CN114661011A - 楼宇综合能源系统优化运行方法、装置及存储介质 - Google Patents

楼宇综合能源系统优化运行方法、装置及存储介质 Download PDF

Info

Publication number
CN114661011A
CN114661011A CN202210263717.XA CN202210263717A CN114661011A CN 114661011 A CN114661011 A CN 114661011A CN 202210263717 A CN202210263717 A CN 202210263717A CN 114661011 A CN114661011 A CN 114661011A
Authority
CN
China
Prior art keywords
building
data
model
predicted output
day
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
Application number
CN202210263717.XA
Other languages
English (en)
Inventor
邹风华
王盛
陈�光
马亚辉
史文博
江海燕
陈浩
陈爱康
蒋一博
王喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Suzhou Urban Energy Research Institute Co ltd
Original Assignee
State Grid Suzhou Urban Energy Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Suzhou Urban Energy Research Institute Co ltd filed Critical State Grid Suzhou Urban Energy Research Institute Co ltd
Priority to CN202210263717.XA priority Critical patent/CN114661011A/zh
Publication of CN114661011A publication Critical patent/CN114661011A/zh
Pending legal-status Critical Current

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种楼宇综合能源系统优化运行方法、设备、装置及计算机存储介质。本发明提供的方法，为实现楼宇系统设备出力的快速、闭环控制，构建了楼宇系统日内滚动优化模型，并基于机器学习算法构建了数据驱动的出力误差反馈矫正DPC模型，利用该反馈矫正DPC模型对日内预测出力计划进行修正，获得楼宇系统优化出力计划。

Description

楼宇综合能源系统优化运行方法、装置及存储介质
技术领域
本发明涉及微电网的能量管理和经济调度技术领域，尤其是指一种楼宇综合能源系统优化运行方法、设备、装置及计算机存储介质。
背景技术
现有的技术中，随着社会能源需求的不断增长，能源供需矛盾及环境污染问题日益加剧，如何突破化石能源为主的传统能源体系、提高能源综合利用效率、减少污染物排放成为我国发展面临的重大挑战。以楼宇、社区建筑群为代表的综合能源系统用能主体的能耗量占全国能源消费总量的比重接近50％且逐年上升，CO2排放量占比超50％。随着信息通信和工程测控技术的发展，大量智能测控装置的接入使得综合能源系统用户层可采集的系统多能流信息量急剧增加，以智能楼宇、智能社区为代表的系统用能主体具备巨大的节能减排潜力。此外，海量信息的涌入使得用户与系统的互动得到加强，用户对用能舒适度的要求及系统对能源调控实时性的要求均不断提高，楼宇系统需根据测量到的或用户反馈的信息进行及时、精准的调控，在保障用户用能舒适度的前提下，提高系统能效和运行经济性。
已有研究采用基于物理模型的预测控制MPC方法进行楼宇用能系统的控制策略生成，用能控制研究的重点主要集中于提高单一能源(电能)利用效率且以开环控制方式为主。但当研究对象是综合能源系统时(例如多层建筑)，构建较为精确的动力学建筑模型非常复杂和耗时且通常比控制算法设计本身还要复杂，不同建筑的建模过程也因建筑物特性和所安装设备类型不同而存在较大差异，除此之外，当无法获得足够多的测量数据时，往往需依赖专家经验决定模型参数，并且随着智能建筑对设备响应速度要求的提高，基于模型预测控制的控制策略无法适应采样时间以毫秒或微秒为单位的高频动态应用。
现有楼宇综合能源系统日内滚动优化方法在面对实际物理系统参数测量精度不高、用户用能行为随机性强、负荷预测误差大的问题时，为建立较为精确的物理系统优化模型需付出大量的人力和时间成本，且生成的日内预测出力计划精度不高。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中成本高、开环、实时性差和精确度低的问题。
为解决上述技术问题，本发明提供了一种楼宇综合能源系统优化运行方法包括：
获取典型多层楼宇综合能源系统的历史气温数据、建筑结构参数、历史负荷数据、历史设备出力数据，建立历史数据集；
根据所述历史数据集，以楼宇系统运行总成本最低并同时保证楼宇各层用户采暖温度始终维持在符合国家标准的最佳范围内为优化目标，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型；
利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划；
基于机器学习算法预测出力误差，构建预测出力误差计算模型；
将所述历史气温数据、所述历史负荷数据、所述历史设备出力数据、所述系统日内运行预测出力计划和当前时刻采集数据作为训练好的预测出力误差计算模型的输入，输出得到预测出力误差；
将所述预测出力误差反馈至所述系统日内运行预测出力计划，构建预测出力误差反馈矫正模型；
基于所述预测出力误差反馈矫正模型对所述系统日内运行预测出力计划进行误差修正得到系统日内运行优化出力计划。
优选地，所述利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划包括：
调用Gurob i求解器求解所述多层楼宇综合能源系统日内滚动优化模型的主问题，获得所述系统日内运行预测出力计划。
优选地，所述历史数据包括楼宇系统室外温度数据、楼宇各层墙体/窗体/地面/屋顶的面积和传热系数、楼宇各层的高度、空气密度和空气比热容、楼宇各层用户电负荷数据、热水负荷数据、电价数据、楼宇供能设备的历史出力数据，所述楼宇供能设备包括电空调EH、电热水器EWH、燃气锅炉GB。
优选地，所述根据所述历史数据集建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型包括：
建立基于围护结构的楼层热传递模型：
Figure BDA0003551847250000031
其中，
Figure BDA0003551847250000032
表示t时刻围护结构en的耗热量，en∈{wall,window,ground,roof}，所述围护结构分为墙体、窗体、地面和屋顶，α表示由围护结构空间位置导致的温差修正系数，Ken表示围护结构传热系数，Ken表示围护结构面积，
Figure BDA0003551847250000033
表示t时刻室内外温差；
基于所述热传递模型建立表征楼宇各层室内外温度变化的热平衡模型：
Figure BDA0003551847250000034
Figure BDA0003551847250000035
Figure BDA0003551847250000041
其中，
Figure BDA0003551847250000042
表示t时刻楼宇系统第i层的室内温度，
Figure BDA0003551847250000043
表示t时刻楼宇系统第i层的室外温度，
Figure BDA0003551847250000044
表示t时刻楼宇系统第i层的室内外温差，ΔTi t表示楼宇系统第i层在Δt时间内的温度变化量，
Figure BDA0003551847250000045
表示楼宇系统第i层空调设备EH的制热功率，
Figure BDA0003551847250000046
表示t时刻第i层围护结构j的耗热量，Si表示系统第i层面积，Hi表示系统第i层高度，ρair表示空气密度，Cair表示空气比热容比；
建立楼宇供能设备的输入输出模型：
Figure BDA0003551847250000047
Figure BDA0003551847250000048
Figure BDA0003551847250000049
其中，
Figure BDA00035518472500000410
为t时刻EH输出热空气功率，
Figure BDA00035518472500000411
为EH消耗的电功率，ηGB为EH制热效率，
Figure BDA00035518472500000412
为t时刻EWH输出热水功率，
Figure BDA00035518472500000413
为EWH消耗的电功率，ηEWH为EWH制热效率，
Figure BDA00035518472500000414
为t时刻GB输出热功率，
Figure BDA00035518472500000415
为t时刻GB耗气量，ηGB为GB产热效率；
基于所述热平衡模型和所述输入输出模型，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型。
优选地，所述基于机器学习算法预测出力误差，构建预测出力误差计算模型：
Figure BDA00035518472500000416
其中，
Figure BDA0003551847250000051
Figure BDA0003551847250000052
为机器学习算法模型，
Figure BDA0003551847250000053
表示t+Δt时刻的第M层楼宇供能设备的预测出力误差，
Figure BDA0003551847250000054
表示t-h·Δt时刻的室外温度，
Figure BDA0003551847250000055
表示t-h·Δt时刻楼宇智能传感器采集到的第M层设备的真实出力与所述系统日内运行预测出力计划的误差，
Figure BDA0003551847250000056
表示t-h·Δt时刻的用户负荷预测值与真实值的误差，h为训练集数据的采集步长。
优选地，所述训练所述预测出力误差计算模型包括：
基于所述历史数据集，选取楼宇系统室外温度数据、楼宇各层用户电负荷数据、热水负荷数据和楼宇供能设备EH/EWH/GB的历史出力数据作为训练集数据；
采用人工神经网络经典多层感知机模型和随机森林模型作为机器学习算法模型
Figure BDA0003551847250000057
分别代入所述预测出力误差计算模型进行对比计算直至损失函数收敛；
所述多层感知机模型损失函数为：
Figure BDA0003551847250000058
所述随机森林模型损失函数为：
Figure BDA0003551847250000059
其中，y表示目标真实值；
Figure BDA00035518472500000510
表示目标预测值，W是输入层和隐藏层的权重向量，
Figure BDA00035518472500000511
表示W的L2范数的平方，α是控制惩罚大小的非负参数，ai表示当前节点进行分叉时选择的数据特征，bij表示当前节点进行分叉时选择的数据特征的一个值，Ns表示当前节点的训练集样本总数，Xleft表示按照特征ai分叉后左子节点的训练集，Xright表示分叉后右子节点的训练集，yi、
Figure BDA0003551847250000061
分别表示左子节点训练集中的第i个目标数据、左子节点的训练集目标数据平均值，yj、
Figure BDA0003551847250000062
分别表示右子节点训练集中的第j个目标数据、右子节点的训练集目标数据平均值。
本发明还提供了一种楼宇综合能源系统优化的装置，包括：
数据采集模块，获取典型多层楼宇综合能源系统的历史气温数据、建筑结构参数、历史负荷数据、历史设备出力数据，建立历史数据集；
多层楼宇综合能源系统日内滚动优化模型建立模块，用于根据所述历史数据集，以楼宇系统运行总成本最低并同时保证楼宇各层用户采暖温度始终维持在符合国家标准的最佳范围内为优化目标，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型；
系统日内运行预测出力计划生成模块，用于利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划；
预测出力误差计算模型构建模块，用于基于机器学习算法预测出力误差，构建预测出力误差计算模型；
预测出力误差计算模块，用于将所述历史气温数据、负荷预测值、所述系统日内运行预测出力计划和实际采集数据作为训练好的预测出力误差计算模型的输入，输出得到预测出力误差；
预测出力误差反馈矫正模型构建模块，用于将所述预测出力误差反馈至所述系统日内运行预测出力计划，构建预测出力误差反馈矫正模型；
系统日内运行优化出力计划生成模块，用于基于所述预测出力误差反馈矫正模型对所述系统日内运行预测出力计划进行误差修正得到系统日内运行优化出力计划。
本发明还提供了一种楼宇综合能源系统优化的设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述一种楼宇综合能源系统优化方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种楼宇综合能源系统优化的方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
本发明提供了一种基于数据预测控制的楼宇综合能源系统优化方法，本发明的数据预测控制DPC可以理解为闭环的、不需要物理模型、纯数据驱动的预测控制MPC，由于数据驱动的黑盒特性，难以解释计算结果的合理性，所以本发明将构建传统不闭环MPC日内滚动优化和建立的数据驱动的闭环DPC矫正相结合，形成了一种数据驱动的预测控制方法，改进了传统的日内滚动优化方法，构建的基于机器学习的预测出力误差矫正模型通过利用历史温度、负荷、设备历史出力数据直接生成未来设备的控制策略(矫正出力数据)，这个过程不涉及建筑的物理结构、建筑参数(墙体面积、传热系数等参数)，只利用了历史数据和当前时刻的采集数据，这个矫正模型直接通过数据模型修正了日内模型存在的误差，从而解决了该技术问题，弥补了传统的楼宇日内滚动优化模型的不足(开环、不够精确、实时性差)。本发明建立了基于数据驱动的误差反馈矫正模型的日内滚动优化模型，给日内滚动优化模型叠加了闭环的数据驱动矫正模块，极大地减少了负荷预测误差带来的影响，满足了用户的用能舒适度需求，为制定楼宇综合能源系统运行调度计划提供重要参考指导。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1是本发明楼宇综合能源系统优化方法的实现流程图；
图2为本发明实施例中多层楼宇综合能源系统的拓扑结构图；
图3为本发明实施例中基于数据预测控制的系统用能策略生成流程图；
图4(a)为本发明实施例的电空调EH总出力修正结果对比图；
图4(b)为本发明实施例的楼宇各层电空调EH出力修正结果对比图；
图4(c)为本发明实施例的电热水器EWH总出力修正结果对比图；
图4(d)为本发明实施例的楼宇各层电热水器EWH出力修正结果对比图；
图4(e)为本发明实施例的燃气锅炉GB总出力修正结果对比图；
图4(f)为本发明实施例的楼宇各层燃气锅炉GB出力修正结果对比图；
图5(a)为本发明实施例中出力修正前的总电母线平衡日内优化结果；
图5(b)为本发明实施例中经DPC修正后的总电母线平衡优化结果；
图5(c)为本发明实施例中出力修正前的总热母线平衡日内优化结果；
图5(d)为本发明实施例中经DPC修正后的总热母线平衡优化结果；
图6为本发明实施例的室内温度变化结果；
图7为本发明实施例提供的一种楼宇综合能源系统优化运行装置的结构框图。
具体实施方式
本发明的核心是提供一种楼宇综合能源系统优化的方法、装置、设备及计算机存储介质，闭环、精确、实时性好。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。
请参考图1，图1为本发明所提供的楼宇综合能源系统优化方法的实现流程图；具体操作步骤如下：
S101:获取典型多层楼宇综合能源系统的历史气温数据、建筑结构参数、历史负荷数据、历史设备出力数据，建立历史数据集；
所述历史数据包括楼宇系统室外温度数据、楼宇各层墙体/窗体/地面/屋顶的面积和传热系数、楼宇各层的高度、空气密度和空气比热容、楼宇各层用户电负荷数据、热水负荷数据、电价数据、楼宇供能设备的历史出力数据，所述楼宇供能设备包括电空调EH、电热水器EWH、燃气锅炉GB。
S102:根据所述历史数据集，以楼宇系统运行总成本最低并同时保证楼宇各层用户采暖温度始终维持在符合国家标准的最佳范围内为优化目标，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型；
建立基于围护结构的楼层热传递模型：
Figure BDA0003551847250000091
其中，
Figure BDA0003551847250000092
表示t时刻围护结构en的耗热量，en∈{wall,window,ground,roof}，所述围护结构分为墙体、窗体、地面和屋顶，α表示由围护结构空间位置导致的温差修正系数，Ken表示围护结构传热系数，Ken表示围护结构面积，
Figure BDA0003551847250000093
表示t时刻室内外温差；
基于所述热传递模型建立表征楼宇各层室内外温度变化的热平衡模型：
Figure BDA0003551847250000101
Figure BDA0003551847250000102
Figure BDA0003551847250000103
其中，
Figure BDA0003551847250000104
表示t时刻楼宇系统第i层的室内温度，
Figure BDA0003551847250000105
表示t时刻楼宇系统第i层的室外温度，
Figure BDA0003551847250000106
表示t时刻楼宇系统第i层的室内外温差，ΔTi t表示楼宇系统第i层在Δt时间内的温度变化量，
Figure BDA0003551847250000107
表示楼宇系统第i层空调设备EH的制热功率，
Figure BDA0003551847250000108
表示t时刻第i层围护结构j的耗热量，Si表示系统第i层面积，Hi表示系统第i层高度，ρair表示空气密度，Cair表示空气比热容比；
建立楼宇供能设备的输入输出模型：
Figure BDA0003551847250000109
Figure BDA00035518472500001010
Figure BDA00035518472500001011
其中，
Figure BDA00035518472500001012
为t时刻EH输出热空气功率，
Figure BDA00035518472500001013
为EH消耗的电功率，ηGB为EH制热效率，
Figure BDA00035518472500001014
为t时刻EWH输出热水功率，
Figure BDA00035518472500001015
为EWH消耗的电功率，ηEWH为EWH制热效率，
Figure BDA00035518472500001016
为t时刻GB输出热功率，
Figure BDA00035518472500001017
为t时刻GB耗气量，ηGB为GB产热效率；
考虑到用户的用能需求具有随机性并且往往与天气温度相关，为了尽可能地满足用户的实际用能需求并实现系统的经济运行，基于所述热平衡模型和所述输入输出模型，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型；
所述多层楼宇综合能源系统日内滚动优化模型的优化目标包括目标函数和约束条件，单次滚动优化的目标函数为：
Figure BDA0003551847250000111
Figure BDA0003551847250000112
其中，Ci表示楼宇系统第i层的总运行成本，Cgrid,i表示第i层的购电成本，Cgas,i、Com,i表示折算到第i层的GB购气费用和GB运维费用，δi表示系统第i层的舒适度惩罚系数，Tref,i表示系统第i层的最佳供热温度，
Figure BDA0003551847250000113
表示t时刻的电价，
Figure BDA0003551847250000114
表示第i层的购电功率，egas表示气价，Com,GB表示GB的单位功率运维费用，M表示楼宇系统层数，Tcycle为滚动周期；
所述约束条件为：
Figure BDA0003551847250000115
Figure BDA0003551847250000116
Figure BDA0003551847250000117
Figure BDA0003551847250000118
Figure BDA0003551847250000121
Figure BDA0003551847250000122
其中，式(1)为电母线约束，
Figure BDA0003551847250000123
表示t时刻系统第i层的用户基本电负荷，Pgrid max为单位时间内系统与电网的最大交互功，式(2)为热母线约束，
Figure BDA0003551847250000124
表示t时刻系统第i层的用户热水负荷，式(3)-(4)为设备约束，PEH,imax为第i层空调机组的最大电功率，PEWH,imax为第i层电热水器的最大电功率，QGBmax为GB的最大输出热功率，式(5)-(6)为供暖约束，Tin,imin表示楼宇系统第i层的最低室内温度，Tin,imax表示楼宇系统第i层的最高室内温度，ΔTmax表示调度步长Δt内的室内最大温差变化，
Figure BDA0003551847250000125
表示第N次滚动优化结束后，执行第1个时刻设备出力安排后的第i层室内温度，
Figure BDA0003551847250000126
表示第N+1次滚动优化开始时的第i层室内温度，即下一次滚动开始时的室内温度应与上一次滚动结束并采用第1个时刻的出力计划后的室内温度保持一致，Δt为滚动优化步长。
S103:利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划；
多层楼宇综合能源系统日内滚动优化模型为典型混合整数非线性二次规划问题，调用Gurobi求解器求解所述多层楼宇综合能源系统日内滚动优化模型的主问题，获得所述系统日内运行预测出力计划。
S104:基于机器学习算法预测出力误差，构建预测出力误差计算模型；
所述预测出力误差计算模型为：
Figure BDA0003551847250000131
其中，
Figure BDA0003551847250000132
Figure BDA0003551847250000133
为机器学习算法模型，
Figure BDA0003551847250000134
表示t+Δt时刻的第M层楼宇供能设备的预测出力误差，
Figure BDA0003551847250000135
表示t-h·Δt时刻的室外温度，
Figure BDA0003551847250000136
表示t-h·Δt时刻楼宇智能传感器采集到的第M层设备的真实出力与所述系统日内运行预测出力计划的误差，
Figure BDA0003551847250000137
表示t-h·Δt时刻的用户负荷预测值与真实值的误差，h为训练集数据的采集步长，即选取t时刻前h个优化步长Δt的时间间隔内的历史数据训练机器学习算法模型，并通过模型预测t+Δt时刻的出力误差。
S105:将所述历史气温数据、所述历史负荷数据、所述历史设备出力数据、所述系统日内运行预测出力计划和当前时刻采集数据作为训练好的预测出力误差计算模型的输入，输出得到预测出力误差；
基于所述历史数据集，选取楼宇系统室外温度数据、楼宇各层用户电负荷数据、热水负荷数据和楼宇供能设备EH/EWH/GB的历史出力数据作为训练集数据；
根据步骤S102作出的二次规划问题判定，选取适合此类问题求解的经典非卷积机器学习算法，本发明采用人工神经网络经典多层感知机模型和随机森林模型作为机器学习算法模型
Figure BDA0003551847250000138
分别代入所述预测出力误差计算模型进行对比计算直至损失函数收敛；
所述多层感知机模型损失函数为：
Figure BDA0003551847250000139
所述随机森林模型损失函数为：
Figure BDA0003551847250000141
其中，y表示目标真实值；
Figure BDA0003551847250000142
表示目标预测值，W是输入层和隐藏层的权重向量，
Figure BDA0003551847250000143
表示W的L2范数的平方，α是控制惩罚大小的非负参数，ai表示当前节点进行分叉时选择的数据特征，bij表示当前节点进行分叉时选择的数据特征的一个值，Ns表示当前节点的训练集样本总数，Xleft表示按照特征ai分叉后左子节点的训练集，Xright表示分叉后右子节点的训练集，yi、
Figure BDA0003551847250000144
分别表示左子节点训练集中的第i个目标数据、左子节点的训练集目标数据平均值，yj、
Figure BDA0003551847250000145
分别表示右子节点训练集中的第j个目标数据、右子节点的训练集目标数据平均值。
S106:将所述预测出力误差反馈至所述系统日内运行预测出力计划，构建预测出力误差反馈矫正模型；
S107:基于所述预测出力误差反馈矫正模型对所述系统日内运行预测出力计划进行误差修正得到系统日内运行优化出力计划。
本发明提供的方法，为实现楼宇系统设备出力的快速、闭环控制，构建了楼宇系统日内滚动优化模型，并基于机器学习算法构建了数据驱动的出力误差反馈矫正DPC模型，利用该反馈矫正DPC模型对日内预测出力计划进行修正，获得楼宇系统优化出力计划。本发明提供的基于数据预测控制的楼宇综合能源系统优化方法，其中，本发明的数据预测控制DPC可以理解为闭环的、不需要物理模型、纯数据驱动的预测控制MPC，由于数据驱动的黑盒特性，难以解释计算结果的合理性，所以本发明将构建传统不闭环MPC日内滚动优化和建立的数据驱动的闭环DPC矫正相结合，形成了一种数据驱动的预测控制方法，改进了传统的日内滚动优化方法，构建的基于机器学习的预测出力误差矫正模型通过利用历史温度、负荷、设备历史出力数据直接生成未来设备的控制策略(矫正出力数据)，这个过程不涉及建筑的物理结构、建筑参数(墙体面积、传热系数等参数)，只利用了历史数据和当前时刻的采集数据，这个矫正模型直接通过数据模型修正了日内模型存在的误差，从而解决了该技术问题，弥补了传统的楼宇日内滚动优化模型的不足(开环、不够精确、实时性差)。该方法考虑到现有楼宇综合能源系统日内滚动优化方法在面对实际物理系统参数测量精度不高、用户用能行为随机性强、负荷预测误差大的问题时，为建立较为精确的物理系统优化模型需付出大量的人力和时间成本，且生成的日内预测出力计划精度不高的特点，通过基于数据预测控制的机器学习算法，给日内滚动优化模型叠加了闭环的数据驱动矫正模块，建立了基于数据驱动的误差反馈矫正模型的日内滚动优化模型，实现了对系统日内出力计划的快速误差反馈矫正，极大地减少了负荷预测误差带来的影响，满足了用户的用能舒适度需求，为制定楼宇综合能源系统运行调度计划提供重要参考指导。
基于以上实施例，本实施例以某四层楼宇综合能源系统为例进行详细说明，具体如下：
某四层楼宇综合能源系统结构如图2所示，针对该楼宇系统开展优化控制调度，楼宇系统中的相关参数如表1、表2和表3所示：
表1各层设备运行参数表
Figure BDA0003551847250000151
Figure BDA0003551847250000161
表2楼宇建筑参数表
Figure BDA0003551847250000162
表3各层设备运行参数表
Figure BDA0003551847250000163

Claims (10)

1.一种楼宇综合能源系统优化运行方法，其特征在于，包括：
获取典型多层楼宇综合能源系统的历史气温数据、建筑结构参数、历史负荷数据、历史设备出力数据，建立历史数据集；
根据所述历史数据集，以楼宇系统运行总成本最低并同时保证楼宇各层用户采暖温度始终维持在符合国家标准的最佳范围内为优化目标，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型；
利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划；
基于机器学习算法预测出力误差，构建预测出力误差计算模型；
将所述历史气温数据、所述历史负荷数据、所述历史设备出力数据、所述系统日内运行预测出力计划和当前时刻采集数据作为训练好的预测出力误差计算模型的输入，输出得到预测出力误差；
将所述预测出力误差反馈至所述系统日内运行预测出力计划，构建预测出力误差反馈矫正模型；
基于所述预测出力误差反馈矫正模型对所述系统日内运行预测出力计划进行误差修正得到系统日内运行优化出力计划。
2.根据权利要求1所述的楼宇综合能源系统优化运行方法，其特征在于，所述利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划包括：
调用Gurobi求解器求解所述多层楼宇综合能源系统日内滚动优化模型的主问题，获得所述系统日内运行预测出力计划。
3.根据权利要求1所述的楼宇综合能源系统优化运行方法，其特征在于，所述历史数据包括楼宇系统室外温度数据、楼宇各层墙体/窗体/地面/屋顶的面积和传热系数、楼宇各层的高度、空气密度和空气比热容、楼宇各层用户电负荷数据、热水负荷数据、电价数据、楼宇供能设备的历史出力数据，所述楼宇供能设备包括电空调EH、电热水器EWH、燃气锅炉GB。
4.根据权利要求3所述的楼宇综合能源系统优化运行方法，其特征在于，所述根据所述历史数据集建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型包括：
建立基于围护结构的楼层热传递模型：
Figure FDA0003551847240000021
其中，
Figure FDA0003551847240000022
表示t时刻围护结构en的耗热量，en∈{wall,window,ground,roof}，所述围护结构分为墙体、窗体、地面和屋顶，α表示由围护结构空间位置导致的温差修正系数，Ken表示围护结构传热系数，Ken表示围护结构面积，
Figure FDA0003551847240000023
表示t时刻室内外温差；
基于所述热传递模型建立表征楼宇各层室内外温度变化的热平衡模型：
Figure FDA0003551847240000024
Figure FDA0003551847240000025
Figure FDA0003551847240000026
其中，
Figure FDA0003551847240000027
表示t时刻楼宇系统第i层的室内温度，
Figure FDA0003551847240000028
表示t时刻楼宇系统第i层的室外温度，
Figure FDA0003551847240000029
表示t时刻楼宇系统第i层的室内外温差，ΔTi t表示楼宇系统第i层在Δt时间内的温度变化量，
Figure FDA00035518472400000210
表示楼宇系统第i层空调设备EH的制热功率，
Figure FDA00035518472400000211
表示t时刻第i层围护结构j的耗热量，Si表示系统第i层面积，Hi表示系统第i层高度，ρair表示空气密度，Cair表示空气比热容比；
建立楼宇供能设备的输入输出模型：
Figure FDA0003551847240000031
Figure FDA0003551847240000032
Figure FDA0003551847240000033
其中，
Figure FDA0003551847240000034
为t时刻EH输出热空气功率，
Figure FDA0003551847240000035
为EH消耗的电功率，ηGB为EH制热效率，
Figure FDA0003551847240000036
为t时刻EWH输出热水功率，
Figure FDA0003551847240000037
为EWH消耗的电功率，ηEWH为EWH制热效率，
Figure FDA0003551847240000038
为t时刻GB输出热功率，
Figure FDA0003551847240000039
为t时刻GB耗气量，ηGB为GB产热效率；
基于所述热平衡模型和所述输入输出模型，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型。
5.根据权利要求4所述的楼宇综合能源系统优化运行方法，其特征在于，所述多层楼宇综合能源系统日内滚动优化模型的优化目标包括目标函数和约束条件，所述目标函数为：
Figure FDA00035518472400000310
Figure FDA00035518472400000311
其中，Ci表示楼宇系统第i层的总运行成本，Cgrid,i表示第i层的购电成本，Cgas,i、Com,i表示折算到第i层的GB购气费用和GB运维费用，δi表示系统第i层的舒适度惩罚系数，Tref,i表示系统第i层的最佳供热温度，
Figure FDA0003551847240000041
表示t时刻的电价，
Figure FDA0003551847240000042
表示第i层的购电功率，egas表示气价，Com,GB表示GB的单位功率运维费用，M表示楼宇系统层数，Tcycle为滚动周期；
所述约束条件为：
Figure FDA0003551847240000043
Figure FDA0003551847240000044
Figure FDA0003551847240000045
Figure FDA0003551847240000046
Figure FDA0003551847240000047
Figure FDA0003551847240000048
其中，式(1)为电母线约束，
Figure FDA0003551847240000049
表示t时刻系统第i层的用户基本电负荷，Pgridmax为单位时间内系统与电网的最大交互功，式(2)为热母线约束，
Figure FDA00035518472400000410
表示t时刻系统第i层的用户热水负荷，式(3)-(4)为设备约束，PEH,imax为第i层空调机组的最大电功率，PEWH,imax为第i层电热水器的最大电功率，QGBmax为GB的最大输出热功率，式(5)-(6)为供暖约束，Tin,imin表示楼宇系统第i层的最低室内温度，Tin,imax表示楼宇系统第i层的最高室内温度，ΔTmax表示调度步长Δt内的室内最大温差变化，
Figure FDA0003551847240000051
表示第N次滚动优化结束后，执行第1个时刻设备出力安排后的第i层室内温度，
Figure FDA0003551847240000052
表示第N+1次滚动优化开始时的第i层室内温度，即下一次滚动开始时的室内温度应与上一次滚动结束并采用第1个时刻的出力计划后的室内温度保持一致，Δt为滚动优化步长。
6.根据权利要求5所述的楼宇综合能源系统优化运行方法，其特征在于，所述基于机器学习算法预测出力误差，构建预测出力误差计算模型：
Figure FDA0003551847240000053
其中，
Figure FDA0003551847240000054
Figure FDA0003551847240000055
为机器学习算法模型，
Figure FDA0003551847240000056
表示t+Δt时刻的第M层楼宇供能设备的预测出力误差，
Figure FDA0003551847240000057
表示t-h·Δt时刻的室外温度，
Figure FDA0003551847240000058
表示t-h·Δt时刻楼宇智能传感器采集到的第M层设备的真实出力与所述系统日内运行预测出力计划的误差，
Figure FDA0003551847240000059
表示t-h·Δt时刻的用户负荷预测值与真实值的误差，h为训练集数据的采集步长。
7.根据权利要求6所述的楼宇综合能源系统优化运行方法，其特征在于，所述训练所述预测出力误差计算模型包括：
基于所述历史数据集，选取楼宇系统室外温度数据、楼宇各层用户电负荷数据、热水负荷数据和楼宇供能设备EH/EWH/GB的历史出力数据作为训练集数据；
采用人工神经网络经典多层感知机模型和随机森林模型作为机器学习算法模型
Figure FDA0003551847240000061
分别代入所述预测出力误差计算模型进行对比计算直至损失函数收敛；
所述多层感知机模型损失函数为：
Figure FDA0003551847240000062
所述随机森林模型损失函数为：
Figure FDA0003551847240000063
其中，y表示目标真实值；
Figure FDA0003551847240000064
表示目标预测值，W是输入层和隐藏层的权重向量，
Figure FDA0003551847240000065
表示W的L2范数的平方，α是控制惩罚大小的非负参数，ai表示当前节点进行分叉时选择的数据特征，bij表示当前节点进行分叉时选择的数据特征的一个值，Ns表示当前节点的训练集样本总数，Xleft表示按照特征ai分叉后左子节点的训练集，Xright表示分叉后右子节点的训练集，yi、
Figure FDA0003551847240000066
分别表示左子节点训练集中的第i个目标数据、左子节点的训练集目标数据平均值，yj、
Figure FDA0003551847240000067
分别表示右子节点训练集中的第j个目标数据、右子节点的训练集目标数据平均值。
8.一种楼宇综合能源系统优化运行的装置，其特征在于，包括：
数据采集模块，获取典型多层楼宇综合能源系统的历史气温数据、建筑结构参数、历史负荷数据、历史设备出力数据，建立历史数据集；
多层楼宇综合能源系统日内滚动优化模型建立模块，用于根据所述历史数据集，以楼宇系统运行总成本最低并同时保证楼宇各层用户采暖温度始终维持在符合国家标准的最佳范围内为优化目标，建立基于滚动优化理论的多层楼宇综合能源系统日内滚动优化模型；
系统日内运行预测出力计划生成模块，用于利用所述多层楼宇综合能源系统日内滚动优化模型生成系统日内运行预测出力计划；
预测出力误差计算模型构建模块，用于基于机器学习算法预测出力误差，构建预测出力误差计算模型；
预测出力误差计算模块，用于将所述历史气温数据、负荷预测值、所述系统日内运行预测出力计划和实际采集数据作为训练好的预测出力误差计算模型的输入，输出得到预测出力误差；
预测出力误差反馈矫正模型构建模块，用于将所述预测出力误差反馈至所述系统日内运行预测出力计划，构建预测出力误差反馈矫正模型；
系统日内运行优化出力计划生成模块，用于基于所述预测出力误差反馈矫正模型对所述系统日内运行预测出力计划进行误差修正得到系统日内运行优化出力计划。
9.一种楼宇综合能源系统优化运行的设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种楼宇综合能源系统优化运行的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种楼宇综合能源系统优化运行的方法的步骤。
CN202210263717.XA 2022-03-17 2022-03-17 楼宇综合能源系统优化运行方法、装置及存储介质 Pending CN114661011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210263717.XA CN114661011A (zh) 2022-03-17 2022-03-17 楼宇综合能源系统优化运行方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210263717.XA CN114661011A (zh) 2022-03-17 2022-03-17 楼宇综合能源系统优化运行方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114661011A true CN114661011A (zh) 2022-06-24

Family

ID=82029141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210263717.XA Pending CN114661011A (zh) 2022-03-17 2022-03-17 楼宇综合能源系统优化运行方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114661011A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911076A (zh) * 2023-09-12 2023-10-20 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
CN116911076B (zh) * 2023-09-12 2024-03-19 国网浙江省电力有限公司电力科学研究院 多微电网对配电网的韧性支撑仿真方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Henze et al. Experimental analysis of model-based predictive optimal control for active and passive building thermal storage inventory
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN114357782A (zh) 一种计及碳源汇作用的综合能源系统优化调度方法
CN116992548B (zh) 一种建筑及区域综合能源系统的设计优化方法及系统
CN115759604B (zh) 一种综合能源系统优化调度方法
CN107749645A (zh) 一种控制高压大容量储热供暖装置的方法
CN112821432A (zh) 一种风光接入下储能系统的双层多位置配置方法
CN113190999A (zh) 供热管网流量调节提升风电消纳的电热协调方法及装置
CN113408962A (zh) 一种电网多时间尺度多目标能量优化调度方法
CN111367171A (zh) 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统
CN116187173A (zh) 一种区域综合能源系统双层优化方法及系统
Liu et al. Optimization of intelligent heating ventilation air conditioning system in urban building based on BIM and artificial intelligence technology
CN114661011A (zh) 楼宇综合能源系统优化运行方法、装置及存储介质
Wei et al. Predictive control of low-temperature heating system with passive thermal mass energy storage and photovoltaic system: Impact of occupancy patterns and climate change
Luo et al. Optimal scheduling of micro-energy grid based on pareto frontier under uncertainty and pollutant emissions
Zhao et al. Photovoltaic capacity dynamic tracking model predictive control strategy of air-conditioning systems with consideration of flexible loads
CN110992206B (zh) 一种多源电场的优化调度方法及系统
CN112560160A (zh) 模型和数据驱动的暖通空调最优设定温度获取方法及设备
CN115587905A (zh) 一种基于强化学习的楼宇低碳能量管理方法
CN115983492A (zh) 含氢多能源系统运行碳排放优化决策方法、系统及介质
CN112116131B (zh) 计及碳排放的综合能源系统多层级优化方法
CN112734451B (zh) 一种基于非合作博弈的农业大棚多能源系统和优化方法
Lorenzati et al. Social housing in Italy: Energy audit and dynamic simulation towards a nZEB policy
Qu et al. Optimal design of building integrated energy systems by combining two-phase optimization and a data-driven model
CN112767189A (zh) 一种计及风电并网下电网灵活性评估方法

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