CN114818078A - 考虑长短期不确定性的净零能耗建筑能源系统规划方法 - Google Patents

Abstract

本发明公开了考虑长短期不确定性的净零能耗建筑能源系统规划方法，涉及综合能源系统优化技术领域；包括以下步骤：基于未来温度预测数据，生成典型气候场景集及其基准概率分布；构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统；综合考虑长期温度变化不确定性和季节‑日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型；采用对偶理论对净零能耗建筑多能源系统鲁棒规划模型进行重构，并使用基于交替优化程序的列和约束生成算法求解重构模型以获得净零能耗建筑能源系统规划方案，可有效提升净零能耗建筑的运行经济性、灵活性，确保其全寿命周期内净零能耗目标的实现。

Description

考虑长短期不确定性的净零能耗建筑能源系统规划方法

技术领域

本发明涉及综合能源系统优化技术领域，具体的是考虑长短期不确定性的净零能耗建筑能源系统规划方法。

背景技术

净零能耗建筑在提升建筑能效水平、降低建筑能耗和温室气体排放、促进用户侧新能源开发利用等方面展现出重要的作用。考虑到净零能耗建筑使用年限为几十年至上百年，因此规划能源系统时需充分考虑其全寿命周期内的长期、短期不确定性因素；在长时间尺度上，全球气候变暖将改变建筑的冷热负荷，进而影响建筑能源系统的运行性能；在短时间尺度上，光照强度、风机出力、室外温度、电力负荷等不确定性因素将对建筑日常运行产生较大影响，现有净零建筑能源系统规划方法中没有充分考虑上述长短期不确定性因素，为此现在提出考虑长短期不确定性的净零能耗建筑能源系统规划方法。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供考虑长短期不确定性的净零能耗建筑能源系统规划方法，能够有效提升净零能耗建筑在多时间尺度不确定因素下的运行经济性和灵活性。

本发明的目的可以通过以下技术方案实现：考虑长短期不确定性的净零能耗建筑能源系统规划方法；方法包括以下步骤：

步骤1：基于未来温度预测数据，生成典型气候场景集及其基准概率分布；

步骤2：构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统；

步骤3：综合考虑长期温度变化不确定性和季节-日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型；

步骤4：采用对偶理论对净零能耗建筑多能源系统鲁棒规划模型进行重构，并使用基于交替优化程序的列和约束生成算法求解重构模型以获得净零能耗建筑能源系统规划方案。

进一步地，所述基于未来温度预测数据，生成典型气候场景集及其基准概率分布的过程包括以下步骤：

步骤1.1，依据月份划分，将未来温度预测数据集划分为12个子集，每个子集包含所有年度在该月的逐时温度分布；

步骤1.2，对每个月份子集，分别计算每年份的温度分位数和所有年份的温度分位数，然后计算每年份温度分位数与基准值的差值，按差值大小将年份数据升序排列；

步骤1.3，对每个月份子集，选取步骤1.2中差值绝对值最小的年份数据作为典型气象月，将所有典型气象月数据串联，形成典型气象年场景温度分布；

步骤1.4，每个月份子集，选取步骤1.2中最大、中间正差值的年份数据作为极热月、温暖月，并将所有极热月、温暖月数据串联，形成极热年、温暖年场景温度分布；

步骤1.5，每个月份子集，选取步骤1.2中最大、中间负差值的年份数据作为极寒月、寒冷月，并将所有极寒月、寒冷月数据串联，形成极寒年、寒冷年场景温度分布；典型气象年、极热年、温暖年、极寒年、寒冷年等场景构成典型气候温度分布的场景集，其中，典型气候温度分布的场景集中场景数量N_w＝5；

步骤1.6，将步骤1.2中每个月份子集中排序相同的数据进行串联，形成N_y个重构场景，分别计算每个重构场景χ_n与典型场景集中所有典型场景的欧几里得距离，并将其分配到欧几里得距离最小的典型场景；记典型气候场景w所分配的场景数量为Y_w，典型气候场景集的基准概率分布

如下：

进一步地，所述构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统的过程包括以下步骤：

步骤2.1，构建基于节点法的房间热负荷模型如下：

式中，下标w、s、t分别表示典型气候场景、典型日运行场景、日内时段，上标～表示不确定变量，上下标i、j分别表示室内节点、室外空气节点，(i，j)表示墙壁标号，

分别表示室内空气、墙壁的电容，

分别表示墙壁、窗户电阻，

分别表示墙壁、房间、室外、节点j温度，

分别表示含窗户墙面、受辐射墙面的标识0-1变量，θ^win、

分别表示窗户、墙壁的辐射吸收系数，A^win、

分别表示窗户、墙壁的面积，

表示墙壁的太阳辐射强度，

分别表示室内热辐射量、房间热负荷、房间冷负荷；

取步长为1h，将微分方程转化为离散差分方程如下：

步骤2.2，构建电热冷氢多能流供能设备运行约束条件；

步骤2.2.1，建立设备投资约束如下：

式中，ψ表示设备集合，下标c表示设备候选容量，

表示设备0-1安装变量，

表示设备ψ候选安装容量，Cap^ψ,max表示设备ψ最大安装容量。

步骤2.2.2，建立吸收式制冷机、电热泵、光热板、光伏、风机运行约束如下：

式中，

分别表示吸收式制冷机输入热功率、输出冷功率，

分别表示电热泵输入电功率、输出热功率、输出冷功率，

表示光热板输出热功率，

分别表示光伏、风机的输出电功率，η^ac、η^st、η^pv分别表示吸收式制冷机、光热板、光伏板的转换效率，

分别表示电热泵的电转热、电转冷效率，κ^hp表示电热泵的热功率分配比，

表示风机的标幺化功率输出比，

分别表示吸收式制冷机、电热泵、光热板、光伏、风机的0-1安装变量，

分别表示吸收式制冷机、电热泵、光热板、光伏、风机的候选安装容量，

表示太阳辐射强度；

步骤2.2.3，建立储能电池、热储能、日内储氢、季节性储氢运行约束如下：

式中，bs、hs、shs、ts分别表示储能电池、日内储氢、季节性储氢、热储能，{·}表示四种设备的集合，N_s表示典型场景数量，

分别表示储能电池的充、放电功率，

分别表示日内储氢的充、放氢功率，

分别表示季节性储氢的充、放氢功率，

分别表示热储能的充、放热功率，

表示四种储能设备的剩余容量，

分别表示四种储能设备初始、结束时段的剩余容量，

分别表示季节性储氢在场景s-1下的初始、结束时段剩余容量，

分别表示季节储氢在典型场景s下的储氢、放氢0-1状态变量，

表示四种储能设备的0-1安装变量，

表示四种储能设备的候选安装容量，μ^{·}表示四种储能设备的功率容量安装比，

分别表示四种储能设备的容量上限、下限百分比，η^{·}表示四种储能设备的自损失系数，η^{·}+、η^{·}-分别表示四种储能设备的充能、放能损失系数，D_s-1表示典型场景s-1在一年内的天数，M表示一个较大的正数；

步骤2.2.4，建立电解槽、燃料电池运行约束条件为：

式中，k表示日内时段，N_t表示日内时段数量，chp、ed分别表示燃料电池、电解槽，{·}表示两种设备的集合，

分别表示燃料电池的输入氢功率、输出电功率、输出热功率，

分别表示电解槽的输入电功率、输出氢功率，

表示两种设备的爬坡功率，

表示两种设备的最大爬坡功率，

分别表示两种设备启、停的0-1状态变量，

表示两种设备的最小开机、关机时间，

表示两种设备的最大开机时间，

分别表示时段t、t-1两种设备是否在线的0-1状态变量，δ^{·}表示两种设备的最小运行容量百分比，

表示两种设备的0-1安装变量，

表示两种设备的候选安装容量，η^{·}表示两种设备的转换效率，κ^chp表示燃料电池的余热转换效率；

步骤2.2.5，建立电、热、冷、氢功率平衡约束、电热冷负荷削减功率、电网交换功率约束和净零能耗约束如下：

式中，

分别表示净零建筑从电网购入、输出的电功率，

分别表示建筑的电、热、冷负荷，

分别表示净零建筑电、热、冷负荷的削减量，

分别表示净零建筑电、热、冷负荷的基准值，

分别表示建筑电、热、冷负荷的最大削减百分比，

表示从电网购入和输出电功率的上限，

分别表示从电网购入、输出电功率的0-1状态变量，Δt表示时段t的时长。

进一步地，所述综合考虑长期温度变化不确定性和季节-日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型的过程包括以下步骤：

步骤3.1，建立长时间尺度典型气候场景集概率分布的模糊集合如下：

式中，P表示典型气候场景集概率分布的模糊集，π表示典型场景集概率分布变量集合，

π_w分别表示典型气候场景w的基准概率、典型气候场景w的实际概率，

分别表示场景w正概率偏差的辅助变量、场景w负概率偏差的辅助变量，

分别表示从场景w转移到场景w'的正、负转移辅助变量，d_＜w,w'＞表示场景w和场景w'间的欧几里得距离，L₁、L_∞、L_W分别表示场景集的1范数距离、范数距离、WassersteiN范数距离，α₁、α_∞、α_W分别表示L₁、L_∞、L_W的上限，N_w表示典型气候场景的数量，N_y表示预测数据集的数量，β表示置信度水平，l_S表示与N_y相关的系数；

步骤3.2，建立短时间尺度电负荷、风机出力、太阳辐射、室外温度等日内不确定性约束为(以电负荷为例)：

式中，

表示短时间尺度(日内)不确定变量的集合，

表示典型气候场景w下的电负荷、风机出力、太阳辐射、室外温度等不确定性变量集合，

分别表示电负荷的实际值、预测值、预测上偏差值、预测下偏差值，

表示电负荷是否为预测上偏差值、预测下偏差值的0-1变量，

表示典型日内的不确定性预算参数；

步骤3.3，该模型以年度投资成本与所有气候年下年度运行成本期望值之和最小为优化目标，目标函数及各项具体成本如下：

式中，ψ表示设备集合，表示典型运行场景s的天数，C^inv表示年投资成本，

分别表示典型气候场景w下年设备运维成本、年电网交易电量成本、年设备降解成本、年削负荷成本，

分别表示吸收式制冷机、储能电池、微型热电联产装置、电解槽、电热泵、日内储氢、光伏、季节性储氢、光热板、热储能、风机的年投资成本，x表示鲁棒模型的第一阶段0-1变量，u_w、分别表示典型气候场景w下短时间尺度不确定变量集及其可行域，y_w、z_w分别表示第二阶段最恶劣运行场景下的连续运行、0-1运行变量集，Ω(x,u_w)分别表示y_w、z_w的可行域，φ_ψ表示设备资本回收系数，σ表示贴现率，Y_ψ表示设备投资年限，

表示设备单位投资成本，

表示设备投资0-1变量，

表示设备候选安装容量，

分别表示燃料电池启、停单位成本，

分别表示电解槽启、停单位成本，

分别表示储能电池、微型热电联产装置、电解槽、电热泵、光伏、风机、日内储氢、季节储氢、吸收式制冷剂、光热板、热储能的单位功率运行成本，

分别表示储能电池、燃料电池、电解槽的单位功率降解成本，

分别表示购电、卖电成本，

分别表示电、热、冷负荷单位削减成本。

进一步地，所述基于交替优化程序的列和约束生成算法求解重构模型的过程包括：

步骤4.1，将规划模型简写成通用矩阵形式；

s.t.B^Tx≤b,x∈{0,1}

Kπ+Ir+Jv≤α

Ey_w+Fz_w+Gu_w≤l_w-Hx,z_w∈{0,1}

式中，A、B、C、D、E、F、G、H、I、J、K、α、b、l表示系数矩阵。

步骤4.2，将步骤4.1中每个典型气候场景w下的子问题表示如下：

s.t.Ey_w+Fz_w+Gu_w≤l_w-Hx^*,z_w∈{0,1}

式中，x^*表示主问题中的优化结果，作为已知变量带入子问题；记所有子问题的目标函数集为

记γ为π的对偶变量；

s.t.B^Tx≤b,x∈{0,1}

Kπ+Ir+Jv≤α：γ

根据强对偶理论，将max进行对偶，得到对偶模型如下：

s.t.B^Tx≤b,x∈{0,1}

I^Tγ≥0,J^Tγ≥0

K^Tγ≥LLS

步骤4.3，将对偶模型转化为主、子问题，对子问题转化为u固定子问题和z固定子问题的优化问题，通过迭代求解得到优化结果；

其中子问题为N_w个如s.t.Ey_w+Fz_w+Gu_w≤l_w-Hx^*,z_w∈{0,1}所示的max-min双层优化问题，考虑到子问题的约束条件中含有0-1变量，无法直接将max-min问题对偶转化为max问题进行求解，因此，将子问题进一步分解为如

所示的u固定子问题和如

所示的z固定子问题

式中，

表示z固定子问题中的优化结果，作为已知变量带入u固定子问题，

式中，θ表示z固定子问题的目标函数，

表示u固定子问题中的优化结果，作为已知变量带入z固定子问题，λ_w表示y_w的对偶变量，上标T表示矩阵转置；

将子问题的第m次优化结果

代入，并创建新的与之对应的变量

得到如下主问题：

s.t.B^Tx≤b,x∈{0,1}

式中，k表示总迭代次数，主、子问题迭代求解至满足收敛条件，

步骤4.4，主、子问题迭代求解步骤为：

步骤4.4.1，设置x⁰为主问题的一个可行解，迭代次数k＝1，将x⁰代入如步骤4.4.3到步骤4.4.6的子问题迭代过程，求解得到子问题的

设置下边界LB＝-∞，上边界UB＝+∞，设置主问题收敛系数ψ；

步骤4.4.2，将u^k*代入主问题，求解得到(x^k*,γ^k*)，更新LB＝A^Tx^k*+α^Tγ^k*；

步骤4.4.3，对于每个子问题中每个气候场景下的max-min问题，设置迭代次数v＝1，将z_w松弛为连续变量，将x^k*代入z固定子问题，求解得到

步骤4.4.4，将

代入到u固定子问题，求解得到

步骤4.4.5，将

代入到z固定子问题，求解得到

v＝v+1；

步骤4.4.6，判断

是否成立，若成立则输出优化结果

否则返回步骤4.4.4；若所有气候场景下的max-min问题均收敛，则更新UB＝A^Tx^k*+α^TLLS^k*，进入步骤4.4.7；

步骤4.4.7，判断-ψ<(UB-LB)/UB<ψ是否成立，若成立则停止，输出优化结果；否则，返回步骤4.4.2。

本发明的有益效果：

本发明在使用的过程中，基于未来温度预测数据，生成典型气候场景集及其基准概率分布；构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统；综合考虑长期温度变化不确定性和季节-日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型；采用对偶理论对净零能耗建筑多能源系统鲁棒规划模型进行重构，并使用基于交替优化程序的列和约束生成算法求解重构模型以获得净零能耗建筑能源系统规划方案，净零能耗建筑在提升建筑能效水平、降低建筑能耗和温室气体排放、促进用户侧新能源开发利用等方面展现出重要的作用。考虑到建筑全寿命周期内长期温度变化与短期源荷波动等不确定因素将对其运行产生不利影响，在规划设计过程中应对多时间尺度予以充分考虑。本发明充分考虑电能、热能及氢能设备的协同运行，提出考虑长短期不确定性的净零能耗建筑能源系统规划方法，该方法可有效提升净零能耗建筑在多时间尺度不确定因素下的运行经济性和灵活性；本发明一种考虑长短期不确定性的净零能耗建筑能源系统规划方法，可有效提升提升净零能耗建筑的运行经济性、灵活性，确保其全寿命周期内净零能耗目标的实现。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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是本发明流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，考虑长短期不确定性的净零能耗建筑能源系统规划方法，方法包括以下步骤：

步骤1：基于未来温度预测数据，生成典型气候场景集及其基准概率分布；

需要进一步进行说明的是，在具体实施过程中，生成典型气候场景集及其基准概率分布的过程包括以下步骤：

步骤1.1，依据月份划分，将未来温度预测数据集(数据集包含N_y个年份的逐时温度分布数据)划分为12个子集，每个子集包含所有年度在该月的逐时温度分布；

步骤1.2，对每个月份子集，分别计算每年份的温度分位数和所有年份的温度分位数(将其作为基准值)，然后计算每年份温度分位数与基准值的差值，按差值大小将年份数据升序排列；

步骤1.3，对每个月份子集，选取步骤1.2中差值绝对值最小的年份数据作为典型气象月，将所有典型气象月数据串联，形成典型气象年场景温度分布；

步骤1.4，每个月份子集，选取步骤1.2中最大、中间正差值的年份数据作为极热月、温暖月，并将所有极热月、温暖月数据串联，形成极热年、温暖年场景温度分布；

步骤1.5，每个月份子集，选取步骤1.2中最大、中间负差值的年份数据作为极寒月、寒冷月，并将所有极寒月、寒冷月数据串联，形成极寒年、寒冷年场景温度分布；典型气象年、极热年、温暖年、极寒年、寒冷年等场景构成典型气候温度分布的场景集(典型气候场景集中场景数量N_w＝5)；

步骤1.6，将步骤1.2中每个月份子集中排序相同的数据进行串联，形成N_y个重构场景，分别计算每个重构场景χ_n与典型场景集中所有典型场景的欧几里得距离，并将其分配到欧几里得距离最小的典型场景；记典型气候场景w所分配的场景数量为Y_w，典型气候场景集的基准概率分布

如下：

步骤2：构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统；

需要进一步进行说明的是，在具体实施过程中，构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统的过程包括以下步骤：

步骤2.1，构建基于节点法的房间热负荷模型如下：

式中，下标w、s、t分别表示典型气候场景、典型日运行场景、日内时段，上标～表示不确定变量，上下标i、j分别表示室内节点、室外空气节点，(i，j)表示墙壁标号，

分别表示室内空气、墙壁的电容，

分别表示墙壁、窗户电阻，

分别表示墙壁、房间、室外、节点j温度，

分别表示含窗户墙面、受辐射墙面的标识0-1变量，θ^win、

分别表示窗户、墙壁的辐射吸收系数，A^win、

分别表示窗户、墙壁的面积，

表示墙壁的太阳辐射强度，

分别表示室内热辐射量、房间热负荷、房间冷负荷；

取步长为1h，将微分方程转化为离散差分方程如下：

步骤2.2，构建电热冷氢多能流供能设备运行约束条件；

步骤2.2.1，建立设备投资约束如下：

式中，ψ表示设备集合，下标c表示设备候选容量，

表示设备0-1安装变量，

表示设备ψ候选安装容量，Cap^ψ,max表示设备ψ最大安装容量。

步骤2.2.2，建立吸收式制冷机、电热泵、光热板、光伏、风机运行约束如下：

式中，

分别表示吸收式制冷机输入热功率、输出冷功率，

分别表示电热泵输入电功率、输出热功率、输出冷功率，

表示光热板输出热功率，

分别表示光伏、风机的输出电功率，η^ac、η^st、η^pv分别表示吸收式制冷机、光热板、光伏板的转换效率，

分别表示电热泵的电转热、电转冷效率，κ^hp表示电热泵的热功率分配比，

表示风机的标幺化功率输出比，

分别表示吸收式制冷机、电热泵、光热板、光伏、风机的0-1安装变量，

分别表示吸收式制冷机、电热泵、光热板、光伏、风机的候选安装容量，

表示太阳辐射强度；

步骤2.2.3，建立储能电池、热储能、日内储氢、季节性储氢运行约束如下：

式中，bs、hs、shs、ts分别表示储能电池、日内储氢、季节性储氢、热储能，{·}表示四种设备的集合，N_s表示典型场景数量，

分别表示储能电池的充、放电功率，

分别表示日内储氢的充、放氢功率，

分别表示季节性储氢的充、放氢功率，

分别表示热储能的充、放热功率，

表示四种储能设备的剩余容量，

分别表示四种储能设备初始、结束时段的剩余容量，

分别表示季节性储氢在场景s-1下的初始、结束时段剩余容量，

分别表示季节储氢在典型场景s下的储氢、放氢0-1状态变量，

表示四种储能设备的0-1安装变量，

表示四种储能设备的候选安装容量，μ^{·}表示四种储能设备的功率容量安装比，

分别表示四种储能设备的容量上限、下限百分比，η^{·}表示四种储能设备的自损失系数，η^{·}+、η^{·}-分别表示四种储能设备的充能、放能损失系数，D_s-1表示典型场景s-1在一年内的天数，M表示一个较大的正数；

步骤2.2.4，建立电解槽、燃料电池运行约束条件为：

式中，k表示日内时段，N_t表示日内时段数量，chp、ed分别表示燃料电池、电解槽，{·}表示两种设备的集合，

分别表示燃料电池的输入氢功率、输出电功率、输出热功率，

分别表示电解槽的输入电功率、输出氢功率，

表示两种设备的爬坡功率，

表示两种设备的最大爬坡功率，

分别表示两种设备启、停的0-1状态变量，

表示两种设备的最小开机、关机时间，

表示两种设备的最大开机时间，

分别表示时段t、t-1两种设备是否在线的0-1状态变量，δ^{·}表示两种设备的最小运行容量百分比，

表示两种设备的0-1安装变量，

表示两种设备的候选安装容量，η^{·}表示两种设备的转换效率，κ^chp表示燃料电池的余热转换效率；

步骤2.2.5，建立电、热、冷、氢功率平衡约束、电热冷负荷削减功率、电网交换功率约束和净零能耗约束如下：

式中，

分别表示净零建筑从电网购入、输出的电功率，

分别表示建筑的电、热、冷负荷，

分别表示净零建筑电、热、冷负荷的削减量，

分别表示净零建筑电、热、冷负荷的基准值，

分别表示建筑电、热、冷负荷的最大削减百分比，

表示从电网购入和输出电功率的上限，

分别表示从电网购入、输出电功率的0-1状态变量，Δt表示时段t的时长。

步骤3：综合考虑长期温度变化不确定性和季节-日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型；

需要进一步进行说明的是，在具体实施过程中，建立净零能耗建筑多能源系统鲁棒规划模型的过程包括以下步骤：

步骤3.1，建立长时间尺度典型气候场景集概率分布的模糊集合如下：

式中，P表示典型气候场景集概率分布的模糊集，π表示典型场景集概率分布变量集合，

π_w分别表示典型气候场景w的基准概率、典型气候场景w的实际概率，

分别表示场景w正概率偏差的辅助变量、场景w负概率偏差的辅助变量，

分别表示从场景w转移到场景w'的正、负转移辅助变量，d_＜w,w'＞表示场景w和场景w'间的欧几里得距离，L₁、L_∞、L_W分别表示场景集的1范数距离、范数距离、Wasserstein范数距离，α₁、α_∞、α_W分别表示L₁、L_∞、L_W的上限，N_w表示典型气候场景的数量，N_y表示预测数据集的数量，β表示置信度水平，l_S表示与N_y相关的系数；

步骤3.2，建立短时间尺度电负荷、风机出力、太阳辐射、室外温度等日内不确定性约束为(以电负荷为例)：

式中，

表示短时间尺度(日内)不确定变量的集合，

表示典型气候场景w下的电负荷、风机出力、太阳辐射、室外温度等不确定性变量集合，

分别表示电负荷的实际值、预测值、预测上偏差值、预测下偏差值，

表示电负荷是否为预测上偏差值、预测下偏差值的0-1变量，

表示典型日内的不确定性预算参数；

步骤3.3，该模型以年度投资成本与所有气候年下年度运行成本期望值之和最小为优化目标，目标函数及各项具体成本如下：

式中，ψ表示设备集合，表示典型运行场景s的天数，C^inv表示年投资成本，

分别表示典型气候场景w下年设备运维成本、年电网交易电量成本、年设备降解成本、年削负荷成本，

分别表示吸收式制冷机、储能电池、微型热电联产装置、电解槽、电热泵、日内储氢、光伏、季节性储氢、光热板、热储能、风机的年投资成本，x表示鲁棒模型的第一阶段0-1变量，u_w、分别表示典型气候场景w下短时间尺度不确定变量集及其可行域，y_w、z_w分别表示第二阶段最恶劣运行场景下的连续运行、0-1运行变量集，Ω(x,u_w)分别表示y_w、z_w的可行域，φ_ψ表示设备资本回收系数，σ表示贴现率，Y_ψ表示设备投资年限，

表示设备单位投资成本，

表示设备投资0-1变量，

表示设备候选安装容量，

分别表示燃料电池启、停单位成本，

分别表示电解槽启、停单位成本，

分别表示储能电池、微型热电联产装置、电解槽、电热泵、光伏、风机、日内储氢、季节储氢、吸收式制冷剂、光热板、热储能的单位功率运行成本，

分别表示储能电池、燃料电池、电解槽的单位功率降解成本，

分别表示购电、卖电成本，

分别表示电、热、冷负荷单位削减成本。

步骤4：采用对偶理论对净零能耗建筑多能源系统鲁棒规划模型进行重构，并使用基于交替优化程序的列和约束生成算法求解重构模型以获得净零能耗建筑能源系统规划方案。

需要进一步进行说明的是，在具体实施过程中，所述基于交替优化程序的列和约束生成算法求解重构模型的过程包括以下步骤：

步骤4.1，将规划模型简写成通用矩阵形式；

s.t.B^Tx≤b,x∈{0,1}

Kπ+Ir+Jv≤α

Ey_w+Fz_w+Gu_w≤l_w-Hx,z_w∈{0,1}

式中，A、B、C、D、E、F、G、H、I、J、K、α、b、l表示系数矩阵。

步骤4.2，将步骤4.1中每个典型气候场景w下的子问题表示如下：

s.t.Ey_w+Fz_w+Gu_w≤l_w-Hx^*,z_w∈{0,1}

式中，x^*表示主问题中的优化结果，作为已知变量带入子问题；记所有子问题的目标函数集为LLS＝[LLS₁,…,LLS_Nw]，记γ为π的对偶变量；

s.t.B^Tx≤b,x∈{0,1}

Kπ+Ir+Jv≤α：γ

根据强对偶理论，将max进行对偶，得到对偶模型如下：

s.t.B^Tx≤b,x∈{0,1}

I^Tγ≥0,J^Tγ≥0

K^Tγ≥LLS

步骤4.3，将对偶模型转化为主、子问题，对子问题转化为u固定子问题和z固定子问题的优化问题，通过迭代求解得到优化结果；

其中子问题为N_w个如s.t.Ey_w+Fz_w+Gu_w≤l_w-Hx^*,z_w∈{0,1}所示的max-min双层优化问题，考虑到子问题的约束条件中含有0-1变量，无法直接将max-min问题对偶转化为max问题进行求解，因此，将子问题进一步分解为如

所示的u固定子问题和如

所示的z固定子问题

式中，

表示z固定子问题中的优化结果，作为已知变量带入u固定子问题，

式中，θ表示z固定子问题的目标函数，

表示u固定子问题中的优化结果，作为已知变量带入z固定子问题，λ_w表示y_w的对偶变量，上标T表示矩阵转置；

将子问题的第m次优化结果

代入，并创建新的与之对应的变量

得到如下主问题：

s.t.B^Tx≤b,x∈{0,1}

式中，k表示总迭代次数，主、子问题迭代求解至满足收敛条件，

步骤4.4，主、子问题迭代求解步骤为：

步骤4.4.1，设置x⁰为主问题的一个可行解，迭代次数k＝1，将x⁰代入如步骤4.4.3到步骤4.4.6的子问题迭代过程，求解得到子问题的

设置下边界LB＝-∞，上边界UB＝+∞，设置主问题收敛系数ψ；

步骤4.4.2，将u^k*代入主问题，求解得到(x^k*,γ^k*)，更新LB＝A^Tx^k*+α^Tγ^k*；

步骤4.4.3，对于每个子问题中每个气候场景下的max-min问题，设置迭代次数v＝1，将z_w松弛为连续变量，将x^k*代入z固定子问题，求解得到

步骤4.4.4，将

代入到u固定子问题，求解得到

步骤4.4.5，将

代入到z固定子问题，求解得到

v＝v+1；

步骤4.4.6，判断

是否成立，若成立则输出优化结果

否则返回步骤4.4.4；若所有气候场景下的max-min问题均收敛，则更新UB＝A^Tx^k*+α^TLLS^k*，进入步骤4.4.7；

步骤4.4.7，判断-ψ<(UB-LB)/UB<^ψ是否成立，若成立则停止，输出优化结果；否则，返回步骤4.4.2。

需要进一步进行说明的是，在具体实施过程中，为有效应对长期温度变化不确定性和短期源荷不确定性，设计一种考虑电热氢多能流供能设备的净零能耗建筑能源系统，包含光伏、风机、储能电池、光热板、电热泵、热储能、吸收式制冷机、微型热电联产装置、电解槽、日内储氢、季节性储氢，其中光伏和风机产生电能，电热泵将电能转化为热能，光热板产生热能，吸收式制冷机将热能转化为冷能，电解槽将电能转换为氢能，微型热电联产装置将氢能转换为电能和热能，剩余电、热、氢能分别由各类储能装置进行存储。电热氢多能流能源系统通过多能流设备能量转换和协调对建筑物内电、热、冷负荷进行供应，并使得建筑物一年内从电网输入的电量之和小于等于其输出值，即净零能耗要求。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.考虑长短期不确定性的净零能耗建筑能源系统规划方法，其特征在于，方法包括以下步骤：

步骤1：基于未来温度预测数据，生成典型气候场景集及其基准概率分布；

步骤2：构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统；

步骤3：综合考虑长期温度变化不确定性和季节-日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型；

步骤4：采用对偶理论对净零能耗建筑多能源系统鲁棒规划模型进行重构，并使用基于交替优化程序的列和约束生成算法求解重构模型以获得净零能耗建筑能源系统规划方案。

2.根据权利要求1所述的考虑长短期不确定性的净零能耗建筑能源系统规划方法，其特征在于，所述基于未来温度预测数据，生成典型气候场景集及其基准概率分布的过程包括以下步骤：

步骤1.1，依据月份划分，将未来温度预测数据集划分为12个子集，每个子集包含所有年度在该月的逐时温度分布；

步骤1.2，对每个月份子集，分别计算每年份的温度分位数和所有年份的温度分位数，然后计算每年份温度分位数与基准值的差值，按差值大小将年份数据升序排列；

步骤1.3，对每个月份子集，选取步骤1.2中差值绝对值最小的年份数据作为典型气象月，将所有典型气象月数据串联，形成典型气象年场景温度分布；

步骤1.4，每个月份子集，选取步骤1.2中最大、中间正差值的年份数据作为极热月、温暖月，并将所有极热月、温暖月数据串联，形成极热年、温暖年场景温度分布；

步骤1.5，每个月份子集，选取步骤1.2中最大、中间负差值的年份数据作为极寒月、寒冷月，并将所有极寒月、寒冷月数据串联，形成极寒年、寒冷年场景温度分布；典型气象年、极热年、温暖年、极寒年、寒冷年等场景构成典型气候温度分布的场景集，其中，典型气候温度分布的场景集中场景数量N_w＝5；

步骤1.6，将步骤1.2中每个月份子集中排序相同的数据进行串联，形成N_y个重构场景，分别计算每个重构场景χ_n与典型场景集中所有典型场景的欧几里得距离，并将其分配到欧几里得距离最小的典型场景；记典型气候场景w所分配的场景数量为Y_w，典型气候场景集的基准概率分布

如下：

3.根据权利要求1所述的考虑长短期不确定性的净零能耗建筑能源系统规划方法，其特征在于，所述构建基于节点法的房间热负荷模型和电热冷氢多能流供能系统的过程包括以下步骤：

步骤2.1，构建基于节点法的房间热负荷模型如下：

式中，下标w、s、t分别表示典型气候场景、典型日运行场景、日内时段，上标～表示不确定变量，上下标i、j分别表示室内节点、室外空气节点，(i，j)表示墙壁标号，

分别表示室内空气、墙壁的电容，

分别表示墙壁、窗户电阻，

分别表示墙壁、房间、室外、节点j温度，

分别表示含窗户墙面、受辐射墙面的标识0-1变量，θ^win、

分别表示窗户、墙壁的辐射吸收系数，A^win、

分别表示窗户、墙壁的面积，

表示墙壁的太阳辐射强度，

分别表示室内热辐射量、房间热负荷、房间冷负荷；

取步长为1h，将微分方程转化为离散差分方程如下：

步骤2.2，构建电热冷氢多能流供能设备运行约束条件；

步骤2.2.1，建立设备投资约束如下：

式中，ψ表示设备集合，下标c表示设备候选容量，

表示设备0-1安装变量，

表示设备ψ候选安装容量，Cap^ψ,max表示设备ψ最大安装容量；

步骤2.2.2，建立吸收式制冷机、电热泵、光热板、光伏、风机运行约束如下：

式中，

分别表示吸收式制冷机输入热功率、输出冷功率，

分别表示电热泵输入电功率、输出热功率、输出冷功率，

表示光热板输出热功率，

分别表示光伏、风机的输出电功率，η^ac、η^st、η^pv分别表示吸收式制冷机、光热板、光伏板的转换效率，

分别表示电热泵的电转热、电转冷效率，κ^hp表示电热泵的热功率分配比，

表示风机的标幺化功率输出比，

分别表示吸收式制冷机、电热泵、光热板、光伏、风机的0-1安装变量，

分别表示吸收式制冷机、电热泵、光热板、光伏、风机的候选安装容量，

表示太阳辐射强度；

步骤2.2.3，建立储能电池、热储能、日内储氢、季节性储氢运行约束如下：

式中，bs、hs、shs、ts分别表示储能电池、日内储氢、季节性储氢、热储能，{·}表示四种设备的集合，N_s表示典型场景数量，

分别表示储能电池的充、放电功率，

分别表示日内储氢的充、放氢功率，

分别表示季节性储氢的充、放氢功率，

分别表示热储能的充、放热功率，

表示四种储能设备的剩余容量，

分别表示四种储能设备初始、结束时段的剩余容量，

分别表示季节性储氢在场景s-1下的初始、结束时段剩余容量，

分别表示季节储氢在典型场景s下的储氢、放氢0-1状态变量，

表示四种储能设备的0-1安装变量，

表示四种储能设备的候选安装容量，μ^{·}表示四种储能设备的功率容量安装比，

分别表示四种储能设备的容量上限、下限百分比，η^{·}表示四种储能设备的自损失系数，η^{·}+、η^{·}-分别表示四种储能设备的充能、放能损失系数，D_s-1表示典型场景s-1在一年内的天数，M表示一个较大的正数；

步骤2.2.4，建立电解槽、燃料电池运行约束条件为：

式中，k表示日内时段，N_t表示日内时段数量，chp、ed分别表示燃料电池、电解槽，{·}表示两种设备的集合，

分别表示燃料电池的输入氢功率、输出电功率、输出热功率，

分别表示电解槽的输入电功率、输出氢功率，

表示两种设备的爬坡功率，

表示两种设备的最大爬坡功率，

分别表示两种设备启、停的0-1状态变量，

表示两种设备的最小开机、关机时间，

表示两种设备的最大开机时间，

分别表示时段t、t-1两种设备是否在线的0-1状态变量，δ^{·}表示两种设备的最小运行容量百分比，

表示两种设备的0-1安装变量，

表示两种设备的候选安装容量，η^{·}表示两种设备的转换效率，κ^chp表示燃料电池的余热转换效率；

步骤2.2.5，建立电、热、冷、氢功率平衡约束、电热冷负荷削减功率、电网交换功率约束和净零能耗约束如下：

式中，

分别表示净零建筑从电网购入、输出的电功率，

分别表示建筑的电、热、冷负荷，

分别表示净零建筑电、热、冷负荷的削减量，

分别表示净零建筑电、热、冷负荷的基准值，

分别表示建筑电、热、冷负荷的最大削减百分比，

表示从电网购入和输出电功率的上限，

分别表示从电网购入、输出电功率的0-1状态变量，Δt表示时段t的时长。

4.根据权利要求1所述的考虑长短期不确定性的净零能耗建筑能源系统规划方法，其特征在于，所述综合考虑长期温度变化不确定性和季节-日内短期不确定性，建立净零能耗建筑多能源系统鲁棒规划模型的过程包括以下步骤：

步骤3.1，建立长时间尺度典型气候场景集概率分布的模糊集合如下：

式中，P表示典型气候场景集概率分布的模糊集，π表示典型场景集概率分布变量集合，

π_w分别表示典型气候场景w的基准概率、典型气候场景w的实际概率，

分别表示场景w正概率偏差的辅助变量、场景w负概率偏差的辅助变量，

分别表示从场景w转移到场景w'的正、负转移辅助变量，d_＜w,w'＞表示场景w和场景w'间的欧几里得距离，L₁、L_∞、L_W分别表示场景集的1范数距离、范数距离、Wasserstein范数距离，α₁、α_∞、α_W分别表示L₁、L_∞、L_W的上限，N_w表示典型气候场景的数量，N_y表示预测数据集的数量，β表示置信度水平，l_S表示与N_y相关的系数；

步骤3.2，建立短时间尺度电负荷、风机出力、太阳辐射、室外温度等日内不确定性约束为(以电负荷为例)：

式中，

表示短时间尺度(日内)不确定变量的集合，

表示典型气候场景w下的电负荷、风机出力、太阳辐射、室外温度等不确定性变量集合，

分别表示电负荷的实际值、预测值、预测上偏差值、预测下偏差值，

表示电负荷是否为预测上偏差值、预测下偏差值的0-1变量，

表示典型日内的不确定性预算参数；

步骤3.3，该模型以年度投资成本与所有气候年下年度运行成本期望值之和最小为优化目标，目标函数及各项具体成本如下：

式中，ψ表示设备集合，表示典型运行场景s的天数，C^inv表示年投资成本，

分别表示典型气候场景w下年设备运维成本、年电网交易电量成本、年设备降解成本、年削负荷成本，

分别表示吸收式制冷机、储能电池、微型热电联产装置、电解槽、电热泵、日内储氢、光伏、季节性储氢、光热板、热储能、风机的年投资成本，x表示鲁棒模型的第一阶段0-1变量，u_w、分别表示典型气候场景w下短时间尺度不确定变量集及其可行域，y_w、z_w分别表示第二阶段最恶劣运行场景下的连续运行、0-1运行变量集，Ω(x,u_w)分别表示y_w、z_w的可行域，φ_ψ表示设备资本回收系数，σ表示贴现率，Y_ψ表示设备投资年限，

表示设备单位投资成本，

表示设备投资0-1变量，

表示设备候选安装容量，

分别表示燃料电池启、停单位成本，

分别表示电解槽启、停单位成本，

分别表示储能电池、微型热电联产装置、电解槽、电热泵、光伏、风机、日内储氢、季节储氢、吸收式制冷剂、光热板、热储能的单位功率运行成本，

分别表示储能电池、燃料电池、电解槽的单位功率降解成本，

分别表示购电、卖电成本，

分别表示电、热、冷负荷单位削减成本。

5.根据权利要求1所述的考虑长短期不确定性的净零能耗建筑能源系统规划方法，其特征在于，所述基于交替优化程序的列和约束生成算法求解重构模型的过程包括：

步骤4.1，将规划模型简写成通用矩阵形式；

s.t.B^Tx≤b,x∈{0,1}

Kπ+Ir+Jv≤α

Ey_w+Fz_w+Gu_w≤l_w-Hx,z_w∈{0,1}

式中，A、B、C、D、E、F、G、H、I、J、K、α、b、l表示系数矩阵；

步骤4.2，将步骤4.1中每个典型气候场景w下的子问题表示如下：

式中，x^*表示主问题中的优化结果，作为已知变量带入子问题；记所有子问题的目标函数集为LLS＝[LLS₁,…,LLS_Nw]，记γ为π的对偶变量；

s.t.B^Tx≤b,x∈{0,1}

Kπ+Ir+Jv≤α：γ

根据强对偶理论，将max进行对偶，得到对偶模型如下：

s.t.B^Tx≤b,x∈{0,1}

I^Tγ≥0,J^Tγ≥0

K^Tγ≥LLS

步骤4.3，将对偶模型转化为主、子问题，对子问题转化为u固定子问题和z固定子问题的优化问题，通过迭代求解得到优化结果；

其中子问题为N_w个如s.t.Ey_w+Fz_w+Gu_w≤l_w-Hx^*,z_w∈{0,1}所示的max-min双层优化问题，考虑到子问题的约束条件中含有0-1变量，无法直接将max-min问题对偶转化为max问题进行求解，因此，将子问题进一步分解为如

所示的u固定子问题和如

所示的z固定子问题

式中，

表示z固定子问题中的优化结果，作为已知变量带入u固定子问题，

式中，θ表示z固定子问题的目标函数，

表示u固定子问题中的优化结果，作为已知变量带入z固定子问题，λ_w表示y_w的对偶变量，上标T表示矩阵转置；

将子问题的第m次优化结果

代入，并创建新的与之对应的变量

得到如下主问题：

s.t.B^Tx≤b,x∈{0,1}

式中，k表示总迭代次数，主、子问题迭代求解至满足收敛条件，

步骤4.4，主、子问题迭代求解步骤为：

步骤4.4.1，设置x⁰为主问题的一个可行解，迭代次数k＝1，将x⁰代入如步骤4.4.3到步骤4.4.6的子问题迭代过程，求解得到子问题的

设置下边界LB＝-∞，上边界UB＝+∞，设置主问题收敛系数ψ；

步骤4.4.2，将u^k*代入主问题，求解得到(x^k*,γ^k*)，更新LB＝A^Tx^k*+α^Tγ^k*；

步骤4.4.3，对于每个子问题中每个气候场景下的max-min问题，设置迭代次数v＝1，将z_w松弛为连续变量，将x^k*代入z固定子问题，求解得到

步骤4.4.4，将

代入到u固定子问题，求解得到

步骤4.4.5，将

代入到z固定子问题，求解得到

步骤4.4.6，判断

是否成立，若成立则输出优化结果

否则返回步骤4.4.4；若所有气候场景下的max-min问题均收敛，则更新UB＝A^Tx^k*+α^TLLS^k*，进入步骤4.4.7；

步骤4.4.7，判断-ψ<(UB-LB)/UB<ψ是否成立，若成立则停止，输出优化结果；否则，返回步骤4.4.2。

Images