CN115619334A - 能源管理系统的动态监测装置、方法、电子设备及介质 - Google Patents
能源管理系统的动态监测装置、方法、电子设备及介质 Download PDFInfo
- Publication number
- CN115619334A CN115619334A CN202211190344.4A CN202211190344A CN115619334A CN 115619334 A CN115619334 A CN 115619334A CN 202211190344 A CN202211190344 A CN 202211190344A CN 115619334 A CN115619334 A CN 115619334A
- Authority
- CN
- China
- Prior art keywords
- data
- management system
- energy management
- prediction
- module
- 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 45
- 238000012806 monitoring device Methods 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 142
- 238000005259 measurement Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 148
- 238000013473 artificial intelligence Methods 0.000 claims description 38
- 230000007246 mechanism Effects 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 11
- 238000013439 planning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010946 mechanistic model Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101150012579 ADSL gene Proteins 0.000 description 1
- 102100020775 Adenylosuccinate lyase Human genes 0.000 description 1
- 108700040193 Adenylosuccinate lyases Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施方式公开了能源管理系统的动态监测装置、方法、电子设备及介质。装置包括：拓扑建模模块，用于以可视化方式从模型接口列表中选择模型接口，基于模型接口之间的连接关系建立能源管理系统的拓扑结构；仿真模块，用于基于拓扑结构和测量数据仿真能源管理系统以得到仿真数据，其中测量数据是在测点处所测得的；预测模块，用于基于仿真数据预测能源管理系统的性能；诊断模块，用于基于仿真数据诊断能源管理系统的故障；优化模块，用于基于仿真数据优化能源管理系统的运行过程；预测模块、诊断模块和优化模块，是以机器学习方式根据训练数据得到的，训练数据包括仿真数据与测量数据。实现了动态监测架构，还可以保证持续仿真。
Description
技术领域
本发明涉及能源管理系统技术领域，特别是能源管理系统的动态监测装置、方法、电子设备及介质。
背景技术
传统的集中式供能系统采用大容量设备和集中生产方式，通过专门的输送设施(大电网、大热网等)将各种能量输送给较大范围内的众多用户。随着光伏、风电、天然气热电联产等分布式电源的广泛应用，用户对于能源系统的经济型、可靠性和灵活性等提出了进一步的要求。目前，工业技术从电气化、自动化、走向数字化。能源领域的数字化是工业数字化的重要部分。能源管理系统以冷热量平衡为核心，整合地热能、太阳能、空气能、水能、天然气、城市自来水、污水、工业废水废热等多种可再生能源，运用冷热回收、蓄能、热平衡、智能控制等技术对各种能量流进行智能平衡控制，达到能源的循环往复利用，从而一体化满足制冷采暖、热水、冷藏冷冻、烘干加热、养殖种植、除雪化冰、蒸汽、发电等多种需求功能。
目前，智慧能源管理系统的系统性能及设备性能的监测、预测、诊断和优化运行分成两类：一类是基于机理模型，缺点是准确性、实时性及通用性难以实现，另外一类是以大数据分析的人工智能(Artificial Intelligence，AI)算法为手段，缺点是外延性不好，受限于实际运行数据狭窄的范围。尤其是，AI算法往往仅适用于设备层级的应用，很难兼顾全面的系统内在联系。因此，在目前的能源管理系统中，缺乏结合机理模型与人工智能模型的整体系统架构。
另外，当某种原因(比如，测点故障)导致能源管理系统的仿真处理难以执行时，目前缺乏良好的处理机制。
发明内容
本发明实施方式提出能源管理系统的动态监测装置、方法、电子设备及介质。
一种能源管理系统的动态监测装置，所述动态监测装置包括：
拓扑建模模块，用于以可视化方式从模型接口列表中选择模型接口，基于选择的模型接口之间的连接关系建立能源管理系统的拓扑结构，所述模型接口适配于连接到所述能源管理系统的子系统的机理模型；
仿真模块，用于基于所述拓扑结构和测量数据仿真所述能源管理系统以得到仿真数据，其中所述测量数据是在所述能源管理系统的测点处所测得的；
预测模块，用于基于所述仿真数据预测所述能源管理系统的性能；
诊断模块，用于基于所述仿真数据诊断所述能源管理系统的故障；
优化模块，用于基于所述仿真数据优化所述能源管理系统的运行过程；
其中所述预测模块、所述诊断模块和所述优化模块，是以机器学习方式根据训练数据得到的，所述训练数据包括所述仿真数据与所述测量数据。
因此，本发明提出了一种结合机理模型与AI模型的整体系统架构，实现了机理与大数据分析相结合的智慧能源管理系统及其子系统级别的性能监测、预测、诊断和优化。
在一个实施方式中，还包括：
能源计划模块，用于基于仿真数据预测能源管理系统的负荷，并基于预测的负荷制定能源计划；
其中所述能源计划模块，是以机器学习方式根据所述训练数据得到的。
因此，本发明实施方式还基于仿真数据以AI算法预测负荷，实现了准确的能源计划。
在一个实施方式中，还包括：
总览模块，用于在可视化界面中提供总览报告，所述总览报告包括下列中的至少一个：
测量数据；仿真数据；性能预测结果；故障诊断结果；优化任务；能源计划。
因此，本发明实施方式还实现了系统和子系统级别的数据集中汇总。
在一个实施方式中，所述预测模块，用于当所述仿真模块因缺乏测量数据而不能仿真所述能源管理系统时，确定与所述测点的当前状态相同的、所述测点的第一历史预测数据，将所述第一历史预测数据提供到所述仿真模块，从而由所述仿真模块基于所述第一历史预测数据继续仿真所述能源管理系统。
因此，当仿真模块因缺乏测量数据而不能仿真能源管理系统时，从预测模块中获取第一历史预测数据，利用第一历史预测数据继续仿真能源管理系统，从而保证了仿真的持续运行，避免了系统级停机。而且，由于第一历史预测数据是基于与测点的当前状态相同的状态所获取的，第一历史预测数据可以从状态维度上准确模拟测试数据，从而保证仿真准确度。
在一个实施方式中，所述预测模块，用于当所述仿真模块因缺乏测量数据而不能仿真所述能源管理系统时，确定对应于当前时刻的最接近预测轮次的、所述测点的第二历史预测数据，将所述第二历史预测数据提供到所述仿真模块，从而由所述仿真模块基于所述第二历史预测数据继续仿真所述能源管理系统。
因此，当仿真模块因缺乏测量数据而不能仿真能源管理系统时，从预测模块中获取第二历史预测数据，利用第二历史预测数据继续仿真能源管理系统，从而保证了仿真的持续运行，避免了系统级停机。而且，由于第二历史预测数据是基于最接近当前时刻的预测轮次所获取的，第二历史预测数据可以从时间维度上准确模拟测试数据，从而保证仿真准确度。
在一个实施方式中，所述预测模块，用于当所述仿真模块因缺乏测量数据而不能仿真所述能源管理系统时，确定与所述测点的当前条件相同的、所述测点的第一历史预测数据以及对应于当前时刻的最接近预测轮次的、所述测点的第二历史预测数据，将所述第一历史预测数据与所述第二历史预测数据的加权求和数据提供到所述仿真模块，从而由所述仿真模块基于所述加权求和数据继续仿真所述能源管理系统。
因此，当仿真模块因缺乏测量数据而不能仿真能源管理系统时，综合第一历史预测数据和第二历史预测数据以得到测试数据的模拟值，保证了仿真的持续运行，避免了系统级停机。而且，第一历史预测数据从状态维度上准确模拟仿真数据，第二历史预测数据在时间维度上准确模拟测试数据，因此该模拟值综合考虑了状态维度和时间维度这两个关键维度，进一步提高了仿真准确度。
在一个实施方式中，所述预测模块，还包括适配于预测所述测量数据的已训练的数据预测模型，其中所述数据预测模型是根据所述训练数据以机器学习方式训练得到的，其中所述训练数据中的测量数据为所述数据预测模型的训练过程中的标签；基于所述数据预测模型，在所述仿真模块的运行期间持续生成所述测量数据的预测值，以形成预测值序列，其中所述预测值序列包含对应于每个预测轮次的预测值、所述预测值的生成时刻以及所述生成时刻时的测点状态；记录所述预测值序列。
因此，在预测模块中添加用于预测测试数据的数据预测模型，并持续保存预测值序列，当仿真模块因缺乏测量数据而不能仿真时，可以从预测值序列中获取恰当的测量数据以继续仿真。
一种能源管理系统的动态监测方法，包括：
以可视化方式从模型接口列表中选择模型接口，基于选择的模型接口之间的连接关系建立能源管理系统的拓扑结构，所述模型接口适配于连接到所述能源管理系统的子系统的机理模型；
基于所述拓扑结构和测量数据仿真所述能源管理系统以得到仿真数据，其中所述测量数据是在所述能源管理系统的测点处所测得的；
基于所述仿真数据，以第一人工智能模型预测所述能源管理系统的性能，基于所述仿真数据，以第二人工智能模型诊断所述能源管理系统的故障，基于所述仿真数据，以第三人工智能模型优化所述能源管理系统的运行过程；其中所述第一人工智能模型、所述第二人工智能模型和所述第三人工智能模型，是以机器学习方式根据训练数据得到的，所述训练数据包括所述仿真数据与所述测量数据。
因此，本发明提出了一种结合机理模型与AI模型的整体系统架构，实现了机理与大数据分析相结合的智慧能源管理系统及其子系统级别的性能监测、预测、诊断和优化。
在一个实施方式中，还包括：
根据所述训练数据以机器学习方式训练得到数据预测模型，其中所述数据预测模型适配于预测所述测量数据，所述训练数据中的测量数据为所述数据预测模型的训练过程中的标签；
基于所述数据预测模型，在所述仿真的运行期间持续生成所述测量数据的预测值，以形成预测值序列，其中所述预测值序列包含对应于每个预测轮次的预测值、所述预测值的生成时刻以及所述生成时刻时的测点状态；
记录所述预测值序列；
当因缺乏测量数据而不能仿真所述能源管理系统时，从所述预测值序列中确定与所述测点的当前状态相同的、所述测点的第一历史预测数据以及对应于当前时刻的最接近预测轮次的、所述测点的第二历史预测数据，确定所述第一历史预测数据与所述第二历史预测数据的加权求和数据，基于所述加权求和数据继续仿真所述能源管理系统。
因此，生成用于预测测试数据的数据预测模型，并持续保存预测值序列，当因缺乏测量数据而不能仿真时，可以从预测值序列中获取测量数据以继续仿真。而且，用于继续仿真的测试数据综合考虑了状态维度和时间维度，进一步提高了仿真准确度。
一种电子设备，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实施如上任一项所述的能源管理系统的动态监测方法。
一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实施如上任一项所述的能源管理系统的动态监测方法。
一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实施如上任一项所述的能源管理系统的动态监测方法。
附图说明
下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：
图1是根据本发明实施方式的能源管理系统的动态监测装置的流程图。
图2为本发明实施方式以拖拽形式选中子系统的机理模型以及建立连接关系的示意图。
图3为本发明实施方式的能源管理系统的动态监测方法的示范性过程图。
图4为本发明实施方式的能源管理系统的动态监测方法的示范性流程图。
图5是根据本发明实施方式电子设备的示范性结构图。
其中，附图标记如下：
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。
AI是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。当前，绿色能源、数字化能源和分布式能源驱动下的能源系统变革在进一步深入，能源管理系统是各种能源系统必要的运行管理工具。无论是工业园区等区域性的能源管理系统，还是集团、工厂、楼宇、微网等现场级的能源管理系统，都需要提供针对能源系统运行的预测、诊断和智能决策的数字化服务。先进的智慧能源系统软件工具，需要能够针对不同用户的不同的能源系统实施定制化服务，能够系统性的展开运行中问题，基于能源系统及设备的物理关系，使用AI算法解决问题。AI算法应具有通用性，能源管理系统应具有扩展性，以减少定制化服务中不可避免的工时投入，提供用户二次开发与扩展的能力。能源管理系统不可避免的需要具有描述具体能源系统对象及运行问题的能力、解析问题的能力和求解问题的能力。它的背后是一套通用对象模型体系定义，并描述设备、子系统、总系统、业务逻辑、运行行为、运行问题和求解方法，等等。
申请人发现：在能源管理系统中，缺乏一种统筹结合机理模型与AI模型的整体系统架构。而且，当某种原因(比如，测点故障)导致能源管理系统的仿真运行难以执行时，目前缺乏良好的处理机制。
图1是根据本发明实施方式的能源管理系统的动态监测装置的流程图。动态监测装置包括：
拓扑建模模块101，用于以可视化方式从模型接口列表中选择模型接口，基于选择的模型接口之间的连接关系建立能源管理系统的拓扑结构，模型接口适配于连接到能源管理系统的子系统的机理模型；
仿真模块102，用于基于拓扑结构和测量数据仿真能源管理系统以得到仿真数据，其中测量数据是在能源管理系统的测点处所测得的；
预测模块103，用于基于仿真数据预测能源管理系统的性能；
诊断模块104，用于基于仿真数据诊断能源管理系统的故障；
优化模块105，用于基于仿真数据优化能源管理系统的运行过程；
其中预测模块103、诊断模块104和优化模块105，是以机器学习方式根据训练数据得到的，训练数据包括仿真数据与测量数据。
能源管理系统通常包括：感知层、网络层、平台层和应用层。比如，整个能源管理系统可以基于互联网技术软件主体采用B/S架构，每个业务功能单元系统采用Java EE的轻量级SSH或类似架构的多层结构。其中：感知层包括一体化的数据采集、计量分析和实时控制系统，主要组成为仪器仪表设备和现场PLC控制器；网络层能够通过各种网络系统(ADSL、GPRS、3G、4G、光纤等)，将实时数据传输到调度管理中心，调度管理中心也可以通过网络系统将控制指令下达到现场控制器以执行控制调节指令；平台层负责接收各现场监控设备发来的数据，将实时运行参数存储在数据中，为后续的管理、分析、控制提供基础数据，并对数据进行存储、分析、报警、报表打印；应用层为运行人员的直接使用层面，实时对上传数据进行连续动态分析，并可以依据分析结果下达调节指令。
可以基于上述分层方式对能源管理系统进行划分，以确定出组成能源管理系统的各个子系统。也可以采用其他方式对能源管理系统进行划分，本发明实施方式对此并无限定。
建立能源管理系统的机理模型的过程包括：
(1)、获取能源管理系统所包含的各个子系统的机理模型。其中可以基于多种建模方式预先生成每个子系统的机理模型。比如，子系统可以包括：供能网络(如供电、供气、供冷/热等网络)、能源交换环节(如CCHP机组、发电机组、锅炉、空调、热泵等)、能源存储环节(储电、储气、储热、储冷等)、终端综合能源供用单元(如微网)，等等。
子系统的机理模型，亦称子系统的白箱模型，是根据子系统中的对象、生产过程的内部机制或者物质流的传递机理建立起来的、描述子系统的精确数学模型。它可以是基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及某些物性方程、化学反应定律等而获得对象或过程的数学模型。机理模型参数易于调整，所得的模型具有很强的适应性。
(2)、在获取各个子系统的机理模型后，可以利用拓扑建模工具以拖拽方式选中对应于选中子系统的模型接口。在可视化界面中，模型接口对应于选中子系统的图标。利用拓扑建模工具相互连接选中的模型接口。模型接口可以连接到选中子系统的机理模型。子系统的机理模型之间的连接关系包括：电气连接；能量转移连接；液体流动连接；气体流动连接；信息传递连接；价值连接，等等。
图2为本发明实施方式以拖拽形式选中子系统的机理模型以及建立连接关系的示意图。
由图2可见，在可视化建模工具(比如Vertabelo或Apache Spark，等等)所提供的界面中以拖拽形式选中第一子系统201、第二子系统202、第三子系统203和第四子系统204的各自图标，并且以拖拽形式建立第一子系统201、第二子系统202、第三子系统203和第四子系统204的各自图标之间的连接关系，从而形成包含第一子系统201、第二子系统202、第三子系统203和第四子系统204的能源管理系统的拓扑结构，以及关联于该拓扑结构的机理模型200。需要注意的是：第一子系统201、第二子系统202、第三子系统203和第四子系统204之间的连接关系，可以为电气连接、能量转移连接、液体流动连接、气体流动连接、信息传递连接或价值连接(比如，成本关系)，等等。
以上描述了建立能源管理系统的机理模型的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
测点可以真实地布置在能源管理系统的子系统中，或子系统之间的连接线上。测量数据是在能源管理系统的测点处所测得的。仿真模块12基于能源管理系统的拓扑结构和测量数据仿真能源管理系统以得到仿真数据。
在这里，仿真模块102基于测量数据仿真能源管理系统的机理模型以生成仿真数据。其中：测量数据可以包括：
(1)、能源管理系统中各个测点所提供的实时测量数据。
(2)、从数据库中获取的、各个测点所提供的历史测量数据。
(3)、组合数据，该组合数据包含能源管理系统中各个测点所提供的实时测量数据以及从数据库中获取的、各个测点所提供的历史测量数据。
仿真模块102仿真运行能源管理系统的机理模型，得到能源管理系统的机理模型的仿真数据。该仿真数据可以体现整个能源管理系统的全业务逻辑的运行结果。可以基于测量数据和仿真数据，构建用于训练AI模型的训练数据。取决于AI模型的具体结构和具体功能，所采用的训练数据可以具有一或多种数据特征。比如，AI模型可以包括预测模块103、诊断模块104和优化模块105，等等。
在这里，AI模型中所采用的人工神经网络模型可以包括：前馈神经网络和反馈神经网络。前馈神经网络包括卷积神经网络(CNN)、全连接神经网络(FCN)或生成对抗网络(GAN)等等。反馈神经网络包括循环神经网络(RNN)、长短期记忆网络(LSTM)、Hopfield网络或玻尔兹曼机，等等。
在一个实施方式中，该系统还包括：能源计划模块106，用于基于仿真数据预测能源管理系统的负荷，并基于预测的负荷制定能源计划；其中能源计划模块106，是以机器学习方式根据训练数据得到的。
在一个实施方式中，还包括：总览模块107，用于在可视化界面中提供总览报告，其中总览报告包括下列中的至少一个：测量数据；仿真数据；性能预测结果；故障诊断结果；优化任务；能源计划。
预测模块103包括基于仿真数据预测能源管理系统性能的已训练的性能预测模型。在性能预测模型的训练过程中，通过仿真数据与测量数据，以机器学习方式训练得到性能预测模型。在一个实施方式中，预测模块103，还包括适配于预测测量数据的已训练的数据预测模型，数据预测模型是根据自身的训练数据以机器学习方式训练得到的，其中性能预测模型的训练数据中的测量数据为数据预测模型的训练过程中的标签。基于已训练的数据预测模型，在仿真模块102的运行期间持续生成测量数据的预测值，以形成预测值序列，其中预测值序列包含对应于每个预测轮次的预测值、预测值的生成时刻以及生成时刻时的测点状态；记录预测值序列。
比如，假定测点布置在制冷机生产侧，测量数据包括制冷机生产侧的冷量。预测模块103包含用于预测制冷机寿命的制冷机寿命预测模型。在制冷机寿命预测模型的训练过程中，从测量数据中提取生产侧的冷量测试数据，从仿真数据中提取电机效率仿真值和机械效率仿真值。将冷量测试数据、电机效率仿真值和机械效率仿真值组合为训练数据，以训练得到制冷机寿命预测模型。预测模块103还包含适配于预测测量数据的已训练的数据预测模型。在数据预测模型的训练过程中，采用性能预测模型的训练数据中的测量数据，作为数据预测模型的训练过程中的标签。比如，数据预测模型的训练数据包括制冷机的容积效率以及作为标签的生产侧的冷量测试数据，以机器学习方式训练得到数据预测模型。基于数据预测模型，在仿真模块102的运行期间持续生成测量数据(即冷量测试数据)的预测值，以形成预测值序列。预测值序列包含对应于每个预测轮次的预测值、预测值的生成时刻以及生成时刻时的测点状态。比如，测点持续向预测模块103上报自身的状态。
在一个实施方式中，预测模块103，用于当仿真模块102因缺乏测量数据而不能仿真能源管理系统时，确定与测点的当前状态相同的、测点的第一历史预测数据，将第一历史预测数据提供到仿真模块102，从而由仿真模块102基于第一历史预测数据继续仿真能源管理系统。比如，预测模块103可以从预测值序列中确定出第一历史预测数据。
举例，假定测点的测试数据因故障无法读取，仿真模块102无法执行仿真。测点上报到预测模块103的当前状态为：测点处的温度35℃。预测模块103从预测值序列中确定出当测试温度为35℃时的、历史上的冷量预测数据，并将该冷量预测数据提供给仿真模块102以继续执行仿真。
因此，当仿真模块因缺乏测量数据而不能仿真能源管理系统时，从预测模块中测量数据的第一历史预测数据，利用第一历史预测数据继续仿真能源管理系统，从而保证了仿真的持续运行，避免了系统级停机。而且，由于第一历史预测数据是基于与测点的当前状态相同的状态所获取的，第一历史预测数据可以从状态维度上准确模拟当前状态的测量数据，从而保证仿真准确度。
在一个实施方式中，预测模块103，用于当仿真模块102因缺乏测量数据而不能仿真能源管理系统时，确定对应于当前时刻的最接近预测轮次的、测点的第二历史预测数据，将第二历史预测数据提供到仿真模块102，从而由仿真模块102基于第二历史预测数据继续仿真能源管理系统。比如，可以从预测值序列中确定出第二历史预测数据。承接上例，假定测点的测试数据因故障无法读取，仿真模块102无法执行仿真。预测模块103从预测值序列中确定出最接近于当前时刻的预测轮次编号为15，则读取出预测轮次编号15中所预测的冷量数据，并将该冷量预测数据提供给仿真模块102以继续执行仿真。
因此，当仿真模块因缺乏测量数据而不能仿真能源管理系统时，从预测模块中获取第二历史预测数据，利用第二历史预测数据继续仿真能源管理系统，从而保证了仿真的持续运行，避免了系统级停机。而且，由于第二历史预测数据是基于最接近当前时刻的预测轮次所预测的，第二历史预测数据可以从时间维度上准确模拟测试数据，从而保证仿真准确度。
在一个实施方式中，预测模块103，用于当仿真模块102因缺乏测量数据而不能仿真能源管理系统时，确定与测点的当前条件相同的、测点的第一历史预测数据以及对应于当前时刻的最接近预测轮次的、测点的第二历史预测数据，将第一历史预测数据与第二历史预测数据的加权求和数据提供到仿真模块102，从而由仿真模块102基于加权求和数据继续仿真能源管理系统。可以从预测值序列中确定出第一历史预测数据和第二历史预测数据。举例，假定测点的测试数据因故障无法读取，仿真模块102无法执行仿真。测点上报到预测模块103的当前状态为：测点处的温度50℃，预测模块103从预测值序列中确定出当测试温度为50℃时的冷量预测数据1。而且，预测模块103确定出最接近于当前时刻的预测轮次编号为20，从预测值序列读取出预测轮次编号20中所预测的冷量预测数据2，并按照各自预设权重计算冷量预测数据1与冷量预测数据2的加权求和数据，并将加权求和数据提供给仿真模块102以继续执行仿真。优选地，各自权重都是可调的。
因此，当仿真模块因缺乏测量数据而不能仿真能源管理系统时，综合第一历史预测数据和第二历史预测数据以得到测试数据的模拟值，保证了仿真的持续运行，避免了系统级停机。第一历史预测数据从状态维度上准确模拟仿真数据，第二历史预测数据在时间维度上准确模拟仿真数据，因此加权求和数据综合考虑了状态维度和时间维度，进一步提高了仿真准确度。
另外，本发明实施方式可以利用能源管理系统的仿真数据丰富AI模型的训练数据，由于仿真数据中已经体现了机理模型的机理关系且包含了实际服务对象的内在物理连接关系以及子系统的物理层次结构，因此本发明实施方式还实现了机理与AI的结合，丰富了训练数据，提高了AI模型的性能。而且，在预测模块中添加用于预测测试数据的数据预测模型，并持续保存预测值序列，当仿真模块因缺乏测量数据而不能仿真时，可以从预测值序列中获取测量数据以继续仿真。
在一个实施方式中，基于包含测量数据和仿真数据的训练数据，将人工神经网络模型训练为能源管理系统的AI模型包括：将训练数据输入人工神经网络模型，以由人工神经网络模型输出对应于测量数据的预测值；基于训练数据中的仿真数据与预测值之间的差值，确定人工神经网络模型的损失函数值；配置人工神经网络模型的模型参数，以使损失函数值低于预设阈值；将配置后的人工神经网络模型，确定为AI模型。在这种实施方式中，利用结果可靠的测量数据作为生成预测值的输入量，并利用数据量丰富且种类多样化的仿真数据作为与测量值进行比较的实际值，从而丰富了模型种类。
图3为本发明实施方式的能源管理系统的动态监测方法的示范性过程图。
在图3中，作为输入数据的测量数据11被提供到能源管理系统的机理模型200。基于测量数据11，通过仿真能源管理系统的机理模型200，可以得到大量的仿真数据21。将仿真数据21和/或测量数据11共同构建为训练数据30，利用训练数据30对人工神经网络模型31执行训练。优选地，人工神经网络模型31的数目为多个，可以分别训练得到用于预测测量数据的数据预测模型以及AI模型(比如预测模块、诊断模块或优化模块，等等)。
图4为本发明实施方式的能源管理系统的动态监测方法的示范性流程图。
如图4所示，能源管理系统的动态监测方法包括：
步骤401：以可视化方式从模型接口列表中选择模型接口，基于选择的模型接口之间的连接关系建立能源管理系统的拓扑结构，模型接口适配于连接到能源管理系统的子系统的机理模型。
步骤402：基于拓扑结构和测量数据仿真能源管理系统以得到仿真数据，其中测量数据是在能源管理系统的测点处所测得的。
步骤403：基于仿真数据，以第一人工智能模型预测能源管理系统的性能，基于仿真数据，以第二人工智能模型诊断能源管理系统的故障，基于仿真数据，以第三人工智能模型优化能源管理系统的运行过程；其中第一人工智能模型、第二人工智能模型和第三人工智能模型，是以机器学习方式根据训练数据得到的，训练数据包括仿真数据与测量数据。
在一个实施方式中，还包括：
步骤404：根据训练数据以机器学习方式训练得到数据预测模型，其中数据预测模型适配于预测测量数据，训练数据中的测量数据为数据预测模型的训练过程中的标签。
步骤405：基于数据预测模型，在仿真的运行期间持续生成测量数据的预测值，以形成预测值序列，其中预测值序列包含对应于每个预测轮次的预测值、预测值的生成时刻以及生成时刻时的测点状态。
步骤406：记录预测值序列。
步骤407：当因缺乏测量数据而不能仿真能源管理系统时，从预测值序列中确定与测点的当前状态相同的、测点的第一历史预测数据以及对应于当前时刻的最接近预测轮次的、测点的第二历史预测数据，确定第一历史预测数据与第二历史预测数据的加权求和数据，基于加权求和数据继续仿真能源管理系统。
本发明实施方式还提出了一种具有处理器-存储器架构的电子设备。图5是根据本发明实施方式电子设备的示范性结构图。
如图5所示，电子设备500包括处理器501、存储器502及存储在存储器502上并可在处理器501上运行的计算机程序，计算机程序被处理器501执行时实现如上任一种的能源管理系统的能源管理系统的动态监测方法。其中，存储器502具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器501可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列，其中现场可编程门阵列集成一或多个中央处理器核。具体地，中央处理器或中央处理器核可以实施为CPU或MCU或DSP，等等。
需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。
以上所述，仅为本发明的较佳实施方式而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种能源管理系统的动态监测装置，其特征在于，所述动态监测装置包括：
拓扑建模模块(101)，用于以可视化方式从模型接口列表中选择模型接口，基于选择的模型接口之间的连接关系建立能源管理系统的拓扑结构，所述模型接口适配于连接到所述能源管理系统的子系统的机理模型；
仿真模块(102)，用于基于所述拓扑结构和测量数据仿真所述能源管理系统以得到仿真数据，其中所述测量数据是在所述能源管理系统的测点处所测得的；
预测模块(103)，用于基于所述仿真数据预测所述能源管理系统的性能；
诊断模块(104)，用于基于所述仿真数据诊断所述能源管理系统的故障；
优化模块(105)，用于基于所述仿真数据优化所述能源管理系统的运行过程；
其中所述预测模块(103)、所述诊断模块(104)和所述优化模块(105)，是以机器学习方式根据训练数据得到的，所述训练数据包括所述仿真数据与所述测量数据。
2.根据权利要求1所述的能源管理系统的动态监测装置，其特征在于，还包括：
能源计划模块(106)，用于基于所述仿真数据预测所述能源管理系统的负荷，并基于预测的负荷制定能源计划；
其中所述能源计划模块(106)，是以机器学习方式根据所述训练数据得到的。
3.根据权利要求2所述的能源管理系统的动态监测装置，其特征在于，还包括：
总览模块(107)，用于在可视化界面中提供总览报告，所述总览报告包括下列中的至少一个：
测量数据；仿真数据；性能预测结果；故障诊断结果；优化任务；能源计划。
4.根据权利要求1所述的能源管理系统的动态监测装置，其特征在于，
所述预测模块(103)，用于当所述仿真模块(102)因缺乏测量数据而不能仿真所述能源管理系统时，确定与所述测点的当前状态相同的、所述测点的第一历史预测数据，将所述第一历史预测数据提供到所述仿真模块(102)，从而由所述仿真模块(102)基于所述第一历史预测数据继续仿真所述能源管理系统。
5.根据权利要求1所述的能源管理系统的动态监测装置，其特征在于，
所述预测模块(103)，用于当所述仿真模块(102)因缺乏测量数据而不能仿真所述能源管理系统时，确定对应于当前时刻的最接近预测轮次的、所述测点的第二历史预测数据，将所述第二历史预测数据提供到所述仿真模块(102)，从而由所述仿真模块(102)基于所述第二历史预测数据继续仿真所述能源管理系统。
6.根据权利要求1所述的能源管理系统的动态监测装置，其特征在于，
所述预测模块(103)，用于当所述仿真模块(102)因缺乏测量数据而不能仿真所述能源管理系统时，确定与所述测点的当前条件相同的、所述测点的第一历史预测数据以及对应于当前时刻的最接近预测轮次的、所述测点的第二历史预测数据，将所述第一历史预测数据与所述第二历史预测数据的加权求和数据提供到所述仿真模块(102)，从而由所述仿真模块(102)基于所述加权求和数据继续仿真所述能源管理系统。
7.根据权利要求1-6中任一项所述的能源管理系统的动态监测装置，其特征在于，
所述预测模块(103)，还包括适配于预测所述测量数据的已训练的数据预测模型，其中所述数据预测模型是根据所述训练数据以机器学习方式训练得到的，其中所述训练数据中的测量数据为所述数据预测模型的训练过程中的标签；基于所述数据预测模型，在所述仿真模块(102)的运行期间持续生成所述测量数据的预测值，以形成预测值序列，其中所述预测值序列包含对应于每个预测轮次的预测值、所述预测值的生成时刻以及所述生成时刻时的测点状态；记录所述预测值序列。
8.一种能源管理系统的动态监测方法，其特征在于，包括：
以可视化方式从模型接口列表中选择模型接口，基于选择的模型接口之间的连接关系建立能源管理系统的拓扑结构，所述模型接口适配于连接到所述能源管理系统的子系统的机理模型(401)；
基于所述拓扑结构和测量数据仿真所述能源管理系统以得到仿真数据，其中所述测量数据是在所述能源管理系统的测点处所测得的(402)；
基于所述仿真数据，以第一人工智能模型预测所述能源管理系统的性能，基于所述仿真数据，以第二人工智能模型诊断所述能源管理系统的故障，基于所述仿真数据，以第三人工智能模型优化所述能源管理系统的运行过程；其中所述第一人工智能模型、所述第二人工智能模型和所述第三人工智能模型，是以机器学习方式根据训练数据得到的，所述训练数据包括所述仿真数据与所述测量数据(403)。
9.根据权利要求8所述的能源管理系统的动态监测方法，其特征在于，还包括：
根据所述训练数据以机器学习方式训练得到数据预测模型，其中所述数据预测模型适配于预测所述测量数据，所述训练数据中的测量数据为所述数据预测模型的训练过程中的标签(404)；
基于所述数据预测模型，在所述仿真的运行期间持续生成所述测量数据的预测值，以形成预测值序列，其中所述预测值序列包含对应于每个预测轮次的预测值、所述预测值的生成时刻以及所述生成时刻时的测点状态(405)；
记录所述预测值序列(406)；
当因缺乏测量数据而不能仿真所述能源管理系统时，从所述预测值序列中确定与所述测点的当前状态相同的、所述测点的第一历史预测数据以及对应于当前时刻的最接近预测轮次的、所述测点的第二历史预测数据，确定所述第一历史预测数据与所述第二历史预测数据的加权求和数据，基于所述加权求和数据继续仿真所述能源管理系统(407)。
10.一种电子设备(500)，其特征在于，包括：
处理器(501)；
存储器(502)，用于存储所述处理器(501)的可执行指令；
所述处理器(501)，用于从所述存储器(502)中读取所述可执行指令，并执行所述可执行指令以实施权利要求8-9中任一项所述的能源管理系统的动态监测方法。
11.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实施权利要求8-9中任一项所述的能源管理系统的动态监测方法。
12.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实施权利要求8-9中任一项所述的能源管理系统的动态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211190344.4A CN115619334A (zh) | 2022-09-28 | 2022-09-28 | 能源管理系统的动态监测装置、方法、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211190344.4A CN115619334A (zh) | 2022-09-28 | 2022-09-28 | 能源管理系统的动态监测装置、方法、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115619334A true CN115619334A (zh) | 2023-01-17 |
Family
ID=84860538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211190344.4A Pending CN115619334A (zh) | 2022-09-28 | 2022-09-28 | 能源管理系统的动态监测装置、方法、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619334A (zh) |
-
2022
- 2022-09-28 CN CN202211190344.4A patent/CN115619334A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cox et al. | Real time optimal control of district cooling system with thermal energy storage using neural networks | |
| Li et al. | Review of building energy modeling for control and operation | |
| Jacobs et al. | SOCRATES: A system for scheduling hydroelectric generation under uncertainty | |
| CN113746144A (zh) | 一种源网荷实时交互的电碳控制方法及其智能管理系统 | |
| WO2024040608A1 (zh) | 能源管理系统的模型训练方法、装置及存储介质 | |
| CN110287509A (zh) | 城市热网的柔性分析与结构缺陷诊断及定位方法和系统 | |
| Huang et al. | A multi-rate dynamic energy flow analysis method for integrated electricity-gas-heat system with different time-scale | |
| Zang et al. | A robust state estimator for integrated electrical and heating networks | |
| CN109412155A (zh) | 一种基于图计算的配电网供电能力评估方法 | |
| Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
| CN115758674A (zh) | 一种电能表信息化评价校准模型测评验证系统及方法 | |
| CN117769718A (zh) | 一种智慧能源管理系统的建模方法、装置和存储介质 | |
| 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 | |
| VOROPAI et al. | The development of a joint modelling framework for operational flexibility in power systems | |
| CN112446175A (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
| CN115374527B (zh) | 一种区域电-热-冷综合能源动态模拟系统构建方法 | |
| CN115619334A (zh) | 能源管理系统的动态监测装置、方法、电子设备及介质 | |
| Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
| Lampl et al. | Optimization modeling in a smart grid | |
| Biagioni et al. | From model-based to model-free: Learning building control for demand response | |
| Wu et al. | Neural Network Based Fea sible Region Approximation Model for Optimal Operation of Integrated Electricity and Heating System | |
| Pérez-Vilarelle et al. | Modeling and simulation of wind energy production in the smart-grid scenario | |
| CN106684854A (zh) | 一种基于节点等效的有源配电网电压越限风险分析方法 | |
| Cheung et al. | Learning-based AC-OPF Solvers on Realistic Network and Realistic Loads | |
| Gupta | Artificial Intelligence (AI) Applications and Techniques in Smart Grid |
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 |