CN110826817A - 楼宇分布式能源多能协同运行策略生成方法及系统 - Google Patents
楼宇分布式能源多能协同运行策略生成方法及系统 Download PDFInfo
- Publication number
- CN110826817A CN110826817A CN201911124931.1A CN201911124931A CN110826817A CN 110826817 A CN110826817 A CN 110826817A CN 201911124931 A CN201911124931 A CN 201911124931A CN 110826817 A CN110826817 A CN 110826817A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy supply
- building
- historical
- energy consumption
- 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.)
- Granted
Links
- 238000013486 operation strategy Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005265 energy consumption Methods 0.000 claims abstract description 96
- 238000012417 linear regression Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 238000009435 building construction Methods 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 8
- 210000000349 chromosome Anatomy 0.000 description 7
- 230000035772 mutation Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供了一种楼宇分布式能源多能协同运行策略生成方法及系统，该方法包括：获取楼宇分布式能源的历史供能数据，并基于历史供能数据构建楼宇能耗需求的线性回归模型；基于当前楼宇对应的供能数据并利用线性回归模型，获取当前楼宇的能耗需求；基于预设的运行策略生成模型并根据能耗需求，获取楼宇的多能协同运行方案；其中，运行策略生成模型为基于预设的供能形式样本以及供能形式本对应的各种供能状态样本构建的遗传算法模型。本发明可以提高楼宇分布式能源方式下的综合运行效益。
Description
技术领域
本发明涉及能源管理技术领域，具体涉及一种楼宇分布式能源多能协同运行策略生成方法及系统。
背景技术
目前，楼宇能耗管理只注重能耗数据获取，并没有结合有效的需求预测来确定分布式能源的合理运行策略，这就造成能耗管理工作缺乏明确的评判标准，弱化了能耗管理工作的实际意义。
分布式能源尤其是多种能源供应方式并存的运行方案往往是期初制定，其技术和经济性能合理性缺少持续有效的评估和改进。针对楼宇提供分布式能源运行效益提供精准评估和策略优化，可以降低楼宇能源管理工作难度、提高楼宇能源管理水平。
发明内容
为了解决现有技术中的上述问题，即为了解决如何提高楼宇分布式能源方式下的综合运行效益的问题，本发明的一方面提供了一种楼宇分布式多能协同运行策略生成方法，所述方法包括：
获取楼宇分布式能源的历史供能数据，并基于所述历史供能数据构建楼宇能耗需求的线性回归模型；
基于当前楼宇对应的供能数据并利用所述线性回归模型，获取当前楼宇的能耗需求；
基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案；
其中，所述运行策略生成模型为基于预设的供能形式样本以及所述供能形式样本对应的各种供能状态样本构建的遗传算法模型。
进一步地，所述历史供能数据包括每小时楼宇总供能量、供能季节、供能设备清单、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况、以及每小时楼宇外部天气温度、光照、风力。
进一步地，“获取楼宇分布式能源的历史供能数据，并基于所述历史供能数据构建楼宇能耗需求的线性回归模型”的步骤包括：
获取楼宇分布式能源的历史供能数据；
以该历史供能数据对应的每小时耗能作为横坐标，耗能范围出现的次数作为纵坐标，生成能耗分布图；
自该能耗分布图中的最高点向下计算累计能耗值，当该累计能耗值达到总耗能值的预定比例时，以所被涉及到的供能数据作为构建楼宇能耗需求的线性回归模型历史供能数据；
基于该历史供能数据构建楼宇能耗需求的线性回归模型。
进一步地，“基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案”的步骤包括：
获取楼宇的各种供能形式以及所述供能形式的各种供能状态，并对所述供能形式和所述供能状态进行编码形成编码矩阵；
采用预设的遗传算法模型对所述编码矩阵进行求解，并以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。
进一步地，所述供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能中的一种或多种，所述供能状态为所述供能形式的开启状态或输出功率占额定功率的比例状态。
本发明的另一方面，还提供了一种楼宇分布式能源多能协同运行策略生成系统，所述系统包括：
模型构建模块，配置为获取楼宇分布式能源的历史供能数据，并基于所述历史供能数据构建楼宇能耗需求的线性回归模型；
线性回归模型，配置为基于当前楼宇对应的供能数据并利用所述线性回归模型，获取当前楼宇的能耗需求；
运行策略生成模型，配置为基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案；
其中，所述运行策略生成模型为基于预设的供能形式样本以及所述供能形式样本对应的各种供能状态样本构建的遗传算法模型。
进一步地，所述历史供能数据包括每小时楼宇总供能量、供能季节、供能设备清单、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况、以及每小时楼宇外部天气温度、光照、风力。
进一步地，所述模型构建模块进一步配置为执行如下操作：
获取楼宇分布式能源的历史供能数据；
以该历史供能数据对应的每小时耗能作为横坐标，耗能范围出现的次数作为纵坐标，生成能耗分布图；
自该能耗分布图中的最高点向下计算累计能耗值，当该累计能耗值达到总耗能值的预定比例时，以所被涉及到的供能数据作为构建楼宇能耗需求的线性回归模型历史供能数据；
基于该历史供能数据构建楼宇能耗需求的线性回归模型。
进一步地，所述运行策略生成模型进一步配置为执行如下操作：
获取楼宇的各种供能形式以及所述供能形式的各种供能状态，并对所述供能形式和所述供能状态进行编码形成编码矩阵；
采用预设的遗传算法模型对所述编码矩阵进行求解，并以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。
进一步地，所述供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能中的一种或多种，所述供能状态为所述供能形式的开启状态或输出功率占额定功率的比例状态。
本发明的优点是：
本发明提供的楼宇分布式能源多能协同运行策略生成方法及系统，可以预测楼宇的能耗需求，并根据能耗需求生成楼宇的多能协同运行方案，提高楼宇分布式能源方式下的综合运行效益。
附图说明
图1是本发明的一种楼宇分布式能源多能协同运行策略生成方法的主要步骤示意图。
图2是遗传算法的主要流程示意图。
图3是本发明的楼宇分布式能源多能协同运行策略生成系统的主要结构示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
参阅附图1，图1示例性示出了一种楼宇分布式能源多能协同运行策略生成方法的主要步骤，如图1所示，本发明提供的楼宇分布式能源多能协同运行策略生成方法可以包括：
步骤S1：获取楼宇分布式能源的历史供能数据，并基于历史供能数据构建楼宇能耗需求的线性回归模型。具体地，获取楼宇分布式能源的历史供能数据；以该历史供能数据对应的每小时耗能作为横坐标，耗能范围出现的次数作为纵坐标，生成能耗分布图；自该能耗分布图中的最高点向下计算累计能耗值，当该累计能耗值达到总耗能值的预定比例时，以所被涉及到的供能数据作为构建楼宇能耗需求的线性回归模型历史供能数据；基于该历史供能数据构建楼宇能耗需求的线性回归模型。
步骤S2：基于当前楼宇对应的供能数据并利用线性回归模型，获取当前楼宇的能耗需求。具体地，将当前楼宇对应的供能数据输入线性回归模型，计算当前楼宇的能耗需求。
步骤S3：基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案。具体地，获取楼宇的各种供能形式以及供能形式的各种供能状态，并对供能形式和供能状态进行编码形成编码矩阵；采用预设的遗传算法模型对编码矩阵进行求解，并以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。
其中，运行策略生成模型为基于预设的供能形式样本以及供能形式样本对应的各种供能状态样本构建的遗传算法模型。历史供能数据包括每小时楼宇总供能量、供能季节、供能设备清单、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况、以及每小时楼宇外部天气温度、光照、风力。供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能中的一种或多种，供能状态为供能形式的开启状态或输出功率占额定功率的比例状态。
下面结合一具体实施本发明提供的楼宇分布式能源多能协同运行策略生成方法进行详细说明。
本实施例的主要设计思路是：通过关键因素分析法筛选出影响楼宇能源需求的要素，通过回归分析构建楼宇需求预测模型，借助物联和集成技术手段实现要素信息自动获取，从而实现对楼宇能源需求的动态预测。同时，利用遗传算法模型并根据楼宇能源需求，确定合理的能源运行方案，指导楼宇实际能源管理工作。
本发明实施例的主要步骤如下：
1.获取及预处理数据：
1.1获取数据。通过传感器来获取与楼宇分布式能源系统供能相关的历史供能数据，包括：每小时楼宇总供能量、供能季节(制冷季/供暖季)、供能设备清单(设备类别、装机容量)、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况(工作日/节假日)、以及每小时楼宇外部天气温度、光照、风力。
制冷季/供暖季的数据采集样本分别不低于300个，历史供能数据的时间跨度不低于2年，确保包含至少两个供暖季、两个制冷季。
1.2筛选数据。在获取数据之后，首先对数据进行筛选，以确保样本数据有效性，具体方法是：以温度为例，列举多个主要温度，在每个温度下做筛选：以该温度下出现过的每个小时耗每相差10kJ为跨度划分横轴，该耗能范围出现次数为纵轴，做出耗能的分布图，自该分布最高点向下计算累计耗能值，当该累计值达到总耗能值的75％时，所涉及的耗能值被认为是合理的，如此便确定了温度对应能耗能值的一对多映射关系。同理，其它历史供能数据按该上述方法进行筛选。
2建模：
在选定有效的历史供能数据之后，用回归分析建立预测每小时耗能的线性回归模型，过程如下：
2.1理论模型
给一个随机样本(Yi，Xi1，Xi2，Xi3，...，Xip)，i＝1,2,3,…,n，一个线性回归模型假设回归子Yi和回归量Xi1,Xi2,Xi3,…,Xip之间的关系是除了X的影响以外，还有其他的变数存在。需要加入一个误差项εi(也是一个随机变量)来捕获除了Xi1，Xi2，Xi3，...，Xip之外任何对Yi的影响。所以一个多变量的线性回归模型即表示为以下的形式：
Yi＝β0+β1Xi1+β2Xi2+β3Xi3+…+βpXip+εi，i＝1,2,3,...,n (1)
公式(1)有p+1个参数β0,β1,β2,…,βp需要决定，为了估计这些参数，使用矩阵表记。
Y＝Xβ+ε (2)
其中Y是一个包括了观测值Y1,Y2,Y3,…,Yn的列向量，ε包括了未观测的随机成分ε1,ε2,ε3,…,εn以及回归量的观测值矩阵X：
X通常包括一个常数项。
线性回归模型采用最小二乘逼近来拟合。回归分析的目的是线性回归模型的参数以便达到对数据的最佳拟合。这种估计可以表示为：
其中，T为矩阵转置符号。
2.2实际建模过程：
根据2.1中的线性模型，设每小时气温、光照、风力分别为回归量X1、X2、X3，每小时耗能为Y，那么我们取2019年1月1日时间为0：00的数据即为x11、x21、x31、y1，时间为2：00数据即为x12、x22、x32、y2，以此类推，从而确定X矩阵和y向量。回归系数可由(4)计算得到。
2.3解释度分析
在方差分析中，总平方和分解为两个或更多部分。
总平方和SST(sum of squares for total)是：
其中：
同等地：
回归平方和SSReg(sum of squares for regression)，也可写做模型平方和SSM(sum of squares for model))是：
其中，u表示n行1列的值全部为1的向量。
残差平方和SSE(sum of squares for error)是：
总平方和SST又可写做SSReg和SSE的和：
回归系数R2是：
可以评估上述模型解释回归子的准确程度。
经实际数据检验，在选择了温度、日工况、供冷供热选择三个因子回归所得模型解释度为91.35％，即可很好地预测每小时耗能。
3根据模型确定策略：
3.1获取相关运算数据：
将楼宇可能采用的多种供能形式都作为运算数据，供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能，建立在不同能源需求负荷下的多能调度运行策略。
在上述基础上，针对不同供能形式及其对应的综合能效比，筛选出多能协同下的各种可能的组合开机模式(各设备的开机负荷率)。如下表的示例：
引入与时间相关的价格因素，针对不同调度运行策略计算出经济结果。
要素时段价格表(单位：元)
针对每种设备，在不同运行负荷状态下和不同时段的经济指标：
设备运行时段价格表(直燃机为例，单位：千元)
3.2设定不同的运营目标(经济最优、能效最优、设备运行最优)，形成最优运行方案。在形成最优方案时，拟采用遗传算法来解决多能耦合模拟。
3.3遗传算法理论模型
遗传算法是一种基于“适者生存”的高度并行、随机和自适应的优化算法,通过复制、交叉、变异将问题解编码表示的“染色体”群一代代不断进化,最终收敛到最适应的群体,从而求得问题的最优解或满意解。其优点是原理和操作简单、通用性强、不受限制条件的约束；直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质非常适合用于解决组合优化问题。
遗传算法
对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型：
式中，A为决策变量，maxf(A)为目标函数，
为约束条件，U是基本空间，R是U的子集。满足约束条件的解，A称为可行解，集合R表示所有满足约束条件的解所组成的集合，称为可行解集合。
参阅附图2，图2示例性示出了遗传算法的主要流程，如图2所示，遗传算法包括：
步骤S11，随机产生初始群体；
步骤S12，判断是否满足收敛准则，若是则执行步骤S13，否则执行步骤S14；
步骤S14，执行选择算子；
步骤S15，判断是否满足Random[0,1]＜Pc，若是执行步骤S16，否则执行步骤S17；其中，Random[0,1]＜Pc表示交叉率是否达到设定的阙值Pc，若到达则开始执行变异算子，否则继续执行交叉算子。
步骤S16，执行交叉算子；
步骤S17，判断是否满足Random[0,1]＜Pm，若是则执行步骤S18，否则执行步骤S12；其中，Random[0,1]＜Pm表示表示变异率是否达到设定的阙值Pm，若到达则开始判断是否满足收敛准则，否则继续执行变异算子。
步骤S18，执行变异算子，之后执行步骤S12.
3.4具体实施：
3.4.1编码
遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码，也可以称作(问题的)表示(representation)。
三联供根据启动功率不同有4种状态，分别编码为0、1、2、3，对应25％，50％，75％，100％的开启功率。其它设备如燃机等只有开关两种状态，故而分别编码为0、1，假设某时刻几个设备的状态为三联供开75％功率，燃机和储能关闭，光伏、风电和锅炉开启，那么对应状态码如上数字，则此时编码为2011110。然后将24小时的编码形成一个编码矩阵，该编码矩阵即为染色体。需要的染色体总数为种群数量。
3.4.2设定适应度函数
进化论中的适应度，是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。
假设以经济最优目标为适应度函数，根据基本经济关系，以下表为例：
| 电价 | 0.32 |
| 气价 | 1.84 |
| 供能价 | 21.3 |
设此时设备状态为：
则此时成本为21.3*75％+1.84*0+0.32*(1+1)+1.74*1+储能*0＝20.195
计算该成本的方式即为适应度函数，成本即为该染色体适应度。
3.4.3初始群体选取
遗传算法中初始群体中的个体是随机产生的。
对每一个时刻的各个设备的状态形成编码，然后对24个时刻生成一个编码矩阵，初始化若干数目的编码矩阵。一个编码矩阵为一个染色体。一定数量的染色体为初始群体。
3.4.4运算过程
遗传算法的基本运算过程如下：
a)初始化：设置进化代数计数器h＝0，设置最大进化代数H，随机生成M个个体作为初始群体P(0)。
b)个体评价：计算群体P(h)中各个个体的适应度。
c)选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
选择算子要满足两个条件，一者是供能形式本身的一些限制条件，如某些设备最多可以开启2次，除此之外，在符合目标函数的情况下，结果达到一定基本水平。如此反复，直到群体数量达到预期数量。
d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。
将上一步选择出来的编码进行交叉运算，即交换一些设备的状态，生成新的编码，根据自适应算子决定新的种群构成。如将编码为00101和编码为01001交叉第二三两位，形成01001和00101的状态。
e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(h)经过选择、交叉、变异运算之后得到下一代群体P(h+1)。
主动变异某些设备的状态，生成新的编码，然后选择种群构成。如将10110的状态变为10010的状态。
f)终止条件判断：若h＝H,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
根据遗传算法，在24小时中每一个时刻将每台供能设备的状态编码。随机产生1000个该编码，进行交叉变异。每次以经济最优或者能效最优目标评价适应度，选取最好的1000个继续迭代，迭代20次后，如果结果稳定，则为最优解。
按照上述步骤，以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。该多能协同运行方案可理解为各供能形式的开关状态，或各供能形式的输出功率占额定功率的比例
4实际运用：
根据前述模型以及确立的策略运营方案，针对同一类型的生产环境，在获取未来特定日期的24小时天气预测数据后，即可按照设定的运行目标来进行运算，从而生成多能协同运行方案供生产调度使用。
基于方法实施例相同的技术构思，本发明还提供了一种楼宇分布式能源多能协同运行策略生成系统，下面对该系统进行具体说明。
参阅附图3，图3示例性示出了楼宇分布式能源多能协同运行策略生成系统的主要结构，如图3所示，该系统可以包括：
模型构建模块11，配置为获取楼宇分布式能源的历史供能数据，并基于历史供能数据构建楼宇能耗需求的线性回归模型；
线性回归模型12，配置为基于当前楼宇对应的供能数据并利用线性回归模型，获取当前楼宇的能耗需求；
运行策略生成模型13，配置为基于预设的运行策略生成模型并根据能耗需求，获取楼宇的多能协同运行方案；
其中，运行策略生成模型为基于预设的供能形式样本以及供能形式样本对应的各种供能状态样本构建的遗传算法模型。
进一步地，历史供能数据包括每小时楼宇总供能量、供能季节、供能设备清单、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况、以及每小时楼宇外部天气温度、光照、风力。
进一步地，模型构建模块11进一步配置为执行如下操作：
获取楼宇分布式能源的历史供能数据；
以该历史供能数据对应的每小时耗能作为横坐标，耗能范围出现的次数作为纵坐标，生成能耗分布图；
自该能耗分布图中的最高点向下计算累计能耗值，当该累计能耗值达到总耗能值的预定比例时，以所被涉及到的供能数据作为构建楼宇能耗需求的线性回归模型历史供能数据；
基于该历史供能数据构建楼宇能耗需求的线性回归模型。
进一步地，运行策略生成模型13进一步配置为执行如下操作：
获取楼宇的各种供能形式以及所述供能形式的各种供能状态，并对供能形式和供能状态进行编码形成编码矩阵；
采用预设的遗传算法模型对编码矩阵进行求解，并以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。
进一步地，供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能中的一种或多种，供能状态为供能形式的开启状态或输出功率占额定功率的比例状态。
本发明提供的针对楼宇分布式能源供能形式下的优化调度方案，适用对象可以是采取分布式能源的商业楼宇，本发明充分考虑能源需求波动性，建立了能源需求预测模型；通过对多种常用供能形式的分析，建立了不同供能形式的经济和技术运行模型，生成多能协同运行方案，从而提高了能源系统的运行灵活性，进而优化了楼宇整体能源管理水平和经济效益。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤及系统，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种楼宇分布式能源多能协同运行策略生成方法，其特征在于，所述方法包括：
获取楼宇分布式能源的历史供能数据，并基于所述历史供能数据构建楼宇能耗需求的线性回归模型；
基于当前楼宇对应的供能数据并利用所述线性回归模型，获取当前楼宇的能耗需求；
基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案；
其中，所述运行策略生成模型为基于预设的供能形式样本以及所述供能形式样本对应的各种供能状态样本构建的遗传算法模型。
2.如权利要求1所述的楼宇分布式能源多能协同运行策略生成方法，其特征在于，所述历史供能数据包括每小时楼宇总供能量、供能季节、供能设备清单、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况、以及每小时楼宇外部天气温度、光照、风力。
3.如权利要求2所述的楼宇分布式能源多能协同运行策略生成方法，其特征在于，“获取楼宇分布式能源的历史供能数据，并基于所述历史供能数据构建楼宇能耗需求的线性回归模型”的步骤包括：
获取楼宇分布式能源的历史供能数据；
以该历史供能数据对应的每小时耗能作为横坐标，耗能范围出现的次数作为纵坐标，生成能耗分布图；
自该能耗分布图中的最高点向下计算累计能耗值，当该累计能耗值达到总耗能值的预定比例时，以所被涉及到的供能数据作为构建楼宇能耗需求的线性回归模型历史供能数据；
基于该历史供能数据构建楼宇能耗需求的线性回归模型。
4.如权利要求1所述的楼宇分布式能源多能协同运行策略生成方法，其特征在于，“基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案”的步骤包括：
获取楼宇的各种供能形式以及所述供能形式的各种供能状态，并对所述供能形式和所述供能状态进行编码形成编码矩阵；
采用预设的遗传算法模型对所述编码矩阵进行求解，并以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。
5.如权利要求1所述的楼宇分布式能源多能协同运行策略生成方法，其特征在于，所述供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能中的一种或多种，所述供能状态为所述供能形式的开启状态或输出功率占额定功率的比例状态。
6.一种楼宇分布式能源多能协同运行策略生成系统，其特征在于，所述系统包括：
模型构建模块，配置为获取楼宇分布式能源的历史供能数据，并基于所述历史供能数据构建楼宇能耗需求的线性回归模型；
线性回归模型，配置为基于当前楼宇对应的供能数据并利用所述线性回归模型，获取当前楼宇的能耗需求；
运行策略生成模型，配置为基于预设的运行策略生成模型并根据所述能耗需求，获取楼宇的多能协同运行方案；
其中，所述运行策略生成模型为基于预设的供能形式样本以及所述供能形式样本对应的各种供能状态样本构建的遗传算法模型。
7.如权利要求6所述的楼宇分布式能源多能协同运行策略生成系统，其特征在于，所述历史供能数据包括每小时楼宇总供能量、供能季节、供能设备清单、每小时各供能设备运行负荷、每小时各供能设备的供能量、楼宇建筑年代、用户数、日工况、以及每小时楼宇外部天气温度、光照、风力。
8.如权利要求7所述的楼宇分布式能源多能协同运行策略生成方法，其特征在于，所述模型构建模块进一步配置为执行如下操作：
获取楼宇分布式能源的历史供能数据；
以该历史供能数据对应的每小时耗能作为横坐标，耗能范围出现的次数作为纵坐标，生成能耗分布图；
自该能耗分布图中的最高点向下计算累计能耗值，当该累计能耗值达到总耗能值的预定比例时，以所被涉及到的供能数据作为构建楼宇能耗需求的线性回归模型历史供能数据；
基于该历史供能数据构建楼宇能耗需求的线性回归模型。
9.如权利要求6所述的楼宇分布式能源多能协同运行策略生成系统，其特征在于，所述运行策略生成模型进一步配置为执行如下操作：
获取楼宇的各种供能形式以及所述供能形式的各种供能状态，并对所述供能形式和所述供能状态进行编码形成编码矩阵；
采用预设的遗传算法模型对所述编码矩阵进行求解，并以最优解对应的供能形式以及该供能形式对应的供能状态作为楼宇的多能协同运行方案。
10.如权利要求6所述的楼宇分布式能源多能协同运行策略生成系统，其特征在于，所述供能形式包括三联供供能、燃机供能、光伏供能、风电供能、锅炉供能以及储能供能中的一种或多种，所述供能状态为所述供能形式的开启状态或输出功率占额定功率的比例状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911124931.1A CN110826817B (zh) | 2019-11-18 | 2019-11-18 | 楼宇分布式能源多能协同运行策略生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911124931.1A CN110826817B (zh) | 2019-11-18 | 2019-11-18 | 楼宇分布式能源多能协同运行策略生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826817A true CN110826817A (zh) | 2020-02-21 |
| CN110826817B CN110826817B (zh) | 2024-02-20 |
Family
ID=69556093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911124931.1A Active CN110826817B (zh) | 2019-11-18 | 2019-11-18 | 楼宇分布式能源多能协同运行策略生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826817B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000270379A (ja) * | 1999-03-12 | 2000-09-29 | Toshiba Corp | 地域ビル群エネルギー管理システム |
| CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
| CN104881712A (zh) * | 2015-05-19 | 2015-09-02 | 上海电力学院 | 多能互补分布式能源系统及其设备配置与运行优化方法 |
| CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
| CN106228462A (zh) * | 2016-07-11 | 2016-12-14 | 浙江大学 | 一种基于遗传算法的多储能系统优化调度方法 |
| CN109245093A (zh) * | 2018-09-28 | 2019-01-18 | 上海电力学院 | 一种冷热电联供分布式能源站协同优化调度方法 |
| CN109376934A (zh) * | 2018-10-31 | 2019-02-22 | 广东兴发铝业有限公司 | 一种基于大数据的挤压机的能耗预测方法 |
| CN109523092A (zh) * | 2018-12-13 | 2019-03-26 | 山东大学 | 多能互补冷热电联供系统及其协同调度方法 |
| CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
| CN110009143A (zh) * | 2019-03-28 | 2019-07-12 | 北京快电科技有限公司 | 一种楼宇内能源调度方法 |
| CN110245878A (zh) * | 2019-06-27 | 2019-09-17 | 华翔翔能电气股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
-
2019
- 2019-11-18 CN CN201911124931.1A patent/CN110826817B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000270379A (ja) * | 1999-03-12 | 2000-09-29 | Toshiba Corp | 地域ビル群エネルギー管理システム |
| CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
| CN104881712A (zh) * | 2015-05-19 | 2015-09-02 | 上海电力学院 | 多能互补分布式能源系统及其设备配置与运行优化方法 |
| CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
| CN106228462A (zh) * | 2016-07-11 | 2016-12-14 | 浙江大学 | 一种基于遗传算法的多储能系统优化调度方法 |
| CN109245093A (zh) * | 2018-09-28 | 2019-01-18 | 上海电力学院 | 一种冷热电联供分布式能源站协同优化调度方法 |
| CN109376934A (zh) * | 2018-10-31 | 2019-02-22 | 广东兴发铝业有限公司 | 一种基于大数据的挤压机的能耗预测方法 |
| CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
| CN109523092A (zh) * | 2018-12-13 | 2019-03-26 | 山东大学 | 多能互补冷热电联供系统及其协同调度方法 |
| CN110009143A (zh) * | 2019-03-28 | 2019-07-12 | 北京快电科技有限公司 | 一种楼宇内能源调度方法 |
| CN110245878A (zh) * | 2019-06-27 | 2019-09-17 | 华翔翔能电气股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826817B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ilbeigi et al. | Prediction and optimization of energy consumption in an office building using artificial neural network and a genetic algorithm | |
| Reynolds et al. | Operational supply and demand optimisation of a multi-vector district energy system using artificial neural networks and a genetic algorithm | |
| Schmidt et al. | Smart buildings as Cyber-Physical Systems: Data-driven predictive control strategies for energy efficiency | |
| Delgarm et al. | Multi-objective optimization of building energy performance and indoor thermal comfort: A new method using artificial bee colony (ABC) | |
| Chow et al. | Building-mix optimization in district cooling system implementation | |
| Carli et al. | A dynamic programming approach for the decentralized control of energy retrofit in large-scale street lighting systems | |
| Li et al. | Federated learning-based short-term building energy consumption prediction method for solving the data silos problem | |
| Boithias et al. | Genetic algorithms based optimization of artificial neural network architecture for buildings’ indoor discomfort and energy consumption prediction | |
| Yang et al. | An efficient evolutionary approach to parameter identification in a building thermal model | |
| Luo et al. | Bi-level multi-objective optimization of design and subsidies for standalone hybrid renewable energy systems: A novel approach based on artificial neural network | |
| Afzali et al. | Urban community energy systems design under uncertainty for specified levels of carbon dioxide emissions | |
| CN110929913B (zh) | 一种直流跨区互联电网多目标发电计划分解协调计算方法 | |
| Lau et al. | Modelling carbon emissions in electric systems | |
| Dimoulkas et al. | Constructing bidding curves for a CHP producer in day-ahead electricity markets | |
| Yu et al. | Extracting interpretable building control rules from multi-objective model predictive control data sets | |
| Wang et al. | Role of input features in developing data-driven models for building thermal demand forecast | |
| CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
| Feng et al. | An office building energy consumption forecasting model with dynamically combined residual error correction based on the optimal model | |
| CN116362421A (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
| CN110826817B (zh) | 楼宇分布式能源多能协同运行策略生成方法及系统 | |
| Zhang | Data-driven whole building energy forecasting model for data predictive control | |
| Kampouropoulos | Multi-objective optimization of an energy hub using artificial intelligence | |
| Zuazo et al. | Short-Term Load Forecasting of building electricity consumption using NARX Neural Networks model | |
| Felten et al. | Modeling the value of flexible heat pumps | |
| Goffart et al. | Overview of a large scale monitoring project of energy positive houses: complementarity between simulations and measurements |
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 |