CN113469401A - 用于供能系统的控制方法、系统、设备及存储介质 - Google Patents
用于供能系统的控制方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113469401A CN113469401A CN202010245147.2A CN202010245147A CN113469401A CN 113469401 A CN113469401 A CN 113469401A CN 202010245147 A CN202010245147 A CN 202010245147A CN 113469401 A CN113469401 A CN 113469401A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy supply
- matrix
- influence quantity
- expected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 399
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 238000005265 energy consumption Methods 0.000 claims description 103
- 238000004422 calculation algorithm Methods 0.000 claims description 54
- 238000004891 communication Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000004146 energy storage Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 13
- 239000000126 substance Substances 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 239000002699 waste material Substances 0.000 description 9
- 230000007774 longterm Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000003466 anti-cipated effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000000087 stabilizing effect Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000003245 coal Substances 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
- 238000013500 data storage Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- -1 wind energy Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种用于供能系统的控制方法、系统、设备及存储介质,所述供能系统的控制方法包括:根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。本申请可以根据初始供能需求和供能参数,确定实际供能参数,使得通过所述实际供能参数进行供能时,可减少用户改变其用能行为的现象、以及改善能源浪费的现象,从而保证了电力系统的平稳运行。
Description
技术领域
本申请涉及控制系统及方法技术领域,尤其涉及一种用于供能系统的控制方法、系统、设备及存储介质。
背景技术
目前,由于储能装置的出现,用户在拥有储能装置后进行存储控制(即改变负荷曲线),可以在满足其用能需求的情况下实现降低其用能损失量的目的,或者用户通过改变其用能行为直接改变其负荷曲线来实现降低其用能损失量的目的。这样的情况下,能源系统(例如电力系统、热能系统等)中多个用户实施上述行为时,会造成能源浪费的现象,并且不利于整个能源系统的发展和平稳运行。
所以,考虑用户可能改变其负荷曲线的情形,如何稳定能源系统中各用户的能耗,令其合理化,且避免能源浪费以及保证能源系统的稳定运行,已成为业界亟待解决的技术问题。
发明内容
鉴于以上所述相关技术的缺点,本申请的目的在于提供一种用于供能系统的控制方法、系统、设备及存储介质,用于提供可靠的供能参数以稳定用户的能耗,解决现有技术的问题。
为实现上述目的及其他相关目的,本申请的第一方面提供一种用于供能系统的控制方法,所述供能系统向多个用能对象供能;所述供能系统的控制方法包括:根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;其中,所述预期影响量矩阵中包括每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量;在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵;根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量;所述影响量矩阵和预期影响量矩阵是同型矩阵,且所述矩阵位置集合中包括所述预期影响量矩阵及所述影响量矩阵中部分的相应元素位置;根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。
在本申请的第一方面的某些实施方式中,所述根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵,包括:根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求;根据每一用能对象在每一时段中各时间间隔内的预期供能需求,确定每一用能对象在每一时段中对于所述供能系统的预期供能参数影响量,以得到所述预期影响量矩阵。
在本申请的第一方面的某些实施方式中,每一用能对象在每一时段中对于所述供能系统的供能参数影响量是根据每一用能对象在每一时段中各时间间隔内的供能需求和每一时段中各时间间隔内的供能参数所确定的。
在本申请的第一方面的某些实施方式中,单个用能对象在单个时段中各时间间隔的初始供能需求的总量与预期供能需求的总量相等;单个用能对象在单个时段中各时间间隔内的初始供能需求同各时间间隔内的预期供能需求的差异之和满足预设比例;所述根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求,包括:根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及单个时段各时间间隔内的供能参数,确定使单个用能对象在单个时段中的用能损失量最小所对应的单个用能对象在单个时段中各时间间隔内的预期供能需求。
在本申请的第一方面的某些实施方式中,根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵,包括:利用矩阵补全算法,在最小化影响量矩阵的秩的条件下和预设误差约束下构造所述优化影响量矩阵;其中,所述预设误差约束为根据所述矩阵位置集合对影响量矩阵和预期影响量矩阵的差进行投影操作得到的矩阵的范数满足预设误差。
在本申请的第一方面的某些实施方式中,所述矩阵补全算法包括:不动点延续算法、加速近端梯度算法、半定规划法、奇异值阈值算法、增广拉格朗日乘子法等。
在本申请的第一方面的某些实施方式中,根据所述预期影响量矩阵相对应的奇异值矩阵,确定所述不动点延续算法中影响量矩阵的初始矩阵。
在本申请的第一方面的某些实施方式中,每一用能对象的实际供能损失参数为所述优化影响量矩阵中每一用能对象各时段的优化供能参数影响量的均值。
为实现上述目的及其他相关目的,本申请的第二方面提供一种用于供能系统的控制系统,所述供能系统向多个用能对象供能;所述供能系统的控制系统包括:预期影响量矩阵确定模块,用于根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;其中,所述预期影响量矩阵中包括每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量;在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵;优化影响量矩阵确定模块,用于根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量;所述影响量矩阵和预期影响量矩阵是同型矩阵,且所述矩阵位置集合中包括所述预期影响量矩阵及所述影响量矩阵中部分的相应元素位置;供能参数确定模块,用于根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。
在本申请的第二方面的某些实施方式中,所述预期影响量矩阵确定模块根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵,包括:根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求;根据每一用能对象在每一时段中各时间间隔内的预期供能需求,确定每一用能对象在每一时段中对于所述供能系统的预期供能参数影响量,以得到所述预期影响量矩阵。
在本申请的第二方面的某些实施方式中,每一用能对象在每一时段中对于所述供能系统的供能参数影响量是根据每一用能对象在每一时段中各时间间隔内的供能需求和每一时段中各时间间隔内的供能参数所确定的。
在本申请的第二方面的某些实施方式中,单个用能对象在单个时段中各时间间隔的初始供能需求的总量与预期供能需求的总量相等;单个用能对象在单个时段中各时间间隔内的初始供能需求同各时间间隔内的预期供能需求的差异之和满足预设比例;所述根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求,包括:根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及单个时段各时间间隔内的供能参数,确定使单个用能对象在单个时段中的用能损失量最小所对应的单个用能对象在单个时段中各时间间隔内的预期供能需求。
在本申请的第二方面的某些实施方式中,所述优化影响量矩阵确定模块根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵,包括:利用矩阵补全算法,在最小化影响量矩阵的秩的条件下和预设误差约束下构造所述优化影响量矩阵;其中,所述预设误差约束为根据所述矩阵位置集合对影响量矩阵和预期影响量矩阵的差进行投影操作得到的矩阵的范数满足预设误差。
在本申请的第二方面的某些实施方式中,所述矩阵补全算法包括:不动点延续算法、加速近端梯度算法、半定规划法、奇异值阈值算法、增广拉格朗日乘子法等。
在本申请的第二方面的某些实施方式中,根据所述预期影响量矩阵相对应的奇异值矩阵,确定所述不动点延续算法中影响量矩阵的初始矩阵。
在本申请的第二方面的某些实施方式中,每一用能对象的实际供能损失参数为所述优化影响量矩阵中每一用能对象各时段的优化供能参数影响量的均值。
为实现上述目的及其他相关目的,本申请的第三方面提供一种计算机设备,包括:存储装置,用于存储至少一程序;处理装置,用于调用所述至少一程序,以执行如本申请第一方面中任一项所述的用于供能系统的控制方法。
在本申请的第三方面的某些实施方式中,所述计算机设备还包括通信装置,用于与供能对象通信,以输出所述实际供能参数。
为实现上述目的及其他相关目的,本申请的第四方面提供一种计算机可读存储介质,存储有至少一程序,所述至少一程序在被调用时执行并实现如本申请第一方面中任一项所述的用于供能系统的控制方法。
综上所述,本申请的公开的用于供能系统的控制方法、系统、设备及存储介质,根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。本申请可以在考虑用户可能改变负荷曲线的情况下,为电力系统的每一用户定制可以满足其实际用能需求的长期的供能参数。使得供能系统通过长期的供能参数进行供能时,既可以满足用户实际的用能需求又可以使得用户不会主动改变负荷曲线,进而改善了能源浪费的现象并且保证了电力系统的平稳运行。
附图说明
本申请所涉及的发明的具体特征如所附权利要求书所显示。通过参考下文中详细描述的示例性实施方式和附图能够更好地理解本申请所涉及发明的特点和优势。对附图简要说明书如下:
图1显示为本申请的应用场景在一实施例中的结构示意图。
图2显示为本申请用于供能系统的控制方法在一实施例中的流程示意图。
图3显示为根据贪心算法确定单个时段中的预期供能需求的方法在一实施例中的流程示意图。
图4显示为本申请用于供能系统的控制系统在一实施例中的结构示意图。
图5显示为本申请的计算机设备在一实施例中的结构示意图。
图6显示为本申请的计算机设备在另一实施例中的结构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本公开的精神和范围的情况下进行模块或单元组成、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。
如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能,再经输电、变电和配电将电能供应到各用户。为实现这一功能,电力系统还需要包括控制系统,以对电能的生产和分配的过程进行测量、调节、控制、保护、通信、以及调度等。
电力系统的主体结构有电源、变电所、输电/配电线路、以及负荷中心。所述电源包括但不限于水电站、火电厂、以及核电站等发电厂。根据能源类型的不同,电力系统的类型包括但不限于:基于传统燃料发电的电网、基于新能源发电的微电网等。所述新能源包括但不限于:煤炭、天然气、风能、水能、光伏、生物质能、海洋能、以及其他形式等中的一种或多种方式。
电能的生产与供应使用应当保持平衡。现有技术通常基于用户的负荷曲线来获取未来一段时间内的负荷预测,从而根据预测结果为不同的用户制定不同的供能策略以满足用户的负荷。然而,用户的能源消耗模式、即负荷曲线往往会随着时间的变化而变化。例如,用户在拥有储能装置后会进行存储控制,这样可以在满足其用能需求的情况下实现降低其用能损失量的目的,或者用户直接通过改变其用能行为来实现降低其用能损失量的目的。这样的情况下,会使预测的供能策略与用户的实际用能不匹配,从而造成能源浪费的现象并且不利于整个电力系统的发展和平稳运行。
所以,为了更高效地控制供能系统的运行,在考虑用户可能改变负荷曲线的情况下有针对性地为不同用户确定稳定的供能参数(例如供能量、供能量对应的供能指令、或者供能损失参数),能够避免套利者获利,一方面提高对供能系统运行的控制效率,另一方面增加供能系统的可靠性和稳定性。
基于此,本申请提供一种用于供能系统的控制系统,以获得优化的实际供能参数。
请参阅图1,图1显示为本申请的应用场景在一实施例中的结构示意图。
如图1所示,所述供能系统100向多个用能对象200供能。其中,所述供能系统可供应如电能、热能等能源;所述供能系统可以被应用在家庭、企业、商场、学校等任何用能场所。
其中,所述用能对象200指一个或多个需要用能的设备,例如工业设备,例如制造/加工设备、流水线设备等;又例如家用电器设备,例如电视、冰箱、空调等,又例如照明系统等的灯具。在一些示例中,所述用能对象可以是接入同一计量装置的至少一个用能设备的总称。
所述供能系统的类型以及向用能对象供能的传输介质可根据能源的类型而确定。所述能源的类型包括但不限于为电能、热能等。例如,当所述能源为电能时,所述供能系统包括但不限于为电网,所述传输介质包括但不限于为电线。
本申请的应用场景可以是传统的火力发电电网,也可以是基于分布式能源的微电网等,此处不作限制。
在一些实施例中,用能对象一侧还可以包括储能装置,所述储能装置用于储备一定容量的能源。所述储能装置包括但不限于为蓄电池、超级电容器等。其中,所述蓄电池可为铅酸电池、镍镉电池、镍氢电池、钠硫电池、锂电池或燃料电池等。
可以理解的是,由于并非限制能源类型为电能,因此对其表述亦不限制于电能,在本文中通过“能源”、以及“能量”来表达;相应的,电网系统、电力系统等,也通过“供能系统”来替代性地表达。
需说明的是,所述供能系统只是一种概括性的表达,而非限制其必须为一独立的实体装置。所述供能系统和用能对象之间的耦合关系包括直接或间接的连接关系,只要能令用能对象从供能系统获得能量即可,而并不限制其具体实现形式。
请参阅图2,图2显示为本申请用于供能系统的控制方法在一实施例中的流程示意图。所述控制方法用于在考虑用能对象的实际负荷曲线相对于历史负荷曲线可能发生改变的情况下,有针对性地为不同的用能对象确定长期稳定的供能参数。所述供能参数包括但不限于:每一用能对象的供能量、供能量对应的供能指令、或者供能损失参数,用于稳定能源系统中各用户的用能行为,令其合理化,且避免能源浪费。在一些实施例中,所述供能损失参数可以是表示对供能系统进行供能所产生损失进行补偿的参数。
所述用于供能系统的控制方法可由本申请所述的计算机设备执行,或者其他可执行本申请的控制方法的计算机设备执行。
如图2所示,所述控制方法包括步骤S110、步骤S120、步骤S130。
步骤S110:所述计算机设备根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;其中,所述预期影响量矩阵中包括每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量;在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵。
在以下实施例中,根据所述供能损失参数进行举例。
在一些实施例中,所述供能参数影响量等数据是在一时段内进行衡量、评估、拟合、或计算的。其中,所述时段是指用能对象的用能时长;所述用能时长包括但不限于:一或多日、一或多周、一或多月、或者一或多年等。
其中,每个所述时段包括一个或具有不同时间特征信息的多个周期性的时间间隔。举例来说,设所述时段为一天,所述时间间隔为一天中的每个小时。或者,在一天中按供能系统的供能损失参数的不同可以分为多个时间间隔,即:0AM~7AM时间间隔、7AM~11PM时间间隔、11PM~5PM时间间隔、5PM~7PM时间间隔、7PM~12PM时间间隔。
需要说明的是,所述时段内各时间间隔的时序分配仅为举例,并不以此为限。
在本申请的示例中,以T表示所述时段中时间间隔的总数,以t表示所述时间间隔;其中,t的可行域为[1,T]。例如,所述时间间隔为每个小时,则所述时段可以为一天,即T可以为24。
在一些实施例中,每一用能对象在每一时段中对于所述供能系统的供能参数影响量是根据每一用能对象在每一时段中各时间间隔内的供能需求和每一时段中各时间间隔内的供能参数所确定的。
公式(1)给出了每个用能对象i的供能参数影响量MCIi的定义:
在一示例中,供能损失量和用能量的数学关系由公式(2)所示的损失量函数表示:
其中,N表示供能系统所供能的用能对象的数量。所述损失量函数用于表示在时间间隔t内N个用能对象的用能量Lt和供能系统的供能损失量C(Lt)之间的关系;为在时间间隔t内用能对象i的用能量,即供能系统在时间间隔t内对用能对象i的供能量;a为损失量函数的二次项系数、b为损失量函数的一次项系数、c为损失量函数的常数项。
当然,虽然本实施例中通过二次函数来表示所述N个用能对象的用能量Lt和供能系统的供能损失量C(Lt)之间的数学关系,但是并不限制于此,在其它实施例中可以通过其它多项式形式加以替代。
在一些实施例中,所述供能损失参数举例为在各时间间隔内供能系统的供能价格p(t)。
在一示例中,综合公式(1)至公式(3),所述供能参数影响量MCIi可由如下公式表示:
在一些实施例中,在一时段中各时间间隔内用能对象i的供能需求可以直接用其用能量来表示,其中,为该时段中每个时间间隔内t该用能对象i的用能量。在另一些实施例中,在一时段中各时间间隔内用能对象i的供能需求也可以用归一化的用能量来表示,其中, 为用能量的归一化表达。
基于公式(4),可根据一时段中各时间间隔内用能对象i的供能需求和各时间间隔内的供能损失参数pt确定所述用能对象i的供能参数影响量MCIi。
需说明的是,在其它实施例中,所述供能参数影响量MCIi的计算方式也可以加以变化,例如在公式(4)的基础上增加其它权重系数等,并非以此为限。
基于上述理解,所述步骤S110包括步骤S111和步骤S112。
步骤S111:所述计算机设备根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求。
所述初始供能需求为真实用能量的历史数据所对应的供能需求。所述各时间间隔内的供能参数举例为各时间间隔内的供能损失参数。所述预期供能需求包括预计可能的供能需求,例如,在实际的用能过程中,为了使用能对象在一时段中的总用能量相同、以及在所述供能损失参数的作用下降低该时段中的用能损失量,会对在该时段的每一时间间隔内的用能量进行调整。所述用能损失量举例为用能成本。所述用能损失量用于补偿所述供能系统的供能损失量。
具体地,基于所述初始供能需求以及所述各时间间隔内的供能损失参数可以对每一时间间隔内的供能需求进行预期调整,以使得在所述供能损失参数的作用下降低在该时段中的用能损失量。需要说明的是,将用能对象的用能量作归一化处理后作为所述初始供能需求,可以提升所述用于供能系统的控制方法的计算效率。实际应用中,也可以采用各时间间隔t内该用能对象i的用能量作为初始供能需求来获取预期供能需求。
公式(5)表示的是单个用能对象在单个时段中各时间间隔的初始供能需求的总量与预期供能需求的总量相等。公式(6)表示的是单个用能对象在单个时段中各时间间隔内的初始供能需求同各时间间隔内的预期供能需求的差异之和满足预设比例θ。其中,所述预期供能需求为
所述初始供能需求与预期供能需求在满足公式(5)和公式(6)所述的约束的情况下,根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及单个时段各时间间隔内的供能参数,确定使单个用能对象在单个时段中的用能损失量最小所对应的单个用能对象在单个时段中各时间间隔内的预期供能需求。
以所述供能参数为供能损失参数pt为例,通过在公式(5)和公式(6)的约束下,确定使得公式(7)所示的用能损失量最小所对应的各时间间隔内的预期供能需求di't。
需要说明的是,也可以为公式(5)和公式(6)设置期限。例如,根据实际需求,在一时段中部分时间间隔内实施所述用能量改变的行为。即,求解问题(7)时可以采取分段方式求解,或者只在一时段中连续的几个时间间隔内进行求解。
在另一些实施例中,也可以采用各时间间隔t内一用能对象i的用能量作为所述初始供能需求来求解预期供能需求公式(5)、公式(6)、以及公式(7)可以分别作出适应性改变,转化成如公式(8)、公式(9)、以及公式(10)所示的优化问题:
在一些示例中,可以根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及该时段中各时间间隔内的供能损失参数,应用贪心算法来求解公式(7)和公式(10)所对应的优化问题,以确定所述预期供能需求。
具体地,以用能对象i在单个时段中归一化的用能量作为所述初始供能需求为例。请参阅图3,图3显示为根据贪心算法确定单个时段中的预期供能需求的方法在一实施例中的流程示意图。图3所示的方法包括:步骤S121、步骤S122、步骤S123、步骤S124、步骤S125。
步骤S121:对所述单个时段中的每一时间间隔内的供能损失参数进行排序,以得到升序排列的损失参数排序p(1)<p(2)<.....p(T),并将当前供能改变量Δd的初始值设为0,将当前供能损失参数顺序j的初始值设为1,以及确定供能改变量阈值。在本实施例中,所述供能改变量阈值为θ·sum1,其中 在其他实施例中,如果所述初始供能需求直接用一时段的用能量来表示,则所述供能该变量阈值所涉及的sum1可以直接用前文所述的来替代。
步骤S122:判断当前供能改变量Δd是否小于等于所述供能改变量阈值θ·sum1,如果是,则执行步骤S123,如果否,则结束。其中,所述当前供能改变量Δd会根据步骤S125进行更新。
步骤S123:判断与所述当前供能损失参数顺序j相对应的高供能损失参数顺序的初始供能需求di (T+1-j)是否在所述供能改变量阈值与当前供能改变量的差值θ·sum1-Δd以上:
如果是,执行步骤S124,如果否,则执行步骤S125。其中,所述当前供能损失参数顺序j会根据步骤S125进行更新。
步骤S124:将当前供能损失参数顺序j下的初始供能需求di (j)加上所述供能改变量阈值同所述当前供能改变量的差值θ·sum1-Δd后作为当前供能损失参数顺序下的预期供能需求di'(j),将与所述当前供能损失参数顺序相对应的高供能损失参数顺序的初始供能需求di (T+1-j)减去所述供能改变量阈值与所述当前供能改变量的差值θ·sum1-Δd后作为当前高供能损失参数顺序下的所述预期供能需求di'(T+1-j)。然后结束获得该用能对象在该时段的预期供能需求的操作。
例如,一时段中的初始供能需求为该时段中六个时间间隔所对应的供能损失参数分别为(1,3,6,5,4,2)。对该时段中的供能损失参数按损失参数升序的到的损失参数排序为:1<2<3<4<5<6,设θ值为0.2,则供能损失参数最低的时间间隔所对应的初始供能需求为0.05。第一次进行判断时,当前供能损失参数顺序j=1相对应的高供能损失参数顺序j=6的初始供能需求为0.4。由于0.4>(0.2-0),所以,将供能损失参数顺序j=6所对应的供能需求从0.4变成0.2,以0.2为供能损失参数顺序j=6所对应的时间间隔内的预期供能需求。相应地,将供能损失参数顺序j=1所对应的供能需求从0.05变成0.25,以0.25为供能损失参数顺序j=1所对应的时间间隔内的预期供能需求。将(0.25,0.25,0.2,0.15,0.1,0.05)作为该时段的预期供能需求
步骤S125:将与所述当前供能损失参数相对应的高供能损失参数下的初始供能需求di (T+1-j)设为0后作为当前高供能损失参数下的预期供能需求di'(T+1-j),将与所述当前供能损失参数下的初始供能需求di (j)加上与所述当前供能损失参数相对应的高供能损失参数下的初始供能需求di (T+1-j)后作为当前供能损失参数下的预期供能需求di'(j),并将当前供能损失参数顺序j加1,将当前供能改变量同与所述当前供能损失参数相对应的高供能损失参数下的初始供能需求之和di (T+1-j)+Δd作为下一当前供能改变量。将更新后的当前供能改变量Δd和当前供能损失参数顺序j分别作为下一次执行步骤S122时的当前供能改变量Δd和下一次执行步骤S123时的当前供能损失参数顺序j。
例如,一时段中的初始供能需求为该时段中十个时间间隔所对应的供能损失参数分别为(1,8,7,11,6,9,5,4,3,2)。对该时段中的供能损失参数按损失参数升序得到的损失参数排序为:1<2<3<4<5<6<7<8<9<11,设θ值为0.3,则供能损失参数最低的时间间隔所对应的初始供能需求为0,第一次进行判断时,当前供能损失参数顺序j=1相对应的高供能损失参数顺序j=10的供能损失参数为11,当前供能损失参数顺序j=1相对应的高供能损失参数顺序j=10的初始供能需求为0.25。由于0.25<(0.3-0),所以,将供能损失参数顺序j=10所对应的供能需求从0.25变成0,以0为供能损失参数顺序j=10所对应的预期供能需求。相应地,将供能损失参数顺序j=1所对应的供能需求从0变成(0.25+0),以0.25为供能损失参数顺序j=1所对应的预期供能需求。然后,将供能损失参数顺序j加1,此时所述当前供能损失参数顺序j为2。将供能改变量Δd加上供能损失参数顺序j=10所对应的供能需求,此时,当前供能改变量Δd为0.25。由于当前供能损失参数顺序j=2相对应的高供能损失参数顺序j=9的初始供能需求为0.25>(0.3-0.25),所以,将供能损失参数顺序j=2所对应的供能需求从0变成((0.3-0.25)+0),以0.05为供能损失参数顺序j=2所对应的预期供能需求。将供能损失参数顺序j=9所对应的供能需求从0.25变成(0.25-(0.3-0.25)),以0.2为供能损失参数顺序j=9所对应的预期供能需求。将(0.25,0.05,0.1,0,0.1,0.2,0.15,0.05,0.05,0.05)作为该时段的预期供能需求
其中,所述当前供能改变量初始时为所述初始值0,当前供能损失参数顺序j初始时为1。所述当前供能损失参数初始时所对应的供能损失参数p(1)最低。其中,所述当前供能改变量Δd和当前供能损失参数顺序j会根据步骤S125进行更新,以作用至步骤S122和步骤S123。
在确定每一用能对象i在每一时段中的预期供能需求后,可执行步骤S112。
步骤S112:根据每一用能对象在每一时段中各时间间隔内的预期供能需求,确定每一用能对象在每一时段中对于所述供能系统的预期供能参数影响量,以得到所述预期影响量矩阵。
具体地,将多个用能对象在多个时段中的预期供能需求带入公式(4),获得多个用能对象在多个时段中的预期供能参数影响量,以得到所述预期影响量矩阵Y。其中,所述预期影响量矩阵Y中的每一个元素代表每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量。
其中,所述预期影响量矩阵中的每一个元素代表每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量yi,j。所述预期供能参数影响量yi,j满足如下公式:
其中,为每一用能对象在每一时段的所述初始供能需求所对应的供能参数影响量,εi,j为每一用能对象在每一时段的噪声所对应的供能参数影响量。M为用能对象的个数,N为观察期间中所述时段的个数。其中,所述噪声是所述预期供能需求与所述初始供能需求的差异。
所以,在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵,所述预期影响量矩阵Y可由如下公式表示:
Y=Θ*+Z (12)
其中,Θ*为初始影响量矩阵,所述初始影响量矩阵Θ*中的每一元素为每一用能对象在每一时段的所述初始供能需求所对应的供能参数影响量Z为和初始供能需求相关的噪声矩阵,所述噪声矩阵Z中的每一元素为每一用能对象在每一时段的噪声所对应的供能参数影响量εi,j。
需要说明的是,实际上用户不会在整个观察期间的每个时段中均进行供能需求的改变。所以,所述在实际中,预期影响量矩阵中只有部分的供能参数影响量是存在噪声的,即而预期影响量矩阵中其他供能参数影响量中噪声所对应的供能参数影响量εi,j为0。在这种情况下,初始影响量矩阵Θ*是低秩性,预期影响量矩阵Y也是低秩的。所以,我们可以采用前文求解得到的所述预期影响量矩阵Y中的部分元素来构造优化影响量矩阵,使得所述优化影响量矩阵所对应的实际供能参数更接近用户的真实供能需求。所以,供能系统采用基于该优化影响量矩阵得到的长期稳定的实际供能参数进行供能时,用户不会为了降低用能损失量而去改变自身的用能需求。
步骤S120可以根据前文求解得到的所述预期影响量矩阵Y中的部分元素来构造优化影响量矩阵。
步骤S120:所述计算机设备根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量;所述影响量矩阵和预期影响量矩阵是同型矩阵,且所述矩阵位置集合中包括所述预期影响量矩阵及所述影响量矩阵中部分的相应元素位置。
在一些实施例中,利用矩阵补全算法,在最小化影响量矩阵的秩的条件下和预设误差约束下构造所述优化影响量矩阵。所述误差约束可由如下公式表示:
||PΩ(Θ-Y)||F<δ (13)
其中,δ为预设误差,PΩ为投影操作。公式(13)表示的是根据矩阵位置集合对影响量矩阵Θ和预期影响量矩阵Y的差进行投影操作得到的矩阵的范数满足预设误差。所述投影操作PΩ可由公式(14)来解释:
其中,Ω为矩阵位置集合,所述影响量矩阵Θ和预期影响量矩阵Y是同型矩阵,且所述矩阵位置集合Ω中包括所述预期影响量矩阵Y及所述影响量矩阵Θ中部分的相应元素位置。例如,矩阵位置集合Ω中包括M×N的预期影响量矩阵Y的对角线位置,由于所述影响量矩阵Θ和预期影响量矩阵Y是同型矩阵,所以,所述矩阵位置集合Ω中还包括所述影响量矩阵Θ的对角线位置。
所述矩阵位置集合Ω是通过抽样算法和预计抽样的矩阵位置个数n确定的。例如,所述抽样算法为简单随机抽样,所述预计抽样的矩阵位置个数为n,基于所述抽样概率抽取矩阵中的n个位置。其中,M与N的乘积为所述预期影响量矩阵中矩阵位置的总个数。需要说明的是,抽样的个数太多,会使构造的矩阵更接近Y;抽样的个数太少,会使得无法准确构造所述优化影响量矩阵。
在所述预设误差约束下和最小化影响量矩阵的秩的条件下,构造优化影响量矩阵的问题可以转化为公式(15)所对应的秩最小化的优化问题。
利用矩阵补全算法可以求解上述优化问题以构造所述优化影响量矩阵。其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量。
所述矩阵补全算法包括但不限于不动点延续算法、加速近端梯度算法、半定规划法、奇异值阈值算法、增广拉格朗日乘子法等。
所述公式(15)所对应的非凸优化问题可以转化成如下公式所示的最小值问题:
其中,||Θ||*为所述影响量矩阵Θ的奇异值之和,||.||F代表矩阵的F范数,矩阵的F范数是每一个矩阵位置的元素值的平方求和后的次幂,其中,M为所述用能对象的个数,N为观察期间中所述时段的个数,p为确定所述矩阵位置集合Ω的抽样概率,σ是所述噪声矩阵Z的标准差。所述噪声矩阵可以根据前文求解得到的所述预期影响量矩阵Y与所述为初始影响量矩阵Θ*之间的差值得到。
利用不动点延续算法求解公式(16)的最小值问题时,需要获得如下微分方程的解:
其中,所述矩阵A和矩阵B是基于初始矩阵A0和初始矩阵B0,利用所述不动点算法不断迭代得到的。需要说明的是,初始矩阵A0和初始矩阵B0的设置与所述不动点算法的收敛速度有关。
在一些实施例中,所述初始矩阵A0和初始矩阵B0与前文求解得到的所述预期影响量矩阵Y相关。
具体地,对所述预期影响量矩阵Y进行奇异值分解可以得到所述预期影响量矩阵Y的奇异值矩阵ΣM×N,奇异值矩阵ΣM×N是M×N的对角矩阵,其中,通过简化后的奇异值矩阵可以构造所述初始矩阵A0和初始矩阵B0。
例如,所述奇异值矩阵中的各对角元素为(σ1,σ2,...,σn)。将所述奇异值矩阵ΣM×N中的各对角元素按照大小排序,得到排序后的奇异值矩阵,排序后的奇异值矩阵中的各对角元素为(σ1',σ2',...,σn'),其中,(σ1'>σ2'>...>σn')。当所述奇异值矩阵中的对角元素小于奇异值阈值时则将对应的对角元素设为0,以得到简化的奇异值矩阵所述奇异值阈值可以是所述对角线元素最大值的十分之一、百分之一、或者千分之一等,但并不以此为限。所述简化后的奇异值矩阵可由如下公式表示:
在其他实施例中,所述优化影响量矩阵的初始矩阵可以为M×N维的0矩阵,也可以是所述预期影响量矩阵Y,但不以此为限。
需要说明的是,在步骤S120中,以用能对象的个数M为行并且以观察期间中所述时段的个数N为列。在其他实施方式中,也可用观察期间中所述时段的个数N为行并且以用能对象的个数M为列。
根据步骤S120中构造的优化影响量矩阵可执行步骤S130。
步骤S130:根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。
所述实际供能参数包括但不限于:每一用能对象的实际供能量、实际供能量对应的实际供能指令、或者实际供能损失参数。所述实际供能参数用于稳定能源系统中各用户的用能行为,令其合理化,且避免能源浪费。
在一些实施例中,所述实际供能损失参数为所述优化影响量矩阵中每一用能对象各时段的优化供能参数影响量的均值。例如,所述优化影响量矩阵中一用能对象在N个时段中的优化供能参数影响量为(a1,a2,....,aN),对各优化供能参数影响量求和后与N的比值作为所述稳定的实际供能损失参数。
在一些实施例中,基于得到的所述实际供能损失参数,确定所述每一用能对象的实际供能量、或实际供能量对应的实际供能指令。例如,将与所述实际供能损失参数相对应的供能量作为长期的实际供能量,以控制不包括储能装置的供能系统按照实际供能量进行产能,以供给所述各用能对象。又如,将与所述实际供能损失参数相对应的供能量作为稳定的实际供能量后确定所述实际供能指令,以供包括储能装置的供能系统按照所述实际供能指令进行产能、储能、以及释能。其中,所述实际供能指令中包括:每一时间间隔的实际产能量、每一时间间隔的实际储能量、每一时间间隔的实际释能量。
需要说明的是,供能系统通过所述实际供能参数进行供能时,既可以满足用户实际的用能需求又可以使得用户不会轻易改变其负荷曲线,进而改善了能源浪费的现象并且保证了电力系统的平稳运行。
本申请还提供一种用于供能系统的控制系统,用于在考虑用能对象的实际负荷曲线相对于历史负荷曲线可能发生改变的情况下,有针对性地为不同的用能对象确定长期稳定的供能参数。所述供能参数包括但不限于:每一用能对象的供能量、供能量对应的供能指令、或者供能损失参数,用于稳定能源系统中各用户的用能行为,令其合理化,且避免能源浪费。在一些实施例中,所述供能损失参数可以是表示对供能系统进行供能所产生损失进行补偿的参数。
所述控制系统可以应用在图5或图6所示的计算机系统中。例如,以软件的形式搭载在图5或图6所示的计算机系统中以实现相应功能。
请参阅图4,图4显示为本申请用于供能系统的控制系统在一实施例中的结构示意图。如图所4示,所述用于供能系统的控制系统40包括:预期影响量矩阵确定模块41、优化影响量矩阵确定模块42、供能参数确定模块43。
所述预期影响量矩阵确定模块41用于根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;其中,所述预期影响量矩阵中包括每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量;在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵。
在以下实施例中,根据所述供能损失参数进行举例。
在一些实施例中,每一用能对象在每一时段中对于所述供能系统的供能参数影响量是根据每一用能对象在每一时段中各时间间隔内的供能需求和每一时段中各时间间隔内的供能参数所确定的。
公式(1)给出了每个用能对象i的供能参数影响量MCIi的定义:
在一示例中,供能损失量和用能量的数学关系由公式(2)所示的损失量函数表示:
其中,N表示供能系统所供能的用能对象的数量。所述损失量函数用于表示在时间间隔t内N个用能对象的用能量Lt和供能系统的供能损失量C(Lt)之间的关系;为在时间间隔t内用能对象i的用能量,即供能系统在时间间隔t内对用能对象i的供能量;a为损失量函数的二次项系数、b为损失量函数的一次项系数、c为损失量函数的常数项。
当然,虽然本实施例中通过二次函数来表示所述N个用能对象的用能量Lt和供能系统的供能损失量C(Lt)之间的数学关系,但是并不限制于此,在其它实施例中可以通过其它多项式形式加以替代。
在一示例中,综合公式(1)至公式(3),所述供能参数影响量MCIi可由如下公式表示:
在一些实施例中,在一时段中各时间间隔内用能对象i的供能需求可以直接用其用能量来表示,其中,为该时段中每个时间间隔内t该用能对象i的用能量。在另一些实施例中,在一时段中各时间间隔内用能对象i的供能需求也可以用归一化的用能量来表示,其中, 为用能量的归一化表达。
基于公式(4),可根据一时段中各时间间隔内用能对象i的供能需求和各时间间隔内的供能损失参数pt确定所述用能对象i的供能参数影响量MCIi。
需说明的是,在其它实施例中,所述供能参数影响量MCIi的计算方式也可以加以变化,例如在公式(4)的基础上增加其它权重系数等,并非以此为限。
基于上述理解,首先,所述预期影响量矩阵确定模块41根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求。
所述初始供能需求为真实用能量的历史数据所对应的供能需求。所述各时间间隔内的供能参数举例为各时间间隔内的供能损失参数。所述预期供能需求包括预计可能的供能需求,例如,在实际的用能过程中,为了使用能对象在一时段中的总用能量相同、以及在所述供能损失参数的作用下降低该时段中的用能损失量,会对在该时段的每一时间间隔内的用能量进行调整。所述用能损失量举例为总用能成本。所述用能损失量用于补偿所述供能系统的供能损失量。
具体地,基于所述初始供能需求以及所述各时间间隔内的供能损失参数可以对每一时间间隔内的供能需求进行预期调整,以使得在所述供能损失参数的作用下降低在该时段中的用能损失量。需要说明的是,将用能对象的用能量作归一化处理后作为所述初始供能需求,可以提升计算效率。实际应用中,也可以采用各时间间隔t内该用能对象i的用能量作为初始供能需求来获取预期供能需求。
公式(5)表示的是单个用能对象在单个时段中各时间间隔的初始供能需求的总量与预期供能需求的总量相等。公式(6)表示的是单个用能对象在单个时段中各时间间隔内的初始供能需求同各时间间隔内的预期供能需求的差异之和满足预设比例θ。其中,所述预期供能需求为
所述初始供能需求与预期供能需求在满足公式(5)和公式(6)所述的约束的情况下,根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及单个时段各时间间隔内的供能参数,确定使单个用能对象在单个时段中的用能损失量最小所对应的单个用能对象在单个时段中各时间间隔内的预期供能需求。
以所述供能参数为供能损失参数pt为例,通过在公式(5)和公式(6)的约束下,确定使得公式(7)所示的用能损失量最小所对应的各时间间隔内的预期供能需求di't。
需要说明的是,也可以为公式(5)和公式(6)设置期限。例如,根据实际需求,在一时段中部分时间间隔内实施所述用能量改变的行为。即,求解问题(7)时可以采取分段方式求解,或者只在一时段中连续的几个时间间隔内进行求解。
在另一些实施例中,也可以采用各时间间隔t内一用能对象i的用能量作为所述初始供能需求来求解预期供能需求公式(5)、公式(6)、以及公式(7)可以分别作出适应性改变,转化成如公式(8)、公式(9)、以及公式(10)所示的优化问题:
在一些示例中,可以根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及该时段中各时间间隔内的供能损失参数,应用贪心算法来求解公式(7)和公式(10)所对应的优化问题,以确定所述预期供能需求。
需要说明的是,根据贪心算法确定单个时段中的预期供能需求的方式与前文所述的相同或相似,在此不再详述。
在确定每一用能对象i在每一时段中的预期供能需求后,所述预期影响量矩阵确定模块41根据每一用能对象在每一时段中各时间间隔内的预期供能需求,确定每一用能对象在每一时段中对于所述供能系统的预期供能参数影响量,以得到所述预期影响量矩阵。
将多个用能对象在多个时段中的预期供能需求带入公式(4),获得多个用能对象在多个时段中的预期供能参数影响量,以得到所述预期影响量矩阵Y。其中,所述预期影响量矩阵Y中的每一个元素代表每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量。
其中,所述预期影响量矩阵中的每一个元素代表每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量yi,j。所述预期供能参数影响量yi,j满足如下公式:
其中,为每一用能对象在每一时段的所述初始供能需求所对应的供能参数影响量,εi,j为每一用能对象在每一时段的噪声所对应的供能参数影响量。M为所述用能对象的个数,N为观察期间中所述时段的个数。其中,所述噪声是所述预期供能需求与所述初始供能需求的差异。
所以,在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵,所述预期影响量矩阵Y可由如下公式表示:
Y=Θ*+Z (12)
其中,Θ*为初始影响量矩阵,所述初始影响量矩阵Θ*中的每一元素为每一用能对象在每一时段的所述初始供能需求所对应的供能参数影响量Z为和初始供能需求相关的噪声矩阵,所述噪声矩阵Z中的每一元素为每一用能对象在每一时段的噪声所对应的供能参数影响量εi,j。
需要说明的是,实际上用户不会在整个观察期间的每个时段中均进行供能需求的改变。所以,所述在实际中,预期影响量矩阵中只有部分的供能参数影响量是存在噪声的,即而预期影响量矩阵中其他供能参数影响量中噪声所对应的供能参数影响量εi,j为0。在这种情况下,初始影响量矩阵Θ*是低秩性,预期影响量矩阵Y也是低秩的。所以,我们可以采用前文求解得到的所述预期影响量矩阵Y中的部分元素来构造优化影响量矩阵,使得所述优化影响量矩阵所对应的实际供能参数更接近用户的真实供能需求。所以,供能系统采用基于该优化影响量矩阵得到的长期稳定的实际供能参数进行供能时,用户不会为了降低用能损失量而去改变自身的用能需求。
所述优化影响量矩阵确定模块42可以根据前文求解得到的所述预期影响量矩阵Y中的部分元素来构造优化影响量矩阵。
优化影响量矩阵确定模块42用于根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量;所述影响量矩阵和预期影响量矩阵是同型矩阵,且所述矩阵位置集合中包括所述预期影响量矩阵及所述影响量矩阵中部分的相应元素位置。
在一些实施例中,利用矩阵补全算法,在最小化影响量矩阵的秩的条件下和预设误差约束下构造所述优化影响量矩阵。所述误差约束可由如下公式表示:
||PΩ(Θ-Y)||F<δ (13)
其中,δ为预设误差,PΩ为投影操作。公式(13)表示的是根据矩阵位置集合对影响量矩阵Θ和预期影响量矩阵Y的差进行投影操作得到的矩阵的范数满足预设误差。所述投影操作PΩ可由公式(14)来解释:
其中,Ω为矩阵位置集合,所述影响量矩阵Θ和预期影响量矩阵Y是同型矩阵,且所述矩阵位置集合Ω中包括所述预期影响量矩阵Y及所述影响量矩阵Θ中部分的相应元素位置。例如,矩阵位置集合Ω中包括M×N的预期影响量矩阵Y的对角线位置,由于所述影响量矩阵Θ和预期影响量矩阵Y是同型矩阵,所以,所述矩阵位置集合Ω中还包括所述影响量矩阵Θ的对角线位置。
所述矩阵位置集合Ω是通过抽样算法和预计抽样的矩阵位置个数n确定的。例如,所述抽样算法为简单随机抽样,所述预计抽样的矩阵位置个数为n,基于所述抽样概率抽取矩阵中的n个位置。其中,M与N的乘积为所述预期影响量矩阵中矩阵位置的总个数。需要说明的是,抽样的个数太多,会使构造的矩阵更接近Y;抽样的个数太少,会使得无法准确构造所述优化影响量矩阵。
在所述预设误差约束下和最小化影响量矩阵的秩的条件下,构造优化影响量矩阵的问题可以转化为公式(15)所对应的秩最小化的优化问题。
利用矩阵补全算法可以求解上述优化问题以构造所述优化影响量矩阵。其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量。
所述矩阵补全算法包括但不限于不动点延续算法、加速近端梯度算法、半定规划法、奇异值阈值算法、增广拉格朗日乘子法等。
所述公式(15)所对应的非凸优化问题可以转化成如下公式所示的最小值问题:
其中,||Θ||*为所述影响量矩阵Θ的奇异值之和,||.||F代表矩阵的F范数,矩阵的F范数是每一个矩阵位置的元素值的平方求和后的次幂,其中,M为所述用能对象的个数,N为观察期间中所述时段的个数,p为确定所述矩阵位置集合Ω的抽样概率,σ是所述噪声矩阵Z的标准差。所述噪声矩阵可以根据前文求解得到的所述预期影响量矩阵Y与所述为初始影响量矩阵Θ*之间的差值得到。
利用不动点延续算法求解公式(16)的最小值问题时,需要获得如下微分方程的解:
其中,所述矩阵A和矩阵B是基于初始矩阵A0和初始矩阵B0,利用所述不动点算法不断迭代得到的。需要说明的是,初始矩阵A0和初始矩阵B0的设置与所述不动点算法的收敛速度有关。
在一些实施例中,所述初始矩阵A0和初始矩阵B0与前文求解得到的所述预期影响量矩阵Y相关。
具体地,对所述预期影响量矩阵Y进行奇异值分解可以得到所述预期影响量矩阵Y的奇异值矩阵ΣM×N,奇异值矩阵ΣM×N是M×N的对角矩阵,其中,通过简化后的奇异值矩阵可以构造所述初始矩阵A0和初始矩阵B0。
例如,所述奇异值矩阵中的各对角元素为(σ1,σ2,...,σn)。将所述奇异值矩阵ΣM×N中的各对角元素按照大小排序,得到排序后的奇异值矩阵,排序后的奇异值矩阵中的各对角元素为(σ1',σ2',...,σn'),其中,(σ1'>σ2'>...>σn')。当所述奇异值矩阵中的对角元素小于奇异值阈值时则将对应的对角元素设为0,以得到简化的奇异值矩阵所述奇异值阈值可以是所述对角线元素最大值的十分之一、百分之一、或者千分之一等,但并不以此为限。所述简化后的奇异值矩阵可由如下公式表示:
在其他实施例中,所述优化影响量矩阵的初始矩阵可以为M×N维的0矩阵,也可以是所述预期影响量矩阵Y,但不以此为限。需要说明的是,在本申请中以用能对象的个数M为行并且以观察期间中所述时段的个数N为列。在其他实施方式中,也可用观察期间中所述时段的个数N为行并且以用能对象的个数M为列。
所述供能参数确定模块43用于根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。
所述实际供能参数包括但不限于:每一用能对象的实际供能量、实际供能量对应的实际供能指令、或者实际供能损失参数。所述实际供能参数用于稳定能源系统中各用户的用能行为,令其合理化,且避免能源浪费。
在一些实施例中,所述实际供能损失参数为所述优化影响量矩阵中每一用能对象各时段的优化供能参数影响量的均值。例如,所述优化影响量矩阵中一用能对象在N个时段中的优化供能参数影响量为(a1,a2,....,aN),对各优化供能参数影响量求和后与N的比值作为所述稳定的实际供能损失参数。
在一些实施例中,基于得到的所述实际供能损失参数,确定所述每一用能对象的实际供能量、或实际供能量对应的实际供能指令。例如,将与所述实际供能损失参数相对应的供能量作为长期的实际供能量,以控制不包括储能装置的供能系统按照实际供能量进行产能,以供给所述各用能对象。又如,将与所述实际供能损失参数相对应的供能量作为稳定的实际供能量后确定所述实际供能指令,以供包括储能装置的供能系统按照所述实际供能指令进行产能、储能、以及释能。其中,所述实际供能指令中包括:每一时间间隔的实际产能量、每一时间间隔的实际储能量、每一时间间隔的实际释能量。
需要说明的是,供能系统通过所述实际供能参数进行供能时,既可以满足用户实际的用能需求又可以使得用户不会轻易改变其负荷曲线,进而改善了能源浪费的现象并且保证了电力系统的平稳运行。
请参阅图5,图5显示为本申请的计算机设备在一实施例中的结构示意图,如图5所示,所述计算机系统50包括存储装置51、以及处理装置52。
所述存储装置51用于存储至少一程序,在一些实施例中,所述存储装置51包括一个或多个存储器,用以在执行时执行基于本申请技术思想而示例的用于供能系统的控制方法。在实施例中,所述存储器可包括高速随机存取存储器,并且还可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中,存储器还可以包括远离一个或多个处理器的存储器,例如经由RF电路或外部端口以及通信网络访问的网络附加存储器,其中所述通信网络可以是因特网、一个或多个内部网、局域网、广域网、存储局域网等,或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。
所述处理装置52与所述存储装置51连接,在一些实施例中,所述处理装置52包括一个或多个处理器,所述处理装置52用于调所述至少一程序以执行本申请所述的用于供能系统的控制方法。在实施例中,所述处理器可操作地与存储器和/或非易失性存储设备耦接。更具体地,处理器可执行在存储器和/或非易失性存储设备中存储的指令以在所述计算机设备中执行操作,诸如生成实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。如此,处理器可包括一个或多个通用微处理器、一个或多个专用处理器、一个或多个现场可编程逻辑阵列、或它们的任何组合。
请参阅图6,图6显示为本申请的计算机设备在另一实施例中的结构示意图,如图6所示,所述计算机设备60包括通信装置61、存储装置62、以及处理装置63。所述存储装置62、以及处理装置63与图5所示的存储装置51、以及处理装置52相同或相似,在此不再详述。
所述通信装置61用于与供能对象通信,以输出所述实际供能参数。通过所述通信装置61,所述计算机设备61能够与多个供能对象进行数据交互或通信传输。例如,所述计算机设备将实际供能参数通过所述通信装置61发送至各供能对象,以供所述各供能对象根据所述实际供能参数支付用能费用。其中,所述通信装置61可以包括:有线通信电路和/或无线通信电路,有线通信电路如有线网卡,无线通信电路如2G-5G、WiFi、314/433射频电路等等,从而能接入通信网络,通信网络可以包括因特网、移动网络、局域网(LAN)、广域网(WAN)、存储局域网(SAN)、或者一个或多个内部网等,或任何其它适当通信网络中的一个或多个。
在一实施例中,图5或图6所示的计算机设备例如为装载有APP应用程序或具备网页/网站访问性能的电子设备,例如台式电脑、智能电视、服务器、移动终端(如手机、平板电脑、笔记本电脑等),该些电子设备还可以包含显示单元/音频单元等输入输出单元。所述显示单元可包括触摸部件,该触摸部件通过检测对象触摸其屏幕(例如,电子显示器的表面)的发生和/或位置来促进用户输入;例如,供能系统侧的操作者通过触摸所述电子设备的屏幕以输入所述奇异值阈值等。
另外,本申请还公开一种计算机可读存储介质,存储有至少一计算机程序,所述计算机程序被执行时实现上述针对用于供能系统的控制方法所描述的至少一种实施例。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
于本申请提供的实施例中,所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外,任何连接都可以适当地称为计算机可读介质。例如,如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术,从网站、服务器或其它远程源发送的,则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而,应当理解的是,计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质,而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中,磁盘通常磁性地复制数据,而光盘则用激光来光学地复制数据。
在一个或多个示例性方面,本申请所述方法的计算机程序所描述的功能可以用硬件、软件、固件或其任意组合的方式来实现。当用软件实现时,可以将这些功能作为一个或多个指令或代码存储或传送到计算机可读介质上。本申请所公开的方法或算法的步骤可以用处理器可执行软件模块来体现,其中处理器可执行软件模块可以位于有形、非临时性计算机可读写存储介质上。有形、非临时性计算机可读写存储介质可以是计算机能够存取的任何可用介质。
本申请上述的附图中的框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于此,框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以通过执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以通过专用硬件与计算机指令的组合来实现。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (19)
1.一种用于供能系统的控制方法,其特征在于,所述供能系统向多个用能对象供能;所述供能系统的控制方法包括:
根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;其中,所述预期影响量矩阵中包括每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量;在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵;
根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量;所述影响量矩阵和预期影响量矩阵是同型矩阵,且所述矩阵位置集合中包括所述预期影响量矩阵及所述影响量矩阵中部分的相应元素位置;
根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。
2.根据权利要求1所述的用于供能系统的控制方法,其特征在于,所述根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵,包括:
根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求;
根据每一用能对象在每一时段中各时间间隔内的预期供能需求,确定每一用能对象在每一时段中对于所述供能系统的预期供能参数影响量,以得到所述预期影响量矩阵。
3.根据权利要求1所述的用于供能系统的控制方法,其特征在于,每一用能对象在每一时段中对于所述供能系统的供能参数影响量是根据每一用能对象在每一时段中各时间间隔内的供能需求和每一时段中各时间间隔内的供能参数所确定的。
4.根据权利要求2所述的用于供能系统的控制方法,其特征在于,单个用能对象在单个时段中各时间间隔的初始供能需求的总量与预期供能需求的总量相等;单个用能对象在单个时段中各时间间隔内的初始供能需求同各时间间隔内的预期供能需求的差异之和满足预设比例;所述根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求,包括:
根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及单个时段各时间间隔内的供能参数,确定使单个用能对象在单个时段中的用能损失量最小所对应的单个用能对象在单个时段中各时间间隔内的预期供能需求。
5.根据权利要求1所述的用于供能系统的控制方法,其特征在于,根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵,包括:
利用矩阵补全算法,在最小化影响量矩阵的秩的条件下和预设误差约束下构造所述优化影响量矩阵;其中,所述预设误差约束为根据所述矩阵位置集合对影响量矩阵和预期影响量矩阵的差进行投影操作得到的矩阵的范数满足预设误差。
6.根据权利要求5所述的用于供能系统的控制方法,其特征在于,所述矩阵补全算法包括:不动点延续算法、加速近端梯度算法、半定规划法、奇异值阈值算法、增广拉格朗日乘子法等。
7.根据权利要求6所述的用于供能系统的控制方法,其特征在于,根据所述预期影响量矩阵相对应的奇异值矩阵,确定所述不动点延续算法中影响量矩阵的初始矩阵。
8.根据权利要求7所述的用于供能系统的控制方法,其特征在于,每一用能对象的实际供能损失参数为所述优化影响量矩阵中每一用能对象各时段的优化供能参数影响量的均值。
9.一种用于供能系统的控制系统,其特征在于,所述供能系统向多个用能对象供能;所述供能系统的控制系统包括:
预期影响量矩阵确定模块,用于根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵;其中,所述预期影响量矩阵中包括每一用能对象在每一所述时段中对于所述供能系统的预期供能参数影响量;在初始影响量矩阵上叠加和初始供能需求相关的噪声矩阵为所述预期影响量矩阵;
优化影响量矩阵确定模块,用于根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵;其中,所述优化影响量矩阵中包括每一用能对象在每一时段中对于所述供能系统的优化供能参数影响量;所述影响量矩阵和预期影响量矩阵是同型矩阵,且所述矩阵位置集合中包括所述预期影响量矩阵及所述影响量矩阵中部分的相应元素位置;
供能参数确定模块,用于根据所述优化影响量矩阵,确定所述供能系统的实际供能参数,以用于控制所述供能系统按该实际供能参数对各所述用能对象供能。
10.根据权利要求9所述的用于供能系统的控制系统,其特征在于,所述预期影响量矩阵确定模块根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到预期影响量矩阵,包括:
根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求;
根据每一用能对象在每一时段中各时间间隔内的预期供能需求,确定每一用能对象在每一时段中对于所述供能系统的预期供能参数影响量,以得到所述预期影响量矩阵。
11.根据权利要求9所述的用于供能系统的控制系统,其特征在于,每一用能对象在每一时段中对于所述供能系统的供能参数影响量是根据每一用能对象在每一时段中各时间间隔内的供能需求和每一时段中各时间间隔内的供能参数所确定的。
12.根据权利要求10所述的用于供能系统的控制系统,其特征在于,单个用能对象在单个时段中各时间间隔的初始供能需求的总量与预期供能需求的总量相等;单个用能对象在单个时段中各时间间隔内的初始供能需求同各时间间隔内的预期供能需求的差异之和满足预设比例;所述根据每一用能对象在每一时段中各时间间隔内的初始供能需求、以及每一时段中各时间间隔内的供能参数,得到每一用能对象在每一时段中各时间间隔内的预期供能需求,包括:
根据单个用能对象在单个时段中各时间间隔内的初始供能需求、以及单个时段各时间间隔内的供能参数,确定使单个用能对象在单个时段中的用能损失量最小所对应的单个用能对象在单个时段中各时间间隔内的预期供能需求。
13.根据权利要求9所述的用于供能系统的控制系统,其特征在于,所述优化影响量矩阵确定模块根据所述预期影响量矩阵、以及矩阵位置集合,在最小化影响量矩阵的秩的条件下构造优化影响量矩阵,包括:
利用矩阵补全算法,在最小化影响量矩阵的秩的条件下和预设误差约束下构造所述优化影响量矩阵;其中,所述预设误差约束为根据所述矩阵位置集合对影响量矩阵和预期影响量矩阵的差进行投影操作得到的矩阵的范数满足预设误差。
14.根据权利要求13所述的用于供能系统的控制系统,其特征在于,所述矩阵补全算法包括:不动点延续算法、加速近端梯度算法、半定规划法、奇异值阈值算法、增广拉格朗日乘子法等。
15.根据权利要求14所述的用于供能系统的控制系统,其特征在于,根据所述预期影响量矩阵相对应的奇异值矩阵,确定所述不动点延续算法中影响量矩阵的初始矩阵。
16.根据权利要求15所述的用于供能系统的控制系统,其特征在于,每一用能对象的实际供能损失参数为所述优化影响量矩阵中每一用能对象各时段的优化供能参数影响量的均值。
17.一种计算机设备,其特征在于,包括:
存储装置,用于存储至少一程序;
处理装置,用于调用所述至少一程序,以执行如权利要求1~8中任一项所述的用于供能系统的控制方法。
18.根据权利要求17所述的计算机设备,其特征在于,所述计算机设备还包括通信装置,用于与供能对象通信,以输出所述实际供能参数。
19.一种计算机可读存储介质,其特征在于,存储有至少一程序,所述至少一程序在被调用时执行并实现如权利要求1~8中任一所述的用于供能系统的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245147.2A CN113469401A (zh) | 2020-03-31 | 2020-03-31 | 用于供能系统的控制方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245147.2A CN113469401A (zh) | 2020-03-31 | 2020-03-31 | 用于供能系统的控制方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469401A true CN113469401A (zh) | 2021-10-01 |
Family
ID=77865503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245147.2A Pending CN113469401A (zh) | 2020-03-31 | 2020-03-31 | 用于供能系统的控制方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995787A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市旭锦科技有限公司 | 一种分布式bms电池主动均衡式安全管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170102683A1 (en) * | 2015-10-12 | 2017-04-13 | International Business Machines Corporation | Automated energy load forecaster |
CN106773704A (zh) * | 2017-01-04 | 2017-05-31 | 中国科学院过程工程研究所 | 多系统联合优化调度方法及装置 |
CN108596354A (zh) * | 2017-05-08 | 2018-09-28 | 新奥泛能网络科技股份有限公司 | 一种设施规模与供能范围的优化方法及装置 |
CN108876078A (zh) * | 2017-05-10 | 2018-11-23 | 株式会社日立制作所 | 计算耗能系统性能的改善策略的方法和耗能系统监控装置 |
CN109614688A (zh) * | 2018-12-07 | 2019-04-12 | 新奥数能科技有限公司 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
-
2020
- 2020-03-31 CN CN202010245147.2A patent/CN113469401A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170102683A1 (en) * | 2015-10-12 | 2017-04-13 | International Business Machines Corporation | Automated energy load forecaster |
CN106773704A (zh) * | 2017-01-04 | 2017-05-31 | 中国科学院过程工程研究所 | 多系统联合优化调度方法及装置 |
CN108596354A (zh) * | 2017-05-08 | 2018-09-28 | 新奥泛能网络科技股份有限公司 | 一种设施规模与供能范围的优化方法及装置 |
CN108876078A (zh) * | 2017-05-10 | 2018-11-23 | 株式会社日立制作所 | 计算耗能系统性能的改善策略的方法和耗能系统监控装置 |
CN109614688A (zh) * | 2018-12-07 | 2019-04-12 | 新奥数能科技有限公司 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995787A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市旭锦科技有限公司 | 一种分布式bms电池主动均衡式安全管理方法及系统 |
CN116995787B (zh) * | 2023-09-27 | 2024-01-16 | 深圳市旭锦科技有限公司 | 一种分布式bms电池主动均衡式安全管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Distributed optimal residential demand response considering operational constraints of unbalanced distribution networks | |
Zhao et al. | Optimal home energy management under hybrid photovoltaic‐storage uncertainty: a distributionally robust chance‐constrained approach | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
Lahon et al. | Energy management of cooperative microgrids with high‐penetration renewables | |
Scioletti et al. | Optimal design and dispatch of a system of diesel generators, photovoltaics and batteries for remote locations | |
Shi et al. | Multistage robust energy management for microgrids considering uncertainty | |
Ghasemkhani et al. | Reinforcement learning based pricing for demand response | |
CN112736918B (zh) | 微电网中源储荷协调的两级优化调度方法、装置及设备 | |
Hu et al. | Multi‐level dispatch control architecture for power systems with demand‐side resources | |
Yang et al. | Applying multiple types of demand response to optimal day‐ahead stochastic scheduling in the distribution network | |
Fang et al. | Energy management strategy based on energy storage equalization technology and transferable load | |
JP2022539186A (ja) | 電力網の安定性を保証するために電力網の制約とトランザクションするための分散型台帳 | |
Carvalho et al. | An adaptive multi-agent-based approach to smart grids control and optimization | |
Zhang et al. | Affinely adjustable robust energy management system for smart homes | |
Tightiz et al. | A robust energy management system for Korean green islands project | |
CN111200283A (zh) | 一种多微电网系统优化控制方法 | |
CN110941798A (zh) | 储能共享数据处理系统和方法、设备及介质 | |
CN113469401A (zh) | 用于供能系统的控制方法、系统、设备及存储介质 | |
CN111082424B (zh) | 一种综合能源及微电网系统可靠性预测方法及装置 | |
CN111127082B (zh) | 用于供能系统的数据处理系统、方法及装置 | |
CN112633771B (zh) | 电力资源数值计算方法、装置、计算机设备和存储介质 | |
Cao et al. | Joint energy procurement and demand response towards optimal deployment of renewables | |
CN110956370A (zh) | 储能策略数据处理系统、方法、装置及介质 | |
CN113298329A (zh) | 训练、策略生成方法、系统、计算机装置及存储介质 | |
Wang et al. | Peer-to-peer energy trading in a community based on deep reinforcement learning |
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 |