考虑用户舒适度的冷热电多能互补综合能源系统优化调度-邹云阳 主要内容： 针对综合能源系统优化调度的研究，具体包括： 1.建立含风光、P2G、燃气轮机、燃气锅炉等多能耦合元件的运行特性模型 2.电、热、冷、气多能稳态能流模型 3.冷、热负荷考虑热惯性得出，电、气负荷和风电光伏预测得出。 4.并网模式下考虑经济成本最优、碳排放最优的优化调度模型

在能源领域，综合能源系统优化调度一直是个热门研究方向。今天咱就来深入唠唠邹云阳关于“考虑用户舒适度的冷热电多能互补综合能源系统优化调度”的研究。

多能耦合元件运行特性模型搭建

首当其冲的，是要建立含风光、P2G、燃气轮机、燃气锅炉等多能耦合元件的运行特性模型。就拿风光来说，这是可再生能源的代表。以光伏为例，其功率输出和光照强度、温度等因素密切相关。简单用Python代码模拟下它的功率输出（当然，实际要复杂得多）：

import math


def pv_power(irradiance, temperature):
    # 标准条件下的功率
    p0 = 1000  
    # 温度系数
    alpha = -0.0045  
    t0 = 25  
    # 简单模拟光伏功率输出
    power = p0 * irradiance / 1000 * (1 + alpha * (temperature - t0))
    return power

这段代码里，pv_power函数接受光照强度irradiance和温度temperature作为参数，通过给定的标准功率p0、温度系数alpha等参数来大致估算光伏的功率输出。P2G（Power - to - Gas）则是将电能转化为气体能源（比如氢气或者甲烷），这是能源存储和转换的重要环节。燃气轮机和燃气锅炉，它们在能源转换和供应热、电等方面发挥着关键作用。这些元件各自的运行特性模型搭建好了，整个综合能源系统的运行分析才有基础。

多能稳态能流模型

电、热、冷、气多能稳态能流模型也是重头戏。这个模型描述了在稳定状态下，各种能源形式如何在系统中流动和转换。比如说，燃气轮机燃烧天然气产生高温高压气体，推动涡轮转动发电，同时产生的高温废气可以用于供热，这就涉及到了气 - 电 - 热的能量转换和流动。在代码层面，我们可以用一些矩阵运算来模拟不同能源之间的转换关系（以简单的热电转换矩阵为例，用Python的numpy库）：

import numpy as np


# 假设热电转换矩阵，行代表输入能源，列代表输出能源
# 第一行是电，第二行是热
# 第一列是电输入，第二列是热输入
conversion_matrix = np.array([[1, 0], [0.8, 0.2]])

# 假设输入能源向量，第一元素是电输入量，第二元素是热输入量
input_energy = np.array([100, 50])

output_energy = np.dot(conversion_matrix, input_energy)
print(output_energy)

这里通过conversionmatrix这个矩阵来定义热电转换关系，inputenergy是输入能源量，通过矩阵乘法np.dot得到输出能源量，形象地展示了能源在转换过程中的数量关系。

负荷获取

冷、热负荷可不是随便来的，它们是考虑热惯性得出的。热惯性就像是物体对温度变化的一种“抵抗”。比如说建筑物的墙体，白天吸收热量，晚上慢慢释放，这就体现了热惯性。而电、气负荷和风电光伏则是通过预测得出。预测方法多种多样，像时间序列分析、机器学习算法都可以派上用场。以简单的时间序列预测电负荷为例（用Python的pandas和statsmodels库）：

import pandas as pd
import statsmodels.api as sm


# 假设我们有历史电负荷数据
data = pd.read_csv('electric_load_history.csv', parse_dates=['date'], index_col='date')

# 简单的ARIMA模型，这里p, d, q 先随便假设为1, 1, 1
model = sm.tsa.ARIMA(data['load'], order=(1, 1, 1))
model_fit = model.fit(disp=0)

# 预测未来10个时间点的负荷
forecast = model_fit.get_forecast(steps = 10)
forecast_mean = forecast.predicted_mean
print(forecast_mean)

这段代码读取历史电负荷数据，用ARIMA模型进行拟合，然后预测未来10个时间点的电负荷。实际应用中，会根据具体情况调整模型参数，提高预测精度。

并网模式下的优化调度模型

最后说说并网模式下考虑经济成本最优、碳排放最优的优化调度模型。在并网模式下，系统和大电网相连，可以进行电力的买卖。我们的目标是在满足用户冷、热、电需求的同时，让经济成本最低，碳排放也最低。这就需要用到优化算法，比如遗传算法、粒子群算法等。以简单的遗传算法框架为例（用Python的DEAP库）：

import random
from deap import base, creator, tools


# 创建适应度函数，这里假设是经济成本和碳排放的加权和
creator.create("FitnessMin", base.Fitness, weights=(-1.0, -1.0))
creator.create("Individual", list, fitness = creator.FitnessMin)

toolbox = base.Toolbox()

# 假设决策变量是各个能源设备的运行状态，取值0或1
toolbox.register("attr_bool", random.randint, 0, 1)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n = 5)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)


def evaluate(individual):
    # 这里要根据具体的经济成本和碳排放计算逻辑来写
    cost = sum(individual)  
    carbon_emission = sum(individual) * 0.5  
    return cost, carbon_emission


toolbox.register("evaluate", evaluate)
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutFlipBit, indpb = 0.05)
toolbox.register("select", tools.selTournament, tournsize = 3)


pop = toolbox.population(n = 50)
NGEN = 100

for gen in range(NGEN):
    offspring = toolbox.select(pop, len(pop))
    offspring = list(map(toolbox.clone, offspring))

    for child1, child2 in zip(offspring[::2], offspring[1::2]):
        if random.random() < 0.5:
            toolbox.mate(child1, child2)
            del child1.fitness.values
            del child2.fitness.values

    for mutant in offspring:
        if random.random() < 0.1:
            toolbox.mutate(mutant)
            del mutant.fitness.values

    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitnesses = map(toolbox.evaluate, invalid_ind)
    for ind, fit in zip(invalid_ind, fitnesses):
        ind.fitness.values = fit

    pop[:] = offspring

这段代码简单搭建了遗传算法的框架，定义了个体、种群、适应度函数等。在实际应用中，evaluate函数里的经济成本和碳排放计算逻辑要根据具体的能源系统参数和市场价格等进行精确计算。通过这样的优化调度模型，我们就能在不同的约束条件下找到最优的能源调度方案，既省钱又环保，还能满足用户的舒适度需求。

考虑用户舒适度的冷热电多能互补综合能源系统优化调度-邹云阳 主要内容： 针对综合能源系统优化调度的研究，具体包括： 1.建立含风光、P2G、燃气轮机、燃气锅炉等多能耦合元件的运行特性模型 2.电、热、冷、气多能稳态能流模型 3.冷、热负荷考虑热惯性得出，电、气负荷和风电光伏预测得出。 4.并网模式下考虑经济成本最优、碳排放最优的优化调度模型

总的来说，邹云阳的这个研究对于综合能源系统的高效运行和可持续发展有着重要意义，多能耦合元件模型、能流模型、负荷获取和优化调度模型几个方面环环相扣，为我们展现了一个全面的综合能源系统优化调度图景。