CN108416503B - 具有资产规模调整的建筑物能量成本优化系统 - Google Patents

具有资产规模调整的建筑物能量成本优化系统 Download PDF

Info

Publication number
CN108416503B
CN108416503B CN201810106712.XA CN201810106712A CN108416503B CN 108416503 B CN108416503 B CN 108416503B CN 201810106712 A CN201810106712 A CN 201810106712A CN 108416503 B CN108416503 B CN 108416503B
Authority
CN
China
Prior art keywords
asset
cost
energy
optimization
value
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN201810106712.XA
Other languages
English (en)
Other versions
CN108416503A (zh
Inventor
穆罕默德·N·埃尔布萨特
迈克尔·J·文策尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Johnson Controls Tyco IP Holdings LLP
Original Assignee
Johnson Controls Technology Co
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 Johnson Controls Technology Co filed Critical Johnson Controls Technology Co
Publication of CN108416503A publication Critical patent/CN108416503A/zh
Application granted granted Critical
Publication of CN108416503B publication Critical patent/CN108416503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F24F11/47—Responding to energy costs
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于建筑物的能量成本优化系统，包括HVAC设备和控制器。所述控制器被配置用于根据一个或多个能量负载设定值而生成限定操作所述HVAC设备的成本的成本函数。所述控制器被配置用于修改所述成本函数以便考虑待添加至所述HVAC设备的新资产的最初采购成本和所述新资产对操作所述HVAC设备的所述成本的影响两者。所述新资产的所述最初采购成本和所述新资产对操作所述HVAC设备的所述成本的所述影响两者是一个或多个资产规模变量的函数。所述控制器被配置用于使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的决策变量的最佳值。

Description

具有资产规模调整的建筑物能量成本优化系统
相关专利申请的交叉引用
本申请要求于2017年2月7日提交的美国专利申请号15/426,962的权益和优先权，所述美国专利申请的全部披露通过援引并入本文。
技术领域
本披露总体上涉及用于建筑物、建筑物集合或中央设施的能量成本优化系统。本披露更具体地涉及确定建筑物、建筑物集合或中央设施中的各种资产的最佳资产规模以及资产的能量负载设定值的能量成本优化系统。
背景技术
建筑物或中央设施中的资产可以包括单独的设备件或设备组。例如，资产可以包括建筑物或中央设施中的锅炉、冷却器、热回收冷却器、蒸汽发生器、发电机、热能储存罐、电池、空气处理单元或其他类型的设备。资产可以包括形成中央设施的子设施的设备集合。例如，资产可以包括加热器子设施、冷却器子设施、热回收冷却器子设施、蒸汽子设施和/或电力子设施。一些建筑物或中央设施包括诸如热能储存设备(例如，一个或多个低温热能储存罐)或电能储存设备(例如，一个或多个电池)的资产。
当采购资产时，需要针对给定应用作出与资产的最佳规模有关的决策。传统上通过各种准则或基于预期用途的粗略近似来通知资产采购决策。然而，对于给定应用，这些准则和近似很少是最佳的，并且可能导致资产采购不足或过量。确定建筑物或中央设施中的资产的最佳规模可能是困难的。
发明内容
本披露的一种实现方式是一种用于建筑物的能量成本优化系统。所述系统包括：HVAC设备，所述HVAC设备被配置用于满足建筑物能量负载；以及控制器。所述控制器被配置用于：根据所述HVAC设备的一个或多个能量负载设定值而生成限定在优化时段上操作所述HVAC设备的成本的成本函数。所述能量负载设定值是所述成本函数中的决策变量。所述控制器被配置用于：修改所述成本函数以便考虑待添加至所述HVAC设备的新资产的最初采购成本和所述新资产对操作所述HVAC设备的所述成本的影响两者。所述新资产的所述最初采购成本和所述新资产对操作所述HVAC设备的所述成本的所述影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个资产规模变量的函数。所述控制器被配置用于：使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的所述决策变量的最佳值。
在一些实施例中，所述资产规模变量包括以下各项中的至少一项：容量规模变量，所述容量规模变量指示所述新资产的最大容量；以及加载规模变量，所述加载规模变量指示所述新资产的最大加载。
在一些实施例中，所述控制器被配置用于通过优化由所述经修改成本函数限定的所述成本来执行所述优化。在一些实施例中，所述控制器被配置用于通过优化财务指标来执行所述优化，所述财务指标包括净现值、内部回报率或简单投资回收期中的至少一项。在一些实施例中，所述控制器被配置用于使用混合整数线性规划来执行所述优化。
在一些实施例中，所述控制器被配置用于：沿用所述资产规模变量的所述最佳值；并且使用所述资产规模变量的所述最佳值作为待在所述优化的下一次执行上确定的所述资产规模变量的下限。
在一些实施例中，所述控制器被配置用于通过以下各项执行所述优化：接收利率或资产寿命周期中的至少一个的目标值；基于所述利率或所述资产寿命周期中的所述至少一个的目标值来计算简单投资回收期的目标值；将所述经修改成本函数中的一个或多个资产规模成本项缩放至所述优化时段的持续时间；在所述优化时段上执行所述优化以确定所述资产规模变量的当前值；以及重复所述优化以确定所述资产规模变量的所述最佳值并且沿用所述资产规模变量的所述最佳值。在一些实施例中，所述资产规模变量的所述最佳值对应于最佳净现值。
在一些实施例中，所述控制器被配置用于：生成收益曲线，所述收益曲线限定所述新资产的所述最初采购成本与所述新资产的收益之间的关系。所述新资产的所述收益可以基于所述新资产对操作所述HVAC设备的所述成本的所述影响。
在一些实施例中，所述控制器被配置用于：通过根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定所述系统的净现值来执行所述优化。所述新资产的所述最初采购成本和所述收益两者都可以取决于所述资产规模变量。执行所述优化可以包括：针对沿所述收益曲线的多个点而限定所述系统的所述净现值；通过沿所述收益曲线求得将所述净现值最大化的最佳点来优化所述净现值；以及确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
在一些实施例中，所述控制器被配置用于：通过改变包括简单投资回收期或年金因子中的至少一个的目标变量来执行所述优化。改变所述目标变量可以包括递增地调整所述目标变量或使用分检法来调整所述目标变量。针对所述目标变量的每个值，所述控制器可以优化所述经修改成本函数并且判定所述新资产是否是基于所述资产规模变量的所述最佳值而采购的。所述控制器可以通过求得导致所述新资产被采购的所述目标变量的最小值来优化内部回报率。
在一些实施例中，所述控制器被配置用于：通过根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定内部回报率来执行所述优化。所述新资产的所述最初采购成本和所述收益两者都可以取决于所述资产规模变量。执行所述优化可以包括：针对沿所述收益曲线的多个点而计算所述内部回报率；通过沿所述收益曲线求得将所述内部回报率最大化的最佳点来优化所述内部回报率；以及确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
在一些实施例中，所述控制器被配置用于使用所述能量负载设定值来操作所述HVAC设备。
在一些实施例中，所述系统包括一个或多个能量储存资产，所述一个或多个能量储存资产被配置用于储存能量并且释放所储存能量以用于满足所述建筑物能量负载。所述能量负载设定值可以包括所述能量储存资产的设定值。
在一些实施例中，所述控制器被配置用于：修改所述成本函数以便考虑待添加至所述一个或多个能量储存资产中的第二新资产的最初采购成本和所述第二新资产对操作所述HVAC设备的成本的影响两者。所述第二新资产的所述最初采购成本和所述第二新资产对操作所述HVAC设备的所述成本的所述影响两者可以是作为新决策变量被包括在经修改成本函数中的一个或多个附加资产规模变量的函数。
在一些实施例中，所述能量储存资产包括包含一个或多个电池的电能储存设备。在一些实施例中，所述能量储存资产包括包含一个或多个热水储存罐或冷水储存罐的热能储存设备。
本披露的另一实现方式是一种用于优化建筑物中的资产规模的方法。所述方法包括：根据HVAC设备的一个或多个能量负载设定值而生成限定在优化时段上操作HVAC设备的成本的成本函数。所述能量负载设定值是所述成本函数中的决策变量。所述方法包括：修改所述成本函数以便考虑待添加至所述HVAC设备的新资产的最初采购成本和所述新资产对操作所述HVAC设备的所述成本的影响两者。所述新资产的所述最初采购成本和所述新资产对操作所述HVAC设备的所述成本的所述影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个资产规模变量的函数。所述方法包括：使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的所述决策变量的最佳值。所述方法包括：使用所述能量负载设定值来操作所述HVAC设备。
在一些实施例中，所述资产规模变量包括以下各项中的至少一项：容量规模变量，所述容量规模变量指示所述新资产的最大容量；以及加载规模变量，所述加载规模变量指示所述新资产的最大加载。
在一些实施例中，执行所述优化包括优化由所述经修改成本函数限定的所述成本。在一些实施例中，执行所述优化包括优化财务指标，所述财务指标包括净现值、内部回报率或简单投资回收期中的至少一项。在一些实施例中，执行所述优化包括使用混合整数线性规划。
在一些实施例中，所述方法包括：生成收益曲线，所述收益曲线限定所述新资产的所述最初采购成本与所述新资产的收益之间的关系。所述新资产的所述收益可以基于所述新资产对操作所述HVAC设备的所述成本的所述影响。
在一些实施例中，执行所述优化包括根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定所述系统的净现值。所述新资产的所述最初采购成本和所述收益两者都可以取决于所述资产规模变量。执行所述优化可以包括：针对沿所述收益曲线的多个点而计算所述系统的所述净现值；通过沿所述收益曲线求得将所述净现值最大化的最佳点来优化所述净现值；以及确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
在一些实施例中，执行所述优化包括改变包括简单投资回收期或年金因子中的至少一个的目标变量。改变所述目标变量可以包括递增地调整所述目标变量或使用分检法来调整所述目标变量。执行所述优化可以包括：针对所述目标变量的每个值而优化所述经修改成本函数并且判定所述新资产是否是基于所述资产规模变量的所述最佳值而采购的。执行所述优化可以包括：通过求得导致所述新资产被采购的所述目标变量的最小值来优化内部回报率。
在一些实施例中，执行所述优化包括：根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定内部回报率。所述新资产的所述最初采购成本和所述收益两者都可以取决于所述资产规模变量。执行所述优化可以包括：针对沿所述收益曲线的多个点而计算所述内部回报率；通过沿所述收益曲线求得将所述内部回报率最大化的最佳点来优化所述内部回报率；以及确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
本披露的另一实现方式是一种用于建筑物的能量储存系统。所述系统包括一个或多个能量储存资产，所述一个或多个能量储存资产被配置用于储存能量并且释放所储存能量以用于满足建筑物能量负载。所述系统包括控制器，所述控制器被配置用于：根据能量储存资产的一个或多个能量负载设定值而生成限定在优化时段上操作所述能量储存系统的成本的成本函数。所述能量负载设定值是所述成本函数中的决策变量。所述控制器被配置用于：修改所述成本函数以便考虑待添加至所述一个或多个能量储存资产中的新资产的最初采购成本和所述新资产对操作所述能量储存系统的成本的影响两者。所述新资产的所述最初采购成本和所述新资产对操作所述能量储存系统的所述成本的所述影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个资产规模变量的函数。所述控制器被配置用于：使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的所述决策变量的最佳值。
本领域的技术人员将理解，所述概述仅是说明性的并且不旨在以任何方式进行限制。本文中所描述的如仅由权利要求书限定的装置和/或过程的其他方面、创造性特征、以及优点将在本文中陈述并结合附图进行的具体实施方式中变得清楚。
附图说明
图1是根据示例性实施例的频率响应优化系统的框图。
图2是根据示例性实施例的可以被提供至图1的系统的调节信号和可以由图1的系统生成的频率响应信号的曲线图。
图3是根据示例性实施例的光伏能量系统的框图，所述光伏能量系统被配置用于在将电池的荷电状态维持在期望范围内时而同时执行缓变率控制和频率调节两者。
图4是图示，展示了根据示例性实施例的到能量网的电力供应和来自能量网的电力需求，所述电力供应和电力需求必须平衡以便维持电网频率。
图5A是根据示例性实施例的包括热能储存设备和电能储存设备的能量储存系统的框图。
图5B是根据示例性实施例的不具有热能或电能储存设备的能量成本优化系统的框图。
图6A是根据示例性实施例的可以用于操作图5A的能量储存系统的能量储存控制器的框图。
图6B是根据示例性实施例的可以用于操作图5B的能量成本优化系统的控制器的框图。
图7是根据示例性实施例的规划工具的框图，所述规划工具可用于确定投资于电池资产的收益并计算与所述投资相关的各种财务指标。
图8是图示，展示了根据示例性实施例的图7的规划工具的操作。
图9是根据示例性实施例的高级优化器的框图，所述高级优化器可以被实现为图6A至图6B的控制器或图7的规划工具的部件。
图10是框图，更加详细地展示了根据示例性实施例的图9的资产规模调整模块。
图11是曲线图，展示了根据示例性实施例的针对系统寿命周期的各个值的年金因子与利率之间的反比关系。
图12是根据示例性实施例的资产的最初投资成本作为所述资产的年收益的函数的曲线图。
图13是根据示例性实施例的资产的最初投资成本作为资产的年收益的函数的另一曲线图。
图14是根据示例性实施例的资产的最初投资成本作为资产的年收益的函数的另一曲线图。
图15是根据示例性实施例的资产的最初投资成本作为资产的年收益的函数的另一曲线图。
图16是根据示例性实施例的用于确定最佳资产规模的过程的流程图。
具体实施方式
概述
总体上参照附图，根据各个示例性实施例示出了具有资产规模调整的建筑物能量成本优化系统及其部件。本文中所描述的系统和方法可以被配置用于确定建筑物、建筑物群或中央设施中的各种资产的最佳规模。资产可以包括单独的设备件(例如，锅炉、冷却器、热回收冷却器、蒸汽发生器、发电机、热能储存罐、电池等)、设备组或中央设施的整个子设施。资产规模可以包括资产的最大加载(例如，最大功率、最大装载率/释放率)和/或资产的最大容量(例如，最大电能储存、最大流体储存等)。
能量成本优化系统可以被配置用于通过考虑资产的潜在收益和成本来确定资产的最佳规模。潜在收益可以包括例如降低的能量成本、降低的需量电费、降低的高峰负载贡献(PLC)费用和/或由参与基于激励的需求响应(IBDR)项目(比如频率调节(FR)或经济负载需求响应(ELDR))所增加的收入。潜在成本可以包括固定成本(例如，资产的最初采购成本)以及在时间范围上的边际成本(例如，使用资产的持续成本)。资产的潜在收益和成本可以基于资产和/或所述资产将用于其中的系统的应用而改变。例如，参与FR项目的系统可以实现所增加的IBDR收入的益处，而未参与任何IBDR项目的系统可能无法实现这种益处。
资产的收益和成本中的一些可以通过原始成本函数J(x)来捕获。例如，成本函数J(x)可以包括与能量成本、多个需量电费、PLC费用和/或IBDR收入相对应的项，如之前所描述的。添加一个或多个新资产可能影响在原始成本函数J(x)中的这些项中的一些或全部的值。例如，添加电池资产可以增加IBDR收入并且降低能量成本、需量电费和PLC费用。然而，原始成本函数J(x)可能不考虑由新资产采购引起的固定成本和边际成本。为了考虑这些固定成本和边际成本，资产规模调整模块916可以向原始成本函数J(x)添加新的项。
能量成本优化系统可以被配置用于使用与采购新资产的成本相对应的两个新的项来增强成本函数J(x)，从而产生经增强成本函数Ja(x)。附加项在以下方程中示出：
Figure BDA0001567935450000071
其中，J(x)是原始成本函数，x是优化问题的决策变量在所述范围上的向量，cf是购买任何规模的资产的固定成本的向量(例如，针对每个潜在资产采购的一个元素)，v是指示是否采购相应资产的二元决策变量的向量，cs是每单位资产规模的边际成本的向量(例如，每单位加载的成本、每单位容量的成本)，并且sa是与所述资产规模相对应的连续决策变量的向量。有利地，二元采购决策和资产规模决策被视为可以连同向量x中的决策变量一起被优化的决策变量。这允许能量成本优化系统执行单个优化来确定在经增强成本函数Ja(x)中的所有决策变量(包括资产规模)的最佳值。
在一些实施例中，能量成本优化系统将资产采购成本
Figure BDA0001567935450000072
和
Figure BDA0001567935450000073
缩放至优化时段h的持续时间。采购资产的成本通常在整个投资回收期SPP上支付，而运营成本仅在优化时段h上支付。为了将资产采购成本缩放至优化时段，资产规模调整模块916可以将项
Figure BDA0001567935450000074
和
Figure BDA0001567935450000075
与费率
Figure BDA0001567935450000076
相乘，如以下方程中所示出的：
Figure BDA0001567935450000077
其中，h是以小时为单位的优化时段的持续时间，SPP是以年为单位的投资回收期的持续时间，并且8760是一年中的小时数量。
能量成本优化系统可以执行优化过程来确定在向量v中的二元决策变量中的每一个的最佳值和向量sa中的连续决策变量中的每一个的最佳值。在一些实施例中，优化系统使用线性规划(LP)或混合整数线性规划(MILP)来优化财务指标，比如净现值(NPV)、简单投资回收期(SPP)或内部回报率(IRR)。向量cf、v、cs和sa的每个元素可以与特定资产和/或特定资产规模相对应。因此，能量成本优化系统可以通过识别向量v中的二元决策变量的最佳值和向量sa中的连续决策变量的最佳值来确定将采购的最佳资产和将采购的最佳规模。以下更加详细地描述了能量成本优化系统的这些和其他特征。
频率响应优化
现在参照图1，根据示例性实施例，示出了频率响应优化系统100。系统100被示出为包括校园102和能量网104。校园102可以包括从能量网104中接收功率的一个或多个建筑物116。建筑物116可以包括在操作期间消耗电力的设备或装置。例如，建筑物116可以包括HVAC设备、照明设备、安全设备、通信设备、自动售货机、计算机、电子设备、电梯或其他类型的建筑物设备。
在一些实施例中，建筑物116由建筑物管理系统(BMS)服务。BMS通常是被配置用于对建筑物或建筑物区域之中或周围的设备进行控制、监测和管理的装置系统。例如，BMS可以包括HVAC系统、安全系统、照明系统、火情报警系统和/或能够管理建筑物功能或装置的任何其他系统。可以用于监测并控制建筑物116的示例性建筑物管理系统在于2015年5月20日提交的美国专利申请号14/717,593中进行了描述，所述美国专利申请的全部披露通过引用结合在此。
在一些实施例中，校园102包括中央设施118。中央设施118可以包括消耗来自公共设施的资源(例如，水、天然气、电力等)以满足建筑物116的负载的一个或多个子设施。例如，中央设施118可以包括加热器子设施、热回收冷却器子设施、冷却器子设施、冷却塔子设施、高温热能储存(TES)子设施和低温热能储存(TES)子设施、蒸汽子设施和/或被配置用于服务建筑物116的任何其他类型的子设施。子设施可以被配置用于将输入资源(例如，电力、水、天然气等)转换成被提供至建筑物116的输出资源(例如，冷水、热水、冷却空气、加热空气等)。可以用于满足建筑物116的负载的示例性中央设施在于2015年2月27日提交的美国专利申请号14/634,609中进行了描述，所述美国专利申请的全部披露通过引用结合在此。
在一些实施例中，校园102包括能量生成设备120。能量生成设备120可以被配置用于生成能量，所述能量可以由建筑物116使用、由中央设施118使用和/或被提供至能量网104。在一些实施例中，能量生成设备120生成电力。例如，能量生成设备120可以包括发电站、光伏能量场或其他类型的发电系统或装置。由能量生成设备120生成的电力可以由校园102(例如，由建筑物116和/或中央设施118)内部使用以减少校园102从外部源(比如，能量网104或电池108)接收的电力量。如果通过能量生成设备120生成的电量超过校园102的电力需求，则过量的电力可以被提供至能量网104或被储存在电池108中。校园102的功率输出在图1中示出为P校园。P校园可以在校园102正输出电力的情况下为正或者在校园102正接收电力的情况下为负。
仍然参照图1，系统100被示出为包括电力逆变器106和电池108。电力逆变器106可以被配置用于将电力在直流(DC)与交流(AC)之间进行转换。例如，电池108可以被配置用于储存和输出DC电力，而能量网104和校园102可以被配置用于消耗和生成AC电力。电力逆变器106可以用于将来自电池108的DC电力转换成与能量网104的电网频率同步的正弦AC输出。电力逆变器106还可以用于将来自校园102或能量网104的AC电力转换成可以储存在电池108中的DC电力。电池108的电力输出被示出为P电池。P电池可以在电池108正向电力逆变器106提供电力的情况下为正，或者在电池108正从电力逆变器106接收电力的情况下为负。
在一些实施例中，电力逆变器106接收来自电池108的DC电力输出，并且将DC电力输出转换为AC电力输出。AC电力输出可以用于满足校园102的能量负载和/或可以被提供至能量网104。电力逆变器106可以使用本机振荡器来使AC电力输出的频率与能量网104的频率(例如，50Hz或60Hz)同步，并且可以将AC电力输出的电压限制为不高于电网电压。在一些实施例中，电力逆变器106是谐振逆变器，所述谐振逆变器包括或使用LC电路来从简单的方波中移除谐波以便实现与能量网104的频率匹配的正弦波。在各个实施例中，电力逆变器106可以使用高频变换器、低频变换器或不使用变换器进行操作。低频变换器可以将来自电池108的DC输出直接转换为提供至能量网104的AC输出。高频变换器可以采用多步骤过程，所述多步骤过程涉及将DC输出转换为高频AC，然后回到DC，并且然后最终转换为提供至能量网104的AC输出。
系统100被示出为包括互连点(POI)110。POI 110是校园102、能量网104和电力逆变器106所电连接至的点。从电力逆变器106供应至POI 110的电力被示出为P供应。P供应可以被限定为P电池+P损耗，其中，P电池是电池电力，并且P损耗是在电池系统中的电力损耗(例如，在电力逆变器106和/或电池108中的损耗)。P电池和P供应可以在电力逆变器106正向POI110提供电力的情况下为正的，或者在电力逆变器106正从POI 110接收电力的情况下为负。P校园和P供应在POI 110处组合以形成PPOI。PPOI可以被限定为从POI 110提供至能量网104的电力。PPOI可以在POI 110正向能量网104提供电力的情况下为正，或者在POI 110正从能量网104接收电力的情况下为负。
仍然参照图1，系统100被示出为包括频率响应控制器112。控制器112可以被配置用于生成并且将电力设定值提供至电力逆变器106。电力逆变器106可以使用电力设定值来控制提供至POI 110或从POI 110汲取的电量P供应。例如，电力逆变器106可以被配置用于响应于接收到来自控制器112的负电力设定值而从POI 110汲取电力并将所述电力储存在电池108中。相反，电力逆变器106可以被配置用于响应于接收到来自控制器112的正电力设定值而从电池108汲取电力并将所述电力提供至POI 110。电力设定值的大小可以限定提供至电力逆变器106或从所述电力逆变器提供的电量P供应。控制器112可以被配置用于生成并提供电力设定值，所述电力设定值在时间范围上优化操作系统100的值。
在一些实施例中，频率响应控制器112使用电力逆变器106和电池108来执行用于能量网104的频率调节。频率调节是维持电网频率(例如，在美国为60Hz)的稳定性的过程。只要能量网104的总电力供应和需求平衡，电网频率就可以保持稳定和平衡。任何与此平衡的偏离都可能导致电网频率偏离其期望值。例如，需求增加可能导致电网频率降低，而供应增加可能导致电网频率增大。频率响应控制器112可以被配置用于通过使电力逆变器106将来自电池108的能量供应至能量网104(例如，以抵消电网频率的降低)或者将来自能量网104的能量储存在电池108中(例如，以抵消电网频率的增大)来抵消电网频率的波动。
在一些实施例中，频率响应控制器112使用电力逆变器106和电池108来执行针对校园102的负载转移。例如，控制器112可以使电力逆变器106：当能量价格较低时将能量储存在电池108中，并且在当能量价格较高时从电池108取回能量，以便降低为校园102供电所需的电力成本。负载转移还可以允许系统100减少所引发的需量电费。需量电费是由某些公共设施提供商基于在可适用需量电费时段期间的最大功耗而强加的附加费用。例如，需量电费费率可以按照每单位电力美元(例如，$/kW)来指定，并且可以在需量电费时段期间乘以高峰电力使用(例如，kW)来计算所述需量电费。负载转移可以允许系统100通过从电池108中汲取能量来平滑校园102的电力需求中的瞬时尖峰，以便减少从能量网104汲取的高峰电力，从而减少所引发的需量电费。
仍然参照图1，系统100被示出为包括激励提供商114。激励提供商114可以是公共设施(例如，电力公共设施)、区域输电组织(RTO)、独立系统运营商(ISO)或提供用于执行频率调节的激励的任何其他实体。例如，激励提供商114可以针对参与频率响应项目来向系统100提供货币激励。为了参与频率响应项目，系统100可以维持可以提供至能量网104的所储存能量(例如，在电池108中)的储备容量。系统100还可以维持用于从能量网104中汲取能量和将能量储存在电池108中的容量。储备这两种容量可以通过管理电池108的荷电状态来实现。
频率响应控制器112可以向激励提供商114提供价格出价和容量出价。价格出价可以包括用于储备或储存允许系统100参与由激励提供商114提供的频率响应项目的电力的每单位电力价格(例如，$/Mw)。由频率响应控制器112提供的每单位电力价格出价在此被称为“容量价格”。价格出价还可以包括实际性能的价格，在此被称为“性能价格”。容量出价可以限定系统100将储备或储存在电池108中以便执行频率响应的电量(例如，MW)，在此被称为“容量出价”。
激励提供商114可以向频率响应控制器112提供容量清算价格CP容量、性能清算价格CP性能以及调节奖励Reg奖励，其分别对应于容量价格、性能价格和容量出价。在一些实施例中，CP容量、CP性能和Reg奖励与由控制器112给出的相应出价相同。在其他实施例中，CP容量、CP性能和Reg奖励可以不与由控制器112给出的出价相同。例如，可以由激励提供商114基于从频率响应项目中的多个参与者中接收的出价来生成CP容量、CP性能和Reg奖励。控制器112可以使用CP容量、CP性能和Reg奖励来执行频率调节。
频率响应控制器112被示出为接收到来自激励提供商114的调节信号。调节信号可以指定调节奖励Reg奖励的频率响应控制器112将添加至能量网104或从所述能量网移除的部分。在一些实施例中，调节信号是指定Reg奖励的比例的归一化信号(例如，-1与1之间)。调节信号的正值可以指示添加至能量网104的电量，而调节信号的负值可以指示从能量网104移除的电量。
频率响应控制器112可以通过生成用于电力逆变器106的最佳电力设定值来响应调节信号。最佳电力设定值可以考虑参与频率响应项目的潜在收入和参与成本两者。参与成本可以包括例如电池降级的货币化成本以及将引发的能量费用和需量电费。可以使用序列二次规划、动态规划或任何其他优化技术来执行优化。
在一些实施例中，控制器112根据提供至电力逆变器106的电力设定值使用电池寿命模型来对电池降级进行量化和货币化。有利地，电池寿命模型允许控制器112执行对参与频率响应项目的创收潜力与参与的电池降级和其他成本(例如，对校园102可用的较少电池电力、增加的电力成本等)进行加权的优化。参照图2更详细地描述了示例性调节信号和电力响应。
现在参照图2，根据示例性实施例，示出了一对频率响应曲线图200和250。曲线图200展示了作为时间的函数的调节信号Reg信号202。Reg信号202被示出为从-1变化至1(即，-1≤Reg信号≤1)的归一化信号。Reg信号202可以由激励提供商114生成并且被提供至频率响应控制器112。Reg信号202可以限定控制器112将相对于被称为中点b256的基线值而向能量网104添加或从所述能量网移除的调节奖励Reg奖励254的比例。例如，如果Reg奖励的值254为10MW，则调节信号值0.5(即，Reg信号＝0.5)可以指示请求系统100相对于中点b(例如，
Figure BDA0001567935450000111
)在POI 110处添加5MW电力，而调节信号值-0.3可以指示请求系统100相对于中点b(例如，
Figure BDA0001567935450000112
)从POI 110移除3MW电力。
曲线图250展示了作为时间的函数的期望互连电力
Figure BDA0001567935450000113
可以由频率响应控制器112基于Reg信号202、Reg奖励254和中点b256来计算
Figure BDA0001567935450000114
例如，控制器112可以使用以下方程来计算
Figure BDA0001567935450000121
Figure BDA0001567935450000122
其中，
Figure BDA0001567935450000123
表示在POI 110处的期望电力(例如，
Figure BDA0001567935450000124
)并且b是中点。中点b可以由控制器112进行限定(例如，设置或优化)并且可以表示调节中点，响应于Reg信号202而围绕所述调节中点来修改负载。中点b的优化调整可以允许控制器112主动地参与频率响应市场，同时还考虑将引发的能量和需量电费。
为了参与频率响应市场，控制器112可以执行若干任务。控制器112可以生成包括容量价格和性能价格的价格出价(例如，$/MW)。在一些实施例中，控制器112每天大约15:30时将价格出价发送至激励提供商114，并且所述价格出价在整个第二天保持有效。在开始频率响应时段之前，控制器112可以生成容量出价(例如，MW)，并且将容量出价发送至激励提供商114。在一些实施例中，在频率响应时段开始之前的大约1.5小时，控制器112生成容量出价并将其发送至激励提供商114。在示例性实施例中，每个频率响应时段具有一个小时的持续时间；然而，设想频率响应时段可以具有任何持续时间。
在每个频率响应时段开始时，控制器112可以生成中点b，控制器112围绕所述中点来计划执行频率调节。在一些实施例中，控制器112生成将使电池108维持在恒定荷电状态(SOC)的中点b(即，将导致电池108在频率响应时段开始和结束时具有相同SOC的中点)。在其他实施例中，控制器112使用优化过程生成允许电池108的SOC在频率响应时段开始和结束时具有不同值的中点b。例如，控制器112可以使用电池108的SOC作为取决于中点b的约束变量，以便优化考虑频率响应收入、能量成本和电池降级成本的值函数。用于在恒定SOC场景和变量SOC场景两种情况下计算和/或优化中点b的示例性技术在于2016年8月25日提交的美国专利申请号15/247,883、于2016年8月25日提交的美国专利申请号15/247,885、以及于2016年8月25日提交的美国专利申请号15/247,886中进行了详细描述。这些专利申请中的每一个的完整披露通过引用结合于此。
在每个频率响应时段期间，控制器112可以周期性地生成电力逆变器106的电力设定值。例如，控制器112可以在频率响应时段中的每个时间步长上生成电力设定值。在一些实施例中，控制器112使用以下方程生成电力设定值：
Figure BDA0001567935450000125
其中，
Figure BDA0001567935450000126
Figure BDA0001567935450000127
的正值指示能量从POI 110流向能量网104。P供应和P校园的正值分别指示能量从电力逆变器106和校园102流向POI 110。
在其他实施例中，控制器112使用以下方程生成电力设定值：
Figure BDA0001567935450000131
其中，ResFR是通过优化值函数生成的最佳频率响应。控制器112可以从
Figure BDA0001567935450000132
中减去P校园来生成电力逆变器106的设定值(即，
Figure BDA0001567935450000133
)。电力逆变器106的电力设定值指示电力逆变器106将添加至POI 110(如果电力设定值为正)或者从POI 110移除(如果电力设定值为负)的电量。可以由控制器112用来计算电力逆变器设定值的示例性技术在于2016年8月25日提交的美国专利申请号15/247,793、于2016年8月25日提交的美国专利申请号15/247,784、以及于2016年8月25日提交的美国专利申请号15/247,777中进行了详细描述。这些专利申请中的每一个的完整披露通过引用结合于此。
具有频率调节和缓变率控制的光伏能量系统
现在参照图3至图4，根据示例性实施例，示出了使用电池储存设备来同时执行缓变率控制和频率调节两者的光伏能量系统300。缓变率控制是抵消落在由监督能量网的电力部门确定的依从限制之外的缓变率(即，能量系统(如光伏能量系统)的电力输出的增加或减少)的过程。缓变率控制通常需要使用允许通过向电网供应附加电力或消耗来自电网的更多电力来抵消缓变率的能量源。在一些情况下，设施因不符合缓变率要求而受到惩罚。
频率调节是维持电网频率(例如，在美国为60Hz)的稳定性的过程。如图4中所示出的，只要存在来自能量网的需求与到能量网的供应之间的平衡，电网频率就可以在60Hz处保持平衡。需求增加导致电网频率降低，而供应增加导致电网频率增大。在电网频率波动期间，系统300可以通过从能量网汲取更多能量(例如，如果电网频率太高)或者通过向能量网提供能量(例如，如果电网频率太低)来抵消波动。有利地，系统300可以在同时符合缓变率要求并将电池储存设备的荷电状态维持在预定期望范围内的同时使用电池储存设备结合光伏发电来执行频率调节。
具体地参照图3，系统300被示出为包括光伏(PV)场302、PV场电力逆变器304、电池306、电池电力逆变器308、互连点(POI)310以及能量网312。PV场302可以包括光伏电池单元的集合。光伏电池单元被配置用于使用光伏材料(诸如单晶硅、多晶硅、非晶硅、碲化镉、铜铟镓硒/硫或展现光伏效应的其他材料)将太阳能(即，日光)转换成电力。在一些实施例中，光伏电池单元包含在形成太阳能板的封装式组件内。每个太阳能板可以包括多个链接的光伏电池单元。太阳能板可以组合以形成光伏阵列。
PV场302可以具有各种面积/或位置中的任何一种。在一些实施例中，PV场302是能够向大量消费者提供能量供应的大规模光伏发电站的一部分(例如，太阳能公园或农场)。当被实现为大规模系统的一部分时，PV场302可以覆盖多公顷并且可以具有数十或数百兆瓦的电力输出。在其他实施例中，PV场302可以覆盖较小面积并且可以具有相对较小的电力输出(例如，在一兆瓦与十兆瓦之间、小于一兆瓦等)。例如，PV场302可以是能够提供足够的电力来为单个家庭或建筑物供电的安装于屋顶的系统。如可能在不同的实现方式中所期望的，设想PV场302可以具有任何面积、规模和/或电力输出。
PV场302可以取决于太阳能板暴露于其中的日光的强度和/或直射性而生成直流(DC)输出。日光的直射性可以取决于日光相对于太阳能板表面的入射角度。日光的强度可以受各种环境因素的影响，诸如一天的时辰(例如，日出和日落)和天气变量(比如在PV场302上投射阴影的云)。当PV场302被阴影部分或完全覆盖时，PV场302的电力输出(即，PV场电力PPV)可能由于太阳能强度的降低而下降。
在一些实施例中，PV场302被配置用于使太阳能收集最大化。例如，PV场302可以包括太阳能跟踪器(例如，GPS跟踪器、日光传感器等)，所述太阳能跟踪器调整太阳能板的角度以使得太阳能板在一整天都直接对准太阳。太阳能跟踪器可以允许太阳能板在一天的大部分时间接收直射日光，并且可以增加由PV场302产生的总电量。在一些实施例中，PV场302包括被配置用于将日光引导和/或集中在太阳能板上的反射镜、透镜或太阳能集光器的集合。由PV场302生成的能量可以储存在电池306中或者被提供至能量网312。
仍然参照图3，系统300被示出为包括PV场电力逆变器304。电力逆变器304可以被配置用于将PV场302的DC输出PPV转换成可以被馈送至能量网312或者由本地(例如，离网)电网络使用的交流(AC)输出。例如，电力逆变器304可以是被配置用于将来自PV场302的DC输出转换成与能量网312的电网频率同步的正弦AC输出的太阳能逆变器或并网逆变器。在一些实施例中，电力逆变器304接收来自PV场302的累积DC输出。例如，电力逆变器304可以是串逆变器或中央逆变器。在其他实施例中，电力逆变器304可以包括连接至每个太阳能板或太阳能电池单元的微型逆变器的集合。PV场电力逆变器304可以将DC电力输出PPV转换成AC电力输出uPV，并且将AC电力输出uPV提供至POI 310。
电力逆变器304可以接收来自PV场302的DC电力输出PPV并且将DC电力输出转换为可以被馈送至能量网312的AC电力输出。电力逆变器304可以使用本机振荡器来使AC电力输出的频率与能量网312的频率(例如，50Hz或60Hz)同步，并且可以将AC电力输出的电压限制为不高于电网电压。在一些实施例中，电力逆变器304是谐振逆变器，所述谐振逆变器包括或使用LC电路来从简单的方波中移除谐波以便实现与能量网312的频率匹配的正弦波。在各个实施例中，电力逆变器304可以使用高频变换器、低频变换器或不使用变换器进行操作。低频变换器可以将来自PV场302的DC输出直接转换为提供至能量网312的AC输出。高频变换器可以采用多步骤过程，所述多步骤过程涉及将DC输出转换为高频AC，然后回到DC，并且然后最终转换为提供至能量网312的AC输出。
电力逆变器304可以被配置用于执行最大电力点跟踪和/或防孤岛效应。最大电力点跟踪可以允许电力逆变器304从PV场302产生最大可能AC电力。例如，电力逆变器304可以对来自PV场302的DC电力输出进行采样，并且施加可变电阻来找到最佳最大电力点。防孤岛效应是当不再存在到电力消耗负载的连接时立即关闭电力逆变器304(即，防止电力逆变器304生成AC电力)的保护机制。在一些实施例中，PV场电力逆变器304通过限制由PV场302生成的电力来执行缓变率控制。
仍然参照图3，系统300被示出为包括电池电力逆变器308。电池电力逆变器308可以被配置用于从电池306汲取DC电力P电池、将DC电力P电池转换成AC电力u电池、并且将AC电力u电池提供至POI 310。电池电力逆变器308还可以被配置用于从POI 310汲取AC电力u电池、将AC电力u电池转换成DC电池电力P电池、并且将DC电池电力P电池储存在电池306中。DC电池电力P电池可以在电池306正向电池电力逆变器308提供电力(即，如果电池306正在放电)的情况下为正，或者在电池306正从电池电力逆变器308接收电力(即，如果电池306正在充电)的情况下为负。类似地，AC电池电力u电池可以在电池电力逆变器308正向POI 310提供电力的情况下为正，或者在电池电力逆变器308正从POI 310接收电力的情况下为负。
AC电池电力u电池被示出为包括用于频率调节的电量(即，uFR)和用于缓变率控制的电量(即，uRR)，这两个电量一起形成AC电池电力(即，u电池＝uFR+uRR)。DC电池电力P电池被示出为包括uFR和uRR两者以及表示电池306和/或电池电力逆变器308中的电力损耗的附加项P损耗(即，P电池＝uFR+uRR+P损耗)。PV场电力uPV和电池电力u电池在POI 110处组合以形成表示提供至能量网312的电量的PPOI(即，PPOI＝uPV+u电池)。PPOI可以在POI 310正向能量网312提供电力的情况下为正，或者在POI 310正从能量网312接收电力的情况下为负。
仍然参照图3，系统300被示出为包括控制器314。控制器314可以被配置用于生成PV场电力逆变器304的PV电力设定值uPV和电池电力逆变器308的电池电力设定值u电池。贯穿本披露，变量uPV用于指代由控制器314生成的PV电力设定值和PV场电力逆变器304的AC电力输出两者，因为这两个量具有相同的值。类似地，变量u电池用于指代由控制器314生成的电池电力设定值和电池电力逆变器308的AC电力输出/输入两者，因为这两个量具有相同的值。
PV场电力逆变器304使用PV电力设定值uPV来控制将提供至POI 110的PV场电力的量PPV。uPV的大小可以与PPV的大小相同或者小于PPV的大小。例如，如果控制器314确定PV场电力逆变器304将向POI 310提供全部的光伏电力PPV，则uPV可以与PPV相同。然而，如果控制器314确定PV场电力逆变器304将向POI 310提供少于全部的光伏电力PPV，则uPV可以小于PPV。例如，控制器314可以确定期望PV场电力逆变器304向POI 310提供少于全部的光伏电力PPV，以便防止缓变率超过限制和/或以防止在POI 310处的电力超过电力限制。
电池电力逆变器308使用电池电力设定值u电池来控制电池306充电或放电的电量。电池电力设定值u电池可以在控制器314确定电池电力逆变器308将从电池306汲取电力的情况下为正，或者在控制器314确定电池电力逆变器308将电力储存在电池306的情况下为负。u电池的大小控制电池306对能量进行充电或放电的速率。
控制器314可以基于各种不同的变量而生成uPV和u电池，所述不同变量包括例如来自PV场302的电力信号(例如，PPV的当前值或之前值)、电池306的当前荷电状态(SOC)、最大电池电力限制、在POI 310处的最大电力限制、缓变率限制、能量网312的电网频率和/或可以由控制器314用来执行缓变率控制和/或频率调节的其他变量。有利地，控制器314生成uPV和u电池的值，所述值在参与电网频率的调节并将电池306的SOC维持在预定期望范围内的同时将PV电力的缓变率维持在缓变率依从限制内。
可以用作控制器314的示例性控制器和可以由控制器314执行以生成PV电力设定值uPV和电池电力设定值u电池的示例性过程在于2016年8月25日提交的美国专利申请号15/247,869、于2016年8月25日提交的美国专利申请号15/247,844、于2016年8月25日提交的美国专利申请号15/247,788、于2016年8月25日提交的美国专利申请号15/247,872、于2016年8月25日提交的美国专利申请号15/247,880以及于2016年8月25日提交的美国专利申请号15/247,873中进行了详细描述。这些专利申请中的每一个的完整披露通过引用结合于此。
具有热能和电能储存设备的能量储存系统
现在参照图5A，根据示例性实施例，示出了能量储存系统500的框图。能量储存系统500被示出为包括建筑物502。建筑物502可以与如参照图1所描述的建筑物116相同或类似。例如，建筑物502可以配备有HVAC系统和/或操作用于控制建筑物502内的状况的建筑物管理系统。在一些实施例中，建筑物502包括由能量储存系统500服务的多个建筑物(即，校园)。建筑物502可能需要各种资源，包括例如高温热能(例如，热水)、低温热能(例如，冷水)和/或电能。这些资源可以由建筑物502内的设备或子系统或者由为建筑物502提供服务(例如，加热、冷却、空气循环、照明、电力等)的外部系统所需。能量储存系统500操作以满足与建筑物502相关联的资源需求。
能量储存系统500被示出为包括多个公共设施510。公共设施510可以向能量储存系统500提供资源，诸如电力、水、天然气或可以由能量储存系统500用来满足建筑物502的需求的任何其他资源。例如，公共设施510被示出为包括电力公共设施511、供水公共设施512、天然气公共设施513以及公共设施M 514，其中，M是公共设施510的总数量。在一些实施例中，公共设施510是商品供应商，可以从所述商品供应商中采购资源和其他类型的商品。从公共设施510采购的资源可以由发生器子设施520用来产生储存在储存子设施530中以供稍后使用或直接提供至建筑物502的所生成资源(例如，热水、冷水、电力、蒸汽等)。例如，公共设施510被示出为向建筑物502和储存子设施530直接提供电力。
能量储存系统500被示出为包括多个发生器子设施520。在一些实施例中，发生器子设施520是中央设施(例如，中央设施118)的部件。发生器子设施520被示出为包括加热器子设施521、冷却器子设施522、热回收冷却器子设施523、蒸汽子设施524、电力子设施525以及子设施N，其中，N是发生器子设施520的总数量。发生器子设施520可以被配置用于通过发生器子设施520内的设备操作而将一个或多个输入资源转换成一个或多个输出资源。例如，加热器子设施521可以被配置用于通过使用电力或天然气加热水来生成高温热能(例如，热水)。冷却器子设施522可以被配置用于通过使用电力来冷却水而生成低温热能(例如，冷水)。热回收冷却器子设施523可以被配置用于通过从一个水供应中移除热量并向另一水供应添加热量来生成高温热能和低温热能。蒸汽子设施524可以被配置用于通过使用电力或天然气使水沸腾来生成蒸汽。电力子设施525可以被配置用于使用机械发电机(例如，蒸汽涡轮机、气驱动发电机等)或其他类型的发电设备(例如，光伏设备、水电设备等)来发电。
由发生器子设施520使用的输入资源可以由公共设施510提供、从储存子设施530中获取和/或由其他发生器子设施520生成。例如，蒸汽子设施524可以产生蒸汽作为输出资源。电力子设施525可以包括使用由蒸汽子设施524生成的蒸汽作为输入资源来发电的蒸汽涡轮机。由发生器子设施520产生的输出资源可以储存在储存子设施530中、被提供至建筑物502、卖给能量采购者504和/或由其他发生器子设施520使用。例如，由电力子设施525生成的电力可以储存在电能储存设备533中、由冷却器子设施522用来生低温热能、被提供至建筑物502和/或卖给能量采购者504。
能量储存系统500被示出为包括储存子设施530。在一些实施例中，储存子设施530是中央设施(例如，中央设施118)的部件。储存子设施530可以被配置用于储存能量和其他类型的资源以供稍后使用。储存子设施530中的每一个都可以被配置用于储存不同类型的资源。例如，储存子设施530被示出为包括高温热能储存设备531(例如，一个或多个热水储存罐)、低温热能储存设备532(例如，一个或多个低温热能储存罐)、电能储存设备533(例如，一个或多个电池)和资源类型P储存设备534，其中，P是储存子设施530的总数量。储存在子设施530中的资源可以直接从公共设施510采购或者由发生器子设施520生成。
在一些实施例中，储存子设施530由能量储存系统500用来利用基于价格的需求响应(PBDR)项目。PBDR项目鼓励消费者在发电、输电和配电成本高时减少消耗。通常(例如，由公共设施510)以能量价格随时间变化的形式实现PBDR项目。例如，公共设施510可以在高峰使用小时期间增大每单位电力的价格来鼓励客户在高峰时间期间减少电力消耗。一些公共设施还基于在预定需量电费时段期间的任何时间的最大电力消耗率而向消费者收取单独的需量电费。
有利地，将能量和其他类型的资源储存在子设施530中允许在资源相对较便宜的时候(例如，在非高峰电力小时期间)采购资源，并且在资源相对更昂贵的时候(例如，在高峰电力小时期间)储存资源以供使用。将资源储存在子设施530中还允许建筑物502的资源需求及时转移。例如，在加热或冷却的需求较低的时候可以从公共设施510采购资源，并且由发生器子设施520立即将所述资源转换成高温热能或低温热能。热能可以储存在储存子设施530中，并且在加热或冷却需求较高时取回热能。这允许能量储存系统500将建筑物502的资源需求平滑化，并且降低发生器子设施520的最大所需容量。将需求平滑化还允许能量储存系统500减少高峰电力消耗，这导致较低的需量电费。
在一些实施例中，储存子设施530由能量储存系统500用来利用基于激励的需求响应(IBDR)项目。IBDR项目向具有基于请求来储存能量、生成能量或缩减能量使用的能力的客户提供激励。通常采用由公共设施510或由独立服务运营商(ISO)支付的货币化收入的形式提供激励。IBDR项目补充了传统的公共设施拥有的发电、输电和配电资产，以及用于修改需求负载曲线的附加选项。例如，所储存的能量可以卖给能量采购者504(例如，能量网)以补充由公共设施510生成的能量。在一些情况下，参与IBDR项目的激励基于系统可以如何快速地响应改变电力输出/消耗的请求而变化。更快的响应可以在更高层次上获得补偿。有利地，电能储存设备533允许系统500通过将所储存的电能迅速释放至能量采购者504来快速地响应对电力的请求。
仍然参照图5A，能量储存系统500被示出为包括能量储存控制器506。能量储存控制器506可以被配置用于控制在能量储存系统500中的资源的分配、生产、储存和使用。在一些实施例中，能量储存控制器506执行优化过程以在优化时段内的每个时间步长上确定控制决策的最佳设置。控制决策可以包括例如从公共设施510采购的每种资源的最佳量、使用发生器子设施520产生或转换的每种资源的最佳量、从储存子设施530储存或移除的每种资源的最佳量、卖给能量采购者504的每种资源的最佳量、和/或提供至建筑物502的每种资源的最佳量。在一些实施例中，控制决策包括用于发生器子设施520中的每个子设施的每种输入资源和输出资源的最佳量。
控制器506可以被配置用于在优化时段的持续时间上使操作能量储存系统500的经济价值最大化。经济价值可以由值函数来限定，所述值函数表示经济价值作为由控制器506作出的控制决策的函数。值函数可以考虑从公共设施510采购的资源成本、通过将资源卖给能量采购者504而生成的收入、以及操作能量储存系统500的成本。在一些实施例中，操作能量储存系统500的成本包括由于对电能储存设备533进行充电和放电导致的电池容量的损耗成本。操作能量储存系统500的成本还可以包括在优化时段期间过多的设备启动/停止的成本。
子设施520至530中的每一个都可以包括可以由能量储存控制器506控制以优化能量储存系统500的性能的设备。子设施设备可以包括例如加热装置、冷却器、热回收热交换器、冷却塔、能量储存装置、泵、阀门和/或子设施520至530的其他装置。可以开启或关掉发生器子设施520的单独装置以调整每个发生器子设施的资源生产。在一些实施例中，发生器子设施520的单独装置可以根据从能量储存控制器506中接收的操作设定值以可变容量进行操作(例如，以10％容量或60％容量操作冷却器)。
在一些实施例中，子设施520至530中的一个或多个子设施包括被配置用于控制相应子设施的设备的子设施级控制器。例如，能量储存控制器506可以确定子设施设备的开/关配置和全局操作设定值。响应于开/关配置和所接收全局操作设定值，子设施控制器可以开启或关掉其对应设备的单独装置，并且实现特定的操作设定值(例如，气闸位置、叶片位置、风扇速度、泵速度等)以达到或维持全局操作设定值。
在一些实施例中，控制器506在参与PBDR项目、IBDR项目或同时参与PBDR项目和IBDR项目两者的同时使能量储存系统500的寿命周期经济价值最大化。针对IBDR项目，控制器506可以使用过去清算价格、里程率和事件概率的统计估计来确定将所储存的能量卖给能量采购者504的创收潜力。针对FBDR项目，控制器506可以使用所安装设备的环境条件、设施热负载和热力学模型的预测来估计子设施520的资源消耗。控制器506可以使用资源消耗的预测来将运行设备的成本货币化。
控制器506可以自动确定(例如，无需人为干预)在优化时段上参与的PBDR项目和/或IBDR项目的组合以便使经济价值最大化。例如，控制器506可以考虑IBDR项目的创收潜力、PBDR项目的成本降低潜力以及将由参与IBDR项目和PBDR项目的各种组合产生的设备维护/更换成本。控制器506可以对参与的收益与参与的成本进行加权以确定将参与的项目的最佳组合。有利地，这允许控制器506确定使操作能量储存系统500的整体价值最大化的控制决策的最佳设置。
在一些情况下，控制器506可以确定当创收潜力较高和/或参与成本较低时，参与IBDR项目将是有益的。例如，控制器506可以从IBDR项目接收需要能量储存系统500削减预定电量的同步储备事件的通知。如果低温热能储存设备532具有足够的容量为建筑物502提供冷却，同时减少冷却器子设施522上的负载以便消减预定电量，则控制器506可以确定参与IBDR项目是最佳的。
在其他情况下，当参与所需的资源被更好地分配至其他地方时，控制器506可以确定参与IBDR项目将不是有益的。例如，如果建筑物502接近于设定将大大增加PBDR成本的新高峰需求，则控制器506可以确定储存在电能储存设备533中的电能的仅一小部分将被卖给能量采购者504以便参与频率响应市场。控制器506可以确定其余电能将用于为冷却器子设施522供电以防止设置新的高峰需求。
在一些实施例中，能量储存系统500和控制器包括在于2016年8月25日提交的美国专利申请号15/247,875、于2016年8月25日提交的美国专利申请号15/247,879以及于2016年8月25日提交的美国专利申请号15/247,881中描述的部件和/或特征中的一些或全部。这些专利申请中的每一个的完整披露通过引用结合于此。
能量成本优化系统
现在参照图5B，根据示例性实施例，示出了能量成本优化系统550的框图。除了储存子设施530之外，能量成本优化系统550被示出为包括许多与能量储存系统500(参照图5A所描述的)相同的部件。系统550是不具有热能或电能储存设备的系统的示例，可以在所述系统中实现高峰负载贡献成本优化技术。
能量成本优化系统550被示出为包括建筑物502。建筑物502可以与如参照图1所描述的建筑物116相同或类似。例如，建筑物502可以配备有HVAC系统和/或操作用于控制建筑物502内的状况的建筑物管理系统。在一些实施例中，建筑物502包括由能量成本优化系统550服务的多个建筑物(即，校园)。建筑物502可能需要各种资源，包括例如高温热能(例如，热水)、低温热能(例如，冷水)和/或电能。这些资源可以由建筑物502内的设备或子系统或者由为建筑物502提供服务(例如，加热、冷却、空气循环、照明、电力等)的外部系统所需。能量成本优化系统550操作用于满足与建筑物502相关联的资源需求。
能量成本优化系统550被示出为包括多个公共设施510。公共设施510可以向系统550提供资源，诸如电力、水、天然气或可以由系统550用来满足建筑物502的需求的任何其他资源。例如，公共设施510被示出为包括电力公共设施511、供水公共设施512、天然气公共设施513以及公共设施M 514，其中，M是公共设施510的总数量。在一些实施例中，公共设施510是商品供应商，可以从所述商品供应商中采购资源和其他类型的商品。从公共设施510采购的资源可以由发生器子设施520用来产生所生成的资源(例如，热水、冷水、电力、蒸汽等)，或者直接提供至建筑物502。例如，公共设施510被示出为向建筑物502直接提供电力。
能量成本优化系统550被示出为包括多个发生器子设施520。发生器子设施520被示出为包括加热器子设施521、冷却器子设施522、热回收冷却器子设施523、蒸汽子设施524、电力子设施525以及子设施N，其中，N是发生器子设施520的总数量。发生器子设施520可以被配置用于通过发生器子设施520内的设备操作而将一个或多个输入资源转换成一个或多个输出资源。例如，加热器子设施521可以被配置用于通过使用电力或天然气加热水来生成高温热能(例如，热水)。冷却器子设施522可以被配置用于通过使用电力来冷却水而生成低温热能(例如，冷水)。热回收冷却器子设施523可以被配置用于通过从一个水供应中移除热量并向另一水供应添加热量来生成高温热能和低温热能。蒸汽子设施524可以被配置用于通过使用电力或天然气使水沸腾来生成蒸汽。电力子设施525可以被配置用于使用机械发电机(例如，蒸汽涡轮机、气驱动发电机等)或其他类型的发电设备(例如，光伏设备、水电设备等)来发电。
由发生器子设施520使用的输入资源可以由公共设施510提供和/或由其他发生器子设施520生成。例如，蒸汽子设施524可以产生蒸汽作为输出资源。电力子设施525可以包括使用由蒸汽子设施524生成的蒸汽作为输入资源来发电的蒸汽涡轮机。由发生器子设施520产生的输出资源可以提供至建筑物502、卖给能量采购者504和/或由其他发生器子设施520使用。例如，由电力子设施525生成的电力可以由冷却器子设施522用来生低温热能、提供至建筑物502和/或卖给能量采购者504。
仍然参照图5B，能量成本优化系统550被示出为包括控制器552。控制器552可以被配置用于控制在系统550中的资源的分配、生产和使用。在一些实施例中，控制器552执行优化过程以在优化时段内的每个时间步长上确定控制决策的最佳设置。控制决策可以包括例如从公共设施510采购的每种资源的最佳量、使用发生器子设施520产生或转换的每种资源的最佳量、卖给能量采购者504的每种资源的最佳量和/或提供至建筑物502的每种资源的最佳量。在一些实施例中，控制决策包括用于发生器子设施520中的每个子设施的每种输入资源和输出资源的最佳量。
控制器552可以被配置用于在优化时段的持续时间上使操作能量成本优化系统550的经济价值最大化。经济价值可以由值函数来限定，所述值函数表示经济价值作为由控制器552作出的控制决策的函数。值函数可以考虑从公共设施510采购的资源成本、通过将资源卖给能量采购者504而生成的收入以及操作系统550的成本。在一些实施例中，操作系统550的成本包括在优化时段期间过多的设备启动/停止的成本。
子设施520中的每一个都可以包括可以由控制器552控制以优化系统550的性能的设备。子设施设备可以包括例如加热装置、冷却器、热回收热交换器、冷却塔、泵、阀门和/或子设施520的其他装置。可以开启或关掉发生器子设施520的单独装置以调整每个发生器子设施的资源生产。在一些实施例中，发生器子设施520的单独装置可以根据从控制器552中接收的操作设定值以可变容量进行操作(例如，以10％容量或60％容量操作冷却器)。
在一些实施例中，子设施520中的一个或多个子设施包括被配置用于控制相应子设施的设备的子设施级控制器。例如，控制器552可以确定子设施设备的开/关配置和全局操作设定值。响应于开/关配置和所接收全局操作设定值，子设施控制器可以开启或关掉其对应设备的单独装置，并且实现特定的操作设定值(例如，气闸位置、叶片位置、风扇速度、泵速度等)以达到或维持全局操作设定值。
在一些实施例中，能量成本优化系统550和控制器552包括在于2016年8月25日提交的美国专利申请号15/247,875、于2016年8月25日提交的美国专利申请号15/247,879以及于2016年8月25日提交的美国专利申请号15/247,881中描述的部件和/或特征中的一些或全部。这些专利申请中的每一个的完整披露通过引用结合于此。
能量储存控制器
现在参照图6A，根据示例性实施例，示出了更详细地展示能量储存控制器506的框图。能量储存控制器506被示出为向建筑物管理系统(BMS)606提供控制决策。在一些实施例中，BMS 606与参照图1所描述的BMS相同或类似。提供至BMS 606的控制决策可以包括公共设施510的资源采购量、发生器子设施520的设定值和/或储存子设施530的装载率/释放率。
BMS 606可以被配置用于在受控建筑物或建筑物区域内监测状况。例如，BMS 606可以从贯穿建筑物分布的各种传感器(例如，温度传感器、湿度传感器、气流传感器、电压传感器等)中接收输入，并且可以向能量储存控制器506报告建筑物状况。建筑物状况可以包括例如建筑物或建筑物某区域的温度、建筑物的功耗(例如，电负载)、被配置用于影响建筑物内的受控状态的一个或多个致动器的状态、或者与受控建筑物有关的其他类型的信息。BMS 606可以操作子设施520至530来影响建筑物内所监测状况并且服务建筑物的热能负载。
BMS 606可以从能量储存控制器506中接收指定子设施设备的开/关状态、装载率/释放率和/或设定值的控制信号。BMS 606可以根据由能量储存控制器506提供的控制信号来控制设备(例如，经由致动器、电力继电器等)。例如，BMS 606可以使用闭环控制来操作设备以便实现由能量储存控制器506指定的设定值。在各个实施例中，BMS 606可以与能量储存控制器506组合，或者可以是单独的建筑物管理系统的一部分。根据示例性实施例，BMS606是如由江森自控有限公司(Johnson Controls,Inc.)售卖的
Figure BDA0001567935450000231
品牌建筑物管理系统。
能量储存控制器506可以使用从BMS 606接收的信息来监测受控建筑物的状态。能量储存控制器506可以被配置用于在优化时段中的多个时间步长上(例如，使用来自天气服务604的天气预报)预测建筑物的热能负载(例如，加热负载、冷却负载等)。能量储存控制器506还可以使用来自激励项目602的激励事件历史(例如，过去清算价格、里程率、事件概率等)来预测IBDR项目的创收潜力。能量储存控制器506可以生成控制决策，所述控制决策在受制于优化过程的约束(例如，能量平衡约束、负载满足约束等)的优化时段的持续时间上对操作能量储存系统500的经济价值进行优化。以下更详细描述了由能量储存控制器506执行的优化过程。
根据示例性实施例，能量储存控制器506集成在单个计算机(例如，一个服务器、一个外壳等)内。在各个其他示例性实施例中，能量储存控制器506可以跨多个服务器或计算机(例如，其可以存在于分布式位置中)分布。在另一示例性实施例中，能量储存控制器506可以与管理多个建筑物系统的智能建筑物管理器集成和/或与BMS 606组合。
能量储存控制器506被示出为包括通信接口636和处理电路607。通信接口636可以包括用于与各种系统、装置或网络进行数据通信的有线或无线接口(例如，插座、天线、发射器、接收器、收发器、电线端子等)。例如，通信接口636可以包括用于经由基于以太网的通信网络发送和接收数据的以太网卡和端口和/或用于经由无线通信网络进行通信的WiFi收发器。通信接口636可以被配置用于经由局域网或广域网(例如，互联网、建筑物WAN等)进行通信并且可以使用各种通信协议(例如，BACnet、IP、LON等)。
通信接口636可以是被配置用于促进能量储存控制器506与各种外部系统或装置(例如，BMS 606、子设施520至530、公共设施510等)之间的电子数据通信的网络接口。例如，能量储存控制器506可以从BMS 606接收指示受控建筑物的一个或多个经测量状态(例如，温度、湿度、电负载等)以及子设施520至530的一个或多个状态(例如，设备状态、功耗、设备可用性等)的信息。通信接口636可以接收来自BMS 606和/或子设施520至530的输入，并且可以经由BMS 606向子设施520至530提供操作参数(例如，开/关决策、设定值等)。操作参数可以使子设施520至530对其各种装置的设定值进行激活、去激活或调整。
仍然参照图6A，处理电路607被示出为包括处理器608和存储器610。处理器608可以是通用或专用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理部件或其他合适的处理部件。处理器608可以被配置用于执行存储在存储器610中或从其他计算机可读介质(例如，CDROM、网络存储设备、远程服务器等)接收到的计算机代码或指令。
存储器610可以包括用于存储数据和/或计算机代码以完成和/或促进本披露中所描述的各个过程的一个或多个装置(例如，存储器单元、存储器装置、存储装置等)。存储器610可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器存储设备、临时存储设备、非易失性存储器、闪存、光学存储器、或用于存储软件对象和/或计算机指令的任何其他合适的存储器。存储器610可以包括数据库组件、目标代码组件、脚本组件、或用于支持本披露中所描述的各种活动和信息结构的任何其他类型的信息结构。存储器610可以经由处理电路607可通信地连接至处理器608并且可以包括用于(例如，由处理器608)执行本文中所描述的一个或多个过程的计算机代码。
存储器610被示出为包括建筑物状态监测器624。能量储存控制器506可以经由建筑物状态监测器624接收与待由系统500加热或冷却的整体建筑物或建筑物空间有关的数据。在示例性实施例中，建筑物状态监测器624可以包括被配置用于向用户提供图形用户界面以供选择建筑物要求(例如，整体温度参数、建筑物的选择安排表、选择不同建筑物区域的不同温度水平等)的图形用户界面部件。
能量储存控制器506可以确定开/关配置和操作设定值以满足从建筑物状态监视器624接收的建筑物要求。在一些实施例中，建筑物状态监测器624接收、收集、存储和/或传输冷却负载要求、建筑物温度设定值、占用数据、天气数据、能量数据、安排表数据和其他建筑物参数。在一些实施例中，建筑物状态监测器624存储关于能量成本的数据，比如可从公共设施510获得的定价信息(能量费用、需量电费等)。
仍然参照图6A，存储器610被示出为包括负载/费率预测器622。负载/费率预测器622可以被配置用于在优化时段的每个时间步长k(例如，k＝1…n)上预测建筑物或校园的热能负载
Figure BDA0001567935450000251
负载/费率预测器622被示出为接收来自天气服务604的天气预报。在一些实施例中，负载/费率预测器622根据天气预报来预测热能负载
Figure BDA0001567935450000252
在一些实施例中，负载/费率预测器622使用来自BMS 606的反馈来预测负载
Figure BDA0001567935450000253
来自BMS 606的反馈可以包括各种类型的感官输入(例如，温度、流动、湿度、焓值等)或与受控建筑物有关的其他数据(例如，来自HVAC系统的输入、照明控制系统、安全系统、供水系统等)。
在一些实施例中，负载/费率预测器622(例如，经由建筑物状态监测器624)接收来自BMS 606的经测量电负载和/或之前的经测量负载。负载/费率预测器622可以根据给定天气预报
Figure BDA0001567935450000254
每日类型(天)、一天的时间(t)以及之前的经测量负载数据(Yk-1)来预测负载
Figure BDA0001567935450000255
用以下方程表示这种关系：
Figure BDA0001567935450000256
在一些实施例中，负载/费率预测器622使用从历史负载数据中训练的确定性加随机性模型来预测负载
Figure BDA0001567935450000257
负载/费率预测器622可以使用各种预测方法中的任何一种来预测负载
Figure BDA00015679354500002510
(例如，确定性部分的线性回归和随机部分的AR模型)。负载/费率预测器622可以预测建筑物或校园的一个或多个不同类型的负载。例如，负载/费率预测器622可以在预测窗口内的每个时间步长k上预测热水负载
Figure BDA0001567935450000258
和冷水负载
Figure BDA0001567935450000259
在一些实施例中，负载/费率预测器622使用在美国专利申请号14/717,593中描述的技术来进行负载/费率预测。
负载/费率预测器622被示出为接收来自公共设施510的公共设施费率。公共设施费率可以指示在预测窗口中每个时间步长k处由公共设施510提供的每单位资源(例如，电力、天然气、水等)的成本或价格。在一些实施例中，公共设施费率是时变费率。例如，电力的价格在一天的某些时间或一周的某几天(例如，在高需求时段)较高，并且在一天的其他时间或一周的其他几天(例如，在低需求时段)较低。公共设施费率可以限定各种时间段以及在每个时间段期间的每单位资源的成本。公共设施费率可以是从公共设施510接收的实际费率或由负载/费率预测器622估计的所预测的公共设施费率。
在一些实施例中，公共设施费率包括由公共设施510提供的一种或多种资源的需量电费。需量电费可以限定由公共设施510基于在需量电费时段期间的特定资源的最大使用(例如，最大能耗)而强加的单独成本。公共设施费率可以限定各种需量电费时段和与每个需量电费时段相关联的一个或多个需量电费。在一些情况下，需量电费时段可以彼此和/或与预测窗口部分地或完全地重叠。有利地，需求响应优化器630可以被配置用于考虑在由高级优化器632执行的高级优化过程中的需量电费。可以由时变(例如，每小时)价格、最高服务水平(例如，由物理基础设施或由合同允许的最大消耗速率)以及(在电力的情况下)需量电费或在一定时段内高峰消耗速率的费用来限定公共设施510。负载/费率预测器622可以将所预测负载
Figure BDA0001567935450000261
和公共设施费率存储在存储器610中和/或将所预测负载
Figure BDA0001567935450000262
和公共设施费率提供至需求响应优化器630。
仍然参照图6A，存储器610被示出为包括激励估计器620。激励估计器620可以被配置用于估计参与各种基于激励的需求响应(IBDR)项目的创收潜力。在一些实施例中，激励估计器620接收来自激励项目602的激励事件历史。激励事件历史可以包括来自激励项目602的过去IBDR事件的历史。IBDR事件可以包括来自激励项目602的用于参与IBDR项目以便交换货币化激励的邀请。激励事件历史可以指示过去IBDR事件发生的时间以及描述IBDR事件的属性(例如，清算价格、里程率、参与要求等)。激励估计器620可以使用激励事件历史来在优化时段期间估计IBDR事件概率。
激励估计器620被示出为向需求响应优化器630提供激励预测。激励预测可以包括经估计IBDR概率、经估计参与要求、参与经估计IBDR事件的估计收入量、和/或所预测IBDR事件的任何其他属性。需求响应优化器630可以使用激励预测连同所预测负载
Figure BDA0001567935450000263
和来自负载/费率预测器622的公共设施费率一起在优化时段内的每个时间步长上确定控制决策的最佳设置。
仍然参照图6A，存储器610被示出为包括需求响应优化器630。需求响应优化器630可以执行级联优化过程以优化能量储存系统500的性能。例如，需求响应优化器630被示出为包括高级优化器632和低级优化器634。高级优化器632可以控制级联优化的外部(例如，子设施级)回路。高级优化器632可以在预测窗口中的每个时间步长上确定控制决策的最佳设置以便优化(例如，最大化)操作能量储存系统500的值。由高级优化器632作出的控制决策可以包括例如发生器子设施520中的每个子设施的负载设定值、储存子设施530中的每个子设施的装载率/释放率、从公共设施510采购的每种类型资源的资源采购量、和/或卖给能量采购者504的每种资源的量。换言之，控制决策可以限定在每个时间步长处的资源分配。由高级优化器632作出的控制决策基于激励事件概率和各种IBDR事件的创收潜力的统计估计以及负载预测和费率预测。
低级优化器634可以控制级联优化的内部(例如，设备级)回路。低级优化器634可以确定如何以由高级优化器632确定的负载设定值最佳地运行每个子设施。例如，低级优化器634可以确定子设施设备的各种装置的开/关状态和/或操作设定值，以便在满足子设施的资源分配设定值的同时优化(例如，最小化)每个子设施的能耗。在一些实施例中，低级优化器634接收来自激励项目602的实际激励事件。低级优化器634可以基于由高级优化器632设置的资源分配来判定是否参与激励事件。例如，如果已经由高级优化器632将不足的资源分配给特定IBDR项目，或者如果所分配资源已经被使用，则低级优化器634可以确定能量储存系统500将不参与IBDR项目并且可以忽略IBDR事件。然而，如果所需资源已经分配给IBDR项目并且可用于储存子设施530，则低级优化器634可以确定系统500将响应于IBDR事件而参与IBDR项目。由需求响应优化器630执行的级联优化过程在美国专利申请号15/247,885中进行了更详细的描述。
仍然参照图6A，存储器610被示出为包括子设施控制模块628。子设施控制模块628可以存储与过去操作状态、过去操作设定值和用于计算和/或实现子设施520至530的控制参数的指令有关的历史数据。子设施控制模块628还可以接收、存储和/或传输与子设施设备的单独装置的状况有关的数据，诸如，运行效率、设备降级、自上次服务以来的日期、寿命参数、条件等级或其他装置特定数据。子设施控制模块628可以经由通信接口636接收来自子设施520至530和/或BMS 606的数据。子设施控制模块628还可以接收并存储来自低级优化器634的开/关状态和操作设定值。
来自需求响应优化器630、子设施控制模块628或能量储存控制器506的其他模块的数据和处理结果可以由监测和报告应用626进行访问(或推送至所述监测和报告应用)。监测和报告应用626可以被配置用于生成可以由用户(例如，系统工程师)查看和导航的实时“系统状态”仪表盘。例如，监测和报告应用626可以包括基于web的监测应用，所述监测应用具有若干图形用户界面(GUI)元素(例如，小部件、仪表盘控制、窗口等)以便向GUI的用户显示关键性能指标(KPI)或其他信息。另外，GUI元素可以对跨不同建筑物(真实的或模拟的)、不同校园等中的能量储存系统的相对能量使用和强度进行总结。可以基于允许用户从一个屏幕对跨一个或多个能量储存系统的性能进行评估的可用数据而生成和显示其他GUI元素或报告。用户界面或报告(或底层数据引擎)可以被配置用于通过建筑物、建筑物类型、设备类型等来聚合并分类运行状况。GUI元素可以包括允许用户对能量储存系统的装置的操作参数和功耗进行视觉分析的图表或直方图。
仍然参照图6A，能量储存控制器506可以包括一个或多个GUI服务器、web服务612或GUI引擎614以便支持监测和报告应用626。在各个实施例中，应用626、web服务612和GUI引擎614可以作为能量储存控制器506外部的单独部件(例如，作为智能建筑物管理器的一部分)来提供。能量储存控制器506可以被配置用于维护相关数据的详细历史数据库(例如，关系数据库、XML数据库等)并且包括计算机代码模块，所述计算机代码模块不断地、频繁地或不经常地查询、聚合、变换、搜索或以其他方式处理在详细数据库中维护的数据。能量储存控制器506可以被配置用于将任何这种处理的结果提供至其他数据库、表、XML文件或其他数据结构以供由例如外部监测和报告应用来进一步查询、计算或访问。
能量储存控制器506被示出为包括配置工具616。配置工具616可以允许用户(例如，经由图形用户界面、经由提示驱动的“向导程序”等)限定能量储存控制器506应当如何针对改变能量储存子系统中的变化条件作出反应。在示例性实施例中，配置工具616允许用户构建和存储条件响应场景，所述条件响应场景可以使多个能量储存系统装置、多个建筑物系统和多个企业控制应用(例如，工作命令管理系统应用、实体资源规划应用等)交叉。例如，配置工具616可以使用各种条件逻辑为用户提供组合数据(例如，来自子系统、来自事件历史)的能力。在不同的示例性实施例中，条件逻辑的范围可以从条件之间的简单逻辑运算符(例如，AND(与)、OR(或)、XOR(异或)等)到伪代码构造或复杂编程语言函数(允许更复杂的交互、条件语句、循环等)。配置工具616可以呈现用户界面以构建这种条件逻辑。用户界面可以允许用户以图形方式限定策略和响应。在一些实施例中，用户界面可以允许用户选择预存储或预构造的策略并对所述策略进行调整或使其能够与其系统一起使用。
能量成本优化控制器
现在参照图6B，根据示例性实施例，示出了更详细地展示控制器552的框图。控制器552被示出为向建筑物管理系统(BMS)606提供控制决策。在一些实施例中，BMS 606与参照图1所描述的BMS相同或类似。提供至BMS 606的控制决策可以包括公共设施510的资源采购量和/或发生器子设施520的设定值。
BMS 606可以被配置用于在受控建筑物或建筑物区域内监测状况。例如，BMS 606可以从贯穿建筑物分布的各种传感器(例如，温度传感器、湿度传感器、气流传感器、电压传感器等)中接收输入，并且可以向控制器552报告建筑物状况。建筑物状况可以包括例如建筑物或建筑物某区域的温度、建筑物的功耗(例如，电负载)、被配置用于影响建筑物内的受控状态的一个或多个致动器的状态、或者与受控建筑物有关的其他类型的信息。BMS 606可以操作子设施520来影响在建筑物内所监测的状况并且服务建筑物的热能负载。
BMS 606可以从控制器552中接收指定子设施设备的开/关状态和/或设定值的控制信号。BMS 606可以根据由控制器552提供的控制信号来控制设备(例如，经由致动器、电力继电器等)。例如，BMS 606可以使用闭环控制来操作设备以便实现由能量储存控制器552指定的设定值。在各个实施例中，BMS 606可以与控制器552组合，或者可以是单独的建筑物管理系统的一部分。根据示例性实施例，BMS 606是如由江森自控有限公司(JohnsonControls,Inc.)售卖的
Figure BDA0001567935450000291
品牌建筑物管理系统。
控制器552可以使用从BMS 606接收的信息来监测受控建筑物的状态。控制器552可以被配置用于在优化时段中的多个时间步长上(例如，使用来自天气服务604的天气预报)预测建筑物的热能负载(例如，加热负载、冷却负载等)。控制器552可以生成控制决策，所述控制决策在受制于优化过程的约束(例如，能量平衡约束、负载满足约束等)的优化时段的持续时间上对操作系统550的经济价值进行优化。以下更详细描述了由控制器552执行的优化过程。
控制器552被示出为包括通信接口636和具有处理器608和存储器610的处理电路607。这些部件可以与如参照图6A所描述的部件相同。例如，控制器552被示出为包括需求响应优化器630。需求响应优化器630可以执行级联优化过程以优化系统550的性能。例如，需求响应优化器630被示出为包括高级优化器632和低级优化器634。高级优化器632可以控制级联优化的外部(例如，子设施级)回路。高级优化器632可以在预测窗口中的每个时间步长上确定控制决策的最佳设置以便优化(例如，最大化)操作能量储存系统500的值。由高级优化器632作出的控制决策可以包括例如发生器子设施520中的每个子设施的负载设定值、从公共设施510采购的每种类型资源的资源采购量、和/或卖给能量采购者504的每种资源的量。换言之，控制决策可以限定在每个时间步长处的资源分配。
低级优化器634可以控制级联优化的内部(例如，设备级)回路。低级优化器634可以确定如何以由高级优化器632确定的负载设定值最佳地运行每个子设施。例如，低级优化器634可以确定子设施设备的各种装置的开/关状态和/或操作设定值，以便在满足子设施的资源分配设定值的同时优化(例如，最小化)每个子设施的能耗。由需求响应优化器630执行的级联优化过程在美国专利申请号15/247,885中进行了更详细的描述。控制器552的这些和其他部件可以与如之前参照图6A所描述的部件相同。
规划工具
现在参照图7，根据示例性实施例，示出了规划系统700的框图。出于规划、预算和/或设计考虑，规划系统700可以被配置用于使用需求响应优化器630作为规划工具702的一部分来在预定时间段(例如，一天、一个月、一周、一年等)上模拟中央设施的操作。当在规划工具702中实现时，可以采用如参照图6A至图6B所描述的类似方式来操作需求响应优化器630。例如，需求响应优化器630可以使用建筑物负载和公共设施费率来确定最佳资源分配以便将模拟时段上的成本最小化。然而，规划工具702可以不负责建筑物管理系统或中央设施的实时控制。
规划工具702可以被配置用于确定投资电池资产的收益和与所述投资相关联的财务指标。这类财务指标可以包括例如内部回报率(IRR)、净现值(NPV)和/或简单投资回收期(SPP)。规划工具702还可以辅助用户确定产生最佳财务指标(比如最大NPV或最小SPP)的电池的规模。在一些实施例中，规划工具702允许用户指定电池规模并自动确定在执行PBDR的同时参与所选IBDR项目产生的电池资产的收益，如参照图5A所描述的。在一些实施例中，规划工具702被配置用于在给定所选IBDR项目和执行PBDR的要求的情况下确定使SPP最小化的电池规模。在一些实施例中，规划工具702被配置用于在给定所选IBDR项目和执行PBDR的要求的情况下确定使NPV最大化的电池规模。
在规划工具702中，高级优化器632可以在整个模拟时段上接收经规划负载和公共设施费率。可以由经由客户端装置722从用户中接收的(例如，用户限定的、用户选择的等)和/或从规划信息数据库726中获取的输入来限定经规划负载和公共设施费率。高级优化器632使用经规划负载和公共设施费率结合来自低级优化器634的子设施曲线来确定在模拟时段的一部分上的最佳资源分配(即，最佳分派安排表)。
可以通过在时间范围处结束的预测窗口限定模拟时段的被高级优化器632优化资源分配的那部分。对于优化的每次迭代，预测窗口向前移，并且分派安排表的不再在预测窗口中的部分被接受(例如，作为模拟的结果被存储或输出)。负载和费率预测可以针对整个模拟预定义，并且可能不受制于每次迭代中的调整。然而，在时间上将预测窗口向前移可能在预测窗口结束时的新增时间片上引入附加规划信息(例如，经规划负载和/或公共设施费率)。新的规划信息可能对最佳分派安排表没有显著的影响，因为只有一小部分的预测窗口随着每次迭代而改变。
在一些实施例中，在模拟开始时，高级优化器632从低级优化器634请求在模拟中使用的所有子设施曲线。因为经规划负载和环境条件在整个模拟时段是已知的，所以高级优化器632可以在模拟开始时获取所有的相关子设施曲线。在一些实施例中，当子设施曲线被提供至高级优化器632时，低级优化器634生成将子设施生产映射到设备级生产和资源使用的函数。这些子设施到设备的函数可以用于基于模拟的结果来计算单独的设备生成和资源使用(例如，在后处理模块中)。
仍然参照图7，规划工具702被示出为包括通信接口704和处理电路706。通信接口704可以包括用于与各种系统、装置或网络进行数据通信的有线或无线接口(例如，插座、天线、发射器、接收器、收发器、电线端子等)。例如，通信接口704可以包括用于经由基于以太网的通信网络发送和接收数据的以太网卡和端口和/或用于经由无线通信网络进行通信的WiFi收发器。通信接口704可以被配置用于经由局域网或广域网(例如，互联网、建筑物WAN等)进行通信并且可以使用各种通信协议(例如，BACnet、IP、LON等)。
通信接口704可以是被配置用于促进规划工具702与各种外部系统或装置(例如，客户端装置722、结果数据库728、规划信息数据库726等)之间的电子数据通信的网络接口。例如，规划工具702可以经由通信接口704接收来自客户端装置722和/或规划信息数据库726的经规划负载和公共设施费率。规划工具702可以使用通信接口704将模拟的结果输出至客户端装置722和/或将所述结果存储在结果数据库728中。
仍然参照图7，处理电路706被示出为包括处理器710和存储器712。处理器710可以是通用或专用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理部件或其他合适的处理部件。处理器710可以被配置用于执行存储在存储器712中或从其他计算机可读介质(例如，CDROM、网络存储设备、远程服务器等)接收到的计算机代码或指令。
存储器712可以包括用于存储数据和/或计算机代码以完成和/或促进本披露中所描述的各个过程的一个或多个装置(例如，存储器单元、存储器装置、存储装置等)。存储器712可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器存储设备、临时存储设备、非易失性存储器、闪存、光学存储器、或用于存储软件对象和/或计算机指令的任何其他合适的存储器。存储器712可以包括数据库组件、目标代码组件、脚本组件、或用于支持本披露中所描述的各种活动和信息结构的任何其他类型的信息结构。存储器712可以经由处理电路706可通信地连接至处理器710并且可以包括用于(例如，由处理器710)执行本文中所描述的一个或多个过程的计算机代码。
仍然参照图7，存储器712被示出为包括GUI引擎716、web服务714和配置工具718。在示例性实施例中，GUI引擎716包括被配置用于向用户提供图形用户界面以供选择或限定用于模拟的规划信息(例如，经规划负载、公共设施费率、环境条件等)的图形用户界面部件。Web服务714可以允许用户经由web门户和/或从远程系统或装置(例如，企业控制应用)与规划工具702交互。
配置工具718可以允许用户(例如，经由图形用户界面、经由提示驱动的“向导程序”等)限定各种模拟参数，诸如子设施的数量和类型、在每个子设施内的装置、子设施曲线、装置特定效率曲线、模拟的持续时间、预测窗口的持续时间、每个时间步长的持续时间、和/或与模拟有关的各种其他类型的规划信息。配置工具718可以呈现用户界面以构建这种模拟。用户界面可以允许用户以图形方式限定模拟参数。在一些实施例中，用户界面允许用户选择预存储的或预构造的模拟设施和/或规划信息(例如，来自规划信息数据库726)，并且对所述信息进行调整或使其能够用于模拟。
仍然参照图7，存储器712被示出为包括需求响应优化器630。需求响应优化器630可以使用经规划负载和公共设施费率来确定在预测窗口上的最佳资源分配。需求响应优化器630的操作可以与如之前参照图6至图8所描述的相同或类似。对于优化过程的每次迭代，需求响应优化器630可以将预测窗口前移，并且在模拟时段不再在预测窗口中的部分上应用最佳资源分配。需求响应优化器630可以在预测窗口结束时使用新规划信息来执行优化过程的下一次迭代。需求响应优化器630可以将所应用的资源分配输出至报告应用730以用于(例如，经由用户界面724)向客户端装置722呈现或存储在结果数据库728中。
仍然参照图7，存储器712被示出为包括报告应用730。报告应用730可以从需求响应优化器630接收经优化资源分配以及在一些实施例中与经优化资源相关联的成本。报告应用730可以包括基于web的报告应用，所述报告应用具有若干图形用户界面(GUI)元素(例如，小部件、仪表盘控制、窗口等)以便向GUI的用户显示关键性能指标(KPI)或其他信息。另外，GUI元素可以对跨各种设施、子设施等的相对能量使用和强度进行总结。可以基于允许用户对模拟结果进行评估的可用数据而生成和显示其他GUI元素或报告。用户界面或报告(或底层数据引擎)可以被配置用于对资源分配和与所述资源分配相关联的成本进行聚合并分类，并且经由GUI将所述结果提供至用户。GUI元素可以包括允许用户对模拟的结果进行视觉分析的图表或直方图。图8中示出了可以由报告应用730生成的示例性输出。
现在参照图8，根据示例性实施例，示出了展示规划工具702的操作的若干曲线图800。对于优化过程的每次迭代，规划工具702选择执行优化的优化时段(即，模拟时段的一部分)。例如，规划工具702可以选择优化时段802以用于第一次迭代。一旦已经确定最佳资源分配810，规划工具702就可以选择资源分配810的部分818以发送给设施分派830。部分818可以是资源分配810的第一b时间步长。规划工具702可以在时间上将优化时段802向前移，从而产生优化时段804。预测窗口移动的量可以与时间步长的持续时间b相对应。
规划工具702可以在优化时段804上重复优化过程以确定最佳资源分配812。规划工具702就可以选择资源分配812的部分820以发送给设施分派830。部分820可以是资源分配812的第一b时间步长。规划工具702然后可以在时间上将预测窗口向前移，从而产生优化时段806。可以在每个随后的优化时段(例如，优化时段806、808等)上重复此过程，以便生成更新的资源分配(例如，资源分配814、816等)，并且选择每个资源分配的部分(例如，部分822、824)以发送至设施分派830。设施分派830包括来自优化时段802至808中的每一个的第一b时间步长818至824。一旦在整个模拟时段上编辑了最佳资源分配，就可以将结果发送至报告应用730、结果数据库728、和/或客户端装置722，如参照图7所描述的。
资源分配优化
现在参照图9，根据示例性实施例，示出了更详细地展示高级优化器632的框图。在一些实施例中，高级优化器632可以被实现为能量储存控制器506的部件，如参照图5A和图6A所描述的。在其他实施例中，高级优化器632可以被实现为控制器552的部件，如参照图5B和图6B所描述的。在其他实施例中，高级优化器632可以被实现为规划工具702的部件，如参照图7至图8所描述的。
高级优化器632可以接收来自负载/费率预测器622的负载和费率预测、来自激励估计器620的激励预测以及来自低级优化器634的子设施曲线。高级优化器632可以根据负载和费率预测、激励预测和子设施曲线来确定跨能量储存系统500的最佳资源分配。最佳资源分配可以包括从公共设施510采购的每种资源量、发生器子设施520的每个输入和输出资源量、储存的或从储存子设施530抽取的每种资源量、和/或卖给能量采购者504的每种资源量。在一些实施例中，最佳资源分配在满足建筑物或校园的所预测负载的同时使操作能量储存系统500的经济价值最大化。
高级优化器632可以被配置用于优化电池资产的利用率，诸如电池108、电池306和/或电能储存子设施533。电池资产可以用于参与产生收入的IBDR项目，并且用于降低能量成本和由高峰负载贡献费用引发的成本。高级优化器632可以使用优化算法以最佳方式分配电池资产(例如，通过以最佳方式对电池进行充电和放电)以便使其总值最大化。在规划工具框架中，高级优化器632可以迭代地执行优化以在整个模拟时段上(例如，一整年)确定最佳电池资产分配，如参照图8所描述的。优化过程可以被扩展用于包括经济负载需求响应(ELDR)并且可以考虑高峰负载贡献费用。高级优化器632可以在给定范围上的每个时间步长(例如，每小时)处分配电池资产，以使得将能量成本和需求成本最小化并将频率调节(FR)收入最大化。以下更加详细地描述了高级优化器632的这些特征和其他特征。
成本函数
仍然参照图9，高级优化器632被示出为包括成本函数模块902。成本函数模块902可以生成成本函数或目标函数，所述成本函数或目标函数表示系统在时间范围(例如，一个月、一年、一天等)上的总操作成本。所述系统可以包括之前所描述的系统中的任何系统(例如，频率响应优化系统100、光伏能量系统300、能量储存系统500、规划系统700等)或实现高级优化器632的任何其他系统。在一些实施例中，通常可以使用以下方程来表示成本函数：
Figure BDA0001567935450000341
其中，J(x)如下进行限定：
Figure BDA0001567935450000342
前一方程中的第一项表示在优化范围上采购的所有资源的总成本。资源可以包括例如水、电力、天然气或从公共设施或其他外部实体采购的其他类型的资源。方程中的第二项表示通过在优化范围上参与激励项目(例如，IBDR项目)生成的总收入。收入可以基于储备用于参与激励项目的电量。因此，总成本函数表示所采购资源的总成本减去由参与激励项目生成的任何收入。
高级优化器632可以对受制于以下约束的成本函数J(x)进行优化，这保证了在优化范围上的所采购、所产生、所释放、所消耗和所请求资源之间的平衡：
Figure BDA0001567935450000343
其中，x内部,时间和x外部,时间是内部决策变量和外部决策变量，并且v不受控,时间包括不受控变量。
在前一方程中的第一项表示在优化范围上从每个源(例如，公共设施510)采购的每种资源(例如，电力、水、天然气等)的总量。第二项表示在优化范围上系统内(例如，发生器子设施520内)的每种资源的总消耗。第三项表示在优化范围上从储存设备(例如，储存子设施530)释放的每种资源的总量。正值指示从储存设备释放资源，而负值指示资源被装载或储存。第四项表示由各种资源汇(例如，建筑物502、能量采购者504或其他资源消费者)在优化范围上请求的每种资源的总量。因此，这种约束确保所采购、所产生或从储存设备释放的每种资源的总量等于所消耗、所储存或提供至资源汇的每种资源的量。
在一些实施例中，成本函数模块902将一种或多种资源的采购成本分成多个项。例如，成本函数模块902可以将资源采购成本分成与每单位所采购资源的成本(例如，电力为$/kWh、水为$/升等)相对应的第一项以及与一个或多个需量电费相对应的第二项。需量电费是对取决于给定时段(即，需量电费时段)上的最大或高峰资源消耗的资源消耗的单独收费。成本函数模块902可以使用以下方程来表示成本函数：
Figure BDA0001567935450000351
其中，r需量,s,q是与在需量电费时段上由源s提供的资源的高峰需求相关联的第q个需量电费，w需量,s,q是与源s相关联的第q个需量电费的权重调整，并且max()项指示在需量电费时段期间在任何时间步长i处从源s采购的资源的最大量。变量rs,i指示从源s采购的资源的每单位成本，并且变量采购s,i指示在优化时段的第i个时间步长期间从源s采购的资源量。
在一些实施例中，实现高级优化器632的能量系统包括被配置用于储存和释放电力的电池资产(例如，一个或多个电池)。如果电池资产是能量储存的唯一类型，则成本函数模块902可以将成本函数J(x)简化为以下方程：
Figure BDA0001567935450000352
其中，h是优化范围的持续时间，
Figure BDA0001567935450000353
是在优化范围的第i个时间步长期间从电池资产释放的用于减少从电力公共设施采购的电量的电量(例如，kW)，
Figure BDA0001567935450000354
是在时间步长i处的电价(例如，$/kWh)，PFR,i是在时间步长i期间致力于频率调节参与的电池电力(例如，kW)，
Figure BDA0001567935450000355
是在时间步长i期间参与频率调节的激励费率(例如，$/kWh)，rd是在相应的需量电费时段期间与最大电力消耗相关联的可适用需量电费(例如，$/kWh)，wd是在所述范围上的需量电费的权重调整，并且max()项在可适用需量电费时段的任何时间步长i期间选择从电力公共设施采购的最大电量(例如，kW)。
在成本函数J(x)的前一表达式中，第一项表示由使用电池电力来满足设施的电力需求相对于如果从电力公共设施采购电力则会引发的成本的成本节约。第二项表示由参与频率调节项目推导出的收入量。第三项表示在连续时间步长之间切换电池电力P电池所强加的切换惩罚。第四项表示与从电力公共设施采购的最大电量相关联的需量电费。所采购的电量可以等于在时间步长i处的设施的电负载e负载i(即，所需总电量)与在时间步长i处从电池资产
Figure BDA0001567935450000356
释放的电量之间的差。在规划工具框架中，电负载e负载在所述范围上的历史数据可以被提供为已知输入。在运行模式中，可以在优化时段的每个时间步长上预测电负载e负载。
优化约束
仍然参照图9，高级优化器632被示出为包括电力约束模块904。电力约束模块904可以被配置用于对目标函数J(x)强加一个或多个电力约束。在一些实施例中，电力约束模块904生成并强加以下约束：
Figure BDA0001567935450000361
Figure BDA0001567935450000362
Figure BDA0001567935450000363
其中，
Figure BDA0001567935450000364
是在时间步长i处从电池释放的用于满足电力需求并减少需量电费的电量，
Figure BDA0001567935450000365
是在时间步长i处致力于频率调节的电池电量，P有效是有效可用电力(例如，可以对电池进行充电或放电的最大速率)，并且e负载i是在时间步长i处的总电力需求。
前两个电力约束确保不会以超过最大电池充电/放电率P有效的速率对电池进行充电或放电。如果系统包括光伏(PV)发电设备，则可以如下计算有效可用电力P有效：
P有效＝P额定-PPV紧固储备
其中，P额定是电池的额定容量，并且PPV紧固储备是PV紧固储备电力。第三电力约束确保不会将储存在电池中的能量卖给或输出至能量网。在一些实施例中，如果将能量卖回能量网是系统的期望特征或行为，则电力约束模块904可以移除第三电力约束。
仍然参照图9，高级优化器632被示出为包括容量约束模块906。容量约束模块906可以被配置用于对目标函数J(x)强加一个或多个容量约束。容量约束可以用于将在每个时间步长期间充电或放电的电池电力P电池与电池的容量和荷电状态(SOC)进行关联。容量约束可以确保电池的SOC维持在可接受的下限和上限内，并且确保充足的电池容量可用于频率调节。在一些实施例中，下限和上限基于在每个时间步长i期间储备致力于频率调节
Figure BDA0001567935450000366
的电量所需的电池容量。
在一些实施例中，容量约束模块906生成两组容量约束。一组容量约束可以应用于在每个时间步长i结束时的边界条件，而另一组容量约束可以应用于在下一时间步长i+1开始时的边界条件。例如，如果第一数量的电池容量被储备用于时间步长i期间的频率调节并且第二数量的电池容量被储备用于在时间步长i+1期间的频率调节，则在时间步长i与i+1之间的边界点可能需要满足时间步长i和时间步长i+1两者的容量约束。这确保针对在当前时间步长i和下一时间步长i+1期间致力于频率调节的电力所作出的决策表示电池SOC的连续变化。
在一些实施例中，容量约束模块906生成以下容量约束：
Figure BDA0001567935450000371
Figure BDA0001567935450000372
其中，Ca是可用电池容量(例如，kWh)，CFR是将致力于频率调节的电池电量PFR转化成需要储备的能量的量的频率调节储备容量(例如，kWh/kW)，并且C有效是电池的有效容量。
第一组约束确保将在每个时间步长i结束时的电池容量(即，可用容量Ca减去贯穿时间步长i所放电的电池电力)在时间步长i上维持在容量下限
Figure BDA0001567935450000373
与容量上限
Figure BDA0001567935450000374
之间。容量下限
Figure BDA0001567935450000375
表示在时间步长i期间针对频率调节需要储备
Figure BDA0001567935450000376
的最小容量，而容量上限
Figure BDA0001567935450000377
表示在时间步长i期间针对频率调节需要储备
Figure BDA0001567935450000378
的最大容量。类似地，第二组约束确保将在每个时间步长i结束时的电池容量(即，可用容量Ca减去贯穿时间步长i所放电的电池电力)在时间步长i+1上维持在容量下限
Figure BDA0001567935450000379
与容量上限
Figure BDA00015679354500003710
之间。容量下限
Figure BDA00015679354500003711
表示在时间步长i+1期间针对频率调节需要储备
Figure BDA00015679354500003712
的最小容量，而容量上限
Figure BDA00015679354500003713
表示在时间步长i+1期间针对频率调节需要储备
Figure BDA00015679354500003714
的最大容量。
在一些实施例中，容量约束模块906计算电池的有效容量C有效作为电池的额定容量的百分比。例如，如果频率调节和光伏发电两者都启用并且SOC控制裕度为非零，则容量约束模块906可以使用以下方程来计算电池的有效容量C有效：
C有效＝(1-CFR-2CsocCM)C额定-CPV紧固储备
其中，CsocCM是控制裕度，并且CPV紧固储备是储备用于光伏紧固的容量。
仍然参照图9，高级优化器632被示出为包括切换约束模块908。切换约束模块908可以被配置用于对成本函数J(x)强加一个或多个切换约束。如之前所描述的，成本函数J(x)可以包括以下切换项：
Figure BDA0001567935450000381
其充当在连续时间步长i与i-1之间切换电池电力P电池的惩罚。值得注意的是，由于绝对值函数，切换项是非线性的。
切换约束模块908可以以线性格式强加表示非线性切换项的约束。例如，切换约束模块908可以引入辅助切换变量si，并且将所述辅助切换变量约束为大于在时间步长i处的电池电力
Figure BDA0001567935450000382
与在时间步长i-1处的电池电力
Figure BDA0001567935450000383
之间的差，如在以下方程中所示出的：
Figure BDA0001567935450000384
切换约束模块908可以使用以下线性化项替换成本函数J(x)中的非线性切换项：
Figure BDA0001567935450000385
这可以使用受制于辅助切换变量si的约束的各种线性优化技术(例如，线性规划)中的任何一种来进行优化。
需量电费合并
仍然参照图9，高级优化器632被示出为包括需量电费模块910。需量电费模块910可以被配置用于对成本函数J(x)和优化约束进行修改以考虑一个或多个需量电费。如之前所描述的，需量电费是由公共设施510基于在各种需量电费时段期间来自公共设施510的资源的高峰消耗(即，在可适用需量电费时段的任何时间步长期间从公共设施采购的资源的高峰量)而强加的成本。例如，电力公共设施可以限定一个或多个需量电费时段，并且可以基于在每个需量电费时段期间的高峰电力消耗而强加单独的需量电费。电能储存设备可以在能耗较低时通过将电力储存在电池中并且在能耗较高时从电池释放所储存电力来帮助减少高峰消耗，从而减少在需量电费时段的任何时间步长期间从公共设施采购的高峰电力。
在一些情况下，从公共设施510采购的资源中的一种或多种资源受制于需量电费或多个需量电费。因为存在不同类型的能量费率结构，所以存在多种类型的潜在需量电费。最常见的能量费率结构为恒定定价、使用时间(TOU)和实时定价(RTP)。每个需量电费都可以与在其期间需量电费有效的需量电费时段相关联。需量电费时段可以彼此和/或与优化时段部分或完全重叠。需量电费时段可以包括相对较长时段(例如，月度、季度、年度等)或相对较短时段(例如，几天、几小时等)。这些时段中的每一个都可以被划分成若干子时段，包括非高峰时段、部分高峰时段和/或高峰时段。一些需量电费时段是连续的(例如，从2017年1月1日开始到2017年1月31日结束)，而其他需量电费时段是非连续的(例如，一个月的每天从11:00AM到1:00PM)。
在给定优化时段上，一些需量电费可能在优化时段内发生的一些时间步长期间是有效的，并且在优化时段期间发生的其他时间步长期间是无效的。一些需量电费可能在优化时段内发生的所有时间步长上都是有效的。一些需量电费可以应用于在优化时段期间发生的一些时间步长以及在优化时段以外发生的其他时间步长(例如，在优化时段之前或之后)。在一些实施例中，需量电费时段的持续时间与优化时段的持续时间明显不同。
有利地，需量电费模块910可以被配置用于考虑在由高级优化器632执行的高级优化过程中的需量电费。在一些实施例中，需量电费模块910使用需量电费掩码和需量电费费率加权因子将需量电费合并到优化问题和成本函数J(x)中。每个需量电费掩码可以与特定需量电费相对应，并且可以指示在其期间相应的需量电费有效的时间步长和/或在其期间需量电费无效的时间步长。每个费率加权因子还可以与特定需量电费相对应，并且可以将相应的需量电费费率缩放至优化时段的时间尺度。
如以上所描述的，成本函数J(x)的需量电费项可以表示为：
Figure BDA0001567935450000391
其中，max()函数选择在优化时段期间发生的任何时间步长i期间从源s采购的最大资源量。然而，与需量电费q相关联的需量电费时段可能不覆盖在优化时段期间发生的所有时间步长。为了将需量电费q仅应用于在其期间需量电费q有效的时间步长，需量电费模块910可以将需量电费掩码添加至需量电费项，如以下方程中所示出的：
Figure BDA0001567935450000392
其中，gs,q,i是需量电费掩码的元素。
需量电费掩码可以是包括在优化时段期间发生的每个时间步长i上的元素gs,q,i的逻辑向量。需量电费掩码的每个元素gs,q,i都可以包括二进制值(例如，一或零)，所述二进制值指示源s的需量电费q在优化时段的相应时间步长i期间是否有效。例如，如果需量电费q在时间步长i期间有效，则元素gs,q,i的值可以为一(即，gs,q,i＝1)，并且如果需量电费q在时间步长i期间无效，则值为零(即，gs,q,i＝0)。以下方程中示出了需量电费掩码的示例：
gs,q＝[0,0,0,1,1,1,1,0,0,0,1,1]T
其中，gs,q,1、gs,q,2、gs,q,3、gs,q,8、gs,q,9和gs,q,10的值为零，而gs,q,4、gs,q,5、gs,q,6、gs,q,7、gs,q,11和gs,q,12的值为一。这指示需量电费q在时间步长i＝1,2,3,8,9,10期间无效(即，
Figure BDA0001567935450000402
)，并且在时间步长i＝4,5,6,7,11,12期间有效(即，
Figure BDA0001567935450000403
)。因此，在max()函数内的项gs,q,i采购s,i可以在需量电费q无效的所有时间步长上具有值零。这使得max()函数选择仅在需量电费q有效的时间步长期间发生的来自源s的最大采购。
在一些实施例中，需量电费模块910针对成本函数J(x)中的每个需量电费q计算加权因子w需量,s,q。加权因子w需量,s,q可以是在优化时段期间相应需量电费q有效的时间步长的数量与在优化时段结束之后的其余需量电费时段(如果有的话)中相应的需量电费q有效的时间步长的数量之比。例如，需量电费模块910可以使用以下方程来计算加权因子w需量,s,q：
Figure BDA0001567935450000401
其中，分子是在优化时段中需量电费q有效的时间步长(即，从时间步长k到时间步长k+h-1)的数量总和，并且分母是在优化时段之后发生的需量电费时段的一部分中需量电费q有效的时间步长(即，从时间步长k+h到需量电费时段结束时)的数量。以下示例展示了需量电费模块910可以如何将多个需量电费合并到成本函数J(x)中。在此示例中，单个电源(例如，电网)被认为具有可适用于电源的多个需量电费(即，q＝1…N，其中，N是需量电费的总数量)。系统包括可以通过在各个时间步长期间对电池进行充电或放电而在优化时段上进行分配的电池资产。对电池进行充电增加从电网采购的电量，而对电池进行放电减少从电网采购的电量。
需量电费模块910可以修改成本函数J(x)来考虑N个需量电费，如以下方程中所示出的：
Figure BDA0001567935450000411
其中，项
Figure BDA0001567935450000412
表示在时间步长i期间从电网采购的电力总量(即，总电力负载e负载i减去从电池释放的电力
Figure BDA0001567935450000413
)。可以通过在成本函数J(x)中针对N需量电费中的每一个包括单独max()函数来单独地考虑每个需量电费q＝1…N。参数
Figure BDA0001567935450000414
指示与第q个需量电费(例如，$/kW)相关联的需量电费费率，并且加权因子
Figure BDA0001567935450000415
指示应用于第q个需量电费的权重。
需量电费模块910可以使用相应需量电费的需量电费掩码的元素
Figure BDA0001567935450000416
来增强每个max()函数。每个需量电费掩码可以是二进制值的逻辑向量，其指示相应的需量电费在优化时段的每个时间步长i处是有效还是无效。因此，每个max()函数可以选择仅在相应的需量电费有效的时间步长期间的最大电力采购。每个max()函数可以与相应的需量电费费率
Figure BDA0001567935450000417
和相应的需量电费加权因子
Figure BDA0001567935450000418
相乘，以便确定由在优化时段的持续时间上的电池分配P电池产生的总需量电费。
在一些实施例中，需量电费模块910通过针对每个需量电费q引入辅助变量dq来使成本函数J(x)的需量电费项线性化。在前一示例的情况下，这将导致N辅助变量d1…dN作为决策变量被引入到成本函数J(x)中。需量电费模块910可以修改成本函数J(x)以便包括线性化需量电费项，如以下方程中所示出的：
Figure BDA0001567935450000419
需量电费模块910可以对辅助需量电费变量d1…dN强加以下约束来确保每个辅助需量电费变量表示在可适用需量电费时段期间从电力公共设施采购的最大电量：
Figure BDA00015679354500004110
在一些实施例中，与每个需量电费q相对应的约束数量依赖于在优化时段期间有多少时间步长期间的需量电费q是有效的。例如，需量电费q的约束数量可以等于需量电费掩码gq的非零元素的数量。此外，辅助需量电费变量dq在优化的每次迭代时的值可以用作辅助需量电费变量dq在接下来的迭代时的值的下限。
考虑多个需量电费结构的以下示例。在此示例中，电力公共设施强加三个月度需量电费。第一需量电费是15.86$/kWh的全时月度需量电费，其适用于整个月内的所有时间。第二需量电费是1.56$/kWh的高峰时月度需量电费，其适用于每天从12:00至18:00。第三需量电费是0.53$/kWh的部分高峰时月度需量电费，其适用于每天从9:00至12:00以及从18:00至22:00。
对于一天的优化时段和一小时的时间步长(即，i＝1…24)，需量电费模块910可以引入三个辅助需量电费变量。第一辅助需量电费变量d1与全时月度需量电费相对应；第二辅助需量电费变量d2与高峰时月度需量电费相对应；并且第三辅助需量电费变量d3与部分高峰时月度需量电费相对应。需量电费模块910可以使用以上所述的不等式约束将每个辅助需量电费变量约束为大于或等于在相应的需量电费有效的小时期间的最大电力采购。
需量电费模块910可以针对这三个需量电费(即，q＝1…3)中的每一个生成需量电费掩码gq，其中，gq包括在优化时段的每个时间步长上的元素(即，
Figure BDA0001567935450000424
)。可以如下限定这三个需量电费掩码：
Figure BDA0001567935450000421
Figure BDA0001567935450000422
Figure BDA0001567935450000423
其中，需量电费掩码的所有其他元素都等于零。在此示例中，显然，多于一个需量电费约束将在与多个需量电费时段重叠的小时期间是有效的。而且，每个需量电费在优化时段上的权重可以基于需量电费有效的小时数量而改变，如之前所描述的。
在一些实施例中，当将多个需量电费合并到成本函数J(x)和优化约束中时，需量电费模块910考虑若干不同的需量电费结构。需量电费结构可以从一个公共设施到另一个公共设施变化，或者公共设施可以提供若干需量电费选项。为了将多个需量电费合并在优化框架内，可以如之前所描述的来限定普遍适用的框架。需量电费模块910可以将任何需量电费结构转化到此框架中。例如，需量电费模块910可以通过费率、需量电费时段开始、需量电费时段结束和有效小时来表征每个需量电费。有利地，这允许需量电费模块910以普遍适用的格式合并多个需量电费。
以下是需量电费模块910可以如何将多个需量电费合并到成本函数J(x)中的另一示例。例如，考虑具有全时、高峰时、部分高峰时和非高峰时的月度需量电费。在这种情况下，存在四个需量电费结构，其中，通过十二个月度费率、十二个需量电费时段开始(例如，每月开始时)、十二个需量电费时段结束(例如，每月结束时)和有效小时来表征每个需量电费。有效小时是在一年上需量电费有效的小时被设置为一的逻辑向量。当在给定范围上运行优化时，需量电费模块910可以使用有效小时掩码、相关时段和相应费率来实现可适用需量电费。
在年度需量电费的情况下，需量电费模块910可以将需量电费时段开始和时段结束设置为一年的开始和结束。对于年度需量电费，需量电费模块910可以应用单一年度费率。有效小时需量电费掩码可以表示需量电费有效的小时。对于年度需量电费，如果存在全时、高峰时、部分高峰时和/或非高峰时，则将此转化成具有相同的时段开始和结束但不同的有效小时和不同的费率的最多四个年度需量电费。
在季度需量电费的情况下(例如，在指定季节时段上确定最大高峰的需量电费)，需量电费模块910可以将需量电费表示为年度需量电费。需量电费模块910可以将需量电费时段开始和结束设置为一年的开始和结束。需量电费模块910可以在属于所述季节的小时期间将有效小时设置为一，并且其他情况下设置为零。对于季节需量电费，如果存在全时、高峰时、部分高峰时和/或非高峰时，则将此转化成具有相同的时段开始和结束但不同的有效小时和不同的费率的最多四个季节需量电费。
在对当前月份的最大值与前十一个月的这些最大值的平均值求平均的情况下，需量电费模块910可以将需量电费结构转化为月度需量电费和年度需量电费。月度需量电费的费率可能是给定月度费率的一半，并且年度费率可能是给定月度费率除以二的总和。需量电费模块910的这些和其他特征在于2017年1月12日提交的美国专利申请号15/405,236中进行了更详细的描述，所述美国专利申请的全部披露通过引用结合在此。
激励项目合并
再次参照图9，高级优化器632被示出为包括激励项目模块912。激励项目模块912可以修改优化问题以考虑参与基于激励的需求响应(IBDR)项目的收入。IBDR项目可以包括提供收入以交换资源(例如，电力)或减少这种资源需求的任何类型的基于激励的项目。例如，作为频率响应项目(例如，PJM频率响应)或同步储备市场的一部分，能量储存系统500可以向能量网或独立服务运营商提供电力。在频率响应项目中，参与者与电力供应商签订合同，以便通过跟踪所供应信号来维持可以供应至能量网或从所述能量网中移除的储备电力容量。参与者按维持储备所需的电力容量的量来进行支付。在其他类型的IBDR项目中，作为减载项目的一部分，能量储存系统500可以减少其对来自公共设施的资源的需求。设想能量储存系统500可以参与任何数量和/或类型的IBDR项目。
在一些实施例中，激励项目模块912修改成本函数J(x)以便包括由参与经济负载需求响应(ELDR)项目生成的收入。ELDR是一种类型的IBDR项目，并且类似于频率调节。在ELDR中，目标是在使用电池来参与其他项目并执行需求管理和能量成本降低的同时使由项目生成的收入最大化。为了考虑ELDR项目参与，激励项目模块912可以修改成本函数J(x)以便包括以下项：
Figure BDA0001567935450000441
其中，bi是指示是否在时间步长i期间参与ELDR项目二元决策变量，
Figure BDA0001567935450000442
是补偿参与的ELDR激励费率，并且adjCBLi是在基线负载上的对称加性调整(SAA)。之前的表达式可以重写为：
Figure BDA0001567935450000443
其中，eli和elp是在运行当天的第l小时的电负载。
在一些实施例中，激励项目模块912将ELDR到优化问题中的集成作为具有两个乘法决策变量的双线性问题进行处理。为了使成本函数J(x)线性化并将ELDR问题定制到优化框架，可以进行若干假设。例如，激励项目模块912可以假设：ELDR仅参与实时市场、平衡了操作储备费用并且忽略了整个支付、在范围上使用日前价格、在通过优化算法作出决策之后使用实时价格计算ELDR的总收入、以及提前作出参与ELDR的决策并传递至分配电池资产所基于的优化算法。
在一些实施例中，激励项目模块912如下计算参与向量bi：
Figure BDA0001567935450000444
其中，
Figure BDA0001567935450000445
是在第i小时的每小时日前价格，NBTi是与相应的小时所属的月份相对应的净收益测试值，并且S是非事件日的集合。对于给定的日期类型，可以通过选择y天数中具有最高日前价格的每x天数而参与来确定一年的非事件日。这种方法可以确保在针对事件日计算CBL时，在给定事件日之前的45天中存在非事件日。
给定这些假设和由激励项目模块912采用以确定何时参与ELDR的方法，激励项目模块912可以如下调整成本函数J(x)：
Figure BDA0001567935450000451
其中，bi和m在给定范围上是已知的。所产生的与ELDR相对应的项示出在第i参与小时处的费率翻了一倍，并且与SAA相对应的费率被降低。这意味着预期高级优化器632将倾向于在SAA小时期间对电池进行充电，并且在参与小时期间对电池进行放电。值得注意的是，即使给定小时被设置为ELDR参与小时，高级优化器632也可能在这个小时期间决定不分配任何电池资产。这是因为此时参与另一个激励项目或执行需求管理可能更有利的事实。
高峰负载贡献合并
仍然参照图9，高级优化器632被示出为包括高峰负载贡献模块914。高峰负载贡献(PLC)是客户对在基本时段内的某些小时处在由区域输电组织(RTO)或独立系统运营商(ISO)管理的地理区域中发生的区域性需求高峰的贡献。在给定小时处的区域性需求可以是客户的需求(即，客户从公共设施采购电力或其他资源的费率)以及在这个小时期间地理区域中的其他建筑物的需求的总和。除了之前所描述的能耗费用和需量电费之外，可以基于客户对高峰区域性需求的贡献(例如，客户的PLC的$/kW)来对所述客户进行收费。
PLC模块914可以被配置用于修改成本函数J(x)以考虑与客户的PLC相关联的成本。通过将PLC成本合并到成本函数J(x)中，PLC模块914使得高级优化器632能够分配资源消耗和资源采购以降低客户的PLC。高级优化器632可以通过将客户的负载转移至非高峰时间或削减客户的高峰负载来降低PLC成本。例如，这可以通过在非高峰时间期间预冷却建筑物、使用热能储存设备和/或使用电能储存设备(比如电池资产)来完成。
考虑与客户的PLC相关联的成本可能比考虑能耗成本和需量电费更加困难。不像在预定需量电费时段期间基于客户的最大需求而计算的需量电费，计算PLC的小时可能不会提前知道。高峰区域性需求的小时(即，重合高峰(CP)小时)可能直到计算PLC的基本时段结束才是已知的。例如，可以由RTO在基本时段结束时基于在基本时段期间由RTO管理的地理区域内的所有建筑物的需求(例如，通过选择具有最高区域性需求的小时)来确定对于给定基本时段(例如，一年)的CP小时。客户的PLC然后可以基于在指定CP小时期间的客户需求来确定，并且用于计算客户PLC的成本。此成本然后可以在下一时间段期间(例如，下一年，被称为计费时段)对客户进行收费。
考虑PLC成本的另一困难在于基本时段、计费时段、CP小时和用于计算PLC成本的其他因素可能从一个RTO到另一个RTO有所不同。例如，宾夕法尼亚州、泽西岛和马里兰州(PJM)地理区域的RTO可以将基本时段(即，高峰设置时段)限定为从Y年6月1日至Y+1年5月31日。计费时段(即，交付时段)可以被限定为Y+1年6月1日至Y+2年5月31日。PJM可以将CP小时限定为在跨PJM地理区域的五个最高高峰负载日上具有最高负载的五个小时。
PJM区域中的客户PLC可以被计算为在五个CP小时期间的客户的平均电负载与容量损耗因子(CLF)的乘积，如在以下方程中所示出的：
Figure BDA0001567935450000461
其中，PLC客户是在Y年期间计算的客户的高峰负载贡献，CLF是容量损耗因子(例如，CLF＝1.05)，并且
Figure BDA0001567935450000462
是在第iCP小时期间的客户的电负载(例如，kW)。
PJM区域中的客户的PLC成本可以被计算为在Y年期间客户的PLC与PLC费率的乘积，如在以下方程中所示出的：
PLC成本＝rPLC×PLC客户
其中，PLC成本是在交付年Y+1收取客户的PLC费用(例如，$)，并且rPLC是针对客户的PLC而向客户收取的费率(例如，$/kW)。
PJM区域中的附加复杂性与PLC成本与经济负载需求响应(ELDR)收入之间的相互作用有关。在一些实施例中，可能禁止在CP小时之一期间参与PJM区域中的ELDR的客户降低所述客户的PLC而同时赚取ELDR收入。因此，想要出于降低其容量、传输和/或需量电费成本的目的在假设的CP小时期间减少其负载的客户可能在ELDR市场中的相同假设CP小时上被限制进行出价。
强加PLC成本的组织的另一示例是在加拿大安大略省(Ontario)的独立电力系统运营商(IESO)。相对于PJM，IESO可以使用不同的基本时段、计费时段、CP小时、以及用于计算PLC成本的其他因子。例如，IESO可以将基本时段或高峰设置时段限定为Y年5月1日至Y+1年4月30日。IESO的计费时段或调整时段可以被限定为Y+1年7月1日至Y+2年6月30日。IESO可以将CP小时限定为具有跨IESO地理区域最高区域性需求的五个小时。
在基本时段结束时，IESO可以计算客户的高峰需求因子(θPDF)。高峰需求因子可以被限定为这五个CP小时期间客户的高峰需求的总和与区域宽度需求高峰的总和之比，如在以下方程中所示出的：
Figure BDA0001567935450000471
其中，
Figure BDA0001567935450000472
是在第iCP小时期间的区域宽度高峰负载，并且
Figure BDA0001567935450000473
是在第iCP小时期间的客户的高峰负载。
IESO区域中的客户的PLC成本已知为全局调整(GA)费用。GA费用可以被强加为在计费时段期间的月度费用。在一些实施例中，通过将客户的高峰需求因子与月度区域宽度全局调整成本相乘来计算GA费用，如以下方程中所示出的：
GA成本,月度＝θPDF×GA总,月度
其中，GA成本,月度是客户的月度PLC成本(例如，$)，并且GA总,月度是区域宽度全局调整成本(例如，$)。GA总,月度的值可以由IESO指定。在一些实施例中，GA总,月度具有已知值。在其他实施例中，GA总,月度的值可能直到基本时段结束时才已知。
为了将PLC成本合并到成本函数J(x)中并且提前分配资源消耗/采购，PLC模块914可以在即将到来的基本时段上生成或获得CP小时的预估。所预估的CP小时然后可以由高级优化器632用作实际CP小时的估计。高级优化器632可以使用所预估的CP小时来分配一个或多个资产(例如，电池、热能储存设备、HVAC设备等)以便使在所预估CP小时期间的客户需求最小化。PLC模块914的这些和其他特征在于2017年1月12日提交的美国专利申请号15/405,234中进行了更详细的描述，所述美国专利申请的全部披露通过引用结合在此。
资产规模调整合并
仍然参照图9，高级优化器632被示出为包括资产规模调整模块916。资产规模调整模块916可以被配置用于确定在建筑物、建筑物群或中央设施中的各种资产的最佳规模。资产可以包括单独的设备件或设备组。例如，资产可以包括建筑物或中央设施中的锅炉、冷却器、热回收冷却器、蒸汽发生器、发电机、热能储存罐、电池、空气处理单元或其他类型的设备(例如，HVAC设备、BMS设备等)。在一些实施例中，资产包括形成中央设施(例如，中央设施118)的子设施的设备集合。例如，资产可以包括加热器子设施521、冷却器子设施522、热回收冷却器子设施523、蒸汽子设施524、电力子设施525或任何其他类型的发生器子设施520。在一些实施例中，资产包括高温热能储存设备531(例如，一个或多个热水储存罐)、低温热能储存设备532(例如，一个或多个低温热能储存罐)、电能储存设备533(例如，一个或多个电池)、或任何其他类型的储存子设施530。
资产规模可以包括资产的最大加载和/或资产的最大容量。一些资产(如储存子设施530)可以具有最大加载和最大容量两者。例如，电池资产可以具有最大电池电力(例如，可以对电池充电或放电的最大速率)和最大荷电状态(电池的最大能量储存)。类似地，热能储存资产可以具有最大装载率/释放率和最大容量(例如，最大流体储存等)。其他资产(如发生器子设施520)可能只具有最大加载。例如，冷却器可以具有冷却器可以产生低温热能的最大速率。类似地，发电机可以具有发电机可以产生电力的最大速率。资产规模调整模块916可以被配置用于当确定资产的最佳规模时确定资产的最大加载和/或最大容量。
在一些实施例中，资产规模调整模块916被实现为规划工具702的部件。在规划工具框架中，资产规模调整模块916可以针对给定应用确定资产的最佳规模。例如，考虑参照图7至图8描述的规划问题，其中，在给定时间范围h上的给定时刻k解决了高级优化。对于高级优化的每次迭代，可以将时间范围h前移等于b时间步长的块大小，并且可以保留前b组决策变量。在这种规划问题中，通常连同历史负载数据、公共设施定价和其他相对数据一起给定待以最佳方式分配的资产规模。然而，存在许多待分配的资产规模是未知的情况。例如，当针对给定应用采购新资产(例如，将热能储存设备或电能储存设备添加至建筑物或中央设施)时，用户可能想要确定将采购的资产的最佳规模。
资产规模调整模块916可以被配置用于通过考虑资产的潜在收益和成本来确定资产的最佳规模。潜在收益可以包括例如降低的能量成本、降低的需量电费、降低的PLC费用和/或参与IBDR项目(比如频率调节(FR)或经济负载需求响应(ELDR))所增加的收入。潜在成本可以包括固定成本(例如，资产的最初采购成本)以及在时间范围上的边际成本(例如，使用资产的持续成本)。资产的潜在收益和成本可以基于资产和/或所述资产将用于其中的系统的应用而改变。例如，参与FR项目的系统可以实现所增加的IBDR收入的益处，而未参与任何IBDR项目的系统可能无法实现这种益处。
资产的收益和成本中的一些可以通过原始成本函数J(x)来捕获。例如，成本函数J(x)可以包括与能量成本、多个需量电费、PLC费用和/或IBDR收入相对应的项，如之前所描述的。添加一个或多个新资产可能影响在原始成本函数J(x)中的这些项中的一些或全部的值。例如，添加电池资产可以增加IBDR收入并且降低能量成本、需量电费和PLC费用。然而，原始成本函数J(x)可能不考虑由新资产采购引起的固定成本和边际成本。为了考虑这些固定成本和边际成本，资产规模调整模块916可以向原始成本函数J(x)添加新的项。
资产规模调整模块916可以被配置用于使用与采购新资产的成本相对应的两个新的项来增强成本函数J(x)，从而产生经增强成本函数Ja(x)。附加项在以下方程中示出：
Figure BDA0001567935450000491
其中，J(x)是原始成本函数，x是优化问题的决策变量在所述范围上的向量，cf是购买任何规模的资产的固定成本的向量(例如，针对每个潜在资产采购的一个元素)，v是指示是否采购相应资产的二元决策变量的向量，cs是每单位资产规模的边际成本的向量(例如，每单位加载的成本、每单位容量的成本)，并且sa是与所述资产规模相对应的连续决策变量的向量。有利地，二元采购决策和资产规模决策被视为可以连同向量x中的决策变量一起被优化的决策变量。这允许高级优化器632执行单个优化来确定在经增强成本函数Ja(x)中的所有决策变量的最佳值。
在一些实施例中，资产规模调整模块916将资产采购成本
Figure BDA0001567935450000492
和
Figure BDA0001567935450000493
缩放至优化时段h的持续时间。采购资产的成本通常在整个投资回收期SPP上支付，而运营成本仅在优化时段h上支付。为了将资产采购成本缩放至优化时段，资产规模调整模块916可以将项
Figure BDA0001567935450000494
和
Figure BDA0001567935450000495
与费
Figure BDA0001567935450000496
相乘，如以下方程中所示出的：
Figure BDA0001567935450000497
其中，h是以小时为单位的优化时段的持续时间，SPP是以年为单位的投资回收期的持续时间，并且8760是一年中的小时数量。
高级优化器632可以执行优化过程来确定在向量v中的二元决策变量中的每一个的最佳值和向量sa中的连续决策变量中的每一个的最佳值。在一些实施例中，高级优化器632使用线性规划(LP)或混合整数线性规划(MILP)来优化财务指标，比如净现值(NPV)、简单投资回收期(SPP)或内部回报率(IRR)。向量cf、v、cs和sa的每个元素可以与特定资产和/或特定资产规模相对应。因此，高级优化器632可以通过识别在向量v中的二元决策变量的最佳值和向量sa中的连续决策变量的最佳值来确定将采购的最佳资产和将采购的最佳规模。参照图10更加详细地描述了资产规模调整模块916的这些和其他特征。
子设施曲线合并
仍然参照图9，高级优化器632被示出为包括子设施曲线模块930。在最简单的情况下，可以假设每个子设施的资源消耗是由子设施产生的热能负载的线性函数。然而，这种假设对于某个子设施设备可能不是真实的，更不用说对于整个子设施。子设施曲线模块930可以被配置用于修改高级优化器问题以便考虑在资源消耗与负载生产之间具有非线性关系的子设施。
子设施曲线模块930被示出为包括子设施曲线更新器932、子设施曲线数据库934、子设施曲线线性化器936和子设施曲线合并器938。子设施曲线更新器932可以被配置用于针对子设施520至530中的每一个子设施从低级优化器634请求子设施曲线。每个子设施曲线可以指示由特定子设施消耗的资源量(例如，kW中测量的电力使用、L/s中测量的水使用等)作为子设施负载的函数。
在一些实施例中，低级优化器634通过针对子设施负载和天气条件的各种组合运行低级优化过程以生成多个数据点来生成子设施曲线。低级优化器634可以将曲线拟合至数据点以生成子设施曲线，并且将子设施曲线提供至子设施曲线更新器932。在其他实施例中，低级优化器634可以将数据点提供至子设施曲线更新器932，并且子设施曲线更新器932使用所述数据点生成子设施曲线。子设施曲线更新器932可以将子设施曲线存储在子设施曲线数据库934中以用于高级优化过程。
在一些实施例中，通过对子设施的单独装置的效率曲线进行组合来生成子设施曲线。装置效率曲线可以指示由装置消耗的资源量为负载的函数。装置效率曲线可以由装置制造商提供或者使用实验数据生成。在一些实施例中，装置效率曲线基于由装置制造商提供的最初效率曲线，并且使用实验数据进行更新。装置效率曲线可以存储在设备模块618中。对于一些装置，装置效率曲线可以指示资源消耗是负载的U形函数。因此，当多个装置效率曲线组合到整个子设施的子设施曲线中时，所产生子设施曲线可能是波形曲线。所述波形是在更高效地开启另一装置来满足子设施负载之前由单个装置加载而引起的。
子设施曲线线性化器936可以被配置用于将子设施曲线转换成凸形曲线。凸形曲线是连接曲线上任何两点的线总是高于或沿所述曲线(即，不低于所述曲线)的曲线。凸形曲线在高级优化中使用时可能是有利的，因为所述凸形曲线允许在计算上相对于使用非凸形函数的优化过程更便宜的优化过程。子设施曲线线性化器936可以被配置用于将子设施曲线分成分段的线性片段，所述分段的线性片段组合以形成分段限定的凸形曲线。子设施曲线线性化器936可以将线性化子设施曲线存储在子设施曲线数据库934中。
子设施曲线合并器938可以被配置用于修改高级优化问题以将子设施曲线合并到优化中。在一些实施例中，子设施曲线合并器938修改决策变量以便包括表示每个子设施的资源消耗的一个或多个决策向量。子设施曲线合并器938可以修改不等式约束以确保消耗适当的每种资源量来服务所预测热能负载。在一些实施例中，子设施曲线合并器938制定不等式约束，所述不等式约束强制规定在相应的线性化子设施曲线的上图像中的每种资源的资源使用。例如，冷却器子设施522可以具有线性化子设施曲线，所述线性化子设施曲线指示冷却器子设施522的电力使用(即，输入资源输入1)为冷却器子设施522的冷水生产(即，输出资源输出1)的函数。线性化子设施曲线可以包括连接点[u1,Q1]至点[u2,Q2]的第一线段、连接点[u2,Q2]至点[u3,Q3]的第二线段、以及连接点[u3,Q3]至点[u4,Q4]的第三线段。
子设施曲线合并器938可以针对子设施曲线的每个分段片段制定不等式约束，所述不等式约束对表示将大于或等于由冷水生产的相应值的线段限定的电力使用量的冷却器电力使用的决策变量值进行约束。可以针对其他子设施曲线制定类似的不等式约束。例如，子设施曲线合并器938可以针对冷却器子设施522的水消耗使用根据冷水生产而限定冷却器子设施522的水消耗的线性化子设施曲线的点来生成一组不等式约束。在一些实施例中，冷却器子设施522的水消耗等于冷水生产，并且水消耗的线性化曲线包括连接点[u5,Q5]至点[u6,Q6]的单条线段。子设施曲线合并器938可以针对冷却器子设施522以及中央设施的其他子设施的每条子设施曲线重复此过程以限定每个子设施曲线的一组不等式约束。
由子设施曲线合并器938生成的不等式约束确保高级优化器632使资源消耗保持高于相应子设施曲线的所有线段。在大多数情况下，由于与资源消耗相关联的经济成本，高级优化器632没有理由选择位于相应子设施曲线以上的资源消耗值。因此可以预期高级优化器632选择位于相应子设施曲线上而不是高于所述子设施曲线的资源消耗值。
这种通用规则的例外是热回收冷却器子设施523。热回收冷却器子设施523的等式约束提供了热回收冷却器子设施523以与子设施的冷水生产加上子设施的电力使用相等的速率产生热水。由子设施曲线合并器938针对热回收冷却器523生成的不等式约束允许高级优化器632过度使用电力来制造更多热水而不会增大冷水生产的量。这种行为非常低效，并且只有当热水需求较高并且无法使用更高效的技术来满足时才存在变成现实的可能性。然而，这不是热回收冷却器子设施523实际操作的方式。
为了防止高级优化器632过度使用电力，子设施曲线合并器938可以检查热回收冷却器子设施523的经计算(通过优化算法确定的)电力使用量是否高于相应的子设施曲线。在一些实施例中，在优化算法的每次迭代之后执行检查。如果热回收冷却器子设施523的经计算电力使用量高于子设施曲线，则子设施曲线合并器938可以确定高级优化器632正过度使用电力。响应于确定高级优化器632正过度使用电力，子设施曲线合并器938可以对热回收冷却器子设施523的生产在其当前值进行约束，并且将子设施523的电力使用约束为子设施曲线上的相应值。高级优化器632然后可以使用新的等式约束来重新运行优化。子设施曲线模块930的这些和其他特征在于2015年2月27日提交的美国专利申请号14/634,609中进行了更详细的描述，所述美国专利申请的全部披露通过引用结合在此。
资产规模调整模块
现在参照图10，根据示例性实施例，示出了更详细地展示资产规模调整模块916的框图。资产规模调整模块916可以被配置用于确定在建筑物、建筑物群或中央设施中的各种资产的最佳规模。如以上所描述的，资产可以包括单独的设备(例如，锅炉、冷却器、热回收冷却器、蒸汽发生器、发电机、热能储存罐、电池等)、设备组、或中央设施的整个子设施。资产规模可以包括资产的最大加载(例如，最大功率、最大装载率/释放率)和/或资产的最大容量(例如，最大储存的电能、最大流体储存等)。
在一些实施例中，资产规模调整模块916包括用户界面发生器1006。用户界面发生器1006可以被配置用于生成用于与资产规模调整模块916交互的用户界面。用户界面可以提供至用户装置1002(例如，计算机工作站、便携式计算机、平板计算机、智能电话等)并且经由用户装置1002的本地显示器来呈现。在一些实施例中，用户界面提示用户选择一个或多个资产或待被调整规模的资产类型。所选资产可以包括当前在建筑物或中央设施中的资产(例如，用户正考虑更新或替换的现有资产)或者当前不在建筑物或中央设施中的新资产(例如，用户正考虑采购的新资产)。例如，如果用户正考虑向建筑物或中央设施添加热能储存设备或电能储存设备，则用户可以从用于调整规模/估计的潜在资产列表中选择“热能储存设备”或“电池”。用户界面发生器1006可以识别经由用户界面选择的任何资产，并将所选资产的指示提供给资产成本项发生器1008。
资产成本项发生器1008可以被配置用于生成表示被调整规模的采购成本的一个或多个成本项。在一些实施例中，资产成本项发生器1008生成以下两个资产成本项：
Figure BDA0001567935450000521
其中，cf是购买任何规模的资产的固定成本的向量(例如，每个潜在资产采购的一个元素)，v是指示相应的资产是否被采购的二元决策变量的向量，cs是每单位资产规模的边际成本的向量(例如，每单位加载的成本、每单位容量的成本)，并且sa是与所述资产规模相对应的连续决策变量的向量。有利地，在向量v中的二元采购决策和向量sa中的资产规模决策可以被视为连同经增强成本函数Ja(x)中的其他决策变量x一起被优化的决策变量，如以下更详细描述的。
应当注意，向量v中的二元决策变量的值和向量sa中的连续决策变量的值指示可以由资产规模调整模块916估计来判定这类采购/规模是否优化了给定财务指标的潜在资产采购和资产规模。这些决策变量的值可以由资产规模调整模块916作为优化过程的一部分进行调整，并且不必反映安装在建筑物、建筑物集合或中央设施中的资产的实际采购或当前设置。贯穿本披露，资产规模调整模块916被描述为“采购”各种资产或资产规模。然而，应当理解，这些采购仅是假设的。例如，资产规模调整模块916可以通过将资产的二元决策变量vj设置为值vj＝1来“采购”资产。这指示资产被认为在特定假设场景内采购，并且资产的成本包括在经增强成本函数Ja(x)中。类似地，资产规模调整模块916可以通过将资产的二元决策变量vj设置为值vj＝0来选择不采购资产。这指示资产被认为在特定假设场景内不被采购，并且资产的成本不包括在经增强成本函数Ja(x)中。
附加成本项
Figure BDA0001567935450000531
和
Figure BDA0001567935450000532
可以用于考虑任何数量的新资产的采购成本。例如，如果只对单个资产调整规模，则向量cf可以包括单个固定成本(即，购买任何规模的被考虑资产的固定成本)，并且v可以包括指示是采购还是不采购资产的单个二元决策变量(即，是否引发固定成本)。向量cs可以包括单个边际成本元素，并且sa可以包括指示将采购的资产规模的单个连续决策变量。如果资产具有最大加载和最大容量两者(即，资产是储存资产)，则向量cs可以包括每单位加载的第一边际成本和每单位容量的第二边际成本。类似地，向量sa可以包括指示将采购的最大加载规模的第一连续决策变量和将采购的最大容量规模的第二连续决策变量。
如果，对多个资产调整规模，则向量cf、v、cs和sa可以包括每个资产的元素。例如，向量cf可以包括被调整规模的每个资产的固定采购成本，并且v可以包括指示是否采购每个资产的二元决策变量。向量cs可以包括被考虑的每个资产的边际成本元素，并且sa可以包括指示将采购的每个资产规模的连续决策变量。对于具有最大加载和最大容量的任何资产，向量cs可以包括多个边际成本元素(例如，每单位加载规模的边际成本和每单位容量规模的边际成本)，并且向量sa可以包括多个连续决策变量(例如，将采购的最大加载规模和将采购的最大容量规模)。通过在其相应规模方面考虑多个资产的采购成本，成本项
Figure BDA0001567935450000533
和
Figure BDA0001567935450000534
允许高级优化器632同时优化多个资产规模。
仍然参照图10，资产规模调整模块916被示出为包括约束发生器1010。约束发生器1010可以被配置用于生成或更新对优化问题的约束。如以上所讨论的，约束防止高级优化器632将负载分配至超过资产的最大加载的资产。例如，约束可以防止高级优化器632将冷却负载分配至超过冷却器的最大冷却负载的冷却器或将电力设定值指派给超过电池的最大充电/放电率的电池。约束还可以防止高级优化器632以使储存资产超过其最大容量或耗尽低于其最小容量的方式分配资源。例如，约束可以防止高级优化器632对电池或热能储存罐装载高于其最大容量的电能或者释放低于其最小储存的电能(例如，低于零)。
当资产规模固定时，加载约束可以写为如下：
Figure BDA0001567935450000541
其中，xj,i,负载是在范围上的时间步长i处的资产j上的负载，
Figure BDA0001567935450000542
是资产j的固定最大负载，并且Na是资产的总数量。类似地，容量约束可以写为如下：
Figure BDA0001567935450000543
其中，xj,i,容量是在范围上的时间步长i处的资产j的容量，并且
Figure BDA0001567935450000544
是资产j的固定最大容量。然而，这些约束假设资产的最大负载
Figure BDA0001567935450000545
和最大容量
Figure BDA0001567935450000546
是固定的。当资产规模被当做优化变量时，资产的最大负载和容量可以是在优化问题中采购的资产规模的函数(即，由向量v和sa中的二元决策变量的值和连续决策变量的值限定的资产规模)。
约束发生器1010可以被配置用于更新加载约束来适应被调整规模的每个资产的可变最大加载。在一些实施例中，约束发生器1010更新加载约束以便将资产的最大加载限制为小于或等于在优化问题中采购的资产的总规模。例如，约束发生器1010可以将加载约束转化成以下方程：
Figure BDA0001567935450000547
其中，
Figure BDA0001567935450000548
是资产j的加载规模(即，连续变量向量sa中的第j个负载规模元素)，vj是指示是否采购资产j的二元决策变量(即，二元变量向量v中的第j个元素)，并且Mj是足够大的数字。在一些实施例中，数字Mj被设置为可以采购的资产j的最大规模。在这组约束中的第一不等式确保在资产xj,i,负载上的负载不大于采购的资产
Figure BDA0001567935450000549
的规模。第二不等式迫使优化在增加资产的负载规模之前支付资产的固定成本。换言之，必须在可能将资产j的负载规模
Figure BDA00015679354500005410
增加至非零值之前采购资产j(即，vj＝1)。
类似地，约束发生器1010可以被配置用于更新容量约束来适应被调整规模的每个储存资产的可变最大容量。在一些实施例中，约束发生器1010更新容量约束以便将资产的容量限制在零与在优化问题中采购的资产的总容量之间。例如，约束发生器1010可以将容量约束转化成下式：
Figure BDA0001567935450000551
其中，
Figure BDA0001567935450000552
是资产j的容量规模(即，连续变量向量sa中的第j个容量规模元素)，vj是指示是否采购资产j的二元决策变量(即，二元变量向量v中的第j个元素)，并且Mj是足够大的数字。在一些实施例中，数字Mj被设置为可以采购的资产j的最大规模。在这组约束中的第一不等式确保在任何时间步长i处资产xj，i，容量上的容量都在零与采购资产
Figure BDA0001567935450000553
的容量规模之间。第二不等式迫使优化在增加资产的容量规模之前支付资产的固定成本。换言之，必须在可能将资产j的容量规模
Figure BDA0001567935450000554
增加至非零值之前采购资产j(即，vj＝1)。
由约束发生器1010生成或更新的约束可以连同由高级优化器632生成的其他约束一起强加在优化问题上。在一些实施例中，由约束发生器1010生成的加载约束替换由电力约束模块904生成的电力约束。类似地，由约束发生器1010生成的容量约束可以替换由容量约束模块906生成的容量约束。然而，可以与由切换约束模块908生成的切换约束、由需量电费模块910生成的需量电费约束以及由高级优化器632强加的任何其他约束进行组合来强加由约束发生器1010生成的资产加载约束和容量约束。
仍然参照图10，资产规模调整模块916被示出为包括缩放因子发生器1012。通常在投资回收期的持续时间(在此被称为简单投资回收期(SPP))上支付采购资产的成本。然而，原始成本函数J(x)可能只在通常比SPP更短的优化时段h上捕获运营成本和收益。为了将资产采购成本
Figure BDA0001567935450000555
和
Figure BDA0001567935450000556
与原始成本函数J(x)组合，可能有必要将成本放在同一时间尺度上。
在一些实施例中，缩放因子发生器1012针对资产成本项
Figure BDA0001567935450000557
和
Figure BDA0001567935450000558
生成缩放因子。缩放因子可以用于将资产采购成本
Figure BDA0001567935450000559
和
Figure BDA00015679354500005510
缩放至优化时段h的持续时间。例如，缩放因子发生器1012可以将项
Figure BDA00015679354500005511
和
Figure BDA00015679354500005512
与费率
Figure BDA00015679354500005513
相乘，如以下方程中所示出的：
Figure BDA00015679354500005514
其中，C缩放是缩放至优化时段的资产的采购成本，h是以小时为单位的优化时段的持续时间，SPP是以年为单位的投资回收期的持续时间，并且8760是一年中的小时数量。
在其他实施例中，缩放因子发生器1012针对原始成本函数J(x)生成缩放因子。缩放因子可以用于将原始成本函数J(x)外推至简单投资回收期SPP的持续时间。例如，缩放因子发生器1012可以将原始成本函数J(x)与费率
Figure BDA00015679354500005515
相乘，如以下方程中所示出的：
Figure BDA00015679354500005516
其中，J(x)缩放是外推至简单投资回收期SPP的持续时间的经缩放成本函数，h是以小时为单位的优化时段的持续时间，SPP是以年为单位的投资回收期的持续时间，并且8760是一年中的小时数量。
仍然参照图10，资产规模调整模块916被示出为包括成本函数增强器1014。成本函数增强器1014可以被配置用于使用资产C缩放的经缩放采购成本来增强原始成本函数J(x)。结果是经增强成本函数Ja(x)，如以下方程中所示出的：
Figure BDA0001567935450000561
其中，h是以小时为单位的优化时段的持续时间，SPP是以年为单位的投资回收期的持续时间，并且8760是一年中的小时数量。
高级优化器632可以执行优化过程来确定在向量v中的二元决策变量中的每一个的最佳值和向量sa中的连续决策变量中的每一个的最佳值。在一些实施例中，高级优化器632使用线性规划(LP)或混合整数线性规划(MILP)来优化财务指标，比如净现值(NPV)、简单投资回收期(SPP)或内部回报率(IRR)。向量cf、v、cs和sa的每个元素可以与特定资产和/或特定资产规模相对应。因此，高级优化器632可以通过识别在向量v中的二元决策变量的最佳值和向量sa中的连续决策变量的最佳值来确定将采购的最佳资产和将采购的最佳规模。
仍然参照图10，资产规模调整模块916被示出为包括收益曲线发生器1016。收益曲线发生器1016可以被配置用于基于经增强成本函数Ja(x)来生成收益曲线。在一些实施例中，收益曲线指示资产的最初投资成本C0(即，购买资产的成本)与从资产推导出的年收益C之间的关系。例如，收益曲线可以表示最初投资成本C0作为年收益C的函数，如以下方程中所示出的：
C0＝f(C)
其中，最初投资成本C0和年收入C两者都是资产规模的函数。图12至图15中示出了可以由收益曲线发生器1016生成的收入曲线的若干示例(以下进行更详细地讨论)。
在一些实施例中，最初投资成本C0是经增强成本函数Ja(x)中的项
Figure BDA0001567935450000562
资产在优化范围h上的收益可以与经增强成本函数Ja(x)中的项J(x)相对应，并且可以由变量Ch表示。在一些实施例中，变量Ch表示在优化中不包括资产时的第一值J(x)与在优化中包括资产时的第二值J(x)之间的差。可以通过将在范围Ch上的收益外推至全年来求得年收益C。例如，可以将在范围Ch上的收益缩放至全年，如以下方程中所示出的：
Figure BDA0001567935450000563
其中，h是以小时为单位的优化范围的持续时间并且8760是一年中的小时数量。
增加资产的规模增大了其最初成本C0和从所述资产推导出的年收入C两者。然而，资产的收益C将在超过某个资产规模或最初资产成本C0之外减少。换言之，选择具有更大规模的资产将不会产生任何增加的收益。收益曲线指示C0与C之间的关系，并且可以用于求得优化给定财务指标(例如，SPP、NPV、IRR等)的资产规模。以下更详细描述了这种优化的若干示例。在一些实施例中，收益曲线发生器1016将收益曲线提供至财务指标优化器1020以用于优化财务指标。
仍然参照图10，资产规模调整模块916被示出为包括财务指标优化器1020。财务指标优化器1020可以被配置用于求得优化给定财务指标的资产规模。财务指标可以是净现值(NPV)、内部回报率(IRR)、简单投资回收期(SPP)或可以作为资产规模的函数进行优化的任何其他财务指标。在一些实施例中，由用户选择待优化的财务指标。例如，由用户接口发生器1006生成的用户接口可以提示用户选择待优化的财务指标。在其他实施例中，资产规模调整模块916可以自动确定待优化的财务指标，或者可以同时优化多个财务指标(例如，运行并行优化过程)。
净现值优化
财务指标优化器1020被示出为包括净现值(NPV)优化器1022。NPV优化器1022可以被配置用于求得对将在其中使用资产的系统的净现值进行优化的资产规模。可以如下计算系统的NPV：
NPV＝NPV资产-C0
其中，NPV是系统的净现值，NPV资产是资产的净现值，并且C0是资产的最初采购成本。在一些实施例中，资产的NPV是可以如下计算的年金：
Figure BDA0001567935450000571
其中，r是利率，Ct是在t年中系统的收益或现金流，并且N是系统的财务年数或生命周期的总数量。
在一些实施例中，系统的年收益在其寿命周期上是恒定的。相应地，年收益C可以等于收益Ct，如以下方程中所示出的：
Figure BDA0001567935450000572
这允许年金NPV资产表示为如下：
NPV资产＝a(r,N)C
其中，a(r,N)是年金因子。年金因子a(r,N)可以是具有以下表达式的几何序列之和：
Figure BDA0001567935450000581
年金NPV资产表示在系统的寿命周期上的年收益的净现值。图11示出年金因子a(r,N)作为若干系统寿命周期的利率r的函数的曲线图1100。在曲线图1100中，线1116与一年(N＝1)的系统寿命周期相对应，线1114与两年(N＝2)的系统寿命周期相对应，线1112与三年(N＝3)的系统寿命周期相对应，线1110与五年(N＝5)的系统寿命周期相对应，线1108与十年(N＝10)的系统寿命周期相对应，线1106与十五年(N＝15)的系统寿命周期相对应，线1104与二十年(N＝20)的系统寿命周期相对应，并且线1102与三十年(N＝30)的系统寿命周期相对应。对于给定的系统寿命周期，年金因子a(r,N)通常是利率r的递减函数。如果利率r的倒数远小于系统的寿命周期(即，
Figure BDA0001567935450000582
)，则年金因子a(r,N)可以近似为
Figure BDA0001567935450000583
通过将NPV资产＝a(r,N)C代入系统的净现值的方程中，系统的净现值可以写为如下：
NPV＝a(r,N)C-C0
其中，C是资产的年收益，并且C0是资产的最初采购成本。如以上所讨论的，最初投资成本C0可以等于经增强成本函数Ja(x)中的项
Figure BDA0001567935450000584
资产在优化范围h上的收益可以与经增强成本函数Ja(x)中的项J(x)相对应，并且可以由变量Ch表示。可以通过将在范围Ch上的收益外推至全年来求得年收益C。例如，可以将在范围Ch上的收益缩放至全年，如以下方程中所示出的：
Figure BDA0001567935450000585
其中，h是以小时为单位的优化范围的持续时间并且8760是一年中的小时数量。因此，系统的净现值可以写为如下：
Figure BDA0001567935450000586
在一些实施例中，NPV优化器1022将系统NPV的净现值缩放至优化时段h的持续时间。例如，NPV优化器1022可以将之前NPV的方程除以因子
Figure BDA0001567935450000587
并且使用原始成本函数J(x)替换Ch。这产生经增强成本函数Ja(x)的以下表达：
Figure BDA0001567935450000588
其与之前所描述的经增强成本函数Ja(x)的其他表达类似：
Figure BDA0001567935450000589
Ja(x)的第一表达包括加权资产成本的因子的分母中的年金因子a(r,N)，而Ja(x)的第二表达包括目标简单投资回收期SPP。这种相似性指示年金因子a(r,N)在作为资产规模的函数的财务指标的优化中扮演了重要角色。
如以上所讨论的，可以由以下方程表示系统的净现值NPV：
NPV＝a(r,N)C-C0
可以将其重新安排为如下：
C0＝a(r,N)C-NPV
C0的这个方程可被绘制为具有等于年金因子a(r,N)的斜率的直线，并且y截距等于负净现值-NPV。图12至图14中示出了这类曲线的若干示例。
现在参照图12，根据示例性实施例，示出了最初投资成本C0作为年收益C的函数的曲线图1200。曲线图1200被示出为包括收益曲线1202。收益曲线1202是被调整规模的资产或资产集合的收益曲线的示例。在一些实施例中，收益曲线1202由收益曲线发生器1016生成，如之前所描述的。增加资产的规模增大了其最初成本C0和从所述资产推导出的年收入C两者。然而，随着资产规模或最初投资成本C0继续增大，资产的年收益C可能接近极限(例如，曲线图1200中的竖直渐近线)。可以在收益曲线1202的曲率中看到这种效应。随着最初投资成本C0增大，年金收益C的相应变化减小，并且最终变得不明显。
曲线图1200被示出为包括两条线性线1204和1206。线1204和1206都具有C0＝a(r,N)C-NPV的形式，其中，a(r,N)是斜率并且-NPV是y截距。例如，线1206的斜率为a1(r1,N1)，所述斜率是由第一利率r1和第一系统寿命周期N1限定的年金因子。线1206在点1208处与y轴相交，所述点与系统的负净现值-NPV1相对应。类似地，线1204的斜率为a2(r2,N2)，所述斜率与由第二利率r2和第二系统寿命周期N2限定的年金因子相对应。线1204在点1210处与y轴相交，所述点与系统的负净现值-NPV2相对应。
曲线图1200被示出为包括相交点1212。点1212是线1204与收益曲线1202相交的点。对于给定年金因子a2(r2,N2)和收益曲线1202的NPV优化，相交点1212是可行解。换言之，相交点1212表示由年金因子a2(r2,N2)限定的可能操作点的集合(即，沿线1204的所有点)与由资产规模和所产生的收益曲线1202限定的可能操作点的集合(即，沿收益曲线1202的所有点)之间的共享点。线1206不与收益曲线1202相交。这指示年金因子a1(r1,N1)太小而无法产生资产规模和所产生收益曲线1202的解。
应当注意，虽然年金因子a2(r2,N2)产生可行解，但是这个解导致在点1210处的负净现值(即，-NPV2)。在曲线图1200中，y截距的值是负净现值(即，-NPV)。截断正y轴的线具有正的y截距并且因此具有负净现值。相反，截断负y轴的线具有负的y截距并且因此具有正净现值。
现在参照图13，根据示例性实施例，示出了最初投资成本C0作为年收益C的函数的另一曲线图1300。曲线图1300被示出为包括收益曲线1302和直线1304。线1304具有可以基于利率r和系统寿命周期N的指定值而确定的斜率a(r,N)。年金因子a(r,N)产生由相交点1306和1308指示的两个可能解。这两个解都具有由y截距1310的负值指示的正净现值NPV(净现值的负值为负，这使净现值为正)。从这些示例中明显的是，资产规模的解依赖于年金因子a(r,N)，所述年金因子可以是系统寿命周期N和目标利率r和/或目标投资回收期SPP的函数。
在一些实施例中，利率r和系统寿命周期N作为到NPV优化器1022的输入而被提供。例如，利率r和系统寿命周期N可以由用户指定(例如，经由用户接口接收作为输入)、从存储器取回、从外部系统或装置接收、或以其他方式作为输入参数被提供。NPV优化器1022可以被配置用于基于利率r和系统寿命周期N的指定值来计算年金因子a(r,N)。所计算年金因子a(r,N)可以限定直线(例如，线1204、线1206、线1304)的斜率，所述斜率可以用于优化系统的净现值NPV。
现在参照图14，根据示例性实施例，示出了最初投资成本C0作为年收益C的函数的另一曲线图1400。曲线图1400被示出为包括收益曲线1402和一组平行线1404、1406、1408和1410。平行线1404至1410中的每一条都具有相同的年金因子a(r,N)并且因此在曲线图1400中具有相同的斜率。然而，平行线1404至1410中的每一条都具有与不同的净现值相对应的不同y截距。
线1404在两个位置处与收益曲线1402相交，两个相交位置都表示可行资产规模的解。然而，线1404具有正y截距，这指示这两个解的负净现值。线1406同样在两个位置处与收益曲线1402相交，这两个相交位置都表示可行资产规模的解。线1406具有负y截距，这指示这两个解具有正净现值。线1408在单个位置处(即，相交点1414)与收益曲线1402相交。这指示可行资产规模的解。线1408在点1412处具有负y截距，这指示这个解的正净现值。线1410不与收益曲线1402相交，并且因此不产生资产规模的解。
NPV优化器1022可以被配置用于求得产生最大NPV的资产规模的解。从曲线图1400中明显的是，最大NPV是由收益曲线1402的斜率等于年金因子a(r,N)的资产规模产生的。与收益曲线1402相切的具有等于年金因子a(r,N)的斜率的线(即，线1408)将在单个点(即，点1414)处与收益曲线1402相交，并且将具有限定最大NPV的y截距(即，点1412)。在切线1408左侧的任何线(例如，线1404、线1406)都将产生较低的NPV。在切线1408右侧的任何线(例如，线1410)都将不会产生解，因为这类线不与收益曲线相交。切线1408与和收益曲线1402的相交点1414指示使NPV最大化的资产规模。
在一些实施例中，NPV优化器1022通过求得NPV的变化(作为资产规模的函数)等于零的点来确定最佳资产规模。例如，NPV可以是年收益C和采购成本C0两者的函数，如以下方程中所示出的：
NPV＝a(r,N)C-C0
其中，年收益C和最初采购成本C0两者都是资产规模的函数。NPV优化器1022可以迭代地调整资产规模以求得NPV相对于资产规模的变化其变化为零或接近于零(例如，
Figure BDA0001567935450000611
)的点。这个点也是成本C0相对于收益C变化的变化等于年金因子(例如，
Figure BDA0001567935450000612
)的点。
内部回报率优化
再次参照图10，财务指标优化器1020被示出为包括内部回报率(IRR)优化器1024。IRR优化器1024可以被配置用于求得对将在其中使用资产的系统的内部回报率进行优化的资产规模。在一些实施例中，IRR被限定为使NPV为零的利率r。因此，IRR可以取代以下方程中的利率r：
C0＝a(r,N)C-NPV
并且NPV可以设置为零。这产生以下方程：
C0＝a(IRR,N)C
C0的这个方程是通过原点并且具有等于年金因子a(IRR,N)的斜率的直线的方程。年金因子a(IRR,N)是IRR的函数，并且可以与IRR成反比(如图11中所示出的)。因此，IRR的减小与年金因子a(IRR,N)的增大相对应，并且反之亦然。然而，系统寿命周期N或简单投资回收期SPP的增大可以与年金因子a(IRR,N)的增大相对应。
现在参照图15，根据示例性实施例，示出了最初投资成本C0作为年收益C的函数的另一曲线图1500。曲线图1500被示出为包括收益曲线1502和若干直线1504、1506、1508和1510。线1504至1510中的每一条都具有C0＝a(IRR,N)C的形式，其中，y截距为零，并且斜率等于不同的年金因子a(IRR,N)。线1510具有年金因子a(IRR,N)的最小值，并且不与收益曲线1502相交。这指示限定线1510的斜率的年金因子a(IRR,N)不产生资产规模的解。线1504和1506具有年金因子a(IRR,N)的较大值，并且两者都与收益曲线1502相交。这指示限定线1504和1506的斜率的年金因子a(IRR,N)产生可行的资产规模的解。然而，与线1504或1506相对应的解中的任何一个都不与最大值IRR相对应。
线1508与收益曲线1502相切，并且在单个点1512处与收益曲线1502相交。相交点1512指示IRR的最大值。其斜率大于线1508的斜率的任何线(例如，线1504和1506)具有较大的年金因子a(IRR,N)并且因此具有较小的IRR值。其斜率小于线1508的斜率的任何线(例如，线1510)具有较小的年金因子a(IRR,N)，但是不与收益曲线1502相交，并且因此不产生可行资产规模的解。限定线1508的斜率的年金因子a(IRR,N)是产生可行资产规模的解的最小年金因子(并且因此最大IRR)。
IRR优化器1024可以被配置用于求得导致最大IRR的资产规模的解。在一些实施例中，IRR优化器1024通过沿收益曲线1502求得收益曲线1502的斜率等于年金因子a(IRR,N)的点(即，点1512)来求得最佳资产规模。在点1512处，年金因子a(IRR,N)的斜率等于收益曲线1502的切线。这是在其之外资产规模的任何边际增加(例如，当可允许有效投资回收期增大时增加规模)都将导致较低的回报率的点。换言之，点1512与经济上可行的最小资产规模相对应。
在一些实施例中，IRR优化器1024通过递增地增大目标SPP或目标年金因子a(IRR,N)来求得优化IRR(或使SPP最小化)的资产规模。对于每个目标SPP值或目标年金因子值，IRR优化器1024可以在优化时段的持续时间(例如，一整年)上解决优化问题。优化问题的解可以指示是采购还是不采购各种资产以实现最佳解。IRR优化器1024可以识别产生采购资产所依据的解的最小目标SPP值或目标年金因子。所识别的目标SPP值或目标年金因子指示最小可行投资回收期。实现递增的增大方式所需的执行时间可以取决于目标SPP或年金因子增大的粒度。较低的粒度需要较短的执行时间，但是可以选择超过真实最小值的最小目标SPP或年金因子。较高的粒度可以产生更接近于真实最小值的解，但是可能需要更长的执行时间。
在一些实施例中，IRR优化器1024使用分检法来求得优化IRR的资产规模。在此方法中，IRR优化器1024可以识别待测试的投资回收期的中点，并且可以使用经识别的中点作为目标SPP值来执行优化。如果在此优化中采购资产，则IRR优化器1024可以确定最小目标SPP值处于零与中点之间。如果在此优化中未采购资产，则IRR优化器1024可以确定最小目标SPP值处于中点与待测试的投资回收期结束之间。待测试的投资回收期然后可以更新至已知存在最小目标SPP值的投资回收期的一半。可以迭代地重复此过程以收敛于最小目标SPP值。
例如，待测试的投资回收期可以具有30年的持续时间。IRR优化器1024可以将15年识别为中点，并且可以使用15年作为目标SPP值来执行资产规模优化。如果在将15年用作目标SPP值时采购资产，则IRR优化器1024可以确定最小目标SPP值在0与15年之间。如果在将15年用作目标SPP值时未采购资产，则IRR优化器1024可以确定最小目标SPP值在15年与30年之间。待测试的投资回收期然后可以更新至0到15年或15年到30年，从而使得待测试的新投资回收期包括已知存在最小目标SPP值的范围。可以迭代地重复此过程，直到待测试的投资回收期减小到期望粒度级别。
给定待测试的最大投资回收期和期望粒度级别，收敛于解所需的迭代次数等于：
Figure BDA0001567935450000631
其中，N运行是所需的迭代次数，ΔSPP是期望粒度级别(例如，一天、一周、一年等)，并且SPP最大是待测试的投资回收期的原始持续时间(例如，1年、10年、30年等)。此优化的结果是针对最小目标SPP值的值。IRR优化器1024可以使用最小目标SPP值来计算相应的IRR。例如，IRR优化器1024可以将年金因子a(IRR,N)设置为等于最小目标SPP，并且可以求得实现指定a(IRR,N)值的IRR的值。
电池规模调整示例
以下示例展示了资产规模调整技术应用于电能储存系统。资产规模调整技术可以用于确定电能储存系统中的电池的最佳规模。电池是一种类型的资产，具有容量规模(即，能量容量)和加载规模(即，电力容量)两者。因此，电池的最佳规模可以指示最佳能量容量和最佳电力容量两者。
资产规模调整模块916可以将两个连续决策变量项添加至原始成本函数J(x)以表示被调整规模的电池的能量容量和电力容量。连续决策变量项可以具有以下形式：
wEUCrEUCC有效和wPUCrPUCP有效
其中，rEUC和rPUC是能量容量的每单位成本(例如，$/kWh)和电力容量的每单位成本(例如，$/kW)，C有效和P有效是表示被调整规模的电池的能量容量(例如，kWh)和电力容量(例如，kW)的连续决策变量，并且wEUC和wPUC是能量容量成本和电力容量成本在优化时段上的权重调整(即，用于将成本缩放至优化时段的持续时间的因子)。
资产规模调整模块916还可以将二元决策变量项添加至原始成本函数J(x)以表示与被调整规模的电池相关联的固定成本(即，所引发的成本，而不管能量容量和电力容量如何)。二元决策变量项可以具有以下形式：
w电池r电池v
其中，r电池是被调整规模的电池的固定成本(例如，$)，v是指示采购还是不采购电池的二元决策变量，并且w电池是固定成本在优化时段上的权重调整(即，用于将成本缩放至优化时段的持续时间的因子)。权重参数wEUC、wPUC和w电池可以是优化时段的持续时间和年金因子a(r,N)的函数。例如，权重参数可以具有以下形式：
Figure BDA0001567935450000641
以下方程是添加了连续决策变量项和二元决策变量项之后的经增强成本函数Ja(x)的示例：
Figure BDA0001567935450000642
其中，
Figure BDA0001567935450000643
是用于在持续时间h的优化时段的第i时间步长处减小能量成本和需求成本的所分配电池电力(例如，kW)，
Figure BDA0001567935450000644
是在时间步长i处每单位电力的成本(例如，$/kWh)，
Figure BDA0001567935450000645
是在第i时间步长处致力于频率响应(FR)参与的电池电力(例如，kW)，
Figure BDA0001567935450000646
是在时间步长i处的FR激励费率(例如，$/kWh)，
Figure BDA0001567935450000647
是与在时间步长i处切换电池的电力设定值相关联的成本(例如，$/kWh)，si是切换辅助变量(例如，kW)，rd是与同优化时段重叠的需量电费时段相对应的可适用需量电费费率(例如，$/kW)，d是电力需求(例如，kW)，wd是需量电费的权重调整(即，用于将需量电费缩放至优化时段的因子)，并且其余项是连续决策变量项和二元决策变量项，如之前所描述的。
资产规模调整模块916可以对受制于以下约束的经增强成本函数Ja(x)进行优化：
Figure BDA0001567935450000648
Figure BDA0001567935450000649
Figure BDA00015679354500006410
Figure BDA00015679354500006411
Figure BDA00015679354500006412
其中，e负载i是在时间步长i处的电负载(例如，kWh)，Ca是可用电池容量(例如，kWh)，并且CFR是FR储备容量(例如，kWh/kW)。FR储备容量CFR可以是将为FR储备的致力于FR的每kW电力的能量量(以kWh为单位)。
在一些实施例中，由资产规模调整模块916强加的约束还包括：
Figure BDA0001567935450000651
Figure BDA0001567935450000652
Figure BDA0001567935450000653
Figure BDA0001567935450000654
C有效-Mv≤0
P有效-C比率C有效≤0
其中，M是非常大的数字(例如，M＝1010)并且C比率是最大可允许的电力能源比(例如，P有效/C有效)。此最终约束可以用于将电池的电力容量和/或能量容量限制为使得P有效/C有效≤C比率。
资产规模调整过程
现在参照图16，根据示例性实施例，示出了用于确定最佳资产规模的过程1600的流程图。可以由频率响应优化系统100、光伏能量系统300、能量储存系统500、规划系统700或任何其他类型的能量储存系统中的一个或多个部件执行过程1600。在一些实施例中，可以由能量储存控制器506(如参照图5A和图6A所描述的)或控制器552(如参照图5B和图6B所描述的)执行过程1600。在一些实施例中，可以由如参照图9至图10所描述的高级优化器632的各个部件(例如，资产规模调整模块916、成本函数模块902等)执行过程1600。
过程1600被示出为包括根据HVAC设备的能量负载设定值而生成限定操作HVAC设备的成本的成本函数(步骤1602)。在一些实施例中，在步骤1602中的成本函数是原始成本函数J(x)。成本函数J(x)可以包括考虑能量采购成本、需量电费和高峰负载贡献(PLC)费用的项。在一些实施例中，成本函数J(x)考虑参与IBDR项目(诸如频率调节(FR)或经济负载需求响应(ELDR))的收入。
HVAC设备可以包括单独的HVAC装置(例如，冷却器、锅炉、风扇、泵、阀门等)或HVAC装置的集合(例如，冷却器子设施、加热器子设施、冷却塔子设施等)。在一些实施例中，HVAC设备包括能量储存设备，诸如热能储存设备和/或电能储存设备(例如，电池)。虽然HVAC设备作为示例用于过程1600，但应当理解，可以使用任何类型的设备。例如，在步骤1602中生成的成本函数可以考虑与操作任何类型的设备相关联的成本。
仍然参照图16，过程1600被示出为包括修改成本函数以考虑新资产的最初采购成本和所述新资产的收益两者(步骤1604)。步骤1604可以包括使用与采购新资产的成本相对应的两个新的项来增强成本函数J(x)，从而产生经增强成本函数Ja(x)。附加项在以下方程中示出：
Figure BDA0001567935450000661
其中，J(x)是原始成本函数，x是在所述范围上的优化问题的决策变量的向量，cf是购买任何规模的资产的固定成本的向量(例如，每个潜在资产采购的一个元素)，v是指示相应的资产是否被采购的二元决策变量的向量，cs是每单位资产规模的边际成本的向量(例如，每单位加载的成本、每单位容量的成本)，并且sa是与所述资产规模相对应的连续决策变量的向量。有利地，二元采购决策和资产规模决策被视为可以连同向量x中的决策变量一起被优化的决策变量。这允许高级优化器632执行单个优化来确定在经增强成本函数Ja(x)中的所有决策变量的最佳值。
在一些实施例中，步骤1604包括将资产采购成本
Figure BDA0001567935450000662
和
Figure BDA0001567935450000663
缩放至优化时段h的持续时间。采购资产的成本通常在整个投资回收期SPP上支付，而运营成本仅在优化时段h上支付。为了将资产采购成本缩放至优化时段，步骤1604可以包括将项
Figure BDA0001567935450000664
和
Figure BDA0001567935450000665
与费率
Figure BDA0001567935450000666
相乘，如以下方程中所示出的：
Figure BDA0001567935450000667
其中，h是以小时为单位的优化时段的持续时间，SPP是以年为单位的投资回收期的持续时间，并且8760是一年中的小时数量。
新资产的收益可以包括例如降低的能量成本、降低的需量电费、降低的PLC费用和/或参与IBDR项目(比如FR或ELDR)所增加的收入。资产的潜在收益和成本可以基于资产和/或所述资产将用于其中的系统的应用而改变。例如，参与FR项目的系统可以实现所增加的IBDR收入的益处，而未参与任何IBDR项目的系统可能无法实现这种益处。资产的收益和成本中的一些可以通过原始成本函数J(x)来捕获。例如，成本函数J(x)可以包括与能量成本、多个需量电费、PLC费用和/或IBDR收入相对应的项，如之前所描述的。
仍然参照图16，过程1600被示出为包括使用经修改成本函数执行优化以便确定经修改成本函数中的决策变量的最佳值(步骤1606)。决策变量可以包括能量负载设定值和指示新资产的规模的一个或多个资产规模变量。在一些实施例中，所述资产规模变量包括：容量规模变量，所述容量规模变量指示所述新资产的最大容量；以及加载规模变量，所述加载规模变量指示所述新资产的最大加载。
在一些实施例中，步骤1606包括优化由所述经修改成本函数限定的所述成本。在其他实施例中，步骤1606包括优化财务指标，所述财务指标包括净现值、内部回报率或简单投资回收期中的至少一项。步骤1606可以包括使用混合整数线性规划来优化经修改成本函数和/或财务指标。
在一些实施例中，步骤1606包括：生成收益曲线，所述收益曲线限定所述新资产的所述最初采购成本与所述新资产的收益之间的关系。在一些实施例中，步骤1606包括：根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定所述系统的净现值。所述新资产的所述最初采购成本和所述收益两者都可以取决于所述资产规模变量。步骤1606可以包括：针对沿所述收益曲线的多个点而计算所述系统的所述净现值；通过沿所述收益曲线求得将所述净现值最大化的最佳点来优化所述净现值；以及确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
在一些实施例中，步骤1606包括递增地增大包括简单投资回收期或年金因子的目标变量。步骤1606可以包括：针对所述目标变量的每个值而优化所述经修改目标函数并且判定所述新资产是否是基于所述资产规模变量的所述最佳值而采购的。步骤1606可以包括：通过求得导致所述新资产被采购的所述目标变量的最小值来优化内部回报率。
在一些实施例中，步骤1606包括：根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定内部回报率。所述新资产的所述最初采购成本和所述收益两者都可以取决于所述资产规模变量。步骤1606可以包括：针对沿所述收益曲线的多个点而计算所述内部回报率；通过沿所述收益曲线求得将所述内部回报率最大化的最佳点来优化所述内部回报率；以及确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
仍然参照图16，过程1600被示出为包括使用最佳能量负载设定值来操作HVAC设备(步骤1608)。在一些实施例中，当过程1600是在线优化例程的一部分时，执行步骤1608。例如，可以由参照图1至图6所描述的控制器中的任何一个来执行步骤1608以便将设定值提供至设备。然而，如果在离线环境中执行过程1600，则可以省略步骤1608。例如，如果由规划工具702执行过程1600，则可以省略步骤1608。
示例性实施例的配置
如各示例性实施例中所示出的系统和方法的构造和安排仅是说明性的。尽管本披露中仅详细描述了几个实施例，但是许多修改是可能的(例如，各种元件的大小、尺寸、结构、形状和比例、参数的值、安装安排、材料的使用、颜色、取向等的变化)。例如，元件的位置可以颠倒或以其他方式变化，并且离散元件的性质或数量或位置可以更改或变化。因此，所有这类修改旨在被包括在本披露的范围之内。可以根据替代实施例对任何过程或方法步骤的顺序或序列进行改变或重新排序。在不脱离本披露范围的情况下，可以在示例性实施例的设计、操作条件和安排方面作出其他替代、修改、改变、和省略。
本披露假设任何机器可读介质上的用于完成各操作的方法、系统和程序产品。可以使用现有计算机处理器或由结合用于此目的或另一目的的适当系统的专用计算机处理器或由硬接线系统来实施本披露的实施例。本披露范围内的实施例包括程序产品，所述程序产品包括用于携带或具有存储在其上的机器可执行指令或数据结构的机器可读介质。这种机器可读介质可以是可由通用或专用计算机或具有处理器的其他机器存取的任何可用介质。通过示例，这类计算机可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储设备、磁盘存储设备或其他磁存储设备等，或者可以用来以机器可执行指令或数据结构的形式携带或存储所期望的程序代码并且可以由通用或专用计算机或具有处理器的其他机器访问的任何其他介质。上述内容的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使得通用计算机、专用计算机或专用处理机执行特定功能或功能组的指令和数据。
尽管附图示出了指定顺序的方法步骤，但是步骤的顺序可以不同于所描绘的。还可以同时或部分同时地执行两个或更多个步骤。这种变型将取决于所选软件和硬件系统以及设计者的选择。所有这种变型都在本披露的范围内。同样地，可以用具有基于规则的逻辑和用以实现各连接步骤、处理步骤、比较步骤和判定步骤的其他逻辑的标准编程技术来实现软件实施方式。

Claims (24)

1.一种用于建筑物的能量成本优化系统，所述系统包括：
HVAC设备，所述HVAC设备被配置用于满足建筑物能量负载；以及
控制器，所述控制器被配置用于：
根据所述HVAC设备的一个或多个能量负载设定值而生成限定在优化时段上操作所述HVAC设备的成本的成本函数，其中，所述能量负载设定值是所述成本函数中的决策变量；
修改所述成本函数以便考虑待添加至所述HVAC设备的新资产的最初采购成本和所述新资产对操作所述HVAC设备的所述成本的影响两者，其中，所述新资产的所述最初采购成本和所述新资产对操作所述HVAC设备的所述成本的所述影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个资产规模变量的函数；
使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的所述决策变量的最佳值；并且
使用所述能量负载设定值的所述最佳值来操作所述HVAC设备。
2.如权利要求1所述的能量成本优化系统，其中，所述资产规模变量包括以下各项中的至少一项：
容量规模变量，所述容量规模变量指示所述新资产的最大容量；以及
加载规模变量，所述加载规模变量指示所述新资产的最大加载。
3.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于通过优化财务指标来执行所述优化，所述财务指标包括净现值、内部回报率或简单投资回收期中的至少一项。
4.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于使用混合整数线性规划来执行所述优化。
5.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于：
沿用所述资产规模变量的所述最佳值；并且
使用所述资产规模变量的所述最佳值作为待在所述优化的下一次执行上确定的所述资产规模变量的下限。
6.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于通过以下各项来执行所述优化：
接收利率或资产寿命周期中的至少一个的目标值；
基于所述利率或所述资产寿命周期中的所述至少一个的目标值来计算简单投资回收期的目标值；
将所述经修改成本函数中的一个或多个资产规模成本项缩放至所述优化时段的持续时间；
在所述优化时段上执行所述优化以确定所述资产规模变量的当前值；以及
重复所述优化以确定所述资产规模变量的所述最佳值，并且沿用所述资产规模变量的所述最佳值，其中，所述资产规模变量的所述最佳值对应于最佳净现值。
7.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于通过以下各项来执行所述优化：
改变包括简单投资回收期或年金因子中的至少一个的目标变量；
针对所述目标变量的每个值，将所述经修改成本函数中的一个或多个资产规模成本项缩放至所述优化时段的持续时间；
针对所述目标变量的每个值，优化所述经修改成本函数并且判定所述新资产是否是基于所述资产规模变量的所述最佳值而采购的；以及
通过求得导致所述新资产被采购的所述目标变量的最小值来优化内部回报率。
8.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于生成收益曲线，所述收益曲线限定所述新资产的所述最初采购成本与所述新资产的收益之间的关系，其中，所述新资产的所述收益基于所述新资产对操作所述HVAC设备的所述成本的所述影响。
9.如权利要求8所述的能量成本优化系统，其中，所述控制器被配置用于通过以下各项来执行所述优化：
根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定所述系统的净现值，其中，所述新资产的所述最初采购成本和所述收益两者都取决于所述资产规模变量；
针对沿所述收益曲线的多个点而计算所述系统的所述净现值；
通过沿所述收益曲线求得将所述净现值最大化的最佳点来优化所述净现值；以及
确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
10.如权利要求8所述的能量成本优化系统，其中，所述控制器被配置用于通过以下各项来执行所述优化：
根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定内部回报率，其中，所述新资产的所述最初采购成本和所述收益两者都取决于所述资产规模变量；
针对沿所述收益曲线的多个点而计算所述内部回报率；
通过沿所述收益曲线求得将所述内部回报率最大化的最佳点来优化所述内部回报率；以及
确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
11.如权利要求1所述的能量成本优化系统，其中，所述控制器被配置用于使用所述能量负载设定值来操作所述HVAC设备。
12.如权利要求1所述的能量成本优化系统，
所述系统进一步包括一个或多个能量储存资产，所述一个或多个能量储存资产被配置为储存能量并释放所储存的能量以用于满足所述建筑物能量负载；
其中所述能量负载设定值包括用于所述能量储存资产的设定值。
13.如权利要求12所述的能量成本优化系统，
其中所述控制器被配置为修改成本函数以便考虑待添加至所述一个或多个能量储存资产的第二新资产的最初采购成本和所述第二新资产对操作所述HVAC设备的所述成本的影响两者；
其中所述第二新资产的所述最初采购成本和所述第二新资产对操作所述HVAC设备的所述成本的影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个附加资产规模变量的函数。
14.如权利要求12所述的能量成本优化系统，其中，所述能量储存资产包括电能储存设备，所述电能储存设备包括一个或多个电池。
15.如权利要求12所述的能量成本优化系统，其中，所述能量储存资产包括热能储存设备，所述热能储存设备包括一个或多个热水储存罐或冷水储存罐。
16.一种用于优化建筑物或中央设施中的资产规模的方法，所述方法包括：
根据设备的一个或多个能量负载设定值生成限定在优化时段上操作建筑物或中央设施设备的成本的成本函数，其中，所述能量负载设定值是所述成本函数中的决策变量；
修改所述成本函数以便考虑待添加至所述设备的新资产的最初采购成本和所述新资产对操作所述设备的所述成本的影响两者，其中，所述新资产的所述最初采购成本和所述新资产对操作所述设备的所述成本的所述影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个资产规模变量的函数；
使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的所述决策变量的最佳值；以及
使用所述能量负载设定值的所述最佳值来操作所述设备。
17.如权利要求16所述的方法，其中，所述资产规模变量包括以下各项中的至少一项：
容量规模变量，所述容量规模变量指示所述新资产的最大容量；以及
加载规模变量，所述加载规模变量指示所述新资产的最大加载。
18.如权利要求16所述的方法，其中，执行所述优化包括优化财务指标，所述财务指标包括净现值、内部回报率或简单投资回收期中的至少一项。
19.如权利要求16所述的方法，其中，执行所述优化包括使用混合整数线性规划。
20.如权利要求16所述的方法，所述方法进一步包括生成收益曲线，所述收益曲线限定所述新资产的所述最初采购成本与所述新资产的收益之间的关系，其中，所述新资产的所述收益基于所述新资产对操作所述设备的所述成本的所述影响。
21.如权利要求20所述的方法，其中，执行所述优化包括：
根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定系统的净现值，其中，所述新资产的所述最初采购成本和所述收益两者都取决于所述资产规模变量；
针对沿所述收益曲线的多个点而计算所述系统的所述净现值；
通过沿所述收益曲线求得将所述净现值最大化的最佳点来优化所述净现值；以及
确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
22.如权利要求20所述的方法，其中，执行所述优化包括：
根据所述新资产的所述最初采购成本和所述新资产的所述收益而限定内部回报率，其中，所述新资产的所述最初采购成本和所述收益两者都取决于所述资产规模变量；
针对沿所述收益曲线的多个点而计算所述内部回报率；
通过沿所述收益曲线求得将所述内部回报率最大化的最佳点来优化所述内部回报率；以及
确定与沿所述收益曲线的所述最佳点相对应的所述资产规模变量的值。
23.如权利要求16所述的方法，其中，执行所述优化包括：
改变包括简单投资回收期或年金因子中的至少一个的目标变量；
针对所述目标变量的每个值，优化所述经修改成本函数并且判定所述新资产是否是基于所述资产规模变量的所述最佳值而采购的；以及
通过求得导致所述新资产被采购的所述目标变量的最小值来优化内部回报率。
24.一种用于建筑物的能量储存系统，所述系统包括：
一个或多个能量储存资产，所述一个或多个能量储存资产被配置用于储存能量并且释放所储存能量以用于满足建筑物能量负载；以及
控制器，所述控制器被配置用于：
根据能量储存资产的一个或多个能量负载设定值而生成限定在优化时段上操作所述能量储存系统的成本的成本函数，其中，所述能量负载设定值是所述成本函数中的决策变量；
修改所述成本函数以便考虑待添加至所述一个或多个能量储存资产的新资产的最初采购成本和所述新资产对操作所述能量储存系统的所述成本的影响两者，其中，所述新资产的所述最初采购成本和所述新资产对操作所述能量储存系统的所述成本的所述影响两者是作为新决策变量被包括在经修改成本函数中的一个或多个资产规模变量的函数；
使用所述经修改成本函数来执行优化以便确定包括所述能量负载设定值和所述资产规模变量的所述决策变量的值；以及
使用所述能量负载设定值的所述值来操作所述一个或多个能量储存资产。
CN201810106712.XA 2017-02-07 2018-02-02 具有资产规模调整的建筑物能量成本优化系统 Active CN108416503B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/426,962 US10359748B2 (en) 2017-02-07 2017-02-07 Building energy cost optimization system with asset sizing
US15/426,962 2017-02-07

Publications (2)

Publication Number Publication Date
CN108416503A CN108416503A (zh) 2018-08-17
CN108416503B true CN108416503B (zh) 2022-04-08

Family

ID=61167909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810106712.XA Active CN108416503B (zh) 2017-02-07 2018-02-02 具有资产规模调整的建筑物能量成本优化系统

Country Status (3)

Country Link
US (1) US10359748B2 (zh)
EP (1) EP3358426B1 (zh)
CN (1) CN108416503B (zh)

Families Citing this family (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10031494B2 (en) 2014-08-15 2018-07-24 Honeywell International Inc. Dashboard and button/tile system for an interface
US20180004171A1 (en) 2016-06-30 2018-01-04 Johnson Controls Technology Company Hvac system using model predictive control with distributed low-level airside optimization and airside power consumption model
WO2018005670A1 (en) 2016-06-30 2018-01-04 Johnson Controls Technology Company Variable refrigerant flow system with multi-level model predictive control
US11067955B2 (en) 2016-06-30 2021-07-20 Johnson Controls Technology Company HVAC system using model predictive control with distributed low-level airside optimization
US11789415B2 (en) 2016-06-30 2023-10-17 Johnson Controls Tyco IP Holdings LLP Building HVAC system with multi-level model predictive control
US11669061B2 (en) 2016-06-30 2023-06-06 Johnson Controls Tyco IP Holdings LLP Variable refrigerant flow system with predictive control
US10452032B1 (en) * 2016-09-08 2019-10-22 PXiSE Energy Solutions, LLC Optimizing power contribution of distributed energy resources for real time power demand scheduling
US11061424B2 (en) 2017-01-12 2021-07-13 Johnson Controls Technology Company Building energy storage system with peak load contribution and stochastic cost optimization
US11238547B2 (en) 2017-01-12 2022-02-01 Johnson Controls Tyco IP Holdings LLP Building energy cost optimization system with asset sizing
US10324483B2 (en) 2017-01-12 2019-06-18 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
US10949777B2 (en) 2017-06-07 2021-03-16 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization
US10282796B2 (en) 2017-01-12 2019-05-07 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US11010846B2 (en) 2017-01-12 2021-05-18 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US11900287B2 (en) 2017-05-25 2024-02-13 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with budgetary constraints
US11487277B2 (en) 2017-05-25 2022-11-01 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system for building equipment
US11847617B2 (en) 2017-02-07 2023-12-19 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with financial analysis functionality
US10423138B2 (en) 2017-03-06 2019-09-24 Con Edison Battery Storage, Llc Building energy storage system with planning tool
US10706375B2 (en) 2017-03-29 2020-07-07 Johnson Controls Technology Company Central plant with asset allocator
EP3616007A1 (en) 2017-04-25 2020-03-04 Johnson Controls Technology Company Predictive building control system with neural network based constraint generation
US11675322B2 (en) 2017-04-25 2023-06-13 Johnson Controls Technology Company Predictive building control system with discomfort threshold adjustment
US11371739B2 (en) 2017-04-25 2022-06-28 Johnson Controls Technology Company Predictive building control system with neural network based comfort prediction
WO2018200854A1 (en) 2017-04-27 2018-11-01 Johnson Controls Technology Company Building energy system with predictive control
US11274849B2 (en) 2017-04-28 2022-03-15 Johnson Controls Tyco IP Holdings LLP Smart thermostat with model predictive control and demand response integration
US10146237B2 (en) 2017-04-28 2018-12-04 Johnson Controls Technology Company Smart thermostat with model predictive control
US11636429B2 (en) 2017-05-25 2023-04-25 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance systems and methods with automatic parts resupply
US11409274B2 (en) 2017-05-25 2022-08-09 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system for performing maintenance as soon as economically viable
US11120411B2 (en) 2017-05-25 2021-09-14 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with incentive incorporation
US11747800B2 (en) 2017-05-25 2023-09-05 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with automatic service work order generation
US11416955B2 (en) 2017-05-25 2022-08-16 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with integrated measurement and verification functionality
US11022947B2 (en) 2017-06-07 2021-06-01 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization and ELDR user interfaces
US11271769B2 (en) 2019-11-14 2022-03-08 Johnson Controls Tyco IP Holdings LLP Central plant control system with asset allocation override
US11346572B2 (en) * 2017-06-23 2022-05-31 Johnson Controls Tyco IP Holdings LLP Building equipment with predictive control
US10935940B2 (en) 2017-08-03 2021-03-02 Johnson Controls Technology Company Building management system with augmented deep learning using combined regression and artificial neural network modeling
US11379935B2 (en) 2017-08-25 2022-07-05 Johnson Controls Tyco IP Holdings LLP Central plant control system with equipment maintenance evaluation
US11209184B2 (en) 2018-01-12 2021-12-28 Johnson Controls Tyco IP Holdings LLP Control system for central energy facility with distributed energy storage
US10678227B2 (en) 2018-03-15 2020-06-09 Johnson Controls Technology Company Central plant control system with plug and play EMPC
JP6835905B2 (ja) 2018-05-07 2021-02-24 ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ 費用標的が最適化されるシステム、方法及び非一時的コンピュータ可読媒体
US11002457B2 (en) 2018-05-07 2021-05-11 Johnson Controls Technology Company Variable refrigerant flow, room air conditioner, and packaged air conditioner control systems with cost target optimization
US11009252B2 (en) 2018-05-07 2021-05-18 Johnson Controls Technology Company HVAC control system with cost target optimization
JP2019200040A (ja) 2018-05-18 2019-11-21 ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ モデル駆動型深層学習を有するｈｖａｃ制御システム
US11159022B2 (en) 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
US11163271B2 (en) 2018-08-28 2021-11-02 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model
CN109284872B (zh) * 2018-10-12 2021-10-22 宁波浙华智慧能源科技发展有限公司 一种太阳能一体化建筑多目标运行优化方法
US11960261B2 (en) 2019-07-12 2024-04-16 Johnson Controls Tyco IP Holdings LLP HVAC system with sustainability and emissions controls
US11131473B2 (en) 2019-07-12 2021-09-28 Johnson Controls Tyco IP Holdings LLP HVAC system design and operational tool for building infection control
US11308410B2 (en) * 2018-11-26 2022-04-19 International Business Machines Corporation Control system with optimized periodic adjustments of system control settings using MARS-based MILP optimization
US11164126B2 (en) 2018-12-18 2021-11-02 Johnson Controls Tyco IP Holdings LLP Cost optimization of a central energy facility with block-and-index rate structure
US11288754B2 (en) 2018-12-18 2022-03-29 Johnson Controls Tyco IP Holdings LLP Cost optimization of a central energy facility with block-and-index rate structure
EP3671609A1 (en) * 2018-12-18 2020-06-24 Johnson Controls Technology Company Cost optimization of a central energy facility with block-and-index and load-following-block rate structure
US10978199B2 (en) 2019-01-11 2021-04-13 Honeywell International Inc. Methods and systems for improving infection control in a building
US11761660B2 (en) 2019-01-30 2023-09-19 Johnson Controls Tyco IP Holdings LLP Building control system with feedback and feedforward total energy flow compensation
US11592792B2 (en) 2019-01-30 2023-02-28 Johnson Controls Tyco IP Holdings LLP Energy control system with energy provider level demand optimization
US10962251B2 (en) * 2019-03-06 2021-03-30 Hitachi-Johnson Controls Air Conditioning, Inc. Air condition management apparatus, system, and method
KR102650304B1 (ko) * 2019-05-08 2024-03-21 제네럴 일렉트릭 컴퍼니 하이브리드 재생 가능 발전 제어
TWI749546B (zh) * 2019-05-14 2021-12-11 美商希瑪有限責任公司 用於調變光源波長的裝置及方法
US11193689B2 (en) 2019-06-14 2021-12-07 Johnson Controls Tyco IP Holdings LLP Building HVAC system with predictive temperature and humidity control
US11274842B2 (en) 2019-07-12 2022-03-15 Johnson Controls Tyco IP Holdings LLP Systems and methods for optimizing ventilation, filtration, and conditioning schemes for buildings
US11714393B2 (en) 2019-07-12 2023-08-01 Johnson Controls Tyco IP Holdings LLP Building control system with load curtailment optimization
US11480360B2 (en) 2019-08-06 2022-10-25 Johnson Controls Tyco IP Holdings LLP Building HVAC system with modular cascaded model
US11555764B1 (en) 2019-11-25 2023-01-17 Patient Knowhow, Inc. Dynamic modification of bioaerosol detection with genetic identification
US11416796B2 (en) * 2020-04-28 2022-08-16 Johnson Controls Tyco IP Holdings LLP Control system for generating and distributing energy resources and operating building equipment accounting for resource provider contraints
US11081887B1 (en) 2020-05-04 2021-08-03 8Me Nova, Llc Systems and methods utilizing AC overbuilt renewable electric generation resource and charge storage device providing desired capacity factor
US11482341B2 (en) 2020-05-07 2022-10-25 Carrier Corporation System and a method for uniformly characterizing equipment category
US11913659B2 (en) 2020-06-15 2024-02-27 Honeywell International Inc. Systems and methods for monitoring operation of an HVAC system
US11823295B2 (en) 2020-06-19 2023-11-21 Honeywell International, Inc. Systems and methods for reducing risk of pathogen exposure within a space
JP7256776B6 (ja) * 2020-08-28 2023-05-10 矢崎エナジーシステム株式会社 エネルギー設備決定装置、及びエネルギー設備決定方法
US11885510B2 (en) 2020-09-16 2024-01-30 Johnson Controls Tyco IP Holdings LLP Systems and methods to mitigate infection risk using air purification
US11894145B2 (en) 2020-09-30 2024-02-06 Honeywell International Inc. Dashboard for tracking healthy building performance
US11747037B2 (en) 2020-10-09 2023-09-05 Johnson Controls Tyco IP Holdings LLP Building system with an in-zone plume control system
US11056912B1 (en) 2021-01-25 2021-07-06 PXiSE Energy Solutions, LLC Power system optimization using hierarchical clusters
US11372383B1 (en) 2021-02-26 2022-06-28 Honeywell International Inc. Healthy building dashboard facilitated by hierarchical model of building control assets
WO2023022980A1 (en) 2021-08-16 2023-02-23 Johnson Controls Tyco IP Holdings LLP Hvac system with building infection control and sustainability and emissions controls
US20230228436A1 (en) * 2022-01-14 2023-07-20 Johnson Controls Tyco IP Holdings LLP Automated cloud hosted bms archive and difference engine

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102132223A (zh) * 2008-07-31 2011-07-20 罗伯特·博世有限公司 用于智能控制建筑物内能耗的基于传感器的占用和行为预测方法
CN104298191A (zh) * 2014-08-21 2015-01-21 上海交通大学 智能建筑中基于热量预测管理的能耗控制方法
CN105741018A (zh) * 2016-01-22 2016-07-06 深圳供电局有限公司 一种资产全生命周期成本计算分析的方法和系统
CN106066077A (zh) * 2015-04-23 2016-11-02 约翰逊控制技术公司 具有预测成本优化的hvac控制器
CN106169108A (zh) * 2016-07-14 2016-11-30 河海大学 含电池储能系统的主动配电网短期有功优化方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9729639B2 (en) * 2001-08-10 2017-08-08 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20040054564A1 (en) 2002-09-17 2004-03-18 Fonseca Adolfo M. Systems and methods for the optimization of resources in energy markets
US7894943B2 (en) * 2005-06-30 2011-02-22 Sloup Charles J Real-time global optimization of building setpoints and sequence of operation
US20090313083A1 (en) 2008-06-13 2009-12-17 Honeywell International Inc. Renewable energy calculator
US8600571B2 (en) 2008-06-19 2013-12-03 Honeywell International Inc. Energy optimization system
KR101774205B1 (ko) 2009-12-31 2017-09-04 에이비비 리써치 리미티드 전력 플랜트를 위한 프로세스 최적화 방법 및 시스템
US8903554B2 (en) 2011-02-22 2014-12-02 The Board Of Trustees Of The Leland Stanford Junior University Energy plant design and operation
WO2013166510A1 (en) * 2012-05-04 2013-11-07 Viridity Energy, Inc. Facilitating revenue generation from wholesale electricity markets using an engineering-based energy asset model
US9436179B1 (en) * 2013-03-13 2016-09-06 Johnson Controls Technology Company Systems and methods for energy cost optimization in a building system
US20160218505A1 (en) 2013-08-28 2016-07-28 Robert Bosch Gmbh System and Method for Energy Asset Sizing and Optimal Dispatch
US20150134123A1 (en) * 2013-11-14 2015-05-14 Ces Group, Llc Predictive monitoring and control of an environment using cfd
US10386820B2 (en) 2014-05-01 2019-08-20 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
US9612601B2 (en) * 2015-01-16 2017-04-04 Johnson Controls Technology Company Systems and methods for adaptive capacity constraint management
US10943195B2 (en) * 2015-03-20 2021-03-09 Schneider Electric Systems Usa, Inc. Asset management in a process control system
CN105005872A (zh) * 2015-08-06 2015-10-28 北京交通大学 一种移峰填谷的储能系统的容量配置方法
US10222083B2 (en) 2015-10-08 2019-03-05 Johnson Controls Technology Company Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102132223A (zh) * 2008-07-31 2011-07-20 罗伯特·博世有限公司 用于智能控制建筑物内能耗的基于传感器的占用和行为预测方法
CN104298191A (zh) * 2014-08-21 2015-01-21 上海交通大学 智能建筑中基于热量预测管理的能耗控制方法
CN106066077A (zh) * 2015-04-23 2016-11-02 约翰逊控制技术公司 具有预测成本优化的hvac控制器
CN105741018A (zh) * 2016-01-22 2016-07-06 深圳供电局有限公司 一种资产全生命周期成本计算分析的方法和系统
CN106169108A (zh) * 2016-07-14 2016-11-30 河海大学 含电池储能系统的主动配电网短期有功优化方法

Also Published As

Publication number Publication date
EP3358426B1 (en) 2020-10-21
EP3358426A1 (en) 2018-08-08
US10359748B2 (en) 2019-07-23
CN108416503A (zh) 2018-08-17
US20180224814A1 (en) 2018-08-09

Similar Documents

Publication Publication Date Title
CN108416503B (zh) 具有资产规模调整的建筑物能量成本优化系统
US11861741B2 (en) Central plant control system with equipment maintenance evaluation
CN109002957B (zh) 具有经济负载需求响应(eldr)优化的建筑物能量优化系统
CN108306418B (zh) 具有多需量计费型成本优化的建筑物能量存储系统
US11036249B2 (en) Building energy storage system with peak load contribution cost optimization
US11137731B2 (en) Building energy storage system with planning tool
US11010846B2 (en) Building energy storage system with multiple demand charge cost optimization
US11182714B2 (en) Building energy optimization system with capacity market program (CMP) planning
US11061424B2 (en) Building energy storage system with peak load contribution and stochastic cost optimization
US20220148102A1 (en) Thermal energy production, storage, and control system with heat recovery chillers
US11663541B2 (en) Building energy system with load-following-block resource allocation
EP3547234A1 (en) Building energy optimization system with capacity market program (cmp) participation
US20200193345A1 (en) Cost optimization of a central energy facility with load-following-block rate structure
EP3671609A1 (en) Cost optimization of a central energy facility with block-and-index and load-following-block rate structure

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: Michigan, USA

Patentee after: JOHNSON CONTROLS TECHNOLOGY Co.

Address before: Wisconsin

Patentee before: JOHNSON CONTROLS TECHNOLOGY Co.

CP02 Change in the address of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20230417

Address after: Wisconsin

Patentee after: Johnson Controls Tyco intellectual property holdings limited liability partnership

Address before: Michigan, USA

Patentee before: JOHNSON CONTROLS TECHNOLOGY Co.

TR01 Transfer of patent right