CN113255968A - 基于设备和行为信息的商业办公楼精细化负荷预测方法 - Google Patents
基于设备和行为信息的商业办公楼精细化负荷预测方法 Download PDFInfo
- Publication number
- CN113255968A CN113255968A CN202110479407.7A CN202110479407A CN113255968A CN 113255968 A CN113255968 A CN 113255968A CN 202110479407 A CN202110479407 A CN 202110479407A CN 113255968 A CN113255968 A CN 113255968A
- Authority
- CN
- China
- Prior art keywords
- load
- equipment
- power
- time
- personnel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000006399 behavior Effects 0.000 claims abstract description 123
- 238000005265 energy consumption Methods 0.000 claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 57
- 238000007599 discharging Methods 0.000 claims description 25
- 238000004378 air conditioning Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 13
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 238000007639 printing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004321 preservation Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 235000021152 breakfast Nutrition 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 230000005619 thermoelectricity Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000006798 recombination Effects 0.000 claims description 2
- 238000005215 recombination Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010411 cooking Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Structural Engineering (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:基于人员行为的负荷分类方法,根据各类负荷用能设施的机理与运行特性,采用非侵入式负荷监测和非侵入式负荷分解,建立商业办公楼宇用能设施的能耗模型,结合马尔可夫转移矩阵,模仿商业办公楼宇人员的用能行为,综合考虑自然环境、能源价格和建筑属性的影响因素。有益效果:本发明面向商业办公楼宇负荷,具备独立完成负荷预测的能力,可以提供全天每一时段精细化的负荷用能信息的基于设备和行为信息的商业办公楼精细化负荷预测方法,可为制定商业办公楼宇需求响应政策和能量管理策略提供可信的和精细化的数据来源。
Description
技术领域
本发明属于建筑负荷监测技术领域,尤其涉及一种基于设备和行为信息的商业办公楼精细化负荷预测方法.
背景技术
近年来,化石能源的过度消费给我国能源的开发利用和环境保护带来了巨大压力。通过合理的政策引导,结合能源转化和替代技术创新,实现“节能减排”的目标迫在眉睫。可再生能源技术的利用对上述问题起到了积极的改善作用,然而随着可再生分布式能源的大批接入,终端能源消费环节对电力系统运行状态的影响越来越大。商业办公楼宇作为终端能源消费环节的重要组成部分,其负荷体量大,增长快,已逐渐成为城市中心地区的主要负荷。同时商业办公楼宇的电气设备有良好的通信、控制硬件基础,具有很强的需求响应能力,相较于受到工艺限制的产业类负荷,商业办公负荷更具有“节能减排”挖掘潜力。鉴于商业办公楼宇负荷种类繁多,人员行为复杂,建立商业办公楼宇精细化负荷预测模型可为分析商业办公楼宇需求响应和能量管理提供支撑,合理化引导其用能行为,完成“节能减排”指标。
目前对于商业办公负荷建模与预测方面的研究主要采用2种方法。一种是采用以历史数据结合机器学习为代表的数据挖掘方法。另一种是通过分析负荷用能设备的运行特性,结合人员的行为特征实现负荷预测,通常采用从下到上和从上到下两种基本措施。其中,从下到上方法则是考虑环境条件、建筑性能、设备运行等因素,对较小区域内的能耗情况进行评估,再进行放大;从上到下方法考虑宏观经济参数、气象条件、建筑属性等因素,评估较大区域内的能耗,再对评估区域进行细化。例如:申请公布号为CN 108870671 A的专利文献公开一种适用于建筑规划阶段的空调负荷预测计算方法,包括如下步骤:1)计算墙体及屋顶的总负荷;2)计算窗的总负荷;3)计算总灯光负荷;4)计算总人员负荷;5)计算总设备负荷;6)计算新风负荷;7)计算热负荷;8)计算冷负荷。本发明基于辐射时间序列的原理出发,对规划阶段的建筑负荷进行预测,将辐射时间序列的原理应用于空调负荷计算的方法,无须传递函数法(TFM)所必须的迭代计算过程,关键在于将围护结构的传热的热量,利用辐射时间系数将辐射得热的部分转化为房间逐时冷,热负荷,计算简便而精确。申请公布号为CN 111563610 A的专利文献公开了一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统,获取典型建筑物的负荷数据、天气参数以及建筑物数据并进行归一化处理;建立LSTM神经网络的电负荷预测模型,选择相似典型日的数据作为训练样本,训练数据包括训练日的天气因素、建筑物类型数据、负荷数据,在训练过程中以电负荷的误差最小为目标进行训练获得LSTM神经网络模型参数;输入待测建筑物的建筑物数据至训练好的LSTM神经网络的电负荷预测模型后,获得建筑物对应的典型日负荷曲线、月负荷曲线和年负荷曲线。
然而,现有研究存在以下问题:第一,数据挖掘的预测方法考虑的都是诸如气象条件、能源价格等外部因素,虽可为负荷预测提供技术支撑,由于缺乏设备的细致建模和对行为因素的考虑,预测精度有限;尤其对于规划初期缺少相关数据的地区,该方法的实施难度很大。第二,目前设备和行为信息相结合的预测方法大多只建立了部分典型设备用能模型,未考虑人员行为与用能需求之间的关系以及负荷的时空分布,难以支撑考虑全局终端设备和人员用能行为特性的负荷预测建模及分析。
发明内容
本发明的目的在于克服上述技术的不足,而提供一种适用于含电动汽车充电需求且与人员用能行为密切相关的基于设备和行为信息的商业办公楼精细化负荷预测方法,不需要依赖大量的同类型数据进行驱动,能够有效改善初始数据对提取负荷特性的影响,具备独立完成负荷预测的能力,且可以提供全天每一时段精细化的负荷用能信息,为制定商业办公楼宇需求响应政策和能量管理策略提供可信的和精细化的数据来源。
本发明为实现上述目的,采用以下技术方案:一种基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:基于人员行为的负荷分类方法,根据各类负荷用能设施的机理与运行特性,采用非侵入式负荷监测和非侵入式负荷分解,建立商业办公楼宇用能设施的能耗模型,结合马尔可夫转移矩阵,模仿商业办公楼宇人员的用能行为,综合考虑自然环境、能源价格和建筑属性等外部影响因素,具体步骤如下:
1)商业办公楼宇负荷分类
(1)固定负荷
(2)人员行为相关负荷
(3)空调负荷
(4)随机负荷
2)商业办公楼宇用能设备的能耗模型:在商业办公楼宇负荷分类的基础上,综合考虑设备机理与运行特性,建立各类负荷用能设备的能耗模型;
(1)固定负荷用能设备
t时刻的固定负荷用能设备功率P1(t),方程式为
其中,P1,1是t时刻的安全保障措施设备功率;P1,2是t时刻的楼宇运行保障设备功率;P1,3是t时刻的不间断用能设备功率;
(2)人员行为相关负荷用能设备
t时刻的人员行为相关负荷用能设备功率P2(t),方程式为
其中,P2,1是t时刻的办公类设备功率;P2,2是t时刻的照明设备功率;P2,3是t时刻的电梯功率;P2,4是t时刻的热水机功率;P2,5是t时刻的电炊具功率;P2,6是t时刻的电动汽车充放电功率,即t时刻电动汽车与充电桩的功率交换,充电功率取正值,放电功率取负值;
(3)空调设备
采用等效热参数(ETP)模型建立房屋建筑模型,房屋建筑的等效热参数模型由热阻与热容构成,综合考虑建筑内产热与散热热源的关系,建立基于ETP模型的室内热平衡方程,方程为
Qin-Uair(Tin-Tout)-Uwall(Tin-Twall)-CairdTin/dt=0
Qwall-Uwall(Twall-Tin)-CwalldTwall/dt=0
其中,Qin和Qwall分别是室内空气节点的热增益和墙体内表面节点的热增益,W;Uair和Uwall分别是空气节点间的热传递系数和空气与墙体间的热传递系数,W/m2·℃;Tin、Twall和Tout分别是室内空气节点温度、室内墙体节点温度和室外温度,℃;Cair和Cwall分别是空气热容量和墙体热容量,J/K;
考虑n台空调聚合时,空调聚合系统的室内平均温度的方程式为
仅考虑一台空调时,可通过方程式求解得出室内温度Tin,
Tin=A1exp(r1t)+A2exp(r2t)+d/c
其中,a=CwallCair/Uwall;b=[Cwall(Uair+Uwall)/Uwall]+Cair;c=Uair;d=Qwall+Qair+Uair*Tout;r1=[-b+(b2-4ac)0.5]/2a;r2=[-b-(b2-4ac)0.5]/2a;A1=(r2Tin,0+dTin/dt-r2d/c)/(r2-r1);A2=Tin,0-A1-d/c;Tin,0是t=0时的室内温度初始值。
空调设备耗能包括新风设备运行功率和制热(冷)设备运行功率两个方面,其中,新风设备是利用电风扇实现空气循环,新风设备功率PHVAC,fun,方程式为
Δpeq,HVAC=0.5v2ρ+pstatic
其中,mHVAC是新风设备空气流量;Δpeq,HVAC是等效总压降;v是空气流速;ρ是空气密度;pstatic是压降;ηHVAC,fun和ηHVAC,motor分别是风扇和发动机的运行效率;
当室内温度稳定时,改变温度设定值Tset,空调制热(冷)变化量QHVAC,h的方程式为
Qin=QHVAC,h+Qsolar=ad2Tin/dt2+bdTin/dt+c(Tin-Tout)-Qwall
QHVAC,h=ad2Tin/dt2+bdTin/dt+c(Tin-Tout)-Qwall-Qsolar
其中,Qsolar是太阳照射热增益
则,空调聚合系统制热(冷)消耗的电功率PHVAC,op,方程式为
其中,CCOP是热电的能效比。
空调设备功率PHVAC方程式为
PHVAC=PHVAC,fun+PHVAC,op;
(4)随机负荷用能设备
t时刻的随机负荷用能设备功率P4(t)采用随机预测误差进行模拟;
t时刻的商业办公楼宇负荷用能设备功率PCOB(t),方程式为
PCOB(t)=P1(t)+P2(t)+P2(t)+P4(t)
结合各构成部分的设备实际用能情况,即可预测商业办公楼宇日内任意时间的负荷情况;
3)商业办公楼宇人员日能耗行为模拟
采用非侵入式负荷监测和非侵入式负荷分解方法,结合马尔可夫转移矩阵,分析商业办公楼宇人员的日能耗行为;
(1)商业办公楼宇负荷分解
负荷分解过程采用非侵入式负荷监测和非侵入式负荷分解方法结合累加算法与自举重组的方式,通过功率曲线以及用能设备的额定容量,分析用能设备的启停状态,得出商业办公楼宇人员的主要日常行为;
(2)商业办公楼宇人员行为模拟
采用马尔可夫转移矩阵处理人员个体的随机移动与用能过程的概率性,根据商业办公楼宇人员的主要日常行为,模拟步长表示为{T=1,2,…,t-1,t,…},当仿真时间由t-1推进为t时,可能发生状态转移,相关状态转移矩阵,方程式为
其中,pmn(t)是人员在时段t-1处于状态Xt-1=m、在时段t处于状态Xt=n的概率,相关概率值参考负荷分解结果,服从(0,1)上均匀分布;pmm(t)是人员在时段t-1处于状态Xt-1=m、在时段t仍处于状态Xt=m的概率;k为行为状态总数,k=8;
4)商业办公楼宇日负荷预测方法具体流程如下:
首先,利用3)的商业办公楼宇人员日能耗行为模拟,得到商业办公楼宇人员行为链,随机抽取商业办公楼宇人员活动链中的人员行为设置为活动状态;
其次,利用3)的商业办公楼宇人员日能耗行为模拟,分析在此人员活动状态下涉及的商业办公楼宇用能设备;
再次,根据其次中涉及的商业办公楼宇用能设备,利用2)的商业办公楼宇用能设备能耗模型,计算人员活动状态下的行为用能情况;
从次,根据3)的商业办公楼宇人员日能耗行为模拟,利用马尔可夫转移矩阵模拟人员下一时段的行为活动状态;
最后,判断迭代时间是否达到目标时间段或终止时刻,如果不是,返回其次;否则终止计算,对日内各个时段的用能情况进行累计,并输出商业办公楼宇日负荷预测结果。
所述固定负荷用能设备包括安全保障措施设备、楼宇运行保障设备和不间断用能设备。
所述人员行为相关负荷用能设备包括办公类设备、照明设备、电梯、热水机、电炊具、电动汽车。
所述办公类设备包括
①计算机
计算机分为运行、待机、关闭三种状态,其负荷与人员行为密切相关。根据人员使用习惯,商业办公楼宇内的计算机状态从使用者到达工作地点开启一直持续至下班离开后待机或者关闭。根据t时刻的楼内人数N(t),计算机功率P2,1,1(t),方程式为
②打印机
打印机分为工作和待机两种状态,工作时段的打印机功率视为固定功率,忽略待机功率;一次一张的打印需求符合泊松分布,单张纸张内容打印时间为5s,参数λ=2000次/小时。t时刻的打印机功率P2,1,2(t),方程式为
③会议设备
所述会议设备包括投影仪、话筒和音响,会议主体为单间办公室内的全体人员,按照工作时间内举行会议的概率符合泊松分布λ=0.056次/小时,会议持续时间t~N(90,400),单位是分钟,则会议设备功率分布满足复合泊松过程,且E[X(t)]=λtE[Y1],D[X(t)]=λtE[Y1 2];;t时刻的会议设备功率P2,1,3(t)的方程式为
t时刻的办公类设备功率P2,1(t)根据方程(6)求得;
P2,1(t)=P2,1,1(t)+P2,1,2(t)+P2,1,3(t)。
所述照明设备与楼内人员的光照需求为区域内有人则开启照明,直至该区域内无人时则关闭照明的原则,根据t时刻的楼内人数N(t),照明设备功率P2,2(t)的方程式为;
所述电梯功率的定义单位时间楼内电梯总功率与乘坐总人次的比值,为单人单次乘坐电梯的平均功率定义单位时间楼内电梯总运行时间与乘坐总人次的比值,为单人单次乘坐电梯的平均时长Tt;根据t时刻的人流量F(t),电梯功率P2,3(t)的方程式为
所述热水机功率设定人员单位热水需求量视为一次计数,故单位时间内人员热水需求次数服从泊松分布λ=N(t)/2;饮水机分为无热水需求时的保温状态和有热水需求时的工作状态,饮水机保温功率P2,4,1恒定,工作功率与热水需求线性相关,t时刻的热水机功率P2,4(t)的方程式为
所述电炊具包括电磁炉、微波炉和电烤箱设备,满足楼内人员一天内的早饭和午饭需求,t时刻的电炊具运行功率视为恒定值,结合电炊具运行时间,即可估算该时段的电炊具能耗。
所述电动汽车兼具负荷与储能两种特性,能够与商业办公楼宇进行能量交互(V2B),
计算车主通过充放电差价获得的收入Ccdpd,方程式为
0≤uc,i(t)+uc,i(t)≤1
其中,n是电动汽车总量;m是日调度时段总数;Δt是每个调度时段的持续时间;prc(t)和prd(t)分别是电动汽车在调度时段t的充电和放电价格;uc,i(t)和ud,i(t)分别是第i辆电动汽车在调度时段t的充电和放电状态;P2,6,i(t)是第i辆电动汽车在调度时段t的充放电功率,充电功率取正值,放电功率取负值;
其次,考虑电动汽车电池在V2B过程中的损耗,计算电池损耗成本Cbat,方程式为
其中,pi是第i辆电动汽车的日充放电循环总数;cevcc,i,j是第i辆电动汽车在第j个充放电循环中参与V2B的电池损耗成本;
最后,考虑电动汽车充电桩使用费用Ccpf,以电动汽车车主收益Cevo最大化为目标,优化电动汽车充电时段,引导电动汽车车主有序充电,方程式为
max{Cevo}=max{Ccdpd-Cbat-Ccpf}
其中,ccpf是第i辆电动汽车充电桩使用费。
所述电动汽车的电池SOC约束转化为电动汽车电池剩余容量约束,电动汽车在调度时刻t的充放电功率P2,6(t)模型,方程式为
所述商业办公楼宇日负荷预测方法具体流程是在CPU为Inter(R)Core(TM)i5-8250U,主频为1.6GHz的环境下,基于MATLAB平台构建商业办公楼宇用能设备模型和模拟商业办公楼宇人员用能行为,实现商业办公楼日负荷的精细化预测。
有益效果:与现有技术相比,本发明面向商业办公楼宇负荷,提出了基于人员行为的负荷分类方法,按照各类负荷用能设施的机理与运行特性,建立了商业办公楼宇用能设施的能耗模型,采用非侵入式负荷监测和非侵入式负荷分解思路,结合马尔可夫转移矩阵,模仿商业办公楼宇人员的用能行为,综合考虑了自然环境、能源价格和建筑属性的影响,具备独立完成负荷预测的能力,可以提供全天每一时段精细化的负荷用能信息的基于设备和行为信息的商业办公楼精细化负荷预测方法,可为制定商业办公楼宇需求响应政策和能量管理策略提供可信的和精细化的数据来源。
附图说明
图1是本发明的总体分析图;
图2是人员行为活动状态转移示意图;
图3是本发明的流程图;
图4是办公室总负荷和人数关系曲线图;
图5是暖通空调日运行功率和室内温度关系曲线图;
图6是饮水机日运行功率曲线图;
图7是饮水机耗电量和人数关系曲线图;
图8是计算机功率和人数关系曲线图;
图9是照明设备日运行功率和人数关系曲线图;
图10是打印机日运行功率和人数关系曲线图;
图11是办公室预测总负荷和实测总负荷对比曲线图;
图12是配电网特性与电动汽车充放电价差的关系曲线图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。
在本发明的各实施例中,为了便于描述而非限制本发明,本发明专利申请说明书以及权利要求书中使用的术语"连接"并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。"上"、"下"、"下方"、"左"、"右"等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
详见附图1,本发明提供了一种基于设备和行为信息的商业办公楼精细化负荷预测方法,基于人员行为的负荷分类方法,根据各类负荷用能设施的机理与运行特性,采用非侵入式负荷监测和非侵入式负荷分解,建立商业办公楼宇用能设施的能耗模型,结合马尔可夫转移矩阵,模仿商业办公楼宇人员的用能行为,综合考虑自然环境、能源价格和建筑属性等外部影响因素,包括如下步骤:
1)商业办公楼宇负荷构成
商业办公楼宇负荷是城市商业负荷的典型代表,也是近年来城市增长最快的负荷类型,根据负荷同人员行为的关系,可以将典型的商业办公楼宇负荷细分为四大类。
(1)固定负荷
固定负荷是指与人员行为无关的负荷,其负荷大小短期内几乎不发生变化。主要包括:消防、通风等安全保障措施负荷;监控、状态监测等楼宇运行保障负荷;网络设备、部分照明等不间断用能设备负荷等。
(2)人员行为相关负荷
人员行为相关负荷是指由人员行为产生的负荷,其负荷大小与人员行为密切相关,主要包括:第一、办公类负荷,主要由楼宇人员使用办公类设备产生,主要有计算机负荷、打印机负荷和投影仪、音响等会议设备负荷。第二、照明负荷,不同于固定负荷中的照明负荷,该部分照明负荷由人员开启照明设备产生,在人员离开后关闭,与人员行为相关。第三、电梯负荷,不仅与电梯使用人数需求和抵达楼层需求密切相关,同时还与电梯上下行运行状况相关。第四、热水负荷,由人员的饮用和生活热水需求产生的热负荷。第五、电炊具负荷,由商业办公楼宇人员使用电炊具产生,满足人员一天内的早饭和午饭需求。第六、电动汽车(EV)负荷,由人员在商业办公场所进行电动汽车充放电产生的负荷。
(3)空调负荷
尽管空调负荷属于人员行为相关负荷分类,但鉴于其体量大、占比高且运行规律复杂,因此单独将空调负荷列为一类研究。
(4)随机负荷
随机负荷是指由于人员加班、外来人员拜访和其它特殊事件产生的负荷,鉴于其随机性强、时间分布难以预测且占比低,因此该类负荷采用随机预测误差进行模拟得到。
上述四类负荷的能源需求可通过商业办公楼宇中的各种用能设备予以保障,各种用能设备的能源供给由商业办公楼宇通过外部电网予以满足。
2)商业办公楼宇用能设备的能耗模型
在商业办公楼宇负荷分类的基础上,综合考虑设备机理与运行特性,建立各类负荷用能设备的能耗模型。
(1)固定负荷用能设备
固定负荷用能设备包括安全保障措施设备、楼宇运行保障设备和不间断用能设备等,t时刻的固定负荷用能设备功率P1(t),如方程(1)所示。
其中,P1,1是t时刻的安全保障措施设备功率;P1,2是t时刻的楼宇运行保障设备功率;P1,3是t时刻的不间断用能设备功率。
(2)人员行为相关负荷用能设备
人员行为相关负荷用能设备包括办公类设备、照明设备、电梯、热水机、电炊具、电动汽车等,t时刻的人员行为相关负荷用能设备功率P2(t),如方程(2)所示。
其中,P2,1是t时刻的办公类设备功率;P2,2是t时刻的照明设备功率;P2,3是t时刻的电梯功率;P2,4是t时刻的热水机功率;P2,5是t时刻的电炊具功率;P2,6是t时刻的电动汽车充放电功率,即t时刻电动汽车与充电桩的功率交换,充电功率取正值,放电功率取负值。
第一、办公类设备
①计算机
计算机分为运行、待机、关闭三种状态,其负荷与人员行为密切相关。根据人员使用习惯,商业办公楼宇内的计算机状态从使用者到达工作地点开启一直持续至下班离开后待机或者关闭。根据t时刻的楼内人数N(t),计算机功率P2,1,1(t)如方程(3)所示。
②打印机
打印机分为工作和待机两种状态,工作时段的打印机功率可视为固定功率,忽略待机功率。一次一张的打印需求符合泊松分布,单张纸张内容打印时间为5s,参数λ=2000次/小时。t时刻的打印机功率P2,1,2(t)如方程(4)所示。
③会议设备
会议设备包括投影仪、话筒、音响等,会议主体为单间办公室内的全体人员。由统计数据可知,工作时间内举行会议的概率符合泊松分布λ=0.056次/小时,会议持续时间t~N(90,400),单位是分钟。则会议设备功率分布满足复合泊松过程,且E[X(t)]=λtE[Y1],D[X(t)]=λtE[Y1 2]。因此,t时刻的会议设备功率P2,1,3(t)如方程(5)所示。
t时刻的办公类设备功率P2,1(t)可根据方程(6)求得。
P2,1(t)=P2,1,1(t)+P2,1,2(t)+P2,1,3(t) (6)
第二、照明设备
照明设备与楼内人员的光照需求密切相关,区域内只要有人则开启照明,直至该区域内无人时则关闭照明。基于上述原则,根据t时刻的楼内人数N(t),照明设备功率P2,2(t)如方程(7)所示。
第三、电梯
电梯功率受到载重数量和运输距离的影响。定义单位时间楼内电梯总功率与乘坐总人次的比值,为单人单次乘坐电梯的平均功率定义单位时间楼内电梯总运行时间与乘坐总人次的比值,为单人单次乘坐电梯的平均时长Tt。根据t时刻的人流量F(t),电梯功率P2,3(t)如方程(8)所示。
第四、热水机
热水机功率与人员热水需求有关,设定人员单位热水需求量,并将人员单位热水需求事件视为一次计数,故单位时间内人员热水需求次数服从泊松分布λ=N(t)/2。其中,概率参数与楼内人数密切相关。饮水机分为无热水需求时的保温状态和有热水需求时的工作状态,饮水机保温功率P2,4,1恒定,工作功率与热水需求线性相关。因此,t时刻的热水机功率P2,4(t)如方程(9)表示。
第五、电炊具
电炊具包括电磁炉、微波炉、电烤箱等设备,通过烹饪过程满足楼内人员一天内的早饭和午饭需求。鉴于上述设备仅在特定场景下使用,且单一设备使用时间较短,因此t时刻的电炊具运行功率可视为恒定值,结合电炊具运行时间,即可估算该时段的电炊具能耗。
第六、电动汽车
电动汽车兼具负荷与储能两种特性,能够与商业办公楼宇进行能量交互(V2B),具有较大的优化利用空间。由于电动汽车的充放电功率会对商业办公楼宇的日负荷预测曲线产生影响,故有必要引导电动汽车车主有序充电。
首先,通过根据用户心理学构造的电动汽车车主分时电价反应模型,计算车主通过充放电差价获得的收入Ccdpd,如方程(10)所示。
0≤uc,i(t)+uc,i(t)≤1 (11)
其中,n是电动汽车总量;m是日调度时段总数;Δt是每个调度时段的持续时间;prc(t)和prd(t)分别是电动汽车在调度时段t的充电和放电价格;uc,i(t)和ud,i(t)分别是第i辆电动汽车在调度时段t的充电和放电状态;P2,6,i(t)是第i辆电动汽车在调度时段t的充放电功率,充电功率取正值,放电功率取负值。
其次,考虑电动汽车电池在V2B过程中的损耗,计算电池损耗成本Cbat,如方程(12)所示。
其中,pi是第i辆电动汽车的日充放电循环总数;cevcc,i,j是第i辆电动汽车在第j个充放电循环中参与V2B的电池损耗成本。
最后,考虑电动汽车充电桩使用费用Ccpf,以电动汽车车主收益Cevo最大化为目标,优化电动汽车充电时段,引导电动汽车车主有序充电,如方程(13)~(14)所示。
max{Cevo}=max{Ccdpd-Cbat-Ccpf} (13)
其中,ccpf是第i辆电动汽车充电桩使用费。
为避免电池过充或者过放,电动汽车电池荷电状态(SOC)区间取[0.2,0.9]。电动汽车车主离开商业办公楼宇时,电动汽车电池SOC应满足其行驶需求。目前,电动汽车充电桩可统计电动汽车电池容量和剩余电量,并实时上传至商业办公楼宇用能调度中心,调度中心无法直接获取电动汽车的SOC信息。因此,需要将电动汽车电池SOC约束转化为电动汽车电池剩余容量约束,如方程(15)~(17)所示。电动汽车在调度时刻t的充放电功率P2,6(t)模型,如方程(15)所示。
(3)空调设备
空调设备负责调节室内温度,其用能特性与房屋建筑模型密切有关。房屋建筑模型,由房屋结构和房屋内部用电设备组成。房屋结构包括房屋大小、外墙面积、窗户面积以及建筑材料等方面;屋内用电设备模型基本涵盖了常用用电设备。本发明采用等效热参数(ETP)模型建立房屋建筑模型,房屋建筑的等效热参数模型由热阻与热容构成,它们分别具有传输热与储蓄热的能力。综合考虑建筑内产热与散热热源的关系,建立基于ETP模型的室内热平衡方程,如方程(18)~(19)所示。
Qin-Uair(Tin-Tout)-Uwall(Tin-Twall)-CairdTin/dt=0 (18)
Qwall-Uwall(Twall-Tin)-CwalldTwall/dt=0 (19)
其中,Qin和Qwall分别是室内空气节点的热增益和墙体内表面节点的热增益,W;Uair和Uwall分别是空气节点间的热传递系数和空气与墙体间的热传递系数,W/m2·℃;Tin、Twall和Tout分别是室内空气节点温度、室内墙体节点温度和室外温度,℃;Cair和Cwall分别是空气热容量和墙体热容量,J/K。
仅考虑一台空调时,可通过联立方程(18)和方程(19)可以求解得出室内温度Tin,如方程(20)所示。
Tin=A1exp(r1t)+A2exp(r2t)+d/c (20)
其中,a=CwallCair/Uwall;b=[Cwall(Uair+Uwall)/Uwall]+Cair;c=Uair;d=Qwall+Qair+Uair*Tout;r1=[-b+(b2-4ac)0.5]/2a;r2=[-b-(b2-4ac)0.5]/2a;A1=(r2Tin,0+dTin/dt-r2d/c)/(r2-r1);A2=Tin,0-A1-d/c;Tin,0是t=0时的室内温度初始值。
考虑n台空调聚合时,空调聚合系统的室内平均温度可由方程(21)求得。
空调设备耗能包括新风设备运行功率和制热(冷)设备运行功率两个方面。其中,新风设备是利用电风扇实现空气循环,新风设备功率PHVAC,fun,如方程(22)所示。
Δpeq,HVAC=0.5v2ρ+pstatic (23)
其中,mHVAC是新风设备空气流量;Δpeq,HVAC是等效总压降;v是空气流速;ρ是空气密度;pstatic是压降;ηHVAC,fun和ηHVAC,motor分别是风扇和发动机的运行效率。
当室内温度稳定时,改变温度设定值Tset,空调制热(冷)变化量QHVAC,h如方程(25)所示。
Qin=QHVAC,h+Qsolar=ad2Tin/dt2+bdTin/dt+c(Tin-Tout)-Qwall (24)
QHVAC,h=ad2Tin/dt2+bdTin/dt+c(Tin-Tout)-Qwall-Qsolar (25)
其中,Qsolar是太阳照射热增益。
则,空调聚合系统制热(冷)消耗的电功率PHVAC,op,如方程(27)所示。
其中,CCOP是热电的能效比。
因此,空调设备功率PHVAC如方程(28)所示。
PHVAC=PHVAC,fun+PHVAC,op (28)
(4)随机负荷用能设备
随机负荷分量主要因人员休假、加班或楼内特殊事件而产生或消失的负荷,其影响因素众多,更多地是从统计学的角度去处理。因此,t时刻的随机负荷用能设备功率P4(t)可以采用随机预测误差进行模拟得到。
综上所述,t时刻的商业办公楼宇负荷用能设备功率PCOB(t),如方程(29)所示。
PCOB(t)=P1(t)+P2(t)+P2(t)+P4(t) (29)
根据方程(29),结合各构成部分的设备实际用能情况,可预测商业办公楼宇日内任意时间的负荷情况。
3)商业办公楼宇人员日能耗行为模拟
商业办公楼宇的负荷与人员活动行为密切相关,若商业办公楼宇的详细用能数据可用,可直接采集相关数据分析人员用能行为;若无详细用能数据,仅总用能数据可用,则可利用非侵入式负荷监测和非侵入式负荷分解技术进行总用能数据处理后,再分析人员用能行为。本发明采用非侵入式负荷监测和非侵入式负荷分解思路,结合马尔可夫转移矩阵,分析商业办公楼宇人员的日能耗行为。
(1)商业办公楼宇负荷分解
本发明的负荷分解过程采用非侵入式负荷监测和非侵入式负荷分解思路结合累加算法与自举重组的方式,通过功率曲线以及用能设备的额定容量,分析用能设备的启停状态,可得到如表1所示的商业办公楼宇人员的主要日常行为。
表1商业办公人员日常行为项目
行为编号 | 日常行为 | 行为编号 | 日常行为 |
1 | 上班 | 5 | 午休 |
2 | 早餐 | 6 | 喝水 |
3 | 办公 | 7 | 开会 |
4 | 午餐 | 8 | 下班 |
为避免商业办公楼宇人员用能的重复累加,各种日常行为的能源需求和可能共享的用能设备如表2所示。
表2日常行为能源需求及共享性分析
设备类型 | 需求类型 | 日常行为编号 | 共享情况 |
空调 | 持续柔性需求 | 2-7 | 共享 |
照明设备 | 正常工作需求 | 2-4,6,7 | 共享 |
电梯 | 特定情况下 | 1,3,8 | 共享 |
计算机 | 正常工作需求 | 3,7 | 非共享 |
打印机 | 特定情况下 | 3,7 | 非共享 |
会议设备 | 特定情况下 | 7 | 共享 |
饮水机 | 特定情况下 | 6 | 非共享 |
电动汽车 | 特定情况下 | 8 | 非共享 |
电炊具 | 特定情况下 | 2,4 | 共享 |
(2)商业办公楼宇人员行为模拟
由于模拟人员用能行为的方法不仅需要处理随机性,还需要具备时空相关性。马尔可夫链不仅能够在时间上描述人员行为的自相关性,还能够实现行为之间的互相关性,各种行为能够体现时间和空间的双层特性,兼顾人员的移动与用能行为,在紧密关联实际情况的条件下,科学地反映出人员用能行为的随机变换。因此,本发明采用马尔可夫转移矩阵处理人员个体的随机移动与用能过程的概率性。
商业办公楼宇人员在模拟时间内的活动均由表1的日常活动构成,模拟步长表示为{T=1,2,…,t-1,t,…},当仿真时间由t-1推进为t时,可能发生状态转移,相关状态转移矩阵如方程(30)所示。
其中,pmn(t)是人员在时段t-1处于状态Xt-1=m、在时段t处于状态Xt=n的概率,相关概率值参考负荷分解结果,服从(0,1)上均匀分布;pmm(t)是人员在时段t-1处于状态Xt-1=m、在时段t仍处于状态Xt=m的概率;k为行为状态总数,参照表2,k=8。
不同典型日的行为活动通过状态间转移概率的变化来复现。在每个时间步长中生成一个随机数x~U(0,1),并与状态间转移概率进行比较,以确定每天人员行为活动状态之间发生的转换,人员行为活动状态转换的示意过程如图2所示。
4)商业办公楼宇日负荷预测方法
本发明的基于设备和行为信息的商业办公楼精细化负荷预测方法是基于对楼内用能设备的机理特征及运行特性的建模,并充分结合外部自然环境因素、能源价格因素、建筑自身属性以及楼宇人员行为因素,分析日内任意时段的设备用能情况,进而实现商业办公楼宇的日负荷预测。图3给出基于设备和行为信息的商业办公楼精细化负荷预测的具体流程,详述如下。
首先,设置商业办公楼宇人员的初始行为活动状态;
其次,参考表1和表2,分析在此人员活动状态下产生的能源消耗行为和涉及的终端用能设备;
再次,根据步骤2确定的终端用能设备,结合商业办公楼宇该用能设备的能耗模型,计算人员活动状态下的行为耗能情况;
从次,采用马尔可夫转移矩阵模拟人员下一时段的行为活动状态;
最后,判断迭代时间是否达到目标时间段或终止时刻,如果不是,返回其次;否则终止计算并输出负荷预测结果。
4)本发明的基于设备和行为信息的商业办公楼精细化负荷预测方法将在CPU为Inter(R)Core(TM)i5-8250U,主频为1.6GHz的环境下,基于MATLAB平台构建商业办公楼宇用能设备模型和模拟商业办公楼宇人员用能行为,实现商业办公楼日负荷的精细化预测。
最佳实施例
最佳实施例以中国能源建设集团天津电力设计院有限公司办公楼中的主要组成单元(办公室)的供暖场景为例,建立商业办公楼宇架构和仿真模型,并通过用能设备和人员日能耗行为模型的搭建和求解,得到该商业办公楼宇架构下的日负荷精细化预测方法。
1)商业办公楼宇系统架构及参数确定
商业办公楼宇主要组成单元(办公室)的用能设备类型与数量如表3所示,办公室建筑参数如表4所示,能源价格如表5所示。室内初始温度设定为18℃,温控目标温度设定为23℃,并考虑1℃弹性区间。商业办公楼宇工作时段是从8:00到22:00,非工作时段是从22:00到次日8:00。
表3用电设备分类与数量
表4办公室建筑参数
表5能源价格
2)商业办公楼宇日负荷预测方法
商业办公楼宇安装的智能量测装置为本发明提供了实测基础,在商业办公楼宇日负荷预测方法部分主要通过用能设备模型与人员用能行为模拟对各类负荷用能需求进行预测与分析。在此基础上,将本发明的基于设备和行为信息的商业办公楼精细化负荷预测方法与常规趋势外推负荷预测方法进行对比,采用最大相对百分比误差(MRPE)、平均绝对百分比误差(MAPE)两项指标反映不同方法的预测精度。针对工作日的商业办公楼宇日负荷精细化预测结果分析及对比,详述如下。
办公室日预测总负荷与办公室内人数的关系曲线,如图4所示。由图4可知,在非工作时段,办公室总负荷处于较低水平,且保持稳定状态,符合本发明对固定负荷用能需求的分析。在工作时段,办公室总负荷处于较高水平,且负荷的变化趋势与室内人数变化具有一致性。
办公室负荷中暖通空调负荷占比最大,暖通空调启动和制热功率的变化造成了办公时段负荷波动较大,如图5所示。办公室内的两台空调在工作时段均处于运行状态,将室内温度维持在22~24℃之间,如图5所示。
饮水机的日负荷曲线,如图6所示。没有热水使用需求时,饮水机功率变化规律明显,间隔运行以保持水温恒定,如图6中的黑色虚线框放大图所示。有热水使用需求时,饮水机耗电量与人员热水需求密切相关,而人员热水需求与室内人数有关。因此,有热水需求时的饮水机耗电量曲线同室内人数曲线变化趋势一致,如图7所示。
图8显示了计算机功率与室内人数的关系曲线。在非工作时段,办公人员离开办公室后,若没有关闭计算机,则计算机一直处于待机状态。因此,非工作时段的计算机功率不等于零且比较平稳。在工作时段,与待机状态相比,计算机功率从早上人员抵达办公室后就处于较高水平,直至人员离开办公室后功率迅速下降,符合本发明对计算机设备的建模。
照明设备从人员进入办公室后开启,可认为以恒定功率的状态运行;当最后一名工作人员离开办公室时,照明设备关闭,如图9所示。由于打印需求较少,图10中的打印机日负荷分布规律不显著。
上述结果表明,一方面,人员行为相关负荷与室内人数关联性强,在商业办公楼宇日负荷预测模型中有必要考虑人员活动行为;另一方面,从人员行为角度对负荷分类并建立用能设备模型是可行的,验证了商业办公楼宇负荷预测方法的有效性。
办公室日预测总负荷和日实测总负荷对比情况,如图11所示。由图11可知,通过所建立的用能设备能耗模型结合人员活动行为模拟,得到的商业办公楼宇日负荷精细化预测曲线与实测曲线具有较高的重合度。进一步对预测误差进行分析如表6所示。
表6不同方法预测误差对比
由表6可知,本发明的基于设备和行为信息的商业办公楼精细化负荷预测方法不但在预测精度方面明显优于常规趋势外推方法,同时还能够分析每一时段的负荷用能需求构成,可以提供更多的和可信的负荷信息。
3)电动汽车充放电行为对商业办公楼宇日负荷曲线的影响
在商业办公楼宇日负荷预测的基础上,扩展分析电动汽车充放电行为对商业办公楼宇日负荷曲线的影响,以说明引导电动汽车车主有序充电,实现对商业办公楼宇系统状态变化需求响应的必要性。
接入商业办公楼宇的日产LEAF电动汽车有50辆,比亚迪E6电动汽车有150辆,其它参数参照表6。
表6两种典型电动汽车的参数
配电网特性与电动汽车充放电价差的关系曲线图,如图12所示。由图12可知,当电动汽车充放电价差不断扩大时,参与V2B的电动汽车车主人数也随之增加,商业办公楼宇调度能力也随之提升,能够有效地削减商业办公楼宇日负荷高峰,在图12中表现为商业办公楼宇日负荷波动率在减小。
同理,当电动汽车充放电价差不断扩大时,参与V2B的电动汽车车主平均收益也随之增加,但是电动汽车车主平均收益的斜率不断趋缓。引起该现象的原因是,当电动汽车充放电价差超过0.4以后,参与V2B的电动汽车车主人数过多,电动汽车电池放电深度变小。
综上所述,引导电动汽车车主有序充电,实现对商业办公楼宇系统状态变化的需求响应,不仅能够让电动汽车车主获得收益,还能够降低商业办公楼宇的日负荷波动。
上述参照实施例对该一种基于设备和行为信息的商业办公楼精细化负荷预测方法进行的详细描述,是说明性的而不是限定性的,可按照所限定范围列举出若干个实施例,因此在不脱离本发明总体构思下的变化和修改,应属本发明的保护范围之内。
Claims (10)
1.一种基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:基于人员行为的负荷分类方法,根据各类负荷用能设施的机理与运行特性,采用非侵入式负荷监测和非侵入式负荷分解,建立商业办公楼宇用能设施的能耗模型,结合马尔可夫转移矩阵,模仿商业办公楼宇人员的用能行为,综合考虑自然环境、能源价格和建筑属性的影响因素,具体步骤如下:
1)商业办公楼宇负荷分类
(1)固定负荷
(2)人员行为相关负荷
(3)空调负荷
(4)随机负荷
2)商业办公楼宇用能设备的能耗模型:在商业办公楼宇负荷分类的基础上,综合考虑设备机理与运行特性,建立各类负荷用能设备的能耗模型;
(1)固定负荷用能设备
t时刻的固定负荷用能设备功率P1(t),方程式为
其中,P1,1是t时刻的安全保障措施设备功率;P1,2是t时刻的楼宇运行保障设备功率;P1,3是t时刻的不间断用能设备功率;
(2)人员行为相关负荷用能设备
t时刻的人员行为相关负荷用能设备功率P2(t),方程式为
其中,P2,1是t时刻的办公类设备功率;P2,2是t时刻的照明设备功率;P2,3是t时刻的电梯功率;P2,4是t时刻的热水机功率;P2,5是t时刻的电炊具功率;P2,6是t时刻的电动汽车充放电功率,即t时刻电动汽车与充电桩的功率交换,充电功率取正值,放电功率取负值;
(3)空调设备
采用等效热参数(ETP)模型建立房屋建筑模型,房屋建筑的等效热参数模型由热阻与热容构成,综合考虑建筑内产热与散热热源的关系,建立基于ETP模型的室内热平衡方程,方程为
Qin-Uair(Tin-Tout)-Uwall(Tin-Twall)-CairdTin/dt=0
Qwall-Uwall(Twall-Tin)-CwalldTwall/dt=0
其中,Qin和Qwall分别是室内空气节点的热增益和墙体内表面节点的热增益,W;Uair和Uwall分别是空气节点间的热传递系数和空气与墙体间的热传递系数,W/m2·℃;Tin、Twall和Tout分别是室内空气节点温度、室内墙体节点温度和室外温度,℃;Cair和Cwall分别是空气热容量和墙体热容量,J/K;
考虑n台空调聚合时,空调聚合系统的室内平均温度的方程式为
仅考虑一台空调时,可通过方程式求解得出室内温度Tin,
Tin=A1exp(r1t)+A2exp(r2t)+d/c
其中,a=CwallCair/Uwall;b=[Cwall(Uair+Uwall)/Uwall]+Cair;c=Uair;d=Qwall+Qair+Uair*Tout;r1=[-b+(b2-4ac)0.5]/2a;r2=[-b-(b2-4ac)0.5]/2a;A1=(r2Tin,0+dTin/dt-r2d/c)/(r2-r1);A2=Tin,0-A1-d/c;Tin,0是t=0时的室内温度初始值。
空调设备耗能包括新风设备运行功率和制热(冷)设备运行功率两个方面,其中,新风设备是利用电风扇实现空气循环,新风设备功率PHVAC,fun,方程式为
Δpeq,HVAC=0.5v2ρ+pstatic
其中,mHVAC是新风设备空气流量;Δpeq,HVAC是等效总压降;v是空气流速;ρ是空气密度;pstatic是压降;ηHVAC,fun和ηHVAC,motor分别是风扇和发动机的运行效率;
当室内温度稳定时,改变温度设定值Tset,空调制热(冷)变化量QHVAC,h的方程式为
Qin=QHVAC,h+Qsolar=ad2Tin/dt2+bdTin/dt+c(Tin-Tout)-Qwall
QHVAC,h=ad2Tin/dt2+bdTin/dt+c(Tin-Tout)-Qwall-Qsolar
其中,Qsolar是太阳照射热增益
则,空调聚合系统制热(冷)消耗的电功率PHVAC,op,方程式为
其中,CCOP是热电的能效比。
空调设备功率PHVAC方程式为
PHVAC=PHVAC,fun+PHVAC,op;
(4)随机负荷用能设备
t时刻的随机负荷用能设备功率P4(t)采用随机预测误差进行模拟;
t时刻的商业办公楼宇负荷用能设备功率PCOB(t),方程式为
PCOB(t)=P1(t)+P2(t)+P2(t)+P4(t)
结合各构成部分的设备实际用能情况,即可预测商业办公楼宇日内任意时间的负荷情况;
3)商业办公楼宇人员日能耗行为模拟
采用非侵入式负荷监测和非侵入式负荷分解方法,结合马尔可夫转移矩阵,分析商业办公楼宇人员的日能耗行为;
(1)商业办公楼宇负荷分解
负荷分解过程采用非侵入式负荷监测和非侵入式负荷分解方法结合累加算法与自举重组的方式,通过功率曲线以及用能设备的额定容量,分析用能设备的启停状态,得出商业办公楼宇人员的主要日常行为;
(2)商业办公楼宇人员行为模拟
采用马尔可夫转移矩阵处理人员个体的随机移动与用能过程的概率性,根据商业办公楼宇人员的主要日常行为,模拟步长表示为{T=1,2,…,t-1,t,…},当仿真时间由t-1推进为t时,可能发生状态转移,相关状态转移矩阵,方程式为
其中,pmn(t)是人员在时段t-1处于状态Xt-1=m、在时段t处于状态Xt=n的概率,相关概率值参考负荷分解结果,服从(0,1)上均匀分布;pmm(t)是人员在时段t-1处于状态Xt-1=m、在时段t仍处于状态Xt=m的概率;k为行为状态总数,k=8;
4)商业办公楼宇日负荷预测方法具体流程如下:
首先,利用3)的商业办公楼宇人员日能耗行为模拟,得到商业办公楼宇人员行为链,随机抽取商业办公楼宇人员活动链中的人员行为设置为活动状态;
其次,利用3)的商业办公楼宇人员日能耗行为模拟,分析在此人员活动状态下涉及的商业办公楼宇用能设备;
再次,根据其次中涉及的商业办公楼宇用能设备,利用2)的商业办公楼宇用能设备能耗模型,计算人员活动状态下的行为用能情况;
从次,根据3)的商业办公楼宇人员日能耗行为模拟,利用马尔可夫转移矩阵模拟人员下一时段的行为活动状态;
最后,判断迭代时间是否达到目标时间段或终止时刻,如果不是,返回其次;否则终止计算,对日内各个时段的用能情况进行累计,并输出商业办公楼宇日负荷预测结果。
2.根据权利要求1所述的基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:所述固定负荷用能设备包括安全保障措施设备、楼宇运行保障设备和不间断用能设备。
3.根据权利要求1所述的基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:所述人员行为相关负荷用能设备包括办公类设备、照明设备、电梯、热水机、电炊具、电动汽车。
4.根据权利要求3所述的基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:所述办公类设备包括
①计算机
计算机分为运行、待机、关闭三种状态,其负荷与人员行为密切相关。根据人员使用习惯,商业办公楼宇内的计算机状态从使用者到达工作地点开启一直持续至下班离开后待机或者关闭。根据t时刻的楼内人数N(t),计算机功率P2,1,1(t),方程式为
②打印机
打印机分为工作和待机两种状态,工作时段的打印机功率视为固定功率,忽略待机功率;一次一张的打印需求符合泊松分布,单张纸张内容打印时间为5s,参数λ=2000次/小时。t时刻的打印机功率P2,1,2(t),方程式为
③会议设备
所述会议设备包括投影仪、话筒和音响,会议主体为单间办公室内的全体人员,按照工作时间内举行会议的概率符合泊松分布λ=0.056次/小时,会议持续时间t~N(90,400),单位是分钟,则会议设备功率分布满足复合泊松过程,且E[X(t)]=λtE[Y1],D[X(t)]=λtE[Y1 2];;t时刻的会议设备功率P2,1,3(t)的方程式为
t时刻的办公类设备功率P2,1(t)根据方程(6)求得;
P2,1(t)=P2,1,1(t)+P2,1,2(t)+P2,1,3(t)。
8.根据权利要求3所述的基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:所述电炊具包括电磁炉、微波炉和电烤箱设备,满足楼内人员一天内的早饭和午饭需求,t时刻的电炊具运行功率视为恒定值,结合电炊具运行时间,即可估算该时段的电炊具能耗。
9.根据权利要求3所述的基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:所述电动汽车兼具负荷与储能两种特性,能够与商业办公楼宇进行能量交互(V2B),
计算车主通过充放电差价获得的收入Ccdpd,方程式为
0≤uc,i(t)+uc,i(t)≤1
其中,n是电动汽车总量;m是日调度时段总数;Δt是每个调度时段的持续时间;prc(t)和prd(t)分别是电动汽车在调度时段t的充电和放电价格;uc,i(t)和ud,i(t)分别是第i辆电动汽车在调度时段t的充电和放电状态;P2,6,i(t)是第i辆电动汽车在调度时段t的充放电功率,充电功率取正值,放电功率取负值;
其次,考虑电动汽车电池在V2B过程中的损耗,计算电池损耗成本Cbat,方程式为
其中,pi是第i辆电动汽车的日充放电循环总数;cevcc,i,j是第i辆电动汽车在第j个充放电循环中参与V2B的电池损耗成本;
最后,考虑电动汽车充电桩使用费用Ccpf,以电动汽车车主收益Cevo最大化为目标,优化电动汽车充电时段,引导电动汽车车主有序充电,方程式为
max{Cevo}=max{Ccdpd-Cbat-Ccpf}
其中,ccpf是第i辆电动汽车充电桩使用费。
所述电动汽车的电池SOC约束转化为电动汽车电池剩余容量约束,电动汽车在调度时刻t的充放电功率P2,6(t)模型,方程式为
EEV(t+1)=EEV(t)+Δtηcmax{P2,6(t),0}+Δtηd -1min{P2,6(t),0}
10.根据权利要求1所述的基于设备和行为信息的商业办公楼精细化负荷预测方法,其特征是:所述商业办公楼宇日负荷预测方法具体流程是在CPU为Inter(R)Core(TM)i5-8250U,主频为1.6GHz的环境下,基于MATLAB平台构建商业办公楼宇用能设备模型和模拟商业办公楼宇人员用能行为,实现商业办公楼日负荷的精细化预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479407.7A CN113255968B (zh) | 2021-04-30 | 2021-04-30 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479407.7A CN113255968B (zh) | 2021-04-30 | 2021-04-30 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255968A true CN113255968A (zh) | 2021-08-13 |
CN113255968B CN113255968B (zh) | 2022-09-16 |
Family
ID=77223676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110479407.7A Active CN113255968B (zh) | 2021-04-30 | 2021-04-30 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255968B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113294899A (zh) * | 2021-07-27 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于非侵入式负荷辨识的中央空调需求响应能力评测方法 |
CN115236985A (zh) * | 2022-07-29 | 2022-10-25 | 安徽海行云物联科技有限公司 | 一种基于深度学习的办公楼控电系统 |
CN116187598A (zh) * | 2023-04-28 | 2023-05-30 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231001A (zh) * | 2017-07-26 | 2017-10-03 | 武汉大学 | 一种基于改进灰色预测的楼宇微网在线能量管理方法 |
CN110309972A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 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 |
CN111737857A (zh) * | 2020-05-29 | 2020-10-02 | 国网上海市电力公司 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
CN112180741A (zh) * | 2020-10-30 | 2021-01-05 | 合肥工业大学 | 一种负荷聚合商参与的综合需求响应方法及系统 |
US20210123625A1 (en) * | 2018-11-29 | 2021-04-29 | Tianjin University | Low-cost commissioning method for the air-conditioning systems in existing large public buildings |
-
2021
- 2021-04-30 CN CN202110479407.7A patent/CN113255968B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231001A (zh) * | 2017-07-26 | 2017-10-03 | 武汉大学 | 一种基于改进灰色预测的楼宇微网在线能量管理方法 |
US20210123625A1 (en) * | 2018-11-29 | 2021-04-29 | Tianjin University | Low-cost commissioning method for the air-conditioning systems in existing large public buildings |
CN110309972A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 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 |
CN111737857A (zh) * | 2020-05-29 | 2020-10-02 | 国网上海市电力公司 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
CN112180741A (zh) * | 2020-10-30 | 2021-01-05 | 合肥工业大学 | 一种负荷聚合商参与的综合需求响应方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113294899A (zh) * | 2021-07-27 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于非侵入式负荷辨识的中央空调需求响应能力评测方法 |
CN115236985A (zh) * | 2022-07-29 | 2022-10-25 | 安徽海行云物联科技有限公司 | 一种基于深度学习的办公楼控电系统 |
CN116187598A (zh) * | 2023-04-28 | 2023-05-30 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
CN116187598B (zh) * | 2023-04-28 | 2023-07-04 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117272121B (zh) * | 2023-11-21 | 2024-03-12 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113255968B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255968B (zh) | 基于设备和行为信息的商业办公楼精细化负荷预测方法 | |
Yildiz et al. | A review and analysis of regression and machine learning models on commercial building electricity load forecasting | |
CN110460040B (zh) | 一种考虑智能建筑热平衡特性的微电网运行调度方法 | |
James et al. | Optimal V2G scheduling of electric vehicles and unit commitment using chemical reaction optimization | |
Baek et al. | Resident behavior detection model for environment responsive demand response | |
CN114862252A (zh) | 可调负荷多层聚合调度潜力分析方法、系统、设备及介质 | |
CN112488372A (zh) | 多时间尺度下电采暖负荷双层优化调度方法 | |
CN115907350B (zh) | 一种建筑综合能源系统的能量管理方法及系统 | |
Zhang et al. | Data-driven cooling, heating and electrical load prediction for building integrated with electric vehicles considering occupant travel behavior | |
Joe et al. | Virtual storage capability of residential buildings for sustainable smart city via model-based predictive control | |
CN114219214A (zh) | 考虑新能源与电动汽车接入的电网综合风险评估体系 | |
Wang et al. | Modeling of regional electrical heating load characteristics considering user response behavior difference | |
CN111126498A (zh) | 一种基于分类分析的客户用电行为特征分析方法 | |
Blonsky et al. | Home energy management under realistic and uncertain conditions: A comparison of heuristic, deterministic, and stochastic control methods | |
Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
Ding et al. | Coordinated optimization of robustness and flexibility of building heating systems for demand response control considering prediction uncertainty | |
Wang et al. | Analysis of decision-making for air conditioning users based on the discrete choice model | |
CN115545429A (zh) | 基于cpss架构的多场景低压可再生资源负荷预测方法 | |
Wang et al. | Coordinated residential energy resource scheduling with human thermal comfort modelling and renewable uncertainties | |
Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
CN117132062A (zh) | 一种差异化建筑集群与微网协同优化调度方法及装置 | |
CN116579475A (zh) | 一种考虑充电随机性下电动汽车充电调度与充电站配置联合优化方法 | |
Ruano et al. | The Impact of Occupants in Thermal Comfort and Energy Efficiency in Buildings | |
CN115264775A (zh) | 一种供能系统设备配置方法、装置及供能系统 | |
Ghadi et al. | Energy savings by fuzzy base control of occupancy concentration in institutional buildings |
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 |