基于运行数据的“光储直柔”建筑电力系统优化调度
基于运行数据的“光储直柔” 建筑电力系统优化调度 北京工业大学 张伟荣 https://tinyurl.com/2b7e5z8d PART.01 光储直柔建筑能源系统 PART.02 光储直柔建筑能源系统中柔性资源的量化 目录 CONTENTS PART.03 光储直柔建筑能源系统的运行调节案例分析 PART.04 结论与展望 2 https://tinyurl.com/2b7e5z8d PART.01 光储直柔建筑能源系统 PART.02 光储直柔建筑能源系统中柔性资源的量化 目录 CONTENTS PART.03 光储直柔建筑能源系统的运行调节案例分析 PART.04 结论与展望 3 https://tinyurl.com/2b7e5z8d 光储直柔建筑能源系统 (住房和城乡建设部、 国家发展改革委) 全面 电气化 大力发 展可再 生能源 • 光储直柔建筑 能源系统 • 智能建筑控制 系统 • 高效储能系统 风能 太阳能 波动性 在 “ 双碳 ” 背景下 , 随着建筑 全面电气化 的推进 , 可再生能源的大力发展 , 传统的建筑电力 能源系统亟需改革 , 光储直柔建筑能源系统作为有效的解决方案 , 能够满足新时代下的电力能 源系统的要求 4 https://tinyurl.com/2b7e5z8d 定义: 通过 光 伏等可再生能源发电 , 蓄电 、 蓄热等 储 能方式 , 直 流配电和需求侧 柔 性用能来构建适 应碳中和目标建设需求的新型建筑能源系统 5 光储直柔建筑能源系统 https://tinyurl.com/2b7e5z8d 建筑柔性资源调度与量化的数据基础 6 目前研究 基于模拟数据 基于公开数据集 基于实测数据 条件根据自身需求设置 预测结果一般较为理想 大多取自位于较为空旷地区且 有专人维护的光伏电站 拟合曲线 较为 平滑,不能反映 柔性资源的随机性和波动性 基于建筑电力能源系统柔性资 源实时运行数据的调度、量化 研究较少 建筑柔性资源复杂多样 , 具有较大的不确定性 、 随机性和波动性 , 基于实时运行的数据能够 为建筑电力能源系统的精准调度提供基础 直接应用于真实建筑电力系统中的预测、调度时存在不适用性 光储直柔建筑能源系统 —研究进展 https://tinyurl.com/2b7e5z8d 用户使用不方便 7 光储直柔建筑能源系统 —研究进展 DSM面临的问题 调度潜力小,调度不充分 供给侧柔性资源调度 缺乏多种供给侧柔性 资源进行联 合调度 的研究 目前的研究 多为对以下柔性 资 源 ( 可再生能源 、 储能电池与 电动汽车 ) 的 单独研究 目前的运行调节策略研究主要针对需求侧进行管理 ( DSM) , 这种方法已被证明是应对严重 峰值需求和负载波动等问题的有效方法 需求侧管理 https://tinyurl.com/2b7e5z8d 市政电力 电动汽车 太阳能风能 固定电池 空调 灯具 洗衣机 洗碗机 电热水器 可转移负荷 可削减负荷 建筑热质量 建筑需求侧柔性资源供给侧柔性资源 能量流 智能设备 光储直柔建筑运行调节“ 两步走 ” 计划 第一步:不改变建筑用户用电习惯 , 对建筑内部需求侧柔性资源不进行调节 , 把建筑作为 一个整体 , 研究供给侧与建筑协同匹配的运行策略 第二步:对建筑内部需求侧柔性资源进行调节 , 在建筑用户用电舒适度范围内提出供给侧 与需求侧协同匹配的运行策略 8 光储直柔建筑能源系统 https://tinyurl.com/2b7e5z8d 基于实际运行数据和机器学习算法的微电网系统 1. 针对实际监测的电力数据 , 哪一种机器学习算法更适合于建筑电力能耗预测 ? 2. 电动汽车是一个移动的储能装置 , 如何量化其时空转移特性 , 预测其充放电容量 ? 3. 在建筑运行阶段 , 供给侧与需求侧柔性资源如何协同配合 ? 运行调度关键问题 9 光储直柔建筑能源系统 微电网系统中的重要模块需要有基 于 实际运行数据 的预测功能 , 形成 柔性资源潜力的实时量化 , 进而指 导建筑日前的电力运行调节 https://tinyurl.com/2b7e5z8d PART.01 光储直柔建筑能源系统 PART.02 光储直柔建筑能源系统中柔性资源的量化 目录 CONTENTS PART.03 光储直柔建筑能源系统的运行调节案例分析 PART.04 结论与展望 10 https://tinyurl.com/2b7e5z8d 基于机器学习算法的建筑电力能耗预测模型 11 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 基于机器学习算法的建筑电力能耗预测模型 —建筑能耗数据的监测 建筑碳排放监测平台的底层架构 监测平台已有一年的数据量 , 数据内容涵盖建筑整体及分项用能 、 气象参数等 , 数据颗粒度包括逐分 、 逐时 、 逐日 、 逐月 、 逐年 数据能够支持多维度 、 多层次的科学研究 , 包括建筑整体 、 分项能耗预测 、 用能行为分析 、 运行调节策 略开发等 注: 建筑碳排放监测平台除了能够监测建筑能耗等基本量以外 , 还留有大量接口 , 涵盖 交通 、 绿色空间 、 废弃物等模块 , 为后续 建筑群级别的运行调节 、 碳排放计算 提供支撑 基于数字孪生的碳排放监测平台 12 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 办公建筑 电力 能耗的内在规律变化主要受不同时间周期的 影响 , 外在规律则主要受气象参数等客观因素的影响 时间参数 —月 、 星期 、 星期类型 、 日 、 时 , 其中星期 类型分为工作日与非工作日 , 工作日设置为 1, 非工 作日设置为 0 气象参数 —温度 、 相对湿度 、 太阳辐射量 本研究旨在预测办公建筑的实时 电力 能耗 , 输出变量为逐 时 电力 能耗数据建筑电力能耗的影响因素 基于机器学习算法的建筑电力能耗预测模型 —输入输出变量的选择 13 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 随机森林算法( RF) 支持向量机 (SVR) 长短期记忆算法 (LSTM) 在当前的很多数据集上 , 相对其他算法有着很大的优势 , 表现良 好 , 它能够处理很高维度的数据 , 并且不用做特征选择 模型泛化能力强训练速度快 在训练过程中 , 能够检测到特征间的互相影响 实现比较简单 对于不平衡的数据集来说 , 它可以平衡误差 如果有很大一部分的特征遗失 , 仍可以维持准确度 支持向量回归使用与 SVM 原理相同 , SVR 背后的基 本思想是找到最佳拟合线即点数最多的超平面 对异常值具有鲁棒性 决策模型可以轻松更新 具有出色的泛化能力 , 具有很高的预测精度 实现容易 改善了 RNN中存在的长期依赖问题 LSTM的表现通常比时间递归神经网络及隐马尔 科夫模型 ( HMM) 更好 作为非线性模型 , LSTM可作为复杂的非线性单 元用于构造更大型深度神经网络 机器学习算法以实际的监测数据为基础 , 预测结果相比于能耗模拟软件精度更高 , 更接近 于实际的能耗数据 基于机器学习算法的建筑电力能耗预测模型 —机器学习算法 14 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 基于机器学习算法的建筑电力能耗预测模型 —小结 随机森林模型是基于 Python 3.6版本中的 sklearn 0.24.1库实现的,经过参数比较,模型中最终分类 器的个数为 305(森林中树木的数量),决策树的最大深度为 38,随机数设置为 50 本研究建立的 LSTM模型是基于 Python 3.6版本中的 TensorFlow 2.7.0 库实现的。其中,迭代的次数为 500,每次输入到神经网络中训练的样本数 200,时间步长为 1,隐藏节点(神经元)的个数为 1500 在本次 SVR 的 调 优 研 究 中 , 重 点 研 究 了 核 函 数 RBF 的 γ参 数 和 正 则 化 参 数 , γ参 数 的 取 值 为 0.001,0.01,0.1. 正则化参数的范围为 1,100,1000,2000,3000,4000。 经过对 18种 SVR模型的寻优比较 , 本研 究选择的 γ 参数值为 0.1, 正则化参数值为 3000 随机森林 支持向量机 长短期记忆 15 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 具有时空转移特性的电动汽车充放电容量预测 16 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 具有时空转移特性的电动汽车充放电容量预测 —电动汽车出行参数规律分析 电动汽车用户通勤行为调研 问题 单位 早晨从居住区到办公区您行驶的路程 ? km 早晨您到达办公区的时间 ? HH:mm 早晨您到达办公区时电动汽车的荷电状态 ? % 晚上从办公区到达居住区您行驶的路程 ? km 往返电动汽车所需的最低电量是多少 ? % 晚上到达居住区的时间 ? HH:mm 调查问卷内容 电动汽车行驶路线 居 住 区 办 公 区 对北京工业大学的 255辆电动汽车进行了实 地调查和分析 , 以确定电动汽车主要出行参 数的一般规律 , 为电动汽车作为柔性资源的 调度分析提供支持 [1]N. Hartmann and E. D. zdemir. “Impact of different utilization scenarios of electric vehicles on the German grid in 2030.” J. power sources, vol.196, no. 4, pp. 2311-2318, 2011. 在工作日期间 , 往返于办公区与居住区的电动汽 车 90%的时间处于闲置的状态 [1], 具有较大的可 调度潜力 该类电动汽车具有 时空转移的特性 , 需要掌握其 出行参数规律 , 才能有效地利用其充放电容量 17 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 往返于办公区与居住区的电动汽车出行参数基本满足正态分布的形式 N~(μ,σ2), 根据这一 规律 , 可以研究电动汽车的实际充放电功率和柔性调度策略 早晨到达时电动汽车的 荷电状态 满足往返要求的最低荷 电状态 到达办公区的时间 单程行驶距离 到达居住区的时间 具有时空转移特性的电动汽车充放电容量预测 —电动汽车出行参数规律分析 18 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 具有时空转移特性的电动汽车充放电容量预测 —电动汽车充放电情景分析 往返于居住区与办公区的电动汽车充电情况多样 , 本研究通过调研电动汽车用户的习惯 , 总结了 10种 常见的充放电情景 , 选取情景 1、 3、 10作为本研究的充放电情景 情景 内容 1 电动汽车用户根据自己早晨到达的荷电状态判断是否满足充放电要求 , 选择合适功率进行充放电操作 , 在上班期间电动汽车不离开办公区 , 晚上到达居住区根据自己的充电习惯进行充电 2 电动汽车用户根据自己早晨到达的荷电状态判断是否满足充放电要求 , 选择合适功率进行充放电操作 , 在上班期间电动汽车会离开办公区 , 晚上到达居住区根据自己的充电习惯进行充电 3 晚上电动汽车用户在居住区延迟充满电 , 早晨到达办公区选择合适功率进行充放电 , 在上班期间电动汽车不离开办公区 4 电动汽车用户根据自己早晨到达的荷电状态判断是否满足充放电要求 , 并延迟进行充放电 , 在上班期间电动汽车不离开办公区 , 晚上到达居住区根据自己的充电习惯进行充电 5 电动汽车用户根据自己早晨到达的荷电状态判断是否满足充放电要求 , 并延迟进行充放电 , 在上班期间电动汽车会离开办公区 , 晚上到达居住区根据自己的充电习惯进行充电 6 晚上电动汽车用户根据用电习惯在居住区充满电 , 早晨到达办公区选择合适功率进行充放电 , 在上班期间电动汽车不离开办公区 7 晚上电动汽车用户在居住区延迟充满电 , 早晨到达办公区选择合适功率进行充放电 , 在上班期间电动汽车会离开办公区 8 晚上电动汽车用户在居住区延迟充满电 , 早晨到达办公区选择合适功率延迟充放电 , 在上班期间电动汽车不离开办公区 9 晚上电动汽车用户在居住区延迟充满电 , 早晨到达办公区选择合适功率延迟充放电 , 在上班期间电动汽车会离开办公区 10 以上各种情景配合光伏发电不充足情形 19 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 具有时空转移特性的电动汽车充放电容量预测 —基于蒙特卡罗算法的电动汽车充放 电容量预测流程 1 maxxEE x 1()c cc E E CT P 1()d dd E E CT P 荷电状态公式 充放电时间 确定电动汽车的充放电情景 ,在此基础之上 ,识别计算所需要 的输入变量 ( 例如:时间 、 距离 、 荷电状态 ) 根据每个变量遵循的概率分布函数 随机抽取 变量的数值 , 把 随机抽取的变量输入到核心 计算公式 反复执行前一步骤 , 计算出大量分布结果 ,将计算的结果求平 均 ,再根据相应的电动汽车数量条件 ,转换为最终的电动汽车 充放电容量结果 预测流程 蒙特卡罗算法作为一种数值算法,极适合解决变量具有概率特性 的高度复杂或非线性问题 20 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 光伏发电量预测模型 21 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 光伏发电量预测模型 22 各种柔性资源的量化 利用 小型气象站 ( FT-CQX12-RP) 监测多时间尺度的 气象数据 , 以避免使用大型气象站台数据不能准确反 映局部气象参数的 问题 。 对可能 影响光伏发电的天气因素进行相关性分析 , 作 为预测的输入变量 。 对多数研究中指出的云量对发电的影响问题重点关 注 , 基于实际测量建立不确定模型 , 进一步提升预测 模型精确度 监测参数 量程 分辨率 准确度 温度 - 40 - 60 ℃ 0.01 ℃ 0.3 ℃ ( 25 ℃ ) 相对湿度 0 - 100%R H 0.01%RH 3%RH 风速 0 - 60m /s 0.01m /s 0.1m /s 大气压力 30 - 1 10K pa 0.01Kpa 0.25% 光照度 0 - 20W LUX 1lux 3% 总辐射 0 - 1800W /m 2 1W /m 2 3% 微型气象仪 太阳能板 IP66 防护箱 2 米立杆 摄像头 内含液晶屏幕 地笼 0 5 10 15 20 25 30 35 20 25 30 35 40 45 50 55 60 L o w am b ien t tem p era tu re co n d itio n High am b ien t tem p era tu re co n d itio n Average po wer gen era tio n Power gener ation (kWh) Temper ature ( ° C ) -5 0 5 10 15 20 25 30 35 4 6 8 10 12 14 16 18 20 L o w am b ien t tem p era tu re co n d itio n High am b ien t tem p era tu re co n d itio n Average electr ical e f f iciency Temper ature ( °C ) Ele ctr ic al eff ic ie ncy ( %) 高温和低温条件下的发电效率及发电量 (相关性分析示例) 实测建筑与小型气象站参数 实时监测真实建筑电力系统的光伏发电量,提升建筑电力能源系统中光伏发电预测模型的精确度 https://tinyurl.com/2b7e5z8d 光伏发电量预测模型 在实际工程中 , 生产厂家仅提供标准条件 ( 温度 25℃ , 光照强度 1000W/m2) 下 , 光伏电池 的开路电压 Uoc、 短路电流 Isc、 最大功率点电压 Um及最大功率点电流 Im等基本参数 。 I’sc, U’oc I’m, U’m是一般工作条件下的值 , 根据上述公式可求得一般条件下的光伏发电量 光伏电池等效电路 refT T T 1refSS S m 1 (1 ) e x p ( )msc ocUIC IU 1m 2 ( 1)[ln ( )]moc scU IC UI (1 )(1 )oc ocU U T S (1 )sc sc ref SI I TS (1 )(1 )mmU U T S (1 )mm ref SI I TS 1 2 1 e x p ( ) 1msc oc UI I C CU 数学方程 23 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d 小结 机器学习算法 、 蒙特卡洛算法等大数据分析处理技术在光储直柔能源系统模型的搭建中 具有重要的意义 。 储能装置的充放电模型与电动汽车类似 , 不同的是储能装置没有电动 汽车时空转移的特性 。 24 各种柔性资源的量化 https://tinyurl.com/2b7e5z8d PART.01 光储直柔建筑能源系统 PART.02 光储直柔建筑能源系统中各种柔性资源的量化 目录 CONTENTS PART.03 光储直柔建筑能源系统的运行调节案例分析 PART.04 结论与展望 25 https://tinyurl.com/2b7e5z8d 案例研究 本研究以北京工业大学 办公楼 及其周边电动汽车作为 光储直柔 建筑能源系统运行调节的案例 26 该办公楼建筑面积 16320m2, 屋顶面积 2028m2。 本研究用一层的 电耗数据作为机器学习算法的验证案例 , 使用 2022年 4月 1日至 2022年 6月 7日 的建筑一层的逐时电耗数据作为机器学习算法的样 本数据 , 其中 80%为训练数据 , 20%为测试数据 基于蒙特卡洛算法模拟 选取 30辆电动汽车 , 模拟 5000次 , 计算电 动汽车的充放电容量 选取 2000m2的屋顶面积模拟光伏发电量 , 结合光伏发电量 、 建 筑用电量 , 选取 1100kWh的电池组作为储能装置 光储直柔建筑能源系统的运行调节案例分析 办 公 建 筑 电 动 汽 车 https://tinyurl.com/2b7e5z8d 案例研究 情景 内容 1 电动汽车用户根据自己早晨到达的荷电状态判断是否满足充放电要求 , 选择合适功率进行充放电操作 ,在上班期间电动汽车不离开办公区 , 晚上到达居住区根据自己的充电习惯进行充电 3 晚上电动汽车用户在居住区延迟充满电 , 早晨到达居住区选择合适功率进行充放电 , 在上班期间电动汽车不离开办公区 10 以上充放电情况分别配合光伏发电充足 、 不充足情形 供需匹配策略 : 光伏发电量 、 电动汽车放电量用于 供给 当天 8:00-23:00以及次日 0:00-7:00的 需求侧电力 。 在光伏发电量 、 电动汽车放电量盈余的阶段 , 电量被储存到储能装置中 , 用于其他时间段办公建筑的电力需 求 。 对于 不能够满足 建筑电力需求 的时间段 , 需要购入市政电力满足该时间段的 电力 需求 27 目标: 不同情景下,光储直柔建筑能源微电网系统在办公建筑的应用效果及经济性分析 光储直柔建筑能源系统的运行调节案例分析 https://tinyurl.com/2b7e5z8d 建筑电力能耗预测结果 0 50 100 150 200 250 300 350 2 4 6 8 10 12 14 16 18 Po we r Con sumptio n(k W) Time (h) Actual P redictio n 0 100 200 300 400 5 10 15 Po we r C o n sum p tio n (k W) Tim e (h ) 0 100 200 300 400 5 10 15 Po we r C o n sum p tio n (k W) Tim e (h ) 0 50 100 150 200 250 300 350 2 4 6 8 10 12 14 16 18 Po we r Con sumptio n(k W) Time (h) Ac tu al P redictio n 0 100 200 300 400 5 10 15 T im e ( h ) 0 100 200 300 400 0 5 10 Po we r C o n sum p tio n (k W) T im e ( h ) Po we r C o n sum p tio n (k W) 0 50 100 150 200 250 300 350 2 4 6 8 10 12 14 16 18 Po we r Con sumptio n(k W) Time (h) Actual P redictio n 0 100 200 300 400 2 4 6 8 10 12 14 16 Po we r C o n sum p tio n (k W) Tim e (h ) 0 100 200 300 400 4 6 8 10 Po we r C o n sum p tio n (k W) Tim e (h ) RF表现的预测性能最为优越 , 其次为 SVR, 这是因为这两种技术在映射复杂非线性关系方面 具有优异的性能 。 LSTM算法的预测性能较差 , 可能是深度学习算法更适合于具有大量数据 的长期预测场景 。 本研究选择 RF算法作为预测建筑逐时电力能耗的算法 。 随机森林算法预测结果 支持向量机算法预测结果 长短期记忆算法预测结果 28 光储直柔建筑能源系统的运行调节案例分析 https://tinyurl.com/2b7e5z8d 光储直柔建筑能源微电网系统供给匹配结果 情景 1中柔性资源供给匹配结果 备注: 2022年 6月 8日 8:00-次日 7:00为预测日 光伏 、 电动汽车 、 储能装置 、 市政电力的有效协同匹配能够满 足建筑的运行情况 在 9:00-11:00, 15:00-17:00光伏发电量比较充足 情景 1的电动汽车放电时间为 8:00-11:00, 8:00-10:00为电动汽 车放电的高峰期 。 电动汽车的充电时间为 8:00-12:00, 9:00- 11:00是充电高峰期 在办公区放完电的电动汽车 , 按照用户的习惯回家立即进行充 电 , 充电时间为 18:00-23:00, 充电的高峰期为 19:00-22:00 同时具有光伏发电量与电动汽车放电量的时间段 , 完全能够覆 盖该时间段内建筑 、 电动汽车的用电需求 , 多余的电量被存入 储能装置 在情景 1中 , 该多能源供给框架能够满足当日 8:00-21:00的电力 需求 , 在 22:00到次日 7:00仍需要购入市政电力 29 光储直柔建筑能源系统的运行调节案例分析 https://tinyurl.com/2b7e5z8d 情景 1中柔性资源供给匹配结果 备注: 2022年 6月 8日 8:00-次日 7:00为预测日 在 9:00-11:00, 15:00-17:00光伏发电量比较充足 情景 1的电动汽车放电时间为 8:00-11:00, 8: 00-10:00为电动汽 车放电的高峰期 。 电动汽车的充电时间为 8:00-12:00, 9:00- 11:00是充电高峰期 在办公区放完电的电动汽车 , 按照用户的习惯回家立即进行充 电 , 充电时间为 18:00-23:00, 充电的高峰期为 19:00-22:00 同时具有光伏发电量与电动汽车放电量的时间段 , 完全能够覆 盖该时间段内建筑 、 电动汽车的用电需求 , 多余的电量被存入 储能装置 在情景 1中 , 该多能源供给框架能够满足当日 8:00-21:00的电力 需求 , 在 22:00到次日 7:00仍需要购入市政电力 30 光储直柔建筑能源微电网系统供给匹配结果 光储直柔建筑能源系统的运行调节案例分析 https://tinyurl.com/2b7e5z8d