基于大数据分析的综合智慧能源系统控制优化研究

2020-11-27陈家颖陈荣泽

发电设备 2020年6期

郭荣，张强，陈家颖，陈荣泽

(上海发电设备成套设计研究院有限责任公司，上海 200240)

近年来随着《中共中央、国务院关于进一步深化电力体制改革的若干意见》(中发[2015]9号)有关要求出台和电力需求增长放缓，电源结构进入调整时期，全国电力供过于求，机组平均利用时间不断下降。在竞价机制出台、电价下调、原料价格上涨、产能过剩等多重因素的影响下，传统电力行业生存出现困境，电力市场空间及利润空间均逐步缩小，电力供应进入了买方市场。

在此大环境的影响下，世界领先的发电企业都在向“以客户为中心”的综合智慧能源供应商转型，以期创造更好的企业价值。在客户导向和技术革命的驱动下，传统发电行业已经从单一能源向多能协同供应转变，从无差别供应向需求侧解决方案转变，大数据、云计算、人工智能等信息技术与能源技术的融合，势必将对发电行业进行解构与重建。

长期以来，我国不论电力系统还是集中供冷/热系统，源、网、荷之间的协同都是需求侧跟随为主，因此当发电企业响应电力市场需求时，当前的控制、管理及优化系统难以满足我国电力改革和“电替代”智能供冷/热的优化要求。

笔者针对某综合智慧能源系统，通过数据探索、约减、降维等梳理手段，利用已知的机理知识与数据变化特征规律进行数据探索，建立设备和系统之间的多参数可控变量和不可控变量的关系模型，并进一步对模型可靠性进行评估，根据系统热平衡约束，优化系统能耗，制定综合智慧能源系统运行的最优控制策略。

1 研究对象

该综合智慧能源系统位于福建地区，常年平均温度在 25～32 ℃，平均湿度为85%左右。该综合智慧能源系统配置见图1，包括2套冷水机组、 2个冷却塔、2个冷凝水泵和2个冷水泵。 2套冷水机组额定功率均为1 934.35 kW。

图1 综合智慧能源系统配置示意图

冷水泵将冷水机组中由冷却器冷却的冷水送入用户建筑, 通过热交换对建筑内部的空气进行降温和除湿。循环水在吸收了室内空气中的热量后温度升高，重新回流至冷却器中冷却降温，并通过冷水机组将热量传送到外循环。在外循环中，冷凝水泵推动冷凝器中的水吸收冷却器降温所产生的热量到冷却塔，冷却塔把水中的热量排放到室外空气中，水再流回冷凝器，依次循环。

在大型公共建筑能源站系统的设计中，多台冷水机组组成的空调系统被广泛应用，约有86%的大型项目由2台或2台以上的冷水机组组成系统进行应用。在实际运行过程中，机组大部分时间处于部分负荷运行状态。冷水机组的工况受负荷影响，多台设备间容量和数量的匹配成为影响系统能耗的关键因素[1-3]。

2 数据探索

数据探索主要是通过检验数据集的数据质量、绘制图表或特征量计算等手段，对数据集的结构和规律进行分析，有助于选择合适的数据预处理和建模方法，甚至可以完成一些通常由数据挖掘解决的问题[4]。

该综合智慧能源系统数据探索过程采用斯洛文尼亚大学负责开发维护的Orange开源算法库，该算法库基于底层C++组件提供数据挖掘和机器学习的可视化环境，并且绑定Python以方便进行脚本开发。

2.1 数据质量分析

项目数据采集与监视控制(SCADA)系统中抽取了59个字段的2万多条数据，笔者采用统计分析结构化查询语言(SQL)查询筛选、逻辑推理等手段，借助Orange开源算法库的大数据可视化功能，对数据质量进行分析，发现其存在不完整、不一致的情况，主要表现在数据缺失以及数据逻辑错误，通常情况下是传感器失效或采集器故障造成的。为了使数据建模更加准确，需要对全部的数据进行检查、筛选。例如，在一些数据逻辑错误的情况下，冷水泵处于运行状态，但是其功率依旧为零，因此这部分数据应被剔除。

2.2 数据约减

由于该综合智慧能源系统数据集的属性非常多，需要用已知机理知识以及数据可视化热点图对数据变量进行约减，如环境干球温度、湿球温度和湿度之间存在耦合关系，子系统能耗相加等于总系统能耗等。

2.3 数据降维

数据约减后的全部数据用于分析其变化特征和规律仍旧比较困难。需要对数据进行降维，以优化变量为挖掘分析目标，进一步提取特征数据挖掘，绘制大数据可视化散点相关性矩阵，从而快速发现多个变量之间的主要相关性，剔除相关性较小的数据。

冷水设备运行状态雷达图见图2，冷凝水系统设备运行状态雷达图见图3 。

CHWPNO—冷水泵运行数量；CHNO—冷水机组运行数量。

CWPNO—冷凝水泵运行数量；CTNO—冷却塔风扇运行数量。

由图2、图3可以看出：冷水机组运行数量曲线和冷水泵运行数量曲线基本重合，冷凝水泵运行数量曲线和冷却塔风扇运行数量曲线基本重合。由此可以挖掘出系统设备运行之间的规律，以降低设备运行状态维数：1台冷水机组运行对应1台冷水泵运行，2台冷水机组运行对应2台冷水泵运行；1台冷凝水泵运行对应1台冷却塔风扇运行，2台冷凝水泵运行对应2台冷却塔风扇运行。

3 模型建立及评价

笔者通过数据探索，确定了模型因变量和自变量，构建数据驱动基础机理数学模型。为了评估模型的可靠性，需要进行统计检验相关指标计算[5]。

(1) 决定系数R2：R2表示回归方程的拟合程度，R2越接近于1则自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比越高，即回归方程模型对y值的拟合效果越好。

(2)F检验：F检验是一种在原假设下，统计值服从F分布的检验。计算的F值(记为F)与查表得到的F值(记为F表)比较，如果F≥F表表明2组数据存在显著差异，即自变量对因变量有显著影响。

(3) F检验的p值：p值的计算与F检验有着密不可分的关系，p值是具有总体代表性的犯错概率，是结果可信水平的一个递减指标。p值越小，说明拟合模型有效。

(4) 和方差(SSE)：统计参数SSE是拟合数据和原始数据对应点的误差的平方和，SSE越接近于0，说明模型选择越正确，拟合效果更好。

3.1 功率模型

以冷水泵组为例，通过数据散点图自动聚类分析(见图4)可以发现，功率均与频率成非线性关系。单台设备和多台设备运行的系统参数是不同的，分类线上方为2台冷水泵并列运行的数据聚类，下方为1台冷水泵运行的数据聚类。

图4 设备运行状态散点图

对上述数据进一步进行数据筛选分类，根据相似性理论，设备运行功率与设备运行频率的三次方成正比，通过多段线性化逼近，建立设备功率模型，并对模型可靠性进行分析。

(1)

式中：fchwp为冷水泵运行频率；Pchwp为冷水泵功率；i为设备台数。

根据表1、表2的置信水平和统计检验量计算，设备功率与运行频率三次方的拟合优度较高(R2接近1)，能够通过显著性检验，说明模型选择适用，拟合效果较好。

表1 单台运行冷水泵功率模型的置信水平和统计检验量

表2 2台运行冷水泵功率模型的置信水平和统计检验量

3.2 流量模型

系统有冷水回路和冷凝水回路2个工艺过程，根据相似性理论，回路流量与各自的水泵运行频率成正比。同理，采用运行工况自动聚类分析、多段线性化逼近等手段，以冷水流量为例，建立与冷水泵运行频率相关的线性回归模型。

(2)

式中：qm,chwp为冷水回路质量流量。置信水平和统计检验量计算见表3、表4。

表3 单台运行冷水泵流量模型的置信水平和统计检验量

表4 2台运行冷水泵流量模型的置信水平和统计检验量

3.3 能耗模型

冷水机组能耗占整个系统能耗的70%以上，是综合智慧能源系统能耗优化的重点。通过运行工况聚类分析等数据探索手段，结合设备机理知识，建立能耗模型：

Ech=-0.368 7+0.001 691 27Rh+0.023 867 6×

(3)

式中：Ech为冷水机组能耗；Twet为外界环境湿球温度；Rh为环境湿度；Qe为冷水回路能量，Qc为冷凝水回路能量，Pct为冷却塔功率。

能耗模型置信水平和统计检验量见表5。由表5可以看出模型拟合优度较好，模型选择适用。

表5 能耗模型的置信水平和统计检验量

4 优化模型及求解

4.1 优化模型建立

笔者以上述数据模型分析为基础，通过确立目标函数、决策变量、约束条件进行优化建模。

4.1.1 目标函数

对于给定用户需求，单位冷量的耗电量应该最小，即系统能耗最小。

minEsys=Ech+Echwp+Ecwp+Ect=

Ech(Rh,Twet,Qe,Qc,Pct)+

(4)

式中：Esys为系统能耗；Echwp为冷水泵能耗；Ecwp为冷凝泵能耗；Ect为冷却塔能耗；Pcwp为冷凝水泵功率；fcwp为冷凝水泵运行频率；fct为冷却塔风扇运行效率。

4.1.2 决策变量

目标函数中Rh、Twet、Qe均为不可控变量，不能作为决策变量。该模型选取可控变量fchwp、fcwp、fct、i作为决策变量。

4.1.3 约束条件

热平衡约束如下：

(5)

式中：Pch为冷水机组功率；c为冷水机组中水的比热容；qm,cwp为冷凝水回路质量流量；Δte为冷水系统进出口冷水温差；Δtc为冷凝水系统进出口冷凝水温差。

设备运行频率约束如下：

(6)

设备运行状态约束如下：

i=1,2

(7)

4.2 模型求解

该优化模型属于非线性整数混合规划模型，如果采用不同优化算法求解，容易只求得局部最优解。因此，为了得到全局最优解，利用遗传算法进行全局高效搜索，对优化函数进行求解(见图5)。

图5 遗传算法求解方案

4.3 测试评估

根据雷达图挖掘的系统运行规律，按照i=1或2分别对优化效果进行仿真测试。

随机抽取机组不同运行模式下综合智慧能源系统运行一段时间内的数据，采集时间长度为1 h，按照每分钟1个点的间隔进行等速采样，根据冷负荷和环境温度的变化，基于上述高精度仿真回归模型，系统自动利用遗传算法高效搜索进行优化求解，得到2种运行模式下最优化的3个决策变量(fchwp、fcwp、fct)和最优化目标(Esys)，结果见图6、图7。