CN114625022A - 一种基于数字孪生的园区综合能源运行方法 - Google Patents
一种基于数字孪生的园区综合能源运行方法 Download PDFInfo
- Publication number
- CN114625022A CN114625022A CN202210027593.5A CN202210027593A CN114625022A CN 114625022 A CN114625022 A CN 114625022A CN 202210027593 A CN202210027593 A CN 202210027593A CN 114625022 A CN114625022 A CN 114625022A
- Authority
- CN
- China
- Prior art keywords
- energy
- optimization
- control
- layer
- scheduling
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的园区综合能源运行方法,包括如下步骤:S1、全息影像刻画;S2、建立基于统一能路的电‑热‑气耦合优化模型;S3、特征动态跟踪;能够实现考虑不同装置真实状态的精细化运行调度,利用数字孪生对真实系统实时状态的全景镜像与行为特征刻画能力,能够将各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散等复杂因素都在数字空间中呈现,从而能够将更全面的信息纳入到优化调度问题中来,实现多种能源形式生产、传输、消费全过程的精细化调度与管控。
Description
技术领域
本发明涉及电力控制领域,尤其涉及一种基于数字孪生的园区综合能源运行方法。
背景技术
随着科学技术的不断发展,可再生能源的高比例渗透,新兴负荷的柔性互动以及多要素的广泛接入,能源互联网的不确定性、复杂性越来越高。针对复杂的能源互联网,建模与仿真一直是一项重要的研究工具。因此,能源互联网的建模与仿真一直为能源互联网多领域技术的融合、创新与发展,以及业务的落地应用提供重要的技术支撑。
当前能源互联网建模与仿真大都采取传统物理机理的方式。传统物理机理建模具有一定的确定性,很难适应能源互联网中多能流耦合所带来的复杂多变的能源互联网运行方式。同时,物理机理模型采用大量的近似与简化,直接影响到高比例的可再生能源渗透下的能源互联网的准确性和可信度。
例如,一种在中国专利文献上公开的“一种能源互联网数字孪生仿真系统及方法”,其公告号:CN111722540A,公开了物理层,感知通信层,平台层,所述实时子系统,以实现能源互联网的优化运行,但是该方案具有优化因素不全面,优化效果不够好的缺点,没有考虑到包括新能源系统的多种能源系统的特点进行优化。
发明内容
为此,本发明提供一种基于数字孪生的园区综合能源运行方法,优化目标涵盖发电成本等经济性指标和碳排放等环保性指标,针对不同能源形式的调度特性,建立多尺度优化运行策略。
为了实现上述目的,本发明提供如下技术方案:
一种基于数字孪生的园区综合能源运行方法,包括如下步骤:
S1、全息影像刻画,将各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据收集并建立数据库,数据库用来对电网运行实时矫正;
S2、建立基于统一能路的电-热-气耦合优化模型,用来对综合能源系统进行优化控制;
S3、特征动态跟踪,能够实时跟踪各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据并将变化数据存入数据库,并在下一次的优化计算中使用新的变化数据。
作为优选的,S2中使用LSTM神经网络模型对综合能源系统约束变化进行预测,通过特殊的节点与网络结构即存储单元和门实现控制机制,用于对综合能源系统中的各种能源数据及S1中数据进行提取。LSTM神经网络的隐含层循环节主要由四个部分所组成,分别为输入门、遗忘门、神经元状态、输出门,(1)遗忘门;
遗忘门ft决定了有多少信息可以从上一刻的装置状态传递到当前装置状态中,如果输出值为1,其含义为上一时刻信息会被全部保留,如果输出值为0,其含义为上一时刻信息会被全部遗忘。
ft=σ(wxfxt+whfht-1+wcfct+bf)
式中,ft为遗忘门,σ为激励函数,在[0,1]之间取值,w为权重矩阵,bf为偏差向量。
(2)输入门;
输入门it通过激活函数σ筛选新输入信息并将其加入到记忆单元中,更新记忆单元的候选信息。
it=σ(wxixt+whiht-1+wcict+bi)
gt=tanh(wxcxt+whcht-1+wcict+bc)
式中,it、gt为输入门,xt为输入向量,bi、bc为偏差向量。
(3)更新装置状态;
遗忘门ft的输出和前一刻旧装置状态ct-1组成了更新装置状态ct的一部分,另一部分由输入门的输出it和记忆单元候选状态组成。
ct=fct-1+itσt(wxcxt+whcht-1+bc)
式中,ct为更新装置状态,ct-1为前一刻旧装置状态。
(4)输入门和隐藏层的输出;
通过激励函数σ可以得到输出门ot,压缩更新工作状态ct可以得到输出向量ht。
ot=σ(wxoxt+whoht-1+wcoct+bo)
ht=ottanh(ct)
式中,ot为输出门,ht为输出向量。通过增加神经元状态,以及经过遗忘门的决策神经元状态的保存量,从而使时间序列信号的历史信息保存时间大大延长,缓解了神经网络模型的梯度消失问题,并解决了长期依赖性问题。
通过使用LSTM神经网络模型对优化过程中约束变化进行预测,避免了调节约束造成的滞后性,通过对变化趋势的预测作出提前量改变,提高了优化效果。
作为优选的,综合能源系统包括新能源子系统,与新能源系统相连的电网子系统,与电网子系统及新能源子系统相连的热子系统。电能富余时,系统可向上层配网售电;电能短缺时,系统可向上层配网购电。
作为优选的,S2中建立基于统一能路的电-热-气耦合优化模型包括如下步骤:
S201、建立各个能源的能量优化约束,包括电能约束、热能约束、气能约束;
S202、根据经济性指标和碳排放指标建立优化函数,经济性指标包括调度成本最小,碳排放指标包括能源系统排放的污染物考虑CO2,SO2,NOX最少。减小可再生能源出力及负荷预测的不确定性对综合能源系统优化调度产生的影响。
作为优选的,综合能源系统优化控制包括建立优化调度模型,将优化时段分为第一控制层、第二控制层及第三控制层三个控制层,第一控制层以综合能源系统运行经济性和环保性为目标进行优化,第二控制层以系统运行经济性、环保性和装置启停惩罚费用最小为目标进行优化,第三控制层以系统输出最大和装置总调节量最小为目标进行优化。能够对不同状况实现不同目标的优化,对于日前优化,基于出力、负荷预测信息使用第一控制层优化,此时不根据全息影像数据进行调优,以整体运行经济性和环保性为主要优化目标进行优化;对于日内优化,基于日内实时更新的出力、负荷数据进行优化,同时根据全息影像刻画数据进行调优,以整体运行经济性和环保性及装置启停惩罚费用最少为目标进行优化,优化过程中采用全息影像刻画实时反馈数据进行优化,使得预测与计划均随着实时工作状态变化;对于实时调整优化,基于实时更新的出力、负荷数据进行优化,同时根据全息影像刻画数据进行调优,根据各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据进行调优,实时改变日内优化的预测基础的同时以系统输出及设备总调节量最小为目标进行优化。减小可再生能源出力及负荷预测的不确定性对综合能源系统优化调度产生的影响。
作为优选的,第二控制层中根据能源综合系统中能源调度响应速度不同分为快速控制子层、中间控制子层及慢控制子层,综合能源系统中调度响应速度快的子系统由快速控制子层控制,综合能源系统中调度响应速度慢的子系统由慢控制子层控制,其余子系统由中间控制子层控制。由于调度时段的差异,优先调度响应较慢的冷、热能,其次是氢气能,最后调度响应快的电能。
作为优选的,优化控制包括根据实时跟踪的各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据作为优化的数据基础。从而能够将更全面的信息纳入到优化调度问题中来,实现多种能源形式生产、传输、消费全过程的精细化调度与管控。
本发明的实施方式具有如下优点:
(1)实现考虑不同装置真实状态的精细化运行调度,利用数字孪生对真实系统实时状态的全景镜像与行为特征刻画能力,能够将各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散等复杂因素都在数字空间中呈现,从而能够将更全面的信息纳入到优化调度问题中来,实现多种能源形式生产、传输、消费全过程的精细化调度与管控;(2)能够减小可再生能源出力及负荷预测的不确定性对综合能源系统优化调度产生的影响,对于包括新能源系统的多种能源系统能够做到协同优化,大大提升了电力系统的优化效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达到的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1是本发明的综合能源系统示意图。
图2是本发明的方法流程图。
图中:
1-新能源子系统;2-电网子系统;3-热子系统。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的认识可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个较佳的实施例中,本发明公开了一种基于数字孪生的园区综合能源运行方法,包括如下步骤:
S1、全息影像刻画,将各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据收集并建立数据库,数据库用来对电网运行实时矫正;
S2、建立基于统一能路的电-热-气耦合优化模型,用来对综合能源系统进行优化控制;
S3、特征动态跟踪,能够实时跟踪各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据并将变化数据存入数据库,并在下一次的优化计算中使用新的变化数据。
S2中使用LSTM神经网络模型对综合能源系统优化中约束作出预测,通过特殊的节点与网络结构即存储单元和门实现控制机制,用于对综合能源系统中的各种能源数据及S1中数据进行提取。LSTM神经网络的隐含层循环节主要由四个部分所组成,分别为输入门、遗忘门、神经元状态、输出门,(1)遗忘门;
遗忘门ft决定了有多少信息可以从上一刻的装置状态传递到当前装置状态中,如果输出值为1,其含义为上一时刻信息会被全部保留,如果输出值为0,其含义为上一时刻信息会被全部遗忘。
ft=σ(wxfxt+whfht-1+wcfct+bf)
式中,ft为遗忘门,σ为激励函数,在[0,1]之间取值,w为权重矩阵,bf为偏差向量。
(2)输入门;
输入门it通过激活函数σ筛选新输入信息并将其加入到记忆单元中,更新记忆单元的候选信息。
it=σ(wxixt+whiht-1+wcict+bi)
gt=tanh(wxcxt+whcht-1+wcict+bc)
式中,it、gt为输入门,xt为输入向量,bi、bc为偏差向量。
(3)更新装置状态;
遗忘门ft的输出和前一刻旧装置状态ct-1组成了更新装置状态ct的一部分,另一部分由输入门的输出it和记忆单元候选状态组成。
ct=fct-1+itσt(wxcxt+whcht-1+bc)
式中,ct为更新装置状态,ct-1为前一刻旧装置状态。
(4)输入门和隐藏层的输出;
通过激励函数σ可以得到输出门ot,压缩更新工作状态ct可以得到输出向量ht。
ot=σ(wxoxt+whoht-1+wcoct+bo)
ht=ottanh(ct)
式中,ot为输出门,ht为输出向量。通过增加神经元状态,以及经过遗忘门的决策神经元状态的保存量,从而使时间序列信号的历史信息保存时间大大延长,缓解了神经网络模型的梯度消失问题,并解决了长期依赖性问题。
通过使用LSTM神经网络模型对优化过程中约束变化进行预测,避免了调节约束造成的滞后性,通过对变化趋势的预测作出提前量改变,提高了优化效果。
综合能源系统包括新能源子系统,与新能源系统相连的电网子系统,与电网子系统及新能源子系统相连的热子系统。电能富余时,系统可向上层配网售电;电能短缺时,系统可向上层配网购电。
S2中建立基于统一能路的电-热-气耦合优化模型包括如下步骤:
S201、建立各个能源的能量优化约束,包括电能约束、热能约束、气能约束;
S202、根据经济性指标和碳排放指标建立优化函数,经济性指标包括调度成本最小,碳排放指标包括能源系统排放的污染物考虑CO2,SO2,NOX最少。减小可再生能源出力及负荷预测的不确定性对综合能源系统优化调度产生的影响。
综合能源系统优化控制包括建立优化调度模型,将优化时段分为第一控制层、第二控制层及第三控制层三个控制层,第一控制层以综合能源系统运行经济性和环保性为目标进行优化,第二控制层以系统运行经济性、环保性和装置启停惩罚费用最小为目标进行优化,第三控制层以系统输出最大和装置总调节量最小为目标进行优化。能够对不同状况实现不同目标的优化,对于日前优化,基于出力、负荷预测信息使用第一控制层优化,此时不根据全息影像数据进行调优,以整体运行经济性和环保性为主要优化目标进行优化;对于日内优化,基于日内实时更新的出力、负荷数据进行优化,同时根据全息影像刻画数据进行调优,以整体运行经济性和环保性及装置启停惩罚费用最少为目标进行优化,优化过程中采用全息影像刻画实时反馈数据进行优化,使得预测与计划均随着实时工作状态变化;对于实时调整优化,基于实时更新的出力、负荷数据进行优化,同时根据全息影像刻画数据进行调优,根据各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据进行调优,实时改变日内优化的预测基础的同时以系统输出及设备总调节量最小为目标进行优化。减小可再生能源出力及负荷预测的不确定性对综合能源系统优化调度产生的影响。
第二控制层中根据能源综合系统中能源调度响应速度不同分为快速控制子层、中间控制子层及慢控制子层,综合能源系统中调度响应速度快的子系统由快速控制子层控制,综合能源系统中调度响应速度慢的子系统由慢控制子层控制,其余子系统由中间控制子层控制。由于调度时段的差异,优先调度响应较慢的冷、热能,其次是氢气能,最后调度响应快的电能。
优化控制包括根据实时跟踪的各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据作为优化的数据基础。从而能够将更全面的信息纳入到优化调度问题中来,实现多种能源形式生产、传输、消费全过程的精细化调度与管控。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.一种基于数字孪生的园区综合能源运行方法,其特征在于,包括如下步骤:
S1、全息影像刻画,将各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据收集并建立数据库,数据库用来对电网运行实时矫正;
S2、建立基于统一能路的电-热-气耦合优化模型,用来对综合能源系统进行优化控制;
S3、特征动态跟踪,能够实时跟踪各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据并将变化数据存入数据库,并在下一次的优化计算中使用新的变化数据。
2.根据权利要求1所述的一种基于数字孪生的园区综合能源运行方法,其特征在于,所述S2中使用LSTM神经网络模型对优化中约束作出预测,通过特殊的节点与网络结构即存储单元和门实现控制机制,用于对综合能源系统中的各种能源数据及S1中数据进行提前量预测。
3.根据权利要求1或2所述的一种基于数字孪生的园区综合能源运行方法,其特征在于,所述综合能源系统包括新能源子系统,与所述新能源系统相连的电网子系统,与所述电网子系统及新能源子系统相连的热子系统。
4.根据权利要求3所述的一种基于数字孪生的园区综合能源运行方法,其特征在于,所述
S2中建立基于统一能路的电-热-气耦合优化模型包括如下步骤:
S201、建立各个能源的能量优化约束,包括电能约束、热能约束、气能约束;
S202、根据经济性指标和碳排放指标建立优化函数,经济性指标包括调度成本最小,碳排放指标包括能源系统排放的污染物考虑CO2,SO2,NOX最少。
5.根据权利要求1或4所述的一种基于数字孪生的园区综合能源运行方法,其特征在于,所述综合能源系统优化控制包括建立优化调度模型,将优化时段分为第一控制层、第二控制层及第三控制层三个控制层,第一控制层以综合能源系统运行经济性和环保性为目标进行优化,第二控制层以系统运行经济性、环保性和装置启停惩罚费用最小为目标进行优化,第三控制层以系统输出最大和装置总调节量最小为目标进行优化。
6.根据权利要求5所述的一种基于数字孪生的园区综合能源运行方法,其特征在于,所述第二控制层中根据能源综合系统中能源调度响应速度不同分为快速控制子层、中间控制子层及慢控制子层,所述综合能源系统中调度响应速度快的子系统由快速控制子层控制,所述综合能源系统中调度响应速度慢的子系统由慢控制子层控制,其余子系统由中间控制子层控制。
7.根据权利要求1或5所述的一种基于数字孪生的园区综合能源运行方法,其特征在于,所述优化控制包括根据实时跟踪的各种能源的调度响应速度、转换效率、装备状态、管线阻塞、传输耗散的数据作为优化的数据基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027593.5A CN114625022A (zh) | 2022-01-11 | 2022-01-11 | 一种基于数字孪生的园区综合能源运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027593.5A CN114625022A (zh) | 2022-01-11 | 2022-01-11 | 一种基于数字孪生的园区综合能源运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114625022A true CN114625022A (zh) | 2022-06-14 |
Family
ID=81898612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210027593.5A Pending CN114625022A (zh) | 2022-01-11 | 2022-01-11 | 一种基于数字孪生的园区综合能源运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114625022A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700049A (zh) * | 2023-07-12 | 2023-09-05 | 山东大学 | 基于数据驱动的多能源网络数字孪生实时仿真系统及方法 |
-
2022
- 2022-01-11 CN CN202210027593.5A patent/CN114625022A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700049A (zh) * | 2023-07-12 | 2023-09-05 | 山东大学 | 基于数据驱动的多能源网络数字孪生实时仿真系统及方法 |
CN116700049B (zh) * | 2023-07-12 | 2024-05-28 | 山东大学 | 基于数据驱动的多能源网络数字孪生实时仿真系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xuan et al. | A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems | |
CN112529283A (zh) | 基于注意力机制的综合能源系统短期负荷预测方法 | |
WO2018161722A1 (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
Xu et al. | Potential analysis of the attention-based LSTM model in ultra-short-term forecasting of building HVAC energy consumption | |
CN116628972A (zh) | 基于预测模型的工业余热并入热网的供热系统控制方法 | |
CN114625022A (zh) | 一种基于数字孪生的园区综合能源运行方法 | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
CN106786702A (zh) | 用于混合储能系统的全状态模型预测能量调度方法 | |
CN113723793A (zh) | 园区综合能源系统的实现方法、装置、设备和介质 | |
CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
Liu et al. | Varying condition scopf optimization based on deep learning and knowledge graph | |
CN115660385A (zh) | 一种电网凸包经济运行域分解并行求解方法及装置 | |
CN116205359A (zh) | 一种日前电力负荷预测的方法、装置、终端和存储介质 | |
CN109980695A (zh) | 一种配用电系统的分布式能源和用户行为预测方法 | |
Hua | Power quality prediction of active distribution network based on CNN-LSTM deep learning model | |
VenkataSubba Reddy et al. | Cost reduction in clustering based unit commitment employing hybrid genetic-simulated annealing technique | |
Yang et al. | Cloud-edge-end intelligence for fault-tolerant renewable energy accommodation in smart grid | |
CN114398748A (zh) | 基于水力计算和双层优化的电蓄热装置规划方法及系统 | |
CN111769547A (zh) | 一种三层联动机制的交互式综合能源系统实时调控方法 | |
Yu et al. | Wind Water and Solar Complementary Power Generation System Based on Particle Swarm Optimization and Neural Network Algorithm | |
Chen et al. | Prediction method of intelligent building electricity consumption based on deep learning | |
Sun et al. | Temperature Load and Energy Storage Control Method Based on Prediction Error of New Energy | |
Kurup et al. | Comparative Study of Load Forecasting Techniques in Smart Microgrid |
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 |