CN114818078B - 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
考虑长短期不确定性的净零能耗建筑能源系统规划方法 Download PDFInfo
- Publication number
- CN114818078B CN114818078B CN202210501794.4A CN202210501794A CN114818078B CN 114818078 B CN114818078 B CN 114818078B CN 202210501794 A CN202210501794 A CN 202210501794A CN 114818078 B CN114818078 B CN 114818078B
- Authority
- CN
- China
- Prior art keywords
- representing
- energy
- scene
- power
- typical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005265 energy consumption Methods 0.000 title claims abstract description 35
- 230000007774 longterm Effects 0.000 title claims abstract description 25
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 70
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 70
- 239000001257 hydrogen Substances 0.000 claims abstract description 70
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000009977 dual effect Effects 0.000 claims abstract description 21
- 238000005485 electric heating Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000004146 energy storage Methods 0.000 claims description 60
- 238000003860 storage Methods 0.000 claims description 38
- 238000009434 installation Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 31
- 238000010521 absorption reaction Methods 0.000 claims description 26
- 230000001932 seasonal effect Effects 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000003507 refrigerant Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 10
- 238000011161 development Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Civil Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
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
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Nw=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Ny个重构场景,分别计算每个重构场景χn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Yw,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,θwin、分别表示窗户、墙壁的辐射吸收系数,Awin、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,Capψ,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,ηac、ηst、ηpv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,κhp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,Ns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,Ds-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,Nt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,κchp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,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,πw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∞、LW分别表示场景集的1范数距离、范数距离、WassersteiN范数距离,α1、α∞、αW分别表示L1、L∞、LW的上限,Nw表示典型气候场景的数量,Ny表示预测数据集的数量,β表示置信度水平,lS表示与Ny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,Cinv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,uw、uw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,yw、zw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,uw)分别表示yw、zw的可行域,φψ表示设备资本回收系数,σ表示贴现率,Yψ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.BTx≤b,x∈{0,1}
Kπ+Ir+Jv≤α
Eyw+Fzw+Guw≤lw-Hx,zw∈{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.Eyw+Fzw+Guw≤lw-Hx*,zw∈{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,…,LLSNw],记γ为π的对偶变量;
s.t.BTx≤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.BTx≤b,x∈{0,1}
ITγ≥0,JTγ≥0
KTγ≥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Nw个如s.t.Eyw+Fzw+Guw≤lw-Hx*,zw∈{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,λw表示yw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.BTx≤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,将代入主问题,求解得到更新
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zw松弛为连续变量,将代入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Ny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Nw=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Ny个重构场景,分别计算每个重构场景χn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Yw,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,θwin、分别表示窗户、墙壁的辐射吸收系数,Awin、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,Capψ,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,ηac、ηst、ηpv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,κhp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,Ns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,Ds-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,Nt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,κchp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,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,πw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∞、LW分别表示场景集的1范数距离、范数距离、Wasserstein范数距离,α1、α∞、αW分别表示L1、L∞、LW的上限,Nw表示典型气候场景的数量,Ny表示预测数据集的数量,β表示置信度水平,lS表示与Ny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,Cinv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,uw、uw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,yw、zw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,uw)分别表示yw、zw的可行域,φψ表示设备资本回收系数,σ表示贴现率,Yψ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.BTx≤b,x∈{0,1}
Kπ+Ir+Jv≤α
Eyw+Fzw+Guw≤lw-Hx,zw∈{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.Eyw+Fzw+Guw≤lw-Hx*,zw∈{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,…,LLSNw],记γ为π的对偶变量;
s.t.BTx≤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.BTx≤b,x∈{0,1}
ITγ≥0,JTγ≥0
KTγ≥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Nw个如s.t.Eyw+Fzw+Guw≤lw-Hx*,zw∈{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,λw表示yw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.BTx≤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,将代入主问题,求解得到更新
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zw松弛为连续变量,将代入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 (4)
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;
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,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,πw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∞、LW分别表示场景集的1范数距离、范数距离、Wasserstein范数距离,α1、α∞、αW分别表示L1、L∞、LW的上限,Nw表示典型气候场景的数量,Ny表示预测数据集的数量,β表示置信度水平,lS表示与Ny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:
式中,表示短时间尺度不确定变量的集合,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,Cinv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,uw、uw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,yw、zw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,uw)分别表示yw、zw的可行域,φψ表示设备资本回收系数,σ表示贴现率,Yψ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。
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Nw=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Ny个重构场景,分别计算每个重构场景χn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Yw,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,θwin、分别表示窗户、墙壁的辐射吸收系数,Awin、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,Capψ,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,ηac、ηst、ηpv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,κhp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,Ns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,Ds-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,Nt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,κchp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.BTx≤b,x∈{0,1}
Kπ+Ir+Jv≤α
Eyw+Fzw+Guw≤lw-Hx,zw∈{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.Eyw+Fzw+Guw≤lw-Hx*,zw∈{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,…,LLSNw],记γ为π的对偶变量;
s.t.BTx≤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.BTx≤b,x∈{0,1}
ITγ≥0,JTγ≥0
KTγ≥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Nw个如所示的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,λw表示yw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:
MP=mxinATx+αTγ
s.t.BTx≤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uk*代入主问题,求解得到更新
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zw松弛为连续变量,将xk*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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210501794.4A CN114818078B (zh) | 2022-05-09 | 2022-05-09 | 考虑长短期不确定性的净零能耗建筑能源系统规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210501794.4A CN114818078B (zh) | 2022-05-09 | 2022-05-09 | 考虑长短期不确定性的净零能耗建筑能源系统规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818078A CN114818078A (zh) | 2022-07-29 |
CN114818078B true CN114818078B (zh) | 2023-07-25 |
Family
ID=82512708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210501794.4A Active CN114818078B (zh) | 2022-05-09 | 2022-05-09 | 考虑长短期不确定性的净零能耗建筑能源系统规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818078B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822908B (zh) * | 2023-08-24 | 2023-11-17 | 福州凌渡科技有限公司 | 一种可快速求解的多时间尺度储能规划方法及设备 |
CN117391311B (zh) * | 2023-12-07 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6721924B2 (en) * | 2001-09-28 | 2004-04-13 | Intel Corporation | Noise and power optimization in high performance circuits |
US10423138B2 (en) * | 2017-03-06 | 2019-09-24 | Con Edison Battery Storage, Llc | Building energy storage system with planning tool |
CN106951611B (zh) * | 2017-03-07 | 2020-08-07 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN109325998B (zh) * | 2018-10-08 | 2023-06-30 | 香港理工大学 | 一种基于点云数据的室内3d建模方法、系统及相关装置 |
CN111144620B (zh) * | 2019-12-06 | 2023-06-16 | 东南大学溧阳研究院 | 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法 |
CN111881540B (zh) * | 2020-05-28 | 2024-02-02 | 湘潭大学 | 一种能量枢纽中热泵容量和各能源设备功率的优化方法 |
CN112668188B (zh) * | 2020-12-31 | 2023-02-24 | 福州大学 | 多园区综合能源系统的分布式鲁棒协同优化调度方法 |
CN113642829B (zh) * | 2021-06-23 | 2024-05-24 | 东南大学 | 考虑热电联产多供热模式的综合能源系统优化调度方法 |
CN113537632B (zh) * | 2021-08-05 | 2022-08-05 | 天津大学 | 考虑量化储热的多区域电-热综合能源系统优化控制方法 |
-
2022
- 2022-05-09 CN CN202210501794.4A patent/CN114818078B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114818078A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144620B (zh) | 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法 | |
Li et al. | Sizing of a stand-alone microgrid considering electric power, cooling/heating, hydrogen loads and hydrogen storage degradation | |
CN106849190B (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
CN114722591B (zh) | 一种净零能耗建筑电热氢多能流供能设备规划方法 | |
CN114818078B (zh) | 考虑长短期不确定性的净零能耗建筑能源系统规划方法 | |
JP5789792B2 (ja) | 需給制御装置、需給制御方法、および、需給制御システム | |
CN112907098B (zh) | 园区综合能源系统的多阶段容量配置方法及配置系统 | |
CN109191025A (zh) | 一种电源结构优化配置方案综合能效的评价方法 | |
Kong et al. | Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm | |
CN113988714B (zh) | 计及多重不确定性的园区综合能源系统动态规划方法、设备及介质 | |
CN112862253B (zh) | 考虑风电不确定性的电-气-热储能协同规划方法及系统 | |
CN116681171A (zh) | 一种多场景综合能源系统分布鲁棒优化调度方法和系统 | |
Xu et al. | A data-based day-ahead scheduling optimization approach for regional integrated energy systems with varying operating conditions | |
CN112085263A (zh) | 一种用户侧分布式能源系统混合储能优化配置方法和系统 | |
CN116976597A (zh) | 综合能源系统低碳经济调度方法、装置、系统及介质 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法 | |
CN118365352A (zh) | 基于阶梯式碳交易下含p2g和ccs耦合的综合能源系统优化调度方法 | |
CN118034874A (zh) | Cchp系统的运行优化方法、装置、设备及存储介质 | |
CN114039384A (zh) | 基于新能源消纳的源-储协调优化调度方法 | |
CN117649089A (zh) | 一种集成氢能的综合能源系统鲁棒低碳优化调度方法 | |
CN113298164B (zh) | 一种基于光伏出力不确定性的楼宇用能优化方法 | |
CN116029518A (zh) | 一种计及广义储能的园区综合能源系统的碳排放规划方法 | |
CN113379160B (zh) | 基于建筑物热能流的楼宇侧综合能源系统优化调度方法 | |
Abdolmaleki et al. | Net-zero energy management through multi-criteria optimizations of a hybrid solar-hydrogen energy system for a laboratory in Toronto, Canada | |
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 |
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 |