CN113496098A - 面向碳减排的用能管控方法、计算设备及介质 - Google Patents
面向碳减排的用能管控方法、计算设备及介质 Download PDFInfo
- Publication number
- CN113496098A CN113496098A CN202111040129.1A CN202111040129A CN113496098A CN 113496098 A CN113496098 A CN 113496098A CN 202111040129 A CN202111040129 A CN 202111040129A CN 113496098 A CN113496098 A CN 113496098A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- equipment
- time period
- prediction time
- energy supply
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 468
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 183
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000009467 reduction Effects 0.000 title claims abstract description 83
- 238000011217 control strategy Methods 0.000 claims description 197
- 238000004146 energy storage Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 25
- 238000007405 data analysis Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005059 dormancy Effects 0.000 description 2
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
Abstract
本说明书实施例提供了面向碳减排的用能管控方法、计算设备及介质,其中面向碳减排的用能管控方法包括:基于柔性耗能设备的数据信息对柔性耗能设备在下一预测时间段内的耗能量进行预测,预测的耗能量符合柔性耗能设备的实际耗能情况,基于新能源供能设备的数据信息对新能源供能设备在下一预测时间段内的供能量进行预测,预测的供能量符合新能源供能设备的实际供能情况,因此,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用碳减排模型,选择下一预测时间段内目标碳排放量最优的控制策略,在有效提高新能源利用率的同时,控制策略的选择可以保证最优的碳排放量,实现了降低整体碳排放的目的。
Description
技术领域
本说明书实施例涉及用能管控技术领域,特别涉及一种面向碳减排的用能管控方法、计算设备及介质。
背景技术
随着社会的不断发展,人类逐渐意识到经济和环境协同发展的重要性。加快发展新能源已成为推动能源转型、应对全球气候变化的重点,其中,风力发电和光伏发电已经成为发展最快、技术最成熟、商业化前景最好的清洁能源。但是,风力发电和光伏发电有功出力的随机性、间歇性、波动性的特点,造成了新能源开发中接入、调度、对电网运行的影响及消纳困难等一系列问题。
对于工业、商业、农业、居民等各类电力用户,由于柔性耗能设备的存在,基于柔性耗能设备的用能情况,如何通过合理的用能管控,有效利用新能源,降低碳排放,对碳中和目标的实现具有重要意义。
发明内容
有鉴于此,本说明书实施例提供了一种面向碳减排的用能管控方法。本说明书一个或者多个实施例同时涉及一种面向碳减排的用能管控装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种面向碳减排的用能管控方法,包括:
获取控制策略集、指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息,其中,控制策略集包括针对柔性耗能设备预先设置的控制策略;
基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测;
根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,确定出下一预测时间段内目标碳排放量最优的控制策略。
可选地,柔性耗能设备的数据信息包括属性特征或者历史耗能数据;
基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测的步骤,包括:
基于柔性耗能设备的属性特征,利用模拟耗能预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测;或者,
基于柔性耗能设备的历史耗能数据,利用数据分析预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测。
可选地,新能源供能设备的数据信息包括属性特征或者历史供能数据;
基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测的步骤,包括:
基于新能源供能设备的属性特征,利用模拟供能预测法,对新能源供能设备在下一预测时间段内的供能量进行预测;或者,
基于新能源供能设备的历史供能数据,利用数据分析预测法,对新能源供能设备在下一预测时间段内的供能量进行预测。
可选地,在根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量的步骤之前,还包括:
获取指定地域范围内的刚性耗能设备在下一预测时间段内的固定耗能量;
将柔性耗能设备在下一预测时间段内的耗能量与刚性耗能设备在下一预测时间段内的固定耗能量相加,得到在下一预测时间段内的耗能设备整体耗能量;
根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量的步骤,包括:
根据控制策略、下一预测时间段内的耗能设备整体耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量。
可选地,碳减排模型包括目标函数及约束条件;目标函数是基于碳排放量最优为目标创建的;约束条件至少包括对柔性耗能设备的耗能量约束、对新能源供能设备的供能量约束;
根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量的步骤,包括:
根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,在约束条件下,对目标函数进行求解,得到不同控制策略下的目标碳排放量。
可选地,控制策略集还包括针对指定地域范围内的储能设备预先设置的控制策略;约束条件还包括对储能设备的充放能特性约束。
可选地,在确定出下一预测时间段内目标碳排放量最优的控制策略的步骤之后,还包括:
将下一预测时间段内目标碳排放量最优的控制策略发送至客户端的管控界面进行显示;
接收客户端发送的确认控制指令,在到达下一预测时间段时,根据下一预测时间段内目标碳排放量最优的控制策略,向该控制策略指示的柔性耗能设备发送控制指令。
根据本说明书实施例的第二方面,提供了一种面向碳减排的用能管控装置,包括:
获取模块,被配置为获取控制策略集、指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息,其中,控制策略集包括针对柔性耗能设备预先设置的控制策略;
预测模块,被配置为基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测;
优化求解模块,被配置为根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,确定出下一预测时间段内目标碳排放量最优的控制策略。
可选地,柔性耗能设备的数据信息包括属性特征或者历史耗能数据;
预测模块,进一步被配置为基于柔性耗能设备的属性特征,利用模拟耗能预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测;或者,基于柔性耗能设备的历史耗能数据,利用数据分析预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测。
可选地,新能源供能设备的数据信息包括属性特征或者历史供能数据;
预测模块,进一步被配置为基于新能源供能设备的属性特征,利用模拟供能预测法,对新能源供能设备在下一预测时间段内的供能量进行预测;或者,基于新能源供能设备的历史供能数据,利用数据分析预测法,对新能源供能设备在下一预测时间段内的供能量进行预测。
可选地,该面向碳减排的用能管控装置还包括:更新模块;
更新模块,被配置为获取指定地域范围内的刚性耗能设备在下一预测时间段内的固定耗能量;将柔性耗能设备在下一预测时间段内的耗能量与刚性耗能设备在下一预测时间段内的固定耗能量相加,得到在下一预测时间段内的耗能设备整体耗能量;
优化求解模块,进一步被配置为根据控制策略、下一预测时间段内的耗能设备整体耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量。
可选地,碳减排模型包括目标函数及约束条件;目标函数是基于碳排放量最优为目标创建的;约束条件至少包括对柔性耗能设备的耗能量约束、对新能源供能设备的供能量约束;
优化求解模块,进一步被配置为根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,在约束条件下,对目标函数进行求解,得到不同控制策略下的目标碳排放量。
可选地,控制策略集还包括针对指定地域范围内的储能设备预先设置的控制策略;约束条件还包括对储能设备的充放能特性约束。
可选地,该面向碳减排的用能管控装置还包括:
推送显示模块,被配置为将下一预测时间段内目标碳排放量最优的控制策略发送至客户端的管控界面进行显示;
控制模块,被配置为接收客户端发送的确认控制指令,在到达下一预测时间段时,根据下一预测时间段内目标碳排放量最优的控制策略,向该控制策略指示的柔性耗能设备发送控制指令。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:存储器和处理器;
存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,该计算机可执行指令被处理器执行上述面向碳减排的用能管控方法。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述面向碳减排的用能管控方法。
根据本说明书实施例的第五方面,提供了一种计算机程序,其中,当计算机程序在计算机中执行时,令计算机执行上述面向碳减排的用能管控方法。
本说明书一个实施例实现了基于获取到的指定地域范围内的柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于获取到的指定地域范围内的新能源供能设备的数据信息,对新能源供能设备的供能量进行预测,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,进一步确定出下一预测时间段内的目标碳排放量最优的控制策略。基于柔性耗能设备的数据信息对柔性耗能设备在下一预测时间段内的耗能量进行预测,预测的耗能量符合柔性耗能设备的实际耗能情况,基于新能源供能设备的数据信息对新能源供能设备在下一预测时间段内的供能量进行预测,预测的供能量符合新能源供能设备的实际供能情况,因此,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用碳减排模型,选择下一预测时间段内目标碳排放量最优的控制策略,在有效提高新能源利用率的同时,控制策略的选择可以保证最优的碳排放量,控制策略作为最优的用能计划,实现了降低整体碳排放的目的。
附图说明
图1是本说明书一个实施例提供的一种面向碳减排的用能管控方法的流程图;
图2是本说明书一个实施例提供的另一种面向碳减排的用能管控方法的流程图;
图3是本说明书一个实施例提供的又一种面向碳减排的用能管控方法的流程图;
图4是本说明书一个实施例提供的再一种面向碳减排的用能管控方法的流程图;
图5是本说明书一个实施例提供的一种面向碳减排的用能管控装置的结构示意图;
图6是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
碳减排:减少二氧化碳的排放量。
用能管控:对用户的能源使用情况进行统筹管理、控制,以达到合理使用能源的目的。
新能源:又称非常规能源,是指传统能源之外的各种能源形式,具体是指刚开始开发利用或正在积极研究、有待推广的能源,如太阳能、地热能、风能、海洋能、生物质能和核聚变能等。
刚性耗能设备:耗能量固定的耗能设备。
柔性耗能设备:随着智能电网的建设和需求侧管控的实施,耗能设备的耗能量逐步呈现出一定的弹性,用户在使用耗能设备时,有许多耗能设备是可削减、可转移可平移,具有这种可削减或可转移的特性的耗能设备即称为柔性耗能设备。
最优化:最优化理论是关于系统的最优设计、最优控制、最优管理问题的理论与方法。最优化,就是在一定的约束条件下,使设备具有所期待的最优功能的过程。是从众多可能的选择中做出最优选择,使设定的目标函数在约束条件下达到最大或最小。其理论和方法越来越多,如线性规划、非线性规划、动态规划、排队论、对策论、决策论、博弈论等。
在本说明书中,提供了一种面向碳减排的用能管控方法,本说明书同时涉及一种面向碳减排的用能管控装置,一种计算设备,一种计算机可读存储介质,以及一种计算机程序,在下面的实施例中逐一进行详细说明。
本说明书实施例所提供的面向碳减排的用能管控方法的执行主体可以为用于进行用能管控的控制设备、服务器等。本说明书实施例所提供的面向碳减排的用能管控方法可以被设置于执行主体中的软件、硬件电路、逻辑电路中的至少一种执行实现。
图1示出了根据本说明书一个实施例提供的一种面向碳减排的用能管控方法的流程图,具体包括以下步骤。
步骤102:获取控制策略集、指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息,其中,控制策略集包括针对柔性耗能设备预先设置的控制策略。
本说明书中,指定地域范围具体指的是特定的楼宇、小型园区、工厂、大型园区、住房等由特定主体或人员监控管理的管辖区域,这里所提及的特定主体或人员可以是物业、企业主管部门、管委会、监管机构、业主等,本说明书中执行用能管控的管控方就是上述特定主体或人员使用的计算设备,具体通过操作计算设备上的客户端进行管控。
指定地域范围内设置有柔性耗能设备,例如某一特定楼宇(例如写字楼)中每间房间都安装有空调、照明设备、个人计算机等,由于这些耗能设备是根据用户的实际需求开启或关闭的,并不是一直处于开启状态,且开启时机也不固定,这些耗能设备即称为柔性耗能设备;柔性耗能设备在使用过程中会产生一定的数据信息,这些数据信息可以是柔性耗能设备的历史耗能数据(例如开启、关闭时间,历史耗能量等),还可以是柔性耗能设备的属性特征(例如额定功率、安装环境等)。随着新能源的普及,很多指定地域范围内设置有新能源供能设备,新能源供能设备能够利用新能源供能,新能源供能设备在供能过程中也会产生一定的数据信息,这些数据信息可以是新能源供能设备的历史供能数据(例如新能源设备开启、关闭时间,历史供能量等),还可以是新能源供能设备的属性特征(例如额定供能量、新能源类型等)。一般情况下,指定地域范围内有多个柔性耗能设备和多个新能源供能设备,因此,获取的数据信息是指定地域范围内各柔性耗能设备的数据信息和各新能源供能设备的数据信息,当然,本说明书中对指定地域范围内柔性耗能设备和新能源供能设备的数量不做限定,也可以仅包括一个柔性耗能设备和一个新能源供能设备。
控制策略是指控制柔性耗能设备运行所采用的策略,一般根据用户的实际需求设置,例如设定柔性耗能设备的启停时间、生产工作时长、使用强度(如空调的设定温度)等,针对不同的柔性耗能设备,所设置的控制策略一般是不同的,可以将针对不同柔性耗能设备预先设置的控制策略收集到一个控制策略集中,将控制策略集作为后续控制策略选择的搜索空间。控制策略是预先设置好的,以控制策略集的方式存储,在需要进行用能管控时,从存储中获取控制策略集。指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息可以是在有用能管控需求时,由用户从交互界面输入,当然也可以从固定的存储位置处获取。本说明书对于获取上述控制策略集和数据信息的方式不做具体限定。
步骤104,基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测。
本说明书中,柔性耗能设备的数据信息表征了柔性耗能设备的耗能趋势或者耗能特性,新能源供能设备的数据信息表征了新能源供能设备的供能趋势或者供能特性,因此,在获取到指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息后,基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测。预测的耗能量可以是柔性耗能设备在下一预测时间段内的总耗能量,也可以是柔性耗能设备在下一预测时间段内各个时刻的耗能量,由获取的各个时刻的耗能量可以得到柔性耗能设备在下一预测时间段内的耗能曲线,该耗能曲线体现一个柔性耗能设备在下一预测时间段内的耗能变化情况。同理,预测的供能量可以是新能源供能设备在下一预测时间段内的总供能量,也可以是新能源供能设备在下一预测时间段内各个时刻的供能量,由获取的各个时刻的供能量可以得到新能源供能设备在下一预测时间段内的供能曲线,该供能曲线体现一个新能源供能设备在下一预测时间段内的供能变化情况。
柔性耗能设备的数据信息、新能源供能设备的数据信息中均可以包括时间属性,时间属性表征了数据信息产生的时间,数据信息的时间属性体现着数据信息随着时间的变化。因此,在对柔性耗能设备在下一预测时间段内的耗能量、新能源供能设备在下一预测时间段内的供能量进行预测时,具体可基于柔性耗能设备的数据信息及该数据信息的时间属性,预测出柔性耗能设备在下一预测时间段内的耗能量、基于新能源供能设备的数据信息及该数据信息的时间属性,预测出新能源供能设备在所述下一预测时间段内的供能量。例如,某一柔性耗能设备的耗能量在过去五天内呈等差增长,则可以根据这个增长趋势,确定出下一天(即下一个预测时间段)该柔性耗能设备的耗能量;同理,新能源供能设备的供能量在过去一周内呈等比增长,则可以根据这个增长趋势,确定出下一天(即下一个预测时间段)该新能源供能设备的供能量。
在本说明书实施例的一种实现方式中,柔性耗能设备的数据信息包括属性特征或者历史耗能数据。相应地,步骤104中基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测的步骤,具体可以通过如下方式实现:
基于柔性耗能设备的属性特征,利用模拟耗能预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测;或者,
基于柔性耗能设备的历史耗能数据,利用数据分析预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测。
在对柔性耗能设备在下一预测时间段内的耗能量进行预测时,主要采用的预测方法有两大类:一类是定性预测,也称为直观性预测或者模拟耗能预测,也就是根据柔性耗能设备的一些属性特征(例如空调的额定功率,电动设备的充电量、额定功率等)构建出柔性耗能设备的虚拟模型(该虚拟模型可以为数学模型或者3D模型),然后在计算机模拟环境中基于构建的虚拟模型进行预测;另一类是定量预测,也称为统计预测或者数据分析预测,也就是采用数学、概率论和数理统计的方法对历史耗能数据(例如启停时间、工作时长、历史耗能量等)进行统计分析,进而得到柔性耗能设备在下一预测时间段内的耗能量。
综上,柔性耗能设备的数据信息可以分为属性特征、历史耗能数据两类,属性特征又可以分为内部属性特征和外部属性特征。如果获取到的是柔性耗能设备的属性特征,则可以基于柔性耗能设备的属性特征,利用模拟耗能预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,具体地,可以基于柔性耗能设备的属性特征,创建出柔性耗能设备的虚拟模型,然后将虚拟模型放到计算机模拟环境中,即可得到柔性耗能设备在下一预测时间段内的耗能量。如果获取到的是柔性耗能设备的历史耗能数据,则可以基于柔性耗能设备的历史耗能数据,利用数据分析预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,其中,数据分析预测法包括回归分析预测法、时间序列预测法、神经网络预测法等,在利用数据分析预测法进行预测时,也可以基于历史耗能数据和外部属性特征进行预测。以神经网络预测法为例,首先基于样本耗能数据、外部属性特征训练出一个基于神经网络的预测模型,该预测模型具有输入耗能数据直接可输出下一预测时间段内的耗能量的功能,这样,将获取的柔性耗能设备的历史耗能数据输入到预先训练好的预测模型中,即可得到柔性耗能设备在下一预测时间段内的耗能量。
通过本实施例,针对柔性耗能设备不同类型的数据信息,采用相应的预测方法进行下一预测时间段内的耗能量预测,保证了耗能量预测结果的准确性。
在本说明书实施例的一种实现方式中,新能源供能设备的数据信息包括属性特征或者历史供能数据。相应地,步骤104中基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测的步骤,具体可以通过如下方式实现:
基于新能源供能设备的属性特征,利用模拟供能预测法,对新能源供能设备在下一预测时间段内的供能量进行预测;或者,
基于新能源供能设备的历史供能数据,利用数据分析预测法,对新能源供能设备在下一预测时间段内的供能量进行预测。
在对新能源供能设备的供能量进行预测时,主要采用的预测方法也可以分为两大类:一类是定性预测,也称为直观性预测或者模拟供能预测,也就是根据新能源供能设备的一些属性特征(例如新能源的额定供能功率、最大供能功率等),采用物理分析构建出新能源供能设备的虚拟模型,然后在计算机模拟环境中基于虚拟模型进行预测;另一类是定量预测,也称为统计预测或者数据分析预测,也就是采用数学、概率论和数理统计的方法对历史供能数据(例如启停时间、工作时长、历史供能量等)进行统计分析,进而得到新能源供能设备在下一预测时间段内的供能量。
综上,新能源供能设备的数据信息可以分为属性特征、历史供能数据两类。如果获取到的是新能源供能设备的属性特征,则可以基于新能源供能设备的属性特征,利用模拟供能预测法,采用物理分析对新能源功能设备在下一预测时间段内的供能量进行预测,具体地,可以基于新能源供能设备的属性特征,创建出新能源供能设备的虚拟模型,然后将虚拟模型放到计算机模拟环境中,即可得到新能源功能设备在下一预测时间段内的供能量。如果获取到的是新能源供能设备的历史供能数据,则可以基于新能源供能设备的历史供能数据,利用数据分析预测法,对新能源供能设备在下一预测时间段内的供能量进行预测,其中,数据分析预测法包括统计学方法、多元线性回归方法、马尔科夫链预测法、神经网络预测法、支持向量机、组合预测法、间接预测法等。以神经网络预测法为例,首先基于样本供能数据训练出一个基于神经网络的预测模型,该预测模型具有输入供能数据直接可输出下一预测时间段内的供能量的功能,这样,将获取的新能源供能设备的历史供能数据输入到预先训练好的预测模型中,即可得到新能源供能设备在下一预测时间段内的供能量。
通过本实施例,针对新能源供能设备不同类型的数据信息,采用相应的预测方法进行下一预测时间段内的供能量预测,保证了供能量预测结果的准确性。
步骤106,根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,确定出下一预测时间段内目标碳排放量最优的控制策略。
本说明书中,碳减排模型是基于对指定地域范围内的柔性耗能设备和新能源供能设备的使用情况预先建立的,该碳减排模型以碳减排(即碳排放量最优)为目标。将控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量作为输入,利用预先建立的碳减排模型进行求解,得到不同控制策略下的目标碳排放量,该碳减排模型为优化模型,优化目标是碳排放量最优,则具体的求解过程,就是利用上述碳减排模型进行最优化求解,求解出不同控制策略下的目标碳排放量,然后确定出下一预测时间段内目标碳排放量最优的控制策略。
在本说明书实施例的一种实现方式中,碳减排模型包括目标函数及约束条件;目标函数是基于碳排放量最优为目标创建的;约束条件至少包括对柔性耗能设备的耗能量约束、对新能源供能设备的供能量约束。相应地,步骤106具体可以通过如下方式实现:
根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,在约束条件下,对目标函数进行求解,得到不同控制策略下的目标碳排放量。
在本实施例中,碳减排模型是基于对指定地域范围内的柔性耗能设备和新能源供能设备的使用情况预先建立的,该碳减排模型以碳排放量最优为目标。将控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量作为输入,利用预先建立的碳减排模型进行最优化求解。碳减排模型包括目标函数及约束条件,目标函数是基于碳排放量最优为目标创建的,具体地,目标函数具体可以如公式(1)所示。
约束条件至少包括对柔性耗能设备的耗能量约束、对新能源供能设备的供能量约束。其中,对柔性耗能设备的耗能量约束也称为耗能约束,对新能源供能设备的供能量约束也称为供能约束。
柔性耗能设备的耗能量可以表示为公式(2)所示。
耗能约束具体可以包括可削减耗能约束、可转移耗能约束和可平移耗能约束。
可削减耗能约束如公式(3)所示。
可转移耗能约束如公式(4)所示。
其中,为t时刻第k种可转移柔性耗能设备的耗能量的变化量,若为正,表示柔性耗能设备转移到t时刻,若为负,表示柔性耗能设备从t时刻转出;第一个等式表示周期内可转移柔性耗能设备的总耗能量保持不变;第二个不等式为可转移柔性耗能设备的耗能量的上下限约束;为常量;为存在可转移柔性耗能设备的区间。
每个时刻可平移的柔性耗能设备的耗能量为:
因为可平移柔性耗能设备仅能平移到目标区间的某个连续时间段,所以平移状态变量还需满足约束:
供能约束是指新能源设备的供能量做出的约束,以光伏供能约束为例,相应的供能约束如公式(8)所示。
通过设置耗能约束和供能约束,在这些约束下,对上述优化问题进行求解,求解的结果更符合实际情形,得到的优化结果准确度高。
在本说明书实施例的一种实现方式中,控制策略集还包括针对指定地域范围内的储能设备预先设置的控制策略;约束条件还包括对储能设备的充放能特性约束。
在实际应用中,指定地域范围内还可能设置有储能设备,储能设备指具有能量存储功能的设备,例如蓄电池,针对储能设备也预先设置有控制策略,一般情况下,在柔性耗能设备工作时,储能设备休眠,在柔性耗能设备休眠时,储能设备开始储能,在新能源供能设备的供电不足时,储能设备开始释放能源。针对储能设备的控制策略一般也是根据用户的实际需求设置的,例如设定储能设备的启停时间、休眠时间等,针对不同的储能设备,所设置的控制策略一般是不同的,可以将针对不同储能设备预先设置的控制策略收集到控制策略集中。另外,各储能设备具有各自的属性信息,例如储能设备的额定容量、最大容量、充能率、放能率等。
在进行优化求解时,将柔性耗能设备的控制策略、储能设备的控制策略、柔性耗能设备在下一预测时间段内的耗能量、新能源供能设备在下一预测时间段内的供能量、以及各储能设备的属性信息作为输入,利用预先建立的碳减排模型进行最优化求解。相应地,约束条件还可以包括对储能设备的充放能特性约束。
本实施例中,考虑储电、储热、储气三种储能设备,从能量转换的角度,三种储能设备可用统一的模型表示。储能设备存储的能量与充放能功率和充放能效率之间的关系如公式(9)所示:
储能设备满足的约束条件包括:
其中,Emax和Emin分别为储能设备储存能量的上限和下限;和分别为充能和放能状态0-1变量,表示充能,反之则不充能,表示放能,反之则不放能;第四个不等式表示t时刻,储能设备充能或放能只能进行其中一种;第五个不等式表示储能设备初始时刻的能量等于周期末的能量。
通过设置上述约束,在这些约束下,对上述优化问题进行求解,求解的结果更加符合实际情形,进一步提高了优化结果的准确度。
具体在进行优化求解时,可以采用粒子群算法、非劣解排序遗传算法、或者求解器(如mindopt、gurobi等)来进行求解,具体的求解过程为本领域技术人员常规采用的方式,这里不再一一赘述。
应用本说明书实施例,基于获取到的指定地域范围内的柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于获取到的指定地域范围内的新能源供能设备的数据信息,对新能源供能设备的供能量进行预测,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,进一步确定出下一预测时间段内的目标碳排放量最优的控制策略。基于柔性耗能设备的数据信息对柔性耗能设备在下一预测时间段内的耗能量进行预测,预测的耗能量符合柔性耗能设备的实际耗能情况,基于新能源供能设备的数据信息对新能源供能设备在下一预测时间段内的供能量进行预测,预测的供能量符合新能源供能设备的实际供能情况,因此,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用碳减排模型,选择下一预测时间段内目标碳排放量最优的控制策略,在有效提高新能源利用率的同时,控制策略的选择可以保证最优的碳排放量,控制策略作为最优的用能计划,实现了降低整体碳排放的目的。
基于图1所示实施例,图2示出了根据本说明书一个实施例提供的另一种面向碳减排的用能管控方法的流程图,具体包括以下步骤。
步骤202:获取控制策略集,指定地域范围内的柔性耗能设备的数据信息、新能源供能设备的数据信息和刚性耗能设备在下一预测时间段内的固定耗能量,其中,控制策略集包括针对柔性耗能设备预先设置的控制策略。
除了获取图1所示实施例中提及的控制策略集、指定地域范围内的柔性耗能设备的数据信息、新能源供能设备的数据信息以外,还可以获取指定地域范围内的刚性耗能设备在下一预测时间段内的固定耗能量,比如电梯、公共照明等设备,其开关的时间固定,耗能量也是固定的,其应该考虑进整体的耗能量中。
步骤204,基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测。
步骤206,将柔性耗能设备在下一预测时间段内的耗能量与刚性耗能设备在下一预测时间段内的固定耗能量相加,得到在下一预测时间段内的耗能设备整体耗能量。
在预测出柔性耗能设备在下一预测时间段内的耗能量后,在此基础上,把刚性耗能设备在下一预测时间段内的固定耗能量增加进来,得到下一预测时间段内的耗能设备整体耗能量,耗能设备整体耗能量更符合实际情况,包括了柔性耗能设备和刚性耗能设备的用能情况,保证后续的控制策略确定更为准确。
步骤208,根据控制策略、下一预测时间段内的耗能设备整体耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量。
其中,关于步骤202、204和208,与图1所示实施例中的步骤102、104和106相同或相似,具体可参见图1所示实施例,这里不再赘述。
应用本说明书实施例,基于获取到的指定地域范围内的柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于获取到的指定地域范围内的新能源供能设备的数据信息,对新能源供能设备的供能量进行预测,在预测出柔性耗能设备在下一预测时间段内的耗能量后,在此基础上,把刚性耗能设备在下一预测时间段内的固定耗能量增加进来,得到下一预测时间段内的耗能设备整体耗能量,耗能设备整体耗能量更符合实际情况,包括了柔性耗能设备和刚性耗能设备的用能情况,保证后续的控制策略确定更为准确,则根据控制策略、下一预测时间段内的耗能设备整体耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,进一步确定出下一预测时间段内的目标碳排放量最优的控制策略。在有效提高新能源利用率的同时,控制策略的选择可以保证最优的碳排放量,控制策略作为最优的用能计划,实现了降低整体碳排放的目的。
基于图1所示实施例,图3示出了根据本说明书一个实施例提供的又一种面向碳减排的用能管控方法的流程图,具体包括以下步骤。
步骤302,获取控制策略集、指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息,其中,控制策略集包括针对柔性耗能设备预先设置的控制策略。
步骤304,基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测。
步骤306,根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,确定出下一预测时间段内目标碳排放量最优的控制策略。
其中,关于步骤302、304和306,与图1所示实施例中的步骤102、104和106相同或相似,具体可参见图1所示实施例,这里不再赘述。
步骤308,将下一预测时间段内目标碳排放量最优的控制策略发送至客户端的管控界面进行显示。
步骤310,接收客户端发送的确认控制指令,在到达下一预测时间段时,根据下一预测时间段内目标碳排放量最优的控制策略,向该控制策略指示的柔性耗能设备发送控制指令。
本实施例中,在确定出下一预测时间段内目标碳排放量最优的控制策略之后,可以控制策略进行针对性推荐,也就是将下一预测时间段内目标碳排放量最优的控制策略发送至客户端的管控界面进行显示,能够使得主管人员能够在客户端的管控界面上,直观地看到下一预测时间段内目标碳排放量最优的控制策略,达到控制策略精准推荐的目的。
在本说明书实施例中,控制策略可以经过机器学习的方式不断更新,使得在实际应用时,所确定的控制策略更为符合实际情况、更准确。
另外,管控界面提供有交互功能,主管人员可以在管控界面上选择是否确认执行控制策略,主管人员在管控界面上点击确认执行,则客户端会发起一个确认控制指令,在接收到客户端发送的确认控制指令后,可以向该控制策略指示的柔性耗能设备发送控制指令,具体地,可以向需要开启的柔性耗能设备发送开启指令、向需要关闭的柔性耗能设备发送关闭指令。本实施例增加了交互功能,主管人员可以直接在客户端进行简单操作,即可实现对柔性耗能设备的管理。
应用本说明书实施例,基于获取到的指定地域范围内的柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于获取到的指定地域范围内的新能源供能设备的数据信息,对新能源供能设备的供能量进行预测,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,进一步确定出下一预测时间段内的目标碳排放量最优的控制策略。基于柔性耗能设备的数据信息对柔性耗能设备在下一预测时间段内的耗能量进行预测,预测的耗能量符合柔性耗能设备的实际耗能情况,基于新能源供能设备的数据信息对新能源供能设备在下一预测时间段内的供能量进行预测,预测的供能量符合新能源供能设备的实际供能情况,因此,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用碳减排模型,选择下一预测时间段内目标碳排放量最优的控制策略,在有效提高新能源利用率的同时,控制策略的选择可以保证最优的碳排放量,控制策略作为最优的用能计划,实现了降低整体碳排放的目的。并且,在确定出下一预测时间段内目标碳排放量最优的控制策略之后,将下一预测时间段内目标碳排放量最优的控制策略发送至客户端的管控界面进行显示,能够使得主管人员能够在客户端的管控界面上,直观地看到下一预测时间段内目标碳排放量最优的控制策略,达到控制策略精准推荐的目的。另外,管控界面提供有交互功能,主管人员可以在管控界面上选择是否确认执行控制策略,主管人员在管控界面上点击确认执行,则客户端会发起一个确认控制指令,在接收到客户端发送的确认控制指令后,可以向该控制策略指示的柔性耗能设备发送控制指令,主管人员可以直接在客户端进行简单操作,即可实现对柔性耗能设备的管理。
基于上述实施例,综合来讲,图4示出了根据本说明书一个实施例提供的再一种面向碳减排的用能管控方法的流程图,具体包括如下步骤。
S2,配置柔性耗能设备和储能设备控制策略集。在本实施例中,控制策略集中的控制策略是人工根据实际需求配置的。
S4,预测不同控制策略下柔性耗能设备在下一预测时间段内的耗能量。这具体的预测方式见图1所示实施例,这里不再赘述。
S6,获取刚性耗能设备在下一预测时间段内的固定耗能量。在本实施例中,固定耗能量可以是人工配置输入的。
S8,计算下一预测时间段内的耗能设备整体耗能量。耗能设备整体耗能量是将柔性耗能设备在下一预测时间段内的耗能量与刚性耗能设备在下一预测时间段内的固定耗能量相加得到。
S10,预测新能源供能设备在下一预测时间段内的供能量。具体的预测方式见图1所示实施例,这里不再赘述。
S12,结合储能设备,计算不同控制策略下的目标碳排放量。也就是说,根据柔性耗能设备的控制策略、储能设备的控制策略、下一预测时间段内的耗能设备整体耗能量、新能源供能设备在下一预测时间段内的供能量及储能设备的属性信息,利用预先建立的碳减排模型求解出不同控制策略组合下的目标碳排放量,其中,控制策略组合包括对柔性耗能设备的控制策略和对储能设备的控制策略。
S14,确定下一预测时间段内所述目标碳排放量最小的控制策略。
与上述方法实施例相对应,本说明书还提供了面向碳减排的用能管控装置实施例,图5示出了本说明书一个实施例提供的一种面向碳减排的用能管控装置的结构示意图。如图5所示,该装置包括:
获取模块520,被配置为获取控制策略集、指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息,其中,控制策略集包括针对柔性耗能设备预先设置的控制策略;
预测模块540,被配置为基于柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于新能源供能设备的数据信息,对新能源供能设备在下一预测时间段内的供能量进行预测;
优化求解模块560,被配置为根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,确定出下一预测时间段内目标碳排放量最优的控制策略。
应用本说明书实施例,基于获取到的指定地域范围内的柔性耗能设备的数据信息,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于获取到的指定地域范围内的新能源供能设备的数据信息,对新能源供能设备的供能量进行预测,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,进一步确定出下一预测时间段内的目标碳排放量最优的控制策略。基于柔性耗能设备的数据信息对柔性耗能设备在下一预测时间段内的耗能量进行预测,预测的耗能量符合柔性耗能设备的实际耗能情况,基于新能源供能设备的数据信息对新能源供能设备在下一预测时间段内的供能量进行预测,预测的供能量符合新能源供能设备的实际供能情况,因此,根据针对指定地域范围内的柔性耗能设备的控制策略和预测得到的耗能量、供能量,利用碳减排模型,选择下一预测时间段内目标碳排放量最优的控制策略,在有效提高新能源利用率的同时,控制策略的选择可以保证最优的碳排放量,控制策略作为最优的用能计划,实现了降低整体碳排放的目的。
可选地,柔性耗能设备的数据信息包括属性特征或者历史耗能数据;
预测模块540,进一步可以被配置为基于柔性耗能设备的属性特征,利用模拟耗能预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测;或者,基于柔性耗能设备的历史耗能数据,利用数据分析预测法,对不同控制策略下,柔性耗能设备在下一预测时间段内的耗能量进行预测。
可选地,新能源供能设备的数据信息包括属性特征或者历史供能数据;
预测模块540,进一步可以被配置为基于新能源供能设备的属性特征,利用模拟供能预测法,对新能源供能设备在下一预测时间段内的供能量进行预测;或者,基于新能源供能设备的历史供能数据,利用数据分析预测法,对新能源供能设备在下一预测时间段内的供能量进行预测。
可选地,该面向碳减排的用能管控装置还包括:更新模块;
更新模块,被配置为获取指定地域范围内的刚性耗能设备在下一预测时间段内的固定耗能量;将柔性耗能设备在下一预测时间段内的耗能量与刚性耗能设备在下一预测时间段内的固定耗能量相加,得到在下一预测时间段内的耗能设备整体耗能量;
优化求解模块560,进一步可以被配置为根据控制策略、下一预测时间段内的耗能设备整体耗能量、以及新能源供能设备在下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量。
可选地,碳减排模型包括目标函数及约束条件;目标函数是基于碳排放量最优为目标创建的;约束条件至少包括对柔性耗能设备的耗能量约束、对新能源供能设备的供能量约束;
优化求解模块560,进一步可以被配置为根据控制策略、柔性耗能设备在下一预测时间段内的耗能量、以及新能源供能设备在下一预测时间段内的供能量,在约束条件下,对目标函数进行求解,得到不同控制策略下的目标碳排放量。
可选地,控制策略集还包括针对指定地域范围内的储能设备预先设置的控制策略;约束条件还包括对储能设备的充放能特性约束。
可选地,该面向碳减排的用能管控装置还包括:
推送显示模块,被配置为将下一预测时间段内目标碳排放量最优的控制策略发送至客户端的管控界面进行显示;
控制模块,被配置为接收客户端发送的确认控制指令,在到达下一预测时间段时,根据下一预测时间段内目标碳排放量最优的控制策略,向该控制策略指示的柔性耗能设备发送控制指令。
上述为本实施例的一种面向碳减排的用能管控装置的示意性方案。需要说明的是,该面向碳减排的用能管控装置的技术方案与上述面向碳减排的用能管控方法的技术方案属于同一构思,面向碳减排的用能管控装置的技术方案未详细描述的细节内容,均可以参见上述面向碳减排的用能管控方法的技术方案的描述。
图6示出了根据本说明书一个实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接,数据库650用于保存数据。
计算设备600还包括接入设备640,接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC,NetworkInterface Card))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,Wireless LocalArea Networks)无线接口、全球微波互联接入(Wi-MAX,World Interoperability forMicrowave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near Field Communication)接口,等等。
在本说明书的一个实施例中,计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图6所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备600可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。
其中,处理器620用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述面向碳减排的用能管控方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述面向碳减排的用能管控方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述面向碳减排的用能管控方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述面向碳减排的用能管控方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述面向碳减排的用能管控方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述面向碳减排的用能管控方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述面向碳减排的用能管控方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述面向碳减排的用能管控方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述面向碳减排的用能管控方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种面向碳减排的用能管控方法,包括:
获取控制策略集、指定地域范围内的柔性耗能设备的数据信息和新能源供能设备的数据信息,所述控制策略集包括针对所述柔性耗能设备预先设置的控制策略;
基于所述柔性耗能设备的数据信息,对不同控制策略下,所述柔性耗能设备在下一预测时间段内的耗能量进行预测,并基于所述新能源供能设备的数据信息,对所述新能源供能设备在所述下一预测时间段内的供能量进行预测;
根据所述控制策略、所述柔性耗能设备在下一预测时间段内的耗能量、以及所述新能源供能设备在所述下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量,确定出所述下一预测时间段内所述目标碳排放量最优的控制策略。
2.根据权利要求1所述的方法,所述柔性耗能设备的数据信息包括属性特征或者历史耗能数据;
所述基于所述柔性耗能设备的数据信息,对不同控制策略下,所述柔性耗能设备在下一预测时间段内的耗能量进行预测的步骤,包括:
基于所述柔性耗能设备的属性特征,利用模拟耗能预测法,对不同控制策略下,所述柔性耗能设备在下一预测时间段内的耗能量进行预测;或者,
基于所述柔性耗能设备的历史耗能数据,利用数据分析预测法,对不同控制策略下,所述柔性耗能设备在所述下一预测时间段内的耗能量进行预测。
3.根据权利要求1所述的方法,所述新能源供能设备的数据信息包括属性特征或者历史供能数据;
所述基于所述新能源供能设备的数据信息,对所述新能源供能设备在所述下一预测时间段内的供能量进行预测的步骤,包括:
基于所述新能源供能设备的属性特征,利用模拟供能预测法,对所述新能源供能设备在下一预测时间段内的供能量进行预测;或者,
基于所述新能源供能设备的历史供能数据,利用数据分析预测法,对所述新能源供能设备在所述下一预测时间段内的供能量进行预测。
4.根据权利要求1所述的方法,在所述根据所述控制策略、所述柔性耗能设备在下一预测时间段内的耗能量、以及所述新能源供能设备在所述下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量的步骤之前,还包括:
获取所述指定地域范围内的刚性耗能设备在所述下一预测时间段内的固定耗能量;
将所述柔性耗能设备在下一预测时间段内的耗能量与所述刚性耗能设备在所述下一预测时间段内的固定耗能量相加,得到在所述下一预测时间段内的耗能设备整体耗能量;
所述根据所述控制策略、所述柔性耗能设备在下一预测时间段内的耗能量、以及所述新能源供能设备在所述下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量的步骤,包括:
根据所述控制策略、所述下一预测时间段内的耗能设备整体耗能量、以及所述新能源供能设备在所述下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量。
5.根据权利要求1-4任一项所述的方法,所述碳减排模型包括目标函数及约束条件;所述目标函数是基于碳排放量最优为目标创建的;所述约束条件至少包括对所述柔性耗能设备的耗能量约束、对所述新能源供能设备的供能量约束;
所述根据所述控制策略、所述柔性耗能设备在下一预测时间段内的耗能量、以及所述新能源供能设备在所述下一预测时间段内的供能量,利用预先建立的碳减排模型求解出不同控制策略下的目标碳排放量的步骤,包括:
根据所述控制策略、所述柔性耗能设备在下一预测时间段内的耗能量、以及所述新能源供能设备在所述下一预测时间段内的供能量,在所述约束条件下,对所述目标函数进行求解,得到不同控制策略下的目标碳排放量。
6.根据权利要求5所述的方法,所述控制策略集还包括针对所述指定地域范围内的储能设备预先设置的控制策略;所述约束条件还包括对所述储能设备的充放能特性约束。
7.根据权利要求1所述的方法,在所述确定出所述下一预测时间段内所述目标碳排放量最优的控制策略的步骤之后,还包括:
将所述下一预测时间段内所述目标碳排放量最优的控制策略发送至客户端的管控界面进行显示;
接收所述客户端发送的确认控制指令,在到达所述下一预测时间段时,根据所述下一预测时间段内所述目标碳排放量最优的控制策略,向该控制策略指示的柔性耗能设备发送控制指令。
8.一种计算设备,包括:存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述面向碳减排的用能管控方法。
9.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述面向碳减排的用能管控方法。
10.一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行权利要求1至7任一项所述面向碳减排的用能管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040129.1A CN113496098A (zh) | 2021-09-06 | 2021-09-06 | 面向碳减排的用能管控方法、计算设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040129.1A CN113496098A (zh) | 2021-09-06 | 2021-09-06 | 面向碳减排的用能管控方法、计算设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496098A true CN113496098A (zh) | 2021-10-12 |
Family
ID=77997068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111040129.1A Pending CN113496098A (zh) | 2021-09-06 | 2021-09-06 | 面向碳减排的用能管控方法、计算设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496098A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822500A (zh) * | 2021-11-23 | 2021-12-21 | 阿里云计算有限公司 | 建筑行业碳排放量预测方法、平台、计算设备及介质 |
CN114240005A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN117116018A (zh) * | 2023-08-28 | 2023-11-24 | 珠海市经典电子有限公司 | 智能化碳管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918919A (zh) * | 2017-11-08 | 2018-04-17 | 华北电力大学 | 一种含控制策略的工业园区综合能源系统优化调度与评价系统和方法 |
CN108054750A (zh) * | 2017-12-08 | 2018-05-18 | 西南大学 | 一种计及夏季空调负荷差异特性的电网调峰控制系统与方法 |
CN110363362A (zh) * | 2019-07-30 | 2019-10-22 | 合肥工业大学 | 一种计及柔性负荷的多目标日前经济调度模型与方法 |
CN112531686A (zh) * | 2020-11-24 | 2021-03-19 | 绍兴市上虞区舜兴电力有限公司 | 一种用于最优电力调度和电压控制的微电网多层控制系统 |
-
2021
- 2021-09-06 CN CN202111040129.1A patent/CN113496098A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918919A (zh) * | 2017-11-08 | 2018-04-17 | 华北电力大学 | 一种含控制策略的工业园区综合能源系统优化调度与评价系统和方法 |
CN108054750A (zh) * | 2017-12-08 | 2018-05-18 | 西南大学 | 一种计及夏季空调负荷差异特性的电网调峰控制系统与方法 |
CN110363362A (zh) * | 2019-07-30 | 2019-10-22 | 合肥工业大学 | 一种计及柔性负荷的多目标日前经济调度模型与方法 |
CN112531686A (zh) * | 2020-11-24 | 2021-03-19 | 绍兴市上虞区舜兴电力有限公司 | 一种用于最优电力调度和电压控制的微电网多层控制系统 |
Non-Patent Citations (2)
Title |
---|
蒋文超 等: "计及柔性负荷的能源枢纽多目标综合优化调度", 《电测与仪表》 * |
薛开阳 等: "考虑柔性负荷的综合能源系统低碳经济优化调度", 《可再生能源》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822500A (zh) * | 2021-11-23 | 2021-12-21 | 阿里云计算有限公司 | 建筑行业碳排放量预测方法、平台、计算设备及介质 |
CN114240005A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN117116018A (zh) * | 2023-08-28 | 2023-11-24 | 珠海市经典电子有限公司 | 智能化碳管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496098A (zh) | 面向碳减排的用能管控方法、计算设备及介质 | |
Sarshar et al. | Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting | |
Saber et al. | Optimization of vehicle-to-grid scheduling in constrained parking lots | |
Siano et al. | Designing and testing decision support and energy management systems for smart homes | |
Andervazh et al. | Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
Liu | Mathematical programming formulations for single-machine scheduling problems while considering renewable energy uncertainty | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN114169669A (zh) | 发电行业碳排放量预测方法、平台、计算设备及介质 | |
CN113947236A (zh) | 综合能源调度方法、计算设备及介质 | |
Liu et al. | Optimal scheduling of combined cooling, heating, and power microgrid based on a hybrid gray wolf optimizer | |
Liu et al. | A prediction‐based optimization strategy to balance the use of diesel generator and emergency battery in the microgrid | |
Wang et al. | Robust multi-objective load dispatch in microgrid involving unstable renewable generation | |
Wang et al. | Optimal energy management of microgrid based on multi-parameter dynamic programming | |
CN115906408A (zh) | 基于建筑负荷预测的能源调度系统及方法 | |
Qin et al. | Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning | |
Chen et al. | Optimal control strategy for solid oxide fuel cell‐based hybrid energy system using deep reinforcement learning | |
CN116345578A (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
CN109946968B (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
CN111178642A (zh) | 一种基于模拟退火粒子群算法的微电网优化方法 | |
JP7178478B2 (ja) | 分散予測によって電力網を最適化するための技術 | |
Constantinou et al. | An iot data system for solar self-consumption | |
Wang et al. | Noncooperative distributed social welfare optimization with EV charging response | |
CN116191508A (zh) | 一种计及风光出力的含储能有源配电网经济运行优化方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40060929 Country of ref document: HK |