CN113608434A - 一种综合能源系统异质能流联动优化平台 - Google Patents
一种综合能源系统异质能流联动优化平台 Download PDFInfo
- Publication number
- CN113608434A CN113608434A CN202110089096.3A CN202110089096A CN113608434A CN 113608434 A CN113608434 A CN 113608434A CN 202110089096 A CN202110089096 A CN 202110089096A CN 113608434 A CN113608434 A CN 113608434A
- Authority
- CN
- China
- Prior art keywords
- load
- load data
- load prediction
- historical
- energy
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 45
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000031877 prophase Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 238000013486 operation strategy Methods 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 230000036316 preload Effects 0.000 claims 2
- 241000282461 Canis lupus Species 0.000 claims 1
- 238000010835 comparative analysis Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书一个或多个实施例提供一种综合能源系统异质能流联动优化平台、装置及电子设备。通过收集历史数据和实时数据建立并优化得到负荷预测模型，使用得到的负荷预测模型进行日前负荷预测和循环负荷预测；以包括日前负荷预测结果、循环负荷预测结果、能源系统总运行成本、供能设备运行状况在内的数据作为非局部排序遗传算法的输入参数，运行算法得到日前调度参数和循环调度参数并依照调度参数对供能设备进行模拟调度，将模拟得到的运行结果与实际运行结果进行对比分析。最终实现针对异质能流，能够充分发挥能源特性，结合需求变化，灵活地提供循环优化策略。
Description
技术领域
本说明书一个或多个实施例涉及综合能源服务领域，尤其涉及能源系统中异质能流联动优化。
背景技术
综合能源服务是一种新型的为满足终端客户多元化能源生产与消费的能源服务方式。综合能源供给侧的能源种类包括地热、空气、风力、光伏、储能等分布式新能源及电、天然气等传统能源，综合能源需求侧主要是多用户的电、冷、热、热水等需求，因此，如何在满足用户用能需求时，充分考虑各类能源特性，兼顾用户个性化用能目标，实现多种能源的互补应用、优化调度，并达到经济、能效、环境等要求，是综合能源优化调度技术的核心所在。
现有的针对多能互补综合能源系统的协调优化控制方法，通过分层调控机制实现对综合能源系统冷热电多能流的优化控制，其中优化调度层以运行成本最小为目标，根据系统运行约束条件，结合冷热电负荷需求进行日前计划优化，协调控制层根据优化调度层得到的日前负荷计划，结合系统当前运行情况，得到冷热电实时负荷指令，通过实时控制层下发给综合能源系统相关设备的自动控制系统。该系统存在有如下几个技术问题：
优化调度目标单一，只考虑了经济运行成本，未从能源利用效率、节能减排效果等方面多元考虑综合能源的优化控制；
能源特性考虑不足，未充分考虑时间尺度下每类能源的特性，不能达到最优的能源利用效果；
通过监测供回水温度，实现日中调度计划的调整，为后调整，更易发生供需不平衡。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种综合能源系统异质能流联动优化平台，以解决现有方案面临的优化调度目标单一、能源特性考虑不足和易发生供需不平衡的问题。
收集用户的实时负荷数据、用户的历史前期负荷数据以及用户的历史同期负荷数据；
基于建立的负荷预测模型，根据所述用户的实时负荷数据，预测得到循环负荷预测结果；其中，所述负荷预测模型为基于所述历史同期负荷数据和所述历史前期负荷数据建立的深度信念网络模型；
基于所述负荷预测模型，根据所述用户的历史前期负荷数据中的日前负荷数据，预测得到日前负荷预测结果；
基于非局部排序遗传算法NSGA-II对所述循环负荷预测结果和日前负荷预测结果进行处理，确定供能设备的循环调度参数和日前调度参数；
根据所述供能设备的日前调度参数和所述供能设备的循环调度参数得出优化调度方案，根据所述优化调度方案结合实际情况模拟所述供能设备的调度，得到并记录并行运行结果；
将根据未优化过的原调度方案得到的实际运行结果与所述并行运行结果进行多个维度的对比分析。
基于同一发明构思，本说明书一个或多个实施例还提供了一种综合能源系统异质能流联动优化平台的实现装置，包括：
信息收集模块，用于收集用户的实时负荷数据、用户的历史前期负荷数据以及用户的历史同期负荷数据；
负荷预测模型生成模块，用于基于所述历史同期负荷数据和所述历史前期负荷数据建立的深度信念网络模型，作为所述负荷预测模型；
负荷预测模块，用于基于所述负荷预测模型，根据所述用户的实时负荷数据，预测得到循环负荷预测结果，以及根据所述用户的历史前期负荷数据中的日前负荷数据，预测得到日前负荷预测结果；
调度参数确定模块，用于基于非局部排序遗传算法NSGA-II对所述循环负荷预测结果和日前负荷预测结果进行处理，确定供能设备的循环调度参数和日前调度参数；
模拟调度模块，用于根据所述供能设备的日前调度参数和所述供能设备的循环调度参数结合实际情况模拟所述供能设备的调度；
对比分析模块，将实际运行结果和模拟调度得到的并行运行结果进行对比分析。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述综合能源系统异质能流联动优化平台的功能。
从上面所述可以看出，本说明书一个或多个实施例提供的综合能源系统异质能流联动优化平台，与现有技术相比，具有以下优点：
利用基于深度结构学习的负荷预测技术进行日前负荷数据预测和循环负荷数据预测，实现了实时预测；
针对异质能流，充分发挥能源特性，结合需求变化，灵活提供循环优化策略。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例中一种综合能源系统异质能流联动优化平台运行步骤图；
图2为本说明书一个或多个实施例中该平台建立负荷预测模型的步骤图；
图3为本说明书一个或多个实施例中该平台进行日前负荷预测和循环负荷预测的示意图；
图4为本说明书一个或多个实施例中该平台进行日前运行优化和循环运行优化的示意图；
图5为本说明书一个或多个实施例中该平台的装置结构示意图；
图6为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如背景技术部分所述，现有的综合能源系统的协调优化控制方法存在有不足之处，申请人在实现本公开的过程中发现了如下几个问题：优化调度目标单一，只考虑了经济运行成本，未从能源利用效率、节能减排效果等方面多元考虑综合能源的优化控制；能源特性考虑不足，未充分考虑时间尺度下每类能源的特性，不能达到最优的能源利用效果；通过监测供回水温度，实现日中调度计划的调整，为后调整，易发生供需不平衡。
有鉴于此，本说明书一个或多个实施例提供了一种综合能源系统异质能流联动优化平台。具体表现为：首先，通过实时采样和数据库传输获取用户的实时负荷数据和历史前期负荷数据，其中包含有温度、湿度、风速等环境因素和负荷信息。然后，利用历史同期负荷数据建立初始深度信念网络模型，再利用历史前期负荷数据对该初始模型进行优化得到负荷预测模型，利用日前负荷数据和负荷预测模型对负荷数据进行日前负荷预测，得到日前负荷预测结果；将实时负荷数据分为n个相同时间段的实时负荷数据，使用第1时间段的实时负荷数据对负荷预测模型优化并预测第2时间段的循环负荷预测结果，直到利用第n-1时间段的实时负荷数据对负荷预测模型优化并预测第n时间段的循环负荷预测结果；其中，使用第i时间段的实时负荷数据对负荷预测模型进行优化，i的数值加1时，在优化过的负荷预测模型基础上使用第i+时间段的实时负荷数据进行优化，直到i＝n-1。在供能设备调度过程中，将通过负荷预测得到的日前负荷预测结果和循环负荷预测结果二者中的一个作为NSGA-II算法的一个输入参数，该算法的其他输入参数还包括能源系统运行成本和供能设备运行状况；选用日前负荷预测结果时，该算法运行并输出日前调度参数，选用循环负荷预测结果时，该算法运行并输出循环调度参数。最后根据得到的日前调度参数和循环调度参数对供能设备进行模拟调度；最后将模拟调度得到的并行运行结果和根据原调度方案得到的实际运行结果进行对比分析。
可见，本说明书一个或多个实施例的综合能源系统异质能流联动优化平台，基于综合能源优化技术，在进行负荷预测时，采用了循环负荷预测的方法，实现了实时的负荷预测；在运行优化过程中，采用了循环运行优化，实现了实时的运行优化；在运行优化过程中，在以运行成本最低为目标的同时，还充分考虑到了不同能源的特性、供能设备和用户负荷的特性，能够灵活地提供循环优化策略。
以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方案。
参考图1，本说明书一个或多个实施例的综合能源系统异质能流联动优化平台运行步骤包括：
步骤S101、收集用户的实时负荷数据、用户的历史前期负荷数据以及用户的历史同期负荷数据。
本步骤中，通过在线采样获取实时负荷数据，从数据库中获取历史前期负荷数据和历史同期负荷数据，以上数据均包括温度、湿度、风速以及负荷信息中的一项或多项；。
步骤S102、基于建立的负荷预测模型，根据所述用户的实时负荷数据，预测得到循环负荷预测结果。
本步骤中，负荷预测模型为根据用户的历史前期负荷数据和历史同期负荷数据建立并优化的深度信念网络模型。
进行循环负荷预测时，将实时负荷数据分为n个相同时间段的实时负荷数据，利用第i时间段的实时负荷数据对负荷预测模型进行优化，并对第i+1时间段进行循环负荷预测得到第i+1时间段的循环负荷预测结果，直到i＝n-1。
步骤S103、基于所述负荷预测模型，根据所述用户的历史前期负荷数据中的日前负荷数据，预测得到日前负荷预测结果。
步骤S104、基于非局部排序遗传算法NSGA-II对所述循环负荷预测结果和日前负荷预测结果进行处理，确定供能设备的循环调度参数和日前调度参数。
本步骤中，选择日前负荷预测结果和能源系统总运行成本、供能设备运行状况作为NSGA-II算法的输入参数时，运行算法得到的为供能设备的日前调度参数；将日前负荷预测结果换为循环负荷预测结果时，运行算法得到的时供能设备的循环调度参数。
具体来说，将能源系统总运行成本作为NSGA-II算法的目标函数，供能设备运行状况、日前负荷预测结果和循环负荷预测结果作为输入参数进行算法的运行。
步骤S105、根据所述供能设备的日前调度参数和所述供能设备的循环调度参数得出优化调度方案，根据所述优化调度方案模拟所述供能设备的调度，得到并记录并行运行结果。
本步骤中得到的并行运行结果，为根据优化调度方案和实际情况在仿真平台上对功能设备模拟调动得到的。
步骤S106、将根据未优化过的原调度方案得到的实际运行结果与所述并行运行结果进行多个维度的对比分析。
本步骤中，在所述原调度方案及所述优化调度方案，和所述实际运行结果及所述并行运行结果之间进行对比，对比项目包括：出力偏差、指令偏差、运行策略、运行成本中的至少一项。
其中，具体为对原调度方案的负荷预测结果及优化调度方案的负荷预测结果、实际运行结果及并行运行结果、原调度方案的负荷预测结果及实际运行结果、优化调度方案的负荷预测结果及并行运行结果针对上述对比项目进行对比分析。
对所述实际运行结果和所述并行运行结果进行对比分析时，其对比项目包括：总运行成本、碳排放量、可再生能源利用率、综合能耗、综合能效中至少一项。
以上各对比项目的数据均可从运行结果或负荷预测结果中直接得到。
作为一个可选的实施例，参考图2，对于前述实施例中步骤S102中生成负荷预测模型部分，可以包括以下步骤：
步骤S201、收集历史前期负荷数据和历史同期负荷数据。
步骤S202、通过GWO-FCM算法处理历史同期负荷数据获取初始差异曲线，使用离散傅里叶变换对其处理获取初始权值，二者为建立初始深度信念网络模型需要的参数。
步骤S203、使用历史前期负荷数据对初始深度信念网络模型进行优化，得到负荷预测模型。
大量的负荷信息存在于温度、湿度、风速、历史负荷数据中，且这些能量转换特点难以使用传统人工提取特征的方法来总结。深度学习作为前沿的机器学习技术，可以通过构建具有多个隐层的非线性模型来进行负荷预测。
构建基于多个限制玻尔兹曼机(restricted Boltzmann machine，RBM)和单层反向传播网络(back propagation，BP)的深度信念网络模型(deep belief network，DBN)，实现对负荷数据的预测。
首先，根据历史同期负荷数据建立初始深度信念网络模型，需要确定的参数有初始权值和初始差异曲线，其中初始权值通过离散傅里叶变换对历史同期负荷数据处理得到，初始差异曲线通过聚类算法对历史同期负荷数据处理得到。具体为：
初始权值的求取为：建立如下算式对初始权值求解，
J＝f(t,e,s)
其中J为所述历史前期负荷数据中的负荷信息，t、e、s分别为所述历史前期负荷数据中的温度、湿度、风速；f()代表离散傅里叶变换。
温度的傅里叶变换表达式为，
其中，a0,ai,bi,w为傅里叶函数的不定系数，m为傅里叶变换次数，t为温度，可将温度t替换为湿度e，风速s，进行求解。
将其变换为矩阵形式后通过最小二乘法求解，得到的结果即为初始权值。
初始差异曲线的求取为：利用聚类算法对历史同期负荷数据中的负荷信息进行聚类，得到的用能特征曲线即为初始差异曲线。
首先，使用GWO算法对负荷信息进行全面快速的搜寻以找到较好的初始聚类中心；然后使用FCM算法在初始聚类中心的基础上进行迭代运算，完成聚类分析并输出用能特征曲线。
得到初始深度信念网络模型后，使用历史前期数据对其进行优化以得到需要的负荷预测模型。具体包括：
将温度、湿度、风速、历史前期负荷和历史同期负荷作为输入参数并进行标准化处理；
使用CD算法对上述输入参数进行无监督学习，输出负荷特征向量并对初始权值进行优化；
使用BP神经网络对得到的负荷特征向量进行有监督学习，使用得到的结果对优化过的初始权值再次优化，得到最优权值；
将初始权值更新为最优权值，即得到负荷预测模型。
作为一个可选的实施例，参考图3，对前述中步骤S102和S103中日前负荷预测和循环负荷预测，可以包括以下步骤：
步骤S301、使用日前负荷数据通过负荷预测模型进行日前负荷预测，记录结果。
步骤S302、将所述实时负荷数据分为n个相同时间段的实时负荷数据；其中，n为自然数。
步骤S303、利用所述第i时间段的实时负荷数据对所述负荷预测模型进行优化。
步骤S304、基于优化后的负荷预测模型，根据第i时间段的实时负荷数据，预测得到第i+1时间段的循环负荷预测结果。
步骤S305、将i的数值加1后，返回上述利用所述第i时间段的实时负荷数据对所述负荷预测模型进行优化的步骤，直至i等于n-1。
作为一个可选的实施例，参考图4，对前述实施例中步骤S104中日前运行优化和循环运行优化，可以包括以下步骤：
步骤S401、将能源系统总运行成本、供能设备运行状况作为NSGA-II算法的输入参数。
步骤S402、将日前负荷预测结果作为NSGA-II算法的输入参数，运行算法，得到的结果即为供能设备的日前调度参数。
步骤S403、用循环负荷预测结果替换掉日前负荷预测结果时，运行算法，得到的结果为供能设备的循环调度参数。
步骤S401中的输入参数包括：能源系统总运行成本、供能设备运行状况，其中：
能源系统总运行成本包括：供能设备运行成本和/或供能设备启停成本；
供能设备运行状况包括：供能设备启动时间、供能设备开启情况、供能设备运行功率以及供能设备故障缺口中的至少一项。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，本说明书一个或多个实施例还提供了一种供能设备的调度装置。参考图5，所述装置包括：
信息收集模块501，收集用户的实时负荷数据、用户的历史前期负荷数据以及用户的历史同期负荷数据。
负荷预测模型生成模块502，基于历史同期负荷数据和所述历史前期负荷数据建立深度信念网络模型，以作为所述负荷预测模型。
负荷预测模块503，基于负荷预测模型，根据用户的实时负荷数据，预测得到循环负荷预测结果，以及根据用户的历史前期负荷数据中的日前负荷数据，预测得到日前负荷预测结果。
调度参数确定模块504，基于非局部排序遗传算法NSGA-II对循环负荷预测结果和日前负荷预测结果进行处理，确定供能设备的循环调度参数和日前调度参数。
模拟调度模块505，用于根据供能设备的日前调度参数和所述供能设备的循环调度参数进行供能设备的调度。
对比分析模块506，将实际运行结果和模拟调度得到的并行运行结果进行对比分析。
同时，为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应实施例的有益效果，在此不再赘述。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种综合能源系统异质能流联动优化平台，包括：
收集用户的实时负荷数据、用户的历史前期负荷数据以及用户的历史同期负荷数据；
基于建立的负荷预测模型，根据所述用户的实时负荷数据，预测得到循环负荷预测结果；其中，所述负荷预测模型为基于所述历史同期负荷数据和所述历史前期负荷数据建立的深度信念网络模型；
基于所述负荷预测模型，根据所述用户的历史前期负荷数据中的日前负荷数据，预测得到日前负荷预测结果；
基于非局部排序遗传算法NSGA-II对所述循环负荷预测结果和日前负荷预测结果进行处理，确定供能设备的循环调度参数和日前调度参数；
根据所述供能设备的日前调度参数和所述供能设备的循环调度参数得出优化调度方案，根据所述优化调度方案模拟所述供能设备的调度，得到并记录并行运行结果；
将根据未优化过的原调度方案得到的实际运行结果与所述并行运行结果进行多个维度的对比分析。
2.根据权利要求1所述的平台，其中，所述基于负荷预测模型，根据所述用户的实时负荷数据，预测得到循环负荷预测结果包括：
将所述实时负荷数据分为n个相同时间段的实时负荷数据；其中，n为自然数；
利用所述第i时间段的实时负荷数据对所述负荷预测模型进行优化；
基于优化后的负荷预测模型，根据第i时间段的实时负荷数据，预测得到第i+1时间段的循环负荷预测结果；
将i的数值加1后，返回上述利用所述第i时间段的实时负荷数据对所述负荷预测模型进行优化的步骤，直至i等于n-1。
3.根据权利要求1所述的平台，其中，所述实时负荷数据、所述历史前期负荷数据和所述历史同期负荷数据包括：温度、湿度、风速以及负荷信息中的一项或多项；
所述收集用户的实时负荷数据包括：通过在线采样收集所述实时负荷数据；
所述收集用户的历史前期负荷数据和历史同期负荷数据包括：通过数据库传输收集所述历史前期负荷数据和所述历史同期负荷数据。
4.根据权利要求3所述的平台，其中，所述负荷预测模型通过如下过程建立：
建立初始深度信念网络模型；
根据所述历史前期负荷数据中负荷信息与温度、湿度和风速的关系确定所述初始深度信念网络模型的初始权值；
根据所述历史前期负荷数据，基于聚类算法确定所述初始深度信念网络模型对应的初始差异曲线；
对进行标准化处理后的所述历史前期负荷数据中的温度、湿度、风速、负荷信息以及所述历史同期负荷数据作为输入参数；
使用对比散度算法CD对所述输入参数进行无监督学习，输出负荷特征向量；
根据所述负荷特征向量对所述初始权值进行初步修正；
使用单层反向传播网络BP对所述负荷特征向量进行有监督学习，优化所述初始权值，得到最优权值；
将所述初始权值更新为所述最优权值后，得到所述负荷预测模型。
5.根据权利要求4所述的平台，其中，根据所述历史前期负荷数据中负荷信息与温度、湿度和风速的关系确定所述初始深度信念网络模型的初始权值包括：
通过如下算式确定所述初始深度信念网络模型的初始权值：
J＝f(t,e,s)
其中，J为所述历史前期负荷数据中的负荷信息，t、e、s分别为所述历史前期负荷数据中的温度、湿度、风速；f()代表离散傅里叶变换。
6.根据权利要求4所述的平台，其中，根据所述历史前期负荷数据，基于聚类算法确定所述初始深度信念网络模型对应的初始差异曲线包括：
利用灰狼优化算法GWO在所述历史前期负荷数据中的负荷信息中搜寻得到初始聚类中心；
利用模糊C均值算法FCM在所述初始聚类中心的基础上进行迭代计算，完成聚类分析得到用能特征曲线；
将所述用能特征曲线作为所述初始差异曲线。
7.根据权利要求1所述的平台，其中，基于NSGA-II对所述循环负荷预测结果和日前负荷预测结果进行处理包括：
将所述日前负荷预测结果、所述循环负荷预测结果、能源系统总运行成本、供能设备运行状况作为所述NSGA-II算法的输入参数；
运行所述NSGA-II算法；
输出所述日前调度参数和所述循环调度参数；
其中，所述能源系统总运行成本包括：供能设备运行成本和/或供能设备启停成本；
所述供能设备运行状况包括：供能设备启动时间、供能设备开启情况、供能设备运行功率以及供能设备故障缺口中的至少一项；
所述供能设备之间因为能源类型不同，其运行状况也有所不同。
8.根据权利要求7所述的平台，其特征在于，对所述实际运行结果和所述并行运行结果进行对比分析，具体包括：
在所述原调度方案的负荷预测结果及所述优化调度方案的负荷预测结果，和所述实际运行结果及所述并行运行结果之间进行对比，内容包括：出力偏差、指令偏差、运行策略、运行成本中的至少一项；
对所述实际运行结果和所述并行运行结果进行对比分析时，其对比项目包括：总运行成本、碳排放量、可再生能源利用率、综合能耗、综合能效中至少一项。
9.一种综合能源系统异质能流联动优化平台实现装置，可以分为以下几个模块，具体包括：
信息收集模块，用于收集用户的实时负荷数据、用户的历史前期负荷数据以及用户的历史同期负荷数据；
负荷预测模型生成模块，用于基于所述历史同期负荷数据和所述历史前期负荷数据建立的深度信念网络模型，作为所述负荷预测模型；
负荷预测模块，用于基于所述负荷预测模型，根据所述用户的实时负荷数据，预测得到循环负荷预测结果，以及根据所述用户的历史前期负荷数据中的日前负荷数据，预测得到日前负荷预测结果；
调度参数确定模块，用于基于非局部排序遗传算法NSGA-II对所述循环负荷预测结果和所述日前负荷预测结果进行处理，确定供能设备的循环调度参数和日前调度参数；
模拟调度模块，用于根据所述供能设备的日前调度参数和所述供能设备的循环调度参数结合实际情况模拟所述供能设备的调度；
对比分析模块，将实际运行结果和模拟调度得到的并行运行结果进行对比分析。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述综合能源系统异质能流联动优化平台的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110089096.3A CN113608434B (zh) | 2021-01-22 | 2021-01-22 | 一种综合能源系统异质能流联动优化平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110089096.3A CN113608434B (zh) | 2021-01-22 | 2021-01-22 | 一种综合能源系统异质能流联动优化平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113608434A true CN113608434A (zh) | 2021-11-05 |
| CN113608434B CN113608434B (zh) | 2024-03-12 |
Family
ID=78303262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110089096.3A Active CN113608434B (zh) | 2021-01-22 | 2021-01-22 | 一种综合能源系统异质能流联动优化平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113608434B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629458A (zh) * | 2023-07-24 | 2023-08-22 | 深圳康普盾科技股份有限公司 | 一种基于数据分析的储能设备运行优化方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289566A (zh) * | 2011-07-08 | 2011-12-21 | 浙江大学 | 独立运行模式下的微电网多时间尺度能量优化调度方法 |
| CN104617590A (zh) * | 2014-07-18 | 2015-05-13 | 国网上海市电力公司 | 不同时间尺度下基于混合储能调度的微网能量优化方法 |
| CN106650998A (zh) * | 2016-10-26 | 2017-05-10 | 华南理工大学 | 一种微电网多目标实时滚动优化方法 |
| CN109858759A (zh) * | 2018-12-29 | 2019-06-07 | 陕西鼓风机（集团）有限公司 | 一种工业园区综合能源平衡调度方法 |
-
2021
- 2021-01-22 CN CN202110089096.3A patent/CN113608434B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289566A (zh) * | 2011-07-08 | 2011-12-21 | 浙江大学 | 独立运行模式下的微电网多时间尺度能量优化调度方法 |
| CN104617590A (zh) * | 2014-07-18 | 2015-05-13 | 国网上海市电力公司 | 不同时间尺度下基于混合储能调度的微网能量优化方法 |
| CN106650998A (zh) * | 2016-10-26 | 2017-05-10 | 华南理工大学 | 一种微电网多目标实时滚动优化方法 |
| CN109858759A (zh) * | 2018-12-29 | 2019-06-07 | 陕西鼓风机（集团）有限公司 | 一种工业园区综合能源平衡调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方芳;卜凡鹏;田世明;齐林海;李夏威;: "基于负荷特性聚类的样本自适应神经网络台区短期负荷预测", 科技导报, no. 24 * |
| 梁智;孙国强;李虎成;卫志农;臧海祥;周亦洲;陈霜;: "基于VMD与PSO优化深度信念网络的短期负荷预测", 电网技术, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629458A (zh) * | 2023-07-24 | 2023-08-22 | 深圳康普盾科技股份有限公司 | 一种基于数据分析的储能设备运行优化方法及系统 |
| CN116629458B (zh) * | 2023-07-24 | 2024-01-12 | 深圳康普盾科技股份有限公司 | 一种基于数据分析的储能设备运行优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113608434B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ouyang et al. | A combined multivariate model for wind power prediction | |
| Qu et al. | Prediction of electricity generation from a combined cycle power plant based on a stacking ensemble and its hyperparameter optimization with a grid-search method | |
| Fan et al. | Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques | |
| Yang et al. | Deep learning‐based SCUC decision‐making: An intelligent data‐driven approach with self‐learning capabilities | |
| JP6292076B2 (ja) | 時系列予測アンサンブル | |
| Peng et al. | Dynamic economic dispatch for wind-thermal power system using a novel bi-population chaotic differential evolution algorithm | |
| WO2018098575A1 (en) | System and method for dynamic energy storage system control | |
| Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| Razghandi et al. | Short-term load forecasting for smart home appliances with sequence to sequence learning | |
| CN118412863B (zh) | 光储一体化电能调度方法、系统、电子设备、存储介质 | |
| Zhao et al. | Data-driven online energy management framework for HVAC systems: An experimental study | |
| Li et al. | Prediction of short-term photovoltaic power via self-attention-based deep learning approach | |
| Marino et al. | AWS IoT analytics platform for microgrid operation management | |
| Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
| CN117394397A (zh) | 一种自适应电力负荷平衡控制方法以及电子设备 | |
| CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN117709540A (zh) | 一种识别异常天气的短期母线负荷预测方法和系统 | |
| CN113608434B (zh) | 一种综合能源系统异质能流联动优化平台 | |
| CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
| Wang et al. | Digital twin based multi-objective energy management strategy for energy internet | |
| CN117879059A (zh) | 新能源电网的优化调度方法、装置、计算机设备及介质 | |
| Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Antal et al. | MoSiCS: Modeling, simulation and optimization of complex systems–A case study on energy efficient datacenters |
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 |