CN110309972A - 一种基于室内人员行为的可再生能源系统及其负荷预测方法 - Google Patents
一种基于室内人员行为的可再生能源系统及其负荷预测方法 Download PDFInfo
- Publication number
- CN110309972A CN110309972A CN201910580594.0A CN201910580594A CN110309972A CN 110309972 A CN110309972 A CN 110309972A CN 201910580594 A CN201910580594 A CN 201910580594A CN 110309972 A CN110309972 A CN 110309972A
- Authority
- CN
- China
- Prior art keywords
- load
- power generation
- renewable energy
- building
- prediction
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000010248 power generation Methods 0.000 claims abstract description 65
- 230000003542 behavioural effect Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于室内人员行为的可再生能源系统及其负荷预测方法，首先根据人行为模块得到室内人员信息，再将人员信息、气象局的气象数据，历史负荷数据作为负荷预测模块的输入参数，得到建筑未来某时刻的负荷预测值，通过相关气象参数输入可再生能源发电功率预测模块得到光伏风机的发电预测功率，然后运行调度模块根据可再生能源的预测功率以及建筑的负荷需求，制定运行策略，调整能源系统的供应，对负荷进行精确调整。本发明考虑室内人员行为对负荷的影响，提出了一种基于室内人行为的建筑可再生能源系统负荷预测方法，提高了负荷预测的准确性，有效提升了供需两侧的系统匹配性，并且考虑峰谷电价提出相应运行策略，提高系统的经济性。
Description
技术领域
本发明涉及建筑物可再生能源系统的负荷预测方法，尤其涉及一种基于室内人员行为的可再生能源系统及其负荷预测方法。
背景技术
在发展和环境的双重压力下，能源系统清洁化促使建筑物能源系统呈现出新的特征，主要表现为太阳能、风能等可再生能源在建筑物能源系统的应用比例正逐步提高。太阳能资源分布广泛，就地可取，是最丰富的清洁能源，但其受阴雨等天气变化的影响，表现出不稳定和不连续的特点。风能对天气和气候较为敏感，同样存在不稳定和不连续的问题，这些问题限制了可再生能源的发展，同时给建筑物可再生能源系统的匹配性带来很大的影响。
负荷预测作为一种解决系统匹配性的重要技术，所起的作用日益突出，为了保证能源系统在运行时的安稳性，实现快速精确的负荷预测便尤为引人关注。现阶段常用的负荷预测技术通常是根据负荷预测影响因素和历史数据，建立负荷预测模型，得到未来某时间段的负荷预测值，并输入到运行调度平台，平台根据负荷预测结果对相关机组进行调控，优化系统运行。
而在负荷预测研究中，室内人员行为模型常常被过度简化，而实际中，室内人员行为具有高度随机性和复杂性，且对建筑物负荷具有重要影响，对其物理情景和数学模型、应用进行研究探索将促进负荷预测的精度，从而提高建筑物节能效果及系统匹配性。近年来，越来越多研究人员注意到室内人员行为对建筑物能耗产生的重要影响，利用传感器技术，结合智能算法等方法对建筑物中人员行为进行定量描述与建模，并开发室内人员行为建模工具。
发明内容
本发明的目的在于克服现有技术的不足，提供一种适用于可再生能源系统的基于室内人员行为的负荷预测方法。
针对以上问题，考虑室内人员行为对负荷的影响，提出了一种基于室内人行为的建筑物可再生能源系统及其负荷预测方法，提高了负荷预测的准确性，有效提升了供需两侧的系统匹配性，并且考虑峰谷电价提出相应运行策略，提高系统的经济性。
本发明的第一个技术方案是一种基于室内人员行为的可再生能源系统，所述的系统包括：市电电网、光伏电池板、风机、蓄电池、控制电路、逆变电路、建筑物、电动汽车充电电池，所述市电电网与控制电路连接，光伏电池板通过控制电路和逆变电路与建筑物连接，风机通过控制电路和逆变电路与建筑物连接。
本发明的第二个技术方案是一种基于室内人员行为的可再生能源系统的负荷预测方法，包括如下模块：
人行为模块，根据建筑物类型、房间的特征，室内人员的类型、作息习惯等，通过设置人员的移动参数以及开关窗、照明、采暖、制冷等典型的动作参数，得到人员的在室行为数据以及用能数据等人员信息数据。
负荷预测模块，根据气象局发布的气象数据，历史负荷数据，和人员信息数据，建立建筑物负荷预测BP神经网络模型，对建筑物未来某时刻的负荷进行预测；
可再生能源发电预测模块，包括光伏发电预测模型和风机发电负荷预测模型。通过一些相关参数，作为神经网络模型的输入参数，得到光伏和风机的预测发电功率。
运行调度模块，根据建筑物负荷需求以及可再生能源发电功率，考虑峰谷电价等政策信息，制定最佳运行策略，调整能源系统的供应，对负荷进行精确调整。
所述系统的人行为模块具体为：
该系统的人行为模块采用能耗模拟软件DeST中的用能行为模块进行计算，其中人员位移计算是采用基于马尔可夫链的离散随机过程模型，以人员所在房间位置为随机变量，以建筑物内所有房间及外界为状态空间(即人员移动范围)，通过用马尔可夫链的形式进行位移刻画与模拟计算，最终生成全年逐时刻的室内人员作息。
人员移动的马尔科夫移动模型:设随机状态变量X(t)为t时刻人员房间位置，建筑物房间数量为n+1(包含室外)，Pt为马氏链的转移概率矩阵:
式(1)中，pij＝p{Xt+1＝j|Xt＝i}表示—人员在时刻t处于位置i时，在时刻t+1处于位置j的概率。
式(2)为人员t+1时刻的房间位置模型:
而人员动作模型中的动作处理采用了一套条件触发的控制动作随机模型，计算出每个时刻人员操控设备的概率，进而模拟计算出基于人行为影响的建筑物负荷及能耗，其数学模型为：
(1)由瞬时事件引发的动作，采用引发动作的概率值描述；
(2)受连续环境因素影响的动作，采用三参数概率函数描述，即为，
其中，P为动作发生的概率，x为环境因素变量；
u为阈值，L为尺度，k为形状，表示动作随环境变化的敏感性；
Δτ为时间步长。
所述系统的负荷预测模块具体为：
采集到的数据，包括气象数据，历史负荷数据，人员信息数据经过数据探索、数据预处理、然后进行挖掘建模，之后将当下的参数数据作为输入量输入到将训练好的BP神经网络模型中，输出量即为该建筑未来某时刻的负荷预测值。
所述系统的可再生能源发电预测模块具体为：
可再生能源发电预测模块，包括光伏发电预测模型和风机发电负荷预测模型。通过一些相关参数，作为BP神经网络的输入参数，得到光伏和风机的预测发电功率。
对于光伏发电预测模型，选取温度、风速、太阳辐射强度、历史发电量等因素作为神经网络的输入参数，建立晴天、阴天、雨天三类天气条件下的神经网络光伏发电预测模型。
对于风机发电负荷预测模型，选取风速、风向、气压、温度、历史发电量等因素作为神经网络输入参数，建立风机发电神经网络预测模型。
所述建筑物可再生能源系统的运行调度模块具体为：根据建筑物负荷需求以及可再生能源发电量预测值，考虑峰谷电价，制定最佳运行策略，调整能源系统的供应，对负荷进行精确调整。具体的运行策略如下：
当电价高峰时，若可再生能源发电量预测值Gren,pre(即光伏发电量预测值与风机发电量预测值之和)大于建筑物负荷耗电量预测值Lbldg,pre，则采用模式一，即可再生能源发电量供负荷耗电量，多余电量充蓄电池，蓄满后，充电动汽车充电电池；
若可再生能源发电量预测值Gren,pre小于建筑物负荷耗电量预测值Lbldg,pre，则采用模式二，即可再生能源发电量供负荷耗电量，蓄电池、市电补充；
当处于低于电价时，无论可再生能源发电量预测值Gren,pre与建筑物负荷耗电量预测值Lbldg,pre大小关系如何，均采用模式三，即市电供负荷耗电量，可再生能源发电量充蓄电池，蓄满后，充电动汽车充电电池。
本发明提供的技术方案的有益效果是：本发明针对建筑物可再生能源系统中，传统负荷预测将人行为过度简化，从而影响负荷预测的准确性和供需两侧的系统匹配性，增加能耗与运行费用等问题，通过加入人行为模块，使得建筑物中室内人员信息得到量化与细致的描述，再将再将人员信息、气象局的气象数据，历史负荷数据作为负荷预测模块的输入参数，得到建筑物未来某时刻的负荷预测值，通过相关气象参数输入可再生能源发电功率预测模块得到光伏风机的发电预测功率，然后运行调度模块根据可再生能源的预测功率以及建筑物的负荷需求，制定运行策略，调整能源系统的供应，对负荷进行精确调整。本发明考虑室内人员行为对负荷的影响，提出了一种基于室内人行为的建筑物可再生能源系统负荷预测方法，提高了负荷预测的准确性，有效提升了供需两侧的系统匹配性，并且考虑峰谷电价提出相应运行策略，提高系统的经济性。
附图说明
图1为该建筑物可再生能源系统结构示意图；
图2为该建筑物可再生能源系统原理示意图。
附图中，各标号所代表的部件如下：
1：市电电网；2：光伏电池板；3：风机；4：蓄电池；5：控制电路；6：逆变电路；7：建筑；8：电动汽车充电电池。
具体实施方式
为使本发明的目的、技术方案更加清楚，下面结合附图对本发明作进一步地详细描述。
一种基于室内人员行为的可再生能源系统，系统结构参见图1，所述的系统包括：市电电网1、光伏电池板2、风机3、蓄电池4、控制电路5、逆变电路6、建筑物7、电动汽车充电电池8，所述市电电网1与控制电路5连接，所述光伏电池板2通过控制电路5与逆变电路6与建筑物7连接，所述风机3通过控制电路5与逆变电路6与建筑物7相连。
人行为模块，根据建筑物类型、房间的特征，室内人员的类型、作息习惯，通过设置人员的移动参数以及开关窗、照明、采暖、制冷的动作参数，得到包括人员的在室行为数据以及用能数据的人员信息数据。
负荷预测模块，根据气象局发布的气象数据，历史负荷数据，和人员信息数据，建立建筑物负荷预测BP神经网络模型，对建筑物未来某时刻的负荷进行预测；
可再生能源发电预测模块，包括光伏发电预测模型和风机发电负荷预测模型。通过气象数据和历史发电量数据，作为神经网络模型的输入参数，得到光伏和风机的预测发电功率。
运行调度模块，根据建筑物负荷需求以及可再生能源发电功率，考虑峰谷电价等政策信息，制定最佳运行策略，调整能源系统的供应，对负荷进行精确调整。
所述系统的人行为模块具体为：
该系统的人行为模块采用能耗模拟软件DeST中的用能行为模块进行计算，其中人员位移计算是采用基于马尔可夫链的离散随机过程模型，以人员所在房间位置为随机变量，以建筑物内所有房间及外界为状态空间(即人员移动范围)，通过用马尔可夫链的形式进行位移刻画与模拟计算，最终生成全年逐时刻的室内人员作息。
人员移动的马尔科夫移动模型:设随机状态变量X(t)为t时刻人员房间位置，建筑物房间数量为n+1(包含室外)，Pt为马氏链的转移概率矩阵:
式(1)中，pij＝p{Xt+1＝j|Xt＝i}表示—人员在时刻t处于位置i时，在时刻t+1处于位置j的概率。
式(2)为人员t+1时刻的房间位置模型:
而人员动作模型中的动作处理采用了一套条件触发的控制动作随机模型，计算出每个时刻人员操控设备的概率，进而模拟计算出基于人行为影响的建筑物负荷及能耗。
其数学模型为：
(1)由瞬时事件引发的动作，采用引发动作的概率值描述；
(2)受连续环境因素影响的动作，采用三参数概率函数描述，即为：
其中，P为动作发生的概率，x为环境因素变量；u为阈值，L为尺度，k为形状，表示动作随环境变化的敏感性；Δτ为时间步长。
所述系统的负荷预测模块具体为：
采集到的数据包括气象数据，历史负荷数据，人员信息数据经过数据探索、数据预处理、然后进行挖掘建模，之后将当下的参数数据作为输入量输入到将训练好的BP神经网络模型中，输出量即为该光伏冷库未来某时刻的负荷预测值。
所述系统的可再生能源发电预测模块具体为：
可再生能源发电预测模块，包括光伏发电预测模型和风机发电负荷预测模型。通过一些相关参数，作为BP神经网络的输入参数，得到光伏和风机的预测发电功率。
对于光伏发电预测模型，选取温度、风速、太阳辐射强度、历史发电量等因素作为神经网络的输入参数，建立晴天、阴天、雨天三类天气条件下的神经网络光伏发电预测模型。
对于风机发电预测模型，选取风速、风向、气压、温度、历史发电量等因素作为神经网络输入参数，建立风机发电神经网络预测模型。
所述建筑物可再生能源系统的运行调度模块具体为：
运行调度模块，根据建筑物负荷需求以及可再生能源发电量预测值，考虑峰谷电价，制定最佳运行策略，调整能源系统的供应，对负荷进行精确调整。
具体的运行策略如下表：
当电价高峰时，若可再生能源发电量预测值Gren,pre(即光伏发电量预测值与风机发电量预测值之和)大于建筑物负荷耗电量预测值Lbldg,pre，则采用模式一，即可再生能源发电量供负荷耗电量，多余电量充蓄电池，蓄满后，充电动汽车充电电池。
若可再生能源发电量预测值Gren,pre小于建筑物负荷耗电量预测值Lbldg,pre，则采用模式二，即可再生能源发电量供负荷耗电量，蓄电池、市电补充。
当处于低于电价时，无论可再生能源发电量预测值Gren,pre与建筑物负荷耗电量预测值Lbldg,pre大小关系如何，均采用模式三，即市电供负荷耗电量，可再生能源发电量充蓄电池，蓄满后，充电动汽车充电电池。
本发明中人行为模块的程序流程如下：
1)启动DeST
2)搭建建筑模型
3)打开人行为模块
4)房间分组
5)给房间添加人员(包括人数、各人的职业类型、生活方式)
6)设定移动参数、动作参数、设置时间范围及步长
7)计算，得到人员信息数据。
发电预测模块的程序流程如下：
1)收集气象参数数据(温度、湿度、太阳辐射强度)与历史发电量数据
2)Matlab人工神经网络工具箱
3)数据探索、数据预处理、挖掘建模
4)误差分析
5)满足应用条件，投入应用，得到实际预测值。
负荷预测模块的程序流程如下：
1)收集人员信息数据、气象参数数据(温度、湿度、太阳辐射强度)与历史发电量数据
2)Matlab人工神经网络工具箱
3)数据探索、数据预处理、挖掘建模
4)误差分析
5)满足应用条件，投入应用，得到实际预测值。
运行调度模块的程序流程如下：
1)获得负荷预测值
2)结合电价政策分析经济性
3)制定运行策略
4)调度能源供给。
综上所述，本发明提出一种基于室内人员行为的可再生能源系统及其负荷预测方法，针对建筑物可再生能源系统中，传统负荷预测将人行为过度简化，从而影响负荷预测的准确性和供需两侧的系统匹配性，增加能耗与运行费用等问题，通过加入人行为模块，使得建筑物中室内人员信息得到量化与细致的描述，再将人员信息、气象局的气象数据，历史负荷数据作为负荷预测模块的输入参数，得到建筑物未来某时刻的负荷预测值，通过相关气象参数输入可再生能源发电功率预测模块得到光伏风机的发电预测功率，然后运行调度模块根据可再生能源的预测功率以及建筑物的负荷需求，制定运行策略，调整能源系统的供应，对负荷进行精确调整。本发明考虑室内人员行为对负荷的影响，提出了一种基于室内人行为的建筑物可再生能源系统负荷预测方法，提高了负荷预测的准确性，有效提升了供需两侧的系统匹配性，并且考虑峰谷电价提出相应运行策略，提高系统的经济性。
Claims (6)
1.一种基于室内人员行为的可再生能源系统，其特征在于，包括：市电电网(1)、光伏电池板(2)、风机(3)、蓄电池(4)、控制电路(5)、逆变电路(6)、建筑物(7)、电动汽车充电电池(8)，所述市电电网(1)与控制电路(5)连接，所述光伏电池板(2)通过控制电路(5)和逆变电路(6)与建筑物(7)连接，所述风机(3)通过控制电路(5)和逆变电路(6)与建筑物(7)相连。
2.根据权利要求1所述的一种基于室内人员行为的可再生能源系统的负荷预测方法，其特征在于，包括如下模块：
人行为模块：根据建筑物类型、房间的特征，室内人员的职业类型、作息习惯，通过设置人员的移动参数以及开关窗、照明、采暖、制冷的动作参数，得到人员的在室行为数据以及用能数据；
负荷预测模块：根据气象局发布的气象数据，历史负荷数据以及所述人行为模块的人员信息数据，建立建筑物负荷预测BP神经网络模型，对建筑物未来某时刻的负荷进行预测；
可再生能源发电预测模块：包括光伏发电预测模型和风机发电负荷预测模型，通过气象参数、历史发电量数据，作为神经网络模型的输入参数，得到光伏和风机的预测发电功率；
运行调度模块：根据所述负荷预测模块给出的建筑物负荷需求以及所述可再生能源发电预测模块给出的可再生能源发电功率，考虑峰谷电价，制定最佳运行策略，调整能源系统的供应，对负荷进行精确调整。
3.根据权利要求2所述的一种基于室内人员行为的可再生能源系统的负荷预测方法，其特征在于，所述人行为模块采用能耗模拟软件DeST中的用能行为模块进行计算；
其中人员位移计算是采用基于马尔可夫链的离散随机过程模型，以人员所在房间位置为随机变量，以建筑物内所有房间及外界为状态空间(即人员移动范围)，通过用马尔科夫链的形式进行位移刻画与模拟计算，最终生成全年逐时刻的室内人员作息；
人员移动的马尔科夫移动模型:设随机状态变量X(t)为t时刻人员房间位置，建筑物房间数量为n+1(包含室外)，Pt为马氏链的转移概率矩阵:
式(1)中，pij＝p{Xt+1＝j|Xt＝i}表示—人员在时刻t处于位置i时，在时刻t+1处于位置j的概率；
式(2)中，为人员t+1时刻的房间位置模型:
而人员动作模型中的动作处理采用了一套条件触发的控制动作随机模型，计算出每个时刻人员操控设备的概率，进而模拟计算出基于人行为影响的建筑物负荷及能耗，其数学模型为：(1)由瞬时事件引发的动作，采用引发动作的概率值描述；
(2)受连续环境因素影响的动作，采用三参数概率函数描述，即式(3)
其中，P为动作发生的概率，x为环境因素变量；
u为阈值，L为尺度，k为形状，表示动作随环境变化的敏感性；
Δτ为时间步长。
4.根据权利要求1所述的一种基于室内人员行为的可再生能源系统的负荷预测方法，其特征在于，所述负荷预测模块具体为：
采集到的数据包括气象数据，历史负荷数据，人员信息数据经过数据探索、数据预处理、然后进行挖掘建模，之后将当下的参数数据作为输入量输入到将训练好的BP神经网络模型中，输出量即为该建筑未来某时刻的负荷预测值。
5.根据权利要求2所述的一种基于室内人员行为的可再生能源系统的负荷预测方法，其特征在于，所述系统的可再生能源发电预测模块具体为：
可再生能源发电预测模块，包括光伏发电预测模型和风机发电负荷预测模型；
通过气象参数、历史发电量数据，作为BP神经网络的输入参数，得到光伏和风机的预测发电功率；
对于光伏发电预测模型，选取温度、风速、太阳辐射强度、历史发电量作为神经网络的输入参数，建立晴天、阴天、雨天三类天气条件下的神经网络光伏发电预测模型；
对于风机发电负荷预测模型，选取风速、风向、气压、温度、历史发电量作为神经网络输入参数，建立风机发电神经网络预测模型。
6.根据权利要求2所述的一种基于室内人员行为的可再生能源系统的负荷预测方法，其特征在于，所述运行调度模块为：根据建筑物负荷需求以及可再生能源发电量预测值，考虑峰谷电价，制定最佳运行策略，调整能源系统的供应，对负荷进行精确调整。具体的运行策略如下：
当电价高峰时，若可再生能源发电量预测值Gren,pre(即光伏发电量预测值与风机发电量预测值之和)大于建筑物负荷耗电量预测值Lbldg,pre，则采用模式一，即可再生能源发电量供负荷耗电量，多余电量充蓄电池，蓄满后，充电动汽车充电电池；
若可再生能源发电量预测值Gren,pre小于建筑物负荷耗电量预测值Lbldg,pre，则采用模式二，即可再生能源发电量供负荷耗电量，蓄电池、市电补充；
当处于低于电价时，无论可再生能源发电量预测值Gren,pre与建筑物负荷耗电量预测值Lbldg,pre大小关系如何，均采用模式三，即市电供负荷耗电量，可再生能源发电量充蓄电池，蓄满后，充电动汽车充电电池。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910580594.0A CN110309972A (zh) | 2019-06-28 | 2019-06-28 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910580594.0A CN110309972A (zh) | 2019-06-28 | 2019-06-28 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309972A true CN110309972A (zh) | 2019-10-08 |
Family
ID=68079545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910580594.0A Pending CN110309972A (zh) | 2019-06-28 | 2019-06-28 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309972A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626453A (zh) * | 2020-02-20 | 2020-09-04 | 南京绿慧能源科技有限公司 | 一种正反馈能源站群控系统、方法、存储介质及电子设备 |
| CN112865201A (zh) * | 2021-04-13 | 2021-05-28 | 珠海汇众能源科技有限公司 | 一种微电网和电动汽车v2g互动提升能量利用率的方法 |
| CN113255968A (zh) * | 2021-04-30 | 2021-08-13 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
| CN115264775A (zh) * | 2022-06-17 | 2022-11-01 | 合肥阳光零碳技术有限公司 | 一种供能系统设备配置方法、装置及供能系统 |
| CN115907191A (zh) * | 2022-12-08 | 2023-04-04 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
| CN115907350A (zh) * | 2022-11-04 | 2023-04-04 | 华北电力大学 | 一种建筑综合能源系统的能量管理方法及系统 |
| CN116845973A (zh) * | 2023-08-25 | 2023-10-03 | 湖北华中电力科技开发有限责任公司 | 一种风力供电方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
| US20170336534A1 (en) * | 2016-05-19 | 2017-11-23 | The Catholic University Of America | System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid |
| CN108808743A (zh) * | 2018-05-28 | 2018-11-13 | 华东理工大学 | 基于通信网络的多能源微电网能量预测和优化调度方法 |
| CN109240223A (zh) * | 2018-08-09 | 2019-01-18 | 北京科诺伟业科技股份有限公司 | 一种用于工业园区的能源管理系统 |
-
2019
- 2019-06-28 CN CN201910580594.0A patent/CN110309972A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
| US20170336534A1 (en) * | 2016-05-19 | 2017-11-23 | The Catholic University Of America | System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid |
| CN108808743A (zh) * | 2018-05-28 | 2018-11-13 | 华东理工大学 | 基于通信网络的多能源微电网能量预测和优化调度方法 |
| CN109240223A (zh) * | 2018-08-09 | 2019-01-18 | 北京科诺伟业科技股份有限公司 | 一种用于工业园区的能源管理系统 |
Non-Patent Citations (3)
| Title |
|---|
| 孙红三，王闯: ""DeST软件的用能行为模块"", 《2016年全国建筑院系建筑数字技术教学研讨会》 * |
| 苏鹏伟: ""基于发电与负荷预测的建筑可再生能源系统匹配特性研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 苏鹏伟: ""基于发电与负荷预测的建筑可再生能源系统匹配特性研究"", 《中国硕士论文全文数据库 工程科技II辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626453A (zh) * | 2020-02-20 | 2020-09-04 | 南京绿慧能源科技有限公司 | 一种正反馈能源站群控系统、方法、存储介质及电子设备 |
| CN112865201A (zh) * | 2021-04-13 | 2021-05-28 | 珠海汇众能源科技有限公司 | 一种微电网和电动汽车v2g互动提升能量利用率的方法 |
| CN112865201B (zh) * | 2021-04-13 | 2022-04-05 | 珠海汇众能源科技有限公司 | 一种微电网和电动汽车v2g互动提升能量利用率的方法 |
| CN113255968A (zh) * | 2021-04-30 | 2021-08-13 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
| CN113255968B (zh) * | 2021-04-30 | 2022-09-16 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
| CN115264775A (zh) * | 2022-06-17 | 2022-11-01 | 合肥阳光零碳技术有限公司 | 一种供能系统设备配置方法、装置及供能系统 |
| CN115907350A (zh) * | 2022-11-04 | 2023-04-04 | 华北电力大学 | 一种建筑综合能源系统的能量管理方法及系统 |
| CN115907350B (zh) * | 2022-11-04 | 2023-08-08 | 华北电力大学 | 一种建筑综合能源系统的能量管理方法及系统 |
| CN115907191A (zh) * | 2022-12-08 | 2023-04-04 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
| CN116845973A (zh) * | 2023-08-25 | 2023-10-03 | 湖北华中电力科技开发有限责任公司 | 一种风力供电方法和装置 |
| CN116845973B (zh) * | 2023-08-25 | 2023-11-21 | 湖北华中电力科技开发有限责任公司 | 一种风力供电方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309972A (zh) | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 | |
| Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Qian et al. | Potential analysis of the transfer learning model in short and medium-term forecasting of building HVAC energy consumption | |
| Belmili et al. | Sizing stand-alone photovoltaic–wind hybrid system: Techno-economic analysis and optimization | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN107039975B (zh) | 一种分布式能源系统能量管理方法 | |
| CN105184678A (zh) | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 | |
| CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
| CN105590174A (zh) | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 | |
| Qin et al. | Parameter estimation of PEMFC based on improved fluid search optimization algorithm | |
| CN105162149A (zh) | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 | |
| Zhou | Sustainable energy sharing districts with electrochemical battery degradation in design, planning, operation and multi-objective optimisation | |
| Venayagamoorthy et al. | Energy dispatch controllers for a photovoltaic system | |
| CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
| CN105205549A (zh) | 一种基于机会约束规划的光储系统跟踪日前计划调度方法 | |
| Kichou et al. | Energy performance enhancement of a research centre based on solar potential analysis and energy management | |
| Khan et al. | Energy demand modelling and ANN based forecasting using MATLAB/Simulink | |
| CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
| CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
| CN106786702B (zh) | 用于混合储能系统的全状态模型预测能量调度方法 | |
| Li et al. | Comparative assessment of alternative MPC strategies using real meteorological data and their enhancement for optimal utilization of flexibility-resources in buildings | |
| Rezaei Nasab et al. | Investigating the probability of designing net-zero energy buildings with consideration of electric vehicles and renewable energy | |
| Wang et al. | Uncertainty modeling method of weather elements based on deep learning for robust solar energy generation of building | |
| CN105046353B (zh) | 一种电力系统低碳化水平的评价方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |