负荷预测在分布式能源系统中的应用

陈雪薇

（国网江苏省电力有限公司南京供电分公司 江苏省南京市 210000）

随着人口的快速增长和现代生活水平的提高，能源枯竭和全球变暖对环境的影响成为21世纪重要挑战。根据国际能源机构的报告[1]，建筑相关的能耗占比已超过30%。因此，实施综合能量管理，以提高建筑能源供应系统的性能，是缓解能源供给挑战的必要条件。一般建筑供能系统通过电力公司和天然气公司使用集中能源供应系统向建筑需求端提供供能服务。集中供电系统虽然能量转换效率高，但存在许多不足。首先，由于城市规模的大容量需求，城市规模的储能系统建设难度很大。能源储存系统的缺乏将降低能源供应的灵活性。此外，集中能源供应系统的可再生能源应用不可避免地会导致设施的浪费。例如，为保证供电，大型电厂的容量必须随时满足能源需求。然而，可再生能源的发电是间歇性的。这导致了大量设备闲置，特别是在可再生能源发电高峰期。另一个需要考虑的缺点是集中发电系统与终端用户之间距离较长，存在传输损耗的问题。

近些年的研究说明分布式能源系统在服务于地区级建筑群方面存在优势[2]。这是在一个足够大的规模，形成一个稳定的格局，能源供应和需求，对于区域规模级别不同类型的建筑物存在互补效应，避免了负荷的急剧变化，相对于单个建筑的负荷变化可为能源供应的稳定性提供了保障。同时区域级别分布式能源系统由于供能范围相对于主电网仍然较小，可避免上述集中能源供应系统存在的问题[3]。同时区域级分布式能源系统提供了利用当地可再生能源产出的机会，增加了能源系统灵活性，且传输损耗显著降低。因此，分布式能源系统比传统的集中式能源系统具有更好的性能。随着智能电网或智能城市概念的普及，能源系统控制的重要性日益凸显，准确的负荷预测和先进的控制策略可以更好的服务于分布式能源系统的运行控制优化。因此，本文总结了建筑负荷预测方法和供能系统控制策略。

1 分布式能源系统

电力、供暖和制冷是建筑需求端的主要能源消耗，分布式能源系统可满足建筑需求端的各种能源需求，可集供电、热、冷为一体，具有整体效率高、可靠性高、灵活性强、低二氧化碳排放等优点。图1示出了分布式能源系统的一般配置。它通常由带热回收装置的原动机、蓄冷系统、冷水机组及相应的控制系统组成。分布式能源系统通过利用余热，从同一热源产生电能和热能。因此，它比传统的供能系统具有更高的整体效率。表1列出了分布式能源系统的一般优点。

图1：一般分布式能源系统原理图

表1：分布式能源系统主要优点

2 负荷预测

分布式能源系统的设计和控制取决于需求侧负荷分布。一方面，精确的负荷预测有助于确定分布式能源系统的最佳配置。另一方面，有助于优化系统控制策略，达到节约成本、节约一次能源消耗或减少二氧化碳排放的目的。因此，建筑负荷预测是分布式能源系统优化的重要依据。然而，建筑负荷受众多因素影响，如天气条件、运行机制或人员用能行为。这些因素增加了建筑负荷预测的复杂性。在本节中，总结了建筑负荷的影响因素和预测模型。

2.1 影响因素

建筑能耗可以看作是一个多输入的数学函数影响建筑负荷主要包含四类因素：

（1）建筑结构和建筑材料的热工性能；

（2）楼宇设备及其运作时间表，例如供暖、通风及空调系统、人工照明、升降机及自动梯等；

（3）人员行为；

（4）天气情况。

在这些影响因素中，第一类因素（即建筑围护结构）是在建筑竣工后确定的，它包括建筑几何、方向和建筑材料等信息；第二和第三类因素是内部影响因素，包括运营计划、使用模式、使用者行为和室内环境设置。这些因素对建筑能源需求有重大影响[4]-[7]。最后一类因素是天气条件，它被认为是外部影响因素。Krarti[8]提出了七个气候参数作为建筑负荷的影响因素，包括干球温度、湿球温度、全球太阳辐射、降雨量、天空晴朗度、云层状况和风速。Guo等人[9]研究表明建筑负荷的主要影响因素是干球温度、湿度和太阳辐射。然而，Bagnasco 等人[10]发现湿度对能源消耗的影响很小。同样，Kandil 等人[11]报告说，当平均风速较低时，风速的临界值较小。因此，影响因素的影响不是普遍的，必须根据具体情况来确定。

2.2 负荷预测模型

负荷预测模型一般分为三类，即经典工程方法（白盒）、数据驱动统计方法（黑盒）和混合方法（灰盒）[12]是建筑负荷预测最常用的方法，如图2所示。

图2：能源预测模型分类

白盒模型是一种经典模型，也称为工程方法。顾名思义，这种方法利用流体力学、热力学、传热学、能量和质量守恒定律等物理原理构建负荷预测模型[13]。白盒模型分为两个子类：正演法和校正法。正演法通过已知结构和参数的特定建筑模型来预测建筑荷载。由于真实建筑的复杂性，建筑模型往往比较复杂。这种方法需要对各种物理现象和多个相互作用的参数有详细的了解。但建筑物不需要实际建造，这是正向方法的主要优点。许多基于此方法的软件工具已经被开发来模拟建筑能耗，例如DOE-2、Energy Plus、TRNSYS 和ESP-r 等流行的模拟工具。这些工具已广泛应用于建筑设施能耗分析、建筑负荷模拟、建筑节能措施等方面。校准方法是调整现有建筑模拟计算机程序以进行负荷预测的过程。通过校准应用模拟程序的各种输入，实际能耗用于调整模拟结果，以便更好地匹配[14]。

如前所述，多个因素（如天气条件、建筑几何结构、建筑材料的热物理性质、占用率和建筑服务设施）共同作用影响建筑负荷。白盒方法需要对这些因素进行参数化。然而，缺失的参数可能会降低负荷预测的准确性。此外，工程方法需要繁琐的工作和专业知识。因此，科研工程人员提出了其他替代方法，即黑盒建模方法。黑箱模型属于数据驱动方法，即建筑负荷预测模型是利用历史数据而不是依据物理规律建立的。灰盒模型是黑盒模型和白盒模型的结合。这种混合方法有几种策略。第一种策略是使用数据驱动方法作为白盒模型的物理参数估计；第二种策略是使用白盒模型来挖掘建筑特征，并在黑盒模型中使用。第三种策略是在工程方法不实用或不够精确的情况下使用数据驱动方法。

前述负荷预测方法已经在许多文献中进行了综合比较[15]-[19]。表2列出了它们的优缺点。一般来说，黑盒模型比白盒模型更精确。然而，在建立黑盒负荷预测模型时，需要用到历史能耗数据。白盒模型能更自然地解释预测结果，有助于评估建筑物的改造性能。然而，它们需要一套完整的建筑信息和环境参数。它们还需要广泛的专业知识，这使得它们难以得到推广应用。灰箱模型既有工程模型的缺点，又有数据驱动模型的缺点。因为现代建筑中安装了越来越多的传感器，可以记录每个终端用户的具体能耗，因此在所有负荷预测模型中，数据驱动方法是目前最流行的方法。

表2：建筑负荷预测方法比较

3 分布式能源系统控制策略

本节介绍了各种控制策略，包括传统的负荷跟踪控制策略、基于优化算法的控制策略和模型预测控制策略。

3.1 负荷跟随策略

传统的分布式能源系统的控制策略是负荷跟踪控制策略。“跟随电力负荷策略”（FEL）和“跟随热负荷策略”（FTL）[20]-[21]是两种最常用的策略。这两种控制策略的原理是相似的。它们通过调控分布式能源系统输出来准确地满足一种类型负荷，通过其他辅助设备来弥补另一种负荷。在“跟随电力负荷策略”下，原动机产生的电能随时满足电力需求。在FTL 控制策略下，原动机的热能输出等于需求端的热能负荷。然而，由于电能负荷与热负荷之间的不匹配，导致FEL 和FTL 策略下的分布式能源系统运行性能恶化。因此，一些研究者提出了混合电力热负荷（FHL）的控制策略，该策略依赖于热能需求与电能需求之间的实际比率[22]-[23]，以克服FEL 或FTL 策略下的不足。

3.2 基于优化算法的控制策略

为了进一步提高分布式能源系统性能，基于优化算法的控制策略被不断提出。这些优化算法包括MILP[24]、GA[25]、调和搜索算法[26]、粒子群算法[27]和超球面搜索算法[28]。这些控制策略遵循相同的过程：给定各部件的性能数据和负荷曲线，用目标函数求解优化问题，确定最优运行控制策略。这些方法从理论上为分布式能源系统提供了最优控制策略。然而，当实际能源需求发生变化时，这类优化算法并不适合于实时控制。

3.3 模型预测控制（MPC）

为满足实际系统控制的要求，模型预测控制方法（MPC）被逐渐关注[29]-[30]。传统的MPC 策略的原理是应用负荷预测模型来预测需求侧负荷。然后采用优化算法得到控制序列。然而，传统的MPC 策略依赖于预测负荷，无法处理预测与实际需求之间的偏差。因此，两阶段MPC 策略，即基于滚动优化和反馈校正的概念来解决预测误差[34]-[35]带来的问题。表3总结了相关分布式能源系统MPC 控制策略的相关研究。

表3：基于MPC 控制策略的分布式能源系统研究

4 结论

本文介绍了建筑负荷预测方法和分布式能源系统控制策略，文献综述表明了分布式能源系统相对传统能源系统存在众多优势。通过准确的负荷预测和良好的系统控制策略调控，可带来显著的分布式能源系统性能提升，但分布式能源系统的应用还需要进一步的研究才能充分发挥其潜力。