基于神经网络和聚类分析的CCHP系统运行优化

• 作 者: 刘倩颖
• 机 构: 同济大学
• 出 处: 同济大学
• 发表日期: 2018年期
• 关键词: CCHP系统

建筑冷热电三联供系统(CCHP)，又称分布式能源系统，其结构优化和运行策略是影响其经济性能的重要因素。混合整型线性/非线性优化模型是分布式能源优化运行的有效算法之一。然而，由于模型通常采用峰谷不同的电价，且参数及约束条件较多。而且，对于某些类型的建筑，例如办公建筑和医院建筑，由于气候的变化和人员变动的影响，建筑冷热电负荷随季节和时间变动较大。这些因素导致模型建立非常复杂，因而完成全年的CCHP优化运行需要很多的运行时间作为预测基础数据。再者，由于CCHP设备寿命的限制，CCHP系统无法根据实时变化的建筑负荷一直进行调控。为解决这个问题，本文以神经网络算法作为负荷预测算法预测了建筑未来冷热电负荷，接着提出了一种计算建筑全年典型日负荷的方法，将全年的建筑负荷聚为特定的某几类，从而对这些类别的负荷进行运行策略分析。该方法与传统方法对比在经济性方面较为突出，具有良好的实用意义。本文所完成的工作，具体论述如下：
　　基于山东省青岛市能耗监测平台的数据，选取了某个具有CCHP改造潜力的办公建筑，并提取较为完整的2015年、2016年两年的冷热电逐时负荷数据，利用2015年历史负荷数据，结合典型年气象数据(平均温度，湿度，平均风速)，根据冷热电负荷的不同特点，利用MATLAB软件分别对电负荷采取Elman神经网络预测、冷热负荷采取BP神经网络预测，得到2016年全年8760小时负荷数据，并与2016年实际负荷数据进行对比，预测结果显示90%以上的数据预测误差在±10%以内，相关评价指标都达到了良好的精度。
　　在得到2016年全年8760小时负荷数据的基础上，将该数据列成365×24的矩阵。利用MATLAB软件将全年负荷数据进行k-means聚类，根据CH指标显示六类为最佳聚类数。本文提出一种方法，即将每一类的负荷数据取平均值，将每类的平均负荷曲线称为每类的典型负荷日曲线。而假设的CCHP系统机组可以按照这六类典型负荷日来指导全年的运行。将六类聚类数与其他三、四、五、七、八类聚类数以及传统的选取典型日的方法(选取每一季度的峰值负荷日，分摊比例法选取典型日)对比，共同运用在CCHP机组运行优化算例中，采用混合整型线性规划算法，结果显示聚类数为六能获得最低的年化总费用及最高的年总收益。
　　在采用混合整型线性规划算法计算后，得到各个机组的最优容量，同时可以得到每类的供电量、供热量和供冷量，因此确定了每一类中各个机组的负荷分配，并且从定量的角度做了研究分析，这对于实际运行具有重要指导意义。
　　在本文最后对上述CCHP机组进行了敏感性分析。分析了原动机价格波动、天然气价格波动、电价波动对设备容量及投资和运行费用的影响，以及冷热价格对年总收益的影响。分析结果表明，原动机和天然气价格的上升都会引起原动机、吸收式制冷机容量的下降，锅炉、电制冷机容量的上升；电价的上升刚好起到相反的作用。三者价格的上升都会引起年化总费用的上升；冷热价格的上升都会引起年总收益的上升。