[发明专利]一种基于EnergyPlus的建筑能源系统自适应优化方法

说明书

本发明提出一种基于EnergyPlus的建筑能源系统自适应优化方法，该方法通过EnergyPlus软件模拟现实建筑的运行状况，将模拟运行产生的数据作为训练数据集，使用强化学习算法和数据集训练决策模型，并控制软件中的虚拟建筑能源系统执行决策动作辅助决策模型训练，最终实现建筑能源系统对负荷需求和设备出力均不确定下的自适应优化。该方法不需要考虑可再生能源出力和负荷需求的不确定性，直接对建筑能源系统的整体运行进行优化调度，同时考虑部分电力设备运行导致二氧化碳排放的因素，实现了建筑能源系统的自适应优化及绿色经济运行。

技术领域

本发明属于能源系统自适应优化领域，具体涉及到一种基于EnergyPlus的建筑能源系统自适应优化方法。

背景技术

随着社会的不断发展、产业结构的不断升级，各城市的能源需求量都在快速提升，目前全球建筑领域的能耗已经超过了工业领域和交通领域的能耗，占据世界总能耗的41％，降低建筑能耗刻不容缓，因此开始大力发展以光伏和风电为代表的可再生能源。根据规划显示，将于2030年实现可再生能源发电占比30％以上，到2060年实现可再生能源发电占比将达到60％以上，可再生能源将在电力系统中占据高比例。作为能耗大户，建筑能源系统更需要大力发展以风电、光电为代表的可再生能源。

建筑能耗作为能源消耗的主要来源，其能源系统一般由多个独立能源供给设备组成。因此如何实现建筑能源系统的自适应优化成为解决能源问题的重中之重。而随着可再生能源的大力发展，基于可再生能源的能源供给设备潜在的出力不确定性无法去除，这为传统的建筑能源系统调度带来了新的挑战。一方面建筑能源系统的调度模型需建立在对不确定性进行建模的基础上，建模精确度将直接影响能源调度效率，另一方面当建筑能源系统同时含有风电、光伏及负荷需求这三者复杂的不确定性时，对建筑系统整体的不确定性进行精确建模显得尤为困难。

针对该问题，有学者提出将由电能、热能、可再生能源等能源组成的建筑能源系统作为一个综合能源系统进行整体性的优化调度，实现系统内部的多能互补和经济运行。换言之，将建筑能源系统内部的优化调度过程看作马尔科夫决策过程，即根据当前运行状态进行决策调度并进入下一个运行状态，因此可使用强化学习技术解决建筑的综合能源系统调度问题。通过强化学习中的深度确定性策略梯度算法，避免对系统中复杂的不确定性进行建模，而是采用与环境交互、反馈学习改进策略的机制，自适应地应对建筑能源系统中不确定性的变化，从而实现建筑能源系统的自适应优化。但过去的方法需要在建筑物内部安装大量的传感器以获取足够的环境数据帮助决策模型训练，而传感器设备的感知数据往往存在数据噪声，不够精确的数据获得的决策模型将存在鲁棒性差、难以收敛问题，而一旦决策模型训练失败，还可能会对现实中根据其调度方案运行的建筑带来能源短缺或能源溢出等问题。

文献《商业建筑电热负荷日前优化调度方法和系统》(申请号：CN202110551207.8)提供了一种商业建筑电热负荷日前优化调度方法和系统，通过对建筑的电、热负荷及光伏输出功率进行预测，协调建筑能源系统内部各个设备的输出功率，以此构建商业建筑电热负荷日前优化调度模型并求解，实现能源的梯级利用，提高了能源的利用效率，减少了商业建筑的用能成本，同时也促进了电力的供需平衡，保障了建筑能源系统的安全。

该文献针对商业建筑的电热负荷日前优化调度进行研究，通过深度神经网络对电、热负荷及光伏发电功率进行预测，并构建能源调度模型优化求解。该方法的不足之处在于构建的调度模型性能依赖深度神经网络对电、热负荷及光伏发电功率的准确预测，但光伏发电功率及负荷需求存在的不确定性无法消除，因此最终的调度方案可能会影响建筑能源系统的平稳运行。并且该方法未考虑建筑电力设备排放二氧化碳对环境所造成的污染，仅将可再生能源作为建筑能源管理系统的备用能源，没有考虑可持续性发展的需求。

发明内容