随着用户从消费者向产消者转型,越来越多用户有了储电、储热、蓄冷的需求,然而储能的高成本成为了用户侧储能的阻碍,为了解决这一问题,将云储能模式与冷热电联供型(combined cooling heating and power,CCHP)区域综合能源系统进行结合,...随着用户从消费者向产消者转型,越来越多用户有了储电、储热、蓄冷的需求,然而储能的高成本成为了用户侧储能的阻碍,为了解决这一问题,将云储能模式与冷热电联供型(combined cooling heating and power,CCHP)区域综合能源系统进行结合,提出了冷热电联供型区域综合能源系统电/热/冷云储能优化配置模型。首先,构建冷热电联供型区域综合能源系统的结构,并分析其输入、输出转化关系;然后对用户以及云储能提供商的充放能行为进行分析,分别从两主体的角度建立两阶段储能优化配置模型,第一阶段以用户总成本最小为目标对用户储能需求进行优化,第二阶段则在云储能提供商整合用户需求后,以云储能提供商成本最小为目标进行储能配置优化。最后,通过算例验证了云储能模式在储能配置中应用的优势,并对比分析了系统中有无蓄冷以及碳排放因素对储能优化配置的影响。展开更多
现有的数据中心节能降碳优化方法没有综合考虑碳足迹涉及的能源输入、生产耗能以及废余利用等环节的耦合性,难以实现系统性节能降碳。为此,提出了一种基于深度强化学习的优化算法DeepCCHP(deep combined cooling,heating and power gene...现有的数据中心节能降碳优化方法没有综合考虑碳足迹涉及的能源输入、生产耗能以及废余利用等环节的耦合性,难以实现系统性节能降碳。为此,提出了一种基于深度强化学习的优化算法DeepCCHP(deep combined cooling,heating and power generation),针对数据中心冷热电联产系统,联合控制供电子系统和制冷子系统,优化用电成本、碳排放量和能效。DeepCCHP结合长、短期时间序列网络和深度强化学习方法对联合优化问题进行求解,实现前摄式的联合控制发电设备和制冷设备。在基于Trnsys软件的仿真环境中,通过阿里巴巴数据中心集群数据的训练和验证。实验结果表明,与基准算法相比,DeepCCHP算法可以节省最高40%的成本和28%的碳排放量,且能够在能源成本、碳排放和能效三者之间取得更好的折中与平衡。展开更多
文摘随着用户从消费者向产消者转型,越来越多用户有了储电、储热、蓄冷的需求,然而储能的高成本成为了用户侧储能的阻碍,为了解决这一问题,将云储能模式与冷热电联供型(combined cooling heating and power,CCHP)区域综合能源系统进行结合,提出了冷热电联供型区域综合能源系统电/热/冷云储能优化配置模型。首先,构建冷热电联供型区域综合能源系统的结构,并分析其输入、输出转化关系;然后对用户以及云储能提供商的充放能行为进行分析,分别从两主体的角度建立两阶段储能优化配置模型,第一阶段以用户总成本最小为目标对用户储能需求进行优化,第二阶段则在云储能提供商整合用户需求后,以云储能提供商成本最小为目标进行储能配置优化。最后,通过算例验证了云储能模式在储能配置中应用的优势,并对比分析了系统中有无蓄冷以及碳排放因素对储能优化配置的影响。
文摘现有的数据中心节能降碳优化方法没有综合考虑碳足迹涉及的能源输入、生产耗能以及废余利用等环节的耦合性,难以实现系统性节能降碳。为此,提出了一种基于深度强化学习的优化算法DeepCCHP(deep combined cooling,heating and power generation),针对数据中心冷热电联产系统,联合控制供电子系统和制冷子系统,优化用电成本、碳排放量和能效。DeepCCHP结合长、短期时间序列网络和深度强化学习方法对联合优化问题进行求解,实现前摄式的联合控制发电设备和制冷设备。在基于Trnsys软件的仿真环境中,通过阿里巴巴数据中心集群数据的训练和验证。实验结果表明,与基准算法相比,DeepCCHP算法可以节省最高40%的成本和28%的碳排放量,且能够在能源成本、碳排放和能效三者之间取得更好的折中与平衡。
