CN109711614A - 一种分布式能源站的动态优化运行控制方法及系统 - Google Patents

Abstract

本发明公开了一种针对分布式能源站的动态优化运行控制方法及系统，所述方法包括将负荷预测模型与分布式能源站的热力系统仿真模型相结合应用于实际的运行指导，借助全局优化算法的驱动，实现能源站运行的动态滚动优化，并自动将运行参数与指令下发至底层功能设备实现能源站的无人值守或少人值守。所述系统包括负荷预测模块、仿真计算模块(如燃气轮机、内燃机、燃气锅炉、余热锅炉、泵、板式换热器、冷却塔、电制冷机、热泵等)、优化算法模块和环境参数监测模块，将基于人工智能技术的负荷预测算法、全局优化算法，以及热力系统仿真模型有机的结合在一起，构建一套针对分布式能源站的动态优化控制方法。

Description

一种分布式能源站的动态优化运行控制方法及系统

技术领域

本发明涉及动力机械及工程、流体机械及工程、传热学、人工智能等领域的分布式能源热力系统计算模型与负荷预测模型、全局优化算法结合的应用技术领域，尤其涉及一种分布式能源站的动态优化运行控制方法及系统。

背景技术

在分布式能源站的规划建设中，热力系统仿真分析被用于计算能源站在不同工况下(年平均工况、夏季工况、冬季工况、极端冷工况、极端热工况)的整体性能及状态参数，以辅助技经部门对能源站的经济效益和经济效率进行评估。这种方法取自传统火电项目的规划建设流程。

然而，分布式能源项目与传统火电项目在运行规律上存在明显差异，传统火电站负荷比较稳定，其工况变化通常仅由外界环境参数引起，且波动较小。而分布式能源站负荷波动非常明显，其工况变化不仅受外界环境的影响，还受到用户侧需求的影响。因此仅仅依据几种典型环境条件下的热力系统分析结果是很难满足分布式能源站的运行指导需求的，从而造成分布式能源站在实际运行中无法保证实时处于最佳的运行状态。

与传统火电项目相比，分布式能源项目设备种类较多，彼此之间存在互补作用，如热电联产中的余热锅炉与燃气锅炉的互补；热电冷三联产中的吸收式制冷机与电制冷机、热泵、燃气锅炉、直燃机之间的互补；电储能、水蓄冷/冰蓄冷、蓄热的充放策略等各功能模块整合在一起，造成了分布式能源站运行模式的复杂性。

目前大多数分布式能源站仍然依靠人为经验指导其运行，因此造成能源站的运行水平参差不齐。在收益不高的情况下，由于运行策略的失误很容易使能源站陷入亏损的运行状态。运行人员从仅有的一些特定工况下的热力分析结果中，也很难摸索到能源站的动态特性，因此也就很难形成最优的动态设备群控策略。当分布式能源站配备储能设备时，其运行模式的复杂性往往超出了人的脑力范围，仅凭人为经验很难使能源站对用户负荷做出及时响应，也很难在特定的工况下选择最佳的群控策略，从而影响整个能源站的经济性收益。

发明内容

本发明的目的是针对上述现有技术的不足，提供一种分布式能源站的动态优化运行控制方法及系统，解决分布式能源站在负荷波动频繁的情况下，依靠人为经验难以确定当前负荷及环境参数下的最佳运行模式，从而导致出现运行策略失误、控制调节不及时、能源站收益下降等问题。

第一方面，本发明提供了一种分布式能源站的动态优化运行控制方法，包括：

构建负荷预测神经网络模型，对分布式能源站进行负荷预测；

设定参数输入周期，将负荷预测结果周期性发送至仿真计算模块；

根据经济性指标计算特定工况下热力系统的性能参数以及营收参数；

比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备。

优选地，

所述构建负荷预测神经网络模型，对分布式能源站进行负荷预测，包括：

采集分布式能源站负荷及负荷影响因素的历史数据，作为训练集训练负荷预测神经网络模型；

将气象预报数据、预测日期、用能侧生产计划作为输入参数，通过负荷预测神经网络模型对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。

优选地，

所述构建负荷预测神经网络模型，对分布式能源站进行负荷预测，还包括：

设定预测周期，采用滚动模式将前一个周期内的真实负荷数据添加到历史数据，更新负荷预测神经网络模型，通过更新后的负荷预测神经网络模型对下一个预测周期内的负荷进行预测。

优选地，

所述分布式能源站的负荷数据包括：热负荷、冷负荷和电负荷；所述分布式能源站的负荷影响因素数据包括：室外温度、室外相对湿度、风速、风向和光照度。

优选地，

所述根据经济性指标计算特定工况下热力系统的性能参数以及营收参数，包括：

根据分布式能源站搭建与之对应的数字机理模型；

模拟计算所述分布式能源站热力系统的性能以及各连接点的状态参数，得到性能参数；

根据经济性能指标，计算不同工况下热力系统的收益状况，得到营收参数。

优选地，

所述经济性能指标包括：供冷价格、供热价格、用水价格、用电价格和化学药品价格。

优选地，

所述比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备，包括：

设定滚动优化的步长时间，采用全局优化算法通过优胜劣汰机制比较不同工况下热力系统的性能参数及营收参数；

对比同一个步长时间内不同工况下热力系统的性能参数及对应的营收参数，搜索最佳运行策略下发给实体设备；

将上一个步长时间内的最佳运行策略与当前不同工况下热力系统的性能参数及其营收参数对比，搜索出当前的最佳运行策略重新下发给实体设备。

第二方面，本发明提供了一种分布式能源站的动态优化运行控制系统，包括：负荷预测模块、仿真计算模块、优化算法模块和环境参数监测模块，其中：

所述负荷预测模块，用于构建负荷预测神经网络模型，对分布式能源站进行负荷预测，得到负荷预测结果；

所述仿真计算模块，用于设定参数输入周期，周期性接收负荷预测结果，并根据经济性指标计算特定工况下热力系统的性能参数以及营收参数；

所述优化算法模块，用于比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备；

所述环境参数监测模块，用于监测分布式能源站热力系统的运行环境，采集热力系统的性能以及各连接点的状态参数。

优选地，

所述负荷预测模块包括：

数据采集单元，用于采集分布式能源站过去时间段内的热力系统负荷及负荷影响因素的数据；

模型训练单元，用于训练并更新负荷预测神经网络模型；

负荷预测单元，用于对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。

优选地，

所述优化算法模块包括动态优化模型，所述动态优化模块包括优化算法层、仿真层和物理设备层，

所述优化算法层，接收不同工况下热力系统的性能参数以及营收参数，与所述仿真层构成设计空间搜索最佳运行策略下发给所述物理设备层；

所述仿真层是底层实体设备与管网的数字物理模型，用于对分布式能源站热力系统进行模拟仿真计算，构成了所述优化算法层的评价函数；

所述物理设备层，用于接受最佳运行策略，控制分布式能源站的热力系统储能设备的充放策略。

本发明提供了一种针对分布式能源站的动态优化运行控制方法及系统。所述方法包括将负荷预测模型与分布式能源站的热力系统仿真模型相结合应用于实际的运行指导，借助全局优化算法的驱动，从而摆脱对人为经验的依赖，实现能源站运行的动态滚动优化，使能源站时刻处于最佳的经济运行状态，并自动将运行参数与指令下发至底层功能设备实现能源站的无人值守或少人值守。所述系统包括负荷预测模块、仿真计算模块(如燃气轮机、内燃机、燃气锅炉、余热锅炉、泵、板式换热器、冷却塔、电制冷机、热泵等)、优化算法模块和环境参数监测模块，将基于人工智能技术的负荷预测算法、全局优化算法，以及热力系统仿真模型有机的结合在一起，构建一套针对分布式能源站的动态优化控制方法。能够实现分布式能源站的无人值守或少人值守最优运行，使能源站实时处于最优运行状态，解决了能源站在不同负荷、不同环境参数下单一设备组最佳群控策略以及不同设备组运行经济性自动寻优的问题，摆脱了能源站运行对人为经验的依赖。

附图说明

为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种分布式能源站的动态优化运行控制方法的流程示意图；

图2为本发明一实施例提供的一种分布式能源站的动态优化运行控制系统的架构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种分布式能源站的动态优化运行控制方法，包括

步骤101，构建负荷预测神经网络模型，对分布式能源站进行负荷预测；

步骤102，设定参数输入周期，将负荷预测结果周期性发送至仿真计算模型；

步骤103，根据经济性指标计算特定工况下热力系统的性能参数以及营收参数；

步骤104，比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备。

具体的，本发明的一个实施例中，步骤101，包括：

采集分布式能源站负荷及负荷影响因素的历史数据，作为训练集训练负荷预测神经网络模型；

将气象预报数据、预测日期、用能侧生产计划作为输入参数，通过负荷预测神经网络模型对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。

为保持负负荷预测神经网络模型的预测精度，负荷预测神经网络模型的训练设置成滚动模式，不断的添加新近历史数据，以便实时反映最近的负荷情况。具体的，包括：设定预测周期，采用滚动模式将前一个周期内的真实负荷数据添加到历史数据，更新负荷预测神经网络模型，通过更新后的负荷预测神经网络模型对下一个预测周期内地负荷进行预测。

需要说明的是，本实施例中采集到的分布式能源站的历史数据中，负荷数据包括：热负荷、冷负荷和电负荷；负荷影响因素数据包括：室外温度、室外相对湿度、风速、风向和光照度。

在一个可能实现的方式中，步骤103，包括：

根据分布式能源站搭建与之对应的数字机理模型；

模拟计算所述分布式能源站热力系统的性能以及各连接点的状态参数，得到性能参数；

根据经济性能指标，计算不同工况下热力系统的收益状况，得到营收参数。

本实施例中，优选地，经济性能指标包括：供冷价格、供热价格、用水价格、用电价格和化学药品价格。

具体的，本发明的一个实施例中，步骤104，包括：

设定滚动优化的步长时间，采用全局优化算法通过优胜劣汰机制比较不同工况下热力系统的性能参数及营收参数；

对比同一个步长时间内不同工况下热力系统的性能参数及对应的营收参数，搜索最佳运行策略下发给实体设备；

将上一个步长时间内的最佳运行策略与当前不同工况下热力系统的性能参数及其营收参数对比，搜索出当前的最佳运行策略重新下发给实体设备。

基于与本发明方法实施例相同的构思，请参考图2，本发明实施例提供了一种分布式能源站的动态优化运行控制系统，包括：201负荷预测模块、202仿真计算模块、203优化算法模块和204环境参数监测模块。其中，

负荷预测模块201，用于构建负荷预测神经网络模型，对分布式能源站进行负荷预测，得到负荷预测结果。在一个可能的实施例中，负荷预测模块201包括：数据采集单元211，用于采集分布式能源站过去时间段内的热力系统负荷及负荷影响因素的数据；模型训练单元212，用于训练并更新负荷预测神经网络模型；负荷预测单元213，用于对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。

仿真计算模块202，用于设定参数输入周期，周期性接收负荷预测结果，并根据经济性指标计算特定工况下热力系统的性能参数以及营收参数。

优化算法模块203，用于比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备。在一个可能的实施例中，优化算法模块203包括动态优化模型，所述动态优化模块包括优化算法层231、仿真层232和物理设备层233。特别的，优化算法层231，接收不同工况下热力系统的性能参数以及营收参数，与所述仿真层构成设计空间搜索最佳运行策略下发给所述物理设备层；仿真层232是底层实体设备与管网的数字物理模型，用于对分布式能源站热力系统进行模拟仿真计算，构成了所述优化算法层的评价函数；物理设备层233，用于接受最佳运行策略，控制分布式能源站的热力系统储能设备的充放策略。

为了更加清楚的说明本发明的技术方案及优点，下面具体以本发明提供的一种分布式能源站的动态优化运行控制方法及系统，进行进一步的举例说明。

首先，需要预先收集分布式能源站上一年度的综合能源历史数据，包括负荷数据：热负荷、冷负荷和电负荷等历史数据；和分布式能源站的负荷影响因素数据：室外温度、室外相对湿度、风速、风向和光照度等历史数据。将这些历史数据作为训练集训练负荷预测神经网络模型。训练好的负荷预测神经网络模型借助气象预报数据、预测日期、用能侧生产计划等作为输入参数，即可获得未来数小时内的冷、热、电负荷需求曲线。这里的预测日期是指待预测的未来的一个时间段，比如需要对未来24小时内用户侧的负荷进行预测，则预测日期为未来24小时当天的日期。

为保持负荷预测神经网络模型的精度，负荷预测神经网络模型的训练设置成滚动模式，不断的添加新近历史数据，以便实时反映最近的负荷情况。具体的，设定预测周期，采用滚动模式将前一个周期内的真实负荷数据添加到历史数据，更新负荷预测神经网络模型，通过更新后的负荷预测神经网络模型对下一个预测周期内地负荷进行预测。比如设定预测周期为24小时，则将前24小时内采集的真实负荷数据添加到历史数据，对负荷预测神经网络模型进行更新训练，通过更新后的负荷预测神经网络模型对未来24小时的负荷进行预测。

然后，设定参数输入周期为半个小时，则每半个小时将负荷预测结果发送至仿真计算模块，负荷预测结果作为系统仿真的输入条件。仿真计算模块与优化算法模块共同构建一个动态优化模型，根据经济性指标计算特定工况下热力系统的性能参数以及营收参数，比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备。

其中优化算法模块中包括动态优化模型，该动态优化模块由优化算法层、仿真层和物理设备层组成。动态优化是由一套通用热力系统分析软件构成，根据分布式能源站搭建与之对应的数字机理模型。其中仿真层底层实体设备与管网的数字物理模型，用于对分布式能源站热力系统进行模拟仿真计算，构成了所述优化算法层的评价函数。优化算法层通过计算机模拟计算得到该能源站热力系统的性能以及各连接点的状态参数，得到性能参数。同时仿真计算模块根据经济性能指标，计算不同工况下热力系统的收益状况，得到营收参数。优化算法层与仿真层构成设计空间搜索最佳运行策略，下发给所述物理设备层，物理设备层接收到最佳运行策略，控制分布式能源站的热力系统储能设备的充放策略。控制热力系统设备的运行，使其靠近最佳运行点。优化算法层以人为设定的时间步长滚动优化，以此来实现供能端对负荷的追踪，实现动态优化运行效果。具体的，包括设定滚动优化的步长时间，采用全局优化算法通过优胜劣汰机制比较不同工况下热力系统的性能参数及营收参数；对比同一个步长时间内不同工况下热力系统的性能参数及对应的营收参数，搜索最佳运行策略下发给实体设备；将上一个步长时间内的最佳运行策略与当前不同工况下热力系统的性能参数及其营收参数对比，搜索出当前的最佳运行策略重新下发给实体设备。

需要说明的是本实施例中，优选地，经济性能指标包括：供冷价格、供热价格、用水价格、用电价格和化学药品价格。

采用本发明的方法及系统最终选择的优化结果直接决策储能设备的充放策略，不同负荷下能源站的群控策略。可以看到通过本发明的方法，能源站能够借助优化算法，自动匹配最佳的运行方案，借助本发明的系统使得分布式能源站内的储能系统实现削峰填谷，最大化能源站经济收益，极大程度的降低了能源站运行对人为经验的依赖，可实现无人值守或少人值守。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种分布式能源站的动态优化运行控制方法，其特征在于，包括：

构建负荷预测神经网络模型，对分布式能源站进行负荷预测；

设定参数输入周期，将负荷预测结果周期性发送至仿真计算模块；

根据经济性指标计算特定工况下热力系统的性能参数以及营收参数；

比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备。

2.根据权利要求1所述的一种分布式能源站的动态优化运行控制方法，其特征在于，所述构建负荷预测神经网络模型，对分布式能源站进行负荷预测，包括：

采集分布式能源站负荷及负荷影响因素的历史数据，作为训练集训练负荷预测神经网络模型；

将气象预报数据、预测日期、用能侧生产计划作为输入参数，通过负荷预测神经网络模型对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。

3.根据权利要求2所述的一种分布式能源站的动态优化运行控制方法，其特征在于，所述构建负荷预测神经网络模型，对分布式能源站进行负荷预测，还包括：

设定预测周期，采用滚动模式将前一个周期内的真实负荷数据添加到历史数据，更新负荷预测神经网络模型，通过更新后的负荷预测神经网络模型对下一个预测周期内的负荷进行预测。

4.根据权利要求2或3所述的一种分布式能源站的动态优化运行控制方法，其特征在于，所述分布式能源站的负荷数据包括：热负荷、冷负荷和电负荷；所述分布式能源站的负荷影响因素数据包括：室外温度、室外相对湿度、风速、风向和光照度。

5.根据权利要求1所述的一种分布式能源站的动态优化运行控制方法，其特征在于，所述根据经济性指标计算特定工况下热力系统的性能参数以及营收参数，包括：

根据分布式能源站搭建与之对应的数字机理模型；

模拟计算所述分布式能源站热力系统的性能以及各连接点的状态参数，得到性能参数；

根据经济性能指标，计算不同工况下热力系统的收益状况，得到营收参数。

6.根据权利要求5所述的一种分布式能源站的动态优化运行控制方法，其特征在于，所述经济性能指标包括：供冷价格、供热价格、用水价格、用电价格和化学药品价格。

7.根据权利要求1所述的一种分布式能源站的动态优化运行控制方法，其特征在于，所述比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备，包括：

设定滚动优化的步长时间，采用全局优化算法通过优胜劣汰机制比较不同工况下热力系统的性能参数及营收参数；

对比同一个步长时间内不同工况下热力系统的性能参数及对应的营收参数，搜索最佳运行策略下发给实体设备；

将上一个步长时间内的最佳运行策略与当前不同工况下热力系统的性能参数及其营收参数对比，搜索出当前的最佳运行策略重新下发给实体设备。

8.一种分布式能源站的动态优化运行控制系统，其特征在于，所述系统包括：负荷预测模块、仿真计算模块、优化算法模块和环境参数监测模块，

所述负荷预测模块，用于构建负荷预测神经网络模型，对分布式能源站进行负荷预测，得到负荷预测结果；

所述仿真计算模块，用于设定参数输入周期，周期性接收负荷预测结果，并根据经济性指标计算特定工况下热力系统的性能参数以及营收参数；

所述优化算法模块，用于比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备；

所述环境参数监测模块，用于监测分布式能源站热力系统的运行环境，采集热力系统的性能以及各连接点的状态参数。

9.根据权利要求8所述的一种分布式能源站的动态优化运行控制系统，其特征在于，所述负荷预测模块包括：

数据采集单元，用于采集分布式能源站过去时间段内的热力系统负荷及负荷影响因素的数据；

模型训练单元，用于训练并更新负荷预测神经网络模型；

负荷预测单元，用于对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。

10.根据权利要求9所述的一种分布式能源站的动态优化运行控制系统，其特征在于，所述优化算法模块包括动态优化模型，所述动态优化模块包括优化算法层、仿真层和物理设备层，其中：

所述优化算法层，接收不同工况下热力系统的性能参数以及营收参数，与所述仿真层构成设计空间搜索最佳运行策略下发给所述物理设备层；

所述仿真层是底层实体设备与管网的数字物理模型，用于对分布式能源站热力系统进行模拟仿真计算，构成了所述优化算法层的评价函数；

所述物理设备层，用于接受最佳运行策略，控制分布式能源站的热力系统储能设备的充放策略。