基于能质系数的综合能源系统（IES）源荷匹配度量化方法与容量配置优化研究。
综合能源系统（Integrated Energy System, IES）同时涉及电、热、冷三种能源形式。在进行设备容量配置优化时，需要量化"源侧供能"与"荷侧需求"之间的匹配程度。
核心问题：电、热、冷三种能源的"品质"不同——1kWh电能可以完全转化为热或冷，但1kWh热能无法完全转化为电。传统方法直接将三种能源的功率数值相加或分别计算，忽略了这种品质差异，导致优化结果偏离实际最优。
解决思路：引入热力学中的能质系数（Exergy Quality Factor），基于卡诺因子将不同形式的能源折算到统一标尺（有效能/㶲），再计算源荷匹配度。
能质系数定义：
- λ_e = 1.0（电能，品质最高，完全可转化）
- λ_h = 1 - T₀/T_h ≈ 0.6（热能，70°C供热，部分可转化）
- λ_c = (T₀ - T_c)/T_c ≈ 0.5（冷能，7°C供冷，部分可转化）
提出三维能质耦合欧氏距离作为源荷匹配度指标：
M = (1/T) × Σ √[(λ_e × P_net_e)² + (λ_h × P_net_h)² + (λ_c × P_net_c)²]
其中 P_net = P_supply - P_demand 为各能源形式的净负荷（供需差），T=8760小时。
与现有方法的区别：
- 方案B（师兄方法）：σ(P_net_e) + σ(P_net_h) + σ(P_net_c)，三种能源独立计算标准差再相加，没有能质加权，也没有耦合
- 方案D（皮尔逊）：只看供需曲线的趋势相关性，不看绝对大小
- 方案E（自给率）：只看总量是否自给自足，不区分能源品质
卡诺电池（Carnot Battery）是一种新型长时储能技术，工作原理为"电→热储存→电"：
- 充电：用电驱动热泵，将电能转化为高温热能储存
- 放电：用热机（ORC）将热能转化回电能
- 往返效率（RTE）：约55-70%
- 副产品：充电过程中的余热可回收供热，体现能质梯级利用
在优化框架中增加2个决策变量（卡诺电池功率和容量），使优化器能自动决定是否配置卡诺电池及其最优容量。
┌─────────────────────────────────────────────────┐
│ 上层：NSGA-II 遗传算法 │
│ 决策变量：9~11个设备容量 (kW) │
│ 目标：min(年化总成本) + min(源荷匹配度) │
│ 输出：Pareto最优解集 │
│ │
│ 每个个体 → 调用下层求解 │
│ ┌───────────────────────────────────────────┐ │
│ │ 下层：OEMOF-SOLPH 线性规划 │ │
│ │ 给定设备容量，求解24h最优运行调度 │ │
│ │ 14个典型日 × 加权 → 年化运行成本 │ │
│ │ 输出：各设备逐时出力、购网电量、运行成本 │ │
│ └───────────────────────────────────────────┘ │
└─────────────────────────────────────────────────┘
| 索引 | 变量 | 含义 | 德国上界(kW) | 松山湖上界(kW) |
|---|---|---|---|---|
| 0 | ppv | 光伏容量 | 10000 | 1000 |
| 1 | pwt | 风电容量 | 10000 | 0（无风） |
| 2 | pgt | 燃气CHP容量 | 10000 | 800 |
| 3 | php | 电热泵容量 | 3000 | 300 |
| 4 | pec | 电制冷容量 | 1000 | 5000 |
| 5 | pac | 吸收式制冷容量 | 1000 | 1500 |
| 6 | pes | 电储能功率 | 20000 | 2000 |
| 7 | phs | 热储能功率 | 6000 | 500 |
| 8 | pcs | 冷储能功率 | 2000 | 3000 |
| 9* | cb_power | 卡诺电池功率 | 2000 | 500 |
| 10* | cb_capacity | 卡诺电池容量(kWh) | 10000 | 3000 |
*索引9-10仅在启用卡诺电池时存在
目标1：年化总成本
Cost = Σ(invest_coeff_i × capacity_i) # 设备年化投资
+ storage_fixed × (phs>0) + (pcs>0) # 储能固定成本
+ capacity_charge × max_grid_power # 容量电费（德国特有）
+ Σ(typical_day_OC × weight) # 年化运行成本
+ cb_invest_power × cb_power # 卡诺电池投资（可选）
+ cb_invest_capacity × cb_capacity
目标2：源荷匹配度（5种方法，越小越好）
| 方案 | 方法 | 公式 | 特点 |
|---|---|---|---|
| A | economic_only | 无（单目标） | 基准：纯经济最优 |
| B | std | σ(P_net_e) + σ(P_net_h) + σ(P_net_c) | 师兄方法：净负荷波动率 |
| C | euclidean | (1/T)Σ√[(λ_e·P_e)²+(λ_h·P_h)²+(λ_c·P_c)²] | 本文创新：能质耦合 |
| D | pearson | (1 - avg_corr) × 1000 | 只看趋势不看大小 |
| E | ssr | (1 - self_sufficiency) × 1000 | 只看总量不看能质 |
input/output ele_bus heat_bus cool_bus gas_bus
| | | | |
wt(风电) |--------->| | | |
pv(光伏) |--------->| | | |
grid(电网) |--------->| | | |
gas(天然气) |--------------------------------------->|
| | | | |
gt(燃气CHP) |<---------------------------------------|
|--------->| | | (耗气发电)
|------------------->| | (余热供热)
| | | | |
ehp(电热泵) |<---------| | | (耗电)
|------------------->| | (产热)
| | | | |
ec(电制冷) |<---------| | | (耗电)
|----------------------------->| (产冷)
| | | | |
ac(吸收式制冷) |<-------------------| | (耗热)
|----------------------------->| (产冷)
| | | | |
es(电储能) |<-------->| | | (充放电)
hs(热储能) | |<------->| | (蓄放热)
cs(冷储能) | | |<------->| (蓄放冷)
| | | | |
carnot_battery* |<-------->| | | (电储能)
cb_heat_recovery* |--------->|--->---->| | (余热回收)
| | | | |
ele_demand(电负荷) |<---------| | | |
heat_demand(热负荷) | |<--------| | |
cool_demand(冷负荷) | | |<--------| |
*仅在启用卡诺电池时存在
全年8760小时直接优化计算量太大。使用K-Medoids聚类将365天压缩为14个典型日（336小时），加速约26倍。每个典型日有权重（代表的天数），加权求和得到年化值。
| 指标 | 德国案例 | 松山湖案例 |
|---|---|---|
| 位置 | 德国（温带大陆性气候） | 东莞松山湖（亚热带季风气候） |
| 建筑类型 | 工业园区 | 科研产业综合体（A3/A4/A5栋） |
| 建筑面积 | — | 44,938 m² |
| 负荷特征 | 热主导 | 冷主导 |
| 年电负荷 | 1,758万kWh | 167万kWh |
| 年热负荷 | 512万kWh | 59万kWh（生活热水） |
| 年冷负荷 | 233万kWh | 291万kWh |
| 冷负荷峰值 | 356 kW | 5,797 kW |
| 冷/热比 | 0.46 | 4.96 |
| 温度范围 | -9 ~ 32°C | 6 ~ 38°C |
| 风速均值 | 4.9 m/s | 1.8 m/s（城区，不配风电） |
| 电价 | 0.0025 €/kWh + 114.29 €/(kW·a)容量费 | 0.6746 ¥/kWh 统一电价 |
| 气价 | 0.0286 €/kWh | 0.45 ¥/kWh |
| CHP效率 | η_e=0.33, η_h=0.50 | η_e=0.35, η_h=0.45 (CAT G3512E) |
| 电制冷COP | 2.87 | 3.5（高效离心机组） |
| 电热泵COP | 4.44 | 4.0 |
| 数据来源 | 师兄EI论文实测数据 | 松山湖示范方案PDF月度数据合成 |
两个案例形成"热主导 vs 冷主导"的对比，验证方法的普适性：
- 德国案例：能质系数中 λ_h=0.6 的热权重起主要作用
- 松山湖案例：能质系数中 λ_c=0.5 的冷权重起主要作用
| 实验 | 案例 | 方法 | 卡诺电池 | 目的 |
|---|---|---|---|---|
| 1 | 德国 | A+B+C+D+E | 无 | 创新点1主实验：证明方案C优于其他方法 |
| 2 | 松山湖 | B+C | 无 | 普适性验证：不同负荷结构下方案C仍然更优 |
| 3 | 松山湖 | C | 无→有 | 创新点2：卡诺电池对匹配度和经济性的影响 |
| 4 | 松山湖 | B+C | 有 | 串联验证：含卡诺电池时能质耦合方法仍优于传统方法 |
# 测试模式（每组约1分钟，验证流程）
uv run python run.py --exp 1 --test-run
uv run python run.py --exp 2 --test-run
uv run python run.py --exp 3 --test-run
uv run python run.py --exp 4 --test-run
uv run python run.py --exp all --test-run # 一次跑完
# 正式模式（每组约1-3小时，nind=50, maxgen=100）
uv run python run.py --exp 1
uv run python run.py --exp all- Pareto前沿对比：5种方法的Pareto前沿画在同一张图，方案C应更靠近原点
- 设备配置对比：不同方法推荐的设备容量差异，方案C应更合理地平衡电热冷
- 运行特性对比：年购网电量、弃风弃光率、系统综合能效
- 能质系数消融：令λ=1,1,1去掉能质加权，验证能质系数的必要性
- 卡诺电池效果：有/无卡诺电池的匹配度和成本变化
# 预设模式
uv run python run.py --mode test # nind=10, maxgen=5, 2种方法
uv run python run.py --mode quick # nind=20, maxgen=20, 3种方法
uv run python run.py --mode full # nind=50, maxgen=100, 5种方法
# 自定义模式
uv run python run.py --mode custom --nind 40 --maxgen 80 --methods std euclidean
# 指定案例和卡诺电池
uv run python run.py --case songshan_lake --mode test
uv run python run.py --case songshan_lake --carnot --mode test
# 环境检查
uv run python run.py --check- Python 3.8+（项目使用 3.8）
- uv 包管理器
- Gurobi 求解器（主求解器，需许可证）或 GLPK（备用）
- 核心库：geatpy（遗传算法）、oemof.solph（能源系统建模）、pyomo（优化建模）
- 数据库：pandas、numpy、matplotlib、scipy
# 1. 安装 uv（如果没有）
pip install uv
# 2. 安装项目依赖
uv sync
# 3. 配置 Gurobi 许可证
# 将 gurobi.lic 放到 C:\Users\ikun\gurobi.lic
# 或修改 run.py 和 cchp_gaproblem.py 中的路径
# 4. 验证环境
uv run python run.py --checkies_optimization/
│
├── 核心代码（4个文件构成完整优化框架）
│ ├── run.py # 主入口：命令行解析、实验预设、环境检查
│ ├── case_config.py # 案例配置：德国/松山湖的全部参数
│ ├── cchp_gaproblem.py # 上层优化：NSGA-II问题定义、目标函数计算
│ ├── cchp_gasolution.py # 实验编排：运行对比实验、保存结果、生成报告
│ └── operation.py # 下层调度：OEMOF能源系统建模与求解
│
├── data/ # 输入数据
│ ├── mergedData.csv # 德国案例 8760h×6列 负荷+气象数据
│ ├── typicalDayData.xlsx # 德国案例 14个典型日聚类结果
│ ├── songshan_lake_data.csv # 松山湖案例 8760h×6列（合成数据）
│ ├── songshan_lake_typical.xlsx # 松山湖案例 14个典型日
│ └── optimizationData.xlsx # 投资系数（旧格式，已迁移到case_config）
│
├── scripts/ # 辅助脚本
│ ├── generate_songshan_data.py # 松山湖负荷数据生成（基于PDF月度数据）
│ ├── kmeans_clustering.py # K-Medoids典型日聚类算法
│ └── test_feasibility.py # 环境检查和单次求解可行性测试
│
├── Results/ # 实验结果（自动生成，git忽略）
│ └── CCHP_{case}_{timestamp}/
│ ├── Economic/Std/Euclidean/... # 各方法的Pareto解集
│ ├── comparison_report.md # 对比分析报告
│ └── Pareto_Comparison.png # Pareto前沿对比图
│
├── 结果分析与展示脚本/ # 后处理
│ ├── cchp_result_analysis.py # 结果深度分析（设备配置、运行特性）
│ ├── method_comparison.py # 方法对比可视化
│ └── operationRunable.py # 单方案运行调度可视化
│
├── 卡诺电池探索/ # 卡诺电池研究资料
│ ├── carnot_battery_module.py # 卡诺电池完整模块（3种技术路线）
│ ├── operation_carnot_integration.py # OEMOF集成示例
│ └── *.md # 研究路线图和集成指南
│
├── 参考资料/ # 参考文献
│ ├── 毕业论文-孔凡淇-终稿.pdf # 师兄毕业论文（原始框架来源）
│ ├── 计及㶲效率的...pdf # 㶲效率+IES规划参考论文
│ └── perplexity研究.md # 文献调研笔记
│
├── 松山湖/ # 松山湖项目资料
│ ├── 松山湖社区示范方案.pdf # 核心数据来源（负荷、设备、电价）
│ ├── 23中芬国网配套项目代码库模块/ # 设备模块Python代码
│ └── 单元模块库/ # 8类能源设备标准化模块
│
├── 系统参数/ # 设备成本和参数PDF
├── 研究思路/ # 研究笔记、论文撰写、创新点分析
├── 另外系统/ # 简化版电-热系统（无冷，用于对比）
├── 测试/ # 调试和验证脚本
│
├── CLAUDE.md # AI助手技术文档（新会话快速上手）
├── pyproject.toml # 项目配置和依赖声明
└── uv.lock # 依赖锁定文件
8760行（全年逐时）× 6列：
| 列名 | 含义 | 单位 |
|---|---|---|
| ele_load(kW) | 电负荷 | kW |
| heat_load(kW) | 热负荷 | kW |
| cool_load(kW) | 冷负荷 | kW |
| solarRadiation(W/m-2) | 太阳辐射 | W/m² |
| windSpeed(m/s) | 风速 | m/s |
| temperature(C) | 环境温度 | °C |
14行 × 3列：
| 列名 | 含义 |
|---|---|
| typicalDayId | 典型日在365天中的编号（1-365） |
| weight | 该典型日代表的天数（14个权重之和=365） |
| days | 被代表的所有天的编号，逗号分隔 |
松山湖负荷数据由 scripts/generate_songshan_data.py 合成，数据来源为松山湖示范方案PDF：
- 月度冷负荷总量：严格匹配PDF表4（误差<1%）
- 月度电负荷总量：非空调电(69.59万kWh/年) + 空调耗电(97.05万kWh/年)，按月分配
- 冷负荷峰值：5,797 kW（匹配PDF设计值）
- 年总电负荷：166.6万kWh（匹配PDF的166.64万kWh）
- 年总冷负荷：290.8万kWh（匹配PDF的291.15万kWh）
- 热负荷：生活热水为主，约58.7万kWh/年（PDF未给出具体数据，根据1万人估算）
- 气象数据：东莞典型气象年合成（年均温22.7°C，太阳辐射均值172W/m²）
每组实验输出到 Results/CCHP_{case}_{timestamp}/ 目录：
CCHP_german_03-17-10-53/
├── Economic/
│ ├── ObjV_Economic.csv # 目标值矩阵 [N×1]（单目标）
│ ├── Phen_Economic.csv # 决策变量矩阵 [N×9]
│ ├── Chrom_Economic.csv # 染色体矩阵
│ ├── FitnV_Economic.csv # 适应度矩阵
│ └── Pareto_Economic.csv # 完整Pareto表（目标+变量，带列名）
├── Std/ # 同上结构
├── Euclidean/
├── Pearson/
├── SSR/
├── comparison_report.md # Markdown格式对比报告
└── Pareto_Comparison.png # 所有方法Pareto前沿对比图
Pareto CSV 列格式：
Solution_ID, Economic_Cost, Matching_Index, PV, WT, GT, HP, EC, AC, ES, HS, CS [, CB_Power, CB_Capacity]