一种用于确定能源站的运行控制策略的方法与设备与流程

本申请涉及能源领域，尤其涉及一种用于确定能源站的运行控制策略的技术。

背景技术：

随着时代的发展，电力在人们的生产和生活中扮演着极为重要的角色，人们对电力供应的需求也迅速增加，这就对能源站的建设提出了更高的要求。特别是对于分布式能源站(功率不大、小型模块化且分布于负荷周边)而言，由于具有经济高效(线路损失少)、运行可靠等特点，分布式能源站正在快速发展。

技术实现要素：

本申请的一个目的是提供一种用于确定能源站的运行控制策略的方法和设备。

根据本申请的一个方面，提供了一种用于确定能源站的运行控制策略的方法，所述方法包括以下步骤：

冻结第一预测模型的至少一个神经网络层，并基于目标建筑的历史数据微调所述第一预测模型以获得第二预测模型；

将目标建筑的待预测数据应用于所述第二预测模型以获得预测结果数据，其中所述预测结果数据包括分别与多个时间段相对应的多项预测负荷信息；

对所述多项预测负荷信息执行聚类操作以获得至少一个簇；以及

根据所述至少一个簇中的每个簇分别确定对应的典型负荷曲线，并根据所述典型负荷曲线确定能源站在相应时间段的运行控制策略；

其中，所述第一预测模型是基于深度神经网络构建和基于源域的历史数据训练而得到的。

根据本申请的另一方面，提供了一种用于确定能源站的运行控制策略的设备，所述设备包括：

模型微调模块，用于冻结第一预测模型的至少一个神经网络层，并基于目标建筑的历史数据微调所述第一预测模型以获得第二预测模型；

结果预测模块，用于将目标建筑的待预测数据应用于所述第二预测模型以获得预测结果数据，其中所述预测结果数据包括分别与多个时间段相对应的多项预测负荷信息；

负荷聚类模块，用于对所述多项预测负荷信息执行聚类操作以获得至少一个簇；以及

策略确定模块，用于根据所述至少一个簇中的每个簇分别确定对应的典型负荷曲线，并根据所述典型负荷曲线确定能源站在相应时间段的运行控制策略；

其中，所述第一预测模型是基于深度神经网络构建和基于源域的历史数据训练而得到的。

根据本申请的又一方面，提供了一种用于确定能源站的运行控制策略的设备，其中，所述设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以上所述方法的操作。

根据本申请的另一方面，提供了一种存储指令的计算机可读介质，所述指令在被计算机执行时使得所述计算机执行以上所述方法的操作。

随着能源设施(尤其是对环境更友好的分布式能源系统)的快速建设，以及各类开发区的加速发展，区域分布式能源系统的应用场景和普及程度也越来越高。在此前提下，在能源设施(尤其是分布式能源系统)迅速铺开的同时，对于一座新建的能源站而言，建设该能源站时可用的历史负荷信息很少，根据这些很少的历史负荷信息将难以获得对其未来一段时间的负荷状态做出准确预测，这将使减少能源浪费和提高能源系统的收益的目标难以达成。

与现有技术相比，本申请基于运行相对较久的能源站的相关数据预先训练得到一数据模型，并基于目标能源站的“贫信息状态”的历史负荷信息调整该数据模型，以使该数据模型适应于目标能源站的具体情况，从而使针对目标能源站的预测活动在预先训练所用的大量数据的基础上具有足够的精度，以减少能源浪费和提高能源系统的收益。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请一个实施例中用于确定能源站的运行控制策略的方法的流程图；

图2是本申请另一实施例中用于确定能源站的运行控制策略的方法的流程图；

图3示出上述用于确定能源站的运行控制策略的方法的一个实例；

图4示出一种分布式能源站的构成；

图5是本申请一个实施例中的子步骤流程图；

图6示出本申请一个实施例中用于确定能源站的运行控制策略的设备的功能模块；

图7示出本申请另一实施例中用于确定能源站的运行控制策略的设备的功能模块；

图8示出本申请一个实施例中的子功能模块；

图9示出一种可用于本申请各实施例的示例性系统的功能模块。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如，中央处理器(centralprocessingunit,cpu))、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(randomaccessmemory,ram)和/或非易失性内存等形式，如只读存储器(readonlymemory,rom)或闪存(flashmemory)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(phase-changememory,pcm)、可编程随机存取存储器(programmablerandomaccessmemory,pram)、静态随机存取存储器(staticrandom-accessmemory,sram)、动态随机存取存储器(dynamicrandomaccessmemory,dram)、其他类型的随机存取存储器(randomaccessmemory,ram)、只读存储器(read-onlymemory,rom)、电可擦除可编程只读存储器(electrically-erasableprogrammableread-onlymemory,eeprom)、快闪记忆体(flashmemory)或其他内存技术、只读光盘只读存储器(compactdiscread-onlymemory,cd-rom)、数字多功能光盘(digitalversatiledisc,dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本申请所指的设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作系统，如android操作系统、ios操作系统等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit,asic)、可编程逻辑器件(programmablelogicdevice,pld)、现场可编程门阵列(fieldprogrammablegatearray,fpga)、数字信号处理器(digitalsignalprocessor,dsp)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(cloudcomputing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、vpn网络、无线自组织网络(adhocnetwork)等。优选地，所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。

当然，本领域技术人员应能理解上述设备仅为举例，其他现有的或今后可能出现的设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。

在本申请的描述中，“多个”的含义是两个或者更多，除非另有明确具体的限定。

在开始描述本申请的具体实施方式之前，需要指出的是，虽然本申请的部分实施例以分布式能源站为实施对象，但是本领域技术人员应能理解，任何现有的或者今后可能出现的能源站或能源系统(例如该系统包含设计用于为用户提供电力、制热和/或制冷的能源设施)，如能适用于本申请，也包含在本申请的保护范围内，并以引用的方式包含于此。

根据本申请的一个方面，本申请提供了一种用于确定能源站的运行控制策略的方法。以下以一种用于确定能源站的运行控制策略的设备(以下简称策略确定设备)为例，详细描述该方法的具体实施方式。

参考图1，所述方法包括步骤s100、步骤s200、步骤s300和步骤s400。

其中，在步骤s100中，策略确定设备冻结第一预测模型的至少一个神经网络层，并基于目标建筑的历史数据微调所述第一预测模型以获得第二预测模型。其中，所述第一预测模型是基于深度神经网络构建和基于源域(sourcedomain)的历史数据训练而得到的(例如事先已取得源域的大量历史负荷数据)，在一些实施例中源域对应于已取得历史负荷数据的区域。在一些实施例中，该第一预测模型是基于神经网络构建的，并可选地具有多层神经元，例如该第一预测模型具有输入层、输出层和若干隐藏层，在一个实施例中用于构建该第一预测模型的神经网络为深层神经网络(或称深度神经网络)。

冻结该第一预测模型的至少一个神经网络层，指的是保存该至少一个神经网络层的参数信息(使其不变)；在此基础上，再基于目标区域一个或者若干个目标建筑(例如当前正在研究的新增的能源站将向该区域中的这若干个目标建筑供电、供热和/或供冷)的历史数据(例如历史供电/供热/供冷负荷)微调该第一预测模型未被冻结的部分参数，例如在冻结相应的神经网络层后基于目标建筑的历史数据继续训练该第一预测模型，并在训练完成后获得第二预测模型，该第二预测模型可用于预测目标建筑在未来一段时间内的供电、供热和/或供冷负荷。在上述第一预测模型基于其他能源站的大量历史数据训练而成的基础上，尽管当前能源站的历史数据还较少，在第一预测模型足够精确的前提下，基于目标建筑的部分数据“微调”第一预测模型所得的第二预测模型在融合目标建筑的负荷特点之后亦具有足够的预测精度。

在步骤s200中，策略确定设备将目标建筑的待预测数据应用于所述第二预测模型以获得预测结果数据，其中所述预测结果数据包括分别与多个时间段相对应的多项预测负荷信息。在一些实施例中，该多项预测负荷信息对应于未来一段时间内若干时间段内的负荷信息，例如该多项预测负荷信息对应于每一天的每一小时的电、热、冷负荷量。本领域技术人员应能理解，在此对所述多项预测负荷信息的举例并非对本申请的任何限定，其他现有的或今后可能出现的预测负荷信息的形式(例如可能出现的时间段的划分方式)如能适用于本申请，也包含在本申请的保护范围之内，并以引用的方式包含于此。

在步骤s300中，策略确定设备对所述多项预测负荷信息执行聚类操作以获得至少一个簇，例如该聚类操作基于k-means(也称为k-均值)算法实施。在一些实施例中，一种具体的聚类方式为：对负荷预测结果进行数据标准化，之后运行k-means聚类算法生成不同聚类数下的聚类结果，并基于选定的有效性指标对聚类结果进行评估，将最优的评估结果对应的聚类数作为最佳聚类数(或称为目标聚类数量)，并将该最佳聚类数所对应的聚类结果用于后续步骤。

随后在步骤s400中，策略确定设备根据所述至少一个簇中的每个簇分别确定对应的典型负荷曲线，并根据所述典型负荷曲线确定能源站在相应时间段的运行控制策略。其中所述典型负荷曲线包括但不限于典型日负荷曲线、典型月负荷曲线等，且本领域技术人员应能理解，这些具体的典型负荷曲线仅为举例而非对本申请的任何限定，其他现有的或者今后可能出现的典型负荷曲线如能适用于本申请，也包含在本申请的保护范围内，并以引用的方式包含于此。

通过上述聚类操作，对应的负荷曲线相近的预测负荷信息(可理解为相对于相同的时间段具有相似的分布)被归为一类，以便为每一类相近的预测负荷分配同一段关于某些时间段的典型负荷曲线，该典型负荷曲线用于确定该能源站在相应的时间段内的运行控制策略(例如用于确定能源站中各设备的工作状态)。相当于将样本进行分类，并在分类后根据各类样本对应的时间段(例如对应的日期)进行同一类分布式能源站的系统运行控制。以典型负荷曲线为日负荷曲线(用于表征一日中每小时的负荷量)为例，通过上述聚类操作，具有相似的日负荷曲线的那些天被归为“一类”，这些天即可按照相应的典型日负荷曲线确定相应的能源站运行控制策略。藉此，本申请能减少繁杂的控制策略，用若干较优的控制策略即可得到较长时间(甚至整年)内每天的能源站运行控制策略。在此基础上，若引入上述“最佳聚类数”，则基于“最优聚类数”可以取得“简化控制策略”和“取得足够精度”之间的平衡，以提升系统操作效率和提高经济效益。

在一些实施例中，在冻结第一预测模型的至少一个神经网络层之前，上述方法还包括步骤s10，参考图2。在步骤s10中，策略确定设备构建上述第一预测模型，其中该第一预测模型包括一个神经网络，并且该神经网络包括一全连接层(例如最后一个隐藏层)，并基于源域的大量历史负荷数据训练该第一预测模型，以使该第一预测模型在预测源域的负荷信息时具有足够的精度。随后在步骤s100中，策略确定设备再冻结所述第一预测模型的除所述全连接层之外的至少一个其他神经网络层，并基于目标建筑的历史数据更新所述全连接层的参数，以获得上述第二预测模型。其中在一些实施例中，上述神经网络为卷积神经网络(convolutionalneuralnetworks,cnn)，特别在一个实施例中为基于注意力机制的卷积神经网络。相较于其他类型的神经网络而言，卷积神经网络作为特征提取器可以提取高维度特征，而注意力机制可以获取时间依赖性，以实现对未来一段时间内负荷信息的预测。

图3示出上述方法的一种实例，其中源域和目标建筑的历史负荷数据均需要进行预处理(例如归一化)之后才能用于训练模型和基于模型进行预测。其中，目标建筑的一部分历史负荷数据在预处理后作为微调训练集用于调整第一预测模型的部分参数而得到第二预测模型，而另一部分历史负荷数据则用作测试第二预测模型的预测精度的测试数据集。

在一些实施例中，每项预测负荷信息包括用户电负荷信息、用户热负荷信息和用户冷负荷信息中的一项，或几项的组合。其中，用户热负荷信息用于表征能源站为满足用户用热需求而所需的制热量，而用户冷负荷信息用于表征能源站为满足用户用冷需求而所需的制冷量。在此基础上，在一个具体实施例中，所述能源站包括燃气内燃机组、双效溴化锂机组、电机制冷机组、燃气热水锅炉机组和蓄能系统。图4示出了一种分布式能源站的具体构成。其中，所述燃气内燃机组用于提供所述用户电负荷信息所对应的供电量；所述双效溴化锂机组用于利用所述燃气内燃机组的余热制热以供热，以及用于利用所述燃气内燃机组的余热制冷以供冷；所述电机制冷机组用于增加供冷量；所述燃气热水锅炉机组用于增加供热量；所述蓄能系统用于储能和放能，其中该蓄能系统不仅用于电力储能，也可用于蓄冷蓄热(例如包括蓄冷和蓄热水箱)，例如该系统在峰谷电价中的谷时电价的进行蓄能而在峰时电价时放能，以提高经济效益。

在一些实施例中，上述步骤s400包括子步骤s410、子步骤s420以及子步骤s430。参考图5，在子步骤s410中，策略确定设备根据所述典型负荷曲线确定相应时间段内所述能源站的供热资源信息、供冷资源信息、供电资源信息以及资源消费信息。在子步骤s420中，策略确定设备基于所述供热资源信息、所述供冷资源信息、所述供电资源信息以及所述资源消费信息计算所述能源站的资源输出信息。在子步骤s430中，策略确定设备基于期望资源输出信息确定所述能源站的各个机组在相应时间段内的运行参数，从而确定能源站在相应时间段的运行控制策略。例如，所述供热资源信息对应于满足系统的供热需求所对应的可用系统资源(例如售热所获取的资金)，所述供冷资源信息对应于满足系统的供冷需求所对应的可用系统资源(例如售冷所获取的资金)，所述供电资源信息对应于满足系统的供电需求所对应的可用系统资源(例如售电所获取的资金)，而所述资源消费信息对应于为满足发电、制热、制冷需求而耗费的系统资源(例如供能过程中所消耗的天然气所对应的资金)。在一些实施例中所述期望资源输出信息对应于最高日收益。

例如，具体的根据聚类结果确定各类负荷情况下分布式能源站最优运行控制策略为：根据聚类结果，得出各类负荷的典型日负荷曲线。根据以日收益最高为目标函数和负荷供需平衡约束方程及设备最大功率限制为约束条件得出每类负荷各个设备的运行参数，即各类负荷情况下分布式能源站最优运行控制策略。

以日收益最高为目标函数为下式为例：

w＝q冷c冷+q热c热+(e-e电)c电-(qece+qglcgl)

式中：e、q冷、q热、qe、qgl和e电分别是上网电量、系统供冷量、系统供热量、燃气内燃机消耗天然气量、燃气锅炉消耗天然气流量和厂区用电；c冷、c热、c电、ce和cgl分别为售冷价、售热价、上网电价、燃气内燃机用天然气价和燃气热水锅炉用天然气价。

其中，在一些实施例中，在上述子步骤s430中，策略确定设备基于期望资源输出信息、负荷供需约束关系以及设备功率约束关系确定所述能源站的各个机组在相应时间段内的运行参数，从而确定能源站在相应时间段的运行控制策略，从而根据能源站的实际运行状况的限制获得合理的控制策略。

例如，负荷供需平衡约束方程及设备最大功率限制为约束条件分别为：

q供热+q储热≥q热负荷需求以及

q供冷+q储冷≥q冷负荷需求

其中：

q供热＝qbrh+qglh

q供冷＝qbrl+qdl

qx≤qx额

式中：qbrh、qglh、qbrl、qdl、qx和qx额分别为双效溴化锂机组制热量、燃气热水锅炉制热量、双效溴化锂机组制冷量、电制冷机组制冷量，x机组提供的能量和额定x机组提供的能量。

其中，在一些实施例中，所述各个机组在相应时间段内的运行参数是基于线性规划而确定的，以确定能源站各机组的运行情况。例如，在得到负荷模拟数据之后，进行聚类，得到聚类结果之后利用平均值法获取各类负荷的典型日负荷曲线，再根据目标函数和约束条件进行线性规划，根据各机组负荷分配情况得出各机组运行参数。

在一些实施例中，冻结第一预测模型的至少一个神经网络层，并基于目标建筑的历史数据和对应的历史气象数据微调所述第一预测模型以获得第二预测模型，即增加源域所对应的历史气象数据作为第一预测模型的训练数据，同时增加目标建筑所对应的历史气象数据作为微调第一预测模型以获得第二预测模型的依据。因为温度湿度等气象数据的变化对人的用能行为有直接的影响，因此引入前述历史气象数据能进一步提升负荷预测的准确度。换句话说，所述第一预测模型是基于深度神经网络构建、并基于源域的历史数据和对应的历史气象数据训练而得到的，相应的历史气象数据也作为预测所用模型的输入特征。

根据本申请的另一方面，本申请还提供了一种用于确定能源站的运行控制策略的设备(以下简称策略确定设备)。

参考图6，所述设备包括模型微调模块100、结果预测模块200、负荷聚类模块300和策略确定模块400。

其中，模型微调模块100冻结第一预测模型的至少一个神经网络层，并基于目标建筑的历史数据微调所述第一预测模型以获得第二预测模型。其中，所述第一预测模型是基于深度神经网络构建和基于源域(例如已取得源域的大量历史负荷数据)的历史数据训练而得到的。在一些实施例中，该第一预测模型是基于神经网络构建的，并可选地具有多层神经元，例如该第一预测模型具有输入层、输出层和若干隐藏层，在一个实施例中用于构建该第一预测模型的神经网络为深层神经网络(或称深度神经网络)。

冻结该第一预测模型的至少一个神经网络层，指的是保存该至少一个神经网络层的参数信息(使其不变)；在此基础上，再基于目标区域一个或者若干个目标建筑(例如当前正在研究的新增的能源站将向该区域中的这若干个目标建筑供电、供热和/或供冷)的历史数据(例如历史供电/供热/供冷负荷)微调该第一预测模型未被冻结的部分参数，例如在冻结相应的神经网络层后基于目标建筑的历史数据继续训练该第一预测模型，并在训练完成后获得第二预测模型，该第二预测模型可用于预测目标建筑在未来一段时间内的供电、供热和/或供冷负荷。在上述第一预测模型基于其他能源站的大量历史数据训练而成的基础上，尽管当前能源站的历史数据还较少，在第一预测模型足够精确的前提下，基于目标建筑的部分数据“微调”第一预测模型所得的第二预测模型在融合目标建筑的负荷特点之后亦具有足够的预测精度。

结果预测模块200将目标建筑的待预测数据应用于所述第二预测模型以获得预测结果数据，其中所述预测结果数据包括分别与多个时间段相对应的多项预测负荷信息。在一些实施例中，该多项预测负荷信息对应于未来一段时间内若干时间段内的负荷信息，例如该多项预测负荷信息对应于每一天的每一小时的电、热、冷负荷量。本领域技术人员应能理解，在此对所述多项预测负荷信息的举例并非对本申请的任何限定，其他现有的或今后可能出现的预测负荷信息的形式(例如可能出现的时间段的划分方式)如能适用于本申请，也包含在本申请的保护范围之内，并以引用的方式包含于此。

负荷聚类模块300对所述多项预测负荷信息执行聚类操作以获得至少一个簇，例如该聚类操作基于k-means(也称为k-均值)算法实施。在一些实施例中，一种具体的聚类方式为：对负荷预测结果进行数据标准化，之后运行k-means聚类算法生成不同聚类数下的聚类结果，并基于选定的有效性指标对聚类结果进行评估，将最优的评估结果对应的聚类数作为最佳聚类数(或称为目标聚类数量)，并将该最佳聚类数所对应的聚类结果用于后续步骤。

随后策略确定模块400根据所述至少一个簇中的每个簇分别确定对应的典型负荷曲线，并根据所述典型负荷曲线确定能源站在相应时间段的运行控制策略。其中所述典型负荷曲线包括但不限于典型日负荷曲线、典型月负荷曲线等，且本领域技术人员应能理解，这些具体的典型负荷曲线仅为举例而非对本申请的任何限定，其他现有的或者今后可能出现的典型负荷曲线如能适用于本申请，也包含在本申请的保护范围内，并以引用的方式包含于此。

通过上述聚类操作，对应的负荷曲线相近的预测负荷信息(可理解为相对于相同的时间段具有相似的分布)被归为一类，以便为每一类相近的预测负荷分配同一段关于某些时间段的典型负荷曲线，该典型负荷曲线用于确定该能源站在相应的时间段内的运行控制策略(例如用于确定能源站中各设备的工作状态)。相当于将样本进行分类，并在分类后根据各类样本对应的时间段(例如对应的日期)进行同一类分布式能源站的系统运行控制。以典型负荷曲线为日负荷曲线(用于表征一日中每小时的负荷量)为例，通过上述聚类操作，具有相似的日负荷曲线的那些天被归为“一类”，这些天即可按照相应的典型日负荷曲线确定相应的能源站运行控制策略。藉此，本申请能减少繁杂的控制策略，用若干较优的控制策略即可得到较长时间(甚至整年)内每天的能源站运行控制策略。在此基础上，若引入上述“最佳聚类数”，则基于“最优聚类数”可以取得“简化控制策略”和“取得足够精度”之间的平衡，以提升系统操作效率和提高经济效益。

在一些实施例中，上述设备还包括模型构建模块10，参考图7。模型构建模块10构建上述第一预测模型，其中该第一预测模型包括一个神经网络，并且该神经网络包括一全连接层(例如最后一个隐藏层)，并基于源域的大量历史负荷数据训练该第一预测模型，以使该第一预测模型在预测源域的负荷信息时具有足够的精度。随后模型微调模块100再冻结所述第一预测模型的除所述全连接层之外的至少一个其他神经网络层，并基于目标建筑的历史数据更新所述全连接层的参数，以获得上述第二预测模型。其中在一些实施例中，上述神经网络为卷积神经网络(convolutionalneuralnetworks,cnn)，特别在一个实施例中为基于注意力机制的卷积神经网络。相较于其他类型的神经网络而言，卷积神经网络作为特征提取器可以提取高维度特征，而注意力机制可以获取时间依赖性，以实现对未来一段时间内负荷信息的预测。

图3示出上述方法的一种实例，其中源域和目标建筑的历史负荷数据均需要进行预处理(例如归一化)之后才能用于训练模型和基于模型进行预测。其中，目标建筑的一部分历史负荷数据在预处理后作为微调训练集用于调整第一预测模型的部分参数而得到第二预测模型，而另一部分历史负荷数据则用作测试第二预测模型的预测精度的测试数据集。

在一些实施例中，每项预测负荷信息包括用户电负荷信息、用户热负荷信息和用户冷负荷信息中的一项，或几项的组合。其中，用户热负荷信息用于表征能源站为满足用户用热需求而所需的制热量，而用户冷负荷信息用于表征能源站为满足用户用冷需求而所需的制冷量。在此基础上，在一个具体实施例中，所述能源站包括燃气内燃机组、双效溴化锂机组、电机制冷机组、燃气热水锅炉机组和蓄能系统。图4示出了一种分布式能源站的具体构成。其中，所述燃气内燃机组用于提供所述用户电负荷信息所对应的供电量；所述双效溴化锂机组用于利用所述燃气内燃机组的余热制热以供热，以及用于利用所述燃气内燃机组的余热制冷以供冷；所述电机制冷机组用于增加供冷量；所述燃气热水锅炉机组用于增加供热量；所述蓄能系统用于储能和放能，其中该蓄能系统不仅用于电力储能，也可用于蓄冷蓄热(例如包括蓄冷和蓄热水箱)，例如该系统在峰谷电价中的谷时电价的进行蓄能而在峰时电价时放能，以提高经济效益。

在一些实施例中，上述策略确定模块400包括信息准备单元410、资源输出计算单元420以及策略确定单元430。参考图8，信息准备单元410根据所述典型负荷曲线确定相应时间段内所述能源站的供热资源信息、供冷资源信息、供电资源信息以及资源消费信息。资源输出计算单元420基于所述供热资源信息、所述供冷资源信息、所述供电资源信息以及所述资源消费信息计算所述能源站的资源输出信息。策略确定单元430基于期望资源输出信息确定所述能源站的各个机组在相应时间段内的运行参数，从而确定能源站在相应时间段的运行控制策略。例如，所述供热资源信息对应于满足系统的供热需求所对应的可用系统资源(例如售热所获取的资金)，所述供冷资源信息对应于满足系统的供冷需求所对应的可用系统资源(例如售冷所获取的资金)，所述供电资源信息对应于满足系统的供电需求所对应的可用系统资源(例如售电所获取的资金)，而所述资源消费信息对应于为满足发电、制热、制冷需求而耗费的系统资源(例如供能过程中所消耗的天然气所对应的资金)。在一些实施例中所述期望资源输出信息对应于最高日收益。

例如，具体的根据聚类结果确定各类负荷情况下分布式能源站最优运行控制策略为：根据聚类结果，得出各类负荷的典型日负荷曲线。根据以日收益最高为目标函数和负荷供需平衡约束方程及设备最大功率限制为约束条件得出每类负荷各个设备的运行参数，即各类负荷情况下分布式能源站最优运行控制策略。

以日收益最高为目标函数为下式为例：

w＝q冷c冷+q热c热+(e-e电)c电-(qece+qglcgl)

式中：e、q冷、q热、qe、qgl和e电分别是上网电量、系统供冷量、系统供热量、燃气内燃机消耗天然气量、燃气锅炉消耗天然气流量和厂区用电；c冷、c热、c电、ce和cgl分别为售冷价、售热价、上网电价、燃气内燃机用天然气价和燃气热水锅炉用天然气价。

其中，在一些实施例中，上述策略确定单元430基于期望资源输出信息、负荷供需约束关系以及设备功率约束关系确定所述能源站的各个机组在相应时间段内的运行参数，从而确定能源站在相应时间段的运行控制策略，从而根据能源站的实际运行状况的限制获得合理的控制策略。

例如，负荷供需平衡约束方程及设备最大功率限制为约束条件分别为：

q供热+q储热≥q热负荷需求以及

q供冷+q储冷≥q冷负荷需求

其中：

q供热＝qbrh+qglh

q供冷＝qbrl+qdl

qx≤qx额

式中：qbrh、qglh、qbrl、qdl、qx和qx额分别为双效溴化锂机组制热量、燃气热水锅炉制热量、双效溴化锂机组制冷量、电制冷机组制冷量，x机组提供的能量和额定x机组提供的能量。

其中，在一些实施例中，所述各个机组在相应时间段内的运行参数是基于线性规划而确定的，以确定能源站各机组的运行情况。例如，在得到负荷模拟数据之后，进行聚类，得到聚类结果之后利用平均值法获取各类负荷的典型日负荷曲线，再根据目标函数和约束条件进行线性规划，根据各机组负荷分配情况得出各机组运行参数。

在一些实施例中，冻结第一预测模型的至少一个神经网络层，并基于目标建筑的历史数据和对应的历史气象数据微调所述第一预测模型以获得第二预测模型，即增加源域所对应的历史气象数据作为第一预测模型的训练数据，同时增加目标建筑所对应的历史气象数据作为微调第一预测模型以获得第二预测模型的依据。因为温度湿度等气象数据的变化对人的用能行为有直接的影响，因此引入前述历史气象数据能进一步提升负荷预测的准确度。换句话说，所述第一预测模型是基于深度神经网络构建、并基于源域的历史数据和对应的历史气象数据训练而得到的，相应的历史气象数据也作为预测所用模型的输入特征。

本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如前任一项所述的方法被执行。

本申请还提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时，如前任一项所述的方法被执行。

本申请还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序；

当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前任一项所述的方法。

图9示出了可被用于实施本申请中所述的各个实施例的示例性系统。

如图9所示，在一些实施例中，系统1000能够作为各所述实施例中的任意一个策略确定设备。在一些实施例中，系统1000可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或nvm/存储设备1020)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如，(一个或多个)处理器1005)。

对于一个实施例，系统控制模块1010可包括任意适当的接口控制器，以向(一个或多个)处理器1005中的至少一个和/或与系统控制模块1010通信的任意适当的设备或组件提供任意适当的接口。

系统控制模块1010可包括存储器控制器模块1030，以向系统存储器1015提供接口。存储器控制器模块1030可以是硬件模块、软件模块和/或固件模块。

系统存储器1015可被用于例如为系统1000加载和存储数据和/或指令。对于一个实施例，系统存储器1015可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，系统存储器1015可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。

对于一个实施例，系统控制模块1010可包括一个或多个输入/输出(i/o)控制器，以向nvm/存储设备1020及(一个或多个)通信接口1025提供接口。

例如，nvm/存储设备1020可被用于存储数据和/或指令。nvm/存储设备1020可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(harddisk,hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。

nvm/存储设备1020可包括在物理上作为系统1000被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，nvm/存储设备1020可通过网络经由(一个或多个)通信接口1025进行访问。

(一个或多个)通信接口1025可为系统1000提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统1000可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。

对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器(例如，存储器控制器模块1030)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。

在各个实施例中，系统1000可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统1000可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统1000包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解，计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等，相应地，计算机程序指令被计算机执行的方式包括但不限于：该计算机直接执行该指令，或者该计算机编译该指令后再执行对应的编译后程序，或者该计算机读取并执行该指令，或者该计算机读取并安装该指令后再执行对应的安装后程序。在此，计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。

通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如，光纤、同轴等))和能传播能量波的无线(未有导的传输)介质，诸如声音、电磁、rf、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。

作为示例而非限制，计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如，计算机可读存储介质包括，但不限于，易失性存储器，诸如随机存储器(ram,dram,sram)；以及非易失性存储器，诸如闪存、各种只读存储器(rom,prom,eprom,eeprom)、磁性和铁磁/铁电存储器(mram,feram)；以及磁性和光学存储设备(硬盘、磁带、cd、dvd)；或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。

在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。