CN114742268A - 考虑设备变工况特性的综合能源系统优化及规划方法 - Google Patents
考虑设备变工况特性的综合能源系统优化及规划方法 Download PDFInfo
- Publication number
- CN114742268A CN114742268A CN202210226243.1A CN202210226243A CN114742268A CN 114742268 A CN114742268 A CN 114742268A CN 202210226243 A CN202210226243 A CN 202210226243A CN 114742268 A CN114742268 A CN 114742268A
- Authority
- CN
- China
- Prior art keywords
- energy
- cost
- equipment
- optimal
- planning
- 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 97
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000007789 gas Substances 0.000 claims description 34
- 239000003344 environmental pollutant Substances 0.000 claims description 24
- 231100000719 pollutant Toxicity 0.000 claims description 24
- 238000013178 mathematical model Methods 0.000 claims description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 22
- 239000002918 waste heat Substances 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000010521 absorption reaction Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000003345 natural gas Substances 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005485 electric heating Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 28
- 238000010248 power generation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 208000028756 lack of coordination Diseases 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明公开了一种考虑设备变工况特性的综合能源系统优化及规划方法,涉及综合能源系统技术领域,一方面通过基于遗传算法优化BP神经网络方法优化设备运行工况特性提升了系统规划配置灵活性。另一方面,为了实现综合能源系统综合规划方案的合理决策,构建多指标综合评价体系,采用层次分析法和熵权法相结合的评价方法对初步规划方案进行综合评价和打分,得到最优规划方案,该规划方法考虑了多种因素的影响,它不仅利用多目标函数对综合能源系统的经济、技术和环境保护进行综合优化,而且创造性地建立了综合评价指标体系,将更具体的技术要求和环境指标引入规划过程,从而使规划方案更加具体、灵活和可靠。
Description
技术领域
本发明涉及综合能源系统技术领域,具体涉及一种考虑设备变工况特性的综合能源系统优化及规划方法。
背景技术
在传统的规划中,电力系统、热力系统以及天然气系统等各种形式的供能系统往往是单独规划与设计,并且独立运行,彼此之间处于互相分离的状态,缺乏协调与配合,造成能源利用效率非常低下。在这种情况下,能够耦合电、气、冷、热等多种能源形式,实现各种能源梯级利用与相互转换的综合能源系统(Integrated Energy System,IES)开始进入到人们的视野。随着综合能源系统的发展,电、气、热等能源间的耦合与能源间的相互替代为解决能源不足的问题提供了新的途。
一方面,IES中大多设备运行在不同负荷率时,其能量转换效率并非常数,能源输入端与输出端为非线性关系,系统设备的运行工况也是实时变化的,最终会影响到模型准确度、影响设备配置容量、影响配置经济效益。目前在综合能源系统设备建模过程中,经常会需要从设备历史数据中获取自变量与因变量之间的隐含关系,用以优化设备模型参数,达到精确建模的目的。一般的做法是利用数据拟合的方法来产生近似函数,使得拟合后的数据与原数据之间的误差最小。但常用的最小二乘法抗差性较差,对异常值较为敏感,其计算结果也无法满足残差绝对值之和最小的要求,不适用于综合能源系统下的变工况设备的历史数据拟合。
另一方面,考虑到环境、经济、技术等因素对综合能源系统规划的影响,单一的目标规划和运行策略难以保证系统最优配置方案,也缺少一套完整的配置评价体系来提高规划可靠性。
发明内容
针对现有技术的不足,本发明提出一种考虑设备变工况特性的综合能源系统优化方法,包括:
步骤1:获取综合能源系统中各个设备实际运行下的运行效率与负荷率的历史数据;
步骤2:构建基于遗传算法的BP神经网络预测各个设备的最优运行效率;
步骤3:根据最优运行效率建立各个设备的变工况特性模型得到模型最优的综合能源系统。
所述步骤2包括:
步骤2.1:根据历史数据中输入输出参数个数确定BP神经网络结构,初始BP神经网络的权值和阈值长度,确定遗传算法个体的编码长度,得到初始种群;
步骤2.2:根据获得的历史数据对BP神经网络进行训练;
步骤2.3:将当前时刻的负荷率作为训练后的BP神经网络的输入,利用训练后的BP神经网络输出当前时刻运行效率的预测值;
步骤2.4:将当前时刻运行效率的实际值与预测值之间的误差绝对值作为遗传算法中的适应度函数;
步骤2.5:种群个体通过适应度函数计算个体适应度值,利用遗传算法的选择、交叉和变异操作进行迭代计算,当达到最大迭代次数τ1时输出的最优个体适应度值作为BP神经网络下一次迭代计算时的初始权值和阈值;
步骤2.6:重复步骤2.3~步骤2.5进行BP神经网络的迭代计算,当达到最大迭代次数τ2时的输出值作为各个设备的最优运行效率。
所述步骤3包括:
步骤3.1:确定综合能源系统中各能源转换设备类型,包括:燃气轮机、余热锅炉、电制冷机、吸收式制冷机、蓄电池、风机和热交换器,并设定各个能源设备之间的连接方式;
步骤3.2:将基于BP神经网络预测输出的最优运行效率代入各个设备的运行模型中,即可实现综合能源系统中设备最优变工况特性模型的建立。
一种考虑设备变工况特性的综合能源系统规划方法,基于所述的考虑设备变工况特性的综合能源系统优化方法实现,包括:
根据最优运行效率建立各个设备的变工况特性模型得到综合能源系统的整体模型;
考虑经济效益和环保效益,以IES的生命周期成本、污染物排放惩罚成本以及一次能源购能成本最小化作为多目标函数,结合系统数据、设备参数、能源价格、负荷信息要求,建立综合能源系统的上层规划模型;
以IES的运维成本最小化作为目标函数,约束包括能量平衡约束、储能约束以及各设备性能约束,建立涉及变工况特性的综合能源系统的下层优化模型;
根据上层规划模型具有多目标优化以及下层优化模型具有混合整数非线性的特点,对综合能源系统的双层模型进行求解,形成最优规划方案集;
构建多指标综合评价体系,并采用层次分析法和熵权法相结合的评价方法对最优规划方案集中规划方案进行综合评价和打分,得到最优的规划方案。
所述建立综合能源系统的上层规划模型,包括:
构建系统年总经济成本最小的数学模型MinCtoal:
Min Ctoal=Cinv+COM
式中,Ω*为能源生产设备的总个数;Cinv,i为第i个设备的投资成本;r为贴现率;N为设备的生命周期;由于投资成本包含容量相关与容量无关的两部分;表示第i个设备容量相关的单位投资成本;Cfix,i表示第i个设备与容量无关的投资成本;表示第i个设备的额定容量;μCEF(r,n)为资本回收系数;和分别表示第n年的维护费用和运行成本;
构建污染物排放惩罚成本最小的数学模型MinCenv:
式中,ka和kb分别为天然气和电力的CO2排放系数,ck为CO2排放惩罚费用,cd为NOx排放惩罚费用,kc为各设备污染物的排放系数;T为年总运行小时;Δt为排放污染气体间隔时间;Ft,GT为燃气轮机在t时刻消耗的燃料量;Ft,HR为余热锅炉在t时刻消耗的燃料量;Ct,grid为电网在t时刻与综合能源系统的交互功率;表示排放Nox的设备m在t时刻的输出功率;
所述建立涉及变工况特性的综合能源系统的下层优化模型,具体表述为:下层优化模型以运行成本最低为目标函数,考虑系统的购能费用和维护费用,其数学模型为:
式中,式中T为年总运行小时;和分别表示第i个设备单位固定和可变的维护成本;代表第i个设备在第t个时刻的能源出力;μCRF(r,n)为资本回收系数;为第i个设备的额定容量;为燃气轮机在t时刻购买的天然气量;为余热锅炉在t时刻购买的天然气量;为能源设备在t时刻向电网出售的电量;为能源设备在t时刻向电网购买的电量。
所述根据上层规划模型具有多目标优化以及下层优化模型具有混合整数非线性的特点,对综合能源系统的双层模型进行求解,形成最优规划方案集,具体表述为:
步骤S4.1:令系统年总经济成本最小的数学模型MinCtoal、污染物排放惩罚成本最小的数学模型MinCenv和一次能源购能成本最小的数学模型MinCpr为上层模型的优化目标函数;系统的设备类型、台数和容量的配置为约束条件;
步骤S4.2:将系统中设备类型、容量、电热冷负荷需求、风速强度以及能源价格做为输入参数进行系统初始化;
步骤S4.3:利用上层模型中的多目标函数和输入参数生成初始化种群P,并设置种群迭代次数N=0,最大迭代次数为D;
步骤S4.4:将种群P中的总经济成本、污染物排放成本以及一次能源购能成本作为适应度函数;
步骤S4.5:种群P个体通过适应度函数计算个体适应度值,利用遗传算法的选择、交叉和变异操作产生后代群体Q;
步骤S4.6:重新以种群Q中的总经济成本、污染物排放成本以及一次能源购能成本作为适应度函数,并计算群体Q个体的适应度值;
步骤S4.7:将当前种群P与子代种群Q相结合,得到种群Qt,根据适应度函数计算种群Qt中各个体的优势关系和聚集距离,并对个体进行Pareto分类;
步骤S4.8:判断终止条件,当达到最大迭代次数D时终止,从Pareto最优解集选取多组典型最优解,得到多组典型最优解对应的容量配置方案,则输出最佳设备组合方案、经济成本、能源成本以及环境成本;否则返回步骤S4.5;
步骤S4.9:将下层优化模型中运行成本最低作为目标函数,能量平衡约束以及设备容量作为约束条件;
步骤S4.10:根据下层具有混合混合整数线性规划特点,利用MILP软件输出各个设备的最优运行输出值。
所述构建多指标综合评价体系,并采用层次分析法和熵权法相结合的评价方法对最优规划方案集中规划方案进行综合评价和打分,得到最优的规划方案,包括:
步骤S5.1:从经济、技术和环境保护三个方面建立综合能源体系的综合评价指标体系;
步骤S5.2:采用层次分析法确定第i'个指标在主观方面的权重系数Wi';
步骤S5.3:采用熵权法确定第i'个指标在客观方面的权重系数θi';
步骤S5.4:将层次分析法得到的权系数Wi'与熵权法修正的权系数θi'进行组合计算,得到主客观综合权重系数ωi':
ωi'=ρWi'+(1-ρ)θi'
式中,ρ为常数;
步骤S5.5:构建综合评分函数F(Z,yi'),当综合评价函数达到最大值时,表示该方案的评价得分最高,即为最优规划方案;
式中,m'表示规划方案总个数,j'=1,2,3,…,m',n'表示评价指标的总个数,i'=1,2,3,…,n',bi'j'表示经标准化处理后的第j'个规划方案在第i'个评价指标下的分值。
本发明的有益效果是:
本发明提出了一种考虑设备变工况特性的综合能源系统优化及规划方法,一方面通过基于遗传算法优化BP神经网络方法优化设备运行工况特性提升了系统规划配置灵活性。另一方面,为了实现综合能源系统综合规划方案的合理决策,构建多指标综合评价体系,采用层次分析法和熵权法相结合的评价方法对初步规划方案进行综合评价和打分,得到最优规划方案。该规划方法考虑了多种因素的影响,它不仅利用多目标函数对综合能源系统的经济、技术和环境保护进行综合优化,而且创造性地建立了综合评价指标体系,将更具体的技术要求和环境指标引入规划过程,从而使规划方案更加具体、灵活和可靠。
附图说明
图1为本发明中综合能源系统架构图;
图2为本发明中基于遗传算法优化BP神经网络变工况参数拟合流程图;
图3为本发明中综合能源系统三层规划模型框图;
图4为本发明中基于非劣分类遗传算法(NSGA-Ⅱ)的综合能源系统配置层模型求解流程图;
图5为本发明中综合能源系统评价方法流程图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。本发明提出了一种考虑设备变工况特性的综合能源系统优化及规划方法。一方面深入优化设备运行工况特性来提升系统规划配置灵活性。另一方面,为了实现综合能源系统综合规划方案的合理决策,将规划方案从配置层、优化层和评价层三个层次进行策略优化。其中将综合评价引入规划初期阶段,构建多指标综合评价体系,并采用层次分析法和熵权法相结合的评价方法对初步规划方案进行综合评价和打分,得到最优规划方案。
一种考虑设备变工况特性的综合能源系统优化方法,包括:
步骤1:获取综合能源系统中各个设备实际运行下的运行效率与负荷率的历史数据;
建立涉及电-冷-热一体化功能的综合能源系统架构,如图1所示,主要由燃气轮机(GT)、蓄电池(ES)、余热锅炉(HR)、热交换器(REC)、电制冷机(EC)、吸收式制冷机(AC)和风机(WT)组成。其中GT作为发电机组,可同时发电和回收热量。一方面,电力的应用不仅满足部分电力需求,还带动了EC。当GT提供的电力不足时,不足部分由风机发电和电网提供。相反,当GT提供的电量超过要求时,多余的电量将被存储在ES中或卖回公共电网。另一方面回收的热量分为两部分,其中一部分由HR改造,以满足最终用户的热水需求。另一部分用于驱动AC正常工作,产生所需的冷负荷。当REC获得的热水不能完全满足热水需求时,剩余需求由HR提供。在制冷需求方面,可以通过EC和AC两种方式获得。
燃气轮机模型:燃气轮机的运行效率受运行工况影响较大,机组在实际的运行过程中,也不可能一直运行在额定负荷率,因此在运行和规划时,有必要考虑燃气轮机的变工况特性。燃气轮机的发电功率和发热功率的模型如下:
余热锅炉模型:
余热锅炉的产汽量、蒸汽温度和压力等也就会随着燃气轮机的排气特性的变化而变化,则余热锅炉的变工况特性如下:
吸收式制冷机模型:
制冷机组的制冷效率并不是固定不变的,它不仅随运行工况的不同而不同,而且随冷负荷的变化而变化。吸收式制冷机的变工况特性如下:
热交换器模型:
热交换器将燃气轮机、余热锅炉产生的热能进行集中回收,进一步提供多能流系统能源利用效率,其提供的热能与热回收效率有关,热交换器的变工况特性如下:
电制冷机模型:电制冷机变工况运行特性如下:
通过以上设备的变工况运行特性可知,设备通常具有非线性工作特征,其中拟合参数对设备运行特性的影响很大。针对已有某设备实际运行下效率和负荷率的参数,则可对历史数据多次进行采样描点。设对η和f1、f2…、fn通过n次观测得到n组p+1维的数据:fi1,fi2,…,fip,ηi,i=1,2,...,n。将自变量的第i次观测值代入得:
η(fi1,fi2,…,fip;β1,β2,…,βm)=η(fi,β),因fi1,fi2,…,fip是已知数,故η(fi,β)是待定系数β1,β2,…,βm的函数。
目前变工况参数拟合方法大多是根据经验值或者传统拟合方法确定,难以建立具有高精度参数的模型。在这种情况下,可以建立BP神经网络表达设备非线性特性。通常BP神经网络的权值和阈值都是随机初始化的,这样容易导致拟合效果不稳定,况且由于使用梯度下降的方式训练BP网络的权值和阈值,容易导致训练陷入局部最优中,所以可通过遗传算法来对神经网络初始的权值和阈值进行优化,使参数拟合优度非常高,优化算法的流程图如图2所示。
研究用遗传算法GA对BP网络进行优化,二者在解决实际问题时,各自都有自己的具体流程,因此实现这一流程可分为:GA和BP两部分;
GA部分大致可分为四个步骤第一步是GA对初始值进行编码,第二步是将BP网络训练得到的误差值作为适应度值,第三步是根据GA的三个操作(选择、交叉和变异),通过运算得到每个染色体的适应度值,第四步是将满足条件的赋给BP神经网络作为最优权值和阈值,不满足条件的返回选择操作继续循环,并重新计算误差。
BP神经网络部分也可以大致分为四个步骤第一步是将BP网络拓扑结构确定好,第二步是对BP网络结构的权值和阈值进行初始化,第三步是利用GA计算出的最优权值和阈值计算误差,得到更新后的权值和阈值,第四步是将满足条件的进行分析,不满足的重新计算误差。
步骤2:构建基于遗传算法的BP神经网络预测各个设备的最优运行效率;包括:
步骤2.1:根据历史数据中输入输出参数个数确定BP神经网络结构,初始BP神经网络的权值和阈值长度,确定遗传算法个体的编码长度,得到初始种群;
步骤2.2:根据获得的历史数据对BP神经网络进行训练;
步骤2.3:将当前时刻的负荷率作为训练后的BP神经网络的输入,利用训练后的BP神经网络输出当前时刻运行效率的预测值;
步骤2.4:将当前时刻运行效率的实际值与预测值之间的误差绝对值作为遗传算法中的适应度函数;
步骤2.5:种群个体通过适应度函数计算个体适应度值,利用遗传算法的选择、交叉和变异操作进行迭代计算,当达到最大迭代次数τ1时输出的最优个体适应度值作为BP神经网络下一次迭代计算时的初始权值和阈值;
步骤2.6:重复步骤2.3~步骤2.5进行BP神经网络的迭代计算,当达到最大迭代次数τ2时的输出值作为各个设备的最优运行效率;
如图2所示,本发明建立的优化模型分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分;
基于遗传算法优BP神经网络的EH模型动态效率修正的整体算法流程如下:
(1)BP神经网络结构确定部分根据拟合函数输入输出参数个数确定BP神经网络结构,进而确定遗传算法个体长度;
(2)遗传算法优化部分使用遗传算法优化BP神经网络的权值和阈值,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体;
(3)BP神经网络预测部分用遗传算法得到最优个体对网络初始权值和阈值赋值,网络经训练后预测函数输出;
基于遗传算法优化BP神经网络的EH模型动态效率修正的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作,具体如下:
(1)种群初始化:个体编码方法为实数编码,每个个体均为一个实数串,由输入层与中间层连接权值、中间层阈值、中间层与输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值,在网络结构已知的情况下,就可以构成一个结构、权值、阈值确定的神经网络;
(2)适应度函数:根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值之和作为个体适应度值F,计算公式为:
式中,l为网络输出结点数;yi为BP神经网络第i个结点的期望输出;oi为第i个结点的预测输出;k为系数。
(3)选择操作:遗传算法选择操作有轮盘赌法、竞标赛法等多种方法,本案例选择轮盘赌法,即基于适应度比例的选择策略,每个个体的选择概率pi为:
(4)交叉操作:由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第k个染色体ak和第h个染色体ah,在j位的交叉操作方法如下:
式中,b是[0,1]中随机数;
变异操作:选取第i个个体的第j个基因aij进行变异,变异操作方法如下:
式中,amax为基因aij的上界;amin为基因aij的下界;g为当前送代次数;Gmax为最大进化次数;r、r'为[0,1]间的随机数;
步骤3:根据最优运行效率建立各个设备的变工况特性模型得到模型最优的综合能源系统;包括:
步骤3.1:确定综合能源系统中各能源转换设备类型,包括:燃气轮机、余热锅炉、电制冷机、吸收式制冷机、蓄电池、风机和热交换器,并设定各个能源设备之间的连接方式;
步骤3.2:将基于BP神经网络预测输出的最优运行效率代入各个设备的运行模型中,即可实现综合能源系统中设备最优变工况特性模型的建立。
一种考虑设备变工况特性的综合能源系统规划方法,基于所述的考虑设备变工况特性的综合能源系统优化方法实现,包括:
根据最优运行效率建立各个设备的变工况特性模型得到综合能源系统的整体模型;
考虑经济效益和环保效益,以IES的生命周期成本、污染物排放惩罚成本以及一次能源购能成本最小化作为多目标函数,结合系统数据、设备参数、能源价格、负荷信息要求,建立综合能源系统的上层规划模型;
所述建立综合能源系统的上层规划模型,包括:
构建系统年总经济成本最小的数学模型MinCtoal:
上层规划模型主要配置设备容量,其中系统年总经济包括系统全寿命周期投资建设年折算成本Cinv和系统运行维护成本COM,其数学模型为:Min Ctoal=Cinv+COM
式中,Ω*为能源生产设备的总个数;Cinv,i为第i个设备的投资成本;r为贴现率;N为设备的生命周期;由于投资成本包含容量相关与容量无关的两部分;表示第i个设备容量相关的单位投资成本;Cfix,i表示第i个设备与容量无关的投资成本;表示第i个设备的额定容量;μCEF(r,n)为资本回收系数;和分别表示第n年的维护费用和运行成本;
构建污染物排放惩罚成本最小的数学模型MinCenv:
在使用电能和天然气过程中,总会排放出大量的污染物,其中包括CO、CO2、SO2和NOx等,这些污染物进入大气后,不仅会降低环境的质量,而且当污染物排放过度时,还会破坏生态。因此在综合能源系统容量配置及运行优化中,需要支付一部分费用用来惩罚设备在运行过程中所排放出的污染物对环境造成的不良影响,其数学模型为:
式中,ka和kb分别为天然气和电力的CO2排放系数,ck为CO2排放惩罚费用,cd为NOx排放惩罚费用,kc为各设备污染物的排放系数;T为年总运行小时;△t为排放污染气体间隔时间;Ft,GT为燃气轮机在t时刻消耗的燃料量;Ft,HR为余热锅炉在t时刻消耗的燃料量;Ct,grid为电网在t时刻与综合能源系统的交互功率;表示排放Nox的设备m在t时刻的输出功率;
当综合能源系统的购电量不足时,可以通过一次能源风机发电来满足电负荷需求,其中以年度一次能源消耗量作为衡量能源效率的指标构建一次能源购能成本最小的数学模型:其中为第h种能量的标准耗风量换算系数;H为一次能源类型数量;为该系统中第h种能量的全年耗能量。
以IES的运维成本最小化作为目标函数,约束包括能量平衡约束、储能约束以及各设备性能约束,建立涉及变工况特性的综合能源系统的下层优化模型,规划模型框图如图3所示;
下层优化模型以运行成本最低为目标函数,考虑系统的购能费用和维护费用,其数学模型为:
式中,式中T为年总运行小时;和分别表示第i个设备单位固定和可变的维护成本;代表第i个设备在第t个时刻的能源出力;μCRF(r,n)为资本回收系数;为第i个设备的额定容量;为燃气轮机在t时刻购买的天然气量;为余热锅炉在t时刻购买的天然气量;为能源设备在t时刻向电网出售的电量;为能源设备在t时刻向电网购买的电量。
综合能源系统双层规划模型要满足电、冷、热功率平衡约束,数学表达式为:
式中,PGT(t)为燃气轮机的在t时刻的输出发电功率,PWT(t)为风机在t时刻输出电功率,PES,d(t)为蓄电池在t时刻释放的电功率,Pgrid,B(t)为能源设备向电网购买的电功率,PES,c(t)为蓄电池在t时刻储存的电功率,LE(t)为用户侧在t时刻所需电负荷,PECin(t)为电制冷机在t时刻所输入的电功率,Pgrid,s(t)为能源设备向电网出售的电功率,QHR(t)为余热锅炉在t时刻输出的热功率,QRECin(t)为热回收系统在t时刻的输入热功率,QACin(t)为吸收式制冷机在t时刻输入的热功率,HREC(t)为热交换器在t时刻输出的热功率,LR(t)为用户侧在t时刻所需的热负荷;QEC(t)为电制冷机在t时刻输出的冷功率,QAC(t)为吸收式制冷机在t时刻输出的冷功率,LC(t)为用户侧在t时刻所需的冷负荷;
设备的运行要满足其功率上下限约束,其表达式为:
式中,PGT,min为燃气轮机输出的最小功率,SGT为燃气轮机的额定容量,ηGT为燃气轮机的运行效率,PHR,min为余热锅炉输出的最小功率,SHR为余热锅炉的额定容量,ηHR为余热锅炉的运行效率,PAC,min为吸收式制冷机的输出最小功率,SAC为吸收式制冷机的额定容量,ηAC为吸收式制冷机的运行效率,PEC,min为电制冷机输出的最小功率,SEC为电制冷机的额定容量,ηEC为电制冷机的运行效率;
储能约束:ES的容量受其充电状态、充电功率和放电功率的限制。一天中储存的初始电量等于一天中储存的最终电量,其表达式为:
式中,SOCmin为储能的最小负荷状态,SOCmax为储能的最大负荷状态,PES,c(t)为蓄电池在t时刻储存的电功率,为蓄电池储存电功率的最大状态,PES,d(t)为蓄电池在t时刻释放的电功率,为蓄电池释放电功率的最大状态,SOC(1)为调度周期内开始时刻的储能量,SOC(24)为调度周期内最后时刻的储能量;
根据上层规划模型具有多目标优化以及下层优化模型具有混合整数非线性的特点,对综合能源系统的双层模型进行求解,形成最优规划方案集,上层求解流程图如图4所示;
系统上层规划优化阶段目的是得到系统的多组容量配置方案,包括系统的设备类型、台数和容量的配置。规划优化阶段以能量平衡和能量网络传输功率为约束条件,以最低的经济和环境成本为优化目标,采用非劣分类遗传算法(NSGA-Ⅱ)来求解规划模型获得Pareto最优解集,从Pareto最优解集选取多组典型最优解,进而得到多组典型最优解对应的容量配置方案。
基于NSGA-Ⅱ求解上层多目标容量规划问题的流程可以描述如下:
(1)系统初始化:输入系统参数:设备类型及容量,负荷需求曲线,风速强度,能源价格等;
(2)种群初始化:生成初始化群体P,群体代数N=0。进化代数计数器t=0,设置最大进化代数D;
(3)模拟仿真:调用优化策略来计算经济和环境目标值;
(4)遗传操作:选择,杂交,突变,产生后代群体Q;
(5)模拟仿真:计算经济和环境目标以及种群Q的个体适应度值;
(6)种群结合:将当前种群P与子代种群Q相结合,得到种群Q,根据适应度函数计算各个体的优势关系和聚集距离,并对个体进行Pareto分类;
(7)终止条件:判断终止条件,如果满足终止条件,则输出最佳发电组合,能源成本,环境成本,否则返回步骤(4);
系统下层优化运行阶段提出的IES运行优化问题是典型的混合整数线性规划问题(MILP),一个混合整数线性规划问题的完整数学描述,包括一个用于求解最大值或最小值的线性目标函数,一个联立线性方程组,以及各优化变量的约束条件,本文提出的混合整数线性规划问题描述如下:
min cx
xmin≤xi≤xmax i∈I
xj∈{0,1} j∈J
式中,cx是目标函数,A是联立线性方程的系数矩阵,b是联立线性方程的值,xi和xj分别是连续变量和整形变量。MILP软件用于解决区域综合能源系统的运行优化问题。
具体表述为:
步骤S4.1:令系统年总经济成本最小的数学模型MinCtoal、污染物排放惩罚成本最小的数学模型MinCenv和一次能源购能成本最小的数学模型MinCpr为上层模型的优化目标函数;系统的设备类型、台数和容量的配置为约束条件;
步骤S4.2:将系统中设备类型、容量、电热冷负荷需求、风速强度以及能源价格做为输入参数进行系统初始化;
步骤S4.3:利用上层模型中的多目标函数和输入参数生成初始化种群P,并设置种群迭代次数N=0,最大迭代次数为D;
步骤S4.4:将种群P中的总经济成本、污染物排放成本以及一次能源购能成本作为适应度函数;
步骤S4.5:种群P个体通过适应度函数计算个体适应度值,利用遗传算法的选择、交叉和变异操作产生后代群体Q;
步骤S4.6:重新以种群Q中的总经济成本、污染物排放成本以及一次能源购能成本作为适应度函数,并计算群体Q个体的适应度值;
步骤S4.7:将当前种群P与子代种群Q相结合,得到种群Qt,根据适应度函数计算种群Qt中各个体的优势关系和聚集距离,并对个体进行Pareto分类;
步骤S4.8:判断终止条件,当达到最大迭代次数D时终止,从Pareto最优解集选取多组典型最优解,得到多组典型最优解对应的容量配置方案,则输出最佳设备组合方案、经济成本、能源成本以及环境成本;否则返回步骤S4.5;
步骤S4.9:将下层优化模型中运行成本最低作为目标函数,能量平衡约束以及设备容量作为约束条件;
步骤S4.10:根据下层具有混合混合整数线性规划特点,利用MILP软件输出各个设备的最优运行输出值。
构建多指标综合评价体系,并采用层次分析法和熵权法相结合的评价方法对最优规划方案集中规划方案进行综合评价和打分,得到最优的规划方案,综合能源评价方法流程图如图5所示;包括:
步骤S5.1:从经济、技术和环境保护三个方面建立综合能源体系的综合评价指标体系,如表1所示:
表1综合能源系统综合评价指标体系
采用层次分析法-熵值法计算各指标的主客观综合权重,并对各方案进行综合评分。首先采用层次分析法计算指标的主观权重,然后采用熵权法计算指标的客观权重。最后,采用熵权法对层次分析法进行修正,得到组合权重系数。采用熵权法对层次分析法进行修正,得到组合权重系数。主要从实际项目出发,采用层次分析法实现现场项目需求,并采用熵权法对其进行修正,避免指标权重过于主观。
步骤S5.2:采用层次分析法确定第i'个指标在主观方面的权重系数Wi';
构建层次分析结构:层次分析结构一般分为目标层、标准层和程序层。目标层表示解决问题的目的,即运用层次分析法要达到的目标;标准层次代表实现预定目标所涉及的中间环节;解决方案级别代表问题的具体解决方案。
构建判断矩阵:利用标度法判断各因素的相对重要性,然后根据专家意见建立属于同一目标层的两个或两个指标的判断矩阵C。
计算标准判断矩阵R:将判断矩阵C标准化,得到标准化判断矩阵R。
判断矩阵一致性检验:在评价过程中,需要对所构造判断矩阵的一致性进行检验。通过判断矩阵特征值的变化来检验判断矩阵的一致性。首先,计算判断矩阵的最大特征根:Ci′j′W=λmaxW,式中λmax是Ci′j′的最大特征根:W为λmax对应的归一化特征向量,然后求出判断矩阵的一致性指标CI:
随机一致性比CR为判断矩阵的一致性指标CI与平均随机一致性指标RI的比值,当计算出的CR满足上式时,可确定所构造的判断矩阵具有令人满意的一次性。如果计算出的CR不满足上式,则需要对之前构造的判断矩阵进行调整,直到满足要求为止;
步骤S5.3:采用熵权法确定第i′个指标在客观方面的权重系数θi′;
求指标i′的偏差di′:di′=1-Ei′;
步骤S5.4:将层次分析法得到的权系数Wi′与熵权法修正的权系数θi′进行组合计算,得到主客观综合权重系数ωi′:
ωi′=ρWi′+(1-ρ)θi′
式中,ρ为常数,通常取0.5;
步骤S5.5:构建综合评分函数F(Z,yi′),当综合评价函数达到最大值时,表示该方案的评价得分最高,即为最优规划方案;
式中,m′表示规划方案总个数,j′=1,2,3,...,m′,n′表示评价指标的总个数,i′=1,2,3,...,n′,bi′j′表示经标准化处理后的第j′个规划方案在第i′个评价指标下的分值。
参与评价的m′个系统规划方案记为Y=[y1,y2,…,ym′];有n′个评价指标,记为X=[x1,x2,…,xn′];方案yj′对应的第j′个指标值可以用ai′j′表示,m′个系统方案的m′×n′个评价指标可以得到指标矩阵A=[ai′j′]m′×n′,即:对于索引值越大索引越好,使用以下公式进行标准化:对于指标值越小的指标越好,使用以下公式进行标准化:
标准化后,评价指标0≤bi′j′≤1,即指标矩阵A归一化为矩阵B=[bi′j′]m′×n′。将指标归一化矩阵B与综合权重矩阵D相乘得到归一化加权决策矩阵Z:方案y′的综合评分函数可以记为F(Z,yi′)=ei′。当综合评价函数达到最大值时,表示该方案的评价得分最高,为优选方案。
为验证本发明方法的有效性,以某工业园区综合能源供应系统的全年规划为研究对象,综合能源系统架构如图1所示;工业园区负荷需求主要为电力负荷、热负荷、冷负荷;园区能源供应方式以风能、配电网供电、管道天然气为主。在能源设备选型和安装方面,园区的环境条件可以满足安装具有一定容量燃气轮机和余热锅炉的需求;园区集中冷暖可通过安装吸收式制冷装置、电制冷装置或电加热装置实现;并允许安装一定容量的蓄电装置,提高园区综合能源系统能源供应的灵活性和可靠性。
优化结果如表2所示:
表2某工业园区综合能源系统规划方案值
可以看出,园区综合能源系统规划的年总成本与年污染排放量是相互制约的。当方案的年总成本较低时,污染排放量较高。本文从配置层和优化层后的最优解集中选取5个规划方案,形成一组最优规划方案。由表2可知,方案1、方案2、方案3、方案4和方案5的年度总成本逐渐增加,年度污染排放逐渐减少,年度一次能耗在一定范围内发生变化。当选择方案1时,系统经济效益较好,但环境保护较差;同样,当选择方案5时,方案的环保性较好,但经济性不高。因此,需要采用一种有效的决策方法,从一组最优方案中选择最合适的系统配置方案。
对五个规划方案的指标进行打分,结果如表3所示:
表3某工业园区综合能源系统规划方案评分表
根据各指标的得分,形成指标B的标准化矩阵,如下式所示:
将指标归一化矩阵B乘以综合权重矩阵D得到归一化加权决策矩阵Z为:Z=BD=[0.7284 0.8498 0.4598 0.1785 0.3574]T;
可以看出,方案2的综合得分最高,是最优的规划方案。
以上结果表明:应用本文发明技术方案,以某工业园区需求数据为基础,完成综合能源系统一体化规划案例分析是可行的;通过遗传算法优化BP神经网络对设备变工况拟合参数优化后的结果很佳,设备运行效率都高达90%以上,很好的提高了系统的灵活性;与现有研究相比,将综合能源系统的规划分为三层,并对其进行综合考虑,各因素的影响不仅通过多目标函数对综合能源系统的经济性、技术性、环保性进行了综合优化,而且通过建立综合评价指标体系,创造性地将综合评价引入到规划初期阶段,整合了更具体的技术。在规划过程中引入技术要求、环境指标等,使规划方案更加具体、可靠。
Claims (8)
1.一种考虑设备变工况特性的综合能源系统优化方法,其特征在于,包括:
步骤1:获取综合能源系统中各个设备实际运行下的运行效率与负荷率的历史数据;
步骤2:构建基于遗传算法的BP神经网络预测各个设备的最优运行效率;
步骤3:根据最优运行效率建立各个设备的变工况特性模型得到模型最优的综合能源系统。
2.根据权利要求1所述的一种考虑设备变工况特性的综合能源系统优化方法,其特征在于,所述步骤2包括:
步骤2.1:根据历史数据中输入输出参数个数确定BP神经网络结构,初始BP神经网络的权值和阈值长度,确定遗传算法个体的编码长度,得到初始种群;
步骤2.2:根据获得的历史数据对BP神经网络进行训练;
步骤2.3:将当前时刻的负荷率作为训练后的BP神经网络的输入,利用训练后的BP神经网络输出当前时刻运行效率的预测值;
步骤2.4:将当前时刻运行效率的实际值与预测值之间的误差绝对值作为遗传算法中的适应度函数;
步骤2.5:种群个体通过适应度函数计算个体适应度值,利用遗传算法的选择、交叉和变异操作进行迭代计算,当达到最大迭代次数τ1时输出的最优个体适应度值作为BP神经网络下一次迭代计算时的初始权值和阈值;
步骤2.6:重复步骤2.3~步骤2.5进行BP神经网络的迭代计算,当达到最大迭代次数τ2时的输出值作为各个设备的最优运行效率。
3.根据权利要求1所述的一种考虑设备变工况特性的综合能源系统优化方法,其特征在于,所述步骤3包括:
步骤3.1:确定综合能源系统中各能源转换设备类型,包括:燃气轮机、余热锅炉、电制冷机、吸收式制冷机、蓄电池、风机和热交换器,并设定各个能源设备之间的连接方式;
步骤3.2:将基于BP神经网络预测输出的最优运行效率代入各个设备的运行模型中,即可实现综合能源系统中设备最优变工况特性模型的建立。
4.一种考虑设备变工况特性的综合能源系统规划方法,基于权利要求1~3任意一项所述的考虑设备变工况特性的综合能源系统优化方法实现,其特征在于,包括:
根据最优运行效率建立各个设备的变工况特性模型得到综合能源系统的整体模型;
考虑经济效益和环保效益,以IES的生命周期成本、污染物排放惩罚成本以及一次能源购能成本最小化作为多目标函数,结合系统数据、设备参数、能源价格、负荷信息要求,建立综合能源系统的上层规划模型;
以IES的运维成本最小化作为目标函数,约束包括能量平衡约束、储能约束以及各设备性能约束,建立涉及变工况特性的综合能源系统的下层优化模型;
根据上层规划模型具有多目标优化以及下层优化模型具有混合整数非线性的特点,对综合能源系统的双层模型进行求解,形成最优规划方案集;
构建多指标综合评价体系,并采用层次分析法和熵权法相结合的评价方法对最优规划方案集中规划方案进行综合评价和打分,得到最优的规划方案。
5.根据权利要求4所述的一种考虑设备变工况特性的综合能源系统规划方法,其特征在于,所述建立综合能源系统的上层规划模型,包括:
构建系统年总经济成本最小的数学模型MinCtoal:
Min Ctoal=Cinv+COM
式中,Ω*为能源生产设备的总个数;Cinv,i为第i个设备的投资成本;r为贴现率;N为设备的生命周期;由于投资成本包含容量相关与容量无关的两部分;表示第i个设备容量相关的单位投资成本;Cfix,i表示第i个设备与容量无关的投资成本;表示第i个设备的额定容量;μCEF(r,n)为资本回收系数;和分别表示第n年的维护费用和运行成本;
构建污染物排放惩罚成本最小的数学模型MinCenv:
式中,ka和kb分别为天然气和电力的CO2排放系数,ck为CO2排放惩罚费用,cd为NOx排放惩罚费用,kc为各设备污染物的排放系数;T为年总运行小时;△t为排放污染气体间隔时间;Ft,GT为燃气轮机在t时刻消耗的燃料量;Ft,HR为余热锅炉在t时刻消耗的燃料量;Ct,grid为电网在t时刻与综合能源系统的交互功率;表示排放Nox的设备m在t时刻的输出功率;
7.根据权利要求4所述的一种考虑设备变工况特性的综合能源系统规划方法,其特征在于,所述根据上层规划模型具有多目标优化以及下层优化模型具有混合整数非线性的特点,对综合能源系统的双层模型进行求解,形成最优规划方案集,具体表述为:
步骤S4.1:令系统年总经济成本最小的数学模型MinCtoal、污染物排放惩罚成本最小的数学模型MinCenv和一次能源购能成本最小的数学模型MinCpr为上层模型的优化目标函数;系统的设备类型、台数和容量的配置为约束条件;
步骤S4.2:将系统中设备类型、容量、电热冷负荷需求、风速强度以及能源价格做为输入参数进行系统初始化;
步骤S4.3:利用上层模型中的多目标函数和输入参数生成初始化种群P,并设置种群迭代次数N=0,最大迭代次数为D;
步骤S4.4:将种群P中的总经济成本、污染物排放成本以及一次能源购能成本作为适应度函数;
步骤S4.5:种群P个体通过适应度函数计算个体适应度值,利用遗传算法的选择、交叉和变异操作产生后代群体Q;
步骤S4.6:重新以种群Q中的总经济成本、污染物排放成本以及一次能源购能成本作为适应度函数,并计算群体Q个体的适应度值;
步骤S4.7:将当前种群P与子代种群Q相结合,得到种群Qt,根据适应度函数计算种群Qt中各个体的优势关系和聚集距离,并对个体进行Pareto分类;
步骤S4.8:判断终止条件,当达到最大迭代次数D时终止,从Pareto最优解集选取多组典型最优解,得到多组典型最优解对应的容量配置方案,则输出最佳设备组合方案、经济成本、能源成本以及环境成本;否则返回步骤S4.5;
步骤S4.9:将下层优化模型中运行成本最低作为目标函数,能量平衡约束以及设备容量作为约束条件;
步骤S4.10:根据下层具有混合混合整数线性规划特点,利用MILP软件输出各个设备的最优运行输出值。
8.根据权利要求4所述的一种考虑设备变工况特性的综合能源系统规划方法,其特征在于,所述构建多指标综合评价体系,并采用层次分析法和熵权法相结合的评价方法对最优规划方案集中规划方案进行综合评价和打分,得到最优的规划方案,包括:
步骤S5.1:从经济、技术和环境保护三个方面建立综合能源体系的综合评价指标体系;
步骤S5.2:采用层次分析法确定第i'个指标在主观方面的权重系数Wi';
步骤S5.3:采用熵权法确定第i'个指标在客观方面的权重系数θi';
步骤S5.4:将层次分析法得到的权系数Wi'与熵权法修正的权系数θi'进行组合计算,得到主客观综合权重系数ωi':
ωi'=ρWi'+(1-ρ)θi'
式中,ρ为常数;
步骤S5.5:构建综合评分函数F(Z,yi'),当综合评价函数达到最大值时,表示该方案的评价得分最高,即为最优规划方案;
式中,m'表示规划方案总个数,j'=1,2,3,…,m',n'表示评价指标的总个数,i'=1,2,3,…,n',bi'j'表示经标准化处理后的第j'个规划方案在第i'个评价指标下的分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226243.1A CN114742268A (zh) | 2022-03-08 | 2022-03-08 | 考虑设备变工况特性的综合能源系统优化及规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226243.1A CN114742268A (zh) | 2022-03-08 | 2022-03-08 | 考虑设备变工况特性的综合能源系统优化及规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742268A true CN114742268A (zh) | 2022-07-12 |
Family
ID=82274933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210226243.1A Pending CN114742268A (zh) | 2022-03-08 | 2022-03-08 | 考虑设备变工况特性的综合能源系统优化及规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742268A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115235046A (zh) * | 2022-07-22 | 2022-10-25 | 南京优助智能科技有限公司 | 中央空调冷源需求侧响应的优化控制方法 |
CN117370766A (zh) * | 2023-12-07 | 2024-01-09 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的卫星任务规划方案评估方法 |
CN117687554A (zh) * | 2023-12-11 | 2024-03-12 | 上海梅斯医药科技有限公司 | 基于视觉模拟评分的标尺元件灵活配置系统及方法 |
CN117993692A (zh) * | 2024-04-03 | 2024-05-07 | 国网安徽省电力有限公司经济技术研究院 | 基于大数据分析的电网生产成本优化方法 |
-
2022
- 2022-03-08 CN CN202210226243.1A patent/CN114742268A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115235046A (zh) * | 2022-07-22 | 2022-10-25 | 南京优助智能科技有限公司 | 中央空调冷源需求侧响应的优化控制方法 |
CN115235046B (zh) * | 2022-07-22 | 2024-04-12 | 南京优助智能科技有限公司 | 中央空调冷源需求侧响应的优化控制方法 |
CN117370766A (zh) * | 2023-12-07 | 2024-01-09 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的卫星任务规划方案评估方法 |
CN117687554A (zh) * | 2023-12-11 | 2024-03-12 | 上海梅斯医药科技有限公司 | 基于视觉模拟评分的标尺元件灵活配置系统及方法 |
CN117687554B (zh) * | 2023-12-11 | 2024-05-28 | 上海梅斯医药科技有限公司 | 基于视觉模拟评分的标尺元件灵活配置系统及方法 |
CN117993692A (zh) * | 2024-04-03 | 2024-05-07 | 国网安徽省电力有限公司经济技术研究院 | 基于大数据分析的电网生产成本优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742268A (zh) | 考虑设备变工况特性的综合能源系统优化及规划方法 | |
CN107169633B (zh) | 一种输气管网、储气库调峰方案综合评价方法 | |
CN111626487B (zh) | 一种综合能源系统多评价指标优化规划技术方法和系统 | |
CN112766809A (zh) | 综合能源系统的评价方法 | |
CN112149980A (zh) | 区域级综合能源系统能效分析方法及系统 | |
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 | |
CN111401604A (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
CN103440535A (zh) | 基于免疫优化和模糊决策的多目标厂级负荷优化方法 | |
CN112348276A (zh) | 基于多要素三层次的综合能源系统规划优化方法 | |
CN111429301A (zh) | 一种容量配置和运行策略的协同优化处理方法和装置 | |
CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
CN116187173A (zh) | 一种区域综合能源系统双层优化方法及系统 | |
CN116826752A (zh) | 一种台区用能多目标低碳降损优化调度策略方法 | |
Liu et al. | Optimization of intelligent heating ventilation air conditioning system in urban building based on BIM and artificial intelligence technology | |
CN117077960A (zh) | 一种区域综合能源系统日前调度优化方法 | |
CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
CN111553608A (zh) | 一种用于城市配网综合能源系统的效益评价方法 | |
CN113158547B (zh) | 计及经济性和可靠性的区域综合能源系统优化配置方法 | |
CN113919635A (zh) | 一种基于能效-经济-环境的园区综合能源系统评估方法 | |
CN112132379B (zh) | 考虑经济性的新能源跨区域消纳评估方法和存储介质 | |
CN108009684A (zh) | 一种包含短期负荷预测的微电网并网状态能量管理方法 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN115187018A (zh) | 一种园区综合能源系统双层优化调度方法及装置 | |
Zhu et al. | Application of machine learning and its improvement technology in modeling of total energy consumption of air conditioning water system | |
CN115049250A (zh) | 面向供需不确定性综合能源系统多目标规划方法及系统 |
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 |