基于大數據分析的綜合智慧能源系統控制優化研究

郭 榮， 張 強， 陳家穎， 陳榮澤

(上海發電設備成套設計研究院有限責任公司， 上海 200240)

近年來隨著《中共中央、國務院關于進一步深化電力體制改革的若干意見》(中發[2015]9號)有關要求出臺和電力需求增長放緩，電源結構進入調整時期，全國電力供過于求，機組平均利用時間不斷下降。在競價機制出臺、電價下調、原料價格上漲、產能過剩等多重因素的影響下，傳統電力行業生存出現困境，電力市場空間及利潤空間均逐步縮小，電力供應進入了買方市場。

在此大環境的影響下，世界領先的發電企業都在向“以客戶為中心”的綜合智慧能源供應商轉型，以期創造更好的企業價值。在客戶導向和技術革命的驅動下，傳統發電行業已經從單一能源向多能協同供應轉變，從無差別供應向需求側解決方案轉變，大數據、云計算、人工智能等信息技術與能源技術的融合，勢必將對發電行業進行解構與重建。

長期以來，我國不論電力系統還是集中供冷/熱系統，源、網、荷之間的協同都是需求側跟隨為主，因此當發電企業響應電力市場需求時，當前的控制、管理及優化系統難以滿足我國電力改革和“電替代”智能供冷/熱的優化要求。

筆者針對某綜合智慧能源系統，通過數據探索、約減、降維等梳理手段，利用已知的機理知識與數據變化特征規律進行數據探索，建立設備和系統之間的多參數可控變量和不可控變量的關系模型，并進一步對模型可靠性進行評估，根據系統熱平衡約束，優化系統能耗，制定綜合智慧能源系統運行的最優控制策略。

1 研究對象

該綜合智慧能源系統位于福建地區，常年平均溫度在 25～32 ℃，平均濕度為85%左右。該綜合智慧能源系統配置見圖1，包括2套冷水機組、 2個冷卻塔、2個冷凝水泵 和2個冷水泵。 2套冷水機組額定功率均為1 934.35 kW。

圖1 綜合智慧能源系統配置示意圖

冷水泵將冷水機組中由冷卻器冷卻的冷水送入用戶建筑, 通過熱交換對建筑內部的空氣進行降溫和除濕。循環水在吸收了室內空氣中的熱量后溫度升高，重新回流至冷卻器中冷卻降溫，并通過冷水機組將熱量傳送到外循環。 在外循環中，冷凝水泵推動冷凝器中的水吸收冷卻器降溫所產生的熱量到冷卻塔，冷卻塔把水中的熱量排放到室外空氣中，水再流回冷凝器，依次循環。

在大型公共建筑能源站系統的設計中，多臺冷水機組組成的空調系統被廣泛應用，約有86%的大型項目由2臺或2臺以上的冷水機組組成系統進行應用。在實際運行過程中，機組大部分時間處于部分負荷運行狀態。冷水機組的工況受負荷影響，多臺設備間容量和數量的匹配成為影響系統能耗的關鍵因素[1-3]。

2 數據探索

數據探索主要是通過檢驗數據集的數據質量、繪制圖表或特征量計算等手段，對數據集的結構和規律進行分析，有助于選擇合適的數據預處理和建模方法，甚至可以完成一些通常由數據挖掘解決的問題[4]。

該綜合智慧能源系統數據探索過程采用斯洛文尼亞大學負責開發維護的Orange開源算法庫，該算法庫基于底層C++組件提供數據挖掘和機器學習的可視化環境，并且綁定Python以方便進行腳本開發。

2.1 數據質量分析

項目數據采集與監視控制(SCADA)系統中抽取了59個字段的2萬多條數據，筆者采用統計分析結構化查詢語言(SQL)查詢篩選、邏輯推理等手段，借助Orange開源算法庫的大數據可視化功能，對數據質量進行分析，發現其存在不完整、不一致的情況，主要表現在數據缺失以及數據邏輯錯誤，通常情況下是傳感器失效或采集器故障造成的。為了使數據建模更加準確，需要對全部的數據進行檢查、篩選。例如，在一些數據邏輯錯誤的情況下，冷水泵處于運行狀態，但是其功率依舊為零，因此這部分數據應被剔除。

2.2 數據約減

由于該綜合智慧能源系統數據集的屬性非常多，需要用已知機理知識以及數據可視化熱點圖對數據變量進行約減，如環境干球溫度、濕球溫度和濕度之間存在耦合關系，子系統能耗相加等于總系統能耗等。

2.3 數據降維

數據約減后的全部數據用于分析其變化特征和規律仍舊比較困難。需要對數據進行降維，以優化變量為挖掘分析目標，進一步提取特征數據挖掘，繪制大數據可視化散點相關性矩陣，從而快速發現多個變量之間的主要相關性，剔除相關性較小的數據。

冷水設備運行狀態雷達圖見圖2，冷凝水系統設備運行狀態雷達圖見圖3 。

CHWPNO—冷水泵運行數量；CHNO—冷水機組運行數量。

CWPNO—冷凝水泵運行數量；CTNO—冷卻塔風扇運行數量。

由圖2、圖3可以看出：冷水機組運行數量曲線和冷水泵運行數量曲線基本重合，冷凝水泵運行數量曲線和冷卻塔風扇運行數量曲線基本重合。由此可以挖掘出系統設備運行之間的規律，以降低設備運行狀態維數：1臺冷水機組運行對應1臺冷水泵運行，2臺冷水機組運行對應2臺冷水泵運行；1臺冷凝水泵運行對應1臺冷卻塔風扇運行，2臺冷凝水泵運行對應2臺冷卻塔風扇運行。

3 模型建立及評價

筆者通過數據探索，確定了模型因變量和自變量，構建數據驅動基礎機理數學模型。為了評估模型的可靠性，需要進行統計檢驗相關指標計算[5]。

(1) 決定系數R2：R2表示回歸方程的擬合程度，R2越接近于1則自變量對因變量的解釋程度越高，自變量引起的變動占總變動的百分比越高，即回歸方程模型對y值的擬合效果越好。

(2)F檢驗：F檢驗是一種在原假設下，統計值服從F分布的檢驗。計算的F值(記為F)與查表得到的F值(記為F表)比較，如果F≥F表表明2組數據存在顯著差異，即自變量對因變量有顯著影響。

(3) F檢驗的p值：p值的計算與F檢驗有著密不可分的關系，p值是具有總體代表性的犯錯概率，是結果可信水平的一個遞減指標。p值越小，說明擬合模型有效。

(4) 和方差(SSE)：統計參數SSE是擬合數據和原始數據對應點的誤差的平方和，SSE越接近于0，說明模型選擇越正確，擬合效果更好。

3.1 功率模型

以冷水泵組為例，通過數據散點圖自動聚類分析(見圖4)可以發現，功率均與頻率成非線性關系。單臺設備和多臺設備運行的系統參數是不同的，分類線上方為2臺冷水泵并列運行的數據聚類，下方為1臺冷水泵運行的數據聚類。

圖4 設備運行狀態散點圖

對上述數據進一步進行數據篩選分類，根據相似性理論，設備運行功率與設備運行頻率的三次方成正比，通過多段線性化逼近，建立設備功率模型，并對模型可靠性進行分析。

(1)

式中：fchwp為冷水泵運行頻率；Pchwp為冷水泵功率；i為設備臺數。

根據表1、表2的置信水平和統計檢驗量計算，設備功率與運行頻率三次方的擬合優度較高(R2接近1)，能夠通過顯著性檢驗，說明模型選擇適用，擬合效果較好。

表1 單臺運行冷水泵功率模型的置信水平和統計檢驗量

表2 2臺運行冷水泵功率模型的置信水平和統計檢驗量

3.2 流量模型

系統有冷水回路和冷凝水回路2個工藝過程，根據相似性理論，回路流量與各自的水泵運行頻率成正比。同理，采用運行工況自動聚類分析、多段線性化逼近等手段，以冷水流量為例，建立與冷水泵運行頻率相關的線性回歸模型。

(2)

式中：qm,chwp為冷水回路質量流量。置信水平和統計檢驗量計算見表3、表4。

表3 單臺運行冷水泵流量模型的置信水平和統計檢驗量

表4 2臺運行冷水泵流量模型的置信水平和統計檢驗量

3.3 能耗模型

冷水機組能耗占整個系統能耗的70%以上，是綜合智慧能源系統能耗優化的重點。通過運行工況聚類分析等數據探索手段，結合設備機理知識，建立能耗模型：

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

(3)

式中：Ech為冷水機組能耗；Twet為外界環境濕球溫度；Rh為環境濕度；Qe為冷水回路能量，Qc為冷凝水回路能量，Pct為冷卻塔功率。

能耗模型置信水平和統計檢驗量見表5。由表5可以看出模型擬合優度較好，模型選擇適用。

表5 能耗模型的置信水平和統計檢驗量

4 優化模型及求解

4.1 優化模型建立

筆者以上述數據模型分析為基礎，通過確立目標函數、決策變量、約束條件進行優化建模。

4.1.1 目標函數

對于給定用戶需求，單位冷量的耗電量應該最小，即系統能耗最小。

minEsys=Ech+Echwp+Ecwp+Ect=

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

(4)

式中：Esys為系統能耗；Echwp為冷水泵能耗；Ecwp為冷凝泵能耗；Ect為冷卻塔能耗；Pcwp為冷凝水泵功率；fcwp為冷凝水泵運行頻率；fct為冷卻塔風扇運行效率。

4.1.2 決策變量

目標函數中Rh、Twet、Qe均為不可控變量，不能作為決策變量。該模型選取可控變量fchwp、fcwp、fct、i作為決策變量。

4.1.3 約束條件

熱平衡約束如下：

(5)

式中：Pch為冷水機組功率；c為冷水機組中水的比熱容；qm,cwp為冷凝水回路質量流量；Δte為冷水系統進出口冷水溫差；Δtc為冷凝水系統進出口冷凝水溫差。

設備運行頻率約束如下：

(6)

設備運行狀態約束如下：

i=1,2

(7)

4.2 模型求解

該優化模型屬于非線性整數混合規劃模型，如果采用不同優化算法求解，容易只求得局部最優解。因此，為了得到全局最優解，利用遺傳算法進行全局高效搜索，對優化函數進行求解(見圖5)。

圖5 遺傳算法求解方案

4.3 測試評估

根據雷達圖挖掘的系統運行規律，按照i=1或2分別對優化效果進行仿真測試。

隨機抽取機組不同運行模式下綜合智慧能源系統運行一段時間內的數據，采集時間長度為1 h，按照每分鐘1個點的間隔進行等速采樣，根據冷負荷和環境溫度的變化，基于上述高精度仿真回歸模型，系統自動利用遺傳算法高效搜索進行優化求解，得到2種運行模式下最優化的3個決策變量(fchwp、fcwp、fct)和最優化目標(Esys)，結果見圖6、圖7。

圖6 單臺機組運行模式下的系統能耗前后優化對比和系統可控變量運行曲線

圖7 2臺機組運行模式下的系統能耗前后優化對比和系統可控變量運行曲線

測試顯示，單臺機組運行模式下的優化空間達到30%，大于2臺機組運行模式下的可優化空間。

5 結語

筆者針對綜合智慧能源系統提出了基于大數據分析的控制優化方案，并隨機選取運行數據進行測試評估，主要結論如下：

(1) 通過數據探索進行數據約減與規律尋找，結合機理知識建立了設備功率模型、流量模型和能耗模型，并建立統計檢驗量指標體系對模型可靠性進行評價，然后以系統能耗最低為最優化目標，尋優最佳控制參數，根據隨機測試試驗優化前后的對比表明系統能耗降低明顯。

(2)綜合智慧能源系統優化是一個龐大的系統工程，節能優化控制的實踐中還需要更多地結合實際問題進行考慮，才能收到更好的效果。

(3) 筆者僅對智慧能源系統制冷站源側進行了系統性協調的節能控制最優化指令給定的討論，如果能夠結合用戶側的互動機制的策略設計，比如用戶費控閥的遠程調節控制等，在一定程度上減少或平抑需求波動，實現綜合智慧能源系統源、網、荷全系統節能，則能得到更好的節能效果。