基于運行數據的“光儲直柔”建筑電力系統優化調度.pdf

《基于運行數據的“光儲直柔”建筑電力系統優化調度.pdf》由會員分享，可在線閱讀，更多相關《基于運行數據的“光儲直柔”建筑電力系統優化調度.pdf（38頁珍藏版）》請在三個皮匠報告上搜索。

1、基于運行數據的“光儲直柔”建筑電力系統優化調度北京工業大學張偉榮2023年4月8日專題31：智慧運維制冷空調系統智慧運維提升系統能效與可靠性專題研討會PART.0101光儲直柔建筑能源系統PART.0202光儲直柔建筑能源系統中柔性資源的量化目 錄CONTENTSPART.0303光儲直柔建筑能源系統的運行調節案例分析PART.0404結論與展望2PART.0101光儲直柔建筑能源系統PART.0202光儲直柔建筑能源系統中柔性資源的量化目 錄CONTENTSPART.0303光儲直柔建筑能源系統的運行調節案例分析PART.0404結論與展望3光儲直柔建筑能源系統（住房和城鄉建設部、國家發展改

2、革委）全面電氣化大力發展可再生能源光儲直柔建筑能源系統智能建筑控制系統高效儲能系統風能太陽能波動性在“雙碳”背景下，隨著建筑全面電氣化的推進，可再生能源的大力發展，傳統的建筑電力能源系統亟需改革，光儲直柔建筑能源系統作為有效的解決方案，能夠滿足新時代下的電力能源系統的要求4定義：通過光伏等可再生能源發電，蓄電、蓄熱等儲能方式，直流配電和需求側柔性用能來構建適應碳中和目標建設需求的新型建筑能源系統5光儲直柔建筑能源系統 建筑柔性資源調度與量化的數據基礎6目前研究基于模擬數據基于公開數據集基于實測數據條件根據自身需求設置預測結果一般較為理想大多取自位于較為空曠地區且有專人維護的光伏電站擬合曲線較為

3、平滑，不能反映柔性資源的隨機性和波動性基于建筑電力能源系統柔性資源實時運行數據的調度、量化研究較少建筑柔性資源復雜多樣，具有較大的不確定性、隨機性和波動性，基于實時運行的數據能夠為建筑電力能源系統的精準調度提供基礎直接應用于真實建筑電力系統中的預測、調度時存在不適用性光儲直柔建筑能源系統研究進展用戶使用不方便7光儲直柔建筑能源系統研究進展DSM面臨的問題調度潛力小，調度不充分供給側柔性資源調度缺乏多種供給側柔性資源進行聯合調度的研究目前的研究多為對以下柔性資源（可再生能源、儲能電池與電動汽車）的單獨研究目前的運行調節策略研究主要針對需求側進行管理（DSM），這種方法已被證明是應對嚴重峰值需求和

4、負載波動等問題的有效方法 需求側管理市政電力電動汽車太陽能風能固定電池空調燈具洗衣機洗碗機 電熱水器可轉移負荷可削減負荷建筑熱質量建筑需求側柔性資源建筑需求側柔性資源供給側柔性資源供給側柔性資源能量流智能設備 光儲直柔建筑運行調節“兩步走”計劃 第一步：不改變建筑用戶用電習慣，對建筑內部需求側柔性資源不進行調節，把建筑作為一個整體，研究供給側與建筑協同匹配的運行策略 第二步：對建筑內部需求側柔性資源進行調節，在建筑用戶用電舒適度范圍內提出供給側與需求側協同匹配的運行策略8光儲直柔建筑能源系統 基于實際運行數據和機器學習算法的微電網系統1.針對實際監測的電力數據，哪一種機器學習算法更適合于建筑電

5、力能耗預測？2.電動汽車是一個移動的儲能裝置，如何量化其時空轉移特性，預測其充放電容量？3.在建筑運行階段，供給側與需求側柔性資源如何協同配合？運行調度關鍵問題9光儲直柔建筑能源系統微電網系統中的重要模塊需要有基于實際運行數據的預測功能，形成柔性資源潛力的實時量化，進而指導建筑日前的電力運行調節PART.0101光儲直柔建筑能源系統PART.0202光儲直柔建筑能源系統中柔性資源的量化目 錄CONTENTSPART.0303光儲直柔建筑能源系統的運行調節案例分析PART.0404結論與展望10 基于機器學習算法的建筑電力能耗預測模型11各種柔性資源的量化 基于機器學習算法的建筑電力能耗預測模型

6、建筑能耗數據的監測建筑碳排放監測平臺的底層架構建筑碳排放監測平臺的底層架構監測平臺已有一年的數據量，數據內容涵蓋建筑整體及分項用能、氣象參數等，數據顆粒度包括逐分、逐時、逐日、逐月、逐年數據能夠支持多維度、多層次的科學研究，包括建筑整體、分項能耗預測、用能行為分析、運行調節策略開發等注：建筑碳排放監測平臺除了能夠監測建筑能耗等基本量以外，還留有大量接口，涵蓋交通、綠色空間、廢棄物等模塊，為后續建筑群級別的運行調節、碳排放計算提供支撐基于數字孿生的碳排放監測平臺基于數字孿生的碳排放監測平臺12各種柔性資源的量化辦公建筑電力能耗的內在規律變化主要受不同時間周期的影響，外在規律則主要受氣象參數等客觀

7、因素的影響時間參數月、星期、星期類型、日、時，其中星期類型分為工作日與非工作日，工作日設置為1，非工作日設置為0氣象參數溫度、相對濕度、太陽輻射量本研究旨在預測辦公建筑的實時電力能耗，輸出變量為逐時電力能耗數據建筑電力能耗的影響因素 基于機器學習算法的建筑電力能耗預測模型輸入輸出變量的選擇13各種柔性資源的量化隨機森林算法（RF）支持向量機(SVR)長短期記憶算法(LSTM)在當前的很多數據集上，相對其他算法有著很大的優勢，表現良好，它能夠處理很高維度的數據，并且不用做特征選擇模型泛化能力強訓練速度快在訓練過程中，能夠檢測到特征間的互相影響實現比較簡單對于不平衡的數據集來說，它可以平衡誤差如果

8、有很大一部分的特征遺失，仍可以維持準確度支持向量回歸使用與 SVM 原理相同，SVR 背后的基本思想是找到最佳擬合線即點數最多的超平面對異常值具有魯棒性決策模型可以輕松更新具有出色的泛化能力，具有很高的預測精度實現容易改善了RNN中存在的長期依賴問題LSTM的表現通常比時間遞歸神經網絡及隱馬爾科夫模型（HMM）更好作為非線性模型，LSTM可作為復雜的非線性單元用于構造更大型深度神經網絡機器學習算法以實際的監測數據為基礎，預測結果相比于能耗模擬軟件精度更高，更接近于實際的能耗數據 基于機器學習算法的建筑電力能耗預測模型機器學習算法14各種柔性資源的量化 基于機器學習算法的建筑電力能耗預測模型小結

9、隨機森林模型是基于 Python 3.6版本中的sklearn 0.24.1庫實現的，經過參數比較，模型中最終分類器的個數為305（森林中樹木的數量），決策樹的最大深度為38，隨機數設置為50本研究建立的LSTM模型是基于 Python 3.6版本中的TensorFlow 2.7.0 庫實現的。其中，迭代的次數為500，每次輸入到神經網絡中訓練的樣本數200，時間步長為1，隱藏節點（神經元）的個數為1500在本次SVR的調優研究中，重點研究了核函數RBF的參數和正則化參數，參數的取值為0.001,0.01,0.1.正則化參數的范圍為1,100,1000,2000,3000,4000。經過對18

10、種SVR模型的尋優比較，本研究選擇的 參數值為0.1，正則化參數值為3000隨機森林支持向量機長短期記憶15各種柔性資源的量化 具有時空轉移特性的電動汽車充放電容量預測16各種柔性資源的量化 具有時空轉移特性的電動汽車充放電容量預測電動汽車出行參數規律分析電動汽車用戶通勤行為調研問題單位早晨從居住區到辦公區您行駛的路程?km早晨您到達辦公區的時間?HH:mm早晨您到達辦公區時電動汽車的荷電狀態？%晚上從辦公區到達居住區您行駛的路程？km往返電動汽車所需的最低電量是多少？%晚上到達居住區的時間？HH:mm調查問卷內容電動汽車行駛路線居住區辦公區對北京工業大學的255輛電動汽車進行了實地調查和分析

11、，以確定電動汽車主要出行參數的一般規律，為電動汽車作為柔性資源的調度分析提供支持1N.Hartmann and E.D.zdemir.“Impact of different utilization scenarios of electric vehicles on the German grid in 2030.”J.power sources,vol.196,no.4,pp.2311-2318,2011.在工作日期間，往返于辦公區與居住區的電動汽車90%的時間處于閑置的狀態1，具有較大的可調度潛力 該類電動汽車具有時空轉移的特性，需要掌握其出行參數規律，才能有效地利用其充放電容量17各種柔

12、性資源的量化往返于辦公區與居住區的電動汽車出行參數基本滿足正態分布的形式N(,2)，根據這一規律，可以研究電動汽車的實際充放電功率和柔性調度策略早晨到達時電動汽車的荷電狀態滿足往返要求的最低荷電狀態到達辦公區的時間單程行駛距離到達居住區的時間 具有時空轉移特性的電動汽車充放電容量預測電動汽車出行參數規律分析18各種柔性資源的量化 具有時空轉移特性的電動汽車充放電容量預測電動汽車充放電情景分析往返于居住區與辦公區的電動汽車充電情況多樣，本研究通過調研電動汽車用戶的習慣，總結了10種常見的充放電情景，選取情景1、3、10作為本研究的充放電情景情景內容1電動汽車用戶根據自己早晨到達的荷電狀態判斷是否

13、滿足充放電要求，選擇合適功率進行充放電操作，在上班期間電動汽車不離開辦公區，晚上到達居住區根據自己的充電習慣進行充電2電動汽車用戶根據自己早晨到達的荷電狀態判斷是否滿足充放電要求，選擇合適功率進行充放電操作，在上班期間電動汽車會離開辦公區，晚上到達居住區根據自己的充電習慣進行充電3晚上電動汽車用戶在居住區延遲充滿電，早晨到達辦公區選擇合適功率進行充放電，在上班期間電動汽車不離開辦公區4電動汽車用戶根據自己早晨到達的荷電狀態判斷是否滿足充放電要求，并延遲進行充放電，在上班期間電動汽車不離開辦公區，晚上到達居住區根據自己的充電習慣進行充電5電動汽車用戶根據自己早晨到達的荷電狀態判斷是否滿足充放電要

14、求，并延遲進行充放電，在上班期間電動汽車會離開辦公區，晚上到達居住區根據自己的充電習慣進行充電6晚上電動汽車用戶根據用電習慣在居住區充滿電，早晨到達辦公區選擇合適功率進行充放電，在上班期間電動汽車不離開辦公區7晚上電動汽車用戶在居住區延遲充滿電，早晨到達辦公區選擇合適功率進行充放電，在上班期間電動汽車會離開辦公區8晚上電動汽車用戶在居住區延遲充滿電，早晨到達辦公區選擇合適功率延遲充放電，在上班期間電動汽車不離開辦公區9晚上電動汽車用戶在居住區延遲充滿電，早晨到達辦公區選擇合適功率延遲充放電，在上班期間電動汽車會離開辦公區10以上各種情景配合光伏發電不充足情形19各種柔性資源的量化 具有時空轉移

15、特性的電動汽車充放電容量預測基于蒙特卡羅算法的電動汽車充放電容量預測流程1maxxEEx1()cccEECTP1()dddEECTP荷電狀態公式充放電時間確定電動汽車的充放電情景,在此基礎之上,識別計算所需要的輸入變量（例如：時間、距離、荷電狀態）根據每個變量遵循的概率分布函數隨機抽取變量的數值，把隨機抽取的變量輸入到核心計算公式反復執行前一步驟，計算出大量分布結果,將計算的結果求平均,再根據相應的電動汽車數量條件,轉換為最終的電動汽車充放電容量結果預測流程蒙特卡羅算法作為一種數值算法，極適合解決變量具有概率特性的高度復雜或非線性問題20各種柔性資源的量化 光伏發電量預測模型21各種柔性資源的

16、量化 光伏發電量預測模型22各種柔性資源的量化利用小型氣象站（FT-CQX12-RP）監測多時間尺度的氣象數據，以避免使用大型氣象站臺數據不能準確反映局部氣象參數的問題。對可能影響光伏發電的天氣因素進行相關性分析，作為預測的輸入變量。對多數研究中指出的云量對發電的影響問題重點關注，基于實際測量建立不確定模型，進一步提升預測模型精確度監測參數量程分辨率準確度溫度-40-600.01 0.3（25）相對濕度0-100%RH0.01%RH 3%RH風速0-60m/s0.01m/s 0.1m/s大氣壓力30-110Kpa0.01Kpa 0.25%光照度0-20WLUX1lux 3%總輻射0-1800W

17、/m21W/m2 3%微型氣象儀太陽能板IP66防護箱2米立桿攝像頭內含液晶屏幕地籠05101520253035202530354045505560 Low ambient temperature condition High ambient temperature condition Average power generationPower generation(kWh)Temperature(C)-505101520253035468101214161820 Low ambient temperature condition High ambient temperature condit

18、ion Average electrical efficiencyTemperature(C)Electrical efficiency(%)高溫和低溫條件下的發電效率及發電量（相關性分析示例）實測建筑與小型氣象站參數實時監測真實建筑電力系統的光伏發電量，提升建筑電力能源系統中光伏發電預測模型的精確度 光伏發電量預測模型在實際工程中，生產廠家僅提供標準條件（溫度25，光照強度1000W/m2）下，光伏電池的開路電壓Uoc、短路電流Isc、最大功率點電壓Um及最大功率點電流Im等基本參數。Isc，UocIm，Um是一般工作條件下的值，根據上述公式可求得一般條件下的光伏發電量光伏電池等效電路ref

19、TTT1refSSSm1(1)exp()mscocUICIU1m2(1)ln()mocscUICUI(1)(1)ococUUTS (1)scscrefSIITS(1)(1)mmUUTS (1)mmrefSIITS 121exp()1mscocUIICC U數學方程23各種柔性資源的量化 小結機器學習算法、蒙特卡洛算法等大數據分析處理技術在光儲直柔能源系統模型的搭建中具有重要的意義。儲能裝置的充放電模型與電動汽車類似，不同的是儲能裝置沒有電動汽車時空轉移的特性。24各種柔性資源的量化PART.0101光儲直柔建筑能源系統PART.0202光儲直柔建筑能源系統中各種柔性資源的量化目 錄CONTEN

20、TSPART.0303光儲直柔建筑能源系統的運行調節案例分析PART.0404結論與展望25 案例研究本研究以北京工業大學辦公樓及其周邊電動汽車作為光儲直柔建筑能源系統運行調節的案例26該辦公樓建筑面積16320m2，屋頂面積2028m2。本研究用一層的電耗數據作為機器學習算法的驗證案例，使用2022年4月1日至2022年6月7日的建筑一層的逐時電耗數據作為機器學習算法的樣本數據，其中80%為訓練數據，20%為測試數據基于蒙特卡洛算法模擬選取30輛電動汽車，模擬5000次，計算電動汽車的充放電容量選取2000m2的屋頂面積模擬光伏發電量，結合光伏發電量、建筑用電量，選取1100kWh的電池組作

21、為儲能裝置光儲直柔建筑能源系統的運行調節案例分析辦公建筑電動汽車 案例研究情景內容1電動汽車用戶根據自己早晨到達的荷電狀態判斷是否滿足充放電要求，選擇合適功率進行充放電操作，在上班期間電動汽車不離開辦公區，晚上到達居住區根據自己的充電習慣進行充電3晚上電動汽車用戶在居住區延遲充滿電，早晨到達居住區選擇合適功率進行充放電，在上班期間電動汽車不離開辦公區10以上充放電情況分別配合光伏發電充足、不充足情形供需匹配策略：光伏發電量、電動汽車放電量用于供給當天8:00-23:00以及次日0:00-7:00的需求側電力。在光伏發電量、電動汽車放電量盈余的階段，電量被儲存到儲能裝置中，用于其他時間段辦公建筑

22、的電力需求。對于不能夠滿足建筑電力需求的時間段，需要購入市政電力滿足該時間段的電力需求27目標：不同情景下，光儲直柔建筑能源微電網系統在辦公建筑的應用效果及經濟性分析光儲直柔建筑能源系統的運行調節案例分析 建筑電力能耗預測結果05010015020025030035024681012141618Power Consumption(kW)Time(h)Actual Prediction010020030040051015Power Consumption(kW)Time(h)010020030040051015Power Consumption(kW)Time(h)050100150200250

23、30035024681012141618Power Consumption(kW)Time(h)Actual Prediction010020030040051015Time(h)01002003004000510Power Consumption(kW)Time(h)Power Consumption(kW)05010015020025030035024681012141618Power Consumption(kW)Time(h)Actual Prediction0100200300400246810121416Power Consumption(kW)Time(h)01002003004

24、0046810Power Consumption(kW)Time(h)RF表現的預測性能最為優越，其次為SVR，這是因為這兩種技術在映射復雜非線性關系方面具有優異的性能。LSTM算法的預測性能較差，可能是深度學習算法更適合于具有大量數據的長期預測場景。本研究選擇RF算法作為預測建筑逐時電力能耗的算法。隨機森林算法預測結果支持向量機算法預測結果長短期記憶算法預測結果28光儲直柔建筑能源系統的運行調節案例分析 光儲直柔建筑能源微電網系統供給匹配結果情景1中柔性資源供給匹配結果備注：2022年6月8日8:00-次日7:00為預測日 光伏、電動汽車、儲能裝置、市政電力的有效協同匹配能夠滿足建筑的運行情

25、況 在9:00-11:00，15:00-17:00光伏發電量比較充足 情景1的電動汽車放電時間為8:00-11:00，8:00-10:00為電動汽車放電的高峰期。電動汽車的充電時間為8:00-12:00，9:00-11:00是充電高峰期 在辦公區放完電的電動汽車，按照用戶的習慣回家立即進行充電，充電時間為18:00-23:00，充電的高峰期為19:00-22:00 同時具有光伏發電量與電動汽車放電量的時間段，完全能夠覆蓋該時間段內建筑、電動汽車的用電需求，多余的電量被存入儲能裝置 在情景1中，該多能源供給框架能夠滿足當日8:00-21:00的電力需求，在22:00到次日7:00仍需要購入市政電

26、力29光儲直柔建筑能源系統的運行調節案例分析情景1中柔性資源供給匹配結果備注：2022年6月8日8:00-次日7:00為預測日 在9:00-11:00，15:00-17:00光伏發電量比較充足 情景1的電動汽車放電時間為8:00-11:00，8：00-10:00為電動汽車放電的高峰期。電動汽車的充電時間為8:00-12:00，9:00-11:00是充電高峰期 在辦公區放完電的電動汽車，按照用戶的習慣回家立即進行充電，充電時間為18:00-23:00，充電的高峰期為19:00-22:00 同時具有光伏發電量與電動汽車放電量的時間段，完全能夠覆蓋該時間段內建筑、電動汽車的用電需求，多余的電量被存入

27、儲能裝置 在情景1中，該多能源供給框架能夠滿足當日8:00-21:00的電力需求，在22:00到次日7:00仍需要購入市政電力30 光儲直柔建筑能源微電網系統供給匹配結果光儲直柔建筑能源系統的運行調節案例分析情景1中柔性資源供給匹配結果備注：2022年6月8日8:00-次日7:00為預測日 在9：00-11:00，15:00-17:00光伏發電量比較充足 情景1的電動汽車放電時間為8:00-11:00，8：00-10:00為電動汽車放電的高峰期。電動汽車的充電時間為8:00-12:00，9:00-11:00是充電高峰期 在校園放完電的電動汽車，按照用戶的習慣回家立即進行充電，充電時間為18:0

28、0-23:00，充電的高峰期為19:00-22:00 同時具有光伏發電量與電動汽車放電量的時間段，完全能夠覆蓋該時間段內建筑、電動汽車的用電需求，多余的電量被存入儲能裝置 在情景1中，該多能源供給框架能夠滿足當日8:00-21:00的電力需求，在22:00到次日7:00仍需要購入市政電力31 光儲直柔建筑能源微電網系統供給匹配結果光儲直柔建筑能源系統的運行調節案例分析情景1中柔性資源供給匹配結果備注：2022年6月8日8:00-次日7:00為預測日 在9：00-11:00，15:00-17:00光伏發電量比較充足 情景1的電動汽車放電時間為8:00-11:00，8：00-10:00為電動汽車放

29、電的高峰期。電動汽車的充電時間為8:00-12:00，9:00-11:00是充電高峰期 在辦公區放完電的電動汽車，按照用戶的習慣回家立即進行充電，充電時間為18:00-23:00，充電的高峰期為19:00-22:00 同時具有光伏發電量與電動汽車放電量的時間段，完全能夠覆蓋該時間段內建筑、電動汽車的用電需求，多余的電量被存入儲能裝置 在情景1中，該多能源供給框架能夠滿足當日8:00-21:00的電力需求，在22:00到次日7:00仍需要購入市政電力32 光儲直柔建筑能源微電網系統供給匹配結果光儲直柔建筑能源系統的運行調節案例分析情景1中柔性資源供給匹配結果備注：2022年6月8日8:00-次日

30、7:00為預測日 在9：00-11:00，15:00-17:00光伏發電量比較充足 情景1的電動汽車放電時間為8:00-11:00，8：00-10:00為電動汽車放電的高峰期。電動汽車的充電時間為8:00-12:00，9:00-11:00是充電高峰期 在辦公區放完電的電動汽車，按照用戶的習慣回家立即進行充電，充電時間為18:00-23:00，充電的高峰期為19:00-22:00 同時具有光伏發電量與電動汽車放電量的時間段，完全能夠覆蓋該時間段內建筑、電動汽車的用電需求，多余的電量被存入儲能裝置 在情景1中，該多能源供給框架能夠滿足當日8:00-21:00的電力需求，在22:00到次日7:00仍

31、需要購入市政電力8101214161820222426283032-400-2000200400Power(kW)Time EV charging power at home Energy storage device Grid EVcharging power in school EVdischarging power in school Building power consumption PV power generation33 光儲直柔建筑能源微電網系統供給匹配結果光儲直柔建筑能源系統的運行調節案例分析情景3中多能源供給匹配結果 在情景3中，電動汽車放電時間為8:00-12:00，8

32、:00-11:00為電動汽車放電的高峰期 在情景3中，該多能源供給框架能夠滿足6月8日8:00-次日7:00的電力需求，在6月8日10:00，該多能源供給框架能夠向電網輸送165.5kW，減小電網高峰時段的配電壓力 在居住區，所有電動汽車的充電時間被延遲了3.5小時，目的是把電動汽車的充電負荷轉移到用電的低谷時段，充電高峰期為23:00-次日的3:00注：在情景3中，隨機抽取的30輛電動汽車在家時全部被充滿電，很小的一部分電量用于滿足從居住區到達辦公區的這段路程的要求。電動汽車早晨到達學校時，荷電狀態幾乎是等于1，30輛電動汽車全部進入放電模式在情景3中，電動汽車選擇了慢充的方式，選擇這種方式

33、的原因包括：一慢充功率對電動汽車電池的壽命影響較小，二在晚上電動汽車用戶不著急使用電動汽車，有足夠的時間允許電動汽車充電8101214161820222426283032-600-400-2000200400600Power(kW)Time Energy storage device Grid EVcharging power EVdischarging power Building power consumption PV power generation34 光儲直柔建筑能源微電網系統供給匹配結果光儲直柔建筑能源系統的運行調節案例分析情景10多能源供給匹配結果 情景10模擬的是預測日期是陰

34、雨天的情況，在情景3里去除了光伏的發電量，電動汽車在6月8日8:00-12:00的放電量能夠基本滿足建筑在13:00-19:00的用電需求 建筑在19:00以后的用電量全部需要從市政電力購入，電動汽車的充電情況和情景3一樣總結 在情景1中，微電網系統能夠滿足辦公建筑8:00到21:00的用電需求，在晚上用電低谷時段需要購入電力 在情景3中，微電網系統能夠滿足辦公建筑一天的用電需求，并在需求側用電高峰時期，向電網放電 在情景10中，在缺少光伏發電的情況下，電動汽車的放電量能夠基本滿足辦公建筑8:00-19:00的電力需求8101214161820222426283032-400-300-200-

35、1000100200300400Power（kW）Time Energy storage device Grid EVcharging power EVdischarging power Building power consumption35 光儲直柔建筑能源微電網系統供給匹配結果光儲直柔建筑能源系統的運行調節案例分析PART.0101光儲直柔建筑能源系統PART.0202光儲直柔建筑能源系統中各種柔性資源的量化目 錄CONTENTSPART.03光儲直柔建筑能源系統的運行調節案例分析PART.04結論與展望36結論與展望371.光儲直柔建筑能源微電網系統供給框架能夠大幅度地降低辦公建筑的運

36、行成本，但需要建立在運行監測數據的基礎上結合預測算法進行調度2.柔性資源潛力的量化既是建筑內部制定實時調度策略的基礎依據，也是能源系統實施不同優化調度策略后柔性性能利用潛力的評價標準，今后需要進一步研究柔性資源的量化評價指標3.優化儲能裝置選型的方法，為不同的需求響應場景建立儲能裝置選型的原則，研究耦合電動汽車、儲能裝置壽命成本的綜合經濟模型4.研究疊加建筑需求側柔性響應的供需雙向優化調度策略，進一步提升整個系統的柔性調節范圍，達到充分利用建筑電力能源系統柔性資源的目的38謝謝，歡迎交流討論Acknowledgement 感謝以下合作單位一直以來的支持、協作和共同探索，以及為本次報告提供的相關素材。