CN113837551B - 一种短期能源系统模型领域多目标决策优化方法 - Google Patents
一种短期能源系统模型领域多目标决策优化方法 Download PDFInfo
- Publication number
- CN113837551B CN113837551B CN202110997542.0A CN202110997542A CN113837551B CN 113837551 B CN113837551 B CN 113837551B CN 202110997542 A CN202110997542 A CN 202110997542A CN 113837551 B CN113837551 B CN 113837551B
- Authority
- CN
- China
- Prior art keywords
- power
- node
- energy
- energy system
- objective
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011161 development Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 239000000446 fuel Substances 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 6
- 239000002803 fossil fuel Substances 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 206010064571 Gene mutation Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 230000018109 developmental process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000033772 system development Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种短期能源系统模型领域多目标决策优化方法，用于能源系统建设决策，包括以下步骤：步骤S1、基于Oemof框架构建多节点的高时空分辨率能源系统的开发模型；步骤S2、以年总成本和CO2排放量为优化目标进行多目标决策优化开发模型；步骤S3、基于遗传算法进行多目标优化求解；本发明可以实现能源系统决策时的高时间和空间分辨率、多部分耦合和多目标优化。
Description
技术领域
本发明涉及能源技术领域，尤其是一种短期能源系统模型领域多目标决策优化方法。
背景技术
能源规划和情景生成在为未来能源系统的讨论提供方向和材料以及支持决策者制定能源部门的短期和长期战略方面发挥着中心作用。主要的能量建模方法分为自顶向下和自底向上。自下而上的模型主要关注技术方面，没有考虑市场行为。他们的研究范围是分析未来能源系统的替代方案。自上而下的模型更多地被经济学家使用，它侧重于评估特定能源政策对社会增长、就业或地方决策等其他领域的宏观经济影响。
在自下而上能源系统建模领域，模型可以进行简单仿真、调度/运行优化、单目标决策优化或多目标决策优化。通过一个简单的模拟，可以根据预定义的标准和优先级生成一年中各种来源的调度策略。
目前的优化方法都没有使用由同时实现多节点方法、小时时间步长、多部分耦合和多目标优化所提供的高分辨率。因此，同时实现高时间和空间分辨率、多部分耦合和多目标优化是该领域的重要研究空白。
发明内容
本发明提出一种短期能源系统模型领域多目标决策优化方法，可以实现能源系统决策时的高时间和空间分辨率、多部分耦合和多目标优化。
一种短期能源系统模型领域多目标决策优化方法，用于能源系统建设决策，包括以下步骤：
步骤S1、基于Oemof框架构建多节点的高时空分辨率能源系统的开发模型；
步骤S2、以年总成本和CO2排放量为优化目标进行多目标决策优化开发模型；
步骤S3、基于遗传算法进行多目标优化求解。
所述基于Oemof框架构建多节点的高时空分辨率能源系统开发模型，其方法是采用基于小时的调度/操作，并把模型的决策应用有效时期为一年以内的时间范围，该模型中，能源系统的输入量包括光伏容量、风力容量、储能容量、电网容量、建筑能源效率百分比，还包括负荷、光伏、风力的分布信息，以及建筑能源效率百分比。
所述高时空分辨率能源系统的开发模型，包括热功能模块、冷功能模块、交通功能模块。
所述能源系统中，在利用电网和区域火电生产能力覆盖剩余负荷之前，先将可再生能源产量作为参数传递到单个节点。
热功能模块的输入包括每个节点的每种技术所覆盖的热量需求、每个节点的热需求廓线、COP和效率、模型中每个节点的能效-成本曲线、模型中每个节点的能效变量、燃料成本、燃料排放系数；
热功能模块的输出包括能效计算后各技术的热需求、能源刷新后供热部分的新电力需求、能源刷新后的燃料成本、模型中每个节点的能效-成本曲线、能源刷新后的CO2排放量、能效成本、每种技术的决策和运维成本；
冷功能模块的输入包括：每个节点冷需求、每个节点冷需求廓线；
冷功能模块的输出包括：每个节点冷部分新增电力需求；
交通功能模块的输入包括：每个节点的运输燃料消耗、每个节点的电动出行电力需求廓线、燃料具体成本；
交通功能的输出包括：交通部分对每个节点新增电力需求、每个节点的燃料成本、每个节点的CO2排放。
所述步骤S2中，多目标决策优化开发模型的决策变量为Oemof框架系统的输入量，包括光伏容量、风力容量、储能容量、电网容量、建筑能源效率百分比和负荷、光伏、风力等的分布信息，以及建筑能源效率百分比。
所述多目标决策优化开发模型的的约束条件包括：
约束A1、每个节点的逐时功率均衡，
即
其中，En,u,t表示t时段发电机u在节点n的发电量，Dn,t表示节点n在t时刻的电力需求，是储存单元通过释放储存而提供的电力，/>是为储存设备充电的电力，/>是在电力传输中失去的电力；如果发电量在任何时候超过需求，则在相应的决策变量内计算多余的发电量；
约束A2、每个发电机组的最大功率的定义，即每个化石燃料发电机提供的功率Pu,t必须为正数，且小于或等于其标称容量Pnom,u，即0≤Pu,t≤Pnom,u；
约束A3、基于化石燃料的发电和一般的可调度发电Pu,t受限于燃料在Qt时刻的可用性，其表述为基于工厂的具体效率和燃料供应产生的功率的依赖关系，即Pu,t/ηu≤Qt，其中，ηu为发电机组的效率；
约束A4、存储平衡的表述，其用于解释存储单元的充放电和自放电，适用于U中的每个存储单元u和T中的每个时间步长t，如下所示：
其中为存储单元u在t时刻的充电功率，/>为存储单元u在t时刻的放电功率，/>和/>分别为存储单元u的充电效率和放电过程效率，Su,t为存储单元u在t时刻的状态，/>为存储单元的自放电效率；
约束A5、存储水平Su,t受存储单元u的标称存储容量的限制，即Su,t≤NSu；
约束A6，电网中的传输线限制，具体为在t时刻，相对于连接两个节点的电力线u的潮流潮流受标称传输值/>的限制，即/>
决策优化的两个目标是由电力、热和交通工具贡献的能源系统的年总成本和二氧化碳总排放量，如下所示：
AC＝ACElectricity+ACHeat+ACMobility
所述步骤S3的具体方法为从一个由随机个体或随机解组成的初始种群开始，该初始种群具有随机决策变量和对应的适应度值，适应度值即目标函数结果；依次执行以下步骤：
i)根据适应度值选择最佳个体；
ii)基因之间的交叉，即单个决策变量的值，
iii)基因突变，即基因的随机修改以引入多样性；
最终当个体适应度函数达到预设的收敛准则时，输出最终结果。
所述方法还包括执行系统，所述执行系统用于执行所述短期能源系统模型领域多目标决策优化方法。
本发明提供了一种短期能源系统模型领域多目标决策优化方法，基于Oemof框架构建了多节点的高时空分辨率能源系统开发模型，基于此构建了以年总成本和CO2排放量为目标的多目标决策优化模型，基于遗传算法对模型求解，得到最佳的规划方案，可以实现能源系统的高时间和空间分辨率、多部分耦合和多目标优化。
本发明构建了高时空分辨率能源系统开发模型，确定了多目标的决策优化模型并提出基于遗传算法的模型求解方法，实现了小时时间分辨率，多节点方法，从而实现了高空间分辨率，集成了电力、热力和交通模块，实现了多目标决策优化方法。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是多目标决策优化方法的流程示意图；
附图2是基于Oemof框架构建多节点的能源系统开发模型示意图；
附图3是热功能模块输入输出示意图；
附图4是冷功能模块输入输出示意图；
附图5是交通功能模块输入输出示意图；
附图6是基于遗传算法的多目标优化算法求解流程的示意图。
具体实施方式
如图所示，一种短期能源系统模型领域多目标决策优化方法，用于能源系统建设决策，包括以下步骤：
步骤S1、基于Oemof框架构建多节点的高时空分辨率能源系统的开发模型；
步骤S2、以年总成本和CO2排放量为优化目标进行多目标决策优化开发模型；
步骤S3、基于遗传算法进行多目标优化求解。
所述基于Oemof框架构建多节点的高时空分辨率能源系统开发模型，其方法是采用基于小时的调度/操作，并把模型的决策应用有效时期为一年以内的时间范围，该模型中，能源系统的输入量包括光伏容量、风力容量、储能容量、电网容量、建筑能源效率百分比，还包括负荷、光伏、风力的分布信息，以及建筑能源效率百分比。
所述高时空分辨率能源系统的开发模型，包括热功能模块、冷功能模块、交通功能模块。
所述能源系统中，在利用电网和区域火电生产能力覆盖剩余负荷之前，先将可再生能源产量作为参数传递到单个节点。
热功能模块的输入包括每个节点的每种技术所覆盖的热量需求、每个节点的热需求廓线、COP和效率、模型中每个节点的能效-成本曲线、模型中每个节点的能效变量、燃料成本、燃料排放系数；
热功能模块的输出包括能效计算后各技术的热需求、能源刷新后供热部分的新电力需求、能源刷新后的燃料成本、模型中每个节点的能效-成本曲线、能源刷新后的CO2排放量、能效成本、每种技术的决策和运维成本；
冷功能模块的输入包括：每个节点冷需求、每个节点冷需求廓线；
冷功能模块的输出包括：每个节点冷部分新增电力需求；
交通功能模块的输入包括：每个节点的运输燃料消耗、每个节点的电动出行电力需求廓线、燃料具体成本；
交通功能的输出包括：交通部分对每个节点新增电力需求、每个节点的燃料成本、每个节点的CO2排放。
所述步骤S2中，多目标决策优化开发模型的决策变量为Oemof框架系统的输入量，包括光伏容量、风力容量、储能容量、电网容量、建筑能源效率百分比和负荷、光伏、风力等的分布信息，以及建筑能源效率百分比。
所述多目标决策优化开发模型的的约束条件包括：
约束A1、每个节点的逐时功率均衡，
即
其中，En,u,t表示t时段发电机u在节点n的发电量，Dn,t表示节点n在t时刻的电力需求，是储存单元通过释放储存而提供的电力，/>是为储存设备充电的电力，/>是在电力传输中失去的电力；如果发电量在任何时候超过需求，则在相应的决策变量内计算多余的发电量；
约束A2、每个发电机组的最大功率的定义，即每个化石燃料发电机提供的功率Pu,t必须为正数，且小于或等于其标称容量Pnom,u，即0≤Pu,t≤Pnom,u；
约束A3、基于化石燃料的发电和一般的可调度发电Pu,t受限于燃料在Qt时刻的可用性，其表述为基于工厂的具体效率和燃料供应产生的功率的依赖关系，即Pu,t/ηu≤Qt，其中，ηu为发电机组的效率；
约束A4、存储平衡的表述，其用于解释存储单元的充放电和自放电，适用于U中的每个存储单元u和T中的每个时间步长t，如下所示：
其中为存储单元u在t时刻的充电功率，/>为存储单元u在t时刻的放电功率，/>和/>分别为存储单元u的充电效率和放电过程效率，Su,t为存储单元u在t时刻的状态，/>为存储单元的自放电效率；
约束A5、存储水平Su,t受存储单元u的标称存储容量的限制，即Su,t≤NSu；
约束A6，电网中的传输线限制，具体为在t时刻，相对于连接两个节点的电力线u的潮流潮流受标称传输值/>的限制，即/>
决策优化的两个目标是由电力、热和交通工具贡献的能源系统的年总成本和二氧化碳总排放量，如下所示：
AC＝ACElectricity+ACHeat+ACMobility
所述步骤S3的具体方法为从一个由随机个体或随机解组成的初始种群开始，该初始种群具有随机决策变量和对应的适应度值，适应度值即目标函数结果；依次执行以下步骤：
i)根据适应度值选择最佳个体；
ii)基因之间的交叉，即单个决策变量的值，
iii)基因突变，即基因的随机修改以引入多样性；
最终当个体适应度函数达到预设的收敛准则时，输出最终结果。
Claims (6)
1.一种短期能源系统模型领域多目标决策优化方法，用于能源系统建设决策，其特征在于：包括以下步骤：
步骤S1、基于Oemof框架构建多节点的高时空分辨率能源系统的开发模型；
步骤S2、以年总成本和CO2排放量为优化目标进行多目标决策优化开发模型；
步骤S3、基于遗传算法进行多目标优化求解；
所述基于Oemof框架构建多节点的高时空分辨率能源系统开发模型，其方法是采用基于小时的调度/操作，并把模型的决策应用有效时期为一年以内的时间范围，该模型中，能源系统的输入量包括光伏容量、风力容量、储能容量、电网容量、建筑能源效率百分比，还包括负荷、光伏、风力的分布信息，以及建筑能源效率百分比；
所述步骤S2中，多目标决策优化开发模型的决策变量为Oemof框架系统的输入量，包括光伏容量、风力容量、储能容量、电网容量、建筑能源效率百分比和负荷、光伏、风力的分布信息，以及建筑能源效率百分比；
所述多目标决策优化开发模型的约束条件包括：
约束A1、每个节点的逐时功率均衡，
即
其中，En,u,t表示t时段发电机u在节点n的发电量，Dn,t表示节点n在t时刻的电力需求，是储存单元通过释放储存而提供的电力，/>是为储存设备充电的电力，/>是在电力传输中失去的电力；如果发电量在任何时候超过需求，则在相应的决策变量内计算多余的发电量；
约束A2、每个发电机组的最大功率的定义，即每个化石燃料发电机提供的功率Pu,t必须为正数，且小于或等于其标称容量Pnom,u，
即0≤Pu,t≤Pnom,u；
约束A3、基于化石燃料的发电和一般的可调度发电Pu,t受限于燃料在Qt时刻的可用性，其表述为基于工厂的具体效率和燃料供应产生的功率的依赖关系，
即Pu,t/ηu≤Qt，
其中，ηu为发电机组的效率；
约束A4、存储平衡的表述，其用于解释存储单元的充放电和自放电，适用于U中的每个存储单元u和T中的每个时间步长t，如下所示：
其中为存储单元u在t时刻的充电功率，/>为存储单元u在t时刻的放电功率，和/>分别为存储单元u的充电效率和放电过程效率，Su,t为存储单元u在t时刻的状态，/>为存储单元的自放电效率；
约束A5、存储水平Su,t受存储单元u的标称存储容量的限制，
即Su,t≤NSu；
约束A6，电网中的传输线限制，具体为在t时刻，相对于连接两个节点的电力线u的潮流受标称传输值/>的限制，
即
所述步骤S3的具体方法为从一个由随机个体或随机解组成的初始种群开始，该初始种群具有随机决策变量和对应的适应度值，适应度值即目标函数结果；
依次执行以下步骤：
i)根据适应度值选择最佳个体；
ii)基因之间的交叉，即单个决策变量的值，
iii)基因突变，即基因的随机修改以引入多样性；
最终当个体适应度函数达到预设的收敛准则时，输出最终结果。
2.根据权利要求1所述的一种短期能源系统模型领域多目标决策优化方法，其特征在于：所述高时空分辨率能源系统的开发模型，包括热功能模块、冷功能模块、交通功能模块。
3.根据权利要求2所述的一种短期能源系统模型领域多目标决策优化方法，其特征在于：所述能源系统中，在利用电网和区域火电生产能力覆盖剩余负荷之前，先将可再生能源产量作为参数传递到单个节点。
4.根据权利要求3所述的一种短期能源系统模型领域多目标决策优化方法，其特征在于：热功能模块的输入包括每个节点的每种技术所覆盖的热量需求、每个节点的热需求廓线、COP和效率、模型中每个节点的能效-成本曲线、模型中每个节点的能效变量、燃料成本、燃料排放系数；
热功能模块的输出包括能效计算后各技术的热需求、能源刷新后供热部分的新电力需求、能源刷新后的燃料成本、模型中每个节点的能效-成本曲线、能源刷新后的CO2排放量、能效成本、每种技术的决策和运维成本；
冷功能模块的输入包括：每个节点冷需求、每个节点冷需求廓线；
冷功能模块的输出包括：每个节点冷部分新增电力需求；
交通功能模块的输入包括：每个节点的运输燃料消耗、每个节点的电动出行电力需求廓线、燃料具体成本；
交通功能的输出包括：交通部分对每个节点新增电力需求、每个节点的燃料成本、每个节点的CO2排放。
5.根据权利要求1所述的一种短期能源系统模型领域多目标决策优化方法，其特征在于：决策优化的两个目标是由电力、热和交通工具贡献的能源系统的年总成本和二氧化碳总排放量，如下所示：
AC＝ACElectricity+ACHeat+ACMobility
6.根据权利要求1所述的一种短期能源系统模型领域多目标决策优化方法，其特征在于：所述方法还包括执行系统，所述执行系统用于执行所述短期能源系统模型领域多目标决策优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110997542.0A CN113837551B (zh) | 2021-08-27 | 2021-08-27 | 一种短期能源系统模型领域多目标决策优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110997542.0A CN113837551B (zh) | 2021-08-27 | 2021-08-27 | 一种短期能源系统模型领域多目标决策优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837551A CN113837551A (zh) | 2021-12-24 |
| CN113837551B true CN113837551B (zh) | 2023-08-04 |
Family
ID=78961399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110997542.0A Active CN113837551B (zh) | 2021-08-27 | 2021-08-27 | 一种短期能源系统模型领域多目标决策优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837551B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3343496A1 (en) * | 2016-12-28 | 2018-07-04 | Robotina d.o.o. | Method and system for energy management in a facility |
| KR20180101669A (ko) * | 2017-03-03 | 2018-09-13 | 연세대학교 산학협력단 | 태양열 시스템의 최적 대안을 결정하기 위한 통합 다목적 최적화 모델 |
| CN109784569A (zh) * | 2019-01-23 | 2019-05-21 | 华北电力大学 | 一种区域综合能源系统优化控制方法 |
| CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
-
2021
- 2021-08-27 CN CN202110997542.0A patent/CN113837551B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3343496A1 (en) * | 2016-12-28 | 2018-07-04 | Robotina d.o.o. | Method and system for energy management in a facility |
| KR20180101669A (ko) * | 2017-03-03 | 2018-09-13 | 연세대학교 산학협력단 | 태양열 시스템의 최적 대안을 결정하기 위한 통합 다목적 최적화 모델 |
| CN109784569A (zh) * | 2019-01-23 | 2019-05-21 | 华北电力大学 | 一种区域综合能源系统优化控制方法 |
| CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进多种群遗传算法的节能环保多目标优化模型;韦杏秋;陈碧云;陈绍南;;电网与清洁能源(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837551A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
| CN112069720A (zh) | 一种综合能源系统及其运行优化方法 | |
| CN102509175A (zh) | 分布式供电系统可靠性优化方法 | |
| Ding et al. | Operation optimization for microgrids under centralized control | |
| CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| Xu et al. | Optimization based on tabu search algorithm for optimal sizing of hybrid PV/energy storage system: Effects of tabu search parameters | |
| Ren et al. | Multitime scale coordinated scheduling for electric vehicles considering photovoltaic/wind/battery generation in microgrid | |
| CN114884110A (zh) | 一种源网荷多约束条件下的电力系统储能优化运行方法 | |
| Dahmane et al. | Decentralized control of electric vehicle smart charging for cost minimization considering temperature and battery health | |
| CN106503865B (zh) | 一种基于机会约束规划的混合储能容量优化配置方法 | |
| Ren et al. | Multi-objective optimization for dc microgrid using combination of nsga-ii algorithm and linear search method | |
| CN117833320A (zh) | 一种含分布式光伏配电网中储能的优化调度方法和系统 | |
| CN113488990A (zh) | 基于改进的蝙蝠算法的微电网优化调度方法 | |
| Zhuang et al. | Micro-grid energy storage location and sizing optimization method based on demand response | |
| CN113837551B (zh) | 一种短期能源系统模型领域多目标决策优化方法 | |
| Krim et al. | Joint optimisation of sizing and fuzzy logic power management of a hybrid storage system considering economic reliability indices | |
| Koutroulis et al. | Optimal design and economic evaluation of a battery energy storage system for the maximization of the energy generated by wind farms in isolated electric grids | |
| Koochaki et al. | Optimal design of solar-wind hybrid system using teaching-learning based optimization applied in charging station for electric vehicles | |
| CN114336597A (zh) | 基于自适应惩罚函数粒子群算法的光储逆变器能量调度 | |
| Kai et al. | Optimization for PV-ESS in Distribution Network Based on CSBO | |
| Li et al. | Price-guided cooperation of combined offshore wind and hydrogen plant, hydrogen pipeline network, power network, and transportation network | |
| Zhang et al. | Capacity optimization allocation method for off-grid RES-H2 microgrid system considering the load-follow-source mechanism | |
| CN105958479A (zh) | 一种含钠硫电池的微电网能量管理优化方法 | |
| Scarabaggio et al. | On Controlling Battery Degradation in Vehicle-to-Grid Energy Markets | |
| Zhang et al. | Research on the optimal scheduling of a multi-storage combined integrated energy system based on an energy supply grading strategy |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Siyu Inventor after: Lin Keyao Inventor after: Liu Lin Inventor after: Xun Chao Inventor after: Hong Juhua Inventor before: Yang Siyu Inventor before: Lin Keyao Inventor before: Liu Lin Inventor before: Xun Chao Inventor before: Hong Juhua |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |