CN117829622A - 一种含氢综合能源系统的全流程一体化设计方法及系统 - Google Patents
一种含氢综合能源系统的全流程一体化设计方法及系统 Download PDFInfo
- Publication number
- CN117829622A CN117829622A CN202311803072.5A CN202311803072A CN117829622A CN 117829622 A CN117829622 A CN 117829622A CN 202311803072 A CN202311803072 A CN 202311803072A CN 117829622 A CN117829622 A CN 117829622A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- energy system
- energy
- comprehensive energy
- containing comprehensive
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 93
- 239000001257 hydrogen Substances 0.000 title claims abstract description 93
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013461 design Methods 0.000 title claims abstract description 38
- 230000002787 reinforcement Effects 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000004146 energy storage Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012938 design process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010438 heat treatment 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
- 230000000306 recurrent effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种含氢综合能源系统的全流程一体化设计方法及系统，对含氢综合能源系统中所有可能涉及的设备进行建模，构建相应的能量算子模型，所述能量算子模型包含对应设备的特性参数和运行函数，形成设备库；将设备库中的各能量算子模型通过单独的字符表示，构建各含氢综合能源系统子结构，并以相应的控制字符串进行标记，形成搜索空间；利用强化学习方法在搜索空间内进行搜索，对已搜索含氢综合能源系统子结构进行性能评估，并将评估结果反馈，确定搜索规则，以非遍历的方式找到最优结构，并确定此结构下系统的最优设备容量和运行参数。本发明可以实现系统的结构‑容量‑运行的全流程一体化设计。
Description
技术领域
本发明属于综合能源系统技术领域，具体涉及一种含氢综合能源系统的全流程一体化设计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
含氢综合能源系统以氢为重要能源载体，以可再生能源和分布式冷热电联供系统为核心，基于能量梯级利用原理，同时完成发电、制冷、供热和供氢，提高了可再生能源消纳率和能源综合利用效率，并有效减少温室气体排放，有助于解决能源短缺和实现碳中和，极具发展潜力。集成系统结构、设备容量和运行参数的系统全流程一体化设计是含氢综合能源系统高效、经济、可靠运行的前提，但含氢综合能源系统结构复杂，尤其能量转化设备繁多、多能源耦合，导致系统规划设计十分困难。目前含氢综合能源系统规划设计方法大多是在固定系统结构或给定结构范围内进行设备容量和运行策略的优化，系统结构往往需要专家参与设计，具有较强主观性，缺乏科学指导，难以获取最优的含氢综合能源系统设计方案。
通过对现有专利进行检索，有部分专利基于图论的区域冷热电综合能源优化配置方法及装置(中国发明专利，专利公开号为CN106651628B)，一种风光氢综合能源系统容量配置方法(中国发明专利，专利公开号为CN113872240A)和一种风光氢综合能源系统容量配置方法(中国发明专利，专利公开号为CN111027846B)，上述专利的内容完成了区域含氢综合能源系统的优化配置，然而均是在给定系统结构的情况下优化设备容量和运行计划，尚未优化系统结构。
发明内容
本发明为了解决上述问题，提出了一种含氢综合能源系统的全流程一体化设计方法及系统，本发明可以实现系统的结构-容量-运行各方面的全流程一体化设计。
根据一些实施例，本发明采用如下技术方案：
一种含氢综合能源系统的全流程一体化设计方法，包括以下步骤：
对含氢综合能源系统中所有可能涉及的设备进行建模，构建相应的能量算子模型，所述能量算子模型包含对应设备的特性参数和运行函数，形成设备库；
将设备库中的各能量算子模型通过单独的字符表示，基于含氢综合能源系统的基础结构，构建各含氢综合能源系统子结构，并以相应的控制字符串进行标记，形成搜索空间；
将含氢综合能源系统的结构设计问题转变为确定控制字符串最优问题，利用强化学习方法在搜索空间内进行搜索，对已搜索含氢综合能源系统子结构进行性能评估，并将评估结果反馈，确定搜索规则，以非遍历的方式找到最优结构，并确定此结构下系统的最优设备容量和运行参数。
作为可选择的实施方式，所述能量算子模型的输入和输出均具备冷、热、电和气四种能量流，每个能量算子模型的运行函数和特性参数不同，所述运行函数为能量算子模型输入与输出之间的函数关系，所述特性参数包含效率参数和容量参数。
作为可选择的实施方式，每一个含氢综合能源系统子结构，都有一个相应的控制字符串，所述控制字符串的长度为涉及的能量算子模型的个数，且控制字符串的顺序与含氢综合能源系统的基础结构中包含设备的层的顺序相适配。
作为可选择的实施方式，所述含氢综合能源系统的基础结构包括依次连接的能量输入层、一次能量转化层、二次能量转化层、能量存储层和能量输出层，包含设备的层包括一次能量转化层、二次能量转化层和能量存储层。
作为可选择的实施方式，利用强化学习方法在搜索空间内采样的具体过程包括利用基于强化学习的RNN自回归式控制器预测控制字符串的最优值，所述控制字符串的长度可变。
作为进一步的实施方式，在性能评估时，将系统的经济性指标和源荷匹配度作为奖励反馈给基于强化学习的RNN自回归式控制器，更新其参数。
作为进一步的实施方式，具体过程包括：
在第i迭代过程中，假设RNN自回归式控制器的网络参数表示为θi，将RNN自回归式控制器预测的当前控制字符串Stri视为强化学习的一个动作列表，并用于生成含氢综合能源系统的子结构；
在当前RNN自回归式控制器的参数θi下，利用非线性规划算法求解当前综合能源系统子结构下的最优的含氢综合能源系统各能量算子模型的特性参数，并且计算性能指标作为强化学习更新参数θi+1的奖励；
所述RNN自回归式控制器以最大化其期望奖励更新参数θi+1。
作为进一步的实施方式，所述经济性指标包括各个设备的初始投资费用、系统维护费用和全年运行费用。
一种含氢综合能源系统的全流程一体化设计系统，包括：
设备建模模块，被配置为对含氢综合能源系统中所有可能涉及的设备进行建模，构建相应的能量算子模型，所述能量算子模型包含对应设备的特性参数和运行函数，形成设备库；
搜索空间构建模块，被配置为将设备库中的各能量算子模型通过单独的索引字符表示，基于含氢综合能源系统的基础结构，构建各含氢综合能源系统子结构，并以相应的控制字符串进行标记，形成搜索空间；
搜索模块，被配置为将含氢综合能源系统的结构设计问题转变为确定控制字符串最优问题，利用强化学习方法在搜索空间内进行搜索，对已搜索含氢综合能源系统子结构进行性能评估，并将评估结果反馈，确定搜索规则，以非遍历的方式找到最优结构，并确定此结构下系统的最优设备容量和运行参数。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提出了一种含氢综合能源系统的全流程一体化设计方法，在自定义的结构搜索空间上搜索最佳的含氢综合能源系统结构，并在每次搜索过程中计算最优的容量和运行参数，实现系统的结构-容量-运行各方面的全流程一体化设计。
本发明利用基于强化学习的RNN控制器在定义的搜索空间中探索如何寻找最优的含氢综合能源系统子结构，能够加快搜索速度，同时，利用非线性规划算法搜索当前子结构下的最优容量参数和运行方案，并计算性能评估指标，利用性能评估指标作为奖励反馈给RNN控制器，以优化RNN控制器，实现更快、更准确寻找最优的含氢综合能源系统子结构，而非遍历的方式进行搜索。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本实施例中的含氢综合能源系统五层结构；
图2是本实例例中的含氢综合能源系统全流程一体化设计方法原理图；
图3是本实例例中的通用的能量算子模型示意图；
图4是本实例例中的根据控制字符串生成含氢综合能源系统子结构示意图；
图5是本实例例中的含氢综合能源系统优化的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在介绍本实施例的方法前，先进行必要的叙述：
对于以氢为重要能源载体，以可再生能源和分布式冷热电联供系统为核心的含氢综合能源系统，主要包括可再生能源输入，能量生产设备、能量转化设备和能量存储设备和输出负荷，如图1所示。含氢综合能源系统能量传递过程可划分为五层结构，分别为：能量输入层、一次能量转化层、二次能量转化层、能量存储层、能量输出层。具体讲，综合能源系统的能量输入层为可再生能源，为先知条件，由地理气象、安装条件等信息获得；一次能量转化层、二次能量转化层、能量存储层的设备种类繁多是导致系统结构复杂的重要原因，其原则通常为高品位能量向低品位能量的转化，包括电→热(ETH)、电→冷(ETC)、热→冷(HTC)、氢→热(GTH)等复杂转化，而针对不同的源荷场景，综合能源系统该三层包含的设备类型是不同的；能量输出层包括电、氢、冷、热等负荷需求。
集成系统结构-容量-运行的含氢综合能源系统规划设计是一个多维度、多约束的大规模混合整数非线性规划问题，难以寻求最优解。
本实施例提出了一种含氢综合能源系统的全流程一体化设计方法，在用于训练的源荷数据和设计的结构搜索空间上搜索并优化，以得到最优的含氢综合能源系统结构、容量和运行方案。
如图2所示，本实施例主要由搜索空间，基于强化学习的循环神经网络(recurrentneural network，RNN)控制器(以下简称为RNN控制器)和性能评估三部分构成。搜索空间针对规划设计的目标任务定义了一组含氢综合能源系统子结构。基于强化学习的RNN控制器在定义的搜索空间中探索如何寻找最优的含氢综合能源系统子结构。非线性规划算法被用于搜索当前子结构下的最优容量参数和运行方案，进而计算性能评估指标。性能评估指标度量含氢综合能源系统规划设计中的系统经济性目标和源荷匹配度等作为奖励反馈给RNN控制器。
下面进行详细叙述。
搜索空间是可供搜索和采样的一个含氢综合能源系统子结构的集合，表示为Z。RNN控制器在搜索空间Z中采样的子结构N均为的Z子集，即N∈Z。
为了有效地进行含氢综合能源系统结构搜索，本实施例利用能量算子模型来表示能量转化层和能量存储层的不同综合能源设备。
所有设备均被建模为图3所示的能量算子模型，具备特有的特性参数φ(效率参数η和容量参数等)和运行函数F。
能量算子模型的输入和输出均具备冷、热、电、气四种能量流。不同能量供应设备、能量转换设备和能量存储设备的建模主要区别在于内部的运行函数F和特性参数φ。假设能量算子输入表示为：
Ein＝[Ecool,Eheat,Eelectric,Egas]
那么其运行函数应是能量算子模型输入与输出之间的函数关系：
Eout＝F(Ein；φ)
式中，Eout具有与Ein相同的维度，这样允许不同能量算子之间存在任意链接关系。
本实施例通过索引字符来检索能源设备的设备库，即设备库中存储了通过字符标记的不同含氢综合能源系统设备的能量算子模型。这样以确保给出一个具有次序的长度为K的控制字符串，可以检索出K个能量算子模型，并构成含氢综合能源系统子结构，如图4所示。
控制字符串通过检索设备库生成一种含氢综合能源系统子结构。搜索空间Z便可以由一个字符串集合来构成。也就是说，搜索空间包括由字符串控制的不同的含氢综合能源系统子结构。
确定含氢综合能源系统结构，是在一个基于强化学习的迭代过程中寻找最优的含氢综合能源系统结构，核心在于不断试错的学习过程中确定以何种规则来探索搜索空间Z，而非遍历整个搜索空间。
如图4所示，含氢综合能源系统结构被指定为一个长度可变的字符串Str(作为一个超参数)，经过检索设备库可生成通过字符串采样得到的含氢综合能源系统字结构N∈Z。也就是说，含氢综合能源系统的结构设计问题将转变为如何确定控制字符串Str的最优值。因此，在本发明中，提出了一种基于强化学习的RNN自回归式控制器用于预测控制字符串Str。这意味着，RNN控制器被允许以之前的预测作为条件，通过无差别度量的方式从一种奖励信号R中学习Str的最优值，即最优的含氢综合能源系统结构。这个过程中，不需要任何监督信号的引导。
具体地，在第i迭代过程中，假设RNN控制器的网络参数表示为θi。首先，RNN控制器预测的当前控制字符串Stri可以视为强化学习的一个动作列表a1-K，并用于生成含氢综合能源系统的子结构Ni。
在当前RNN参数θi下，非线性规划算法用于求解当前综合能源系统子结构Ni下的最优的含氢综合能源系统各设备(能量算子)的特性参数并且计算性能指标作为强化学习更新参数θi+1的奖励Ri。上述训练过程的输入和输出为图4中源—荷侧的训练数据。
为了搜索到最优的含氢综合能源系统结构，基于强化学习的RNN控制器被要求以最大化其期望奖励R以更新参数θi+1：
式中，J(θi)表示RNN控制器的损失函数，P()表示概率；E表示当前状态下获得奖励Ri的期望；a1-k表示动作，θi+1表示RNN控制器的参数。策略梯度法被用于更新RNN控制器的网络参数θ，且奖励R被设置为可导的参数，采用以下公式：
式中，表示损失函数J(θi)对参数θi的导数。
基于非线性规划算法的性能评估主要用于评估当前含氢综合能源系统子结构的性能，同时，非线性规划被用于求解此子结构下的最优设备容量和运行参数(即能量算子的特性参数)。性能评估结果作为奖励回报R反馈给基于强化学习的RNN控制器，更新网络参数θi，进而更快地预测出更优的含氢综合能源系统结构。
在本实施例中，性能评估主要包括了含氢综合能源系统计算输出O与真实的训练输出Dout的RMSE误差，系统经济性指标由各个设备的初始投资费用(TIC)、系统维护费用(TMC)和全年运行费用(TOC)组成。
其中，
O＝N(Din)
Dout为训练数据集中的负荷输出，Din为训练数据集中的源侧输入，n为训练数据集的样本个数。
整个设计过程如图5所示。本实施例采用强化学习的方法实现最优系统结构的设计，集成设计了系统结构、设备容量和运行参数，规避了综合能源系统传统规划设计方法的复杂大规模混合整数非线性计算难题，使系统设计方案更科学合理。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，本领域技术人员不需要付出创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种含氢综合能源系统的全流程一体化设计方法，其特征是，包括以下步骤：
对含氢综合能源系统中所有可能涉及的设备进行建模，构建相应的能量算子模型，所述能量算子模型包含对应设备的特性参数和运行函数，形成设备库；
将设备库中的各能量算子模型通过单独的字符表示，基于含氢综合能源系统的基础结构，构建各含氢综合能源系统子结构，并以相应的控制字符串进行标记，形成搜索空间；
将含氢综合能源系统的结构设计问题转变为确定控制字符串最优化问题，利用强化学习方法在搜索空间内进行搜索，对已搜索含氢综合能源系统子结构进行性能评估，并将评估结果反馈，确定搜索规则，以非遍历的方式找到最优结构，并确定此结构下系统的最优设备容量和运行参数。
2.如权利要求1所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，所述能量算子模型的输入和输出均具备冷、热、电和气四种能量流，每个能量算子模型的运行函数和特性参数不同，所述运行函数为能量算子模型输入与输出之间的函数关系，所述特性参数包含效率参数和容量参数。
3.如权利要求1所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，每一个含氢综合能源系统子结构，都有一个相应的控制字符串，所述控制字符串的长度为涉及的能量算子模型的个数，且控制字符串的顺序与含氢综合能源系统的基础结构中包含设备的层的顺序相适配。
4.如权利要求1或3所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，所述含氢综合能源系统的基础结构包括依次连接的能量输入层、一次能量转化层、二次能量转化层、能量存储层和能量输出层，包含设备的层包括一次能量转化层、二次能量转化层和能量存储层。
5.如权利要求1所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，利用强化学习方法在搜索空间内采样的具体过程包括利用基于强化学习的RNN自回归式控制器预测控制字符串的最优值，所述控制字符串的长度可变。
6.如权利要求5所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，在性能评估时，将系统的经济性指标和源荷匹配度作为奖励反馈给基于强化学习的RNN自回归式控制器，更新其参数。
7.如权利要求5或6所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，具体过程包括：
在第i迭代过程中，假设RNN自回归式控制器的网络参数表示为θi，将RNN自回归式控制器预测的当前控制字符串Stri视为强化学习的一个动作列表，并用于生成含氢综合能源系统的子结构；
在当前RNN自回归式控制器的参数θi下，利用非线性规划算法求解当前综合能源系统子结构下的最优的含氢综合能源系统各能量算子模型的特性参数，并且计算性能指标作为强化学习更新参数θi+1的奖励；
所述RNN自回归式控制器以最大化其期望奖励更新参数θi+1。
8.如权利要求6所述的一种含氢综合能源系统的全流程一体化设计方法，其特征是，所述经济性指标包括各个设备的初始投资费用、系统维护费用和全年运行费用。
9.一种含氢综合能源系统的全流程一体化设计系统，其特征是，包括：
设备建模模块，被配置为对含氢综合能源系统中所有可能涉及的设备进行建模，构建相应的能量算子模型，所述能量算子模型包含对应设备的特性参数和运行函数，形成设备库；
搜索空间构建模块，被配置为将设备库中的各能量算子模型通过单独的索引字符表示，基于含氢综合能源系统的基础结构，构建各含氢综合能源系统子结构，并以相应的控制字符串进行标记，形成搜索空间；
搜索模块，被配置为将含氢综合能源系统的结构设计问题转变为确定控制字符串最优化问题，利用强化学习方法在搜索空间内进行搜索，对已搜索含氢综合能源系统子结构进行性能评估，并将评估结果反馈，确定搜索规则，以非遍历的方式找到最优结构，并确定此结构下系统的最优设备容量和运行参数。
10.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-8中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311803072.5A CN117829622A (zh) | 2023-12-25 | 2023-12-25 | 一种含氢综合能源系统的全流程一体化设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311803072.5A CN117829622A (zh) | 2023-12-25 | 2023-12-25 | 一种含氢综合能源系统的全流程一体化设计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829622A true CN117829622A (zh) | 2024-04-05 |
Family
ID=90520277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311803072.5A Pending CN117829622A (zh) | 2023-12-25 | 2023-12-25 | 一种含氢综合能源系统的全流程一体化设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829622A (zh) |
-
2023
- 2023-12-25 CN CN202311803072.5A patent/CN117829622A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200219027A1 (en) | Knowledge transfer-based modeling method for blast furnace gas scheduling systems | |
| Feng et al. | Monthly operation optimization of cascade hydropower reservoirs with dynamic programming and Latin hypercube sampling for dimensionality reduction | |
| CN114282370B (zh) | 考虑操作者体力和脑力负荷的拆卸线设置方法 | |
| CN114118569A (zh) | 基于多模态多任务的Transformer网络的风电功率多步预测方法 | |
| CN116822380B (zh) | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 | |
| CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 | |
| Zhang et al. | A novel two-step synthesis method with weakening strategy for solving large-scale heat exchanger networks | |
| CN113901623A (zh) | 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法 | |
| CN115329411A (zh) | 基于先验规则和深度神经网络的舰船电气图纸布局方法 | |
| CN108345933A (zh) | 基于混沌dna遗传算法的重油热解过程建模方法 | |
| Zhang et al. | Evolutionary algorithm incorporating reinforcement learning for energy-conscious flexible job-shop scheduling problem with transportation and setup times | |
| CN117829622A (zh) | 一种含氢综合能源系统的全流程一体化设计方法及系统 | |
| JP4857228B2 (ja) | プラント運用適正化装置 | |
| Liu et al. | Mixed-flow assembly line balancing with uncertain assembly times in remanufacturing | |
| CN113222216B (zh) | 冷热电负荷预测方法、装置及系统 | |
| Jia et al. | Optimization of mine ventilation network feature graph | |
| Gong et al. | Enhanced long short-term memory with fireworks algorithm and mutation operator | |
| CN115712976A (zh) | 基于多元供热机组的热能及电负荷优化方法及相关设备 | |
| CN114141318A (zh) | 一种基于hpc与ai融合的高效电催化剂筛选方法和系统 | |
| Shang et al. | Preference-driven yield-and-quality optimization for high-sulfur gas sweetening process by extreme learning machine model | |
| CN105528681B (zh) | 一种基于隐树模型的冶金企业副产能源系统实时调整方法 | |
| Zhao et al. | Research on carbon emission prediction of coal combustion in power generation enterprises based on Rough set and Grey SVM | |
| CN112182820B (zh) | 一种综合能源系统的反演评估方法 | |
| Ye et al. | Research on Driving Cycle Recognition Strategy Based on Machine Learning | |
| Jia et al. | Research on Architecture Multi-Objective Analysis Method Based on Octopus |
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 |