2. 内蒙古自治区电力系统智能化电网仿真企业重点实验室, 呼和浩特 010020;
3. 浙江运达风电股份有限公司内蒙古分公司, 呼和浩特 010020
2. Inner Mongolia Enterprise Key Laboratory of Smart Grid Simulation of Electrical Power System, Hohhot 010020, China;
3. Zhejiang Windey Co., Ltd., Inner Mongolia Branch, Hohhot 010020, China
能源的大量消耗导致生态环境不断恶化,节能减排已经成为国家发展的关键目标,也是保障能源安全的重要举措。为了从根本上解决能源困扰,实现永续利用,在互联网高速发展的背景下,智慧能源[1]概念被提出。但现阶段,无论是大型企业还是工业园区都很少重视能源自身价值的优化,均以安全保供作为能源利用形式,导致能源流失浪费。造成这一现象的主要原因有:管理思想跟不上能源改革脚步,采集的信息不全面[2];缺乏有效管理制度,没有构成彼此联系的整体,管理系统没有发挥出真正作用;基础设备与相关技术还有待提高,缺乏科学的计量器,信息化水平达不到标准。
综上所述,智慧能源管控系统须将信息化平台作为基础,结合大数据等信息技术,成为集维护、管理等多种功能的一体化平台[3]。本文通过物联网的功能与优势实现了能源信息的采集,并通过基础物联网技术对智慧能源管控系统进行设计。合理设计系统业务逻辑,使智慧能源管控系统结合物联网采集到的信息作出合理的能源管控决策。
1 智慧能源区域承载力分析想要实现智慧能源的有效管控,须首先对该地区的能源承载力[4]进行分析,本文从生态环境、资源空间、居民心理、经济等方面计算能源综合承载力。
1.1 生态环境自然环境通常具有良好的自净功能,此功能体现了环境可承受污染的能力,具有破坏性的生产活动会对周边环境带来严重影响。环境承载力EEBC表示自然环境在没有受到破坏时可以接纳的产出新能源的数量,计算公式为:
![]() |
(1) |
式中:WC为水环境承载情况,该值是污水处理量和人均污水排放量之间的比值;AC为大气承载力,是大气容量与人均废弃排放量之比;SC为废弃物承载状况,是废弃物处理量与人均废弃物生产量之比。
1.2 资源承载力资源承载力REBC表示某段时间内,在环境功能稳定情况下,环境能够承受人们生产活动的性能。计算公式为:
![]() |
(2) |
式中:η为日周转率;SZ为空间整体面积,km2;Sb为人均空间基准面积,km2。
1.3 居民心理承受能力居民心理承受能力PEBC表示当地居民在心理上可接受的环境情况。一般包括环境污染、资源占用等因素,公式为:
![]() |
(3) |
式中:P1为当地居民心理承受能力;P2为环境污染承载情况。
1.4 经济承载力某地区综合承载能力大部分取决于经济条件,经济承载力DEBC表示生产能力和实际生产能源之间的关系,计算公式为:
![]() |
(4) |
式中:Dn为第n种供应量组成的经济承载子量,且满足Dn = GnQn,其中Gn代表要素n每天的供应量,Qn则是要素n的人均需求量。
1.5 综合承载力综合承载力TEBC即为以上四组分量的极小值,用公式表示为:
![]() |
(5) |
利用物联网技术对智慧能源管控系统进行设计,对系统做整体构思,通过分层思想[5],将系统划分为采集层、传输层与应用层。其整体架构如图 1所示。
![]() |
图 1 管控系统整体架构 Figure 1 Overall architecture of management and control system |
物联网在系统中主要发挥监测作用,其中采集层的感知作用[6]最为关键,包括传感器与汇聚节点、上位机等,利用节点的协作关系,将获取的信息通过节点路由进行传输,最终发送到汇聚节点[7-8],再利用外部网络发送到控制中心,从而完成对监测数据的采集、传输与控制。采集层结构如图 2所示。
![]() |
图 2 物联网采集层架构 Figure 2 Architecture of IoT acquisition layer |
系统采集层使用不同类型的传感器,如智能电表[8]和温度传感设备等,通过这些设备对各类能耗信息与环境信息进行测试。
供电信息采集包括电能量、电压、功率及谐波[9]等数据,为系统进行用电分析提供依据。供水信息采集分为水温、流量以及pH值等,能够让用户及时了解用水信息与水质。锅炉信息采集主要包括蒸汽温度、燃料消耗情况等,能够提供系统效率评价的实时数据。
2.1.2 传输层系统传输层包括现场级与管理级,前者通过ZigBee[10]进行通信,后者使用以太网[11]实现通信。ZigBee因成本低、安全性好等优势用于短距离无线通信,其具备两个特征:自身组织性能好,不需要人工操作;自愈能力较强,当节点发生故障时,网络均能够自己修复,不需要人工操作,确保通信正常进行。
2.1.3 应用层应用层具有信息采集、分析、整理、预测等多项功能。通过信息采集,实时掌握能源利用状况,再利用分析、整理等功能,将用能情况进行整理,找出问题,最后对能耗的使用进行预测,把握能耗趋势,实现有效管控,减少能源浪费。
2.2 系统功能与业务逻辑设置 2.2.1 系统功能架构该系统分为能耗信息采集、能耗统计分析及能源节能管理3大功能模块。功能架构如图 3所示。
![]() |
图 3 系统功能架构 Figure 3 Diagram of system functional architecture |
系统操作的业务逻辑包括:用能需求分析预测、用能方案的设计、场景模拟等。其中需求预测时对园区冷、热与电等智慧能源的使用状况进行分析,是系统管控的关键所在。业务逻辑示意图如图 4所示。
![]() |
图 4 业务逻辑示意图 Figure 4 Schematic diagram of service logic |
图中用能需求分析是通过历史数据,获得未来某时间段内能耗使用情况的基本走势。本文使用最小二乘法进行预测,将历史数据作为参考,预测模型如下:
![]() |
(6) |
式中:Ln′为能耗需求;t′表示历史时间,d;a与b均为系数,可结合历史数据(t′i, Lni′) 确定,其中i表示具体时段(i = 1, …, n′)。
![]() |
(7) |
![]() |
(8) |
其中,
![]() |
(9) |
![]() |
(10) |
结合计算得出的与的值,可将预测结果通过图表方式呈现。系统中的预警功能会根据能耗预测结果进行预警提示,如果运行值高于设置值,系统则会提醒用户采取相应措施。
2.3 系统软硬件设计 2.3.1 系统硬件 2.3.1.1 设计原则由于物联网需要两种类型的节点,因此对节点硬件的设计需满足以下原则:成本低,因监测范围较广,传感器节点数量很多,必须最大程度控制成本;功耗低,传感器工作地点通常为室外,为最大程度保持网络稳定,节点设计需符合低功耗要求;可扩展性强,由于监测地点随时发生改变,当需要增加新的模块时,节点应满足需要。
2.3.1.2 传感器节点传感器节点通常包括多个模块,其硬件结构如图 5所示。
![]() |
图 5 节点硬件构成 Figure 5 Node hardware composition |
图中,传感器可有效感知外界信息,实现数据加工转换。能量供应能够为节点提供电源能量,确保节点有效。
2.3.1.3 处理器系统采用MSP430系列的处理器[12],在1.8 ~3.6 V电压环境下工作,待机电流较低且电路信号完整。处理器自身携带储存器,配置缓冲接口、串行总线及计时器等设备,可设置五级节能策略,降低总能耗,并具备先进的选址功能,适用于无线传感网络。
2.3.2 系统软件物联网中传感器的主要任务是在获取信息的同时响应来自不同用户的命令与请求。节点通过设置采集时间对数据进行采集,利用定时器判断采集是否结束,软件工作流程如图 6所示。
![]() |
图 6 系统软件工作流程图 Figure 6 System software flow chart |
智慧能源管控系统的仿真实验在某工业生产园区内进行,该区域的平均温度为28 ℃,工业园区内包括厂房、职工宿舍、办公楼等建筑。该园区内的智慧能源配置如图 7所示。其中冷水机组工作时的额定功率是1 875.34 kW。
![]() |
图 7 园区智慧能源配置图 Figure 7 Intelligent energy allocation map of the park |
由于系统可以根据温度、湿度等信息对智慧能源进行综合管控,且物联网技术的关键就是传感器的信息采集。因此,仿真实验首先对系统的采集功能进行测试。传感器节点每10 min对温度、湿度以及光照强度做一次测试,实验时间为6天,实验结果分别如图 8—10所示。
![]() |
图 8 温度监测结果 Figure 8 Temperature monitoring results |
![]() |
图 9 湿度监测结果 Figure 9 Humidity monitoring results |
![]() |
图 10 光照强度监测结果 Figure 10 Light intensity monitoring diagram |
将图 8—10中的信息与当地气象资料进行对比发现,温度监测结果和每日天气预报结果较为接近,连续6天气温没有发生明显变化;湿度和光照强度的监测结果正好相反,当光照强度较大时,湿度出现一天中的最小值,当夜晚无光照时,湿度则较大。由此表明,基于物联网的智慧能源管控系统采集功能强,能够获取准确的环境信息,有利于系统给出合理的管控决策。
3.2 经济效益分析结合该地区能源环境承载力的计算情况,制定该园区六月份用电量不超过9000 kWh,相当于每天的平均用电量不能高于300 kWh。通过监测,在该月前7天,每日用电量较大,超出日平均标准,如果不对其进行管控,则无法实现月用电指标。因此,通过管控系统查找用电过多的原因,结果显示该园区员工宿舍的用电量超出正常水平。经分析得出,是由于员工上班时经常忘记关闭宿舍空调、灯具等电器导致的。因此对该现象进行严格管控,制定相关惩罚措施,使宿舍浪费电的现象得到很大改善。使用系统前后的宿舍每日用电情况如图 11所示。
![]() |
图 11 宿舍日用电情况
Figure 11 Daily power consumption of dormitory
图中:![]() ![]() |
分析得出,未使用该系统时,在08:00—12:00时段,员工为上班期间,宿舍内基本没人,但用电量并没有明显下降;使用该系统后,该时间段内出现明显谷值。说明在系统管控下,用户可实时了解用电情况,提高节约能源的意识。此外,系统可结合室外温度、湿度等情况,给出空调合理的使用温度,因此即使在其他时间段内,用电量也明显减少,既提高了经济效益,又减少了能源使用。
3.3 系统响应延时分析实验中分别对系统请求响应延时和服务器处理延时进行测试。由客户端发出空调温度控制请求,服务器根据请求执行温度控制任务。在请求次数不断增加情况下,系统延时如图 12所示。
![]() |
图 12 系统延时测试结果图
Figure 12 Diagram of system delay test results
图中:![]() ![]() |
图中显示,该系统的请求延时大致在90 ms左右,而服务器处理延时则在60 ms左右,延时情况并不会随请求次数的增多出现明显上升趋势,证明该系统具有强大的请求处理能力,这得益于该系统强大的软硬件构成的处理器,可以保证系统及时处理客户请求,提高用户满意度。
4 结语本文利用物联网技术设计了智慧能源管控系统。通过物联网对自然环境以及能源使用情况等信息的采集和分析,给出合理的能源使用决策,有助于减少资源浪费,提高经济效益。该系统的应用可进一步推进“智慧城市”的统筹规划,在未来发展中可突破独立园区束缚,向更广阔的能源管理领域靠近。
[1] |
厉吴辉, 陶旭东. 基于泛在物联网的智慧能源管家[J].
企业管理, 2019, 增刊2(S2): 270-271 LI Wuhui, TAO Xudong. Intelligent energy steward based on ubiquitous Internet of Things[J]. Enterprise Management, 2019, 增刊2(S2): 270-271 ( ![]() |
[2] |
卢阿丽, 顾德林, 张剑书, 等. 基于MQTT和ILZ4压缩法的智慧能源云平台[J].
控制工程, 2020, 27(1): 174-181 LU Ali, GU Delin, ZHANG Jianshu, et al. Smart Energy Cloud Platform Based on MQTT and ILZ4 Compression Algorithm[J]. Control Engineering of China, 2020, 27(1): 174-181 ( ![]() |
[3] |
温克欢, 唐义锋, 薛冰, 等. 基于能源管理的智慧能源网关技术研究[J].
电测与仪表, 2019, 56(16): 123-128 WEN Kehuan, TANG Yifeng, XUE Bing, et al. Research of smart energy gateway technology based on energy management[J]. Electrical Measurement & Instrumentation, 2019, 56(16): 123-128 ( ![]() |
[4] |
张琦, 刘帅, 徐化岩, 等. 钢铁企业智慧能源管控系统开发与实践[J].
钢铁, 2019, 54(10): 125-133 ZHANG Qi, LIU Shuai, XU Huayan, et al. Development and practice of smart energy management and control system in iron and steel works[J]. Iron & Steel, 2019, 54(10): 125-133 ( ![]() |
[5] |
王宁, 郭水文. 智慧能源系统研究的学术进展及其应用述评[J].
重庆大学学报(社会科学版), 2019, 25(5): 123-133 WANG Ning, GUO Shuiwen. A Review of the academic progress and application of smart energy system research[J]. Journal of Chongqing University (Social Science Edition), 2019, 25(5): 123-133 ( ![]() |
[6] |
沈忠杰, 汪鹏, 许鸿伟. 基于Simulink仿真模拟的智慧能源管理系统分析[J].
科学技术与工程, 2020, 20(32): 13197-13205 SHEN Zhongjie, WANG Peng, XU Hongwei. Analysis of Smart Energy Management System Based on Simulink Simulation[J]. Science Technology and Engineering, 2020, 20(32): 13197-13205 ( ![]() |
[7] |
王蓓蓓, 胥鹏, 赵盛楠, 等. 基于"互联网+" 的智慧能源综合服务业务延展与思考[J].
电力系统自动化, 2020, 44(12): 1-12 WANG Beibei, XU Peng, ZHAO Shengnan, et al. Business Extension and Related Consideration of Integrated Services for Smart Energy Based on 'Internet Plus'[J]. Automation of Electric Power Systems, 2020, 44(12): 1-12 ( ![]() |
[8] |
司方远, 汪晋宽, 韩英华, 等. 信息物理融合的智慧能源系统多级对等协同优化[J].
自动化学报, 2019, 45(1): 84-97 SI Fangyuan, WANG Jinkuan, HAN Yinghua, et al. Multilevel Peer-to-Peer Co-optimization for Cyber-physical Intelligent Energy Systems[J]. Acta Automatica Sinica, 2019, 45(1): 84-97 ( ![]() |
[9] |
卢婕, 刘向向, 周琪, 等. 支撑居民智慧能源的多能源协调综合控制技术[J].
可再生能源, 2020, 38(11): 1534-1540 LU Jie, LIU Xiangxiang, ZHOU Qi, et al. Multi-layer energy comprehensive and coordinated control technology for residential smart energy[J]. Renewable Energy Resources, 2020, 38(11): 1534-1540 ( ![]() |
[10] |
李强, 高勇, 朱建国, 等. 电厂智能化管控技术研究与应用[J].
热力发电, 2019, 48(10): 15-21 LI Qiang, GAO Yong, ZHU Jianguo, et al. Research and application of intelligent management and control technology in power plants[J]. Thermal Power Generation, 2019, 48(10): 15-21 ( ![]() |
[11] |
王奖, 张勇军, 李立浧, 等. 数据中心园区能源互联网的关键技术与发展模式[J].
中国工程科学, 2020, 22(4): 65-73 WANG Jiang, ZHANG Yongjun, LI Licheng, et al. Key Technologies and Development Modes of Park Energy Internet in Data Centers[J]. Strategic Study of CAE, 2020, 22(4): 65-73 ( ![]() |
[12] |
倪旺, 丁飞, 宗军, 等. 电能源无线传输与能源互联技术的研究进展[J].
电源技术, 2019, 43(2): 357-360 NI Wang, DING Fei, ZONG Jun, et al. Research progress on electronic energy wireless transfer and energy interconnection[J]. Chinese Journal of Power Sources, 2019, 43(2): 357-360 ( ![]() |