CN114207537A - 一种工业用户的状态网络用能优化方法、装置及电子设备 - Google Patents

一种工业用户的状态网络用能优化方法、装置及电子设备 Download PDF

Info

Publication number
CN114207537A
CN114207537A CN202180003894.8A CN202180003894A CN114207537A CN 114207537 A CN114207537 A CN 114207537A CN 202180003894 A CN202180003894 A CN 202180003894A CN 114207537 A CN114207537 A CN 114207537A
Authority
CN
China
Prior art keywords
model
user
information
user demand
industrial
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
Application number
CN202180003894.8A
Other languages
English (en)
Other versions
CN114207537B (zh
Inventor
孙轶恺
陈飞
王文华
孙可
俞楚天
张利军
高美金
蒋晨威
徐晨博
汤东升
文福拴
王婷婷
刘军
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.)
Zhejiang University ZJU
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
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 Zhejiang University ZJU, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Publication of CN114207537A publication Critical patent/CN114207537A/zh
Application granted granted Critical
Publication of CN114207537B publication Critical patent/CN114207537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种工业用户的状态网络用能优化方法、装置及电子设备，构建与用户需求信息对应的初始用户需求模型，对初始用户需求模型进行线性化处理，得到用户需求模型，获取基于工业用户对应的生产设备的生产信息构建得到的状态网络模型，构建以用户需求模型和状态网络模型为约束条件，以预设参数为目标函数的工业用户用能优化模型，工业用户用能优化模型包括控制变量和控制参数，获取基于控制参数的参数值，计算得到的工业用户用能优化模型中的控制变量的变量值；变量值作为生产设备控制的参考信息。即本发明中，将用户需求信息作为生产设备控制时的一个输入信息，实现了使用工业用户的用户需求信息进行用能优化的操作，提高需求侧响应。

Description

一种工业用户的状态网络用能优化方法、装置及电子设备
技术领域
本发明涉及设备控制领域，更具体的说，涉及一种工业用户的状态网络用能优化方法、装置及电子设备。
背景技术
智能电网的发展增强了电力系统与用户的交互能力，在智能电网的发展过程中，需求侧响应逐渐成为电力系统规划和优化运行中的重要资源。
在众多的需求侧对象中，工业用户具有响应容量大、负荷稳定和自动化水平高等优势，使得工业用户成为需求侧对象中的重要部分。那么，如何使用工业用户的用户需求信息进行用能优化，以提高需求侧响应，这是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供一种工业用户的状态网络用能优化方法、装置及电子设备，以解决亟需使用工业用户的用户需求信息进行用能优化的问题。
为解决上述技术问题，本发明采用了如下技术方案：
一种工业用户的状态网络用能优化方法，包括：
获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型；
对所述初始用户需求模型进行线性化处理，得到用户需求模型；
获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型；
构建工业用户用能优化模型；所述工业用户用能优化模型以所述用户需求模型和所述状态网络模型为约束条件，工业用户用能优化模型的目标函数满足预设目标；所述工业用户用能优化模型包括控制变量和控制参数；
获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。
可选地，所述用户需求信息包括：
所述工业用户对同一生产设备的不同运行工况的第一需求信息，以及所述工业用户对不同的生产设备的第二需求信息；
构建与所述用户需求信息对应的初始用户需求模型，包括：
构建与所述第一需求信息对应的第一用户需求模型，以及构建与所述第二需求信息对应的第二用户需求模型；
将所述第一用户需求模型和所述第二用户需求模型整合得到初始用户需求模型。
可选地，对所述初始用户需求模型进行线性化处理，得到用户需求模型，包括：
对所述初始用户需求模型中的非线性化部分进行线性化处理操作，得到用户需求模型。
可选地，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，包括：
获取所述生产设备的物料信息以及生产设备运行信息；
构建与所述生产设备的物料信息对应的状态节点模型，以及构建与所述生产设备运行信息对应的任务节点模型；
将所述状态节点模型和所述任务节点模型组合得到状态网络模型。
可选地，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值，包括：
获取所述控制参数的参数值；
使用所述控制参数的参数值，对所述工业用户用能优化模型进行全局最优求解操作，得到所述工业用户用能优化模型中的控制变量的变量值。
一种工业用户的状态网络用能优化装置，包括：
第一模型构建模块，用于获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型；
模型处理模块，用于对所述初始用户需求模型进行线性化处理，得到用户需求模型；
模型获取模块，用于获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型；
第二模型构建模块，用于构建工业用户用能优化模型；所述工业用户用能优化模型以所述用户需求模型和所述状态网络模型为约束条件，工业用户用能优化模型的目标函数满足预设目标；所述工业用户用能优化模型包括控制变量和控制参数；
模型计算模块，用于获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。
可选地，所述用户需求信息包括：
所述工业用户对同一生产设备的不同运行工况的第一需求信息，以及所述工业用户对不同的生产设备的第二需求信息；
所述第一模型构建模块具体用于：
构建与所述第一需求信息对应的第一用户需求模型，以及构建与所述第二需求信息对应的第二用户需求模型；
将所述第一用户需求模型和所述第二用户需求模型整合得到初始用户需求模型。
可选地，所述模型处理模块具体用于：
对所述初始用户需求模型中的非线性化部分进行线性化处理操作，得到用户需求模型。
可选地，所述模型获取模块包括：
信息获取子模块，用于获取所述生产设备的物料信息以及生产设备运行信息；
模型构建子模块，用于构建与所述生产设备的物料信息对应的状态节点模型，以及构建与所述生产设备运行信息对应的任务节点模型；
模型组合子模块，用于将所述状态节点模型和所述任务节点模型组合得到状态网络模型。
一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于执行上述的状态网络用能优化方法。
相较于现有技术，本发明具有以下有益效果：
本发明提供了一种工业用户的状态网络用能优化方法、装置及电子设备，获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型，对所述初始用户需求模型进行线性化处理，得到用户需求模型，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，构建以所述用户需求模型和所述状态网络模型为约束条件，以预设参数为目标函数的工业用户用能优化模型，所述工业用户用能优化模型包括控制变量和控制参数，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。即本发明中，将用户需求信息作为生产设备控制时的一个输入信息，实现了使用工业用户的用户需求信息进行用能优化的操作，提高需求侧响应。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种工业用户的状态网络用能优化方法的方法流程图；
图2为本发明实施例提供的另一种工业用户的状态网络用能优化方法的方法流程图；
图3为本发明实施例提供的再一种工业用户的状态网络用能优化方法的方法流程图；
图4为本发明实施例提供的又一种工业用户的状态网络用能优化方法的方法流程图；
图5为本发明实施例提供的一种工业用户的状态网络用能优化装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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他实施例，都属于本发明保护的范围。
智能电网的发展增强了电力系统与用户的交互能力，需求侧响应逐渐成为电力系统规划和优化运行中的重要资源。在众多需求响应用户中，工业用户具有响应容量大、负荷稳定和自动化水平高等优势。
目前，已经有一些关于工业用户参与需求响应的相关研究与项目实践，主要集中在工业用户整体对外表现的削峰填谷能力上，一般通过行业性质与负荷外特性进行分类。
其中，状态网络模型，被用于具体描述工业用户各类生产设备之间的耦合关系，这使得工业用户的需求响应潜力与调度精度得到了有效地提高。但是在目前的工业用户状态网络模型研究中，少有考虑用户自身对同一生产设备的不同运行工况，以及不同生产设备之间的用户偏好程度。这将使得传统的工业用户状态网络模型得到的用户用能优化结果是实际用户无法接受的设备运行方案，因为当某些设备长期工作在不常用的运行工况时，将带来规划外的巨大风险或成本。这将不利于工业用户有效切实地开展需求响应活动。
为此，发明人经过研究发现，提供了一种工业用户的状态网络用能优化方法、装置及电子设备，获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型，对所述初始用户需求模型进行线性化处理，得到用户需求模型，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，构建以所述用户需求模型和所述状态网络模型为约束条件，以预设参数为目标函数的工业用户用能优化模型，所述工业用户用能优化模型包括控制变量和控制参数，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。即本发明中，将用户需求信息作为生产设备控制时的一个输入信息，实现了使用工业用户的用户需求信息进行用能优化的操作，提高需求侧响应。
在上述内容的基础上，本发明的一实施例中提供了一种工业用户的状态网络用能优化方法，可以应用于用能优化服务器或处理器等设备。
参照图1，工业用户的状态网络用能优化方法可以包括：
S11、获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型。
本实施例中，用户需求信息可以包括：
所述工业用户对同一生产设备的不同运行工况的第一需求信息，以及所述工业用户对不同的生产设备的第二需求信息。
其中，生产设备是工业上的任一用于生产的设备，如生产电能的设备等，第一需求信息可以是工业用户对同一生产设备的不同运行工况的偏好信息，如对于生产设备A，工业用户一般习惯在上午使用，对于生产设备B，工业用户一般习惯在下午使用，对于生产设备C，工业用户一般习惯不断电使用、在同时可以使用生产设备D和E进行生产时，优先使用生产设备D进行生产操作等等。
工业用户对不同的生产设备的第二需求信息是工业用户对不同的生产设备的偏好信息。如对于生产设备A，工业用户习惯在中负荷状态下运行，对于生产设备B，工业用户习惯在低负荷状态下运行等等。
上述的第一需求信息和第二需求信息可以是不同的工业用户有不同的信息内容，则针对每一不同的工业用户，创建其对应的初始用户需求模型。
此外，还可以是一类工业用户，如电力用户作为一类，水利用户作为一类，为每一类用户创建一对应的初始用户需求模型。
初始用户需求模型表征了用户对同一生产设备的不同运行工况、以及所述工业用户对不同的生产设备的偏好。
在实际应用中，参照图2，构建与所述用户需求信息对应的初始用户需求模型可以包括：
S21、构建与所述第一需求信息对应的第一用户需求模型，以及构建与所述第二需求信息对应的第二用户需求模型。
具体实现中，第一用户需求模型是工业用户对同一生产设备的不同运行工况的偏好模型，第一用户需求模型如下：
Figure BDA0003397324120000071
其中：
Figure BDA0003397324120000072
是任务节点j在时刻t的运行优先级，m是运行工况的数量，Zj,k,t是任务节点j的运行工况k在时刻t所对应的运行状态变量，xj,k是用户对任务节点j运行工况k的偏好程度(预先根据用户需求进行设定)，其中数字越小代表该运行工况的运行优先级越高。
上述的任务节点是本实施例中的生产设备，每一生产设备作为一任务节点，在实际应用中，会存在多个生产设备协同工作，本实施例中，就是控制每一时刻各个生产设备的Zj,k,t(任务节点j的运行工况k在时刻t所对应的运行状态变量)来实现设备的运行控制，则Zj,k,t是本发明实现方式中需要进行控制的控制变量。
第二用户需求模型是工业用户对不同的生产设备的偏好模型，第二用户需求模型如下：
Figure BDA0003397324120000073
Figure BDA0003397324120000074
其中：
Figure BDA0003397324120000075
是不同生产设备运行优先级的求和，N是生产设备的数量，
Figure BDA0003397324120000076
是任务节点j在时刻t的运行优先级，Kj是任务节点j的用户偏好系数(预先根据用户需求设定)，yj,t是用户用能优化前后任务节点j在时刻t运行工况是否改变的0/1状态变量，m是运行工况的数量，Zj,k,t是任务节点j的运行工况k在时刻t所对应的运行状态变量，
Figure BDA0003397324120000077
是用户用能优化前的任务节点j在时刻t的运行工况k。
S22、将所述第一用户需求模型和所述第二用户需求模型整合得到初始用户需求模型。
本实施例中，可以直接将第一用户需求模型和第二用户需求模型进行组合，得到初始用户需求模型。
此外，第一用户需求模型和第二用户需求模型中均包括
Figure BDA0003397324120000078
因此，可以将第一用户需求模型和第二用户需求模型基于
Figure BDA0003397324120000079
进行合并，则合并后的模型为：
Figure BDA0003397324120000081
则本公式即为最终的初始用户需求模型。
本步骤中，根据所述工业用户对生产设备及其运行工况的偏好，建立的初始用户需求模型，充分考虑了用户自身对同一生产设备的不同运行工况，以及不同生产设备之间的偏好程度，并将这两类用户偏好进行了统一，使得用户用能优化方案更加贴近用户的生产实际需求，降低了用户参与需求响应的潜在损失与风险。另外，可以克服现有其他相关技术中不能充分考虑用户对同一生产设备的不同运行工况，以及不同生产设备之间的用户偏好程度，进而导致需求响应无法切实有效进行的问题。
S12、对所述初始用户需求模型进行线性化处理，得到用户需求模型。
具体的，对所述初始用户需求模型中的非线性化部分进行线性化处理操作，得到用户需求模型，使得原有非线性混合整数规划问题转变为线性混合整数规划问题。
参照公式4，公式(4)包含了变量Zj,k,t的乘积，这导致了求解问题的非线性。因此建立中间变量
Figure BDA0003397324120000082
使得初始用户需求模型中包含非线性项的
Figure BDA0003397324120000083
可以被改写为如下线性表达式：
Figure BDA0003397324120000084
0≤Yj,t≤M·yj,t
Figure BDA0003397324120000085
其中：M为极大常数值，例如100000。
S13、获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型。
其中，状态网络模型被用于具体描述工业用户各类生产设备之间的耦合关系。本发明实施例建立的状态网络模型，能够明确了工业用户不同生产设备之间的耦合关系，有利于形成用户具体的设备调度方案，以完成需求响应任务，有利于提高用户侧需求响应的可操作性。
在实际应用中，参照图3，步骤S13可以包括：
S31、获取所述生产设备的物料信息以及生产设备运行信息。
在实际应用中，生产设备的物料信息可以包括：
产率、消耗率、生产和消耗该节点物料的任务集合、物料存储量的下限和上限、生产周期开始与结束时段的物料存储数量、每日需完成的最低产量等。
生产设备运行信息可以包括：
生产设备的用电功率、生产设备的数量、物料的消耗与生产速率等。
在具体获取生产设备的物料信息以及生产设备运行信息时，可以是用户输入、设备的控制器上传等方式获取。
S32、构建与所述生产设备的物料信息对应的状态节点模型，以及构建与所述生产设备运行信息对应的任务节点模型。
其中，状态节点模型表征各生产流程中的各种物料，如原料、中间产物和产品；任务节点模型表征了生产任务，既可描述一项生产任务也可描述几项生产任务的组合。例如，一个任务节点可描述一条生产线或生产线上的一台设备，其控制精度可灵活调节。
在实际应用中，状态节点模型具体表示如下：
Figure BDA0003397324120000091
Figure BDA0003397324120000092
SN,T-SN,1≥Sop
其中：Si,t是状态节点i在时刻t的物料存量；gi,j,t和ci,j,t分别为时刻t状态节点i在任务j中的产率和消耗率；Gi和Ci分别为与状态节点i相连的生产和消耗该节点物料的任务集合；Δt是时间间隔；
Figure BDA0003397324120000093
和
Figure BDA0003397324120000094
分别为状态节点i的物料存储量的下限和上限；SN,1和SN,T分别是生产周期开始与结束时段的物料存储数量；Sop是状态节点i每日需完成的最低产量。
上述实施例中的状态节点即为生产设备的输入物料、输出物料(即中间产物和最终产物)。
任务节点模型具体表示如下：
Figure BDA0003397324120000101
Figure BDA0003397324120000102
Figure BDA0003397324120000103
Figure BDA0003397324120000104
Figure BDA0003397324120000105
其中：Pj,t是任务节点j在时刻t的用电功率；Zj,k,t是任务节点j的运行工况k在时刻t所对应的运行状态变量；pj,k是任务节点j运行工况k对应的用电功率；m是运行工况的数量；Pt p是工业用户在时刻t的生产设备用电功率；N是生产设备的数量；gi,j,t和ci,j,t分别为时刻t状态节点i在任务j中的产率和消耗率；αi,j,k与βi,j,k分别是任务节点j运行工况k对状态节点i物料的消耗与生产速率。
本实施例中的任务节点是上述的生产设备。
S33、将所述状态节点模型和所述任务节点模型组合得到状态网络模型。
本实施例中，直接将上述的状态节点模型和所述任务节点模型进行组合，得到状态网络模型，也即状态网络模型包括上述的状态节点模型和所述任务节点模型。
S14、构建工业用户用能优化模型。
所述工业用户用能优化模型以所述用户需求模型和所述状态网络模型为约束条件，工业用户用能优化模型的目标函数满足预设目标；所述工业用户用能优化模型包括控制变量和控制参数。
具体的，工业用户用能优化模型包括目标函数和约束条件。
本实施例中，目标函数以工业用户生产用能成本最低与用户偏好满足程度最高作为总目标，即预设目标为工业用户生产用能成本最低与用户偏好满足程度最高。
目标函数可以是：
Figure BDA0003397324120000111
其中：F是所述用户用能优化的总目标；ω1和ω2分别是用户生产用能成本与用户偏好的权重系数(根据实际场景进行设定)；λt是时刻t的能源价格；Pt b是时刻t的用能功率，
Figure BDA0003397324120000112
是不同生产设备运行优先级的求和，Δt是时间间隔。power purchase cost代表能源购买成本，user preference代表用户偏好。
约束函数为：
Figure BDA0003397324120000113
Figure BDA0003397324120000114
SN,T-SN,1≥Sop
Figure BDA0003397324120000115
Figure BDA0003397324120000116
Figure BDA0003397324120000117
Figure BDA0003397324120000118
Figure BDA0003397324120000119
Figure BDA00033973241200001110
0≤Yj,t≤M·yj,t
Figure BDA00033973241200001111
在实际应用中，所述工业用户用能优化模型包括控制变量和控制参数。控制变量可以是上述的Zj,k,t(任务节点j的运行工况k在时刻t所对应的运行状态变量)、以及Pt b(时刻t的用能功率)，上述工业用户用能优化模型中的其他参数均为本实施例中的控制参数，这些参数的参数值可以在实际使用过程中进行获取。
本发明实施例构建包以所述工业用户生产用能成本最低与用户偏好满足程度最高为目标的工业用户用能优化模型，有效解决了用户生产用能成本与用户偏好冲突的问题，将多目标优化问题描述为加权求和的单目标优化问题，以得到一种合理的优化结果。
S15、获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值。
所述变量值作为生产设备控制的参考信息。
在实际应用中，为了避免在进行求解时局部最优，本实施例中，采用全局最优求解，具体的，参照图4，步骤S15可以包括：
S41、获取所述控制参数的参数值。
本实施例中，在获取这些参数值时，可以采用人工输入、远程通信获取等方式进行获取。
在实际应用中，可以按照时刻进行设备控制，本实施例中，获取控制参数在时刻t的参数值，在进行用能优化时，可以预测下一时刻，即t+1时刻的控制变量的变量值。
此外，还可以是使用一段时间的控制参数的参数值，如5分钟内的数据，预测下一段时间的控制变量的变量值，以在下一段时间进行设备用能优化。
在实际应用场景中，可以在当日或当月提前制定好本日或本月的生产计划(包括上述的控制变量的参数值)，即根据历史日或月的生产目标、电价情况提前进行本日或月的设备控制的参数值，达到提前制定生产计划的目的。
S42、使用所述控制参数的参数值，对所述工业用户用能优化模型进行全局最优求解操作，得到所述工业用户用能优化模型中的控制变量的变量值。
具体的，在进行求解时，采用全局最优求解，在求解过程中，使用所述控制参数的参数值，即可求解得到控制变量(Zj,k,t和Pt b)的变量值，然后使用控制变量的变量值进行设备的运行控制，以达到在满足用户用能偏好的用能优化的目的。
本实施例中，获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型，对所述初始用户需求模型进行线性化处理，得到用户需求模型，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，构建以所述用户需求模型和所述状态网络模型为约束条件，以预设参数为目标函数的工业用户用能优化模型，所述工业用户用能优化模型包括控制变量和控制参数，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。即本发明中，将用户需求信息作为生产设备控制时的一个输入信息，实现了使用工业用户的用户需求信息进行用能优化的操作，提高需求侧响应。
此外，将所述用能优化模型线性化，并进行全局最优求解，得到最优用能方案，其有益效果在于利用能够求解线性规划问题的方法可以得到全局最优求解，而不会使求解结果陷于局部最优。
可选地，在上述工业用户的状态网络用能优化方法的实施例的基础上，本发明的另一实施例中提供了一种工业用户的状态网络用能优化装置，参照图5，包括：
第一模型构建模,11，用于获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型；
模型处理模块12，用于对所述初始用户需求模型进行线性化处理，得到用户需求模型；
模型获取模块13，用于获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型；
第二模型构建模块14，用于构建工业用户用能优化模型；所述工业用户用能优化模型以所述用户需求模型和所述状态网络模型为约束条件，工业用户用能优化模型的目标函数满足预设目标；所述工业用户用能优化模型包括控制变量和控制参数；
模型计算模块15，用于获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。
进一步，所述用户需求信息包括：
所述工业用户对同一生产设备的不同运行工况的第一需求信息，以及所述工业用户对不同的生产设备的第二需求信息；
所述第一模型构建模块具体用于：
构建与所述第一需求信息对应的第一用户需求模型，以及构建与所述第二需求信息对应的第二用户需求模型；
将所述第一用户需求模型和所述第二用户需求模型整合得到初始用户需求模型。
进一步，所述模型处理模块具体用于：
对所述初始用户需求模型中的非线性化部分进行线性化处理操作，得到用户需求模型。
进一步，所述模型获取模块包括：
信息获取子模块，用于获取所述生产设备的物料信息以及生产设备运行信息；
模型构建子模块，用于构建与所述生产设备的物料信息对应的状态节点模型，以及构建与所述生产设备运行信息对应的任务节点模型；
模型组合子模块，用于将所述状态节点模型和所述任务节点模型组合得到状态网络模型。
进一步，模型计算模块15具体用于：
获取所述控制参数的参数值，使用所述控制参数的参数值，对所述工业用户用能优化模型进行全局最优求解操作，得到所述工业用户用能优化模型中的控制变量的变量值。
本实施例中，获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型，对所述初始用户需求模型进行线性化处理，得到用户需求模型，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，构建以所述用户需求模型和所述状态网络模型为约束条件，以预设参数为目标函数的工业用户用能优化模型，所述工业用户用能优化模型包括控制变量和控制参数，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。即本发明中，将用户需求信息作为生产设备控制时的一个输入信息，实现了使用工业用户的用户需求信息进行用能优化的操作，提高需求侧响应。
此外，将所述用能优化模型线性化，并进行全局最优求解，得到最优用能方案，其有益效果在于利用能够求解线性规划问题的方法可以得到全局最优求解，而不会使求解结果陷于局部最优。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选地，在上述工业用户的状态网络用能优化方法及装置的实施例的基础上，本发明的另一实施例中提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于执行上述的状态网络用能优化方法。
本实施例中，获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型，对所述初始用户需求模型进行线性化处理，得到用户需求模型，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，构建以所述用户需求模型和所述状态网络模型为约束条件，以预设参数为目标函数的工业用户用能优化模型，所述工业用户用能优化模型包括控制变量和控制参数，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。即本发明中，将用户需求信息作为生产设备控制时的一个输入信息，实现了使用工业用户的用户需求信息进行用能优化的操作，提高需求侧响应。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种工业用户的状态网络用能优化方法，其特征在于，包括：
获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型；
对所述初始用户需求模型进行线性化处理，得到用户需求模型；
获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型；
构建工业用户用能优化模型；所述工业用户用能优化模型以所述用户需求模型和所述状态网络模型为约束条件，工业用户用能优化模型的目标函数满足预设目标；所述工业用户用能优化模型包括控制变量和控制参数；
获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。
2.根据权利要求1所述的状态网络用能优化方法，其特征在于，所述用户需求信息包括：
所述工业用户对同一生产设备的不同运行工况的第一需求信息，以及所述工业用户对不同的生产设备的第二需求信息；
构建与所述用户需求信息对应的初始用户需求模型，包括：
构建与所述第一需求信息对应的第一用户需求模型，以及构建与所述第二需求信息对应的第二用户需求模型；
将所述第一用户需求模型和所述第二用户需求模型整合得到初始用户需求模型。
3.根据权利要求1所述的状态网络用能优化方法，其特征在于，对所述初始用户需求模型进行线性化处理，得到用户需求模型，包括：
对所述初始用户需求模型中的非线性化部分进行线性化处理操作，得到用户需求模型。
4.根据权利要求1所述的状态网络用能优化方法，其特征在于，获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型，包括：
获取所述生产设备的物料信息以及生产设备运行信息；
构建与所述生产设备的物料信息对应的状态节点模型，以及构建与所述生产设备运行信息对应的任务节点模型；
将所述状态节点模型和所述任务节点模型组合得到状态网络模型。
5.根据权利要求1所述的状态网络用能优化方法，其特征在于，获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值，包括：
获取所述控制参数的参数值；
使用所述控制参数的参数值，对所述工业用户用能优化模型进行全局最优求解操作，得到所述工业用户用能优化模型中的控制变量的变量值。
6.一种工业用户的状态网络用能优化装置，其特征在于，包括：
第一模型构建模块，用于获取工业用户的用户需求信息，并构建与所述用户需求信息对应的初始用户需求模型；
模型处理模块，用于对所述初始用户需求模型进行线性化处理，得到用户需求模型；
模型获取模块，用于获取基于所述工业用户对应的生产设备的生产信息构建得到的状态网络模型；
第二模型构建模块，用于构建工业用户用能优化模型；所述工业用户用能优化模型以所述用户需求模型和所述状态网络模型为约束条件，工业用户用能优化模型的目标函数满足预设目标；所述工业用户用能优化模型包括控制变量和控制参数；
模型计算模块，用于获取基于所述控制参数的参数值，计算得到的所述工业用户用能优化模型中的控制变量的变量值；所述变量值作为生产设备控制的参考信息。
7.根据权利要求6所述的状态网络用能优化装置，其特征在于，所述用户需求信息包括：
所述工业用户对同一生产设备的不同运行工况的第一需求信息，以及所述工业用户对不同的生产设备的第二需求信息；
所述第一模型构建模块具体用于：
构建与所述第一需求信息对应的第一用户需求模型，以及构建与所述第二需求信息对应的第二用户需求模型；
将所述第一用户需求模型和所述第二用户需求模型整合得到初始用户需求模型。
8.根据权利要求6所述的状态网络用能优化装置，其特征在于，所述模型处理模块具体用于：
对所述初始用户需求模型中的非线性化部分进行线性化处理操作，得到用户需求模型。
9.根据权利要求6所述的状态网络用能优化装置，其特征在于，所述模型获取模块包括：
信息获取子模块，用于获取所述生产设备的物料信息以及生产设备运行信息；
模型构建子模块，用于构建与所述生产设备的物料信息对应的状态节点模型，以及构建与所述生产设备运行信息对应的任务节点模型；
模型组合子模块，用于将所述状态节点模型和所述任务节点模型组合得到状态网络模型。
10.一种电子设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于执行如权利要求1-5任一项所述的状态网络用能优化方法。
CN202180003894.8A 2021-11-11 2021-11-11 一种工业用户的状态网络用能优化方法、装置及电子设备 Active CN114207537B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/130030 WO2023082132A1 (zh) 2021-11-11 2021-11-11 一种工业用户的状态网络用能优化方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114207537A true CN114207537A (zh) 2022-03-18
CN114207537B CN114207537B (zh) 2024-07-26

Family

ID=80659078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180003894.8A Active CN114207537B (zh) 2021-11-11 2021-11-11 一种工业用户的状态网络用能优化方法、装置及电子设备

Country Status (2)

Country Link
CN (1) CN114207537B (zh)
WO (1) WO2023082132A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257636A (zh) * 2013-04-11 2013-08-21 国家电网公司 一种基于智能电网的网荷互动多维运行系统
CN104102952A (zh) * 2014-06-17 2014-10-15 国家电网公司 一种基于电网运行效率的负荷优化配置方法
CN110276534A (zh) * 2019-06-05 2019-09-24 北京科技大学 一种面向智能电网能耗控制的非合作微分博弈方法及装置
CN111553544A (zh) * 2020-05-19 2020-08-18 国网浙江省电力有限公司杭州供电公司 基于一致性算法的工业园区分布式综合需求响应方法
CN112001522A (zh) * 2020-07-02 2020-11-27 国网浙江省电力有限公司宁波供电公司 一种基于stn状态网络的专变用户用能优化方法
CN112883560A (zh) * 2021-01-28 2021-06-01 华南理工大学 基于用户侧负荷削减响应的多能耦合供能网络的优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9569804B2 (en) * 2012-08-27 2017-02-14 Gridium, Inc. Systems and methods for energy consumption and energy demand management
CN112686467A (zh) * 2021-01-12 2021-04-20 南方电网科学研究院有限责任公司 含自备电厂的大用户生产运行优化方法、装置和终端设备
CN113516521B (zh) * 2021-07-30 2024-08-13 中国电力科学研究院有限公司 能源互联网用户用能数据预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257636A (zh) * 2013-04-11 2013-08-21 国家电网公司 一种基于智能电网的网荷互动多维运行系统
CN104102952A (zh) * 2014-06-17 2014-10-15 国家电网公司 一种基于电网运行效率的负荷优化配置方法
CN110276534A (zh) * 2019-06-05 2019-09-24 北京科技大学 一种面向智能电网能耗控制的非合作微分博弈方法及装置
CN111553544A (zh) * 2020-05-19 2020-08-18 国网浙江省电力有限公司杭州供电公司 基于一致性算法的工业园区分布式综合需求响应方法
CN112001522A (zh) * 2020-07-02 2020-11-27 国网浙江省电力有限公司宁波供电公司 一种基于stn状态网络的专变用户用能优化方法
CN112883560A (zh) * 2021-01-28 2021-06-01 华南理工大学 基于用户侧负荷削减响应的多能耦合供能网络的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宁宁等: "基于综合需求侧响应的多能存储系统优化配置", 《科学技术与工程》, 31 August 2021 (2021-08-31), pages 6322 - 6329 *
张伊宁: "考虑需求响应的能源互联网优化运行研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, 15 August 2019 (2019-08-15), pages 039 - 3 *

Also Published As

Publication number Publication date
WO2023082132A1 (zh) 2023-05-19
CN114207537B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
Harsha et al. Optimal management and sizing of energy storage under dynamic pricing for the efficient integration of renewable energy
Kraning et al. Operation and configuration of a storage portfolio via convex optimization
Kovács Bilevel programming approach to demand response management with day-ahead tariff
Giannelos et al. Option value of Soft Open Points in distribution networks
CN111967706B (zh) 一种pvc工厂一体化管理系统的交互方法及装置
CN111864742B (zh) 一种主动配电系统扩展规划方法、装置及终端设备
CN112100564A (zh) 一种用于社区多微网系统的主从博弈鲁棒能量管理方法
CN115422758A (zh) 基于增量线性化的有源配电网智能软开关规划方法及装置
CN115906408A (zh) 基于建筑负荷预测的能源调度系统及方法
CN114938003A (zh) 一种配网无功补偿控制方法、装置、设备及存储介质
CN108767854B (zh) 购电方案优化方法、装置以及电子设备
CN114841506A (zh) 数据处理方法、装置、设备及存储介质
CN113723684A (zh) 一种企业电力用户的负荷预测及能源管理的装置及方法
CN114207537B (zh) 一种工业用户的状态网络用能优化方法、装置及电子设备
CN111799793A (zh) 一种源网荷协同的输电网规划方法与系统
Avadiappan et al. Production scheduling under demand uncertainty in the presence of feedback: Model comparisons, insights, and paradoxes
EP3059646A1 (en) Method and controller for controlling a power grid
CN109038672A (zh) 一种平抑可再生能源波动的多目标鲁棒优化配置方法
CN114006368A (zh) 一种电力柔性负荷智能控制方法、系统及存储介质
CN110768294B (zh) 一种分布式电源随机调度方法和装置
CN112686467A (zh) 含自备电厂的大用户生产运行优化方法、装置和终端设备
Contreras et al. Comparative study of optimal power flow solution using DC and generalized generation distribution factor formulations
Lyu et al. LSTN: a linear model of industrial production process for demand response
Poudel et al. Multi-objective power distribution operations: Characterizing conflict and system volatility
Yang et al. Variance-constrained risk sharing in stochastic systems

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