CN116316657A - 用于电网中受屏蔽的系统的分层隐式控制器 - Google Patents
用于电网中受屏蔽的系统的分层隐式控制器 Download PDFInfo
- Publication number
- CN116316657A CN116316657A CN202310304081.3A CN202310304081A CN116316657A CN 116316657 A CN116316657 A CN 116316657A CN 202310304081 A CN202310304081 A CN 202310304081A CN 116316657 A CN116316657 A CN 116316657A
- Authority
- CN
- China
- Prior art keywords
- controller
- external
- grid
- retrofit
- internal
- 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 claims abstract description 66
- 238000010438 heat treatment Methods 0.000 claims abstract description 35
- 238000001816 cooling Methods 0.000 claims abstract description 24
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 71
- 230000004044 response Effects 0.000 claims description 45
- 238000005316 response function Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000000116 mitigating effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 30
- 239000003795 chemical substances by application Substances 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000004913 activation Effects 0.000 description 20
- 230000014509 gene expression Effects 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 239000000243 solution Substances 0.000 description 15
- 238000007726 management method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000005265 energy consumption Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 230000001276 controlling effect Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000009420 retrofitting Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- WUCYRTXFXRZKSV-UHFFFAOYSA-N 1-ethyl-3-[5-[6-(4-methoxy-2,6-dimethylphenyl)-2-pyrazin-2-ylpyrimidin-4-yl]-1,3-thiazol-2-yl]urea Chemical compound S1C(NC(=O)NCC)=NC=C1C1=CC(C=2C(=CC(OC)=CC=2C)C)=NC(C=2N=CC=NC=2)=N1 WUCYRTXFXRZKSV-UHFFFAOYSA-N 0.000 description 4
- 239000002803 fossil fuel Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 241000209035 Ilex Species 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101100294331 Drosophila melanogaster nod gene Proteins 0.000 description 1
- 206010053615 Thermal burn Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- 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
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00004—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the power network being locally controlled
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
- H02J2310/16—The load or loads being an Information and Communication Technology [ICT] facility
-
- 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
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02B90/20—Smart grids as enabling technology in buildings sector
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Feedback Control In General (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Temperature (AREA)
- Air-Conditioning For Vehicles (AREA)
- Power Steering Mechanism (AREA)
Abstract
公开了一种用于电网中受屏蔽的系统的分层隐式控制器。描述了当系统的控制器未知或当系统的传递函数未知时至少部分掌控(例如供暖和/或制冷)系统和系统集群的系统或方法。描述了对能量流(例如供暖/制冷/电能)的掌控,以向系统或系统集群提供能量,并且优选地管理如容量问题等共同的约束。
Description
本申请是申请日为2017年12月27日的题为“用于电网中受屏蔽的系统的分层隐式控制器”的中国发明专利申请201780081261.2的分案申请。
技术领域
本发明涉及例如当系统的控制器未知或当系统的传递函数未知时至少部分掌控(例如供暖和/或制冷)系统和系统集群的系统或方法。本发明还涉及对能量流(例如供暖/制冷/电能)的掌控,以向系统或系统集群提供能量,并且优选地管理如容量问题等共同的约束。
背景技术
众所周知,供暖系统可利用配电控制策略进行控制,例如:
Power supply network control system and method(供电网络控制系统和方法),专利申请号EP3000161。发明人:De Ridder F.,Claessens B.,De Breucker S。
De Ridder F.,Claessens B.,Vanhoudt D.,De Breucker S.,Bellemans T.,SixD.和Van Bael J。“On a fair distribution of consumer’s flexibility betweenmarket parties with conflicting interests(在利益冲突的市场各方之间向消费者公平分配弹性)”,电能系统国际汇刊,DOI:10.1002/etep.2188,2016;
D′hulst R.,De Ridder F.,Claessens B.,Knapen L.,Janssens,D.2015。“Decentralized coordinated charging of electric vehicles consideringlocational and temporal flexibility(考虑位置和时间弹性的电动汽车分散协调充电)”。电能系统国际汇刊,25(10),2562-2575。
De Ridder F.,Reinhilde D’Hulst,Luk Knapen,Davy Janssens。“ElectricVehicles in the Smart Grid,Chapter in Data Science and Simulation inTransportation Research(智能电网中的电动汽车,数据科学和运输研究模拟章节)”。编者:Janssens D.,Yasar A.,Knapen L.,IGI Global,2013;
De Ridder F.,Reinhilde D’Hulst,Luk Knapen,Davy Janssens。“Applying anActivity Based Model to Explore the Potential of Electrical Vehicles in theSmart Grid(应用基于活动的模型来探索智能电网中电动汽车的潜力)”,计算机科学基础,19,847-853,2013]。
实际上很多系统都无法被掌控,因为内部控制系统被屏蔽或隐藏而无法访问。这通常是建筑管理系统(BMS)或大型工业厂房中的情况,其中许多物料流被优化。许多系统和系统集群无法被掌控,因为系统的内部管理被屏蔽,或因为内部管理系统太复杂,或因为该系统是手动控制的。这些内部管理系统是重要的,因为它们可以保护内部约束(如供应安全性、舒适度约束、最小/最大温度),安全措施(如泵在检测到可能指示管道泄漏的压力下降的情况下将不会工作)。
用于控制设备集群的已知控制方案基于底层系统的显式知识。即使使用自学习的免模型机器学习技术,这些技术也只能掌控一些控制参数。实际上,由于以下几个原因,集群控制方案难以实施:
-通常无法访问内部控制器(例如,因为其是由私有公司拥有和操作的。
-如果系统发生变化,则必须更换控制器,这是一项耗时的工作。
-如果配置发生变化(例如添加或删除设备),则必须更改控制器,这是一项耗时的工作。
-许多安全措施使控制真实系统的干预复杂化。
例如,到目前为止,外部控制组件可影响BMS行为的一种方法是通过超驰恒温器设置。在一些特殊情况下,BMS提供商可能会为此目的提供可选的辅助(较低优先级)控制器输入连接器,这是供应商锁定的、需要BMS提供商的详细知识和许可、通常需要由供应商提供的昂贵的合作和咨询,包括维护费。如对恒温器设置之类的超驰设置可能导致危险情况,例如过热。
已经提出了测量房屋内的热状态并相应地掌控BMS。但是,在许多应用中,这很困难。此外,诸如热泵之类的许多设备,都有其自己的内部管理系统,该内部管理系统只能被部分控制。通常防反转(anti-pendle)时间约束是有效的,例如,如果热泵被关闭,则它将被保持关闭达20分钟。很难将此类(未知的)约束考虑在内。
配电能源(DER)的大规模整合正在改变能源系统的格局。它增加了整个能源供应链中功率系统的可变性和不确定性。在配电层级,诸如过电压/欠电压下的网络资产拥塞之类的事件正在成为配电系统运营商(DSO)每天必须处理的新例程。
解决日益增加的不确定性和(诸)新出现问题的一种解决方案是增加系统的弹性。这可通过实现需求响应(DR)程序来实现终端用户的更大参与来解决低压电网中的网络操作限制违规。为了确保DR程序的成功,要求DSO变得更加活跃并且在各DR资源(即,配电弹性负载和能源(DER))之间发挥协调职能。为此,DSO需要能够确定需要从每个电网区域采购的最小弹性量。众所周知,它提供了聚合了各个体消费者的集中式需求响应程序,以便最小化储备能量流,并在日前能源市场中最大化净效益。已知一种基于协作的算法,其经由局部能量交换来寻求网络拥塞缓解。局部能量存储系统可被结合以解决网络拥塞。已提出竞争性市场清算平台,其与现有的日前和当日市场同步运作。将重点放在实时平衡上的实时局部交易市场是已知的。
可通过配电控制算法来控制集群。一个显著的缺点是需要为该集群中的每个个体设备开发单独的控制单元。从IT的角度来看,个体设备可由代理控制。一个显著的缺点是需要为每个设备显式地写入代理。从控制角度来看,可开发用于完整集群的控制器,但这是一项大任务。在所有情况下,设计都是不可扩展的,即系统中的每一个变化都需要在控制方案中进行新的调整和开发。此外,控制系统必须能够访问每个设备。通常是不被允许的。
许多建筑都有无法被访问的BMS系统,或者热泵有(出于安全和其他原因)无法被访问的内部控制器。
发明内容
本发明的各实施例提供了一种诸如当系统的控制器未知或当系统的传递功能未知时至少部分地掌控系统的方法(例如对设备或建筑等进行供暖/制冷和对此类设备和建筑等集群进行供暖/制冷)。本发明的各实施例允许对能量流(例如供暖/制冷/电能)进行掌控,以向系统或系统集群提供能量,并且优选地管理如容量问题等共同的约束。本发明的各实施例利用例如,由其他控制器使用(并且可访问的)外部传感器或数据流。
本发明的各实施例提供一种外部控制器,该外部控制器例如适用于改造和控制具有消耗热或冷热能的设备的系统,以及适用于消耗或生成由配电电网提供的电力,该配电电网具有约束和定向式目标,至少一个设备具有内部控制器,该内部控制器用于控制热或冷热能的使用,并用于接收参数作为向内部控制器的输入,其中至少一个参数可由经改造的外部控制器访问,该经改造的外部控制器被适配成操纵至少一个参数并将经操纵的参数提供给内部控制器以改变该至少一个设备或具有消耗热或冷热能的设备的系统的行为,以至少部分地满足配电电网的约束和定向式目标。
该改造外部控制器可以是独立设备或可被嵌入另一电子组件中。改造控制器可以具有存储器(诸如非瞬态计算机可读介质、RAM和/或ROM)、操作系统、可任选地显示器(诸如固定格式显示器,诸如OLED显示器)、数据输入设备(诸如键盘)、定点设备(诸如“鼠标”)、用于与其他设备通信的串行或并行端口、连接到网络的网卡和连接。
改造外部控制器的存储器可被用于存储配电电网的约束和定向式目标,使得例如该改造控制器可在考虑配电电网的约束和定向式目标的同时操作以操纵至少一个参数。用于通信的串行或并行端口可被用于与配电电网(例如,某DSO)的控制器连接,以获取和下载该电网的约束和定向式目标。改造外部控制器可被适配成与配电电网的一个或多个DSO协商以商定一个或多个配电电网的约束和定向式目标。
在本发明的各实施例中,经操纵的参数可以是可访问的外部数据流(例如,信道)或外部传感器输出,其操纵会影响由内部控制器作出的决定,故从而掌控内部控制器。附加(例如改造外部)控制器(例如根据先前学习的用于改变或掌控内部控制器操作的响应函数)操纵(例如盖写或凌驾规定否定)一个或多个外部传感器测量或输出和/或一个或多个外部数据信道以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
外部传感器测量或输出和/或一个或多个外部数据信道对于改造控制器是已知的,即改造控制器被适配成接收外部传感器测量或输出和/或一个或多个外部数据信道。改造控制器的响应可根据先前学习的响应函数来确定,该响应函数用于在不凌驾规定否定内部控制器的情况下改变或掌控内部控制器操作以满足外部目标和约束,从而保证受控系统的内部约束也可被满足。
改造外部控制器的存储器可以存储哪个参数将被操纵,并且可以存储哪个可访问的外部数据流(例如,信道)或外部传感器输出将被操纵。改造外部控制器可被适配成学习用于改变或掌控内部控制器操作的响应函数,或者改造外部控制器的存储器可存储用于改变或掌控内部控制器操作的一个或多个响应函数。
因此,本发明的各实施例可提供一种外部控制器,该外部控制器用于控制具有消耗热或冷热能的一个或多个设备的系统,以及用于消耗或生成由配电电网提供的电力,该配电电网具有约束和定向式目标,至少一个设备具有内部控制器,该内部控制器用于控制热或冷热能的使用,并用于接收参数作为向内部控制器的输入,其中至少一个参数可由外部控制器访问,该外部控制器被适配成操纵至少一个参数并将经操纵的参数提供给内部控制器以改变该至少一个设备的行为,以至少部分地满足配电电网的约束和定向式目标,其中,被操纵的至少一个参数是可访问的外部数据流或外部传感器输出,故而操纵会影响由内部控制器作出的决定,并从而掌控它。外部控制器可以是改造外部控制器。
因此,附加外部控制器可根据先前学习的用于改变或掌控内部控制器操作的响应函数来操纵和/或盖写和/或凌驾规定否定外部传感器测量和/或外部数据信道以在不凌驾规定否定控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
外部目标可包括从电网控制系统传递到经改造的外部控制器的约束和目标。外部控制器可包括用于学习系统如何对外部变量/参数的变化作出反应的装置,并且还包括用于构造响应函数的装置,该响应函数说明系统在任何给定情况下将如何作出反应或响应。外部控制器可使用此类响应函数通过操纵外部变量/参数来估计将被应用于内部控制器的最佳隐式控制信号,以满足外部目标和约束。
内部控制器可控制对热或冷热能的使用,并从而控制消耗热或冷热能的设备系统。
本发明的各实施例不干预诸如BMS的控制器之类的内部控制器。相反,拦截仅与传感器值有关,诸如外部温度。通过这样做,整个系统的效率可被提高,但是各个体BMS系统仍然提供使内部温度保持在预定范围内的相同保证。盖写内部温度传感器或控制器设定点可能导致建筑变得太冷和/或太热的情形。如果内部热传感器被操纵,警报被取消或恒温器被超驰,则系统可被供暖到比内部缓冲控制器更高的温度。这可能会导致安全风险(供暖器可能开始沸腾、起火、烫伤人员等)。
本发明的各实施例可控制电力和/或供暖或制冷网络中的系统,其可由第三方直接控制或者可被应用于各个体单元/建筑/设备。无需访问系统的控制器,因为其行为受到一些可访问的外部参数的影响。这提供了一种简单而有效的方法来利用可能被系统提供的未知的固有内部弹性。此类可访问的可控参数的示例有:经常被用于建筑管理系统中的外部温度、或被用于控制工业厂房生产所用的电能的可用性、或供暖或制冷网络中的温度和/或流速、配电电网络中的电压,频率,电流等。
本发明的各实施例可以控制可被结合在更大集群中的系统。此类系统可被掌控,使得其支持并帮助实现更大集群的目标和约束。可实现更大集群的目标(诸如最小化损耗、最小化成本)以及更大集群的约束(诸如电网容量、电压、频率的限制和电网中的电流稳定、各工业厂房之间的物料流)。本发明的各实施例可提供具有分层结构的控制系统。
本发明的各实施例包括一种系统,该系统包括可访问的外部传感器和/或由内部受屏蔽的控制器使用的数据。这允许操纵可访问的外部传感器的输出和/或数据,并从而控制受屏蔽的内部控制器。
本发明的各实施例提供了一种用于控制学习系统如何对外部参数作出反应并操纵这些参数中的一些以掌控系统的系统和方法。本发明的各实施例允许系统被控制以处理其他控制问题,如稳定电力和/或供暖网络。
本发明的各实施例提供了一种用于修改系统的性能特征的外部供应的设备。设备可被改造以影响和修改系统的性能特征。
本发明的各实施例还提供了一种系统和方法,其可被应用于广泛的产品,诸如:
-用于供暖和/或制冷网络中的系统的掌控机构
-用于容量有限的配电电网中的系统的掌控机构
-连接到电网中的聚合器和/或平衡责任方的系统的掌控机构。
-用于大型工厂/公司的功率调度的掌控机构。
本发明的各实施例提供了一种能够部分接管内部控制器的方法。它通过操纵(例如凌驾规定否定内部控制器所使用的可访问外部参数)来实现这一点。例如,它首先可以学习内部控制器如何对这些外部可控参数的变化作出反应,并然后可操纵(即更改)这些参数使得内部控制器根据某些全局目标和约束作出反应。但是,它仅更改内部控制器的外部参数。内部控制器所采取的安全措施永远不会被凌驾规定否定。
本发明的各实施例提供了一种操纵参数的方法,该参数可以是可访问的外部数据流(例如,信道)或外部传感器输出,其操纵会影响由内部控制器作出的决定,故从而掌控内部控制器。(例如根据先前学习的用于改变或掌控内部控制器操作的响应函数)操纵(例如盖写或凌驾规定否定)一个或多个外部传感器测量或输出和/或一个或多个外部数据信道以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
本发明的各实施例可提供一种用于控制具有消耗热或冷热能的设备的系统,以及用于消耗或生成由配电电网提供的电力的方法,该配电电网具有约束和定向式目标,至少一个设备具有内部控制器,该内部控制器用于控制热或冷热能的使用,并用于接收参数作为向内部控制器的输入,其中至少一个参数对于改造外部控制器是已知的并可由改造外部控制器访问,该改造外部控制器被适配成操纵至少一个参数并将经操纵的参数提供给内部控制器以改变该至少一个设备的行为,以至少部分地满足配电电网的约束和定向式目标,其中,被操纵的至少一个参数是可访问的外部数据流或外部传感器输出,故而操纵会影响由内部控制器作出的决定,并从而掌控它。
因此,此方法根据先前学习到的响应函数操纵和/或盖写和/或凌驾规定否定外部传感器测量和/或外部数据信道以向内部控制器提供被适配成改变或掌控内部控制器操作的信号以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
外部传感器测量或输出和/或一个或多个外部数据信道对于改造控制器是已知的,即改造控制器被适配成接收外部传感器测量或输出和/或一个或多个外部数据信道。该方法包括根据先前学习的响应函数确定改造控制器的响应,以便通过将改造控制器适配成向内部控制器发送信号以改变其操作来改变或掌控内部控制器操作以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
此方法可被应用于热量网络,其中可访问的外部参数是外部温度;但该方法也可被应用于像工业综合体、工厂等系统,这些系统会对电网中的不稳定性作出反应,如生产不足或能量过剩、频率变化、电压变化、电流或功率变化甚至是能源价格方面的变化。
实验证据表明接管外部参数是可能的,因为大多数系统确实对这些外部参数作出反应,并因为响应行为可被学习并可被用于根据一些共同的约束掌控该系统。
对于似乎随时间变化的响应系统,可使用诸如卡尔曼滤波器的滤波来跟踪漂移。其他在线学习工具也可被应用。
本发明的各实施例允许电网的约束和目标被动态地传送到改造外部控制器。为此,可在本发明的各实施例中模拟配电系统。电网控制可由规划器(Planner)、跟踪器(Tracker)、预测器(Forecaster)和建筑代理(Building Agent)执行。此类实施例的目的是最小化由于局部电网问题导致的局部RES削减。为了标识这些电网问题,例如,可以基于负载流计算来实现DSO代理。此代理可确定是否需要弹性激活并且优选地确保弹性激活将不会导致附加的电网约束违规。配电电网可被划分为局部电网区域集群,并且这些集群由DCM控制。
本发明的各实施例允许将局部电网问题、RES削减和负载流计算考虑在内的优化计划。这允许配电资源使用局部资源来容纳总体系统失衡。
本发明的任何实施例中的外部改造控制器可由具有处理能力的数字设备来现,该数字设备包括一个或多个微处理器、处理器、微控制器或中央处理单元(CPU)和/或图形处理单元(GPU),其被适配成执行利用软件(即一个或多个计算机程序)编程的各个功能。软件可被编译成在微处理器、处理器、微控制器、或中央处理单元(CPU)和/或图形处理单元(GPU)中的任一者上运行。
附图说明
图1示出了根据本发明的一个实施例的控制系统。
图2示出了根据本发明的一个实施例的分层控制系统。
图3示出了根据本发明的一个实施例的方法流程。
图4示出了根据本发明的一个实施例的控制系统。
图5:根据本发明的又一实施例的DCM平台设计。
图6:根据本发明的又一实施例的用于UC1的UML交互方案。
图7:9-总线测试电网示例。向下箭头表示负载。与不平衡线交叉的向下箭头表示弹性的负载。具有DER符号的菱形块表示可削减的配电能源。
图8:具有所有连接建筑的详细信息的9-总线测试电网示例。
图9:基线和弹性
图10:来自DSO的针对3群组的弹性请求
图11:针对每个集群的规划器优化输出
图12:针对每个集群的跟踪器输出
图13:ADMM方案收敛的图示(y轴采用对数刻度)
图14:在弹性的(初始)解聚之前和(最终)解聚之后,总线9上各个体建筑进行响应
图15:不同时间段的RES功率削减
图16:RES能源削减
图17:RES功率生产
图18:总的RES能源生产
表的清单
表1:符号清单
表2:符号清单
表3:虚构的电网示例的参数。r,x和b是每个连接的串联电阻、电感和分流电纳。
表4:有功和无功功率的上界和下界以及弹性。有功功率单位为MW,而无功功率单位为MVAr。
表5:模拟中使用的参数。
表6:每个可控建筑的MAPE概述。
定义
-隐式控制信号:一系列参数,其由内部控制器使用并且可由根据本发明的各实施例的外部控制器操纵
-BMS:建筑管理系统
-内部控制器:掌控真实局部系统的计算机程序或设备。示例为建筑中的BMS或掌控工业厂房的操作控制中心。
-外部控制器:用于掌控内部控制器以满足一系列共同的约束(如电网或供暖电网中的容量问题)的计算机程序或设备。
-系统:具有内部控制器的设备或设备集群。
-外部变量:影响内部控制器的系统外部的可访问数据,如外部温度、时间、一周中的第几天、一年中的第几天、经济活动、股市价格、能源价格、电网稳定性等。
-固定的外部变量:不会(例如不能)被操纵的外部变量。
-可控或可访问的外部变量:可由外部控制器操纵的外部变量,如能源价格、外部温度。
-“进行改造(retrofitting)”或“改造(retrofit)”是指向旧系统(即包括遗留设备的系统)添加新技术或特征。可通过其安装日期或根据其他记录来标识遗留设施。可通过其安装日期或根据其他记录来标识经改造的设施。
-“局部安全特征”是指遗留存储容器的遗留安全特征,诸如基于安全的设定点、诸如保险丝之类的安全断路器、恒温器操作、警报声等。
具体实施方式
将就具体实施例并且参考特定附图来描述本发明,但是本发明不限于此而仅由权利要求书来限定。所描述的附图仅是示意性且非限制性的。在附图中,出于说明性目的,可将要素中的一些要素的尺寸放大且不按比例绘制。尺寸和相对尺寸不对应于对本发明的实施的实际缩减。
此外,说明书和权利要求书中的术语第一、第二、第三等被用于在类似元素之间进行区分,而不一定用于描述顺序或时间次序。应当理解,如此使用的术语在适当的情况下是可互换的并且本文中所描述的本发明实施例与本文中所描述或图示的相比能够以其他顺序操作。
应注意,权利要求中使用的术语“包括”不应被解释为限定于其后列出的装置;它并不排除其他要素或步骤。因此,该术语应被解释为指定如所提到的所陈述的特征、整数、步骤或组件的存在,但不排除一个或多个其他特征、整数、步骤或组件、或其群组的存在或添加。因此,表述一种包括装置“A和B的设备”的范围不应当被限定于仅由组件A和B构成的设备。这意味着对于本发明,该设备的仅有的相关组件是A和B。
实施例1:热系统
本实施例涉及为建筑或建筑群组提供供暖或制冷的供暖或制冷网络。这些建筑或建筑群组中的每一个建筑都由其自己的私有BMS来控制。此BMS确保建筑内的温度保持在明确定义的范围内,回流温度得以优化(使得热泵工作良好),管道上的压力被监测,并且如果压力下降指示泄漏,则水不再被循环。在许多情况下,第三方无法访问BMS系统本身,因此无法直接掌控建筑对供暖或制冷的使用和/或功率消耗。在建筑的供暖和/或制冷的许多情况下,被BMS使用的外部参数中的一者是外部温度。例如,对于供暖网络,如果外部温度下降,则建筑将消耗更多热量,反之亦然。在其他情况下,BMS使用室内温度测量来控制建筑的热量消耗。
此实施例利用经操纵的或替换外部值作为外部可访问的控制参数,其中外部温度是一个示例。此参数被操纵以便掌控BMS系统。例如,如果经操纵的温度低于实际温度,则建筑可能首先消耗更多能源,但由于从内部传感器接收到内部温度正在上升的反馈,故而一段时间后系统消耗可能低于预测。如果系统的响应可被表征,则可通过提供经操纵的外部温度来对其进行掌控。
向供暖网络提供热量/冷气的供暖或制冷设备具有有限的容量、或者传输热能的网络管道具有有限的容量、或者当需求超过阈值时需要接通第二供暖/制冷设施,或者热量由在电能市场上出售/购买电力的CHP/热泵提供。此CHP/热泵将在日前市场占有一席之地并需要生产/消耗所承诺的电力;或者对于建筑集群,一些建筑消耗热量/冷气而其他建筑则生产过多的热量/冷气(例如,数据中心、工业公司、配有制冷设施的超市);或者在供暖/制冷网络中提供热能储存。
在所有这些情况下,都希望能掌控建筑或热能储存单元,以便更好地利用容量、更少地使用更昂贵的设备或者优化CHP/热泵的电力、使热量/冷气的消费者和生产者集群能更好地平衡,使可再生能源被尽可能多地使用。
图1示出了控制(例如,建筑8的)供暖和制冷设备6的BMS4。这些供暖和制冷设备6被连接到供暖和/或配电电网12。在此实施例中,此电网的控制器14不能直接与BMS4进行通信(但是本发明不限于此)。例如,本发明的各实施例提供了一种经改造的系统,此系统盖写外部温度传感器5的输出信号并向BMS4提供外部温度的经操纵的值。这允许外部经改造的控制器16掌控BMS4并使其消耗与电网控制器14的目标和约束一致或更接近一致。该外部经改造的控制器16可以是独立设备或可被嵌入另一电子组件中。改造控制器16可以具有存储器(诸如非瞬态计算机可读介质、RAM和/或ROM)、操作系统、可任选地显示器(诸如固定格式显示器,诸如OLED显示器)、数据输入设备(诸如键盘)、定点设备(诸如“鼠标”)、用于与其他设备通信的串行或并行端口、连接到网络的网卡和连接。
改造外部控制器16的存储器可被用于存储配电电网的约束和定向式目标,使得例如该改造控制器可在考虑配电电网的约束和定向式目标的同时操作以操纵至少一个参数。经操纵的参数可以是外部可访问数据流(例如信道)或外部传感器输出的输出信号,其操纵影响由内部控制器作出的决定,从而掌控它。附加(例如改造外部)控制器(例如根据先前学习的用于改变或掌控内部控制器操作的响应函数)操纵(例如盖写或凌驾规定否定)外部可访问数据流(例如信道)的一个或多个输出信号,或外部传感器测量或输出和/或一个或多个外部数据信道以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
例如,可操纵来自外部温度传感器5的输出,并可将经操纵的外部温度值提供给BMS 4。
在其他实施例中,用于通信的串行或并行端口可被用于与配电电网(例如,某DSO)的控制器连接,以获取和下载该电网的约束和定向式目标。改造外部控制器16可被适配成与配电电网的一个或多个DSO协商以商定一个或多个配电电网的约束和定向式目标。
实施例2:工业厂房
许多工业厂房被组织以便掌控货物和人员的流动。此优化通常是复杂的并由管理团队和/或由计算机执行。掌控此类复杂过程的输入之一是电能的可用性和电网的构成。预计未来电能的可用性将由于可再生能源的渗透率较高而变得更加不稳定。如此,工业厂房在它们的决策过程中不仅会考虑电能价格,还会考虑电能的可用性。对工业厂房、配电电网和输电电网运营商来说,更加谨慎地控制电能使用将变得更加有利。
负载同步可能会损害配电电网。当许多弹性库(sink)被连接到相同的电网时,它们都将会尝试最大化其消耗。大多数电网无法应对这种情况,因为假设峰值消耗在时间上是分散的。
在一个方面,本发明的各实施例可对能源市场上的能源可用性进行优化以(尽可能地)确保不违反电网约束。
检查每个个体工业厂房将如何对每种可能的电能可用性和电能价格概况作出反应是一项艰巨的任务。然而,运营商将需要访问能源市场和/或掌控能源消耗以满足共同的约束。工业工厂的完整过程及其管理的决策难以建模。本发明的各实施例使用响应函数来预测此类工业厂房的反应。
实施例3:工业站点上的递归和分层应用
如果需要,本发明的各实施例可递归地应用于工业厂房及其子单元,向下直至各个体设备的层级。本发明的各实施例还允许(例如,在相同区域中的)多个工业站点以分层方式一起被优化——参见图2。图2的实施例示出了具有三个控制器层级的工业站点/站点连接10:控制器层级1、控制器层级2和控制器层级3。这些可以是经改造的控制器层级。诸如系统21、22、31、32之类的每个系统都具有可被操纵的可访问的外部变量23、24、33、34,诸如外部温度传感器的值。根据本发明的一个实施例,每个经改造的控制器层级1、2还具有可被操纵的可访问的外部变量13、25,诸如外部温度传感器的值。因此,控制器层级1的改造控制器可操纵可访问的外部变量13的值(诸如外部温度传感器的值),以便控制控制器层级2处的另一控制器。控制器层级2处的另一控制器可以是经改造的控制器,其进而能够通过分别操纵系统21和22的可访问的外部变量23、24来控制系统21和22。控制器层级2处的此控制器还可通过操纵外部可访问变量25(诸如外部温度传感器的值)来控制控制器层级3处的控制器。控制器层级3处的另一控制器可以是经改造的控制器,其进而能够通过分别操纵系统31和32的可访问的外部变量33、34来控制系统31和32。此类经改造的控制器的分层布置允许多个层级的抽象,并且每个层级1、2、3处的资源规划可独立于其他较低层级进行。与每个层级相关的唯一因素是可通过操纵被控制的用于控制较低层级控制器和系统的可访问的外部变量。每个可访问的外部变量13、23、24、25、33、34的经操纵的调整将导致来自较低层级控制器或系统对这些变量的变化的响应。这些响应因此是可被提供给经改造的控制器以允许它们优化其性能的反馈。这允许以有效的方式掌控具有复杂交互的分层系统。这方面的一个示例是如图2所示的工厂集群。每个工业厂房或综合体处理具有内部控制单元、和工业系统的聚合器以及(例如,在控制器层级1处的)控制器的多个系统可在多个层级的约束同时被满足的情况下执行全局任务,诸如,为整个工业站点/站点连接10供应电力或者供暖或制冷能源。
本发明的各实施例可被应用于图2的系统,该系统具有或可具有包括其自己的内部控制器的内部控制系统。根据本发明的各实施例,内部控制系统不需要直接受到外部影响,而是受到对可访问的外部数据路径或传感器输出进行操纵的影响。图2的系统可被连接到另一外部系统(如配电电网),并且该外部系统将具有某些目标(如成本最小化),以及某些约束(如受限容量)。本发明的一个优点是提供了一种经改造的控制系统,该控制系统能够至少部分地满足与不仅仅是局部系统有关的新目标。这允许系统适配到(例如,通过使用可再生能源被引入的)新目标。
本发明的各实施例允许在不凌驾规定否定内部控制器的情况下根据这些外部目标和约束来掌控内部系统。这可以确保或保证当根据外部目标和约束来掌控系统的同时满足内部约束(如供应的安全性)。
本发明的各实施例不需要实际控制参数的任何知识或表示,并可因此被应用于不能从外部访问的系统。本发明的各实施例不是掌控一些控制变量,而是操纵图1的BMS 4的内部控制器或图2的系统21、22、31、32中的每一个的内部控制器基于其作出决定的可访问数据中的一些。
本发明的各实施例的优点可以是以下各项中的任何一个、部分或全部:
-本发明的各实施例可被应用于更广范围的控制器;
-本发明的各实施例可被用于分层控制器中(见图2)。内部控制器本身可以是隐式控制器。
-本发明的各实施例对要被控制的系统需要较少的数据和知识
-本发明的各实施例仍可保证所有的内部安全措施都被满足。
-本发明的各实施例增设到现有的隐式控制器上。因此,工艺运营商不必替换现有的控制器。
-本发明的各实施例避免供应商锁定,不需要控制系统供应商或制造商的合作
-本发明的各实施例对于现有控制器的替换/固件更新是鲁棒的
-本发明的各实施例对现有设施的侵入性较小,不需要访问控制硬件
-本发明的各实施例允许来自多个竞争供应商的控制硬件的非侵入式集成
-本发明的各实施例提供了一种掌控系统或系统集群的装置,其中不会访问这些(诸)系统的内部控制机构。
-本发明的各实施例可在无需全球开放式控制标准化工作的情况下掌控随时间发展的系统,这些系统受复杂过程(如复杂的计算机程序、人为干预等)控制,并受竞争供应商的硬件/软件控制。
本发明的各实施例可能需要更换内部控制器的一些外部传感器,或者至少盖写此类传感器的测量值。
诸如机器学习方法之类的方法可被应用以找出应选择各种可能可访问的传感器(类型)中的哪些以进行替换和操纵,例如,其操纵揭示了影响优化目标的最感兴趣的潜质的传感器。
其次,可应用机器学习方法来学习受控系统的响应。
第三,这些响应可被嵌入隐式控制器中。
本发明的各实施例凌驾规定否定外部传感器测量。本发明的各实施例允许系统的内部控制器继续其控制功能。本发明的各实施例操纵内部控制所基于的一些外部数据,而不是用具有其他特征但相同安全标准的控制器来替换现有控制器。本发明的各实施例依所需方向掌控控制器,而不会危害安全措施,也不会危害供应的安全性。本发明的各实施例与其动作基于至少一个外部参数的内部控制器一起工作效果最好,该至少一个外部参数如能源的可用性、外部温度、热量网络中的温度和流速、电网的状态(电压、频率、电流等)。因此,拦截传感器或数据流,操纵此信息并且这会影响由内部控制器作出的决定。学习系统对此操纵的响应,本发明的各实施例由此可计算该系统可如何通过一系列的经操纵的数据被掌控。
本发明的各实施例可以利用响应函数,例如线性响应函数,其在参数方面是线性的并且在经操纵的参数方面也是线性的。这允许本发明的各实施例在外部控制器中使用此类响应函数作为仿射函数。此属性非常有用,使得对外部目标和约束的数值鲁棒解决方案可被计算。然而,也可使用非线性的响应函数,如凸性函数(其在系统参数和控制参数方面均为凸性)或非线性函数(其在系统参数和/或控制参数方面具有非线性关系)。如果使用了这些非线性的响应函数,就不再能够保证控制器最佳地起作用(从数学意义上说:收敛可能较慢或不存在,在搜索算法中可能发生局部极小值等)。
本发明的各实施例提供预测器,用于估计下一时间段(例如,24h)的网络的能源消耗——即参考消耗。
给出控制目标(调峰/电力市场交互/单元平衡)的规划器可确定可被实现的最佳集群消耗概况,同时将此预测与建筑的响应函数一起考虑。
提供了一种调度器跟踪器,它利用追踪/跟踪最佳消耗概况所必需的各个控制信号。
下文给出了规划器和跟踪器的进一步实施例,并参考图5至18进行了描述。
诸如计算机和一些硬件之类的数字处理设备可被用于操纵传感器或其他数据信道的输出。计算机和一些硬件可被用于代替数据流。诸如计算机和一些硬件之类的数字处理设备可被用于提供室内书面预测,或者可以使用外部预测。一些外部变量被操纵以便依所需方向掌控系统。本发明的各实施例向系统(例如可控建筑)学习,例如,它们是如何对经操纵的温度作出响应的。
该系统的反应(即通过响应)被计算机学习,并且该系统的响应被结合在可被用于其自身目标的外部控制中。这些响应函数被用于控制这些建筑并避免峰值需求。
本发明的一个实施例是方法100(见图3):
1.标识一个或多个可访问的传感器或数据信道,以便来自这些传感器或数据信道的外部信号可被盖写(步骤102)。内部控制器通常依赖于一些外部数据,如天气数据、预测、外部温度、能源可用性。这些内部系统有其自己独立的控制系统,该控制系统无法进入。但是这些外部数据会影响由内部控制器作出的决策。通过凌驾规定否定这些外部数据流和/或传感器,来掌控内部控制器。
2.学习系统如何响应这些外部参数的变化(步骤104)。此部分基于例如机器学习技术,其将系统的动态响应与特征的变化相关联。这些特征包括经操纵的数据。响应函数很可能是复杂的、时变的等等。
3.此响应函数被用于根据外部目标和约束来掌控系统(步骤106)。这允许对外部经改造的控制器进行配置,其可以掌控电网中的内部系统。对内部控制器的掌控可通过优化方法(如凸性优化、多次拍摄等)完成。
可使用外部经改造的控制器,其可以是独立设备或可被嵌入另一电子组件中。改造控制器可以具有存储器(诸如非瞬态计算机可读介质、RAM和/或ROM)、操作系统、可任选地显示器(诸如固定格式显示器,诸如OLED显示器)、数据输入设备(诸如键盘)、定点设备(诸如“鼠标”)、用于与其他设备通信的串行或并行端口、连接到网络的网卡和连接。
改造外部控制器的存储器可被用于存储配电电网的约束和定向式目标,使得例如该改造控制器可在考虑配电电网的约束和定向式目标的同时操作以操纵至少一个参数。经操纵的参数可以是外部可访问数据流(例如信道)或外部传感器输出的输出信号,其操纵影响由内部控制器作出的决定,从而掌控它。附加(例如改造外部)控制器(例如根据先前学习的用于改变或掌控内部控制器操作的响应函数)操纵(例如盖写或凌驾规定否定)外部可访问数据流(例如信道)的一个或多个输出信号,或外部传感器测量或输出和/或一个或多个外部数据信道以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
例如,可操纵来自外部温度传感器5的输出,并可将经操纵的外部温度值提供给BMS 4。通过使用比简单线性响应模型更复杂的机器学习技术,可改进根据本发明的各实施例的用于改造的外部控制器。更复杂的机器学习技术可以是凸性或非线性模型,包括机器学习模型,如强化学习、普通神经网络、卷积神经网络、LSTM、决策树等等。
本发明的各实施例与其他技术不同,因为它们不需要接管对局部系统的控制。相反,它们是现有控制器的附加组件。
本发明的各实施例学习系统的响应。因此,即使系统或其行为随时间变化,也可对其进行跟踪。
本发明的各实施例是可扩展和可组合的。内部系统及其内部控制器可以是另一隐式控制器,它掌控具有其自己的局部目标和约束的多个设备。
此发明的各实施例可被应用以在供暖或制冷网络中掌控设备。
此发明的各实施例可被应用以在配电电网络中掌控设备。
此发明的各实施例可被应用以在BRP的组合中掌控设备。
本发明的各实施例提供一种掌控系统,其具有以下各项中的一者、部分或全部:
●其可学习系统如何对外部参数的变化作出反应,例如:建筑将对经操纵的温度作出反应,厂房将对电能可用性的变化作出反应等
●其将构建响应函数来对受控系统的反应进行建模
●其将确定用于学习响应函数的隐式控制参数,例如,迅速或最快速的、准确或最准确和/或精确或最精确
●其将使用此响应函数来实现其自己的目标
●其将能够学习响应函数中的变化
可使用本发明的各实施例的系统由设备或一组设备和内部控制器组成或包括设备或一组设备和内部控制器。假设无法访问内部控制器的控制部分。此设备或一组设备被连接到提供电力的电网和/或热网。例如,内部控制器基于以下各项来掌控设备
(i)一组固定的外部参数;
(ii)一组经操纵的参数。内部控制器不会并通常无法将可控外部参数与固定外部参数区分开来。
本发明的一实施例可被如下描述。(一个或多个)设备被连接到电力和/或热量网络并消耗能源和/或分配能源。此网络受限于一系列约束,如最大功率、消费和生产之间的平衡等。电网控制系统确保或旨在确保这些约束被满足。在热量网络中,电网控制系统可简单地掌控热量产生;在电网中,大量储备容量、能源市场机制、负载流计算被执行以保持该电网稳定。设备的内部控制器几乎不了解电网控制器的状态,并且仅旨在满足内部约束(如设施的安全性)、满足舒适度设置等。外部控制器的目的,例如,根据本发明的任何实施例的经改造的控制器是将电网控制系统链接到内部控制器。由于内部控制器没有直接接口,故而这很困难,但并非不可能。在本发明的各实施例中,一个可访问的外部变量或一些外部变量可被操纵以掌控内部控制器。这正是外部控制器的职能。通过操纵一个可访问的外部变量或一些外部变量,就可(部分地)掌控系统,以便更好地对电网中的情形作出反应。
本发明的一个实施例涉及一种具有控制系统的系统22,该控制系统包括如图4示意性地示出的内部控制器27。控制系统和内部控制器27不能由第三方直接访问、适配或调整。系统22的内部控制器27接收外部参数29的值,这些值不能由第三方访问或调整。在没有对本发明的各实施例进行修改的情况下,内部控制器系统22被连接到另一系统,如热网和/或配电电网11,并且此网11具有某些目标(如成本最小化)和某些约束(例如,受限容量)。本发明的此实施例允许在不凌驾规定否定一个或多个内部控制器27的情况下至少部分地根据这些外部目标和约束来掌控系统22。这意味着可以保证在根据外部目标和约束来掌控系统22的同时满足内部约束(如供应的安全性)。
外部控制器16操纵诸如外部温度之类的可控和可访问的外部参数24的值,并经由隐式控制信号将这些经操纵的值传递给内部控制器27。内部控制器还可接收未经操纵的固定外部参数29。内部控制器经由内部控制信号控制系统22的设备28。设备28的电力和/或供暖或制冷功率由电力和/或供暖网12提供,该电力和/或供暖网12可以是较大电网系统11的一部分。电网系统11具有与经改造的外部控制器16通信的电网控制系统14。因此,电网11的状态以及电网控制器14的约束和目标对外部控制器16而言是已知的。
为了根据电网控制器系统14的需求来掌控系统22,外部控制器16优选地具有用于预测当操纵可控外部变量24时系统22将如何反应的工具。因此,外部控制器16需要学习系统将如何对外部变量24的变化作出反应。该学习由两个阶段组成。在第一阶段,它将与系统22对话,并将学习选择哪些外部参数以尽可能多地检索信息。在第二阶段,它将构建响应函数,其说明在任何给定情形下系统22将如何作出反应或响应。
响应函数是将能源消耗预测为一系列特征函数的函数。这些特征包含(至少一些)外部变量,可能还有一些附加变量和经操纵的外部变量24。外部控制器16可使用响应函数来估计最佳隐式控制信号,其可被应用于系统22的内部控制器27。
可利用经标识的参数估计和模型选择来构建响应函数。可以优化与系统22的对话。响应函数可以是笼统的,因此也可以处理时变响应。
该外部经改造的控制器16可以是独立设备或可被嵌入另一电子组件中。改造控制器16可以具有存储器(诸如非瞬态计算机可读介质、RAM和/或ROM)、操作系统、可任选地显示器(诸如固定格式显示器,诸如OLED显示器)、数据输入设备(诸如键盘)、定点设备(诸如“鼠标”)、用于与其他设备通信的串行或并行端口、连接到网络的网卡和连接。
改造外部控制器16的存储器可被用于存储配电电网的约束和定向式目标,使得例如该改造控制器可在考虑配电电网的约束和定向式目标的同时操作以操纵至少一个参数。经操纵的参数可以是外部可访问数据流(例如信道)或外部传感器输出的输出信号,其操纵影响由内部控制器作出的决定,从而掌控它。附加(例如改造外部)控制器(例如根据先前学习的用于改变或掌控内部控制器操作的响应函数)操纵(例如盖写或凌驾规定否定)外部可访问数据流(例如信道)的一个或多个输出信号,或外部传感器测量或输出和/或一个或多个外部数据信道以在不凌驾规定否定内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
例如,可操纵来自外部温度传感器5的输出,并可将经操纵的外部温度值提供给BMS 4。
响应函数的特征
响应函数的目的是基于一些已知的变量来预测能源消耗(例如,电气和/或供暖/制冷),这些变量将被称为特征。预测本身被称为输出。特征的子集是由外部控制器16提供给内部控制器27的隐式控制信号。
特征向量的可能内容是(非限制性且非穷举列表):
-一周中的第几天
-一年和公共假期中的第几天
-一天中的第几小时
-经济活动
-股市价格
-商品价格
-天气预测
-能源消耗预测
-能源市场价格
-能源市场预测。
-…
-最近使用过的隐式控制信号
-隐式控制信号
特征向量被称为f,而输出被称为y。
响应函数
响应函数是特征和输出之间的数学关系。最明显的关系是线性关系,其中输出是所有特征(并且可选地是恒定值)的简单线性组合。线性关系的主要优点是对参数的估计是具有许多已知属性的稳定过程,其可被用于检查解决方案。此外,简单的非线性可作为线性关系被编码到特征表中。
响应函数的性质可以是非线性的,例如,如果系统饱和就可能是这种情况。例如,工厂可能会作出对增加电能的可用性的反应,例如,由于电能的可用性下降了50%。例如,工厂可以打开其所有的设备。如果可用性进一步下降(例如进一步下降另50%),则将不会有任何附加反应,因为所有的设备都已被打开。此类饱和响应难以用线性响应进行建模。在机器学习社区中,已提出了广泛的解决方案,如支持向量机、神经网络、逻辑回归等等以解决这种情况。
响应函数可被写成如下
H(f)=y (1)
其中H是特征f的函数(1xM向量),而y是具有未来能源消耗的向量(Nx1)。
这在线性情况下被简化为
fθ=y (2)
(其中θ为MxN矩阵)。
此响应受限于两个约束
1.时间不变性
(例如,从外部控制器16到内部控制器27的)隐式控制信号在时间t处对时间t+n处的消耗的影响必须与其在时间t+m处对时间t+n+m处的消耗的影响相同,其中n和m两者都是正数。
2.反因果关系
在实践中,时间t处的隐式控制动作不可能影响时间t-n处的消耗,其中n为正数。
估计参数
假设特征和输出的时间序列是可用的。通过应用隐式控制信号并测量系统的实际响应可收集这些信息。参数的估计取决于所使用的方法。对大多数机器学习技术而言,参数估计方法是可用的。对于线性情况,最小二乘估计可被用于标识θ矩阵
受限于
Gtime-invariance(时间-不变性)θ=0
Gtime-causality(时间-因果关系)θ=0
这些方程可以很容易地用公开可用的软件来解决,参见例如Michael Grant和Stephen Boyd.的“CVX:Matlab software for disciplined convex programming(CVX:用于专业凸性编程的Matlab软件)”,版本2.0测试版,http://cvxr.com/cvx,September2013;Michael Grant和Stephen Boyd.的“Graph implementations for nonsmoothconvex programs(非光滑凸性编程的图形实现)”,“Recent Advances in Learning andControl(学习与控制的最新进展)(向M.Vidyasagar致敬)”,V.Blondel、S.Boyd和H.Kimura编辑,第95-110页,“Lecture Notes in Control and InformationSciences(控制与信息科学讲座笔记)”斯普林格,2008.http://stanford.edu/~boyd/graph_dcp.html。
模型标识
“模型标识”意味着提供其在一组特征中标识哪些特征相关而哪些特征不相关的规则。使用尽可能多的特征并不总是一个好主意,因为某些特征将不会改善预测。但是,与这些特征相关联的参数存在一定的不确定性,而这种不确定性会降低预测的精度。因此,最好排除这些特征。存在用于标识重要特征的一些规则。
标识哪些特征改善预测而哪些特征不重要的一种方法是使用信息标准,如AIC,例如Akaike,Hirotugu.“A new look at the statistical model identification(统计模型标识的新视角)”,IEEE自动控制汇刊19.6(1974):716-723.],BIC[Schwarz,Gideon.“Estimating the dimension of a model(估计模型的维数)”,统计年鉴6.2(1978):461-464.],MDL[Rissanen,Jorma.″Modeling by shortest data description(用最短数据描述进行建模)]″自动学14.5(1978):465-471.]等。这些仅基于残值成本函数C,观测数量Nobs和自由参数数量Npar-Ncon就能够提出精确度和准确度之间的良好平衡的权衡。
在实践中,为每一组可能的特征优化参数,并选择具有最低标准的特征组。附加地,可使用其他特征选择标准,最简单的是不包括高度相关的两个特征,因为它们很可能提供相同的底层信息。
与系统的对话
在实际应用中,该方法可从经改造的控制器16操纵单个特征并接收来自系统的响应开始。基于这两者,可以开始构建响应函数。在下一次迭代中,提供/操纵新特征并接收新响应。可重复此过程直到系统被很好地描述。可以优化与系统的对话;例如可标识隐式控制信号,这会导致更快地得到精确响应模型。尽可能快速、准确、和精确地学习系统的响应非常重要。可以证明,任何其他对话都将更慢地学习。
形式上,可以找到最大化费希尔信息矩阵的隐式控制信号,参见Fedorov,ValeriiVadimovich的Theory of optimal experiments(最优实验理论),爱思唯尔,1972。费希尔信息矩阵由下式给出
FIM=fT∑-1f (5)
其中∑为输出的协方差矩阵。如果我们假设输出上的测量不确定性是独立地相同分布的噪声,则此协方差矩阵是具有恒定对角线的对角矩阵
FIM=σ-2fTf (6)
目的是最大化这个FIM,
恒定值被丢弃,因为它不会影响最大化。它可被认为是可由商业上可用的求解器来解决的凸性问题,如cvx,参见Michael Grant和Stephen Boyd.的“CVX:Matlab softwarefor disciplined convex programming(CVX:用于专业凸性编程的Matlab软件)”,版本2.0测试版,http://cvxr.com/cvx,September 2013;Michael Grant和Stephen Boyd.的“Graph implementations for nonsmooth convex programs(非光滑凸性编程的图形实现)”,“Recent Advances in Learning and Control(学习与控制的最新进展)(向M.Vidyasagar致敬)”,V.Blondel、S.Boyd和H.Kimura编辑,第95-110页,“Lecture Notesin Control and Information Sciences(控制与信息科学讲座笔记)”斯普林格,2008.http://stanford.edu/~boyd/graph_dcp.html。最可能的是,隐式控制信号u是约束。可轻松地集成这些约束。
时变系统/卡尔曼滤波器
特征和输出之间的关系可能会在时间上缓慢变化。这不需要在模型中显式地考虑,但可以通滤波波来处理。解决这个问题的一种方法是通过实现例如卡尔曼滤波器,它将跟踪变化的参数。
针对线性模型的卡尔曼更新方案是
θ+=θ-K(fθ-y) (9)
控制问题/解决方案
外部控制器16可以使用响应函数来掌控系统22,使得可满足电网目标和约束。如下文中将描述的,许多目标函数都是可能的。
一般而言,目标函数可被表示为电力和热量能源消耗(E和Q)的函数
g(E,Q) (11)
如果唯一关心的是将能源消耗保持在一定界限内,则
g(E,Q)=1. (12)
如果热量将由更便宜的设施(或使用可再生能源的设施)提供,诸如颗粒设施和更昂贵的(例如化石燃料)油料设施,则
其中λpellet(颗粒)为颗粒设施的能源价格,为颗粒设施(或可再生能源)的最大能源生产以及λoil(油料)为(例如化石燃料)油料设施的能源价格。max运算符在/>为正值时返回该值,而在/>为非正值时返回零。
如果能源消耗是在日前市场上购买的,并且系统对其不平衡状态负责,则
g(E,Q)=EDAMλDAM+min(EDAM-E,0)λ-+max(EDAM-E,0)λ+ (14)
其中EDAM为在日前市场上购买的能量,λDAM为日前市场上的能源价格,而λ-和λ+分别为负不平衡价格和正不平衡价格。min运算符在EDAM-E为负值时返回该值,而在EDAM-E为非负值时返回零,以及max运算符在EDAM-E为正值时返回该值,而在EDAM-E为非正值时返回零。
任何可用数学方法表达的目标都可被写成目标函数并且可被使用。
外部控制器的总体目标是解决以下问题
受限于
[FE,uE]=fE
[FQ,uQ]=fQ
fEΘE=E
fQΘQ=Q
其中FE为可被使用但不被操纵的特征,而uE为可被操纵的特征。
下标E表示这些特征被用于掌控电能,而下标Q表示这些特征被用于掌控热能。
符号下方的划线表示下限,而符号上方的划线表示其上限。
结果
示例:热量网络
此系统有大约连接到热量网络的175座建筑。其中10座建筑可被掌控,其余的建筑只能消耗能量。然而,这十座建筑占此网络年度热量消耗的一半左右。热量由两个设施提供。第一个设施是木片(或使用可再生能源的)锅炉设施,其可提供2.7MW(兆瓦)。如果这不足以供暖所有建筑,则基于油料(或其他化石燃料)的设施可提供另外的3MW。不能够直接掌控任何建筑,但可以学习它们如何对经操纵的外部温度作出反应,并利用这些可访问的传感器来掌控建筑。控制机构可被用于最小化供暖成本,但仅被用于避免使用基于油料的设施。以此方式,可降低CO2排放。通过使用表5中给出的参数设置来协调控制算法。注意,木片锅炉设施的成本已被设定为零。这种选择的结果是,目标函数并不关心多少热量由木屑锅炉设施所提供。
表5:模拟中使用的参数。
训练
可控建筑的数据是可被分为三个部分的数据集:训练集、验证集和测试集。训练集被用于匹配测试集上的响应模型。验证集已被用于检查响应模型的质量,而测试集被用于掌控热量网络。
可以注意到,预测的质量不会随时间降低。表6概述了所有可控建筑在S前24小时内的平均预测误差(MAPE)。这些MAPES在10%至30%之间变化,这是相当好的,因此根据本发明各实施例的方法可在合理的程度上标识建筑对经操纵的外部温度的响应。此响应函数可被用于根据一些共同的约束和目标函数来掌控建筑集群。
表6:每个可控建筑的MAPE概述。
外部控制器16
根据本发明的各实施例的外部控制器可使用响应函数来掌控系统,使得共同的约束和共同的目标可被满足。
外部控制器的目的可以是例如最小化例如,基于油料的设施对化石燃料的使用,并由诸如基于颗粒的设施利用可再生能源提供尽可能多的热量。在此实验中,热量需求增加了70%,以便引起单独的颗粒设施无法提供所需全部热量的情况。
这里使用的特征是过去的经操纵的温度,当前和未来的经操纵的温度,建筑的过去热量消耗,预测的外部温度,一天中的第几小时,和一周中的第几天以及一年中的第几天。
受限于
[FQ,uQ]=fQ (18)
fQθQ=Q (19)
其中
此最小化受限于以下各项约束:
- [FQ,uQ]=fQ (18)
响应函数的特征
○ FQ非受控特征
○ uQ受控特征(外部温度)
○ fQ全部特征
- fQθQ=Q (19)
线性响应模型
○ θQ线性响应模型的参数
○ Q未来的热量消耗
热量消耗的限制
O Q热量消耗的下限
经操纵的温度的限制
○ u Q经操纵的温度的下限
在此实验中,建筑反应良好且在消耗达到峰值时消耗了比预测低的能量。在峰值消耗之前的某个时间,控制受到经操纵的温度低于真实外部温度的影响。这导致了由颗粒(如可再生能源)设施所覆盖的热量消耗提前增加,导致温度在预期峰值负载时升高。这允许该建筑在峰值负载期间消耗更少的能量,这在没有本发明的情况下将高于颗粒(例如可再生能源)设施的容量。通过在将运行至满峰值负载时更集中地使用颗粒(例如可再生能源)设施,在峰值负载期间的实际消耗被减少。因此外部控制器能够利用系统的动态性并预先预测。
包括可控和非可控建筑在内的集群的热量消耗得到改善。经改造的外部控制器的操作导致热量仅由颗粒(例如,可再生能源)设施提供,而针对基于油料的设施的消耗显著低于非受控的情形。因此,外部控制器能够利用系统的动态性使得热量消耗略高于最大容量,但外部控制器能够仅通过颗粒(例如,可再生能源)设施来提供热量。
如果邻近消耗峰值,外部控制器会通过向内部控制器传递较低的外部温度来增加热量消耗。在峰值前的几小时内,可控建筑接收低于实际温度的经操纵的温度。并非所有建筑都以相同的方式作出反应,一些建筑具有更快的动态性,而其他建筑仅在最后一小时内才开始作出反应。外部控制器还能够降低系统的运营成本。
在线学习
在本发明的各实施例中,可批量训练模型参数。根据对用于训练数据的选择,模型参数的值可能会显著地变化。这意味着参数值不是时间上恒定的。例如,与雨天相比,一些参数在晴天期间可能具有不同的值,或者冬季参数与夏季参数不同等等。本发明的各实施例涉及模型将如何演变。为了改进恒定参数,可以使用一个或多个滤波器。考虑慢参数变化的一种鲁棒方式是借助卡尔曼滤波器。许多其他的滤波器,如粒子滤波器、集成卡尔曼滤波器、扩展卡尔曼滤波器等在文献中都有。
与标准卡尔曼滤波器一起使用时,假设
>>模型在参数方面是线性的(这是正确的),以及
>>干扰是正常分布的,这是不正确的。热水需求会导致热量需求到达大的峰值。
数据分为训练集,验证集和测试集。对此实验,使用测试集。
对实验中的一些建筑,当使用卡尔曼滤波器时,预测误差被显著降低。即使是针对几乎不可能预测的热水消耗峰值,卡尔曼滤波器也提供了改进。
在整个实验上平均出的预测误差通常在平均值上提高20至50%。对经操纵的温度的某些选择可能更具有信息性且更有助于估计/更新模型参数。当建筑仅利用颗粒进行供暖时,最大化费希尔信息矩阵的轨迹会导致最大化经操纵的温度的平方。
本发明的一个实施例中的外部改造控制器可由具有处理能力的数字设备来现,该数字设备包括一个或多个微处理器、处理器、微控制器或中央处理单元(CPU)和/或图形处理单元(GPU),其被适配成执行利用软件(即一个或多个计算机程序)编程的各个功能。软件可被编译成在微处理器、处理器、微控制器、或中央处理单元(CPU)和/或图形处理单元(GPU)中的任一者上运行。
此类设备(例如改造控制器16)可以是独立设备,或可被嵌入另一电子组件中。设备(例如改造控制器16)可以具有存储器(诸如非瞬态计算机可读介质、RAM和/或ROM)、操作系统、可任选地显示器(诸如固定格式显示器,诸如OLED显示器)、数据输入设备(诸如键盘)、定点设备(诸如“鼠标”)、用于与其他设备通信的串行或并行端口、连接到网络的网卡和连接。
当软件被适配到各个设备(例如控制器16)或任何其他设备(诸如服务器是其中一个示例的网络设备)上并在一个或多个处理引擎(诸如微处理器、ASIC、FPGA等)上执行时,该软件可被体现在计算机程序产品中,其可被用于执行以下功能来控制系统,例如通过改造外部控制器16。根据本发明的各实施例的方法可被应用于具有一个或多个热能储存容器的系统和为该热能储存容器提供电力的配电系统。
当软件被加载到相应的设备(例如控制器16)或其他设备上,并在一个或多个处理引擎(诸如微处理器、ASIC、FPGA等)上执行时,该软件可被体现在计算机程序产品中,其被适配成对此类温度和能量控制系统或方法执行以下功能:
操纵外部改造控制器可访问的至少一个参数,将经操纵的参数提供给至少一个待控制设备的内部控制器来改变至少一个设备的行为,以便至少部分地满足配电电网的约束和定向式目标。
当软件被加载到相应的设备(例如控制器16)或其他设备上,并在一个或多个处理引擎(诸如微处理器、ASIC、FPGA等)上执行时,该软件可被体现在计算机程序产品中,其被适配成对此类温度和能量控制系统或方法执行以下功能:
学习至少一个设备对经操纵的参数的响应,
滤波以跟踪至少一个参数的漂移。
当软件被加载到相应的设备(例如控制器16)或其他设备上,并在一个或多个处理引擎(诸如微处理器、ASIC、FPGA等)上执行时,该软件可被体现在计算机程序产品中,其被适配成对此类温度和能量控制系统或方法执行以下功能:
该改造外部控制器:
不改变基于安全的设定点、不超驰安全断路器或保险丝或抑制报警,
不超驰至少一个设备的恒温器,或
不超驰局部安全特征,
改造外部控制器可访问从外部温度、电能可用性、供暖或制冷网络中的温度和/或流速、配电电网络中的电压、频率、电流中选择的至少一个参数。
上述任何软件可被存储在非暂时性信号存储装置上,诸如光盘(CD-ROM,DVD-ROM)、磁带、诸如闪存驱动器之类的固态存储器、诸如计算机硬盘之类的磁盘等等。
从DSO至外部控制器的输入
在本发明的进一步实施例中,描述了DSO平台以及集成负载流计算的方法。公开了规划器和跟踪器(先前提及的)的特定数学实现。还公开了动态联盟管理器(DCM)平台,其中DCM和DSO平台两者通过具有集成软件模块的文件来耦合,该集成软件模块是可操作的并且能够降低削减。在本发明的特定实施例中,通过增加弹性来提供削减方面的降低,并且可以相应地增加能量的生产。
上文描述的本发明的各实施例包括被存储在外部(改造)控制器的存储器中的电网约束和电网的定向式目标。本发明的进一步实施例可提供对电网约束和定向式目标中的动态改变作出响应的外部控制器。例如,本发明的各实施例可利用动态联盟管理器(DCM)平台,其包含用于采用电网安全方式的局部配电电网层级RES削减缓解,在局部电网约束下使用配电电网连接弹性的系统RES削减缓解(=过量RES吸收最大化),以及在局部电网约束下使用配电电网连接弹性的平衡服务的优化算法。这些算法可被集成到NODA云平台解决方案中,并通过面向DSO、BRP和建筑代理的基于标准的接口进行扩展。
本发明的各实施例包括在DCM规划器和跟踪器代理中实现UC1(局部RES削减缓解)以及其他用例所需的算法。目标涉及用于DCM平台的日前和/或当日优化算法,该算法借助于局部建筑的Power-to-Heat(电力到供暖)弹性激活来限制局部RES的削减。电网优化利用上述外部改造控制器来改变局部操作以使整个电网受益。
例如,DCM可基于以下信息控制一组建筑的弹性:
●建筑RES生成的日前预测(如果有的话),
●建筑基础负载概况的日前预测(可控P2H负载和非可控负载的总和),
●建筑弹性能力及相关联的成本的日前预测,以及
●建筑与其所属的电网区域的映射。
基于接到的信息,算法将针对每个建筑计算日前或当日请求的负载概况。此负载概况可被传递到上述外部改造控制器。
为了确定是否需要弹性激活来避免局部削减(因为否则将违反电网约束),并为了确保弹性激活本身将不会导致局部电网约束违规,负载流计算将由DSO执行。DSO将计算弹性请求,并与DCM交互以请求激活建筑所提供的弹性,以限制配电可再生能源的削减。
DSO基于以下信息计算弹性请求:
●(针对与建筑无关的资产的)RES预测
●非可控建筑负载预测(如果建筑包含RES则这些预测可能为负)
●可控建筑负载预测(基线+弹性):这些由DCM提供
●天气预测(以帮助RES或非可控建筑负载预测)
●局部电网模型:局部电网模型将被用于分析由于可再生能源生产而导致的电网中的拥塞问题。
弹性请求计算导致弹性带(经允许的弹性激活的限制)或弹性激活概况。在后一种情况下,DSO将基于可用弹性和成本的信息从他的角度来确定最佳弹性激活计划。
DCM平台将扮演以下职能
●与DSO接合,
●从建筑聚合基线和弹性的预测;
●对弹性激活进行解聚和调度;以及
●将经更新的电网约束和/或定向式目标传送到上述外部(改造)控制器16(即以提供动态电网约束和/或定向式目标),以及从外部(改造)控制器16接收经更新的能量消耗。
电网区域集群
本发明的各实施例提供了一种优化框架,其解决了DSO的最佳弹性调度问题。该框架确定了DSO需要采购的弹性的数量和价格。
主要目标是使得DSO能够在日前/当日的基础上以有计划的积极方式协调消费者的消费模式。DSO在确定每个时间单元处需用的正确弹性量方面的成功很大程度上受到负载和DER生产预测的准确度的影响。问题在于,由于每一住户的负载状况与其他住户的负载概况差别很大,而且几乎没有特定的模式,因此很难以期望的准确度进行此类预测。因此,以日前基准预测建筑的负载概况可能是错误的。在此情况下,DSO需要找到替换的弹性资源来补偿偏差。
上述问题的一个解决方案是将所研究的配电电网简化为多个电网区域。主要原因是
(i)网络中操作限制的违规主要发生在电网中的特定点(所谓的弱网络点)处。因此,一旦标识出弱点,就可将每个无事故的建筑群组(总线和与之相连的住户)聚合成一个集群,并将问题的大小简化为连接到最有可能发生违规操作限制的弱点的多个无事故的(即铜板(copper plate))电网区域集群。
(ii)与个体建筑的概况相比,以更高准确度预测若干住户的聚合概况是可能的。
(iii)由于每个电网区域集群都被视为包含多个弹性建筑单元的铜板,如果一个单元不能坚持预定计划,则该集群内的其他单元仍有空间采取新的变更来补偿不能履行其职责的那些建筑,使得该集群传递给DSO的总弹性维持不变。这为各单元创造了使其对DR程序的利用最大化的机会,并同时因DSO而简化了问题,因为在很多情况下,在没有DSO直接干预的情况下会考虑偏差。
(iv)在许多情况下,电网参数并不总是已知的或无法以所需精度获得。如果电网的大部分被简化为一个电网区域集群,则不需要落入该集群内的部分的电网参数的确切值。
由于所有这些原因,各建筑可被分组成若干电网区域,并且可控制这些电网区域集群而非个体建筑。因此,本发明的任何实施例中的外部改造控制器16可被适配成控制建筑集群而不仅仅是一个建筑。在实践中并且为了解决该问题,可以执行先验LFC。电网中从未出现过任何问题的那些部分被集群。最大容量的90%可被用作定义。如果该电网的某区域中从未超过阈值,则此区域将被集群为一个电网区域集群。
弹性估计
最佳弹性调度计算
最优功率流问题(OPF)及其衍生问题(诸如最优弹性调度)涉及考虑功率流、生成单元和消费设备的物理特性,并且是多周期和安全约束的。
由于弹性的应用,求解器有望在合理的时间内传递解决方案。这些类型的问题可包括使得必须在问题的表达中引入混合整数变量的切换动作、电网配置和其他特征。最近,能量存储设备的出现导致了互补条件的引入。所有这些方面都表明,与功率流有关的问题通常是难以解决的非凸性问题、非线性问题、复值问题。
对于这些问题,必须在模拟时间和解决方案的准确性之间进行平衡和妥协。也就是说,必须在快速地以局部最优解决非凸性问题,还是慢速地以全局最优解决非凸性问题之间作出决定。为了使此类问题易于处理,提出了数学方法来简化问题。最优功率问题的线性近似和凸性松弛是在文献中被使用的以在最终解决方案中引入精确度的轻微妥协为代价使得功率流相关问题凸性化以提高计算效率的两种方法。在本发明的各实施例中,采用AC功率流表达的二阶锥松弛形式来使最优弹性调度问题凸性化。
最优弹性调度问题的表达
是被连接到总线n的所有分支的集合,其中/>和/>分别表示在“发送端”和“接收端”处连接的分支的集合。索引t∈Ωt被用于依时间指代每个实例。t是所有操作实例的集合。我们分别定义/>和/>来呈现总线n的发电机集合和负载集合。最后,表示节点n中配电能源(DER)的集合。
假设完整的配电电网被简化为若干集群。每个集群包括弹性和非弹性的供应和需求单元。每个集群都被视为由集中式聚合器操作的铜板,该集中式聚合器控制该集群内每个住户的可控供应和需求设备。聚合器从住户代理收集基本能量概况和弹性报价,对其进行聚合,并提供基于聚合的有功和无功供应和需求/>概况。聚合器还提供有功和无功弹性的上限和下限/>该集群n∈Ωn中的每个可控的供应/>或需求/>设备在每个t∈Ωt时都提供给DSO。基于所提供的信息,DSO确定从每个可控设备(ΔPr,n,t和ΔQr,n,t,r∈[g,d])需要的用于解决特定操作问题的弹性量。/>
我们考虑节点电压、由每个生成单元提供的有功和无功功率、或每个操作时间实例的每个节点的每个弹性负载作为优化变量的集合。随后,我们定义每个分支上的有功和无功功率流是相关的优化变量。
在下文中,提出了最佳弹性调度问题的两种替换表达。
OFD的全AC表达
对于每个总线,我们定义每个弹性发电机的真正弹性(ΔPg,n,t)和弹性负载(ΔPd,n,t),每个发电机的无功弹性(ΔQg,n,t)和(ΔQd,n,t)负载以及复电压来作为决策变量。基于全AC的OFD问题采用以下形式:
受限于,
(注意,其他元素也可被包括在(22)中给出的目标函数中(诸如操作成本和/或负载损耗成本)。该模型的输出包括弹性量、所有弹性单元(即可控的供应和需求设备)的新操作设定点、在所有线路和总线电压上的功率流。)
考虑:
其中
注意
Tl是分接比(tap ratio),而θl是转移的角度偏移,如(Coffrin,2015)(C.Coffrin,2016)中所讨论的。
目标函数(等式22)旨在最小化所有集群在整个操作小时内DER的经聚合的削减。约束(23)和(24)定义了将每个集群连接到配电电网的总线的电压角度和幅度。等式(25)和(26)将在每个集群处的可控设备的有功和无功功率产生或消耗定义为基本负载和激活弹性的总和。约束(27)-(28)分别是每个集群的每个可控单元的有功弹性和功率的下限和上限。约束(29)-(30)对无功弹性和功率施加了类似的限制。等式(31)-(34)表示各分支的基尔霍夫电压定律。约束(35)和(36)对应于每个分支的两个方向上的有功和无功功率流约束。最后,在约束(37)和(38)下强制实现真实和无功功率平衡。优化问题(22)-(38)在ofd.j1中建模,并以Julia语言编码并被实现在ATOM中。这通常是非线性和非凸性优化问题。因此,对于上述问题的表达不是很好,特别是对于由于计算强度而导致的大规模多周期问题。然而,可以定义这些函数(即使无法以封闭形式导出它们),就好像已经解决了一样,它将返回问题的确切解决方案,如下一章节所示。使被定义在等式(22)-(38)中的问题易于处理的一种方法是使用如(Low S.,2014),(L.Gan,2015)中讨论的并在下一子章节中被导出的AC功率流的凸性松弛表达。
OFD的二阶锥松弛表达
最优功率流(OPF)问题有两个主要的凸性松弛表达:总线注入模型(BIM)和分支流模型(BFM)。这两种表达在某些假设下被示为是相同的(D′hulst F.G.,2017)。在下文中,我们提出了OFD问题的SOC松弛表达。
与前一种情况类似,我们将每个总线平方电压幅度(un,t)、每个弹性发电机的有功弹性(ΔPg,n,t)和弹性负载(ΔPd,n,t)以及每个弹性发电机的无功弹性(ΔQg,n,t)和弹性负载(ΔQd,n,t)关联为决策变量。
最佳弹性调度问题的二阶锥表达受到(Papavasiliou,2017)中提出的成果的启发,并采用以下形式:
minΩ
受限于,
(3-12) (43)
其中
注意,在OFD问题的SOCP表达中,复电压变量被总线电压的交叉乘积un,t=(vn,t)2[22]所取代。等式(40)-(42)分别定义平方电压幅度和总线配对电压乘积的下限和上限。
注意,在[23]中被定义。约束(43)是功率流问题的原始表达的旋转二阶锥松弛,并对现有连接mn是有效的,如[22]中所讨论的。注意,等式(43)是可能发生准确度松弛的地方。只有当SOCP松弛精确时,问题的解决方案才会具有物理相互渗透,这意味着等式(43)满足等式约束。约束(44)-(47)与(25)至(38)相同,不同之处在于(40)-(43)中的功率流被定义为平方电压幅度和总线配对电压乘积的函数。
DCM组件的设计
图5示出了根据本发明的各实施例的DCM的基本结构。DCM的主要组件是规划器、跟踪器和预测器。DCM可(例如,经由DSO)向外部(改造)控制器16提供经更新的GRID约束和/或电网定向式目标。
DCM将首先为不同的集群或电网区域调用规划器实例,并然后调用跟踪器实例。
在以下子章节中更详细地描述了每个组件。
规划器
规划器向作为DCM的控制区域一部分的集群(或建筑)提供预先计划(通常提前一天)。此计划包含一个或多个集群的总体能量消耗。规划器不需要为个体建筑进行规划。规划器根据用例具有特定目标。基于对集群的聚合弹性和基本负载预测的预测,以及用例约束和目标,规划器解决了一个优化问题进而提出了(提前一天)计划。
为了提出此计划,并符合用例中的相互作用(图6),规划器被预计将进行以下交互:
-规划器必须能够与DSO、BRP、预测器和跟踪器进行通信。
-规划器必须能够根据UC改变其功能。
-对每个UC,规划器必须向跟踪器构建每个集群的消耗概况。此概况包括背景消耗和总体弹性激活。
如果实施当日或实时弹性激活,则可能需要更多的适配。如果集群之间存在任何相互依赖关系;则规划器被预计将对其进行管理。
UC1的规划器设置
规划器针对UC1(用例1)具有以下功能
初始化:
●从DSO获取集群信息。
●规划器将此集群报告给预测器。
操作:
●在预测器向规划器报告预测和弹性之后,规划器会将此预测报告给DSO。
●如果弹性激活请求被报告给规划器,则规划器会为每个集群构建一个计划,同时考虑来自DSO的弹性请求(每个集群的功率的上限和下限)。
表1:符号清单
规划器最小化能量的总成本。这包括例如在日前市场中的电能价格以及激活弹性的最佳方式(受限于可用性和DSO约束)。
最小化目标
αλE(Pbl+ΔP)Δt+CfΔP (48)
如果规划器占据能量市场中整个电网区域的能量决定权,则a为1;如果不是则a为零。上述优化问题受限于以下约束:
弹性约束。这确保了弹性激活满足由(上限、下限、斜率、总消耗等)限制的线性不等式约束。
AfΔP≤bf. (49)
DSO约束(为了确保激活符合来自DSO的请求)
Pdso,l≤Pbl+ΔP≤Pdso,u. (50)
跟踪器
跟踪器在群组层级上工作以从规划器获取弹性计划,并在所有底层vDER中调度弹性计划。一旦此计划从规划器生成,跟踪器就会接收到此计划并用vDER触发迭代过程。借助于被称为交替方向乘子法(ADMM)的配电优化问题开始与vDER协商,参见(Boyd,Parikh,Chu,Peleato,&Eckstein,2010)。由跟踪器解决的优化问题总结如下。
表2:符号清单
在这种方法中,跟踪器解决了以下优化问题:
●目标
●受限于
该问题使用以下更新方案(vDER中的功率概况更新和跟踪器中的价格更新)来解决:
迭代被继续直到收敛或直到达到最大限制。
预测器
建筑代理
基于建筑热量模型进行预测。可基于特定目标(例如,EE、动态定价、自我消耗、.....)作出预测。基于动态定价作出预测的特殊情况与ADMM一起使用。
UC1的UML方案
本章节给出了UC1的UML示意和一些解释。我们详细描述了流程步骤,如图6中的UML图所示。预处理步骤
1.建筑代理预测其未来几小时/天的功率概况并估计其弹性。弹性被存储为不等式约束。
2.向预测器报告预测和弹性估计。
3.规划器从DSO接收分组(每个电网区域)信息。
4.规划器向预测器报告此分组。
5.预测器预测每个DER的非可控负载
6.预测器聚合了对每个群组的可控功率和弹性的预测。可选地,预测器应用从监测每个集群的消耗概况学习的不确定性相关信息以及集群/建筑之间的相关性。
7.预测器向规划器报告群组的预测和弹性。
8.规划器向DSO报告此群组的预测。
9.可再生能源向DSO报告其计划的生产。
10.DSO预测非可控DER的消耗(不属于DCM)
11.DSO执行弹性调度计算以检查是否需要削减,并且如果需要,则为DCM制定弹性请求(在何时何地需要和允许多少弹性才能解决问题,并且激活本身不会产生新的问题
12.向可再生资源报告“确定”或“等待”。
日前和/或当日弹性激活计划计算
1.规划器为每群组构建计划(预测),同时考虑来自DSO的弹性请求。
2.向跟踪器报告每个群组的此计划。
3.跟踪器向属于一个群组的所有建筑报告能量价格概况。此价格可能因群组而异,这取决于该群组所需的弹性以及该弹性的价值。
4.每个建筑代理根据接收到的价格概况计算其最佳功率消耗
5.建筑代理向跟踪器报告其计划的功率概况。
6.跟踪器将每个群组的总体消耗与计划的消耗进行比较,并调整能量价格以使两者达成一致。
7.向所有建筑报告每个群组的确切价格概况。
8.向规划器报告每个群组的确切功率概况。(弹性报价)
9.规划器向DSO报告计划功率消耗。(弹性报价)
10.DSO向DCM确认弹性订单
11.可能,DSO会向可再生资源报告剩余的削减请求。
实时弹性激活跟踪
1.每个建筑代理都会连续地向跟踪器报告其实际消耗。
2.跟踪器聚合每个群组的消耗并将其与计划消耗进行比较。价格调整会改变偏差。
3.向建筑代理报告更新的价格概况,以便他们以补偿观察到的偏差的方式改变其计划。
4.任何剩余的偏差都可能导致将由DSO观察和解决的电网问题。
5.监测的概况被发送到预测器以用于学习预测的可靠性
DCM软件
用于DSO和DCM算法的软件已以Python实现。使用的解释器版本是2.7。软件是模块化的且各种DCM组件和模块之间存在一对一的对应关系。此外,存在一个模块用于从数据库中读取所有的必要数据,另一个模块用于调度数据库的不同组件。模板被如下列出:
-planner.py(规划器.py):实现规划器的功能。规划器的目标和约束适应凸性优化问题的框架。为了解决此问题,在规划器中使用了cvxpy优化包。规划器将大熊猫(pandas)数据框作为输入,其包含所有相关的用例信息——基线预测、弹性预测、DSO弹性带。然后将目标和约束框架化为凸性优化问题设置并将解决方案再次作为数据框返回。
-tracker.py(跟踪器.py):实现跟踪器的功能。它接收规划器的输出作为输入,并实现ADMM配电优化算法。这基本上涉及聚合来自建筑代理的响应、更新影子价格和广播这些价格,直到建筑代理的聚合符合规划器输出。
-building_agent.py(建筑_代理.py):构建代理可在WP2中开发。为了第一次WP3模拟的目的,我们正在重复使用以定义格式提供信息的简化代理。这种简化的建筑代理与建筑的线性模型一起工作,该模型基于诸如室外温度、过去的热量负载等特征进行训练。假设热量负载直接地影响电力负载,就好像建筑是由电阻器供暖一样。建筑代理按照ADMM方法执行局部优化(也是凸性的)。
-Controller.py(控制器.py):此模块是与数据库的接口,数据库包含测试经开发的WP3算法所需的所有信息,如天气和价格预测信息、建筑的模型参数、DSO界限等。
-main.py(主函数.py):它对所涉及的各个模块进行编排/调度,例如,首先是控制器、然后是计划器、跟踪器、然后是绘制结果等。
-vito_config_controller.yml(vito_配置_控制器.yml):具有各种配置参数的输入文件。例如,规划器的优化参数(诸如alpha)、集群中的清单建筑、要被获取的数据的日期范围、跟踪器的参数rho、预测范围
-config.py(配置.py):分析vito_config_controller.yml中包含的信息。
虽然描述了所需WP3算法的开发和测试,和规划器以及DSO通过json格式的文件(跨编程语言理解的嵌套字典结构)进行通信,但是本发明不限于此。规划器生成json文件(例如,每个时间步长一个),其中包含电网所需的必要信息,并且DSO端上运行的算法逐个处理这些json文件,从而将结果存储到相应的输出json文件中(然后规划器对这些其进行解释)。这种基于文件的交互可以由作为DSO和DCM平台及相关代理开发一部分的多代理通信框架替代。
模拟设置和结果
以下章节描述了模拟设置和所开发的算法测试的结果。
作为电网模型,9总线虚拟径向系统具有8个分支、5个DER、3个弹性负载,适用于从无弹性情况到29kWh的最大负载弹性情况的若干情形。图7显示了电网,而表3和表4分别提供了电网和发电机的参数。
F总线 | t总线 | r | x | b |
1 | 4 | 3 | 0.2425 | 0.000181 |
4 | 5 | 0.9548 | 0.1023 | 8.98E-01 |
5 | 6 | 0.54485 | 0.0748 | 7.48E-02 |
3 | 6 | 0.41863 | 0.080325 | 9.20E-01 |
6 | 7 | 0.35952 | 0.09184 | 0.00012 |
8 | 2 | 0.2286 | 0.072 | 0.000107 |
8 | 9 | 0.19458 | 0.07332 | 0.000124 |
9 | 4 | 0.17264 | 0.07904 | 0.000147 |
表3:虚构的电网示例的参数。r,x和b是每个连接的串联电阻、电感和分流电纳。
表4:有功和无功功率的上界和下界以及弹性。有功功率单位为MW,而无功功率单位为MVAr。
当总线5、6和9上的弹性负载扩展时,详细电网如图8所示。
在图8所示的设置中,每个集群中有六个住户(在总线5,6和9上)。这些模拟的目的是说明本发明的各实施例起作用,并且不同的算法协作地提供所需的功能。为了测试算法的目的,在缺乏真实数据和模型的情况下,采用了如下临时简化和解决方案。
●正在考虑来自Belpex市场的历史数据的日前价格。
●针对基线热量负载消耗,考虑了在没有任何控制信号的情况下建筑模型的响应。假设了基本供暖系统,其中热量负载与电力负载成正比。
●使用住户内书面建筑代理。作出了轻微修改以适应FHP框架。建筑代理根据ADMM方案响应影子价格
●弹性的上限和下限大致估计与基线消耗的7%至9%的偏差。
●假设可再生能源的恒定容量。
已设置了每个集群的经聚合的基线和弹性界限,如图9所示。
基于此输入,执行OPF算法。来自DSO的响应如图10所示。
当DSO完成最优弹性调度算法时,弹性请求被发送给规划器。正如对未来的预见,此弹性请求包括“可接受的区域”,在该区域内没有预见到拥塞。然后,规划器可以自由竞标该区域内的曲线。目前,DSO没有给出这些界限。为了模拟和演示规划器算法的目的,我们假设1%的上下限,以便规划器以此进行优化。在选项中,这些带可由DSO提供。
每个集群的输出在图11中被示出,分别针对3个群组(弹性负载5、6和9)。在每种情况下,规划器都可在给定的界限内满足DSO的请求。
跟踪器接收规划器输出并与DER代理协商,使得来自所有建筑的所有响应的总数尽可能地满足计划。这可涉及如上所述与外部(改造)控制器16通信。外部(改造)控制器16可操纵可访问的外部传感器输出或可访问的外部数据信道,以便修改建筑或建筑集群的能量使用。这优选地是迭代过程,并且此类最终迭代的输出(在收敛之后)被显示在图12中。在这里再次看到跟踪器能够遵循所有群组的计划。在每种情况下,迭代的次数都小于80。设定收敛标准使得全天的总绝对偏差不超过10kW。在图13中,跟踪器-代理交互的收敛以对数刻度说明。可以看出,在所有三种情况下收敛都很快(尽管其在不同的集群之间有所变化)并且在收敛误差中也没有看到振荡。
在此过程中,每个建筑都对跟踪器作出响应,并因此偏离了最初计划的基线曲线(换言之,实行了对弹性的激活)。这种与基线的偏差可通过由外部(改造)控制器16操纵可访问的外部传感器输出或可访问的外部数据信道来实现,以便修改建筑或建筑集群的能量使用。总线9的协商过程之前和之后的消耗概况如图13所示。据观察,不同建筑对跟踪器的价格反应不同,并且有些建筑比其他建筑激活了更多的弹性。这可通过将外部(改造)控制器16分配给各个体建筑来实现。尽管全局目标是增加消耗,但是一些建筑或这些建筑中的外部(改造)控制器16已经通过减少消耗来响应。但是,总体而言,建筑的最终聚合消耗收敛于规划器发出的请求。
局部削减分析
为了评估DCM-DSO交互和弹性激活在建筑群组中的可能影响,建立了以下实验。由弹性负载提供的弹性量是变化的,从零开始,每个时间步长在向上和向下两个方向上增加5kW(所有集群总共15kW)。DSO在每种情况下执行最佳弹性调度,并测量所有可再生能源中的总削减量。这是通过将每个可再生能源的计划产量相加并从总可用容量中减去它来得到的。根据DCM提供的不同程度的弹性,各种可再生能源在电力和能源方面的总削减分别如图15和图16所示。在两个图中都可以观察到,随着所提供的弹性水平的增加,削减逐渐减少。相应的产品已被例示在图17和图18中。再次,符合先前的观察,可以看出,可再生能源的产量随着所提供的弹性的增加而增加。当外部(改造)控制器16被分配给各个体建筑或建筑集群时,可以实现进一步的改进,并且通过操纵可访问的外部传感器输出或可访问的外部数据信道来考虑这些可以实现的弹性以便修改建筑或建筑集群的能量使用。一个小的操纵(例如将表观外部温度降低1℃)对一栋建筑的影响很小,但这种变化对数百万建筑的影响加在一起,可会导致能源使用发生显著变化。
进一步参考
Boyd,S.,Parikh,N.,Chu,E.,Peleato,B.,&Eckstein,J.(2010),DistributedOptimization and Statistical Learning via the Alternating Direction Method ofMultipliers(利用交替方向乘子法进行配电优化和统计学习),机器学习的基础和趋势,3。
C.Coffrin,H.L.(2016).The qc relaxation:A theoretical andcomputational study on optimal power flow(qc松弛:最优功率流的理论和计算研究).IEEE电力系统汇刊,3008-3018。
Cesa-Bianchi,N.,&Lugosi,G.(2006).Prediction,Learning,and Games(预测,学习和游戏)剑桥大学出版社。
Coffrin,C.H.(2015).DistFlow extensions for AC transmission systems(AC传输系统的分流扩展)arXiv preprint arXiv:1506.04773。
最优功率流的凸性松弛:教程。(2013年)。Bulk Power System Dynamics andControl-IX Optimization,Security and Control of the Emerging Power Grid(新兴电网的大容量电力系统动力学与控制-IX优化、安全与控制)(IREP)(第1-15页)。
D.Menniti,A.P.(2014)。A local market model involving prosumers takinginto account distribution network congestions(考虑配电电网络拥塞的包括各个体消费者的局部市场模型)。国际电气工程评论(IREE),976-985。
D.T.Nguyen,M.N.(2011)。Pool-based demand response exchange concept andmodeling(基于池的需求响应交换概念和建模)。IEEE电力系统汇刊,1677-1685年。
D’hulst,F.G.(2017)。Optimal power flow formulations:Trade-offs intractability,accuracy&numerical aspects(最佳功率流表达:在可牵引性、准确性和数值方面的权衡)。VITO。
D’hulst,R.,&Geth,F.(2016)。Optimal power flow formulations andrelaxations for a generalized line model including switches and transformers.(包含开关和变压器的广义线路模型的最优功率流表达和松弛)。VITO。
G.Brusco,A.B.(2014)。Energy management system for an energy districtwith demand response availability(能源区的能源管理系统,与需求响应可用性)。IEEE智能电网汇刊,2385-2393。
G.Le Ray,E.M.(2016)。Evaluating price-based demand response inpractice-with application to the ecogrid eu experiment(在实践中评估基于价格的需求响应-应用于EcoGrid欧盟实验)。IEEE智能电网汇刊。
L.Gan,N.L.(2015)。Exact convex relaxation of optimal power flow inradial networks(径向网络中最优功率流的精确凸性松弛)。IEEE自动控制汇刊,72-87。
Lago,J.,De Ridder,F.,Vrancx,P.,&De Schutter,B.(2017)。Forecasting day-ahead electricity prices in Europe:the importance of consideringmarketintegration(预测欧洲日前电能价格:考虑市场一体化的重要性)。应用能源(正在审核中)。
Lago,J.,De Ridder,F.,Vrancx,P.,&De Schutter,B.(2017)。Forecasting spotelectricity prices:deep learning approaches and empirical comparison oftraditional algorithms(预测现货电能价格:深度学习方法和传统算法的实证比较)。应用能源(正在审核中)。
Low,L.G.(2014)。Convex relaxations and linear approximation foroptimal power flow in multiphase radial networks多相径向网络中最优功率流的凸性松弛和线性近似。电力系统计算会议(PSCC),(第1-9页)。
Low,S.(2014)。Convex relaxation of optimal power flow part I:Formulations and equivalence(最优功率流的凸性松弛第一部分:表达公式和等效)。IEEE网络系统控制汇刊,15-27。
M.Marzband,A.S.-A.-G.(2013)。Experimental evaluation of a real timeenergy management system for stand-alone microgrids in day-ahead markets(日前市场中独立微电网实时能源管理系统的实验评估)。应用能源,365-376。
Madlener,C.R.(2013)。An auction design for local reserve energymarkets(局部储备能源市场的拍卖设计)。决策支持系统,168-179。
Nemirovski,A.B.-T.(2001)。On polyhedral approximations of the second-order cone(关于二阶锥的多面体近似)。运筹学数学,193-205。
P.G.Da Silva,D.I.(2014)。The impact of smart grid prosumer grouping onforecasting accuracy and its benefits for local electricity(智能电网消费者群组对预测精度的影响及其对局部电力的好处)。IEEE智能电网汇刊,402-410。
P.Pinson,L.M.(2017)。Towards fully renewable energy systems:Experienceand trends in Denmark(迈向完全可再生能源系统:丹麦的经验和趋势)。CSEE电力与能源系统学报,26-35。
Papavasiliou,A.(2017).Analysis of distribution locational marginalprices(配电地域价格分析)。IEEE智能电网汇刊。
S.Kim,M.K.(2003).Second order cone programming relaxation of apositive semidefinite constraint(半正定约束的二阶锥规划松弛)优化方法和软件,535-541。
Wu,M.E.(1989).Network reconfiguration in distribution systems forloss reduction and load balancing(配电系统中的网络重构,用于减少损耗和平衡负载)。IEEE电力传输汇刊,1401-1407。
Zimmerman,R.D.(2010)。Matpower4.0 b4用户手册。电力系统工程研究中心。
Claims (20)
1.一种改造外部控制器,所述改造外部控制器用于控制具有消耗由热网络提供的热或冷热能的设备的系统,至少一个设备具有内部控制器,所述内部控制器用于控制所述热或冷热能的使用并用于接收参数作为向所述内部控制器的输入,其中至少一个参数可由所述改造外部控制器访问,所述改造外部控制器被适配成操纵所述至少一个参数并将经操纵的参数提供给所述内部控制器以改变所述至少一个设备的行为以至少部分地满足所述热网络的约束和定向式目标和/或在设备消耗或生成由配电电网提供的电力的情况下满足所述配电电网的约束和/定向式目标,其中所述热网络和/或配电电网的所述约束和定向式目标对于所述改造控制器是已知的,并且其中所述至少一个经操纵的参数是可访问的外部数据流、可访问的信道或可访问的外部传感器输出,其操纵掌控所述内部控制器。
2.如权利要求1所述的改造外部控制器,其特征在于,所述改造外部控制器被适配成根据先前学习的用于改变或掌控所述内部控制器操作的响应函数来操纵外部传感器测量或输出和/或一个或多个外部数据信道以在不凌驾规定否定所述内部控制器的情况下满足外部目标和约束,从而保证受控系统的内部约束也能得到满足。
3.如权利要求1或2所述的改造外部控制器,其特征在于,所述配电电网的所述约束和定向式目标包括以下中的任意:最小化损耗、所述电网的容量、电压、频率方面的限制以及电流稳定性或类似物。
4.如权利要求3所述的改造外部控制器,其特征在于,所述改造外部控制器被适配成接收被动态更新的所述热网络和/或配电电网的所述约束和定向式目标。
5.如权利要求4所述的改造外部控制器,其特征在于,经更新的约束和定向式目标用于采用电网安全方式的局部配电电网层级RES削减缓解,在所述局部电网约束下使用配电电网连接弹性的系统RES削减缓解,过量RES吸收最大化,以及在所述局部电网约束下使用配电电网连接弹性的平衡服务。
6.如权利要求2至5所述的改造外部控制器,其特征在于,进一步包括用于学习所述至少一个设备对所述经操纵的参数的响应的装置。
7.如前述权利要求中任一项所述的改造外部控制器,其特征在于,所述内部控制器的传递函数对于所述改造外部控制器是未知的。
8.如前述权利要求中任一项所述的改造外部控制器,其特征在于,所述改造外部控制器被适配成使得所述改造外部控制器不改变基于安全的设定点,不超驰安全断路器或保险丝或抑制报警、不超驰所述至少一个设备的恒温器、或不超驰局部安全特征。
9.如前述权利要求中任一项所述的改造外部控制器,其特征在于,所述内部控制器是建筑管理系统的一部分。
10.如前述权利要求中任一项所述的改造外部控制器,其特征在于,所述改造外部控制器可访问的所述至少一个参数选自外部温度、电能可用性、供暖或制冷网络中的温度和/或流速、配电电网络中的电压、频率、电流。
11.如前述权利要求中任一项所述的改造外部控制器,其特征在于,进一步包括用于滤波以跟踪所述至少一个参数的漂移的装置。
12.一种用于控制具有消耗由热网络提供的热或冷热能的设备的系统的方法,至少一个设备具有内部控制器,所述内部控制器用于控制所述热或冷热能的使用,并用于接收参数作为向所述内部控制器的输入,所述方法包括:
对外部控制器进行改造,其中至少一个参数可由所述外部控制器访问,经改造的外部控制器操纵所述至少一个参数并将经操纵的参数提供给所述内部控制器以改变所述至少一个设备的行为,以至少部分地满足所述热网络的约束和定向式目标和/或在设备消耗或生成由配电电网提供的电力的情况下满足所述配电电网的约束和定向式目标,其中所述约束和定向式目标对于所述经改造的外部控制器是已知的。
13.如权利要求12所述的方法,其特征在于,所述配电电网的所述约束和定向式目标包括以下中的任意:最小化损耗、所述电网的容量、电压、频率方面的限制以及电流稳定性或类似物。
14.如权利要求13所述的方法,其特征在于,所述热网络和/或所述配电电网的所述约束和定向式目标被动态更新。
15.如权利要求14所述的方法,其特征在于,经更新的约束和定向式目标用于采用电网安全方式的局部配电电网层级RES削减缓解,在所述局部电网约束下使用配电电网连接弹性的系统RES削减缓解,过量RES吸收最大化,以及在所述局部电网约束下使用配电电网连接弹性的平衡服务。
16.如权利要求12至15中任一项所述的方法,其特征在于,进一步包括所述外部控制器学习所述至少一个设备对所述经操纵的参数的响应。
17.如权利要求12至16中任一项所述的方法,其特征在于,进一步包括滤波以跟踪所述至少一个参数中的漂移。
18.一种工业站点,所述工业站点具有至少具有第一和第二控制器层级的分层结构,以及至少一个如权利要求1至11中任一项所述的改造外部控制器,所述外部改造控制器可访问外部参数并被适配成操纵所述外部参数,并将控制信号提供给所述分层结构的较低控制器层级处的另一控制器。
19.一种计算机程序产品,当在处理器上执行时所述计算机程序产品执行权利要求12至17所述的方法中的任一种。
20.一种存储权利要求19的所述计算机程序产品的非暂时性信号存储设备。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16207020.5A EP3343717A1 (en) | 2016-12-27 | 2016-12-27 | Hierarchical implicit controller for shielded system in a grid |
EP16207020.5 | 2016-12-27 | ||
CN201780081261.2A CN110178280B (zh) | 2016-12-27 | 2017-12-27 | 用于电网中受屏蔽的系统的分层隐式控制器 |
PCT/EP2017/084667 WO2018122273A1 (en) | 2016-12-27 | 2017-12-27 | Hierarchical implicit controller for shielded system in a grid |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780081261.2A Division CN110178280B (zh) | 2016-12-27 | 2017-12-27 | 用于电网中受屏蔽的系统的分层隐式控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116316657A true CN116316657A (zh) | 2023-06-23 |
Family
ID=57714455
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310304081.3A Pending CN116316657A (zh) | 2016-12-27 | 2017-12-27 | 用于电网中受屏蔽的系统的分层隐式控制器 |
CN201780081261.2A Active CN110178280B (zh) | 2016-12-27 | 2017-12-27 | 用于电网中受屏蔽的系统的分层隐式控制器 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780081261.2A Active CN110178280B (zh) | 2016-12-27 | 2017-12-27 | 用于电网中受屏蔽的系统的分层隐式控制器 |
Country Status (9)
Country | Link |
---|---|
US (1) | US10983484B2 (zh) |
EP (2) | EP3343717A1 (zh) |
KR (2) | KR102511879B1 (zh) |
CN (2) | CN116316657A (zh) |
DK (1) | DK3516750T3 (zh) |
PL (1) | PL3516750T3 (zh) |
RU (1) | RU2747281C2 (zh) |
UA (1) | UA127389C2 (zh) |
WO (1) | WO2018122273A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3505833A1 (en) * | 2017-12-27 | 2019-07-03 | Brunnshög Energi AB | Method for improved utilization of energy grids |
EP3726307A1 (en) * | 2019-04-17 | 2020-10-21 | Carrier Corporation | Method for controlling building power consumption |
EP3731172A1 (en) * | 2019-04-26 | 2020-10-28 | Carrier Corporation | System and method for district energy management |
CN110212538B (zh) * | 2019-05-10 | 2022-11-18 | 广西电网有限责任公司电力科学研究院 | 一种求解主动配电网区间潮流的二阶锥规划方法 |
US11099537B2 (en) | 2019-06-28 | 2021-08-24 | Utilidata, Inc. | Utility grid control using a dynamic power flow model |
CN110912137B (zh) * | 2019-10-25 | 2023-05-23 | 国网天津市电力公司电力科学研究院 | 一种计及交流潮流的柔性配电网运行域模型构建方法 |
KR102309554B1 (ko) * | 2019-11-26 | 2021-10-05 | 광운대학교 산학협력단 | 심층 순환신경망 기반 에너지 사용 예측과 부하 제어 장치 및 방법 |
FI128897B2 (en) | 2020-01-27 | 2024-02-13 | Planora Oy | A method for adjusting the heat distribution in the distribution network |
CN111275271B (zh) * | 2020-03-10 | 2022-09-20 | 清华大学 | 一种冷-热-电综合能源系统潮流优化方法 |
CN111638028B (zh) * | 2020-05-20 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
EP3989156A1 (en) | 2020-10-22 | 2022-04-27 | Vito NV | A system and method for managing different applications using cloud services |
US11575263B2 (en) * | 2021-03-12 | 2023-02-07 | Utilidata, Inc. | Optimal power flow control via dynamic power flow modeling |
CN113300386B (zh) * | 2021-05-24 | 2022-07-22 | 云南电网有限责任公司 | 一种基于交替方向乘子法的频率控制器设计方法及系统 |
CN113255134B (zh) * | 2021-05-27 | 2022-06-03 | 中国工程物理研究院总体工程研究所 | 基于匹配追踪的硅泡沫材料物理化学松弛自适应分离方法 |
CN113807022B (zh) * | 2021-09-29 | 2023-09-01 | 重庆邮电大学 | 基于鸽群算法和bp费用预测网络的有功调度求解方法 |
EP4227744A1 (en) * | 2022-02-14 | 2023-08-16 | ABB Schweiz AG | Control arrangement, method, and computer program for controlling an electronic device, control platform comprising the control arrangement, method for training a machine learning model, and computer-readable medium |
EP4322076A1 (en) * | 2022-08-11 | 2024-02-14 | Vito NV | A method and system for characterizing thermal energy distribution in thermal energy exchange systems |
CN116523279B (zh) * | 2023-07-05 | 2023-09-22 | 国网湖北省电力有限公司经济技术研究院 | 一种计及调频需求的灵活性资源配置方案的确定方法 |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4971136A (en) | 1989-11-28 | 1990-11-20 | Electric Power Research Institute | Dual fuel heat pump controller |
DE60210580T2 (de) * | 2001-01-12 | 2007-02-15 | Novar Marketing Inc., Wilmington | Systen zur überwachung der automatisierung in einem kleinen gebäude |
US7797080B2 (en) * | 2004-06-14 | 2010-09-14 | Ogd V-Hvac Inc. | Opto-programmed HVAC controller |
RU2282229C1 (ru) * | 2004-12-31 | 2006-08-20 | Закрытое акционерное общество "ПРО-САМ" | Распределенная интегрированная многофункциональная система контроля и управления комплексом зданий |
US7274975B2 (en) * | 2005-06-06 | 2007-09-25 | Gridpoint, Inc. | Optimized energy management system |
US7567844B2 (en) * | 2006-03-17 | 2009-07-28 | Honeywell International Inc. | Building management system |
US9002761B2 (en) | 2008-10-08 | 2015-04-07 | Rey Montalvo | Method and system for automatically adapting end user power usage |
US8805597B2 (en) * | 2009-02-10 | 2014-08-12 | Steffes Corporation | Electrical appliance energy consumption control |
GB2472385A (en) * | 2009-07-31 | 2011-02-09 | Demand Logic Ltd | Controlling power demand using a building management system |
US8478452B2 (en) * | 2010-04-06 | 2013-07-02 | Battelle Memorial Institute | Grid regulation services for energy storage devices based on grid frequency |
EP2593844A4 (en) | 2010-07-16 | 2017-05-31 | The Trustees of Columbia University in the City of New York | Machine learning for power grids |
US20130178992A1 (en) * | 2010-08-26 | 2013-07-11 | Terafero Bvba | Intelligent electronic interface for a thermal energy storage module, and methods for stored thermal energy and thermal energy storage capacity trading |
US20130289784A1 (en) | 2010-11-22 | 2013-10-31 | Timothy Patrick Cooper | Electricity Supply Management Systems and Hot Water Storage Systems |
SE535445C2 (sv) | 2010-11-30 | 2012-08-14 | Ekofektiv Ab | Förfarande för att reglera effektuttaget i ett fjärrvärmenät. |
GB2479060B (en) * | 2011-03-24 | 2012-05-02 | Reactive Technologies Ltd | Energy consumption management |
WO2012137097A1 (en) * | 2011-04-04 | 2012-10-11 | Koninklijke Philips Electronics N.V. | Controlling device and method for controlling power consumption in a system of power consuming devices |
US8768528B2 (en) * | 2011-05-16 | 2014-07-01 | Vcharge, Inc. | Electrical thermal storage with edge-of-network tailored energy delivery systems and methods |
EP2573474B1 (en) | 2011-09-22 | 2019-05-15 | Panasonic Intellectual Property Management Co., Ltd. | Heat management algorithm for optimized CHP operation |
SE536178C2 (sv) | 2011-11-11 | 2013-06-11 | Atc Ind Group Ab | System för klimatstyrning |
GB2499190B (en) | 2012-02-01 | 2015-11-04 | Alastair Gordon Laurence Hunter | A system for automatic energy allocation in communal heating systems |
DE102012003227A1 (de) | 2012-02-20 | 2013-08-22 | Sma Solar Technology Ag | System zur bereitstellung von wärme und betriebsverfahren für ein solches system |
EP2645532A1 (en) | 2012-03-28 | 2013-10-02 | Terafero bvba | An intelligent electronic control and communications interface module for a thermal or electrical energy storage module grid, and methods for stored thermal or electrical energy and thermal or electrical energy storage capacity trading. |
US10169832B2 (en) | 2013-05-08 | 2019-01-01 | Instant Access Networks, Llc | Method and instrumentation for sustainable energy load flow management system performing as resilient adaptive microgrid system |
ITTV20120208A1 (it) | 2012-11-07 | 2014-05-08 | Regal Grid Srl | "sistema e dispositivo di architettura e gestione per micro - reti con generazione, accumulo e consumo di energia" |
CN103023018B (zh) | 2012-11-22 | 2015-02-04 | 上海电机学院 | 电力系统多目标最优潮流实现方法及装置 |
CA2838453C (en) | 2012-12-31 | 2022-08-30 | Battelle Memorial Institute | Distributed hierarchical control architecture for integrating smart grid assets during normal and disrupted operations |
JP6532453B2 (ja) * | 2013-03-15 | 2019-06-19 | ペースコントロールズ・エルエルシーPacecontrols Llc | Hvac&rシステムの自動制御用の電子コントローラデバイス並びにそれを使用するhvac&rシステム及び方法 |
US9477240B2 (en) | 2013-04-29 | 2016-10-25 | Eaton Corporation | Centralized controller for intelligent control of thermostatically controlled devices |
EP2806520A1 (en) | 2013-05-22 | 2014-11-26 | Vito NV | Power supply network control system and method |
US20150066228A1 (en) * | 2013-07-26 | 2015-03-05 | Peaknrg | Building Management and Appliance Control System |
CN104008432A (zh) | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN104022503B (zh) | 2014-06-18 | 2017-01-04 | 中国科学院自动化研究所 | 一种带有储能设备的智能微电网电能优化控制方法 |
CN104218683B (zh) | 2014-10-11 | 2016-03-23 | 重庆邮电大学 | 一种闭环自学习需求响应系统及方法 |
US9989266B2 (en) | 2014-12-22 | 2018-06-05 | Battelle Memorial Institute | Automatic set point detection for water heaters operating in a demand response |
SE538564C2 (en) | 2014-12-23 | 2016-09-20 | Scypho Sweden Ab | Indoor Climate Control System |
RU162791U8 (ru) * | 2015-08-03 | 2017-03-09 | Общество с ограниченной ответственностью "К-СОФТ" (ООО "К-СОФТ") | Модульный энергосберегающий блок управления системой промышленного электрообогрева с возможностью технического учёта электроэнергии |
CN105207267B (zh) * | 2015-10-29 | 2017-03-22 | 南阳理工学院 | 一种微网能量管理系统 |
-
2016
- 2016-12-27 EP EP16207020.5A patent/EP3343717A1/en not_active Withdrawn
-
2017
- 2017-12-27 KR KR1020227019173A patent/KR102511879B1/ko active IP Right Grant
- 2017-12-27 US US16/464,796 patent/US10983484B2/en active Active
- 2017-12-27 CN CN202310304081.3A patent/CN116316657A/zh active Pending
- 2017-12-27 UA UAA201907048A patent/UA127389C2/uk unknown
- 2017-12-27 KR KR1020197022067A patent/KR102407764B1/ko active IP Right Grant
- 2017-12-27 RU RU2019120563A patent/RU2747281C2/ru active
- 2017-12-27 EP EP17832507.2A patent/EP3516750B1/en active Active
- 2017-12-27 PL PL17832507T patent/PL3516750T3/pl unknown
- 2017-12-27 DK DK17832507.2T patent/DK3516750T3/da active
- 2017-12-27 CN CN201780081261.2A patent/CN110178280B/zh active Active
- 2017-12-27 WO PCT/EP2017/084667 patent/WO2018122273A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
CN110178280B (zh) | 2023-12-05 |
RU2747281C2 (ru) | 2021-05-04 |
US20190324411A1 (en) | 2019-10-24 |
DK3516750T3 (da) | 2021-07-26 |
EP3516750B1 (en) | 2021-06-23 |
KR20190102237A (ko) | 2019-09-03 |
RU2019120563A (ru) | 2021-01-29 |
KR102511879B1 (ko) | 2023-03-17 |
KR20220084184A (ko) | 2022-06-21 |
US10983484B2 (en) | 2021-04-20 |
RU2019120563A3 (zh) | 2021-03-19 |
WO2018122273A1 (en) | 2018-07-05 |
EP3516750A1 (en) | 2019-07-31 |
PL3516750T3 (pl) | 2022-01-17 |
UA127389C2 (uk) | 2023-08-09 |
KR102407764B1 (ko) | 2022-06-13 |
EP3343717A1 (en) | 2018-07-04 |
CN110178280A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110178280B (zh) | 用于电网中受屏蔽的系统的分层隐式控制器 | |
Leitao et al. | A survey on home energy management | |
Golpîra et al. | A multi-objective risk-based robust optimization approach to energy management in smart residential buildings under combined demand and supply uncertainty | |
Zhou et al. | Game-theoretical energy management for energy Internet with big data-based renewable power forecasting | |
Gamarra et al. | Computational optimization techniques applied to microgrids planning: A review | |
Kou et al. | A scalable and distributed algorithm for managing residential demand response programs using alternating direction method of multipliers (ADMM) | |
EP2806520A1 (en) | Power supply network control system and method | |
McNamara et al. | Hierarchical demand response for peak minimization using Dantzig–Wolfe decomposition | |
Sonnenschein et al. | Decentralized control of units in smart grids for the support of renewable energy supply | |
Zhu et al. | Optimal energy management for grid-connected microgrids via expected-scenario-oriented robust optimization | |
Pinto et al. | Multi-period flexibility forecast for low voltage prosumers | |
Ali et al. | Smart grid and energy district mutual interactions with demand response programs | |
Batchu et al. | Residential demand response algorithms: State-of-the-art, key issues and challenges | |
Amini et al. | Optimal corrective dispatch of uncertain virtual energy storage systems | |
Tumuluru et al. | Integrating price responsive demand into the unit commitment problem | |
Bessa et al. | Data economy for prosumers in a smart grid ecosystem | |
de Moraes et al. | Short-term scheduling of integrated power and spinning reserve of a wind-hydrothermal generation system with ac network security constraints | |
Couraud et al. | Responsive FLEXibility: A smart local energy system | |
Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
Mokryani et al. | Strategic placement of distribution network operator owned wind turbines by using market‐based optimal power flow | |
ur Rehman | RETRACTED ARTICLE: A Decentralized Dynamic Marketing-Based Demand Response Using Electric Vehicles in Smart Grid | |
Rehman | RETRACTED ARTICLE: Robust Optimization-Based Energy Pricing and Dispatching Model Using DSM for Smart Grid Aggregators to Tackle Price Uncertainty | |
Kovalyov et al. | A platform-based approach to implementation of future smart distributed energy control systems | |
Carreiro et al. | An energy management system aggregator based on an integrated evolutionary and differential evolution approach | |
Oprea | Informatics solutions for electricity consumption optimization |
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 |