公开/公告号CN112749462A
专利类型发明专利
公开/公告日2021-05-04
原文格式PDF
申请/专利权人 西安交通大学;
申请/专利号CN202011639953.4
申请日2020-12-31
分类号G06F30/18(20200101);G06F30/25(20200101);G06Q10/04(20120101);G06Q30/02(20120101);G06Q50/06(20120101);G06F111/04(20200101);G06F113/14(20200101);G06F119/06(20200101);G06F119/08(20200101);
代理机构61200 西安通大专利代理有限责任公司;
代理人范巍
地址 710049 陕西省西安市咸宁西路28号
入库时间 2023-06-19 10:51:07
技术领域
本发明属于综合能源系统优化领域,具体涉及一种综合能源系统当前运行参数的优化方法、系统及设备。
背景技术
随着世界人口的快速增长,人类对传统化石能源的使用量日益增加加快了其枯竭的进程。综合能源系统在热电联产基础上发展起来,它使燃料燃烧产生的具有较高品味的热能通过汽轮机或燃气轮机等热工转换设备发电,同时利用做过功的品味较低的热能在冬季向用户供热、夏季利用消耗热能的制冷机组向用户供冷。综合能源系统可以提高一次能源的利用率,也有助于减轻温室效应和缓解电网用电压力。
目前,尽管对综合能源系统运行优化的理论和成果较多,但是在综合能源系统中的热网的传输特性建模和求解算法的收敛性和全局寻优能力仍存在巨大挑战,因此,考虑热网传输特性和提高求解算法的收敛性和全局寻优能力的综合能源系统运行方法亟待人们研究探索。
发明内容
为了解决现有技术中存在的问题,本发明提供一种综合能源系统当前运行参数的优化方法,实现综合能源的最优经济运行优化目的;采用改进的人工鱼群—粒子群混合优化算法实现采用人工鱼群粗寻全局最优点,再用粒子群算法求出精确解,避免了人工鱼群的精确求解能力弱和粒子群算法对初始粒子位置敏感的缺陷,求出了精确且合理的全局最优解。
为了实现上述目的,本发明采用的技术方案是:一种综合能源系统当前运行参数的优化方法,
基于综合能源系统的约束条件、目标函数和优化变量,采用改进人工鱼群—粒子群混合算法计算得到综合能源系统当前最优运行参数;将人工鱼群算法的全局最优解作为粒子群算法的中粒子群的初始位置,采用粒子群算法求解每个粒子的个体最优解与全局最优解,具体如下:
初始化设定人工鱼群算法参数,根据综合能源系统目标函数更新食物浓度;
根据鱼群四种基本行为更新鱼群位置,使鱼群向全局最优解快速游动;
若已经达到鱼群算法步骤的最大迭代次数,则输出最优鱼群的位置并进入粒子群算法过程;若未达到最大迭代次数,则重复更新食物浓度与鱼群位置,直至达到最大迭代次数;
初始化设定粒子群算法参数,根据系统目标函数计算每个粒子的适应度,求出每个粒子的个体最优解与全局最优解;
采用非线性变化的惯性权重与同步变化的学习因子进行约束,对粒子的速度与位置进行更新,重新计算每个粒子的适应度;
比较每个粒子适应度与其个体最优解,之后对种群中所有粒子的适应度进行从小到大排序,并将最小适应度粒子与种群最优解、种群历史最优解比较,输出当前历史最优解;
判断是否满足最大迭代次数,若满足则输出当前最优运行参数,否则重新计算每个粒子的适应度,求取每个粒子的个体最优解与全局最优解,直至满足最大迭代次数。
根据综合能源系统的配置阐述建立综合能源系统模型并设立边界条件;基于所述边界条件确定综合能源系统的约束条件、目标函数与优化变量;其中目标函数中考虑综合能源系统与外电网交互成本、购气成本、设备运行成本、弃风光成本和碳排放成本。
粒子群算法中,在每次迭代时,粒子在迭代过程中,通过个体最优解和全局最优解更新自身速度和位置过程中引入的非线性变化的惯性权重可表示为:
式中,ω
粒子群算法步骤中的学习因子c
式中,c
所述综合能源系统的约束条件中考虑热网中管道热量损失;向综合能源系统中引入考虑热网中管道热量损失的热网管道传输特性模型,所述热网管道传输特性模型为:
T
Q
Q
式中:c为热媒的比热容;ρ为热媒的密度;T
所述综合能源系统的约束条件如下:
式中:
所述优化的目标函数为:
(1)系统与外电网的交互成本
式中:
(2)系统的购气成本
式中:γ
(3)系统中各设备的运行成本
式中:γ
(4)弃风光成本
式中:γ
(5)碳排放的惩罚成本
在t时段中系统的总碳排放量
式中:
故碳排放的惩罚成本为:
式中:γ
(6)综合目标函数:
式中:
本发明提供一种综合能源系统当前运行参数的优化系统,目标函数获取模块和人工鱼群- 粒子群计算模块;目标函数获取模块用于获取基于综合能源系统的约束条件、目标函数和优化变量;人工鱼群-粒子群计算模块用改进人工鱼群—粒子群混合算法计算得到综合能源系统当前最优运行参数;将人工鱼群算法的全局最优解作为粒子群算法的中粒子群的初始位置,采用粒子群算法求解每个粒子的个体最优解与全局最优解;
人工鱼群-粒子群计算模块包括第一初始化单元、第一迭代单元、第二初始化单元以及第二迭代单元;第一初始化单元:初始化设定人工鱼群算法参数,根据综合能源系统目标函数更新食物浓度;
第一迭代单元:根据鱼群四种基本行为更新鱼群位置,使鱼群向全局最优解快速游动;若已经达到鱼群算法步骤的最大迭代次数,则输出最优鱼群的位置并进入粒子群算法过程;若未达到最大迭代次数,则重复更新食物浓度与鱼群位置,直至达到最大迭代次数;
第二初始化单元:将第一迭代单元的输出作为粒子群的初始位置,初始化设定粒子群算法参数,根据系统目标函数计算每个粒子的适应度,求出每个粒子的个体最优解与全局最优解;第二迭代单元:采用非线性变化的惯性权重与同步变化的学习因子进行约束,对粒子的速度与位置进行更新,重新计算每个粒子的适应度;
比较每个粒子适应度与其个体最优解,之后对种群中所有粒子的适应度进行从小到大排序,并将最小适应度粒子与种群最优解、种群历史最优解比较,输出当前历史最优解;
判断是否满足最大迭代次数,若满足则输出当前最优运行参数,否则重新计算每个粒子的适应度,求取每个粒子的个体最优解与全局最优解,直至满足最大迭代次数。
目标函数获取模块包括建模单元,综合能源系统建模单元根据综合能源系统的配置阐述建立综合能源系统模型并设立边界条件;基于所述边界条件确定综合能源系统的约束条件、目标函数与优化变量。
本发明还提供一种计算机设备,包括至少一个处理器和一个存储器;存储器用于存储计算机可执行程序;所述处理器在执行所述计算机可执行程序时能够执行本发明所述的优化方法。
本发明提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现如本发明所述的优化方法。
与现有技术相比,本发明至少具有以下有益效果:
本发明采用改进的人工鱼群—粒子群混合算法实现了人工鱼群粗寻全局最优后用粒子群算法求解出精确的全局最优解,避免了人工鱼群全局精确寻优能力弱和粒子群算法对初值敏感的缺点,实现了快速求解找到全局精确最优解;在热功率供消方面,算法优化下的系统满足每一时段的热负荷需求,且并未出现失热现象。同时针对不同时段的热负荷需求问题,将过剩热能进行有的放矢地补充,提高整体能源利用率;在冷功率供消方面,算法以出色的收敛性与寻优能力造就了算例系统电能分配调度在冷功率供消方面上的便捷性与时效性;在运行成本方面,算例系统整体下调购气以及与电网交互成本,降低系统整体对外界的依赖程度。
进一步的,本发明通过建立包含电转气设备和有机朗肯循环发电机组的综合能源系统多能耦合模型实现提高综合能源系统的能源耦合性和能源的利用率;通过引入考虑热网管道存在热量损失的热网传输特性模型,实现对综合能源系统热网管道的精细化仿真,提高模型的准确性和真实性;引入考虑热网管道温度损失的热网模型提高综合能源系统的仿真建模的精确性和真实性,同时引入电转气设备和有机朗肯发电机组提高系统的能源耦合率和能源利用率。
进一步的,采用了以系统与电网的交互成本、购气成本、设备运行成本、碳排放成本以及弃风光成本综合最小化为系统优化的目标函数,有助于提高可再生能源的消纳并且减少系统的碳排放。
进一步的,粒子群算法中的惯性权重起到平衡局部搜索能力与全局搜索能力的作用,固定的惯性权重可以使粒子保持相同的探索与开发能力,而非线性变化的惯性权重可以使粒子在进化的不同阶段具有不同的探索与开发能力;粒子群算法中的学习因子c
附图说明
图1为综合能源系统结构示意图。
图2为电转气过程示意图。
图3为热网传热模型示意图。
图4为改进的人工鱼群—粒子群混合算法流程图。
图5为综合能源系统内的负荷与风电预测出力曲线标幺值示意图。
图6为实时电价与气价。
图7为AFS-PSO解得的IES内的电功率供耗情况。
图8为PSO解得的IES内的电功率供耗情况。
图9为AFS-PSO解得的IES内的热功率供耗情况。
图10为PSO解得的IES内的热功率供耗情况。
图11为AFS-PSO解得的IES内的冷功率供耗情况。
图12为PSO解得的IES内的冷功率供耗情况。
图13为IES的运行成本情况。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提供一种综合能源系统当前运行参数的优化系统,综合能源系统包括有机朗肯余热发电机组、风力发电机组、燃气轮机发电机组、外部供电、CCHP机组、电压缩制冷机组、吸收式制冷机组、电转气设备;有机朗肯余热发电机组、风力发电机组、燃气轮机发电机组、光伏发电机组以及外部供电用于提供电负荷,CCHP机组用于提供热负荷,电压缩制冷机组和吸收式制冷机组用于提供冷负荷,电转气设备和外部气网提供气负荷;所述优化配置系统包括至少一个处理器和至少一个存储器,存储器中存储计算机可执行程序,处理器执行所述计算机可执行程序时能够执行如下步骤:
根据综合能源系统的约束条件、目标函数、优化变量以及综合能源系统的参数;
采用改进人工鱼群—粒子群混合算法计算得到综合能源系统当前最优经济运行参数;
所述目标函数中考虑了系统的与外电网交互成本、购气成本、设备运行成本、弃风光成本和碳排放成本。
本发明提供的基于改进人工鱼群—粒子群混合算法的综合能源系统最优日前经济运行方法,包括以下步骤:
S1,建立综合能源系统模型并设立边界条件;
S2,引入考虑热网中管道热量损失的热网管道传输特性模型;
S3,基于S1的边界条件确定综合能源系统的约束条件、目标函数与优化变量;
S4,引入改进的人工鱼群-粒子群混合算法;
S5,基于S3所述的约束条件和目标函数,引入综合能源系统的参数,采用S4所述的改进人工鱼群—粒子群混合算法计算得到综合能源系统的最优经济日前运行规划。
S1:建立综合能源系统模型以及相关边界条件,综合能源系统模型如下:
综合能源系统(integrated energy system,IES)中的电负荷需求既可由有机朗肯余热发电机组(organic Rankine cycle,ORC)、风力发电机组(wind power,WP)、燃气轮机发电机组(gas turbine, GT)以及光伏发电机组(photovoltaic power,PV)满足,也可在内部电能供给不足(或过剩)时与外部电网进行购电(或售电)交易;热负荷主要由CCHP机组中的燃气锅炉(gas boiler,GB)和余热锅炉(waste heat boiler,WH)提供;冷负荷主要由电压缩制冷机(electric chiller,EC)和吸收式制冷机(absorption chiller,AC)提供;气负荷主要由电转气设备(power to gas,P2G)以及从外部气网购气来满足其需求。综合能源系统结构图见图1。
具体的综合能源系统模型的公式表述如下:
(1)燃气轮机模型:
式中:
(2)光伏发电模型
式中:
(3)风力发电模型
式中:
(4)燃气锅炉模型
Q
式中:Q
(5)余热锅炉模型
式中:Q
(6)ORC余热机组模型
P
式中:Q
(7)电压缩制冷机模型
Q
式中:Q
(8)吸收式制冷机模型
式中:
(9)天然气子系统模型
式中:
S2,引入考虑热网中管道热量损失的热网管道传输特性模型,具体的模型如下:
T
Q
Q
式中:c为热媒的比热容;ρ为热媒的密度;T
S3中,确定综合能源系统的目标函数与优化变量,具体如下:
S31,建立综合能源系统的约束条件为:
式中:
S32,综合能源系统的目标函数
(1)系统与外电网的交互成本
式中:
(2)系统的购气成本
式中:γ
(3)系统中各设备的运行成本
式中:γ
(4)弃风光成本
式中:γ
(5)碳排放的惩罚成本
在t时段中系统的总碳排放量
式中:
故碳排放的惩罚成本为:
式中:γ
(6)综合目标函数就,即所述目标函数:
式中:
S4,引入改进的人工鱼群-粒子群混合算法,
S41,引入人工鱼群算法
人工鱼群算法(artificial fish swarm algorithm,AFSA)是基于鱼群会向食物浓度高的地方聚集的寻优算法。AFSA中的鱼通过随机、觅食、聚群和追尾这四种基本行为来不断更新自己的位置,最终找到最优目标值。鱼群的四种基本行为能让鱼群跳出局部最优解并向全局最优解快速游动,增强了算法的全局寻优能力。
以下是对于鱼群四种基本行为的描述:
1)觅食行为
觅食行为即鱼群趋向食物的一种行为。设人工鱼g的当前状态为
式中:γ
2)聚群行为
在AFSA中对每条人工鱼做如下规定:尽量向邻近伙伴的中心移动;避免过分拥挤。
设人工鱼g当前状态为
3)追尾行为
追尾行为可以理解为人工鱼向附近的最优伙伴前进的过程。设人工鱼g当前状态为
4)随机行为
随机行为就是人工鱼在视野中随机选择一个状态,然后向该方向移动,其实它是觅食行为的一个缺省行为。
S42,引入粒子群算法
粒子群算法(Particle Swarm Optimization,PSO算法),其主要思路为首先初始化一些随机粒子,然后粒子自身历史最佳位置和种群历史最佳位置聚集,实现对候选解的进化。
假设在一个D维的目标搜索空间中,有N个粒子组成一个种群,其中第i个粒子的位置和速度分别为X
v
x
式中,ω为惯性权重,c
S43,引入人工鱼群—粒子群混合算法
综合S41和S42中引入的两种算法,先通过运行人工鱼群算法得到粗寻到全局最优的人工鱼群,再将得到的人工鱼群作为粒子群算法的初始化粒子群,最后运行粒子群算法得到最优解。人工鱼群—粒子群混合算法既具有人工鱼群算法的高全局寻优能力,又结合了粒子群算法开发性强的优点,不会随着迭代次数的增加而减弱求解性,同时,粒子群算法对初值的敏感性也被人工鱼群算法高全局寻优能力所弥补。
人工鱼群-粒子群算法流程为:
(1)初始化设定人工鱼群算法参数,根据系统目标函数更新食物浓度;
(2)根据鱼群四种基本行为更新鱼群位置,使鱼群向全局最优解快速游动;
(3)若已经达到鱼群算法的最大迭代次数,则输出最优鱼群的位置并进入(4);若未达到最大迭代次数,则重复更新食物浓度与鱼群位置,直至达到最大迭代次数;
(4)初始化设定粒子群算法参数,根据系统目标函数计算每个粒子的适应度,求出每个粒子的个体最优解与全局最优解;
(5)对粒子的速度与位置进行更新,重新计算每个粒子的适应度;
(6)比较每个粒子适应度与其个体最优解,之后对种群中所有粒子的适应度进行从小到大排序,并将最小适应度粒子与种群最优解、种群历史最优解比较,输出当前历史最优解;
(7)判断是否满足最大迭代次数,若满足则转至(8),否则转至(4);
(8)输出综合能源系统的整体最优日前经济优化运行方案。
S44,引入改进的人工鱼群—粒子群混合算法
粒子群算法中的惯性权重ω起到平衡局部搜索能力与全局搜索能力的作用,固定的惯性权重可以使粒子保持相同的探索与开发能力,而非线性变化的惯性权重可以使粒子在进化的不同阶段具有不同的探索与开发能力。非线性变化的惯性权重可表示为:
式中,ω
粒子群算法中的学习因子c
式中,c
改进的人工鱼群-粒子群算法流程为:
(1)初始化设定人工鱼群算法参数,根据系统目标函数更新食物浓度;
(2)根据鱼群四种基本行为更新鱼群位置,使鱼群向全局最优解快速游动;
(3)若已经达到鱼群算法的最大迭代次数,则输出最优鱼群的位置并进入(4);若未达到最大迭代次数,则重复更新食物浓度与鱼群位置,直至达到最大迭代次数;
(4)初始化设定粒子群算法参数,根据系统目标函数计算每个粒子的适应度,求出每个粒子的个体最优解与全局最优解;
(5)采用非线性变化的惯性权重与同步变化的学习因子进行约束,对粒子的速度与位置进行更新,重新计算每个粒子的适应度;
(6)比较每个粒子适应度与其个体最优解,之后对种群中所有粒子的适应度进行从小到大排序,并将最小适应度粒子与种群最优解、种群历史最优解比较,输出当前历史最优解;
(7)判断是否满足最大迭代次数,若满足则转至(8),否则转至(4);
(8)输出综合能源系统的整体最优日前经济优化运行方案。
改进的人工鱼群—粒子群混合算法流程图如图4所示
S5,综合能源系统最优日前经济运行求解,
本发明确定了模型所需要的参数,并采用改进人工鱼群—粒子群混合算法进行分析,步骤 5中所述模型参数具体如下:
(1)机组的设备参数以及系统的其他参数见表1。
表1
表2
(2)风力预测出力功率,太阳能预测出力功率,系统电、热、冷负荷,见图5。
(3)系统的实时电价和气价见图6。
(4)改进的人工鱼群—粒子群混合算法的参数设定:
在人工鱼群算法中,人工鱼数量为100,算法最多迭代100次,最多试探次数为100次,感知距离为10,拥挤度因子为0.2,步长为0.1;在粒子群算法中,最大惯性权重为0.9,最小惯性权重为0.4,最大和最小学习因子为2和0.8,粒子个数为100,算法最大迭代次数为100。
设定参数结束后,进行计算,最终输出1×312的pg数组就是算法最后得到的最优粒子的实时情况;数组中,每一个小时占据13列,依次分别为GT机组I/II/III的发电功率、光伏发电出力功率、风力发电出力功率、燃气锅炉I/II的制热功率、余热锅炉的制热功率、吸收式制冷机的制冷功率、电制冷机I/II的制冷功率以及ORC发电机组的吸收的余热功率;将运行算法得到的pg数组导出后,进行数据分析。
鱼群—粒子群混合优化算法如下:
本发明还提供一种综合能源系统,包括综合能源系统包括有机朗肯余热发电机组、风力发电机组、燃气轮机发电机组、外部供电、CCHP机组、电压缩制冷机组、吸收式制冷机组、电转气设备;有机朗肯余热发电机组、风力发电机组、燃气轮机发电机组、光伏发电机组以及外部供电用于提供电负荷,CCHP机组用于提供热负荷,电压缩制冷机组和吸收式制冷机组用于提供冷负荷,电转气设备和外部气网提供气负荷。
本发明还提供一种综合能源系统当前运行参数的优化系统,目标函数获取模块和人工鱼群 -粒子群计算模块;目标函数获取模块用于获取基于综合能源系统的约束条件、目标函数和优化变量;人工鱼群-粒子群计算模块用改进人工鱼群—粒子群混合算法计算得到综合能源系统当前最优运行参数;将人工鱼群算法的全局最优解作为粒子群算法的中粒子群的初始位置,采用粒子群算法求解每个粒子的个体最优解与全局最优解;
人工鱼群-粒子群计算模块包括第一初始化单元、第一迭代单元、第二初始化单元以及第二迭代单元;第一初始化单元:初始化设定人工鱼群算法参数,根据综合能源系统目标函数更新食物浓度;
第一迭代单元:根据鱼群四种基本行为更新鱼群位置,使鱼群向全局最优解快速游动;若已经达到鱼群算法步骤的最大迭代次数,则输出最优鱼群的位置并进入粒子群算法过程;若未达到最大迭代次数,则重复更新食物浓度与鱼群位置,直至达到最大迭代次数;
第二初始化单元:将第一迭代单元的输出作为粒子群的初始位置,初始化设定粒子群算法参数,根据系统目标函数计算每个粒子的适应度,求出每个粒子的个体最优解与全局最优解;第二迭代单元:采用非线性变化的惯性权重与同步变化的学习因子进行约束,对粒子的速度与位置进行更新,重新计算每个粒子的适应度;
比较每个粒子适应度与其个体最优解,之后对种群中所有粒子的适应度进行从小到大排序,并将最小适应度粒子与种群最优解、种群历史最优解比较,输出当前历史最优解;
判断是否满足最大迭代次数,若满足则输出当前最优运行参数,否则重新计算每个粒子的适应度,求取每个粒子的个体最优解与全局最优解,直至满足最大迭代次数。
目标函数获取模块包括建模单元,建模单元根据综合能源系统的配置阐述建立综合能源系统模型并设立边界条件;基于所述边界条件确定综合能源系统的约束条件、目标函数与优化变量。
所述建模单元还考虑考虑热网中管道热量损失;向综合能源系统中引入考虑热网中管道热量损失的热网管道传输特性模型,所述热网管道传输特性模型为:
T
Q
Q
式中:c为热媒的比热容;ρ为热媒的密度;T
本发明提供一种计算机设备,包括但不限于一个或多个处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现本发明所述综合能源系统当前运行参数的优化方法的部分步骤或所有步骤。
所述计算机设备可以是笔记本电脑、平板电脑、桌面型计算机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器,可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元,如内存、硬盘;也可以采用外部存储单元,如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括:只读存储器(ROM, Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体 (ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
相较于单调的PSO算法优化,改进AFS-PSO混合算法对于算例系统的求解结果得到进一步优化。在电功率供耗方面,实时情况如图7和图8所示,AFS-PSO算法所得调度方案中各机组的功率更为平稳,波动更小且具有经济性等优点。在热功率供耗方面,实时情况如图9和图10所示,AFS-PSO算法依仗寻求全局最优能力结合求精确解能力上的优势所得调度方案中机组的功率也更加平稳且波动更小,同时没有出现明显失热情况。在冷功率供耗方面,实时情况如图11和图12所示,AFS-PSO算法能充分发挥电能分配调度的便捷性与时效性,使得电力驱动的机组随冷功率需求变化而变化。在运行成本方面,实时情况如图13所示,整体综合成本相比于单调的PSO算法优化出的算例模型的成本呈现出下降的态势。
由以上实施例分析可得,本发明提出的综合能源系统优化方法能够实现在考虑一次能源节约率、环境成本节省率、经济成本节约率的情况下,找到对应系统的最优优化方案,具有更好的经济性、环保性和节能性。其中所采用改进的人工鱼群-粒子群混合算法求解得到的IES的日前最优化配置能够满足系统中对于冷热电不同种类的能源负荷的要求,同时使得系统的运行成本最小化。
机译: 考虑区域供热网络和建筑物热惯性的综合能源系统运行优化方法
机译: 第一台计算机与第二台微型计算机结合使用,以控制次级控制器客户房屋中多个电气负载的运行,与主控制器系统一起使用,以控制电荷监控设备的运行,从而可以远程确定电气负载监控器中的电气分支电路电源驱动器中的当前状态,以确定由分支电路中的电气负载消耗的电能的参数。有助于预防配电系统中的预防性维护的电力过程,从以太电力提供者设备系统控制电荷设备方法的操作以提供有关电力使用的信息
机译: 用于具有当前产生的太阳能设备的运行的空调系统,太阳能运行的空调系统和用于太阳能运行的方法是一种空调系统