CN115169839A - 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 - Google Patents
一种基于数据-物理-知识联合驱动的供暖负荷调度方法 Download PDFInfo
- Publication number
- CN115169839A CN115169839A CN202210716879.4A CN202210716879A CN115169839A CN 115169839 A CN115169839 A CN 115169839A CN 202210716879 A CN202210716879 A CN 202210716879A CN 115169839 A CN115169839 A CN 115169839A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- scheduling
- power
- heating
- 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
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 239000002245 particle Substances 0.000 claims abstract description 38
- 230000005611 electricity Effects 0.000 claims description 58
- 238000005485 electric heating Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 21
- 238000013499 data model Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000010792 warming Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 230000004927 fusion Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据‑物理‑知识联合驱动的供暖负荷调度方法，针对用暖负荷随机性大、不易调控的问题，首先设计了负荷聚类方法及基于数据、物理和知识模型的负荷功率预测算法；然后设计了供暖双层调度模型，用户层部署负荷控制终端，采集并上报功率数据，调度层包括预测模块、指标集模块和调度模块，其中预测模块对负荷进行分类、并预测用暖功率，指标集模块包括经济性、舒适性和公平性指标，调度模块基于负荷预测数据，以经济性、舒适性和公平性最大化为目标，采用粒子群算法求解调度功率，并由负荷控制终端实施，算例分析了双层调度策略的可行性。本发明为供暖转型下的负荷预测、调度提供技术方法，能有效提高供暖的公平性和有效性。
Description
技术领域
本发明涉及柔性负荷协调调度领域，具体是涉及一种基于数据-物理-知识联合驱动的供暖负荷调度方法。
背景技术
随着我国城市化进程的推进，传统采用煤炭、薪火进行供暖的方式逐渐被电能供暖技术取代，相比传统供暖技术，电能替代供暖技术环境污染更小、能源利用率和环境友好程度也更高，另外，在冬季和温度较低时采用电采暖技术进行供暖，也减少了建筑的改建程度，便捷易用。但随着电采暖用户量的增多，电采暖用户的功率变化呈现出随机性强、波动性大，在温度降低后，居民区会存在大量用暖设备同时接入电网，对区域电网造成一定的冲击，因此需要对电采暖用户进行用暖调度，既满足用户需求，又降低电网压力，最大化实现供暖目标。
常规电采暖调度策略多采用直接负荷控制策略、轮控策略等对负荷直接控制，能够在一定程度上满足调度端的调度需求，如专利CN112488372A-多时间尺度下电采暖负荷双层优化调度方法，采用的有序供暖策略和分时电价策略都是对负荷直接控制，并实时电价影响下的负荷实际需求数据，调度策略存在一定的延迟效果；专利CN114169236A-基于LSTM算法的相变蓄热式电采暖负控系统控制方法中，采用LSTM算法进行功率数值预测，但预测方法单一，未综合考虑其他因素的影响。
发明内容
为解决上述技术问题，本发明提供了基于数据—物理—知识联合驱动的电采暖负荷调度方法，从调度端和用户端出发，充分考虑调度层和用户层的需求，设计电采暖设备功率预测模型，根据不同的用户种类，分别构建基于多种模型融合预测的功率预测算法，通过多种预测模型融合修正预测结果，提高功率预测精度，同时基于预测结果和粒子群算法求解得到满足调度经济性、公平性和舒适性指标的调度方案，提高电力系统的稳定性，满足用户的用暖需求，获得双赢的效果。
本发明所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，步骤为：
步骤1、分析现有电采暖负荷用暖习惯及特性，对负荷进行分类，然后设计一种基于数据-物理-知识模型联合驱动的用暖负荷功率预测算法；具体为，首先建立基于历史数据进行功率预测的数据模型，然后建立基于分时电价和负荷需求弹性系数的物理模型，接着建立基于增量式知识库和智能推测算法的知识推理模型，最后利用物理模型、知识模型的预测结果和修正算法修正数据模型的预测结果，得到负荷未来功率数据；
步骤2、设计一种电采暖负荷双层调度模型，具体为：所述双层调度模型包括用户层和调度层，在用户层安装负荷控制终端，采集、上报用户的用暖功率数据；调度层包括预测模块、指标集模块和调度模块，其中预测模块用于实施步骤1中的负荷分类和负荷功率预测算法；指标集模块包括经济性、舒适性和公平性指标，用于反映实施调度模块输出的调度策略后，用户的用暖改善情况；调度模块输出调度策略：采用粒子群算法，将负荷未来功率数据为初始粒子，以指标集数据，即用户用暖改善情况最大化为目标函数，进行算法求解，输出调度功率，用户层的负荷控制终端实施调度策略。
进一步的，步骤1中，所述建立基于历史数据进行功率预测的数据模型，步骤如下：
1)利用负荷控制终端采集负荷历史功率数据、时间数据、室内和室外的温度、湿度数据建立数据模型的训练集；
2)将所述训练集数据输入模型训练，训练算法可选神经网络算法、决策树算法等，训练完毕后，模型可根据负荷控制终端采集的实时数据输出基于数据模型的功率预测数据，记为Pdata。
进一步的，步骤1中，步骤1中，建立所述基于分时电价和负荷需求弹性系数的物理模型，步骤为：
1)首先选取典型日数据，利用式(1)计算分时电价，其中Ci,t表示第i个负荷t时刻的实时电价；Pi,t表示第i个负荷t时刻的实时功率，C1、C2、C3、C4分别为购电成本、输配电损耗、输配电价及政府性基金；
2)利用分时电价，并结合价格需求自弹性系数E(t,t)和彼弹性系数E(t,h)，利用式(2)计算出基于分时电价和负荷需求弹性系数的功率需求数据，记为Pphysical，其中Ci,h表示第i个负荷h时刻的电价；
进一步的，步骤1中，建立所述基于增量式知识库和智能推测算法的知识推理模型，具体为：1)设计一种基于负荷趋势计算方法，其中TP(t,q)表示电采暖负荷在t时刻的趋势，时间前后跨度为q，
表示负荷功率序列；
2)构建增量式知识库，首先使用三元组D＝{(h,r,t)|h∈E,r∈R,t∈E}建立规则库，规则库包括温度、负荷之间的用暖规则，其中h为头实体，t为尾实体，r为两者的关系，E、R分别表示表示实体集和关系集；然后利用采集到的历史数据建立事实数据库，存放调度策略与用户变化的过程信息，其中T表示外界温度，C表示调度策略中动态电价的变化，P表示用户用暖功率变化；
最后建立模型算法库，在电采暖负荷受环境、自身因素影响下，利用规则库和事实数据库中的已有知识对负荷用暖趋势进行推理，并利用启发式知识和经验优化模型参数。
3)针对知识库缺少已有知识无法推理的情况，采用所述智能推测算法，可选的推测算法包括LSTM、SVM等，算法输入为时间数据、温度数据和负荷功率，输出为负荷用暖趋势预测数据；结合上述两个步骤可推测出用户的功率趋势数据，记为Pknow。
进一步的，在步骤1中，利用物理模型、知识模型的预测结果和修正算法修正数据模型的预测结果，得到负荷未来功率数据的具体步骤为：1)首先利用数据模型获得t时刻的功率预测数据Pdata(t)，然后利用物理模型获得功率需求数据Pphysical(t)；利用知识模型获得功率趋势数据Pknow(t)；2)设计修正算法，利用式(5)计算负荷未来功率数据，记为Pfuse(t)。其中δ1、δ2为物理模型、知识模型的随机误差，m1、m2、m3为Pdata(t)、Pphysical(t)和Pknow(t)的比值：
进一步的，在步骤2中所述双层调度模型的用户层负荷控制终端用于采集、上报用户的用暖功率数据；调度层包括预测模块、指标集模块和调度模块，输出调度策略的步骤为：
1)预测模块实现步骤1中所述算法，输出负荷未来功率Pfuse(t)；
2)利用用暖功率数据，指标集模块计算指标集数据；
3)利用粒子群算法，以负荷未来功率为初始粒子，根据指标集数据设计目标函数，进行算法求解，输出调度功率。
进一步的，所述指标集模块包括经济性指标、公平性指标和舒适性指标，具体为：
1)经济性指标，使用优化前后的分时电价和用暖设备功率来反映调度的经济性，其中Ee,cost为经济性指标；Pe、Pe,f(t)分别为优化前后的固定电价和t时刻的分时电价；Lload(t)、Lload,f(t)为优化前后t时刻除供暖设备以外用户消耗的功率；Lev(t)、Lev,f(t)为优化前后t时刻的供暖设备功率；i表示每类负荷的单个负荷，m为负荷分类的数量，n为负荷数量，T取24小时；Δt取60分钟：
2)舒适性指标，利用舒适温度Qi,j与当前温度Ti,j(t)的平均绝对误差百分比来进行衡量，其中Ee,copy为用电舒适性指标。
3)公平性指标，采用负荷未供暖时间Tcontrol、供暖时间Twarm、最佳供暖时间Tbest来表征用户的供暖公平性，其中Em(z)为公平性指标。
进一步的，所述调度模块的目标函数，具体为：目标函数F1：用户用暖经济性和舒适性最大化；目标函数F2：调度过程中的调度公平性指标最大化。
F1＝1/Ee,cost+Ee,copy (9)
F2＝1/Em(z) (10)
进一步地，所述调度模块的算法求解，输出调度功率，具体为：将负荷未来功率作为初始粒子，其中粒子群算法的粒子i的第d维速度更新公式为，为式(11)，其中
为第k次迭代粒子i的飞行速度矢量的第d维分量；
为第k次迭代粒子i位置矢量的第d维分量；c1，c2为步长；r1，r2为随机函数，取值范围[0,1]；w为惯性权重：
进一步地，所述数据的传递均通过无线模块进行通信，系统包括终端侧和主站侧，具体为：在用户侧安装负荷控制终端，采集电采暖数据；调度层根据采集到的功率数据进行负荷预测、指标集计算以及调度策略的求解。
本发明所述的有益效果为：本发明综合考虑功率需求和趋势变化对未来负荷功率的影响，从调度端和用户端出发，充分考虑调度层和用户层的需求，首先需要设计电采暖设备功率预测模型，根据不同的用户种类，分别构建基于多种模型融合预测的功率预测算法，算法充分体现了功率预测数据、功率需求数据和功率趋势数据，利用修正算法可以更精确地获得用户的未来功率需求；同时，从用户侧出发，设计出表征用户用暖消费、舒适程度的指标，从调度层出发，考虑多区域、不同用暖用户调度的公平性问题，进而设计指标集表征调度策略实施的有效性，最后利用粒子群算法综合功率预测数据和指标集求解用户功率调度策略，根据指标动态求解调度策略，获得更符合需求的调度功率，实现削峰填谷，提高电力系统的稳定性，并满足用户用暖的需求，获得双赢的效果。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
图1基于数据-物理-知识联合驱动的电采暖负荷调度策略流程图；
图2基于数据-物理-知识融合的功率预测示意图；
图3三元组关系图；
图4LSTM细胞结构图；
图5调度系统结构图；
图6电采暖负荷控制系统示意图；
图7负荷日预测结果示意图；
图8调度策略模型求解效果图。
具体实施方式
如图1所示，本发明所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，1.分析现有电采暖负荷用暖习惯及特性，搭建基于数据—物理—知识联合驱动的用暖功率预测模型，具体为，首先根据电采暖负荷用暖特性对负荷进行分类，然后建立基于数据-物理-知识联合驱动的用暖功率预测模型，包括基于历史数据的数据模型、基于分时电价和负荷需求弹性系数的物理模型、基于知识推理的用户用暖趋势推测模型，并分别进行功率预测，利用修正算法进行功率修正，各模型的功能和修正如图2所示；
进一步地，所述电采暖负荷分类算法具体为，根据负荷历史用暖功率数据、用暖时段、用暖时长等因素对电采暖负荷进行分类，从而调度层能够更有针对性地对某一类负荷进行调度。
2.搭建基于历史数据的负荷预测数据模型。具体为，首先构建不同类负荷的历史数据集，根据采集的负荷历史功率数据、时间数据(季度、月、日、时)、室内外温度数据建立训练集数据，然后将数据输入基于历史数据的功率预测模型，模型算法可选神经网络算法、决策树算法、支持向量机等基于数据训练的预测模型。模型训练完毕后，模型可根据负荷控制终端采集的实时数据输出基于数据模型的功率预测数据，记为Pdata。
3.搭建基于分时电价和负荷需求弹性系数的物理模型，模型建立步骤如下：1)针对某一类选取典型日负荷数据，根据负荷比例建立实时电价模型；2)根据弹性系数电价计算出来负荷变化和新的弹性电价，此时电采暖负荷变化为基于物理模型的校正量。首先，选取典型日24h的负荷数据，利用式(1)计算分时电价，其中Ci,t表示第i个负荷t时刻的实时电价；Pi,t表示第i个负荷t时刻的实时功率，C1、C2、C3、C4分别为购电成本、输配电损耗、输配电价及政府性基金；
通过公式(1)可以计算出该类负荷在典型日内的各时段电价，为了表征负荷的电力需求和实时电价的关系，引入反应负荷需求的价格弹性系数E，价格弹性系数计算公式如下：
式中，Pi,t＝0表示第i个负荷初始时刻(t＝0)的功率。
根据t时刻电价波动对t时刻和h时刻用电需求的影响，可以将价格弹性系数分为自弹性系数和彼弹性系数[17]，分别用E(t,t)和E(t,h)表示，计算公式如下：
进而，基于分时电价、价格需求自弹性系数E(t,t)和彼弹性系数E(t,h)可以构建基于价格弹性响应的电采暖负荷预测的物理模型，公式如下所示，输出结果记为Pphysical，其中Ci,h表示第i个负荷h时刻的电价
4.搭建基于知识推理的用户用暖趋势推测，具体包括负荷变化趋势计算、知识库构建和用暖趋势智能推测算法三部分。
1)设计一种基于负荷趋势计算方法，其中TP(t,q)表示电采暖负荷在t时刻的趋势，时间前后跨度为q，
表示负荷功率序列
然后构建增量式知识库来描述用暖趋势与外界因素的联系，包括规则库、事实数据库和模型算法库，从而找到电采暖负荷历史数据和用户行为之间的潜在联系，形成知识体系。规则库包括前提和结论两部分，可以使用三元组的概念来表示，假设有一个包含n个实体，m个关系的知识图谱，其中事实被存储为三元组D＝{(h,r,t)|h∈E,r∈R,t∈E}，每个三元组由一个头实体h∈E、一个尾实体t∈E和两者之间的关系r∈R组成，其中E表示实体集，R表示关系集。文章根据实时温度Ti、负荷功率di、实时电价P(h)和负荷趋势P1(t)等的关系定义了以下三元组构建增量知识库，如图3所示。事实数据库利用采集到的历史数据，存放调度策略与用户变化的过程信息，公式如下：
式中，T表示外界温度，C表示调度策略中动态电价的变化，P表示用户用暖功率变化。模型算法库包括推理算法，即在电采暖负荷受环境、自身因素影响下，能够利用规则库和事实数据库中的已有知识对负荷用暖趋势进行推理，同时在推理过程中，能够利用启发式知识和经验对模型内部参数进行优化。
如果输入的外界因素在知识库已有相关知识，则基于已建立的规则对用户用暖的变化趋势进行推理，包括以下类型：1)一致匹配：待推理的数据和知识的头实体精确匹配，内容包括季度、月份、小时、温度、平均温度；2)域值范围匹配：当输入的季度、月份、小时、温度、平均温度数据在一定域值范围内进行匹配，在设置的范围内即将其转为规则定义的输入值，针对波动比较大的待推理数据，有不同的匹配对象和域值范围。
最后构建一种用暖趋势智能推测算法。当无法进行一致匹配和阈值匹配时，本发明设计了一种采用基于长短期记忆神经网络(LSTM)的知识推理模型，模型输入为时间数据、温度数据和负荷功率，输出为负荷用暖趋势预测数据。
LSTM模型采用了如图4所示的细胞结构，包括遗忘门、输入门和输出门三个控制，分别对应图中的A、B、C三部分。在门结构中，通过一个使用sigmoid函数的神经层和一个逐点相乘的操作选择性地让负荷信息向前传递。在t时刻，细胞采用遗忘门控制输入的电力信息和过去的电力信息的更新和丢弃，其中ht-1表示上一个细胞的输出信息，xt为当前细胞的输入。
ft＝σ(Wf·[ht-1,xt]+bf) (14)
输入门用于决定将负荷信息加入到细胞状态里面，在B框中，首先采用sigmoid函数决定更新信息，然后采用tanh函数生成更新内容向量：
输出门为图3中C框部分，首先采用sigmoid函数来确定细胞状态需要输出的部分，然后通过tanh函数处理细胞状态Ct并输出负荷趋势结果。
5.利用物理模型、知识模型的预测结果和修正算法修正数据模型的预测结果，得到负荷未来功率数据的具体步骤为：1)首先利用数据模型获得t时刻的功率预测数据Pdata(t)，然后利用物理模型获得功率需求数据Pphysical(t)；利用知识模型获得功率趋势数据Pknow(t)；2)设计修正算法，利用式(5)计算负荷未来功率数据，记为Pfuse(t)。其中δ1、δ2为物理模型、知识模型的随机误差，m1、m2、m3为Pdata(t)、Pphysical(t)和Pknow(t)的比值。
6.设计一种基于数据-物理-知识联合驱动和粒子群算法的电采暖负荷双层调度模型，其特征在于，所述调度模型包括调度层和用户层两层机构，调度层包括预测模块、指标集模块和调度模块，用户层的负荷控制终端用于采集、上报用户的用暖功率数据。调度模型如图5所示，省调调度云的调度平台执行调度模块的功能，智慧能源平台执行预测模块和指标集模块的功能，完成负荷预测和指标集计算，用户层的负荷控制终端上报、下发功率和调度策略，整体部署的实物图如图6所示。
进一步地，所述负荷融合预测模块采用步骤2-5搭建的基于数据-物理-知识的负荷功率融合预测算法对负荷未来功率进行预测；
进一步地，所述调度指标集计算模块包括经济性指标、公平性指标和舒适性指标，具体为：
1)经济性指标，使用优化前后的电价和优化前后的用暖设备功率来反映调度经济性；
式中，Ee,cost为经济性指标；Pe、Pe,f(t)分别为优化前后的固定电价和t时刻的分时电价；Lload(t)、Lload,f(t)为优化前后t时刻除供暖设备以外用户消耗的功率；Lev(t)、Lev,f(t)为优化前后t时刻的供暖设备功率；i表示每类负荷的单个负荷，m为负荷分类的数量，n为负荷数量，T取24小时；Δt取60分钟。
2)舒适性指标，利用舒适温度Qi,j与当前温度Ti,j(t)的平均绝对误差百分比来进行衡量，其中Ee,copy为用电舒适性指标。
在实行双层调度策略后，当用户未改变各时段用电量时，用户舒适度最大，其值为1；用户用电方式即各时段的用电量改变越大，其舒适性指标越低；在用户完全不用电的极端情况下，用户的舒适性为0。
3)公平性指标，采用负荷未供暖时间Tcontrol、供暖时间Twarm、最佳供暖时间Tbest来表征用户的供暖公平性，其中Em(z)为公平性指标。Em(z)的值越小，整个负荷轮控过程越公平。
进一步地，调度模块利用粒子群算法，以负荷未来功率为初始粒子，根据指标集数据设计目标函数，进行算法求解，输出调度功率。具体包括目标函数、约束条件和粒子群算法求解：
1)目标函数
目标函数1：用户用暖经济性和舒适性最大化：
F1＝1/Ee,cost+Ee,copy (9)
目标函数2：调度过程中的调度公平性指标最大化：
F2＝1/Em(z) (10)
2)约束条件，包括经济性指标、舒适性指标和公平性指标的约束：
(1)经济性指标要求
经济性指标反映了优化后与优化前的消费比值，因此需要控制指标范围在0.5-1.5，以综合保障电网层和用户层的经济效益。
(2)公平性指标要求
公平性指标用来约束调度层实施的轮空策略，避免需求大的供暖用暖关闭供暖时间过长，因此需要利用公平性指标，综合不同负荷的供暖需求，指标应在0-1范围内。
(3)舒适度指标要求
设计分时电价后，需要根据用户的舒适度对分时电价进行调整，避免计算出来的电价C实施后用户的舒适度过低。
(4)削峰填谷要求
根据负荷分类模块和负荷融合预测模块输出的负荷功率预测数据对粒子群算法求解的结果进行限制，调度后的功率总应与功率需求一致，即总和一致。
进一步地，利用粒子群算法对模型进行求解，并获得粒子群的调度结果，首先在求解时将目标函数综合为下式
F＝1/(F1+F2) (18)
3)粒子群算法求解
将一日24小时的负荷功率作为粒子群的24个粒子，其中粒子群算法的粒子i的第d维速度更新公式为：
粒子i的第d维位置更新公式为：
式中，
第k次迭代粒子i的飞行速度矢量的第d维分量；
第k次迭代粒子i位置矢量的第d维分量；c1，c2：加速度常数，调节学习最大步长；r1，r2：两个随机函数，取值范围[0,1]，以增加随机性；w：惯性权重，非负数，调节对解空间的搜索范围。
进一步地，用户层的负荷控制终端接收来自调度层的调度数据，并下发给其负责的用户负荷，实现调度的云-边协同控制。
7.所述命令的传递均通过蓝牙模块进行无线通信，调度及数据指令在终端侧和主站侧之间传递，在电采暖用户侧安装负荷控制终端，实现电采暖数据采集，并上送至调度层，即在用户负荷侧部署负控终端、智能断路器，负控终端与智能断路器通过485通信方式进行通信，负控终端采集负荷数据，并通过3G/4G等无线通信方式上送至调度层的负荷预测模块，同时根据调度层的功率调度数据，利用智能断路器对用户负荷进行控制。调度层：汇集电采暖运行数据，并将电采暖区域运行数据上送至主站侧调度控制系统，根据既定策略分解来自于主站侧控制系统转发的控制目标并下发至负荷控制终端执行。
算例：
本发明以某州地区电采暖负荷为实验对象进行了实验测试，截止2020年3月某州电采暖共计安装电能表35.25万户，其中煤改电项目安装30.67万户、零星业扩报装4.58万户，包括民用、工业用暖等多种负荷。
首先根据负荷历史用暖功率数据、用暖时段、用暖时长等因素对电采暖负荷进行分类，将其分为居民区供暖、工业园区供暖、校园供暖等多种负荷。然后构建不同类负荷的历史数据集，根据采集的负荷历史功率数据、时间数据(季度、月、日、时)、室内外温度数据建立训练集数据。
接着建立基于历史数据的负荷预测模型，选取神经网络算法作为预测算法，并将训练集数据输入进神经网络模型，输出基于历史数据的负荷功率预测结果；然后建立基于价格弹性系数的需求响应物理模型，根据实时电价计算公式、价格弹性系数计算公式、基于价格需求自弹性系数和彼弹性系数的功率计算公式建立物理模型，并计算出基于价格弹性系数的负荷功率预测数据；另外，建立基于知识推理的用户用暖趋势推测，首先利用基于滑动时间窗口的计算方式计算负荷在不同时段的用暖趋势，然后构建增量式知识库描述用暖趋势与外界因素的联系，最后构建用暖趋势知识推理算法，如果输入的外界因素在知识库已有相关知识，则根据已建立的规则对用户用暖的变化趋势进行推理，当无法进行一致匹配和阈值匹配时，采用基于长短期记忆神经网络(LSTM)的知识推理模型进行推理，从而获得基于基于知识推理的用户用暖趋势推测数据。
进一步地，利用搭建的数据—物理—知识负荷预测功率融合方法将上述预测数据进行融合，从而搭建出基于数据—物理—知识联合驱动的负荷功率预测算法，预测结果如图7所示，其中数据模型的预测标准差为4.948，数据-物理融合的预测标准差为0.859，数据-物理-知识推理模型的预测标准差为0.867，融合预测算法精度更高，且知识推理模型修正后的预测精度与物理模型校正相差不大，但对负荷的用暖趋势推理更为准确，在17：00-21：00之间更能反映出负荷趋势的变化。
进一步地，在调度层和负荷层进行策略设计和负荷侧设备的部署，如图5所示。上层为调度层，包括预测模块、指标集模块和调度模块，在调度过程中，首先对负荷进行分类，接收来自负荷控制终端的数据，并利用融合预测算法对负荷的实时功率进行预测，同时利用上报的数据计算当前指标集数据，然后利用粒子群算法以功率预测数据和当前指标集数据为初始粒子，利用目标函数和约束条件进行求解，获得调度数据，并下发负荷供暖功率至负荷控制终端。在负荷侧部署负荷控制终端、智能断路器，负荷控制终端根据调度数据进行调度策略的实施，通过RS-485通信方式采集电暖气负荷遥测、断路器状态等信息，并下发断路器控制信息，当供暖达到调度功率后，智能断路器断开停止供暖。在调度过程中，负荷控制终端上传各类负荷的实时用暖功率至调度层，并接收调度层下发的供暖功率，用于负荷投切控制。
采用PSO算法对调度模型进行求解，求解结果如图8所示，其中红色和蓝色曲线分别为优化前和优化后的用暖功率数据，可以看出使用调度策略后，负荷功率波动情况减少，功率突变较少，有利于电网的稳定运行。另外，本发明选择了第7h的数据计算指标集，其中优化调度前用户功率为4.67度，优化后为3.035度，用户的经济性指标数值大于1，说明用户的用暖消费支出情况有所下降；舒适性指标为0.65，说明经过调度策略用户的用暖行为改变了45％；未参与调度前用户按需用暖，供暖满意度为1，在调度后满意度为0.75，最后计算W数值为5.185，该值大于1，说明调度策略是有效的。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出本发明的创新特点，其余技术特征在此不再赘述。
Claims (9)
1.一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，所述方法的步骤为：
步骤1、分析现有电采暖负荷用暖习惯及特性，对负荷进行分类，然后设计一种基于数据-物理-知识模型联合驱动的用暖负荷功率预测算法；具体为，首先建立基于历史数据进行功率预测的数据模型，然后建立基于分时电价和负荷需求弹性系数的物理模型，接着建立基于增量式知识库和智能推测算法的知识推理模型，最后利用物理模型、知识推理模型的预测结果和修正算法修正数据模型的预测结果，得到负荷未来功率数据；
步骤2、设计一种电采暖负荷双层调度模型，具体为：所述双层调度模型包括用户层和调度层，在用户层安装负荷控制终端，采集、上报用户的用暖功率数据；调度层包括预测模块、指标集模块和调度模块，其中预测模块用于实施步骤1中的负荷分类和负荷功率预测算法；指标集模块包括经济性、舒适性和公平性指标，用于反映实施调度模块输出的调度策略后，用户的用暖改善情况；调度模块输出调度策略：采用粒子群算法，将负荷未来功率数据为初始粒子，以指标集数据即用户用暖改善情况最大化为目标函数，进行算法求解，输出调度功率，用户层的负荷控制终端实施调度策略。
2.根据权利要求1所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，步骤1中，所述建立基于历史数据进行功率预测的数据模型，步骤如下：
1)利用负荷控制终端采集负荷历史功率数据、时间数据、室内和室外的温度、湿度数据，建立数据模型的训练集；
2)将所述训练集数据输入模型训练，训练完毕后，模型根据负荷控制终端采集的实时数据输出基于数据模型的功率预测数据，记为Pdata。
3.根据权利要求1所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，步骤1中，建立所述基于分时电价和负荷需求弹性系数的物理模型，步骤为，1)首先选取典型日数据，利用式(1)计算分时电价，其中Ci,t表示第i个负荷t时刻的实时电价；Pi,t表示第i个负荷t时刻的实时功率，C1、C2、C3、C4分别为购电成本、输配电损耗、输配电价及政府性基金；
2)利用分时电价，并结合价格需求自弹性系数E(t,t)和彼弹性系数E(t,h)，利用式(2)计算出基于分时电价和负荷需求弹性系数的功率需求数据，记为Pphysical，其中Ci,h表示第i个负荷h时刻的电价；
4.根据权利要求1所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，步骤1中，建立所述基于增量式知识库和智能推测算法的知识推理模型，具体为：1)设计一种基于负荷趋势计算方法，其中TP(t,q)表示电采暖负荷在t时刻的趋势，时间前后跨度为q，
表示负荷功率序列；
2)构建增量式知识库，首先使用三元组D＝{(h,r,t)|h∈E,r∈R,t∈E}建立规则库，规则库包括温度、负荷之间的用暖规则，其中h为头实体，t为尾实体，r为两者的关系，E、R分别表示表示实体集和关系集；然后利用采集到的历史数据建立事实数据库，存放调度策略与用户变化的过程信息；其中T表示外界温度，C表示调度策略中动态电价的变化，P表示负荷趋势：
最后建立模型算法库，在电采暖负荷受环境、自身因素影响下，利用规则库和事实数据库中的已有知识对负荷用暖趋势进行推理，并利用启发式知识和经验优化模型参数；
3)针对知识库缺少已有知识无法推理的情况，采用智能推测算法，算法输入为时间数据、温度数据和负荷功率，输出为负荷用暖趋势预测数据；结合上述步骤推测出用户的功率趋势数据，记为Pknow。
5.根据权利要求1所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，在步骤1中，利用物理模型、知识模型的预测结果和修正算法修正数据模型的预测结果，得到负荷未来功率数据的具体步骤为：
1)首先利用数据模型获得t时刻的功率预测数据Pdata(t)，然后利用物理模型获得功率需求数据Pphysical(t)；利用知识模型获得功率趋势数据Pknow(t)；
2)设计修正算法，利用式(5)计算负荷未来功率数据，记为Pfuse(t)；其中δ1、δ2为物理模型、知识模型的随机误差，m1、m2、m3分别为Pdata(t)、Pphysical(t)和Pknow(t)的比值：
6.根据权利要求1所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，步骤2中，所述双层调度模型的用户层负荷控制终端用于采集、上报用户的用暖功率数据；调度层包括预测模块、指标集模块和调度模块，输出调度策略的步骤为：
1)利用预测模块输出负荷未来功率Pfuse(t)；
2)利用用暖功率数据，指标集模块计算指标集数据；
3)利用粒子群算法，以负荷未来功率为初始粒子，根据指标集数据设计目标函数，进行算法求解，输出调度功率。
7.根据权利要求6所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，所述指标集模块包括经济性指标、公平性指标和舒适性指标，具体为：1)经济性指标，使用优化前后的分时电价和用暖设备功率来反映调度的经济性，其中Ee,cost为经济性指标；Pe、Pe,f(t)分别为优化前后的固定电价和t时刻的分时电价；Lload(t)、Lload,f(t)为优化前后t时刻除供暖设备以外用户消耗的功率；Lev(t)、Lev,f(t)为优化前后t时刻的供暖设备功率；i表示每类负荷的单个负荷，m为负荷分类的数量，n为负荷数量，T取24小时；Δt取60分钟：
2)舒适性指标，利用舒适温度Qi,j与当前温度Ti,j(t)的平均绝对误差百分比来进行衡量，其中Ee,copy为用电舒适性指标：
3)公平性指标，采用负荷未供暖时间Tcontrol、供暖时间Twarm、最佳供暖时间Tbest来表征用户的供暖公平性，其中Em(z)为公平性指标：
8.根据权利要求6所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，所述目标函数，具体为：目标函数F1：用户用暖经济性和舒适性最大化；目标函数F2：调度过程中的调度公平性指标最大化：
F1＝1/Ee,cost+Ee,copy (9)
F2＝1/Em(z) (10)。
9.根据权利要求6所述的一种基于数据-物理-知识联合驱动的供暖负荷调度方法，其特征在于，所述调度模块的算法求解，输出调度功率，具体为：将负荷未来功率作为初始粒子，其中粒子群算法的粒子i的第d维速度更新公式为，为式(11)，其中
为第k次迭代粒子i的飞行速度矢量的第d维分量；
为第k次迭代粒子i位置矢量的第d维分量；c1，c2为步长；r1，r2为随机函数，取值范围[0,1]；w为惯性权重：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210716879.4A CN115169839A (zh) | 2022-06-23 | 2022-06-23 | 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210716879.4A CN115169839A (zh) | 2022-06-23 | 2022-06-23 | 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169839A true CN115169839A (zh) | 2022-10-11 |
Family
ID=83487356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210716879.4A Pending CN115169839A (zh) | 2022-06-23 | 2022-06-23 | 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169839A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116779095A (zh) * | 2023-04-27 | 2023-09-19 | 西南交通大学 | 一种知识数据双驱动的合理用药预测方法 |
-
2022
- 2022-06-23 CN CN202210716879.4A patent/CN115169839A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116779095A (zh) * | 2023-04-27 | 2023-09-19 | 西南交通大学 | 一种知识数据双驱动的合理用药预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lissa et al. | Deep reinforcement learning for home energy management system control | |
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| CN110458443B (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
| CN105590174A (zh) | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 | |
| CN113572157B (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
| US11610214B2 (en) | Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus | |
| Abdulaal et al. | Two-stage discrete-continuous multi-objective load optimization: An industrial consumer utility approach to demand response | |
| CN112950098B (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
| CN112366699A (zh) | 一种实现电网侧和用户侧交互的家庭能量双层优化方法 | |
| Han et al. | Home energy management systems: A review of the concept, architecture, and scheduling strategies | |
| CN112488372A (zh) | 多时间尺度下电采暖负荷双层优化调度方法 | |
| CN113326994A (zh) | 一种考虑源荷储互动的虚拟电厂能量协同优化方法 | |
| CN113255968B (zh) | 基于设备和行为信息的商业办公楼精细化负荷预测方法 | |
| Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
| CN114841409A (zh) | 联合lstm和深度强化学习的家庭能源管理方法及介质 | |
| CN113902582A (zh) | 一种楼宇综合能源负荷预测方法及系统 | |
| CN112508325A (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
| Si et al. | Deep reinforcement learning based home energy management system with devices operational dependencies | |
| Harrold et al. | Battery control in a smart energy network using double dueling deep q-networks | |
| CN115169839A (zh) | 一种基于数据-物理-知识联合驱动的供暖负荷调度方法 | |
| Fu et al. | Predictive control of power demand peak regulation based on deep reinforcement learning | |
| Ruelens et al. | Residential demand response applications using batch reinforcement learning | |
| CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 |
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 |