13334/j.0258-8013.pcsee.181058 文章编号：0258-8013 (2019) 23-6791-13 中图分类号：TM 73 园区型综合能源系统多时间尺度模型 预测优化调度 王成山 1，吕超贤 1，李鹏 1，李树泉 2，赵鲲鹏 2 (1．智能电网教育部重点实验室(天津大学)，天津市 南开区 300072； 2．国家电网公司客户服务中心，天津市 东丽区 有 效的调度策略是实现这一目标的关键。该文针对一个实际园 区综合能源系统冬季运行优化调度问题进行研究。在对设备 进行详细建模基础上，建立包含滚动优化环节和动态调整环 节的两阶段多时间尺度模型预测控制调度策略：滚动优化阶 段以系统运行费用和机组启停罚金最小为目标，结合分时电 价并考虑多系统互补运行，通过多步滚动求解制定系统大时 间尺度调度计划；动态调整阶段以滚动优化阶段调控计划为 基 越性，有效降低运行成本，减少主机启停次数；动态调整阶 段的引入可快速响应可再生能源和系统负荷小时间尺度变 化，经济可靠地满足系统用能需求。 关键词：园区型综合能源系统；蓄热装置；启停罚金；模型 预测控制；多时间尺度；优化调度 0 引言 随着化石燃料的枯竭和全球环境污染问题的 日益突出，开发和利用可再生能源，提高终端能源 消费的效率、清洁化水平至关重要[1-3]。园区型综合 能源系统(community

腾讯 以 Deep5eek 为代表 的 在能源行业的应用 前景预测 贾德香 博士、正高 国网规划计划领军人才、 国网能源院高级专家 注册电气师、 咨询师 OT Deep5eek 等 RI 大模型简介 Deep5eek 在能源应用前景 预测 0 3 挑战与应对策略 Deep5eek 等 RI 大 模型简介 20 世纪 50 ~ 70 年代是人工智能技术的萌芽时期。 集群、分布式训练框架等。 二、 AI 大模型的核心技术与特 点 Te n c e n 腾 讯 Te n c e n 腾 讯 02,Deep5eek 等 RI 大 模型在能源应用前景 预测 n 国网光明电力大模型：（开源与闭源并举） 发输变配用、调度、交易 规划、建设、运行、检修、营销 n 南网，大瓦特 n 三峡集团“大禹”大模型 n 中核集团龙吟大模型 n 中国广核，“锦书”大模型 RI 大 模型在能源应用前景 预测 能源生产与管理 n 新能源发电优化： 1 、精准的功率预测： DeepSeek 可构建更精准的新能源发电预测模型，对太阳能、风能等发电功率进行提前预测。例如， 针对某风光装 机占比达 58% 的省级电网， DeepSeek 通过构建考虑新能源场站波动特性的动态安全域模型，将弃光率从 19% 降至 3.2% ，日前预测精 度提高 至 94.7% 。

人工智能在电力需求侧仿真与预测中的若千应用 景锐 ( 副教授 ) 厦门大学能源学院 目录 1 在仿真中应用 2 在预测中应用 2 3 背景意义 全球变暖， 2024 年为有记录以来全球最热年，为舒适与健康不得不消耗大量能源 ! 《电力系统调节能力 优化专项行动实施方 案 (2025-2027 年 ) 》 目标：在需求侧建设相当于 5% √ 全国所有城市 个厦门城市微气候： √ 1km/1h 温、光、风、湿、 水 √ 全国所有城市 14 目录 1 在仿真中应用 2 在预测中应用 15 门控循环单元 GRU 为 LSTM 的 简化 变体，将遗忘门与输入门合并为更 新门，将输出门替换为重置门，可 对前序信息进行记忆或遗忘，兼顾 负荷序列时序性与非线性，进一步 hi Transformer 由多个编码器 和 解码器组成，核心在于多头自 注意力机制，捕捉输入序列中 每个元素与其他元素的相关性 Transformer 负荷预测的深度学习方法 CNN 在 BP 网络基 础上将隐含层替换 为卷积层与池化层， 减少网络需要优化 的参数 CNN 人 t 是 LSTM 保留 RNN

求计划的验证过程，同时密切监控 预测准确性 C- 供应计划  甲方还需在供应商协同、端到端供 应能力可见性等方面进行提升 物流网络和相应的库存计划与监控 仍然较弱 B-S&OP S&OP 关注解决需求和供应的冲 突，欠缺对年度财务计划的考虑 应尽快提高 IT 支持的整体水平，并 加快决策速度 A1- 客户协同 A2- 预测周期 A3- 预测 A4- 内部协同 A5- 计划物流部 • 分公司计划物流经理：制定分公司 4/5 周销售预测，制定分公司购销合同，制定 要货计划 市场部 • 市场部经理：负责制定分公司市场活动方案，指导分公司销售预测 办事处 • 办事处经理：协助计划物流经理制定购销合同及销售预测 • 渠道经理：协助计划物流经理制定购销合同及销售预测 • 业务员：协助计划物流经理制定购销合同及销售预测 海外营销 总部 行销部 计划组 • FCST Plan name 总部 4 周净需求 Horizon 5 周 Bucket 每周 考虑 CDC+RDC 库存 需求计划重点关注 蝈内需求高阶流程 蝈内需求计划主要由总部制定 3 个月滚动预测及月度购销合同，指导物料采购及 月度生产 Plan name 物料采购计划 ( 短周期 ) Horizon 4 周 Bucket 每周 考虑物料库存及供应商反馈 参考 参考 1.1 1

...29 图 2.5 预测性维护的基础构件。 ............................................................................31 图2.6 比较替代的电源资产维护方法。 .......................................31 图2.7 人工智能增强型可变可再生能源发电预测。 .......... ................................................ 28 表2.3 实施预测性维护的步骤 ..................................................32 表2.4 部署人工智能增强型虚拟现实预测的启用步骤 ......................................34 表2.5 实现能源属性证书部署的启用步骤。 （ai）的应用程 序，用于预测或自动化——如何可以 创造价值 为系统内所有演员。 1 在利益相关者协商中，66%的受访者表示他们将数字化纳入其国家能源战略。只有15%的受访者表示数字解决方案在国家能源战略或规划 中未被提及。 电力系统正在进行的转型特点是日益复杂。随着到 2050 年电力在终端能源消费中的占比达到 52%（国际能源署 [国 际能源署，2024a] 预测当前电气化率将翻倍），数字

AI+ 质量管理是运用人工智能、大数据、物联网、云计算等新一代信息技术，对产品质量进 行全生命周期、全过程、全要素的智能化管理，实现质量问题的预防、预测、预警和持续改进。 - 预防性 ：从被动检测转向主动预防 - 预测性 ：预测质量趋势和潜在问题 - 实时性 ：实时监控和反馈质量状态 - 全面性 ：覆盖产品全生命周期 - 智能性 ：具备自学习和自优化能力 AI+ 质量管理——方案概述 3 、 质量预测 根据实时生产数据和模型 ，预测产品质量趋势 ，及时发现潜在质量问题。 4 、 工艺参数优化 利用优化算法 ，对关键工艺参数进行调整 ， 以实现产品质量的最 大化。 形成闭 环 ， 持 续 改进 AI+ 质量管理——架构蓝图 ① 生产过程透明化（ SPC 全流程 监控，保障设备生产过程工艺稳 定可靠）：快速定位稳定性不足 的环节，为后续预测与优化提供 数据基础； 数据基础； ② 生产过程可预测（ AI 驱动优化， 实现预测性维护与分析）：构建 AI 模型实现质量预测、工艺调优 与故障预判，形成主动式管控闭 环。 ③ 知识经验可关联可沉淀 （ FMEA 失效模式与影响分析 +LLM 大语言模型，闭环反馈）： 产品研发设计和生产过程知识库、智 能体问答应用。 AI+ AI+ 质量管理——产品清单 基本模块 基本模块 算法管理模块 算法管理模块 单工序闭环控制

数据量大 高度非线 性 数据深度挖掘 潜在关联发现与预测 大模型 黑箱效应 幻觉 非精准函数映射 特性 局限 不直接干预现有系统的操作指令 ， 而是通过深度分析现有系统产生的数据（如 企业资源计划（ ERP ） 系统的销售数据、 办公自动化（ OA ） 系统中的审批流 程） ，提供高级分析、预测、优化建议和人机交互功能。 大模型的输出作为参 考信息 ，辅助专业人员进行决策 ，形成优势互补。 l 选择和优化模型骨架要考虑： 电力数据的特性 ：电力数据以时序为主 ，包 含 大量数值型数据 ，对模型捕捉时间依赖和 动态 变化能力要求高。 不同的任务需求 ：不同任务（预测、控制、 诊 断）对模型架构的侧重点不同。 计算资源的约束 ：需平衡模型性能与训 练 / 推 理成本。 架构之基：选择与优化适应电力特性的模型 骨架 通用模型 辅助调度员进行电网安全校核、 阻塞管理、优化出清计算 市场交易辅助机器人 辅助交易员进行市场分析、价格预 测、策略生成、风险监控 智慧能源辅助机器人 辅助园区管理者、聚合商、用户进 行负荷预测、能效优化、市场参与 决策 “ 辅助机器人” ：面向核心业务场景的智能体范 式 l 认知与决策中枢：是机器人的核心智能所在 ，负责处理最复杂的认知任务。 l 核心大模型 理解与表征：

过 程 优 化 EMS 数据 ERP 数据 MES 数据 检验数据 设备数据 数据源 DCS 数据 工业大数据架构 大数据应用 大数据处理 工艺优化 质量提升 产线故障预测 预测性维修 效率提升 可视化监控 事务型数据 MPP 数据库 HADOOP OLTP 数据仓库 元数据 索引 列存储 粗粒度索引 数据压缩 SQL 优化 动态拓展 资源管理 批量检索服务 数据分享服务 数据下载服务 数据仓库和分析型应用 ODS/DSA – 面向主题、当前 DW – 面向主题、历 史和汇总 DM DM API 接口 供应链优化 作业行为优化 设备预测性维修 Spark ML 工业大数据特点 供应商数据 • 产品质量 • 服务信息 • 信用数据 • 位置数据 • 渠道依赖 • 原料来源 • Web 信息 • 业务信息 • 工业大数据建模目标 制造价值提升 1 、原因分析的工艺优化； 2 、设备预测性维修； 3 、产线异常监控； 4 、产品质量控制； 供应商管理提升 1 、风险预测与分析； 2 、交付时间与路径优化； 3 、供应商评价与信用管理； 客户需求管理提升 1 、客户行为的需求挖掘； 2 、准确个性化的产品定价； 3 、产品的预测性保养与维修； 4 、更好的产品体验； 运营价值提升 1 、更好的管理资产；