CN115456250A - 一种适用于楼宇微网能源系统容量的优化配置方法及系统 - Google Patents
一种适用于楼宇微网能源系统容量的优化配置方法及系统 Download PDFInfo
- Publication number
- CN115456250A CN115456250A CN202210994387.1A CN202210994387A CN115456250A CN 115456250 A CN115456250 A CN 115456250A CN 202210994387 A CN202210994387 A CN 202210994387A CN 115456250 A CN115456250 A CN 115456250A
- Authority
- CN
- China
- Prior art keywords
- building
- energy system
- capacity
- constraint
- follows
- 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 45
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000003860 storage Methods 0.000 claims description 68
- 238000004146 energy storage Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000010521 absorption reaction Methods 0.000 claims description 34
- 238000005338 heat storage Methods 0.000 claims description 34
- 241000282461 Canis lupus Species 0.000 claims description 32
- 230000008901 benefit Effects 0.000 claims description 28
- 239000013256 coordination polymer Substances 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000009434 installation Methods 0.000 claims description 18
- 238000005057 refrigeration Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 14
- 239000003245 coal Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000446 fuel Substances 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 64
- 238000010586 diagram Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000013486 operation strategy Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013598 vector 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种适用于楼宇微网能源系统容量的优化配置方法及系统,属于能源系统容量优化技术领域。本发明方法,包括:获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;基于预设的求解策略,对所述容量优化配置模型求取最优解;通过最优解对所述楼宇微网能源系统容量进行优化配置。本发明提供了一种适用于楼宇微网能源系统容量的优化配置方法及系统,通过构建容量优化配置模型,并以预设的求解策略对所述容量优化模型求解,获取的最优解用于容量配置,有效的降低了楼宇微网能源系统的投资成本和提成了综合效益。
Description
技术领域
本发明涉及能源系统容量优化技术领域,并且更具体地,涉及一种适用于楼宇微网能源系统容量的优化配置方法及系统。
背景技术
研究和发展楼宇微网是解决能源危机和环境污染的有效方法,合理地配置楼宇各设备容量,实现多种能源形式的协同优化,不仅能够提高各分布式供能设备的利用效率,还可以提升楼宇微网系统的经济性。楼宇虚拟储能本质上是利用围护建筑升降温具有热惰性的特性,调节室内温度改变需求侧用能需求,以此达到虚拟充放能的效果。目前在进行设备容量优化配置时考虑功率平衡、设备出力等确定性约束较多,而对于温度变化导致的楼宇室内能量变化考虑较少,当前对于楼宇微网能源系统中的储能优化环节与其它供能设备的联合优化的研究仍待深入,并且配置储能设备初始投资较高。
发明内容
针对上述问题,本发明提出了一种适用于楼宇微网能源系统容量的优化配置方法,包括:
获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;
所述容量优化配置模型以所述楼宇微网能源系统的容量及成本参数作为输入数据,以所述容量优化配置模型的最优解作为输出数据,所述最优解包括最小化的楼宇微网能源系统综合效益和楼宇微网能源系统投资成本参数;
将所述输入数据输入至容量优化配置模型,基于预设的求解策略,对所述容量优化配置模型求取最优解;
通过最优解对所述楼宇微网能源系统容量进行优化配置。
可选的,容量优化模型以最小化楼宇微网能源系统综合效益和楼宇微网能源系统投资成本为优化目标,且包括多种约束条件。
可选的,容量优化模型,如下:
其中:F1为楼宇微网能源系统综合效益,F2为楼宇微网系统投资成本;
C1为楼宇微网能源系统运维成本,计算公式如下:
其中:Cpv、Cbt、Cec、Cgas、CH、Cec分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机的单位时间运维成本,Ppv,t、Pbt,t、Pec,t、Pgas,t、PH,t、Pac,t分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机在t时刻的出力,N=24。
C2为楼宇微网能源系统光伏消纳收益及用户满意度,计算公式如下:
C2=Cinδpv+λ|Tin,t-Tset| (3)
其中:Cinδpv为光伏消纳收益,δpv为楼宇内光伏的实际接入量,Cin为光伏的单位容量消纳效益,λ|Tin,t-Tset|为用户满意度,λ为用能成本,Tin,t为楼宇内实际温度,Tset为设定温度;
C3为楼宇微网能源系统环境成本及燃料费用成本,计算公式如下:
C3=QC(CSPδS+CNPδN+CCPδC)+Mgasδgas (4)
其中:QC(CSPδS+CNPδN+CCPδC)为环境成本,CSP、CNP、CCP为单位质量SO2、NOX、CO2的环境成本系数,QC为火电机组煤耗量,δS、δN、δC为单位质量燃煤所产生的SO2、NOX、CO2的费用,Mgssδgss为燃料费用成本,δgss为燃气轮机单位容量的费用,Mgss为燃气轮机容量;
C4为楼宇微网能源系统设备投资成本,计算公式如下:
C4=(Mmtcmt+Mbtcbt+Meccec+Mpvcpv+Maccac+MHcH) (5)
式中:Mmt、Mbt、Mec、Mpv、Mac、MH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的最大安装容量,cmt、cbt、cec、cpv、cac、cH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的单位容量安装成本。
可选的,多种约束条件包括:电功率平衡约束,制冷功率约束,热功率平衡约束,设备上下限约束和储能系统相关约束;
所述电功率平衡约束,如下:
Pex,t+PPV,t+Pbt,t+=Pel,t+Pec,t (6)
其中:Pel,t为t时刻的电功率负荷,Pex,t为t时刻的联络线功率,Ppv,t、Pbt,t、Pec,t、分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机在t时刻的出力;
所述制冷功率约束,如下:
QAR,t+QEC,t=Qcool,t (7)
其中:Qcool,t为t时刻的制冷功率负荷,QAR,t为t时刻的吸收式制冷机功率输出,QEC,t为t时刻的电制冷机功率输出;
所述热功率平衡约束,如下:
Pheat,t-PH(t)-Pgas,t=ΔQ (8)
其中:Pheat,t为t时刻的热功率负荷,PH(t)为t时刻的蓄热罐输出功率,Pgas,t为楼宇微网能源系统微型燃气轮机在t时刻的出力;
所述设备上下限约束如下:
所述储能系统相关约束,包括:充放电功率约束,充放电状态转换约束,初始能量约束和储能容量约束;
所述充放电功率约束,如下:
所述充放电状态转换约束,如下:
所述初始能量约束,如下:
所述储能容量约束,如下:
式中:Pch max和Pdis max分别为充放电最大功率,Zch(t)和Ydis(t)分别为充放电转换状态变量,Ssh(t)和Sdis(t)分别为蓄电池的充放电状态,Kini为储能的初始容量系数,Pbat max和Pbat min分别为蓄电池容量上下限。
可选的,预设的求解策略为基于小生境技术和灰色加权关联度指标的改进的粒子群-灰狼多目标求解策略。
本发明还提出了一种适用于楼宇微网能源系统容量的优化配置系统,包括:
构建模型单元,用于获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;
所述容量优化配置模型以所述楼宇微网能源系统的容量及成本参数作为输入数据,以所述容量优化配置模型的最优解作为输出数据,所述最优解包括最小化的楼宇微网能源系统综合效益和楼宇微网能源系统投资成本参数;
求解单元,用于将所述输入数据输入至容量优化配置模型,基于预设的求解策略,对所述容量优化配置模型求取最优解;
优化单元,用于通过最优解对所述楼宇微网能源系统容量进行优化配置。
可选的,构建模型单元构建的容量优化模型以最小化楼宇微网能源系统综合效益和楼宇微网能源系统投资成本为优化目标,且包括多种约束条件。
可选的,容量优化模型,如下:
其中:F1为楼宇微网能源系统综合效益,F2为楼宇微网系统投资成本;
C1为楼宇微网能源系统运维成本,计算公式如下:
其中:Cpv、Cbt、Cec、Cgas、CH、Cec分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机的单位时间运维成本,Ppv,t、Pbt,t、Pec,t、Pgas,t、PH,t、Pac,t分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机在t时刻的出力,N=24。
C2为楼宇微网能源系统光伏消纳收益及用户满意度,计算公式如下:
C2=Cinδpv+λ|Tin,t-Tset| (3)
其中:Cinδpv为光伏消纳收益,δpv为楼宇内光伏的实际接入量,Cin为光伏的单位容量消纳效益,λ|Tin,t-Tset|为用户满意度,λ为用能成本,Tin,t为楼宇内实际温度,Tset为设定温度;
C3为楼宇微网能源系统环境成本及燃料费用成本,计算公式如下:
C3=QC(CSPδS+CNPδN+CCPδC)+Mgasδgas (4)
其中:QC(CSPδS+CNPδN+CCPδC)为环境成本,CSP、CNP、CCP为单位质量SO2、NOX、CO2的环境成本系数,QC为火电机组煤耗量,δS、δN、δC为单位质量燃煤所产生的SO2、NOX、CO2的费用,Mgssδgss为燃料费用成本,δgss为燃气轮机单位容量的费用,Mgss为燃气轮机容量;
C4为楼宇微网能源系统设备投资成本,计算公式如下:
C4=(Mmtcmt+Mbtcbt+Meccec+Mpvcpv+Maccac+MHcH) (5)
式中:Mmt、Mbt、Mec、Mpv、Mac、MH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的最大安装容量,cmt、cbt、cec、cpv、cac、cH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的单位容量安装成本。
可选的,多种约束条件包括:电功率平衡约束,制冷功率约束,热功率平衡约束,设备上下限约束和储能系统相关约束;
所述电功率平衡约束,如下:
Pex,t+PPV,t+Pbt,t+=Pel,t+Pec,t (6)
其中:Pel,t为t时刻的电功率负荷,Pex,t为t时刻的联络线功率,Ppv,t、Pbt,t、Pec,t、分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机在t时刻的出力;
所述制冷功率约束,如下:
QAR,t+QEC,t=Qcool,t (7)
其中:Qcool,t为t时刻的制冷功率负荷,QAR,t为t时刻的吸收式制冷机功率输出,QEC,t为t时刻的电制冷机功率输出;
所述热功率平衡约束,如下:
Pheat,t-PH(t)-Pgas,t=ΔQ (8)
其中:Pheat,t为t时刻的热功率负荷,PH(t)为t时刻的蓄热罐输出功率,Pgas,t为楼宇微网能源系统微型燃气轮机在t时刻的出力;
所述设备上下限约束如下:
所述储能系统相关约束,包括:充放电功率约束,充放电状态转换约束,初始能量约束和储能容量约束;
所述充放电功率约束,如下:
所述充放电状态转换约束,如下:
所述初始能量约束,如下:
所述储能容量约束,如下:
式中:Pch max和Pdis max分别为充放电最大功率,Zch(t)和Ydis(t)分别为充放电转换状态变量,Ssh(t)和Sdis(t)分别为蓄电池的充放电状态,Kini为储能的初始容量系数,Pbat max和Pbat min分别为蓄电池容量上下限。
可选的,求解单元预设的求解策略为基于小生境技术和灰色加权关联度指标的改进的粒子群-灰狼多目标求解策略。
再一方面,本发明还提供了一种计算设备,包括:一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述所述的一种适用于楼宇微网能源系统容量的优化配置方法。
再一方面,本发明还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述所述的一种适用于楼宇微网能源系统容量的优化配置方法。
与现有技术相比,本发明的有益效果为:
本发明提供了一种适用于楼宇微网能源系统容量的优化配置方法及系统,通过构建容量优化配置模型,并以预设的求解策略对所述容量优化模型求解,获取的最优解用于容量配置,有效的降低了楼宇微网能源系统的投资成本和提成了综合效益。
附图说明
图1为本发明方法的流程图;
图2为本发明方法实施例Case时楼宇虚拟储能及温度变化图;
图3为本发明方法实施例Case1下储能系统(热)运行策略图;
图4为本发明方法实施例Case1下热负荷经济调度运行策略图;
图5为本发明方法实施例Case1下冷负荷经济调度运行策略图;
图6为本发明方法实施例Case1下电负荷经济调度运行策略图;
图7为本发明方法实施例Case2楼宇虚拟储能及温度变化图;
图8为本发明方法实施例Case2下储能系统(热)运行策略图;
图9为本发明方法实施例Case2下热负荷经济调度运行策略图;
图10为本发明方法实施例Case2下冷负荷经济调度运行策略图;
图11为本发明方法实施例Case2下电负荷经济调度运行策略图;
图12为本发明方法实施例Case1条件下的帕累托前沿解集图;
图13为本发明系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
实施例1:
本发明提出了一种适用于楼宇微网能源系统容量的优化配置方法,如图1所示,包括:
步骤1、获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;
所述容量优化配置模型以所述楼宇微网能源系统的容量及成本参数作为输入数据,以所述容量优化配置模型的最优解作为输出数据,所述最优解包括最小化的楼宇微网能源系统综合效益和楼宇微网能源系统投资成本参数;
步骤2、将所述输入数据输入至容量优化配置模型,基于预设的求解策略,对所述容量优化配置模型求取最优解;
步骤3、通过最优解对所述楼宇微网能源系统容量进行优化配置。
其中,步骤1中容量优化模型以最小化楼宇微网能源系统综合效益和楼宇微网能源系统投资成本为优化目标,且包括多种约束条件。
其中,容量优化模型,如下:
其中:F1为楼宇微网能源系统综合效益,F2为楼宇微网系统投资成本;
C1为楼宇微网能源系统运维成本,计算公式如下:
其中:Cpv、Cbt、Cec、Cgas、CH、Cec分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机的单位时间运维成本,Ppv,t、Pbt,t、Pec,t、Pgas,t、PH,t、Pac,t分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机在t时刻的出力,N=24。
C2为楼宇微网能源系统光伏消纳收益及用户满意度,计算公式如下:
C2=Cinδpv+λ|Tin,t-Tset| (3)
其中:Cinδpv为光伏消纳收益,δpv为楼宇内光伏的实际接入量,Cin为光伏的单位容量消纳效益,λ|Tin,t-Tset|为用户满意度,λ为用能成本,Tin,t为楼宇内实际温度,Tset为设定温度;
C3为楼宇微网能源系统环境成本及燃料费用成本,计算公式如下:
C3=QC(CSPδS+CNPδN+CCPδC)+Mgasδgas (4)
其中:QC(CSPδS+CNPδN+CCPδC)为环境成本,CSP、CNP、CCP为单位质量SO2、NOX、CO2的环境成本系数,QC为火电机组煤耗量,δS、δN、δC为单位质量燃煤所产生的SO2、NOX、CO2的费用,Mgssδgss为燃料费用成本,δgss为燃气轮机单位容量的费用,Mgss为燃气轮机容量;
C4为楼宇微网能源系统设备投资成本,计算公式如下:
C4=(Mmtcmt+Mbtcbt+Meccec+Mpvcpv+Maccac+MHcH) (5)
式中:Mmt、Mbt、Mec、Mpv、Mac、MH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的最大安装容量,cmt、cbt、cec、cpv、cac、cH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的单位容量安装成本。
其中,多种约束条件包括:电功率平衡约束,制冷功率约束,热功率平衡约束,设备上下限约束和储能系统相关约束;
所述电功率平衡约束,如下:
Pex,t+PPV,t+Pbt,t+=Pel,t+Pec,t (6)
其中:Pel,t为t时刻的电功率负荷,Pex,t为t时刻的联络线功率,Ppv,t、Pbt,t、Pec,t、分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机在t时刻的出力;
所述制冷功率约束,如下:
QAR,t+QEC,t=Qcool,t (7)
其中:Qcool,t为t时刻的制冷功率负荷,QAR,t为t时刻的吸收式制冷机功率输出,QEC,t为t时刻的电制冷机功率输出;
所述热功率平衡约束,如下:
Pheat,t-PH(t)-Pgas,t=ΔQ (8)
其中:Pheat,t为t时刻的热功率负荷,PH(t)为t时刻的蓄热罐输出功率,Pgas,t为楼宇微网能源系统微型燃气轮机在t时刻的出力;
所述设备上下限约束如下:
所述储能系统相关约束,包括:充放电功率约束,充放电状态转换约束,初始能量约束和储能容量约束;
所述充放电功率约束,如下:
所述充放电状态转换约束,如下:
所述初始能量约束,如下:
所述储能容量约束,如下:
式中:Pch max和Pdis max分别为充放电最大功率,Zch(t)和Ydis(t)分别为充放电转换状态变量,Ssh(t)和Sdis(t)分别为蓄电池的充放电状态,Kini为储能的初始容量系数,Pbat max和Pbat min分别为蓄电池容量上下限。
其中,步骤2中预设的求解策略为基于小生境技术和灰色加权关联度指标的改进的粒子群-灰狼多目标求解策略。
下面对上述预设的求解策略进行进一步的说明:
基于虚拟储能对楼宇各设备进行优化配置,以蓄电池SOC值、制冷机的出力、储热系统的输入输出功率及楼宇室内温度为决策变量建立优化数学模型,约束条件复杂,包含冷热电负荷功率平衡、设备上下限及储能系统相关的等式和不等式约束,通过传统的算法策略难以求解。故本文采用改进粒子群-灰狼群混合算法(MPSWO,Muti-Particle SwarmWolf Optimization),在原有灰狼群算法的基础上,引入小生境处理机制和灰色加权关联度指标,将这种多样性和自我调节能力特性引入到PSWO算法中。
基于小生境技术的改进粒子群-灰狼多目标求解策略,如下:
小生境技术是根据狼之间的距离,将每只狼形成一个小生境,借用粒子群算法的更新迭代原理,把狼群中的狼也作为一组粒子,然后利用PSO算法的思路把每组粒子在速度和位置上进行一次更新。对于更新的粒子群返回至狼群,根据各群狼之间的距离,使用共享机制来提高狼的捕猎能力,并提供最佳位置。根据粒子群算法思路改进的灰狼拥挤度距离可以表示为:
式中:xi、xj为任意的两个灰狼,对于给定的参数,适应度可表示为:
式中:fi代表原始适应度,S(dij)代表共享函数,当灰狼距离小于小生镜半径R时,则可将共享函数计算如下:
式中:λ代表形状参数。
基于灰色加权关联度的非支配排序选解策略,如下:
灰色关联度分析法是根据所求非支配解集曲线与最优支配曲线的相似程度,其曲线越接近,相应序列之间关联度越高,排序优先级越高,结合层次分析法得到灰色加权关联度选取最优解。
步骤如下:
a.正向化处理:
正向化处理及将极小型目标转化为极大型目标,如式(17):
M=max-x (17)
b.正向化矩阵的预处理:
为去除量纲影响并缩小变量范围以简化计算,需对决策变量进行预处理,如(18):
c.计算灰色关联度:
首先得出中间的差值矩阵,得到两极最小差a和两极最大差b,然后根据关联系数公式,计算得出关联系数矩阵,如式(19):
式中:μ为分辨系数,通常取μ=0.5。
d.确定各优化目标对应权重:
基于层次分析法确定各优化指标对应权重,如式(20)和式(21):
式中:rij为优化目标i、j间相对重要程度;ωi为优化目标i的权重。
e.确定灰色加权关联度:
根据灰色加权关联度的大小,对各变量进行排序选解,关联度越大,排序优先级越高。
求解步骤,如下:
a.初始化灰狼群,取灰狼个体总数Num=200,最大迭代次数itermax=20,随机生成200个满足楼宇内各设备上下限约束、储能及功率平衡约束条件的初始群体,表示含所控制变量的可能取值,并按实数进行编码,以向量u表示,和为分别为第j个控制变量取值的上下限。
b.计算每个灰狼的目标函数值,将Num个灰狼的位置进行灰色关联度排序,取ξi值最大的灰狼个体和其对应的适应度值,将其作为支配解,并将满足小生镜半径R之内的所有灰狼个体作为非支配解集合,将支配解和非支配解集合组成的新狼群作为α狼群。
c.为避免迭代过程陷入局部最优,取3个相同数量,不同方位的α、β、γ狼群,通过3个狼群的支配解引领非支配解往最优目标值趋近,即进行迭代更新,最后更新后的狼群数量为α1=(α+β+γ)/3,完成第一次迭代。
d.在α1狼群中加入M个新灰狼个体,保持种群多样性,重复步骤(2)—(3)。
e.判断是否满足迭代次数:如果迭代次数iter大于最大迭代次数itermax,则结束循环输出结果,否则转到步骤(2)
f.取根据灰色加权关联度排序后1-100的非支配解集作为最优解并输出迭代曲线,横坐标为综合效益目标函数F1,纵坐标为投资成本F2。
下面将本发明应用于某商业综合楼,进行验证,具体如下:
某商业综合楼体所处位置为北纬37°54′,东经112°33′,该建筑为独栋建筑,长70米,宽50米,层高3层,共33层。建筑外墙为水泥砌砖,窗户为PVC材质朔料定制,采用双层隔音真空玻璃,建筑基础参数如表1所示。该商务综合大楼的位置为北方某省会城市,坐南朝北,结合调研数据及楼宇窗户以及外墙与太阳直射角度的关系,本发明将该建筑的基础参数近似取ISwinSC为0.45ISwinSC。空气密度ρ和空气比热容C分别取1.2kg/m3和1000J/(kg·℃),集中办公时间为8:00到20:00。天然气的价格为2.68元/m3;其等效单位热值的价格为0.45元/(kW·h),楼宇微网与外电网的联络线功率上限设置为400kW,设备电气参数如表2。
表1
表2
为了验证本文所提楼宇综合能源优化模型及优化算法的有效性,特设置以下场景进行计算分析:
Case1:冬季单个场景的优化(12月);
Case2:夏季单个场景的优化(6月);
Case3:多个场景的联合优化。
Case1场景下的优化计算,12月在北方属于冬季,太阳光照强度较小,昼夜温差也较大,为了提升楼宇微网系统的节能水平,本发明将楼宇虚拟储能(热)响应进行考虑,即在冬季让楼内温度降低,形成楼宇的虚拟储能响应,如图2所示,在此楼宇虚拟储能基础上,进行Case1典型场景下优化配置计算,得到典型日运行结果如表3所示。
表3
在表3所示配置结果下,考虑到冬季太阳能资源不是特别充裕,将太阳能配置容量较小,而储能系统(电)的主要作用是与光伏系统进行配合,提升光伏的利用率,故仅将储能系统的容量配置为375kW。而燃气轮机作为楼宇系统的主要供能设备,为楼宇系统提供电、热功率,是楼宇微网综合能源系统的主要调节手段,燃气轮机的配置按照上限(650kW)配置,而且燃气轮机作为楼宇热负荷的主要供给源,为保证热负荷的可靠供给也是燃气轮机配置较大的原因之一。吸收式制冷装置在可实现将燃气轮机发电产生的热量进行转换,与蓄热罐配合起来,极大的保证楼宇综合系统热负荷的可靠供给,因此,在冬季典型日的条件下,与热负荷相关设施配置容量较高,与之相反,电制冷空调因为在冬季制冷负荷较小,此处优化计算结果表明,制冷设备在冬季典型场景下是按照下限进行配置的。
在Case1计算条件下,为使楼宇微网系统配置容量更为精细,还对典型日的各设备进行了优化调度,其经济运行成本效益如表4所示,通过图3至图6所示计算表明,在冬季由于光照较小,储热及蓄热系统运行方式较为单一,燃气轮机为了保证供热,使得整个综合能源系统的运行模式不够灵活,电热冷负荷的平衡大都来之外电网,因此,在冬季典型场景下,外电网的对楼宇微网的支援至关重要。
表4
Case2场景下的优化计算,6月在北方属于夏季,太阳光照强度较大昼夜温差也较小,为了提升楼宇微网系统的节能水平,本文将楼宇虚拟储能(冷)响应进行考虑,即在夏季让楼内温度升高,形成楼宇的虚拟储能冷负荷响应,如图7所示,在此楼宇虚拟储能基础上,进行Case2典型场景下优化配置计算,得到典型日运行结果如表5所示。
表5
在表5所示配置结果下,考虑到夏季太阳能资源特别充裕,优化算法将太阳能配置容量较大,而储能系统(电)的主要作用是与光伏系统进行配合,提升光伏的利用率,同时,尽可能的通过低储高放策略,提升楼宇综合能源系统的经济水平,故此,将储能系统的容量配置也按上限配置为800kW。而夏季主要考虑冷电负荷需求,而燃气轮机作为楼宇吸收式制冷机来供给部分冷负荷,与吸收式制冷装置在可实现将燃气轮机发电产生的热量进行转换,与电制冷空调配合起来,极大的保证楼宇综合系统冷负荷的可靠供给,故燃气轮机的配置较小为(350kW)配置。因此,在夏季典型日的条件下,与冷负荷相关设施配置容量较高,与之相反,因为在夏季制热负荷较小,此处优化计算结果表明,制热设备在夏季典型场景下是按照下限进行配置的。
在Case2计算条件下,为使楼宇综合储能系统配置容量更为精细,还对典型日的各设备进行了优化调度,其经济运行成本效益如表6所示。通过图8至图11所示计算结果表明,在夏季由于光照较大,储电运行方式较为灵活,燃气轮机不需要供热,使得整个综合能源系统的运行模式更为灵活,电热冷负荷的平衡不太依靠外电网,因此,在夏季典型场景下,外电网可以最大限度让楼宇微网的进行低储高放,实现楼宇微网的最大经济效益。
表6
根据夏冬场景分析,夏冬场景优化配置结果受限于冷热负荷需求,燃气轮机、光伏及储能等设备出力无法达到最佳效果,故全年通过分时电价机制,电价低时充电,电价高时放电,在目标模型中加入储能系统调峰收益,使得楼宇微网系统出力更合理,综合考虑冷、热负荷平衡约束,降低微网的运维成本,提高系统整体经济性,如表7所示。
表7
图12所示为冬季典型日的多目标曲线,最后得出的100个适应度函数值(非支配解)紧密分布在灰狼群体(支配解集)周围,表明文中使用的小生境技术有效提高了非支配解趋近最优解的能力。同时,曲线上的多个非支配解,提高了用户的可选择性,通过灰色加权关联度值获得投资成本和综合效益的最优占比;从曲线可以看出,迭代过程平稳,收敛速度更快,稳定性和鲁棒性优越。综上,本文所提的基于小生境技术的多目标灰狼优化算法运用在楼宇微网配置方面是科学有效的。
实施例2:
本发明还提出了一种适用于楼宇微网能源系统容量的优化配置系统200,如图13所示,包括:
构建模型单元201,用于获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;
所述容量优化配置模型以所述楼宇微网能源系统的容量及成本参数作为输入数据,以所述容量优化配置模型的最优解作为输出数据,所述最优解包括最小化的楼宇微网能源系统综合效益和楼宇微网能源系统投资成本参数;
求解单元202,用于将所述输入数据输入至容量优化配置模型,基于预设的求解策略,对所述容量优化配置模型求取最优解;
优化单元203,用于通过最优解对所述楼宇微网能源系统容量进行优化配置。
其中,构建模型单元201构建的容量优化模型以最小化楼宇微网能源系统综合效益和楼宇微网能源系统投资成本为优化目标,且包括多种约束条件。
可选的,容量优化模型,如下:
其中:F1为楼宇微网能源系统综合效益,F2为楼宇微网系统投资成本;
C1为楼宇微网能源系统运维成本,计算公式如下:
其中:Cpv、Cbt、Cec、Cgas、CH、Cec分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机的单位时间运维成本,Ppv,t、Pbt,t、Pec,t、Pgas,t、PH,t、Pac,t分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机在t时刻的出力,N=24。
C2为楼宇微网能源系统光伏消纳收益及用户满意度,计算公式如下:
C2=Cinδpv+λ|Tin,t-Tset| (3)
其中:Cinδpv为光伏消纳收益,δpv为楼宇内光伏的实际接入量,Cin为光伏的单位容量消纳效益,λ|Tin,t-Tset|为用户满意度,λ为用能成本,Tin,t为楼宇内实际温度,Tset为设定温度;
C3为楼宇微网能源系统环境成本及燃料费用成本,计算公式如下:
C3=QC(CSPδS+CNPδN+CCPδC)+Mgasδgas (4)
其中:QC(CSPδS+CNPδN+CCPδC)为环境成本,CSP、CNP、CCP为单位质量SO2、NOX、CO2的环境成本系数,QC为火电机组煤耗量,δS、δN、δC为单位质量燃煤所产生的SO2、NOX、CO2的费用,Mgssδgss为燃料费用成本,δgss为燃气轮机单位容量的费用,Mgss为燃气轮机容量;
C4为楼宇微网能源系统设备投资成本,计算公式如下:
C4=(Mmtcmt+Mbtcbt+Meccec+Mpvcpv+Maccac+MHcH) (5)
式中:Mmt、Mbt、Mec、Mpv、Mac、MH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的最大安装容量,cmt、cbt、cec、cpv、cac、cH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的单位容量安装成本。
其中,多种约束条件包括:电功率平衡约束,制冷功率约束,热功率平衡约束,设备上下限约束和储能系统相关约束;
所述电功率平衡约束,如下:
Pex,t+PPV,t+Pbt,t+=Pel,t+Pec,t (6)
其中:Pel,t为t时刻的电功率负荷,Pex,t为t时刻的联络线功率,Ppv,t、Pbt,t、Pec,t、分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机在t时刻的出力;
所述制冷功率约束,如下:
QAR,t+QEC,t=Qcool,t (7)
其中:Qcool,t为t时刻的制冷功率负荷,QAR,t为t时刻的吸收式制冷机功率输出,QEC,t为t时刻的电制冷机功率输出;
所述热功率平衡约束,如下:
Pheat,t-PH(t)-Pgas,t=ΔQ (8)
其中:Pheat,t为t时刻的热功率负荷,PH(t)为t时刻的蓄热罐输出功率,Pgas,t为楼宇微网能源系统微型燃气轮机在t时刻的出力;
所述设备上下限约束如下:
所述储能系统相关约束,包括:充放电功率约束,充放电状态转换约束,初始能量约束和储能容量约束;
所述充放电功率约束,如下:
所述充放电状态转换约束,如下:
所述初始能量约束,如下:
所述储能容量约束,如下:
式中:Pch max和Pdis max分别为充放电最大功率,Zch(t)和Ydis(t)分别为充放电转换状态变量,Ssh(t)和Sdis(t)分别为蓄电池的充放电状态,Kini为储能的初始容量系数,Pbat max和Pbat min分别为蓄电池容量上下限。
其中,求解单元202预设的求解策略为基于小生境技术和灰色加权关联度指标的改进的粒子群-灰狼多目标求解策略。
实施例3:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种适用于楼宇微网能源系统容量的优化配置方法的步骤。
实施例4:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种适用于楼宇微网能源系统容量的优化配置方法的步骤。
本发明考虑楼宇建筑本身的储能特性及不同季节对于储能效果的影响,基于虚拟储能构建了计及综合效益与投资成本的多目标优化模型,将楼宇内温度的变化体现在虚拟储能的充放电过程,并在全年优化配置中引入储能调峰收益,使得楼宇微网系统出力更合理,综合考虑冷、热负荷平衡约束,降低微网的运维成本,提高系统整体经济性,如表;采基于小生境技术的改进多目标灰狼算法对模型进行求解,有效协调了综合效益和投资成本的优化目标和相关约束条件,通过灰色加权关联度评价优化结果,根据夏季制冷场景对模型进行验证分析得出,所提方法有效降低了楼宇各设备投资成本提升,提升了楼宇的综合效益。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种适用于楼宇微网能源系统容量的优化配置方法,其特征在于,所述方法包括:
获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;所述容量优化配置模型以所述楼宇微网能源系统的容量及成本参数作为输入数据,以所述容量优化配置模型的最优解作为输出数据,所述最优解包括最小化的楼宇微网能源系统综合效益和楼宇微网能源系统投资成本参数;
将所述输入数据输入至容量优化配置模型,基于预设的求解策略,对所述容量优化配置模型求取最优解;
通过最优解对所述楼宇微网能源系统容量进行优化配置。
2.根据权利要求1所述的方法,其特征在于,所述容量优化模型以最小化楼宇微网能源系统综合效益和楼宇微网能源系统投资成本为优化目标,且包括多种约束条件。
3.根据权利要求2所述的方法,其特征在于,所述容量优化模型,如下:
其中:F1为楼宇微网能源系统综合效益,F2为楼宇微网系统投资成本;
C1为楼宇微网能源系统运维成本,计算公式如下:
其中:Cpv、Cbt、Cec、Cgas、CH、Cec分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机的单位时间运维成本,Ppv,t、Pbt,t、Pec,t、Pgas,t、PH,t、Pac,t分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机在t时刻的出力,N=24。
C2为楼宇微网能源系统光伏消纳收益及用户满意度,计算公式如下:
C2=Cinδpv+λ|Tin,t-Tset| (3)
其中:Cinδpv为光伏消纳收益,δpv为楼宇内光伏的实际接入量,Cin为光伏的单位容量消纳效益,λ|Tin,t-Tset|为用户满意度,λ为用能成本,Tin,t为楼宇内实际温度,Tset为设定温度;
C3为楼宇微网能源系统环境成本及燃料费用成本,计算公式如下:
C3=QC(CSPδS+CNPδN+CCPδC)+Mgasδgas (4)
其中:QC(CSPδS+CNPδN+CCPδC)为环境成本,CSP、CNP、CCP为单位质量SO2、NOX、CO2的环境成本系数,QC为火电机组煤耗量,δS、δN、δC为单位质量燃煤所产生的SO2、NOX、CO2的费用,Mgssδgss为燃料费用成本,δgss为燃气轮机单位容量的费用,Mgss为燃气轮机容量;
C4为楼宇微网能源系统设备投资成本,计算公式如下:
C4=(Mmtcmt+Mbtcbt+Meccec+Mpvcpv+Maccac+MHcH) (5)
式中:Mmt、Mbt、Mec、Mpv、Mac、MH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的最大安装容量,cmt、cbt、cec、cpv、cac、cH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的单位容量安装成本。
4.根据权利要求2所述的方法,其特征在于,所述多种约束条件包括:电功率平衡约束,制冷功率约束,热功率平衡约束,设备上下限约束和储能系统相关约束;
所述电功率平衡约束,如下:
Pex,t+PPV,t+Pbt,t+=Pel,t+Pec,t (6)
其中:Pel,t为t时刻的电功率负荷,Pex,t为t时刻的联络线功率,Ppv,t、Pbt,t、Pec,t、分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机在t时刻的出力;
所述制冷功率约束,如下:
QAR,t+QEC,t=Qcool,t (7)
其中:Qcool,t为t时刻的制冷功率负荷,QAR,t为t时刻的吸收式制冷机功率输出,QEC,t为t时刻的电制冷机功率输出。
所述热功率平衡约束,如下:
Pheat,t-PH(t)-Pgas,t=ΔQ (8)
其中:Pheat,t为t时刻的热功率负荷,PH(t)为t时刻的蓄热罐输出功率,Pgas,t为楼宇微网能源系统微型燃气轮机在t时刻的出力;
所述设备上下限约束如下:
所述储能系统相关约束,包括:充放电功率约束,充放电状态转换约束,初始能量约束和储能容量约束;
所述充放电功率约束,如下:
所述充放电状态转换约束,如下:
所述初始能量约束,如下:
所述储能容量约束,如下:
式中:Pch max和Pdis max分别为充放电最大功率,Zch(t)和Ydis(t)分别为充放电转换状态变量,Ssh(t)和Sdis(t)分别为蓄电池的充放电状态,Kini为储能的初始容量系数,Pbat max和Pbat min分别为蓄电池容量上下限。
5.根据权利要求1所述的方法,其特征在于,所述预设的求解策略为基于小生境技术和灰色加权关联度指标的改进的粒子群-灰狼多目标求解策略。
6.一种适用于楼宇微网能源系统容量的优化配置系统,其特征在于,所述系统包括:
构建模型单元,用于获取楼宇微网能源系统的基本数据,基于所述基本数据构建楼宇微网能源系统的容量优化配置模型;
所述容量优化配置模型以所述楼宇微网能源系统的容量及成本参数作为输入数据,以所述容量优化配置模型的最优解作为输出数据,所述最优解包括最小化的楼宇微网能源系统综合效益和楼宇微网能源系统投资成本参数;
求解单元,用于将所述输入数据输入至容量优化配置模型,基于预设的求解策略,对所述容量优化配置模型求取最优解;
优化单元,用于通过最优解对所述楼宇微网能源系统容量进行优化配置。
7.根据权利要求6所述的系统,其特征在于,所述构建模型单元构建的容量优化模型以最小化楼宇微网能源系统综合效益和楼宇微网能源系统投资成本为优化目标,且包括多种约束条件。
8.根据权利要求7所述的系统,其特征在于,所述容量优化模型,如下:
其中:F1为楼宇微网能源系统综合效益,F2为楼宇微网系统投资成本;
C1为楼宇微网能源系统运维成本,计算公式如下:
其中:Cpv、Cbt、Cec、Cgas、CH、Cec分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机的单位时间运维成本,Ppv,t、Pbt,t、Pec,t、Pgas,t、PH,t、Pac,t分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机、微型燃气轮机、蓄热罐及吸收式制冷机在t时刻的出力,N=24。
C2为楼宇微网能源系统光伏消纳收益及用户满意度,计算公式如下:
C2=Cinδpv+λ|Tin,t-Tset| (3)
其中:Cinδpv为光伏消纳收益,δpv为楼宇内光伏的实际接入量,Cin为光伏的单位容量消纳效益,λ|Tin,t-Tset|为用户满意度,λ为用能成本,Tin,t为楼宇内实际温度,Tset为设定温度;
C3为楼宇微网能源系统环境成本及燃料费用成本,计算公式如下:
C3=QC(CSPδS+CNPδN+CCPδC)+Mgasδgas (4)
其中:QC(CSPδS+CNPδN+CCPδC)为环境成本,CSP、CNP、CCP为单位质量SO2、NOX、CO2的环境成本系数,QC为火电机组煤耗量,δS、δN、δC为单位质量燃煤所产生的SO2、NOX、CO2的费用,Mgssδgss为燃料费用成本,δgss为燃气轮机单位容量的费用,Mgss为燃气轮机容量;
C4为楼宇微网能源系统设备投资成本,计算公式如下:
C4=(Mmtcmt+Mbtcbt+Meccec+Mpvcpv+Maccac+MHcH) (5)
式中:Mmt、Mbt、Mec、Mpv、Mac、MH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的最大安装容量,cmt、cbt、cec、cpv、cac、cH分别为楼宇微网能源系统微型燃气轮机、蓄电池、电制冷机、光伏装置、吸收式制冷机及蓄热罐的单位容量安装成本。
9.根据权利要求7所述的系统,其特征在于,所述多种约束条件包括:电功率平衡约束,制冷功率约束,热功率平衡约束,设备上下限约束和储能系统相关约束;
所述电功率平衡约束,如下:
Pex,t+PPV,t+Pbt,t+=Pel,t+Pec,t (6)
其中:Pel,t为t时刻的电功率负荷,Pex,t为t时刻的联络线功率,Ppv,t、Pbt,t、Pec,t、分别为楼宇微网能源系统光伏装置、蓄电池、电制冷机在t时刻的出力;
所述制冷功率约束,如下:
QAR,t+QEC,t=Qcool,t (7)
其中:Qcool,t为t时刻的制冷功率负荷,QAR,t为t时刻的吸收式制冷机功率输出,QEC,t为t时刻的电制冷机功率输出;
所述热功率平衡约束,如下:
Pheat,t-PH(t)-Pgas,t=ΔQ (8)
其中:Pheat,t为t时刻的热功率负荷,PH(t)为t时刻的蓄热罐输出功率,Pgas,t为楼宇微网能源系统微型燃气轮机在t时刻的出力;
所述设备上下限约束如下:
所述储能系统相关约束,包括:充放电功率约束,充放电状态转换约束,初始能量约束和储能容量约束;
所述充放电功率约束,如下:
所述充放电状态转换约束,如下:
所述初始能量约束,如下:
所述储能容量约束,如下:
式中:Pch max和Pdis max分别为充放电最大功率,Zch(t)和Ydis(t)分别为充放电转换状态变量,Ssh(t)和Sdis(t)分别为蓄电池的充放电状态,Kini为储能的初始容量系数,Pbat max和Pbat min分别为蓄电池容量上下限。
10.根据权利要求6所述的系统,其特征在于,所述求解单元预设的求解策略为基于小生境技术和灰色加权关联度指标的改进的粒子群-灰狼多目标求解策略。
11.一种计算机设备,其特征在于,包括:
一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1-5中任一所述的一种适用于楼宇微网能源系统容量的优化配置方法。
12.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1-5中任一所述的一种适用于楼宇微网能源系统容量的优化配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994387.1A CN115456250A (zh) | 2022-08-18 | 2022-08-18 | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994387.1A CN115456250A (zh) | 2022-08-18 | 2022-08-18 | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456250A true CN115456250A (zh) | 2022-12-09 |
Family
ID=84298524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210994387.1A Pending CN115456250A (zh) | 2022-08-18 | 2022-08-18 | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629633A (zh) * | 2023-05-16 | 2023-08-22 | 上海交通大学 | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 |
-
2022
- 2022-08-18 CN CN202210994387.1A patent/CN115456250A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629633A (zh) * | 2023-05-16 | 2023-08-22 | 上海交通大学 | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 |
CN116629633B (zh) * | 2023-05-16 | 2024-02-09 | 上海交通大学 | 含智能楼宇的adn分布式光伏最大准入容量计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baniasadi et al. | Optimal sizing design and operation of electrical and thermal energy storage systems in smart buildings | |
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 | |
Hu et al. | Decentralized operation strategies for an integrated building energy system using a memetic algorithm | |
Ikeda et al. | Metaheuristic optimization methods for a comprehensive operating schedule of battery, thermal energy storage, and heat source in a building energy system | |
Xie et al. | A hybrid short-term load forecasting model and its application in ground source heat pump with cooling storage system | |
CN109859071B (zh) | 虚拟电厂多能互补的源荷储优化配置方法 | |
CN110009122B (zh) | 户用多能互补综合能源利用系统能量优化调度方法及系统 | |
CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源系统优化方法和系统 | |
CN111144641B (zh) | 一种基于改进粒子群算法的微电网优化调度方法 | |
CN112966883B (zh) | 综合能源系统运行优化方法及终端设备 | |
CN107203136A (zh) | 一种智慧农业大棚微型能源网的优化调度方法及装置 | |
CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
CN114595868A (zh) | 一种综合能源系统源网荷储协同规划方法及系统 | |
Tarragona et al. | Economic evaluation of a hybrid heating system in different climate zones based on model predictive control | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
Fu et al. | Optimal capacity configuration of CCHP system with improved operation strategies using improved multi-objective multi-universe algorithm | |
CN115456250A (zh) | 一种适用于楼宇微网能源系统容量的优化配置方法及系统 | |
Wang et al. | Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies | |
CN115169916A (zh) | 一种基于安全经济的电热综合能源控制方法 | |
CN110991764A (zh) | 一种综合能源系统日前滚动优化方法 | |
Ikram et al. | Optimizing energy consumption in smart homes: Load scheduling approaches | |
Zhu et al. | Optimal day-ahead scheduling for commercial building-level consumers under TOU and demand pricing plan | |
CN113255224A (zh) | 一种基于发光萤火虫算法的能源系统配置优化方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN116957362A (zh) | 一种区域综合能源系统的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 |