1、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2023年4月8日专题31：智慧运维制冷空调系统智慧运维提升系统能效与可靠性专题研讨会PART.0101光储直柔建筑能源系统PART.0202光储直柔建筑能源系统中柔性资源的量化目 录CONTENTSPART.0303光储直柔建筑能源系统的运行调节案例分析PART.0404结论与展望2PART.0101光储直柔建筑能源系统PART.0202光储直柔建筑能源系统中柔性资源的量化目 录CONTENTSPART.0303光储直柔建筑能源系统的运行调节案例分析PART.0404结论与展望3光储直柔建筑能源系统（住房和城乡建设部、国家发展改

2、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 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

3、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

4、负载波动等问题的有效方法 需求侧管理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建筑需求侧柔性资源供给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 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

5、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PART.0101光储直柔建筑能源系统PART.0202光储直柔建筑能源系统中柔性资源的量化目 录CONTENTSPART.0303光储直柔建筑能源系统的运行调节案例分析PART.0404结论与展望10 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 基于机器学习算法的建筑电力能耗预测模型

6、建筑能耗数据的监测建筑碳排放监测平台的底层架构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基于数字孪生的碳排放监测平台12各种柔性资源的量化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

7、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

8、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 基于机器学习算法的建筑电力能耗预测模型小结

9、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的参数和正则化参数，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

10、种SVR模型的寻优比较，本研究选择的 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 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 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

11、，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1N.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

12、性资源的量化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(,2)，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 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

13、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

14、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 具有时空转移

15、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1maxxEEx1()cccEECTP1()dddEECTP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 光伏发电量预测模型21各种柔性资源的

16、量化 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-40-600.01 0.3（25）相对湿度0-100%RH0.01%RH 3%RH风速0-60m/s0.01m/s 0.1m/s大气压力30-110Kpa0.01Kpa 0.25%光照度0-20WLUX1lux 3%总辐射0-1800W

17、/m21W/m2 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055202530354045505560 Low ambient temperature condition High ambient temperature condition Average power generationPower generation(kWh)Temperature(C)-50554680 Low ambient temperature condition High ambient temperature condit

18、ion Average electrical efficiencyTemperature(C)Electrical efficiency(%)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 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。Isc，UocIm，Um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ref

19、TTT1refSSSm1(1)exp()mscocUICIU1m2(1)ln()mocscUICUI(1)(1)ococUUTS (1)scscrefSIITS(1)(1)mmUUTS (1)mmrefSIITS 121exp()1mscocUIICC U数学方程23各种柔性资源的量化 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PART.0101光储直柔建筑能源系统PART.0202光储直柔建筑能源系统中各种柔性资源的量化目 录CONTEN

20、TSPART.0303光储直柔建筑能源系统的运行调节案例分析PART.0404结论与展望25 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

21、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 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

22、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 建筑电力能耗预测结果050030035024681012141618Power Consumption(kW)Time(h)Actual Prediction0051015Power Consumption(kW)Time(h)0051015Power Consumption(kW)Time(h)0500

23、30035024681012141618Power Consumption(kW)Time(h)Actual Prediction0051015Time(h)000510Power Consumption(kW)Time(h)Power Consumption(kW)050030035024681012141618Power Consumption(kW)Time(h)Actual Prediction00246810121416Power Consumption(kW)Time(h)01002003004

24、0046810Power Consumption(kW)Time(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 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

25、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

26、力29光储直柔建筑能源系统的运行调节案例分析情景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

27、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 在校园放完电的电动汽车，按照用户的习惯回家立即进行充电，充电时间为18:0

28、0-23:00，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31 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

29、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32 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

30、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

31、需要购入市政电力80222426283032-Power(kW)Time EV charging power at home Energy storage device Grid EVcharging power in school EVdischarging power in school Building power consumption PV power generation33 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情景3中多能源供给匹配结果 在情景3中，电动汽车放电时间为8:00-12:00，8

32、:00-11:00为电动汽车放电的高峰期 在情景3中，该多能源供给框架能够满足6月8日8:00-次日7:00的电力需求，在6月8日10:00，该多能源供给框架能够向电网输送165.5kW，减小电网高峰时段的配电压力 在居住区，所有电动汽车的充电时间被延迟了3.5小时，目的是把电动汽车的充电负荷转移到用电的低谷时段，充电高峰期为23:00-次日的3:00注：在情景3中，随机抽取的30辆电动汽车在家时全部被充满电，很小的一部分电量用于满足从居住区到达办公区的这段路程的要求。电动汽车早晨到达学校时，荷电状态几乎是等于1，30辆电动汽车全部进入放电模式在情景3中，电动汽车选择了慢充的方式，选择这种方式

33、的原因包括：一慢充功率对电动汽车电池的寿命影响较小，二在晚上电动汽车用户不着急使用电动汽车，有足够的时间允许电动汽车充电80222426283032-600-600Power(kW)Time Energy storage device Grid EVcharging power EVdischarging power Building power consumption PV power generation34 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情景10多能源供给匹配结果 情景10模拟的是预测日期是阴

34、雨天的情况，在情景3里去除了光伏的发电量，电动汽车在6月8日8:00-12:00的放电量能够基本满足建筑在13:00-19:00的用电需求 建筑在19:00以后的用电量全部需要从市政电力购入，电动汽车的充电情况和情景3一样总结 在情景1中，微电网系统能够满足办公建筑8:00到21:00的用电需求，在晚上用电低谷时段需要购入电力 在情景3中，微电网系统能够满足办公建筑一天的用电需求，并在需求侧用电高峰时期，向电网放电 在情景10中，在缺少光伏发电的情况下，电动汽车的放电量能够基本满足办公建筑8:00-19:00的电力需求80222426283032-400-300-200-

35、00400Power（kW）Time Energy storage device Grid EVcharging power EVdischarging power Building power consumption35 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PART.0101光储直柔建筑能源系统PART.0202光储直柔建筑能源系统中各种柔性资源的量化目 录CONTENTSPART.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36结论与展望371.光储直柔建筑能源微电网系统供给框架能够大幅度地降低办公建筑的运

36、行成本，但需要建立在运行监测数据的基础上结合预测算法进行调度2.柔性资源潜力的量化既是建筑内部制定实时调度策略的基础依据，也是能源系统实施不同优化调度策略后柔性性能利用潜力的评价标准，今后需要进一步研究柔性资源的量化评价指标3.优化储能装置选型的方法，为不同的需求响应场景建立储能装置选型的原则，研究耦合电动汽车、储能装置寿命成本的综合经济模型4.研究叠加建筑需求侧柔性响应的供需双向优化调度策略，进一步提升整个系统的柔性调节范围，达到充分利用建筑电力能源系统柔性资源的目的38谢谢，欢迎交流讨论Acknowledgement 感谢以下合作单位一直以来的支持、协作和共同探索，以及为本次报告提供的相关素材。