CN116187173A - 一种区域综合能源系统双层优化方法及系统 - Google Patents
一种区域综合能源系统双层优化方法及系统 Download PDFInfo
- Publication number
- CN116187173A CN116187173A CN202310047329.2A CN202310047329A CN116187173A CN 116187173 A CN116187173 A CN 116187173A CN 202310047329 A CN202310047329 A CN 202310047329A CN 116187173 A CN116187173 A CN 116187173A
- Authority
- CN
- China
- Prior art keywords
- model
- power
- energy
- moment
- equipment
- 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 104
- 238000005457 optimization Methods 0.000 title claims abstract description 88
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000009825 accumulation Methods 0.000 claims abstract description 8
- 238000004146 energy storage Methods 0.000 claims description 98
- 239000007789 gas Substances 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 73
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 65
- 229910052799 carbon Inorganic materials 0.000 claims description 65
- 238000010438 heat treatment Methods 0.000 claims description 54
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 48
- 238000005057 refrigeration Methods 0.000 claims description 36
- 238000010248 power generation Methods 0.000 claims description 29
- 239000003345 natural gas Substances 0.000 claims description 24
- 239000002918 waste heat Substances 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 16
- 230000009194 climbing Effects 0.000 claims description 16
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 101150067055 minC gene Proteins 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 73
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种区域综合能源系统双层优化方法及系统，该方法包括根据历史气象数据和未来预测数据计算未来气象数据；结合未来气象数据对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；构建区域综合能源系统的数学模型；基于数学模型建立上层容量规划模型和下层运行优化模型；下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；采用非支配排序遗传算法和区间线性规划的方法对模型进行求解，最后采用熵权优劣解距离法确定最优方案。基于该方法，还提出了区域综合能源系统双层优化系统。本发明考虑未来气候变化和不确定性对区域负荷预测和区域综合能源系统规划的影响，使规划结果更合理。
Description
技术领域
本发明属于综合能源系统优化技术领域，特别涉及一种区域综合能源系统双层优化方法及系统。
背景技术
随着社会经济的发展，各国能源短缺问题日益严重，区域综合能源系统具有能源梯级利用、多能互补的优势，成为节能减排的重要发展方向。区域综合能源系统是耦合电、热、冷、气等多种能源和多种能源设备，对能源的生产、传输、分配、转换、储存、消耗等环节进行协调和优化后形成的能源产供销一体化系统。由于区域综合能源系统涉及多种能源和能源设备的耦合，合理的进行规划非常重要。区域负荷预测是规划的第一步，而当今全球气候变暖对负荷预测带来的影响应该得到重视。同时区域综合能源系统优化过程中存在风电出力、光伏出力、负荷预测、能源价格波动等多重不确定问题，如何处理将影响结果的准确性。
现有研究中，在规划阶段由于缺少历史数据，区域负荷预测多采用数值模拟预测的方法，但模拟多基于历史气象数据，没有考虑气候变化对区域负荷预测及区域综合能源规划的影响。而且优化目标多考虑经济性，在节能减排的背景下，没有体现经济、环境和能源三个方面对优化的影响。针对不确定性问题，多采用随机规划方法、模糊法和鲁棒优化，但是这些方法需要精确的概率分布和隶属度关系或者得到的结果较为保守。
发明内容
本发明提出了一种区域综合能源系统双层优化方法及系统，评估了气候变化对区域综合能源系统规划的影响，并利用区间线性规划的方法处理存在的不确定性问题，同时探究了经济、环境和能源三个方面对优化的影响。
为了实现上述目的，本发明一种区域综合能源系统双层优化方法，包括以下步骤：
根据历史气象数据和未来预测数据计算未来气象数据；结合所述未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；
构建区域综合能源系统的数学模型；所述数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型；基于区域综合能源系统的数学模型建立上层容量规划模型和下层运行优化模型；所述下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；
采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将所述容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。
进一步的，所述根据历史气象数据和未来预测数据计算未来气象数据的方法为：
s＝s0+Δsθ；s＝nθs0；s＝s0+Δsθ+nθ×(s0-＜s0＞θ)
其中，s为未来逐时气候数据；s0为历史逐时气候数据；Δsm为θ月预测气象变化值；nθ为θ月降尺度伸缩系数；<s0>θ为θ月历史气象数据的平均值。
进一步的，所述基于未来气象数据建立的第一类模型包括风力发电机模型和光伏机组模型；
所述风力发电机模型为：
其中，vinput(t)是风电机组的额定接入风速；vrated(t)是风电机组的额定风速；voutput(t)是风电机组的额定切出风速；v(t)是未来气象下t时刻的风速；
为风机的额定功率；
所述光伏机组模型为：
其中，PPV(t)为t时刻光伏机组发电功率；fPV为光伏阵列降额因数；
为光伏机组额定容量；I(t)为未来气象下t时刻太阳辐射强度；Istc为标准测试条件下光伏额定光照辐射强度；Tstc为标准测试条件下光伏电池额定温度；kPV为光伏电池的功率温度系数；Tair(t)为未来气象下t时刻的环境温度。
进一步的，所述与气象数据无关的第二类模型包括燃气轮机发电机模型、余热锅炉模型、吸收式制冷机模型、燃气锅炉模型、热泵模型、电制冷机模型和储能设备模型；
所述燃气轮机发电机模型为：
其中，PMT,e(t)为t时刻燃气轮机的输出功率；VMT(t)为t时刻燃气轮机的天然气消耗量；ηMT,e为燃气轮机发电机组的发电效率；LHVng为天然气低位热值；Δt为调度时间间隔；
所述余热锅炉模型为：
其中，QWHB(t)为余热锅炉的制热功率；μd为燃气轮机发电机组的耗散系数；μre为余热回收系数；ηhex为余热锅炉的制热效率；
所述吸收式制冷机模型为：
其中，
为溴化锂吸收式制冷机的制冷功率；ηAC为溴化锂吸收式制冷机的制冷系数；/>
所述燃气锅炉模型为：
其中，QGB(t)为t时刻燃气锅炉的制热功率；ηGB燃气锅炉的制热效率；VGB(t)为t时刻燃气锅炉的天然气消耗量；
所述热泵模型为：
式中，QHP(t)为t时刻热泵的制热功率；
为t时刻热泵的制冷功率；PHP(t)为t时刻热泵的电输入功率；/>
为热泵的制热效率；/>
为热泵的制冷效率；
所述电制冷机模型为：QEC(t)＝COPEC·PEC(t)；
其中，QEC(t)为电制冷机的制冷功率；COPEC为电制冷机的制冷系数；PEC(t)为电制冷机的电输入功率；
所述储能设备模型为：
式中，SOC(t+1)为t+1时刻的荷电状态；SOC(t)为t时刻的荷电状态；ηES,ch为充能效率；ηES,dis为放能效率；PES,ch(t)为t时刻的充能功率，PES,dis(t)为t时刻的放能功率；xES,dis为充能状态二元变量；xES,ch为放能状态二元变量；Cm为储能设备的额定容量。
进一步的，所述上层容量规划模型以年度总成本、碳交易成本和
效率为目标函数，以设备容量约束作为约束条件；
所述年度总成本为：minCACT＝Cinv+Crep+Cb+Cr+Com
Cb＝τ·(Cinv+Crep)
其中，CACT为年度总成本；Cinv为初投资成本；Crep为储能设备更换成本；Cb为设备运输安装成本；Cr为购售能成本；Com为设备维护成本；ci为发电设备i的单价；cj为制热设备j的单价；cl为制冷设备l的单价；cm为储能设备m的单价；
为折现率；Y为系统设计使用寿命；Ym为储能设备m的使用寿命；τ为设备安装运输费用占初投资和储能设备更换费用的百分比；N1为发电设备i的类型数量；N2为制热设备j的类型数量；N3为制冷设备l的类型数量；N4为储能设备m的类型数量；
碳交易成本通过建立奖惩阶梯型碳交易模型进行计算，具体为：
其中，CCO2为阶梯式碳交易成本；EL为碳排放配额；EP为实际碳排放；ξ为碳交易基础价格；σ为碳交易价格奖励系数；β为碳交易价格的惩罚系数；L为碳排放区间长度；ωe为单位电量的碳排放权配额；ωh单位热量的碳排放权配额；单位为kg/kWh；Ψ为将发电量折算为供热量的折算系数；PGrid,buy(t)为t时刻从外部电网的购电功率；T为调度周期；
为燃煤机组的碳排放系数，；/>
为燃气锅炉、CCHP机组的碳排放系数；
式中，Pout,e(t)为t时刻电能的输出功率；λe为电能的能质系数；Pout,c(t)为t时刻冷能的输出功率；λc为冷能的能质系数；Pout,h(t)为t时刻热能的输出功率；λh为热能的能质系数；Pin,g(t)天然气的输入功率；λg为天然气的能质系数；Pin,e(t)为电能的输入功率；Pin,rn(t)为可再生能源的输入功率；λrn为可再生能源的能质系数；
所述设备容量约束为：
0≤Cm≤Cm,max
式中，
为发电设备i的额定容量；/>
为制热设备j的额定容量；/>
为制冷设备l的额定容量；Cm为储能设备的额定容量；
进一步的，所述下层运行优化模型以运行成本为目标函数；以功率平衡约束、设备出力约束、电网、气网约束、爬坡率约束和储能设备约束作为约束条件；
所述目标函数为：F1＝min{Cr+Com}
式中，ce为单位购电价格；cg为购气价格；cs为售电价格；PGrid,sell(t)为t时刻向外部电网售电功率；Vgas.buy(t)为天然气的消耗量；com,z为设备z的单位功率维护成本，；Pz(t)为t时刻设备z的功率；
所述功率平衡约束为：
式中，PEES,ch(t)为t时刻电储能设备的充能功率、PEES,dis(t)为t时刻电储能设备的放能功率；PLoad(t)为未来气象下典型日t时刻的电负荷；QTES,ch(t为为t时刻热储能设备的充能功率；QTES,dis(t)为为t时刻热储能设备的放能功率；
为未来气象下典型日t时刻的热负荷；/>
为t时刻冷储能设备的充能功率、/>
为t时刻冷储能设备的放能功率；/>
为未来气象下典型日t时刻的冷负荷；
所述设备处理约束为：
式中，Pi(t)为t时刻发电设备i的输出功率；
为t时刻制热设备j的输出功率；
分别为t时刻制冷设备l的输出功率；/>
为发电设备i的负载范围上限；/>
为发电设备i的负载范围下限；/>
为制热设备j的负载范围上限；/>
为制热设备j的负载范围下限；/>
为制冷设备l的负载范围上限；/>
为制冷设备l的负载范围下限；
所述电网、气网约束为：
式中，PGrid(t)为t时刻外部电网与系统交换的电功率；
为外部电网与系统交换电功率的上限；/>
为外部电网与系统交换电功率的下限；Pgas(t)为t时刻外部气网向系统输送的气功率；/>
为外部气网向系统输送气功率的上限、/>
为外部气网向系统输送气功率的上限；/>
所述爬坡率约束为：
式中，
为燃气轮机的上爬坡率；/>
为燃气轮机的下爬坡率；/>
为燃气锅炉的上爬坡率；/>
为燃气锅炉的下爬坡率；
所述储能设备约束：
0≤xES,dis+xES,cha≤1
SOCES(0)＝SOCES(T)
0≤PES,ch(t)≤rch·Cm
0≤PES,dis(t)≤rdis·Cm
式中，SOCES(0)为储能设备在调度周期开始时刻的荷电状态，SOCES(T)为为蓄能设备在调度周期结束时刻的荷电状态；
为储能设备荷电状态的上限，/>
为储能设备荷电状态的下限；rch为储能设备的充能倍率；rdis为储能设备的放能倍率。
进一步的，所述采用非支配排序遗传算法对上层容量规划模型求解得到各能源系统的容量配置的过程包括：
初始化父代种群，将容量配置结果传递给下层运行优化模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本和
效率；
进行非支配排序；选择、交叉、变异生成子代种群，再次将容量配置结果传递给下层模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本、
效率；
父子代合并，进行快速非支配排序和拥挤度计算；选择个体生成下一父代种群；
判断是否达到中止条件，达到则输出Pareto前沿，否则循环生成子代种群。
进一步的，所述区间线性规划的模型为：
式中：f为目标函数，[f]为目标函数的区间值，[f]＝[f-,f+]，f-、f+分别为f的区间值的下限和上限；U为目标函数的系数矩阵，[U]为矩阵U的区间值，[U]＝([upq])1×h,[upq]＝
1×h表示矩阵U为1行h列，upq为矩阵U第p行第q列的值，/>
为upq的区间值的下限和上限；X为目标函数的决策变量矩阵，[X]为矩阵X的区间值，[X]＝([xpq])h×1,
h×1表示矩阵X为h行1列，xpq为矩阵X第p行第q列的值，/>
为xpq的区间值的下限和上限；A为不等式约束的系数矩阵，[A]为矩阵A的区间值，[A]＝([apq])g×h,
g×h表示矩阵A为g行h列，apq为矩阵A第p行第q列的值，/>
为apq的区间值的下限和上限；B为约束条件的矩阵，[B]为矩阵B的区间值，[B]＝([bpq])g×1,
g×1代表矩阵B为g行1列，bpq为矩阵B第p行第q列的值，/>
为bpq的区间值的下限和上限；/>
将区间线性规划分解为两个子模型分别求解：
第一子模型
式中，
为目标函数中系数为正的区间变量，/>
为目标函数中系数为负的区间变量，k1为目标函数中系数为正的区间变量的数量；
通过对第一子模型求解，可得到解
和决策变量的的解的下限值
和上限值/>
第二子模型
通过对第二子模型求解，可得到解
和决策变量的的解的上限值
和下限值/>
最终可得到目标函数的区间值
和决策变量的区间值/>
进一步的，所述采用熵权优劣解距离法确定最优方案的过程包括：
根据各方案的若干建立决策矩阵,并正则化得到正则化决策矩阵；
利用熵权法计算各目标的权重,并对各目标进行加权；确定各指标的正理想解和负理想解:
采用欧式距离计算各方案与正理想解和负理想解，确定各方案的接近程度；对所述接近程度进行优劣排序，相对接近度最大的即为最优方案。
本发明还提出了一种区域综合能源系统双层优化系统，包括：计算模块、构建模型模块和确定模块；
所述计算模块用于根据历史气象数据和未来预测数据计算未来气象数据；结合所述未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；
所述构建模型模块用于构建区域综合能源系统的数学模型；所述数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型；基于区域综合能源系统的数学模型建立上层容量规划模型和下层运行优化模型；所述下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；
所述确定模块用于采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将所述容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明还提出了一种区域综合能源系统双层优化方法及系统，该方法包括：根据历史气象数据和未来预测数据计算未来气象数据；结合未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；构建区域综合能源系统的数学模型；数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型；基于区域综合能源系统的数学模型建立上层容量规划模型和下层运行优化模型；下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。基于一种区域综合能源系统双层优化方法，还提出了一种区域综合能源系统双层优化系统。本发明考虑了未来气候变化和不确定性对区域负荷预测和区域综合能源系统规划的影响，使规划结果更加合理。
本发明采用双层优化的方法，同时对区域综合能源系统容量和设备运行出力进行优化，优化结果同时兼顾经济、环境和能源的影响。
本发明采用区间线性规划的方法处理不确定性问题，降低了对精确数据的依赖，使区域综合能源系统优化过程更加简便。
本发明采用熵权优劣解距离法确定最终方案，使区域综合能源系统最终方案的确定具有更强的客观性。
附图说明
如图1为本发明实施例1一种区域综合能源系统双层优化方法流程图；
如图2为本发明实施例1中区域综合能源系统结构示意图；
如图3为本发明实施例1一种区域综合能源系统双层优化方法的模型求解方法；
如图4为本发明实施例2一种区域综合能源系统双层优化系统示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例1提出了一种区域综合能源系统双层优化方法，评估了气候变化对区域综合能源系统规划的影响，并利用区间线性规划的方法处理存在的不确定性问题，同时探究了经济、环境和能源三个方面对优化的影响。
本发明实施例1提出了一种区域综合能源系统双层优化方法流程图；
在步骤S100中，根据历史气象数据和未来预测数据计算未来气象数据；结合历史气象数据和未来预测数据，利用降尺度的方法生成未来气象数据。未来预测数据由联合国政府间气候变化专门委员会(IPCC)发布，由不同的全球气候模型(GCMs)对不同的代表性浓度路径(RCP)的未来气候进行了预测，但空间分辨率高不能直接用于建筑软件模拟。
降尺度方法采用“变形”法，通过位移、线性拉伸(比例因子)、位移和线性拉伸相结合等3种方式来实现。
如下式为：
s＝s0+Δsθ；s＝nθs0；s＝s0+Δsθ+nθ×(s0-<s0>θ)
其中，s为未来逐时气候数据；s0为历史逐时气候数据；Δsm为θ月预测气象变化值；nθ为θ月降尺度伸缩系数；＜s0＞θ为θ月历史气象数据的平均值。
在步骤S101中，结合未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线。
根据规划区域的规划信息、相关的设计法规及对现场的调查，建立不同类型的典型建筑模型。结合未来气象数据利用建筑性能模拟软件对各类型的典型建筑进行负荷模拟，采用自下而上的方法进行累加得到年区域建筑动态负荷，采用聚类的方法得到夏季、冬季和过渡季典型日动态负荷曲线。
典型建筑模型代表了规划区的建筑类型、几何外形、尺寸、规模、围护结构热工参数、空气调节和供暖系统运行时间、室内温度、照明功率密度值及开关时间、房间人均占有的建筑面积及在室率、人员新风量及新风机组运行时间、电器设备功率密度及使用率。
在步骤S102中，构建区域综合能源系统的数学模型；数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型。
如图2为本发明实施例1中区域综合能源系统结构示意图；综合能源系统包括风力发电机、光伏机组、燃气轮机发电机、余热锅炉、吸收式制冷机、燃气锅炉、电制冷机、热泵、储能设备；其中储能设备包括储电设备、储热设备和储冷设备。
第一类模型包括风力发电机模型和光伏机组模型。
风力发电机模型为：
其中，vinput(t)是风电机组的额定接入风速，单位为m/s；vrated(t)是风电机组的额定风速，单位为m/s；voutput(t)是风电机组的额定切出风速，单位为m/s；v(t)是未来气象下t时刻的风速，单位为m/s；
为风机的额定功率，单位为kW；
光伏机组模型为：
其中，PPV(t)为t时刻光伏机组发电功率，单位为kW；fPV为光伏阵列降额因数，单位为kW；
为光伏机组额定容量，单位为kW；I(t)为未来气象下t时刻太阳辐射强度，单位为kW/m2；；Istc为标准测试条件下光伏额定光照辐射强度，单位为kW/m2；Tstc为标准测试条件下光伏电池额定温度，单位为℃；kPV为光伏电池的功率温度系数，单位为％/℃；Tair(t)为未来气象下t时刻的环境温度，单位为℃。
第二类模型包括燃气轮机发电机模型、余热锅炉模型、吸收式制冷机模型、燃气锅炉模型、热泵模型、电制冷机模型和储能设备模型；
燃气轮机发电机模型为：
其中，PMT,e(t)为t时刻燃气轮机的输出功率，单位为kW；VMT(t)为t时刻燃气轮机的天然气耗气量，单位为m3；ηMT,e为燃气轮机发电机组的发电效率；LHVng为天然气低位热值，单位为W·h/m3；Δt为调度时间间隔，单位为h；
余热锅炉模型为：
其中，QWHB(t)为余热锅炉的制热功率，单位为kW；μd为燃气轮机发电机组的耗散系数；μre为余热回收系数；ηhex为余热锅炉的制热效率；
所述吸收式制冷机模型为：
其中，
为溴化锂吸收式制冷机的制冷功率，单位为kW；ηAC为溴化锂吸收式制冷机的制冷系数；
燃气锅炉模型为：
其中，QGB(t)为t时刻燃气锅炉的制热功率，单位为kW；ηGB燃气锅炉的制热效率；VGB(t)为t时刻燃气锅炉的天然气消耗量，单位为m3；
热泵模型为：
式中，QHP(t)为t时刻热泵的制热功率，单位为kW；
为t时刻热泵的制冷功率；PHP(t)为t时刻热泵的电输入功率；/>
为热泵的制热效率；/>
为热泵的制冷效率，单位为kW；
电制冷机模型为：
QEC(t)＝COPEC·PEC(t)；
其中，QEC(t)为t时刻电制冷机的制冷功率；COPEC为电制冷机的制冷系数；PEC(t)为t时刻电制冷机的电输入功率；
储能设备模型为：
式中，SOC(t+1)为t+1时刻的荷电状态；SOC(t)为t时刻的荷电状态；ηES,ch为充能效率；ηES,dis为放能效率；PES,ch(t)为t时刻的充能功率，PES,dis(t)为t时刻的放能功率；xES,dis为充能状态二元变量；xES,cha为放能状态二元变量；Cm为储能设备的额定容量。
在步骤S104中，基于区域综合能源系统的数学模型建立上层容量规划模型；
上层容量规划模型以年度总成本、碳交易成本和
效率为目标函数，以设备容量约束作为约束条件；
年度总成本为：
minCACT＝Cinv+Crep+Cb+Cr+Com
Cb＝τ·(Cinv+Crep)
其中，CACT为年度总成本；Cinv为初投资成本；Crep为储能设备更换成本；Cb为设备运输安装成本；Cr为购售能成本；Com为设备维护成本；ci为发电设备i的单价；cj为制热设备j的单价；cl为制冷设备l的单价；cm为储能设备m的单价；
为折现率；Y为系统设计使用寿命；Ym为储能设备m的使用寿命；τ为设备安装运输费用占初投资和储能设备更换费用的百分比；N1为发电设备i的类型数量；N2为制热设备j的类型数量；N3为制冷设备l的类型数量；N4为储能设备m的类型数量；
碳交易成本通过建立奖惩阶梯型碳交易模型进行计算，具体为：
其中，CCO2为阶梯式碳交易成本；EL为碳排放配额；EP为实际碳排放；ξ为碳交易基础价格；σ为碳交易价格奖励系数；β为碳交易价格的惩罚系数；L为碳排放区间长度；ωe为单位电量的碳排放权配额；ωh单位热量的碳排放权配额；单位为kg/kWh；Ψ为将发电量折算为供热量的折算系数，MJ/kWh；PGrid,buy(t)为t时刻从外部电网的购电功率；T为调度周期；
为燃煤机组的碳排放系数，单位为kg/kWh；/>
为燃气锅炉、CCHP机组的碳排放系数，单位为kg/kWh；
式中，Pout,e(t)为t时刻电能的输出功率；λe为电能的能质系数；Pout,c(t)为t时刻冷能的输出功率；λc为冷能的能质系数；Pout,h(t)为t时刻热能的输出功率；λh为热能的能质系数；Pin,g(t)天然气的输入功率；λg为天然气的能质系数；Pin,e(t)为电能的输入功率；Pin,rn(t)为可再生能源的输入功率；λrn为可再生能源的能质系数。
设备容量约束为：
0≤Cm≤Cm,max
式中，
为发电设备i的额定容量；/>
为制热设备j的额定容量；/>
为制冷设备l的额定容量；Cm为储能设备的额定容量；
在步骤S105中，基于区域综合能源系统的数学模型建立下层运行优化模型；下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；
下层运行优化模型以运行成本为目标函数；以功率平衡约束、设备出力约束、电网、气网约束、爬坡率约束和储能设备约束作为约束条件；
所述目标函数为：F1＝min{Cr+Com}
式中，ce为单位购电价格；cg为购气价格；cs为售电价格；PGrid,sell(t)为t时刻向外部电网售电功率；Vgas.buy(t)为天然气的消耗量；com,z为设备z的单位功率维护成本，；Pz(t)为t时刻设备z的功率；
所述功率平衡约束为：
式中，PEES,ch(t)为t时刻电储能设备的充能功率、PEES,dis(t)为t时刻电储能设备的放能功率；PLoad(t)为未来气象下典型日t时刻的电负荷；QTES,cha(t)为为t时刻热储能设备的充能功率；QTES,dis(t)为为t时刻热储能设备的放能功率；
为未来气象下典型日t时刻的热负荷；/>
为t时刻冷储能设备的充能功率、/>
为t时刻冷储能设备的放能功率；/>
为未来气象下典型日t时刻的冷负荷；
设备处理约束为：
式中，Pi(t)为t时刻发电设备i的输出功率；
为t时刻制热设备j的输出功率；
分别为t时刻制冷设备l的输出功率；/>
为发电设备i的负载范围上限；/>
为发电设备i的负载范围下限；/>
为制热设备j的负载范围上限；/>
为制热设备j的负载范围下限；/>
为制冷设备l的负载范围上限；/>
为制冷设备l的负载范围下限；
电网、气网约束为：
式中，PGrid(t)为t时刻外部电网与系统交换的电功率；
为外部电网与系统交换电功率的上限；/>
为外部电网与系统交换电功率的下限；Pgas(t)为t时刻外部气网向系统输送的气功率；/>
为外部气网向系统输送气功率的上限、/>
为外部气网向系统输送气功率的上限；
爬坡率约束为：
式中，
为燃气轮机的上爬坡率；/>
为燃气轮机的下爬坡率；/>
为燃气锅炉的上爬坡率；/>
为燃气锅炉的下爬坡率。/>
储能设备约束为：
0≤xES,dis+xES,ch≤1
SOCES(0)＝SOCES(T）
0≤PES,ch(t)≤rch·Cm
0≤PES,dis(t)≤rdis·Cm
式中，SOCES(0)为储能设备在调度周期开始时刻的荷电状态，SOCES(T)为为蓄能设备在调度周期结束时刻的荷电状态；
为储能设备荷电状态的上限，/>
为储能设备荷电状态的下限；rch为储能设备的充能倍率；rdis为储能设备的放能倍率。
在步骤S105中，采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。
如图3为本发明实施例1一种区域综合能源系统双层优化方法的模型求解方法；
初始化父代种群，将容量配置结果传递给下层运行优化模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本和
效率；
进行非支配排序；选择、交叉、变异生成子代种群，再次将容量配置结果传递给下层模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本、
效率；
父子代合并，进行快速非支配排序和拥挤度计算；选择个体生成下一父代种群；
判断是否达到中止条件，达到则输出Pareto前沿，否则循环生成子代种群。
区间线性规划的一般模模型为：
式中：f为目标函数，[f]为目标函数的区间值，[f]＝[f-,f+]，f-、f+分别为f的区间值的下限和上限；U为目标函数的系数矩阵，[U]为矩阵U的区间值，[U]＝([upq])1×h,
1×h表示矩阵U为1行h列，upq为矩阵U第p行第q列的值，/>
为upq的区间值的下限和上限；X为目标函数的决策变量矩阵，[X]为矩阵X的区间值，[X]＝([xpq])h×1,
h×1表示矩阵X为h行1列，xpq为矩阵X第p行第q列的值，/>
为xpq的区间值的下限和上限；A为不等式约束的系数矩阵，[A]为矩阵A的区间值，[A]＝([apq])g×h,
g×h表示矩阵A为g行h列，apq为矩阵A第p行第q列的值，/>
为apq的区间值的下限和上限；B为约束条件的矩阵，[B]为矩阵B的区间值，[B]＝([bpq])g×1,
g×1代表矩阵B为g行1列，bpq为矩阵B第p行第q列的值，/>
为bpq的区间值的下限和上限；
将区间线性规划分解为两个子模型分别求解：第一子模型为：
式中，
为目标函数中系数为正的区间变量，/>
为目标函数中系数为负的区间变量，k1为目标函数中系数为正的区间变量的数量；
通过对第一子模型求解，可得到解
和决策变量的的解的下限值
和上限值/>
第二子模型
通过对第二子模型求解，可得到解
和决策变量的的解的上限值
和下限值/>
最终可得到目标函数的区间值
和决策变量的区间值
在步骤S106中，采用熵权优劣解距离法确定最优方案。
根据ψ个方案的3个目标建立决策矩阵，并对其正则化得到正则化决策矩阵R＝(rwe)ψ×3，rwe是第w个方案的第e个目标(w＝1,2,…,ψ；e＝1,2,3)；
利用熵权法计算各目标的权重ωe，并对rwe加权得到ywe＝ωerwe；
确定各指标的正理想解和负理想解:对于最大化目标
效率，正理想解为
负理想解为/>
最小化目标年度总成本、碳交易成本的正负理想解与其相反；
各方案与正负理想解的距离采用欧式距离计算：
计算各方案的相对接近度:
根据相对接近度大小进行优劣排序，相对接近度最大即为最优方案。
本发明实施例1提出的一种区域综合能源系统双层优化方法考虑了未来气候变化对区域负荷预测和区域综合能源系统规划的影响，使规划结果更加合理。
本发明实施例1提出的一种区域综合能源系统双层优化方法采用双层优化的方法，同时对区域综合能源系统容量和设备运行出力进行优化，优化结果同时兼顾经济、环境和能源效率的影响。
本发明实施例1提出的一种区域综合能源系统双层优化方法采用区间线性规划的方法处理不确定性问题，降低了对精确数据的依赖，使区域综合能源系统优化过程更加简便。
本发明实施例1提出的一种区域综合能源系统双层优化方法采用熵权优劣解距离法确定最终方案，使区域综合能源系统最终方案的确定具有更强的客观性。
实施例2
基于本发明实施例1提出的一种区域综合能源系统双层优化方法，本发明实施例2还提出了一种区域综合能源系统双层优化系统，如图4为本发明实施例2一种区域综合能源系统双层优化系统示意图，该系统包括：计算模块、构建模型模块和确定模块；
计算模块用于根据历史气象数据和未来预测数据计算未来气象数据；结合所述未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；
构建模型模块用于构建区域综合能源系统的数学模型；所述数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型；基于区域综合能源系统的数学模型建立上层容量规划模型和下层运行优化模型；所述下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；
确定模块用于采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将所述容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。
计算模块中，利用降尺度的方法生成未来气象数据。未来预测数据由联合国政府间气候变化专门委员会(IPCC)发布，由不同的全球气候模型(GCMs)对不同的代表性浓度路径(RCP)的未来气候进行了预测，但空间分辨率高不能直接用于建筑软件模拟。
降尺度方法采用“变形”法，通过位移、线性拉伸(比例因子)、位移和线性拉伸相结合等3种方式来实现。
如下式为：s＝s0+Δsθ；s＝nθs0；s＝s0+Δsθ+nθ×(s0-<s0>θ)
其中，s为未来逐时气候数据；s0为历史逐时气候数据；Δsm为θ月预测气象变化值；nθ为θ月降尺度伸缩系数；<s0>θ为θ月历史气象数据的平均值。
结合未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型日动态负荷曲线。根据规划区域的规划信息、相关的设计法规及对现场的调查，建立不同类型的典型建筑模型。结合未来气象数据利用建筑性能模拟软件对各类型的典型建筑进行负荷模拟，采用自下而上的方法进行累加得到年区域建筑动态负荷，采用聚类的方法得到夏季、冬季和过渡季典型日动态负荷曲线。
典型建筑模型代表了规划区的建筑类型、几何外形、尺寸、规模、围护结构热工参数、空气调节和供暖系统运行时间、室内温度、照明功率密度值及开关时间、房间人均占有的建筑面积及在室率、人员新风量及新风机组运行时间、电器设备功率密度及使用率。
构建模型模块执行的过程中,风力发电机模型为：
其中，vinput(t)是风电机组的额定接入风速；vrated(t)是风电机组的额定风速；voutput(t)是风电机组的额定切出风速；v(t)是未来气象下t时刻的风速；
为风机的额定功率；
光伏机组模型为：
其中，PPV(t)为t时刻光伏机组发电功率；fPV为光伏阵列降额因数；
为光伏机组额定容量；I(t)为未来气象下t时刻太阳辐射强度；Istc为标准测试条件下光伏额定光照辐射强度；Tstc为标准测试条件下光伏电池额定温度；kPV为光伏电池的功率温度系数；Tair(t)为未来气象下t时刻的环境温度。
与气象数据无关的第二类模型包括燃气轮机发电机模型、余热锅炉模型、吸收式制冷机模型、燃气锅炉模型、热泵模型、电制冷机模型和储能设备模型；
所述燃气轮机发电机模型为：
其中，PMT,e(t)为t时刻燃气轮机的输出功率；VMT(t)为t时刻燃气轮机的天然气消耗量；ηMT,e为燃气轮机发电机组的发电效率；LHVng为天然气低位热值；Δt为调度时间间隔；
所述余热锅炉模型为：
其中，QWHB(t)为余热锅炉的制热功率；μd为燃气轮机发电机组的耗散系数；μre为余热回收系数；ηhex为余热锅炉的制热效率；
所述吸收式制冷机模型为：
其中，
为溴化锂吸收式制冷机的制冷功率；ηAC为溴化锂吸收式制冷机的制冷系数；所述燃气锅炉模型为：/>
其中，QGB(t)为t时刻燃气锅炉的制热功率；ηGB燃气锅炉的制热效率；VGB(t)为t时刻燃气锅炉的天然气消耗量；
所述热泵模型为：
式中，QHP(t)为t时刻热泵的制热功率；
为t时刻热泵的制冷功率；PHP(t)为t时刻热泵的电输入功率；/>
为热泵的制热效率；/>
为热泵的制冷效率；
所述电制冷机模型为：
QEC(t)＝COPEC·PEC(t)；
其中，QEC(t)为t时刻电制冷机的制冷功率；COPEC为电制冷机的制冷系数；PEC(t)为t时刻电制冷机的电输入功率；
所述储能设备模型为：
式中，SOC(t+1)为t+1时刻的荷电状态；SOC(t)为t时刻的荷电状态；ηES,ch为充能效率；ηES,dis为放能效率；PES,ch(t)为t时刻的充能功率，PES,dis(t)为t时刻的放能功率；xES,dis为充能状态二元变量；xES,cha为放能状态二元变量；Cm为储能设备的额定容量。
上层容量规划模型以年度总成本、碳交易成本和
效率为目标函数；以设备容量约束作为约束条件；
所述年度总成本为：
Cb＝τ·(Cinv+Crep)
其中，CACT为年度总成本；Cinv为初投资成本；Crep为储能设备更换成本；Cb为设备运输安装成本；Cr为购售能成本；Com为设备维护成本；ci为发电设备i的单价；cj为制热设备j的单价；cl为制冷设备l的单价；cm为储能设备m的单价；
为折现率；Y为系统设计使用寿命；Ym为储能设备m的使用寿命；τ为设备安装运输费用占初投资和储能设备更换费用的百分比；N1为发电设备i的类型数量；N2为制热设备j的类型数量；N3为制冷设备l的类型数量；N4为储能设备m的类型数量；
碳交易成本通过建立奖惩阶梯型碳交易模型进行计算，具体为：
其中，CCO2为阶梯式碳交易成本；EL为碳排放配额；EP为实际碳排放；ξ为碳交易基础价格；σ为碳交易价格奖励系数；β为碳交易价格的惩罚系数；L为碳排放区间长度；ωe为单位电量的碳排放权配额；ωh单位热量的碳排放权配额；单位为kg/kWh；Ψ为将发电量折算为供热量的折算系数，MJ/kWh；PGrid,buy(t)为t时刻从外部电网的购电功率；T为调度周期；
为燃煤机组的碳排放系数，单位为kg/kWh；/>
为燃气锅炉、CCHP机组的碳排放系数，单位为kg/kWh；
式中，Pout,e(t)为t时刻电能的输出功率；λe为电能的能质系数；Pout,c(t)为t时刻冷能的输出功率；λc为冷能的能质系数；Pout,h(t)为t时刻热能的输出功率；λh为热能的能质系数；Pin,g(t)天然气的输入功率；λg为天然气的能质系数；Pin,e(t)为电能的输入功率；Pin,rn(t)为可再生能源的输入功率；λrn为可再生能源的能质系数。
所述设备容量约束为：
0≤Cm≤Cm,max
式中，
为发电设备i的额定容量；/>
为制热设备j的额定容量；/>
为制冷设备l的额定容量；Cm为储能设备的额定容量；
下层运行优化模型以运行成本为目标函数；以功率平衡约束、设备出力约束、电网、气网约束、爬坡率约束和储能设备约束作为约束条件；
所述目标函数为：F1＝min{Cr+Com}
式中，ce为单位购电价格；cg为购气价格；cs为售电价格；PGrid,sell(t)为t时刻向外部电网售电功率；Vgas.buy(t)为天然气的消耗量；com,z为设备z的单位功率维护成本，；Pz(t)为t时刻设备z的功率；
所述功率平衡约束为：
式中，PEES,ch(t)为t时刻电储能设备的充能功率、PEES,dis(t)为t时刻电储能设备的放能功率；Pload(t)为未来气象下典型日t时刻的电负荷；QTES,ch(t)为为t时刻热储能设备的充能功率；QTES,dis(t)为为t时刻热储能设备的放能功率；
为未来气象下典型日t时刻的热负荷；/>
为t时刻冷储能设备的充能功率、/>
为t时刻冷储能设备的放能功率；/>
为未来气象下典型日t时刻的冷负荷；
设备处理约束为：
式中，Pi(t)为t时刻发电设备i的输出功率；
为t时刻制热设备j的输出功率；
分别为t时刻制冷设备l的输出功率；/>
为发电设备i的负载范围上限；/>
为发电设备i的负载范围下限；/>
为制热设备j的负载范围上限；/>
为制热设备j的负载范围下限；/>
为制冷设备l的负载范围上限；/>
为制冷设备l的负载范围下限；
电网、气网约束为：
式中，PGrid(t)为t时刻外部电网与系统交换的电功率；
为外部电网与系统交换电功率的上限；/>
为外部电网与系统交换电功率的下限；Pgas(t)为t时刻外部气网向系统输送的气功率；/>
为外部气网向系统输送气功率的上限、/>
为外部气网向系统输送气功率的上限；
所述爬坡率约束为：
式中，
为燃气轮机的上爬坡率；/>
为燃气轮机的下爬坡率；/>
为燃气锅炉的上爬坡率；/>
为燃气锅炉的下爬坡率。
所述储能设备约束为：
0≤xES,dis+xES,ch≤1
SOCES(0)＝SOCES(T)
0≤PES,ch(t)≤rch·Cm
0≤PES,dis(t)≤rdis·Cm
式中，SOCES(0)为储能设备在调度周期开始时刻的荷电状态，SOCES(T)为为蓄能设备在调度周期结束时刻的荷电状态；
为储能设备荷电状态的上限，/>
为储能设备荷电状态的下限；rch为储能设备的充能倍率；rdis为储能设备的放能倍率。
确定模块执行的过程包括：采用非支配排序遗传算法对上层容量规划模型求解得到各能源系统的容量配置的过程包括：
初始化父代种群，将容量配置结果传递给下层运行优化模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本和
效率；
进行非支配排序；选择、交叉、变异生成子代种群，再次将容量配置结果传递给下层模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本、
效率；
父子代合并，进行快速非支配排序和拥挤度计算；选择个体生成下一父代种群；
判断是否达到中止条件，达到则输出Pareto前沿，否则循环生成子代种群。
区间线性规划的模型为：
式中：f为目标函数，[f]为目标函数的区间值，[f]＝[f-,f+]，f-、f+分别为f的区间值的下限和上限；U为目标函数的系数矩阵，[U]为矩阵U的区间值，[U]＝([upq])1×h,[upq]＝
1×h表示矩阵U为1行h列，upq为矩阵U第p行第q列的值，/>
为upq的区间值的下限和上限；X为目标函数的决策变量矩阵，[X]为矩阵X的区间值，[X]＝([xpq])h×1,
h×1表示矩阵X为h行1列，xpq为矩阵X第p行第q列的值，/>
为xpq的区间值的下限和上限；A为不等式约束的系数矩阵，[A]为矩阵A的区间值，[A]＝([apq])g×h,
g×h表示矩阵A为g行h列，apq为矩阵A第p行第q列的值，/>
为apq的区间值的下限和上限；B为约束条件的矩阵，[B]为矩阵B的区间值，[B]＝([bpq])g×1,
g×1代表矩阵B为g行1列，bpq为矩阵B第p行第q列的值，/>
为bpq的区间值的下限和上限；
将区间线性规划分解为两个子模型分别求解：
第一子模型
式中，
为目标函数中系数为正的区间变量，/>
为目标函数中系数为负的区间变量，k1为目标函数中系数为正的区间变量的数量；
通过对第一子模型求解，可得到解
和决策变量的的解的下限值
和上限值/>
第二子模型
通过对第二子模型求解，可得到解
和决策变量的的解的上限值
和下限值/>
最终可得到目标函数的区间值
和决策变量的区间值/>
采用熵权优劣解距离法确定最优方案的过程包括：根据各方案的若干建立决策矩阵,并正则化得到正则化决策矩阵；利用熵权法计算各目标的权重,并对各目标进行加权；确定各指标的正理想解和负理想解:对于最大化目标
效率；采用欧式距离计算各方案与正理想解和负理想解，确定各方案的接近程度；对所述接近程度进行优劣排序，相对接近度最大的即为最优方案。
本申请实施例2提供的一种区域综合能源系统双层优化系统将本发明实施例1提出的一种区域综合能源系统双层优化方法实现的过程模块化，相关部分的说明可以参见本申请实施例1提供的一种区域综合能源系统双层优化方法中对应部分的详细说明，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种区域综合能源系统双层优化方法，其特征在于，包括以下步骤：
根据历史气象数据和未来预测数据计算未来气象数据；结合所述未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；
构建区域综合能源系统的数学模型；所述数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型；基于区域综合能源系统的数学模型建立上层容量规划模型和下层运行优化模型；所述下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；
采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将所述容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。
2.根据权利要求1所述的一种区域综合能源系统双层优化方法，其特征在于，所述根据历史气象数据和未来预测数据计算未来气象数据的方法为：
s＝s0+Δsθ
s＝nθs0
s＝s0+Δsθ+nθ×(s0-<s0>θ)
其中，s为未来逐时气候数据；s0为历史逐时气候数据；Δsm为θ月预测气象变化值；nθ为θ月降尺度伸缩系数；<s0>θ为θ月历史气象数据的平均值。
3.根据权利要求1所述的一种区域综合能源系统双层优化方法，其特征在于，所述基于未来气象数据建立的第一类模型包括风力发电机模型和光伏机组模型；
所述风力发电机模型为：
其中，vinput(t)是风电机组的额定接入风速；vrated(t)是风电机组的额定风速；voutput(t)是风电机组的额定切出风速；v(t)是未来气象下t时刻的风速；
为风机的额定功率；
所述光伏机组模型为：
其中，PPV(t)为t时刻光伏机组发电功率；fPV为光伏阵列降额因数；
为光伏机组额定容量；I(t)为未来气象下t时刻太阳辐射强度；Istc为标准测试条件下光伏额定光照辐射强度；Tstc为标准测试条件下光伏电池额定温度；kPV为光伏电池的功率温度系数；Tair(t)为未来气象下t时刻的环境温度。
4.根据权利要求3所述的一种区域综合能源系统双层优化方法，其特征在于，所述与气象数据无关的第二类模型包括燃气轮机发电机模型、余热锅炉模型、吸收式制冷机模型、燃气锅炉模型、热泵模型、电制冷机模型和储能设备模型；
所述燃气轮机发电机模型为：
其中，PMT,e(t)为t时刻燃气轮机的输出功率；VMT(t)为t时刻燃气轮机的天然气消耗量；ηMT,e为燃气轮机发电机组的发电效率；LHVng为天然气低位热值；Δt为调度时间间隔；
所述余热锅炉模型为：
其中，QWHB(t)为余热锅炉的制热功率；μd为燃气轮机发电机组的耗散系数；μre为余热回收系数；ηhex为余热锅炉的制热效率；
所述吸收式制冷机模型为：
其中，
为溴化锂吸收式制冷机的制冷功率；ηAC为溴化锂吸收式制冷机的制冷系数；
所述燃气锅炉模型为：
其中，QGB(t)为t时刻燃气锅炉的制热功率；ηGB燃气锅炉的制热效率；VGB(t)为t时刻燃气锅炉的天然气消耗量；
所述热泵模型为：
式中，QHP(t)为t时刻热泵的制热功率；
为t时刻热泵的制冷功率；PHP(t)为t时刻热泵的电输入功率；/>
为热泵的制热效率；/>
为热泵的制冷效率；
所述电制冷机模型为：
QEC(t)＝COPEC·PEC(t)；
其中，QEC(t)为t时刻电制冷机的制冷功率；COPEC为电制冷机的制冷系数；PEC(t)为t时刻电制冷机的电输入功率；
所述储能设备模型为：
式中，SOC(t+1)为t+1时刻的荷电状态；SOC(t)为t时刻的荷电状态；ηES,ch为充能效率；ηES,dis为放能效率；PES,ch(t)为t时刻的充能功率，PES,dis(t)为t时刻的放能功率；xES,dis为充能状态二元变量；xES,ch为放能状态二元变量；Cm为储能设备的额定容量。
5.根据权利要求4所述的一种区域综合能源系统双层优化方法，其特征在于，所述上层容量规划模型以年度总成本、碳交易成本和
效率为目标函数，以设备容量约束作为约束条件；
所述年度总成本为：
minCACT＝Cinv+Crep+Cb+Cr+Com
Cb＝τ·(Cinv+Crep)
其中，CACT为年度总成本；Cinv为初投资成本；Crep为储能设备更换成本；Cb为设备运输安装成本；Cr为购售能成本；Com为设备维护成本；ci为发电设备i的单价；cj为制热设备j的单价；cl为制冷设备l的单价；cm为储能设备m的单价；
为折现率；Y为系统设计使用寿命；Ym为储能设备m的使用寿命；τ为设备安装运输费用占初投资和储能设备更换费用的百分比；N1为发电设备i的类型数量；N2为制热设备j的类型数量；N3为制冷设备l的类型数量；N4为储能设备m的类型数量；
碳交易成本通过建立奖惩阶梯型碳交易模型进行计算，具体为：
其中，CCO2为阶梯式碳交易成本；EL为碳排放配额；EP为实际碳排放；ξ为碳交易基础价格；σ为碳交易价格奖励系数；β为碳交易价格的惩罚系数；L为碳排放区间长度；ωe为单位电量的碳排放权配额；ωh单位热量的碳排放权配额；Ψ为将发电量折算为供热量的折算系数；PGrid,buy(t)为t时刻从外部电网的购电功率；T为调度周期；
为燃煤机组的碳排放系数；/>
为燃气锅炉、CCHP机组的碳排放系数；
式中，Pout,e(t)为t时刻电能的输出功率；λe为电能的能质系数；pout,c(t)为t时刻冷能的输出功率；λc为冷能的能质系数；Pout,h(t)为t时刻热能的输出功率；λh为热能的能质系数；Pin,g(t)天然气的输入功率；λg为天然气的能质系数；Pin,e(t)为电能的输入功率；Pin,rn(t)为可再生能源的输入功率；λrn为可再生能源的能质系数；
所述设备容量约束为：
0≤Cm≤Cm,max
式中，
为发电设备i的额定容量；/>
为制热设备j的额定容量；/>
为制冷设备l的额定容量；Cm为储能设备的额定容量；
6.根据权利要求5所述的一种区域综合能源系统双层优化方法，其特征在于，所述下层运行优化模型以运行成本为目标函数；以功率平衡约束、设备出力约束、电网、气网约束、爬坡率约束和储能设备约束作为约束条件；
所述目标函数为：F1＝min{Cr+Com}
式中，ce为单位购电价格；cg为购气价格；cs为售电价格；PGrid,sell(t)为t时刻向外部电网售电功率；Vgas.buy(t)为天然气的消耗量；com,z为设备z的单位功率维护成本，；Pz(t)为t时刻设备z的功率；
所述功率平衡约束为：
PWT(t)+PPV(t)+PMT,e(t)+PGrid,buy(t)+PEES,dis(t)
＝PLoad(t)+PHP(t)+PEC(t)+PGrid,sell(t)+PEES,ch(t)
式中，PEES,ch(t)为t时刻电储能设备的充能功率、PEES,dis(t)为t时刻电储能设备的放能功率；PLoad(t)为未来气象下典型日t时刻的电负荷；QTES,ch(t)为为t时刻热储能设备的充能功率；QTES,dis(t)为为t时刻热储能设备的放能功率；
为未来气象下典型日t时刻的热负荷；/>
为t时刻冷储能设备的充能功率、/>
为t时刻冷储能设备的放能功率；/>
为未来气象下典型日t时刻的冷负荷；
所述设备处理约束为：
式中，Pi(t)为t时刻发电设备i的输出功率；
为t时刻制热设备j的输出功率；
分别为t时刻制冷设备l的输出功率；/>
为发电设备i的负载范围上限；/>
为发电设备i的负载范围下限；/>
为制热设备j的负载范围上限；/>
为制热设备j的负载范围下限；/>
为制冷设备l的负载范围上限；/>
为制冷设备l的负载范围下限；
所述电网、气网约束为：
式中，PGrid(t)为t时刻外部电网与系统交换的电功率；
为外部电网与系统交换电功率的上限；/>
为外部电网与系统交换电功率的下限；Pgas(t)为t时刻外部气网向系统输送的气功率；/>
为外部气网向系统输送气功率的上限、/>
为外部气网向系统输送气功率的上限；
所述爬坡率约束为：
式中，
为燃气轮机的上爬坡率；/>
为燃气轮机的下爬坡率；/>
为燃气锅炉的上爬坡率；/>
为燃气锅炉的下爬坡率；
所述储能设备约束为：
0≤xES,dis+xES,ch≤1
SOCES(0)＝SOCES(T)
0≤PES,ch(t)≤rch·Cm
0≤PES,dis(t)≤rdis·Cm
式中，SOCES(0)为储能设备在调度周期开始时刻的荷电状态，SOCES(T)为为蓄能设备在调度周期结束时刻的荷电状态；
为储能设备荷电状态的上限，/>
为储能设备荷电状态的下限；rch为储能设备的充能倍率；rdis为储能设备的放能倍率。
7.根据权利要求1所述的一种区域综合能源系统双层优化方法，其特征在于，所述采用非支配排序遗传算法对上层容量规划模型求解得到各能源系统的容量配置的过程包括：
初始化父代种群，将容量配置结果传递给下层运行优化模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本和
效率；
进行非支配排序；选择、交叉、变异生成子代种群，再次将容量配置结果传递给下层模型，下层模型将运行成本返回给上层，计算年度总成本、碳交易成本、
效率；
父子代合并，进行快速非支配排序和拥挤度计算；选择个体生成下一父代种群；
判断是否达到中止条件，达到则输出Pareto前沿，否则循环生成子代种群。
8.根据权利要求1所述的一种区域综合能源系统双层优化方法，其特征在于，所述区间线性规划的模型为：
式中：f为目标函数，[f]为目标函数的区间值，[f]＝[f-,f+]，f-、f+分别为f的区间值的下限和上限；U为目标函数的系数矩阵，[U]为矩阵U的区间值，[U]＝([upq])1×h,
1×h表示矩阵U为1行h列，upq为矩阵U第p行第q列的值，/>
为upq的区间值的下限和上限；X为目标函数的决策变量矩阵，[X]为矩阵X的区间值，[X]＝([xpq])h×1,/>
h×1表示矩阵X为h行1列，xpq为矩阵X第p行第q列的值，
为xpq的区间值的下限和上限；A为不等式约束的系数矩阵，[A]为矩阵A的区间值，[A]＝([apq])g×h,/>
g×h表示矩阵A为g行h列，apq为矩阵A第p行第q列的值，/>
为apq的区间值的下限和上限；B为约束条件的矩阵，[B]为矩阵B的区间值，[B]＝([bpq])g×1,/>
g×1代表矩阵B为g行1列，bpq为矩阵B第p行第q列的值，/>
为bpq的区间值的下限和上限；
将区间线性规划分解为两个子模型分别求解：
第一子模型
式中，
为目标函数中系数为正的区间变量，
为目标函数中系数为负的区间变量，k1为目标函数中系数为正的区间变量的数量；
通过对第一子模型求解，可得到解
和决策变量的的解的下限值
和上限值/>
第二子模型
通过对第二子模型求解，可得到解
和决策变量的的解的上限值
和下限值/>
最终可得到目标函数的区间值/>
和决策变量的区间值/>
9.根据权利要求1所述的一种区域综合能源系统双层优化方法，其特征在于，所述采用熵权优劣解距离法确定最优方案的过程包括：
根据各方案的若干建立决策矩阵,并正则化得到正则化决策矩阵；
利用熵权法计算各目标的权重,并对各目标进行加权；确定各指标的正理想解和负理想解；
采用欧式距离计算各方案与正理想解和负理想解，确定各方案的接近程度；对所述接近程度进行优劣排序，相对接近度最大的即为最优方案。
10.一种区域综合能源系统双层优化系统，其特征在于，包括：计算模块、构建模型模块和确定模块；
所述计算模块用于根据历史气象数据和未来预测数据计算未来气象数据；结合所述未来气象数据利用建筑性能模拟软件对典型建筑进行负荷模拟得到典型建筑年动态负荷曲线，通过累加和聚类得到区域典型日动态负荷曲线；
所述构建模型模块用于构建区域综合能源系统的数学模型；所述数学模块包括基于未来气象数据建立的第一类模型和与气象数据无关的第二类模型；基于区域综合能源系统的数学模型建立上层容量规划模型和下层运行优化模型；所述下层运行优化模型以区域典型日动态负荷曲线确定功率平衡约束；
所述确定模块用于采用非支配排序遗传算法对上层容量规划模型求解得到各能源设备的容量配置；将所述容量配置传递给下层运行优化模型，考虑优化过程中存在的不确定性，采用区间线性规划的方法求解下层运行优化模型得到运行成本，并反馈至上层容量规划模型，上下层经过迭代得到Pareto前沿，最后采用熵权优劣解距离法确定最优方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047329.2A CN116187173A (zh) | 2023-01-31 | 2023-01-31 | 一种区域综合能源系统双层优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047329.2A CN116187173A (zh) | 2023-01-31 | 2023-01-31 | 一种区域综合能源系统双层优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116187173A true CN116187173A (zh) | 2023-05-30 |
Family
ID=86439689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310047329.2A Pending CN116187173A (zh) | 2023-01-31 | 2023-01-31 | 一种区域综合能源系统双层优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187173A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992548A (zh) * | 2023-09-26 | 2023-11-03 | 山东建筑大学 | 一种建筑及区域综合能源系统的设计优化方法及系统 |
| CN117094745A (zh) * | 2023-09-06 | 2023-11-21 | 天津大学 | 基于igdt-效用熵的综合能源系统优化控制方法及装置 |
| CN117974365A (zh) * | 2024-03-29 | 2024-05-03 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合系统多目标运行优化方法及系统 |
-
2023
- 2023-01-31 CN CN202310047329.2A patent/CN116187173A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094745A (zh) * | 2023-09-06 | 2023-11-21 | 天津大学 | 基于igdt-效用熵的综合能源系统优化控制方法及装置 |
| CN117094745B (zh) * | 2023-09-06 | 2024-03-12 | 天津大学 | 基于igdt-效用熵的综合能源系统优化控制方法及装置 |
| CN116992548A (zh) * | 2023-09-26 | 2023-11-03 | 山东建筑大学 | 一种建筑及区域综合能源系统的设计优化方法及系统 |
| CN116992548B (zh) * | 2023-09-26 | 2023-12-01 | 山东建筑大学 | 一种建筑及区域综合能源系统的设计优化方法及系统 |
| CN117974365A (zh) * | 2024-03-29 | 2024-05-03 | 中国建筑科学研究院有限公司 | 一种电热综合能源耦合系统多目标运行优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
| Xu et al. | Smart energy systems: A critical review on design and operation optimization | |
| Guo et al. | Optimal operation of regional integrated energy system considering demand response | |
| Liu et al. | Multi-objective optimization of multi-energy complementary integrated energy systems considering load prediction and renewable energy production uncertainties | |
| Jin et al. | Optimal integration of building heating loads in integrated heating/electricity community energy systems: A bi-level MPC approach | |
| Wang et al. | Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system | |
| Reynolds et al. | Holistic modelling techniques for the operational optimisation of multi-vector energy systems | |
| CN111445067B (zh) | 一种适用于高铁站综合能源系统的多目标规划方法 | |
| CN116187173A (zh) | 一种区域综合能源系统双层优化方法及系统 | |
| CN111626487B (zh) | 一种综合能源系统多评价指标优化规划技术方法和系统 | |
| Sun et al. | Heuristic optimization for grid-interactive net-zero energy building design through the glowworm swarm algorithm | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| Luo et al. | Bi-level multi-objective optimization of design and subsidies for standalone hybrid renewable energy systems: A novel approach based on artificial neural network | |
| CN112418488B (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| Ma et al. | An interval scheduling method for the CCHP system containing renewable energy sources based on model predictive control | |
| Li et al. | Zero energy potential of photovoltaic direct-driven air conditioners with considering the load flexibility of air conditioners | |
| CN113240204A (zh) | 考虑可再生能源消纳区域能源站容量优化配置方法及系统 | |
| CN116108360A (zh) | 一种区域综合能源系统优化运行控制方法及装置 | |
| Huang et al. | Multi-objective co-optimization of design and operation in an independent solar-based distributed energy system using genetic algorithm | |
| Wang et al. | Multi-attribute decision analysis for optimal design of park-level integrated energy systems based on load characteristics | |
| Li et al. | Intraday multi-objective hierarchical coordinated operation of a multi-energy system | |
| CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
| Li et al. | Greenhouse gas emissions reduction by cross-sector integration of energy systems: Optimal sizing of integrated entities | |
| Rezaei Nasab et al. | Investigating the probability of designing net-zero energy buildings with consideration of electric vehicles and renewable energy | |
| Irshad et al. | Novel optimized hybrid neuro-fuzzy approach for analysis of cold thermal storage system-assisted air conditioning system performance |
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 |