调度目标函数为：Qout＝∑Qi＝∑cw·Fi·|Tout,i-Tin,i|·Δt
其中：Qout、Qi分别为供能系统总的能量输出和各设备的能量输出，cw为循环水的比热容，Δt为一个优化调度时间窗的长度，Fi、Tout,i、Tin,i代表不同设备的出水流量、出水温度、回水温度。
6.如权利要求1所述的一种综合能源系统多目标优化方法，其特征在于，所述能源利用率采用如下表示：
其中：ηtotal为能源综合利用率，j代表不同形式的能源，m为不同能源形式的数量，ηj为不同形式能源的利用率，Qj为不同形式能源的消耗量。
7.一种综合能源系统多目标优化系统，其特征在于，包括：
数据获取单元，其用于基于获得的源核历史数据对源荷日前数据进行预测；基于与设备寿命相关的设备参数数据对设备寿命周期成本数据进行预测；
所述对设备寿命周期成本数据进行预测，具体为：对设备数据进行采集，构建设备运行参数数据库；从设备运行参数数据库中采取有放回抽样，构建子数据集，基于所述子数据集构建子决策树；基于随机森林算法，建立设备寿命周期成本和设备参数间的拟合模型；基于所述拟合模型以及待优化参数，对综合能源系统的设备寿命周期成本进行预测；
所述设备寿命周期成本的模型如下：
x(i)∈[0,1]
其中：Cf为固定成本，包括各机组及其配套设施购入成本以及报废后的处理成本；Y为预计使用年限；Cv为变动成本，包括不同设备及其配套设施的运行维护成本和故障后的修复成本；i代表不同种类的设备，n为设备类型数量，其数值根据具体的系统而定；Cequipent,b(i)为不同设备的购入成本，Cequipent,d(i)为不同设备报废后的处理成本；Qcon(i)为不同设备的出力值，f(i)为不同出力设备的运行成本系数；x(i)为不同出力设备故障系数，1为设备故障，0为设备正常；Crepair(i)为不同设备的故障修复成本；
日前全局优化单元，其用于基于预测得到的数据，以综合能源系统能源成本、设备寿命周期成本、能源利用率、碳排放及需求侧冷热惯性为优化目标，构建多目标优化调度目标函数；对所述目标函数进行优化求解获得日前全局优化调度方案；
实时修正单元，其用于基于所述日前全局优化调度方案运行所述综合能源系统，获取实时运行数据，并利用所述多目标优化调度目标函数进行实时预测与短期优化，对日前全局优化调度方案进行修正；
所述系统考虑需求侧冷热惯性和设备寿命周期成本，保证满足需求侧舒适性和设备正常稳定运行的前提下，综合考虑经济成本最低，能源利用率最高，碳排放总量最低为目标。
8.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的一种综合能源系统多目标优化方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的一种综合能源系统多目标优化方法。
CN202110920035.7A 2021-08-11 2021-08-11 一种综合能源系统多目标优化方法及系统 Active CN113609778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110920035.7A CN113609778B (zh) 2021-08-11 2021-08-11 一种综合能源系统多目标优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110920035.7A CN113609778B (zh) 2021-08-11 2021-08-11 一种综合能源系统多目标优化方法及系统

Publications (2)

Publication Number Publication Date
CN113609778A CN113609778A (zh) 2021-11-05
CN113609778B true CN113609778B (zh) 2023-08-22

Family

ID=78340315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110920035.7A Active CN113609778B (zh) 2021-08-11 2021-08-11 一种综合能源系统多目标优化方法及系统

Country Status (1)

Country Link
CN (1) CN113609778B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372645A (zh) * 2022-03-22 2022-04-19 山东大学 基于多智能体强化学习的供能系统优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858697A (zh) * 2019-01-31 2019-06-07 山东大学 计及源荷随机的冷热电联供系统优化运行方法及系统
CN110224444A (zh) * 2019-05-16 2019-09-10 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN112001523A (zh) * 2020-07-09 2020-11-27 山东电力工程咨询院有限公司 考虑多种储能的综合能源多尺度优化调度控制方法及系统
CN112865174A (zh) * 2021-01-07 2021-05-28 福州大学 基于双层模型预测控制的微能网多时间尺度优化控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858697A (zh) * 2019-01-31 2019-06-07 山东大学 计及源荷随机的冷热电联供系统优化运行方法及系统
CN110224444A (zh) * 2019-05-16 2019-09-10 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN112001523A (zh) * 2020-07-09 2020-11-27 山东电力工程咨询院有限公司 考虑多种储能的综合能源多尺度优化调度控制方法及系统
CN112865174A (zh) * 2021-01-07 2021-05-28 福州大学 基于双层模型预测控制的微能网多时间尺度优化控制方法

Also Published As

Publication number Publication date
CN113609778A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN109858759B (zh) 一种工业园区综合能源平衡调度方法
CN110007595B (zh) 供热系统负荷实时优化调度方法、机组模型、机组及系统
WO2021062748A1 (zh) 综合能源系统的优化方法、装置和计算机可读存储介质
CN113822496B (zh) 一种多机组热电厂供热模式及参数在线寻优方法
CN104881712A (zh) 多能互补分布式能源系统及其设备配置与运行优化方法
Cui et al. Effect of device models on the multiobjective optimal operation of CCHP microgrids considering shiftable loads
Chen et al. Economic and environmental operation of power systems including combined cooling, heating, power and energy storage resources using developed multi-objective grey wolf algorithm
WO2021062753A1 (zh) 综合能源系统的仿真方法、装置和计算机可读存储介质
CN114383299B (zh) 基于大数据与动态仿真的中央空调系统运行策略优化方法
CN112149980A (zh) 区域级综合能源系统能效分析方法及系统
CN111539584B (zh) 一种用户级综合能源系统规划方法、系统以及设备
Tan et al. Feasibility study on the construction of multi-energy complementary systems in rural areas—Eastern, central, and western parts of China are taken as examples
CN111429301B (zh) 一种容量配置和运行策略的协同优化处理方法和装置
CN115759604B (zh) 一种综合能源系统优化调度方法
CN112001523A (zh) 考虑多种储能的综合能源多尺度优化调度控制方法及系统
CN113609778B (zh) 一种综合能源系统多目标优化方法及系统
CN115879601A (zh) 一种零碳园区综合能源优化配置方法及系统
Yu et al. Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction
WO2021062749A1 (zh) 综合能源系统的控制方法、装置和计算机可读存储介质
Nasiri et al. Data analytics and information technologies for smart energy storage systems: A state-of-the-art review
Li et al. Control method of multi-energy system based on layered control architecture
Ren et al. Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN112446552A (zh) 一种生物质气化冷热电联供系统的多目标优化方法
CN111126675A (zh) 多能互补微网系统优化方法

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