CN113688570B - 园区综合能源系统自动运行的实现方法、装置及设备 - Google Patents
园区综合能源系统自动运行的实现方法、装置及设备 Download PDFInfo
- Publication number
- CN113688570B CN113688570B CN202110983223.4A CN202110983223A CN113688570B CN 113688570 B CN113688570 B CN 113688570B CN 202110983223 A CN202110983223 A CN 202110983223A CN 113688570 B CN113688570 B CN 113688570B
- Authority
- CN
- China
- Prior art keywords
- ies
- park
- output power
- load
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 86
- 238000005457 optimization Methods 0.000 claims abstract description 83
- 238000005295 random walk Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000006403 short-term memory Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 66
- 238000004891 communication Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 18
- 238000007726 management method Methods 0.000 description 14
- 238000003491 array Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种园区综合能源系统自动运行的实现方法、装置及设备。该方法包括：实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；采用加入高斯白噪声的经验模态分解策略、样本熵算法和长短期记忆网络算法对所述输出功率进行预测，得到输出功率预测值；在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率。本发明实施例的技术方案，提升了对园区IES中各设备输出功率的预测准确度，提高了园区IES运行优化方案确定效率。
Description
技术领域
本发明实施例涉及电力系统调度运行技术领域，尤其涉及一种园区综合能源系统自动运行的实现方法、装置及设备。
背景技术
随着全球化石能源枯竭，生态环境不断恶化，传统的单一能源系统因其能源综合利用率低且污染严重的确定已不能满足现代社会的发展需要。园区综合能源系统(Integrated Energy System，IES)可基于园区典型场景，高效统一地调度区域内的电能、热能、天然气等能源。
目前，大多数园区IES系统对园区中各能源设备的数据未进行采集，且不了解可再生能源出力与负荷的能量供需情况，使得IES系统仅能被动地进行源荷端调节，响应速度较慢。且目前国内外针对可再生能源预测的方法主要有循环神经网络法、蒙特卡洛法、支持向量机回归法等，然而上述方法并未对获取到的数据进行预处理，使得运算规模大，不适于较长时间序列的数据处理，且预测精度低，同时在对园区IES进行运行优化时采用的利用粒子群优化算法、蚁群算法和遗传算法等容易陷入局部最优，使得园区IES无法以较优的方式全自动运行。
发明内容
有鉴于此，本发明提供一种园区综合能源系统自动运行的实现方法、装置及设备，提升了对园区IES中新能源设备输出功率的预测准确度，同时更加快速的确定出收敛精度更高的园区IES运行优化方案。
第一方面，本发明实施例提供了一种园区综合能源系统自动运行的实现方法，包括：
实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；
采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；
在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；
采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关。
第二方面，本发明实施例还提供了一种园区综合能源系统IES自动运行的实现装置，该园区综合能源系统IES自动运行的实现装置，包括：
接收模块，用于实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；
预测模块，用于采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；
切除模块，用于在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；
确定模块，用于采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关。
第三方面，本发明实施例还提供了一种园区IES自动运行的实现设备，该设备包括：通信模块，存储器，以及一个或多个处理器；
通信模块，用于与每个新能源设备建立通信连接；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的园区IES自动运行的实现方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一实施例所述的园区IES自动运行的实现方法。
本发明实施例提供的一种园区综合能源系统自动运行的实现方法、装置及设备，通过实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关。通过采用上述技术方案，根据实时接收到的预先组建的园区IES中每个新能源设备的输出功率和负荷功率，通过样本熵算法及LSTM网络算法对新能源设备的输出功率进行预测，减少了新能源设备出力受环境影响而造成出力不确定性高对园区IES平衡的影响，提升了对园区IES中新能源设备输出功率的预测准确度，同时结合预先配置的负荷切除策略与配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，使得确定出各新能源设备对应的最佳输出功率更加准确，解决了园区IES运行时新能源设备受环境影响，难以准确对其出力进行预测，进而难以对同时考虑运行经济成本和用户舒适度的新能源设备最佳输出功率进行确定的问题，提升了对园区IES中新能源设备输出功率的预测准确度，提高了园区IES运行优化方案的确定效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例一中的一种园区综合能源系统IES自动运行的实现方法的流程图；
图2是本发明实施例一中的一种园区IES的结构示例图；
图3是本发明实施例二中的一种园区综合能源系统IES自动运行的实现方法的流程图；
图4是本发明实施例二中的一种园区IES自动运行的实现方法中园区IES优化模型的创建过程示意图；
图5是本发明实施例二中的一种PMV-PDD评价指标示意图；
图6是本发明实施例二中的一种园区IES自动运行的实现方法中确定每个新能源设备在每个时刻的最佳输出功率的流程示意图；
图7是本发明实施例三中的一种园区综合能源系统IES自动运行的实现装置的结构示意图；
图8是本发明实施例四中的一种园区IES自动运行的实现设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例一提供的一种园区综合能源系统IES自动运行的实现方法的流程图，本实施例可适用于对园区综合能源系统IES运行方案进行优化的情况，该方法可以由园区综合能源系统IES自动运行的实现装置来执行，该园区综合能源系统IES自动运行的实现装置可以由软件和/或硬件来实现，该园区综合能源系统IES自动运行的实现装置可以配置在计算机设备上，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。
如图1所示，本实施例一提供的一种园区综合能源系统IES自动运行的实现方法，具体包括如下步骤：
S101、实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率。
在本实施例中，园区IES可理解为工业园区内利用先进的物理信息技术和创新管理模式，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种异质能源子系统之间的协调规划、优化运行、协同管理、交互响应和互补互济，在满足系统内多元化用能需求的同时，更有效地提升能源利用效率，促进能源可持续发展的新型一体化能源系统。具体的，园区IES可基于园区典型场景，高校统一地对园区内的电能、热能和天然气等能源进行调度。
在本实施例中，新能源设备可理解为除传统能源设备之外各种能源设备，也可理解为对环境污染较小的、目前刚开始开发利用或正在积极研究的能源设备。可选的，新能源设备可为太阳能设备和风能设备等。
在本实施例中，输出功率可理解为设备向外输出的能量与时间的比值，也即单位时间内能源或设备向外界提供的能量。负荷功率可理解为与设备连接的负载所需能量与时间的比值，也即单位时间内与设备连接的负载所需的能量。
具体的，通过预先设置于园区IES中各设备上的智能终端，实时采集各设备的输出功率以及与其相连的负载对应的负荷功率，并将采集到的园区IES中的新能源设备输出功率和负荷功率发送至园区IES中的能源管控中心进行处理。
进一步地，园区IES包括：能源管控中心、光伏阵列、风力发电机、燃气轮机和电锅炉。其中，光伏阵列、风力发电机、燃气轮机以及电锅炉分别通过自身配置的无线通信终端与能源管控中心建立通信连接；能源管控中心用于实时接收光伏阵列、风力发电机、燃气轮机以及电锅炉的输出功率和负荷功率。
在本实施例中，能源管控中心可理解为一种可进行数据访问和数据处理的可视化客户端。可选的，能源管控中心和光伏阵列、风力发电机、燃气轮机以及电锅炉安装的无线通信终端可通过5G网络相连，光伏阵列、风力发电机、燃气轮机以及电锅炉上安装的无线通信终端将各设备的输出功率和负荷功率通过5G网络实时传送至云端，能源管控中心通过访问云端数据获取各设备的输出功率和负荷功率，进而实现基于各设备输出功率和负荷功率的数据处理。需要明确的是，能源管控中心与各设备无线通信终端可通过任意通信方式连接，本发明实施例仅以5G网络为例，对具体通信方式不进行限定。可选的，本发明实施例的新能源设备可为园区IES中的光伏阵列和风力发电机。示例性的，图2为本发明实施例提供的一种园区IES的结构示例图，其中，实线代表能量流向，虚线代表信息流向。
本发明实施例中，通过在园区IES中的各能源设备中设置无线通信终端，实现了对各能源设备输出功率和负荷功率的实时采集，同时通过建立能源管控中心，提高了园区IES的响应速度和响应精度。
S102、采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对输出功率进行预测，得到输出功率预测值。
在本实施例中，经验模态分解(Empirical Mode Decomposition，EMD)策略可理解为一种适用于非线性非平稳信号分析处理的，自适应信号时频处理策略。样本熵(SampleEntropy，SampEn)算法可理解为一种通过度量信号中产生新模式的概率大小来衡量时间序列复杂性的算法。长短期记忆网络算法(Long Short-Term Memory，LSTM)可理解为一种为解决一般神经网络存在的长期依赖问题专门设计的时间循环神经网络。
具体的，将新能源设备的输出功率作为原始信号，在EMD策略的基础上加入高斯白噪声对原始信号进行处理，使得原始信号中符合高斯分布的白噪声被抵消达到去噪的效果，进而通过样本熵算法和LSTM网络对去噪后的原始信号进行预测，将预测得到的值确定为各新能源设备的输出功率预测值。示例性的，在园区IES中的新能源设备为光伏阵列和风力发电机时，可分别将光伏阵列输出的光伏输出功率，以及风力发电机输出的风机输出功率作为原始信号，通过加入高斯白噪声对其去噪，进而通过EMD策略、样本熵算法和LSTM网络实现对光伏阵列和风力发电机输出功率的预测。
本发明实施例中，通过EMD策略、样本熵算法和LSTM网络实现对园区IES中新能源设备的输出功率的预测，减少了由于新能源设备输出功率受环境影响较大，不确定性较高的问题，降低了对园区IES平衡的影响。
S103、在负荷功率大于输出功率预测值时，采用预先配置的负荷切除策略对部分负荷功率进行切除，得到目标负荷功率。
在本实施例中，负荷切除策略可理解为预先配置的，为了维持电力系统的功率平衡和稳定性，将部分负荷从电网断开，以减少能源设备所需输出功率的负荷控制策略。目标负荷功率可理解为园区IES中各能源输出设备需要向各负载设备输出的功率。
具体的，在负荷功率大于输出功率预测值时，可认为当前园区IES中的新能源设备难以支撑未来一段时间内的输出功率，难以支撑与其连接的负载设备的消耗，此时通过预先配置的负荷切除策略将重要程度较低的负荷功率进行切除，将切除部分负荷功率后的负荷功率确定为目标负荷功率。
S104、采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个新能源设备在每个时刻的最佳输出功率。
其中，园区IES优化模型与目标负荷功率有关。
在本实施例中，园区IES优化模型可理解为一种考虑园区最小运行综合成本和最优用户舒适度的，具有多种约束条件的，用以根据确定出的目标负荷功率对园区IES内各能源设备输出功率进行分配的数学模型。哈里斯鹰优化算法(Harris Hawk Optimization，HHO)可理解为一种基于种群的、自然启发的优化范式算法。
具体的，根据园区IES内所具备的能源设备类型及数量，为其对应引入运行约束条件，同时考虑用户对周围热环境的主观满意度评价，预先创建考虑园区IES最小运行综合成本和最优用户舒适度的园区IES优化模型。通过配置有高斯随机游走策略的哈里斯鹰优化算法求解上述构建的园区IES优化模型，在避免迭代期种群多样性降低的基础上，跳出哈里斯鹰算法局部最优，并根据对园区IES优化模型的求解结果确定园区内每个新能源设备在每个时刻的最佳输出功率，使得园区IES可在未来一段时间内将各新能源设备按照确定出的最佳输出功率进行功率输出，满足园区IES的经济需求和用户舒适度需求。
本发明实施例通过实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关。通过采用上述技术方案，根据实时接收到的预先组建的园区IES中每个新能源设备的输出功率和负荷功率，通过样本熵算法及LSTM网络算法对新能源设备的输出功率进行预测，减少了新能源设备出力受环境影响而造成出力不确定性高对园区IES平衡的影响，提升了对园区IES中新能源设备输出功率的预测准确度，同时结合预先配置的负荷切除策略与配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，使得确定出各新能源设备对应的最佳输出功率更加准确，解决了园区IES运行时新能源设备受环境影响，难以准确对其出力进行预测，进而难以对同时考虑运行经济成本和用户舒适度的新能源设备最佳输出功率进行确定的问题，提升了对园区IES中新能源设备输出功率的预测准确度，提高了园区IES运行优化方案的确定效率。
实施例二
图3为本发明实施例二提供的一种园区综合能源系统IES自动运行的实现方法的流程图，本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化，通过将实时获取的输出功率采用加入高斯白噪声的EMD策略自适应分解得到不同频率下的本征模态函数IMF分类，进而通过样本熵算法及LSTM网络算法对各IMF分类进行处理，得到各新能源设备对应的输出功率预测值。进而根据各新能源设备所连接负载设备的负荷重要程度，对部分负载设备的负荷功率进行切除，得到目标负荷功率。同时提供了园区IES优化模型的创建方法，并进一步明确园区IES优化模型的求解方法，最终得到每个新能源设备在每个时刻的最佳输出功率，提升了园区IES中新能源设备输出功率的预测准确度，并提高了最终确定的园区IES中各新能源设备最终输出功率的合理性和精确性。
如图3所示，本发明实施例二提供的一种园区综合能源系统IES自动运行的实现方法，具体包括如下步骤：
S201、实时接收预先组件的园区IES中每个新能源设备的输出功率和负荷功率。
S202、采用加入高斯白噪声的EMD策略自适应分解不同频率下的本征模态函数IMF分量。
在本实施例中，本征模态函数(Intrinsic Mode Function，IMF)可理解为一种在其上任意一点的瞬时频率都有意义的函数，进一步可认为任何信号均是由若干本征模函数所组成的，本申请中所获取的园区IES中每个新能源设备的输出功率可被分解为多个IMF分量。
具体的，将每个新能源设备的输出功率作为原始信号，通过加入高斯白噪声将原始信号中符合高斯分布的白噪声抵消，然后利用EMD策略自适应地将去噪后的原始信号分解为不同频率下的多个IMF分量。进一步地，每一个IMF分量需符合如下条件：信号极大值与极小值的和等于信号过零点的个数，即便不相等其差距也不能超过一个；信号局部最小值和最大值的包络均值为零。
S203、利用样本熵算法确定每个IMF分量的复杂度。
具体的，通过度量每个IMF分量中产生新模式的概率大小，确定每个IMF分量的复杂度，新模式产生的概率越大，对应的IMF分量的复杂度越大。
S204、将相邻的复杂度相似的IMF分量进行合并，得到新的IMF分量。
具体的，为减小对园区IES中新能源设备输出功率进行预测时的运算规模，根据确定出的每个IMF分量的复杂度，将相邻频率且复杂度相似的IMF分量进行合并，并将所有IMF分量进行合并后所得的IMF分量确定为新的IMF分量。
S205、将新的IMF分量输入至LSTM网络算法中，预测得到对应的输出功率预测值。
具体的，将确定出的至少一个新的IMF分量输入至LSTM网络算法中，确定各新的IMF分量所对应的预测值，并将各预测值进行叠加，将叠加后所得到的值确定为对应新能源设备的输出功率预测值。可选的，该输出功率预测值可理解为预测得到的对应新能源设备在未来一段时间内可输出的功率，如未来一年新能源设备可输出的功率，本发明实施例对输出功率预测值对应的时间不做限制。
S206、在负荷功率大于输出功率预测值时，确定每个新能源设备所连接的负载设备的负荷重要程度。
具体的，在负荷功率大于输出功率预测值时，可认为当前园区IES中新能源设备可提供的输出功率，难以在未来一段时间支撑与其连接的负载设备的消耗，此时可引入负荷精切系统，根据每个新能源设备所连接的负载设备的类型及使用目的，对负载设备对应的负荷重要程度进行确定。
示例性的，可根据负荷的重要程度对负荷进行排序，将其分为I级负荷、II级负荷和III级负荷。其中，I级负荷可理解为非常重要的，一定不可去除的负荷，如执行重大计算任务的大型计算机等；II级负荷可理解为较为重要的，尽量不要进行切除的负荷，如照明系统、通信系统等；III级负荷可理解为一般重要的，必要时可以被切除的负荷，如新风系统、普通计算机等。
S207、根据负荷重要程度对部分负载设备的负荷功率进行切除，得到目标负荷功率。
具体的，确定园区IES中各新能源设备连接的负载设备中各负荷对应的负荷重要程度，按照重要程度由低到高的顺序，将部分负载设备中负荷重要程度较低的负荷功率进行切除，以满足园区IES安全稳定运行，进而将进行负荷功率切除后的负荷功率确定为目标负荷功率。
示例性的，优先切除各新能源设备连接的负载设备中III级负荷所对应的负荷功率，若还不能满足负荷功率小于或等于输出功率预测值的要求，则继续切除其中II级负荷所对应的负荷功率，直到园区IES中各新能源设备连接的负载设备的负荷功率小于或等于输出功率预测值的条件，并将最终切除后的负荷功率确定为目标负荷功率。
S208、采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个新能源设备在每个时刻的最佳输出功率。
其中，园区IES优化模型为预先根据园区内运行综合成本和用户舒适度建立的，为各能源设备进行输出功率分配的数学模型，图4为本发明实施例提供的一种园区IES自动运行的实现方法中园区IES优化模型的创建过程示意图，如图4所示，园区IES优化模型的创建具体包括如下步骤：
S301、预配置园区IES经济性目标函数、园区IES热舒适性目标函数和园区IES优化模型的运行约束条件。
在本实施例中，园区IES经济性目标函数可理解为根据影响园区IES经济因素生成的，用以确定园区IES最小运行综合成本的函数。园区IES热舒适性目标函数可理解为根据影响园区用户舒适度因素生成的，可表征用户对周围热环境的主观满意度评价的，用以确定园区IES最优用户舒适度的函数。运行约束条件可理解为为保证园区IES能量输出与负荷平衡，维持园区IES频率质量的条件。
其中，园区IES经济性目标函数由运行维护费用和负荷需求侧补贴确定；其中，运行维护费用由每个新能源设备的运行维护成本系数和每个时刻每个新能源设备的输出功率确定；负荷需求侧补贴由需求侧补贴成本系数和每个时刻负荷功率的转移量确定；园区IES热舒适性目标函数由每个时刻的作用温度和预先配置的室内作用温度常量值确定；园区IES优化模型的运行约束条件包括：电功率平衡约束、热功率平衡约束、气平衡约束、电锅炉约束和燃气轮机约束。
在本实施例中，运行维护费用可理解为园区IES中各能源设备在正常运行过程中，为维持其正常运行所需对其进行维护时产生的费用；运行维护成本系数可理解为不同能源设备在其正常运行过程中进行维护的比例系数；负荷需求侧可理解为需要园区IES中各能源设备为其提供能量的设备、厂房或公司等，负荷需求侧补贴可理解为因负荷切除而导致部分负荷需求侧无法在最适宜时间正常工作，针对其无法在最适宜时间工作所造成的损失为其提供的补偿；需求侧补贴成本系数可理解为预先设置的需要对需求侧进行成本补贴的比例系数；室内作用温度可理解为一种反映室内环境冷热程度的综合指标，具体可反映环境对人体的热作用的温度，是在假设室内气温为辐射温度的均匀封闭空间内与在真实的环境人体的干热损失相等的温度。
在本实施例中，电功率平衡约束、热功率平衡约束和气平衡约束可理解为整个园区IES内的电功率、热功率及气应保持系统能量守恒；电锅炉约束可理解为园区IES内的电锅炉的输出功率不允许超过其额定功率；燃气轮机约束可理解为园区IES内的燃气轮机的输出功率不允许超过其额定功率。
具体的，园区IES经济性目标函数f1可用下式表示：
f1＝min(SRM+SDR)
其中，SRM为运行维护费用，SDR为负荷需求侧补贴。
具体的，SRM和SDR分别可用下式表示：
其中，μPV、μWT、μGT和μEB分别指园区IES中光伏阵列、风力发电机、燃气轮机及电锅炉的运行维护成本系数；PPV(t)、PWT(t)、PGT(t)和PEB(t)分别指t时刻时园区IES中光伏阵列、风力发电机、燃气轮机及电锅炉的输出功率；μDR指需求侧补贴成本系数；PDR(t)指t时刻负荷功率的转移量；T可理解为园区IES一个运行周期，示例性的，T可为一年或一天，本发明实施例对此不进行限制。
具体的，园区IES热舒适性目标函数为园区内的最优用户舒适度，用以表征用户对周围热环境的主观满意度评价，可以采用预测平均投票数(Predicted Mean Vote，PMV)-预测不满意百分比(Predicted Percentage Dissatisfied，PPD)评价指标对园区热环境进行评价，图5为本发明实施例提供的一种PMV-PDD评价指标示意图，园区IES热舒适性目标函数f2可用下式表示：
其中，Tz(t)指t时刻的作用温度；Tzsd为室内作用温度常量值，可选的，室内作用温度常量值可取22℃。
S302、根据园区IES经济性目标函数、园区IES热舒适性目标函数和运行约束条件创建园区IES优化模型。
具体的，根据运行约束条件确定园区IES经济性目标函数与园区IES热舒适性目标函数的权值，将园区IES经济性目标函数与园区IES热舒适性目标函数进行组合得到园区IES优化模型。可选的，园区IES优化模型可通过下式表示：
f＝af1+bf2
其中，a和b为预先确定的园区IES经济性目标函数与园区IES热舒适性目标函数对应的权值。
进一步地，图6为本发明实施例提供的一种园区IES自动运行的实现方法中确定每个新能源设备在每个时刻的最佳输出功率的流程示意图，如图6所示，具体包括如下步骤：
S2081、基于引入精英等级策略的哈里斯鹰优化算法，并根据园区IES经济性目标函数、园区IES热舒适性目标函数和每个新能源设备的输出功率平均值确定新能源设备的当前迭代次数的最优解。
在本实施例中，精英等级策略可理解为一种为考虑迭代过程中加强次优解信息交流，筛选出其他替代最优解的数学运算策略。
具体的，为提升全局搜索能力，避免使用哈里斯鹰算法时在迭代期出现种群多样性降低的问题，在哈里斯鹰的基础上引入精英等级策略，选取多组最优的园区IES中各能源设备输出功率来替代最优解，同时由于在算法迭代寻优过程中可能会陷入停滞，此时可利用优势种群的平均值对算法停滞情况进行判断，当优势种群的平均值在连续两次迭代过程中没有变化则认为算法停滞。进而，根据园区IES经济性目标函数、园区IES热舒适性目标函数和每个新能源设备的输出功率平均值确定各能源设备的当前迭代次数的最优解，其中包含新能源设备在当前迭代次数的最优解。
示例性的，假设选取最优的各设备输出功率的组数为三组，各设备的输出功率可表示为α、β和γ，具体最优解的求解公式可通过下式表示：
其中，m为当前迭代次数；j可理解为个体；z可理解为种群；Xr为当前第m次迭代时园区IES的最优解；Xjbest(m)为当前个体第m次迭代时园区IES内各能源设备最佳输出功率的优势组合；f(Xjbest(m))为当前个体第m次迭代时优势组合下的园区IES的最小运行综合成本与最优用户舒适度；Xzbest(m)为当前种群第m次迭代时园区IES内各能源设备最佳输出功率的优势组合；f(Xzbest(m))为当前种群第m次迭代时优势组合下的园区IES的最小运行综合成本与最优用户舒适度；X(m)为当前第m次迭代时园区IES内各能源设备输出功率的平均值。
进一步地，由于在传统的哈里斯鹰算法基础上，可利用逃逸能量因子E1控制算法由全局搜索过渡至局部算法，但由于能量因子E1的更新方式是由二线性减少到一，也即迭代后半段仅能进行局部搜索，易陷入局部最优。本发明实施例中为克服哈里斯鹰算法后期只能进行局部搜索的不足，引入一种新的E1更新方式，具体如下式所示：
其中，m为当前迭代次数，mmax为最大迭代次数，E为传统哈里斯鹰算法的能量因子，E1为更新后的哈里斯鹰算法能量因子，rand为随机数。可选的，mmax可取为100，本发明实施例对此不进行限制。
S2082、根据新能源设备的当前迭代次数的最优解、预先配置的余弦函数和高斯随机游走策略得到每个新能源设备在每个时刻的最佳输出功率。
具体的，为帮助算法跳出局部最优，克服早熟的不足，本申请在确定新能源设备的当前迭代次数的最优解的基础上，通过预先配置的余弦函数和高斯随机游走策略生成新的个体，进而克服算法局部最优的问题，并最终得出每个新能源设备在每个时刻的最佳输出功率，引入高斯随机游走策略后的模型具体用下式表示：
其中，X*(m)为上述Xr中随机选择的一组功率，通过引入一个余弦函数来调整高斯随机游走的步长，进而通过余弦函数在迭代期施加较大的扰动，使得后期扰动迅速减小，平衡了算法的探索和开发能力，并最终得到园区IES中各设备在各时刻的最佳输出功率，进而满足未来预设时间内园区IES最小运行综合成本和最优用户舒适度的目标。
本发明实施例的技术方案，通过将实时获取的输出功率采用加入高斯白噪声的EMD策略自适应分解得到不同频率下的本征模态函数IMF分类，进而通过样本熵算法及LSTM网络算法对各IMF分类进行处理，得到各新能源设备对应的输出功率预测值，解决了园区IES中新能源设备受环境因素影响较大，难以准确预测的问题。同时通过根据负荷重要程度确定未来一段时间园区IES需产生的目标负荷功率，进而根据预先配置的园区IES经济性目标函数、园区IES热舒适性目标函数和园区IES优化模型的运行约束条件创建园区IES优化模型，充分考虑园区IES内各能源设备对其供能的影响，通过考虑精英等级策略、高斯随机游走策略后的哈里斯鹰算法对园区IES优化模型进行求解，进而得到园区IES中每个能源设备在每个时刻的最佳输出功率，其中包含每个新能源设备的最佳输出功率，提高了最终确定的园区IES中各新能源设备最终输出功率的合理性和精确性，实现了园区IES的全自动优化运行。
实施例三
图7为本发明实施例三提供的一种园区综合能源系统IES自动运行的实现装置的结构示意图，该园区IES自动运行的实现装置包括：接收模块41，预测模块42，切出模块43和确定模块44。
其中，接收模块41，用于实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；预测模块42，用于采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；切除模块43，用于在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；确定模块44，用于采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关。
本发明实施例的技术方案，根据实时接收到的预先组建的园区IES中每个新能源设备的输出功率和负荷功率，通过样本熵算法及LSTM网络算法对新能源设备的输出功率进行预测，减少了新能源设备出力受环境影响而造成出力不确定性高对园区IES平衡的影响，提升了对园区IES中新能源设备输出功率的预测准确度，同时结合预先配置的负荷切除策略与配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，使得确定出各新能源设备对应的最佳输出功率更加准确，解决了园区IES运行时新能源设备受环境影响，难以准确对其出力进行预测，进而难以对同时考虑运行经济成本和用户舒适度的新能源设备最佳输出功率进行确定的问题，提升了对园区IES中新能源设备输出功率的预测准确度，提高了园区IES运行优化方案的确定效率。
可选的，园区IES包括：能源管控中心、光伏阵列、风力发电机、燃气轮机、电锅炉；
光伏阵列、风力发电机、燃气轮机以及电锅炉分别通过自身配置的无线通信终端与能源管控中心建立通信连接；
能源管控中心用于实时接收光伏阵列、风力发电机、燃气轮机以及电锅炉的输出功率和负荷功率。
可选的，预测模块42，包括：
分量分解单元，用于采用加入高斯白噪声的EMD策略自适应分解不同频率下的本征模态函数IMF分量；
复杂度确定单元，用于利用样本熵算法确定每个IMF分量的复杂度；
分量合并单元，用于将相邻的复杂度相似的IMF分量进行合并，得到新的IMF分量；
功率预测单元，用于将新的IMF分量输入至LSTM网络算法中，预测得到对应的输出功率预测值。
可选的，切除模块43，包括：
重要程度确定单元，用于在负荷功率大于输出功率预测值时，确定每个新能源设备所连接的负载设备的负荷重要程度；
功率切除单元，用于根据负荷重要程度对部分负载设备的负荷功率进行切除，得到目标负荷功率。
进一步地，园区IES优化模型的创建过程，包括：
预配置园区IES经济性目标函数、园区IES热舒适性目标函数和园区IES优化模型的运行约束条件；
根据园区IES经济性目标函数、园区IES热舒适性目标函数和运行约束条件创建园区IES优化模型。
进一步地，园区IES经济性目标函数由运行维护费用和负荷需求侧补贴确定；其中，运行维护费用由每个新能源设备的运行维护成本系数和每个时刻每个新能源设备的输出功率确定；负荷需求侧补贴由需求侧补贴成本系数和每个时刻负荷功率的转移量确定；
园区IES热舒适性目标函数由每个时刻的作用温度和预先配置的室内作用温度常量值确定；
园区IES优化模型的运行约束条件包括：电功率平衡约束、热功率平衡约束、气平衡约束、电锅炉约束和燃气轮机约束。
可选的，确定模块44，包括：
最优解确定单元，用于基于引入精英等级策略的哈里斯鹰优化算法，并根据园区IES经济性目标函数、园区IES热舒适性目标函数和每个新能源设备的输出功率平均值确定对应新能源设备的当前迭代次数的最优解；
最佳功率确定单元，用于根据新能源设备的当前迭代次数的最优解、预先配置的余弦函数和高斯随机游走策略得到每个新能源设备在每个时刻的最佳输出功率。
本发明实施例所提供的园区综合能源系统IES自动运行的实现装置可执行如本发明任意实施例所提供的园区综合能源系统IES自动运行的实现方法，具备执行方法相应的功能模块和有益效果。
实施例四
图8为本发明实施例四提供的一种园区IES自动运行的实现设备的结构示意图。该园区IES自动运行的实现设备包括：通信模块50，处理器51，存储器52，输入装置53以及输出装置54。该园区IES自动运行的实现设备中处理器51和存储器52的数量可以是一个或者多个，图8中以一个处理器51和一个存储器52为例。该园区IES自动运行的实现设备的通信模块50，处理器51，存储器52，输入装置53以及输出装置54可以通过总线或者其他方式连接，图8中以通过总线连接为例。实施例中，园区IES自动运行的实现设备可以是电脑、笔记本或智能平板等。
通信模块50，用于与园区IES内每个能源设备建立通信连接，其中包括一个或多个新能源设备。
存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的园区IES自动运行的实现设备对应的程序指令/模块(例如，接收模块41，预测模块42，切出模块43和确定模块44)。存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或者字符信息，以及产生与展示设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置54可以包括扬声器等音频设备。需要说明的是，输入装置53和输出装置54的具体组成可以根据实际情况设定。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的园区IES自动运行的实现方法。
上述提供的计算机设备可用于执行上述任意实施例提供的园区IES自动运行的实现方法，具备相应的功能和有益效果。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的园区IES自动运行的实现方法，该方法包括：实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable ROM，EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(Compact DiscRead-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种园区综合能源系统IES自动运行的实现方法，其特征在于，包括：
实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；
采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；
在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；
采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关；
其中，所述采用加入高斯白噪声的EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值，包括：
采用加入高斯白噪声的EMD策略自适应分解不同频率下的本征模态函数IMF分量；
利用样本熵算法确定每个所述IMF分量的复杂度；
将相邻的复杂度相似的IMF分量进行合并，得到新的IMF分量；
将所述新的IMF分量输入至LSTM网络算法中，预测得到对应的输出功率预测值；
其中，所述园区IES优化模型的创建过程，包括：
预配置园区IES经济性目标函数、园区IES热舒适性目标函数和园区IES优化模型的运行约束条件；
根据所述园区IES经济性目标函数、所述园区IES热舒适性目标函数和所述运行约束条件创建园区IES优化模型；
其中，所述采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，包括：
基于引入精英等级策略的哈里斯鹰优化算法，并根据所述园区IES经济性目标函数、园区IES热舒适性目标函数和每个新能源设备的输出功率平均值确定对应新能源设备的当前迭代次数的最优解；
根据所述新能源设备的当前迭代次数的最优解、预先配置的余弦函数和高斯随机游走策略得到每个所述新能源设备在每个时刻的最佳输出功率。
2.根据权利要求1所述的方法，其特征在于，所述园区IES包括：能源管控中心、光伏阵列、风力发电机、燃气轮机、电锅炉；
所述光伏阵列、所述风力发电机、所述燃气轮机以及所述电锅炉分别通过自身配置的无线通信终端与所述能源管控中心建立通信连接；
所述能源管控中心用于实时接收所述光伏阵列、所述风力发电机、所述燃气轮机以及所述电锅炉的输出功率和负荷功率。
3.根据权利要求1所述的方法，其特征在于，所述在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率，包括：
在所述负荷功率大于所述输出功率预测值时，确定每个新能源设备所连接的负载设备的负荷重要程度；
根据所述负荷重要程度对部分所述负载设备的负荷功率进行切除，得到目标负荷功率。
4.根据权利要求1所述的方法，其特征在于，所述园区IES经济性目标函数由运行维护费用和负荷需求侧补贴确定；其中，所述运行维护费用由每个新能源设备的运行维护成本系数和每个时刻每个新能源设备的输出功率确定；所述负荷需求侧补贴由需求侧补贴成本系数和每个时刻负荷功率的转移量确定；
所述园区IES热舒适性目标函数由每个时刻的作用温度和预先配置的室内作用温度常量值确定；
所述园区IES优化模型的运行约束条件包括：电功率平衡约束、热功率平衡约束、气平衡约束、电锅炉约束和燃气轮机约束。
5.一种园区综合能源系统IES自动运行的实现装置，其特征在于，包括：
接收模块，用于实时接收预先组建的园区IES中每个新能源设备的输出功率和负荷功率；
预测模块，用于采用加入高斯白噪声的经验模态分解EMD策略、样本熵算法和长短期记忆LSTM网络算法对所述输出功率进行预测，得到输出功率预测值；
切除模块，用于在所述负荷功率大于所述输出功率预测值时，采用预先配置的负荷切除策略对部分所述负荷功率进行切除，得到目标负荷功率；
确定模块，用于采用配置高斯随机游走策略的哈里斯鹰优化算法对预先创建的园区IES优化模型进行优化求解，得到每个所述新能源设备在每个时刻的最佳输出功率，其中，所述园区IES优化模型与所述目标负荷功率有关；
其中，所述预测模块，包括：
分量分解单元，用于采用加入高斯白噪声的EMD策略自适应分解不同频率下的本征模态函数IMF分量；
复杂度确定单元，用于利用样本熵算法确定每个所述IMF分量的复杂度；
分量合并单元，用于将相邻的复杂度相似的IMF分量进行合并，得到新的IMF分量；
功率预测单元，用于将所述新的IMF分量输入至LSTM网络算法中，预测得到对应的输出功率预测值；
其中，所述园区IES优化模型的创建过程，包括：
预配置园区IES经济性目标函数、园区IES热舒适性目标函数和园区IES优化模型的运行约束条件；
根据所述园区IES经济性目标函数、所述园区IES热舒适性目标函数和所述运行约束条件创建园区IES优化模型；
其中，所述确定模块，包括：
最优解确定单元，用于基于引入精英等级策略的哈里斯鹰优化算法，并根据所述园区IES经济性目标函数、园区IES热舒适性目标函数和每个新能源设备的输出功率平均值确定对应新能源设备的当前迭代次数的最优解；
最佳功率确定单元，用于根据所述新能源设备的当前迭代次数的最优解、预先配置的余弦函数和高斯随机游走策略得到每个所述新能源设备在每个时刻的最佳输出功率。
6.一种园区IES自动运行的实现设备，其特征在于，所述设备包括：通信模块，存储器，以及一个或多个处理器；
通信模块，用于与每个新能源设备建立通信连接；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的园区综合能源系统IES自动运行的实现方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的园区综合能源系统IES自动运行的实现方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983223.4A CN113688570B (zh) | 2021-08-25 | 2021-08-25 | 园区综合能源系统自动运行的实现方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983223.4A CN113688570B (zh) | 2021-08-25 | 2021-08-25 | 园区综合能源系统自动运行的实现方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688570A CN113688570A (zh) | 2021-11-23 |
| CN113688570B true CN113688570B (zh) | 2023-11-10 |
Family
ID=78582694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110983223.4A Active CN113688570B (zh) | 2021-08-25 | 2021-08-25 | 园区综合能源系统自动运行的实现方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688570B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118353073B (zh) * | 2024-06-18 | 2024-08-09 | 温州电力建设有限公司 | 基于经验模态分解的新能源储能优化配置方法及装置 |
| CN118920681A (zh) * | 2024-07-17 | 2024-11-08 | 深圳市创盈达电子有限公司 | 一种数据线供电系统及其控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019200662A1 (zh) * | 2018-04-20 | 2019-10-24 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
| CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法 |
| CN112363395A (zh) * | 2020-11-23 | 2021-02-12 | 国网上海市电力公司 | 一种负荷密集型城市智慧园区工业用户负荷建模方法 |
| CN112418479A (zh) * | 2020-09-02 | 2021-02-26 | 国网江苏省电力有限公司无锡供电分公司 | 一种园区综合能源系统优化配置方法 |
| CN112966883A (zh) * | 2021-04-16 | 2021-06-15 | 浙江华云电力工程设计咨询有限公司 | 综合能源系统运行优化方法及终端设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845701B (zh) * | 2017-01-11 | 2019-11-08 | 东南大学 | 一种基于热网和房屋热惯性的综合能源系统优化方法 |
| CN109255498A (zh) * | 2018-10-22 | 2019-01-22 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
-
2021
- 2021-08-25 CN CN202110983223.4A patent/CN113688570B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019200662A1 (zh) * | 2018-04-20 | 2019-10-24 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
| CN112418479A (zh) * | 2020-09-02 | 2021-02-26 | 国网江苏省电力有限公司无锡供电分公司 | 一种园区综合能源系统优化配置方法 |
| CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法 |
| CN112363395A (zh) * | 2020-11-23 | 2021-02-12 | 国网上海市电力公司 | 一种负荷密集型城市智慧园区工业用户负荷建模方法 |
| CN112966883A (zh) * | 2021-04-16 | 2021-06-15 | 浙江华云电力工程设计咨询有限公司 | 综合能源系统运行优化方法及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688570A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7178478B2 (ja) | 分散予測によって電力網を最適化するための技術 | |
| CN113688570B (zh) | 园区综合能源系统自动运行的实现方法、装置及设备 | |
| Yang et al. | Efficient task offloading and resource allocation for edge computing-based smart grid networks | |
| CN113472014B (zh) | 含分布式电源的配电网优化调度方法及系统 | |
| Khatib et al. | Optimal sizing of hybrid pv/wind systems for Malaysia using loss of load probability | |
| CN117332991B (zh) | 一种基于综合能源需求的系统能效优化方法及装置 | |
| Wang et al. | Modeling, metrics, and optimal design for solar energy-powered base station system | |
| Wakaiki et al. | A control-theoretic approach for cell zooming of energy harvesting small cell networks | |
| Manzoor et al. | AHHO: Arithmetic Harris Hawks Optimization algorithm for demand side management in smart grids | |
| Xiao et al. | Optimal scheduling and energy management of a multi-energy microgrid with electric vehicles incorporating decision making approach and demand response | |
| Nøland et al. | Will Energy-Hungry AI create a baseload power demand boom? | |
| Luo et al. | Cpu frequency scaling optimization in sustainable edge computing | |
| CN113723793A (zh) | 园区综合能源系统的实现方法、装置、设备和介质 | |
| Vohnout et al. | Living Lab Long-Term Sustainability in Hybrid Access Positive Energy Districts—A Prosumager Smart Fog Computing Perspective | |
| Ponlatha et al. | An IOT‐based efficient energy management in smart grid using SMACA technique | |
| CN118508452A (zh) | 源网荷储电力系统的调度方法、装置、设备及存储介质 | |
| Li et al. | Real-time decision making model for thermostatically controlled load aggregators by natural aggregation algorithm | |
| Jegajothi et al. | An Efficient MPPT Tracking in Solar PV System with Smart Grid Enhancement Using CMCMAC Protocol. | |
| Xie et al. | A renewable-energy-driven energy-harvesting-based task scheduling and energy management framework | |
| CN118520984A (zh) | 基于多主体的灵活负荷预测聚合方法、装置及存储介质 | |
| Ling et al. | A thermal load forecasting algorithm based on trajectory tracking | |
| Shiny et al. | Dynamic load scheduling and power allocation for energy efficiency and cost reduction in smart grids: An RL-SAL-BWO approach | |
| Han et al. | Enhanced Multiobjective Optimization Algorithm for Intelligent Grid Management of Renewable Energy Sources | |
| Zhong et al. | Integrating distributed photovoltaic and energy storage in 5G networks for sustainable IoT applications | |
| Kaur et al. | A Comparative Study of Machine Learning Algorithms in Demand Power Prediction |
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 |