CN117540985A - 基于碳排放因子的工业园区运行容量优化配置方法、装置 - Google Patents
基于碳排放因子的工业园区运行容量优化配置方法、装置 Download PDFInfo
- Publication number
- CN117540985A CN117540985A CN202311495944.6A CN202311495944A CN117540985A CN 117540985 A CN117540985 A CN 117540985A CN 202311495944 A CN202311495944 A CN 202311495944A CN 117540985 A CN117540985 A CN 117540985A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- power
- carbon emission
- park
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 140
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 39
- 239000003245 coal Substances 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 25
- 238000010248 power generation Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 abstract description 7
- 239000007789 gas Substances 0.000 description 41
- 230000005611 electricity Effects 0.000 description 17
- 230000014509 gene expression Effects 0.000 description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 239000002918 waste heat Substances 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 239000003345 natural gas Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 229940017913 hemax Drugs 0.000 description 2
- BTIJJDXEELBZFS-QDUVMHSLSA-K hemin Chemical compound CC1=C(CCC(O)=O)C(C=C2C(CCC(O)=O)=C(C)\C(N2[Fe](Cl)N23)=C\4)=N\C1=C/C2=C(C)C(C=C)=C3\C=C/1C(C)=C(C=C)C/4=N\1 BTIJJDXEELBZFS-QDUVMHSLSA-K 0.000 description 2
- 229940025294 hemin Drugs 0.000 description 2
- 101150067055 minC gene Proteins 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本申请涉及一种基于碳排放因子的工业园区运行容量优化配置方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷；根据实时运行容量和设备功率模型构建约束条件；获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数；根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。采用本方法能够实现对园区内各负荷需求和设备供能能力的精准把控，整体上减少了园区内设备的运行成本，提高了节能减排的能力。
Description
技术领域
本申请涉及电碳技术领域，特别是涉及一种基于碳排放因子的工业园区运行容量优化配置方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
工业生产过程中的温室气体排放是重要的碳排放来源，建立工业园区统一规范的碳排放核算体系有利于企业降本增效、绿色低碳高质量发展。传统工业园区在规划装机容量时，只考虑设备造价成本和燃料成本的制约因素，未考虑环境价格，绿色低碳是工业园区未来发展的趋势和方向。
然而目前的区域和省级电网碳排放因子数据更新效率慢，在实际测算中，碳排放因子测算结果滞后，无法精细刻画区域空间颗粒度，也无法准确反映不同区域不同企业电力碳排放情况，往往高估了电力消费产生的间接碳排放的总量。同时部分工业园区企业会购买绿电，但是目前已有的碳排放计量体系未考虑绿电抵扣等问题，无法体现企业使用和购买绿电带来的绿色低碳环境效益。
发明内容
基于此，有必要针对上述技术问题，提供一种考虑工业园区的时变碳排放因子和实时运行成本的基于碳排放因子的工业园区运行容量优化配置方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于碳排放因子的工业园区运行容量优化配置方法。该方法包括：
获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷；
根据实时运行容量和设备功率模型构建约束条件；
获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数；
根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
在其中一个实施例中，获取时变碳排放因子包括：
获取各供电机组的发电量和碳排放因子；发电量包括煤电机组的煤电量、气电机组的气电量和送端电网的送电量，碳排放因子包括煤电碳排放因子、气电碳排放因子和送电碳排放因子；
根据发电量和碳排放因子得到园区的时变碳排放因子。
在其中一个实施例中，获取实时运行成本包括：
获取设备的实时运行成本；
通过净现值法将设备的投入成本折算为实时投入成本；
基于设备实际的维护支出情况，折算为实时维护成本；
基于实时投入成本、实时运行成本和实时维护成本构建实时运行成本。
在其中一个实施例中，根据实时需求容量和设备功率模型构建约束条件包括；
根据园区的实时运行容量设置电负荷、热负荷和冷负荷的取值范围；
通过设备功率模型得到各设备功率的最大值和最小值；
将电负荷、热负荷、冷负荷的取值范围和各设备功率的最大值和最小值设置为约束条件。
在其中一个实施例中，根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果包括：
按照各设备的功率范围生成二进制编码作为每个设备的初始值，通过选择、交叉和变异生成第一代种群；
将父代和子代的个体合并，产生新的父种群；
在父代和子代的个体合并后未产生新的父种群的情况下，进行快速非支配排序，通过对排序后的种群计算拥挤度选择合适个体组成新的父种群，对产生的新的父种群进行选择、交叉和变异；
判定进化代数是否小于预设代数，在进化代数小于预设代数的情况下，继续进行迭代；在进化代数不小于预设代数的情况下，跳出迭代，输出园区电源类型的最优配置。
在其中一个实施例中，该方法还包括：
根据园区内设备功能进行分类，得到设备类型；设备类型包括发电机组、新能源机组、热负荷机组和冷负荷机组，同一设备可以被分配到不同的设备类型中；
根据园区内各设备参数，建立设备功率模型；设备功率模型包括发电功率模型、热功率模型和冷功率模型，分别通过发电功率模型、热功率模型和冷功率模型可以得到设备的发电功率、热功率和冷功率。
第二方面，本申请还提供了一种基于碳排放因子的工业园区运行容量优化配置装置。该装置包括：
需求获取模块，用于获取园区内各种负荷的实时运行容量；运行包括电负荷、热负荷和冷负荷；
约束模块，用于根据实时运行容量和设备功率模型构建约束条件；
目标模块，用于获取目标函数；目标函数为时变碳排放因子和实时运行成本；
配置模块，用于根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行所述计算机程序时实现以下步骤：
获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷；
根据实时运行容量和设备功率模型构建约束条件；
获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数；
根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷；
根据实时运行容量和设备功率模型构建约束条件；
获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数；
根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷；
根据实时运行容量和设备功率模型构建约束条件；
获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数；
根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
上述基于碳排放因子的工业园区运行容量优化配置方法、装置、计算机设备、存储介质和计算机程序产品，根据园区内各种负荷的实时运行容量，分别确定电负荷、热负荷和冷负荷的运行容量，并建立设备功率模型，实现对园区内各负荷需求和设备供能能力的精准把控，减少资源的浪费。通过时变碳排放因子和实时运行成本生成目标函数，以实时运行容量和设备功率模型构建约束条件，通过遗传算法输出园区电源类型的配置结果，可以并行处理考虑了园区的时变碳排放因子水平和实时运行成本，能够高效的处理复杂约束和关联性的运行容量配置问题；同时整体上减少了园区内设备的运行成本，提高了节能减排的能力，避免了物料资源、人力资源的浪费。
附图说明
图1为一个实施例中基于碳排放因子的工业园区运行容量优化配置方法的应用环境图；
图2为一个实施例中基于碳排放因子的工业园区运行容量优化配置方法的流程示意图；
图3为另一个实施例中基于碳排放因子的工业园区运行容量优化配置方法的流程示意图；
图4为一个实施例中基于碳排放因子的工业园区运行容量优化配置装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于碳排放因子的工业园区运行容量优化配置方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于碳排放因子的工业园区运行容量优化配置方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷。
其中，实时运行容量为园区内任一时刻所需的电能总量、热能总量和冷能总量；电负荷是指园区中电气设备和电器等所消耗的电能的总和；热负荷是指园区中设备所消耗的热能总合；冷负荷是指园区中设备所消耗的冷能总合。
步骤204，根据实时运行容量和设备功率模型构建约束条件。
步骤206，获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数。
步骤208，根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
具体地，获取园区内各负荷所需的实时运行容量，分别确定电负荷、热负荷和冷负荷实时运行容量，根据各负荷的实时运行容量确定各负荷的取值范围；根据设备功率模型，将设备运行时的功率范围作为约束条件，并将各负荷的取值范围作为另一约束条基于时变碳排放因子和实时运行成本生成目标函数，将目标函数与约束条件输入到遗传算法中，通过遗传算法进行迭代，得到园区电源类型的配置结果。遗传算法中的个体需要对所有的个体进行二进制编码，而碳排放涉及到园区内大量的设备与负荷，通过对所有设备和负荷进行编码，表示出所有设备和负荷的碳排放因子、运行功率等参数数据，确认编码方案，可以将园区容量优化配置的可行解从其解空间转换到遗传算法的搜索空间中，简化计算的复杂性。
上述基于碳排放因子的工业园区运行容量优化配置方法中，根据园区内各种负荷的实时运行容量，分别确定电负荷、热负荷和冷负荷的运行容量，并建立设备功率模型，实现对园区内各负荷需求和设备供能能力的精准把控，减少资源的浪费。通过时变碳排放因子和实时运行成本生成目标函数，以实时运行容量和设备功率模型构建约束条件，通过遗传算法输出园区电源类型的配置结果，可以并行处理考虑了园区的时变碳排放因子水平和实时运行成本，能够高效的处理复杂约束和关联性的运行容量配置问题；同时整体上减少了园区内设备的运行成本，提高了节能减排的能力，避免了物料资源、人力资源的浪费。
在一个实施例中，获取时变碳排放因子包括：获取各供电机组的发电量和碳排放因子；发电量包括煤电机组的煤电量、气电机组的气电量和送端电网的送电量，碳排放因子包括煤电碳排放因子、气电碳排放因子和送电碳排放因子；根据发电量和碳排放因子得到园区的时变碳排放因子。
具体地，根据园区内电能来源，将电能分为煤电、气电和送电，其中，煤电是通过煤炭燃烧发电；气电是通过天然气燃烧发电，常用设备包括燃气轮机、余热锅炉、燃气锅炉等；送电是从外部电网调入园区电网的电量。基于对电能的分类，分别得到煤电、气电和送电的煤电碳排放因子、气电碳排放因子和送电碳排放因子。基于园区电网的实时运行数据，将煤电、气电和送电的碳排放均摊至消费测，实现工业园区级平均碳排放因子的动态测算，得到园区内的时变碳排放因子，具体表达式如公式(1)所示：
式中，为s省n工业园区电网时变碳排放因子；G为各类型电源发电量，G煤电为煤电发电量，G气电为煤电发电量；Ek,n为从外部k电网调入n工业园区电网的电量；i为煤电机组集合；j为气电机组集合；k为外部送端电网集合；/>为煤电碳排放因子；/>为气电碳排放因子；/>为外部电网的送电碳排放因子。
进一步的，园区内一般会安装光伏发电装置、风力发电装置等，光伏和风力发电所产生的电力为零碳电力，碳排放因子为零，当零碳电力富余时，可以将这部分电力存入蓄电池。同时部分工业园区企业会购买绿电，绿电的碳排放因子同样为零。
本实施例中，通过对电能的分类，获取各类电能的碳排放因子，可以为园区能源调控和优化提供理论数据参考，了解园区碳排放情况和水平。时变碳排放因子解决了碳排放因子测算结果滞后、无法精细刻画区域空间颗粒度的问题，准确的反映了不同区域不同企业的碳排放情况。通过考虑送电碳排放因子、零碳电力等，考虑了外部调入电量的碳排放因子，更加完整的体现了园区的碳排量，为降低碳排放水平提供依据。
在一个实施例中，获取实时运行成本包括：获取设备的实时运行成本；通过净现值法将设备的投入成本折算为实时投入成本；基于设备实际的维护支出情况，折算为实时维护成本；基于实时投入成本、实时运行成本和实时维护成本构建实时成本。
具体地，实时成本包括一次设备折算至实时投入成本、实时运行成本和实时维护成本三者的成本之和，具体表达式如公式(2)所示：
C1＝Cinv+Cope+Cmai (2)
式中，C1为实时成本；Cinv为实时投入成本；Cope为实时运行成本；Cmai为实时维护成本。
实时投入成本Cinv为一次设备成本折算至实时(每小时)的成本，采用投资项目分析动态分析法的净现值法(Net Present Value，NPV)折算至年，除以356天后，除以24小时得出实时(每小时)的投入成本；实时运行成本Cope主要为工业园区内的发电原料的消耗，通过单位时间煤炭和天然气消费量乘以单位成本得到实时运行成本；实时维护成本Cmai的获取方式为结合设备维护支出情况，按照设备维护的总成本取一定比例η折算到实时。
本实施例中，通过对设备实时成本按实时投入成本、实时运行成本和实时维护成本进行评估，细化了设备实时成本的组成部分，提高了设备实时成本的计算精度。根据实时成本情况，有助于实现成本的节约和优化，实现园区的经济效益最大化和可持续发展。
在一个实施例中，根据实时运行容量和设备功率模型构建约束条件包括；根据园区的实时运行容量设置电负荷、热负荷和冷负荷的取值范围；通过设备功率模型得到各设备功率的最大值和最小值；将电负荷、热负荷、冷负荷的取值范围和各设备功率的最大值和最小值设置为约束条件。
具体地，获取园区内各负荷所需的实时运行容量，分别确定电负荷、热负荷和冷负荷实时运行容量，根据各负荷的实时运行容量确定各负荷的取值范围；例如，园区中电负荷、热负荷、冷负荷的实时运行容量分别为a、b、c，结合容错系数m(m＞1)，则电负荷、热负荷和冷负荷的取值范围分别为e≤m×a，h≤m×b，l≤m×c，并将其作为约束条件。根据设备功率模型，将设备运行时的功率范围作为另一约束条件。
本实施例中，通过设置园区内各负荷的取值范围，保证了在配置容量时，能满足各负荷正常运行的需求，避免出现为减少碳排放因子导致负荷无法正常运行的情况；将设备的功率范围作为另一约束条件，避免设备输出功率超过设备能力范围，进而出现对实时成本控制和时变碳排放因子控制效果良好，而设备无法按需供应能量的情况，保证了优化配置的方案的可行性和可靠性。
在一个实施例中，根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果包括：按照各设备的功率范围生成二进制编码作为每个设备的初始值，通过选择、交叉和变异生成第一代种群；将父代和子代的个体合并，产生新的父种群；在父代和子代的个体合并后未产生新的父种群的情况下，进行快速非支配排序，通过对排序后的种群计算拥挤度选择合适个体组成新的父种群，对产生的新的父种群进行选择、交叉和变异；判定进化代数是否小于预设代数，在进化代数小于预设代数的情况下，继续进行迭代；在进化代数不小于预设代数的情况下，跳出迭代，输出园区电源类型的最优配置。
具体地，建立以实时成本最小和实时碳排放因子最低为目标函数的多目标双层优化模型。时变碳排放因子的目标函数为实时成本的目标函数为minC1，具体表达式如公式(3)和公式(4)所示：
minC1＝Cinv+Cope+Cmai (4)
构建时变碳排放因子与实时成本的双层优化模型，采用快速精英多目标遗传算法(Non-dominated Sorting Genetic Algorithms-II，NSGA-II)进行求解。初始化种群，并对种群进行非支配排序，然后进行选择、交叉和变异等操作以生成第一代种群，并将进化代数(Gen)置2。将父代子代的个体合并，产生新的父种群，如合并后未产生可进行快速非支配排序，通过计算拥挤度选择合适个体组成新的父种群，将产生的新的父种群进行选择、交叉和变异等操作。判定进化代数是否小于预设代数，如小于预设代数则进化代数Gen＝Gen+1，继续将父代子代的个体合并，产生新的父种群，如果不小于预设代数则跳出迭代，输出最优结果。
本实施例中，通过遗传算法对时变碳排放因子与实时成本进行双目标优化，能够分析时变碳排放因子与实时成本之间的平衡关系，可以在考虑减少碳排放的前提下，找到合理的成本控制方案，从而达到碳排放与实时成本之间的平衡，从而实现经济和环境效益的平衡，提高园区的经济效益。
在一个实施例中，基于碳排放因子的工业园区运行容量优化配置方法还包括：根据园区内设备功能进行分类，得到设备类型；设备类型包括发电机组、新能源机组、热负荷机组和冷负荷机组，同一设备可以被分配到不同的设备类型中；根据园区内各设备参数，建立设备功率模型；设备功率模型包括发电功率模型、热功率模型和冷功率模型，分别通过发电功率模型、热功率模型和冷功率模型可以得到设备的发电功率、热功率和冷功率。
具体地，对工业园区内常见的光伏、煤电、冷热电联供系统(包括燃气轮机、余热锅炉、燃气锅炉、热交换机、吸收式制冷机和电制冷机等)设备按功能进行分类，并开展建模分析。
燃气轮机产生的电功率和热功率的表达式分别如公式(5)和公式(6)所示：
Pg＝μgηelqgasVg1 (5)
Hg＝μgηwqgasVg1 (6)
式中，Pg为燃气轮机产生的电功率；Hw为燃气轮机产生的热功率；μg为燃气轮机的运行状态，μg＝0为停机状态，μg＝1为开机运行状态；ηel为燃气轮机发电的效率因数，通常以％表示；ηw为燃气轮机发出高温烟气的效率因数，通常以％表示；qgas为每立方米天然气可以发出的等值电量，单位为kWh；Vg1为燃气轮机消耗的天然气体积，单位为m3。同时，燃气轮机输出功率还应满足，在大于最小运行功率Pgmin情况下运行，还应在最大运行功率Pgmax以下运行，公式为Pgmin≤Pg≤Pgmax。
余热锅炉产生的热功率的表达式如公式(7)所示：
Hw1＝μwηb1Hw (7)
式中，Hw1为余热锅炉产生的热功率；μw为余热锅炉的运行状态，μw＝0为停机状态，μw＝1为开机运行状态；ηb1为余热锅炉的热转换效率因数，通常以％表示。同时，余热锅炉输出功率还应满足，在大于最小运行功率Hw1min，小于最大运行功率Hw1max的情况下运行，Hw1min≤Hw1≤Hw1max。
燃气锅炉产生的热功率的表达式如公式(8)所示：
Hw2＝μbηb2qgasVg2 (8)
式中，Hw2为燃气锅炉产生的热功率；μb为燃气锅炉的运行状态，μb＝0为停机状态，μb＝1为开机运行状态；ηb2为燃气锅炉的热转换效率因数，通常以％表示；Vg2为燃气锅炉消耗的天然气体积，单位为m3。同时，燃气锅炉输出功率还应满足，在大于最小运行功率Hw2min小于最大运行功率Hw2max情况下运行，Hw2min≤Hw2≤Hw2max。
热交换机建模后的表达式如公式(9)所示：
式中，Hhe为热交换机运行功率，单位为kW；HL为热负荷功率，单位为kW；μhe为燃气锅炉的运行状态μhe＝0为停机状态，μhe＝1为开机运行状态；ηhe为热交换机的热交换效率因数，通常以％表示；Hwh为燃气锅炉和余热锅炉产生的热功率部分，单位为kW。同时，热交换机输出功率还应满足，在大于最小运行功率Hhemin小于最大运行功率Hhemax情况下运行，Hhemin≤Hhe≤Hhemax。
吸收式制冷机组建模后的表达式如公式(10)所示：
Cac＝μacCOPacHwc (10)
式中，Cac为吸收式制冷机组制冷输出功率，kW；μac为吸收式制冷机的运行状态，μac＝0为停机状态，μac＝1为开机运行状态；COPac为吸收式制冷机组工作效率系数；Hw为燃气锅炉和余热锅炉产生的冷功率部分，单位为kW。同时，吸收式制冷机组制冷输出功率还应满足，在大于最小制冷功率Cacmin小于最大运行功率Cacmax情况下运行，Cacmin≤Cac≤Cacmax。
电制冷机的产生冷功率Cec的模型表达式如公式(11)所示：
Cec＝μecCOPecPec (11)
式中，Cec为电制冷机的产生冷功率，单位为kW；μec为吸收式制冷机的运行状态，μec＝0为停机状态，μec＝1为开机运行状态；COPec为吸收式制冷机组工作效率系数；Pec为电制冷机消耗的电功率，单位为kW。同时，电制冷机组制冷输出功率还应满足，大于最小制冷功率Cecmin小于最大运行功率Cecmax情况下运行，Cecmin≤Cec≤Cecmax。
对光伏电池进行建模分析，输出功率模型表达式如公式(12)所示：
Ppv(t)＝Ps(t)Aηpv[1-β(Tc-Tcr)] (12)
式中，Ppv(t)为光伏电池输出功率；Ps(t)为辐照强度；A为光伏组件面积；ηpv为转换效率，β为温度系数，Tc为环境温度，Tcr为环境参考温度，其中，Ppvmin≤Ppv≤Ppvmax。
煤电机组产生的电功率表达式如公式(13)所示：
Pc＝μcηcQcMc (13)
式中，Pc为煤电机组产生的电功率；μc为煤炭机组的运行状态，μc＝0为停机状态，μc＝1为开机运行状态；ηc为煤电机组的发电效率，通常以％表示；Qc为每吨煤炭可以发出的等值电量，单位为kWh；Mc为煤电机组消耗的煤炭质量，单位为t(吨)。同时，煤电机组输出功率还应满足，在大于最小运行功率Pcmin情况下运行，还应在最大运行功率Pcmax以下运行，公式为Pcmin≤Pc≤Pcmax。
对储能电池的充电状态约束(State of Charge，SOC)。对任意时刻t，电池SOC(t)满足不等式约束SOCmin≤SOC(t)≤SOCmax，其中SOCmin为电池剩余容量最小值；SOCmax为电池剩余容量最大值。电池充放电功率限制。对任意时刻t，蓄电池充放电功率Pbs(t)必须满足不等式约束Pbsmin≤Pbs(t)≤Pbsmax，其中Pbsmin为电池充电功率下限约束；Pbsmax为电池放电功率上限约束。电池最大，蓄电池最大充电率αc应满足不等式约束-Pbs(t)≤[SOCmax-SOC(t)]αc。
本实施例中，通过对园区内设备进行分类，得到各类型下的设备，并根据园区内各设备参数分别进行建模，建立设备功率模型；分别通过发电功率模型、热功率模型和冷功率模型，可以统计出园区内对电负荷、热负荷和冷负荷的供应能力，可以在对园区设备进行调度优化时，避免因能力评估错误导致设备故障、无法运行等问题，可以有效支持调度决策、运行分析，实现园区经济效益、环境效益最大化。
在一个实施例中，如图3所示，图3为一种基于碳排放因子的工业园区运行容量优化配置方法的流程示意图。
步骤302，根据园区内设备功能进行分类，得到设备类型；设备类型包括发电机组、新能源机组、热负荷机组和冷负荷机组，同一设备可以被分配到不同的设备类型中。
步骤304，根据园区内各设备参数，建立设备功率模型；设备功率模型包括发电功率模型、热功率模型和冷功率模型，分别通过发电功率模型、热功率模型和冷功率模型可以得到设备的发电功率、热功率和冷功率。
步骤306，获取园区内各种负荷的实时运行容量；负荷包括电负荷、热负荷和冷负荷。
步骤308，获取各供电机组的发电量和碳排放因子；发电量包括煤电机组的煤电量、气电机组的气电量和送端电网的送电量，碳排放因子包括煤电碳排放因子、气电碳排放因子和送电碳排放因子。
步骤310，根据发电量和碳排放因子得到园区的时变碳排放因子。
步骤312，获取设备的实时运行成本。
步骤314，通过净现值法将设备的投入成本折算为实时投入成本。
步骤316，基于设备实际的维护支出情况，折算为实时维护成本。
步骤318，基于实时投入成本、实时运行成本和实时维护成本构建实时运行成本。
步骤320，根据园区的实时运行容量设置电负荷、热负荷和冷负荷的取值范围。
步骤322，通过设备功率模型得到各设备功率的最大值和最小值。
步骤324，将电负荷、热负荷、冷负荷的取值范围和各设备功率的最大值和最小值设置为约束条件。
步骤326，获取时变碳排放因子和实时运行成本，基于时变碳排放因子和实时运行成本生成目标函数。
步骤328，按照各设备的功率范围生成二进制编码作为每个设备的初始值，通过选择、交叉和变异生成第一代种群。
步骤330，将父代和子代的个体合并，产生新的父种群。
步骤332，在父代和子代的个体合并后未产生新的父种群的情况下，进行快速非支配排序，通过对排序后的种群计算拥挤度选择合适个体组成新的父种群，对产生的新的父种群进行选择、交叉和变异。
步骤334，判定进化代数是否小于预设代数，在进化代数小于预设代数的情况下，继续进行迭代；在进化代数不小于预设代数的情况下，跳出迭代，输出园区电源类型的最优配置。
本实施例中，根据园区内各种负荷的实时运行容量，分别确定电负荷、热负荷和冷负荷的运行容量，并建立设备功率模型，实现对园区内各负荷需求和设备供能能力的精准把控，减少资源的浪费。通过时变碳排放因子和实时运行成本生成目标函数，以实时运行容量和设备功率模型构建约束条件，通过遗传算法输出园区电源类型的配置结果，可以并行处理考虑了园区的时变碳排放因子水平和实时运行成本，能够高效的处理复杂约束和关联性的运行容量配置问题；同时整体上减少了园区内设备的运行成本，提高了节能减排的能力，避免了物料资源、人力资源的浪费。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤依次显示，但是这些步骤并不是必然按照指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于碳排放因子的工业园区运行容量优化配置方法的基于碳排放因子的工业园区运行容量优化配置装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于碳排放因子的工业园区运行容量优化配置装置实施例中的具体限定可以参见上文中对于基于碳排放因子的工业园区运行容量优化配置方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种基于碳排放因子的工业园区运行容量优化配置装置，包括：需求获取模块402、约束模块404、目标模块406和配置模块408，其中：
需求获取模块402，用于获取园区内各种负荷的实时运行容量；运行包括电负荷、热负荷和冷负荷。
约束模块404，用于根据实时运行容量和设备功率模型构建约束条件。
目标模块406，用于获取目标函数；目标函数为时变碳排放因子和实时运行成本。
配置模块408，用于根据约束条件和目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
在一个实施例中，目标模块406还包括：
碳排放因子模块，用于获取各供电机组的发电量和碳排放因子；发电量包括煤电机组的煤电量、气电机组的气电量和送端电网的送电量，碳排放因子包括煤电碳排放因子、气电碳排放因子和送电碳排放因子。
时变碳排放模块，用于根据发电量和碳排放因子得到园区的时变碳排放因子。
在一个实施例中，目标模块406还包括：
运行成本模块，用于获取设备的实时运行成本。
投入成本模块，用于通过净现值法将设备的投入成本折算为实时投入成本。
维护成本模块，用于基于设备实际的维护支出情况，折算为实时维护成本。
实时成本模块，用于基于实时投入成本、实时运行成本和实时维护成本构建实时运行成本。
在一个实施例中，约束模块404还包括：
负荷范围模块，用于根据园区的实时运行容量设置电负荷、热负荷和冷负荷的取值范围。
设备功率模块，用于通过设备功率模型得到各设备功率的最大值和最小值。
区间模块，用于将电负荷、热负荷、冷负荷的取值范围和各设备功率的最大值和最小值设置为约束条件。
在一个实施例中，配置模块408还包括：
初始模块，用于按照各设备的功率范围生成二进制编码作为每个设备的初始值，通过选择、交叉和变异生成第一代种群。
更新模块，用于将父代和子代的个体合并，产生新的父种群。
排序模块，用于在父代和子代的个体合并后未产生新的父种群的情况下，进行快速非支配排序，通过对排序后的种群计算拥挤度选择合适个体组成新的父种群，对产生的新的父种群进行选择、交叉和变异。
迭代模块，用于判定进化代数是否小于预设代数，在进化代数小于预设代数的情况下，继续进行迭代；在进化代数不小于预设代数的情况下，跳出迭代，输出园区电源类型的最优配置。
在一个实施例中，基于碳排放因子的工业园区运行容量优化配置装置还包括：
分类模块，用于根据园区内设备功能进行分类，得到设备类型；设备类型包括发电机组、新能源机组、热负荷机组和冷负荷机组，同一设备可以被分配到不同的设备类型中。
建模模块，用于根据园区内各设备参数，建立设备功率模型；设备功率模型包括发电功率模型、热功率模型和冷功率模型，分别通过发电功率模型、热功率模型和冷功率模型可以得到设备的发电功率、热功率和冷功率。
上述基于碳排放因子的工业园区运行容量优化配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于碳排放因子的工业园区运行容量优化配置方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤.
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于碳排放因子的工业园区运行容量优化配置方法，其特征在于，所述方法包括：
获取园区内各种负荷的实时运行容量；所述负荷包括电负荷、热负荷和冷负荷；
根据所述实时运行容量和设备功率模型构建约束条件；
获取时变碳排放因子和实时成本，基于所述时变碳排放因子和所述实时成本生成目标函数；
根据所述约束条件和所述目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
2.根据权利要求1所述的方法，其特征在于，所述获取时变碳排放因子包括：
获取各供电机组的发电量和碳排放因子；所述发电量包括煤电机组的煤电量、气电机组的气电量和送端电网的送电量，所述碳排放因子包括煤电碳排放因子、气电碳排放因子和送电碳排放因子；
根据所述发电量和所述碳排放因子得到园区的时变碳排放因子。
3.根据权利要求1所述的方法，其特征在于，获取实时运行成本包括：
获取设备的实时运行成本；
通过净现值法将所述设备的投入成本折算为实时投入成本；
基于设备实际的维护支出情况，折算为实时维护成本；
基于所述实时投入成本、所述实时运行成本和所述实时维护成本构建实时成本。
4.根据权利要求1所述的方法，其特征在于，所述根据所述实时需求容量和设备功率模型构建约束条件包括；
根据园区的所述实时运行容量设置电负荷、热负荷和冷负荷的取值范围；
通过设备功率模型得到各设备功率的最大值和最小值；
将电负荷、热负荷、冷负荷的取值范围和各设备功率的最大值和最小值设置为约束条件。
5.根据权利要求1所述的方法，其特征在于，所述根据所述约束条件和所述目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果包括：
按照各设备的功率范围生成二进制编码作为每个设备的初始值，通过选择、交叉和变异生成第一代种群；
将父代和子代的个体合并，产生新的父种群；
在父代和子代的个体合并后未产生新的父种群的情况下，进行快速非支配排序，通过对排序后的种群计算拥挤度选择合适个体组成新的父种群，对产生的新的父种群进行选择、交叉和变异；
判定进化代数是否小于预设代数，在进化代数小于预设代数的情况下，继续进行迭代；在进化代数不小于预设代数的情况下，跳出迭代，输出园区电源类型的最优配置。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据园区内设备功能进行分类，得到设备类型；所述设备类型包括发电机组、新能源机组、热负荷机组和冷负荷机组，同一设备可以被分配到不同的设备类型中；
根据园区内各设备参数，建立设备功率模型；所述设备功率模型包括发电功率模型、热功率模型和冷功率模型，分别通过发电功率模型、热功率模型和冷功率模型可以得到设备的发电功率、热功率和冷功率。
7.一种基于碳排放因子的工业园区运行容量优化配置装置，其特征在于，所述装置包括：
需求获取模块，用于获取园区内各种负荷的实时运行容量；所述运行包括电负荷、热负荷和冷负荷；
约束模块，用于根据所述实时运行容量和设备功率模型构建约束条件；
目标模块，用于获取目标函数；所述目标函数为时变碳排放因子和实时成本；
配置模块，用于根据所述约束条件和所述目标函数，通过遗传算法反复迭代，输出园区电源类型的配置结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311495944.6A CN117540985A (zh) | 2023-11-09 | 2023-11-09 | 基于碳排放因子的工业园区运行容量优化配置方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311495944.6A CN117540985A (zh) | 2023-11-09 | 2023-11-09 | 基于碳排放因子的工业园区运行容量优化配置方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117540985A true CN117540985A (zh) | 2024-02-09 |
Family
ID=89789148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311495944.6A Pending CN117540985A (zh) | 2023-11-09 | 2023-11-09 | 基于碳排放因子的工业园区运行容量优化配置方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540985A (zh) |
-
2023
- 2023-11-09 CN CN202311495944.6A patent/CN117540985A/zh active Pending
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 | |
| Wang et al. | Capacity planning and optimization of business park-level integrated energy system based on investment constraints | |
| Li et al. | Sizing of a stand-alone microgrid considering electric power, cooling/heating, hydrogen loads and hydrogen storage degradation | |
| Wang et al. | Multi-objective planning of regional integrated energy system aiming at exergy efficiency and economy | |
| Zhang et al. | Capacity configuration optimization of multi-energy system integrating wind turbine/photovoltaic/hydrogen/battery | |
| Elsied et al. | An advanced energy management of microgrid system based on genetic algorithm | |
| Mehrtash et al. | An enhanced optimal PV and battery sizing model for zero energy buildings considering environmental impacts | |
| Wang et al. | Comparing stochastic programming with posteriori approach for multi-objective optimization of distributed energy systems under uncertainty | |
| Jin et al. | Game theoretical analysis on capacity configuration for microgrid based on multi-agent system | |
| CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
| 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 | |
| Tan et al. | Feasibility study on the construction of multi-energy complementary systems in rural areas—Eastern, central, and western parts of China are taken as examples | |
| Zhang et al. | Improved MOEA/D approach to many-objective day-ahead scheduling with consideration of adjustable outputs of renewable units and load reduction in active distribution networks | |
| CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
| Ikeda et al. | A new optimization strategy for the operating schedule of energy systems under uncertainty of renewable energy sources and demand changes | |
| Noorollahi et al. | A scenario-based approach for optimal operation of energy hub under different schemes and structures | |
| Liu et al. | Two-layer multiple scenario optimization framework for integrated energy system based on optimal energy contribution ratio strategy | |
| CN112633575A (zh) | 基于鲁棒优化的多能互补综合能源系统容量配置方法及系统 | |
| CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
| CN114362218B (zh) | 基于深度q学习的微电网内多类型储能的调度方法及装置 | |
| Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
| CN111126675A (zh) | 多能互补微网系统优化方法 | |
| Liu et al. | Design and evaluation of micro energy network considering P2G‐based storage system using two‐stage stochastic programming | |
| CN111523204A (zh) | 一种并网型综合能源网电-气储能系统优化配置求解方法 | |
| He et al. | Analysis on data center power supply system based on multiple renewable power configurations and multi-objective optimization |
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 |