PyLESA：用于规划级本地、集成和智能能源系统分析

软件X 14（2021）100699原始软件出版物PyLESA：用于规划级本地、集成和智能能源系统分析放大图片作者：AndrewLyden，Graeme Flett，Paul G.Tuohy英国格拉斯哥斯特拉斯克莱德大学能源系统研究所ar t i cl e i nf o文章历史记录：2021年1月14日收到2021年4月9日收到修订版，2021年保留字：能源系统建模智能能源系统储能模型预测控制a b st ra ctPyLESA是一个建模工具，用于本地、集成和智能能源系统的规划级设计它的开发是为了解决现有规划级工具的差距：（一）适应性强和透明的源代码;（二）热泵模型的温度依赖性;（三）热存储模型的分层模型;（四）不断发展的电力市场建模;以及（五）模型预测控制。PyLESA使用灵活的面向对象的方法，按照固定顺序和模型预测控制策略对热电供应、需求和存储技术进行建模。功能说明，以确定热泵和热水箱的风力发电集成区域供热系统。版权所有2021作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本V1.1此代码版本使用的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-21-00013Code Ocean compute capsule法律代码许可证MIT许可证使用Git的代码版本控制系统使用Python、Excel的软件代码语言、工具和服务编译要求、操作环境&依赖性Windows、Excel、Python 相关性：pvlib==0.7.2，pandas==1.0.4，matplotlib==3.1.3，windpowerlib==0.2.0，gekko==0.2.6，numpy==1.18.1，scipy==1.4.1，progressbar33==2.5，scikit_learn==0.22.1如果可用，链接到开发人员文档/手册GitHub和本文附录问题支持电子邮件andrew. ed.ac.uk1. 动机和意义近年来，随着分布式和随机可再生发电部署的增加，能源系统变得更加复杂，能源建模工具的重要性也在增加[1]。规划级建模工具已用于量化概念设计在范围/参数/情景分析中的性能，这些分析通常包括可再生能源发电和需求之间的复杂相互作用[2]。这些工具需要能够充分捕捉概念设计的潜在好处，同时往往依赖于有限的可用*通讯作者。电子邮件地址：andrew. ed.ac.uk（Andrew Lyden）.https://doi.org/10.1016/j.softx.2021.100699数据在本文中，一种新的规划级建模工具，PyLESA（Python的本地能源系统分析）的描述，它是能够建模的能源系统是本地的，集成的，智能的。这些类型的系统的性能需要探索，因为它们在帮助过渡到净零能源系统方面可以发挥至关重要的作用。当地能源系统包括能源生产单位和需求侧管理（DSM）使能技术与需求协同定位[3]。由于国家电网的可再生能源发电能力不断增加（例如，在苏格兰，可再生能源占2018年总电力消耗的74.6%[4]），应在设计阶段考虑将这些地方能源系统整合到更广泛的国家能源系统中。仅考虑现场可再生能源生产可能导致2352-7110/©2021作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxAndrew Lyden，Graeme Flett和Paul G.Tuohy软件X 14（2021）1006992到正在安装的非常大容量的昂贵存储技术[5]。综合能源系统可以参与更广泛的电力市场，作为为更广泛的能源系统增值的一种方式。电力市场正在发生变化，以反映从可调度发电到随机可再生发电的过渡。固定费率或日/夜时段等传统费率正受到新兴的半小时使用时间费率的挑战，半小时使用时间费率提前一天发布，并与整个销售市场挂钩。这些措施在剩余零边际成本可再生能源发电期间以降低的价格激励用户，并相应地在高峰需求和低可再生能源发电期间以增加的价格抑制用户。这反映了批发市场已经出现的定价，在大风和低需求时期出现了负定价[6]。此外，对压力事件作出响应以确保电网稳定性的电网服务将来可以得到当地能源系统的帮助。智能能源系统能够从多部门一体化（即电力、热力、运输）中获得协同效益[7]。在历史上被视为孤立的能源部门可以从与其他部门的整体设计中受益。例如，这可能是设计一个由热泵组成的系统，当当地有过量的风力发电时，热存储器被控制打开[8]。这些都需要连接的系统以便于基于外部信号的逻辑决策[9]。 诸如EnergyMonitoring [10]等工具已被用于对智能能源系统进行建模，然而，该工具更适合于全国范围，并且主要依赖于外生供需概况输入。已经开发了大量的工具来对跨空间范围的能量系统进行建模（例如，建筑物、地区、国家）和时间（例如，每分钟、每小时、每年）的范围，以捕获不同的技术、环境影响和人类行为，这些影响系统在选定的性能标准下满足需求的能力[11作者之前对51种能源系统建模工具进行了审查，以评估其对纳入存储和需求侧管理（DSM）的本地能源系统进行建模的能力，并确定了以下差距[2]。能够适应源代码和进口或利用功能性从其他地方.热泵模型的温度依赖性。详细的模型与温度特性的热存储模型。• 能够模拟不断变化的电力市场和电价。• 探索模型预测控制的能力。本文介绍了PyLESA，它是开源的，包含解决这些差距所需的功能PyLESA能够以小时为单位对包含电气和热力部门技术的系统进行建模。每小时时间步长的选择源于规划阶段可用数据的可用性通常有限，即，天气或需求输入仅在每小时的时间步长中可用。到目前为止，该工具的开发主要集中在热泵和蓄热系统以及使用时间电价和模型预测控制。开源和面向对象的建模工具架构为未来的开发和重用提供了空间。例如，预计该工具将为今后的发展提供一个有用的框架，例如参与电网平衡机制。该工具已应用于英国的地方能源系统，虽然该工具尚未在其他国家应用，但预计将适用于其他国家的地方能源系统，并有热电需求。2. 软件描述PyLESA的架构和功能在本节中进行了高层次的描述，并实施的数学模型和相关验证的详细描述见附录A。2.1. 软件构架PyLESA遵循面向对象的类结构，通过初始化适当的类对象并执行方法来计算技术模型和评估方法。模型使用每小时的时间步运行，第一个时间步的输入数据和用于计算建模周期的时间步数。图1是建模工具架构的图形表示。数据通过Excel工作簿输入，其中封面显示PyLESA的模型和能量流。通过这一表格，可以查阅与每一种模式和评估方法的投入有关的数据库，并输入必要的数据。然后运行一个Python脚本，它从Excel工作簿中读取、处理和本地保存输入数据。可以运行需求评估脚本来合成热量和电力需求，这可以通知Excel输入工作簿的数据输入。此外，参数分析输入也输入到Excel工作簿中fixed_order.py或mpc.pyPython脚本包含控制类和方法，用于确定评估和技术模型的运行方式。两者的第一步都是跑步可再生发电建模并获得建模期间的可再生电力生产。在建模期间的每个时间步是顺序和算法应用，以确定从各种输入的供应和存储技术，以满足需求的调度和供应量的顺序。每种技术的类对象和评估方法都输入到控制类中，以设置约束和计算潜在的操作。使用run.py脚本可以自动运行参数化分析输入中定义的模型的所有迭代。在建模期间与广泛数据相关的结果被附加到字典对象，并使用outputs.py脚本进行操作。运行此脚本的结果输出是一个CSV文件，其中包含数值输出和KPI的.png2.2. 软件功能表1描述了PyLESA的功能（第一步在[15]中介绍），其中显示了建模和评估能力，并以粗体文本突出显示了解决现有建模工具中差距的能力（下文简要描述）。热泵模型使用标准测试数据，使用具有显式温度依赖性的多变量线性回归分析来生成性能图使用多节点方法对热存储进行建模，以表示分层，并通过对节点温度的充电状态依赖性来结合热特性PyLESA中的电价生成器功能可用于分析未来的能源系统情景，其中可能包括高度差异化的基于可再生能源发电的电价结构。模型预测控制（MPC）作为一种监督控制策略，可以捕获动态影响，并根据最低成本优化组件的性能··Andrew Lyden，Graeme Flett和Paul G.Tuohy软件X 14（2021）1006993图1.一、PyLESA的架构显示了运行的工作流程。MPC基于成本进行优化，因此不会对任何发电机组进行过度处理， 本地可再生能 源的边际成本 为零然而， 固定顺序控制（FOC）允许用户设置调度和存储使用的优先顺序。3. 说明性示例PyLESA已应用于住宅区域供热方案拟定设计的规模研究，该方案包括电力和热量需求、现场PV、电网连接、热泵和热水箱（使用固定顺序控制策略的初始结果见[16]）。一个中心目标是调查热泵和热水箱的最佳成本大小组合。结果表明，模型预测控制（MPC）提供了节省固定顺序控制（FOC）的所有调查的非线性关税。最低的平准化成本的热量为现有的关税建模得到的使用时间的关税，750千瓦热泵和500米3的热水箱组合。对于未来的风力影响的关税，1000千瓦热泵和2000m3热水箱是成本最优的，并显示MPC强烈的好处，与FOC的平准热成本降低了41%，可再生能源满足的热需求增加了18%。MPC与风电电价的运行如图所示。2冬季10天期间，从第2天结束时起8天无风。显示的配置使用168小时预测范围，基于风的电价，以及3000 kW热泵和3000 m3热水箱尺寸组合。从图2可以看出，在最初的两天（50小时），有大风导致低成本的时期，如3日的下降所示。表1PyLESA建模能力的分类。输入数据要求和输入支持需求配置文件生成器是（heat_demand.py）资源评估员电力和热力供应技术建模能力电力供应网（grid.py），光伏和风力涡轮机（均为renewables.py）供热辅助电加热和燃油锅炉（均auxiliary.py），热泵（heatpump.py）区域供暖是设计优化和输出能力设计优化参数分析（parametric_analysis.py）产出KPI：技术、经济和环境（outputs.py）控制/DSM控制固定顺序（fixed_order.py），MPC（mpc.py）存储建模功能和基础模型电气存储简单的存储模型（electrical_storage.py）蓄热多节点模型（hot_water_tank.py）图二. 无风冬季10天期间MPC和风力电价的运行图输出。图从顶部。在这些期间，热泵（第一张图上的红线）以最大输出运行，以填充存储并满足需求。此外，辅助电热（第一张图上的蓝线）打开，因为在这些时期，直接电热比在高成本时期运行热泵更便宜。然后，热水箱用于覆盖8天高成本期的大部分，如降低节点温度的趋势所示（第2张图）。然而，没有足够的容量来覆盖整个时间段，并且热泵偶尔运行以对热水箱进行充电这Andrew Lyden，Graeme Flett和Paul G.Tuohy软件X 14（2021）1006994图3.第三章。MPC 的LCOH（平准化热成本）的3D图与未来的风力电价。在空气温度最高时的最高热泵性能期间发生PyLESA输出的关键性能指标（如平准化热成本（LCOH））的3D图如图所示。3.第三章。LCOH的最佳尺寸组合为1000 kW热泵和2000 m 3 热水箱，标志着一个显着增加在最佳热水箱尺寸和类似的最佳热泵尺寸相比，现有的收费。风电电价通过在有风和无风时段之间提供较高的价格差以及昼夜差异来激励带有风力电价的MPC使用168小时预测范围，这使得运营能够考虑长时间的大风或无风。4. 影响PyLESA的开发是为了解决现有规划级地方能源系统建模工具中已确定的差距，本节将依次讨论能够改编源代码，并从其他地方PyLESA是用Python编程语言编写的之所以选择它，是因为它是开源的，并且广泛应用于科学和工程领域[17]。这意味着PyLESA可以建立在最先进的基础上，利用以前建立的能源系统模型，并提供一个平台，从这个平台上开发的模型可以与能源系统建模社区的其他研究人员共享（见[18]）。与主要用编程语言编写的需要专业软件开发技能或完全封闭源代码的工具相比，PyLESA为其他人提供了明确的能力来适应源代码或轻松地将PyLESA与其他用Python开发的能源系统模型耦合。热泵模型PyLESA使用了一种更详细的热泵建模方法，该方法使用标准测试数据[19]，使用多变量线性回归分析生成性能该方法使用多个数据输入来捕获在一定范围内的流和热源温度下的COP，这些数据输入应从标准测试数据中获得。它建立在EnergyPRO等工具的方法之上，在单组条件下，来自输入COP的流量和热源温度的范围。储热模型的详细分层模型PyLESA使用的多节点建模方法包括更详细的热特性建模，以及现有工具通常使用的简单能量模型的进步。在多节点模型中，热水箱的充电状态和热损失取决于节点温度[20]。这种方法意味着可以更详细地表示热水箱，同时保持低输入要求，这在规划阶段很有帮助。能够模拟不断变化的电力市场和电价PyLESA可以产生一系列的电费，这些电费可以从能源供应商那里获得（例如，国内），包括反映现有和新出现的关税的关税，固定费率、可变期限和使用时间费率。此外，可以使用基于风力的电价生成器，这是英国未来可能存在的电价的一个例子。这是现有建模工具能力的一个进步，现有建模工具要么具有使用固定价格和无限进出口的内置简单关税，要么允许输入外部用户生成的关税。目前不包括平衡和辅助服务，但计划将此功能作为未来的工具开发。探索模型预测控制在PyLESA中，开发并整合了经济MPC策略[21]。现有的建模工具的一个明显的缺点这些通常使用简单的基于规则的控制，需要由专家进行调整，以最大限度地降低进口成本。还有一些情况是，现场可再生能源生产与可变电价竞争，这使得难以确定低成本的运营时间表。包括模型预测控制策略的本地能源系统建模允许性能得到优化。MPC使运营能够最大限度地降低成本，即使在多个竞争动态影响活跃的情况下，例如热泵性能，可变电价和现场可再生发电。5. 结论PyLESA是一个建模工具，可以有效地帮助本地，集成和智能能源系统的规划级设计它有助于解决在审查现有能源系统工具的建模能力时查明的若干差距。PyLESA包含以下可扩展和可适应的功能：资源和需求评估方法;制冷生产技术;热泵;热水箱;电费;固定顺序控制;模型预测控制;和关键性能指标。它已被用于说明性的例子中，它显示了灵活的价格与最佳规模的热泵和热存储相结合的优势。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作资金这项工作得到了英国工程和物理科学研究委员会（EPSRC）的资助。EP/M508159/1。Andrew Lyden，Graeme Flett和Paul G.Tuohy软件X 14（2021）1006995附录A. 补充数据与本文相关的补充材料https://doi.org/10.1016/j.softx.2021.100699。引用[1] Chmutina K，Goodier CI.替代未来能源途径：评估英国创新分散能源系统的潜力。能源政策2014;66：62https://doi.org/10.1016/j.enpol.2013.10.080[2] Lyden A，Pepper R，Tuohy PG.社区规模能源系统规划的建模工具选择过程 ， 包 括 存 储 和 需 求 侧 管 理 。 Sustain Cities Soc 2018;39 ： 674https://doi.org/10. 1016/j.scs.2018.02.003。[3] PA. 本 地 智 能 能 源 系 统 和 跨 系 统 集 成 . 能 源 2018;151 ： 812https://doi.org/10.1016/j。energy.2018.03.098网站。[4] 苏格兰政府。苏格兰能源统计年鉴。2019年。[5] Lund H ， Cherstergaard PA ， Connolly D ， Ridjan I ， Mathiesen BV ，Hvelplund F，et al. Energy storage and smart energy systems. Int J SustainEnergy Plan Manag 2016;11：3https://doi.org/10.5278/ijsepm.2016.11.2[6] Steele P. Agile Pricing 解 释 道 。 章 鱼 能 源 2020 年 ， https ： //octopus.energy/blog/agile-pricing-explained/. [2020年4月10日]。[7] Mathiesen BV，Lund H，Connolly D，Wenzel H，Ostergaard PA，MöllerB.智能能源系统，提供连贯的100%可再生能源和运输解决方案. Appl Energy2015;145：139 https://doi.org/10.1016/j。apenergy.2015.01.075网站。[8] 放大图片作者：J.德国电力市场中热泵用于需求侧管理和风力发电的潜力。IEEE Trans Sustain Energy 2012;3：636https://doi.org/10.1109/[9] Messinis G，Dimeas A，Hatziargyriou N，Kokos I，Lamprinos I.通过VPP和DR服务实现智能电网参与者灵活性的ICT工具。In：Int. conf. eur.能量标记EEM，2016年7月。IEEEComputerSociety;2016，https://doi.org/10.1109/EEM.2016.7521200.[10]Lund H ， Thellufsen JZ ， Scholstergaard PA ， Sorknæs P ， Skov IR ，Mathiesen BV. 能 源 分 析 - 智 能 能 源 系 统 的 高 级 分 析 。 智 慧 能 源 2021;1 ：100007，https://doi.org/10.1016/j.segy.2021.100007。[11]放大图片作者：J.城市能源系统模型综述：方法、挑战和机遇。Renew SustainEnergy Rev 2012;16：3847https://doi.org/10.1016/j.rser.2012.02.047[12]Allegrini J ， Obergounig K ， Mavromaiden G ， Ruesch F ， Doggov V ，Evins R.区 域 尺 度 能 源系 统 模 拟 的 建 模 方 法 和 工具 综 述 。 Renew SustainEnergy Rev 2015;52：1391//doi.org/10.1016/j.rser.2015.07.123网站。[13]李文辉，李文辉，李文辉.审查用于分析将可再生能源纳入各种能源系统的计算机工具ApplEnergy2010;87：1059https://doi.org/10.1016/j.apenergy.2009.09。026.[14]Chang M，Thellufsen JZ，Zakeri B，Pickering B，Pfenninger S，Lund H，et al. Trends in tools and approaches for modeling the energy transition.应用程序能源2021;290：116731，https://doi.org/10.1016/j.apenergy.2021.116731网站。[15]Lyden A，Tuohy P.一种用于热泵和热存储的具有预测控制的分散式能量系统设计方法。E3SWebConf2019;111：06014，https://doi.org/10.1051/e3sconf/201911106014。[16]Lyden A ， Tuohy P.热 泵 和 热 存 储 尺 寸 与 使 用 时 间 电 价 。 Atlantis Press;2019，p. 29-https://doi.org/10.2991/[17]放 大 图 片 作 者 ： KJ. Python 为 科 学 家 和 工 程 师 Comput Sci Eng 2011;13 ：9https://doi.org/10.1109/MCSE.2011.36[18] Openmod开放模型-维基百科. openmod-initiative.org.开放能源建模倡议。2020年，https://wiki.openmod-initiative.org/wiki/Open_模型。[2020年4月14日]。[19]BSEN14511 。 2018 年 ， https://shop.bsigroup.com/ProductDetail/?pid=00000000030328748。[2018年11月27日访问]。[20]Duffie JA ， Beckman WA. 热 过 程 的 太 阳 能 工 程 ： 第 四 版 。 2013 ，https://doi.org/10.1002/9781118671603。[21] 作者：KJ，KJ.面向需求响应的蓄热模型预测控制。In：Proc. Am.对照确认2015年7月。电气和电子工程师协会2015，第956-61页https://doi.org/