CN115879652A - 能源网络分级协同规划方法、装置、电子设备及存储介质 - Google Patents
能源网络分级协同规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115879652A CN115879652A CN202310160604.1A CN202310160604A CN115879652A CN 115879652 A CN115879652 A CN 115879652A CN 202310160604 A CN202310160604 A CN 202310160604A CN 115879652 A CN115879652 A CN 115879652A
- Authority
- CN
- China
- Prior art keywords
- energy
- planning
- level
- city
- load
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种能源网络分级协同规划方法、装置、电子设备及存储介质,确定待规划城市的负荷层级,负荷层级包括城市级、区域级和地块级;建立待规划城市中每个目标建筑的能源利用模型;基于所述能源利用模型,得到每个目标建筑的负荷特性和建筑类型;根据所有目标建筑的负荷特性和建筑类型,对待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;根据负荷预测结果,对待规划城市进行能源网络规划。本发明丰富了城市规划层级,实现了城市能源网络的协同规划,填补了大范围能源网络规划的空白。本发明能够用于能源网络规划技术领域。
Description
技术领域
本发明涉及能源网络规划技术领域,尤其涉及一种能源网络分级协同规划方法、装置、电子设备及存储介质。
背景技术
目前的能源生产系统仍以集中式能源生产和传输为主,能源生产设备的用能形式较为单一,可再生能源利用率低,对用能负荷的响应速度较慢。
具体来说,现有技术在能源网络规划上主要存在着以下缺陷:一方面,没有考虑能源网络在能源传输和分配的过程中的能源消耗,使运行成本的计算不够全面;另一方面,规划聚焦于独立能源站的能源生产与利用,未将区域置于城市能源网络这一整体进行考虑,不利于维持区域的供能安全性和提高区域可再生能源的利用率。
综上所述,现有技术中存在的问题亟需得到解决。
发明内容
本发明提供一种能源网络分级协同规划方法、装置、电子设备及存储介质,用以解决现有技术中规划层级单一、协同规划能力弱的缺陷,实现对能源网络的分级规划。
本发明提供一种能源网络分级协同规划方法,包括:
确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建立所述待规划城市中每个目标建筑的能源利用模型;
基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
根据负荷预测结果,对所述待规划城市进行能源网络规划。
根据本发明提供的一种能源网络分级协同规划方法,所述基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型,包括:
获取目标建筑的历史能源数据,所述历史能源数据包括区域用能数据和城市影响因素数据;
根据所述历史能源数据建立所述目标建筑的能源利用模型;
根据所述能源利用模型,对所述目标建筑进行能源消耗仿真,得到所述目标建筑的负荷特性和建筑类型。
根据本发明提供的一种能源网络分级协同规划方法,所述根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测,包括:
根据所述负荷特性和所述建筑类型,分别确定所述负荷层级中的对象以及能源使用系数;
根据所述负荷层级中的对象以及所述能源使用系数,构建待规划城市的分级负荷模型,所述分级负荷模型包括城市级负荷模型、区域级负荷模型和地块级负荷模型;
根据所述城市影响因素数据,通过所述分级负荷模型对所述待规划城市进行分级负荷预测,得到所述待规划城市的负荷预测结果,所述负荷预测结果包括城市级负荷预测结果、区域级负荷预测结果和地块级负荷预测结果。
根据本发明提供的一种能源网络分级协同规划方法,所述根据负荷预测结果,对所述待规划城市进行能源网络规划,包括:
所述城市级负荷预测结果,对所述待规划城市进行城市级能源网络规划;
将城市级能源网络规划结果作为区域级能源网络规划的约束条件,并根据所述区域级负荷预测结果,对待规划区域进行区域级能源网络规划;
根据所述城市级能源网络规划结果和区域级能源网络规划结果,对能源网络规划结果进行迭代校验,得到目标能源网络规划结果。
根据本发明提供的一种能源网络分级协同规划方法,所述根据所述城市级负荷预测结果,对所述待规划城市进行城市级能源网络规划,包括:
获取历史能源网络信息;
根据所述历史能源网络信息和所述负荷预测结果,进行能源网络扩容规划,得到城市级能源网络规划结果。
根据本发明提供的一种能源网络分级协同规划方法,所述将城市级能源网络规划结果作为区域级能源网络规划的约束条件,并根据所述区域级负荷预测结果,对待规划区域进行区域级能源网络规划,包括:
选取能源站地址并进行能源网络布局规划,得到第一区域规划结果;
对所述能源站进行设备容量规划,得到第二区域规划结果;
根据所述第一区域规划结果和第二区域规划结果,对所述能源站进行多目标优化,得到区域级能源网络规划结果。
根据本发明提供的一种能源网络分级协同规划方法,所述根据所述第一区域规划结果和第二区域规划结果,对所述能源站进行多目标优化,得到区域级能源网络规划结果,包括:
提取所述第一区域规划结果和所述第二区域规划结果中的能源规划参数;
将所述能源规划参数输入至目标函数中;
当所述目标函数满足预设条件,则根据所述第一区域规划结果和所述第二区域规划结果,得到所述区域级能源网络规划结果。
本发明还提供一种能源网络分级协同规划装置,包括:
分级单元,用于确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建模单元,用于建立所述待规划城市中每个目标建筑的能源利用模型;
负荷特性单元,用于基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
预测单元,用于根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
规划单元,用于根据负荷预测结果,对所述待规划城市进行能源网络规划。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述能源网络分级协同规划方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述能源网络分级协同规划方法。
本发明提供的一种能源网络分级协同规划方法、装置、电子设备及存储介质,通过建立待规划城市中每个目标建筑的能源利用模型,基于所述能源利用模型,得到每个所述目标建筑的负荷特性;根据所有目标建筑的所述负荷特性,对所述待规划城市进行负荷预测,根据负荷预测结果,对所述待规划城市进行能源网络规划。本发明可以根据城市中目标建筑的负荷特性,对城市进行负荷预测,再根据负荷预测结果对城市能源网络进行规划,丰富了城市规划层级,实现了城市能源网络的协同规划,填补了大范围能源网络规划的空白。
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明提供的能源网络分级协同规划方法的流程示意图;
图2是本发明提供的能源网络分级协同规划装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明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作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。
城市智慧能源系统整合了分布式能源和集中式能源生产,对冷、热、电、气、可再生能源等多种能源资源进行综合利用,推动打破传统单一能源发展的壁垒,综合优化供应、传输、消费和转化各环节,通过多能源的互补互济和协调优化,有效提升能源利用效率和运行可靠性,降低温室气体和其它污染物的排放,并帮助用户减少用能成本,从而促进能源的可持续发展。发展城市智慧能源系统是我国能源系统转型升级的必然选择。而基于各种能源负荷和现有的能源资源及利用现状进行城市智慧能源系统的容量及传输网络进行合理规划对于能源系统的能源效率和经济性至关重要。
为了解决现有技术中规划层级单一、协同规划能力弱的缺陷,在本发明实施例中提出了一种能源网络分级协同规划方法,以实现对能源网络的分级规划。该能源网络分级协同规划方法,如图1所示,包括但不限于以下步骤:
步骤100、确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级。
步骤100中,在建立目标建筑的能源利用模型之前,可以将城市能源网络按城市-区域-地块三个层级进行划分。需要确立城市-区域-地块三个层级的划分原则。层级的划分按照目标对象的行政等级、能源传输设备容量以及用能水平等原则进行,不同层级的能源网络之间通过变电站、天然气门站、换热站等能源设备实现能源传输。
步骤110、建立待规划城市中每个目标建筑的能源利用模型。
步骤120、基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型。
在步骤110和步骤120中,需要获取待规划城市中典型单体建筑的负荷特性数据,对于不同的建筑类型有不同的负荷特性,对不同建筑类型的建筑进行建模,再通过模型仿真,即可得到不同类型建筑的负荷特性。其中,典型单体建筑包括多层居住建筑、普通办公建筑、商务办公建筑、普通酒店建筑、商务酒店建筑、商场建筑、学校建筑、医院建筑和工业建筑等,负荷特性数据包括能源价格、能源碳排放量以及能源消耗量等。通过获取到的负荷特性数据,在TRNSYS软件中建立典型建筑的能源利用模型,再结合当地的经济、气候、环境、用能习惯等信息,对上述典型建筑的冷、热、电、气的使用情况进行逐时仿真,从而计算不同类型单体建筑的负荷特性。负荷特性用于表征建筑在一段时间内的用能情况。
步骤130、根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测。
为了实现对城市进行能源网络规划,就需要对城市的能源使用情况进行精确的预测,在步骤130中,根据获取到的目标建筑的负荷特性,该负荷特性包括冷能、热能、电能、天然气的能源使用情况,接着,可以构建对应的机器学习模型,将目标建筑的负荷特性输入到训练好的预测模型中,得到城市的负荷预测结果。进一步地,更加精确地进行负荷预测,可以构建城市级负荷预测预测模型,区域级负荷预测预测模型和地块级负荷预测,不同层级的预测模型对应预测不同层级的负荷。
具体地,此处,可以通过带有标签的训练数据集对其进行训练,可以将训练数据集输入到初始化后的负荷预测模型中进行训练。具体地,将训练数据集中的数据输入到初始化后的负荷预测模型后,可以得到模型输出的预测结果,可以根据预测结果和前述的标签来评估预测模型预测的准确性,从而对模型的参数进行更新。对于负荷预测模型来说,模型预测结果的准确性可以通过损失函数(Loss Function)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多,例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本申请实施例中,可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的负荷预测模型。具体地迭代轮数可以预先设定,或者在测试集达到精度要求时认为训练完成。
进一步地,可以采用灰色关联度分析法,结合城市的人口、经济、能源消费量等发展规律对城市级远期负荷进行预测。示例性地,如人口流动情况,能源使用情况,以及未来经济情况的走势等,都可以作为样本对城市级远期负荷进行预测。
步骤140、根据负荷预测结果,对所述待规划城市进行能源网络规划。
根据先前的步骤已经对待规划城市的负荷情况有一定程度的了解,在了解负荷特性的基础上,可以对城市进行更为合适的规划,具体地,包括对城市智慧能源网络的选址、能源站内设备容量的确定以及运行控制等分级协同规划。
作为进一步可选的实施例,所述基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型,包括:
获取目标建筑的历史能源数据,所述历史能源数据包括区域用能数据和城市影响因素数据;
根据所述历史能源数据建立所述目标建筑的能源利用模型;
根据所述能源利用模型,对所述目标建筑进行能源消耗仿真,得到所述目标建筑的负荷特性和建筑类型。
在本实施例中,为了建立目标建筑的能源利用模型,需要获取目标建筑的历史能源数据,通过目标建筑的历史能源数据能够在TRNSYS软件中建立典型建筑的能源利用模型,从而实现对目标建筑的冷、热、电、气的使用情况的逐时仿真,得到目标建筑的负荷特性和建筑类型。其中,区域用能数据包括建筑用能设备清单及能耗数据,通过提取建筑用能设备清单及能耗数据中的特征,能够获取目标建筑的历史负荷特性。而城市影响因素数据包括城市的人口、经济、能源消费量等发展规律,通过解析城市的人口、经济、能源消费量等发展规律,能够反映城市的用能情况。示例性地,根据城市人口数据显示在未来一个月人口会流出30%,因此城市的用能在未来一个月会有所降低。可以通过构建人口流动和城市用能的映射关系,使负荷预测更加准确。本实施例中,对于历史能源数据的获取渠道不做限制,该历史能源数据既可以是直接通过采集设备从目标建筑中采集得到的,也可以是通过数据传输接口或者远程通信传输从其他电子设备及计算机系统获取得到的。其中,TRNSYS全称为Transient System SimulationProgram,即瞬时系统模拟程序,该系统的最大的特色在于其模块化的分析方式。所谓模块分析,即认为所有热传输系统均由若干个细小的系统(即模块)组成,一个模块实现一种特定的功能,如热水器模块,单温度场分析模块、太阳辐射分析模块、输出模块等。因此,只要调用实现这些特定功能的模块,给定输入条件,这些模块程序就可以对某种特定热传输现象进行模拟,最后汇总就可对整个系统进行瞬时模拟分析。比如:在分析建筑的能耗的时候,可以用到单温度场的分析模块或多温度场的分析模块,前者假定室内各处的空气温度是相等的,其主要用于对室内热环境以及建筑的能耗作相对简单的分析;而后者则考虑到房间温度分布的不均匀性,因此,分析的结果更为精确。
作为进一步可选的实施例,所述根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市进行城市级负荷预测、区域级负荷预测和地块级负荷预测,包括:
根据所述负荷特性和所述建筑类型,分别确定所述负荷层级中的对象以及能源使用系数;
根据所述负荷层级中的对象以及所述能源使用系数,构建待规划城市的分级负荷模型,所述分级负荷模型包括城市级负荷模型、区域级负荷模型和地块级负荷模型;
根据所述城市影响因素数据,通过所述分级负荷模型对所述待规划城市进行分级负荷预测,得到所述待规划城市的负荷预测结果,所述负荷预测结果包括城市级负荷预测结果、区域级负荷预测结果和地块级负荷预测结果。
在本实施例中,为了丰富能源网络规划的层级,进一步增强协同规划能力,可以对待规划城市进行负荷分级,得到负荷层级。示例性地,在单体典型建筑的基础上,可以建立“单体建筑-地块-区域-城市”,一共四个负荷层级。每一个层级都构建对应的负荷预测模型,分别是城市级负荷模型、区域级负荷模型和地块级负荷模型,通过分级构建负荷模型,能够获取到不同负荷层级的能源使用情况,从而更好地对城市能源网络进行规划。其中,城市级,研究对象为人口分布较为集中的市辖区或县城,由多个区域构成;区域级,研究对象为功能区或园区,由多个具由特定功能的地块构成;地块级,研究对象为具有特定属性的建筑集群,范围内含有若干具有不同功能的单体建筑;不同层级之间通过能源传输设备进行联络。
接着,需要明确上层级里的下层级对象的构成情况和同时使用系数,自下而上地累积,从而对不同层级能耗进行预测。示例性地,待规划城市中可以划分为区域A、区域B和区域C,而区域A中又包含地块a和地块b,地块a中包括建筑1、建筑2和建筑3。接着,再以单体建筑为基础,获取每一个单体建筑对应的能源使用系数,即可得到城市中不同层级不同对象的能源使用系数,示例性地,建筑1的能源使用系数为0.2、建筑2的能源使用系数为0.5和建筑3的能源使用系数为0.3,那么即可获取地块a对应的能源使用系数,其他层级和对象同理,这里不再赘述。通过对城市进行区域划分,就可以明确上层级里的下层级对象的构成情况,再通过获取用于表征能源使用情况的能源使用系数,即可构建待规划城市对应的分级负荷模型,从而对城市进行负荷预测,得到待规划城市的负荷预测结果。
具体地,在分级负荷模型进行负荷预测时,可以采用多模型融合算法。多模型融合算法则主要通过计算多个模型对输入数据进行预测,从而输出多个预测结果。此处的多个模型为两两之间不同的模型,具体可以是通过不同的机器学习算法训练得到的,当然,其中的部分模型也可以是基于同种机器学习算法,通过不同的训练数据训练得到的。以多模型融合算法中包括四个模型为例,对负荷预测的过程进行解释说明。此处多模型融合算法中的四个模型依次可以记为第一模型、第二模型、第三模型和第四模型,将第一特征信息分别输入到四个模型中,得到的预测结果依次记为第一预测结果、第二预测结果、第三预测结果和第四预测结果,计算各个预测结果的平均值,然后根据该平均值可以确定出这些预测结果之间的方差。本申请实施例中,将采用高斯过程回归、蒙特卡罗Dropout(Monte-CarloDropout)或者多模型融合算法计算得到的方差记为第二方差。根据第二方差,可以确定出分级负荷模型对应的负荷预测结果。
需要说明的是,本申请实施例中,根据多个预测结果之间的方差确定负荷预测结果仅用于举例说明计算负荷预测结果一种可选的实施方式,而实际实施时也可以采用其他的方式,例如标准差或者任意一种衡量多个预测结果离散程度的指标数值,均可以用于确定上述的负荷预测结果。
进一步地,为了增加负荷预测结果的准确度,本实施例中还结合城市的人口、经济、能源消费量等发展规律对城市级远期负荷进行预测。示例性地,对于城市的人口,可以根据人口的流动情况,反映一部分区域的能源使用情况,假设人口数量在未来两个月内有减少的趋势,那么这一区域的能源消耗也会相应降低。
作为进一步可选的实施例,所述根据负荷预测结果,对所述待规划城市进行能源网络规划,包括:
所述根据所述城市级负荷预测结果,对所述待规划城市进行城市级能源网络规划;
将城市级能源网络规划结果作为区域级能源网络规划的约束条件,并根据所述区域级负荷预测结果,对待规划区域进行区域级能源网络规划;
根据所述城市级能源网络规划结果和区域级能源网络规划结果,对能源网络规划结果进行迭代校验,得到目标能源网络规划结果。
作为进一步可选的实施例,所述根据所述城市级负荷预测结果,对所述待规划城市进行城市级能源网络规划,包括:
获取历史能源网络信息;
根据所述历史能源网络信息和所述负荷预测结果,进行能源网络扩容规划,得到城市级能源网络规划结果。
本实施例中,需要获取历史能源网络信息,历史能源网络信息包括已有的能源网络结构、能源价格、用能数据等。能源网络扩容规划主要是在完成能源网络建设后,对能源网络能够满足远期用能需求进行逐步规划。规划主要包括两个方面,一是进行设备扩容建设所设计的设备、土建、安装等成本,二是建设完成后的运维成本。具体地,能源网络建设完成后,可以选择通过能源站使用能源网络中的其它能源自行发电,也可以选择从电网中直接购电,城市级能源网络规划是在能源站等能源网络建设完成后进行的,主要的任务是保证建设完成后的能源网络的安全性的前提下,进行电价最小化的规划。即保证能源网络不会长时间高负荷工作的同时,在能源网络发电和电网购电之间做权衡。具体地,可以构建一个目标函数对城市级能源网络规划进行辅助,目标函数的目标是用能成本最小,而目标函数的组成包括在能源网络中购买各种能源的费用、能源设备的运维成本以及对应产生的环境成本,接着再把能源网络的负荷作为目标函数的约束条件,通过该目标函数即可最小化总成本,从而辅助能源网络扩容规划的进行。
作为进一步可选的实施例,所述将城市级能源网络规划结果作为区域级能源网络规划的约束条件,并根据所述区域级负荷预测结果,对待规划区域进行区域级能源网络规划,包括:
选取能源站地址并进行能源网络布局规划,得到第一区域规划结果;
对所述能源站进行设备容量规划,得到第二区域规划结果;
根据所述第一区域规划结果和第二区域规划结果,对所述能源站进行多目标优化,得到区域级能源网络规划结果。
在本实施例中,为了实现能源网络的最优配置,可以建立多目标三层规划模型,第一层进行选址和管网布局优化,在区域级能源网络规划时,系统会默认该区域不配备能源网络,重新为该区域进行能源站的选址以及能源网络的布局,包括网络路径的铺设,能源的传输等方面。在进行能源站的选址以及能源网络的布局时,可以采用基于P中位模型的路径自动搜寻和优化算法,该算法在已知地块顶点地理坐标的情况下可以实现所有备选路径的自动搜寻,再通过Dijkstra算法一次性计算并储存两两节点间的最优路径,再将不同的备选最优路径进行组合。通过这种方法,在规划能源网络传输路径时,可以避免大量的穷举次数,从而提高计算效率。
第二层则是进行容量配置,根据选定的能源站的资源禀赋对能源站内能源生产和储能设备的配置进行经济性优化,同时保证能源站的可再生能源装机容量比例。具体地,对能源形式和产生能源的能力进行规划,能源形式包括水力发电、风力发电、光伏发电等形式,而产生能源的能力是指单位时间内产生能源的多少。第二层的目标使在较低成本的前提下,保证能源站的工作效率能够满足区域需求。
进一步地,在进行容量规划之前,可以根据能源站选址的资源条件与区域负荷估算量进行初步比对,若该选址的资源条件无法满足能源站的负荷需求则直接重新进行选址优化,这样可以避免重复的非必要的容量优化计算量,提高了计算效率。
第三层是进行多目标运行规划,将前两层的规划结果作为已知条件,以经济性、灵活性、环保性和可再生能源利用效率等目标进行综合优化,将经济性、灵活性、环保性和可再生能源利用效率等参数作为新的指标,对第一层和第二层的规划结果进行综合性评价。
作为进一步可选的实施例,所述根据所述第一区域规划结果和第二区域规划结果,对所述能源站进行多目标优化,得到区域级能源网络规划结果,包括:
提取所述第一区域规划结果和所述第二区域规划结果中的能源规划参数;
将所述能源规划参数输入至目标函数中;
当所述目标函数满足预设条件,则根据所述第一区域规划结果和所述第二区域规划结果,得到所述区域级能源网络规划结果。
在本实施例中,需要将经济性、灵活性、环保性和可再生能源利用效率等参数作为新的指标,对第一层和第二层的规划结果进行综合性评价。具体地,可以对第一层和第二层的规划结果进行参数提取,从第一层和第二层的规划结果中提取能源价格、产生能源的碳排放、能源的年度的产生量、投资成本和年度发电量等参数,并将上述用于衡量规划结果经济性、灵活性、环保性和可再生能源利用效率的参数输入至目标函数中,以判断该规划结果是否达到预设效果。
进一步地,对于区域级能源网络的规划结果和城市级能源网络的规划结果,可以进行不同层级之间的迭代校核,从而得到分级能源网络的联合规划结果。
与现有技术相比,本发明提出的技术方案可以对城市智慧能源网络的选址、容量确定以及运行控制进行分级协同规划。使用本方法进行能源网络规划,计算时间较短。此外,本方法的提出填补了加大范围能源网络规划的空白,通过多目标优化的引入,为城市智慧能源系统的低碳优化提供了参考。
下面对本发明提供的能源网络分级协同规划装置进行描述,如图2所示,下文描述的能源网络分级协同规划装置与上文描述的能源网络分级协同规划方法可相互对应参照。
分级单元200,用于确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建模单元210,用于建立所述待规划城市中每个目标建筑的能源利用模型;
负荷特性单元220,用于基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
预测单元230,用于根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
规划单元240,用于根据负荷预测结果,对所述待规划城市进行能源网络规划。
本发明提供的一种能源网络分级协同规划装置,通过负荷特性单元建立待规划城市中目标建筑的能源利用模型,得到所述目标建筑的负荷特性;接着,预测单元根据所述负荷特性,对所述待规划城市进行负荷预测,得到所述待规划城市的负荷预测结果;随后,规划单元根据所述负荷预测结果,对所述待规划城市进行能源网络规划。本发明可以根据城市中目标建筑的负荷特性,对城市进行负荷预测,再根据负荷预测结果对城市能源网络进行规划,丰富了城市规划层级,实现了城市能源网络的协同规划,填补了大范围能源网络规划的空白。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行能源网络分级协同规划方法,该方法包括:
确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建立所述待规划城市中每个目标建筑的能源利用模型;
基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
根据负荷预测结果,对所述待规划城市进行能源网络规划。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的能源网络分级协同规划方法,该方法包括:
确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建立所述待规划城市中每个目标建筑的能源利用模型;
基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
根据负荷预测结果,对所述待规划城市进行能源网络规划。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种能源网络分级协同规划方法,其特征在于,包括:
确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建立所述待规划城市中每个目标建筑的能源利用模型;
基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
根据负荷预测结果,对所述待规划城市进行能源网络规划。
2.根据权利要求1所述的能源网络分级协同规划方法,其特征在于,所述基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型,包括:
获取目标建筑的历史能源数据,所述历史能源数据包括区域用能数据和城市影响因素数据;
根据所述历史能源数据建立所述目标建筑的能源利用模型;
根据所述能源利用模型,对所述目标建筑进行能源消耗仿真,得到所述目标建筑的负荷特性和建筑类型。
3.根据权利要求2所述的能源网络分级协同规划方法,其特征在于,所述根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测,包括:
根据所述负荷特性和所述建筑类型,分别确定所述负荷层级中的对象以及能源使用系数;
根据所述负荷层级中的对象以及所述能源使用系数,构建待规划城市的分级负荷模型,所述分级负荷模型包括城市级负荷模型、区域级负荷模型和地块级负荷模型;
根据所述城市影响因素数据,通过所述分级负荷模型对所述待规划城市进行分级负荷预测,得到所述待规划城市的负荷预测结果,所述负荷预测结果包括城市级负荷预测结果、区域级负荷预测结果和地块级负荷预测结果。
4.根据权利要求3所述的能源网络分级协同规划方法,其特征在于,所述根据负荷预测结果,对所述待规划城市进行能源网络规划,包括:
根据所述城市级负荷预测结果,对所述待规划城市进行城市级能源网络规划;
将城市级能源网络规划结果作为区域级能源网络规划的约束条件,并根据所述区域级负荷预测结果,对待规划区域进行区域级能源网络规划;
根据所述城市级能源网络规划结果和区域级能源网络规划结果,对能源网络规划结果进行迭代校验,得到目标能源网络规划结果。
5.根据权利要求4所述的能源网络分级协同规划方法,其特征在于,所述根据所述城市级负荷预测结果,对所述待规划城市进行城市级能源网络规划,包括:
获取历史能源网络信息;
根据所述历史能源网络信息和所述负荷预测结果,进行能源网络扩容规划,得到城市级能源网络规划结果。
6.根据权利要求4所述的能源网络分级协同规划方法,其特征在于,所述将城市级能源网络规划结果作为区域级能源网络规划的约束条件,并根据所述区域级负荷预测结果,对待规划区域进行区域级能源网络规划,包括:
选取能源站地址并进行能源网络布局规划,得到第一区域规划结果;
对所述能源站进行设备容量规划,得到第二区域规划结果;
根据所述第一区域规划结果和第二区域规划结果,对所述能源站进行多目标优化,得到区域级能源网络规划结果。
7.根据权利要求6所述的能源网络分级协同规划方法,其特征在于,所述根据所述第一区域规划结果和第二区域规划结果,对所述能源站进行多目标优化,得到区域级能源网络规划结果,包括:
提取所述第一区域规划结果和所述第二区域规划结果中的能源规划参数;
将所述能源规划参数输入至目标函数中;
当所述目标函数满足预设条件,则根据所述第一区域规划结果和所述第二区域规划结果,得到所述区域级能源网络规划结果。
8.一种能源网络分级协同规划装置,其特征在于,包括:
分级单元,用于确定待规划城市的负荷层级,所述负荷层级包括城市级、区域级和地块级;
建模单元,用于建立所述待规划城市中每个目标建筑的能源利用模型;
负荷特性单元,用于基于所述能源利用模型,得到每个所述目标建筑的负荷特性和建筑类型;
预测单元,用于根据所有目标建筑的所述负荷特性和所述建筑类型,对所述待规划城市分别进行城市级负荷预测、区域级负荷预测和地块级负荷预测;
规划单元,用于根据负荷预测结果,对所述待规划城市进行能源网络规划。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述能源网络分级协同规划方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述能源网络分级协同规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160604.1A CN115879652B (zh) | 2023-02-24 | 2023-02-24 | 能源网络分级协同规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160604.1A CN115879652B (zh) | 2023-02-24 | 2023-02-24 | 能源网络分级协同规划方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879652A true CN115879652A (zh) | 2023-03-31 |
CN115879652B CN115879652B (zh) | 2023-08-15 |
Family
ID=85761575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310160604.1A Active CN115879652B (zh) | 2023-02-24 | 2023-02-24 | 能源网络分级协同规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879652B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391343A (zh) * | 2023-10-08 | 2024-01-12 | 江苏科能电力工程咨询有限公司 | 一种基于城市规划的用电预测方法、装置和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106487008A (zh) * | 2016-11-22 | 2017-03-08 | 国网新疆电力公司乌鲁木齐供电公司 | 基于负荷关联系数的单元制中压配电网规划方法 |
CN109858773A (zh) * | 2019-01-07 | 2019-06-07 | 国网吉林省电力有限公司长春供电公司 | 多源大数据融合的城市电网规划方法 |
CN110348750A (zh) * | 2019-07-16 | 2019-10-18 | 国网山东省电力公司经济技术研究院 | 一种基于“功能块”的配电网模块化规划系统 |
US20200076196A1 (en) * | 2018-08-28 | 2020-03-05 | Johnson Controls Technology Company | Building energy optimization system with a dynamically trained load prediction model |
CN113191026A (zh) * | 2021-06-01 | 2021-07-30 | 上海交通大学 | 以园区定位为导向的园区综合能源网络规划方法及系统 |
CN114529123A (zh) * | 2021-12-14 | 2022-05-24 | 中国建筑科学研究院有限公司 | 一种城市智慧能源网络分级规划方法 |
CN115081902A (zh) * | 2022-06-30 | 2022-09-20 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
CN115545415A (zh) * | 2022-09-14 | 2022-12-30 | 华南理工大学 | 一种规划阶段的城市区域能源系统负荷预测方法 |
-
2023
- 2023-02-24 CN CN202310160604.1A patent/CN115879652B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106487008A (zh) * | 2016-11-22 | 2017-03-08 | 国网新疆电力公司乌鲁木齐供电公司 | 基于负荷关联系数的单元制中压配电网规划方法 |
US20200076196A1 (en) * | 2018-08-28 | 2020-03-05 | Johnson Controls Technology Company | Building energy optimization system with a dynamically trained load prediction model |
CN109858773A (zh) * | 2019-01-07 | 2019-06-07 | 国网吉林省电力有限公司长春供电公司 | 多源大数据融合的城市电网规划方法 |
CN110348750A (zh) * | 2019-07-16 | 2019-10-18 | 国网山东省电力公司经济技术研究院 | 一种基于“功能块”的配电网模块化规划系统 |
CN113191026A (zh) * | 2021-06-01 | 2021-07-30 | 上海交通大学 | 以园区定位为导向的园区综合能源网络规划方法及系统 |
CN114529123A (zh) * | 2021-12-14 | 2022-05-24 | 中国建筑科学研究院有限公司 | 一种城市智慧能源网络分级规划方法 |
CN115081902A (zh) * | 2022-06-30 | 2022-09-20 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
CN115545415A (zh) * | 2022-09-14 | 2022-12-30 | 华南理工大学 | 一种规划阶段的城市区域能源系统负荷预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391343A (zh) * | 2023-10-08 | 2024-01-12 | 江苏科能电力工程咨询有限公司 | 一种基于城市规划的用电预测方法、装置和存储介质 |
CN117391343B (zh) * | 2023-10-08 | 2024-03-12 | 江苏科能电力工程咨询有限公司 | 一种基于城市规划的用电预测方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115879652B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pallonetto et al. | Demand response algorithms for smart-grid ready residential buildings using machine learning models | |
Allegrini et al. | A review of modelling approaches and tools for the simulation of district-scale energy systems | |
Chalal et al. | Energy planning and forecasting approaches for supporting physical improvement strategies in the building sector: A review | |
Lei et al. | Multi-stage stochastic planning of regional integrated energy system based on scenario tree path optimization under long-term multiple uncertainties | |
Pan et al. | Building energy simulation and its application for building performance optimization: A review of methods, tools, and case studies | |
Chang et al. | Multivariate relationships between campus design parameters and energy performance using reinforcement learning and parametric modeling | |
CN110287509B (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 | |
Letellier-Duchesne et al. | Balancing demand and supply: Linking neighborhood-level building load calculations with detailed district energy network analysis models | |
Sava et al. | Integration of BIM solutions and IoT in smart houses | |
CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
Castaldo et al. | Uses of dynamic simulation to predict thermal‐energy performance of buildings and districts: a review | |
Amer et al. | Methodology for design decision support of cost-optimal zero-energy lightweight construction | |
CN115879652B (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
Chen et al. | AI-Assisted approach for building energy and carbon footprint modeling | |
CN114066315A (zh) | 一种适应多元源荷接入的配电网规划系统 | |
Lei et al. | Prediction method of energy consumption for high building based on LMBP neural network | |
Rahimian et al. | A review of predictive software for the design of community microgrids | |
Xu et al. | Community load leveling for energy configuration optimization: Methodology and a case study | |
Nageler et al. | Prototype of a simulation framework for georeferenced large-scale dynamic simulations of district energy systems | |
Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
Belda et al. | Reviewing challenges and limitations of energy modelling software in the assessment of PEDs using case studies | |
Tam et al. | Modelling and quantitation of embodied, operational and mobile energies of buildings: a holistic review from 2012 to 2021 | |
CN109412155A (zh) | 一种基于图计算的配电网供电能力评估方法 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
Fathi et al. | Campus energy use prediction (CEUP) using artificial intelligence (AI) to study climate change impacts |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |