面向分布式能源系统优化的负荷预测研究进展

赵 军 ，苏鹏伟 ，安青松 ，王 丹 ，穆云飞 ，邓 帅

（1.天津大学中低温热能高效利用教育部重点实验室，天津 300350；2.天津大学智能电网教育部重点实验室，天津 300072；3.分布式能源和微网国际联合实验室，天津 300072）

随着经济的快速发展，大量消耗化石能源而引发的全球气候变暖已开始威胁全球的生态平衡，这促使世界各国能源系统向低碳化转型。2014年9月，中国发布了国家应对气候变化规划，提出在2020年非化石能源占一次能源消费比重15%[1]。同年11月，中美两国元首发表中美气候变化联合声明，中国承诺2030年左右二氧化碳排放达到峰值并争取尽早实现，2030年非化石能源占一次能源消费的20%[2]。

在发展和环境的双重压力下，能源系统清洁化促使分布式能源系统呈现一些新的特征：①源侧可再生能源的比例增加，可再生能源的不稳定性和间歇性给分布式能源系统的设计和运行带来很大的影响；②供应侧蓄电、蓄热等新型技术的大量集成，此类新型技术的应用使得分布式能源系统在供应侧结构上相对传统三联供系统发生了一定的改变；③需求侧呈现出多样化的特征，需求侧除了传统的冷热电需求之外，部分园区和用户甚至还有淡水、碳产品、清洁空气等其他需求要素。综上，亟需对分布式能源系统的设计、应用、运行策略等方面进行优化和更新。

2015年9月习近平主席在联合国发展峰会上发表重要讲话，表示中国倡议探讨构建全球能源互联网[3]。在此背景下，能源互联网、泛能网、主动配电网、微网等新型概念开始出现，且受到了广泛的关注。在这样的能源新形势下，“分布式能源系统如何在未来能源互联网的研究中寻找自己的定位”，“新型技术如何与传统的分布式能源研究体系衔接”等问题成为新的研究命题。

综上，分布式能源领域所面临的挑战可以归纳为分布式能源系统的拓扑结构面临着丰富化、多元化的趋势，并且随着可再生能源的引入，分布式能源系统在设计、应用、运行等方面面临着挑战。在能源互联网的背景下，强调能源互联互通的新技术发展迅猛，对传统分布式能源系统的内涵产生深刻的影响。

如何通过技术途径应对上述挑战是近年来相关领域的研究热点。笔者从分布式能源系统优化运行中的热点问题之一入手，对负荷预测在分布式能源系统中的研究和应用进行综述与分析，尝试将“负荷预测技术与传统分布式能源系统优化运行集成”作为一个研究案例，来梳理能源新形势下分布式能源系统的研究方法，同时对已拓展的分布式能源技术边界进行了探索。本文首先对分布式能源系统的拓扑结构变化进行分析，得到其数学表达，在此基础之上，对分布式能源系统运行优化关键技术之一的负荷预测进行分析，得到其数学表达和研究方法，再对其应用现状和发展趋势进行总结。

1 分布式能源系统拓扑结构和数学表达

1.1 拓扑结构

图1 分布式能源系统拓扑结构的变化Fig.1 Change of topological structure of distributed energy system

分布式能源系统拓扑结构的变化如图1所示。利用热电冷联产输出冷、热、电的传统分布式能源系统开始向新的分布式能源系统发生转变，供给侧不只由天然气等传统能源构成，还有生物质、太阳能等可再生能源，需求侧除了冷热电之外，还有淡水、碳产品等，中间的能源供应系统也由单一的动力机向多种技术（蓄能）集成转变。表1为近年来涉及分布式能源系统拓扑结构的研究现状进行了总结，可以看出，大部分研究都涉及可再生能源，这种特性在文献[4]的典型结构中可以明确看出；所有研究均考虑了蓄能，甚至包含电热两种，这种特性在文献[9]的典型结构中可以明确看出；典型供应侧至少包含两种能源产品需求，这与传统三联供分布式能源系统的结构有明确不同。因此，对分布式能源系统元素丰富化、多元化趋势可以通过对其拓扑结构的研究进行直接把握。通过拓扑结构进行基本构型与元素表达也成为新型分布式能源系统研究中常用的辅助表达工具。

表1 分布式能源系统组成结构研究现状Tab.1 Research status of structure of distributed energy system

1.2 数学表达

传统分布式能源系统能量平衡[12]可表示为

式中：L为建筑负荷矩阵，包含冷热电等建筑需求；P为能源供给矩阵，包含常规能源和可再生能源；C为供能系统的性能参数矩阵，是一个由各子系统性能曲线系数组成的矩阵。式（1）左侧为负荷侧，右侧为能源供应侧。随着分布式能源系统的发展，出现了蓄能装置，系统中蓄能装置的能量平衡可表示为

式中：M为蓄能装置能量输出矩阵；A为储能供给矩阵，包含冷热电等蓄能；S为蓄能装置性能参数矩阵，是一个由各蓄能子性能曲线系数组成的矩阵。

分布式能源系统中能源的供给、输送、利用等环节可表示为

以上进展说明，矩阵数学表达是分布式能源研究领域中常用的数学工具，表达式的变化实际上是分布式能源系统新特征的数值化体现。

2 负荷预测

在明确分布式能源系统内涵发生变化的基础上，以负荷预测技术为切入点，讨论集成新技术后，分布式能源系统技术边界的拓展和关于优化运行方面研究方法等的变化。

2.1 负荷预测基础研究

2.1.1 概念和分类

负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因素，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据[13]。负荷预测被认为是一种有效的决策支持方法，可用来调整能源系统的供应，通过运行策略的改变针对负荷精确调整。

负荷预测根据预测时间长短可以分为长期负荷预测、中期负荷预测和短期负荷预测。长期负荷预测一般指提前1～10 a的预测，常用来作为制定未来能源需求与规划政策的依据。中期负荷预测一般指提前几周到几个月的预测，用来指导企业制定计划。短期负荷预测是指提前几小时到几天的预测，可以用来指导分布式能源系统的运行与控制。预测算法可以分为线性回归算法、时间序列分析算法、指数平滑法、以及人工神经网络法[14]等。近年来负荷预测典型研究如表2所示，结合2013年前既有领域的综述文献[15-16]可以看出，关于该领域的研究正在从单纯的电负荷预测向冷热负荷预测拓展，越来越多的新型算法被继承，研究正在向更有挑战的短时预测过渡。

表2 负荷预测类型总结Tab.2 Summary of load types in forecasting

2.1.2 研究方法

负荷预测研究的主要内容可表示为

式中：Lt为建筑负荷，包含冷热电等建筑需求；F为负荷影响因素的参数，是一个由室外天气条件、人员数量、节假日等影响因素组成的矩阵；ΔE为系统供需能量之间的差异；τ1、τ2分别为起始时间与终止时间。

式（4）左侧为t+1时刻的负荷，式（4）右边的矩阵F为系数矩阵，Lt为t时刻的负荷。将式（4）与式（3）结合，对式（4）左侧的负荷矩阵进行修正，如式（5）所示，最小化供需之间的差异。随着预测时间尺度的减小，匹配在更小时间尺度上完成，向即时匹配的理想情况靠近，可表示为

式中：Esup为可再生能源供给系统的能量；Edem为系统运行所需的能量。

一般来说，负荷预测应用在分布式能源系统的研究中，往往是按照以下步骤展开，如图2所示。首先进行数据预处理，预处理的主要内容包括数据清洗、数据集成、数据变换和数据规约；其次是挖掘建模，通过对数据进行有效的监督和学习，建立变量和负荷的关系；然后是误差分析，通过分析模型预测值与真实值的误差，修正模型使模型的精度得到提高[27]；之后根据预测应用的条件进行对预测的误差进行判定，满足条件之后进行实际的应用，否则将在挖掘建模环节进行调整。

图2 负荷预测流程Fig.2 Flow chart of load forecasting

2.1.3 研究现状

近年来，负荷预测在分布式能源领域的应用研究日趋活跃，呈现明显的交叉学科特性，其知识体系的构成，如图3所示。主要来自3个技术领域：①数据挖掘研究；②控制领域的模型预测控制MPC（model predictive control）；③制冷空调等建筑服务系统的机组群优化运行领域。三者交叠区域促成了负荷预测技术在分布式能源系统优化运行方面的快速发展。

图3 交叉学科中的负荷预测Fig.3 Load forecasting in cross disciplines

数据挖掘是指从大量数据中发现有用知识的过程，其所发现的知识是未知和潜在的，挖掘知识的过程是一个复杂的过程，需要人机交互、反复调整，以发现高质量的知识[28]。利用数据挖掘的方法从建筑能耗的历史数据中挖掘出有价值的信息，分析建筑设备的运行情况并进行负荷预测是目前最常用的方法之一[29-30]。

MPC是一种基于模型的先进控制技术[31]，模型预测控制算法主要由3个关键部分组成：预测模型、滚动优化、在线校正[32]。文献[33]利用SMITH预估器作为模型预测控制算法中的预测模型，运用广义最小二乘算法对预测模型进行在线辨识，改进模型预测控制算法，结果表明采用此控制方法能够提高系统抗干扰能力，保证制冷系统安全稳定运行。

空调能耗一般占建筑总能耗的60%[34]，降低空调能耗对实现建筑节能起着决定性的作用，当系统冷量需求较大时，通常需要多台机组群组运行，借助负荷预测来找出各机组的最优负荷分配方案，对建筑节能的研究具有一定得指导意义。文献[35]利用神经网络工具箱对空调系统负荷的预测进行了研究，分析了常用制冷机组的部分负荷特性，给出了“系统机组能耗-负荷系数曲线”，并通过此曲线结合预测得到的负荷系数给出了机组运行方案。

2.1.4 发展趋势

近年来，在分布式能源优化运行领域，负荷预测技术发展呈现了3个新的发展趋势：①系统运行与气候、人类行为活动有着很大的关联，因此基于天气与人行为的混合预测是未来的发展方向；②通过数据驱动和云存储技术来提升负荷预测可以覆盖的空间尺度并降低时间尺度，是未来的发展趋势之一；③预测将不仅仅针对传统意义上的负荷，而将覆盖用气负荷、电动汽车充电负荷、光伏和风电等可再生能源发电系统、污染物排放，实现多能源系统综合预测[36-37]。

在上述3个方面，麻省理工学院学者[38]提出了能量箱（energy box）的概念，能量箱用在以家庭住户为单位的分布式能源系统中，通过对系统中的风电、光伏等可再生能源进行发电预测来调节系统，使其达到供需平衡。除此之外，能量箱考虑电价波动和人的喜好，以经济性和人的舒适性为目标优化系统运行。因此精确的发电预测可以有助于解决可再生能源的不稳定性和不连续性问题。负荷预测与可再生能源发电预测相结合，将使丰富化、多元化的分布式能源系统更加完善。

2.2 负荷预测应用研究

2.2.1 应用现状

目前，负荷预测在分布式能源系统的应用研究受限于调控成本较高等因素，还在起步阶段。既有代表性成果如表3所示，大多数研究停留在了图2中的阶段Ⅰ，有少数研究发展到了阶段Ⅱ。翟文鹏等[33]以制冷系统机理模型的特性分析为基础，引入负荷预测值，在制冷系统工况变化时，在线优化系统各状态变量控制回路的设定值，运行结果表明该方法能使系统很好地跟随工况的变化，在变工况的部分负荷情况下，制冷系统平均能耗降低11.8%。陈益哲等[47]提出了一种基于短期负荷预测的微网储能系统主动控制策略，对微网中的负荷进行短期预测，在考虑蓄电池容量、充放电特性以及充放电次数限制的条件下，主动控制储能系统的充放电，优化微网负荷曲线，实现了削峰填谷，保证分布式电源的稳定运行，提高微网的电能质量。

表3 负荷预测研究应用现状Tab.3 Current status of researches and applications of load forecasting

2.2.2 既有案例

天津中新生态城2号能源站系统运行优化项目是一个典型的基于负荷预测结果展开优化运行调度的研究案例，主要通过气象预报数据对负荷进行预判，预测模型如图4所示。该能源站系统结构如图5所示，由冷热电三联供CCHP（combined cool⁃ing，heating，and power）、地源热泵机组、电制冷机组和蓄能设备组成。通过历史负荷、环境温度、天气状况、日类型等数据建立负荷预测模型，得到未来24 h的负荷值，并输入到能源站基于气象预报的运行调度平台，平台依据负荷预测的结果对相关机组进行调控，优化系统运行。围绕该项目的工作证明了负荷预测技术在分布式能源系统展开应用的可行性。

图4 预测模型示意Fig.4 Schematic of forecasting model

图5 能源站系统结构Fig.5 Structure of energy station system

2.2.3 发展趋势

在实践应用方面，负荷预测未来可开展的工作将集中在以下几个方面：①技术方案的开发，开发基于气象数据短时高精度的预测方案，并将其使用范围提升至社区或城市级别；②产品的开发，将蓄能与分布式能源结合起来，开发集成优化运行策略的成套产品；③通过负荷与供能预测、系统模拟、优化分析、示范应用等手段，可由政府主导，开发建设能源系统调度平台，甚至以城市为对象建立互联互通中心。

3 结论

分布式能源系统的拓扑结构发生了很大改变，并且随着可再生能源的引入，分布式能源系统在设计、应用、运行策略等方面亟待更新。本文从基础研究和应用研究两方面对分布式能源系统优化运行关键技术中的负荷预测进行了总结和分析，得出以下结论。

（1）负荷预测可用来调整能源系统的供应，通过运行策略的改变针对负荷精确调整，但目前负荷预测的现有研究大多停留在理论阶段，较少有实验研究，距规模化使用仍存在明显差距。通过融合大数据和云存储技术，不仅可针对传统的冷热电负荷进行预测，还可对气负荷、电动汽车充电负荷等多能源系统综合预测，并与可再生能源发电预测相结合，使可再生能源得到极大的利用。

（2）针对负荷预测的研究大多数停留在优化算法、提高精度的阶段，将预测模型应用到实际系统中还有很多工作需要完成。因此未来将侧重于技术方案、产品的开发，并且由政府主导开展示范应用，从而使负荷预测发挥其巨大作用，使分布式能源系统得到更好的发展。