CN114169236A - 基于lstm算法的相变蓄热式电采暖负控系统控制方法 - Google Patents

基于lstm算法的相变蓄热式电采暖负控系统控制方法 Download PDF

Info

Publication number
CN114169236A
CN114169236A CN202111470999.2A CN202111470999A CN114169236A CN 114169236 A CN114169236 A CN 114169236A CN 202111470999 A CN202111470999 A CN 202111470999A CN 114169236 A CN114169236 A CN 114169236A
Authority
CN
China
Prior art keywords
electric heating
phase
heat storage
change heat
type electric
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
Application number
CN202111470999.2A
Other languages
English (en)
Inventor
马波
高峰
张海丽
韩宏刚
黎彦林
谷祖盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Xinjiang Electric Power Co Ltd Changji Power Supply Co
Original Assignee
State Grid Xinjiang Electric Power Co Ltd Changji Power Supply Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Xinjiang Electric Power Co Ltd Changji Power Supply Co filed Critical State Grid Xinjiang Electric Power Co Ltd Changji Power Supply Co
Priority to CN202111470999.2A priority Critical patent/CN114169236A/zh
Publication of CN114169236A publication Critical patent/CN114169236A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1096—Arrangement or mounting of control or safety devices for electric heating systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Central Heating Systems (AREA)

Abstract

本发明涉及源荷协调调度方法技术领域，是一种基于LSTM算法的相变蓄热式电采暖负控系统控制方法，其基于LSTM算法分析计及相变蓄热式电采暖建模所需数据，依据分析数据进行相变蓄热式电采暖入网的预测处理，得到预测数据；并考虑相变蓄热式电采暖在用能过程中的响应特性和多阶段温度约束；设计相变蓄热式电采暖负控系统的双层优化控制策略，得到相变蓄热式电采暖系统的用电控制策略。本发明能够减小电网运行压力、提高可再生能源消纳，提高电力资源的优化协调能力，使得能量损耗最小，促进节能减排，实现用户成本最小化和电网收益最大化的双赢局面，本发明为相变蓄热式电采暖参与源荷协调调度提供技术方法，能有效降低电力供需矛盾的影响。

Description

基于LSTM算法的相变蓄热式电采暖负控系统控制方法
技术领域
本发明涉及源荷协调调度方法技术领域，是一种基于LSTM算法的相变蓄热式电采暖负控系统控制方法。
背景技术
推动能源消费革命、加强节能降耗是我国从中央到地方关注的焦点，也是解决我国能源粗放利用所带来高能耗、高污染问题的必由之路。电采暖作为一种安全、清洁、舒适的采暖方式，被我国各级政府认定有利于环境改善，对治理城市空气污染、提高居民生活质量有显著的作用。为此，国务院关于印发大气污染防治行动计划的通知(国发[2013]37号)明确指出：“要通过政策补偿和实施峰谷电价、季节性电价、阶梯电价、调峰电价等措施，逐步推行以电替代煤炭”。截至2018年9月，北方地区“煤改电”项目累计完成确村确户223.83万户，覆盖取暖面积15897万平方米，涉及村(社区)11278个，完成政府计划任务的90.85％。其中：相变蓄热式电采暖确认面积6370万平方米，占北方地区确村确户总面积40％。电采暖工程推广应用发展迅速。然而，现有电采暖示范区在前期规划及示范应用阶段，未充分考虑电采暖负荷增量与配电网时空特性、承载能力的匹配，无法确保特殊情况下的停电不停暖，可持续发展模式不足，增大了电网企业运营压力和政府财政压力。
与常规电力负荷相比，电采暖负荷的用能行为往往具有明显的气候与行为驱动性特征，会给配电网安全运行带来重要影响。这首先体现在新负荷高峰的出现，多地电网负载率触及或超过“警戒线”，给配电网建设与改造工作带来新的困难；同时，大规模电采暖负荷的瞬时启动电流冲击会给配电网带来频繁的低电压现象，严重时甚至会给企业生产与居民正常用电带来困扰。尽管相变蓄热式电采暖近年来得到了一定推广和应用，在一定程度上可起到“削峰填谷”，提高电网运行效率，减小电网运行压力作用。但由于目前相变蓄热式电采暖设备的负荷特性尚不清晰，相变蓄热式电采暖设备与电网交互不足，电网产生了由于采暖热负荷集中带来的新负荷高峰，难以充分利用蓄热式采暖技术的优势，未能实现与配电网的协调发展。相变蓄热式电采暖负荷的灵活性、经济性方面的优势尚未充分挖掘，与配电网之间的互动模式与机理有待进一步深入研究。
上述局限性问题导致无法全面、准确分析相变蓄热式电采暖的应用可能带来的经济和社会效益，严重制约了相变蓄热式电采暖改造工程建设及后续大范围推广工作的开展，迫切需要开展相关研究工作。
发明内容
本发明提供了一种基于LSTM算法的相变蓄热式电采暖负控系统控制方法，针对相变蓄热式电采暖设备与电网交互不足，给电网带来新负荷高峰，以及难以充分利用相变蓄热式电采暖的技术优势，未能实现与配电网协调发展的问题。
本发明的技术方案是通过以下措施来实现的：一种基于LSTM算法的相变蓄热式电采暖负控系统控制方法，包括以下步骤：
步骤1，基于LSTM算法分析计及相变蓄热式电采暖建模所需数据，依据分析后的数据进行相变蓄热式电采暖入网的预测处理，得到预测数据；
步骤2，考虑相变蓄热式电采暖在用能过程中的响应特性和多阶段温度约束；
步骤3，设计相变蓄热式电采暖负控系统的双层优化控制策略，得到相变蓄热式电采暖系统的用电控制策略。
下面是对上述发明技术方案的进一步优化或/和改进：
步骤1中，进行模型训练与预测前，将数据进行标准化处理，使得数据适应LSTM模型的输入要求，加快神经网络的收敛速度，提升LSTM模型的预测精度。通过移动窗口平滑以及差分两个步骤对数据进行平稳化处理，为了更好地满足LSTM模型的输入要求，将平稳化处理后的数据缩放至[-1，1]之间，随后将数据重构为满足模型输入要求的格式，并按照一定的比例划分训练集和测试集，得到预测数据后，将其进行缩放逆转，将数值恢复至原始的区间内。
上述步骤1具体包括：
步骤11，(1)将第i个相变蓄热式电采暖系统的负荷功率Pi(t)，负荷功率极值Pi，min、Pi，max，负荷变化趋势Tl(t)，负荷波动信息Fl(t)，按矩阵进行排列并进行M阶窗口移动平滑处理，削弱周期影响，此时负荷数据记做
Figure BDA0003392203820000021
(2)利用python软件中minmaxscaler模块将负荷数据转换时间数据集，使其处在{-1，1}区间内，转换后的数据集记作Xi＝{xi，1，xi，2，...，xi，k，xi，n}，输出为负荷变化趋势预测信息；
(3)采用滑动窗口分割的方式对数据集Xi进行重构：若LSTM模型输入时间步长为l1，输出预测步长为l2，则滑动窗口长度为设置为l1+l2，每次滑动一个单位，共产生n-m-l1+l2+1条长度为l1+l2的序列，每个序列中取前l1个数据构建一条输入Xi，j，后l2个数据构建输出Yi，j，则LSTM模型输入数据集为：
Figure BDA0003392203820000022
其中，
Figure BDA0003392203820000023
LSTM模型输出数据集表示为：
Figure BDA0003392203820000024
其中，
Figure BDA0003392203820000025
重构处理后的数据标记为：Di＝{Xi，in，Yi，out}，
将Di划分为训练集和测试集，其中训练集为Di，tr＝{Xi，tr，Yi，t}，测试集为Di，ts＝{Xi，ts，Yi，ts}；
步骤12，应用LSTM模型进行训练前，需确定LSTM模型中涉及的参数，参数包括激励函数、学习率、损失函数、数据输入批量，模型参数确定后，每次选取批量大小数目的序列输入LSTM模型，不断对LSTM模型进行训练，训练过程表示为：
Yi，tr＝F(W，b)(Xi，tr)
LSTM模型训练的目的在于寻找历史负荷数据Xi，tr与负荷数据变化趋势Yi，tr之间的关系，经过训练后，实际输出Y′i，j与理论输出Yi，j之间差值表示为损失函数，损失函数表示为Li，j＝l(Yi，j，Y′i，j)，该损失函数用来衡量预测值与真实值的差异大小，LSTM模型训练时，以Li，j最小为目标，逐步更新神经层中的权重W和b，达到规定的误差水平或迭代次数时，训练停止；
步骤13，LSTM模型训练完毕后，将测试集Di，ts中Xi，ts逐步输入训练所得的LSTM模型，得出Yi，tr对应的预测值Yi，pre，
Figure BDA0003392203820000034
将Yi，tr、Yi，pre通过反缩放、反差分还原为最初量级的负荷数据，得出与原始时间序列对应的负荷实际值以及负荷预测值；
在测试集Di，ts中进行测试时，采用平均绝对百分比误差(mean absolutepercentage error，MAPE)和均方根误差(root mean square error，RMSE)作为评价指标，对LSTM模型的预测效果进行评估。
Figure BDA0003392203820000031
Figure BDA0003392203820000032
其中，
Figure BDA0003392203820000033
分别表示测试集中负荷实际值和负荷预测值。
上述步骤2具体为：
相变蓄热式电采暖在用能过程中，用户体感温度计算公式如下：
TB＝Tin-ab|Tout-Tin|-Ts
其中，Tout表示室外温度，Tin表示室内温度，TB表示用户的体感温度，ab表示为体感温度系数，Ts表示室内空气湿度对于用户体感温度的修正；
为保证用户用能舒适度，温度响应特性计算如下：
Zk＝(TB-TB，min)/TB，|TB-TB，min|≤|TB-TB，max|
Zk＝(TB-TB，max)/TB，|TB-TB，min|＞|TB-TB，max|
其中，TB.min表示室内用户体感接受的最低温度，TB.max表示室内用户体感接受的最高温度；根据相变蓄热式电采暖在用能过程中的响应特性，当Zk≤0时，μ＝1；当Zk＞0时，μ＝0；其中，μ＝1表示开启电采暖参与系统响应，μ＝0表示关断电采暖参与系统响应。
上述步骤3为：
步骤31，E层电网调控云平台控制策略，以综合总费用最小的目标函数：
min Cz＝Cb+Cm-Cs-Cd
式中，Cz为综合总费用，Cb为相变蓄热式电采暖系统的购电成本函数，Cm为相变蓄热式电采暖系统的运行维护费用，Cs为相变蓄热电采暖系统的清洁能源取暖补贴，Cd为相变蓄热电采暖系统的调峰辅助服务收益；
上层电网调控云平台求解优化过程，获得第i个相变蓄热式电采暖系统的调度计划值，下发给下层相变蓄热式电采暖负控平台。
步骤32，下层相变蓄热式电采暖负控平台控制策略
根据第i个相变蓄热式电采暖系统内各电采暖负荷预测数据，计算第i个相变蓄热式电采暖系统的实际出力，求解一天内该相变蓄热式电采暖系统的需求响应资源供应量与调度计划值的偏差，根据偏差求解实施负荷控制的收益，将收益减去用户用暖成本作为利益目标函数，求解各相变蓄热式电采暖系统利益最大化的控制策略，负控平台实施负荷控制决策。
进一步地，上述步骤3具体为：
电网层调控云平台基于步骤1中第i个相变蓄热式电采暖系统的预测数据作为调度计划初始值，以整个配网日运行经济性为目标，目标函数综合总费用考虑购电费用、清洁能源取暖补贴、蓄热电采暖系统运行维护费用、调峰辅助服务收益，求解第i个相变蓄热电采暖系统的调度计划值，并调度计划值目标发送至相变蓄热式电采暖负控平台，所述负控平台根据用户舒适度以及用户收益制定用电控制策略，最终将策略传输到负荷控制终端，实现电网的安全稳定运行。
上层电网调控云平台制定电采暖系统调度计划，即以综合总费用最小为目标函数：
min Cz＝Cb+Cm-Cs-Cd
式中，Cz为综合总费用，Cb为相变蓄热式电采暖系统的购电成本函数，Cm为相变蓄热式电采暖系统的运行维护费用，Cs为相变蓄热电采暖系统的清洁能源取暖补贴，Cd为相变蓄热电采暖系统的调峰辅助服务收益。
上述相变蓄热式电采暖系统的购电成本函数的计算公式如下：
Figure BDA0003392203820000041
式中，
Figure BDA0003392203820000042
为分时电价，Ps，i(t)为第i个相变蓄热电采暖系统t时段的电功率调度计划值，T为总时段数，I为相变蓄热电采暖系统总个数；
相变蓄热式电采暖系统的运行维护费用的计算公式如下：
Figure BDA0003392203820000043
式中，ci，mstor为第i个相变蓄热电采暖系统储能部分的单位功率运行维护成本；ci，mgrid#为第i个相变蓄热电采暖设备电热转换部分的单位功率运行维护成本；Hi，in(t)和Hi，out(t)分别为第i个相变蓄热电采暖设备储能部分的充放热功率，单位是kW；
相变蓄热电采暖系统的清洁能源取暖补贴Cs计算公式如下：
Figure BDA0003392203820000051
式中，ccl，i是对第i个相变蓄热电采暖系统的补贴价格，单位为元/kW；
蓄热电采暖系统的调峰辅助服务收益Cd计算公式如下：
Figure BDA0003392203820000052
式中，cpeak，i(t)是对相变第i个蓄热电采暖系统的逐时辅助调峰补贴电价。
电网层调控云平台为了保障电网安全运行，制定的电采暖系统调度计划的约束条件包括：蓄热式电采暖用户接入容量约束不超出限值；蓄热式电采暖用户负荷满足用电量平衡约束；蓄热式电采暖电热转换设备部分满足最大运行功率约束，蓄热储能设备满足储热设备功率限值约束；
根据求得的第i个蓄热电采暖系统t时段的电功率调度计划值Ps，i(t)，发出的调度指令将目标任务下发给相变蓄热式电采暖负控平台，所述控平台中每个蓄热电采暖系统都拥有一定数量的相变蓄热式电采暖设备的控制权，通过与用户签订合同获得电力用户相变蓄热式电采暖的部分用电决策权。
每个蓄热电采暖系统在完成调度任务的同时，综合考虑用户的电价成本和自身利益的最大化，因此，需要利用最优化方法制定负荷控制决策模型。
(1)相变蓄热式电采暖实际出力
第i个蓄热电采暖系统内有n个直热设备和蓄热电采暖设备，根据设备响应特性和预测数据，t时段第j台电采暖设备所能提供的调峰电量为Pi，j(t)，则t时段第i个蓄热电采暖系统所能提供的相变蓄热式电采暖负荷实际调峰电量为：
Figure BDA0003392203820000053
其中，μj(t)表示第
Figure BDA0003392203820000054
个电采暖设备t时段的状态，μj(t)＝1表明设备处于被控开启状态，μj(t)＝0表明设备处于被控关停状态。
可以得出，t时段第i个蓄热电采暖系统的需求响应资源供应量与调度计划量的偏差为：
Ei(t)＝Si(t)-Ps，i(t)
(2)第i个蓄热电采暖系统调控目标函数
电力公司根据蓄热电采暖系统在实际运行中的执行情况对负荷调度进行结算。因此，第i个蓄热电采暖系统一天所获得的收益Fi为：
Fi＝δ(t)Si(t)Δt，Ei(t)≥0
其中，δ(t)为t时段调度部门对电采暖系统的结算价格。
由于各类用户蓄热式电采暖蓄热容量的不同，蓄热式电采暖用户可分为两种模式类别：全蓄热模式和半蓄热模式。在电价为谷值时，两种模式都是由直热装置供热，同时开启蓄热开关为蓄热装置补充热量。然而当电价出于峰值时，两种模式便有了区别。全蓄热模式是指蓄热容量充足，电价峰值时的供热完全由蓄热装置提供，而半蓄热模式则是指电价峰值时蓄热装置热量使用完全，为保证舒适性而将直热装置重新开启供热。
当用户蓄热式电采暖蓄热容量充足时，采用全蓄热模式，以用户使用电采暖电价最少为目标函数；电价谷值时，第i个蓄热电采暖系统全蓄热过程的价格成本为：
Figure BDA0003392203820000061
式中，式中，Nz、Nx为第i个蓄热电采暖系统中直热装置、蓄热装置个数；tgk，k、tgg，k为表示第k个电价谷时段开始时间、结束时间；Pz，j、Pxc，j为直热装置、蓄热装置个数的额定功率；cg(t)为谷时段电价；ui，j(t)为t时段装置的开关状态，其中，μi，j(t)＝1表示开启电采暖参与系统响应，μi，j(t)＝0表示关断电采暖参与系统响应。
电价峰值时，第i个蓄热电采暖系统全蓄热过程的价格成本为：
Figure BDA0003392203820000062
式中，tfk，k，tfg，k表示第k个电价峰时段开始时间、结束时间；cf(t)为谷时段电价。
当用户蓄热式电采暖蓄热容量不充足时，采用全蓄热模式，以用户使用电采暖电价最少为目标函数。电价谷值时，第i个蓄热电采暖系统半蓄热过程的价格成本与全蓄热过程的价格成本函数相同，表示为：
Figure BDA0003392203820000063
电价峰值时，第i个蓄热电采暖系统半蓄热过程的价格成本为：
Figure BDA0003392203820000064
式中，tfk，k，tfg，k表示第k个电价峰时段开始时间、结束时间；cf(t)为谷时段电价。
第i个蓄热电采暖系统实施负荷控制决策目标为其峰谷时期总价格成本最小和利益最大，则负荷控制决策模型为：
max Fi-Jg，i-Jf，i
式中，约束条件要求满足负荷需求、直热设备制热器电功率上下限值、蓄热设备蓄热与制热器电功率上下限值。
本发明基于LSTM对相变蓄热式电采暖的用能特性进行分析，分析相变蓄热式电采暖在用能过程中的响应特性和多阶段温度约束，根据相变蓄热式电采暖关断和开启的接入状态，分析相变蓄热式电采暖的响应特性，设计考虑电采暖响应全蓄热响应与半蓄热响应不同模式下的负控系统双层优化控制策略，通过蓄热采暖优化控制来减小电网运行压力、提高可再生能源消纳，提高电力资源的优化协调能力，使得能量损耗最小，促进节能减排，实现用户成本最小化和电网收益最大化的双赢局面，本发明为相变蓄热式电采暖参与源荷协调调度提供技术方法，能有效降低电力供需矛盾的影响。
附图说明
附图1为本发明所方法的流程图。
附图2为相变蓄热式电采暖模型的框架图。
附图3为典型用户峰谷电价曲线。
附图4a为典型用户全蓄热式电采暖的热负荷曲线。
附图4b为典型用户全蓄热式电采暖的用电负荷曲线。
附图5a为半蓄热式电采暖的热负荷曲线。
附图5b为半蓄热式电采暖的用电负荷曲线。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
本发明中，蓄热电采暖系统表示相变蓄热式电采暖系统，负控系统表示负荷控制系统。
下面结合实施例对本发明作进一步描述：
实施例1：如附图1、2所示，该基于LSTM算法的相变蓄热式电采暖负控系统控制方法，包括以下步骤：
步骤1：
步骤11，(1)将第i个相变蓄热式电采暖系统的负荷功率Pi(t)，负荷功率极值Pi，min、Pi，max，负荷变化趋势Tl(t)，负荷波动信息Fl(t)，按矩阵进行排列并进行M阶窗口移动平滑处理，削弱周期影响，此时负荷数据记做
Figure BDA0003392203820000071
(2)利用python软件中minmaxscaler模块将负荷数据转换时间数据集，使其处在{-1，1}区间内，转换后的数据集记作Xi＝{xi，1，xi，2，...，xi，k，xi，n}，输出为负荷变化趋势预测信息；
(3)采用滑动窗口分割的方式对数据集Xi进行重构：若LSTM模型输入时间步长为l1，输出预测步长为l2，则滑动窗口长度为设置为l1+l2，每次滑动一个单位，共产生n-m-l1+l2+1条长度为l1+l2的序列，每个序列中取前l1个数据构建一条输入Xi，j，后l2个数据构建输出Yi，j，则LSTM模型输入数据集为：
Figure BDA0003392203820000072
其中，
Figure BDA0003392203820000084
LSTM模型输出数据集表示为：
Figure BDA0003392203820000085
其中，
Figure BDA0003392203820000086
重构处理后的数据标记为：Di＝{Xi，in，Yi，out}，
将Di划分为训练集和测试集，其中训练集为Di，tr＝{Xi，tr，Yi，tr}，测试集为Di，ts＝{Xi，ts，Yi，ts}；
步骤12，应用LSTM模型进行训练前，需确定LSTM模型中涉及的参数，参数包括激励函数、学习率、损失函数、数据输入批量，模型参数确定后，每次选取批量大小数目的序列输入LSTM模型，不断对LSTM模型进行训练，训练过程表示为：
Yi，tr＝F(W，b)(Xi，tr)
LSTM模型训练的目的在于寻找历史负荷数据Xi，tr与负荷数据变化趋势Yi，tr之间的关系，经过训练后，实际输出Yi，j与理论输出Yi，j之间差值表示为损失函数，损失函数表示为Li，j＝l(Yi，j，Yi，j），该损失函数用来衡量预测值与真实值的差异大小，LSTM模型训练时，以Li，j最小为目标，逐步更新神经层中的权重W和b，达到规定的误差水平或迭代次数时，训练停止；
步骤13，LSTM模型训练完毕后，将测试集Di，ts中Xi，ts逐步输入训练所得的LSTM模型，得出Yi，tr对应的预测值Yi，pre，
Figure BDA0003392203820000087
将Yi，tr、Yi，pre通过反缩放、反差分还原为最初量级的负荷数据，得出与原始时间序列对应的负荷实际值以及负荷预测值；
在测试集Di，ts中进行测试时，采用平均绝对百分比误差(mean absolutepercentage error，MAPE)和均方根误差(root mean square error，RMSE)作为评价指标，对LSTM模型的预测效果进行评估。
Figure BDA0003392203820000081
Figure BDA0003392203820000082
其中，
Figure BDA0003392203820000083
分别表示测试集中负荷实际值和负荷预测值。
步骤2：
相变蓄热式电采暖在用能过程中，用户体感温度计算公式如下：
TB＝Tin-ab|Tout-Tin|-Ts
其中，Tout表示室外温度，Tin表示室内温度，TB表示用户的体感温度，ab表示为体感温度系数，Ts表示室内空气湿度对于用户体感温度的修正；
为保证用户用能舒适度，温度响应特性计算如下：
Zk＝(TB-TB，min)/TB，|TB-TB，min|≤TB-TB，max|
Zk＝(TB-TB，max)/TB，|TB-TB，min|＞|TB-TB，max|
其中，TB.min表示室内用户体感接受的最低温度，TB.max表示室内用户体感接受的最高温度；根据相变蓄热式电采暖在用能过程中的响应特性，当Zk≤0时，μ＝1；当Zk＞0时，μ＝0；其中，μ＝1表示开启电采暖参与系统响应，μ＝0表示关断电采暖参与系统响应。
步骤3：
电网层调控云平台基于步骤1中第i个相变蓄热式电采暖系统的预测数据作为调度计划初始值，以整个配网日运行经济性为目标，目标函数综合总费用考虑购电费用、清洁能源取暖补贴、蓄热电采暖系统运行维护费用、调峰辅助服务收益，求解第i个相变蓄热电采暖系统的调度计划值，并调度计划值目标发送至相变蓄热式电采暖负控平台，所述负控平台根据用户舒适度以及用户收益制定用电控制策略，最终将策略传输到负荷控制终端，实现电网的安全稳定运行。
上层电网调控云平台制定电采暖系统调度计划，即以综合总费用最小为目标函数：
min Cz＝Cb+Cm-Cs-Cd
式中，Cz为综合总费用，Cb为相变蓄热式电采暖系统的购电成本函数，Cm为相变蓄热式电采暖系统的运行维护费用，Cs为相变蓄热电采暖系统的清洁能源取暖补贴，Cd为相变蓄热电采暖系统的调峰辅助服务收益。
上述相变蓄热式电采暖系统的购电成本函数的计算公式如下：
Figure BDA0003392203820000091
式中，
Figure BDA0003392203820000092
为分时电价，Ps，i(t)为第i个相变蓄热电采暖系统t时段的电功率调度计划值，T为总时段数，I为相变蓄热电采暖系统总个数；
相变蓄热式电采暖系统的运行维护费用的计算公式如下：
Figure BDA0003392203820000093
式中，ci，mstor为第i个相变蓄热电采暖系统储能部分的单位功率运行维护成本；ci，mgrid#为第i个相变蓄热电采暖设备电热转换部分的单位功率运行维护成本；Hi，in(t)和Hi，out(t)分别为第i个相变蓄热电采暖设备储能部分的充放热功率，单位是kW；
相变蓄热电采暖系统的清洁能源取暖补贴Cs计算公式如下：
Figure BDA0003392203820000101
式中，ccl，i是对第i个相变蓄热电采暖系统的补贴价格，单位为元/kW；
蓄热电采暖系统的调峰辅助服务收益Cd计算公式如下：
Figure BDA0003392203820000102
式中，cpeak，i(t)是对相变第i个蓄热电采暖系统的逐时辅助调峰补贴电价。
电网层调控云平台为了保障电网安全运行，制定的电采暖系统调度计划的约束条件包括：蓄热式电采暖用户接入容量约束不超出限值；蓄热式电采暖用户负荷满足用电量平衡约束；蓄热式电采暖电热转换设备部分满足最大运行功率约束，蓄热储能设备满足储热设备功率限值约束；
根据求得的第i个蓄热电采暖系统t时段的电功率调度计划值Ps，i(t)，发出的调度指令将目标任务下发给相变蓄热式电采暖负控平台，所述控平台中每个蓄热电采暖系统都拥有一定数量的相变蓄热式电采暖设备的控制权，通过与用户签订合同获得电力用户相变蓄热式电采暖的部分用电决策权。
每个蓄热电采暖系统在完成调度任务的同时，综合考虑用户的电价成本和自身利益的最大化，因此，需要利用最优化方法制定负荷控制决策模型。
(1)相变蓄热式电采暖实际出力
第i个蓄热电采暖系统内有n个直热设备和蓄热电采暖设备，根据设备响应特性和预测数据，t时段第j台电采暖设备所能提供的调峰电量为Pi，j(t)，则t时段第i个蓄热电采暖系统所能提供的相变蓄热式电采暖负荷实际调峰电量为：
Figure BDA0003392203820000103
其中，μj(t)表示第
Figure BDA0003392203820000104
个电采暖设备t时段的状态，μj(t)＝1表明设备处于被控开启状态，μj(t)＝0表明设备处于被控关停状态。
可以得出，t时段第i个蓄热电采暖系统的需求响应资源供应量与调度计划量的偏差为：
Ei(t)＝Si(t)-Ps，i(t)
(2)第i个蓄热电采暖系统调控目标函数
电力公司根据蓄热电采暖系统在实际运行中的执行情况对负荷调度进行结算。因此，第i个蓄热电采暖系统一天所获得的收益Fi为：
Fi＝δ(t)Si(t)Δt，Ei(t)≥0
其中，δ(t)为t时段调度部门对电采暖系统的结算价格。
当用户蓄热式电采暖蓄热容量充足时，采用全蓄热模式，以用户使用电采暖电价最少为目标函数；电价谷值时，第i个蓄热电采暖系统全蓄热过程的价格成本为：
Figure BDA0003392203820000111
式中，Nz、Nx为第i个蓄热电采暖系统中直热装置、蓄热装置个数；tgk，k、tgg，k为表示第k个电价谷时段开始时间、结束时间；Pz，j、Pxc，j为直热装置、蓄热装置个数的额定功率；cg(t)为谷时段电价；ui，j(t)为t时段装置的开关状态，其中，μi，j(t)＝1表示开启电采暖参与系统响应，μi，j(t)＝0表示关断电采暖参与系统响应。
电价峰值时，第i个蓄热电采暖系统全蓄热过程的价格成本为：
Figure BDA0003392203820000112
式中，tfk，k，tfg，k表示第k个电价峰时段开始时间、结束时间；cf(t)为谷时段电价。
当用户蓄热式电采暖蓄热容量不充足时，采用全蓄热模式，以用户使用电采暖电价最少为目标函数。电价谷值时，第i个蓄热电采暖系统半蓄热过程的价格成本与全蓄热过程的价格成本函数相同，表示为：
Figure BDA0003392203820000113
电价峰值时，第i个蓄热电采暖系统半蓄热过程的价格成本为：
Figure BDA0003392203820000114
式中，tfk，k，tfg，k表示第k个电价峰时段开始时间、结束时间；cf(t)为谷时段电价。
第i个蓄热电采暖系统实施负荷控制决策目标为其峰谷时期总价格成本最小和利益最大，则负荷控制决策模型为：
max Fi-Jg，i-Jf，i
式中，约束条件要求满足负荷需求、直热设备制热器电功率上下限值、蓄热设备蓄热与制热器电功率上下限值。
算例：对实施例1所述基于LSTM算法的相变蓄热式电采暖负控系统控制方法进行验证，为突出群体负荷特性，将峰谷电价设置为两段以更清晰体现群体负荷特性，选取的典型单体用户蓄热式电采暖的直热设备制热的额定功率为6kW，蓄热设备制热的额定功率为6.7kW，能效比设定为3，蓄热设备放热过程能耗相比制热过程小得多则将其额定功率设为1kW，蓄热罐容量为200kWh。
典型用户峰谷电价曲线见说明书附图3，假定用户的最佳舒适温度为22℃，将参数信息带入，并满足约束条件，可得全蓄热模式下电采暖的负荷特性如说明书附图4。
将蓄热罐容量设定为120kWh，此时由于即使蓄热罐内热量存满，也无法满足峰时电价的热负荷需求，在峰时电价时蓄热罐内热量释放完全之后，关闭电采暖设备，经过建筑物本身储能特性的热过程在室内温度快要降到人体舒适温度的下限时重新开启直热设备进行供暖。我们将人体的舒适温度区间设为18℃至25℃，将参数信息带入，并满足约束条件，可得到半蓄热式电采暖的负荷特性如说明书附图5所示。
由图4至5可见，用户负荷特性都呈现两头高中间低的形状，从目标函数很容易可以理解其原因，为了实现总体电价最低，尽量使得设备在电价谷时工作。直热式电采暖负荷特性应当与负荷需求量相对应，蓄热式与之不同的是将本会在电价峰值制热的电量转到电价谷时消耗，而放热过程的电量消耗比制热过程的小得多，正因如此，负荷峰谷差更大，电价也随之降低。从用电负荷特性曲线上来看，全蓄热式可以看成半蓄热式的一个特例，即其将蓄热设备放热过程延长至整个电价峰值时段，整体特性相对简单。
所述算例验证了基于LSTM算法的相变蓄热式电采暖负控系统控制方法的有效性。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (5)

1.一种基于LSTM算法的相变蓄热式电采暖负控系统控制方法，其特征在于包括以下步骤：
步骤1，基于LSTM算法分析计及相变蓄热式电采暖建模所需数据，依据分析后的数据进行相变蓄热式电采暖入网的预测处理，得到预测数据；
步骤2，考虑相变蓄热式电采暖在用能过程中的响应特性和多阶段温度约束；
步骤3，设计相变蓄热式电采暖负控系统的双层优化控制策略，得到相变蓄热式电采暖系统的用电控制策略。
2.根据权利要求1所述的基于LSTM算法的相变蓄热式电采暖负控系统控制方法，其特征在于步骤1具体包括：
步骤11，(1)将第i个相变蓄热式电采暖系统的负荷功率Pi(t)，负荷功率极值Pi，min、Pi，max，负荷变化趋势Ti(t)，负荷波动信息Fi(t)，按矩阵进行排列并进行M阶窗口移动平滑处理，削弱周期影响，此时负荷数据记做
Figure FDA0003392203810000011
(2)将负荷数据转换时间数据集，使其处在{-1，1}区间内，转换后的数据集记作Xi＝{xi，1，xi，2，...，xi，k，xi，n}，输出为负荷变化趋势预测信息；
(3)采用滑动窗口分割的方式对数据集Xi进行重构：若LSTM模型输入时间步长为l1，输出预测步长为l2，则滑动窗口长度为设置为l1+l2，每次滑动一个单位，共产生n-m-l1+l2+1条长度为l1+l2的序列，每个序列中取前l1个数据构建一条输入Xi，j，后l2个数据构建输出Yi，j，则LSTM模型输入数据集为：
Figure FDA0003392203810000012
其中，
Figure FDA0003392203810000013
LSTM模型输出数据集表示为：
Figure FDA0003392203810000014
其中，
Figure FDA0003392203810000015
重构处理后的数据标记为Di＝{Xi，in，Yi，out}，将Di划分为训练集和测试集，其中训练集为Di，tr＝{Xi，tr，Yi，tr}，测试集为Di，ts＝{Xi，ts，Yi，ts}；
步骤12，应用LSTM模型进行训练前，确定LSTM模型中涉及的参数，参数包括激励函数、学习率、损失函数、数据输入批量，模型参数确定后，每次选取批量大小数目的序列输入LSTM模型，不断对LSTM模型进行训练，训练过程表示为：
Yi，tr＝F(W，b)(Xi，tr)
LSTM模型训练的目的在于寻找历史负荷数据Xi，tr与负荷数据变化趋势Yi，tr之间的关系，经过训练后，实际输出Y′i，j与理论输出Yi，j之间差值表示为损失函数，损失函数表示为
Li，j＝l(Yi，j，Y′i，j)
LSTM模型训练时，以Li，j最小为目标，逐步更新神经层中的权重W和b，达到规定的误差水平或迭代次数时，训练停止；
步骤13，LSTM模型训练完毕后，将测试集Di，ts中Xi，ts逐步输入训练所得的LSTM模型，得出Yi，tr对应的预测值Yi，pre，
Figure FDA0003392203810000021
将Yi，tr、Yi，pre通过反缩放、反差分还原为最初量级的负荷数据，得出与原始时间序列对应的负荷实际值以及负荷预测值。
3.根据权利要求1或2所述的基于LSTM算法的相变蓄热式电采暖负控系统控制方法，其特征在于步骤2具体为：
相变蓄热式电采暖在用能过程中，用户体感温度计算公式如下：
TB＝Tin-ab|Tout-Tin|-Ts
其中，Tout表示室外温度，Tin表示室内温度，TB表示用户的体感温度，ab表示为体感温度系数，Ts表示室内空气湿度对于用户体感温度的修正；
为保证用户用能舒适度，温度响应特性计算如下：
Zk＝(TB-TB，min)/TB，|TB-TB，min|≤|TB-TB，max|
Zk＝(TB-TB，max)/TB，|TB-TB，min|＞|TB-TB，max|
其中，TB.min表示室内用户体感接受的最低温度，TB.max表示室内用户体感接受的最高温度；根据相变蓄热式电采暖在用能过程中的响应特性，当Zk≤0时，μ＝1；当Zk＞0时，μ＝0；其中，μ＝1表示开启电采暖参与系统响应，μ＝0表示关断电采暖参与系统响应。
4.根据权利要求3所述的基于LSTM算法的相变蓄热式电采暖负控系统控制方法，其特征在于步骤3包括：
步骤31，上层电网调控云平台控制策略，以综合总费用最小的目标函数：
min Cz＝Cb+Cm-Cs-Cd
式中，Cz为综合总费用，Cb为相变蓄热式电采暖系统的购电成本函数，Cm为相变蓄热式电采暖系统的运行维护费用，Cs为相变蓄热电采暖系统的清洁能源取暖补贴，Cd为相变蓄热电采暖系统的调峰辅助服务收益，上层电网调控云平台求解优化过程，获得第i个相变蓄热式电采暖系统的调度计划值，下发给下层相变蓄热式电采暖负控平台；
步骤32，下层相变蓄热式电采暖负控平台控制策略
根据第i个相变蓄热式电采暖系统内各电采暖负荷预测数据，计算第i个相变蓄热式电采暖系统的实际出力，求解一天内该相变蓄热式电采暖系统的需求响应资源供应量与调度计划值的偏差，根据偏差求解实施负荷控制的收益，将收益减去用户用暖成本作为利益目标函数，求解各相变蓄热式电采暖系统利益最大化的控制策略，负控平台实施负荷控制决策。
5.根据权利要求4所述的基于LSTM算法的相变蓄热式电采暖负控系统控制方法，其特征在于相变蓄热式电采暖系统的购电成本函数的计算公式如下：
Figure FDA0003392203810000031
式中，
Figure FDA0003392203810000032
为分时电价，Ps，i(t)为第i个相变蓄热电采暖系统t时段的电功率调度计划值，T为总时段数，I为相变蓄热电采暖系统总个数；
相变蓄热式电采暖系统的运行维护费用的计算公式如下：
Figure FDA0003392203810000033
式中，ci，mstor为第i个相变蓄热电采暖系统储能部分的单位功率运行维护成本；ci，mgrid为第i个相变蓄热电采暖设备电热转换部分的单位功率运行维护成本；Hi，in(t)和Hi，out(t)分别为第i个相变蓄热电采暖设备储能部分的充放热功率，单位是kW；
相变蓄热电采暖系统的清洁能源取暖补贴计算公式如下：
Figure FDA0003392203810000034
式中，ccl，i是对第i个相变蓄热电采暖系统的补贴价格，单位为元/kW；
蓄热电采暖系统的调峰辅助服务收益计算公式如下：
Figure FDA0003392203810000035
式中，cpeak，i(t)是对相变第i个蓄热电采暖系统的逐时辅助调峰补贴电价。
CN202111470999.2A 2021-12-03 2021-12-03 基于lstm算法的相变蓄热式电采暖负控系统控制方法 Pending CN114169236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111470999.2A CN114169236A (zh) 2021-12-03 2021-12-03 基于lstm算法的相变蓄热式电采暖负控系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111470999.2A CN114169236A (zh) 2021-12-03 2021-12-03 基于lstm算法的相变蓄热式电采暖负控系统控制方法

Publications (1)

Publication Number Publication Date
CN114169236A true CN114169236A (zh) 2022-03-11

Family

ID=80482993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111470999.2A Pending CN114169236A (zh) 2021-12-03 2021-12-03 基于lstm算法的相变蓄热式电采暖负控系统控制方法

Country Status (1)

Country Link
CN (1) CN114169236A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488372A (zh) * 2020-11-23 2021-03-12 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 多时间尺度下电采暖负荷双层优化调度方法
CN114517984A (zh) * 2022-04-18 2022-05-20 国网天津市电力公司城南供电分公司 一种换热站蓄热式电锅炉设备控制装置及方法
CN115013862A (zh) * 2022-06-01 2022-09-06 浙江英集动力科技有限公司 基于喷射泵和辅助循环泵的供热系统自主优化运行方法
CN116247682A (zh) * 2023-05-08 2023-06-09 国网辽宁省电力有限公司 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488372A (zh) * 2020-11-23 2021-03-12 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 多时间尺度下电采暖负荷双层优化调度方法
CN114517984A (zh) * 2022-04-18 2022-05-20 国网天津市电力公司城南供电分公司 一种换热站蓄热式电锅炉设备控制装置及方法
CN115013862A (zh) * 2022-06-01 2022-09-06 浙江英集动力科技有限公司 基于喷射泵和辅助循环泵的供热系统自主优化运行方法
CN115013862B (zh) * 2022-06-01 2023-05-16 浙江英集动力科技有限公司 基于喷射泵和辅助循环泵的供热系统自主优化运行方法
CN116247682A (zh) * 2023-05-08 2023-06-09 国网辽宁省电力有限公司 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质
CN116247682B (zh) * 2023-05-08 2023-07-25 国网辽宁省电力有限公司 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质

Similar Documents

Publication Publication Date Title
Huang et al. From demand response to integrated demand response: Review and prospect of research and application
Luo et al. A two-stage optimization and control for CCHP microgrid energy management
CN114169236A (zh) 基于lstm算法的相变蓄热式电采暖负控系统控制方法
Chen et al. Smart energy management system for optimal microgrid economic operation
US7444189B1 (en) Method and apparatus for simultaneous optimization of distributed generation and hydrogen production
WO2010048092A1 (en) Method and apparatus for optimization of distributed generation
CN112950098B (zh) 基于综合能源系统的能源规划方法、装置及终端设备
CN112508325B (zh) 一种家庭微电网多时间尺度电能调度方法
CN107231001B (zh) 一种基于改进灰色预测的楼宇微网在线能量管理方法
CN111047097B (zh) 一种综合能源系统日中滚动优化方法
Kleinschmidt et al. Unlocking flexibility in multi-energy systems: A literature review
Han et al. Economic evaluation of micro-grid system in commercial parks based on echelon utilization batteries
Yang et al. Multi-Objective optimal scheduling of island microgrids considering the uncertainty of renewable energy output
Li et al. Multi-objective risk-constrained optimal performance of hydrogen-based multi energy systems for future sustainable societies
CN110991764B (zh) 一种综合能源系统日前滚动优化方法
Jiang et al. Study on optimal operation of integrated energy system considering new energy incentive mechanism
Wei et al. Energy-efficient distribution in smart grid
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
CN117436773B (zh) 一种含可中断负荷的独立微网资源规划方法和系统
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
Ciornei et al. Real-time optimal scheduling for prosumers resilient to regulatory changes
Tian et al. Coordinated RES and ESS Planning Framework Considering Financial Incentives Within Centralized Electricity Market
CN110943487B (zh) 一种园区能源系统能量优化的方法和装置
CN116014745B (zh) 一种基于综合需求响应的尖峰负荷平抑方法及装置
Chen et al. Stochastic pricing game for aggregated demand response considering comfort level

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