CN114611793A - 考虑短期负荷预测的综合能源系统优化方法及装置 - Google Patents
考虑短期负荷预测的综合能源系统优化方法及装置 Download PDFInfo
- Publication number
- CN114611793A CN114611793A CN202210242782.4A CN202210242782A CN114611793A CN 114611793 A CN114611793 A CN 114611793A CN 202210242782 A CN202210242782 A CN 202210242782A CN 114611793 A CN114611793 A CN 114611793A
- Authority
- CN
- China
- Prior art keywords
- energy
- model
- load
- water tank
- energy system
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000004146 energy storage Methods 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 96
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 59
- 239000002918 waste heat Substances 0.000 claims description 48
- 238000011084 recovery Methods 0.000 claims description 43
- 238000002485 combustion reaction Methods 0.000 claims description 38
- 239000007789 gas Substances 0.000 claims description 38
- 238000010438 heat treatment Methods 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 29
- 238000001816 cooling Methods 0.000 claims description 28
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000005338 heat storage Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005485 electric heating Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005057 refrigeration Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 2
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 2
- 229910052794 bromium Inorganic materials 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010792 warming 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提出一种考虑短期负荷预测的综合能源系统优化方法及装置,该方法考虑精确负荷预测和多种储能形式,以提高当前综合能源系统的负荷预测精度和多种能量的协调控制。研究综合能源系统中设备的运行特点和用能过程,利用人工神经网络建立准确的短期负荷预测模型,有效预测用户需求。采用0‑1混合整数线性规划方法,提出综合能源系统设备调度方案,建立了经济最优的系统运行模型。本发明与现有的综合能源系统优化方法相比,考虑并提出了将预测和控制相结合的综合能源系统优化策略,相较于传统的系统优化提升了优化调度结果的可行性,同时考虑了额外的能源类型,解决不同类型能量耦合问题,增加了更多形式的储能,拓宽了优化范围。
Description
技术领域
本发明涉及电力技术领域,具体是一种考虑短期负荷预测的综合能源系统优化方法及装置。
背景技术
当前世界各国都在面临能源短缺的问题,化石能源大量使用,导致全球变暖,环境破坏等问题。一方面,世界各国在积极探索新的能源形式,以此来代替化石能源的使用。另一方面科技的快速发展使得不同类型的电气设施日益增加,多种可再生能源在能源供给中所占的比例日益增高,电力系统中能量供给的形态越来越多样。使用新能源供电时,由于用户负荷的不确定性,需要对系统进行调控,根据用户需求对新能源发电和储能进行调整。减少因调度所产生的能量损失。同时多能互补可以实现供能的削峰填谷,实现最大的经济效益。因此综合能源供应系统得到广泛应用。随着大量综合能源联合供应系统的建立,能源供给侧的随机性增强,可控性降低,因此需要增加对多种能量的需求分析和各个设备的调度分析,构建区域性的综合能源系统就显得尤为重要了。综合能源系统以天然气冷热电联供系统为基础,通过添加不同种类的新能源发电设备,制冷制热设备,储能装置等构成,可以为用户提供冷热电气等多种形式的能源,其中一次能源利用率可以达到80%以上,是现今能源系统中最具潜力的一种。
而当前对于综合能源系统的相关研究都将重点放在了综合能源系统的优化调度上,对于优化中所使用的负荷多采用典型日数据进行预测或不进行负荷预测直接使用真实数据进行分析。而针对综合能源系统预测的研究重点又多集中在对于新能源发电设备的功率预测以及对电力系统用户负荷预测。对于其他类型的能量负荷预测的研究还存在不足。同时当前研究的综合能源系统使用能量种类和储能形式较为单一。因此兼顾考虑综合能源系统中的优化调度和负荷预测的系统优化方法就显得尤为重要了。
发明内容
本发明所要解决的问题是提供一种考虑短期负荷预测的综合能源系统优化方法及装置,确定综合能源系统最优调度方案,为综合能源系统的合理运行提供技术支持。
根据本发明的第一方面,本发明提供了一种考虑短期负荷预测的综合能源系统优化方法,包括以下步骤:
S1:建立负荷预测模型,对用户不同类型能量需求进行预测,得到用户各类能量负荷数据;
S2:基于多种能量之间的耦合关系,建立含多种储能的冷热电综合能源系统模型;
S3:以日收益最大为所述综合能源系统模型的目标函数,并构建所述综合能源系统模型的约束条件;
S4:根据所述用户各类能量负荷数据和所述约束条件,结合预设的优化算法对所述综合能源系统模型进行模型求解,得到综合能源系统设备最优调度方案。
优选地,步骤S1中,利用园区的历史数据对园区的日前负荷进行预测,得到用户各类能量负荷数据;
所述历史数据包括:历史负荷曲线、园区供冷季和供热季的时间、天气、温度;负荷种类包括:电能、冷/热能。
优选地,步骤S1具体包括:
获取园区的历史数据,对相应的供热/供冷标志位、预测天数标志位进行判断,对读取到的月份进行量化值处理,得到处理后的数据;
将所述处理后的数据共分为训练样本、测试样本和预测数据;
对训练样本、测试样本和预测数据分别进行归一化处理,得到归一化后的训练样本、测试样本和预测数据;
构建人工神经网络模型;
通过所述归一化后的训练样本对所述人工神经网络进行训练,并通过所述归一化后的测试样本进行测试,得到负荷预测模型;
将所述归一化的预测数据输入所述负荷预测模型,得到用户各类能量负荷数据。
优选地,步骤S2中,所述多种储能的冷热电综合能源系统模型,包括:燃气内燃机模型、溴化锂制冷机模型、离心式制冷机模型、余热回收装置模型和冷/热储能水箱模型。
优选地,所述燃气内燃机模型的数学表达式为:
EGE=GGEηGEδGE
Qexh=GGEηREδGE
CGE=prepairEGE+pf(t)GGE
式中,EGE为燃气内燃机产生电能,单位为kWh,GGE为天然气热量流量,单位为m3/h,ηGE为燃气内燃机电能转换效率,ηRE为燃气内燃机余热回收效率,Qexh为燃气内燃机可利用余热,单位为kJ,δ为设备启停的逻辑变量,其中δ∈(0,1),δGE表示燃气内燃机启停,pf(t)为t时刻天然气价格,prepair为单位维修成本,CGE为燃气内燃机运行费用;
所述溴化锂制冷机模型的数学表达式为:
QLB_C=ηLB_CQexh,1δLB_C
CLB_C=pbuyE(t)ELB_C
式中,QLB_C为溴化锂制冷机制冷量,单位为kJ,Qexh,1为燃气内燃机产生余热被溴化锂制冷机所吸收部分,单位为kJ,ηLB_C为溴化锂制冷机电冷转换效率,δLB_C表示溴化锂制冷机启停,pbuyE(t)为t时刻购电电价,CLB_C为溴化锂制冷机运行费用,ELB_C为溴化锂制冷机所消耗电能;
所述离心式制冷机模型的数学表达式为:
QEC=ηECEECδEC
CEC=pbuyE(t)EEC
式中,QEC表示为离心式制冷机制冷量,单位为kJ,EEC表示为离心式制冷机所消耗的电能,单位为kWh,ηEC表示离心式制冷机的转换效率,δEC表示溴化锂制冷机的启停,CEC为离心式制冷机运行费用;
所述余热回收装置模型的数学表达式为:
QLB_H=ηLB_HQexh,2δLB_H
CLB_H=pbuyE(t)ELB_H
余热回收装置为溴化锂制冷机的一部分,QLB_H为余热回收装置所产生热量,单位为kJ,Qexh,2表示为燃气内燃机所产生余热可被余热回收装置所吸收部分,单位为kJ,ηLB_H表示余热回收装置能量回收效率,δLB_H表示余热回收装置的启停,CLB_H为余热回收装置运行费用,ELB_H为余热回收装置的所消耗电能;
所述冷储能水箱模型的数学表达式为:
式中,QC为当前储能水箱冷储能所储能量,单位为kJ,QsC(t)和QuC(t)分别表示t时刻储能水箱进行存储和释放的冷量,单位为kJ,ηC,in和ηC,out分别表示为进行冷储能的效率和释放储能的效率,Δt表示为进行或释放储能的时间,调度区间为一小时,N最大值为24,Q1为储能水箱冷量逸散的速率,单位为kJ。
所述热储能水箱模型的数学表达式为:
式中,QH为当前储能水箱热储能所储能量,单位为kJ,QsH(t)和QuH(t)分别表示t时刻储能水箱进行存储和释放的热量,单位为kJ,ηH,in和ηH,out分别表示为进行热储能的效率和释放储能的效率,Δt表示为进行或释放储能的时间,Q2为储能水箱热量逸散的速率,单位为kJ。
优选地,步骤S3中,以综合能源系统的日收益最大作为目标函数;
日收益包括:初期投资成本、每日能源消耗成本和每日能源供应收入;
目标函数为:
Ctotal=Cr-Cz-cCc
式中,Ctotal为日收益,Cc为初期投资成本,Cz为每日能源消耗成本,Cr为每日能源供应收入,c为初期投资成本比例系数;
其中,综合能源系统的每日能源消耗成本如下:
式中,T表示为每日小时数,ps为设备启动费用,Rs为启动次数,pmon为每月固定费用,pfun为设备运行时间成本,Rfun为运行时间;
综合能源系统的每日能源供应收入如下:
式中,QLB、QEC、QTC分别为溴化锂制冷机、离心式制冷机、储能水箱出售能量,pselE(t)为t时刻售电价格,pLoad(t)为售冷/热能量价格;
为确保综合能源系统能够正常合理运行,应满足以下约束:
(1)电热冷能量平衡约束:
式中,EGE、ELB_C(t)、ELB_H(t)、EEC(t)、Ebuy(t)、Esel(t)和ELoad(t)分别为t时刻燃气内燃机产生电能,溴化锂制冷机耗电量,余热回收装置耗电量,离心式制冷机耗电量,从电网购电电量,向电网售电电量和用户电负荷量。QLB_H(t)、QsH(t)、QuH(t)和QLoad_H(t)分别为t时刻余热回收装置制热量,储能水箱储热量,储能水箱放热量和用户热负荷量。QLB_C(t)、QEC(t)、QsC(t)、QuC(t)和QLoad_C(t)分别为t时刻溴化锂制冷机制冷量,离心式制冷机制冷量,储能水箱储冷量,储能水箱放冷量和用户冷负荷量。
(2)输出功率约束:
式中,EGE_min、EGE_max、QLB_H_min、QLB_H_max、QLB_C_min、QLB_C_max、QEC_min、QEC_max分别为燃气内燃机、余热回收装置、溴化锂制冷机和离心式制冷机的最小、最大产能量,EGrid_min、EGrid_max表示与电网最小、最大传输能量,QH_max为储能水箱储热最大容量,QC_max为储能水箱储冷最大容量,QspeedH、QspeedC为储能水箱供热、供冷最大能量传输速率。
优选地,步骤S4中,所述优化算法为分支定界算法,求解所建立的综合能源系统模型,该模型为0-1混合整数线性规划模型。
根据本发明的另一方面,本发明提供了一种考虑短期负荷预测的综合能源系统优化装置,包括以下模块:
负荷预测模块,用于建立负荷预测模型,对用户不同类型能量需求进行预测,得到用户各类能量负荷数据;
综合模型构建模块,用于基于多种能量之间的耦合关系,建立含多种储能的冷热电综合能源系统模型,根据所述用户各类能量负荷数据,分析综合能源系统模型中设备的运行特点和用能过程;
综合模型约束模块,用于以日收益最大为所述综合能源系统模型的目标函数,并构建所述综合能源系统模型的约束条件;
综合模型优化求解模块,用于根据所述用户各类能量负荷数据和所述约束条件,结合预设的优化算法对所述综合能源系统模型进行模型求解,得到综合能源系统设备最优调度方案。
本发明提供的技术方案具有以下有益效果:
1)本发明考虑并提出了将预测和控制相结合综合能源系统优化策略,相较于传统的系统优化提升了优调度结果的可行性,且可用于实际系统项目。在优化结果上提升了园区综合能源系统的经济收益,在系统运行上考虑了实际用户用能情况,更符合真实系统需求;
2)本发明考虑了多种能源类型,解决不同类型能量耦合问题,增加了更多形式的储能,拓宽了优化范围。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例考虑短期负荷预测的综合能源系统优化方法的流程图;
图2是本发明实施例综合能源系统结构示意图;
图3是本发明实施例供冷/供热季用户负荷预测误差分析图;
图4是本发明实施例人工神经网络与传统方法负荷预测对比图;
图5是本发明实施例某日用户冷热负荷预测结果示意图;
图6是本发明实施例供热季以热定电方式优化设备出力示意图;
图7是本发明实施例供热季以电定热方式优化设备出力示意图;
图8是本发明实施例供冷季以热定电方式优化设备出力示意图;
图9是本发明实施例供冷季以电定热方式优化设备出力示意图;
图10是本发明实施例系统优化后收益对比图;
图11是本发明实施例考虑短期负荷预测的综合能源系统优化装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参见图1,本发明实施例提供了一种考虑短期负荷预测的综合能源系统优化方法,该方法考虑增加精确负荷预测和多种储能形式,以提高当前综合能源系统的负荷预测精度和多种能源的协调控制。利用人工神经网络建立准确的短期负荷预测模型,有效预测用户需求。采用0-1混合整数线性规划方法,分析了具有储能、冷能、热能、电能的多能源系统的最优控制策略,解决了最优协调问题。通过研究综合能源系统中设备的运行特点和用能过程,提出了气、热、冷、电一体化能源系统的设备调度方案。在考虑能源与电网能量协调的基础上,建立了以利润最大化为目标的系统经济运行模型。系统结构图如图2所示,所述方法具体包括如下步骤:
S1:建立用户负荷预测模型,对用户不同类型能量需求进行预测,得到用户各类能量负荷数据;
步骤S1中,利用园区的历史负荷曲线、园区供冷季和供热季的时间(工作日、非工作日)、天气、温度等历史数据,对园区的日前负荷进行预测,负荷种类为电能,冷/热能。
选择2018年至2020年的负荷数据进行分析,删除不能准确反映标准负荷曲线规律的负荷数据,对于具有标准负荷曲线趋势的负荷数据进行了保留,最终供冷季选取约5300组用于供冷季原始数据集,供热季选取约5400组数据用于供热季原始数据集。
步骤S1具体包括:
步骤1:读取数据。根据获取的样本数据,对相应的供热/供冷标志位、预测天数标志位进行判断,对读取到的月份进行量化值处理,如表1-4所示。
表1供冷季常见天气量化值
天气 | 晴 | 多云 | 阴 | 小雨 | 雨 |
量化值 | 1 | 0.8 | 0.6 | 0.4 | 0.2 |
表2供热季常见天气量化值
天气 | 晴 | 多云 | 阴 | 小雨 | 雨 |
量化值 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 |
天气 | 雨夹雪 | 小雪 | 中雪 | 大雪 | |
量化值 | 0.7 | 0.8 | 0.9 | 1 |
表3工作日/非工作日量化值
季节 | 工作日 | 非工作日 |
供冷季 | 1 | 0.5 |
供热季 | 1 | 0.6 |
表4月份量化值
月份 | 1 | 2 | 3 | 4 | 5 | 6 |
量化值 | 1.5 | 1.6 | 1.3 | 1.1 | 0.9 | 1.4 |
月份 | 7 | 8 | 9 | 10 | 11 | 12 |
量化值 | 1.5 | 1.6 | 1.3 | 1.2 | 0.9 | 1.2 |
步骤2:设置训练数据和预测数据。对数据共分为训练样本、测试样本以及预测数据三个部分。
步骤3:训练样本归一化。
步骤4:构建人工神经网络,本实施例中选取BP神经网络。
步骤5:网络参数配置。设置训练次数为10000次、学习效率为0.01、训练目标最小误差为0.00001。
步骤6:BP神经网络训练。
步骤7:测试样本归一化和预测数据归一化。
步骤8:BP神经网络预测。
步骤9:预测结果反归一化与误差计算。
步骤10:预测完成,得到预测负荷数据组,即得到用户各类能量负荷数据。
负荷预测和对照如图3所示,其中图3(a)和3(b)为供冷季某两天分析结果,图3(c)和3(d)为供热季某两天分析结果,通过对过去的供冷季和供热季任选两天进行预测,将预测结果与用户的真实数据进行对比,发现预测负荷数据与真实情况较为接近。
对所建立的用户负荷预测模型进行分析对比。对比图如图4所示,传统的典型日预测方法的误差在15%-80%之间,而本发明通过建立用户负荷预测模型的预测方法的误差在10%-20%之间。可以看出,传统方法的预测误差明显高于人工神经网络预测方法,传统方法的波动也较大。其根本原因是,传统方法使用日均数据作为基准,忽略了天气、温度和用户率波动对用户负荷的影响。当用户负荷数据在一个月内发生显著变化时,预测数据将出现显著偏差。本发明使用的预测方法考虑了天气、温度、用户率等因素的影响,预测结果比传统方法更加一致和准确。
S2:考虑多种能量之间的耦合,建立含多种储能的冷热电综合能源系统模型,通过步骤S1预测的用户冷热电负荷数据,研究综合能源系统中设备的运行特点和用能过程;
考虑多种能量之间的耦合,建立含多种储能的冷热电综合能源系统模型,具体如下:
(1)燃气内燃机的模型:
EGE=GGEηGEδGE
Qexh=GGEηREδGE
CGE=prepairEGE+pf(t)GGE
EGE为燃气内燃机产生电能,kWh,GGE为天然气热量流量,m3/h;ηGE为燃气内燃机电能转换效率。ηRE为燃气内燃机余热回收效率;Qexh为燃气内燃机可利用余热,kJ。δ为设备启停的逻辑变量,其中δ∈(0,1),δGE表示燃气内燃机启停。pf(t)为t时刻天然气价格,prepair为单位维修成本,CGE为燃气内燃机运行费用。
(2)溴化锂制冷机模型:
QLB_C=ηLB_CQexh,1δLB_C
CLB_C=pbuyE(t)ELB_C
QLB_C为溴化锂制冷机制冷量,kJ;Qexh,1为燃气内燃机产生余热被溴化锂制冷机所吸收部分,kJ;ηLB_C为溴化锂制冷机电冷转换效率;δLB_C表示溴化锂制冷机启停。pbuyE(t)为t时刻购电电价,CLB_C为溴化锂制冷机运行费用,ELB_C为溴化锂制冷机所消耗电能。
(3)离心式制冷机模型:
QEC=ηECEECδEC
CEC=pbuyE(t)EEC
QEC表示为离心式制冷机制冷量,kJ;EEC表示为离心式制冷机所消耗的电能,kWh;ηEC表示离心式制冷机的转换效率;δEC表示溴化锂制冷机的启停,CEC为离心式制冷机运行费用。
(4)余热回收装置模型:
QLB_H=ηLB_HQexh,2δLB_H
CLB_H=pbuyE(t)ELB_H
余热回收装置为溴化锂制冷机的一部分,QLB_H为余热回收装置所产生热量,kJ;Qexh,2表示为燃气内燃机所产生余热可被余热回收装置所吸收部分,kJ;ηLB_H表示余热回收装置能量回收效率;δLB_H表示余热回收装置的启停,CLB_H为余热回收装置运行费用,ELB_H为余热回收装置的所消耗电能。
(5)冷/热储能水箱模型:
所述冷储能水箱模型的数学表达式为:
式中,QC为当前储能水箱冷储能所储能量,单位为kJ,QsC(t)和QuC(t)分别表示t时刻储能水箱进行存储和释放的冷量,单位为kJ,ηC,in和ηC,out分别表示为进行冷储能的效率和释放储能的效率,Δt表示为进行或释放储能的时间,调度区间为一小时,N最大值为24,Q1为储能水箱冷量逸散的速率,单位为kJ。
所述热储能水箱模型的数学表达式为:
式中,QH为当前储能水箱热储能所储能量,单位为kJ,QsH(t)和QuH(t)分别表示t时刻储能水箱进行存储和释放的热量,单位为kJ,ηH,in和ηH,out分别表示为进行热储能的效率和释放储能的效率,Δt表示为进行或释放储能的时间,Q2为储能水箱热量逸散的速率,单位为kJ。
S3:以日收益最大为综合能源系统模型的目标函数,构建综合能源系统模型的约束条件;
以日最大收益作为目标函数。日收益分为三个部分:初期投资成本、每日能源消耗成本和每日能源供应收入。每天的电力和燃气能源成本、设备启动成本、每月固定成本、运行时间成本包括能源成本,其中每年和每月的费用是根据比例按每天的花费计算。目标函数为:
Ctotal=Cr-Cz-cCc
Ctotal为日收益,Cc为初期投资成本,Cz为每日能源消耗成本,Cr为每日能源供应收入,c为初期投资成本比例系数。
综合能源系统的每日能源消耗成本如下:
其中,ps为设备启动费用;Rs为启动次数;pmon为每月固定费用;pfun为设备运行时间成本;Rfun为运行时间。
综合能源系统的每日能源供应收入如下:
其中,QLB、QEC、QTC分别为溴化锂制冷机,离心式制冷机,储能水箱出售能量,pselE(t)为t时刻售电价格,pLoad(t)为售冷/热能量价格。
为确保综合能源系统能够正常合理运行,应满足以下约束:
(1)电热冷能量平衡约束:
式中,EGE、ELB_C(t)、ELB_H(t)、EEC(t)、Ebuy(t)、Esel(t)和ELoad(t)分别为t时刻燃气内燃机产生电能,溴化锂制冷机耗电量,余热回收装置耗电量,离心式制冷机耗电量,从电网购电电量,向电网售电电量和用户电负荷量。QLB_H(t)、QsH(t)、QuH(t)和QLoad_H(t)分别为t时刻余热回收装置制热量,储能水箱储热量,储能水箱放热量和用户热负荷量。QLB_C(t)、QEC(t)、QsC(t)、QuC(t)和QLoad_C(t)分别为t时刻溴化锂制冷机制冷量,离心式制冷机制冷量,储能水箱储冷量,储能水箱放冷量和用户冷负荷量。
(2)输出功率约束:
式中,EGE_min、EGE_max、QLB_H_min、QLB_H_max、QLB_C_min、QLB_C_max、QEC_min、QEC_max分别为燃气内燃机、余热回收装置、溴化锂制冷机和离心式制冷机的最小、最大产能量,EGrid_min、EGrid_max表示与电网最小、最大传输能量,QH_max为储能水箱储热最大容量,QC_max为储能水箱储冷最大容量,QspeedH、QspeedC为储能水箱供热、供冷最大能量传输速率。
S4:根据步骤S1预测的用户各类能量负荷数据及步骤S3构建的综合能源系统约束条件,结合优化算法对步骤S2建立的含多种储能的冷热电综合能源系统模型进行模型求解,得到综合能源系统设备最优调度方案。
其中各设备参数设置如下表所示:
表5能源系统设备参数
设备 | 参数 |
燃气内燃机热效率 | 0.52 |
溴化锂制冷机制冷系数 | 0.75 |
溴机制热系数 | 0.91 |
燃气内燃机最大功率 | 4.044MW |
溴化锂制冷机最大制冷功率 | 3.37MW |
溴化锂制冷机最大制热功率 | 3.7MW |
离心式制冷机最大功率 | 3.37MW |
储能水箱储量 | 450m<sup>3</sup> |
储能水箱储冷充能速率 | 1.78GJ/h |
储能水箱储冷放能速率 | 3.56GJ/h |
储能水箱储热充能速率 | 7.2GJ/h |
储能水箱储热放能速率 | 7.2GJ/h |
表6多种能源价格参数
参数名称 | 取值 |
天然气气价 | 2.2元/Nm<sup>3</sup> |
冷热能量售价 | 0.5557元/kWh |
售电电价 | 0.7661元/kWh |
购电电价 | 分时电价 |
表7分时电价
综合能源系统调度优化运行是根据分时电价、天然气价格和负荷需求进行调度决策,园区有燃气内燃机2台,溴化锂制冷机2台,离心式制冷机3台,余热回收装置2台,储能水箱一个。调度优化运行结果如图6、图7所示:
供热季的经济运行是根据分时电价和天然气价格来改变的。由于当前天然气价格较低,内燃机将以最大功率运行,以实现经济效益的最大化。在规划溴化锂制冷装置时,要考虑使用时间。当电价较低时,它将从早上0点工作到7点,并储存能量。在电价高的时候,从上午8点开始到12点为止,减少了运营时间。溴化锂吸收式制冷机由于负荷增加和电费较低,提高了加热功率,从上午12点到下午4点进行储存。考虑到电价最高点,利用储存的热能在下午4点到8点之间供能。以热定电模式首先保证用户热负荷需求,根据满足热负荷需求改变自身的能量生产。剩余电量接入电网,不足电量从电网获取。图中水箱功率为正代表水箱输出能量,为负代表水箱储存能量,电网功率为正值表示向电网出售电力,而负值表示从电网购买电力。
由于供冷季天然气价格低廉,内燃机保持稳定输出功率,调度优化运行结果如图8、图9所示。在以热定电、以电定热的方法中,溴机和离心式水冷机组的出力依据分时电价进行调节。电价低时,扩大制冷量并储存,电价高时,利用储能补充制冷,从而达到设备运行的经济优化。
供冷季用户负荷较高,营收略高于供热季。由于园区的独特性,无论是以热定电还是以电定热,出售电收益都较高。因此,首先向电网出售电能可能会带来更好的经济收益,因此向用户供电可能会带来更低的回报。同时,以热定电确定能量供应既能满足用户的冷热负荷,又能满足用户的用电负荷。该模式首先保证用户对冷热负荷的需求,当发电量不足时,用户向电网购买电力,避免出现电力赤字。然而,如果以电定热,可能会出现供冷和供热不足的情况,需要对一些消费者的损失进行补偿。因此,在该系统中,以电定热方式的收益略低于以热定电方式的收益。采用武汉某园区的真实数据进行收益分析,收益结果如图10所示,其中图10(a)为2019年供热季数据对比;图10(b)为2020年供热季数据对比;图10(c)为2019年供冷季数据对比;图10(d)为2020年供冷季数据对比。收益优化效果明显优于园区实际运营收入,至少高出10.45%。证明了该发明方法与传统方法相比较的优越性。
如图11所示,本发明实施例还提供了一种考虑短期负荷预测的综合能源系统优化装置,包括以下模块:
负荷预测模块1,用于建立负荷预测模型,对用户不同类型能量需求进行预测,得到用户各类能量负荷数据;
综合模型构建模块2,用于基于多种能量之间的耦合关系,建立含多种储能的冷热电综合能源系统模型,根据所述用户各类能量负荷数据,分析综合能源系统模型中设备的运行特点和用能过程;
综合模型约束模块2,用于以日收益最大为所述综合能源系统模型的目标函数,并构建所述综合能源系统模型的约束条件;
综合模型优化求解模块4,用于根据所述用户各类能量负荷数据和所述约束条件,结合预设的优化算法对所述综合能源系统模型进行模型求解,得到综合能源系统设备最优调度方案。
本发明考虑增加精确负荷预测和多种储能形式,以提高当前综合能源系统的负荷预测精度和多种能源的协调控制。利用人工神经网络建立准确的短期负荷预测模型,有效预测用户需求。采用0-1混合整数线性规划方法,分析了具有储能、冷能、热能、电能的多能源系统的最优控制策略,解决了最优协调问题。通过研究综合能源系统中设备的运行特点和用能过程,提出了气、热、冷、电一体化能源系统的设备调度方案。在考虑能源与电网能量协调的基础上,建立了以利润最大化为目标的系统经济运行模型。本发明与现有的综合能源系统优化方法相比,考虑并提出了将预测和控制相结合的综合能源系统优化策略,相较于传统的系统优化提升了优化调度结果的可行性,可用于实际系统项目。同时考虑了额外的能源类型,解决不同类型能量耦合问题,增加了更多形式的储能,拓宽了优化范围。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种考虑短期负荷预测的综合能源系统优化方法,其特征在于,包括以下步骤:
S1:建立负荷预测模型,对用户不同类型能量需求进行预测,得到用户各类能量负荷数据;
S2:基于多种能量之间的耦合关系,建立含多种储能的冷热电综合能源系统模型;
S3:以日收益最大为所述综合能源系统模型的目标函数,并构建所述综合能源系统模型的约束条件;
S4:根据所述用户各类能量负荷数据和所述约束条件,结合预设的优化算法对所述综合能源系统模型进行模型求解,得到综合能源系统设备最优调度方案。
2.根据权利要求1所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,步骤S1中,利用园区的历史数据对园区的日前负荷进行预测,得到用户各类能量负荷数据;
所述历史数据包括:历史负荷曲线、园区供冷季和供热季的时间、天气、温度;负荷种类包括:电能、冷/热能。
3.根据权利要求1所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,步骤S1具体包括:
获取园区的历史数据,对相应的供热/供冷标志位、预测天数标志位进行判断,对读取到的月份进行量化值处理,得到处理后的数据;
将所述处理后的数据共分为训练样本、测试样本和预测数据;
对训练样本、测试样本和预测数据分别进行归一化处理,得到归一化后的训练样本、测试样本和预测数据;
构建人工神经网络模型;
通过所述归一化后的训练样本对所述人工神经网络进行训练,并通过所述归一化后的测试样本进行测试,得到负荷预测模型;
将所述归一化的预测数据输入所述负荷预测模型,得到用户各类能量负荷数据。
4.根据权利要求1所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,步骤S2中,所述多种储能的冷热电综合能源系统模型包括:燃气内燃机模型、溴化锂制冷机模型、离心式制冷机模型、余热回收装置模型和冷/热储能水箱模型。
5.根据权利要求4所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,所述燃气内燃机模型的数学表达式为:
EGE=GGEηGEδGE
Qexh=GGEηREδGE
CGE=prepairEGE+pf(t)GGE
式中,EGE为燃气内燃机产生电能,单位为kWh,GGE为天然气热量流量,单位为m3/h,ηGE为燃气内燃机电能转换效率,ηRE为燃气内燃机余热回收效率,Qexh为燃气内燃机可利用余热,单位为kJ,δ为设备启停的逻辑变量,其中δ∈(0,1),δGE表示燃气内燃机启停,pf(t)为t时刻天然气价格,prepair为单位维修成本,CGE为燃气内燃机运行费用;
所述溴化锂制冷机模型的数学表达式为:
QLB_C=ηLB_CQexh,1δLB_C
CLB_C=pbuyE(t)ELB_C
式中,QLB_C为溴化锂制冷机制冷量,单位为kJ,Qexh,1为燃气内燃机产生余热被溴化锂制冷机所吸收部分,单位为kJ,ηLB_C为溴化锂制冷机电冷转换效率,δLB_C表示溴化锂制冷机启停,pbuyE(t)为t时刻购电电价,CLB_C为溴化锂制冷机运行费用,ELB_C为溴化锂制冷机所消耗电能;
所述离心式制冷机模型的数学表达式为:
QEC=ηECEECδEC
CEC=pbuyE(t)EEC
式中,QEC表示为离心式制冷机制冷量,单位为kJ,EEC表示为离心式制冷机所消耗的电能,单位为kWh,ηEC表示离心式制冷机的转换效率,δEC表示溴化锂制冷机的启停,CEC为离心式制冷机运行费用;
所述余热回收装置模型的数学表达式为:
QLB_H=ηLB_HQexh,2δLB_H
CLB_H=pbuyE(t)ELB_H
余热回收装置为溴化锂制冷机的一部分,QLB_H为余热回收装置所产生热量,单位为kJ,Qexh,2表示为燃气内燃机所产生余热可被余热回收装置所吸收部分,单位为kJ,ηLB_H表示余热回收装置能量回收效率,δLB_H表示余热回收装置的启停,CLB_H为余热回收装置运行费用,ELB_H为余热回收装置的所消耗电能;
所述冷储能水箱模型的数学表达式为:
式中,QC为当前储能水箱冷储能所储能量,单位为kJ,QsC(t)和QuC(t)分别表示t时刻储能水箱进行存储和释放的冷量,单位为kJ,ηC,in和ηC,out分别表示为进行冷储能的效率和释放储能的效率,Δt表示为进行或释放储能的时间,调度区间为一小时,N最大值为24,Q1为储能水箱冷量逸散的速率,单位为kJ;
所述热储能水箱模型的数学表达式为:
式中,QH为当前储能水箱热储能所储能量,单位为kJ,QsH(t)和QuH(t)分别表示t时刻储能水箱进行存储和释放的热量,单位为kJ,ηH,in和ηH,out分别表示为进行热储能的效率和释放储能的效率,Δt表示为进行或释放储能的时间,Q2为储能水箱热量逸散的速率,单位为kJ。
6.根据权利要求1所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,步骤S3中,以综合能源系统的日收益最大为目标函数,目标函数的数学表达式为:
Ctotal=Cr-Cz-cCc
式中,Ctotal为日收益,Cc为初期投资成本,Cz为每日能源消耗成本,Cr为每日能源供应收入,c为初期投资成本比例系数;
上式中,每日能源消耗成本如下:
式中,T表示为每日小时数,CLB_C为溴化锂制冷机运行费用,CLB_H为余热回收装置运行费用,CGE为燃气内燃机运行费用,CEC为离心式制冷机运行费用,ps为设备启动费用,Rs为启动次数,pmon为每月固定费用,pfun为设备运行时间成本,Rfun为运行时间;
每日能源供应收入如下:
式中,EGE为燃气内燃机产生电能,QLB、QEC、QTC分别为溴化锂制冷机、离心式制冷机、储能水箱出售能量,pselE(t)为t时刻售电价格,pLoad(t)为售冷/热能量价格。
7.根据权利要求1所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,步骤S3中,所述约束条件包括:
(1)电热冷能量平衡约束:
式中,EGE、ELB_C(t)、ELB_H(t)、EEC(t)、Ebuy(t)、Esel(t)和ELoad(t)分别为t时刻燃气内燃机产生电能,溴化锂制冷机耗电量,余热回收装置耗电量,离心式制冷机耗电量,从电网购电电量,向电网售电电量和用户电负荷量,QLB_H(t)、QsH(t)、QuH(t)和QLoad_H(t)分别为t时刻余热回收装置制热量,储能水箱储热量,储能水箱放热量和用户热负荷量,QLB_C(t)、QEC(t)、QsC(t)、QuC(t)和QLoad_C(t)分别为t时刻溴化锂制冷机制冷量,离心式制冷机制冷量,储能水箱储冷量,储能水箱放冷量和用户冷负荷量;
(2)输出功率约束:
式中,EGE_min、EGE_max、QLB_H_min、QLB_H_max、QLB_C_min、QLB_C_max、QEC_min、QEC_max分别为燃气内燃机、余热回收装置、溴化锂制冷机和离心式制冷机的最小、最大产能量,EGrid_min、EGrid_max表示与电网最小、最大传输能量,QH_max为储能水箱储热最大容量,QC_max为储能水箱储冷最大容量,QspeedH、QspeedC为储能水箱供热、供冷最大能量传输速率。
8.根据权利要求1所述的考虑短期负荷预测的综合能源系统优化方法,其特征在于,步骤S4中,所述优化算法为分支定界算法,求解所建立的综合能源系统模型,该模型为0-1混合整数线性规划模型。
9.一种考虑短期负荷预测的综合能源系统优化装置,其特征在于,包括以下模块:
负荷预测模块,用于建立负荷预测模型,对用户不同类型能量需求进行预测,得到用户各类能量负荷数据;
综合模型构建模块,用于基于多种能量之间的耦合关系,建立含多种储能的冷热电综合能源系统模型,根据所述用户各类能量负荷数据,分析综合能源系统模型中设备的运行特点和用能过程;
综合模型约束模块,用于以日收益最大为所述综合能源系统模型的目标函数,并构建所述综合能源系统模型的约束条件;
综合模型优化求解模块,用于根据所述用户各类能量负荷数据和所述约束条件,结合预设的优化算法对所述综合能源系统模型进行模型求解,得到综合能源系统设备最优调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242782.4A CN114611793A (zh) | 2022-03-11 | 2022-03-11 | 考虑短期负荷预测的综合能源系统优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242782.4A CN114611793A (zh) | 2022-03-11 | 2022-03-11 | 考虑短期负荷预测的综合能源系统优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611793A true CN114611793A (zh) | 2022-06-10 |
Family
ID=81863493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210242782.4A Pending CN114611793A (zh) | 2022-03-11 | 2022-03-11 | 考虑短期负荷预测的综合能源系统优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611793A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117498348A (zh) * | 2023-11-16 | 2024-02-02 | 新源聚合能源科技(北京)有限公司 | 一种综合能源系统运行优化调度方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104716644A (zh) * | 2015-03-09 | 2015-06-17 | 山东大学 | 一种可再生能源冷热电微网系统及控制方法 |
CN107290968A (zh) * | 2017-08-22 | 2017-10-24 | 南京南瑞继保电气有限公司 | 一种多能互补综合能源系统的协调优化控制方法 |
CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
CN109245093A (zh) * | 2018-09-28 | 2019-01-18 | 上海电力学院 | 一种冷热电联供分布式能源站协同优化调度方法 |
CN109696891A (zh) * | 2018-12-20 | 2019-04-30 | 北京华建网源电力设计研究院有限公司 | 包含空气源热泵和储能的微能源网系统及其运行控制方法 |
CN111105090A (zh) * | 2019-12-18 | 2020-05-05 | 沈阳鼓风机集团自动控制系统工程有限公司 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
CN111367171A (zh) * | 2020-02-18 | 2020-07-03 | 上海交通大学 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
CN113762708A (zh) * | 2021-07-01 | 2021-12-07 | 国网江西省电力有限公司赣州供电分公司 | 一种考虑多目标协同的园区级综合能源系统规划方法 |
CN114037337A (zh) * | 2021-11-23 | 2022-02-11 | 广东电网有限责任公司广州供电局 | 一种基于模型预测控制的微能源网优化调度方法及系统 |
-
2022
- 2022-03-11 CN CN202210242782.4A patent/CN114611793A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104716644A (zh) * | 2015-03-09 | 2015-06-17 | 山东大学 | 一种可再生能源冷热电微网系统及控制方法 |
CN107290968A (zh) * | 2017-08-22 | 2017-10-24 | 南京南瑞继保电气有限公司 | 一种多能互补综合能源系统的协调优化控制方法 |
CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
CN109245093A (zh) * | 2018-09-28 | 2019-01-18 | 上海电力学院 | 一种冷热电联供分布式能源站协同优化调度方法 |
CN109696891A (zh) * | 2018-12-20 | 2019-04-30 | 北京华建网源电力设计研究院有限公司 | 包含空气源热泵和储能的微能源网系统及其运行控制方法 |
CN111105090A (zh) * | 2019-12-18 | 2020-05-05 | 沈阳鼓风机集团自动控制系统工程有限公司 | 一种基于智能算法的分布式能源系统优化调度方法及装置 |
CN111367171A (zh) * | 2020-02-18 | 2020-07-03 | 上海交通大学 | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 |
CN113762708A (zh) * | 2021-07-01 | 2021-12-07 | 国网江西省电力有限公司赣州供电分公司 | 一种考虑多目标协同的园区级综合能源系统规划方法 |
CN114037337A (zh) * | 2021-11-23 | 2022-02-11 | 广东电网有限责任公司广州供电局 | 一种基于模型预测控制的微能源网优化调度方法及系统 |
Non-Patent Citations (11)
Title |
---|
HANLIN DONG等: "Optimized Operation of Integrated Energy Microgrid with Energy Storage Based on Short-Term Load Forecasting", 《ELECTRONICS》, pages 1 - 4 * |
冯志兵;金红光;: "燃气轮机冷热电联产系统与蓄能变工况特性", 中国电机工程学报, no. 04 * |
吴笑民: "多能互补智慧园区能源系统优化运行方法", 《高电压技术》, vol. 48, no. 7, pages 2545 - 2553 * |
国乐君;杨洪海;周倩倩;: "天然气冷热电三联供系统的发展趋势分析", 供热制冷, no. 08 * |
康英姿;华贲;: "区域供冷与分布式冷热电联供系统", 沈阳工程学院学报(自然科学版), no. 04 * |
彭道刚等: "考虑不同控制策略下的多能互补能源互联网优化调度", 《电力科学与技术学报》, vol. 37, no. 1, pages 17 - 28 * |
翟晶晶等: "考虑需求响应与光伏不确定性的综合能源系统鲁棒优化", 《中国电力》, vol. 53, no. 8, pages 9 - 17 * |
赵静;杨洪海;叶大法;秦伟春;: "冷热电联供与水蓄能耦合利用系统研究", 节能技术, no. 02 * |
钱虹;杨明;陈丹;崔承刚;: "分布式能源站三联供系统优化运行策略研究", 热能动力工程, no. 06 * |
陈云;李绍金;: "计及冷热电多联供机组的配网经济调度", 电力科学与工程, no. 05 * |
黄中柏;刘海明;黄辉;袁锋;: "燃气冷热电联产分布式能源机组夏季运行分析及建议", 湖北电力, no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117498348A (zh) * | 2023-11-16 | 2024-02-02 | 新源聚合能源科技(北京)有限公司 | 一种综合能源系统运行优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Multi-objective capacity optimization of a distributed energy system considering economy, environment and energy | |
Liu et al. | Two-phase collaborative optimization and operation strategy for a new distributed energy system that combines multi-energy storage for a nearly zero energy community | |
Gu et al. | Residential CCHP microgrid with load aggregator: Operation mode, pricing strategy, and optimal dispatch | |
Wang et al. | Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system | |
CN108206543B (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 | |
CN111463836B (zh) | 一种综合能源系统优化调度方法 | |
CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
Chen et al. | A robust optimization framework for energy management of CCHP users with integrated demand response in electricity market | |
Cui et al. | Effect of device models on the multiobjective optimal operation of CCHP microgrids considering shiftable loads | |
CN108009693A (zh) | 基于两级需求响应的并网微电网双层优化方法 | |
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 | |
Saberi et al. | Data-driven distributionally robust hierarchical coordination for home energy management | |
CN105453367A (zh) | 用于微电网中的综合多能量调度的系统、方法和装置及有形计算机可读介质 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN112165122A (zh) | 一种综合能源系统的运行方法及系统 | |
CN112329260A (zh) | 一种多能互补微网多元多目标优化配置与优化运行方法 | |
CN116187173A (zh) | 一种区域综合能源系统双层优化方法及系统 | |
Barabino et al. | Energy Communities: A review on trends, energy system modelling, business models, and optimisation objectives | |
CN112131712A (zh) | 客户侧多能源系统多目标优化方法和系统 | |
CN114611793A (zh) | 考虑短期负荷预测的综合能源系统优化方法及装置 | |
Ren et al. | Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers | |
Ghodusinejad et al. | A combined decision-making framework for techno-enviro-economic assessment of a commercial CCHP system | |
Wu et al. | Optimal design method and benefits research for a regional integrated energy system | |
Chen et al. | Stochastic planning of integrated energy system based on correlation scenario generation method via Copula function considering multiple uncertainties in renewable energy sources and demands | |
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 |