具体实施方式
下面结合附图对本发明作进一步地详细说明。
图1是根据本发明一实施例的对分布式能源系统进行控制的方法流程图。
参考图1,该对分布式能源系统进行控制的方法包括:
步骤S101,根据通过负荷预测算法得到的负荷预测结果以及预测优化算法对未来某一时间段内分布式能源系统的运行策略进行预测优化,从而获得优化的所述分布式能源系统的运行策略。
在一可选实施例中,执行步骤S101可包括:根据历史环境数据及历史负荷数据对负荷预测模型进行校正,其中,所述负荷预测模型是环境数据与负荷之间关系的数学模型;以及,根据历史设备运行数据对一个或多个第一设备模型进行校正,从而得到由一个或多个校正后的第一设备模型构成的第一分布式能源系统模型。在本发明实施例中,多个第一设备模型不用于限定每个设备模型是相同的。例如,分布式能源系统可能包括设备1、设备2和设备3,这3个设备可能不同,如果不同则这3个设备的设备模型是不同的,但统称为第一设备模型,这主要是为了与后面描述的第二设备模型进行区分。
在可选实施例中,历史环境数据包括以下之一或任意组合:室外温度、室外湿度、照度和风速。其中,历史环境数据和负荷数据是指步骤S101之前从传感器接收并存储在存储模块或数据库中的环境数据和负荷数据。
本领域技术人员能够理解上述描述的可选实施例并不用于限制本发明的实施方式,其他实施例也是可以的,例如,在执行步骤S101的过程中,可以不对存储的负荷预测模型和设备模型进行校正,或者根据具体使用在满足预先设定的条件的情况下才对负荷预测模型和/或设备模型进行校正。
在一可选实施例中,负荷预测模型、设备模型可以是预先配置的。在另一可选实施例中,负荷预测模型、设备模型可以是上次执行对分布式能源系统进行控制的方法后存储下来的。当不进行校正时,使用之前存储的第一分布式能源系统模型进行预测优化。
在本发明一可选实施例中,执行对未来某一时间段内分布式能源系统的运行策略进行预测优化可包括使用预测优化模型对未来某一时间段内分布式能源系统的运行策略进行预测优化,其中,所述预测优化模型为将根据所述负荷预测模型得到的数据(也就是预测的负荷)应用到第一分布式能源系统模型进行优化计算。例如,预测优化模型为一个目标函数,将预测的负荷应用到第一分布式能源系统模型中,使得分布式能源系统的能源供应量满足负荷的需求。
在本发明另一可选实施例中,执行对未来某一时间段内分布式能源系统的运行策略进行预测优化还可以包括基于系统性能目标对未来某一时间段内分布式能源系统的运行策略进行预测优化,所述系统性能目标包括:系统能耗最低或者系统使用最经济或系统工作效率最高。在又一可选实施例中,执行步骤101还可以包括基于系统性能目标使用预测优化模型对未来某一时间段内分布式能源系统的运行策略进行优化。
在本发明实施例中,进行预测优化指在满足所述负荷预测结果的前提下对所述分布式能源系统进行整体时空优化。可实现优化的分布式能源系统的运行策略包括下述策略的任一或任意组合:能源生产设备启停时间;能源生产设备运行状态;储能设备的储存和释放策略。
整体时空优化是指从时间空间角度对系统进行整体优化。例如,可以根据气象信息及能源信息对储能设备的存储和释放能量的时间进行优化控制,在能源消耗或者费用较低的时候系统产能储存到储能设备中,在能源消耗或费用较高的时候从储能设备中释放能量供应用端使用,从而降低了生产成本,这种对分布式能源系统的时空优化调度称为时空优化。
在本发明可选实施例中,预测优化模型的目标函数为:使得分布式能源系统在未来某一时间段内总的能耗最低或者系统使用最经济或系统工作效率最高的目标函数。预测优化模型中可以包括以下优化变量:能源生产设备启停时间和能源生产设备运行状态,以及储能设备的储存和释放策略。在可选实施例中,所述设备模型为能量关系模型。
步骤S102,接收现场传感器采集的实时环境数据和所述分布式能源系统中各设备的实时运行数据。
在可选实施例中,所述方法在步骤102之后还可以包括存储接收的实时环境数据、各设备的实时运行数据。在可选实施例中,步骤102还可以包括:接收楼控系统传送的实时负荷数据。在可选实施例中,在步骤102之后还可以包括存储接收的实时环境数据、各设备的实时运行数据以及所述实时负荷数据。所述实时环境数据可以是包括以下之一或任意组合:室外温度、室外湿度、照度和风速。
需要说明的是,实时环境数据和实时运行数据可以同时传送,也可以不同时传送。楼控系统传送的实时负荷数据与传感器传送的实时运行数据和实时环境数据通过不同的传送路径传送。
步骤S103,根据所述实时环境数据以及动态负荷预测算法预测下一时刻所述分布式能源系统的预测的实际负荷。
在可选实施例中,步骤103可以包括:根据历史环境数据及历史负荷数据对动态负荷预测模型进行校正;和,使用校正后的动态负荷预测模型和所述实时环境数据来预测下一时刻所述分布式能源系统的预测的实际负荷。
步骤S104,根据所述预测的实际负荷、所述设备的实时运行数据及优化的所述分布式能源系统的运行策略对所述分布式能源系统进行实时优化,得到所述分布式能源系统最优的设备控制点。
在可选实施例中,执行步骤104可以是包括:根据历史设备运行数据对一个或多个第二设备模型进行校正,从而得到由校正后的一个或多个第二设备模型构成的第二分布式能源系统模型;然后,使用实时优化模型根据预测的实际负荷、设备的实时运行数据及优化的分布式能源系统的运行策略对分布式能源系统进行实时优化,其中所述实时优化模型为将根据所述动态负荷预测模型得到的实际负荷、所述各设备的实时运行数据和优化的所述分布式能源系统的运行策略应用到所述第二分布式能源系统模型从而可以进行优化计算。本领域技术人员能够理解上述描述的可选实施例并不用于限制本发明的实施方式,其他实施例也是可以的,例如只在满足预先设定的工作条件下才对实时优化模型进行校正。
在可选实施例中,进行实时优化是指在满足所述预测的实际负荷的前提下根据所述设备的实时运行数据进行优化。
在本发明实施例中,设备控制点可以是包括下述策略的任一或任意组合:能源生产设备的可控运行参数;储能设备的存储和释放策略。最优的设备控制点可以是例如根据需求使得设备达到能耗最优、成本最优等的控制点;或者,能源生产设备可控运行参数的最优状态。在一可选实施例中,最优的设备控制点可以是确定的最优解范围内的一个最优的解。在另一可选实施例中,可以是确定的最优解范围内的任意一个解。
在可选实施例中,实时优化模型的目标函数为:使得分布式能源系统的能耗最低或者系统使用最经济或系统工作效率最高的目标函数。实时优化模型中可以包括以下优化变量:能源生产设备的可控运行参数及储能设备的储存和释放策略。所述实时优化模型中的第二设备模型为运行参数与能耗关系的数学模型。
步骤S105,计算所述分布式能源系统从当前状态到所述最优的设备控制点的动态最优路径,按照所述动态最优路径控制所述分布式能源系统。
执行步骤105可以实现对分布式能源系统的动态控制。具体而言,该动态控制可以是基于预测优化及实时优化得到系统的最优控制策略,并采用模型预测控制算法计算得到分布式能源系统从当前状态到系统最优状态的动态最优路径,从而保证分布式能源系统在这个过渡过程中能效最优。实现从目前状态到动态最优路径的控制方法可以是,例如,让哪些机器分别在什么时间运行以及运行的控制点的值(如冷水机组的出水温度)等。在本发明实施例中,计算所述分布式能源系统从当前状态到所述最优的设备控制点的动态最优路径可以是根据分布式能源系统各控制点的当前状态和计算得到的最优状态(也即最优的设备控制点)使用模型预测控制算法计算得到系统从当前状态过渡到最优状态过程中各控制点的值
进一步地,在本发明可选实施例中,对分布式能源系统进行控制的方法可以理解为是由预测优化(例如步骤S101)、实时优化(例如步骤S104)、动态控制(例如步骤S105)这三层能效优化过程相互耦合来实现的。
预测优化可以从一个时间段(例如全天或若干个小时)的角度提前对分布式能源系统进行整体时空优化,得到一个时间段内分布式能源系统能源生产设备的启停时间、运行状态及储能设备的存储和释放策略。预测优化可以由负荷预测、建立设备能量模型及系统能量模型、系统优化三部分组成。
实时优化是在分布式能源系统运行过程中对该分布式能源系统中已开启设备的可控运行参数进行优化,其可以根据预测优化得到的设备状态及设备的实际运行情况选择可控运行参数变化范围,从而缩小了实时优化过程中优化变量的取值范围,进一步保证了实时优化的有效性和准确性。实时优化可以由建立设备模型及系统模型、系统优化两部分组成。
动态控制得到的系统最优控制策略包括预测优化得到的能源生产设备的启停时间、储能设备的储存和释放策略以及实时优化得到的可控运行参数的值,然后通过模型预测控制算法得到从系统当前状态到系统最优状态的动态最优路径。
在本发明实施例中,模型预测控制算法跟优化算法一样,是一种比较成熟的算法,它的概念是:它的当前控制动作是在每一个采样瞬间通过求解一个有限时域开环最优控制问题而获得。过程的当前状态作为最优控制问题的初始状态,解得的最优控制序列只实施第一个控制作用。这是它与那些使用预先计算控制律的算法的最大不同。本质上模型预测控制求解一个开环最优控制问题。它的思想与具体的模型无关,但是实现则与模型有关。预测模型是指一类能够显式的拟合被控系统的特性的动态模型;例如,可以是设备的被控变量与设备能耗的关系模型。
图2是根据本发明一实施例的对分布式能源系统进行控制的设备的结构示意框图。如图2所示,对分布式能源系统进行控制的设备,包括接收模块20和主控制模块40。
接收模块20,用于接收现场传感器采集的分布式能源系统中各设备的实时运行数据和实时环境数据。
主控制模块40包括第一控制模块410,用于根据通过负荷预测算法得到的负荷预测结果及预测优化算法对未来某一时间段内分布式能源系统的运行策略进行预测优化,从而获得优化的所述分布式能源系统的运行策略。主控制模块40还包括第二控制模块430,用于根据所述实时环境数据以及动态负荷预测算法预测下一时刻所述分布式能源系统的预测的实际负荷。主控制模块还包括第三控制模块450,用于根据所述预测的实际负荷、所述设备的实时运行数据、优化的所述分布式能源系统的运行策略对所述分布式能源系统进行实时优化得到所述分布式能源系统最优的设备控制点;和,计算所述分布式能源系统从当前状态到所述最优的设备控制点的动态最优路径,按照所述动态最优路径控制所述分布式能源系统。
在可选实施例中,主控制模块40可以预先建立各第一设备模型,然后建立由各第一设备模型构成的分布式能源系统模型。
在可选实施例中,第一控制模块410根据通过负荷预测算法得到的负荷预测结果及预测优化算法对未来某一时间段内分布式能源系统的运行策略进行预测优化包括:根据历史环境数据以及历史负荷数据对负荷预测模型进行校正,所述负荷预测模型是环境数据与负荷之间关系的数学模型;以及,根据历史设备运行数据对一个或多个第一设备模型进行校正,从而得到由校正后的一个或多个第一设备模型构成的第一分布式能源系统模型;以及,使用预测优化模型对未来某一时间段内分布式能源系统的运行策略进行预测优化。所述预测优化模型为将根据所述负荷预测模型得到的数据应用到所述第一分布式能源系统模型进行优化计算,从而使用该预测优化模型(例如目标函数)计算得到的值即是优化的分布时能源系统的运行策略。
在本发明实施例中,可以在第一控制模块410中对各模型的校正设置校正间隔时间,根据所设置的校正间隔时间分别对各设备模型进行校正。
在可选实施例中,第二控制模块430根据实时环境数据以及动态负荷预测算法预测下一时刻所述分布式能源系统的预测的实际负荷包括:根据历史环境数据及历史负荷数据对动态负荷预测模型进行校正使用动态负荷预测模型来预测下一时刻的实际负荷。
在可选实施例中,第三控制模块450根据所述实际负荷、设备的实时运行数据以及所述预测优化结果对分布式能源系统进行实时优化包括根据历史数据库中的历史设备运行数据对实时优化模型中的第二设备模型进行校正,从而得到由校正后的第二设备模型构成的第二分布式能源系统模型;使用实时优化模型对分布式能源系统进行实时优化,所述实时优化模型为将根据所述动态负荷预测模型得到的实际负荷、所述各设备的实际运行数据和优化的所述分布式能源系统的运行策略应用到所述第二分布式能源系统模型进行优化计算。
在本发明可选实施例中,接收模块20,还用于接收楼控系统传送的实时负荷数据。可选地,对分布式能源系统进行控制的设备还包括存储单元,用于存储接收到的实时环境数据,实时负荷数据以及分布式能源系统的实时运行数据。
本发明实施例的对分布式能源系统进行控制的设备的具体细节可进一步参见本说明书中对分布式能源系统进行控制的方法部分的描述,在此不再赘述。
图3是根据本发明一实施例的对分布式能源系统进行优化控制的系统结构示意框图。如图3所示,控制系统1可包括上位机10、控制器20。在本发明实施例中,该控制系统的上位机10的具体结构可参见对分布式能源系统进行控制的设备。在另一实施例中,上位机不包括图2所示的对分布式能源系统进行控制的设备的接收模块,而是通过过程接口模块来实现。在可选实施例中,该控制系统还可以包括现场传感器。本发明实施例的控制系统可应用的分布式能源系统包括但不限于:发电机、溴冷机、燃气锅炉、地源热泵、空气源热泵、空调机组、储冷热系统、储电系统、光伏电热系统、水泵、冷却塔等设备。
在本发明实施例中,上位机10通过预测优化、实时优化、动态控制相互耦合来得到对分布式能源系统的最优控制策略。然后,控制器20用将上位机10计算得到的控制策略下发到分布式能源系统2内相应的各个控制点,例如控制柜、PLC等。在可选实施例中,根据分布式能源系统的需求来确定具体下发到哪些设备控制点。
在本实施例中,现场传感器2采集现场数据并传送到给上位机10。然后,上位机10通过其过程接口模块或接收模块接收采集的现场数据。现场传感器2可包括用于采集室外温度和/或湿度的传感器、照度传感器、风速计、流量传感器、压差传感器等。
下面详细说明根据本发明实施例的对分布式能源系统进行控制的一个例子。该分布式能源系统中包括一台燃气内燃机、一台烟气热水补燃型溴冷机、一台换热器、一台冷水机组、一台燃气锅炉、两台冷温水泵、两台冷却水泵和两台冷却塔。
在夏季工况下,燃气内燃机中的冷水余热经换热器换热向负荷提供生活热水,燃气内燃机发电的烟气余热、缸套水余热经烟气热水补燃型溴冷机制冷得到的冷温水为建筑供冷,建筑冷温水回水经冷温水泵被送回烟气热水补燃型溴冷机、冷水机组;烟气热水补燃型溴冷机、冷水机组的冷却水经冷却塔进行冷却后由冷却水泵输送回烟气热水补燃型溴冷机、冷却水组。
在冬季工况下,燃气内燃机的中冷水余热经换热器换热向负荷提供生活热水,燃气内燃机发电的烟气余热、烟套水余热经烟气热水补燃型溴冷机制热得到的冷温水与燃气锅炉制热得到的冷温水为建筑供热,建筑冷温水回水经冷温水泵被送回烟气热水补燃型溴冷机、冷水机组。
根据本发明实施例的对该分布式能源系统的控制的具体流程如下:
1、建立分布式能源系统功能建筑的负荷预测模型,根据分布式能源系统所在区域的天气特征及实测数据建立温湿度、光照、风力与负荷之间的数学模型。
负荷预测模型中负荷为温度、湿度、光照、风力的函数,该函数通过利用神经网络算法对建筑运行数据进行分析得到。负荷预测模型还可以通过线性回归、指数平滑等算法进行计算得到。
2、建立分布式能源系统中的设备的模型。具体地根据设备的出厂参数以及实测运行参数建立各设备的运行参数与设备能耗之间的数学模型。
在设备数学模型中,设备能耗为设备运行参数的函数。下面以冷水机组为例介绍分布式能源系统的设备的数学模型。
其中,Pchiller为冷水机组能耗;Tchwout为冷水机组冷冻水出水温度;Tcwin为冷水机组冷却水进水温度;α为校正系数;COPr为额定工况下冷水机组能效;β为冷水机组负荷系数,该系数等于冷水机组输出功率与额定功率之比;a、b、c、d为校正系数。
3、建立分布式能源系统的数学模型
设备模型中的一些变量不可控,如冷水机组模型中的冷却水进水温度,因此需要利用能量守恒建立系统模型以对这些变量进行求解。基于图3所示的工艺流程建立系统模型,为求解系统冷却水、冷冻水流量及温度等参数时可建立如下模型:
Qbrchiller=CpFchw_brchiller(Tchwin-Tchwout_brchiller) (2)
其中,Qbrchiller为烟气热水补燃型溴冷机制冷量,Cp为水的热容,Fchw_brchiller为烟气热水补燃型溴冷机冷温水流量,Tchwin为冷温水进水温度,Tchwout_brchiller为烟气热水补燃型溴冷机冷温水出水温度;
Qchiller=CpFchw_chiller(Tchwin-Tchwout_chiller) (3)
其中,Qchiller为冷水机组制冷量,Fcw_chiller为冷水机组冷却水流量,Tchwin为冷温水进水温度,Cp为水的热容,Tchwout_chiller为冷水机组冷温水出水温度;
Qbrchiller+Ebrchiller=CpFcw_brchiller(Tcwout_brchiller-Tcwin) (4)
其中,Qbrchiller为烟气热水补燃型溴冷机制冷量,Ebrchiller为烟气热水补燃型溴冷机能耗,Cp为水的热容,Fcw_brchiller为烟气热水补燃溴冷机冷却水流量,Tchwout_brchiller为烟气热水补燃型溴冷机冷温水出水温度,Tcwin为冷却水进水温度;
Qchiller+Echiller=CpFcw_chiller(Tcwout_chiller-Tcwin) (5)
其中,Qchiller为冷水机组制冷量,Eehiller为冷水机组能耗,Cp为水的热容,Fcw_chiller为冷水机组冷却水流量,Tchwout_chiller为冷水机组冷温水出水温度,Tcwin为冷却水进水温度;
Qtower=CpFcw(Tcwout-Tcwin) (6)
其中,Qtower为冷却塔冷却量,Cp为水的热容,Fcw为系统冷却水流量,Tcwout为冷却水出水温度,Tcwin为冷却水进水温度;
Tcwout=(Fcw_chillerTcwout_chiller+Fcw_brchillerTcwout_brchiller)/Fcw (7)
其中,Tcwout为冷却水出水温度,Fcw_chiller为冷水机组冷却水流量,Tchwout_chiller为冷水机组冷温水出水温度,Fcw_brchiller为烟气热水补燃溴冷机冷却水流量,Tchwout_brchiller为烟气热水补燃型溴冷机冷温水出水温度,Fcw为系统冷却水流量;
Qload=Qbrchiller+Qchiller (8)
其中,Qload为冷负荷,Qbrchiller为烟气热水补燃溴冷机制冷量,Qchiller为冷水机组制冷量;
求解式(2)-(8)组成的方程组即可计算得到分布式能源系统中不可控的流量、温度,以供设备模型使用。需要说明的是,冷温水为供能设备(如冷水机组、溴冷机等)对负荷功能的一种载体。例如,夏季供冷时,供能设备输出冷水,冬季供热时,供能设备输出温水,统称为冷温水。
4、利用负荷预测模型预测第二天的负荷数据,在满足负荷需求的前提下基于设定的系统性能目标进行预测,得到分布式能源系统中的各设备的最优启停时间以及运行状态。在本发明实施例中,系统性能目标可以是分布式能源系统的能耗最低或者经济性最优。
5、接收到传感器采集的实时数据,获取分布式能源系统的负荷、室外温度、室外湿度、照度、风速、能源系统中的设备的各管路水流量、水温、压差等数据并保存到实时数据库,并以一定的时间间隔为周期保存到关系数据库。
6、根据所得到的系统的实时运行数据对负荷动态预测模型进行校正并预测下一时间点(或时刻)的实际负荷情况。
7、根据所得到的系统的实时运行数据对设备模型进行校正。
8、在满足下一时间点的实际负荷需求的前提下根据第4步骤得到的最优运行状态以及第5步得到的系统的实时运行数据基于所设定的工作目标进行计算,得到分布式能源系统的最优设备控制点。
其中,最优设备控制点可以是保证设备平稳运行前提下,使得确定的目标函数最小时各个设备控制点应取的状态点。
9、根据所得到的最优设备控制点以及系统的各控制点得当前状态计算到达最优设备控制点的动态最优路径。其中,动态最优路径是指从设备的当前运行状态到最优设备控制点的最优实现方法。在本发明实施例中,可以采用遗传算法、蚁群算法等进行求解。
10、根据所得到的动态最优路径通过控制器将设备控制指令下发给各设备,使得各设备按照优化结果进行运行,从而分布式能源系统能够按照设定的工作目标运行。
11、以预设定的时间间隔为周期重复第5-10步骤。
采用本发明的这种分层优化的方式可以在预测优化时从整体时空角度对分布式能源系统进行优化,从而在一定程度上避免了只进行实时优化可能出现的设备频繁启停等问题的出现。动态控制模块可以使得系统控制点从当前状态平滑地向最优设备控制点过渡,从而一定程度上保证了设备的稳定运行。
本发明可以在满足冷热电供给与需求之间动态平衡的基础上对冷热电系统进行预测优化、实时优化及动态路径控制使得冷热电系统效率最高。这样不仅通过供需平衡提高了能源利用效率,而且可以通过充分利用环境势能以及冷热电系统设备(包括能源生产设备和储能设备)的最佳匹配进一步提高能源利用效率,解决设备群组控制效率低下、储能调峰计划错误等问题。
本领域技术人员可以理解,可以对上述实施例中的设备或系统中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。或者,可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括随附的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,上面公开的实施例仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。