CN115186434A - 园区能源站多能协同运行系统、方法、设备和存储介质 - Google Patents
园区能源站多能协同运行系统、方法、设备和存储介质 Download PDFInfo
- Publication number
- CN115186434A CN115186434A CN202210605601.XA CN202210605601A CN115186434A CN 115186434 A CN115186434 A CN 115186434A CN 202210605601 A CN202210605601 A CN 202210605601A CN 115186434 A CN115186434 A CN 115186434A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- layer
- energy
- park
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 68
- 238000013486 operation strategy Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 11
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 238000013473 artificial intelligence Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000010521 absorption reaction Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005338 heat storage Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000002195 synergetic effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011017 operating method Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005485 electric heating Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 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
-
- 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
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种园区能源站多能协同运行系统、方法、设备和存储介质,包括:设备层和仿真层;所述设备层,用于对园区能源站内设备的数据进行采集并发送;和用于基于最优运行策略对所述设备进行控制;所述仿真层,用于通过基于设备层构建的数字孪生体,利用设备层提供的数据进行仿真计算,得到各设备的状态和最优运行策略并发送;本发明通过设备层实现数据的实时采集;通过仿真层进行仿真计算,得到设备的最优运行策略,利用设备的最优运行策略控制园区能源站内设备,可为园区内的用户提供安全、可靠、绿色的生产生活用能,提高园区能源利用效率,降低园区碳排放量,有利于实现能源站的精细化运维管理,实现园区能源站的远程监控与运行维护。
Description
技术领域
本发明属于电力技术领域,具体涉及一种园区能源站多能协同运行系统、方法、设备和存储介质。
背景技术
园区能源站作为能源互联网的承载实体,具有多能流耦合、信息物理融合的复杂特点,与单一能源系统相比,传统基于机理物理模型的方法难以满足其监测分析及优化运行的要求。同时,园区能源站运行会产生大量的数据,如何实时采集、计算简化与分析处理数据是园区能源站管理中必不可少的环节。
现有的管理方式存在针对园区能源站运维管理模式粗放,能源综合利用效率低等问题。基于上述问题,急需提出一种园区能源站多能协同技术。
发明内容
为克服上述现有技术的不足,本发明提出一种园区能源站多能协同运行系统,包括:设备层和仿真层;
所述设备层,用于对园区能源站内设备的数据进行采集并发送;和用于基于最优运行策略对所述设备进行控制;
所述仿真层,用于通过基于设备层构建的数字孪生体,利用设备层提供的数据进行仿真计算,得到各设备的状态和最优运行策略并发送。
优选的,所述仿真层,包括:负荷预测算法模块、人工智能算法模块和数字孪生体模块;
所述数字孪生体模块与设备层连接;所述数字孪生体模块基于设备层的各设备构建,用于基于设备层的历史数据,确定设备的实时状态并发送;和用于对人工智能算法模块制定的最优运行策略进行发送;
所述负荷预测算法模块,用于基于长短期记忆网络,对设备层提供的历史数据进行负荷预测得到负荷预测数据;
所述人工智能算法模块,用于基于所述数字孪生体模块,结合所述负荷预测数据,以各设备的协同量最优为目标进行日前仿真计算得到设备的最优运行参数,并基于所述设备的最优运行参数制定设备的最优运行策略;
其中,所述各设备的协同量包括下述中的一种或多种,经济性、能效、碳排放量和可再生能源利用率。
优选的,数字孪生体的构建,包括:
基于各设备的历史数据,采用数据-机理联合驱动的建模方法,构建所述设备的数字模型;
基于所有的数字模型得到设备层对应的数字孪生体;
其中,所述数据-机理联合驱动的建模方法基于数据驱动模型和机理模型进行建模。
优选的,所述数据-机理联合驱动的建模方法,包括:
数据-机理联合驱动的并联型架构模型建模方法,或数据-机理联合驱动的串联型架构模型建模方法;
其中,所述并联型架构模型,以设备的历史数据为输入参数;通过数据驱动模型和机理模型分别对设备的历史数据进行计算,并将计算结果进行求和得到设备的状态;以所述设备的状态为输出参数;
所述串联型架构模型,以设备的历史数据为输入;通过机理模型和数据驱动模型依次对设备的历史数据进行计算,并通过设备的实时数据对所述数据驱动模型进行修正,得到设备的状态;以所述设备的状态为输出参数。
优选的,一种园区能源站多能协同运行系统,还包括:交互层;
所述交互层,用于基于仿真层提供的最优运行策略生成调度指令,并发送至设备层和仿真层;和用于基于设备层提供的数据和仿真层提供的设备的状态,进行设备状态的评价、预警和展示;
所述交互层通过接口与设备层和仿真层连接;
所述调度指令,用于对所述设备层的设备和仿真层的数字孪生体模块进行控制。
优选的,所述设备,包括下述中的一种或多种:
热电联产机组、光伏组件、燃气锅炉、电制冷机、吸收式制冷机、输电线路、供热管道、供冷管道、供水管道、蓄电池、储热水箱、储冷水箱、空调、冰箱、充电桩、电动汽车和电热水器。
优选的,所述数据,包括下述中的一种或多种:
热电联产机组的压力、热电联产机组的温度、热电联产机组的流量、燃气锅炉的压力、燃气锅炉的温度、燃气锅炉的流量、吸收式制冷机的压力、吸收式制冷机的温度、吸收式制冷机的流量、光伏组件的电压、光伏组件的电流、光伏组件的温度、电制冷机的功率、电制冷机的温度、蓄电池的容量、蓄电池的功率、储热水箱的温度、储热水箱的流量、蓄冷水箱的温度、蓄冷水箱的流量、环境温度、压力、光照数值、设备的额定功率、设备的额定容量、设备的效率、设备的能效比和设备的占地面积。
优选的,所述设备层的实时数据和历史数据,按园区能源站内设备的不同数据精度需求进行采集;包括下述中的一种或多种:秒级、分钟级和小时级。
优选的,所述运行策略,包括下述中的一种或多种:控制设备的输出功率、阀门开度、进出口温度和投切状态。
基于同一发明构思,本发明还提供了一种园区能源站多能协同运行方法,包括:
获得园区能源站内设备的数据;
通过数字孪生体,对所述数据进行仿真计算,得到各设备的状态和最优运行策略;
基于最优运行策略对所述设备进行控制。
优选的,所述通过数字孪生体,对所述数据进行仿真计算,得到各设备的状态和最优运行策略,包括:
通过数字孪生体模块基于设备的历史数据,确定设备的实时状态并发送;
利用负荷预测算法模块,基于长短期记忆网络,对所述历史数据进行负荷预测得到负荷预测数据;
利用人工智能算法模块,基于所述数字孪生体模块,结合所述负荷预测数据,以各设备的协同量最优为目标进行日前仿真计算得到设备的最优运行参数,并基于所述设备的最优运行参数制定设备的最优运行策略;
其中,所述各设备的协同量包括下述中的一种或多种,经济性、能效、碳排放量和可再生能源利用率。
优选的,所述得到园区能源站内设备的数据之后,通过数字孪生体,对所述数据进行仿真计算之前,还包括:
对园区能源站内设备的进行实时状态监控和数据的初步处理。
优选的,一种园区能源站多能协同运行方法,还包括:
基于最优运行策略生成调度指令;
基于设备的数据和设备的状态,进行设备状态的评价、预警和展示;
基于调度指令对设备进行控制,并反馈控制后设备的数据;
基于调度指令对数字孪生体模块进行控制,并反馈控制后设备的状态。
所述调度指令,用于对设备和数字孪生体模块进行控制。
基于同一发明构思,本发明还提供了一种计算机设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现所述一种园区能源站多能协同运行方法。
基于同一发明构思,本发明还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现所述一种园区能源站多能协同运行方法。
与最接近的现有技术相比,本发明具有的有益效果如下:
1、本发明提供了一种园区能源站多能协同运行系统和方法,包括:设备层和仿真层;所述设备层,用于对园区能源站内设备的数据进行采集并发送;和用于基于最优运行策略对所述设备进行控制;所述仿真层,用于通过基于设备层构建的数字孪生体,利用设备层提供的数据进行仿真计算,得到各设备的状态和最优运行策略并发送;本发明通过设备层实现数据的实时采集;通过仿真层进行仿真计算,得到设备的最优运行策略,利用设备的最优运行策略控制园区能源站内设备,可实现园区能源站多能协同运行;
2、本发明通过负荷预测算法、人工智能算法和数字孪生体间的配合,可以在多时间尺度预测园区内的电冷热气水负荷,并提出设备最优运行策略,以此为指导可为园区内的用户提供安全、可靠、绿色的生产生活用能,提高新能源比例,提高园区能源利用效率,降低园区碳排放量,节省用能成本,有利于实现能源站的精细化运维管理;
3、通过本发明中的交互层,进行设备状态的评价、预警和展示,可实现园区能源站的远程监控与运行维护,减轻运维人员的工作强度,实现园区能源站运行的数字化与信息化。
附图说明
图1为本发明提供的园区能源站多能协同运行系统的结构示意图;
图2为本发明提供的园区能源站多能协同运行系统的仿真层中数字孪生体的数据-机理联合驱动的并联型架构模型示意图;
图3为本发明提供的园区能源站多能协同运行系统的仿真层中数字孪生体的数据-机理联合驱动的串联型架构模型示意图;
图4为本发明提供的园区能源站多能协同运行方法的流程示意图。
具体实施方式
针对园区能源站运维管理模式粗放,能源综合利用效率低等问题,本发明设计了一种园区能源站多能协同运行系统。面向热电联产CHP机组、光伏组件、燃气锅炉、电制冷机、吸收式制冷机、输电线路、供热管道、供冷管道、蓄电池、储热水箱、储冷水箱、空调、冰箱、充电桩和电动汽车等能源生产、输配、转化、存储、使用设备,实时采集其运行参数,监测各设备的运行状态。通过构建数据-机理联合驱动的精细化数字孪生体,同时,基于历史负荷数据预测园区内的电、冷、热、气、水负荷,通过优化计算得到能源站设备的最优出力参数,并依据最优出力参数最终得到运行策略,将控制指令实时下发至设备进行控制,实现精细化数字孪生体和设备之间的互动。基于数字孪生的能源站多能协同系统有助于解决能源站的精细化管理难题,可对能源站的运行状态进行实时的监测和控制;电、冷、热、气、水等多种能源互补互济可极大提高能源站的能量利用效率,降低用能成本;能源站的智慧化运行可实现系统的远程操控与运行维护,减轻运维人员的工作强度;同时,能源站的数字化与信息化有助于开发能效诊断与建议等定制化服务,形成新的商业模式。
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的园区能源站多能协同运行系统,其结构示意图如图1所示,包括:设备层和仿真层;
所述设备层,用于对园区能源站内设备的数据进行采集并发送;和用于基于最优运行策略对所述设备进行控制;
所述仿真层,用于通过基于设备层构建的数字孪生体,利用设备层提供的数据进行仿真计算,得到各设备的状态和最优运行策略并发送;
所述设备层和仿真层,通过接口连接。
所述设备层,包含园区能源站中能源生产转化、输配、存储和使用的所有设备和数据。
所述设备包括CHP机组、光伏组件、燃气锅炉、电制冷机、吸收式制冷机、输电线路、供热管道、供冷管道、供水管道、蓄电池、储热水箱、蓄冷水箱、空调、冰箱、充电桩和电动汽车等设备。
其中,能源生产转化设备,包括CHP机组、光伏组件、燃气锅炉、电制冷机和吸收式制冷机等设备;这当中,CHP机组和光伏组件属于供电设备,另外可将电网购电作为补充;CHP机组和燃气锅炉属于供热设备;电制冷机和吸收式制冷机属于供冷设备;
能源输配设备,包括输电线路、供热管道和供冷管道等设备;
能源存储设备,包括蓄电池、储热水箱和蓄冷水箱等设备;
能源使用设备,包括空调、冰箱、充电桩和电动汽车等设备。
所述数据包括设备运行数据、环境数据和资源数据;
所述运行数据包括,CHP机组的压力、CHP机组的温度、CHP机组的流量、燃气锅炉的压力、燃气锅炉的温度、燃气锅炉的流量、吸收式制冷机的压力、吸收式制冷机的温度、吸收式制冷机的流量、光伏组件的电压、光伏组件的电流、光伏组件的温度、电制冷机的功率、电制冷机的温度、蓄电池的容量、蓄电池的功率、储热水箱的温度、储热水箱的流量、蓄冷水箱的温度、蓄冷水箱的流量等数据;
所述环境数据包括环境温度、压力和光照数值等数据。
所述资源数据包括设备的额定功率、设备的额定容量、设备的效率、设备的能效比和设备的占地面积等数据。
这当中,采集、存储和记录的能源使用设备的数据包含秒级、分钟级、小时级等多时间尺度,以满足电热冷气水等多种能源的不同数据精度需求。
通过在设备层采集各设备的运行数据、环境数据和资源数据,并利用采集的运行数据、环境数据和资源数据进行设备的状态监测和数据的初步处理。
所述仿真层,基于数字孪生体(精细化的设备模型和多元数据),结合预测得到的负荷数据,利用人工智能算法进行仿真计算,以经济、能效、碳排放、可再生能源利用率和安全等指标最优为目标对电、热、冷、气、水多能流进行耦合优化,得到最优运行策略;包括:负荷预测算法模块、人工智能算法模块和数字孪生体模块;
其中,所述数字孪生体模块与设备层连接;所述数字孪生体模块基于设备层的各设备构建,用于基于设备层的历史数据,确定设备的实时状态并发送;和用于对人工智能算法模块制定的最优运行策略进行发送。
所述数字孪生体基于设备的精细化机理模型,和历史时刻的运行数据、环境数据、资源数据等多元数据,采用数据-机理联合驱动的建模方法构建,通过多元数据补充机理模型无法描述的状态变化,通过机理模型验证数据驱动模型的合理性和正确性。
本实施例中的数据-机理联合驱动的建模方法,包含两种建模方法:数据-机理联合驱动的并联型架构模型建模方法,和数据-机理联合驱动的串联型架构模型建模方法;
本发明中,对于设备的机理模型已知,但得到的设备状态不够准确的设备对象采用并联型架构模型建模方法;对于有大量历史运行数据进行训练、某些过程或机理尚未明确的设备对象采用串联型架构模型建模方法。上述的某些过程或机理尚未明确的设备对象为燃气锅炉、内燃机、燃气轮机等包含燃烧过程的设备,采用串联型架构模型建模方法是因为燃烧过程无法实现高精度的机理建模。除包含燃烧过程外的设备,采用并联型架构模型建模方法。
其中,所述并联型架构模型,以设备的历史数据为输入参数;通过数据驱动模型和机理模型分别对设备的历史数据进行计算,并将计算结果进行求和得到设备的状态;以所述设备的状态为输出参数;其模型示意图如图2所示;
所述串联型架构模型,以设备的历史数据为输入;通过机理模型和数据驱动模型依次对设备的历史数据进行计算,并通过设备的实时数据对所述数据驱动模型进行修正,得到设备的状态;以所述设备的状态为输出参数;其模型示意图如图3所示;
在图2和图3中,u为模型的输入参数(即设备的历史数据);Y为输出参数(即设备的状态);图3中的实际对象指设备的实时数据,用来修正数据驱动模型,使最终得到的设备的状态更加精确。
所述负荷预测算法模块,用于基于长短期记忆网络LSTM,对设备层提供的基于电、冷、热、气、水等能源的历史数据进行负荷预测得到负荷预测数据;
所述人工智能算法模块,用于基于所述数字孪生体模块,结合所述负荷预测数据,以各设备的协同量最优为目标进行日前仿真计算得到设备的最优运行参数,并基于所述设备的最优运行参数制定设备的最优运行策略;
所述人工智能算法,包括:深度学习算法和强化学习算法;
其中,所述各设备的协同量包括下述中的一种或多种,经济性、能效、碳排放量和可再生能源利用率。
本实施例中对多能流进行耦合优化,具体来说是对园区能源站的用能过程进行日前仿真和实时仿真;
日前仿真以经济性、能效、碳排放、可再生能源利用率为目标,基于电冷热气水多能的历史数据,通过数字孪生体、负荷预测算法和人工智能算法的配合,进行多能流优化,得到可执行的设备最优运行策略;运行策略包括输出功率、阀门开度、进出口温度和投切状态等;
实时仿真通过数字孪生体模块,基于历史运行数据,仿真得到设备的实时运行状态,并比对设备层提供的设备实时状态,对设备运行状态进行评价和判断。
本发明提供的园区能源站多能协同运行系统,还包括:交互层;
所述交互层,用于基于仿真层提供的最优运行策略生成调度指令,并发送至设备层和仿真层;和用于基于设备层提供的数据和仿真层提供的设备的状态,进行设备状态的评价、预警和展示;
所述交互层通过接口与设备层和仿真层连接;
所述调度指令,用于对所述设备层的设备和仿真层的数字孪生体模块进行控制。
在本实施例中,交互层根据设备层提供的数据和仿真层提供的设备状态,可对园区能源站各设备的运行状态进行实时展示,展示的内容包括各能源间的能流分布、设备的拓扑连接状态和设备的各项评价指标等,实现系统的监测预警、状态评价和控制调度功能。
运行控制人员可以以仿真层得到的最优运行策略作为辅助决策手段,基于运行策略在交互层生成控制指令,并同步下发至设备层和仿真层(保证设备层和仿真层的同步性),通过控制指令直接改变设备参数来控制设备的运行和投切,实现对设备的优化调度。同时,控制结果可在交互层实时反馈,展示系统调节后的运行状态。
本实施例中的最优运行策略和控制指令均可对设备层的设备进行控制,若最优运行策略和控制指令同时下发至设备时,控制指令的执行优先度更高。
本系统构建了基于园区能源站数字孪生体,利用数字孪生体可实时监测并评估设备运行状态;本系统通过仿真层中数字孪生体、负荷预测算法和人工智能算法的配合,可在多时间尺度预测园区内的电冷热气水负荷,提出设备出力策略和投切策略,辅助运维人员进行决策;利用本系统指导园区能源站协同运行,实现园区能源站的精细化管理,可为园区内的用户提供安全、可靠、绿色的生产生活用能,提高园区中新能源的比例和能源利用效率,降低园区碳排放。
实施例2:
本实施例对园区能源站多能协同运行方法的具体实现过程进行介绍,其流程示意图如图4所示,包括:
步骤1:获得园区能源站内设备的数据;
步骤2:通过数字孪生体,对所述数据进行仿真计算,得到各设备的状态和最优运行策略;
步骤3:基于最优运行策略对所述设备进行控制。
步骤2具体包括:
通过数字孪生体模块基于设备的历史数据,确定设备的实时状态并发送;
利用负荷预测算法模块,基于长短期记忆网络,对所述历史数据进行负荷预测得到负荷预测数据;
利用人工智能算法模块,基于所述数字孪生体模块,结合所述负荷预测数据,以各设备的协同量最优为目标进行日前仿真计算得到设备的最优运行参数,并基于所述设备的最优运行参数制定设备的最优运行策略;
利用所述数字孪生体模块对所述最优运行策略进行发送;
其中,所述各设备的协同量包括下述中的一种或多种,经济性、能效、碳排放量和可再生能源利用率。
优选的,所述通过数字孪生体模块基于设备的历史数据,确定设备的实时状态,包括:
通过数字孪生体模块,基于设备的历史运行数据进行仿真得到设备的实时运行状态,并比对设备的设备实时状态,对设备运行状态进行评价和判断。
优选的,所述好的园区能源站内设备的数据之后,通过数字孪生体模块,利用设备层提供的对所述数据进行仿真计算之前,还包括:
对园区能源站内设备的进行实时状态监控和数据的初步处理。
优选的,一种园区能源站多能协同运行方法,还包括:
基于最优运行策略生成调度指令;
基于设备的数据和设备的状态,进行设备状态的评价、预警和展示;
基于调度指令对设备进行控制,并反馈控制后设备的数据;
基于调度指令对数字孪生体模块进行控制,并反馈控制后设备的状态。
本实施例提供的方法,能够实现数据的实时采集;通过仿真层协调负荷预测算法、人工智能算法和数字孪生体进行仿真计算,得到设备的最优运行策略,利用设备的最优运行策略控制园区能源站内设备,可实现园区能源站多能协同运行;本发明还可以通过交互层展示设备的状态并进行状态预警。
实施例3:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中园区能源站多能协同运行方法的步骤。
通过本实施例提供的计算机设备,实现园区能源站多能协同运行方法,能够实现数据的实时采集;通过仿真层协调负荷预测算法、人工智能算法和数字孪生体进行仿真计算,得到设备的最优运行策略,利用设备的最优运行策略控制园区能源站内设备,可实现园区能源站多能协同运行;本发明还可以通过交互层展示设备的状态并进行状态预警。
实施例4:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中园区能源站多能协同运行方法的步骤。
通过本实施例提供的存储介质,实现园区能源站多能协同运行方法,能够实现数据的实时采集;通过仿真层协调负荷预测算法、人工智能算法和数字孪生体进行仿真计算,得到设备的最优运行策略,利用设备的最优运行策略控制园区能源站内设备,可实现园区能源站多能协同运行;本发明还可以通过交互层展示设备的状态并进行状态预警。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (13)
1.一种园区能源站多能协同运行系统,其特征在于,包括:设备层和仿真层;
所述设备层,用于对园区能源站内设备的数据进行采集并发送;和用于基于最优运行策略对所述设备进行控制;
所述仿真层,用于通过基于设备层构建的数字孪生体,利用设备层提供的数据进行仿真计算,得到各设备的状态和最优运行策略并发送。
2.如权利要求1所述的系统,其特征在于,所述仿真层,包括:负荷预测算法模块、人工智能算法模块和数字孪生体模块;
所述数字孪生体模块与设备层连接;所述数字孪生体模块基于设备层的各设备构建,用于基于设备层的历史数据,确定设备的实时状态并发送;和用于对人工智能算法模块制定的最优运行策略进行发送;
所述负荷预测算法模块,用于基于长短期记忆网络,对设备层提供的历史数据进行负荷预测得到负荷预测数据;
所述人工智能算法模块,用于基于所述数字孪生体模块,结合所述负荷预测数据,以各设备的协同量最优为目标进行日前仿真计算得到设备的最优运行参数,并基于所述设备的最优运行参数制定设备的最优运行策略;
其中,所述各设备的协同量包括下述中的一种或多种,经济性、能效、碳排放量和可再生能源利用率。
3.如权利要求2所述的系统,其特征在于,数字孪生体的构建,包括:
基于各设备的历史数据,采用数据-机理联合驱动的建模方法,构建所述设备的数字模型;
基于所有的数字模型得到设备层对应的数字孪生体;
其中,所述数据-机理联合驱动的建模方法基于数据驱动模型和机理模型进行建模。
4.如权利要求3所述的系统,其特征在于,所述数据-机理联合驱动的建模方法,包括:
数据-机理联合驱动的并联型架构模型建模方法,或数据-机理联合驱动的串联型架构模型建模方法;
其中,所述并联型架构模型,以设备的历史数据为输入参数;通过数据驱动模型和机理模型分别对设备的历史数据进行计算,并将计算结果进行求和得到设备的状态;以所述设备的状态为输出参数;
所述串联型架构模型,以设备的历史数据为输入;通过机理模型和数据驱动模型依次对设备的历史数据进行计算,并通过设备的实时数据对所述数据驱动模型进行修正,得到设备的状态;以所述设备的状态为输出参数。
5.如权利要求1所述的系统,还包括:交互层;
所述交互层,用于基于仿真层提供的最优运行策略生成调度指令,并发送至设备层和仿真层;和用于基于设备层提供的数据和仿真层提供的设备的状态,进行设备状态的评价、预警和展示;
所述交互层通过接口与设备层和仿真层连接;
所述调度指令,用于对所述设备层的设备和仿真层的数字孪生体模块进行控制。
6.如权利要求4所述的系统,其特征在于,所述设备,包括下述中的一种或多种:
热电联产机组、光伏组件、燃气锅炉、电制冷机、吸收式制冷机、输电线路、供热管道、供冷管道、供水管道、蓄电池、储热水箱、储冷水箱、空调、冰箱、充电桩、电动汽车和电热水器。
7.如权利要求1、2、3、4或5所述的系统,其特征在于,所述数据,包括下述中的一种或多种:
热电联产机组的压力、热电联产机组的温度、热电联产机组的流量、燃气锅炉的压力、燃气锅炉的温度、燃气锅炉的流量、吸收式制冷机的压力、吸收式制冷机的温度、吸收式制冷机的流量、光伏组件的电压、光伏组件的电流、光伏组件的温度、电制冷机的功率、电制冷机的温度、蓄电池的容量、蓄电池的功率、储热水箱的温度、储热水箱的流量、蓄冷水箱的温度、蓄冷水箱的流量、环境温度、压力、光照数值、设备的额定功率、设备的额定容量、设备的效率、设备的能效比和设备的占地面积。
8.如权利要求2所述的系统,其特征在于,所述设备层的实时数据和历史数据,按园区能源站内设备的不同数据精度需求进行采集;包括下述中的一种或多种:秒级、分钟级和小时级。
9.如权利要求2所述的系统,其特征在于,所述运行策略,包括下述中的一种或多种:控制设备的输出功率、阀门开度、进出口温度和投切状态。
10.一种园区能源站多能协同运行方法,其特征在于,包括:
获得园区能源站内设备的数据;
通过数字孪生体,对所述数据进行仿真计算,得到各设备的状态和最优运行策略;
基于最优运行策略对所述设备进行控制。
11.如权利要求10所述的方法,其特征在于,所述通过数字孪生体模块,对所述数据进行仿真计算,得到各设备的状态和最优运行策略,包括:
通过数字孪生体模块基于设备的历史数据,确定设备的实时状态并发送;
利用负荷预测算法模块,基于长短期记忆网络,对所述历史数据进行负荷预测得到负荷预测数据;
利用人工智能算法模块,基于所述数字孪生体模块,结合所述负荷预测数据,以各设备的协同量最优为目标进行日前仿真计算得到设备的最优运行参数,并基于所述设备的最优运行参数制定设备的最优运行策略;
其中,所述各设备的协同量包括下述中的一种或多种,经济性、能效、碳排放量和可再生能源利用率。
12.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求10-11中任一项的协同运行方法。
13.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求10-11中任一项的协同运行方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605601.XA CN115186434A (zh) | 2022-05-30 | 2022-05-30 | 园区能源站多能协同运行系统、方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605601.XA CN115186434A (zh) | 2022-05-30 | 2022-05-30 | 园区能源站多能协同运行系统、方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186434A true CN115186434A (zh) | 2022-10-14 |
Family
ID=83513472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210605601.XA Pending CN115186434A (zh) | 2022-05-30 | 2022-05-30 | 园区能源站多能协同运行系统、方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186434A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070975A (zh) * | 2023-04-03 | 2023-05-05 | 江苏为恒智能科技有限公司 | 基于数字孪生技术的园区能量管理系统及零碳运营方法 |
CN116843304A (zh) * | 2023-09-04 | 2023-10-03 | 中国工业互联网研究院 | 数字孪生的园区管理方法、装置、设备及存储介质 |
WO2024103934A1 (zh) * | 2022-11-14 | 2024-05-23 | 中国电力科学研究院有限公司 | 一种电力系统主设备数字孪生混合模型构建方法及装置 |
-
2022
- 2022-05-30 CN CN202210605601.XA patent/CN115186434A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024103934A1 (zh) * | 2022-11-14 | 2024-05-23 | 中国电力科学研究院有限公司 | 一种电力系统主设备数字孪生混合模型构建方法及装置 |
CN116070975A (zh) * | 2023-04-03 | 2023-05-05 | 江苏为恒智能科技有限公司 | 基于数字孪生技术的园区能量管理系统及零碳运营方法 |
CN116843304A (zh) * | 2023-09-04 | 2023-10-03 | 中国工业互联网研究院 | 数字孪生的园区管理方法、装置、设备及存储介质 |
CN116843304B (zh) * | 2023-09-04 | 2023-11-21 | 中国工业互联网研究院 | 数字孪生的园区管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115186434A (zh) | 园区能源站多能协同运行系统、方法、设备和存储介质 | |
CN103257619B (zh) | 一种智能建筑能源物联网及其集成方法 | |
US20220357713A1 (en) | Method and Apparatus for Optimizing Integrated Energy System, and Computer-Readable Storage Medium | |
CN109659927B (zh) | 一种考虑储能参与度的综合能源微网储能容量配置方法 | |
Ghenai et al. | Recent trends of digital twin technologies in the energy sector: A comprehensive review | |
US20140163745A1 (en) | Method for Optimizing the Configuration of Distributed CCHP System | |
US20220358268A1 (en) | Method and Apparatus for Simulating Integrated Energy System, and Computer-Readable Storage Medium | |
Jia et al. | Simulation-based policy improvement for energy management in commercial office buildings | |
CN104065072A (zh) | 一种基于动态电价的微电网运行优化方法 | |
EP4020260A1 (en) | Method and apparatus for controlling integrated energy system, and computer-readable storage medium | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
CN111274674A (zh) | 基于有机朗肯循环系统的分布式多能源调度方法 | |
CN113191542A (zh) | 一种智慧环保碳排放管理服务平台 | |
Xue et al. | Adaptive dynamic programming method for optimal battery management of battery electric vehicle | |
Testasecca et al. | Recent advances on data-driven services for smart energy systems optimization and pro-active management | |
Yuan et al. | Multi criteria decision-making for distributed energy system based on multi-source heterogeneous data | |
Ma et al. | Collaborative optimization scheduling of integrated energy system considering user dissatisfaction | |
CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控系统及方法 | |
Yang et al. | A real time multi-objective optimization Guided-MPC strategy for power-split hybrid electric bus based on velocity prediction | |
CN115115145A (zh) | 分布式光伏智能住宅的需求响应调度方法及系统 | |
CN114358994A (zh) | 一种依托绿码的碳排放智慧物联网监测方法 | |
CN114266471A (zh) | 一种面向冷热电多能流耦合综合能源的能效评价方法 | |
Xing et al. | Multi-energy simulation and optimal scheduling strategy based on digital twin | |
Li et al. | Optimal allocation method of multi-energy system based on hybrid optimization algorithm | |
CN113824116B (zh) | 一种基于混合时间尺度drl的综合能源在线调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |