论文部分内容阅读
[摘 要]如何实现综合能源系统多种能源运行时机的智能切换，一直是综合能源领域的一个难题。本文在冷热联供系统中通过智能预测能耗负荷，将地源、空气源、光伏以及蓄能罐多种新能源的产能过程进行全自动智能控制，实现在最合适的时机自动切换使用最合适的能源，优化各个能源的产能过程，避免造成的能源浪费，真正实现“近零能耗”。
[关键词]智能控制;负荷预测;冷热联供;能源切换;近零能耗
[中图分类号]TU201.5 [文献标志码]A [文章编号]2095–6487（2020）03–0–03
[Abstract]How to realize the intelligent switching of multiple energy operation time in integrated energy system is always a difficult problem in the field of integrated energy. In this paper， through the intelligent prediction of energy consumption load in the combined cooling and heating system， the production process of ground source， air source， photovoltaic and storage tank is fully automatic and intelligent control， so as to automatically switch to use the most appropriate energy at the most appropriate time， optimize the production process of each energy， avoid energy waste， and truly realize "near zero energy consumption".
[Keywords]intelligent control; load forecasting; combined cooling and heating; energy switching; near zero energy consumption
当前对于冷热联供系统的综合利用技术已经十分成熟，但是由于新能源具有间断式供应，波动性大，对持续供能不利的特性，同时当下蓄能设备投建费用较高，难以大规模应用，再加上不同季节用户侧负荷会发生跨越式变化，造成多数综合能源供能系统难以实现“近零能耗”。因此，如何应对各类能源供能系统智能切换的问题，优化综合能源系统控制过程已成为供能行业的研究热点。
针对以上问题本文提出一种通过能耗负荷预测来优化配置综合能源运行效率的控制方法。首先，利用智能负荷预测模型来预测未来供能系统中的能耗负荷，他们分别通过预测温差计算理论热负荷量、分段热量需求变化调整热负荷量、实际温度反馈修正热负荷量和大数据智能预测优化热负荷量。其次，建立多模式综合能源系统模型，将不同能耗负荷及天气环境条件作为多模式条件依据，实现不同环境条件下能源运行模式的全自动切换。再次，利用蓄能设备将可再生能源进行充分的运用和储存，降低能源的浪费。在满足正常用户侧供能的情况下，将富余的光能、地热能、空气能等进行蓄能，实现综合能源系统的蓄能和供能同时运行。最后，采用基于H∞控制理论的多变量PID模型，将每个供能设备维持在最高效的运行状态，即可实现“近零能耗”。
1 智能冷/热负荷预测模型
1.1 温度趋势外推计算
当前拥有精确的短期天气预报技术，天气预报数据具有很高的可信度，我们每小时获取一个下一小时的天气信息，计算预测温度下的负荷指标值，如式（1）所示：
式（1）中：R1为预测热指标值，单位Kcal/m2·h;R0为设计热指标值，单位Kcal/m2·h;T1为预测的室外温度，单位℃。T0为设计室外温度，单位℃。T标为冬天室内标准温度，夏天室内标准温度，单位℃。
计算所有供能面积预测温度下的热负荷量，如式（2）所示：
式（2）中：Q1为预测热负荷量，单位Kcal·h;R1为预测热指标值，单位Kcal/m2·h。S为建筑面积，单位m2。
将单位换算为能量判断常用单位，如式（3）所示：
式（3）中：Q2为预测热负荷量，单位GJ·h;Q1为预测热负荷量，单位Kcal·h。
1.2 时间序列加权计算
一天之中用户的实际需求温度不是固定的，这个需求温度可以根据不同时间段来进行加权计算，本次我们将其定义为工作时段和夜间及节假日时段，根据不同时段的权值对预测负荷量Q2进行加权计算。
工作时段预测温度下的热指标值，如式（4）所示：
式（4）中：R1为预测热指标值，单位Kcal/m2·h。R0为设计热指标值，单位Kcal/m2·h;T1為预测的室外温度，单位℃。T0为设计室外温度，单位℃。T标1为工作时段冬天室内标准温度/夏天室内标准温度，单位℃。f 1为工作时段权值。
夜间及节假日预测温度下的热指标值，如式（5）所示：
式（5）中：R1为预测热指标值，单位Kcal/m2·h。R0为设计热指标值，单位Kcal/m2·h。T1为预测的室外温度，单位℃。T0为设计室外温度，单位℃。T标2为夜间及节假日时段冬天室内标准温度/夏天室内标准温度，单位℃;f2为工作时段权值。
后续步骤参考温度趋势外推计算，最终计算出工作时段预测热负荷量Q3和夜间及节假日时段预测热负荷量Q4。 1.3 稳态反馈权值修正计算
根据当前一小时平均的室内实际温度值，与设计温度进行比较得出比例偏差，对预测下一个小时热负荷量进行权值的修正。
两个时段的权值进行动态修正，如式（6）所示：
式（6）中：f1为工作时段权值.f2为工作时段权值。T2为工作时段实际室内温度，1小时内平均温度;T3为夜间及休息时段实际室内温度，1小时内平均温度。
1.4 灰色数据预测计算
针对采集的关键参数，室内温度、地源热泵供回水温度、风冷热泵供回水温度、蓄能罐供回水温度、产热量等，这些大量非结构性、非确定性规律的数据进行自适应分析，自主学习优化计算热负荷量的预测结果。
采用大数据平台对数据进行汇总整理，通过边缘计算的方式在控制器端进行具体的优化计算，我们用模糊预测技术辅助进行短期负荷预测，此时可认为负荷的发展是一个平稳的随机过程。如果遇见政治、经济等可能造成重大转折的事件，需要破坏原有数基模型重新构建。
将一天24h的实际热负荷量分为24个时区，我们认为其在每天的同一个时区数据的变化过程为灰色过程，每个时区建立一个灰色模型。
（8）将a和b的值带入，可解得预测时序k下的预测值。
室内温度、地源热泵供回水温度、风冷热泵供回水温度、蓄能罐供回水温度、产热量，我们将这8项数据均进行预测计算。
根据预测数据先进行判断预测热负荷Q3或者Q4产热量时三个热源是否处于最佳运行状态，COP是否达到期望，如果是则不进行干预调整，如果不是的话根据灰色模型预测热负荷值Q5，与Q3或者Q4求加权平均值Q6，权值比例为动态比例，从0.5：0.5开始计算，每计算一个Q6进行COP判断，直到COP达到最佳值。
2 多模式综合能源系统控制模型
“近零能耗”建筑综合能源系统，由光伏系统、地源热泵机组冷热联供系统、风冷热泵机组冷热联供系统以及蓄能设备冷热联供系统组成。如图1所示。
2.1 光伏阵列建模
本次计算光伏系统中光伏阵列稳态输出的功率采用简化模型，如式（16）所示：
式中：PP为光伏阵列输出功率，单位为W。PPVN为在标准测试条件下的输出功率，单位为W。G为光照强度，单位为W/m2。
光伏产生的电能既能满足用户侧电负荷需求又能满足冷热联供系统的用电需求，多余的电量一方面通过蓄电池组进行回收，另一方面通过冷热联供系统转化为热/冷能，由冷热联供系统的蓄能设备进行收回。
2.2 冷热联供系统建模
冷热联供模型反映其消耗的能量与产生的能量之间的关系，如式（17）所示：
式（17）中：QS为供能设备实际产能量，单位为J.C水为水的比热容，单位为J/kg·℃。T供为供能设备二次侧的供水温度，单位为℃。T回为供能设备二次侧的回水温度，单位为℃。L为二次侧循环流量，单位为m3/h。t为设备运行时间，单位为h。ρ水为水的密度，单位为kg/m3。
冷热联供系统包括地源热泵机组、风冷热泵机组以及蓄能设备组成，系统整体的模型如式（18）所示：
式（18）中：Q总为某一时段下冷热联供系统的所有供能量.Q地源、Q风冷、Q蓄能分别为各个供能设备在同一时段的产能量。T地源、T风冷、T蓄能分别为各个供能设备在同一时段的运行时间。
2.3 多模式自动切换控制
根据上述预测出来的一小时后的负荷值以及光伏-冷热联供系统的产能量，通过逻辑判断实现光伏-冷热联供系统的模式切换，所有操作均由系统自动控制，做到提前预测，提前响应，始终将系统的运行效率保持在最佳。
2.4 富余能量的储存和转化
上文已经提到“近零建筑”存在冷、热、电负荷高峰和低谷的情况，所以在实际运行中有很多时候会有富余的能量，电能的直接存储通常是用蓄电池组，但是蓄电池的造价成本过高，这里采用成本较低的蓄能罐将富余的电能转化为热能进行存储，全部转化储存过程都为全自动进行，通过上述模型计算结果进行判断。
3 控制模型配置结果分析
过渡季和夏季完全实现“零能耗”，冬季由于光伏输出功率较低所以还是有一部分购电量。蓄能罐是主要的供能设备，60%～90%的供能量由蓄能罐产生，地源热泵作为主要电能转化热能的转化设备，其运行时间和耗电量是最大的。
4 结语
本文基于“近零能耗”建筑，提出一种光伏-冷热联供系统的综合能源智慧控制算法模型，通过实现综合能源系统中各个产能设备的最优产能状态、智能运行切换等控制过程，达到减少能源浪费实现“近零能耗”的目的。实际运行效果表明，在过渡季和夏季供冷季，已经完全实现“零能耗”，一个是夏季和过渡季光伏输出负荷较高，再一个就是多源系统切换能在最合适的时机切换最有效率的运行模式。在冬季的时候，由于光照强度下降光伏輸出负荷较低，所以出现了购电的情况，但整体购电量处于一个较低水平，效果还是比较明显的。
本文提出控制模型在综合能源冷热联供系统中具有一定价值，但是发电部分的能源类型还是较为单一，未来将进一步考虑风光-冷热电联供的综合能源系统。
参考文献
[1] 石兆玉，杨同球.供热系统运行调节与控制[M].北京：中国建筑工业出版社，2018.
[2] 加鹤萍，丁一，宋永华，等.信息物理深度融合背景下综合能源系统可靠性分析评述[J].电网技术，2019，43（1）：1-11.
[3] 杨挺，赵黎媛，王成山，等.人工智能在电力系统及综合能源系统中的应用综述[J].电力系统自动化，2019，43（1）：2-14.
[4] 李建设，王亚伟.关于工业园区智慧型综合能源系统的研究[J].节能与环保，2019（8）：65-66.
[5] 彭克，张聪，徐丙垠，等.多能协同综合能源系统示范工程现状与展望[J].电力自动化设备，2017，37（6）：3-10.
[6] 钟鸣.基于泛在电力物联网的综合能效提升[J].电气时代，2020（1）：24-27.
[7] 韩宇，彭克，王敬华，等.多能协同综合能源系统协调控制关键技术研究现状与展望[J].电力建设，2018，39（12）：81-87.
[8] 颜玉林，李斯吾，连伟红，等.丹麦综合能源服务实践经验及对我国的启示[J].中国电力企业管理，2019（34）：54-59.
[9] 王永真，张宁，关永刚，等.当前能源互联网与智能电网研究选题的继承与拓展[J].电力系统自动化，2020，44（4）：1-8.
[10] 蔡刚.高质量构筑省域现代能源体系——“十四五”能源发展规划的几个重点问题[J].浙江经济，2020（7）：10-15.
[关键词]智能控制;负荷预测;冷热联供;能源切换;近零能耗
[中图分类号]TU201.5 [文献标志码]A [文章编号]2095–6487（2020）03–0–03
[Abstract]How to realize the intelligent switching of multiple energy operation time in integrated energy system is always a difficult problem in the field of integrated energy. In this paper， through the intelligent prediction of energy consumption load in the combined cooling and heating system， the production process of ground source， air source， photovoltaic and storage tank is fully automatic and intelligent control， so as to automatically switch to use the most appropriate energy at the most appropriate time， optimize the production process of each energy， avoid energy waste， and truly realize "near zero energy consumption".
[Keywords]intelligent control; load forecasting; combined cooling and heating; energy switching; near zero energy consumption
当前对于冷热联供系统的综合利用技术已经十分成熟，但是由于新能源具有间断式供应，波动性大，对持续供能不利的特性，同时当下蓄能设备投建费用较高，难以大规模应用，再加上不同季节用户侧负荷会发生跨越式变化，造成多数综合能源供能系统难以实现“近零能耗”。因此，如何应对各类能源供能系统智能切换的问题，优化综合能源系统控制过程已成为供能行业的研究热点。
针对以上问题本文提出一种通过能耗负荷预测来优化配置综合能源运行效率的控制方法。首先，利用智能负荷预测模型来预测未来供能系统中的能耗负荷，他们分别通过预测温差计算理论热负荷量、分段热量需求变化调整热负荷量、实际温度反馈修正热负荷量和大数据智能预测优化热负荷量。其次，建立多模式综合能源系统模型，将不同能耗负荷及天气环境条件作为多模式条件依据，实现不同环境条件下能源运行模式的全自动切换。再次，利用蓄能设备将可再生能源进行充分的运用和储存，降低能源的浪费。在满足正常用户侧供能的情况下，将富余的光能、地热能、空气能等进行蓄能，实现综合能源系统的蓄能和供能同时运行。最后，采用基于H∞控制理论的多变量PID模型，将每个供能设备维持在最高效的运行状态，即可实现“近零能耗”。
1 智能冷/热负荷预测模型
1.1 温度趋势外推计算
当前拥有精确的短期天气预报技术，天气预报数据具有很高的可信度，我们每小时获取一个下一小时的天气信息，计算预测温度下的负荷指标值，如式（1）所示：
式（1）中：R1为预测热指标值，单位Kcal/m2·h;R0为设计热指标值，单位Kcal/m2·h;T1为预测的室外温度，单位℃。T0为设计室外温度，单位℃。T标为冬天室内标准温度，夏天室内标准温度，单位℃。
计算所有供能面积预测温度下的热负荷量，如式（2）所示：
式（2）中：Q1为预测热负荷量，单位Kcal·h;R1为预测热指标值，单位Kcal/m2·h。S为建筑面积，单位m2。
将单位换算为能量判断常用单位，如式（3）所示：
式（3）中：Q2为预测热负荷量，单位GJ·h;Q1为预测热负荷量，单位Kcal·h。
1.2 时间序列加权计算
一天之中用户的实际需求温度不是固定的，这个需求温度可以根据不同时间段来进行加权计算，本次我们将其定义为工作时段和夜间及节假日时段，根据不同时段的权值对预测负荷量Q2进行加权计算。
工作时段预测温度下的热指标值，如式（4）所示：
式（4）中：R1为预测热指标值，单位Kcal/m2·h。R0为设计热指标值，单位Kcal/m2·h;T1為预测的室外温度，单位℃。T0为设计室外温度，单位℃。T标1为工作时段冬天室内标准温度/夏天室内标准温度，单位℃。f 1为工作时段权值。
夜间及节假日预测温度下的热指标值，如式（5）所示：
式（5）中：R1为预测热指标值，单位Kcal/m2·h。R0为设计热指标值，单位Kcal/m2·h。T1为预测的室外温度，单位℃。T0为设计室外温度，单位℃。T标2为夜间及节假日时段冬天室内标准温度/夏天室内标准温度，单位℃;f2为工作时段权值。
后续步骤参考温度趋势外推计算，最终计算出工作时段预测热负荷量Q3和夜间及节假日时段预测热负荷量Q4。 1.3 稳态反馈权值修正计算
根据当前一小时平均的室内实际温度值，与设计温度进行比较得出比例偏差，对预测下一个小时热负荷量进行权值的修正。
两个时段的权值进行动态修正，如式（6）所示：
式（6）中：f1为工作时段权值.f2为工作时段权值。T2为工作时段实际室内温度，1小时内平均温度;T3为夜间及休息时段实际室内温度，1小时内平均温度。
1.4 灰色数据预测计算
针对采集的关键参数，室内温度、地源热泵供回水温度、风冷热泵供回水温度、蓄能罐供回水温度、产热量等，这些大量非结构性、非确定性规律的数据进行自适应分析，自主学习优化计算热负荷量的预测结果。
采用大数据平台对数据进行汇总整理，通过边缘计算的方式在控制器端进行具体的优化计算，我们用模糊预测技术辅助进行短期负荷预测，此时可认为负荷的发展是一个平稳的随机过程。如果遇见政治、经济等可能造成重大转折的事件，需要破坏原有数基模型重新构建。
将一天24h的实际热负荷量分为24个时区，我们认为其在每天的同一个时区数据的变化过程为灰色过程，每个时区建立一个灰色模型。
（8）将a和b的值带入，可解得预测时序k下的预测值。
室内温度、地源热泵供回水温度、风冷热泵供回水温度、蓄能罐供回水温度、产热量，我们将这8项数据均进行预测计算。
根据预测数据先进行判断预测热负荷Q3或者Q4产热量时三个热源是否处于最佳运行状态，COP是否达到期望，如果是则不进行干预调整，如果不是的话根据灰色模型预测热负荷值Q5，与Q3或者Q4求加权平均值Q6，权值比例为动态比例，从0.5：0.5开始计算，每计算一个Q6进行COP判断，直到COP达到最佳值。
2 多模式综合能源系统控制模型
“近零能耗”建筑综合能源系统，由光伏系统、地源热泵机组冷热联供系统、风冷热泵机组冷热联供系统以及蓄能设备冷热联供系统组成。如图1所示。
2.1 光伏阵列建模
本次计算光伏系统中光伏阵列稳态输出的功率采用简化模型，如式（16）所示：
式中：PP为光伏阵列输出功率，单位为W。PPVN为在标准测试条件下的输出功率，单位为W。G为光照强度，单位为W/m2。
光伏产生的电能既能满足用户侧电负荷需求又能满足冷热联供系统的用电需求，多余的电量一方面通过蓄电池组进行回收，另一方面通过冷热联供系统转化为热/冷能，由冷热联供系统的蓄能设备进行收回。
2.2 冷热联供系统建模
冷热联供模型反映其消耗的能量与产生的能量之间的关系，如式（17）所示：
式（17）中：QS为供能设备实际产能量，单位为J.C水为水的比热容，单位为J/kg·℃。T供为供能设备二次侧的供水温度，单位为℃。T回为供能设备二次侧的回水温度，单位为℃。L为二次侧循环流量，单位为m3/h。t为设备运行时间，单位为h。ρ水为水的密度，单位为kg/m3。
冷热联供系统包括地源热泵机组、风冷热泵机组以及蓄能设备组成，系统整体的模型如式（18）所示：
式（18）中：Q总为某一时段下冷热联供系统的所有供能量.Q地源、Q风冷、Q蓄能分别为各个供能设备在同一时段的产能量。T地源、T风冷、T蓄能分别为各个供能设备在同一时段的运行时间。
2.3 多模式自动切换控制
根据上述预测出来的一小时后的负荷值以及光伏-冷热联供系统的产能量，通过逻辑判断实现光伏-冷热联供系统的模式切换，所有操作均由系统自动控制，做到提前预测，提前响应，始终将系统的运行效率保持在最佳。
2.4 富余能量的储存和转化
上文已经提到“近零建筑”存在冷、热、电负荷高峰和低谷的情况，所以在实际运行中有很多时候会有富余的能量，电能的直接存储通常是用蓄电池组，但是蓄电池的造价成本过高，这里采用成本较低的蓄能罐将富余的电能转化为热能进行存储，全部转化储存过程都为全自动进行，通过上述模型计算结果进行判断。
3 控制模型配置结果分析
过渡季和夏季完全实现“零能耗”，冬季由于光伏输出功率较低所以还是有一部分购电量。蓄能罐是主要的供能设备，60%～90%的供能量由蓄能罐产生，地源热泵作为主要电能转化热能的转化设备，其运行时间和耗电量是最大的。
4 结语
本文基于“近零能耗”建筑，提出一种光伏-冷热联供系统的综合能源智慧控制算法模型，通过实现综合能源系统中各个产能设备的最优产能状态、智能运行切换等控制过程，达到减少能源浪费实现“近零能耗”的目的。实际运行效果表明，在过渡季和夏季供冷季，已经完全实现“零能耗”，一个是夏季和过渡季光伏输出负荷较高，再一个就是多源系统切换能在最合适的时机切换最有效率的运行模式。在冬季的时候，由于光照强度下降光伏輸出负荷较低，所以出现了购电的情况，但整体购电量处于一个较低水平，效果还是比较明显的。
本文提出控制模型在综合能源冷热联供系统中具有一定价值，但是发电部分的能源类型还是较为单一，未来将进一步考虑风光-冷热电联供的综合能源系统。
参考文献
[1] 石兆玉，杨同球.供热系统运行调节与控制[M].北京：中国建筑工业出版社，2018.
[2] 加鹤萍，丁一，宋永华，等.信息物理深度融合背景下综合能源系统可靠性分析评述[J].电网技术，2019，43（1）：1-11.
[3] 杨挺，赵黎媛，王成山，等.人工智能在电力系统及综合能源系统中的应用综述[J].电力系统自动化，2019，43（1）：2-14.
[4] 李建设，王亚伟.关于工业园区智慧型综合能源系统的研究[J].节能与环保，2019（8）：65-66.
[5] 彭克，张聪，徐丙垠，等.多能协同综合能源系统示范工程现状与展望[J].电力自动化设备，2017，37（6）：3-10.
[6] 钟鸣.基于泛在电力物联网的综合能效提升[J].电气时代，2020（1）：24-27.
[7] 韩宇，彭克，王敬华，等.多能协同综合能源系统协调控制关键技术研究现状与展望[J].电力建设，2018，39（12）：81-87.
[8] 颜玉林，李斯吾，连伟红，等.丹麦综合能源服务实践经验及对我国的启示[J].中国电力企业管理，2019（34）：54-59.
[9] 王永真，张宁，关永刚，等.当前能源互联网与智能电网研究选题的继承与拓展[J].电力系统自动化，2020，44（4）：1-8.
[10] 蔡刚.高质量构筑省域现代能源体系——“十四五”能源发展规划的几个重点问题[J].浙江经济，2020（7）：10-15.