(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210962350.0 (22)申请日 2022.08.11 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 钟崴　章宁　林小杰　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 万尾甜　韩介梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于随机优化的可再生热源容量设计 优化方法 (57)摘要 本发明公开了一种基于随机优化的可再生 热源容量设计优化方法， 该方法首先获得可再生 热源的出力功率和用热对象 的热负荷情况， 然后 划分多个场景， 采用变分推断计算概率密度函数 和可信区间， 根据不同场景对可再生热源容量设 计进行优化， 由此减少供热系统的可再生热源设 计容量的保守度， 提升可再生能源的消纳能力， 保障供热系统的安全 稳定运行和供热品质。 采用 本发明方法可以在很大程度地满足热负荷前提 下， 尽可能少的设计可再生热源容量， 提高供热 系统的总体经济性， 提高可再生能源 供热系统的 供需匹配程度。 权利要求书3页 说明书8页 附图1页 CN 115239015 A 2022.10.25 CN 115239015 A 1.一种基于随机优化的可 再生热源容 量设计优化方法， 其特 征在于， 包括如下步骤： S1， 通过历史数据得到用热对象的热负荷数据和用热对象所在地区对应的原始天气数 据， 基于每 个原始天气数据计算可 再生热源出力； S2， 根据得到的可 再生热源出力的数据特 征划分得到多个不同的场景； S3， 针对任一场景， 对不同时刻下的可再生热源数据进行概率区间计算， 得到不同场景 下各个时段对应的可信区间上 下限； S4， 在各个的场景下， 将各个时刻的可再生热源的可信区间上下限， 与对应时段的热负 荷进行供需匹配， 计算得到可 再生热源出力和热负荷的消纳成本； S5， 根据供需匹配结果， 对可 再生热源设计容 量进行随机优化。 2.根据权利要求1所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述 步骤S1包括如下步骤： 步骤S11， 根据已有的用热对象的历史用能情况， 得到该用热对象的热负荷数据； 根据 用热对象所在地区， 基于网络公开数据集获得包括环境温度和光照强度的原 始天气数据； 步骤S12， 包含n个时段的原始天气数据集表示为{x1， x2， ...xm...， xn}； 原始天气数据xm 包含对应时段m、 环境温度T、 光照强度S， 计算m时段对应的可再生热源出力Qm， 从而可得到 可再生热源出力数据集{Q1， Q2， ...， Qn}； 其中， Qm的计算公式为： Qm＝ η·ηt·ηel·A·S 式中， S为给定m时段对应的光照强度； A为有效总光照面积， 即光伏板总面积； ηel为m时 段对应环境温度下的光伏板实际发电效率； ηt为逆变器转换效率， 其值为94％； η为可再生 热源的电热转换效率； ηel的计算公式为： ηel＝ ηref·[1+β·(T‑Tref)] 式中， ηref为在工作温度和光照强度分别为25℃和1000W/m2的情况下的参考发电效率， 其值为14.7％； Tref为参考工作温度其值为25℃； β 为温度因子， 其值为 ‑0.45％/K； T为给定m 时段下的光伏板实际工作温度， 假设其与环境温度相等。 3.根据权利要求2所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述 步骤S2具体为： 基于一年四个季节， 将计算得到的全年各个时段的可再生热源出力划分成四个部分， 分别对应四个不同的季节场景。 4.根据权利要求3所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述 步骤S3包括如下步骤： 步骤S31， 针对每个场景下处于相同时段的可再生热源数据， 首先根据数据特征假定其 可能符合的概率分布， 然后通过变分推 断不断更新假定概率分布的参数， 从而计算得到概 率密度函数f(x)； 步骤S32， 基于计算得到的可再生热源概率密度函数f(x)， 根据预先设置的可信度计算 比如贝叶斯 等尾可信区间， 得到对应的可信区间上 下限[a， b]。 5.根据权利要求4所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述的步骤S31具体为： 针对某一场景 下处于m时段的可 再生热源出力， 其 概率密度函数的计算方法为：权　利　要　求　书 1/3 页 2 CN 115239015 A 2假设该数据样本服从正态分布， 那么其 概率密度函数 可以表示 为： 式中， Q为该可再生热源数据集下的热源功率样本； Qmax为样本中的最大值， 用于归一化 输入量； μ和σ 为需要通过变分推断进行 更新的参数； 首先初始化该概率密度函数参数 μ和σ； 然后通过最小化KL散度来得到最接近真实分布 的结果； 通过不断地提供相同场景下同一时段的数据， 从而不断地更新迭代其原始的参数 μ 和σ， 最终得到一个迭代完成该场景 下m时段所有数据的概 率密度函数。 6.根据权利要求4所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述 步骤S4具体为： 对于相同场景， 同一时刻下的热负荷和可 再生热源出力， 其消纳成本计算 为： Costu＝Qpredu|Case‑Load|Case Costl＝Qpredl|Case‑Load|Case 式中， Case代表特定的场景， Qpredu|Case和Qpredl|Case分别代表了对应场景下不同时刻 的可再生热源区间上限和区间下限， Load|Case代表对应场景下不同时段 的热负荷， Costu 和Costl分别代表了可再生热源区间上限和下限与热负荷进行供需匹配后得到对应的消 纳 成本。 7.根据权利要求6所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述 步骤S4中， 消纳成本的计算结果包括以下三种情况： 情况1： 情况2： 情况3： 针对这三种可能的情况， 最终根据各个场景和时刻计算得到的供需匹配总消纳成本 tCost的方法为： tCost＝∑Cost Cost为相同时刻下计算得到可再生热源和热负荷的消纳成本， a和b为正参数， 可以根 据具体的案例和后续随机优化的情况进行调整。 8.根据权利要求7所述的一种基于随机优化的可再生热源容量设计优化方法， 其特征 在于， 所述步骤S5具体为： 在给定的场景下， 基于获得可再生热源和热负荷的消纳成本， 对权　利　要　求　书 2/3 页 3 CN 115239015 A 3