CN114742276A - 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法 - Google Patents

一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法 Download PDF

Info

Publication number
CN114742276A
CN114742276A CN202210259028.1A CN202210259028A CN114742276A CN 114742276 A CN114742276 A CN 114742276A CN 202210259028 A CN202210259028 A CN 202210259028A CN 114742276 A CN114742276 A CN 114742276A
Authority
CN
China
Prior art keywords
power
energy
output
orc
period
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.)
Withdrawn
Application number
CN202210259028.1A
Other languages
English (en)
Inventor
粟世玮
郝翊彤
熊炜
赵一鸣
胡广勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210259028.1A priority Critical patent/CN114742276A/zh
Publication of CN114742276A publication Critical patent/CN114742276A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

一种考虑㶲效率的含ORC的园区综合能源系统多目标优化调度方法，包括以下步骤：步骤1、构建园区综合能源系统；步骤2、构建多目标优化调度模型；步骤3、针对步骤2的多目标优化调度模型，采用NSGA‑Ⅱ算法进行求解。本发明调度方法实现了电网与热网之间双向耦合，降低了系统的经济成本和碳排放量，并有效提高了风电、光伏的消纳能力。

Description

一种考虑㶲效率的含ORC的园区综合能源系统多目标优化调 度方法
技术领域
本发明涉及园区综合能源系统优化调度技术领域，具体涉及一种考虑
Figure BDA0003549997890000012
效率的含ORC的园区综合能源系统多目标优化调度方法。
背景技术
对化石能源的过度使用造成了全球范围内的能源和环境危机，加速绿色高效和可持续的能源发展已成为全球共识。以风电、光伏为代表的可再生能源可以有效减少环境污染，但弃风弃光问题严峻。多种能源、负荷整合的综合能源系统应运而生，通过多能互补和能量梯级利用，是解决环境问题和提高能源利用率的有效途径之一。然而，对于能源利用率的衡量，大多数研究是采用基于热力学第一定律的能源利用效率，该指标只能考虑能源“量”的变化，而对于综合能源系统IES来说，通常包含多种不同类型的能源，因此，本发明引入基于热力学第二定律提出的
Figure BDA0003549997890000013
效率，该指标可以同时考虑能源“质”和“量”的变化，更合理的衡量能源效率，促进能量梯级利用。
然而，现有研究中，在衡量能源利用水平时，只考虑了能量数量的变化，未考虑能源质量的差异；对能源的转换考虑也还不够全面，特别是对于从热能到电能的转换还鲜有研究；同时，优化目标通常只考虑了经济性和环保性，而忽略了效率目标。
发明内容
针对以上问题，本发明提出一种考虑
Figure BDA0003549997890000014
效率的含ORC的园区综合能源系统多目标优化调度方法，该方法建立一种含ORC的园区IES低碳经济优化调度模型，以经济成本、
Figure BDA0003549997890000015
效率和碳排放量作为优化目标，采用带有精英策略的非支配排序遗传算法(ElitistNondominated Sorting Genetic Algorithm，NSGA-Ⅱ)进行求解。本发明引入
Figure BDA0003549997890000016
效率，来衡量能量“数量”和“质量”的变化，同时从经济性和环境性的角度进行分析，ORC与储热设备的结合可以降低系统运行成本，减少碳排放量，实现园区系统经济低碳高效运行。
本发明采取的技术方案为：
一种考虑
Figure BDA0003549997890000017
效率的含ORC的园区综合能源系统多目标优化调度方法，包括以下步骤：
步骤1、构建园区综合能源系统：
所述园区综合能源系统的外部能源供应端包含上级电网、上级气网、风电、光伏，内部能量转换部分包含冷热电三联供设备CCHP、燃气锅炉GB、电解槽EL、电制冷机EC、氢燃料电池FC、储能设备，系统输出端包含电、冷、热三种负荷；
其中，电负荷由燃料电池、风电、光伏、ORC余热发电、储电设备和燃气轮机供给，不足电能从上级电网购买所得；冷负荷由电制冷机和CCHP设备提供；热负荷由燃气锅炉、燃料电池、CCHP和储热设备供给。电解槽将波动性强的风电光伏电解产生氢气，通过燃料电池热电联产产生电能和热能，ORC余热发电将某些时段的对于热量转化为电能，解耦了CCHP机组通常“以热定电”的模式。
步骤2、构建多目标优化调度模型：
(1)设备模型：
(a)CCHP机组：
CCHP机组包括燃气轮机、余热回收装置、吸收式制冷机，可以达到81％的能源利用率以及38.4％的
Figure BDA0003549997890000021
效率，其数学模型如式(1)所示：
PGTe＝PGTg·ηGTe
PGTh＝PGTg·ηGTh
PACc＝PACh·ηAC
PHEh＝PGTh·ηHE (1)；
其中，PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率；ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率；PACc为CCHP机组中吸收式制冷机的输出功率，PACh为CCHP机组中吸收式制冷机的输入功率，PHEh为CCHP机组中热交换器的输出功率。
(b)燃气锅炉：
燃气锅炉可以通过从上级气网购气将其转化为热能，其数学模型如式(2)所示：
PGBh＝PGBg·ηGB (2)；
其中，PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率；ηGB为燃气锅炉的产热效率。
(c)电解槽：
电解槽可以通过电解水将电能转化为氢能，其数学模型如式(3)所示：
PEL＝PELi·ηEL (3)；
其中，PEL和PELi分别为t时段电解槽的输出功率和输入功率；ηEL为电解槽的转化效率。
(d)氢燃料电池：
氢燃料电池可以通过化学反应将氢能转化成电能和热能，实现氢能的高效利用，其外部调度模型如式(4)所示：
PFC＝PFCe+PFCh
PFCe＝PFCi·ηFCe
PFCh＝PFCi·ηFCh (4)；
其中，PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率；ηFCe和ηFCh为燃料电池的发电效率和产热效率。
(e)电制冷机：
电制冷机通过消耗电能产生冷能，其数学模型如式(5)所示：
PECc＝PECe·ηEC (5)；
其中，PECc和PECe分别为t时段电制冷机的输出功率和耗电功率；ηEC为电制冷机的产冷效率。
(f)ORC余热发电：
ORC余热发电可以将弃热转化为电能，降低购能成本同时提高能源利用效率。为简化计算，本发明将其热电转化效率取为常数，其数学模型如式(6)所示：
PORC＝ηORC·PORCi (6)
其中，PORC和PORCi分别为t时段ORC的输出功率和输入功率；ηORC为ORC的转换效率。
(g)储能设备：
储能设备包括储电EST、储热HST两种储能设备，其数学模型如式(7)所示：
Figure BDA0003549997890000031
Figure BDA0003549997890000032
其中，i∈{EST,HST}，
Figure BDA0003549997890000033
为t时段储能所储存的能量；Pt i,c和Pt i,d为t时段储能设备的充、放能功率；μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率；
Figure BDA0003549997890000034
为(t-1)时刻储能所储存的能量，△t为时刻差值，
Figure BDA0003549997890000045
为初始时刻储能装置的能量，EST为储电设备；HST为储热设备；i∈{EST,HST}。
(2)目标函数：
a)经济性目标：
经济性目标F1如式(8)所示，考虑购能成本f1、运维成本f2和弃风弃光惩罚f3三部分。
F1＝f1+f2+f3；
Figure BDA0003549997890000041
Figure BDA0003549997890000042
Figure BDA0003549997890000043
其中，ce和cg分别为单位购电、购气价格；
Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量；
Ki为设备的单位出力运行维护成本，Pi为设备在t时段的出力；
cWT和cPV分别为弃风弃光单位惩罚成本；
PWT和Pwt分别为t时段风电典型日预测值和实际消纳量；
PPV和Ppv分别为t时段光伏典型日预测值和实际消纳量。
b)能源利用率目标：
采用
Figure BDA0003549997890000046
效率来衡量能源利用率，与传统只能衡量能量“数量”变化的能源利用效率不同，
Figure BDA0003549997890000047
效率可以同时反映能量的“数量”和“质量”，如式(9)所示：
Figure BDA0003549997890000044
Eout＝λe1(Peload+Pec)+λh1(Phload+Phc)+λcPcload
Ein＝λe2(Pbuye+Ped+Ppv+Pwt)+λh2Phd (9)；
其中，Eout和Ein分别为总输出、输入能量
Figure BDA0003549997890000048
值；
λe1、λh1、λc、λe2和λh2分别为电负荷、热负荷、冷负荷、电能、热水能源品质系数；
Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷；
Pec和Phc分别为储能设备充电功率和充热功率；
Pbuye、Ped和Phd分别为购电功率、储能设备放电功率和放热功率。
c)环境性目标：
通过二氧化碳排放量来体现所构建的园区IES的环境性，包括天然气CO2排放量和从上级电网购电CO2排放量，如式(10)所示。
Figure BDA0003549997890000051
其中，egrid、eGT和eGB分别为区域电网基准线排放因子、燃气轮机和燃气锅炉的CO2排放系数，Pbuye为购电电量，PGTe为CCHP机组中燃气轮机的输出电功率，PGBh为燃气锅炉的输出热功率。
(3)约束条件：
a)功率平衡约束：
Pbuuye+Pgte+Ppv+Pwt+Porc+Pfce+Ped＝Pec+Peli+Pece+Peload
Pbuyg＝Pgbg+Pgtg
Pacc+Pecc＝Pcload
Pgbh+Phd+Pfch1+Pheh-Pach＝Phc+Phload (11)；
其中，PGTe、PGTg分别为t时段燃气轮机的输出电功率、耗气功率，PACc为CCHP机组中吸收式制冷机的输出功率，PACh为CCHP机组中吸收式制冷机的输入功率，PHEh为CCHP机组中热交换器的输出功率，PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率；PELi为t时段电解槽的输入功率，PFCe为t时段燃料电池的输出电功率，PECc和PECe分别为t时段电制冷机的输出功率和耗电功率，PORC为t时段ORC的输出功率，Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量，Pwt分别为t时段风电典型日实际消纳量，Ppv分别为t时段光伏典型日实际消纳量，Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷；Pfch1为燃料电池经热网直接供给热负荷的热功率；
b)设备耦合关系约束：
Pfch＝Pfch1+Pfch2
Pgth＝Pgth1+Pgth2
Porci＝Pgth2+Pfch2
Pel＝Pfci (12)；
其中，Pfch1和Pgth1分别为燃料电池和燃气轮机经热网直接供给热负荷的热功率；Pfch2和Pgth2分别为ORC余热发电装置热功率的输入；PORCi分别为t时段ORC的输入功率；PFCi为t时段燃料电池的输入功率；PEL为t时段电解槽的输出功率。
c)设备出力上下限约束：
Figure BDA0003549997890000061
其中，Pj为设备j在t时刻的输出功率；
Figure BDA0003549997890000063
和
Figure BDA0003549997890000064
分别为设备j功率上下限。
d)储能设备约束：
Figure BDA0003549997890000062
其中，
Figure BDA0003549997890000065
和
Figure BDA0003549997890000066
分别为储能设备容量上下限，
Figure BDA0003549997890000067
为t时刻储能设备的容量，Pt i,c为t时刻储能设备的充能功率，Pt i,d为t时刻储能设备的放能功率。
步骤3、针对步骤2的多目标优化调度模型，采用NSGA-Ⅱ算法进行求解。包括以下步骤：
步骤3.1：初始化种群，输入系统基本参数；
步骤3.2：随机生成一个初始父代种群N；
步骤3.3：进行遗传基本操作，得到子代；
步骤3.4：将父代和子代合并后，通过精英保留策略，得到新的父代；
步骤3.5：根据选择、交叉和变异等遗传操作继续产生下一代；
步骤3.6：判断是否达到最大迭代次数，若是，进行步骤3.7，若否，进行步骤3.3；
步骤3.7：输出Pareto前沿解。
本发明一种考虑
Figure BDA0003549997890000068
效率的含ORC的园区综合能源系统多目标优化调度方法，技术效果如下：
1)：本发明引入
Figure BDA0003549997890000069
效率，来衡量能量“数量”和“质量”的变化，同时从经济性和环境性的角度进行分析，ORC与储热设备的结合可以降低系统运行成本，减少碳排放量，实现园区系统经济低碳高效运行。
2)：ORC可以充分利用CCHP冷热电三联供设备和燃料电池热电联产产生的余热，降低购能成本，增加系统调度的灵活性。
3)：储热设备与ORC的结合可以较大程度地降低弃风弃光，提高风电、光伏的利用率，实现可再生能源的充分消纳。
4)：ORC适用于电负荷较高而热负荷需求较低的时段，此时其可以将多余热能转化为电能，减少购电量，不仅降低了经济成本，也减少了碳排放量，实现系统的灵活调度；
5)：储热设备可以将热能进行存储以供其余时段热负荷使用，适用于热负荷波动较大的时段，提高系统的可靠性。
附图说明
图1为本发明所建立园区综合能源系统的能量流向图；
图2为本发明所采用的的求解算法流程图；
图3为典型日负荷及风、光预测数据；
图4(1)为场景1电气子系统运行出力图；
图4(2)为场景2电气子系统运行出力图；
图4(3)为场景3电气子系统运行出力图。
图5(1)为场景1冷能子系统运行出力图；
图5(2)为场景2冷能子系统运行出力图；
图5(3)为场景3冷能子系统运行出力图。
图6(1)为场景1热力子系统运行出力图；
图6(2)为场景2热力子系统运行出力图；
图6(3)为场景3热力子系统运行出力图。
具体实施方式
一种考虑
Figure BDA0003549997890000071
效率的含ORC的园区综合能源系统多目标优化调度方法，有机朗肯循环(Organic Rankine Cycle，ORC)余热发电可以充分利用设备的发电余热，使得传统热力网络与电力网络之间能量的单向流动转变为双向流动，其与储热系统的结合为风电、光伏的消纳提供了新的思路。本发明从经济性、能量利用率、环境性三个角度，提出一种考虑
Figure BDA0003549997890000072
效率的含ORC的园区综合能源系统(Integrated energy system，IES)多目标低碳经济优化调度模型。首先，构建包含CCHP设备、氢燃料电池、ORC余热发电等设备的园区IES。其次，以经济成本最小、
Figure BDA0003549997890000073
效率最大和碳排放量最小为目标函数，构建含ORC的园区IES优化调度模型。最后，采用NSGA-Ⅱ多目标优化算法进行求解，并通过归一化求得折中解。算例仿真表明，所建模型实现了电网与热网之间双向耦合，降低了系统的经济成本和碳排放量，并有效提高了风电、光伏的消纳能力。包括如下步骤：
(1)：构建园区综合能源系统：
本发明构建的园区综合能源系统的基本结构如图1所示，外部能源供应端包含上级电网、气网和风电、光伏，内部能量转换部分包含冷热电三联供设备CCHP、燃气锅炉GB、电解槽EL、电制冷机EC、氢燃料电池FC、储能设备等，系统输出端包含电、冷、热三种负荷，充分满足用户侧负荷种类需求，如图1所示。
(2)：构建优化调度模型：
(i)设备模型：
(a)CCHP机组：
CCHP机组由燃气轮机、余热回收装置以及吸收式制冷机组成，可以达到81％的能源利用率以及38.4％的
Figure BDA0003549997890000081
效率。其数学模型如式(1)所示。
PGTe＝PGTg·ηGTe
PGTh＝PGTg·ηGTh
PACc＝PACh·ηAC
PHEh＝PGTh·ηHE (1)
其中，PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率；ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率。
(b)燃气锅炉：
燃气锅炉可以通过从上级气网购气将其转化为热能。其数学模型如式(2)所示。
PGBh＝PGBg·ηGB (2)
其中，PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率；
ηGB为燃气锅炉的产热效率。
(c)电解槽：
电解槽可以通过电解水将电能转化为氢能。其数学模型如式(3)所示。
PEL＝PELi·ηEL (3)
其中，PEL和PELi分别为t时段电解槽的输出功率和输入功率；
ηEL为电解槽的转化效率。
(d)氢燃料电池：
氢燃料电池可以通过化学反应将氢能转化成电能和热能，实现氢能的高效利用。其外部调度模型如式(4)所示。
PFC＝PFCe+PFCh
PFCe＝PFCi·ηFCe
PFCh＝PFCi·ηFCh (4)
其中，PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率；
ηFCe和ηFCh为燃料电池的发电效率和产热效率。
(e)电制冷机：
电制冷机通过消耗电能产生冷能。其数学模型如式(5)所示。
PECc＝PECe·ηEC (5)
其中，PECc和PECe分别为t时段电制冷机的输出功率和耗电功率；
ηEC为电制冷机的产冷效率。
(f)ORC余热发电：
ORC余热发电可以将弃热转化为电能，降低购能成本同时提高能源利用效率。为简化计算，本发明将其热电转化效率取为常数。其数学模型如式(6)所示。
PORC＝ηORC·PORCi (6)
其中，PORC和PORCi分别为t时段ORC的输出功率和输入功率；
ηORC为ORC的转换效率。
(g)储能设备：
本发明涉及储电(EST)、储热(HST)两种储能设备。其数学模型如式(7)所示。
Figure BDA0003549997890000091
Figure BDA0003549997890000092
其中，i∈{EST,HST}，Eit为t时段储能所储存的能量；
Pi,ct和Pi,dt为t时段储能设备的充、放能功率；
μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率。
(ii)目标函数：
(a)经济性目标：
经济性目标F1如式(8)所示，考虑购能成本f1、运维成本f2和弃风弃光惩罚f3三部分。
F1＝f1+f2+f3
Figure BDA0003549997890000101
Figure BDA0003549997890000102
Figure BDA0003549997890000103
其中，ce和cg分别为单位购电、购气价格；
Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量；
Ki为设备的单位出力运行维护成本；
Pi为设备在t时段的出力；
cWT和cPV分别为弃风弃光单位惩罚成本；
PWT和Pwt分别为t时段风电典型日预测值和实际消纳量；
PPV和Ppv分别为t时段光伏典型日预测值和实际消纳量。
(b)能源利用率目标：
本发明采用
Figure BDA0003549997890000106
效率来衡量能源利用率，与传统只能衡量能量“数量”变化的能源利用效率不同，
Figure BDA0003549997890000107
效率可以同时反映能量的“数量”和“质量”，如式(9)所示。
Figure BDA0003549997890000104
Eout＝λe1(Peload+Pec)+λh1(Phload+Phc)+λcPcload
Ein＝λe2(Pbuye+Ped+Ppv+Pwt)+λh2Phd (9)
其中，Eout和Ein分别为总输出、输入能量
Figure BDA0003549997890000108
值；
λe1、λh1、λc、λe2和λh2分别为电负荷、热负荷、冷负荷、电能、热水能源品质系数；
Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷；
Pec和Phc分别为储能设备充电功率和充热功率；
Pbuye、Ped和Phd分别为购电功率、储能设备放电功率和放热功率。
(c)环境性目标：
本发明通过二氧化碳排放量来体现所构建的园区IES的环境性，包括天然气CO2排放量和从上级电网购电CO2排放量，如式(10)所示。
Figure BDA0003549997890000105
其中，egrid、eGT和eGB分别为区域电网基准线排放因子、燃气轮机和燃气锅炉的CO2排放系数。
(iii)约束条件：
(a)功率平衡约束：
Pbuuye+Pgte+Ppv+Pwt+Porc+Pfce+Ped＝Pec+Peli+Pece+Peload
Pbuyg＝Pgbg+Pgtg
Pacc+Pecc＝Pcload
Pgbh+Phd+Pfch1+Pheh-Pach＝Phc+Phload (11)
(b)设备耦合关系约束：
Pfch＝Pfch1+Pfch2
Pgth＝Pgth1+Pgth2
Porci＝Pgth2+Pfch2
Pel＝Pfci (12)
其中，Pfch1和Pgth1分别为燃料电池和燃气轮机经热网直接供给热负荷的热功率；
Pfch2和Pgth2分别为ORC余热发电装置热功率的输入。
(c)设备出力上下限约束：
Figure BDA0003549997890000112
其中，Pj为设备j在t时刻的输出功率；
Figure BDA0003549997890000113
和
Figure BDA0003549997890000114
分别为设备j功率上下限。
(d)储能设备约束：
Figure BDA0003549997890000111
其中，
Figure BDA0003549997890000115
和
Figure BDA0003549997890000116
分别为储能设备容量上下限。
(3)采用NSGA-Ⅱ优化算法进行求解：
针对所提出的多目标优化调度模型，本发明采用NSGA-Ⅱ算法进行求解。该方法是在非支配排序遗传算法(NSGA)的基础上提出的，与之相比，NSGA-Ⅱ将计算复杂度从O(mN^3)降低为O(mN^2)，并引入精英策略，可以将种群中优秀的个体保存下来，其次，相比NSGA中共享半径的概念，NSGA-Ⅱ采用拥挤度，降低了主观性对算法结果的影响。NSGA-Ⅱ算法求得的Pareto最优解收敛性和鲁棒性好，具有较好的优化效果。
具体步骤为：
步骤3.1：初始化种群，输入系统基本参数；
步骤3.2：随机生成一个初始父代种群N；
步骤3.3：进行遗传基本操作，得到子代；
步骤3.4：将父代和子代合并后，通过精英保留策略，得到新的父代；
步骤3.5：根据选择、交叉和变异等遗传操作继续产生下一代；
步骤3.6：判断是否达到最大迭代次数，若是，去往步骤3.7，若否，去往步骤3.3；
步骤3.7：输出Pareto前沿解。
Figure BDA0003549997890000121
Lmin为三维空间中各帕累托解到最优理想解的(1,1,1)的距离；x、y、z为各帕累托解在三维空间中的坐标。
(4)在不同场景下进行仿真验证：
本发明设置三种场景，分析ORC和储热设备在经济性、能源利用率和碳排放量上的差异，如表1所示。
表1场景设置
Figure BDA0003549997890000122
本发明以我国西北地区某工业园区为例。西北地区风能、光能资源充足，政策支持良好。同时选取某典型日源荷预测数据进行算例仿真，并采用NSGA-Ⅱ算法进行求解。该园区典型日相应的负荷曲线和风电、光伏的变化曲线如图3所示。设备的参数如表2所示，从电网购电时的分时电价如表3所示。调度时间为24h，单位调度时间为1h。上级气网购气单价为3元/m3。种群初始规模为100。
表2设备基本参数
Figure BDA0003549997890000123
Figure BDA0003549997890000131
表3园区综合能源系统分时电价
Figure BDA0003549997890000132
场景说明：
本发明设置三种场景，分析ORC和储热设备在经济性、能源利用率和碳排放量上的差异，如表1所示。
场景计算：
针对所提出的多目标优化调度模型，本发明采用NSGA-Ⅱ算法进行求解。该方法是在非支配排序遗传算法(NSGA)的基础上提出的，与之相比，NSGA-Ⅱ将计算复杂度从O(mN^3)降低为O(mN^2)，并引入精英策略，可以将种群中优秀的个体保存下来，其次，相比NSGA中共享半径的概念，NSGA-Ⅱ采用拥挤度，降低了主观性对算法结果的影响。NSGA-Ⅱ算法求得的Pareto最优解收敛性和鲁棒性好，具有较好的优化效果。
由于上述NSGA-Ⅱ算法求得的是一系列帕累托前沿解，因此本发明采用归一化来选取折中解。首先，将所得到的一系列解映射到归一化的多目标空间中，然后找到使所有解都达到最优的虚拟理想解a，坐标为(1,1,1)，接着用公式(15)计算出各个解映射在空间中的位置与a的距离并比较长短，最后选取离a点最近的解为折中解，从而得到本发明三个场景中选取的方案。
结果分析：
表4不同场景经济性、效率、环境性对比
Figure BDA0003549997890000133
(i)经济性分析：
表4所列经济成本由两部分组成，其一是由购能成本和运维成本组成的运行成本，其二是弃风弃光惩罚成本。由表可知，场景1、3、2的运行成本依次递增，其中场景2运行成本最高，这是由于缺乏ORC，浪费了余热，导致购电量高，场景3运行成本高于场景1主要原因是增添的ORC设备使得其运维成本升高，从而造成运行成本增加。由于场景3中同时具备ORC余热发电和储热设备，使得系统灵活性显著增高，消纳风电、光伏能力增加，从而大幅降低弃风弃光惩罚成本，较场景1和2分别降低了70.09％和77.1％。
(ii)
Figure BDA0003549997890000141
效率分析：
由表4可知，三种场景下
Figure BDA0003549997890000142
效率相差不大，在65％～67％之间。原因是ORC可将余热转化为电能，能量“质量”虽然有提升，但是在能量的转化过程中会造成一定损耗，能量“数量”有所减少。而储能设备可以循环利用该种能量，能量“质量”没有变化，但在充放能过程中也有一定量的能量损耗，所以只含有ORC的场景2
Figure BDA0003549997890000143
效率最高
(iii)碳排放量分析：
由表4可知，场景3的碳排放量最少，分别较场景1和2降低了8.04％和3.37％。主要原因是由于外购电能基本是来自于火电厂，而场景3中购电量最少，所以碳排放量相对来说最少。
(iv)机组运行出力分析：
根据不同场景中园区IES在典型日的运行情况，可以验证所提模型的可信度，其中，各场景电气、冷能、热力子系统运行出力如图4(1)～图4(3)、图5(1)～图5(3)、图6(1)～图6(3)所示。
由图4(1)～图4(3)为电气子系统出力情况可得，三种场景均有储电设备，在电价较低时段储能设备多处于充能状态，电价较高时段则多处于放能状态，并考虑用电需求，降低了系统成本。其中，场景2和场景3中含有ORC余热发电，ORC在电负荷较高而热负荷较低的时段，如12:00～16:00，处于运行状态。对比分析可得，在场景3中，由于同时包含ORC和储热设备，对于电能的调度更加灵活，所以购电量最少。
由图5(1)～图5(3)冷能子系统出力情况可得，三种场景均通过吸收式制冷机和电制冷机供应冷负荷，在电价较高时段吸收式制冷机输出功率较大，由于电制冷机的
Figure BDA0003549997890000144
效率更高，因此其在该典型日内几乎全时段运行。
由图6(1)～图6(3)热力子系统出力情况可得，三种场景均由燃料电池、燃气锅炉、CCHP机组产生热能，其中场景1和2含有储热装置，增加了系统可靠性；场景2和3含有ORC余热发电，增加了系统的灵活性。4:00～11:00，热负荷较低，碳排放较高的燃气锅炉出力减少，由燃料电池和CCHP机组来满足需求，11:00～18:00，热负荷和电负荷均逐渐升高，此时段产热设备产生的能量用来供给热能需求，多余热能储存在储能设备中以满足负荷波动，无储热设备的场景2则通过ORC余热发电供应增加的电负荷。在18:00之后，热负荷逐渐增高，此时电负荷需求较低，在此时段，含有ORC的场景中ORC几乎无输出功率，在8:00～11:00，热负荷较低，在含有储热设备的场景中储热设备充能功率较高，而场景2则将多余热量通过ORC转化为电能，提高了
Figure BDA0003549997890000151
效率，同时减少了购能成本。

Claims (3)

1.一种考虑
Figure FDA0003549997880000011
效率的含ORC的园区综合能源系统多目标优化调度方法，其特征在于包括以下步骤：
步骤1、构建园区综合能源系统：
所述园区综合能源系统的外部能源供应端包含上级电网、上级气网、风电、光伏，内部能量转换部分包含冷热电三联供设备CCHP、燃气锅炉GB、电解槽EL、电制冷机EC、氢燃料电池FC、储能设备，系统输出端包含电、冷、热三种负荷；
步骤2、构建多目标优化调度模型：
(1)设备模型：
(a)CCHP机组：
CCHP机组包括燃气轮机、余热回收装置、吸收式制冷机，其数学模型如式(1)所示：
PGTe＝PGTg·ηGTe
PGTh＝PGTg·ηGTh
PACc＝PACh·ηAC
PHEh＝PGTh·ηHE (1)；
其中，PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率；ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率；PACc为CCHP机组中吸收式制冷机的输出功率，PACh为CCHP机组中吸收式制冷机的输入功率，PHEh为CCHP机组中热交换器的输出功率；
(b)燃气锅炉：
燃气锅炉通过从上级气网购气将其转化为热能，其数学模型如式(2)所示：
PGBh＝PGBg·ηGB (2)；
其中，PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率；ηGB为燃气锅炉的产热效率；
(c)电解槽：
电解槽通过电解水将电能转化为氢能，其数学模型如式(3)所示：
PEL＝PELi·ηEL (3)；
其中，PEL和PELi分别为t时段电解槽的输出功率和输入功率；ηEL为电解槽的转化效率；
(d)氢燃料电池：
氢燃料电池通过化学反应将氢能转化成电能和热能，实现氢能的利用，其外部调度模型如式(4)所示：
PFC＝PFCe+PFCh
PFCe＝PFCi·ηFCe
PFCh＝PFCi·ηFCh (4)；
其中，PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率；ηFCe和ηFCh为燃料电池的发电效率和产热效率；
(e)电制冷机：
电制冷机通过消耗电能产生冷能，其数学模型如式(5)所示：
PECc＝PECe·ηEC (5)；
其中，PECc和PECe分别为t时段电制冷机的输出功率和耗电功率；ηEC为电制冷机的产冷效率；
(f)ORC余热发电：
ORC余热发电能够将弃热转化为电能，为简化计算，将其热电转化效率取为常数，其数学模型如式(6)所示：
PORC＝ηORC·PORCi (6)
其中，PORC和PORCi分别为t时段ORC的输出功率和输入功率；ηORC为ORC的转换效率；
(g)储能设备：
储能设备包括储电EST、储热HST两种储能设备，其数学模型如式(7)所示：
Figure FDA0003549997880000021
Figure FDA0003549997880000022
其中，i∈{EST,HST}，
Figure FDA0003549997880000023
为t时段储能所储存的能量；Pt i,c和Pt i,d为t时段储能设备的充、放能功率；μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率；
Figure FDA0003549997880000024
为(t-1)时刻储能所储存的能量，Δt为时刻差值，
Figure FDA0003549997880000025
为初始时刻储能装置的能量，EST为储电设备；HST为储热设备；i∈{EST,HST}；
(2)目标函数：
a)经济性目标：
经济性目标F1如式(8)所示，考虑购能成本f1、运维成本f2和弃风弃光惩罚f3三部分；
F1＝f1+f2+f3；
Figure FDA0003549997880000031
Figure FDA0003549997880000032
Figure FDA0003549997880000033
其中，ce和cg分别为单位购电、购气价格；
Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量；
Ki为设备的单位出力运行维护成本，Pi为设备在t时段的出力；
cWT和cPV分别为弃风弃光单位惩罚成本；
PWT和Pwt分别为t时段风电典型日预测值和实际消纳量；
PPV和Ppv分别为t时段光伏典型日预测值和实际消纳量；
b)能源利用率目标：
采用
Figure FDA0003549997880000034
效率来衡量能源利用率，
Figure FDA0003549997880000035
效率如式(9)所示：
Figure FDA0003549997880000036
Eout＝λe1(Peload+Pec)+λh1(Phload+Phc)+λcPcload
Ein＝λe2(Pbuye+Ped+Ppv+Pwt)+λh2Phd (9)；
其中，Eout和Ein分别为总输出、输入能量
Figure FDA0003549997880000037
值；
λe1、λh1、λc、λe2和λh2分别为电负荷、热负荷、冷负荷、电能、热水能源品质系数；
Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷；
Pec和Phc分别为储能设备充电功率和充热功率；
Pbuye、Ped和Phd分别为购电功率、储能设备放电功率和放热功率；
c)环境性目标：
通过二氧化碳排放量来体现所构建的园区IES的环境性，包括天然气CO2排放量和从上级电网购电CO2排放量，如式(10)所示；
Figure FDA0003549997880000041
其中，egrid、eGT和eGB分别为区域电网基准线排放因子、燃气轮机和燃气锅炉的CO2排放系数，Pbuye为购电电量，PGTe为CCHP机组中燃气轮机的输出电功率，PGBh
为燃气锅炉的输出热功率；
(3)约束条件：
a)功率平衡约束：
Pbuuye+Pgte+Ppv+Pwt+Porc+Pfce+Ped＝Pec+Peli+Pece+Peload
Pbuyg＝Pgbg+Pgtg
Pacc+Pecc＝Pcload
Pgbh+Phd+Pfch1+Pheh-Pach＝Phc+Phload (11)；
其中，PGTe、PGTg分别为t时段燃气轮机的输出电功率、耗气功率，PACc为CCHP机组中吸收式制冷机的输出功率，PACh为CCHP机组中吸收式制冷机的输入功率，PHEh为CCHP机组中热交换器的输出功率，PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率；PELi为t时段电解槽的输入功率，PFCe为t时段燃料电池的输出电功率，PECc和PECe分别为t时段电制冷机的输出功率和耗电功率，PORC为t时段ORC的输出功率，Pbuye和Pbuyg分别为t时段从上级网络中购买的电量与天然气量，Pwt分别为t时段风电典型日实际消纳量，Ppv分别为t时段光伏典型日实际消纳量，Peload、Phload和Pcload分别为电负荷、热负荷和冷负荷；Pfch1为燃料电池经热网直接供给热负荷的热功率；
b)设备耦合关系约束：
Pfch＝Pfch1+Pfch2
Pgth＝Pgth1+Pgth2
Porci＝Pgth2+Pfch2
Pel＝Pfci (12)；
其中，Pfch1和Pgth1分别为燃料电池和燃气轮机经热网直接供给热负荷的热功率；Pfch2和Pgth2分别为ORC余热发电装置热功率的输入；PORCi分别为t时段ORC的输入功率；PFCi为t时段燃料电池的输入功率；PEL为t时段电解槽的输出功率；
c)设备出力上下限约束：
Figure FDA0003549997880000051
其中，Pj为设备j在t时刻的输出功率；Pj max和Pj min分别为设备j功率上下限；
d)储能设备约束：
Figure FDA0003549997880000052
其中，Ej max和Ej min分别为储能设备容量上下限，
Figure FDA0003549997880000053
为t时刻储能设备的容量，Pt i,c为t时刻储能设备的充能功率，Pt i,d为t时刻储能设备的放能功率；
步骤3、针对步骤2的多目标优化调度模型，采用NSGA-Ⅱ算法进行求解。
2.根据权利要求1所述一种考虑
Figure FDA0003549997880000054
效率的含ORC的园区综合能源系统多目标优化调度方法，其特征在于：步骤3包括以下步骤：
步骤3.1：初始化种群，输入系统基本参数；
步骤3.2：随机生成一个初始父代种群N；
步骤3.3：进行遗传基本操作，得到子代；
步骤3.4：将父代和子代合并后，通过精英保留策略，得到新的父代；
步骤3.5：根据选择、交叉和变异等遗传操作继续产生下一代；
步骤3.6：判断是否达到最大迭代次数，若是，进行步骤3.7，若否，进行步骤3.3；
步骤3.7：输出Pareto前沿解。
3.含ORC的园区综合能源系统多目标优化调度模型，其特征在于，该模型包括：
(a)CCHP机组：
CCHP机组包括燃气轮机、余热回收装置、吸收式制冷机，其数学模型如式(1)所示：
PGTe＝PGTg·ηGTe
PGTh＝PGTg·ηGTh
PACc＝PACh·ηAC
PHEh＝PGTh·ηHE (1)；
其中，PGTe、PGTg和PGTh分别为t时段燃气轮机的输出电功率、耗气功率和输出热功率；
ηGTe、ηGTh、ηAC和ηHE分别为燃气轮机的发电效率、制热效率、制冷效率和热交换器热输出效率；PACc为CCHP机组中吸收式制冷机的输出功率，PACh
为CCHP机组中吸收式制冷机的输入功率，PHEh为CCHP机组中热交换器的输出功率；
(b)燃气锅炉：
燃气锅炉通过从上级气网购气将其转化为热能，其数学模型如式(2)所示：
PGBh＝PGBg·ηGB (2)；
其中，PGBh和PGBg分别为t时段燃气锅炉的输出热功率和耗气功率；ηGB为燃气锅炉的产热效率；
(c)电解槽：
电解槽通过电解水将电能转化为氢能，其数学模型如式(3)所示：
PEL＝PELi·ηEL (3)；
其中，PEL和PELi分别为t时段电解槽的输出功率和输入功率；ηEL为电解槽的转化效率；
(d)氢燃料电池：
氢燃料电池通过化学反应将氢能转化成电能和热能，实现氢能的利用，其外部调度模型如式(4)所示：
PFC＝PFCe+PFCh
PFCe＝PFCi·ηFCe
PFCh＝PFCi·ηFCh (4)；
其中，PFC、PFCi、PFCe和PFCh分别为t时段燃料电池的热电总输出功率、输入功率、输出电功率和输出热功率；ηFCe和ηFCh为燃料电池的发电效率和产热效率；
(e)电制冷机：
电制冷机通过消耗电能产生冷能，其数学模型如式(5)所示：
PECc＝PECe·ηEC (5)；
其中，PECc和PECe分别为t时段电制冷机的输出功率和耗电功率；ηEC为电制冷机的产冷效率；
(f)ORC余热发电：
ORC余热发电能够将弃热转化为电能，为简化计算，将其热电转化效率取为常数，其数学模型如式(6)所示：
PORC＝ηORC·PORCi (6)
其中，PORC和PORCi分别为t时段ORC的输出功率和输入功率；ηORC为ORC的转换效率；
(g)储能设备：
储能设备包括储电EST、储热HST两种储能设备，其数学模型如式(7)所示：
Figure FDA0003549997880000071
Figure FDA0003549997880000072
其中，i∈{EST,HST}，
Figure FDA0003549997880000073
为t时段储能所储存的能量；Pt i,c和Pt i,d为t时段储能设备的充、放能功率；μi、αi和βi分别为储能设备的自耗能率、充能效率、放能效率；
Figure FDA0003549997880000074
为(t-1)时刻储能所储存的能量，Δt为时刻差值，
Figure FDA0003549997880000075
为初始时刻储能装置的能量，EST为储电设备；HST为储热设备；i∈{EST,HST}。
CN202210259028.1A 2022-03-16 2022-03-16 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法 Withdrawn CN114742276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210259028.1A CN114742276A (zh) 2022-03-16 2022-03-16 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210259028.1A CN114742276A (zh) 2022-03-16 2022-03-16 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法

Publications (1)

Publication Number Publication Date
CN114742276A true CN114742276A (zh) 2022-07-12

Family

ID=82277291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210259028.1A Withdrawn CN114742276A (zh) 2022-03-16 2022-03-16 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法

Country Status (1)

Country Link
CN (1) CN114742276A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147007A (zh) * 2022-08-01 2022-10-04 东南大学溧阳研究院 一种基于电-碳信息和nsga-ii的园区低碳经济用能方法
CN115345359A (zh) * 2022-08-05 2022-11-15 国网江苏省电力有限公司南京供电分公司 一种综合能源系统的多目标优化运行方法
CN115511350A (zh) * 2022-10-13 2022-12-23 广西大学 一种考虑多cchp的园区综合能源系统调度方法
CN115528713A (zh) * 2022-11-28 2022-12-27 国网上海能源互联网研究院有限公司 用户侧燃料电池综合能源系统低碳运行控制方法和装置
CN115619155A (zh) * 2022-10-20 2023-01-17 国网山东省电力公司电力科学研究院 用于多能互补综合能源系统的需求侧负荷配置方法及系统
CN118469190A (zh) * 2024-05-06 2024-08-09 国能江苏新能源科技开发有限公司 一种计及㶲经济性的园区综合能源系统优化调度方法
CN120069466A (zh) * 2025-04-25 2025-05-30 河北工业大学 基于㶲效率的综合能源微网多目标优化调度方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147007A (zh) * 2022-08-01 2022-10-04 东南大学溧阳研究院 一种基于电-碳信息和nsga-ii的园区低碳经济用能方法
CN115345359A (zh) * 2022-08-05 2022-11-15 国网江苏省电力有限公司南京供电分公司 一种综合能源系统的多目标优化运行方法
CN115511350A (zh) * 2022-10-13 2022-12-23 广西大学 一种考虑多cchp的园区综合能源系统调度方法
CN115619155A (zh) * 2022-10-20 2023-01-17 国网山东省电力公司电力科学研究院 用于多能互补综合能源系统的需求侧负荷配置方法及系统
CN115619155B (zh) * 2022-10-20 2026-03-20 国网山东省电力公司电力科学研究院 用于多能互补综合能源系统的需求侧负荷配置方法及系统
CN115528713A (zh) * 2022-11-28 2022-12-27 国网上海能源互联网研究院有限公司 用户侧燃料电池综合能源系统低碳运行控制方法和装置
CN118469190A (zh) * 2024-05-06 2024-08-09 国能江苏新能源科技开发有限公司 一种计及㶲经济性的园区综合能源系统优化调度方法
CN118469190B (zh) * 2024-05-06 2024-12-24 国能江苏新能源科技开发有限公司 一种计及㶲经济性的园区综合能源系统优化调度方法
CN120069466A (zh) * 2025-04-25 2025-05-30 河北工业大学 基于㶲效率的综合能源微网多目标优化调度方法
CN120069466B (zh) * 2025-04-25 2025-08-12 河北工业大学 基于㶲效率的综合能源微网多目标优化调度方法

Similar Documents

Publication Publication Date Title
CN111463836B (zh) 一种综合能源系统优化调度方法
CN111144668B (zh) 考虑场景模拟的综合能源系统随机优化模型的建立方法
Chen et al. Configuration optimization and selection of a photovoltaic-gas integrated energy system considering renewable energy penetration in power grid
CN110348709B (zh) 基于氢能与储能设备的多能源系统的运行优化方法和装置
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN111950807B (zh) 计及不确定性与需求响应的综合能源系统优化运行方法
CN111860937B (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
CN108832656B (zh) 基于电转气和可再生能源利用微能源网多目标规划方法
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
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
Saleem et al. Optimizing renewable polygeneration: A synergetic approach harnessing solar and wind energy systems
Mohammadi et al. Comparative transient assessment and optimization of battery and hydrogen energy storage systems for near-zero energy buildings
CN112131712B (zh) 客户侧多能源系统多目标优化方法和系统
CN109784573A (zh) 一种能源互联网多目标优化方法及装置
Li et al. Capacity design of a distributed energy system based on integrated optimization and operation strategy of exergy loss reduction
CN116150954A (zh) 综合能源系统能源配置方案优化方法、装置和终端设备
CN111126675A (zh) 多能互补微网系统优化方法
CN119514989A (zh) 综合能源系统规划优化方法及计算设备
CN109768567A (zh) 一种耦合多能源互补系统的优化调度方法
Elaouzy et al. Assessing the 3E performance of multiple energy supply scenarios based on photovoltaic, wind turbine, battery and hydrogen systems
Yang et al. Optimal scheduling of CCHP with distributed energy resources based on water cycle algorithm
CN114881280A (zh) 一种基于双层优化算法的光伏建筑能量分析方法
CN111463773B (zh) 一种区域型综合能源系统能量管理优化方法和装置
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
Zhang et al. Optimization of energy output in multimodal and multi-load CCHP systems with integrated electric energy storage

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220712

WW01 Invention patent application withdrawn after publication