基于ORC的新型系统的碳排放调控系统、方法和介质

基于orc的新型系统的碳排放调控系统、方法和介质
技术领域
1.本发明涉及光谱信息处理领域，特别是涉及基于orc的新型系统的碳排放调控系统、方法和介质。


背景技术：

2.随着科学技术的不断发展，我国能源消耗日益增长，石油、煤炭、天然气等化石能源的过度使用，面临着能源短缺以及环境污染的困境。因此，对于清洁能源或者可再生能源的研究具有重要意义，包括生物质能、太阳能、风能等能源。同时对运行过程中产生的废气进行二次利用，能够有效提高能源使用率，并且利用改进的算法对系统消耗的能量进行优化。
3.传统的冷热电联供系统主要以天然气等化石能源为燃料，虽然提高了能源利用率，但是不利于环境性指标。
4.传统的orc循环系统主要以低温余热作为热源，但是低温热源不稳定性高，难以保证系统高效运行。


技术实现要素：

5.发明目的：本发明的目的是提供基于orc的新型系统的碳排放调控系统和方法，能够有效提高能源利用率以及减少二氧化碳排放量，并提升发电效率的稳定。
6.技术方案：一种基于orc的新型系统的碳排放调控系统，该系统包括：生物质锅炉和太阳能集热器作为热源与蒸发器相连，蒸发器与膨胀机、发电机、电能存储器和电网依次连接，发电机产生的电量与电网相互补给，实现供电功能；膨胀机与冷凝器、储液器、工质泵、蒸发器依次闭环连接；生物质锅炉与第一级烟气—水换热器、吸收式热泵、第二级烟气—水换热器、热网回水和吸收式热泵依次连接，废热型溴化锂冷水机组与吸收式热泵相连，实现供冷功能；太阳能集热器和第二级烟气—水换热器相连，实现供热功能。
7.进一步地，还包括风力发电机组与发电机相连，风力发电机组用于提高发电机额定转速。
8.一种结合改进后的粒子群算法优化上述的各个供能系统消耗的能量，改进后的粒子群算法包括如下步骤：
9.步骤1：初始化参数，输入各供能系统消耗的主要能量参数；
10.步骤2：计算每个个体的适应度值，更新全局最优位置；
11.步骤3：进入主循环，更新调节因子和自适应权重；
12.步骤4：判断个体适应度值是否小于种群平均适应度值，若是，按照随机比例进行交叉操作，反之，按照一定规律作为比例系数进行交叉操作更新最优个体位置；
13.步骤5：随机产生预判变异概率，判断变异概率是否小于预判变异概率，若是，则进行变异操作，反之，进入步骤6；
14.步骤6：形成下一代种群，更新全局最优位置；
15.步骤7：判断是否达到最大迭代进化次数，若没有则返回步骤3，反之，输出最优各个供能系统消耗的能量解；
16.步骤8：将最优各个供能系统消耗的能量解代入碳排放指标。
17.进一步地，步骤3具体包括：
18.调节因子q关系式为：
[0019][0020]
自适应权重w关系式为：
[0021][0022]
其中，m为随机参数，取值范围为[0,2]，令迭代次数t＝1，最大迭代进化次数为g。
[0023]
进一步地，步骤4具体包括：
[0024]
随机交叉关系式为：
[0025][0026]
规律交叉关系式为：
[0027][0028]
ε＝fm/(fm fm)
[0029]
其中，为种群中一个个体，为随机的另一个个体，fn为个体的适应度值，fm为个体的适应度值，μ为一个随机参数，取值范围为[0,1]，ε为按照一定规律进行交叉操作的比例系数。
[0030]
进一步地，步骤5中变异概率m关系式为：
[0031][0032]
进一步地，步骤8具体包括：
[0033]
碳排放指标公式为：
[0034][0035]
为二氧化碳减少量，为二氧化碳排放系数，p
abs
为参考系统消耗的主要能量，p
orc
为模拟orc系统消耗的主要能量，
[0036]
参考系统消耗的主要能量p
abs
为：
[0037]
p
abs
＝ph pc p
out
[0038]
ph为供热系统消耗的能量，pc为供冷系统消耗的能量，p
out
为从电网输出供电系统消耗的能量，
[0039]
模拟orc系统消耗的主要能量p
orc
为：
[0040]
p
orc
＝p
out-p
in
[0041]
其中，p
in
为输入电网供电系统消耗的能量。
[0042]
进一步地，为二氧化碳排放系数取值为0.39。
[0043]
一种计算机可读存储介质，其特征在于，包括供一个或多个处理器执行的一个或多个程序，一个或多个程序包括用于执行如权利要求3-7任一方法的指令。
[0044]
系统工作原理：一种太阳能、风能和生物质能混合利用的基于orc的冷热电联供系统包括：生物质锅炉、蒸发器、膨胀机、发电机、冷凝器、储液器、工质泵、风力发电机组、太阳能集热器、第二级烟气—水换热器、吸收式热泵、电能存储器、电网和废热型溴化锂冷水机组。生物质锅炉和太阳能集热器与蒸发器相连，生物质锅炉和太阳能集热器作为热源，蒸发器中的有机工质吸收获得的热能转变成高温高压的蒸汽。蒸发器、膨胀机和发电机依次连接，从蒸发器中排出的高温高压蒸汽进入膨胀机做功，以此来带动发电机发电。风力发电机组与发电机相连，提高到发电机的额定转速，带动发电机发电。同时发电机、电能存储器和电网依次连接，发电机产生的电量与电网相互补给，发电机供电量不足时，从电网补给，发电机供电量充足时，多余电量存入电能储存器供给电网。膨胀机与冷凝器相连，通过冷凝器将膨胀机排出的降压降温后的蒸汽冷凝。冷凝器、储液器和工质泵依次连接，从冷凝器流出的液态工质进入储液器，再进入工质泵加压。工质泵和蒸发器相连，通过工质泵加压后的有机工质再次回到蒸发器。
[0045]
太阳能集热器和烟气余热回收系统里的第二级烟气—水换热器相连，实现供热功能。
[0046]
废热型溴化锂冷水机组与烟气余热回收系统里的吸收式热泵相连，实现供冷功能，由此完成太阳能、风能和生物质能混合利用的基于orc的冷热电联供系统的环节。
[0047]
有益效果：与现有技术相比，本发明具有如下显著的优点：
[0048]
(1)本发明将太阳能和生物质能混合利用，比仅限一种低温能源作为热源更加稳定，保证有机工质完全蒸发，不会存在气液共存的现象，提高膨胀机的做功效率；
[0049]
(2)该系统结合风能，与仅限一种能源发电相比更加有效，保证了发电效率；
[0050]
(3)对生物质锅炉产生的废气进行余热回收，提高了系统的能源利用率；
[0051]
(4)结合改进后的粒子群算法优化各个供能系统消耗的主要能量参数，可以减少二氧化碳排放量，提高环境性指标。
附图说明
[0052]
图1为本发明系统的示意图；
[0053]
图2为本发明的优化算法流程；
[0054]
图3为本发明的能源利用率对比图；
[0055]
图4为本发明的发电效率对比图；
[0056]
图5为本发明的二氧化碳排放量对比图。
具体实施方式
[0057]
下面结合附图对本发明的技术方案作进一步说明。
[0058]
如图1所示，一种基于orc的冷热电联供系统包括生物质锅炉1、蒸发器2、膨胀机3、发电机4、风力发电机组5、电能存储器6、电网7、冷凝器8、储液器9、工质泵10、太阳能集热器11、第一级烟气—水换热器12、吸收式热泵13、第二级烟气—水换热器14、热网回水15、废热
型溴化锂冷水机组16；形成了囊括太阳能、风能和生物质能混合利用的基于orc的冷热电联供系统、烟气余热回收系统，最后结合改进后的粒子群算法优化各个供能系统消耗的主要能量，减少二氧化碳排放量。
[0059]
太阳能、风能和生物质能混合利用的基于orc的冷热电联供系统中，生物质锅炉1和太阳能集热器11作为热源，蒸发器2中的有机工质吸收获得的热能转变成高温高压的蒸汽，从蒸发器2中排出的高温高压蒸汽进入膨胀机3做功，以此来带动发电机4发电，风力发电机组5提高到发电机4的额定转速，带动发电机4发电。同时发电机4产生的电量与电网7相互补给，发电机4供电量不足时，从电网7补给，发电机4供电量充足时，多余电量存入电能储存器6供给电网7。通过冷凝器8将膨胀机3排出的降压降温后的蒸汽冷凝，从冷凝器8流出的液态工质进入储液器9，再进入工质泵10加压。通过工质泵10加压后的有机工质再次回到蒸发器2。
[0060]
太阳能集热器11和烟气余热回收系统里的第二级烟气—水换热器14相连，实现供热功能。
[0061]
烟气余热回收系统中，生物质锅炉1产生的废气通过第一级烟气—水换热器12，以此来获得高温热水，通过第一级烟气—水换热器12流出的高温热水，来带动吸收式热泵13工作，热网回水15利用吸收式热泵13吸热，然后进入第二级烟气—水换热器14进一步加热，由此完成烟气余热回收系统的环节。废热型溴化锂冷水机组16与烟气余热回收系统里的吸收式热泵13相连，实现供冷功能。由此完成太阳能、风能和生物质能混合利用的基于orc的冷热电联供系统的环节。
[0062]
如图2所示，改进后的粒子群算法优化各个供能系统消耗的主要能量，改进后的粒子群算法包括如下步骤：
[0063]
步骤1：初始化参数，包括随机初始化种群规模大小为s，s取值范围为[20，50]，随机位置为xi，xi取值范围为[0，s]，最大迭代进化次数为g，输入各个供能系统消耗的主要能量参数；
[0064]
步骤2：计算每个个体的适应度值，更新最优位置，令迭代次数t＝1；
[0065]
步骤3：进入主循环，更新调节因子q和自适应权重w，
[0066]
调节因子q关系式为：
[0067][0068]
自适应权重w关系式为：
[0069][0070]
其中，m为随机参数，m的取值范围为[0,2]；
[0071]
步骤4：判断个体适应度值f是否小于种群平均适应度值f(x)，若f小于f(x)，按照随机比例进行交叉操作，反之按照一定规律作为比例系数进行交叉操作更新最优个体位置，随机交叉关系式为：
[0072]
[0073]
规律交叉关系式为：
[0074][0075]
ε＝fm/(fn fm)
[0076]
其中，为种群中一个个体，为随机的另一个个体，fn为个体的适应度值，fm为个体的适应度值，μ为一个随机参数，取值范围为[0,1]，ε为按照一定规律进行交叉操作的比例系数；
[0077]
步骤5：随机产生预判变异概率ms，取值范围为(0，g)，判断变异概率m是否小于预判变异概率ms，若m小于ms，则进行变异操作，反之进入步骤6；
[0078]
变异概率关系式为：
[0079][0080]
步骤6：形成下一代种群，更新最优位置；
[0081]
步骤7：判断是否达到最大迭代进化次数g，若没有则返回步骤3，反之输出最优各个供能系统消耗的能量解；
[0082]
步骤8：将最优各个供能系统消耗的能量解代入碳排放指标公式，
[0083]
碳排放指标公式为：
[0084][0085]
为二氧化碳减少量，为二氧化碳排放系数，取值为0.39，p
abs
为参考系统消耗的主要能量，p
orc
为模拟orc系统消耗的主要能量，
[0086]
参考系统消耗的主要能量p
abs
为：
[0087]
p
abs
＝ph pc p
out
[0088]
ph为供热系统消耗的能量，pc为供冷系统消耗的能量，p
out
为从电网输出供电系统消耗的能量，
[0089]
模拟orc系统消耗的主要能量p
orc
为：
[0090]
p
orc
＝p
out-p
in
[0091]
其中，p
in
为输入电网供电系统消耗的能量。
[0092]
如图3所示，将基于orc的冷热电联供系统与传统冷热电联供系统、传统orc系统进行比较，发现本发明能源利用率明显高于其他两种能源系统。
[0093]
如图4所示，将基于orc的冷热电联供系统与传统冷热电联供系统、传统orc系统进行比较，本发明明显提高了系统的发电效率。
[0094]
如图5所示，将使用改进后的粒子群算法和未使用算法的系统进行比较，发现本发明使用算法优化后，二氧化碳排放量明显减少。
[0095]
本发明的实施例可提供为方法或计算机程序产品，因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0096]
本发明的具体实施方式中，未涉及到的说明属于本领域的公知技术，可参考公知
技术加以实施。