CN107609712B - 一种基于分类预测的能量对齐方法和装置 - Google Patents
一种基于分类预测的能量对齐方法和装置 Download PDFInfo
- Publication number
- CN107609712B CN107609712B CN201710919390.6A CN201710919390A CN107609712B CN 107609712 B CN107609712 B CN 107609712B CN 201710919390 A CN201710919390 A CN 201710919390A CN 107609712 B CN107609712 B CN 107609712B
- Authority
- CN
- China
- Prior art keywords
- energy
- flow
- delay time
- outlet
- flow delay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于分类预测的能量对齐方法和装置,该方法包括:根据不同的用能特性对能源用户进行分类;对分类后获得的不同类型的能源用户分别进行负荷预测;根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。通过该实施例方案,实现了能源供应总量的准确预测,是后续用供能平衡和能效优化的重要基础。
Description
技术领域
本发明实施例涉及能源控制技术,尤指一种基于分类预测的能量对齐方法和装置。
背景技术
中国人口众多,自身资源有限,按照能源利用方式,依靠自己的能源是绝对不可能支撑巨大的用能需求。中国必须立足于现有能源资源,全力提高资源利用效率,扩大资源的综合利用范围。目前,由于冷热能量的特殊性以及传输管道的结构不合理性,使得能源传输过程中存在滞后,对供能系统的效果及稳定性都存在着很大的影响,并严重影响着后续的用供能平衡和能效优化。
发明内容
为了解决上述技术问题,本发明实施例提供了一种基于分类预测的能量对齐方法和装置,能够实现能源供应总负荷的准确预测,实现用供能平衡和能效优化。
为了达到本发明实施例目的,本发明实施例提供了一种基于分类预测的能量对齐方法,该方法包括:
根据不同的用能特性对能源用户进行分类;
对分类后获得的不同类型的能源用户分别进行负荷预测;
根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;
根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。
可选地,用能特性包括:用能类型、用能多少以及供能距离;其中,用能类型包括:冷能源和/或热能源。
可选地,对分类后获得的不同类型的能源用户分别进行负荷预测包括:
根据所述能源用户的类型分别预先设置不同的训练参数;
根据不同类型能源用户的对应的训练参数以及预建的训练模型,对该类型的能源用户进行负荷预测。
可选地,训练模型包括以下一种或多种:线性回归模型、多项式回归模型、时间序列模型、决策树模型、反向传播BP神经网络模型、径向基函数RBF神经网络模型、K近邻KNN模型、状态空间模型、灰色预测模型以及随机森林模型。
可选地,根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间包括:预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间。
可选地,预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间包括:
建立流量延迟时间数学模型;
获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据;
根据预设算法以及多组流量和流量延迟时间数据辨识流量延迟时间数学模型中的待辨识的模型系数;
将辨识出的各个模型系数分别代入流量延迟时间数学模型中获取与不同类型的能源用户对应的总管出口处至任意一个小区入口的流量延迟时间。
可选地,根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐包括:
分别截取与每种类型的能源用户对应的流量延迟时间内所需提供的负荷;
将截取的每种类型的能源用户对应的负荷量求和,作为能源供应中总管出口处未来预设时长内需要提供的总负荷。
为了达到本发明实施例目的,本发明实施例还提供了一种基于分类预测的能量对齐装置,该装置包括:分类模块、预测模块、获取模块和对齐模块;
分类模块,用于根据不同的用能特性对能源用户进行分类;
预测模块,用于对分类后获得的不同类型的能源用户分别进行负荷预测;
获取模块,用于根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;
对齐模块,用于根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。
可选地,用能特性包括:用能类型、用能多少以及供能距离;其中,用能类型包括:冷能源和/或热能源。
可选地,预测模块对分类后获得的不同类型的能源用户分别进行负荷预测包括:
根据能源用户的类型分别预先设置不同的训练参数;
根据不同类型能源用户的对应的训练参数以及预建的训练模型,对该类型的能源用户进行负荷预测。
可选地,训练模型包括以下一种或多种:线性回归模型、多项式回归模型、时间序列模型、决策树模型、反向传播BP神经网络模型、径向基函数RBF神经网络模型、K近邻KNN模型、状态空间模型、灰色预测模型以及随机森林模型。
可选地,获取模块根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间包括:预先通过流量延迟时间数学模型和预设算法获取流量延迟时间。
可选地,获取模块预先通过流量延迟时间数学模型和预设算法获取流量延迟时间包括:
建立流量延迟时间数学模型;
获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据;
根据预设算法以及多组流量和流量延迟时间数据辨识流量延迟时间数学模型中的待辨识的模型系数;
将辨识出的各个模型系数分别代入流量延迟时间数学模型中获取与不同类型的能源用户对应的总管出口处至任意一个小区入口的流量延迟时间。
可选地,对齐模块根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐包括:
分别截取与每种类型的能源用户对应的流量延迟时间内所需提供的负荷;
将截取的每种类型的能源用户对应的负荷量求和,作为能源供应中总管出口处未来预设时长内需要提供的总负荷。
与现有技术相比,本发明实施例包括:根据不同的用能特性对能源用户进行分类;对分类后获得的不同类型的能源用户分别进行负荷预测;根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。通过该实施例方案,实现了能源供应总负荷的准确预测,以及用供能平衡和能效优化。
本发明实施例的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明实施例技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明实施例的技术方案,并不构成对本发明实施例技术方案的限制。
图1为本发明实施例的能源供应中的能量对齐方法流程图;
图2为本发明实施例的管网结构示意图;
图3为本发明实施例的能源供应中的能量对齐装置组成框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为了达到本发明实施例目的,本发明实施例提供了一种基于分类预测的能量对齐方法,如图1所示,该方法包括S101-S104:
S101、根据不同的用能特性对能源用户进行分类。
在本发明实施例中,分布式能源是一种建在用户端的能源供应方式,可独立运行,也可并网运行,将用户多种能源需求,以及资源配置状况进行系统整合优化,采用需求应对式设计和模块化配置的新型能源系统,是相对于集中供能的分散式供能方式。分布式能源技术是未来世界能源技术的重要发展方向,它具有能源利用效率高,环境负面影响小,提高能源供应可靠性和经济效益好的特点。分布式能源技术也是中国可持续发展的必然选择。中国人口众多,自身资源有限,按照能源利用方式,依靠自己的能源是绝对不可能支撑巨大的用能需求。中国必须立足于现有能源资源,全力提高资源利用效率,扩大资源的综合利用范围,而分布式能源无疑是解决问题的关键技术。分布式能源是缓解我国严重缺电局面、保证可持续发展战略实施的有效途径之一,发展潜力巨大。它是能源战略安全、电力安全以及我国天然气发展战略的需要,可缓解环境、电网调峰的压力,能够提高能源利用效率。
分布式能源由多种供能设备组成,就地就近的满足用户多种用能需求。如何根据用户需求优化调配多种能源设备,让高效设备多出力,提高能源的利用率就显得尤为重要。这既可节能减排,提高收益,又能保护环境提高社会效益。而优化的一个核心原则就是用供能平衡,即用户用能发生变化时供能也要与之动态匹配,既要满足用户需求又不产生能源浪费。因此如何准确预测用户用能就成为能源优化的重中之重。特别是当分布式能源站为多类用户(可以包括:住户、商用、办公、工业等,如居民住户、办公园区、工厂企业等)供能时,由于用户用能特点的不同以及管网延迟特性的存在使得这样情况下的能源站总负荷预测就更为困难。
另外,在已有的一些多类用户的负荷预测的方案中还是未对不同类型的用户进行差别化的分析,用一个笼统的模型对所有用户的整体进行描述,缺乏针对性,也难于达到较高的精度。因此有必要根据不同的用能特性对能源用户进行分类,以实现能源供应总负荷的准确预测。
可选地,用能特性包括:用能类型、用能多少以及供能距离;其中,用能类型包括:冷能源和/或热能源。
在本发明实施例中,例如,根据能源类型进行分类时,可以分为仅需供应热能源的用户(如居民住户,仅需在冬天供应暖气等热能源,无需在夏天供应冷能源),即需供应热能源又需供应冷能源的用户(如办公园区、工厂企业等,冬天需供应暖气等热能源,夏天需供应冷能源)。
在本发明实施例中,还可以根据上述的一个或多个用能特性对能源用户进行分类,以对用户的用能特性进行综合考虑,最大程度地满足用户需求。
S102、对分类后获得的不同类型的能源用户分别进行负荷预测。
在本发明实施例中,目前某些技术在进行负荷预测时考虑到了管网的特性,通过复杂的热力、水力方程建立了管网模型。分析了管网的损耗和滞后以及对供能的影响,并在此基础上对系统能效进行了评价。但是,基于管网的机理模型涉及到热力学和水力学,计算复杂对工程人员要求高,且机理模型参数众多,其中一些在工程中亦难以获得,建模的人力和时间成本都比较高,因此多用于仿真和设计阶段,在实际运行中难于应用。
在本发明实施例中,基于上述步骤中能源用户的分类,可以建立起符合每种类型的能源用户特性的负荷预测模型,并根据该预测模型对不同类型的能源用户进行负荷预测,具体方法如下所述。
可选地,对分类后获得的不同类型的能源用户分别进行负荷预测可以包括S201-S202:
S201、根据所述能源用户的类型分别预先设置不同的训练参数。
S202、根据不同类型能源用户的对应的训练参数以及预建的训练模型,对该类型的能源用户进行负荷预测。
在本发明实施例中,可以预先建立一个或多个训练模型,即上述的负荷预测模型,并预先针对不同类型的能源用户对所建立的模型设置不同的训练参数,该训练参数可以是通过经验值获得,也可以是通过预先采用训练模型进行多次训练,并对预设参数进行不断修正获得的。根据获取的训练参数,结合训练模型可以实现对每种类型的能源用户的负荷预测。
可选地,训练模型包括以下一种或多种:线性回归模型、多项式回归模型、时间序列模型、决策树模型、反向传播BP神经网络模型、径向基函数RBF神经网络模型、K近邻KNN模型、状态空间模型、灰色预测模型以及随机森林模型。
在本发明实施例中,每种类型的能源用户可以分别建立一种训练模型,也可以多种类型的用户采用一种训练模型。并且,该训练模型可以是上述多种模型中的单独一种模型,也可以是上述任意的多种模型经过加权运算后组成的组合模型。具体地,可以选择训练效果最好的2-3种模型,根据模型精度进行加权得到综合模型,其中,精度越高的模型权重越大,精度越低的模型权重越小。
S103、根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;
在本发明实施例中,由于冷热能量的特殊性,传输过程中的延迟对供能系统的效果及稳定性都存在着很大的影响。对于满足各用户动态需求,避免过度供能而言,完全忽略动态延迟特性的静态规划或者将延迟时间常数化的处理无疑都会严重影响精益运行效果,无法有效指导能源站优化产能。所以充分考虑到时间滞后的影响对能源站动态跟踪用户负荷,实现能源站精益运行至关重要。这也是冷热这两种能源的传输与电能的传输的一个主要区别。
在本发明实施例中,基于上述考虑,为了准确地预测能源供应总负荷,实现用供能平衡和能效优化,需要将能源供应中不同类型的能源用户对应的小区入口处的流量延迟时间考虑到负荷预测中,首先就需要获取能源供应中不同类型的能源用户对应的小区入口处的流量延迟时间。
在本发明实施例中,相比于通过复杂的机理模型计算时间滞后(即上述的流量延迟时间),我们提出了一种实用的工程化方法,可选地,获取能源供应中各个小区入口处的流量延迟时间可以包括:预先通过流量延迟时间数学模型和预设算法获取各个小区入口处的流量延迟时间。具体可以参考下述方案。假设管网结构如图2所示,能源站为多个用户小区供暖,n条支线对应n个小区。
可选地,根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间可以包括:预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间。
可选地,预先通过流量延迟时间数学模型和预设算法获取流量延迟时间可以包括S301-S304:
S301、建立流量延迟时间数学模型。
在本发明实施例中,流量延迟时间主要与流量(流速)相关,但也受到压力、温度、管阻等多项因素影响,同时考虑到流量测量的偏差,不能简单的认为流量延迟时间与流量只是倒数关系,该方法会产生比较大的误差。为了提高精度我们可以采用以下数学模型表示流量延迟时间,该数学模型在机理分析的基础上加入了补偿项,该补偿项是综合考虑压力、温度、管阻等多项因素后加入的。
可选地,流量延迟时间数学模型可以包括:
其中,τi为干线出口至第i个支线入口的流量延迟时间,Fj为干线出口至第i个支线入口间第j段的流量,FRi为第i条支线的流量,a0~ai+1为待辨识的模型系数,i、j均为正整数,j≤i。
在本发明实施例中,各参数可以参考图2所示,a0~ai+1为待辨识的模型系数,即滞后时间与各段流量成反比关系,而流量延迟时间数学模型整体为线性,这也符合流体的流动机理。当干线上某段流量对应的长度远小于其他段的长度时,则忽略上述模型中该段流量,不会对结果的精度有太大影响。
S302、获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据。
在本发明实施例中,确定上述的流量延迟时间数学模型以后,需要进一步对该流量延迟时间数学模型的模型系数进行辨识,以获取各个模型系数的具体数值。首先需要收集建模数据,即上述的多组流量和流量延迟时间数据。具体地,可以通过现场实验方式进行数据收集,也可从历史数据中提取,还可以建立模拟模型,通过实验模拟进行数据收集。下面以通过实验模拟进行数据收集为例进行说明。需要说明的是,下述方案同样适用于现场实验方式。
可选地,获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据可以包括:
分别基于相同的干线出口流量以及不同的干线出口流量进行多次实验模拟,获取干线出口至任意一个支线入口间的任意一个段的流量、任意一条支线的流量以及当前干线出口流量下干线出口至各个小区入口之间的流量延迟时间。
可选地,分别基于相同的干线出口流量以及不同的干线出口流量进行多次实验模拟可以包括S401-S405:
S401、保持干线出口流量为定值,改变干线出口温度以使干线出口温度的温度波形形成特征波形。
在本发明实施例中,预先设置干线出口流量,并保持该干线出口流量不变,并调节功能设备出口温度的设定值,以使得干线出口温度的温度波形具有某种特征波形,例如,波峰、波谷、尖峰等。
S402、记录干线出口至任意的第i个支线入口间任意的第j段的流量Fj,以及任意的第i条支线的流量FRi,并检测各个小区入口处的温度变化直至出现特征波形。
在本发明实施例中,可以实时或周期性记录干线出口至任意一个支线入口间的任意一段的流量,即流量Fj,并记录任意一条支线的流量,即流量FRi,直至检测出小区(或热力站)入口处的温度变化出现上述步骤中调节获得的特征波形。
S403、根据检测到的各个小区入口处的温度变化出现特征波形的时间以及干线出口处形成特征波形的时间计算出当前干线出口流量下干线出口至各个小区入口之间的流量延迟时间。
在本发明实施例中,将检测到特征波形的时间减去发出该特征波形的时间便可以计算出基于当前干线出口流量的情况下,干线出口至各个小区(或热力站)入口之间的流量延迟时间。
S404、采集所述当前干线出口流量、流量Fj、流量FRi以及流量延迟时间,判断是否已完成预设的n次模拟,如果判断结果为否,则返回步骤S401,如果判断结果为是,则进入步骤S405,其中,n为正整数。
在本发明实施例中,可以基于某一个干线出口流量进行多次模拟实验,并进行多次数据采集,因此可以预先设置基于某一干线出口流量的基础上,采集流量Fj、流量FRi以及流量延迟时间的次数,例如上述的次数n,该次数n可以根据不同的精度要求自行定义,n的次数越多,则采集的模型数据越多,则在进行模型系数计算(辨识)时,计算结果越精确。
S405、判断是否已完成预设的m次模拟,如果判断结果为否,则调节干线出口流量,并返回步骤401,如果判断结果为是,则结束,其中,m为正整数。
在本发明实施例中,在进行模拟实验过程中,还可以基于不同的干线出口流量进行数据采集,以进一步丰富模型数据,从而增加模型系数的计算精度。该不同的干线出口流量的设置个数也可以根据不同的精度要求自行定义,并且设置多少个不同的干线出口流量,则需要将上述步骤循环几次,例如上述的次数m,m的次数越多,则采集的模型数据越多,则在进行模型系数计算(辨识)时,计算结果越精确。
S303、根据预设算法以及多组流量和流量延迟时间数据辨识流量延迟时间数学模型中的待辨识的模型系数。
在本发明实施例中,基于上述步骤中对干线出口流量、流量Fj、流量FRi以及流量延迟时间等模型数据的采集,可以以这些模型数据为参数,根据一种或多种预设算法对流量延迟时间数学模型中的待辨识的模型系数进行辨识,以获取各个模型系数的具体数值。
可选地,预设算法包括:最小二乘算法和/或岭回归算法。
在本发明实施例中,由于最小二乘算法以及岭回归算法已经是成熟算法,在此不再详述。
S304、将辨识出的各个模型系数分别代入流量延迟时间数学模型中获取与不同类型的能源用户对应的总管出口处至任意一个小区入口的流量延迟时间。
在本发明实施例中,通过上述预设算法辨识出各个模型系数的具体数值以后,便可以将各个模型系数代入流量延迟时间数学模型中,至此,当各段流量已知时即可算出干线出口至各小区(或热力站)入口间的流量延迟时间。
S104、根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。
在本发明实施例中,通过上述实施例方案获取能源供应中各个小区入口处的流量延迟时间以后,便可以基于该流量延迟时间对各个支线所需供应能源进行对齐了。
可选地,根据各个小区入口处的流量延迟时间对各个支线所需供应能源进行对齐可以包括S501-S502:
S501、分别截取与每个小区入口对应的流量延迟时间内所需提供的负荷。
在本发明实施例中,例如,如果第三小区的流量延迟时间为60分钟、第二小区的流量延迟时间为45分钟、第一小区的流量延迟时间为30分钟,即能源供应从总管出口处同时向各个小区开始供能后,需要60分钟到达第三小区、需要45分钟到达第二小区、需要30分钟到达第一小区。可以截取与第三小区对应的60分钟内所需供应的能量,截取与第二小区对应的45分钟内所需供应的能量,截取与第一小区对应的30分钟内所需供应的能量。
S502、将截取的所述每个小区入口对应的负荷量求和,作为能源供应中总管出口处未来预设时长内需要提供的总负荷。
在本发明实施例中,将截取的与第三小区对应的60分钟内所需供应的能量,与第二小区对应的45分钟内所需供应的能量,与第一小区对应的30分钟内所需供应的能量求和们可以确定当前总管出口处需要提供的总负荷。
在本发明实施例中,该未来预设时长是指,未来一天或未来一个月等,具体地,可以根据不同的应用场景和需求自行定义。
可选地,该方法还可以包括:
预先设置对齐周期T,每个对齐周期T进行一次本发明实施例的能量对齐,并且为了计算方便,使得各个小区对应的流量延迟时间为该对齐周期T的整数倍(基于上述实施例,可选地,T=15分钟),对于不是该对齐周期的整数倍的流量延迟时间,可以采用近似取整的方法获得,例如,如果某小区的流量延迟时间为42分钟,则可以近似设置为45分钟。该实施例方案使得对于每个小区来说,在相应的流量延迟时间内进行能量供应时,可以对供应相应的供应流量进行不断地修正,以减少能源浪费,进一步提高了功能优化。
为了达到本发明实施例目的,本发明实施例还提供了一种基于分类预测的能量对齐装置1,需要说明的是,上述方法实施例中的任何实施例均适用于本发明的装置实施例中,在此不再一一赘述。如图3所示,该装置包括:分类模块11、预测模块12、获取模块13和对齐模块14;
分类模块11,用于根据不同的用能特性对能源用户进行分类;
预测模块12,用于对分类后获得的不同类型的能源用户分别进行负荷预测;
获取模块13,用于根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;
对齐模块14,用于根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。
可选地,用能特性包括:用能类型、用能多少以及供能距离;其中,用能类型包括:冷能源和/或热能源。
可选地,预测模块12对分类后获得的不同类型的能源用户分别进行负荷预测包括:
根据能源用户的类型分别预先设置不同的训练参数;
根据不同类型能源用户的对应的训练参数以及预建的训练模型,对该类型的能源用户进行负荷预测。
可选地,训练模型包括以下一种或多种:线性回归模型、多项式回归模型、时间序列模型、决策树模型、反向传播BP神经网络模型、径向基函数RBF神经网络模型、人工神经网络ANN模型、K近邻KNN模型、状态空间模型、灰色预测模型以及随机森林模型。
可选地,获取模块13根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间包括:预先通过流量延迟时间数学模型和预设算法获取流量延迟时间。
可选地,获取模块13预先通过流量延迟时间数学模型和预设算法获取流量延迟时间包括:
建立流量延迟时间数学模型;
获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据;
根据预设算法以及多组流量和流量延迟时间数据辨识流量延迟时间数学模型中的待辨识的模型系数;
将辨识出的各个模型系数分别代入流量延迟时间数学模型中获取与不同类型的能源用户对应的总管出口处至任意一个小区入口的流量延迟时间。
可选地,对齐模块14根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐包括:
分别截取与每种类型的能源用户对应的流量延迟时间内所需提供的负荷;
将截取的每种类型的能源用户对应的负荷量求和,作为能源供应中总管出口处未来预设时长内需要提供的总负荷。
与现有技术相比,本发明实施例包括:根据不同的用能特性对能源用户进行分类;对分类后获得的不同类型的能源用户分别进行负荷预测;根据负荷预测的预测结果分别获取针对不同类型的能源用户进行供能时的流量延迟时间;根据不同类型的能源用户对应的流量延迟时间对能源供应时总管出口处的能源进行对齐。通过该实施例方案,实现了能源供应总负荷的准确预测,以及用供能平衡和能效优化。
虽然本发明实施例所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员,在不脱离本发明实施例所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明实施例的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种基于分类预测的能量对齐方法,其特征在于,所述方法包括:
根据不同的用能特性对能源用户进行分类;
对分类后获得的不同类型的能源用户分别进行负荷预测;
根据所述负荷预测的预测结果分别获取针对所述不同类型的能源用户进行供能时的流量延迟时间;
根据所述不同类型的能源用户对应的所述流量延迟时间对能源供应时总管出口处的能源进行对齐,
所述根据所述负荷预测的预测结果分别获取针对所述不同类型的能源用户进行供能时的流量延迟时间包括:预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间,
所述预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间包括:
建立所述流量延迟时间数学模型;
获取关于所述流量延迟时间数学模型的多组流量和流量延迟时间数据;
根据预设算法以及所述多组流量和流量延迟时间数据辨识所述流量延迟时间数学模型中的待辨识的模型系数;
将辨识出的各个模型系数分别代入所述流量延迟时间数学模型中获取与所述不同类型的能源用户对应的所述总管出口处至任意一个小区入口的流量延迟时间,
获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据包括:
分别基于相同的干线出口流量以及不同的干线出口流量进行多次实验模拟,获取干线出口至任意一个支线入口间的任意一个段的流量、任意一条支线的流量以及当前干线出口流量下干线出口至各个小区入口之间的流量延迟时间,
分别基于相同的干线出口流量以及不同的干线出口流量进行多次实验模拟包括步骤S1-S5:
S1、保持干线出口流量为定值,改变干线出口温度以使干线出口温度的温度波形形成特征波形;
S2、记录干线出口至任意的第i个支线入口间任意的第j段的流量Fj,以及任意的第i条支线的流量FRi,并检测各个小区入口处的温度变化直至出现特征波形;
S3、根据检测到的各个小区入口处的温度变化出现特征波形的时间以及干线出口处形成特征波形的时间计算出当前干线出口流量下干线出口至各个小区入口之间的流量延迟时间;
S4、采集所述当前干线出口流量、流量Fj、流量FRi以及流量延迟时间,判断是否已完成预设的n次模拟,如果判断结果为否,则返回步骤S1,如果判断结果为是,则进入步骤S5,其中,n为正整数;
S5、判断是否已完成预设的m次模拟,如果判断结果为否,则调节干线出口流量,并返回步骤S1,如果判断结果为是,则结束,其中,m为正整数。
2.根据权利要求1所述的基于分类预测的能量对齐方法,其特征在于,所述用能特性包括:用能类型、用能多少以及供能距离;其中,所述用能类型包括:冷能源和/或热能源。
3.根据权利要求2所述的基于分类预测的能量对齐方法,其特征在于,对分类后获得的不同类型的能源用户分别进行负荷预测包括:
根据所述能源用户的类型分别预先设置不同的训练参数;
根据不同类型能源用户的对应的训练参数以及预建的训练模型,对该类型的能源用户进行负荷预测。
4.根据权利要求3所述的基于分类预测的能量对齐方法,其特征在于,所述训练模型包括以下一种或多种:线性回归模型、多项式回归模型、时间序列模型、决策树模型、反向传播BP神经网络模型、径向基函数RBF神经网络模型、K近邻KNN模型、状态空间模型、灰色预测模型以及随机森林模型。
5.根据权利要求1所述的基于分类预测的能量对齐方法,其特征在于,所述根据所述不同类型的能源用户对应的所述流量延迟时间对能源供应时总管出口处的能源进行对齐包括:
分别截取与每种类型的能源用户对应的流量延迟时间内所需提供的负荷;
将截取的所述每种类型的能源用户对应的负荷量求和,作为能源供应中总管出口处未来预设时长内需要提供的总负荷。
6.一种基于分类预测的能量对齐装置,其特征在于,所述装置包括:分类模块、预测模块、获取模块和对齐模块;
所述分类模块,用于根据不同的用能特性对能源用户进行分类;
所述预测模块,用于对分类后获得的不同类型的能源用户分别进行负荷预测;
所述获取模块,用于根据所述负荷预测的预测结果分别获取针对所述不同类型的能源用户进行供能时的流量延迟时间;
所述对齐模块,用于根据所述不同类型的能源用户对应的所述流量延迟时间对能源供应时总管出口处的能源进行对齐,
所述根据所述负荷预测的预测结果分别获取针对所述不同类型的能源用户进行供能时的流量延迟时间包括:预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间,
所述预先通过流量延迟时间数学模型和预设算法获取所述流量延迟时间包括:
建立所述流量延迟时间数学模型;
获取关于所述流量延迟时间数学模型的多组流量和流量延迟时间数据;
根据预设算法以及所述多组流量和流量延迟时间数据辨识所述流量延迟时间数学模型中的待辨识的模型系数;
将辨识出的各个模型系数分别代入所述流量延迟时间数学模型中获取与所述不同类型的能源用户对应的所述总管出口处至任意一个小区入口的流量延迟时间,
获取关于流量延迟时间数学模型的多组流量和流量延迟时间数据包括:
分别基于相同的干线出口流量以及不同的干线出口流量进行多次实验模拟,获取干线出口至任意一个支线入口间的任意一个段的流量、任意一条支线的流量以及当前干线出口流量下干线出口至各个小区入口之间的流量延迟时间,
分别基于相同的干线出口流量以及不同的干线出口流量进行多次实验模拟包括步骤S1-S5:
S1、保持干线出口流量为定值,改变干线出口温度以使干线出口温度的温度波形形成特征波形;
S2、记录干线出口至任意的第i个支线入口间任意的第j段的流量Fj,以及任意的第i条支线的流量FRi,并检测各个小区入口处的温度变化直至出现特征波形;
S3、根据检测到的各个小区入口处的温度变化出现特征波形的时间以及干线出口处形成特征波形的时间计算出当前干线出口流量下干线出口至各个小区入口之间的流量延迟时间;
S4、采集所述当前干线出口流量、流量Fj、流量FRi以及流量延迟时间,判断是否已完成预设的n次模拟,如果判断结果为否,则返回步骤S1,如果判断结果为是,则进入步骤S5,其中,n为正整数;
S5、判断是否已完成预设的m次模拟,如果判断结果为否,则调节干线出口流量,并返回步骤S1,如果判断结果为是,则结束,其中,m为正整数。
7.根据权利要求6所述的基于分类预测的能量对齐装置,其特征在于,所述用能特性包括:用能类型、用能多少以及供能距离;其中,所述用能类型包括:冷能源和/或热能源。
8.根据权利要求7所述的基于分类预测的能量对齐装置,其特征在于,所述预测模块对分类后获得的不同类型的能源用户分别进行负荷预测包括:
根据所述能源用户的类型分别预先设置不同的训练参数;
根据不同类型能源用户的对应的训练参数以及预建的训练模型,对该类型的能源用户进行负荷预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919390.6A CN107609712B (zh) | 2017-09-30 | 2017-09-30 | 一种基于分类预测的能量对齐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919390.6A CN107609712B (zh) | 2017-09-30 | 2017-09-30 | 一种基于分类预测的能量对齐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609712A CN107609712A (zh) | 2018-01-19 |
CN107609712B true CN107609712B (zh) | 2021-06-15 |
Family
ID=61068072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919390.6A Active CN107609712B (zh) | 2017-09-30 | 2017-09-30 | 一种基于分类预测的能量对齐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609712B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN110674993A (zh) * | 2019-09-26 | 2020-01-10 | 广东电网有限责任公司 | 一种用户负荷短期预测方法和装置 |
CN112862180A (zh) * | 2021-02-04 | 2021-05-28 | 华电国际电力股份有限公司技术服务分公司 | 一种脱硝系统入口NOx浓度预测方法 |
CN113515828B (zh) * | 2021-05-06 | 2023-09-29 | 北京百度网讯科技有限公司 | 能源补偿的方法、装置、设备以及存储介质 |
CN113326654A (zh) * | 2021-05-20 | 2021-08-31 | 北京市燃气集团有限责任公司 | 一种燃气负荷预测模型的构建方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427230A (zh) * | 2011-12-19 | 2012-04-25 | 天津市电力公司 | 用于分布式微网孤岛运行风光储联合调度的方法及系统 |
CN104156787A (zh) * | 2014-08-18 | 2014-11-19 | 国家电网公司 | 一种基于不同负荷特性的电力分区负荷预测方法 |
CN104834980A (zh) * | 2015-05-26 | 2015-08-12 | 杭州天宽科技有限公司 | 一种用于优化绿色数据中心电费的负载调度方法 |
CN106447152A (zh) * | 2016-06-21 | 2017-02-22 | 中国南方电网有限责任公司电网技术研究中心 | 基于能源中心的电‑气‑热系统协同调度方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3753113B2 (ja) * | 2002-08-23 | 2006-03-08 | 三菱電機株式会社 | 発電機制御装置 |
-
2017
- 2017-09-30 CN CN201710919390.6A patent/CN107609712B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427230A (zh) * | 2011-12-19 | 2012-04-25 | 天津市电力公司 | 用于分布式微网孤岛运行风光储联合调度的方法及系统 |
CN104156787A (zh) * | 2014-08-18 | 2014-11-19 | 国家电网公司 | 一种基于不同负荷特性的电力分区负荷预测方法 |
CN104834980A (zh) * | 2015-05-26 | 2015-08-12 | 杭州天宽科技有限公司 | 一种用于优化绿色数据中心电费的负载调度方法 |
CN106447152A (zh) * | 2016-06-21 | 2017-02-22 | 中国南方电网有限责任公司电网技术研究中心 | 基于能源中心的电‑气‑热系统协同调度方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107609712A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609712B (zh) | 一种基于分类预测的能量对齐方法和装置 | |
Henning et al. | A comprehensive model for the German electricity and heat sector in a future energy system with a dominant contribution from renewable energy technologies—Part I: Methodology | |
Stadler et al. | Model-based optimization of distributed and renewable energy systems in buildings | |
Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
Tan et al. | A wind power accommodation capability assessment method for multi-energy microgrids | |
CN102280878B (zh) | 基于sced的风电接纳能力优化评估方法 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN103441535A (zh) | 基于sced的日前发电计划光伏发电接纳能力分析方法 | |
CN102522756B (zh) | 一种避免电压越限风险的电网感性无功补偿方法 | |
CN104600713A (zh) | 含风力/光伏发电配电网日前无功调度的生成装置及方法 | |
CN115811043A (zh) | 基于台区智能终端的新型配电网联邦调控方法 | |
CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
WO2023083235A1 (zh) | 一种分散式预测电网的优化方法及系统 | |
CN110707755A (zh) | 一种考虑非理想通信条件下基于能量枢纽的综合能源系统超短期调度方法 | |
CN108306346A (zh) | 一种配电网无功补偿节能方法 | |
CN116388278A (zh) | 一种微电网群协同控制方法、装置、设备及介质 | |
CN113991640B (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
CN111695733A (zh) | 一种基于改进模糊聚类算法的“煤改电”负荷预测方法 | |
CN105162129A (zh) | 计及分布式电源最优配置的配网无功电压控制方法 | |
Liu et al. | Cooperative operation for integrated multi-energy system considering transmission losses | |
Gao et al. | A GA-based NZEB-cluster planning and design optimization method for mitigating grid overvoltage risk | |
Zhao et al. | Photovoltaic capacity dynamic tracking model predictive control strategy of air-conditioning systems with consideration of flexible loads | |
Jin et al. | Short-term net feeder load forecasting of microgrid considering weather conditions | |
CN115545340A (zh) | 一种考虑双重不确定性的综合能源站-网协同规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |