CN115063058B - 一种基于模型驱动和数据驱动的综合能源态势感知系统 - Google Patents
一种基于模型驱动和数据驱动的综合能源态势感知系统 Download PDFInfo
- Publication number
- CN115063058B CN115063058B CN202210995150.5A CN202210995150A CN115063058B CN 115063058 B CN115063058 B CN 115063058B CN 202210995150 A CN202210995150 A CN 202210995150A CN 115063058 B CN115063058 B CN 115063058B
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- node
- layer
- redundancy
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用于监督和预测的数据处理系统,具体公开了一种基于模型驱动和数据驱动的综合能源态势感知系统,包括感知层、理解层、预测层,所述感知层用于接收工业园区综合能源系统设备运行信息以及对数据进行整合,所述理解层通过整合感知数据并依据所述感知层中历史数据库对当前设备运行状态进行综合判断,所述预测层则是在所述理解层的基础上更进一步对未来可能发生事件的预估,通过去中心化模式以综合能源系统中用户为节点以综合能源系统线路划分工业园区区域,以任意节点为中心构建节点网络评估节点之间相关性以及各节点的冗余度可及时实现节点能源调度有效解决综合能源态势感知的时效性不足无法及时调度能源的问题。
Description
技术领域
本发明涉及一种用于监督和预测的数据处理系统,具体是一种基于模型驱动和数据驱动的综合能源态势感知系统。
背景技术
态势感知是指在特定的时空范围内,觉察、理解环境因素,并预测未来的发展趋势,随着工业园区的发展,园区的用能需求也在不断增长,包括电力设备在内的能源设备在用能高峰时期可能出现过载,影响能源设备的寿命,或者需要采取限制能源供应措施。若更换能源设备,则投资额很大,资源利用率低。近年来,随着可再生能源和能源综合利用的发展,分布式光伏、热电联产、冷热电联供等技术在工业园区中得到更广泛的应用,为解决上述问题提供了一种方案,但可再生能源具有强不确定性,无法保证园区总体负荷不超过上限。而能源综合利用,则使得系统更为复杂,需要更多的协同控制,但传统工业园区中不同的能源缺乏统一管理和优化,没有发挥各类资源、负荷的调节能力和协同作用,限制了工业园区内的能效提高、成本降低、绿色化等,园区峰值负荷较高使得设备利用率低更新成本高,亟需开展面向工业园区的综合能源管理关键技术研究。
就目前针对于工业园区综合能源态势感知的研究来说,由于工业园区正常运转需要电、水、冷热等多种能源消耗,各种能源消耗具有消耗范围广、消耗时间不规律、消耗量大等特点,仅利用传统电网状态估计方法难以实现系统运行状态的准确感知,所以一种基于模型驱动和数据驱动的综合能源态势感知方法应运而生,模型驱动方法主要指利用系统详细拓扑结构建模,从而建立相关参数的动态变化过程模型,实现对系统的整体性能评估,数据驱动方法是指利用有监督学习或无监督学习的方法,利用大数据对系统设备级或网络系统级进行建模,而模型驱动和数据驱动的综合能源态势感知方法是通过采集分析热、电、气系统量测数据,实现系统运行状态理解、评估、预测。在态势理解层,利用基于随机矩阵的数据驱动方法实现异常量测辨识,并结合基于模型驱动的状态估计方法实现综合能源系统量测的准确感知(包括电网运行状态和热网管道状态),其中热网部分通过感知管道压力实现管道运行状态评估。将预测结果代入模型驱动的状态估计方法,可实现综合能源系统未来运行状态趋势预测,但是工业园区综合能源管理中面对的更多是众多分散的信息所以会导致系统运维管理难度大,进而无法快速、全面、直观地了解能源设备的负荷情况,所以亟需一种能够解决综合能源态势感知的时效性不足而导致系统量测冗余度不足无法及时调度能源问题的综合能源态势感知系统。
发明内容
本发明的目的在于提供一种基于模型驱动和数据驱动的综合能源态势感知系统,通过去中心化模式以综合能源系统中用户为节点以综合能源系统线路划分工业园区区域,以任意节点为中心构建节点网络评估节点之间相关性,根据其相关性以及各节点的冗余度可及时实现节点能源调度可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于模型驱动和数据驱动的综合能源态势感知系统,包括感知层、理解层、预测层,所述感知层用于接收工业园区综合能源系统设备运行信息以及对数据进行整合,包括历史数据库、态势数据采集模块、数据预处理模块,所述理解层通过整合感知数据并依据所述感知层中历史数据库对当前设备运行状态进行综合判断,包括相关性分析模块、冗余度评估模块、可调度安全域评估模块,所述预测层则是在所述理解层的基础上更进一步对未来可能发生事件的预估,通过采取应对措施保证工业园区能源的有效调度。
作为本发明再进一步的方案:所述感知层中的所述历史数据库主要用于记录能源设备的以往运行数据并为态势预测提供参考数据值,所述态势数据采集模块主要目的在于对工业园区的能源设备的运行实时监控并收集数据,基于工业园区设备运行数据庞大不易处理,所以所述态势数据采集模块采用分梯度数据采集方式将工业园区综合能源系统划分区域能源网和节点能源网,包括区域数据采集模块、节点数据采集模块,可以通过采用智能电表、智能水表、智能冷/热量表以及智能传感器来采集数据。
作为本发明再进一步的方案:所述数据预处理模块主要用于对采集所得的实时数据包括电压值、电流值、功率值进行简单整合并检测异常值,主要通过将各区域数据定义为A1,A2,……,An,n为区域总数量,同时定义区域内各用户节点数据为Xi,X为区域标号,i为节点标号,在某采样时刻m将采集所得数据建立数据矩阵可以基于随机矩阵理论的数据驱动方法与传统相角测算模型相结合的算法来感知异常测量值,公式有高维统计特征值;其中,视为矩阵S的第i个特征值,e为自然底数,采样时刻m时综合能源系统数据异常指标;;其中,为某时刻m时的增广矩阵高维统计特征值,为某采样时刻m时的对比矩阵的高维统计特征值。
作为本发明再进一步的方案:所述理解层中的所述相关性分析模块包括对各区域数据之间的相关性分析以及各节点之间的相关性分析,相关性分析主要是基于去中心化理论来减少数据处理算量,避免因数据庞杂而导致态势感知不及时,通过相关性分析得出某区域或某节点的相邻关系,根据其相关性可实现某区域和某节点的能源优选调度区域,避免能源系统出现故障时因调度不及时而造成更大的损失。
作为本发明再进一步的方案:所述冗余度评估模块通过节点设备使用的电压峰值得出设备的安全使用情况,以某区域节点电压组合为一个数据集合,其中,V代表各个节点的电压值,1,2,3,…,n代表各个节点的标号;构建综合能源网仿真模型,设置冗余度变化场景从而观测到设备运行状态的改变,其次基于数据驱动方法提取测算节点的高维统计指标,最后将节点的高维统计指标与系统冗余度情况对比,实现综合能源系统中节点的冗余度实时评估,将区域内各节点冗余度记录为一个数据集合,从中找出集合最小值得出此区域综合能源系统运行冗余度,根据各区域能源系统冗余度得出工业园区综合能源系统冗余度。
作为本发明再进一步的方案:所述可调度安全域评估模块根据节点之间的相关性以及节点综合能源系统冗余度可优选调度单元,在对系统稳定性影响作用小的情况下满足各节点的设备平衡运行,以系统冗余度较低的节点为中心,综合对比其邻居节点的冗余度以此判断可调度安全节点范围,同理,若某区域发生大系统故障,可综合对比相邻区域的冗余度以此判断可调度安全区域。
作为本发明再进一步的方案:由于综合能源系统中数据变化易受到外部环境影响,不确定因素主要有可再生能源和用户用电量,不同系统受各因素的影响不同,所以所述系统数据预测模块通过从以往历史数据中选取变化指标然后通过建立人工神经网络的能源设备输出功率预测模型以此来预测近期时间内能源设备运行变化情况。
作为本发明再进一步的方案:所述数据拟合度评估模块用于对所述系统数据预测模块的预测模型进行概率评估,由于预测结果与实际数据总会存在偏差,预测模型与实际数据的拟合度决定了态势感知系统的准确度,所以对预测模型进行拟合度评估是为了确保预测结果的准确性以此能够避免预测结果与实际偏差太大而对能源调控不够及时。
与现有技术相比,本发明的有益效果是:
通过去中心化模式以综合能源系统中用户为节点以综合能源系统线路划分工业园区区域,以任意节点为中心构建节点网络评估节点之间相关性,根据其相关性以及各节点的冗余度可及时实现节点能源调度可以有效解决综合能源态势感知的时效性不足而导致系统量测冗余度不足无法及时调度能源的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一种基于模型驱动和数据驱动的综合能源态势感知系统的整体框架图。
图中:1、感知层;11、历史数据库;12、态势数据采集模块;121、区域数据采集模块;122、节点数据采集模块;13、数据预处理模块;2、理解层;21、相关性分析模块;22、冗余度评估模块;23、可调度安全域评估模块;3、预测层;31、系统数据预测模块;32、数据拟合度评估模块。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例:
请参阅图1,本发明实施例中,一种基于模型驱动和数据驱动的综合能源态势感知系统,包括感知层(1)、理解层(2)、预测层(3),感知层(1)用于接收工业园区综合能源系统设备运行信息以及对数据进行整合,包括历史数据库(11)、态势数据采集模块(12)、数据预处理模块(13),历史数据库(11)主要用于记录能源设备的以往运行数据并为态势预测提供参考数据值,态势数据采集模块(12)主要目的在于对工业园区的能源设备的运行实时监控并收集数据,基于工业园区设备运行数据庞大不易处理,所以态势数据采集模块(12)采用分梯度数据采集方式将工业园区综合能源系统划分区域能源网和节点能源网,包括区域数据采集模块、节点数据采集模块,可以通过采用智能电表、智能水表、智能冷/热量表以及智能传感器来采集数据,数据预处理模块(13)主要用于对采集所得的实时数据包括电压值、电流值、功率值进行简单整合并检测异常值,主要通过将各区域数据定义为A1,A2,……,An,n为区域总数量,同时定义区域内各用户节点数据为Xi,X为区域标号,i为节点标号,在某采样时刻m将采集所得数据建立数据矩阵可以基于随机矩阵理论的数据驱动方法与传统相角测算模型相结合的算法来感知异常测量值,公式有高维统计特征值;其中,视为矩阵S的第i个特征值,e为自然底数,采样时刻m时综合能源系统数据异常指标;;其中,为某时刻m时的增广矩阵高维统计特征值,为某采样时刻m时的对比矩阵的高维统计特征值,理解层(2)通过整合感知数据并依据感知层(1)中历史数据库(11)对当前设备运行状态进行综合判断,包括相关性分析模块(21)、冗余度评估模块(22)、可调度安全域评估模块(23),相关性分析模块(21)包括对各区域数据之间的相关性分析以及各节点之间的相关性分析,相关性分析主要是基于去中心化理论来减少数据处理算量,避免因数据庞杂而导致态势感知不及时,通过相关性分析得出某区域或某节点的相邻关系,根据其相关性可实现某区域和某节点的能源优选调度区域,避免能源系统出现故障时因调度不及时而造成更大的损失,冗余度评估模块(22)通过节点设备使用的电压峰值得出设备的安全使用情况,以某区域节点电压组合为一个数据集合,其中,V代表各个节点的电压值,1,2,3,…,n代表各个节点的标号;构建综合能源网仿真模型,设置冗余度变化场景从而观测到设备运行状态的改变,其次基于数据驱动方法提取测算节点的高维统计指标,最后将节点的高维统计指标与系统冗余度情况对比,实现综合能源系统中节点的冗余度实时评估,将区域内各节点冗余度记录为一个数据集合,从中找出集合最小值得出此区域综合能源系统运行冗余度,根据各区域能源系统冗余度得出工业园区综合能源系统冗余度,可调度安全域评估模块(23)根据节点之间的相关性以及节点综合能源系统冗余度可优选调度单元,在对系统稳定性影响作用小的情况下满足各节点的设备平衡运行,以系统冗余度较低的节点为中心,综合对比其邻居节点的冗余度以此判断可调度安全节点范围,同理,若某区域发生大系统故障,可综合对比相邻区域的冗余度以此判断可调度安全区域,预测层(3)则是在理解层(2)的基础上更进一步对未来可能发生事件的预估,通过采取应对措施保证工业园区能源的有效调度,由于综合能源系统中数据变化易受到外部环境影响,不确定因素主要有风电、光伏等可再生能源和用户用电量,不同系统受各因素的影响不同,所以预测层(3)中有系统数据预测模块(31)通过从以往历史数据中选取变化指标然后通过建立人工神经网络的能源设备输出功率预测模型以此来预测近期时间内能源设备运行变化情况,预测层(3)中有数据拟合度评估模块(32)用于对系统数据预测模块(31)的预测模型进行概率评估,由于预测结果与实际数据总会存在偏差,预测模型与实际数据的拟合度决定了态势感知系统的准确度,所以对预测模型进行拟合度评估是为了确保预测结果的准确性以此能够避免预测结果与实际偏差太大而对能源调控不够及时。
本发明还提供一种基于模型驱动和数据驱动的综合能源态势感知系统的流程,所示具体流程如下:
步骤1:数据采集,利用智能传感器监控各个节点以及线路接口的电压、电流、电功率,以此代表电路节点的设备运行负荷状态,基于数据驱动方法将传感器实时监控所得的数据根据随机矩阵理论构建数据矩阵,将各区域数据定义为A1,A2,……,An,n为区域总数量,同时定义区域内各用户节点数据为Xi,X为区域标号,i为节点标号,利用公式高维统计特征值;其中,视为矩阵S的第i个特征值,e为自然底数,采样时刻m时综合能源系统数据异常指标;;其中,为某时刻m时的增广矩阵高维统计特征值,为某采样时刻m时的对比矩阵的高维统计特征值,可求出时刻m所获数据的异常情况,基于模型驱动方法根据静态安全域模型可筛选出安全裕度不高的薄弱线路同时构建注入功率时系统安全可行域可得到节点和线路的负荷裕度;
步骤2:态势理解,基于各区域调动空间裕度以及各节点之间相互调控,将各节点独立化,利用去中心化思路使每个单一节点都能够独立调控系统能源调动,并且基于节点用户数据保密性利用去中心化联络可以很好的保护的节点用户的数据隐私,当某节点Xi系统裕度达到阈值将会向相邻节点发送加密信息,基于节点之间相关性以及节点能源系统安全运行裕度可优选出作为能源调动的最优节点,若系统不稳定的节点过多时可将此区域作为数据组,将区域能源系统不稳定数据作为加密信息发送至其他相邻区域,基于去中心化模型直接调动了节点与节点之间以及区域与区域之间的灵活互动,能够及时把控整个工业园区的能源态势,另外在信息加密传输过程中,主要根据节点冗余度来判断节点能源系统态势所以以某区域节点电压组合为一个数据集合,其中,V代表各个节点的电压值,1,2,3,…,n代表各个节点的标号;构建综合能源网仿真模型,设置冗余度变化场景从而观测到设备运行状态的改变,其次基于数据驱动方法提取测算节点的高维统计指标,最后将节点的高维统计指标与系统冗余度情况对比,实现综合能源系统中节点的冗余度实时评估,将区域内各节点冗余度记录为一个数据集合,从中找出集合最小值得出此区域综合能源系统运行冗余度,根据各区域能源系统冗余度得出工业园区综合能源系统冗余度,若节点作为调度单元参与,在冗余度评估的基础上还需要进行可调度安全域评估,在保证自身能源系统稳定运行的前提下将能源调度给其他节点以保证工业园区系统稳定性;
步骤3:态势预测,在对工业园区节点能源系统态势理解的基础上,对下一时间段能源系统态势预测可以有效防止系统故障的发生,通过从以往历史数据中选取变化指标然后通过建立人工神经网络的能源设备输出功率预测模型以此来预测近期时间内能源设备运行变化情况,由于态势感知中各类预测对象的不确定分布所以首先选取数据特征,选用高斯混合模型求出不同因素下的概率密度函数,然后对数据进行离散化处理主要根据数据波动特征选取离散点基于高斯混合模型进行数据特征拟合以此选择有效数据值划分离散区间,同时考虑到外界环境因素对预测节点的影响,构建多阶段并行人工神经网络分类预测模型,包括天气划分、光伏处理划分、天气敏感识别划分、时空序列划分,通过改变模型参数可得到节点能源系统设备运行功率,由于预测结果与实际数据总会存在偏差,预测模型与实际数据的拟合度决定了态势感知系统的准确度,所以为避免预测结果与实际偏差太大而对能源调控不够及时可利用算法可求得N次迭代的最优概率,以此概率状态下的能源设备功率与基于动态模型所获取的功率进行比较,若两者差值小于收敛阈值,可将概率值最大的功率作为下一时段的预测结果。
本发明的工作原理是:通过去中心化模式以综合能源系统中用户为节点以综合能源系统线路划分工业园区区域,以任意节点为中心构建节点网络评估节点之间相关性,根据其相关性以及各节点的冗余度可及时实现节点能源调度可以有效解决综合能源态势感知的时效性不足而导致系统量测冗余度不足无法及时调度能源的问题。
以上所述的,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于模型驱动和数据驱动相结合的综合能源态势感知系统,其特征在于,包括感知层(1)、理解层(2)、预测层(3),所述感知层(1)用于接收工业园区综合能源系统设备运行信息以及对数据进行整合,包括历史数据库(11)、态势数据采集模块(12)、数据预处理模块(13),所述理解层(2)通过整合感知数据并依据所述感知层(1)中历史数据库(11)对当前设备运行状态进行综合判断,包括相关性分析模块(21)、冗余度评估模块(22)、可调度安全域评估模块(23),所述预测层(3)则是在所述理解层(2)的基础上更进一步对未来发生事件的预估,通过采取应对措施保证工业园区能源的有效调度,所述感知层(1)中的所述数据预处理模块(13)主要用于对采集所得的实时数据包括电压值、电流值、功率值进行简单整合并检测异常值,主要通过将各区域数据定义为A1,A2,……,An,n为区域总数量,同时定义区域内各用户节点数据为Xi,X为区域标号,i为节点标号,在某采样时刻m将采集所得数据建立数据矩阵基于随机矩阵理论的数据驱动方法与传统相角测算模型相结合的算法来感知异常测量值,主要公式有高维统计特征值,采样时刻m时综合能源系统数据异常指标,所述理解层(2)中的所述相关性分析模块(21)包括对各区域数据之间的相关性分析以及各节点之间的相关性分析,相关性分析主要是基于去中心化理论来减少数据处理算量,避免因数据庞杂而导致态势感知不及时,通过相关性分析得出某区域或某节点的相邻关系,根据其相关性实现某区域和某节点的能源优选调度区域,避免能源系统出现故障时因调度不及时而造成更大的损失;所述感知层(1)中的所述历史数据库(11)主要用于记录能源设备的以往运行数据并为态势预测提供参考数据值,所述感知层(1)中的所述态势数据采集模块(12)主要目的在于对工业园区的能源设备的运行实时监控并收集数据,基于工业园区设备运行数据庞大不易处理,所以所述态势数据采集模块(12)采用分梯度数据采集方式将工业园区综合能源系统划分区域能源网和节点能源网,包括区域数据采集模块(121)、节点数据采集模块(122),通过采用智能电表、智能水表、智能冷/热量表以及智能传感器来采集数据;所述理解层(2)中的所述冗余度评估模块(22)通过节点设备使用的电压峰值得出设备的安全使用情况,以某区域节点电压组合为一个数据集合,构建综合能源网仿真模型,设置冗余度变化场景从而观测到设备运行状态的改变,其次基于数据驱动方法提取测算节点的高维统计指标,最后将节点的高维统计指标与系统冗余度情况对比,实现综合能源系统中节点的冗余度实时评估,将区域内各节点冗余度记录为一个数据集合,从中找出集合最小值得出此区域综合能源系统运行冗余度,根据各区域能源系统冗余度得出工业园区综合能源系统冗余度;所述理解层(2)中的所述可调度安全域评估模块(23)根据节点之间的相关性以及节点综合能源系统冗余度优选调度单元,在对系统稳定性影响作用较小的情况下满足各节点的设备平衡运行,以系统冗余度较低的节点为中心,综合对比其邻居节点的冗余度以此判断可调度安全节点范围,同理,若某区域发生较大系统故障,综合对比相邻区域的冗余度以此判断可调度安全区域。
2.根据权利要求1所述的一种基于模型驱动和数据驱动相结合的综合能源态势感知系统,其特征在于,由于综合能源系统中数据变化易受到外部环境影响,不确定因素主要有可再生能源和用户用电量,不同系统受各因素的影响不同,所以所述预测层(3)中有所述系统数据预测模块(31)通过从以往历史数据中选取变化指标然后通过建立人工神经网络的能源设备输出功率预测模型以此来预测近期时间内能源设备运行变化情况。
3.根据权利要求1所述的一种基于模型驱动和数据驱动相结合的综合能源态势感知系统,其特征在于,所述预测层(3)中有所述数据拟合度评估模块(32)用于对所述系统数据预测模块(31)的预测模型进行概率评估,由于预测结果与实际数据总会存在一定偏差,预测模型与实际数据的拟合度决定了态势感知系统的准确度,所以对预测模型进行拟合度评估是为了确保预测结果的准确性以此能够避免预测结果与实际偏差太大而对能源调控不够及时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210995150.5A CN115063058B (zh) | 2022-08-19 | 2022-08-19 | 一种基于模型驱动和数据驱动的综合能源态势感知系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210995150.5A CN115063058B (zh) | 2022-08-19 | 2022-08-19 | 一种基于模型驱动和数据驱动的综合能源态势感知系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063058A CN115063058A (zh) | 2022-09-16 |
CN115063058B true CN115063058B (zh) | 2022-12-09 |
Family
ID=83207846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210995150.5A Active CN115063058B (zh) | 2022-08-19 | 2022-08-19 | 一种基于模型驱动和数据驱动的综合能源态势感知系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063058B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070795B (zh) * | 2023-03-29 | 2023-07-11 | 山东历控能源有限公司 | 一种基于物联网的智慧能源管控方法及系统 |
CN116742623B (zh) * | 2023-08-10 | 2023-11-07 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于模型数据双驱动的动态状态估计方法和系统 |
CN117478363B (zh) * | 2023-10-11 | 2024-04-19 | 新疆能源(集团)哈密清洁能源有限责任公司 | 基于工业互联网态势感知的光伏电力网络安全监控系统及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008086507A1 (en) * | 2007-01-10 | 2008-07-17 | Decision Sciences Corporation | Information collecting and decision making via tiered information network systems |
CN102821007A (zh) * | 2012-08-06 | 2012-12-12 | 河南科技大学 | 一种基于自律计算的网络安全态势感知系统及其处理方法 |
CN110503268A (zh) * | 2019-08-29 | 2019-11-26 | 上海交通大学 | 一种模型数据联合驱动的综合能源系统态势感知方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581186B (zh) * | 2013-11-05 | 2016-09-07 | 中国科学院计算技术研究所 | 一种网络安全态势感知方法及系统 |
CN107404400B (zh) * | 2017-07-20 | 2020-05-19 | 中国电子科技集团公司第二十九研究所 | 一种网络态势感知实现方法及装置 |
CN111681426B (zh) * | 2020-02-14 | 2021-06-01 | 深圳市美舜科技有限公司 | 一种用于交通安全路况感知评估的方法 |
-
2022
- 2022-08-19 CN CN202210995150.5A patent/CN115063058B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008086507A1 (en) * | 2007-01-10 | 2008-07-17 | Decision Sciences Corporation | Information collecting and decision making via tiered information network systems |
CN102821007A (zh) * | 2012-08-06 | 2012-12-12 | 河南科技大学 | 一种基于自律计算的网络安全态势感知系统及其处理方法 |
CN110503268A (zh) * | 2019-08-29 | 2019-11-26 | 上海交通大学 | 一种模型数据联合驱动的综合能源系统态势感知方法 |
Non-Patent Citations (5)
Title |
---|
Evaluation of the situational awareness effects for smart distribution networks under the novel design of indicator framework and hybrid weighting method;Leijiao Ge;《Frontiers in Energy》;20201020;第15卷;全文 * |
基于容积卡尔曼滤波残差驱动的动态电力系统态势感知方法研究;冒波波等;《供用电》;20200805(第08期);全文 * |
基于态势感知的电网台风预警防御框架研究综述;黄伟等;《电力系统保护与控制》;20180601(第11期);第162-166页 * |
网络安全态势感知中数据融合算法应用综述;苏小玉等;《河北省科学院学报》;20200615(第02期);全文 * |
黄伟等.基于态势感知的电网台风预警防御框架研究综述.《电力系统保护与控制》.2018,(第11期), * |
Also Published As
Publication number | Publication date |
---|---|
CN115063058A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063058B (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知系统 | |
Xie et al. | A review of machine learning applications in power system resilience | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
Zhou et al. | Anomaly detection method of daily energy consumption patterns for central air conditioning systems | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN117277958A (zh) | 一种基于大数据的光伏电站的智能运维管理方法及系统 | |
CN117674140B (zh) | 一种配电网测控系统及方法 | |
Qiu et al. | Anomaly detection for power consumption patterns in electricity early warning system | |
CN117728587A (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
CN116027687A (zh) | 一种智慧用能楼宇能耗监控系统及节能效果监测方法 | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
CN214122337U (zh) | 能源介质计量偏差预警系统 | |
Sun et al. | State detection of electric energy metering device using computer neural network | |
Pan et al. | Research on Multi-Level and Multi-Dimensional Early Warning System of Line Loss under the Condition of Improving Real-Time Monitoring of Equipment Operation Status | |
Hu et al. | A Bad Data Identification Method for Multiple Spatio-temporal Data in Power Distribution Network | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
CN117728585B (zh) | 一种分布式光伏电站状态预测方法及系统 | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
CN118037016B (zh) | 一种基于深度学习的电力资源响应控制方法及系统 | |
KR102646572B1 (ko) | 신재생 에너지 설비 모니터링 장치 및 방법 | |
CN113283702B (zh) | 融合电力系统安全稳定特性的潮流状态评价方法及装置 |
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 |