WO2019134532A1 - 一种含风光可再生能源的热电联供系统运行方法 - Google Patents

一种含风光可再生能源的热电联供系统运行方法 Download PDF

Info

Publication number
WO2019134532A1
WO2019134532A1 PCT/CN2018/122398 CN2018122398W WO2019134532A1 WO 2019134532 A1 WO2019134532 A1 WO 2019134532A1 CN 2018122398 W CN2018122398 W CN 2018122398W WO 2019134532 A1 WO2019134532 A1 WO 2019134532A1
Authority
WO
WIPO (PCT)
Prior art keywords
population
constraint
renewable energy
power
operating
Prior art date
Application number
PCT/CN2018/122398
Other languages
English (en)
French (fr)
Inventor
王锐
李国政
何敏藩
王珏
吕欣
王炯琦
伍国华
戎海武
邢立宁
Original Assignee
佛山科学技术学院
佛山市有义家科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 佛山科学技术学院, 佛山市有义家科技有限公司 filed Critical 佛山科学技术学院
Publication of WO2019134532A1 publication Critical patent/WO2019134532A1/zh

Links

Images

Classifications

    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/30—The power source being a fuel cell
    • 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

Definitions

  • CHP Combined Heat and Power
  • the CHP system can simultaneously consider the supply of heat load and electric load, and utilize the waste heat generated during the power generation to store the heating, which can effectively realize the utilization of the energy ladder and greatly improve the energy utilization rate.
  • the core of the optimal economic operation of the CHP system is to meet the requirements of the user's thermal power load. How to formulate the operation plan of the system in the future according to the micro-source configuration (ie, the type of micro-sources involved, the operating parameters of the micro-sources, etc.) The power distribution of the micro source at each time period.
  • the technical problem to be solved by the invention is: a multi-objective optimization operation control method for a cogeneration system containing wind and light renewable energy.
  • a method for operating a cogeneration system comprising a wind and a renewable energy source, comprising the steps of:
  • Step 2 Based on the Monte Carlo random sampling multi-objective optimization algorithm, the optimization model is solved to obtain a plurality of Pareto optimal solutions;
  • the system optimization target refers to minimizing system operation cost and minimizing system pollution emission amount
  • the optimization model established based on the system optimization target is as shown in Expression 1.
  • the constraint function includes a power balance constraint, a thermal energy balance constraint, a grid power exchange constraint, a fuel cell operation constraint, a waste heat boiler operation constraint, a gas boiler operation constraint, and a battery operation constraint.
  • the step 2 includes the following steps:
  • Step 21 Initialize an algorithm parameter and a system operation parameter, where the algorithm parameter includes a population size N and a termination condition maxGen, and the system operation parameter includes a cost parameter, a power parameter, and a random variable distribution parameter;
  • Figure 1 is a flow chart of the method of the present invention.
  • the present invention discloses a method for operating a cogeneration system comprising a wind and a renewable energy source, comprising the following steps:
  • Step 1 Set the system optimization target and the constraint function with renewable energy to establish an optimization model
  • Step 2 Based on the Monte Carlo random sampling multi-objective optimization algorithm, the optimization model is solved to obtain a plurality of Pareto optimal solutions;
  • Step 3 Set the decision maker preference information, and select one of the most Picoto optimal solutions from the multiple Pareto optimal solutions.
  • the present invention optimizes the cogeneration system through a multi-objective optimization method, and fully considers the factors such as the thermoelectric load, the uncertainty of the renewable energy generation, and the cost, and is more feasible according to the actual situation, and the present invention is further
  • An evolutionary multi-objective optimization algorithm is used to obtain a set of Pareto optimal solutions, which are used by decision makers to select and implement the operation scheme of the cogeneration system.
  • the system optimization target refers to minimizing system operation cost and minimizing system pollution emission amount, and an optimization model established based on the system optimization target, such as expression 1 As shown, Where ⁇ and ⁇ are the probabilities of the constraints, respectively.
  • the operating cost of the system includes a power purchase cost of the power grid, a fuel cell usage fee, a natural gas usage fee of the gas boiler, a micro-source maintenance fee, and a power sales revenue of the power grid, and the micro-source maintenance fee is derived from a wind turbine, a photovoltaic cell, and a fuel.
  • Battery, waste heat boiler, gas boiler and battery, C i in Expression 1 is specifically shown in Expression 2.
  • n is the total number of time periods
  • P ex,i is the electric power exchanged with the large power grid in the ith period, the power purchase is positive, and the power sales are negative
  • P fl,i is the power generation power of the fuel cell in the ith period
  • P gb,i It is the power of the gas boiler in the i-th period
  • P bt,i is the charging and discharging power of the battery in the i-th period, the discharge is positive, the charging is negative
  • P wt,i is the power of the wind turbine in the i-th period
  • P pv,i is the energy in the ith period Battery power
  • C ph,i is the price of electricity purchased from the large grid during the i-th period
  • C se,i is the price of electricity sold to the large grid during the i-th period
  • C gas is the price of natural gas
  • C fl-om is the maintenance cost of the fuel cell
  • C bl-om is the maintenance cost of
  • the constraint function includes a power balance constraint, a thermal energy balance constraint, a grid power exchange constraint, a fuel cell operation constraint, a waste heat boiler operation constraint, a gas boiler operation constraint, and a battery operation. constraint.
  • Expression 3 the power balance constraint is divided into two cases as Expression 3 and Expression 4 according to the charging and discharging conditions of each battery, and Expression 3 is as follows.
  • the grid power exchange constraint is as shown in Expression 6, P ex,min ⁇ P ex,i ⁇ P ex,max , where P ex,min and P ex,max are the maximum and minimum values of the grid power exchange , respectively.
  • the fuel cell operation constraint is as shown in Expression 7.
  • ⁇ P fl-up and ⁇ P fl-down are respectively the maximum power increase and maximum loss of the fuel cell in the unit time period
  • P fl-max and P fl-min are the maximum and minimum power of the waste heat boiler, respectively, and the fuel cell Power generation efficiency during time period i Ratio to hotspot Is a function of its load factor L i .
  • the waste heat boiler operating constraint is as shown in Expression 8, P bl,min ⁇ P fl,i r fl,i ⁇ hr-bl ⁇ P bl,max , where P bl,max and P bl,min are gas boilers , respectively Maximum and minimum power.
  • the gas boiler operating constraint is as shown in Expression 9, P gb,min ⁇ P gb,i ⁇ P gb,max , where P gb,max and P gb,min are the maximum and minimum power of the gas boiler , respectively.
  • the step 2 is a multi-objective evolutionary algorithm based on Monte Carlo random sampling to solve the optimization model.
  • the opportunity constrained processing method based on Monte Carlo sampling method involved in the algorithm, including the processing of the objective function (denoted as COO_F) and the processing of the constraint condition (denoted as COO_C).
  • the processing of the objective function is defined as: for the objective function with the random variable ⁇ , as shown in Expression 11,
  • the step 2 includes the following steps:
  • Step 21 Initialize algorithm parameters and system operation parameters, the algorithm parameters include a population size N and a termination condition maxGen, and the system operation parameters include a cost parameter, a power parameter, and a random variable distribution parameter, and further, according to each period of wind power and photovoltaic power And distribution parameters of random variables such as thermoelectric load, generating wind power, photovoltaic power, and thermoelectric load in each period;
  • Step 23 If the current algebra gen is greater than the termination condition maxGen, the calculation is terminated, and the non-dominated solution of the population S is output. Otherwise, based on the current population S, a genetic group operator is used to generate a group of N new individuals. Population Sc;
  • step S24 the ranking is performed according to the degree of constraint of the individual.
  • the rules are as follows. For the individual A and the individual B, according to the processing process of the constraint condition, it is determined whether the two individuals meet the constraint condition, and if both individuals are non-feasible solutions, The individual who violates the degree of constraint is better. If both individuals satisfy the constraint (that is, they are all feasible solutions), they are sorted according to the non-inferior layer and the crowded distance of the individual, specifically referring to the i-th inferior Individuals in the layer are superior to individuals in the j (j>i) non-inferior layer; individuals in the same non-inferior layer are better in individuals with large crowded distances.
  • the non-inferior stratification method of the population in step S24 specifically includes normalizing the individuals in the population; obtaining the maximum value max(f m ) and the minimum value of each objective function f m , min(f m ), the objective function f m is the f cost and f emission in Expression 1, and then each individual objective function value is converted to the interval [0, 1] according to Expression 16, and Expression 16 is as follows, Where f m (x) represents the original objective function value of the mth target of the individual x during evolution, and the calculation method thereof, as described in the process of the objective function, Representing the objective function value of the individual x normalized; finding the individual in the population S all that is not governed by any individual Pareto, and storing it in the set A1 as the first non-inferior layer; when one of the following conditions is satisfied, The individual x constraint governs the individual y, first, the individual x and y both satisfy the constraint and xpy; second, the individual x
  • x p y means that the individual x dominates the individual y, if and only if f j (x) ⁇ f j (y), M represents the number of the objective function; i.e., x is not inferior to the individual subject on all target function y, x and y is superior in function of at least one of the objects; removed from S all the For all individuals in set A1, the remaining synthetic population is denoted as Sall ⁇ A 1 , and the population is normalized repeatedly, and the individuals in the population S all ⁇ A 1 that are not governed by any individual Pareto are found and stored in the set A2.
  • the second non-inferior layer repeat the above operation to know that the entire population is layered.
  • the crowded distance in step S24 can be regarded as the smallest rectangle containing the individual xi around the individual xi but not including other individuals; the smaller the crowding distance, the denser the surrounding area is, the calculation method is as follows, for each objective function f m , the population individuals within the sorting, the boundary for the individual (i.e., the individual has a minimum value of f m), crowding distance is defined as infinite, the same non-inferiority layer crowding distance x i of other individuals in addition to the boundary, among them with Representing the maximum and minimum values of the objective function f m in the current population, respectively; with The objective function values of the i-1th and i+1th individuals are respectively indicated.
  • the decision maker preference information in step 3 includes a maximum operating cost tolerance value and a maximum pollutant emission amount. Specifically, when the decision maker pays more attention to the operating cost of the system, given the maximum operating cost tolerance value, that is, f cost ⁇ Cost, the scheme that selects the lowest pollutant emission, that is, f emission is minimized; when the decision maker pays more attention to pollutant emissions When the tolerance value of the maximum pollutant discharge is given, that is, f emission ⁇ Emission, the scheme that selects the lowest pollutant discharge, that is, the f cost is minimized.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种含风光可再生能源的热电联供系统运行方法，包括设置含再生能源的系统优化目标以及约束函数，建立优化模型；基于蒙特卡洛随机抽样的多目标优化算法，求解该优化模型，获取多个Pareto最优解；设置决策者偏好信息，从多个Pareto最优解中选择一个作为热电联供系统的运行方案。该方法用于计算热电联供系统的最优化运行方案，通过多目标优化方法对热电联供系统进行优化，同时充分考虑到了热电负荷、可再生能源发电的不确定性以及费用等因素，符合实际情况，可行性更强，另外采用进化多目标优化算法获取一组各有优点的Pareto最优解，供决策者根据不同情况进行选择并实施热电联供系统的运行方案。

Description

一种含风光可再生能源的热电联供系统运行方法 技术领域
本发明涉及一种含风光可再生能源的热电联供系统运行方法技术领域。
背景技术
能源、发展和环境问题交织在一起，成为制约我国现代化建设的瓶颈。为提高能源利用率，实现节能环保，建立在能源梯级利用的概念基础上的热电联供(Combined Heat and Power,CHP)系统逐渐成为各国努力发展的一种能源利用方式。
CHP系统可以同时考虑热负荷和电负荷的供应，利用发电过程中产生的余热存储供暖，可以有效地实现能源的梯次利用，大大提高能源的利用率。CHP系统最优化经济运行的核心在于满足用户热电负荷需求的前提下，如何根据微源配置(即参与微源的种类、微源的运行参数等)制定系统未来一段时间内的运行方案，即各微源在各时段的功率分配。
可再生能源因其取之不竭、清洁环保等特点，越来越受到人们的重视，成为各方大力发展，用于应对能源和环境问题的重要手段。如今，考虑将可再生能源引入到CHP系统中，无疑能够进一步提高能源利用率，同时达到节能减排的目的。
目前关于CHP系统最优化运行的研究大都集中于考虑燃气电机、燃气锅炉、余热回收系统等设备的优化配置，鲜有考虑可再生能源使 用的情况，特别是，计及可再生能源随机性和不确定性特点的CHP系统最优化运行方案设计。此外，CHP系统的最优化运行，一般都以经济最优化为主，没有考虑到最小化污染如CO 2，NO的排放量，即没有考虑到同时优化多个目标的实际需求。
发明内容
本发明要解决的技术问题是：一种含风光可再生能源的热电联供系统多目标最优化运行控制方法。
本发明解决其技术问题的解决方案是：
一种含风光可再生能源的热电联供系统运行方法，包括以下步骤：
步骤1.设置含再生能源的系统优化目标以及约束函数，建立优化模型；
步骤2.基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；
步骤3.设置决策者偏好信息，从多个Pareto最优解中选择一个最为热电联供系统的运行方案。
作为上述技术方案的进一步改进，所述系统优化目标是指最小化系统运行费用以及最小化系统污染排放量，基于所述系统优化目标所建立的优化模型如表达式1所示，
Figure PCTCN2018122398-appb-000001
作为上述技术方案的进一步改进，所述系统运行费用包括电网购电费、燃料电池使用费、天然气使用费、微源维护费以及电网售电收 入；所述系统污染物排放量包括燃气锅炉燃烧天然气所产生的气体的总排放量。
作为上述技术方案的进一步改进，所述约束函数包括电能平衡约束、热能平衡约束、电网功率交换约束、燃料电池运行约束、余热锅炉运行约束、燃气锅炉运行约束以及蓄电池运行约束。
作为上述技术方案的进一步改进，所述步骤2包括以下步骤：
步骤21.初始化算法参数以及系统运行参数，所述算法参数包括种群规模N以及终止条件maxGen，所述系统运行参数包括费用参数、功率参数以及随机变量分布参数；
步骤22.设置当期代数gen＝1，初始化种群，随机生成含100个个体的，作为父代的种群S；
步骤23.若当前代数gen大于终止条件maxGen，则终止计算，输出种群S的非支配解，否则基于当前的种群S，通过遗传种族算子，产生由N个新个体组成的，作为子代的种群Sc；
步骤24.将种群S与种群Sc合并，得到规模为200的合种群S all，即S all＝SUSc，对合种群S all中的个体进行排序，根据排序结果从前往后选取100个个体作为新的父代种群S；
步骤S25.令gen＝gen+1，返回步骤S23。
作为上述技术方案的进一步改进，步骤3中所述决策者偏好信息包括最大运行费用容忍值以及最大污染物排放量。
本发明的有益效果是：本发明通过多目标优化方法对热电联供系统进行优化，同时充分考虑到了热电负荷、可再生能源发电的不确定 性以及费用等因素，符合实际情况，可行性更强，另外本发明采用进化多目标优化算法获取一组各有优点的Pareto最优解，供决策者根据不同情况进行选择并实施热电联供系统的运行方案。本发明创造用于计算热电联供系统的最优化运行方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
参照图1，本发明创造公开了一种含风光可再生能源的热电联供系统运行方法，包括以下步骤：
步骤1.设置含再生能源的系统优化目标以及约束函数，建立优化模型；
步骤2.基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；
步骤3.设置决策者偏好信息，从多个Pareto最优解中选择一个最为热电联供系统的运行方案。
具体地，本发明通过多目标优化方法对热电联供系统进行优化，同时充分考虑到了热电负荷、可再生能源发电的不确定性以及费用等因素，符合实际情况，可行性更强，另外本发明采用进化多目标优化算法获取一组各有优点的Pareto最优解，供决策者根据不同情况进行选择并实施热电联供系统的运行方案。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述系统优化目标是指最小化系统运行费用以及最小化系统污染排放量，基于所述系统优化目标所建立的优化模型如表达式1所示，
Figure PCTCN2018122398-appb-000002
其中α和β分别为约束的概率。
具体地，所述系统运行费用包括电网购电费、燃料电池使用费、燃气锅炉的天然气使用费、微源维护费以及电网售电收入，所述微源维护费来源于风电机组、光伏电池、燃料电池、余热锅炉、燃气锅炉以及蓄电池，表达式1中C i具体为表达式2所示，
Figure PCTCN2018122398-appb-000003
其中n为时间段总数，P ex,i为第i时段与大电网交换的电功率，购电为正，售电为负；P fl,i为第i时段燃料电池的发电功率；P gb,i为第i时 段燃气锅炉功率；P bt,i为第i时段蓄电池充放电功率，放电为正，充电为负；P wt,i为第i时段风电机组功率；P pv,i为第i时段光伏电池功率；C ph,i为第i时段从大电网购电的价格；C se,i为第i时段向大电网售电的价格；C gas为天然气价格；C fl-om为燃料电池维护费用；C bl-om为余热锅炉维护费用；C gb-om为燃气锅炉维护费用；C bt-om为蓄电池维护费用；C wt-om为风电机组维护费用；C pv-om为光伏电池维护费用；μ i为燃料电池第i时段的效率；r fl,i为燃料电池第i时段的热电比值；μ gb为燃气锅炉的效率；μ br_bl为余热锅炉废热回收效率。此外，所述系统污染物排放量包括燃气锅炉燃烧天然气所产生的气体的总排放量，表达式1中E i具体如下所示，
Figure PCTCN2018122398-appb-000004
其中P gb,i为第i时段燃气锅炉的功率；K gb,i第i时段燃气锅炉的效率(燃气总量转化为电能的效率)；Q gb,i为第i时段燃烧单位天然气产生的温室气体量；△T为单位间隔时间，具体为1小时。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述约束函数包括电能平衡约束、热能平衡约束、电网功率交换约束、燃料电池运行约束、余热锅炉运行约束、燃气锅炉运行约束以及蓄电池运行约束。
具体地，所述电能平衡约束根据各电池的充电与放电情况，分为如表达式3和表达式4两种情况，表达式3如下，
Figure PCTCN2018122398-appb-000005
表达式4如下，P ex,i+P fl,i+P wt,i+P pv,i+P bt,i,μ dis-P el,i＝0，其中P ex,i为第i时段的与大电网交换的功率，购电为正，售电为负；P fl,i为第i时段的燃料电池的功率；P wt,i为第i时段的与风机发电功率；P pv,i为第i时段的与光伏发电功率；P bt,i为第i时段的蓄电池功率；μ ch和μ dis分别为蓄电池充放电效率；P el,i为第i时段的电能负荷；i＝1,2,L,n。
所述热能平衡约束如表达式5所示，P fl,ir fl,iμ hr-bl+P gb,i-P th,i＝0，其中P th,i为第i时段的热负荷；r fl,i为燃料电池第i时段的热电比值；μ br_bl为余热锅炉废热回收效率；P gb,i为第i时段燃气锅炉功率。
所述电网功率交换约束如表达式6所示，P ex,min≤P ex,i≤P ex,max，其中P ex,min和P ex,max分别为电网功率交换的最大值和最小值。
所述燃料电池运行约束如表达式7所示，
Figure PCTCN2018122398-appb-000006
其中△P fl-up和△P fl-down分别为燃料电池单位时段内功率最大增发量和最大减发量；P fl-max和P fl-min分别为余热锅炉的最大和最小功率，燃料电池在时间段i的发电效率
Figure PCTCN2018122398-appb-000007
和热点比值
Figure PCTCN2018122398-appb-000008
是其负荷因子L i的函数。
所述余热锅炉运行约束如表达式8所示，P bl,min≤P fl,ir fl,iμ hr-bl≤P bl,max，其中P bl,max和P bl,min分别为燃气锅 炉的最大和最小功率。
所述燃气锅炉运行约束如表达式9所示，P gb,min≤P gb,i≤P gb,max，其中P gb,max和P gb,min分别为燃气锅炉的最大和最小功率。
所述蓄电池运行约束如表达式10所示，
Figure PCTCN2018122398-appb-000009
其中j＝1,2,L,n，P bt,max和P bt,min分别为蓄电池的最大和最小充放电功率；W bt,max和W bt,min分别为蓄电池的最大和最小储能量；式
Figure PCTCN2018122398-appb-000010
表示蓄电池最终储能量与初始储能量相等。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2是基于蒙特卡洛随机抽样的多目标进化算法求解优化模型的。这里首先说明算法中涉及到的基于蒙特卡洛抽样方法的机会约束处理方法，包括目标函数的处理(记为COO_F)和约束条件的处理(记为COO_C)。目标函数的处理定义为：对于带有随机变量ε的目标函数，如表达式11所示，
Figure PCTCN2018122398-appb-000011
处理方法如下，根据随机变量ε的概率分布
Figure PCTCN2018122398-appb-000012
生成N个独立的随机向量，ε i(i＝1,2,L N)，置f i＝f(x,ε i)，取N′＝[βN]，根据大数定律，取序列{f 1,f 2,L f N}中的第N′个最小的元素作为目标函数值。约束条件的处理定义为，对于带有随机变量ε的机会约束，如表达式 12所示，Pr{g(x,ε)≤f}≥α，处理方法如下，置计数器N′＝0，根据随机变量ε的概率分布
Figure PCTCN2018122398-appb-000013
生成随机变量ε，如果g(x,ε)≤0成立，则N′＝N′+1，返回生成随机变量ε的步骤，执行N次循环，如果N′/N≥α则机会约束成立，否则不成立。接下来说明本发明创造具体实施方式中步骤2具体过程，所述步骤2包括以下步骤：
步骤21.初始化算法参数以及系统运行参数，所述算法参数包括种群规模N以及终止条件maxGen，所述系统运行参数包括费用参数、功率参数以及随机变量分布参数，此外，根据各时段风电、光伏功率以及热电负荷等随机变量的分布参数，生成各时段的风电、光伏功率以及热电负荷；
步骤22.设置当期代数gen＝1，初始化种群，随机生成含100个个体的，作为父代的种群S，其中第h个个体x h表示如下，
Figure PCTCN2018122398-appb-000014
其长度为96；
步骤23.若当前代数gen大于终止条件maxGen，则终止计算，输出种群S的非支配解，否则基于当前的种群S，通过遗传种族算子，产生由N个新个体组成的，作为子代的种群Sc；
步骤24.将种群S与种群Sc合并，得到规模为200的合种群S all，即S all＝SUSc，对合种群S all中的个体进行排序，根据去、排序结果从前往后选取100个个体作为新的父代种群S；
步骤S25.令gen＝gen+1，返回步骤S23。
具体地，步骤S23中包括针对当前种群S内的每个个体x i，结合随机选择的另外两个个体x m和x n，通过表达式12生成新的个体x new，其中
Figure PCTCN2018122398-appb-000015
表示新个体的第k列变量值，
Figure PCTCN2018122398-appb-000016
表示一个临时变量值，
Figure PCTCN2018122398-appb-000017
Figure PCTCN2018122398-appb-000018
和
Figure PCTCN2018122398-appb-000019
分别表示个体i、个体m和个体n的第k个变量值，这里k＝[1,2,…,96]；F和CR分别为该操作的两个参数，这里设置为0.9和0.05；rand表示位于区间(0,1)的随机数；k rand表示一个随机产生的位于区间[1,96]的整数；floor()表示向下取整函数，
Figure PCTCN2018122398-appb-000020
如表达式13所示，
Figure PCTCN2018122398-appb-000021
如表达式14所示，
Figure PCTCN2018122398-appb-000022
若产生的新个体为非可行解，即变量值超出了定义的上下界，利用表达式15进行修正为可行解，
Figure PCTCN2018122398-appb-000023
其中ub k和lb k分别表示第k个变量的上下界。
步骤S24中是根据个体的约束程度度量进行排序的，规则如下，对于个体A和个体B，根据约束条件的处理过程，判断两个个体是否符合约束条件，若两个个体均为非可行解，则违反约束项程度低的个体更优，若两个个体都为满足约束条件(即均为可行解)，则按照个体所处的非劣层及拥挤距离进行排序，具体指处于第i非劣层的个体优于第j(j>i)非劣层的个体；处于同一非劣层的个体，拥挤距离大的个体更优。
而步骤S24中计算约束度度量过程具体包括：计算个体x在每一个约束条件下，第i次蒙特卡洛抽样下，违反约束项ci的程度，记为COV i Ci＝max{g(x,ε)-f,0}，以N次随机抽样后max{g(x,ε)-f,0}的均值
Figure PCTCN2018122398-appb-000024
作为个体x违反当前约束项Ci的程度。对于多个约束项，需要将违反各个约束项的程度求和作为最终值，即
Figure PCTCN2018122398-appb-000025
其中cn为约束条件的个数。
而步骤S24中种群个体非劣分层方法具体包括将种群中的个体归一化；获取每一个目标函数f m的最大值max(f m)和最小值，min(f m)，目标函数f m是指表达式1中的f cost和f emission，然后依据表达式16将每个个体目标函数值转换到区间[0,1]，表达式16如下所示，
Figure PCTCN2018122398-appb-000026
其中，f m(x)表示进化过程中个体x的第m个目标的原始目标函数值，其计算方法，如目标函数的过程所述，
Figure PCTCN2018122398-appb-000027
表示个体x归一化后的目标函数值；找出种群S all中不被任何个体约束Pareto支配的个体，并保存在集合A1中，作为第一非劣层；当下列其中一个条件满足时，个体x约束支配个体y，第一，个体x和y均满足约束条件且x p y；第二，个体x满足约束条件，而y不满足约束条件；第三，个体x和y均不满足约束条件，个体x违反约束条件的程度小于个体y违反约束条件的程度。x p y表示个体x支配个体y，当且仅当
Figure PCTCN2018122398-appb-000028
f j(x)<f j(y)，M表示目标函数个数；即个体x在所有目标函数上不差于个体y，并且x 至少在一个目标函数上优于y；从S all中除去所有在集合A1中的个体，剩余合成种群记为S all\A 1，重复将种群归一化，找出种群S all\A 1中不被任何个体约束Pareto支配的个体，并保存在集合A2中，作为第二非劣层；重复上述操作，知道整个种群被分层完毕。
而步骤S24中拥挤距离可看为个体xi周围包含个体xi但不包含其他个体的最小长方形；拥挤距离越小，说明个体周围越稠密，其计算方法如下，针对每个目标函数f m，对种群内的个体进行排序，对于边界个体(即拥有最小f m值的个体)，定义拥挤距离为无穷大，同一非劣层中除边界外的其他个体x i的拥挤距离为，
Figure PCTCN2018122398-appb-000029
其中
Figure PCTCN2018122398-appb-000030
和
Figure PCTCN2018122398-appb-000031
分别表示当前种群中目标函数f m的最大值和最小值；
Figure PCTCN2018122398-appb-000032
和
Figure PCTCN2018122398-appb-000033
分别表示第i-1和i+1个个体的目标函数值。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤3中所述决策者偏好信息包括最大运行费用容忍值以及最大污染物排放量。具体地，当决策者对系统运行费用比较重视时，给定最大运行费用容忍值，即f cost<Cost，选择污染物排放最低的方案，即f emission最小化；当决策者比较重视污染物排放时，给定最大污染物排放量的容忍值，即f emission<Emission，选择污染物排放最低的方案，即f cost最小化。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

  1. 一种含风光可再生能源的热电联供系统运行方法，其特征在于，包括以下步骤：
    步骤1.设置含再生能源的系统优化目标以及约束函数，建立优化模型；
    步骤2.基于蒙特卡洛随机抽样的多目标优化算法，求解所述优化模型，获取多个Pareto最优解；
    步骤3.设置决策者偏好信息，从多个Pareto最优解中选择一个最为热电联供系统的运行方案。
  2. 根据权利要求1所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，所述系统优化目标是指最小化系统运行费用以及最小化系统污染排放量，基于所述系统优化目标所建立的优化模型如表达式1所示，
    Figure PCTCN2018122398-appb-100001
  3. 根据权利要求2所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，所述系统运行费用包括电网购电费、燃料电池使用费、天然气使用费、微源维护费以及电网售电收入；所述系统污染物排放量包括燃气锅炉燃烧天然气所产生的气体的总排放量。
  4. 根据权利要求2所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，所述约束函数包括电能平衡约束、热能平衡约束、 电网功率交换约束、燃料电池运行约束、余热锅炉运行约束、燃气锅炉运行约束以及蓄电池运行约束。
  5. 根据权利要求1所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，所述步骤2包括以下步骤：
    步骤21.初始化算法参数以及系统运行参数，所述算法参数包括种群规模N以及终止条件maxGen，所述系统运行参数包括费用参数、功率参数以及随机变量分布参数；
    步骤22.设置当期代数gen＝1，初始化种群，随机生成含100个个体的，作为父代的种群S；
    步骤23.若当前代数gen大于终止条件maxGen，则终止计算，输出种群S的非支配解，否则基于当前的种群S，通过遗传种族算子，产生由N个新个体组成的，作为子代的种群Sc；
    步骤24.将种群S与种群Sc合并，得到规模为200的合种群S all，即S all＝SUSc，对合种群S all中的个体进行排序，根据排序结果从前往后选取100个个体作为新的父代种群S；
    步骤S25.令gen＝gen+1，返回步骤S23。
  6. 根据权利要求1所述的一种含风光可再生能源的热电联供系统运行方法，其特征在于，步骤3中所述决策者偏好信息包括最大运行费用容忍值以及最大污染物排放量。
PCT/CN2018/122398 2018-01-02 2018-12-20 一种含风光可再生能源的热电联供系统运行方法 WO2019134532A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810001374.3 2018-01-02
CN201810001374.3A CN108173283B (zh) 2018-01-02 2018-01-02 一种含风光可再生能源的热电联供系统运行方法

Publications (1)

Publication Number Publication Date
WO2019134532A1 true WO2019134532A1 (zh) 2019-07-11

Family

ID=62517188

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/122398 WO2019134532A1 (zh) 2018-01-02 2018-12-20 一种含风光可再生能源的热电联供系统运行方法

Country Status (2)

Country Link
CN (1) CN108173283B (zh)
WO (1) WO2019134532A1 (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN110555618A (zh) * 2019-09-06 2019-12-10 东北大学 基于改进樽海鞘算法的网络化综合能源系统优化调度方法
CN110661284A (zh) * 2019-08-20 2020-01-07 四川大学 多目标约束下的水光蓄互补发电系统容量优化配置方法
CN110765627A (zh) * 2019-10-30 2020-02-07 汉谷云智(武汉)科技有限公司 一种基于大数据的热电企业汽轮机组智能操作优化系统及方法
CN111090946A (zh) * 2019-12-24 2020-05-01 青海民族大学 一种复合太阳能集热系统集热面积的优化方法
CN111275308A (zh) * 2020-01-16 2020-06-12 北京邮电大学 一种资源分配方法及装置
CN111523204A (zh) * 2020-03-31 2020-08-11 杭州鸿晟电力设计咨询有限公司 一种并网型综合能源网电-气储能系统优化配置求解方法
CN111753431A (zh) * 2020-06-29 2020-10-09 国网山西省电力公司电力科学研究院 综合能源系统中最优配置的计算方法和计算设备
CN111898801A (zh) * 2020-06-28 2020-11-06 国网上海能源互联网研究院有限公司 一种用于配置多能互补供电系统的方法及系统
CN112803567A (zh) * 2021-01-29 2021-05-14 西安交通大学 基于智能楼宇光储供电设备的参数优化设计方法及系统
CN112825159A (zh) * 2019-11-20 2021-05-21 天津大学 气化工艺参数区间确定装置及方法
CN113408777A (zh) * 2021-03-19 2021-09-17 国网辽宁省电力有限公司 一种基于cls-pso算法的多目标电、气、热供暖协调方法
CN113852098A (zh) * 2021-09-22 2021-12-28 云南电网有限责任公司电力科学研究院 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN113850692A (zh) * 2021-09-26 2021-12-28 天津大学 一种基于深度学习的城市供水系统闸泵群优化调度方法
CN113991751A (zh) * 2021-10-27 2022-01-28 云南电网有限责任公司电力科学研究院 一种基于混合算法的自动发电控制调度方法
CN114004065A (zh) * 2021-10-12 2022-02-01 上海电机学院 基于智能算法和环境约束下的变电站工程多目标优化方法
CN114037354A (zh) * 2021-12-06 2022-02-11 河北师范大学 一种冷热电联供系统容量优化配置的方法
CN114156948A (zh) * 2022-01-11 2022-03-08 合肥工业大学 工业园区氢能综合利用站的能量管理方法
CN114707289A (zh) * 2021-12-28 2022-07-05 国网江苏省电力有限公司经济技术研究院 基于机会约束的电热耦合综合能源系统多目标优化方法
CN114971000A (zh) * 2022-05-18 2022-08-30 东南大学 一种计及供需不平衡率的综合能源系统配置优化方法
CN115147014A (zh) * 2022-08-31 2022-10-04 国网浙江省电力有限公司宁波供电公司 一种综合能源系统的多目标均衡分配方法
CN115238505A (zh) * 2022-07-27 2022-10-25 国网山东省电力公司枣庄供电公司 基于风光场站的热电氢联供型系统优化配置方法及系统
CN115619145A (zh) * 2022-10-14 2023-01-17 国网江苏省电力有限公司电力科学研究院 用于综合能源系统的协同控制方法、装置及计算机设备
CN116307513A (zh) * 2023-02-01 2023-06-23 华能国际电力股份有限公司上海石洞口第二电厂 一种基于改进moea/d算法的火电厂配煤方案优化方法
CN117151701A (zh) * 2023-10-31 2023-12-01 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117332991A (zh) * 2023-11-24 2024-01-02 国网天津市电力公司电力科学研究院 一种基于综合能源需求的系统能效优化方法及装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108173283B (zh) * 2018-01-02 2021-06-01 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法
CN110165688B (zh) * 2019-04-24 2022-08-30 南京邮电大学 热电联产型混合可再生能源系统优化设计方法及装置
CN110752610B (zh) * 2019-10-23 2021-07-27 国家电网有限公司 含储热罐的热电联产机组的电功率调节方法
CN113127944B (zh) * 2021-04-28 2024-03-26 奇瑞汽车股份有限公司 一种电池箱轻量化的优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065197A (zh) * 2012-12-12 2013-04-24 中国能源建设集团广东省电力设计研究院 分布式冷热电联供系统的优化配置方法
CN105676646A (zh) * 2016-03-11 2016-06-15 国网天津市电力公司 一种冷热电联供系统优化运行的线性化方法
CN106527142A (zh) * 2016-12-06 2017-03-22 国网江苏省电力公司徐州供电公司 一种有源配电网环境下的冷热电联供系统协调调度方法
CN106980704A (zh) * 2017-02-13 2017-07-25 上海交通大学 应用于多电飞机停电负荷的多目标转供策略柔性优化方法
CN107392460A (zh) * 2017-07-17 2017-11-24 华北电力大学 一种水库群多目标调度风险分析最佳均衡解的获取方法
CN107482638A (zh) * 2017-07-21 2017-12-15 杭州电子科技大学 冷热电联供型微电网多目标动态优化调度方法
CN108173283A (zh) * 2018-01-02 2018-06-15 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7991512B2 (en) * 2007-08-28 2011-08-02 General Electric Company Hybrid robust predictive optimization method of power system dispatch
CN103617460A (zh) * 2013-12-06 2014-03-05 天津大学 冷热电联供微网系统的双层优化规划设计方法
CN105550766A (zh) * 2015-12-04 2016-05-04 山东大学 一种含可再生能源的微网鲁棒多目标运行优化方法
CN106779361B (zh) * 2016-12-02 2018-01-23 中国人民解放军国防科学技术大学 并网混合可再生能源系统的多目标优化设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065197A (zh) * 2012-12-12 2013-04-24 中国能源建设集团广东省电力设计研究院 分布式冷热电联供系统的优化配置方法
CN105676646A (zh) * 2016-03-11 2016-06-15 国网天津市电力公司 一种冷热电联供系统优化运行的线性化方法
CN106527142A (zh) * 2016-12-06 2017-03-22 国网江苏省电力公司徐州供电公司 一种有源配电网环境下的冷热电联供系统协调调度方法
CN106980704A (zh) * 2017-02-13 2017-07-25 上海交通大学 应用于多电飞机停电负荷的多目标转供策略柔性优化方法
CN107392460A (zh) * 2017-07-17 2017-11-24 华北电力大学 一种水库群多目标调度风险分析最佳均衡解的获取方法
CN107482638A (zh) * 2017-07-21 2017-12-15 杭州电子科技大学 冷热电联供型微电网多目标动态优化调度方法
CN108173283A (zh) * 2018-01-02 2018-06-15 佛山科学技术学院 一种含风光可再生能源的热电联供系统运行方法

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516851B (zh) * 2019-08-05 2023-09-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN110516851A (zh) * 2019-08-05 2019-11-29 华北电力大学 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法
CN110661284A (zh) * 2019-08-20 2020-01-07 四川大学 多目标约束下的水光蓄互补发电系统容量优化配置方法
CN110555618A (zh) * 2019-09-06 2019-12-10 东北大学 基于改进樽海鞘算法的网络化综合能源系统优化调度方法
CN110555618B (zh) * 2019-09-06 2023-01-13 东北大学 基于改进樽海鞘算法的网络化综合能源系统优化调度方法
CN110765627A (zh) * 2019-10-30 2020-02-07 汉谷云智(武汉)科技有限公司 一种基于大数据的热电企业汽轮机组智能操作优化系统及方法
CN110765627B (zh) * 2019-10-30 2023-07-14 汉谷云智(武汉)科技有限公司 基于大数据的热电企业汽轮机组智能操作优化系统及方法
CN112825159A (zh) * 2019-11-20 2021-05-21 天津大学 气化工艺参数区间确定装置及方法
CN112825159B (zh) * 2019-11-20 2022-11-29 天津大学 气化工艺参数区间确定装置及方法
CN111090946A (zh) * 2019-12-24 2020-05-01 青海民族大学 一种复合太阳能集热系统集热面积的优化方法
CN111275308B (zh) * 2020-01-16 2023-04-18 北京邮电大学 一种资源分配方法及装置
CN111275308A (zh) * 2020-01-16 2020-06-12 北京邮电大学 一种资源分配方法及装置
CN111523204B (zh) * 2020-03-31 2023-09-22 杭州鸿晟电力设计咨询有限公司 一种并网型综合能源网电-气储能系统优化配置求解方法
CN111523204A (zh) * 2020-03-31 2020-08-11 杭州鸿晟电力设计咨询有限公司 一种并网型综合能源网电-气储能系统优化配置求解方法
CN111898801A (zh) * 2020-06-28 2020-11-06 国网上海能源互联网研究院有限公司 一种用于配置多能互补供电系统的方法及系统
CN111898801B (zh) * 2020-06-28 2024-04-23 国网上海能源互联网研究院有限公司 一种用于配置多能互补供电系统的方法及系统
CN111753431B (zh) * 2020-06-29 2023-08-18 国网山西省电力公司电力科学研究院 综合能源系统中最优配置的计算方法和计算设备
CN111753431A (zh) * 2020-06-29 2020-10-09 国网山西省电力公司电力科学研究院 综合能源系统中最优配置的计算方法和计算设备
CN112803567A (zh) * 2021-01-29 2021-05-14 西安交通大学 基于智能楼宇光储供电设备的参数优化设计方法及系统
CN113408777A (zh) * 2021-03-19 2021-09-17 国网辽宁省电力有限公司 一种基于cls-pso算法的多目标电、气、热供暖协调方法
CN113408777B (zh) * 2021-03-19 2024-03-01 国网辽宁省电力有限公司 一种基于cls-pso算法的多目标电、气、热供暖协调方法
CN113852098A (zh) * 2021-09-22 2021-12-28 云南电网有限责任公司电力科学研究院 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN113852098B (zh) * 2021-09-22 2024-02-09 云南电网有限责任公司电力科学研究院 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN113850692A (zh) * 2021-09-26 2021-12-28 天津大学 一种基于深度学习的城市供水系统闸泵群优化调度方法
CN114004065A (zh) * 2021-10-12 2022-02-01 上海电机学院 基于智能算法和环境约束下的变电站工程多目标优化方法
CN113991751A (zh) * 2021-10-27 2022-01-28 云南电网有限责任公司电力科学研究院 一种基于混合算法的自动发电控制调度方法
CN113991751B (zh) * 2021-10-27 2023-11-17 云南电网有限责任公司电力科学研究院 一种基于混合算法的自动发电控制调度方法
CN114037354A (zh) * 2021-12-06 2022-02-11 河北师范大学 一种冷热电联供系统容量优化配置的方法
CN114037354B (zh) * 2021-12-06 2024-06-04 河北师范大学 一种冷热电联供系统容量优化配置的方法
CN114707289B (zh) * 2021-12-28 2023-07-18 国网江苏省电力有限公司经济技术研究院 基于机会约束的电热耦合综合能源系统多目标优化方法
CN114707289A (zh) * 2021-12-28 2022-07-05 国网江苏省电力有限公司经济技术研究院 基于机会约束的电热耦合综合能源系统多目标优化方法
CN114156948A (zh) * 2022-01-11 2022-03-08 合肥工业大学 工业园区氢能综合利用站的能量管理方法
CN114971000B (zh) * 2022-05-18 2024-04-30 东南大学 一种计及供需不平衡率的综合能源系统配置优化方法
CN114971000A (zh) * 2022-05-18 2022-08-30 东南大学 一种计及供需不平衡率的综合能源系统配置优化方法
CN115238505B (zh) * 2022-07-27 2024-02-13 国网山东省电力公司枣庄供电公司 基于风光场站的热电氢联供型系统优化配置方法及系统
CN115238505A (zh) * 2022-07-27 2022-10-25 国网山东省电力公司枣庄供电公司 基于风光场站的热电氢联供型系统优化配置方法及系统
CN115147014A (zh) * 2022-08-31 2022-10-04 国网浙江省电力有限公司宁波供电公司 一种综合能源系统的多目标均衡分配方法
CN115619145B (zh) * 2022-10-14 2024-03-19 国网江苏省电力有限公司电力科学研究院 用于综合能源系统的协同控制方法、装置及计算机设备
CN115619145A (zh) * 2022-10-14 2023-01-17 国网江苏省电力有限公司电力科学研究院 用于综合能源系统的协同控制方法、装置及计算机设备
CN116307513B (zh) * 2023-02-01 2023-12-22 华能国际电力股份有限公司上海石洞口第二电厂 一种基于改进moea/d算法的火电厂配煤方案优化方法
CN116307513A (zh) * 2023-02-01 2023-06-23 华能国际电力股份有限公司上海石洞口第二电厂 一种基于改进moea/d算法的火电厂配煤方案优化方法
CN117151701B (zh) * 2023-10-31 2024-02-09 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117151701A (zh) * 2023-10-31 2023-12-01 山东欣历能源有限公司 一种热电联产的工业余热回收利用系统
CN117332991A (zh) * 2023-11-24 2024-01-02 国网天津市电力公司电力科学研究院 一种基于综合能源需求的系统能效优化方法及装置
CN117332991B (zh) * 2023-11-24 2024-03-19 国网天津市电力公司电力科学研究院 一种基于综合能源需求的系统能效优化方法及装置

Also Published As

Publication number Publication date
CN108173283A (zh) 2018-06-15
CN108173283B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
WO2019134532A1 (zh) 一种含风光可再生能源的热电联供系统运行方法
CN111463836B (zh) 一种综合能源系统优化调度方法
CN109523065B (zh) 一种基于改进量子粒子群算法的微能源网优化调度方法
CN108764519B (zh) 一种园区能源互联网能源设备容量优化配置方法
CN107508328A (zh) 考虑风电消纳的联合系统能量优化方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN105550766A (zh) 一种含可再生能源的微网鲁棒多目标运行优化方法
Li et al. Performance evaluation of solar hybrid combined cooling, heating and power systems: A multi-objective arithmetic optimization algorithm
CN114662752B (zh) 基于价格型需求响应模型的综合能源系统运行优化方法
CN108206543A (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN106127389A (zh) 一种虚拟电厂热电联合调度鲁棒优化模型
Wang et al. Optimal operation strategy of multi-energy complementary distributed CCHP system and its application on commercial building
CN105977991A (zh) 一种考虑价格型需求响应的独立型微网优化配置方法
CN112069720A (zh) 一种综合能源系统及其运行优化方法
CN112270433B (zh) 考虑可再生能源不确定性和用户满意度的微电网优化方法
CN109286187A (zh) 一种面向多主体利益均衡的微网日前经济调度方法
CN105958537A (zh) 面向能源互联网的能源转换系统及其优化控制方法
CN108512238A (zh) 基于需求侧响应的智能家居两阶段优化调度方法
CN110994606A (zh) 一种基于复杂适应系统理论的多能源电源容量配置方法
CN114997715A (zh) 基于改进模糊c均值聚类的冷热电联供系统配置方法
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
Liu et al. SARAP algorithm of multi-objective optimal capacity configuration for WT-PV-DE-BES stand-alone microgrid
CN110504684B (zh) 一种区域多微网系统日前优化调度方法
CN113988392B (zh) 一种考虑可靠性需求响应的微网优化规划方法
CN115207911A (zh) 一种基于电价激励的工业厂级及微网负荷优化调度方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18898506

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18898506

Country of ref document: EP

Kind code of ref document: A1