CN114626616B - 园区高温尾气余热回收cchp的最优运行方法及系统 - Google Patents
园区高温尾气余热回收cchp的最优运行方法及系统 Download PDFInfo
- Publication number
- CN114626616B CN114626616B CN202210274192.XA CN202210274192A CN114626616B CN 114626616 B CN114626616 B CN 114626616B CN 202210274192 A CN202210274192 A CN 202210274192A CN 114626616 B CN114626616 B CN 114626616B
- Authority
- CN
- China
- Prior art keywords
- load demand
- period
- cchp
- temperature
- heat
- 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
- 239000002918 waste heat Substances 0.000 title claims abstract description 56
- 239000007789 gas Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004064 recycling Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 238000005057 refrigeration Methods 0.000 claims abstract description 34
- 238000013486 operation strategy Methods 0.000 claims abstract description 21
- 238000011084 recovery Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 57
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 239000008236 heating water Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 239000003345 natural gas Substances 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 23
- 230000015654 memory Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing 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
- G06Q10/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种园区高温尾气余热回收CCHP的最优运行方法及系统,涉及热能再利用策略技术领域,其中该方法包括根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;然后根据预测的各负荷需求量,以全天负荷满足率最大和运行成本最小为最优目标,构建CCHP优化目标函数;对CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略。本发明能同时达到热量利用最优和系统成本最优的配置,降低了系统能耗,减少了能源浪费,在满足用户需求的前提下达到了系统成本最优。
Description
技术领域
本发明涉及热能再利用策略技术领域,具体涉及一种园区高温尾气余热回收CCHP的最优运行方法及系统。
背景技术
CCHP(Combined Cooling Heating and Power)系统,又称冷热电联产系统,在许多国家、地区已经是一种成熟的能源综合利用技术,它以靠近用户、梯级利用、一次能源利用效率高、环境友好、能源供应安全可靠等特点,受到各国政府、企业界的广泛关注、青睐。国内外许多学者对CCHP系统进行了大量的研究。热泵作为一种低投资、高收益的产热设备,适合在CCHP系统中作为热源使用。许多学者也研究了含热泵的CCHP系统的能源互补协调性和经济性等的技术。
但是,目前的设计策略都是在满足用户最大需求的前提下进行的,而用户负荷在一天内是不稳定的,从而导致CCHP系统供能的不匹配,余热利用不充分,出现设备利用率低、设备停机或引入分产设备的现象,降低CCHP系统的运行效率,造成能源浪费。
发明内容
因此,为了克服上述缺陷,本发明实施例提供一种园区高温尾气余热回收CCHP的最优运行方法及系统,降低系统能耗,减少能源浪费,满足用户需求的前提下达到系统成本最优。
为此,本发明实施例的一种园区高温尾气余热回收CCHP的最优运行方法,包括以下步骤:
根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;所述园区环境参数包括室外温度和太阳辐射强度,所述供热参数包括供热水温度和供采暖水温度,所述制冷参数包括制冷温度;
根据当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的预测值,以全天负荷满足率最大和运行成本最小为最优目标,构建CCHP优化目标函数;
对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略。
优选地,所述根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的步骤包括:
获取前几天各天的每小时的室外温度、太阳辐射强度、供热水流量、供采暖水流量、供热水温度、供采暖水温度及相应的热负荷需求量、冷负荷需求量和电负荷需求量真实值,形成训练样本集;
根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量。
优选地,所述根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的步骤包括:
构建具有依次连接的一个输入层、若干个隐含层和一个输出层的小波神经网络预测模型,每一层的输出作为下一层的输入;
将训练样本集输入所述小波神经网络预测模型,采用扩展蚁群算法优化所述小波神经网络预测模型的参数,以获得适应度值的最小值,此时的参数即为最优解,所述适应度值为预测时段热负荷需求量预测值与真实值的均方根误差、冷负荷需求量预测值与真实值的均方根误差和电负荷需求量预测值与真实值的均方根误差的平均值;
判断所述适应度值的最小值是否小于预设阈值;
当所述适应度值的最小值小于预设阈值时,获得训练好的小波神经网络预测模型;
将t(当前时段)、t-1、t-2时段室外温度t、t-1、t-2时段太阳辐射强度/>t、t-1、t-2时段供热水温度/> t-5、t-6、t-7时段供采暖水温度/>t-2、t-3、t-4时段制冷温度输入所述训练好的小波神经网络预测模型,获得预测模型输出的当天t时段热负荷需求量、冷负荷需求量和电负荷需求量预测值。
优选地,所述对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略的步骤包括:
采用扩展蚁群算法寻找CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。
具体步骤包括:
当1≤t≤24时,循环执行扩展蚁群算法寻优以获得t时段的CCHP优化目标函数中的各系数;
将t的值更新为t+1,t的初始值为1,返回上一步;
当t>24时,获得所有时段的CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。
本发明实施例的一种园区高温尾气余热回收CCHP的最优运行系统,包括:
当天负荷需求量预测装置,用于根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;所述园区环境参数包括室外温度和太阳辐射强度,所述供热参数包括供热水温度和供采暖水温度,所述制冷参数包括制冷温度;
CCHP优化目标函数构建装置,用于根据当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的预测值,以全天负荷满足率最大和运行成本最小为最优目标,构建CCHP优化目标函数;
最优运行策略推演装置,用于对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略。
优选地,所述当天负荷需求量预测装置包括:
训练样本集获得单元,用于获取前几天各天的每小时的室外温度、太阳辐射强度、供热水流量、供采暖水流量、供热水温度、供采暖水温度及相应的热负荷需求量、冷负荷需求量和电负荷需求量真实值,形成训练样本集;
小波神经网络预测单元,用于根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量。
优选地,所述最优运行策略推演装置包括:
循环寻优单元,用于当1≤t≤24时,循环执行扩展蚁群算法寻优以获得t时段的CCHP优化目标函数中的各系数;
更新单元,用于将t的值更新为t+1,t的初始值为1,返回循环寻优单元;
最优运行策略获得单元,用于当t>24时,获得所有时段的CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。
本发明实施例的园区高温尾气余热回收CCHP的最优运行方法及系统,具有如下优点:
通过结合燃气轮机发电机组、余热回收设备和吸收式制冷设备的供热、供冷和供电情况,建立CCHP优化模型,进行推演以同时达到全天负荷满足率最大和运行成本最小的最优配置,降低了系统能耗,减少了能源浪费,在满足用户需求的前提下达到了系统成本最优。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例1中CCHP系统的一个具体示例的原理框图;
图2为本发明实施例1中园区高温尾气余热回收CCHP的最优运行方法的一个具体示例的流程图;
图3为本发明实施例2中园区高温尾气余热回收CCHP的最优运行系统的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,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。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,本说明书中的某些图式是用于例示方法的流程图。应了解,这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器,以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中,所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作,以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上,以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程,从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地,各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解,所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种园区高温尾气余热回收CCHP的最优运行方法,CCHP系统以微型燃气轮机或燃气内燃机为原动机驱动发电机进行发电,原动机产生的高温尾气可通过余热回收设备进行再利用后向用户供热或供冷,从而满足用户对热、电、冷等能源的需求。如图1所示,园区冷热电用户所需电负荷、热负荷(采暖/热水)和冷负荷均可通过燃气轮机发电机组、余热回收设备和吸收式制冷设备的CCHP系统提供。
如图2所示,园区高温尾气余热回收CCHP的最优运行方法包括以下步骤:
S1、根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;所述园区环境参数包括室外温度和太阳辐射强度,所述供热参数包括供热水温度和供采暖水温度,所述制冷参数包括制冷温度;
S2、根据当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的预测值,以全天负荷满足率最大和运行成本最小为最优目标,构建CCHP优化目标函数;
S3、对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略。
优选地,所述S1的步骤包括:
S11、获取前几天各天的每小时的室外温度、太阳辐射强度、供热水流量、供采暖水流量、供热水温度、供采暖水温度及相应的热负荷需求量、冷负荷需求量和电负荷需求量真实值,形成训练样本集;这些参数的取值优选为每小时的平均值;
采用t-1、t-2、t-3时段室外温度t-1、t-2、t-3时段太阳辐射强度/>t-1、t-2、t-3时段供热水温度/>t-6、t-7、t-8时段供采暖水温度/> t-3、t-4、t-5时段制冷温度以及t-1时段热负荷需求量、冷负荷需求量和电负荷需求量真实值为一个训练样本,组成训练样本集;t表示一天24小时中的任一小时时段,t=1,2,…,24;
S12、根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;
将所述训练样本集用于小波神经网络预测模型的推演过程中,并采用扩展蚁群算法优化所述小波神经网络预测模型,获得训练好的小波神经网络预测模型,得到预测的当天各时段热负荷需求量、冷负荷需求量和电负荷需求量。
优选地,所述S12的步骤包括:
S121、构建具有依次连接的一个输入层、若干个隐含层和一个输出层的小波神经网络预测模型,每一层的输出作为下一层的输入;
所述输入层具有15个输入端,用于一一对应地接收t-1、t-2、t-3时段室外温度t-1、t-2、t-3时段太阳辐射强度/> t-1、t-2、t-3时段供热水温度/>t-6、t-7、t-8时段供采暖水温度t-3、t-4、t-5时段制冷温度/>
所述输出层具有3个输出端,用于输出t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值;
所述隐含层优选采用Morlet函数,输出层优选采用Purelin函数;
S122、将训练样本集输入所述小波神经网络预测模型,采用扩展蚁群算法优化所述小波神经网络预测模型的参数,包括小波函数的尺度伸缩因子和时间平移因子和输入层到隐含层的输入权值,以获得适应度值的最小值,此时的参数即为最优解,所述适应度值为t-1时段热负荷需求量预测值与真实值的均方根误差、冷负荷需求量预测值与真实值的均方根误差和电负荷需求量预测值与真实值的均方根误差的平均值;优选地,冷负荷训练样本集输入预测模型之前进行归一化处理;
S123、判断所述适应度值的最小值是否小于预设阈值,即满足算法停止条件;预设阈值可根据实际所需预测精度进行设置;
S124、当所述适应度值的最小值小于预设阈值时,说明预测模型输出的预测值满足预测精度要求,训练结束,获得训练好的小波神经网络预测模型;当所述适应度值的最小值大于或等于预设阈值时,返回S122继续重复优化过程,直至满足预测精度要求或达到最大迭代优化次数为止;
S125、将t(当前时段)、t-1、t-2时段室外温度t、t-1、t-2时段太阳辐射强度/>t、t-1、t-2时段供热水温度/>t-5、t-6、t-7时段供采暖水温度/> t-2、t-3、t-4时段制冷温度输入所述训练好的小波神经网络预测模型,获得预测模型输出的当天各时段(t时段)热负荷需求量、冷负荷需求量和电负荷需求量预测值。通过根据对热负荷、冷负荷有较大影响的不同历史时段的温度,采用小波神经网络进行当前热、冷、电负荷的预测,提高了预测精度。通过扩展蚁群算法优化小波神经网络预测模型,有效减少了训练时间,提高了收敛速度和预测精度。
优选地,所述S122的步骤包括:
(1)构造k个解存储器并随机初始化,每个解存储器中存储一个解向量,解向量的各个分量一一对应为小波神经网络预测模型的参数;如k=40;
(2)初始化蚂蚁数目m,对训练样本集中的训练样本进行归一化;
(3)每一个蚂蚁在高斯核函数中选择一个高斯函数,用正态分布随机数发生器产生一个随机数并赋值给解向量中的一个小波神经网络预测模型的参数,完成一次采样过程;重复采样过程,给解向量中的所有小波神经网络预测模型的参数赋值,获得m个解向量;
(4)将k+m个解向量分别应用于小波神经网络预测模型,获得k+m个小波神经网络预测模型;将归一化后的训练样本集分别输入所述k+m个小波神经网络预测模型,获得k+m个预测模型输出的t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值;
(5)根据所述k+m个预测模型输出的t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值,分别计算获得k+m个对应的适应度值;适应度值的计算公式为:
其中,N为训练样本总数,为第i个训练样本对应的t-1时段热负荷需求量预测值、真实值,/>为第i个训练样本对应的t-1时段冷负荷需求量预测值、真实值,/>为第i个训练样本对应的t-1时段电负荷需求量预测值、真实值;
(6)对k+m个适应度值按照大小排序,选取适应度值较小的k个所对应的解向量存入k个解存储器,以替换k个解存储器中原来存储的;返回步骤(3),直至达到迭代次数为止,如迭代次数为2000,获得最优的k个解向量;
(7)将所述最优的k个解向量分别应用于小波神经网络预测模型,获得k个小波神经网络预测模型;将归一化后的训练样本集分别输入所述k个小波神经网络预测模型,获得k个预测模型输出的t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值;
(8)根据所述k个预测模型输出的t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值,分别计算获得k个对应的适应度值,得到适应度值的最小值;所述适应度值的最小值所对应的解向量即为最优解。
优选地,所述S2中CCHP优化目标函数为:
其中,F1为负荷满足率,F2为运行成本,为当天t时段热负荷需求量预测值,为当天t时段冷负荷需求量预测值,/>为当天t时段电负荷需求量预测值,/>为t时段天然气消耗量,ρt为t时段转换成余热的比例系数,αt为t时段余热回收设备的余热分配系数,βt为t时段吸收式制冷设备的余热分配系数,σt为t时段转换成电的比例系数,γt为t时段燃气轮机发电机组的电分配系数,/>为t时段市网供电量,δt为t时段市网供电的电分配系数,/>为t时段天然气每单位消耗量价格,/>为t时段每单位电量价格;其中,t时段天然气消耗量/>和市网供电量/>可实际测量获得;
所述CCHP优化目标函数的约束条件包括电平衡约束、热平衡约束、冷平衡约束、燃气轮机发电机组能源约束。
电平衡约束为:
热平衡约束为:
冷平衡约束为:
燃气轮机发电机组能源约束为:
其中,PGAS为任一时段燃气轮机发电机组发电功率,为任一时段燃气轮机发电机组最小发电功率,/>为任一时段燃气轮机发电机组最大发电功率,LGAS为任一时段燃气轮机发电机组供余热量,/>为任一时段燃气轮机发电机组供余热最小量,/>为任一时段燃气轮机发电机组供余热最大量。
优选地,所述S3中采用扩展蚁群算法寻找CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。
具体步骤包括:
S31、当1≤t≤24时,循环执行扩展蚁群算法寻优以获得t时段的CCHP优化目标函数中的各系数;具体包括:
当1≤t≤24时,执行以下步骤:(1)构造k个解存储器并随机初始化,每个解存储器中存储一个解向量,解向量的各个分量一一对应为CCHP优化目标函数中t时段的各系数,即t时段转换成余热的比例系数ρt、余热回收设备的余热分配系数αt、吸收式制冷设备的余热分配系数βt、转换成电的比例系数σt、燃气轮机发电机组的电分配系数γt、市网供电的电分配系数δt、;如k=40;
(2)初始化蚂蚁数目m;如m=60,还可以将当天的t时段热负荷需求量、冷负荷需求量和电负荷需求量预测值归一化为[-1,1]范围内;
(3)每一个蚂蚁在高斯核函数中选择一个高斯函数,用正态分布随机数发生器产生一个随机数并赋值给解向量中的一个CCHP优化目标函数中t时段的系数,完成一次采样过程;重复采样过程,给解向量中的所有CCHP优化目标函数中t时段的系数赋值,获得m个解向量;
(4)将k+m个解向量分别应用于CCHP优化目标函数,将当天的t时段热负荷需求量、冷负荷需求量和电负荷需求量预测值分别输入所述k+m个CCHP优化目标函数,获得k+m组t时段的负荷满足率和运行成本;
(5)从所述k+m组t时段的负荷满足率和运行成本中选出满足运行成本小于运行成本预设阈值且负荷满足率大于负荷满足率预设阈值的备选组;
(6)判断所述备选组的数量是否大于或等于k;
(7)当所述备选组的数量大于或等于k时,将所述备选组按照运行成本从小到大排序,选出运行成本最小的k组,其相应的k个解向量存入k个解存储器,覆盖原来k个解存储器中存储的解向量;
(8)当所述备选组的数量小于k时,从所述k+m组t时段的负荷满足率和运行成本中取出所述备选组后的剩余组中选取运行成本最小的若干组补入所述备选组,使所获数量为k组,然后将相应的k个解向量存入k个解存储器,覆盖原来k个解存储器中存储的解向量;返回步骤(3),直至达到迭代次数为止,如迭代次数为2000,获得最优的k个解向量;
(9)将所述最优的k个解向量分别应用于CCHP优化目标函数,将当天的t时段热负荷需求量、冷负荷需求量和电负荷需求量预测值分别输入所述k个CCHP优化目标函数,获得k组t时段的负荷满足率和运行成本,将其中运行成本最小的一组所对应的解向量作为最优解;
S32、将t的值更新为t+1,t的初始值为1,返回步骤S31;
S33、当t>24时,获得所有时段的CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。
上述园区高温尾气余热回收CCHP的最优运行方法,通过结合燃气轮机发电机组、余热回收设备和吸收式制冷设备的供热、供冷和供电情况,建立CCHP优化模型,进行推演以同时达到全天负荷满足率最大和运行成本最小的最优配置,降低了系统能耗,减少了能源浪费,在满足用户需求的前提下达到了系统成本最优。
实施例2
本实施例提供一种园区高温尾气余热回收CCHP的最优运行系统,如图2所示,包括:
当天负荷需求量预测装置1,用于根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;所述园区环境参数包括室外温度和太阳辐射强度,所述供热参数包括供热水温度和供采暖水温度,所述制冷参数包括制冷温度;
CCHP优化目标函数构建装置2,用于根据当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的预测值,以全天负荷满足率最大和运行成本最小为最优目标,构建CCHP优化目标函数;
最优运行策略推演装置3,用于对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略。
优选地,所述当天负荷需求量预测装置包括:
训练样本集获得单元,用于获取前几天各天的每小时的室外温度、太阳辐射强度、供热水流量、供采暖水流量、供热水温度、供采暖水温度及相应的热负荷需求量、冷负荷需求量和电负荷需求量真实值,形成训练样本集;这些参数的取值优选为每小时的平均值;
小波神经网络预测单元,用于根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量。
优选地,将所述训练样本集用于小波神经网络预测模型的推演过程中,并采用扩展蚁群算法优化所述小波神经网络预测模型,获得训练好的小波神经网络预测模型,得到预测的当天各时段热负荷需求量、冷负荷需求量和电负荷需求量。具体包括:
小波神经网络预测模型构建单元,用于构建具有依次连接的一个输入层、若干个隐含层和一个输出层的小波神经网络预测模型,每一层的输出作为下一层的输入;
所述输入层具有15个输入端,用于一一对应地接收t-1、t-2、t-3时段室外温度t-1、t-2、t-3时段太阳辐射强度/> t-1、t-2、t-3时段供热水温度/>t-6、t-7、t-8时段供采暖水温度t-3、t-4、t-5时段制冷温度/>
所述输出层具有3个输出端,用于输出t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值;
所述隐含层优选采用Morlet函数,输出层优选采用Purelin函数;
训练单元,用于将训练样本集输入所述小波神经网络预测模型,采用扩展蚁群算法优化所述小波神经网络预测模型的参数,包括小波函数的尺度伸缩因子和时间平移因子和输入层到隐含层的输入权值,以获得适应度值的最小值,此时的参数即为最优解,所述适应度值为t-1时段热负荷需求量预测值与真实值的均方根误差、冷负荷需求量预测值与真实值的均方根误差和电负荷需求量预测值与真实值的均方根误差的平均值;优选地,冷负荷训练样本集输入预测模型之前进行归一化处理;
判断单元,用于判断所述适应度值的最小值是否小于预设阈值,即满足算法停止条件;预设阈值可根据实际所需预测精度进行设置;
小波神经网络预测模型获得单元,用于当所述适应度值的最小值小于预设阈值时,说明预测模型输出的预测值满足预测精度要求,训练结束,获得训练好的小波神经网络预测模型;当所述适应度值的最小值大于或等于预设阈值时,返回训练单元继续重复优化过程,直至满足预测精度要求或达到最大迭代优化次数为止;
预测值获得单元,用于将t(当前时段)、t-1、t-2时段室外温度 t、t-1、t-2时段太阳辐射强度/>t、t-1、t-2时段供热水温度t-5、t-6、t-7时段供采暖水温度/> t-2、t-3、t-4时段制冷温度/>输入所述训练好的小波神经网络预测模型,获得预测模型输出的当天各时段(t时段)热负荷需求量、冷负荷需求量和电负荷需求量预测值。
优选地,所述最优运行策略推演装置采用扩展蚁群算法寻找CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。具体包括:
循环寻优单元,用于当1≤t≤24时,循环执行扩展蚁群算法寻优以获得t时段的CCHP优化目标函数中的各系数;
更新单元,用于将t的值更新为t+1,t的初始值为1,返回循环寻优单元;
最优运行策略获得单元,用于当t>24时,获得所有时段的CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略。
上述园区高温尾气余热回收CCHP的最优运行系统,通过结合燃气轮机发电机组、余热回收设备和吸收式制冷设备的供热、供冷和供电情况,建立CCHP优化模型,进行推演以同时达到全天负荷满足率最大和运行成本最小的最优配置,降低了系统能耗,减少了能源浪费,在满足用户需求的前提下达到了系统成本最优。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (3)
1.一种园区高温尾气余热回收CCHP的最优运行方法,其特征在于,包括以下步骤:
根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;所述园区环境参数包括室外温度和太阳辐射强度,所述供热参数包括供热水温度和供采暖水温度,所述制冷参数包括制冷温度;
根据当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的预测值,以全天负荷满足率最大和运行成本最小为最优目标,构建CCHP优化目标函数;
对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略;
所述根据获取的园区环境参数、供热参数和制冷参数及相对应的热负荷、冷负荷和电负荷的历史数据,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的步骤包括:
获取前几天各天的每小时的室外温度、太阳辐射强度、供热水流量、供采暖水流量、供热水温度、供采暖水温度及相应的热负荷需求量、冷负荷需求量和电负荷需求量真实值,形成训练样本集;采用t-1、t-2、t-3时段室外温度 t-1、t-2、t-3时段太阳辐射强度/>t-1、t-2、t-3时段供热水温度/>t-6、t-7、t-8时段供采暖水温度/>t-3、t-4、t-5时段制冷温度 以及t-1时段热负荷需求量、冷负荷需求量和电负荷需求量真实值为一个训练样本,组成训练样本集;t表示一天24小时中的任一小时时段,t=1,2,…,24
根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;
所述根据所述训练样本集,采用小波神经网络预测模型,预测当天各时段热负荷需求量、冷负荷需求量和电负荷需求量的步骤包括:
将所述训练样本集用于小波神经网络预测模型的推演过程中,并采用扩展蚁群算法优化所述小波神经网络预测模型,获得训练好的小波神经网络预测模型,得到预测的当天各时段热负荷需求量、冷负荷需求量和电负荷需求量;
所述采用扩展蚁群算法优化所述小波神经网络预测模型的步骤包括:
采用扩展蚁群算法优化所述小波神经网络预测模型的参数,包括小波函数的尺度伸缩因子和时间平移因子和输入层到隐含层的输入权值,以获得适应度值的最小值,此时的参数即为最优解,所述适应度值为预测时段热负荷需求量预测值与真实值的均方根误差、冷负荷需求量预测值与真实值的均方根误差和电负荷需求量预测值与真实值的均方根误差的平均值,包括:
S121、构建具有依次连接的一个输入层、若干个隐含层和一个输出层的小波神经网络预测模型,每一层的输出作为下一层的输入;
所述输入层具有15个输入端,用于一一对应地接收t-1、t-2、t-3时段室外温度t-1、t-2、t-3时段太阳辐射强度/> t-1、t-2、t-3时段供热水温度/>t-6、t-7、t-8时段供采暖水温度t-3、t-4、t-5时段制冷温度/>
所述输出层具有3个输出端,用于输出t-1时段热负荷需求量、冷负荷需求量和电负荷需求量预测值;
所述隐含层采用Morlet函数,输出层采用Purelin函数;
S122、将训练样本集输入所述小波神经网络预测模型,采用扩展蚁群算法优化所述小波神经网络预测模型的参数,包括小波函数的尺度伸缩因子和时间平移因子和输入层到隐含层的输入权值,以获得适应度值的最小值,此时的参数即为最优解,所述适应度值为t-1时段热负荷需求量预测值与真实值的均方根误差、冷负荷需求量预测值与真实值的均方根误差和电负荷需求量预测值与真实值的均方根误差的平均值;冷负荷训练样本集输入预测模型之前进行归一化处理;
S123、判断所述适应度值的最小值是否小于预设阈值,即满足算法停止条件;预设阈值可根据实际所需预测精度进行设置;
S124、当所述适应度值的最小值小于预设阈值时,说明预测模型输出的预测值满足预测精度要求,训练结束,获得训练好的小波神经网络预测模型;当所述适应度值的最小值大于或等于预设阈值时,返回S122继续重复优化过程,直至满足预测精度要求或达到最大迭代优化次数为止;
S125、将t、t-1、t-2时段室外温度t、t-1、t-2时段太阳辐射强度t、t-1、t-2时段供热水温度/> t-5、t-6、t-7时段供采暖水温度/>t-2、t-3、t-4时段制冷温度/>输入所述训练好的小波神经网络预测模型,获得预测模型输出的当天各时段热负荷需求量、冷负荷需求量和电负荷需求量预测值;
所述对所述CCHP优化目标函数最优求解,获得园区高温尾气余热回收CCHP的最优运行策略的步骤包括:
采用扩展蚁群算法寻找CCHP优化目标函数的最优解,获得园区高温尾气余热回收CCHP的最优运行策略;
所述CCHP优化目标函数为:
其中,F1为负荷满足率,F2为运行成本,为当天t时段热负荷需求量预测值,/>为当天t时段冷负荷需求量预测值,/>为当天t时段电负荷需求量预测值,/>为t时段天然气消耗量,ρt为t时段转换成余热的比例系数,αt为t时段余热回收设备的余热分配系数,βt为t时段吸收式制冷设备的余热分配系数,σt为t时段转换成电的比例系数,γt为t时段燃气轮机发电机组的电分配系数,/>为t时段市网供电量,δt为t时段市网供电的电分配系数,为t时段天然气每单位消耗量价格,/>为t时段每单位电量价格。
2.一种园区高温尾气余热回收CCHP的最优运行系统,其特征在于,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1所述的园区高温尾气余热回收CCHP的最优运行方法。
3.一种计算机可读存储介质,所述存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1所述的园区高温尾气余热回收CCHP的最优运行方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274192.XA CN114626616B (zh) | 2022-03-21 | 2022-03-21 | 园区高温尾气余热回收cchp的最优运行方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274192.XA CN114626616B (zh) | 2022-03-21 | 2022-03-21 | 园区高温尾气余热回收cchp的最优运行方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626616A CN114626616A (zh) | 2022-06-14 |
CN114626616B true CN114626616B (zh) | 2023-11-21 |
Family
ID=81904927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210274192.XA Active CN114626616B (zh) | 2022-03-21 | 2022-03-21 | 园区高温尾气余热回收cchp的最优运行方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626616B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617142A (zh) * | 2018-12-13 | 2019-04-12 | 燕山大学 | 一种cchp型微电网多时间尺度优化调度方法及系统 |
CN111275251A (zh) * | 2020-01-16 | 2020-06-12 | 广东工业大学 | 一种含污水源热泵的cchp系统冷热电联供优化方法 |
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 |
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 |
CN113469412A (zh) * | 2021-06-02 | 2021-10-01 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
WO2021249461A1 (zh) * | 2020-06-10 | 2021-12-16 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
-
2022
- 2022-03-21 CN CN202210274192.XA patent/CN114626616B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617142A (zh) * | 2018-12-13 | 2019-04-12 | 燕山大学 | 一种cchp型微电网多时间尺度优化调度方法及系统 |
CN111275251A (zh) * | 2020-01-16 | 2020-06-12 | 广东工业大学 | 一种含污水源热泵的cchp系统冷热电联供优化方法 |
WO2021249461A1 (zh) * | 2020-06-10 | 2021-12-16 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
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 |
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 |
CN113469412A (zh) * | 2021-06-02 | 2021-10-01 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114626616A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
Wang et al. | Self-adaptive discrete grey model based on a novel fractional order reverse accumulation sequence and its application in forecasting clean energy power generation in China | |
CN111753431B (zh) | 综合能源系统中最优配置的计算方法和计算设备 | |
CN111681130A (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
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 | |
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 | |
CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
CN112966869A (zh) | 一种园区综合能源系统优化调度方法和系统 | |
CN114322044B (zh) | 一种综合能源系统及其运行控制方法 | |
CN111126675A (zh) | 多能互补微网系统优化方法 | |
Chen et al. | Output prediction of alpha-type Stirling engines using gradient boosted regression trees and corresponding heat recovery system optimization based on improved NSGA-II | |
CN114626616B (zh) | 园区高温尾气余热回收cchp的最优运行方法及系统 | |
CN111555362B (zh) | 一种用于全可再生能源热电气储耦合系统的优化调控方法及装置 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN109871999B (zh) | 一种综合能源系统的随机生产模拟方法及系统 | |
CN112288130A (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN116526530A (zh) | 基于多元马尔科夫链模型和优化热启动的储能容量配置方法及装置 | |
CN113572168B (zh) | 一种考虑风光水能源多重不确定性风险的优化调度方法 | |
CN115187018A (zh) | 一种园区综合能源系统双层优化调度方法及装置 | |
CN115544856A (zh) | 一种电热综合能源系统日前优化调度方法 | |
Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
CN110735682A (zh) | 一种基于多目标优化算法的分布式余压发电系统及调控方法 | |
CN116542882B (zh) | 光伏发电平滑方法、系统和存储介质 | |
Zhao et al. | Two-stage Robust Stochastic Optimal Dispatch of Regional Integrated Energy System Considering Renewable Energy and Load Uncertainty |
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 |