区域能源智能物联网平台开发

时间：2024-07-28

谢林鸿,李慧

(山东建筑大学热能工程学院，山东济南 250100)

0 引言

“十四五”是我国能源行业转型的关键期。为实现2030年碳达峰目标，一个有效的解决方案是构建以可再生能源为主体的区域能源系统[1]。区域能源系统是集中生产“冷、热、电”等能源商品的综合能源系统。区域能源系统根据区域内能源分布的结构及特点，因地制宜、统筹互补地利用多种传统能源和可再生能源，实现优化能源结构的目的[2-3]。

随着多种能源的开发利用，对区域能源系统的能源协调管理造成了很大的压力。为了提高供能服务水平，需要加强传统能源管理平台的信息化、智能化应用。物联网是新一轮信息技术革命的产物，其本质是“物物相联”。物联网通过感知层设备互相联网，实现人与物、物与物之间的信息交换，能够实时掌握能源系统的运行状态。同时，物联网能够结合建筑信息模型(building information modeling，BIM)、云计算、大数据、人工智能等信息技术，实现管理平台的智能化运行[4-5]。

随着多种能源系统集成至物联网管理平台，需要根据能源的特性和背景来设计具体的物联网平台功能应用。对于能源系统而言，在能源生产消费过程中，其综合优化调度是一个基本问题[6-7]。为实现能源的合理调度，需要获取预测负荷、机组数据、气象参数等关键参数。其中，对能源负荷的预测是确保优化过程中负荷供需平衡的关键[8]。

本文以一个多种可再生能源系统的区域能源系统为研究对象，基于Niagara框架技术搭建物联网平台，在实现物联网平台的基础功能上引入人工智能算法，通过软件编程实现区域能源的负荷预测及优化调度。

1 能源系统介绍

本文研究的区域能源系统对象包括三个子系统，分别是太阳能辅助空气源热泵系统、地源热泵系统及天然气分布式系统。能源系统结构如图1所示。

图1 能源系统结构

三个子系统的输入侧能源包括电能及天然气。其中:电能通过电网输入或者天然气微燃机系统自发电；天然气通过城市天然气管道输入。输入侧能源经过热泵、天然气微燃机、吸收式冷温水机等机组设备，利用太阳能、空气能及浅层地热能三种清洁能源，生产冷、热、电等能源商品。

太阳能辅助空气源热泵系统利用的是太阳能以及空气能。该系统易受气象条件的限制。在低温环境下，空气源热泵机组的能效比 (coefficient of performance，COP)会下降，甚至出现机组冷凝器结霜现象。在阴雨天气时，太阳集热器的辅助制热性能下降。但是该系统易于搭建及管理运行，适用于解决能源负荷需求较小且对于供能稳定性要求不太高的场景。

地源热泵系统利用的是地下的浅层地热能。该系统需要在地下敷设地埋管道，施工复杂，并且管理运行较空气源热泵系统有更高的要求，需要投入更多的初期投资及运维费用。得益于地下温度场在全年内都较为稳定的优势，地源热泵系统运行不易受到气象条件的限制。因此，地源热泵系统适用于对能源负荷有稳定需求，且有施工条件的大型系统。

天然气分布式系统利用的是由城市管网引入的天然气。该系统使用天然气微燃机燃烧发电。烟气型冷温水机利用微燃机排出的高温烟气制冷(热)。由于天然气由城市管网供应，因此该系统运行稳定。但由于天然气价格相对较为昂贵，对于区域能源而言，天然气不应该作为常规能源使用。

由此可见，三种形式的能源系统有着不同的长处及短板，因此需要对能源系统进行综合管理，以充分利用不同能源的优势。本文最终确定的能源方案大致思路为：空气源热泵系统和地源热泵系统常规使用；当供暖季期间室外温度过低导致空气源热泵系统COP值过低时，使用天然气微燃机进行调峰。但在不同负荷、不同气象条件下，需要具体分析优化调度方案。

2 区域能源物联网平台

区域能源系统为多种能源系统耦合，对于能源的管理需要获取大量的能源系统运行数据。物联网技术能够解决能源管理数据的获取难题。应用物联网技术的能源管理平台能够监控能源系统底层机组设备的运行状态，实现不同能源系统之间的集成管理。本文基于Niagara框架技术，搭建了区域能源物联网平台。

2.1 硬件框架

区域能源物联网平台的硬件框架可以分为三层，从下到上依次是感知层、传输层和应用层。区域能源物联网平台硬件框架如图2所示。

图2 区域能源物联网平台硬件框架

感知层位于平台的底层，负责采集能源系统实际运行参数以及对设备进行控制。电表用于监测回路的电负荷。热表用于监测管网的流量、热(冷)负荷。I/O模块用于连接温度变送器、压力变送器等传感器，以监测温度、压力；同时也连接水泵、阀门等执行器，以控制启停及开度。控制板用于远程控制机组启停和读取机组参数。变频器用于对循环水泵进行变频。气象仪用于监测温度、辐射强度等环境气象参数。

传输层位于平台的中间层，是感知层和应用层之间数据通信的桥梁。JACE8000是一款用于连接多个设备和子系统，实现集成、监控、数据记录、报警、时间表和网络管理功能的嵌入式网络控制器。本文的三个能源子系统分别使用一台JACE8000网络控制器，向下通过RS-485总线，以Modbus RTU协议与感知层设备通信，向上通过RJ45网线以TCP/IP协议与监控主机和用户设备通信。数据终端连接气象仪向上通过4G网络以消息队列遥测传输(message queuing telemetry transport，MQTT)协议与云平台通信。监控主机订阅云平台的主题(Topic)获取数据。

应用层位于平台的顶层，包括监控和管理系统。本文以Niagara Workbench软件管理平台为基础进行开发。Workbench软件管理平台框架如图3所示。该软件具有自定义仪表盘、数据标签系统、身份验证等功能。开发人员可以在配套软件中进行模块化编程[9]。用户仅需使用支持标准Web浏览器的设备即可通过前端网页访问平台，无需安装特定的软件或者浏览器插件。

图3 Workbench软件管理平台框架

2.2 软件功能

本文设计的区域能源物联网平台的软件功能主要如下。

①能源系统网络集成。

JACE8000控制器通过Modbus网络监控三个能源子系统的感知层设备，并通过Niagara网络实现站点之间的网络通信。三个能源子系统的运行数据与统一管理平台实时交互，实现能源系统的网络集成。

②云平台数据远传。

数据终端和监控主机通过标准MQTT协议接入阿里云平台，以云平台作为消息代理，传输气象仪的监测参数。数据的远程传输解决了气象仪在安装部署时对供电线、通信线的依赖。

③数据可视化。

可视化的前端网页通过Px视图进行界面设计，以文本、图表及动态图片的形式实时展示各设备及仪表的状态和运行参数，并能在界面中对设备参数、状态进行修改，控制能源系统运行。

④能耗数据分析。

能耗数据分析根据不同能源子系统的技术原理，按COP、电效率、热效率、综合能源利用率、可再生能源消纳率等技术性指标进行统计分析。分析结果存储为历史曲线，便于能源管理、预测及研究。

⑤区域负荷预测。

区域能源系统的负荷预测基于人工智能算法，根据物联网平台采集的气象、负荷等参数，预测区域能源系统次日逐时的区域负荷。预测负荷将作为系统优化调度的重要参数。

⑥能源系统优化调度。

区域能源系统的优化调度基于人工智能算法，以经济性、环保性、可再生能源利用率为目标，根据能源物联网平台采集的机组、设备、负荷、气象等数据，优化调度各能源子系统次日逐时启停状态。

3 物联网平台人工智能算法

目前，物联网技术已经广泛应用于建筑、工业、能源、医疗等行业领域，但其系统运行仍然以远程人工操作为主，智能化水平依旧较低。本文以区域能源系统的实际需求为目标，借助物联网平台开发人工智能算法，并通过软件编程实现具体功能应用。

3.1 区域负荷预测算法

冷(热)负荷预测方法可以分为基于单位面积指标的静态估算法、基于数据的分析算法以及基于数值模拟的建模方法[10]。区域能源系统是一个多变量、非线性的动态对象，而物联网平台又具有存储大量实际运行数据的优势。因此，本文采用基于数据驱动的在线学习预测的神经网络方法对区域负荷进行预测。

神经网络预测模型如图4所示。

图4 神经网络预测模型

本文选取小脑模型神经网络(cerebellar model articulation controller，CMAC)作为神经网络模型。CMAC是一种局部逼近的神经网络，具有学习速度快、适合在线学习的特点。选择的输入参数应该是物联网平台容易获得并且与预测负荷具有强耦合性的[11]。基于此要求，选取气象预测数据、历史负荷数据和日期数据作为输入参数。

区域能源负荷预测算法流程如图5所示。

图5 区域能源负荷预测算法流程

在线预测模型通过读取物联网平台一定周期的存储数据完成训练后，就可以按照读取的输入参数，根据向量归一化、输入空间超闭球化、高斯函数激活的步骤对预测负荷进行CMAC神经网络计算。

在线预测模型具有在线修正功能，即随着系统运行时间的增加，由于建筑本体特性或建筑功能的变化，模型精度降低。当测负荷数据和实际负荷预测的偏差累计值在规定周期中超出阈值时，根据物联网平台存储的历史数据重新学习更新模型权值[12]。

负荷预测算法使用Python软件编程实现，主要分为以下四个部分。

①读取气象预测数据。

气象预测数据通过调用气象平台的网络应用程序接口获取平台发布数据。平台数据为JSON数组类型，获取后在Python软件中遍历查询，解析具体的气象参数。

②读取历史负荷数据。

历史负荷数据通过读取Niagara 4平台存储的历史数据获得。Python软件通过oBIX库，以开放楼宇信息标准(open building information exchange，oBIX)协议访问Niagara 4平台，根据时间戳读取存储的代理点历史数据。

③预测负荷CMAC神经网络计算。

负荷预测算法的神经网络模型使用Numpy(Numerical Python)科学计算库搭建。负荷预测算法的计算过程包括矩阵空间生成、函数计算、矩阵计算、迭代循环等步骤。

④输出预测负荷数据。

负荷预测算法的输出结果数据以oBIX协议写入Niagara 4平台中的代理点，并在前端界面进行可视化交互。前端页面中包含次日气象及预测负荷数据。数据以图表、动态图片、文本等多种形式展示。

3.2 区域能源优化调度算法

区域能源系统的输出功率随着能源负荷需求变化，调整气象条件的冷热变化、光照辐射强弱，以及建筑冷(热)负荷的峰谷时段等状况。能源系统机组设备的运行方案根据调整情况进行优化。同时，由于冷热负荷的滞后性，这种优化调度方案应该是提前规划的。

算法首先读取气象预测数据、负荷预测数据及机组设备参数作为输入参数；然后罗列机组搭配运行的方案，并根据能源系统的冷(热)供需平衡、机组设备容量限制、水泵流量限制对方案进行约束优化；最后以可再生能源利用率为主要优化目标进行优化(即优先使用可再生资源，不可再生资源作为调峰使用)，同时考虑经济性及环保性的需求，输出优化后的最优方案。

本文设计的能源系统优化调度算法流程如图6所示。

图6 能源系统优化调度算法流程

能源调度算法同样使用Python软件进行编程，主要分为以下四个步骤。

①读取数据。

该部分以和负荷预测算法同样的方式获取气象以及负荷数据，机组、设备参数数据则提前写入Excel表格，使用openpyxl库进行读取。

②判断约束条件。

能源系统的机组搭配方案在Python软件中通过计算约束优化，确保至少满足区域冷(热)负荷的供需平衡、机组的最大容量限制，以及最小流量需求水泵运行的最大流量限制。

③优化调度方案。

对步骤②中满足约束条件的机组搭配方案进行技术性、经济性及环保性指标的计算(例如可再生能源利用率、运行费用、碳排放值等指标)，并对各类指标赋权以计算优化最佳方案。

④输出方案。

本文以次日12时的预测方案输出为例。预测方案对机组设备进行启停控制如图7所示。在Python软件中用JSON类型数组表示优化输出方案，数组内包含三个能源系统对应的机组设备的状态值和时刻值。JSON数组通过oBIX协议写入Niagara 4平台中的字符串点rlt。字符串点rlt的Out输出连接到DiaoDu组件的In输入，对数组进行数据解析。解析后，在Diaodu组件得到控制三台机组设备启停的布尔值输出。根据机组设备启停状态的寄存器地址，添加对应的布尔值点到连线编程页面中。进一步采用Link功能将解析的布尔值输出管脚与机组设备启停状态布尔值点的输入管脚连接，就能通过预测方案的布尔值输出控制机组设备的启停。同时，全天的优化方案将在前端页面以时间表的形式进行展示。