CN114861539A - 一种5g城市综合能源互联网数字孪生系统建模与实现方法 - Google Patents

Abstract

本发明属于能源管理系统技术领域，公开了一种5G城市综合能源互联网数字孪生系统建模与实现方法，将多种能源计入城市能源管理平台实现城市范围的能源连续动态管理，具体步骤如下：1)对城市多种能源数据进行采集；2)将多种能源数据通过5G能源物理网络进行数据传输；3)建立能源存储计算中心；4)通过能源存储计算中心对能源数据进行特征值提取；5)针对不同能源类型各自建立能源机器学习系统模型，利用能源数据特征值对系统模型不断训练和仿真；6)利用训练好的能源机器学习系统模型仿真模拟数据；7)根据行政级别建立各级能源云管理模块。本发明解决多种类型城市能源的统一入网、高效互联及多能协同问题提供了可行的技术方案。

Description

一种5G城市综合能源互联网数字孪生系统建模与实现方法

技术领域

本发明属于能源管理系统技术领域，具体涉及一种5G城市综合能源互联网数字孪生系统建模与实现方法。

背景技术

能源是现代社会赖以生存和发展的基础。为了应对能源危机，各国积极研究新能源技术，特别是太阳能，风能，生物能等可再生能源。可再生能源具有取之不竭，清洁环保等特点，受到世界各国的高度重视。当前的城市能源系统无法实现各种能源子系统互联互通下的大规模实时智能计算，从而制约了能源的综合调度与利用，也无法实现城市系统级的节能控制与管理，导致城市综合能效不高。可再生能源存在地理上分散、生产不连续、随机性、波动性和不可控等特点，传统电力网络的集中统一的管理方式，难于适应可再生能源大规模利用的要求。

5G综合能源互联网是绿色智慧城市及城市泛在网络基础设施的核心技术，是驱动现代城市经济发展的新动能，也是优化现代城市生产关系的重要工具。5G综合能源互联网为城市能源的高效传输、存储、控制、管理提供了有效技术手段。而自2015年提出5G概念以来，世界各国竞相研发5G相关技术并同时布局5G相关产业。我国5G在标准和技术研发上逐渐成为全球领跑者，在2020年实现正式商用。5G融合毫米波、大规模天线阵列、超密集组网等关键技术，低时延、高可靠性、高速率、频谱和能源高效利用等是5G技术的最大特点。5G网络的峰值理论传输速度可达每秒数十Gbit/s，比4G网络的传输速度快数百倍。5G的峰值速率要求达到20Gbps，是4G峰值速率1Gbps的20倍，5G每平方公里的连接能力100万终端，是4G的10倍，延时从10ms降低至1ms。在通信传输标准中，毫米波mmWave是主要的传输手段，它的波长在1～10mm，其频率较宽，5G通信主要采用28GHz频段和60GHz频段，尽管毫米波频段具有大量的连续频谱，其可支持的接入速率也可超过10GPbs，但是毫米波的绕射和衍射能力不足，其覆盖面积较小，且信号在穿透过程中能量损耗较大。因此，5G标准广泛采用大规模MIMO和波束赋形技术来提高天线增益，扩大覆盖面积。与4G侧重人与人之间的通信不同，5G侧重物联网通信，将人和人、人和物、物和物连成一体，构成全新的信息化基础设施。网络切片技术是提升5G网络架构灵活性以支持多样场景需求的关键技术之一。针对不同类型的业务需求，其可以将定制的网络功能灵活地组合成不同的端到端相互隔离的独立网络。

现有技术中的分布式发电并网并不能从根本上改变分布式发电在高渗透率情况下对上一级电网电能质量，故障检测，故障隔离的影响，也难于实现可再生能源的最大化利用，只有实现可再生能源发电信息的共享，以信息流控制能量流，实现可再生能源所发电能的高效传输与共享，才能克服可再生能源不稳定的问题，实现可再生能源的真正有效利用。

发明内容

为了解决现有技术存在的问题，本发明提供一种5G城市综合能源互联网数字孪生系统建模与实现方法，主要解决城市综合能源高效管理与实时控制问题，以及太阳能、水能、风能、生物能等可再生能源接入城市能源管理平台(也可适用于建筑能源管理平台)问题，实现城市范围多种类型能源的连续、平衡、柔性、动态、绿色控制与管理。

本发明所采用的技术方案为：

第一方面，本发明提供一种5G城市综合能源互联网数字孪生系统建模与实现方法，将多种能源计入城市能源管理平台实现城市范围的能源连续动态管理，具体步骤如下：

G1.对城市接入的多种能源数据进行采集；

G2.将采集后的多种能源数据通过5G能源物理网络进行数据传输；

G3.建立能源存储计算中心，用于处理和存储传输过来的多种能源数据；

G4.通过能源存储计算中心对能源数据进行特征值提取；

G5.针对不同能源类型各自建立能源机器学习系统模型，利用提取的能源数据特征值输入对应能源机器学习系统模型不断训练和仿真；

G6.利用训练好的能源机器学习系统模型仿真模拟数据，并根据实际需求制定能源控制政策，从而建立复杂综合能源数字孪生体辅助控制；

G7.根据行政级别建立各级能源云管理模块，各级行政管理部门依托各级能源云管理模块对行政辖区进行能源云端统一管理。

结合第一方面，本发明提供第一方面的第一种实施方式，步骤G2中，通过5G能源网络切片技术将单个5G能源物理网络切割形成若干端对端的虚拟网络；

单个所述虚拟网络包括具有逻辑独立特征的网络内的设备、接入、传输和核心网。

结合第一方面，本发明提供第一方面的第二种实施方式，所述能源存储计算中心包括能源边缘存储计算中心和能源云存储计算中心。

结合第一方面，本发明提供第一方面的第三种实施方式，步骤G4中，针对能源数据中的数值、图像、文本、语音的多源异构的数据类型采用多种对应的特征提取算法实现特征提取，在此基础上实现特征空间构建和特征空间约简。

结合第一方面，本发明提供第一方面的第四种实施方式，步骤G5中，数据训练和仿真的具体步骤如下：

分别进行能源产生过程模拟、储能模拟、能耗模拟、能源安全模拟、能源转换模拟以及能源调度模拟；使用matlab软件建立各种仿真模型；

将仿真模型得到的模拟结果输出至偏差计算模块，由偏差计算模块将对应设定的目标值与模拟结果进行比较，计算出偏差；

然后判断模拟结果是否与预期一致，若一致，则进行步骤G6，若不一致，则返回模型进行修正和模拟优化。

结合第一方面，本发明提供第一方面的第五种实施方式，能源数据包括电能采集数据、水能采集数据、气能采集数据、热能采集数据、光能采集数据、风能采集数据、化石能采集数据、生物能采集数据中的一种或多种。

结合第一方面，本发明提供第一方面的第六种实施方式，建立的复杂综合能源数字孪生体的硬件结构包括：

采集终端，包括电表、水表、气表、热表、光伏计量表、风能计量表、核能计量表、可再生能源计量表以及其他能源计量表；

边缘控制器，包括电能控制器、水源控制器、气源控制器、热能控制器、光伏控制器、风能控制器、核能控制器、可再生能源控制器以及其他能源控制器；

综合能源枢纽器，用于存储、置换和调度；

云端，包括各级行政管理单位建立的能源数据中心；

其中，采集终端、边缘控制器与综合能源枢纽器通过无线或有线的方式相互连接进行数据传输，而综合能源枢纽器通过TCP/IP协议与云端连接。

本发明的有益效果为：

本发明为解决多种类型城市能源的统一入网、高效互联及多能协同问题提供了可行的技术方案；同时也为可再生能源的有效利用问题提供了可行的技术方案。

对于城市综合能源的利用方式一般是分布式“就地采集，就地存储，就地使用”，但分布式发电并网并不能从根本上改变分布式发电在高渗透率情况下对上一级电网电能质量、故障检测、故障隔离的影响，也难于实现可再生能源的最大化利用。

本发明提出的技术方法可实现包括可再生能源在内的城市综合能源信息的共享，以信息流控制能量流，能够实现综合能源的高效传输与转换共享，能够克服城市综合能源的不稳定问题，实现城市综合能源的高效利用，从而达到大幅节约能源的目的。

同时，本发明利用5G技术与智慧能源管理系统的有机融合，能够大幅提高建筑或城市群的能源管理水平，降低建筑或城市群的整体能耗。针对与单个建筑，现实中仍有较大量的老旧建筑采用的是分散式的控制系统，照明、空调、给排水、电梯、消防、安防等控制系统仍是各自为阵，各系统之间的信息互不相通，且绝大多数情况下，各系统的信息传递标准仍不统一，改造成本也极其高昂。建筑中的大量数据不能自动、及时地采集，极大地限制了互联网技术在建筑中的应用。本发明提出的技术方法可极大的促进未来智慧建筑技术的发展，并降低建筑工程的成本。

附图说明

图1是本发明中整个孪生系统的建模与实现方法的逻辑架构图；

图2是本发明中5G城市综合能源互联网数字孪生系统硬件实现示意图；

图3是本发明中能源网络切片定义与编排方法的示意图；

图4是本发明中实施例2中将整个系统的建模与实现方法应用在某建筑物中的电、冷、热日负荷曲线图；

图5是本发明中实施例2中将整个系统的建模与实现方法应用在某建筑物中的风和空调能耗大数据模拟图；

图6是本发明中实施例2中将整个系统的建模与实现方法应用在某建筑物中的能耗大数据逐日变化监测图；

图7是本发明中实施例2中将整个系统的建模与实现方法应用在某建筑物中的能耗大数据逐日变化监测图的另一种形式；

图8是本发明实施例中的源网荷储互联互通城市应用示意图；

图9是本发明实施例3中针对青海省A市的综合能源互联网工程实施示意图；

图10是本发明实施例3中针对青海省A市的综合能源互联网工程实现逻辑图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步阐释。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，本申请的描述中若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，本申请的描述中若出现术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

实施例1：

城市综合能源互联网综合运用先进电力电子技术、信息技术和智能管理技术，将建筑、建筑群及城市范围内大量分布式能量采集装置、分布式能量储存装置及各种类型负载构成的新型电力网络、石油网络、天然气网络、可再生能源网络等能源节点互联起来，实现能量流和信息流双流双向驱动的能量交换与共享网络。与智能电网比，能源互联网包含的东西要更多，它将各种能源形式组合成一个超级网络，包含了智能通信、智能控制，人工智能，智能电网、智能交通、智能建筑等众多智能与绿色产业。5G城市综合能源互联网数字孪生系统以绿色智慧建筑能源、绿色智慧交通能源、绿色智慧工业能源为受控对象和能源消费对象，采用分布式“云-边-端”能源信息融合闭环管控系统架构。

本发明解决城市综合能源互联网高效互联、能源集约化利用、综合节能问题，采取以下技术方案实现：

首先建立系统，该系统包括以下模块：

1)能源数据采集模块

2)5G物联网模块

3)能源大数据存储计算模块

4)能源大数据特征提取模块

5)能源机器学习系统建模及模型校正模块

6)能源模拟仿真模块

7)能源边缘控制模块

8)能源云管理模块

9)能源云控制与决策模块

具体步骤如下：

步骤1)能源数据采集

针对城市综合能源数据的采集，根据能源类型及其特点，使用相应类型的计量装置或能源表，实现对电、水、燃气、热、光、风、可再生能源及其他能源的精准采集，综合考虑系统性能要求、使用场景等定义采集周期采集周期，原则上最快可达毫秒级，如图1所示；

步骤2)能源数据传输

通过5G物联网实现能源数据传输，如图3所示。采用5G能源网络切片将一个能源物理网络切割成多个虚拟的端到端的网络，每个虚拟网络包括网络内的设备、接入、传输和核心网，是逻辑独立的，任何一个虚拟网络发生故障都不会影响到其它虚拟网络。

能源网络切片的实现首先需实现能源网络功能虚拟化(ENFV，Energy NetworkFunction Virtualization)。ENFV是将网络中专用设备的软硬件功能(比如核心网中的MME、S/P-GW、PCRF、无线接入网中的数字单元DU等)转移到虚拟主机(VMs，VirtualMachines)上。

能源网络经过功能虚拟化后，无线接入网部分叫能源边缘云(Energy EdgeCloud)，核心网部分叫能源核心云(Energy Core Cloud)。能源边缘云中的VMs和能源核心云中的VMs，通过SDN(软件定义网络)互联互通。

步骤3)能源大数据存储计算

存储计算物理实体包括边缘存储计算中心和云存储计算中心。实现对各类能源大数据的清洗、处理、归类、存储、计算。

步骤4)能源大数据特征提取

针对数值、图像、文本、语音等多源异构能源大数据采用不同的恰当的特征提取算法，实现特征提取，在此基础上实现特征空间构建、特征空间约简。

步骤5)能源机器学习系统建模及模型校正

针对不同类型能源系统的机理与特点建立机器学习模型，机器学习算法可依据具体场景选择，可采用深度学习的卷积神经网络CNN、长短期记忆网络LSTM等，也可采用与环境实时交互能力好的强化学习算法模型。建模后需进行模型训练与不断调优，经过反复调整和校正得到能源AI模型。

步骤6)能源模拟仿真

包括以下具体模拟仿真模块(可依据实际系统需求选择)：能源产生过程模拟，储能模拟，能耗模拟，能源安全模拟，能源转换模拟，能源调度模拟。使用matlab软件建立各种仿真模型，必要时可使用其他建模软件。模拟结果输出到偏差计算模块，偏差计算模块将对应目标值与模拟结果进行比较，计算出偏差。判断模拟结果是否与预期一致，若一致，则进入能源边缘控制模块：能源边缘控制模块；若不一致，则进行模型修正和模拟优化(数字孪生提校准模块)。

步骤7)能源边缘控制

包括制定能源控制策略、开发能源控制算法、下载烧写进能源控制器等具体操作。完成复杂综合能源数字孪生体控制系统建模。

步骤8)能源云管理

依托各级(区县级、市级、省级、国家级)能源管理平台实现能源云端统一管理。

步骤9)能源云控制与决策

实现能源系统的云端远程预演、预警、预控、预防、应急管控级实时控制、实时响应，实现综合智慧决策。

值得说明的是，本实施例中所建立的综合能源数字孪生体，是针对每一种能源所建立的数字孪生系统，包括模拟能源源、能源处理及输送网络和负载，通过数字孪生系统训练后形成的成熟模型，针对某个主体(建筑或城市)快速模拟一个周期(一个季度或者一年)的所有数据。若该主体出现某个特定风险情况(极端气候、地质灾害、规划变动以及政策调整等)，会在训练时针对实际出现的风险情况进行单独训练，并获得数据的变化系数，并将对应变化系数保存。当对应主体出现或预期出现相应风行情况时，立即将保存的相应变化系数输入模型中，并以1.04-1.1的放大倍率获取到对应数据并依据该数据进行策略调整。

实施例2：

本实施例基于上述实施例1中的系统和建模实现方法，针对某个公共建筑物中的能源数据进行采集和控制，并建立数字孪生系统进行训练和仿真，并依托该系统预测真实建筑中在一定周期内的能源数据，从而进行可依托给出的仿真数据自定管理和调控策略。

5G能源互联网数字孪生系统应用于智慧建筑能源管理系统中，能够让建筑内的通风空调系统运行在全自动状态。智能控制方式可以预先设定若干基本工作状态，根据天气情况、房间内的人员情况，自动地调整房间内的供热、供冷及通风量。

例如，在上班时间到来前，可以根据预先设定的时间，提前开启通风空调系统，使建筑物内的污染物(如甲醛、CO2，Rn等)提前稀释，达到人能够正常工作的安全状态。在下班后或人变少后能够自动地降低通风量或关闭通风系统。再如，互联网智能控制系统能够时时控制房间内的温度、湿度，使房间内的环境根据天气预报，及时地调整空调系统的运行状态和方式，从而达到节能降耗的作用。

除此之外，互联网系统的加入，能够使房间内的环境信息及时地传递给远程的控制室，通过对于房间环境的掌握，从而可以远程地对房间环境做出精准调节。当采用精确调节方式后，智能建筑的空调系统可以在过渡季节充分利用外界自然的冷暖空气，减少机组的运行时间及负荷，最终达到节能降耗的目的。在此基础上，设计以建筑能源互联网能耗最小化、能效最大化为目标函数的优化控制方法，用神经网络、强化学习等算法预测未来状态点的能耗，提前启停设备，自动、自主、自学习式优化控制建筑能耗装置集群，使之达到群体智能。

如图4-图7所示，图中给出了该建筑物中的部分能源仿真数据视图，通过数据可视化技术，使得管理者能够在系统中直观的看到每天的各种能源的消耗，从而指定对应的能源管理和调控策略。

实施例3：

本实施例将实施例1的方案应用在青海省的A城市中。

青海省可再生能源丰富，正在打造全国最大的水、光、风互补清洁能源基地，将建成国家重要的能源接续地。青海省A市合理布局抽水蓄能电站、光伏电站、热电联产等项目，实现多能协同下的城市综合数字孪生能源互联网。具体实施方法如下：

采用“多站融合”理念，建设5G基站、充电桩、大数据中心、分布式光伏、数字孪生水电站、无人值守数字孪生风电站、可再生能源储能系统等多功能一体站式综合能源基础设施。综合能源基础设施在综合能源站的基础上扩展而来，优先布局和发展清洁能源，在空间范围、能源种类、要素数量等方面比综合能源站更加丰富和复杂，由多个能源站连接而成，实现变电站、水电站、光伏电站、风电站、其他可再生能源电站、充换电站(储能站)、5G基站、北斗地基增强站、环境监测站、数据中心站等多站合一，能源环境基础设施与信息通信基础设施融为一体，既能支撑城市和企业管理电网和可再生能源，也能支撑城市和企业运营能源大数据、能源金融、虚拟电厂等业务。

城市综合能源互联网平台通过区域能源云实现能源的统一智慧管理与控制，进行智能运营。物理上分散的分布式综合能源站(市、县、乡、社区、家庭的分布式综合能源站)通过统一建设的区域能源云平台，实现集中管理。区域能源云是一个开放的智能计算平台，可以与智慧城市其他系统进行系统集成，实现多能互补、数据共享、在线碳交易等功能。通过能源大数据挖掘分析和神经网络深度学习，实现用电量预测、供电能力预测、电量平衡分析与预测，选择新能源注入电网的最佳时间节点，有效实现电网的削峰填谷，解决电量供需矛盾。

例如：

(1)用电预测：2006年，预计青海电网用电量255亿千瓦时，其中产业用电244亿千瓦时。产业用电中，第一产业1.5亿千瓦时，第二产业233亿千瓦时，第三产业9.5亿千瓦时。居民生活用电11亿千瓦时。2007年，预计青海电网用电量用电量270亿千瓦时，其中产业用电258亿千瓦时。产业用电中，第一产业1.8亿千瓦时，第二产业245.2亿千瓦时，第三产业11亿千瓦时。居民生活用电12亿千瓦时。

(2)供电能力预测：对龙羊峡水电站、李家峡水电站、公伯峡水电站、桥头发电厂等主力电厂(鉴于黄河来水偏枯的趋势还在继续，主力水电厂的发电量预测均按偏枯来水考虑)和地方小水火电分年度上网电量预测。2006年，预计上网发电量267亿千瓦时，其中龙羊峡水电站36亿千瓦时，李家峡水电站43亿千瓦时，公伯峡水电站32亿千瓦时，桥头铝电34亿千瓦时，大通华电27亿千瓦时，西海火电厂8亿千瓦时，格尔木燃气电厂15亿千瓦时，万立投资公司技改电厂16亿千瓦时，小水火电56亿千瓦时。如果李家峡水电站按分电办法给青海电网供电，则全部上网电量为231亿千瓦时。2007年，预计上网发电量288亿千瓦时，其中龙羊峡水电站36亿千瓦时，李家峡水电站43亿千瓦时，公伯峡水电站32亿千瓦时，桥头铝电34亿千瓦时，大通华电36亿千瓦时，西海火电厂16亿千瓦时，格尔木燃气电厂15亿千瓦时，万立投资公司技改电厂16亿千瓦时，小水火电60亿千瓦时。如果李家峡水电站按分电办法给青海电网供电，则全部上网电量为252亿千瓦时。

(3)电量平衡情况。2006年，按全留青海电网口径平衡，可盈余电量12亿千瓦时，按分电办法平衡，缺电量为24亿千瓦时，2007年，按全留青海电网口径平衡，盈余电量18亿千瓦时，按分电办法平衡，缺电量为18亿千瓦时。

基于往年数据，采用时间序列分析法，应用神经网络深度学习算法可实现对未来三年的用电量预测、供电能力预测、电量平衡预测。在应用场景数据量不断增大情况下，采用分布式机器学习技术。

而在实施例1中提到的风险情况而预期训练并获得的变化系数方法，应用在该青海省A市的几次自然灾害的数据模拟中发现，在2010年的玉树地震中，对A市的电力系统的发电厂、电力输送线路和该市的电力负荷均造成影响，通过测算获得的变化系数进行测算，发现在针对发电厂建立的数字孪生体在输入对应的影响参数后所获得的数据变化值与实际值之间的偏差在1.04-1.2之间，而电力输送线路的偏差在1.08左右，则说明设置的放大倍率能够适用于实际的情况预测。

城市数字孪生能源系统应对大规模分布式计算可选择的机器学习框架策略有：微软公司机器学习工具包，即计算网络工具包(Computational Network Toolkit，CNTK)和DMTK；谷歌开源人工智能系统TensorFlow；IBM开源机器学习平台SystemML。

采用DMTK分布式机器学习框架的实现方法为：分布式能源大数据系统由能源参数服务器和能源客户端软件开发包(SDK)两部分构成。

(1)能源参数服务器。支持存储混合数据结构模型、接受并聚合工作节点服务器的数据模型更新、控制模型同步逻辑等。

(2)能源客户端软件开发包(SDK)。包括网络层、交互层，支持维护节点模型缓存(与全局模型服务器同步)、节点模型训练和模型通讯的流水线控制、以及片状调度大模型训练等。DMTK提供了丰富的API接口。大数据接口主要集中在并行框架部分，解决多机器并行学习时单机客户端如何调用参数服务器的问题。

采用的分布式机器学习算法如下：LightLDA：是一种用于训练主题模型的高效学习算法，具有可扩展性、快速性、轻量级特点，计算复杂度与主题数目无关。在分布式能源系统实现中，DMTK能够在一个普通计算机集群上处理超大规模的数据和模型。例如，在一个由8台计算机组成的集群上，只需要一个星期左右的时间，可以在具有1千亿训练样本(token)的数据集上训练具有1千万词汇表和1百万个话题(topic)的LDA模型(约10万亿个参数)。

城市综合能源互联网智算平台主要包含四个层级：能源大数据采集层，能源大数据存储智算层，能源大数据共享层，能源大数据应用层。

(1)能源大数据采集层

数据源主要有：水电站能源大数据、风电站能源大数据、光伏电站能源大数据、电力大数据、其他可再生能源大数据。基于Hadoop分布式文件系统对能源采集层的数据进行存储。结构化数据：通过两种途径抽取并存放到HDFS分布式文件系统中，能够序列化的数据，直接存放到HDFS中，不能够序列化的数据,通过数据整理后统一存放在分布式数据库环境中,再经过序列化后和整理后还不能序列化的数据一样直接存放到HDFS中。半结构化和非结构化数据：各种日志数据(通常序列化半结构化数据)直接存放到HDFS中；点击流和数据接口中的数据(通常序列化半结构化数据)直接存放到HDFS中；非结构化的数据直接存放到HDFS中。从各种能源数据源中采集数据和存储到数据到存储在基于Hadoop分布式文件系统HDFS上，期间做ETL操作。

(2)能源大数据存储智算层

在数据共享中心，对“能源数据ID”进行统一编码，构建各种能源数据互联互通体系。主要有离线计算与实时计算两种模式。一方面，把相关业务结构化数据和有一定格式关系的半结构化的数据存放在Hadoop Hive数据仓库中，基于业务需求，按照特定的业务主题域进行数据集市的构建；另一方面把相关业务中半结构化的数据直接存放在HDFS。离线计算针对实时性要求不高的部分，将计算结果保存在Hive中。实时计算使用SparkStreaming、Storm消费Kafka中收集的日志数据，然后通过实时计算，将结果保存在Redis中。能源大数据的存储采用Hadoop分布式文件系统。消息系统加入Kafka防止数据丢失。机器学习采用Spark MLlib提供的机器学习算法。

(3)能源大数据共享层

通过离线和实时计算的数据分析与计算后的结果存储在数据共享层，主要做数据分发和综合调度。通过Hive、MR、Spark、SparkSQL分析和计算的结果，是存储在HDFS上，业务和应用不可能直接从HDFS上获取数据，故需要做数据共享层。用Kylin作为OLAP引擎做多维度分析。

(4)能源大数据应用层

包括：能源大数据统计分析，能源大数据查询，报表展示，能源大数据挖掘，能耗预测，综合能源调度，碳排放交易等。

图8示出了一种源网荷储互联互通城市应用。“源”主要包括火电、风电、水电、太阳能、生物发电等多种类型能源供给侧物理资源；“网”主要指连接形成能源互联网的以5G为主的各种网络和能源互联网中涉及到的断路器、开关、变压器、无功补偿设备等设备装置；“荷”指的是能源需求侧物理资源，主要指的是公共建筑、住宅、电动汽车等能源消耗对象；“储”主要包括各种储能装置，如燃料电池、飞轮储能装备。采用本专利城市综合能源互联网数字孪生系统建模方法，可搭建出本案例所示的实用化城市综合能源互联网，实现源网荷储互联互通的真正意义上的城市能源互联网。

而图9中数字孪生水电站采用水力发电(Hydroelectric power)，该方法利用河流、湖泊等位于高处具有势能的水流至低处，将其中所含势能转换成水轮机之动能，再借水轮机为原动力，推动发电机产生电能，实现水位能、机械能、电能的转换。抽水蓄能电站把下水库的水用泵抽到上水库，在上水库中蓄水，相当于储存了电能，当上水库的水向下流时，可推动水轮发电机组发电释放能量。抽水蓄能电站利用电网中负荷低谷时多余的电力，将低处下水库的水抽到高处上水库存蓄，待电网负荷高峰时放水发电，尾水至下水库，从而满足电网调峰等电力负荷的需要。水力发电厂所发出的电力电压较低，要输送给距离较远的用户，须将电压经过变压器增高，再由空架输电线路输送到用户集中区的变电所，最后降低为适合家庭用户、工厂用电设备的电压，并由配电线输送到各个工厂及家庭。

图9中数字孪生光伏发电站分为独立光伏系统(离网光伏发电)和并网光伏系统。独立光伏发电主要由太阳能电池组件、控制器、蓄电池组成，在交流负载供电情况下，配置交流逆变器。独立光伏电站包括边远地区村庄供电系统、太阳能户用电源系统、通信信号电源、阴极保护、太阳能路灯等各种带有蓄电池的可独立运行的光伏发电系统。并网光伏发电方案是太阳能组件产生的直流电经过并网逆变器转换成符合市电电网要求的交流电这后直接接入公共电网，分为带蓄电池的和不带蓄电池的并网发电系统。带蓄电池的并网发电系统具有可调度性，可以根据需要并入或退出电网，还具有备用电源的功能，当电网因故停电时可紧急供电。带有蓄电池的光伏并网发电系统可安装在居民住宅建筑；不带蓄电池的并网发电系统不具备可调度性和备用电源的功能，安装在较大型的系统上。光伏发电系统主要由太阳能电池板(组件)、控制器和逆变器三部分电子元器件组成。太阳能光伏发电的最基本元件是太阳能电池(片)，有单晶硅、多晶硅、非晶硅和薄膜电池等多种产品。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (7)

1.一种5G城市综合能源互联网数字孪生系统建模与实现方法，将多种能源计入城市能源管理平台实现城市范围的能源连续动态管理，其特征在于：具体步骤如下：

G1.对城市接入的多种能源数据进行采集；

G2.将采集后的多种能源数据通过5G能源物理网络进行数据传输；

G3.建立能源存储计算中心，用于处理和存储传输过来的多种能源数据；

G4.通过能源存储计算中心对能源数据进行特征值提取；

G5.针对不同能源类型各自建立能源机器学习系统模型，利用提取的能源数据特征值输入对应能源机器学习系统模型不断训练和仿真；

G6.利用训练好的能源机器学习系统模型仿真模拟数据，并根据实际需求制定能源控制政策，从而建立复杂综合能源数字孪生体辅助控制；

G7.根据行政级别建立各级能源云管理模块，各级行政管理部门依托各级能源云管理模块对行政辖区进行能源云端统一管理。

2.根据权利要求1所述的一种5G城市综合能源互联网数字孪生系统建模与实现方法，其特征在于：步骤G2中，通过5G能源网络切片技术将单个5G能源物理网络切割形成若干端对端的虚拟网络；

单个所述虚拟网络包括具有逻辑独立特征的网络内的设备、接入、传输和核心网。

3.根据权利要求1所述的一种5G城市综合能源互联网数字孪生系统建模与实现方法，其特征在于：所述能源存储计算中心包括能源边缘存储计算中心和能源云存储计算中心。

4.根据权利要求1所述的一种5G城市综合能源互联网数字孪生系统建模与实现方法，其特征在于：步骤G4中，针对能源数据中的数值、图像、文本、语音的多源异构的数据类型采用多种对应的特征提取算法实现特征提取，在此基础上实现特征空间构建和特征空间约简。

5.根据权利要求1所述的一种5G城市综合能源互联网数字孪生系统建模与实现方法，其特征在于：步骤G5中，数据训练和仿真的具体步骤如下：

分别进行能源产生过程模拟、储能模拟、能耗模拟、能源安全模拟、能源转换模拟以及能源调度模拟；使用matlab软件建立各种仿真模型；

将仿真模型得到的模拟结果输出至偏差计算模块，由偏差计算模块将对应设定的目标值与模拟结果进行比较，计算出偏差；

然后判断模拟结果是否与预期一致，若一致，则进行步骤G6，若不一致，则返回模型进行修正和模拟优化。

6.根据权利要求1所述的一种5G城市综合能源互联网数字孪生系统建模与实现方法，其特征在于：能源数据包括电能采集数据、水能采集数据、气能采集数据、热能采集数据、光能采集数据、风能采集数据、化石能采集数据、生物能采集数据中的一种或多种。

7.根据权利要求1所述的一种5G城市综合能源互联网数字孪生系统建模与实现方法，其特征在于：建立的复杂综合能源数字孪生体的硬件结构包括：

采集终端，包括电表、水表、气表、热表、光伏计量表、风能计量表、核能计量表、可再生能源计量表以及其他能源计量表；

边缘控制器，包括电能控制器、水源控制器、气源控制器、热能控制器、光伏控制器、风能控制器、核能控制器、可再生能源控制器以及其他能源控制器；

综合能源枢纽器，用于存储、置换和调度；

云端，包括各级行政管理单位建立的能源数据中心；

其中，采集终端、边缘控制器与综合能源枢纽器通过无线或有线的方式相互连接进行数据传输，而综合能源枢纽器通过TCP/IP协议与云端连接。

Images