CN105303247A - 一种园区型冷热能源混合应用的能源网络调控方法及系统 - Google Patents

一种园区型冷热能源混合应用的能源网络调控方法及系统 Download PDF

Info

Publication number
CN105303247A
CN105303247A CN201510589540.2A CN201510589540A CN105303247A CN 105303247 A CN105303247 A CN 105303247A CN 201510589540 A CN201510589540 A CN 201510589540A CN 105303247 A CN105303247 A CN 105303247A
Authority
CN
China
Prior art keywords
energy
network
output
controller
neural network
Prior art date
Application number
CN201510589540.2A
Other languages
English (en)
Inventor
田卫华
喻俊浔
付晨
毕克
谢迎新
Original Assignee
北京国电通网络技术有限公司
国网江西省电力公司信息通信分公司
北京中电飞华通信股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 北京国电通网络技术有限公司, 国网江西省电力公司信息通信分公司, 北京中电飞华通信股份有限公司 filed Critical 北京国电通网络技术有限公司
Priority to CN201510589540.2A priority Critical patent/CN105303247A/zh
Publication of CN105303247A publication Critical patent/CN105303247A/zh

Links

Abstract

本发明公开了一种园区型冷热能源混合应用的能源网络调控方法及系统,包括远程能源监控中心、能源协调控制器和至少一个就地能源控制器;其中,所述能源协调控制器负责采集每个所述就地能源控制器能源设备运行数据,将数据通过网络上传至所述的远程能源监控中心;所述远程能源监控中心根据采集的负荷侧影响能源需求的环境因子信息机能源系统数据信息给出配比和调控策略,并通过所述能源协调控制器发送给相对应的所述就地能源控制器。从而,本发明能够实现多种能源系统互补供给,提高能源利用率。

Description

一种园区型冷热能源混合应用的能源网络调控方法及系统
技术领域
[0001] 本发明涉及能源领域,特别是指一种园区型冷热能源混合应用的能源网络调控方 法及系统。
背景技术
[0002] 全球经济迅速发展,大规模开发利用化石能源带来的能源危机、环境危机凸显,建 立在化石能源传统利用方式基础上的工业文明逐步陷入困境,威胁到人类的可持续发展。 因此发展低碳城市,在城市区域内建设分布式能源系统、因地制宜的开展能源规划的呼声 愈发强烈。
[0003] 目前在工业园区、酒店、医院、火车站等场所已建立很多分布式能源供能系统,能 源系统供应模式主要通过空调物理介质(如水)回温变化来调整能源系统供能功率,由于 液体物理介质流动较慢,使得能源供给侧无法及时或提前响应用户侧能量需求,从而造成 用户体验不足和能源浪费;传统分布式能源系统运行柔性不足,对于多种能源系统混合供 应时各系统无法耦合一起,从而削弱系统互补优势,因此降低能源利用率,降低经济效益, 节能效果大打折扣。
发明内容
[0004] 有鉴于此,本发明的目的在于提出一种园区型冷热能源混合应用的能源网络调控 方法及系统,能够实现多种能源系统互补供给,提高能源利用率。
[0005] 基于上述目的本发明提供的园区型冷热能源混合应用的能源网络调控方法,包括 远程能源监控中心、能源协调控制器和至少一个就地能源控制器;其中,所述能源协调控制 器负责采集每个所述就地能源控制器能源设备运行数据,将数据通过网络上传至所述的远 程能源监控中心;所述远程能源监控中心根据采集的负荷侧数据信息和能源系统数据信息 给出配比和调控策略,并通过所述能源协调控制器发送给相对应的所述就地能源控制器。
[0006] 可选地,所述每个就地能源控制器之间采用共母线模式连接。
[0007] 进一步地,所述远程能源监控中心根据采集的数据信息给出配比和调控策略包 括:
[0008] 对上传的能源设备运行数据进行预处理;
[0009] 根据预处理后的能源设备运行数据,确定神经网络结构;
[0010] 训练确定的神经网络结构,获得负荷预测值;
[0011] 根据获得的负荷预测值,进行配比调控算法。
[0012] 进一步地,所述的神经网络结构为输入向量为X = (XdX2,…,Xi,…,xn)T,隐含 层输出向量为Y = G1, y2,…,yi,…,ym)T,输出层输出向量为〇 = (〇ι,〇2,…,〇i,…,〇ι) τ,期望输出向量为d =(山,(12,…,山,…,dn)T,输入层到隐含层之间的权值矩阵用
Figure CN105303247AD00061
来表示,η和m分别是1,2, 3……;隐含层到输出层之间的权值矩阵 用
Figure CN105303247AD00062
来表不,η和m分别是1,2, 3......;隐含层和输出层的输入均为上一 层输出的加权和;%,Id1分别为隐含层神经元和输出层神经元引入阈值而设置的,设置其系 数为-1 ;
[0013] 对于输出层,有
[0014] ok= f (net k) k = I, 2, ···, I
Figure CN105303247AD00063
[0019] 其中变换函数均为单极性Sigmoid函数
Figure CN105303247AD00064
[0021] 进一步地,所述训练确定的神经网络结构获得负荷预测值包括:
[0022] 步骤1 :将预处理后的能源设备运行数据归一化在[0, 1]之间;
[0023] 步骤2 :神经网络结构初始化,获得最优权值阈值;
[0024] 步骤3 :根据最优权值阈值,计算网络预测误差。
[0025] 可选地,所述步骤2还包括:
[0026] 步骤A :对神经网络种群初始化;
[0027] 步骤B :根据个体得到神经网络的初始权值和阈值,用训练数据训练神经网络后 预测,把预测输出和期望输出之间的误差绝对值和作为个体适应度值F,计算公式为
Figure CN105303247AD00065
[0029] 式中,η为网络输出节点数;71为BP神经网络第i个节点的期望输出;〇1为第i个 节点的预测输出;k为系数;
[0030] 步骤C:采用轮盘赌法,基于适应度比例的选择策略,每个个体i的选择概率?1为
[0031] f;= k/F ;
Figure CN105303247AD00071
[0033] 式中,F1为个体i的适应度值,适应度值越小越好,所以在个体选择前对适应度求 倒数;k为系数;N为种群个体数目;
[0034] 步骤D :采用实数交叉法,第k个染色体ak和第1个染色体a丨在j位的交叉操作 方法如下:
[0035] akj = a kj (l_b) +aj
[0036] ajj= a ls (l~b) +akjb
[0037] 式中,b是[0, 1]间的随机数;
[0038] 步骤E:选取第i个个体的第j个基因&1]进行变异,变异操作方法如下:
Figure CN105303247AD00072
[0040] 式中,a_为基因 a U的上界;amin为基因 a U的下界;f (g) = r 2(l-g/Gmax)2;r 2为一 个随机数;g为当前迭代次数;G_是最大进化次数;r为[0, 1]间的随机数;
[0041] 步骤F :判断上次循环结果与本次循环结果的误差是否不高于预先设置的精度, 若是则进行步骤3,若不是则返回步骤B。
[0042] 进一步地,所述当上次求解的结果与本次求解结果误差精度不高于0. 1%时,该网 络结构的权值和阈值即为最佳进而得到最优权值阈值,结束进化。
[0043] 进一步地,所述步骤3还包括:
[0044] 步骤A :隐含层输出Y,计算
Figure CN105303247AD00073
[0046] 式中,f为隐含层的激励函数
Figure CN105303247AD00074
[0047] 步骤B :输出层输出Ok计算
Figure CN105303247AD00075
[0049] 步骤C :误差计算,根据预测输出值0和期望值Y,计算网络预测误差e
[0050] ek= Y k_0k k = 1,2,…,1
[0051] 步骤D :根据网络预测误差更新网络连接权值、阈值,包括:
[0052] 根据网络预测误差e更新网络连接权值ω ^ ω ]k
Figure CN105303247AD00076
[0054] co.jk= ω Λ+ηΥ^ j = 1,2,…,I ;k = 1,2,…,I
[0055] 式中,n为学习速率,在〇到I之间;
[0056] 阈值更新:
Figure CN105303247AD00081
[0059] 步骤E :判断误差是否满足结束条件,若满足则用训练好的网络结构进行预测;若 不满足则返回步骤A ;其中,所述的结束条件为网络结构输出值与期望值进行比较,若在一 定精度内则说明该网络已经训练完毕。
[0060] 进一步地,所述配比调控算法考虑经济效益或绿色节能;其中,经济效益依据系统 能源消耗来计算:
Figure CN105303247AD00082
[0062] 式中COP为冷源系统机组的性能系数;n f为一次能源发电效率;η B为电力输送 损失率;Ql代表冷源制冷量,Qp代表冷源系统消耗的一次能源,W代表冷源系统消耗的电 功率。
[0063] 进一步地,所述能源协调控制器通过Modbus协议负责采集每个所述就地能源控 制器的数据信息;所述程能源监控中心与所述能源协调控制器通信协议采用电力系统通信 协议 ffiClOl、IEC104。
[0064] 从上面所述可以看出,本发明提供的一种园区型冷热能源混合应用的能源网络调 控方法及系统,通过能源协调控制器负责采集每个就地能源控制器能源设备运行数据,将 数据通过网络上传至远程能源监控中心;远程能源监控中心根据采集的负荷侧影响能源需 求的数据因子信息及能源系统数据信息给出配比和调控策略,并通过能源协调控制器发送 给相对应的就地能源控制器。从而,所述的园区型冷热能源混合应用的能源网络调控方法 及系统能够实时监测负荷需求侧信息,能源系统能量供给预处理。
附图说明
[0065] 图1为本发明实施例中园区型冷热能源混合应用的能源网络调控系统的结构示 意图;
[0066] 图2为本发明实施例中就地能源控制器的结构示意图;
[0067] 图3为本发明实施例中园区型冷热能源混合应用的能源网络调控方法的流程示 意图;
[0068] 图4为本发明实施例中远程能源监控中心根据对能源设备运行数据处理结果进 行配比调控的流程示意图。
具体实施方式
[0069] 为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照 附图,对本发明进一步详细说明。
[0070] 参阅图1所示,为本发明实施例中园区型冷热能源混合应用的能源网络调控系统 的结构示意图,所述的园区型冷热能源混合应用的能源网络调控系统(下面简称为能源网 络调控系统)包括远程能源监控中心1、能源协调控制器2和至少一个就地能源控制器3。 其中,能源协调控制器2负责采集每个就地能源控制器3能源设备运行数据,将数据编码解 密通过网络上传至远程能源监控中心1。较佳地,能源协调控制器2通过Modbus协议负责 采集每个就地能源控制器3的数据信息。优选地,能源协调控制器2为集成电路板,是一 个独立设备,包括数字信号处理器(DSP)和微处理器(ARM),以及具备停机指令发放功能, 确保系统安全。
[0071] 远程能源监控中心1是能源网络调控系统的控制核心,其依靠通信网络实施采集 就地能源控制器3需求侧的环境数据、能源运行数据及能源储能数据。然后,远程能源监控 中心1根据采集的数据信息给出配比和调控策略,并发送给能源协调控制器2。较佳地,远 程能源监控中心1通过神经网络算法预测一天(24小时)内逐时负荷需求曲线,根据负荷 曲线制定并传送能源设备供应能量的配比计划及调控策略给能源协调控制器2。优选地,远 程能源监控中心1与能源协调控制器2通信协议采用电力系统通信协议IEC101、IEC104。
[0072] 最后,能源协调控制器2接收并发送远程能源监控中心1对就地能源控制器3的 调控指令,每个就地能源控制器3按照接收到的调控指令控制能源处理。较佳地,能源协调 控制器2逐时发送调控指令给就地能源控制器3。其中,就地能源控制器3可以控制能源的 产能设备、储能设备、能源输运设备及阀门等等。从控制能源的类型,具体来说,就地能源控 制器3可以控制例如:常规制冷机组、地源热栗、蓄冰空调、基载机、蓄热锅炉、太阳能空调 等冷、热源空调系统。
[0073] 在本发明的另一个实施例中,每个就地能源控制器3之间采用共母线模式连接, 从而提高了就地能源控制器3控制的能源系统之间的互补性。例如图2所示,就地能源控 制器3之间功率平衡公式如下:
[0074] PCG+PIS+PBASIC - P CLl+PcL2+*** PcLn+PcLoss ⑴
[0075] 公式⑴中:Pcs为地源热栗系统供冷功率,P IS为冰蓄冷供冷功率,P BASI#常规冷 水机组供冷功率;Ραΐ+Ρα2+···Ρα η为负荷的冷功率,P &_为线路中损耗冷功率。
[0076] 作为本发明的一个实施例,如图3所示,所述园区型冷热能源混合应用的能源网 络调控系统的调控方法包括:
[0077] 步骤301,每个就地能源控制器3将能源设备运行数据发送给能源协调控制器2。
[0078] 在实施例中,每个就地能源控制器3可以是应远程能源监控中心1通过能源协调 控制器2发送的上传请求,而将其能源设备运行数据发送给所述的能源协调控制器2。当 然,也可以是就地能源控制器3每隔一段时间或者采取实时的方式,主动将其能源设备运 行数据发送给所述的能源协调控制器2。较佳地,每个就地能源控制器3还可以将其要发送 的能源设备运行数据进行编码加密之后,再上传给能源协调控制器2。
[0079] 步骤302,能源协调控制器2将接收到的就地能源控制器3能源设备运行数据上传 至远程能源监控中心1。
[0080] 较佳地,能源协调控制器2将接收到的就地能源控制器3能源设备运行数据解密 之后,再上传至远程能源监控中心1。
[0081] 步骤303,远程能源监控中心1对接收到的能源设备运行数据进行分析处理,然后 根据处理结果给出配比和调控策略指令。
[0082] 作为本发明的另一个实施例,远程能源监控中心1对接收到的能源设备运行数据 进行分析处理可以是根据能源设备运行数据进行模型算法计算,预测一天(24小时)内逐 时负荷需求曲线。其中,负荷预测要重视原始数据的收集与分析。历史数据分析是指对海 量历史数据按照一定的统计指标进行统计计算和评价。特别地,对于负荷时间序列数据,从 相关性、周期性、季节性等方面进行分析。
[0083] 优选地,远程能源监控中心1通过GA-BP神经网络综合算法,完成预测一天(24小 时)内逐时负荷需求曲线的工作。BP神经网络以任意精度逼近任何非线性映射;可以学习 和自适应未知信息;具有分布式信息存储与处理结构,具有一定的容错性,引入遗传算法优 化训练BP神经网络,这便是GA-BP神经网络。在GA-BP中,BP神经网络初始的各个权值是 由GA提供的。在GA过程中,神经网络的所有权值、阈值作为基因按顺序排列成为染色体, 对染色体进行全局搜索,按照遗传算法的规则找出最好的染色体。我们将最好的染色体上 的各个权值、阈值信息作为神经网络的初始值,这样在神经网络训练过程中就能很快的找 到最优解。
[0084] 在本发明的一个实施例中,参阅图4所示,具体的实施方式如下:
[0085] 步骤401 :对上传的能源设备运行数据进行预处理。
[0086] 在实施例中,预测时首先要重视原始数据的收集与分析,特别是剔除其中的"异常 数据"或"伪数据",这些数据是由历史上的突发事件或某些特殊原因对统计数据带来重大 影响而产生的。"异常数据"的存在会给正常的建模产生较大的干扰,从而影响预测体系的 预测精度,因此必须采取措施排除"异常数据"带来的不良影响,主要的方法有:修正法、样 本剔除法、解析分析法、相关法。
[0087] 另外,对海量历史数据按照一定的统计指标进行统计计算和评价。特别地,对于时 间序列数据,通常会从惯性、周期性、随机性等方面进行考察。通过自相关性分析,可以得知 这几种典型特性的大致情况。通过与假设相关的指标进行互相关性分析,能够验证两个指 标是否互相影响。
[0088] 步骤402 :根据预处理后的能源设备运行数据,确定神经网络结构。
[0089] 作为本发明的一个实施例,采用GA-BP综合算法完成,BP神经网络是指基于误差 反向传播算法的多层前向神经网络,采用有指导的学习方式。它能够以任意精度逼近任何 非线性映射;可以学习和自适应未知信息;具有分布式信息存储与处理结构,具有一定的 容错性。输入向量为X= (XpX2,…,Xi,…,χη)τ,隐含层输出向量为Y= G1, y2, τ,输出层输出向量为0 = (O1, 〇2,…,Oi,…,οΥ,期望输出向量为d =(山,d2,…,山,…,dn) τ,输入层到隐含层之间的权值矩阵用
Figure CN105303247AD00101
来表不,η和m分别是1,2, 3......;隐含层到输出层之间的 权值矩阵用
Figure CN105303247AD00111
来表不,η和m分别是1,2, 3......。
[0091] 隐含层和输出层的输入均为上一层输出的加权和。%,匕分别为隐含层神经元和 输出层神经元引入阈值而设置的,设置其系数为-1。对于输出层,有
Figure CN105303247AD00112
[0097] 其中变换函数均为单极性Sigmoid函数
Figure CN105303247AD00113
[0099] 在对网络进行训练之前要对输入输出数据进行尺度变换。常用的方法是归一化 法
Figure CN105303247AD00114
[0100] 步骤403 :训练确定的神经网络结构,获得负荷预测值。具体实施过程如下:
[0101] 步骤1 :将预处理后的能源设备运行数据归一化在[0, 1]之间。
[0102] 步骤2 :神经网络结构初始化,获得最优权值阈值。
[0103] 具体来说,根据输入输出序列确定网络各层节点数,初始化输入层和隐含层之间 与隐含层和输出层之间的连接权值CO 1,,v]k,初始化隐含层阈值a和输出层阈值b。优选地, 可以通过遗传算法得到最优的初始化各值。具体实施过程如下,包括:
[0104] 步骤A :对神经网络种群初始化。
[0105] 较佳地,个体编码方法为实数编码,每个个体均为一个实数串由输入层与隐含层 连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。
[0106] 步骤B :根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网 络后预测系统输出,把预测输出和期望输出之间的误差绝对值和作为个体适应度值F,计算 公式为
Figure CN105303247AD00115
[0108] 这是联系遗传算法和神经网络的一步。式中,η为网络输出节点数;71为BP神经 网络第i个节点的期望输出;〇1为第i个节点的预测输出;k为系数。
[0109] 步骤C:采用"轮盘赌法",基于适应度比例的选择策略,每个个体i的选择概率P1 为
Figure CN105303247AD00121
[0112] 式中,F1为个体i的适应度值,适应度值越小越好,所以在个体选择前对适应度求 倒数;k为系数;N为种群个体数目。
[0113] 步骤D :采用个体实数编码,所以交叉操作方法采用实数交叉法,第k个染色体ak 和第1个染色体%在j位的交叉操作方法如下:
[0114] ak.j= a k.j (l-tO+aJ
[0115] aj j= a ls (l-b)+ak jb
[0116] 式中,b是[0, 1]间的随机数。
[0117] 步骤E:选取第i个个体的第j个基因&1]进行变异,变异操作方法如下:
Figure CN105303247AD00122
[0119]式中,3_为基因31』的上界;3"1111为基因3 1』的下界;抑)=1'2(11/6|11!")2;12为一 个随机数;g为当前迭代次数;G_是最大进化次数;r为[0, 1]间的随机数。
[0120] 步骤F :判断上次循环结果与本次循环结果误差是否不高于预先设置的精度,若 是则进行步骤3,若不是则返回步骤B。
[0121] 在实施例中,适应度计算、选择操作、交叉操作、变异操作即(B、C、D、E)四种操作 进行循环操作,根据进化次数即迭代次数。上述操作函数属于收敛函数,最后迭代求解。优 选地,当上次求解的结果与本次求解结果误差不高于0. 1% (即精度)时该网络的权值和阈 值即为最佳进而得到最优权值阈值,结束进化。
[0122] 步骤3 :根据最优权值阈值,计算网络预测误差。具体实施过程如下:
[0123] 步骤A :隐含层输出Yj计算
Figure CN105303247AD00123
[0125] 式中,f为隐含层的激励函数
Figure CN105303247AD00124
[0126] 步骤B :输出层输出Ok计算
Figure CN105303247AD00125
[0128] 步骤C :误差计算,根据预测输出值O和期望值Y,计算网络预测误差e
[0129] ek= Yk-Ok k = 1,2,…,1
[0130] 步骤D :根据网络预测误差更新网络连接权值、阈值。具体实施过程如下:
[0131] 根据网络预测误差e更新网络连接权值ωι],ω ]k。
Figure CN105303247AD00131
[0133] co.jk= ω j = 1,2,…,I ;k = 1,2,…,I
[0134] 式中,n为学习速率,在〇到I之间。
[0135] 阈值更新:
Figure CN105303247AD00132
[0137] bk= bk+ek k = 1,2,…,1
[0138] 步骤E :判断误差是否满足结束条件,若满足则用训练好的网络结构进行预测,然 后执行步骤404 ;若不满足则返回步骤A。
[0139] 作为实施例,所述的结束条件一般判断为网络结构输出值与期望值进行比较,若 在一定精度内则说明该网络已经训练完毕,例如种群数目的计算值与预期值误差在1 %即 为结束条件。
[0140] 其中,用训练好的网络进行预测,预测数据和输入数据格式相同,并且也需要归一 化处理。优选地,按照时间序列,将明天某一时刻的影响因子归一化处理后输入该网络结 构,则输出为明天该时刻的负荷预测结果。
[0141] 步骤404 :根据获得的负荷预测值,进行配比调控算法。
[0142] 较佳地,远程能源监控中心1根据负荷预测值来绘制未来一天(24h)逐时负荷曲 线,例如本发明以地源热栗、冰蓄冷、常规制冷机组三系统供冷系统举例,进行能源供给配 比算法,制定三系统一天逐时各自供应能量功率,实现三系统特性互补,提高系统能源利用 效率,降低能源浪费。
[0143] 作为实施例,调控算法主要考虑经济效益或绿色节能。其中,如果考虑配比绿色节 能比较简单,例如地源热栗采用地热能因此优先利用。若考虑经济效益,主要依据系统能源 消耗来计算:
Figure CN105303247AD00133
[0145] 式中cop为冷源系统机组的性能系数;n f为一次能源发电效率;η B为电力输送 损失率;Ql代表冷源制冷量,Qp代表冷源系统消耗的一次能源,W代表冷源系统消耗的电功 率。
[0146] 步骤304,远程能源监控中心1将配比和调控策略指令通过能源协调控制器2发送 给相对应的就地能源控制器3。
[0147] 在实施例中,能源协调控制器2在转发配比和调控策略指令时,可以每间隔一段 时间下发给相对应的就地能源控制器3,例如按小时。也可以是实时将接收到的配比和调控 策略指令下发给相对应的就地能源控制器3。
[0148] 还需要说明的是,本发明能源网络调控系统适应于冰蓄冷系统、蓄热锅炉系统、冷 水机组、地源热栗系统、太阳能空调系统等冷、热源空调系统等等。为确保能源网络调控系 统可靠运行,能源网络调控系统可由多代理模式而组成的复合型能源网络。其能源设备的 运行动作由就地能源控制器来决定,能源运行调度的约束条件由能源协调控制器来保证。
[0149] 另外,本发明能源网络调控系统的调控方法可以按照多目标进行调控,如经济原 则运行、绿色运行、综合型原则(即经济型和绿色节能型按权重配比),如确定目标函数为 以经济运行为目标作为目标函数,即能源系统以消耗费用最低为原则,产生单位能量所消 耗的成本最低为原则;确定目标函数以绿色节能为目标作为目标函数,即能源系统以产生 单位能量造成排放量最低为原则。
[0150] 由此可以看出,本发明提出的园区型冷热能源混合应用的能源网络调控方法及系 统,创造性地克服了能源供应侧与需求侧通过物理介质而造成的体验不足及能源浪费的缺 陷;以及物理介质供应速率低,无法实现能量供给与能源需求侧实时匹配;所述能园区型 冷热能源混合应用的能源网络调控方法及系统以信息流驱动能量流,通过负荷预测以信息 流驱动能量流实现实时冷热功率平衡;而且根据需求侧的变化提前调整能源供应侧供应功 率;并且,本发明解决了各能源系统之间的应用互补,实现了清洁能源的高效利用和能源系 统的能效最大化;消除了物理介质的滞后性缺点;与此同时,远程能源监控中心创新地进 行需求侧负荷预测、确定调控原则(经济型、绿色节能型、综合型);而且,根据调控原则制 定调控策略、根据负荷曲线确定能源系统能源供应配比计划,从而实现能源优化管理;而 且,多目标调控策略实现系统柔性化供给能量;最后,整个所述的园区型冷热能源混合应用 的能源网络调控方法及系统准确、易于操作。
[0151] 所属领域的普通技术人员应当理解:以上所述仅为本发明的具体实施例而已,并 不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均 应包含在本发明的保护范围之内。

Claims (10)

1. 一种园区型冷热能源混合应用的能源网络调控系统,其特征在于,包括远程能源监 控中心、能源协调控制器和至少一个就地能源控制器;其中,所述能源协调控制器负责采集 每个所述就地能源控制器能源设备运行数据,将数据通过网络上传至所述的远程能源监控 中心;所述远程能源监控中心根据采集的数据信息给出配比和调控策略,并通过所述能源 协调控制器发送给相对应的所述就地能源控制器。
2. 根据权利要求1所述的系统,其特征在于,所述每个就地能源控制器之间采用共母 线模式连接。
3. 根据权利要求1或2所述的系统,其特征在于,所述远程能源监控中心根据采集的数 据信息给出配比和调控策略包括: 对上传的能源设备运行数据进行预处理; 根据预处理后的能源设备运行数据,确定神经网络结构; 训练确定的神经网络结构,获得负荷预测值; 根据获得的负荷预测值,进行配比调控算法。
4. 根据权利要求3所述的系统,其特征在于,所述的神经网络结构为输入向量为X= (x1;x2,…,Xi,…,χη)τ,隐含层输出向量为Y= (y1;y2,…,yi;…,ym)T,输出层输出向量为0 =(〇1,〇2,...,〇;,.'〇1) 1',期望输出向量为(1=((11,(12,..-,山,..-,(111) 1',输入层至1」隐含层之间
Figure CN105303247AC00021
输入均为上一层输出的加权和;ai,匕分别为隐含层神经元和输出层神经元引入阈值而设 置的,设置其系数为-1 ; 对于输出层,有
Figure CN105303247AC00022
5. 根据权利要求4所述的系统,其特征在于,所述训练确定的神经网络结构获得负荷 预测值包括: 步骤1:将预处理后的能源设备运行数据归一化在[0,1]之间; 步骤2:神经网络结构初始化,获得最优权值阈值; 步骤3 :根据最优权值阈值,计算网络预测误差。
6. 根据权利要求1所述的系统,其特征在于,所述步骤2还包括: 步骤A:对神经网络种群初始化; 步骤B:根据个体得到神经网络的初始权值和阈值,用训练数据训练神经网络后预测, 把预测输出和期望输出之间的误差绝对值和作为个体适应度值F,计算公式为
Figure CN105303247AC00031
式中,η为网络输出节点数;71为BP神经网络第i个节点的期望输出;〇i为第i个节点 的预测输出;k为系数; 步骤C:采用轮盘赌法,基于适应度比例的选择策略,每个个体i的选择概率?1为fi=k/F,
Figure CN105303247AC00032
式中,Fi为个体i的适应度值,适应度值越小越好,所以在个体选择前对适应度求倒数;k为系数;N为种群个体数目; 步骤D:采用实数交叉法,第k个染色体ak和第1个染色体a:在j位的交叉操作方法 如下: akj= a kj +8^^ aij=alj(l_b) +akjb 式中,b是[0,1]间的随机数; 步骤E:选取第i个个体的第j个基因ai]进行变异,变异操作方法如下:
Figure CN105303247AC00033
式中,为基因au的上界;amin为基因a"的下界;f(g) =r2(l-g/Gmax)2;r2为一个随 机数;g为当前迭代次数;G_是最大进化次数;r为[0, 1]间的随机数; 步骤F:判断上次循环结果与本次循环结果的误差是否不高于预先设置的精度,若是 则进行步骤3,若不是则返回步骤B。
7. 根据权利要求6所述的系统,其特征在于,所述当上次求解的结果与本次求解结果 误差精度不高于〇.1%时,该网络结构的权值和阈值即为最佳进而得到最优权值阈值,结束 进化。
8. 根据权利要求6所述的系统,其特征在于,所述步骤3还包括: 步骤A:隐含层输出Y,计算
Figure CN105303247AC00034
Figure CN105303247AC00041
步骤B:输出层输出Ok计算
Figure CN105303247AC00042
步骤C:误差计算,根据预测输出值0和期望值Y,计算网络预测误差e ek= Y k~〇k k = 1, 2, ···, 1 步骤D:根据网络预测误差更新网络连接权值、阈值,包括: 根据网络预测误差e更新网络连接权值ωι],co]k
Figure CN105303247AC00043
式中,η为学习速率,在〇到1之间; 阈值更新:
Figure CN105303247AC00044
步骤Ε:判断误差是否满足结束条件,若满足则用训练好的网络结构进行预测;若不满 足则返回步骤A;其中,所述的结束条件为网络结构输出值与期望值进行比较,若在一定精 度内则说明该网络已经训练完毕。
9. 根据权利要求8所述的系统,其特征在于,所述配比调控算法考虑经济效益或绿色 节能;其中,经济效益依据系统能源消耗来计算:
Figure CN105303247AC00045
式中COP为冷源系统机组的性能系数;τιf为一次能源发电效率;τι 电力输送损失 率A代表冷源制冷量,Qp代表冷源系统消耗的一次能源,W代表冷源系统消耗的电功率。
10. 根据权利要求1-9中任意一项所述的系统,其特征在于,所述能源协调控制器通过 Modbus协议负责采集每个所述就地能源控制器的数据信息;所述程能源监控中心与所述 能源协调控制器通信协议采用电力系统通信协议IEC101、IEC104。
CN201510589540.2A 2015-09-16 2015-09-16 一种园区型冷热能源混合应用的能源网络调控方法及系统 CN105303247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510589540.2A CN105303247A (zh) 2015-09-16 2015-09-16 一种园区型冷热能源混合应用的能源网络调控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510589540.2A CN105303247A (zh) 2015-09-16 2015-09-16 一种园区型冷热能源混合应用的能源网络调控方法及系统

Publications (1)

Publication Number Publication Date
CN105303247A true CN105303247A (zh) 2016-02-03

Family

ID=55200489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510589540.2A CN105303247A (zh) 2015-09-16 2015-09-16 一种园区型冷热能源混合应用的能源网络调控方法及系统

Country Status (1)

Country Link
CN (1) CN105303247A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106681166A (zh) * 2017-03-03 2017-05-17 宁波高新区甬港现代创业服务有限公司 一种楼宇节能控制系统
CN106786753A (zh) * 2016-12-29 2017-05-31 上海博翎能源科技有限公司 多用户的区域能源互联网的系统及其调节方法
CN107609684A (zh) * 2017-08-24 2018-01-19 浙江万克新能源科技有限公司 一种基于微电网的综合能源系统经济优化调度方法
CN108758980A (zh) * 2018-06-28 2018-11-06 湖南湖大瑞格能源科技有限公司 一种地下水源热泵系统的节能控制方法及系统
CN108895717A (zh) * 2018-06-28 2018-11-27 湖南湖大瑞格能源科技有限公司 一种土壤源热泵系统的节能控制方法及系统
CN108931030A (zh) * 2018-06-28 2018-12-04 湖南湖大瑞格能源科技有限公司 一种江水源热泵系统的节能控制方法及系统
CN108931031A (zh) * 2018-06-28 2018-12-04 湖南湖大瑞格能源科技有限公司 一种深湖水源热泵系统的节能控制方法及系统
CN108954679A (zh) * 2018-06-28 2018-12-07 湖南湖大瑞格能源科技有限公司 一种污水源热泵系统的节能控制方法及系统
CN110849149A (zh) * 2019-10-23 2020-02-28 同济大学 基于能源感知的烧结配料方案级联优化获取方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411346A (zh) * 2011-07-31 2012-04-11 华南理工大学 教学或办公建筑用的采暖与分散式空调系统及控制方法
CN102710013A (zh) * 2012-05-23 2012-10-03 中国电力科学研究院 基于微电网的园区能源网能量优化管理系统及其实现方法
CN104636985A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种改进bp神经网络的输电线路无线电干扰预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411346A (zh) * 2011-07-31 2012-04-11 华南理工大学 教学或办公建筑用的采暖与分散式空调系统及控制方法
CN102710013A (zh) * 2012-05-23 2012-10-03 中国电力科学研究院 基于微电网的园区能源网能量优化管理系统及其实现方法
CN104636985A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种改进bp神经网络的输电线路无线电干扰预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田卫华 等: ""基于园区的冷热电多种能源系统设计与应用"", 《黑龙江科技信息》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106786753A (zh) * 2016-12-29 2017-05-31 上海博翎能源科技有限公司 多用户的区域能源互联网的系统及其调节方法
CN106681166A (zh) * 2017-03-03 2017-05-17 宁波高新区甬港现代创业服务有限公司 一种楼宇节能控制系统
CN107609684A (zh) * 2017-08-24 2018-01-19 浙江万克新能源科技有限公司 一种基于微电网的综合能源系统经济优化调度方法
CN108758980A (zh) * 2018-06-28 2018-11-06 湖南湖大瑞格能源科技有限公司 一种地下水源热泵系统的节能控制方法及系统
CN108895717A (zh) * 2018-06-28 2018-11-27 湖南湖大瑞格能源科技有限公司 一种土壤源热泵系统的节能控制方法及系统
CN108931030A (zh) * 2018-06-28 2018-12-04 湖南湖大瑞格能源科技有限公司 一种江水源热泵系统的节能控制方法及系统
CN108931031A (zh) * 2018-06-28 2018-12-04 湖南湖大瑞格能源科技有限公司 一种深湖水源热泵系统的节能控制方法及系统
CN108954679A (zh) * 2018-06-28 2018-12-07 湖南湖大瑞格能源科技有限公司 一种污水源热泵系统的节能控制方法及系统
CN110849149A (zh) * 2019-10-23 2020-02-28 同济大学 基于能源感知的烧结配料方案级联优化获取方法及装置

Similar Documents

Publication Publication Date Title
Afram et al. Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system
Reynolds et al. A zone-level, building energy optimisation combining an artificial neural network, a genetic algorithm, and model predictive control
Manic et al. Building energy management systems: The age of intelligent and adaptive buildings
Liu et al. Intelligent edge computing for IoT-based energy management in smart cities
Motalleb et al. Providing frequency regulation reserve services using demand response scheduling
Anvari-Moghaddam et al. Optimal smart home energy management considering energy saving and a comfortable lifestyle
Wei et al. Deep reinforcement learning for building HVAC control
Gelazanskas et al. Demand side management in smart grid: A review and proposals for future direction
Zhao et al. An energy management system for building structures using a multi-agent decision-making control methodology
Morvaj et al. Demonstrating smart buildings and smart grid features in a smart energy city
Yuce et al. ANN–GA smart appliance scheduling for optimised energy management in the domestic sector
CN103257619B (zh) 一种智能建筑能源物联网及其集成方法
CN103024048B (zh) 一种云环境下的资源调度方法
Baldi et al. Joint energy demand and thermal comfort optimization in photovoltaic-equipped interconnected microgrids
Gang et al. Performance analysis of hybrid ground source heat pump systems based on ANN predictive control
Yang et al. Reinforcement learning for optimal control of low exergy buildings
Wang et al. Multi-agent control system with information fusion based comfort model for smart buildings
Vázquez-Canteli et al. Reinforcement learning for demand response: A review of algorithms and modeling techniques
CN102301288B (zh) 用以控制能量消耗效率的系统和方法
Lv et al. Intelligent security planning for regional distributed energy internet
CN104571068B (zh) 一种分布式能源系统的运行优化控制方法及系统
Ascione et al. Simulation-based model predictive control by the multi-objective optimization of building energy performance and thermal comfort
US20210034022A1 (en) Hvac system with predictive airside control
CN103733463B (zh) 基于市场数据来控制能量服务的方法及装置
Cui et al. Peer-to-peer energy sharing among smart energy buildings by distributed transaction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160203