CN113128064A - 用于仿真的热电数据聚合方法、系统、装置及存储介质 - Google Patents
用于仿真的热电数据聚合方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113128064A CN113128064A CN202110462417.XA CN202110462417A CN113128064A CN 113128064 A CN113128064 A CN 113128064A CN 202110462417 A CN202110462417 A CN 202110462417A CN 113128064 A CN113128064 A CN 113128064A
- Authority
- CN
- China
- Prior art keywords
- scene
- thermoelectric
- data
- simulation
- daily
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 75
- 230000002776 aggregation Effects 0.000 title claims abstract description 62
- 238000004220 aggregation Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000005619 thermoelectricity Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于仿真的热电数据聚合方法、系统、装置及存储介质,本发明实施例提供的热电数据聚合方法,针对考虑相关性的热、电仿真数据的聚合问题,首先对热、电聚合数据进行场景分类,将近邻传播(AP)聚类算法与层次聚类相结合,该聚类算法可以通过AP聚类生成稳定的基聚类,从而满足高效率与高精度的前提下分别获得热、电典型日场景集。
Description
技术领域
本发明属于仿真技术领域,具体涉及一种用于仿真的热电数据聚合方法、系统、装置及存储介质。
背景技术
随着我国对于提高能源效率的需求越来越高,需要协调使用多种能源,通过建立多种能源的耦合关系模型,优化综合能源体的能源利用效率。运动场馆有大量的用热与用电需求,而场馆的热、电可以通过制暖设备进行耦合,所以从本质上来讲运动场馆的最基本能源为电能。为了更高效、更经济的用电,需要通过建立运动场馆综合能源系统的仿真模型,来优化出不同制热设备与其它用电设备之间的运行策略,为运动场馆制定合理的用能策略,在满足用热需求与用电需求的同时最大程度降低能源花费的费用,但是由于综合能源系统建模仿真涉及到大量时序数据计算,这使得求解综合能源系统仿真模型的复杂程度骤增。而为了保证运动场馆用能需求,对综合能源系统的仿真模型计算的准确性与时效性提出了更高的要求。
由于运动场馆的用电负荷与用热负荷具有一定的随机性与波动性,导致仿真模型需要经过大量的仿真计算,耗费时间长。这对制定科学合理的综合能源系统运行策略造成很大影响,不利于提升运动场馆调度部门做出最佳决策的效率,降低了运动场馆的用能稳定性,降低了用能的效率与经济性。
发明内容
本发明的目的在于提供一种用于仿真的热电数据聚合方法、系统、装置及存储介质。该热电数据聚合方法基于场景融合消减与马尔可夫链,以解决现有技术中,运动场馆的用电负荷与用热负荷具有一定的随机性与波动性,导致仿真模型计算量大、耗费时间长的问题。
为实现上述目的,采用如下技术方案:
一种用于仿真的热电数据聚合方法,包括如下步骤:
分别对热、电仿真数据进行极值归一化和日场景划分,获得原始样本集XEload与XHload;
在原始样本集XEload与XHload的多个子集上重复进行AP聚类,对得到的聚类中心用层次聚类进行组合,分别得到用电负荷典型日场景集和用热负荷典型日场景集;
将用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减,生成具有时间相关性的热、电组合日场景集;
对具有时间相关性的热、电组合日场景集,采用随机抽样生成自定义长度为H的热电组合日场景的马尔可夫状态链;
将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,得到热、电仿真聚合数据;
依据该热、电仿真聚合数据建立仿真模型进行仿真。
优选的,原始样本集XEload与XHload的矩阵分别如下:
优选的,得到用电负荷典型日场景集和用热负荷典型日场景集步骤如下:
首先通过Bootstrap重采样得到原始样本集的多个样本子集,然后通过AP聚类减小每个样本子集的数据规模,最后用层次聚类对AP聚类的结果进行分类,分别生成KEload个类簇与KHload个类簇。
优选的,用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减的具体方式如下:
统计用电负荷典型日场景与用热负荷典型日场景的组合在原始仿真数据中出现的概率矩阵PEH,在概率矩阵PEH的基础上对用电负荷日场景与用热负荷日场景的融合与消减,获得Q类热电组合场景状态。
优选的,概率矩阵PEH的公式为:
优选的,将同一时刻下与同时出现的概率大于等于5%的热电典型日场景的组合设定为独立的状态;将同一时刻下与同时出现的概率小于5%大于0%时的热电组合日场景合并,作为单独的一类状态;将同一时刻下与同时出现的概率等于0%的热电组合日场景删除。
优选的,将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,具体如下:
本发明的另一个技术方案是:
一种用于所述热电数据聚合方法的系统,包括:
原始样本集获取模块,用于分别对热、电仿真数据进行极值归一化和日场景划分,获得原始样本集XEload与XHload;
集成聚类模块,用于在原始样本集XEload与XHload的多个子集上重复进行AP聚类,对得到的聚类中心用层次聚类进行组合,分别得到用电负荷典型日场景集和用热负荷典型日场景集;
容和消减模块,用于将用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减,生成具有时间相关性的热、电组合日场景集;
马尔可夫状态链生成模块,用于对具有时间相关性的热、电组合日场景集,采用随机抽样生成自定义长度为H的热电组合日场景的马尔可夫状态链;
聚合序列生成模块,用于将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,得到热、电仿真聚合数据;
结果输出模块,用于输出得到的热、电仿真聚合数据,依据该热、电仿真聚合数据建立仿真模型进行仿真。
本发明的又一个技术方案是:
一种用于所述热电数据聚合方法的装置,包括:
存储器,用于存储计算机程序;
处理器,用于当执行所述计算机程序时,实现所述的热电数据聚合方法。
本发明的再一个技术方案是:
一种计算机可读的存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被执行时,实现所述的热电数据聚合方法。
本发明的有益效果如下:
1、本发明实施例提供的热电数据聚合方法,针对考虑相关性的热、电仿真数据的聚合问题,首先对热、电聚合数据进行场景分类,为此本发明提出了一种集成聚类算法,将近邻传播(AP)聚类算法与层次聚类相结合,该聚类算法可以通过AP聚类生成稳定的基聚类,从而满足高效率与高精度的前提下分别获得热、电典型日场景集。目前为止该研究领域没有类似的集成聚类方法。
2、本发明实施例提供的热电数据聚合方法,针对考虑相关性的热、电仿真数据的聚合问题,提出了一种考虑热、电数据时间相关性的聚合方法,通过对聚类分析后得到的热、电典型场景进行融合与消减,消除冗余的热、电组合典型场景集,获得具有时间相关性的热、电组合典型场景集,以及极端热、电组合典型场景集。最后采用马尔可夫链来模拟热、电组合典型场景集之间的转换情况,首尾相连生成所需长度的聚合序列。目前为止该研究领域没有类似的保留原始仿真数据间相关性的方法。
3、本发明实施例提供的热电数据聚合方法,能大幅降低运动场馆仿真模型的计算时间,并且提高了仿真计算精度。有利于调度部门能够及时制定相应的最优用能方式,提高能源利用率,从而节约能源的使用。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供的热电数据聚合方法流程示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。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组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
本发明实施例提供了一种基于场景融合消减与马尔可夫链的热电数据聚合方法、系统、装置及存储介质,该热电数据聚合方法如图1所示,主要分为五部分。第一部分是对的热电仿真数据进行极值归一化和样本集划分,来降低后续相关性计算的复杂度。第二部分是采用集成聚类,将近邻传播(AP)聚类与层次聚类相结合,可以满足高效率与高精度的前提下分别获得热、电典型日场景集。第三部分是采用融合与消减的方法,将热、电典型日场景进行融合与消减,生成具有时间相关性的热、电组合日场景集。第四部分是采用马尔可夫链,抽样生成任意长度H的热、电组合日场景马尔可夫状态链。第五部分是将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,得到热、电仿真聚合数据;输出得到的热、电仿真聚合数据,依据该热、电仿真聚合数据建立仿真模型进行仿真。
该热电数据聚合方法具体计算步骤如下:
S1、分别对长度相同的热、电仿真数据进行极值归一化和日场景划分,获得原始样本集XEload与XHload;
式中表示用电负荷与用热负荷数量为n的样本集,矩阵中每一行代表一个日场景,第i个日场景可以表示为与原始样本集指的是电负荷矩阵与热负荷场景矩阵,每一天的数据构成一个场景。n代表用电负荷与用热负荷分别具有n天的场景,m是每一天的电负荷与热负荷场景所包含的数据点数。例如15min采样一天就有96个点即m=96。
S2、采用集成聚类分别得到用电负荷典型日场景集和用热负荷典型日场景集,集成聚类算法包括3个步骤:Bootstrap重采样、AP聚类、层次聚类:
首先通过Bootstrap重采样得到原始样本集XEload与XHload的多个样本子集,然后在原始样本集XEload与XHload的多个样本子集上重复进行AP聚类,减小每个样本子集的数据规模,最后用层次聚类对AP聚类的结果进行分类,分别生成KEload个类簇与KHload个类簇。详细步骤如下:
6)原始样本集XHload重复步骤1-5,获得KHload个类簇。
S3、通过统计用电负荷典型日场景与用热负荷典型日场景的组合在原始仿真数据中出现的概率矩阵PEH,来实现用电负荷日场景与用热负荷日场景的融合与消减,形成具有时间相关性的热电组合日场景集。
式中:表示在原始仿真数据中,同一时刻下与同时出现的概率。表示在原始仿真数据中,同一时刻下与同时出现的次数。TEH表示在原始仿真数据中包含的所有用电负荷日场景或者用热负荷日场景数量。在概率矩阵PEH的基础上对热电的组合场景进行融合与消减。根据经验值,当概率大于等于5%时,我们认为这些热电典型日场景的组合属于大概率热电组合场景,可以稳定的出现,所以将其设定为独立的状态。当概率小于5%大于0%时的热电组合日场景属于小概率热电组合场景,判定为极端组合场景,由于极端组合场景的出现具有一定的随机性,针对不同的仿真计算目的,有时需要考虑极端组合场景,所以将小概率的极端组合场景合并,作为单独的一类状态。概率等于0%的热电组合日场景直接被删除。经过场景的融合与消减后获得Q类热电组合场景状态式中代表第一类热电组合场景状态。
S4、将融合消减后的Q类热电组合场景状态设定为离散状态空间时间参数集T={1,2,3,…},设定聚合状态序列{It,t∈T},由于过程具备“无记忆”的性质:下一状态的概率分布只能由当前状态决定,即:Pr(It+1∣…,It-2,It-1,It)=Pr(It+1∣It)
(1)各状态间的转移概率用状态转移矩阵Pr表示:
(2)累积状态转移概率矩阵与累积状态矩阵
累积状态转移概率矩阵Prcum公式如下所示:
累积状态矩阵:
抽样生成自定义长度聚合序列的步骤:
2)确定后续状态。若当前状态为需要抽取下一时刻的状态。由均匀分布产生随机数u,将u与累积状态转移概率矩阵Prcum的第i行的概率进行比较。若则下一个时刻的状态为如此重复抽样H次获得长度为H的聚合状态序列。
3)按照聚合状态序列逐次单向顺序确定热电日场景并构建成最终的用电负荷用热负荷时序聚合序列。首先,确定初始状态的热电日场景,即从第类热电组合典型日场景中随机抽取一个热电日场景作为初始场景然后,确定后续状态的热电日场景,为消除用电负荷日场景间首尾连接处出现的用电负荷爬坡现象,需要从下一状态即的热电组合典型日场景中随机抽取一个热电日场景作为后续场景
本发明的另一个技术方案是:
一种用于所述热电数据聚合方法的系统,包括:
原始样本集获取模块,用于分别对热、电仿真数据进行极值归一化和日场景划分,获得原始样本集XEload与XHload;
集成聚类模块,用于在原始样本集XEload与XHload的多个子集上重复进行AP聚类,对得到的聚类中心用层次聚类进行组合,分别得到用电负荷典型日场景集和用热负荷典型日场景集;
容和消减模块,用于将用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减,生成具有时间相关性的热、电组合日场景集;
马尔可夫状态链生成模块,用于对具有时间相关性的热、电组合日场景集,采用随机抽样生成自定义长度为H的热电组合日场景的马尔可夫状态链;
聚合序列生成模块,用于将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,得到热、电仿真聚合数据;
结果输出模块,用于输出得到的热、电仿真聚合数据,依据该热、电仿真聚合数据建立仿真模型进行仿真。
本发明的又一个技术方案是:
一种用于所述热电数据聚合方法的装置,包括:
存储器,用于存储计算机程序;
处理器,用于当执行所述计算机程序时,实现所述的热电数据聚合方法。
本发明的再一个技术方案是:
一种计算机可读的存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被执行时,实现所述的热电数据聚合方法。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.用于仿真的热电数据聚合方法,其特征在于,包括如下步骤:
分别对热、电仿真数据进行极值归一化和日场景划分,获得原始样本集XEload与XHload;
在原始样本集XEload与XHload的多个子集上重复进行AP聚类,对得到的聚类中心用层次聚类进行组合,分别得到用电负荷典型日场景集和用热负荷典型日场景集;
将用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减,生成具有时间相关性的热、电组合日场景集;
对具有时间相关性的热、电组合日场景集,采用随机抽样生成自定义长度为H的热电组合日场景的马尔可夫状态链;
将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,得到热、电仿真聚合数据;
依据该热、电仿真聚合数据建立仿真模型进行仿真。
3.根据权利要求1所述的热电数据聚合方法,其特征在于,得到用电负荷典型日场景集和用热负荷典型日场景集步骤如下:
首先通过Bootstrap重采样得到原始样本集的多个样本子集,然后通过AP聚类减小每个样本子集的数据规模,最后用层次聚类对AP聚类的结果进行分类,分别生成KEload个类簇与KHload个类簇。
4.根据权利要求1所述的热电数据聚合方法,其特征在于,用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减的具体方式如下:
统计用电负荷典型日场景与用热负荷典型日场景的组合在原始仿真数据中出现的概率矩阵PEH,在概率矩阵PEH的基础上对用电负荷日场景与用热负荷日场景的融合与消减,获得Q类热电组合场景状态。
8.一种用于权利要求1所述热电数据聚合方法的系统,其特征在于,包括:
原始样本集获取模块,用于分别对热、电仿真数据进行极值归一化和日场景划分,获得原始样本集XEload与XHload;
集成聚类模块,用于在原始样本集XEload与XHload的多个子集上重复进行AP聚类,对得到的聚类中心用层次聚类进行组合,分别得到用电负荷典型日场景集和用热负荷典型日场景集;
容和消减模块,用于将用电负荷典型日场景集和用热负荷典型日场景集进行融合与消减,生成具有时间相关性的热、电组合日场景集;
马尔可夫状态链生成模块,用于对具有时间相关性的热、电组合日场景集,采用随机抽样生成自定义长度为H的热电组合日场景的马尔可夫状态链;
聚合序列生成模块,用于将生成的马尔可夫状态链,按照状态类别依次顺序从所属的热、电日场景集中随机抽样日场景,并首尾相连生成聚合序列,得到热、电仿真聚合数据;
结果输出模块,用于输出得到的热、电仿真聚合数据,依据该热、电仿真聚合数据建立仿真模型进行仿真。
9.一种用于权利要求1所述热电数据聚合方法的装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于当执行所述计算机程序时,实现如权利要求1至7任一项所述的热电数据聚合方法。
10.一种计算机可读的存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被执行时,实现如权利要求1至7任一项所述的热电数据聚合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110462417.XA CN113128064B (zh) | 2021-04-27 | 2021-04-27 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110462417.XA CN113128064B (zh) | 2021-04-27 | 2021-04-27 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128064A true CN113128064A (zh) | 2021-07-16 |
CN113128064B CN113128064B (zh) | 2023-10-24 |
Family
ID=76780413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110462417.XA Active CN113128064B (zh) | 2021-04-27 | 2021-04-27 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128064B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524993A (zh) * | 2018-12-19 | 2019-03-26 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
CN110909911A (zh) * | 2019-09-29 | 2020-03-24 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
CN111144668A (zh) * | 2020-01-19 | 2020-05-12 | 河海大学 | 考虑场景模拟的综合能源系统随机优化模型的建立方法 |
CN111509768A (zh) * | 2020-04-01 | 2020-08-07 | 杭州市电力设计院有限公司 | 一种综合能源系统的场景模拟方法及系统 |
CN112381137A (zh) * | 2020-11-10 | 2021-02-19 | 重庆大学 | 新能源电力系统可靠性评估方法、装置、设备及存储介质 |
-
2021
- 2021-04-27 CN CN202110462417.XA patent/CN113128064B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524993A (zh) * | 2018-12-19 | 2019-03-26 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
CN110909911A (zh) * | 2019-09-29 | 2020-03-24 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
CN111144668A (zh) * | 2020-01-19 | 2020-05-12 | 河海大学 | 考虑场景模拟的综合能源系统随机优化模型的建立方法 |
CN111509768A (zh) * | 2020-04-01 | 2020-08-07 | 杭州市电力设计院有限公司 | 一种综合能源系统的场景模拟方法及系统 |
CN112381137A (zh) * | 2020-11-10 | 2021-02-19 | 重庆大学 | 新能源电力系统可靠性评估方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113128064B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN111753431B (zh) | 综合能源系统中最优配置的计算方法和计算设备 | |
CN109193756B (zh) | 一种风电接入系统的场景解耦动态经济调度模型求解方法 | |
CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
CN109934336A (zh) | 基于最优结构搜索的神经网络动态加速平台设计方法及神经网络动态加速平台 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
CN116418001A (zh) | 应对新能源不确定性的水库群多能互补调度方法与系统 | |
CN114285086B (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
Mégel et al. | Reducing the computational effort of stochastic multi-period DC optimal power flow with storage | |
CN112052987B (zh) | 一种计及风电的综合能源系统优化规划方法及系统 | |
CN107180286B (zh) | 基于改进型花粉算法的制造服务供应链优化方法及系统 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN113708418A (zh) | 微电网优化调度方法 | |
CN113128064B (zh) | 用于仿真的热电数据聚合方法、系统、装置及存储介质 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN117057523A (zh) | 一种基于负荷预测的配电网储能双层规划方法 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
CN112821451B (zh) | 基于需求侧管理与储能的城镇配电网光伏接入应对方法 | |
CN111552912B (zh) | 一种微电网并网的双层经济优化方法 | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 |
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 |