【技術實現步驟摘要】
本專利技術涉及一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，屬于建筑能源系統與人工智能交叉領域。
技術介紹
1、由于可再生能源(如風能與光伏)存在間歇性和波動性等特征，大規模可再生能源并網將對能源系統運行的高效性、可靠性、穩定性以及安全性造成負面影響。在這一背景下，含氫能源系統受到廣泛關注。具體而言，含氫能源系統中的氫能存儲系統可將過剩的可再生能源轉化為氫氣進行存儲，并能夠在能源短缺時消耗氫氣進行供能。氫能作為一種清潔能源，利用其開發能量存儲系統具有許多優點，例如：存儲與運輸方式靈活、存儲容量大以及零污染等。而且，含氫能源系統中氫能存儲系統與其他能量存儲系統的高效協同將會進一步提高能源效率和促進可再生能源的利用。因此，設計含氫能源系統的高效運行算法具有重大意義。
2、現有研究中，許多方法被提出以優化含氫能源系統的運行，主要包括基于模型的方法(如遺傳算法、模型預測控制、粒子群算法、benders分解以及魯棒優化等)和基于學習的方法(如深度確定性策略梯度和多智能體雙延遲確定性策略梯度等)。同時，由于建筑具有巨大的能量消耗以及可提供較高的需求靈活性，含氫建筑能源系統受到廣泛關注。針對含氫建筑能源系統，許多運行優化方法被提出，例如：多智能體深度確定性策略梯度、元啟發式多目標優化以及李雅普諾夫優化等。盡管上述方法取得了一定進展，但它們忽略了在電能、熱能以及冷能三種需求下含氫建筑能源系統的用戶舒適控制。事實上，高效的室內用戶舒適控制將減少能源需求，從而減少含氫建筑能源系統運行成本和提高系統可靠性。因此，研究考慮室內用戶舒適
3、綜上所述，現有含氫建筑能源系統運行優化方法均存在不足，亟需研究一種離網模式下含氫建筑能源系統可靠經濟運行優化的新方法，在維持室內環境舒適的前提下，降低含氫建筑能源系統運行成本并提升系統可靠性。
技術實現思路
1、針對現有技術存在的不足，本專利技術提供了一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其目的在于實現含氫建筑能源系統運行成本、系統可靠性以及用戶舒適性的聯合優化，彌補現有運行優化方法未考慮室內舒適控制的不足，解決現有基于模型的方法需要明確的室內環境動力學模型和現有基于學習的方法需要與真實環境或準確仿真環境進行大量次數交互的技術問題。
2、為達到上述目的，本專利技術采用下述技術方案實現：
3、本專利技術提供了一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，包括：
4、(1)在維持室內舒適環境的前提下，建模離網模式下含氫建筑能源系統運行優化問題；
5、(2)建模基于物理嵌入式神經網絡的室內環境動力學模型；
6、(3)提出基于物理嵌入式神經網絡輔助分層模型預測控制的運行優化方法求解上述建模問題；
7、(4)將所提含氫建筑能源系統運行優化方法部署于實際運行系統；
8、進一步地，所述的離網模式下含氫建筑能源系統運行優化問題包括決策變量、約束條件以及目標函數。
9、所述決策變量at包括t時隙建筑暖通空調系統供風速率vt、風閥位置dt、供風溫度tt以及供風濕度比wt，光伏實際輸出功率ppv,t，電解槽輸入功率pel,t，燃料電池輸出功率pfc,t，吸附式制冷機輸入熱能qac,t，燃料電池多余熱能qw,t，地源熱泵制熱/制冷輸入功率pgsh,t/pgsc,t，電鍋爐輸入功率peb,t，熱水罐輸入/輸出熱功率qtc,t/qtd,t，冷水罐輸入/輸出冷功率以ccc,t/ccd,t及買氫量mt。
10、所述約束條件包括：建筑暖通空調系統運行約束、光伏運行約束、氫能存儲系統運行約束、熱水罐運行約束、冷水罐運行約束、電鍋爐運行約束、地源熱泵運行約束、吸附式制冷機運行約束以及能量平衡約束。
11、所述建筑暖通空調系統運行約束為：
12、
13、tmin≤ttin≤tmax,(3)
14、
15、
16、其中：ttin，wtin以及分別表示t時隙室內溫度、室內濕度比以及室內相對濕度,相對室內濕度為室內溫度和室內濕度的函數；ttout和wtout分別表示t時隙室外溫度和室外濕度比；et表示t時隙光照強度；ξt和ψt分別表示與光照、用戶以及照明相關的室內熱擾動以及濕度擾動；和分別表示室內溫度和室內濕度的動態性模型；tmin和tmax分別表示室內舒適溫度的下限與上限；和分別表示室內舒適相對濕度的下限與上限；和分別表示室內高溫高濕不舒適邊界和高溫低濕不舒適邊界，具體計算公式如下：其中：βht,βhh,δht,δlh,γ分別表示建模上述邊界的系數；vmin和vmax分別表示供風速率調節的最小值與最大值；dmin和dmax分別表示風閥位置調節的最小值與最大值；tca,t和tha,t分別表示t時隙冷卻溫度和加熱溫度，tma,t表示t時隙混合空氣溫度；wca,t和wha,t分別表示t時隙除濕濕度比和加濕濕度比，wma,t表示t時隙混合空氣濕度比，表示最大加濕濕度比；ηfan表示供風風扇系數；ηwv表示水蒸發潛熱，ηhum表示加濕盤管效率；ηpa，ηcc以及copcc分別表示空氣比熱容、冷卻盤管效率以及冷卻盤管性能系數；表示建筑暖通空調運行時隙，和分別表示夏季和冬季；δt表示時隙長度。
17、所述光伏運行約束為：
18、
19、其中：表示t時隙光伏最大發電量，和hpv分別表示t時隙光伏發電效率和光照面積；ppv,t表示t時隙光伏實際利用量。
20、所述氫能存儲系統運行約束為：
21、
22、0≤ht≤hmax,(16)
23、pel,t·pfc,t＝0,?(17)
24、
25、0≤mt≤mmax,(20)
26、qfc,t＝ωe2hωhrpfc,tδt,?(21)
27、其中：ht表示t時隙氫罐存儲量；ωel和ωfc分別表示電解槽電-氫轉換效率和燃料電池氫-電轉換效率；pel,t和pfc,t分別表示t時隙電解槽輸入功率和燃料電池輸出功率；mt表示t時隙買氫量；hmax表示氫罐最大存儲量；和分別表示電解槽最大輸入功率和燃料電池最大輸出功率；mmax表示最大買氫量；qfc,t表示t時隙燃料電池產熱量，ωe2h和ωhr分別表示燃料電池電-熱轉換效率和熱回收效率。
28、所述熱水罐運行約束為：
29、
30、
31、qtc,t·qtd,t＝0,?(26)
32、其中：mhwt,t表示t時隙熱水罐存儲量；ωtc和ωtd分別表示熱水罐熱功率輸入效率和輸出效率；qtc,t和qtd,t分別表示t時隙熱輸入功率和熱輸出功率；表示熱水罐最大存儲量；和分別表示熱水罐最大輸本文檔來自技高網...
【技術保護點】
1.一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述運行優化方法包括如下步驟：
2.根據權利要求1所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟1中建模的離網模式下含氫建筑能源系統運行優化問題包括決策變量、約束條件以及目標函數；
3.根據權利要求1所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟2中建模的基于物理嵌入式神經網絡的室內環境動力學模型包括兩個模塊，即黑盒模塊和物理模塊；黑盒模塊由一深度神經網絡組成，輸入為室外光照強度et，輸出為由光照強度引起的室內溫度擾動Tb,t+1和室內濕度比擾動Wb,t+1；物理模塊的輸入為室內溫度Ttin，室外溫度Ttout，室內濕度比Wtin，室外濕度比Wtout，供風速率vt、風閥位置dt、供風溫度Tt以及供風濕度比wt，輸出為由明確物理定律描述的室內溫度Tp,t+1和室內濕度比Wp,t+1；采用最小化損失函數訓練方式得到所提基于物理嵌入式神經網絡的室內環境動力學模型，所設計的獎勵函數如下：
4.根據權利要求1所述的一種離網
5.根據權利要求4所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟4.1中重新建模的上層室內舒適偏離最小化子問題如下：
6.根據權利要求4所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟4.1中重新建模的下層運行成本和系統可靠性聯合優化子問題如下：
7.根據權利要求4所述的基于物理嵌入式神經網絡輔助分層模型預測控制的運行優化方法，其特征在于，所述步驟4.2中部署的物理嵌入式神經網絡輔助的上層模型預測控制算法利用梯度下降方法求解當前時隙和未來h-1個時隙的最優上層決策，即所述利用梯度下降法求解最優上層決策具體步驟為：首先設定梯度下降迭代目標當前迭代次數k＝0，最大迭代次數kmax；若當前時隙t處于暖通空調系統運行時隙上層算法讀取當前狀態并輸出當前時隙與未來h-1個時隙的上層決策aupp,t,aupp,t+1,…,aupp,t+h-1；若且k＜kmax，則進入迭代：
8.根據權利要求4所述的基于物理嵌入式神經網絡輔助分層模型預測控制的運行優化方法，其特征在于，所述步驟4.3中部署的下層模型預測控制方法主要通過將所提(P3)轉化為混合整數線性規劃問題(P4)進行求解當前時隙和未來X-1個時隙的最優下層決策，即所述混合整數線性規劃問題(P4)具體如下：
9.根據權利要求1所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟4中部署所提運行優化方法的實際運行系統包括含氫建筑能源系統運行環境模塊和基于物理嵌入式神經網絡輔助分層模型預測控制的實時決策模塊；
...【技術特征摘要】
1.一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述運行優化方法包括如下步驟：
2.根據權利要求1所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟1中建模的離網模式下含氫建筑能源系統運行優化問題包括決策變量、約束條件以及目標函數；
3.根據權利要求1所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟2中建模的基于物理嵌入式神經網絡的室內環境動力學模型包括兩個模塊，即黑盒模塊和物理模塊；黑盒模塊由一深度神經網絡組成，輸入為室外光照強度et，輸出為由光照強度引起的室內溫度擾動tb,t+1和室內濕度比擾動wb,t+1；物理模塊的輸入為室內溫度ttin，室外溫度ttout，室內濕度比wtin，室外濕度比wtout，供風速率vt、風閥位置dt、供風溫度tt以及供風濕度比wt，輸出為由明確物理定律描述的室內溫度tp,t+1和室內濕度比wp,t+1；采用最小化損失函數訓練方式得到所提基于物理嵌入式神經網絡的室內環境動力學模型，所設計的獎勵函數如下：
4.根據權利要求1所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟3中提出的基于物理嵌入式神經網絡輔助分層模型預測控制的運行優化方法設計如下：
5.根據權利要求4所述的一種離網模式下含氫建筑能源系統可靠經濟運行優化方法，其特征在于，所述步驟4.1中重新建模的上層室內舒...
【專利技術屬性】
技術研發人員：余亮，陳志強，顧家成，王梓丹，岳東，張廷軍，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。