CN116484999A - 考虑梯级利用的城镇综合能源系统调度优化方法及其应用 - Google Patents
考虑梯级利用的城镇综合能源系统调度优化方法及其应用 Download PDFInfo
- Publication number
- CN116484999A CN116484999A CN202310082701.3A CN202310082701A CN116484999A CN 116484999 A CN116484999 A CN 116484999A CN 202310082701 A CN202310082701 A CN 202310082701A CN 116484999 A CN116484999 A CN 116484999A
- Authority
- CN
- China
- Prior art keywords
- energy
- price
- data
- market
- heat
- 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 48
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 235000019640 taste Nutrition 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000001351 cycling effect Effects 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims description 2
- 239000013529 heat transfer fluid Substances 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 239000002918 waste heat Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种考虑梯级利用的城镇综合能源系统调度优化方法,包括:获取具体应用场景的负荷侧热能的需求品味分级和数量、源侧产出热能的品味分级和数量,并构建数据集;对数据集进行归一化处理;采用聚类算法,获得源侧产出的不同等级、不同数量的热能资源和需求侧不同的热能品味需求;供需优化算法目的是要结合热能不同的市场价格,采用供需优化算法,寻求满足品味、数量、价格三者的最优解。
Description
技术领域
本发明涉及一种调度优化方法,尤其是涉及一种考虑梯级利用的城镇综合能源系统调度优化方法。
背景技术
随着能源技术的飞速发展,世界各地都在积极开发利用太阳能、风能等新能源。就目前来说,我国新能源技术已然取得飞速发展,但在节能利用这一领域的重视程度尚有不足,尤其在热能利用方面,依然有大部分的余热没有充分利用,而是被直接排放到环境中。余热资源回收潜力巨大,因此开展热能资源的梯级利用技术研究,并于实际系统模型相结合很有必要。
热能梯级利用理论的主要原理体现在热量的分级和分级利用上。热量等级是区分热能质量的主要指标,它被定义为单位热能中可用能量的比例,热能的温度是划分热能等级的主要标准如下:高级热量的温度范围从550摄氏度到理论燃烧温度,中等热量的温度范围为170摄氏度至550摄氏度,低级热的温度范围是从环境温度到170摄氏度。能源的梯级利用主要是指根据负荷对热量质量的不同要求分配不同等级的热量,以提高RI ES的能源效率。
热能合理利用的一种方式是按热能品位逐级加以利用。按品味用能的概念就是不使用高品位热能去做低品位热能能源就能够完成的工作;如果在一定要用高品位热能时,还需要尽可能地减少传热温差;当目前只有高品味热能,而又在仅需要低品位热能进行工作的情景下,则应先充分利用高品位热能,如可以先进行发电,再利用低品味热源进行工作。
逐级多次利用是指高品味热能不一定要在单个过程中全部消耗完,因为在使用高品位热能的过程中,能源的温度会降低,每个过程都有最经济合理的热能温度范围。当高品位热能在一个过程中已降至经济范围之下时,即可转至另一个能够使用这种较低热能的过程中使用,使总的能源利用率最大化。
杨东升等人在专利-《基于ORC的工业能源梯级利用供电系统及方法》中介绍到基于ORC的工业能源梯级利用供电系统结构,确定基于ORC的工业能源梯级利用方法,根据余热的温度、数量和用户需求实现温度对口、梯级利用。但该方法建立在类型较为单一的供电系统之上,并提前假设余热的温度、数量、需求等各项参数,强调热能的利用效率优化。因此在现有相关技术的基础之上,本发明提出一种考虑梯级利用的城镇综合能源系统调度优化方法。
发明内容
为了解决现有技术中存在的缺陷,本发明公开一种考虑梯级利用的城镇综合能源系统调度优化方法,其技术方案如下:
一种考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:
步骤1:调研具体应用场景的源负荷侧热能情况,采集热交换系统的热能输入和输出数据并制作数据集;
步骤2:对数据集进行归一化处理;
步骤3:采用聚类算法,获得源侧产出的不同等级、不同数量的热能资源和需求侧不同的热能品味需求;
步骤4:供需优化算法目的是要结合热能不同的市场价格,采用供需优化算法,寻求满足品味、数量、价格三者的最优解。
有益效果
(1)步骤3中通过K-Means聚类算法划分多种设备输出热能的等级,并明确不同负荷的热能需求。
(2)步骤4采用智能优化算法,使能量梯级利用调度方法在提升能源利用效率的基础上额外考量了经济要素。
(3)最后基于“等级对应,级联利用”的原则,总结提出了RI ES能源级联利用结构,该结构将设备的能量输出和能量需求按热能等级进行分类,为本发明中的调度优化算法提供了实践依据。
附图说明
图1为本发明能源梯级利用结构示意图,简单总结了常见热能交换系统的相关要素,并标注了系统内部多品味热能为实现高效利用的能源走向;
图2为本发明考虑梯级利用的城镇综合能源系统调度优化方法流程图,首先介绍了从具体场景的热能数据采集到数据处理,然后进行聚类分析源荷侧热能的品味等级和数量,再然后通过热能的价格、品味、数量等方面进行优化,保障能源利用效率的同时提升经济效益,最后结合能源梯级利用结构,为本发明提供了实践依据。
具体实施方式
一种考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:
步骤1:调研具体应用场景的源负荷侧热能情况,采集热交换系统的热能输入和输出数据并制作数据集,
处理过程如下:
(1)产生或者输出的热能需要热量表进行测量,其测量方法是先将流量计安装在流体入口或回流管上,流量计发出与流量成正比的脉冲信号。
(2)再将一对温度传感器分别安装在通过载热流体(气体)的上行管和下行管上,温度传感器给出表示温度高低的模拟信号。
(3)最后利用计算公式算出热交换系统获得产生或者输出的热量即可,将数据制作成数据集用于后续归一化处理。
步骤2:对数据集进行归一化处理:为了提高数据分析的效率和准确率,并降低对模型调参的影响,需要对数据集进行归一化处理,处理过程如下:
(1)检查数据类别和数值之间的对应关系是否正确,避免数据混淆,造成错误的分析结果。
(2)检查数据集中是否有数值缺失,尽量保证数据集的完整性。
(3)数据集中的文本信息要采用编码形式替换,以满足数据分析过程的要求。
(4)数据归一化处理就是将目标数据按照一定的规则或比例缩放于某一个区间范围,这样做的目的是缩小数据的值域范围,减小数据内部的量级差距,弱化大数值属性对小数值属性的支配影响,同时也有助于降低后续深度学习过程的复杂程度,加快程序的执行速度,更好的适应海量数据分析处理的应用场景。归一化处理如下:
其中:τmax、τmin分别是这一组采样数据值内的最大值和最小值;τj表示当前归一化处理的数据。
步骤3:采用聚类算法,获得源侧产出的不同等级、不同数量的热能资源和需求侧不同的热能品味需求:
经过聚类算法,可以获得源侧产出的不同等级、不同数量的热能资源和需求侧不同的热能品味需求。算法步骤如下:
分别针对源侧产出热能的热值和需求侧需求热能的热值进行聚类:
step1:从数据集中选择初始化K个样本数据作为初始簇中心;
θ={μ1,μ2,…,μk}
其中μ1…μk表示初始化选择的K个中心数据点;
step2:按如下公式计算每个数据τ到K个簇中心的距离,选取距离最小的簇中心,并把该数据归为离它最近的簇;
其中,o表示数据共包含的o个参数,τ表示当前计算距离的数据点,τi表示数据点的第i个参数,μ表示当前划分的簇中心点,μm∈θ,m表示第m个簇中心点,μmi表示簇中心点的第i个参数;
step3:根据得到的簇,重新计算簇中心;
①含有多个样本的数据集τ∈D,
②K个簇C={C1,C2,…,Ck},其中C1…Ck表示分类后的簇集合,
③当前K个簇中心θ={μ1,μ2,…,μk},
按照如下公式重新计算每个簇中各个数据点到簇中心的SSE(sum of thesquared errors,误差平方和):
step4:计算每个簇中的样本数据几何中心,使用距离该几何中心最近的数据作为新分类的聚类中心;
step5:循环step2~step4,直至分类簇中心不再发生变化或者SSE小于指定的阈值;
经过上述步骤可以得到源侧、需求侧热能的不同分级和数量。
步骤4:供需优化算法目的是要结合热能不同的市场价格,采用供需优化算法,寻求满足品味、数量、价格三者的最优解。
供需优化算法目的是要结合热能不同的市场价格,采用供需优化算法,寻求满足品味、数量、价格三者的最优解。
(1)算法初始化
假定电网热能有n个市场进行售卖,每个市场可以出售d种不同品味等级的能源,每种品味的能源都有一定的产出数量和市场定价。市场中d种热能价格表示优化问题d维变量的一组候选解,同时将市场中d种热能的数量作为一组可行解开始进行最优性评估,如果可行解优于当前的候选解,则用当前的可行解替换掉候选解。这n个市场的热能定价和热能数量分别用X、Y两个矩阵进行表示:
式中:xi和yi分别为第i种热能的定价和剩余数量;xij和yij分别为第j种热能在第i个市场中的定价和数量。
下面采用适应度函数分别对每个市场中的能源价格和数量进行最优性评估,对于n个市场,能源价格和能源数量的适应度函数如式(3):
(2)计算能源商品均衡数量与均衡价格
假设每种能源的平均价格x0和平均数量y0在每次迭代的进程中是可变的,从每个市场能源数量的集合中选择一种能源数量作为其数量的平均向量,其在市场内的适应度数值越大,表示每个市场所选热能数量的概率就越大。同时,每个市场也可以根据其概率从能源价格集合中选择一种价格或者采用所有市场能源价格的平均值作为均衡价格。能源商品均衡数量y0表示如下:
y0=yk,k=R(Q) (14)
其中:
式中:f(yi)为能源数量yi的适应度值;R(.)为比选算子。
能源商品均衡价格x0表示如下:
其中:
式中:P为比选算子自变量参数,f(xi)为能源定价xi的适应度值;r、r1为[0,1]中的随机数。
供给函数和需求函数。依据平均数量y0、平均价格x0分别给出供给函数以及需求函数,如下所示:
yi,t+1=y0-α(xi,t-x0) (16)
xi,t+1=x0+β(yi,t-y0) (17)
式中:xi,t和yi,t分别为第t次迭代第i个能源商品价格和数量;α和β分别为需求权重和供给权重,通过调整α、β对均衡价格和均衡数量进行更新。
将式(6)与式(7)结合,可以将需求算式进行重写,得到:
xi,t+1=x0-αβ(xi,t-x0) (18)
供应权重α和需求权重β分别为:
式中:T为最大的迭代次数。用变量L表示供应权重α和需求权重β的乘积,可以得到:
变量L有助于算法在探索和开发之间进行平稳的过渡。L<1时属于稳定模式,通过调整供应权重α和需求权重β得到均衡价格x0周围不同的能源价格,这些能源价格可以通过随机数r在当前价格和均衡价格之间随机发生变化,稳定模式机制注重“开发”以改善算法的局部探索能力。L>1属非稳定模式,它允许任何市场中的能源商品价格远离均衡价格,非稳定模式机制迫使每个市场在搜索空间中加强“探索”未知区域以提高算法的全局搜索能力。
(3)算法步骤
step1:设置能源市场数量N,最大迭代次数T,问题维度,搜索空间。
依照过往经验初始化能源定价xi,按照实际产能情况初始化能源数量yi,令当前迭代次数t=0;
step2:开始计算能源价格xi和能源数量yi的适应度数值Fxi和Fyi,如果Fyi优于Fxi,则用yi代替xi,保存xbest为当前市场情况下的最优解;
step3:确定供应权重α和需求权重β;
step4:对于每个市场,利用式(4)确定平均数量y0;利用式(5)确定平均价格x0;
step5:利用式(6)开始更新能源的数量yi;利用式(7)更新能源的价格xi。然后基于式(4)和式(5)再次计算能源价格xi和能源数量yi的适应度值Fxi和Fyi,如果Fyi优于Fxi,则用yi代替xi,保存xbest为当前最优解:
step6:令t=t+1。判断算法是否达到设定的迭代次数或终止条件,若达到,输出最优解xbest,算法结束;否则继续迭代step2~step6。
步骤五:构造能源梯级利用结构。
此步骤构建了以新能源为主的热能梯级利用架构,如图1所示,(1)架构说明
在该架构中,能源供应主要包括天然气、太阳能、风力;热能生产装置主要包括燃气轮机及其锅炉、热泵;能量转换装置由热泵、电动制冷器和吸收式制冷机组成;储能装置由电池和热槽组成。
(2)架构中的能源流向
区域燃气网的天然气产生高等级热量,带动燃气轮机发电机发电。燃气轮机锅炉回收剩余的中级热,产生加热蒸汽(中级热)和烟气(低级热)。中档加热蒸汽可作为吸收式冷水机组的热源,也可供应给蒸汽负荷。锅炉产生的低品位烟道气转化后可用于热负荷(热水)或制冷。低品位的加热蒸汽也可以从蒸汽负荷中回收。
(3)架构作用
为前文的调度优化算法提供实践场景,提升本专利所述方法的理论性和可行性。
在碳达峰、碳中和与城市集中供热面积逐年递增的背景下,综合能源系统的发展正面临严峻挑战。区域综合能源系统(RI ES)的供需关系复杂,没有合理的能源供应结构,RI ES很难发挥其优势;关于结合不同需求工况和能源梯级利用,对区域综合能源系统进行调度的问题,目前也少有这方面的研究。本发明在现有热交换系统的基础上总结提出能源梯级利用结构,提出了一种节能高效、经济可行的调度优化方法,通过对热能的分级分类,再进行智能优化,可以提高RI ES运行的经济性和稳定性。
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的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:
步骤1:调研具体应用场景的源负荷侧热能情况,采集热交换系统的热能输入和输出数据并制作数据集;
步骤2:对数据集进行归一化处理;
步骤3:采用聚类算法,对源侧产出的不同品味、不同数量的热能资源和需求侧不同的热能品味需求进行分类;
步骤4:供需优化算法目的是要结合热能不同的市场价格,采用供需优化算法,寻求满足品味、数量、价格三者的最优解。
2.根据权利要求1所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述步骤1进一步包括如下内容:
(1)产生或者输出的热能需要热量表进行测量,其测量方法是先将流量计安装在流体入口或回流管上,流量计发出与流量成正比的脉冲信号;
(2)再将一对温度传感器分别安装在通过载热流体的上行管和下行管上,温度传感器给出表示温度高低的模拟信号;
(3)最后利用计算公式算出热交换系统获得产生或者输出的热量即可,将数据制作成数据集用于后续归一化处理。
3.根据权利要求1所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述步骤2进一步包括如下内容:
(1)检查数据项之间的对应关系是否正确,避免数据混淆,造成错误的分析结果;
(2)检查数据集中是否有数值缺失,尽量保证数据集的完整性;
(3)数据集中的文本信息要采用编码形式替换,以满足数据分析过程的要求;
(4)数据归一化处理:将目标数据按照一定的规则或比例缩放于某一个区间范围,以缩小数据的值域范围,减小数据内部的量级差距,弱化大数值属性对小数值属性的支配影响,加快程序的执行速度,更好的适应海量数据分析处理的应用场景。
4.根据权利要求1所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述聚类算法进一步包括如下内容:
分别针对源侧产出热能的热值和需求侧需求热能的热值进行聚类:
step1:从数据集中选择初始化K个样本数据作为初始簇中心;
θ={μ1,μ2,…,μk}
其中μ1…μk表示初始化选择的K个中心数据点;
step2:按如下公式计算每个数据τ到K个簇中心的距离,选取距离最小的簇中心,并把该数据归为离它最近的簇;
其中o表示一个数据包含的o个参数,τ表示当前计算距离的数据点,τi表示数据点的第i个参数,μ表示当前划分的簇中心点,μm∈θ,m表示第m个簇中心点,μmi表示簇中心点的第i个参数;
step3:根据得到的簇,重新计算簇中心;
①含有多个样本的数据集τ∈D,
②K个簇C={C1,C2,…,Ck},其中C1…Ck表示分类后的簇集合,
③当前K个簇中心θ={μ1,μ2,…,μk},
按照如下公式重新计算每个簇中各个数据点到簇中心的SSE(sum of the squarederrors,误差平方和):
step4:计算每个簇中的样本数据几何中心,使用距离该几何中心最近的数据作为新分类的聚类中心;
step5:循环step2~step4,直至分类簇中心不再发生变化或者SSE小于指定的阈值;
经过上述步骤可以得到源侧、需求侧热能的不同分级和数量。
5.根据权利要求1所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述优化算法进一步包括如下内容:
(1)算法初始化;
(2)计算能源商品均衡数量与均衡价格;
(3)确定算法步骤。
6.根据权利要求5所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述算法初始化包括如下内容:
假定电网热能有n个市场进行售卖,每个市场可以出售d种不同品味等级的能源,每种品味的能源都有一定的产出数量和市场定价;市场中d种热能价格表示优化问题d维变量的一组候选解,同时将市场中d种热能的数量作为一组可行解开始进行最优性评估,如果可行解优于当前的候选解,则用当前的可行解替换掉候选解;这n个市场的热能定价和热能数量分别用X、Y两个矩阵进行表示:
式中:xi和yi分别为第i种热能的定价和剩余数量;xij和yij分别为第j种热能在第i个市场中的定价和数量;
采用适应度函数分别对每个市场中的能源价格和数量进行最优性评估,对于n个市场,能源价格和能源数量的适应度函数如式(3):
7.根据权利要求5所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述计算能源商品均衡数量与均衡价格包含如下内容:
假设每种能源的平均价格x0和平均数量y0在每次迭代的进程中是可变的,从每个市场能源数量的集合中选择一种能源数量作为其数量的平均向量,其在市场内的适应度数值越大,表示每个市场所选热能数量的概率就越大;同时,每个市场也可以根据其概率从能源价格集合中选择一种价格或者采用所有市场能源价格的平均值作为均衡价格。能源商品均衡数量y0表示如下:
y0=yk,k=R(Q) (4)
其中:
式中:f(yi)为能源数量yi的适应度值;R(.)为比选算子;
能源商品均衡价格x0表示如下:
其中:
式中:P为比选算子自变量参数,f(xi)为能源定价xi的适应度值;r、r1为[0,1]中的随机数;
供给函数和需求函数;依据平均数量y0、平均价格x0分别给出供给函数以及需求函数,如下所示:
yi,t+1=y0-α(xi,t-x0) (6)
xi,t+1=x0+β(yi,t-y0) (7)
式中:xi,t和yi,t分别为第t次迭代第i个能源商品价格和数量;α和β分别为需求权重和供给权重,通过调整α、β对均衡价格和均衡数量进行更新;
将式(6)与式(7)结合,可以将需求算式进行重写,得到:
xi,t+1=x0-αβ(xi,t-x0) (8)
供应权重α和需求权重β分别为:
式中:T为最大的迭代次数,用变量L表示供应权重α和需求权重β的乘积,可以得到:
变量L有助于算法在探索和开发之间进行平稳的过渡;L<1时属于稳定模式,通过调整供应权重α和需求权重β得到均衡价格x0周围不同的能源价格,这些能源价格可以通过随机数r在当前价格和均衡价格之间随机发生变化,稳定模式机制注重“开发”以改善算法的局部探索能力。L>1属非稳定模式,它允许任何市场中的能源商品价格远离均衡价格,非稳定模式机制迫使每个市场在搜索空间中加强“探索”未知区域以提高算法的全局搜索能力。
8.根据权利要求5所述的考虑梯级利用的城镇综合能源系统调度优化方法,其特征为:所述算法步骤包括如下内容:
step1:设置能源市场数量n,最大迭代次数t,问题维度,搜索空间。依照过往经验初始化能源定价xi,按照实际产能情况初始化能源数量yi,令当前迭代次数t=0;
step2:开始计算能源价格xi和能源数量yi的适应度数值Fxi和Fyi,如果Fyi优于Fxi,则用yi代替xi,保存xbest为当前市场情况下的最优解;
step3:确定供应权重α和需求权重β;
step4:对于每个市场,利用式(4)确定平均数量y0;利用式(5)确定平均价格x0;
step5:利用式(6)开始更新能源的数量yi;利用式(7)更新能源的价格xi。然后基于式(4)和式(5)再次计算能源价格xi和能源数量yi的适应度值Fxi和Fyi,如果Fyi优于Fxi,则用yi代替xi,保存xbest为当前最优解:
step6:令t=t+1,判断算法是否达到设定的迭代次数或终止条件,若达到,输出最优解xbest,算法结束;否则继续迭代step2~step6。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至8中任意一项所述的方法。
10.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310082701.3A CN116484999A (zh) | 2023-01-16 | 2023-01-16 | 考虑梯级利用的城镇综合能源系统调度优化方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310082701.3A CN116484999A (zh) | 2023-01-16 | 2023-01-16 | 考虑梯级利用的城镇综合能源系统调度优化方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116484999A true CN116484999A (zh) | 2023-07-25 |
Family
ID=87220253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310082701.3A Pending CN116484999A (zh) | 2023-01-16 | 2023-01-16 | 考虑梯级利用的城镇综合能源系统调度优化方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484999A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832979A (zh) * | 2017-12-06 | 2018-03-23 | 浙江大学 | 一种考虑能量梯级利用的工厂综合能源系统经济优化调度方法 |
CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
CN112202203A (zh) * | 2020-09-30 | 2021-01-08 | 国网山东省电力公司经济技术研究院 | 一种电热微网能量耦合的梯级利用优化方法 |
CN114580122A (zh) * | 2022-01-17 | 2022-06-03 | 华南理工大学 | 一种基于㶲经济的建筑暖通空调系统能质匹配优化方法 |
CN114662752A (zh) * | 2022-03-18 | 2022-06-24 | 山东电工电气集团有限公司 | 基于价格型需求响应模型的综合能源系统运行优化方法 |
CN116128127A (zh) * | 2023-01-31 | 2023-05-16 | 国网宁夏电力有限公司经济技术研究院 | 一种负荷聚合商模式下的源荷协调多目标优化调度方法 |
-
2023
- 2023-01-16 CN CN202310082701.3A patent/CN116484999A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832979A (zh) * | 2017-12-06 | 2018-03-23 | 浙江大学 | 一种考虑能量梯级利用的工厂综合能源系统经济优化调度方法 |
CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
CN112202203A (zh) * | 2020-09-30 | 2021-01-08 | 国网山东省电力公司经济技术研究院 | 一种电热微网能量耦合的梯级利用优化方法 |
CN114580122A (zh) * | 2022-01-17 | 2022-06-03 | 华南理工大学 | 一种基于㶲经济的建筑暖通空调系统能质匹配优化方法 |
CN114662752A (zh) * | 2022-03-18 | 2022-06-24 | 山东电工电气集团有限公司 | 基于价格型需求响应模型的综合能源系统运行优化方法 |
CN116128127A (zh) * | 2023-01-31 | 2023-05-16 | 国网宁夏电力有限公司经济技术研究院 | 一种负荷聚合商模式下的源荷协调多目标优化调度方法 |
Non-Patent Citations (3)
Title |
---|
S. PENG 等: "Dispatch for Urban Integrated Heat and Power System Considering Secondary PM2.5 Under Smart Environmental Sensing", 《IEEE ACCESS》, vol. 7, pages 179163 - 179184, XP011761618, DOI: 10.1109/ACCESS.2019.2958651 * |
WEIGUO ZHAO等: "Supply-Demand-Based Optimization: A Novel Economics-Inspired Algorithm for Global Optimization", 《IEEE ACCESS》, vol. 7, pages 73182 - 73206, XP011730200, DOI: 10.1109/ACCESS.2019.2918753 * |
杨晟 等: "基于能源区块链的综合能源服务研究", 《华电技术》, vol. 42, no. 08, pages 11 - 16 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
CN104537435B (zh) | 基于用户侧经济性指标的分布式电源优化配置方法 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN113379155B (zh) | 一种基于村镇人口预测评估生物质能发展适宜性的方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN116544934B (zh) | 根据电力负荷预测的电力调度方法及系统 | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
Liu et al. | An online transfer learning model for wind turbine power prediction based on spatial feature construction and system-wide update | |
Wątróbski et al. | New multi-criteria method for evaluation of sustainable RES management | |
CN113553714B (zh) | 限风情况下基于预测信息的风电场切风量计算方法及装置 | |
CN117930776A (zh) | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 | |
CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN116484999A (zh) | 考虑梯级利用的城镇综合能源系统调度优化方法及其应用 | |
Chuentawat et al. | The forecast of PM10 pollutant by using a hybrid model | |
CN112508280B (zh) | 一种综合能源系统实时性能的评价和优化方法及系统 | |
CN114611793A (zh) | 考虑短期负荷预测的综合能源系统优化方法及装置 | |
CN115115185A (zh) | 风氢耦合系统的制氢储氢容量配置方法 | |
Wang et al. | Optimised operation study of load aggregator based on UCCP‐IDR model | |
CN111612255A (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 |
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 |