提高能源系统“智能” 打造绿色节能场景

华菱湘钢总控制室需求和负荷的实时监控。谭貌摄影

该小组在华菱湘钢炼钢炉的主控制室进行了现场调查。汤敏泰摄

能源系统是一个巨大的复杂系统。智能运行、能源互联和多能源协调是当前能源系统研究的重要前沿。

与常规能源系统中各种能源的独立运行相比，综合多能源系统包括燃气、电、冷、热、储能和新能源等的协调和互助。级联应用中，系统的复杂性远远高于常规能源系统，多能源协作系统的负荷预测和优化调度被认为是难题。

最近，湘潭大学信息工程学院的段斌、毛坦和苏永新教授团队在能源负荷预测和分布式能源调度优化研究方面取得了许多重要进展。主要结果发表在能源和电力系统领域的*学术期刊《电气和电子工程师学会电力系统杂志》和《应用能源》上。

真实数据训练人工智能提高负荷预测精度

在我国，对于大规模的电力用户，一旦用电负荷超过一定的阈值，除了按结算期的用电高峰收取常规电费外，还需要承担高额电费。

由于这个原因，大型钢铁企业华菱湘钢遇到了困难。毛坦表示，华菱湘钢能源系统是典型的区域性综合能源系统，能耗巨大，年购电超过10亿元。

"他们希望能够减轻电力负荷。"毛坦告诉《中国科学报》，“这需要负荷预测，其准确性对企业的能源成本有重要影响。”

据毛坦介绍，此前该领域的预测工作主要是通过外包施耐德等几个平台的软硬件系统来实现的。

然而，外包系统只提供黑匣子服务。通过企业数据进行自主学习的功能并不完善，企业无法自行调整软件模型。钢铁市场在不断变化，企业的生产方式也不是一成不变的。从长远来看，负荷预测模型的精度将会降低。

"这给了我们设计负荷预测和控制系统的机会."毛坦说。

“目前电力负荷预测问题主要根据时间尺度分为三类:长期、中期和短期(超短期)。不同类别问题的数据特征非常不同，所采用的方法也非常不同。我们专注于短期和超短期预测问题。”毛坦说。

电力系统负荷预测是一个典型的时间序列预测问题。人工神经网络预测方法和支持向量机预测方法适用于短期和超短期预测。

以浅层人工神经网络和支持向量机为代表的算法是目前电力负荷预测的主流方法，但通常存在特征提取困难、数据重构过程复杂、网络模型复杂度高、非线性优化局部极小等问题。

在最新的研究中，基于深度学习的负荷预测已经成为热点。其预测精度和稳定性高，能够处理复杂问题，具有很大的发展潜力。

“我们在企业现有需求负荷预测系统的基础上，开发了超短期需求负荷预测和控制系统。”

“以前的一些负荷预测评估仅使用模拟数据集，但没有真实数据，结果也不可靠。”毛坦说，“我们的工作和应用被广泛地结合起来，并且所提出的模型已经被AEMO开放数据集和大量工业测量数据所验证，以尽可能避免样本选择性误差。”

“最终结果表明，我们提出的方法的准确性和稳定性优于当前主流的先进时间序列预测方法，尤其是在解决工厂场景问题方面。”毛坦说。

“试点应用将于2019年5月启动。三个钢包炉将参与调控。峰值负荷预测误差小于3%，是技术先进、现场满意的指标。试用期每月可节省约130万元的用电需求，当结果得到充分应用时，预计将产生更大的效益。”

优化需求响应策略促进居民消费节能减排

目前，各种能源都是独立运行和独立优化的。例如，电力和天然气系统独立运行，优化主要集中在电力系统。然而，这两种系统在很多领域可以相互替代，电力和天然气转换技术已经成熟。因此，有必要考虑多能源的调度策略。

在这次发表的另一篇文章中，湘潭大学团队试图使用需求响应策略作为分布式家庭能源调度的解决方案。

苏永新告诉记者，分布式能源系统数量巨大，具有三个显著特点:多样性，即每个家庭的基础条件不同，如能源设施、面积、储能设施、新能源等。灵活性，即用户可能会购买一些新设备，旧设备可能会损坏，从而导致设备的添加和删除。不确定性，即用户的能源消费习惯、气温、水温和家庭新能源的产生是不同的。

"我们的工作主要是处理不确定性."苏永新说道。

以往的系统调度优化策略主要有两种，一种是鲁棒优化，即根据最不利的外部安全条件对系统进行调度。然而，最坏的情况总是罕见的，并且系统总是根据最坏的情况运行，这太保守并且导致过高的运行成本。

另一种称为随机优化，它将系统的不确定性分为几个典型情况，并在每个典型情况下优化系统的运行方案。这种方法最大的挑战是得到系统不确定性的具体分布。否则，意外和未经处理的恶劣工作条件可能会推高能耗，甚至影响系统安全。

"需求响应策略可以解决上述两种策略的不足."苏永新说道。“电力调度需要先进。毛坦教授的工作提高了负荷预测的准确性，为实施需求响应策略提供了基础。”

此外，结合物联网和5G技术，电力系统可以广泛和有效地收集需求信号。

需求响应策略是利用预测信息和实际电价信号形成能源利用方案。这一策略简单易行，具有强大的生命力。它可以在不损失系统安全性的情况下降低系统运行成本。

“我们提出的需求响应优化策略只需要确定系统的不确定性范围。无论系统在此范围内如何变化，我们的方案都能保证系统的安全性和低能耗。通过一些常识和经验可以很容易地得到不确定性的范围。我们采用的区间优化方案具有良好的可用性和效果。”苏永新说道。

电网可以根据能源供需关系制定电价，用户可以根据动态电价信号调整需求，提高能源和资源的利用效率。

“首先，使用手机应用程序检查各种能源的价格，调度员将结合用户舒适度和价格因素，自动确定洗涤和烹饪的时间以及空调的功率。”苏永新描绘了一幅充满未来感的绿色节能生活场景。

产学研合作构建综合多能源体系

"应用背景研究不同于纯粹的基础研究，应该是问题驱动的."谭茂荣说，“没有良好的应用环境、合作环境和验证环境，所谓的研究不能真正解决问题。我们的研究不能只写论文，而应该结合真实场景，融入企业和社会，实现产学研结合。”

在研究开始时，团队还面临数据采集和结果验证的困难。针对这一问题，他们选择了几个重点区域重点企业进行全方位合作，包括共建科研平台、联合培养人才、联合攻关等。

他们发现，当他们有了与企业克服困难、建立互信的共同经验时，许多原有的问题都得到了解决，合作过程中逐渐形成的机制也能保证校企合作的可持续发展。

段斌在接受《中国科学日报》采访时表示，在能源优化调度方面，他们与湖南工程学院、湖南电力集团、兴业太阳能等单位共同建立了“风电设备与能源转换”湖南省协同创新中心和“多能源协同控制技术”湖南省工程中心。围绕风电场运行优化、风电场群运行优化和微电网风光储协同优化等关键技术问题，形成了一系列技术解决方案。部分成果已应用于中国以合作企业为媒介的大型风电场和光伏扶贫项目的建设和运营。

苏永新表示，目前，中国能源消费结构性问题突出。随着能源转型的加速和电力*改革的深入，能源、网络和用户之间的关系越来越密切。综合能源服务将打破不同能源品种单独规划、单独设计、单独运行的传统模式，实现多个横向“电采暖、冷风、水”能源品种之间的协同，多个纵向“源网、负荷储存和使用”能源供应环节之间的互动，以及生产侧和消费侧之间的互动，从而提高能源效率，缓解能源环境问题。

综合能源系统已成为当前国际能源领域的重要战略研究方向和国家能源战略的主要发展需求。

毛坦说，我们在应用方面仍然面临一些挑战。例如，内部和外部因素的变化导致不同时期数据特征的差异。单一固定模型的性能会随着时间的推移而恶化。复合预测模型的在线学习和动态集成变得迫切。

毛坦认为，准确的预测是能源系统智能运行的重要基础。然而，考虑到各种能源类型，能源网络更加复杂，用户更大，涉及的不确定性进一步增加，对预测提出了巨大挑战。目前，基于深度学习技术和复杂网络理论的研究已经取得了一定的进展。

对于系统的优化调度，苏永新表示，多能源系统在现实环境中的网络结构和运行策略是相对固定的，现实系统的改造和调整涉及到实际成本问题。因此，一些新颖的前沿思想只能通过仿真优化来实现。如何融合或打开模拟和现实之间的界限仍然是一个巨大的挑战。

随着可再生能源在系统中的规模越来越大，发电侧的波动也越来越大。随着大量智能电力电子设备的应用，系统的灵活性不断增强。需求响应和综合能源系统的发展增强了系统的灵活性和韧性。

这些新情况使得以发电调度为主的传统电力系统的运行面临挑战。迫切需要一种新的调度策略来适应能源系统的变化，以满足多参与、友好交互和智能决策的需求，这给算法的适应性和计算性能带来了挑战。

苏永新说，他们的下一步工作将集中在分布式集成能源系统的自主管理和优化。研究即插即用和自动优化的智能优化策略对于需求响应策略的落地和社会节能减排具有重要意义。

相关论文信息:https://doi.org/10.1109/TPWRS.2019.2963109

https://doi.org/10.1016/j.apenergy.2019.114144