CN115343959A - 一种电采暖负荷自适应控制方法、装置、设备及介质 - Google Patents
一种电采暖负荷自适应控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115343959A CN115343959A CN202211167399.3A CN202211167399A CN115343959A CN 115343959 A CN115343959 A CN 115343959A CN 202211167399 A CN202211167399 A CN 202211167399A CN 115343959 A CN115343959 A CN 115343959A
- Authority
- CN
- China
- Prior art keywords
- electric heating
- heating equipment
- time
- neural network
- load
- 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
Links
- 238000005485 electric heating Methods 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Central Heating Systems (AREA)
Abstract
本发明公开了一种电采暖负荷自适应控制方法、装置、设备及介质，方法包括训练SOM，利用已训练SOM模型，将跟踪周期内的家庭用电数据处理成特征向量之后输入已训练模型，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；根据动态获取的电采暖负荷数量，计算初始退避时间窗口；采用自适应控制的方式进行电采暖设备控制，不仅可以做到实时监测，还可以实时调整，有效规避了由多台电采暖设备同时启/停造成的负荷峰谷差过大和电压越限问题，确保了用电的可靠性与安全性。
Description
技术领域
本发明属于电采暖设备控制技术领域，具体涉及一种电采暖负荷自适应控制方法、装置、设备及介质。
背景技术
随着煤改电工程的不断推进，电采暖设备得到迅速推广。然而大量电采暖设备的无序接入，极易造成尖峰负荷，引起电压波动甚至越限，严重影响电能质量与用电安全。如何更加高效、方便地对分散式电采暖集群进行协调控制，在保障居民用户供暖需求的同时减小尖峰负荷、平抑负荷曲线、提高供电质量和可靠性，具有十分重要的现实意义。
电采暖是“煤改电”工程的主要推广方式。在一些地区作为传统集中式供暖的补充在居民小区内急剧增多。大规模增长的电采暖负荷在缺少高效方便的优化运行策略的情况下增加了电网运行风险，不利于电能替代的推广。电采暖是一种将电能转化为热能，并通过直接放热使得居民建筑物内得热而温度升高来满足居民用户供暖需求的设备。由于居民建筑物具有一定的储热特性，得热、散热之间的平衡关系使得电采暖负荷具有能量可时移能力。
现有的面向区域内电采暖集群的控制方法，均需借助通信网络，通过数据采集上传、控制参考点计算与指令下发的方式实现，无法实时响应低压侧电压的快速波动。此外，由于对通信系统高度依赖，投资成本较高，且当系统中某个环节发生故障或延迟较高时，将导致控制策略的失效甚至误操作。
发明内容
本发明的目的在于提供一种电采暖负荷自适应控制方法、装置、设备及介质，以解决上述背景技术中现有的面向区域内电采暖集群的控制方法，对通信系统高度依赖，当系统中某个环节发生故障或延迟较高时，将导致控制策略的失效甚至误操作的问题。
为了实现上述目的，本发明采用如下技术方案：
第一方面，一种电采暖负荷自适应控制方法，包括如下步骤：
获取典型电采暖设备的特征样本；
将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
进一步的，所述将所述特征向量输入预设的SOM神经网络的步骤中，SOM神经网络的训练方式如下：
获取家庭用户入口处的历史电气数据，并转化为适合SOM神经网络聚类的特征样本集；
将所述特征样本集作为输入对SOM神经网络进行训练，并使用典型电采暖设备的特征样本作为所述SOM神经网络的输入，确定电采暖负荷在聚类中的位置信息；得到训练好的SOM神经网络。
进一步的，所述获取家庭用户入口处的历史电气数据，并转化为适合SOM神经网络聚类的特征样本集的步骤，具体包括如下：
通过智能电表采集家庭用户入口处的；
将智能电表采集的所述历史电气数据进行清洗，排出不正常数据；
依据清洗后的数据，通过监测采样窗口功率和方差的变化情况判断有无负荷事件发生及发生的开始和结束时刻；
提取负荷事件窗口内电气数据，并进行处理得到负荷特征，构建得到适合SOM神经网络聚类的特征样本集。
进一步的，所述将所述特征样本集作为输入对SOM神经网络进行训练的步骤，具体如下：
初始化SOM神经网络的输入层神经元的数量和输出层神经元的规模；
将所述特征样本集中的特征向量归一化处理后，将特征向量作为训练样本输入SOM神经网络进行训练，循环训练直至达到预定的训练次数。
进一步的，所述根据启停时刻表动态获取电采暖负荷数量的步骤中，所述电采暖负荷数量的计算公式如下：
式中，roll为活跃的电采暖数量动态跟踪周期；Nroll为跟踪周期内循环计数的电采暖设备数目；
为该周期内第i次电采暖设备的变化状态量；s为周期内电采暖设备状态变化的总次数；Nroll随着其状态变化不断更新，并最终将迭代过程中出现的最大值Nmax作为该跟踪周期内活跃的电采暖设备数量。
进一步的，所述根据动态获取的电采暖负荷数量，计算初始退避时间窗口的步骤中，初始退避时间窗口计算公式如下：
w0＝c·N·Taction
上式中，c表示初始退避时间窗口对其它因素的容忍程度；N为电采暖设备的数量；Taction为电采暖设备的启/停动作时间。
进一步的，所述退避时间的计算方式如下：
tj，backoff＝rand·Wj
上式中，Wj为第j次退避的退避时间窗口；w0为初始退避时间窗口；max为最大退避次数；tj,backoff为第j次的退避时间；rand为随机生成的[0,1]之间的随机数。
第二方面，一种电采暖负荷自适应控制装置，包括：
第一获取模块，用于获取典型电采暖设备的特征样本；
第一输入模块，用于将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
第二获取模块，用于获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
第二输入模块，用于将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
计算模块，用于根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
第一监测模块，用于监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
第二监测模块，用于电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
第三方面，一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现上述的电采暖负荷自适应控制方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述的电采暖负荷自适应控制方法。
与现有技术相比较，本发明的有益效果如下：
1)本发明提供的电采暖负荷自适应控制方法，一方面利用SOM神经网络，通过负荷曲线聚类分析，得到区域内实际活跃的电采暖数量，且每过一定时间将新的实时数据导入数据库，重新计算电采暖数量，这样不仅可以做到实时监测，还可以实时调整；另一方面在电采暖集群运行状态动态调整过程中，采用退避算法有效规避了由多台电采暖设备同时启/停造成的负荷峰谷差过大和电压越限问题，确保了用电的可靠性与安全性。
2)本发明提供的电采暖负荷自适应控制方法，根据区域内电采暖集群功率变化与电压分布关系函数，基于本地环境与本地电气条件的监测，使得电采暖设备能够根据温度、电压变化进行动态调整，实现电采暖集群优化运行，对通信系统没有依赖性，投资相对较小，可靠性高；
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一种电采暖负荷自适应控制方法的流程图；
图2为本发明实施例中电采暖设备退避原理示意图；
图3为本发明实施例一种电采暖负荷自适应控制装置的结构框图；
图4为本发明实施例一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
本方案第一方面提供了一种电采暖负荷自适应控制方法，其改进之处电采暖负荷仅需通过采集本地电气条件和环境条件的情况下即可实现自适应投切，解决目前对负荷集群的控制对通信的高度依赖、且无法实时响应低压侧电压快速波动的问题。
如图1所示，一种电采暖负荷自适应控制方法，包括如下步骤：
S1、获取典型电采暖设备的特征样本；
S2、将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
S3、获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
S4、将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
S5、根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
S6、监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
S7、电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
训练SOM神经网络需要获取训练数据的特征样本集，具体的步骤如下所示：
S10：数据预处理：将家庭用户入口处的智能电表采集到的历史电气数据进行处理，转化为适合SOM神经网络聚类的特征样本集。
本发明中数据预处理具体包括以下步骤：
S101：数据清洗：排除智能电表在数据采集中的不正常数据，降低因数据缺失或数据异常对负荷识别造成的影响。本方案中采用中值滤波的方式。中值滤波可以有效过滤负荷的噪声，处理采样初始数据的丢失和异常等常见问题，以减少噪声和奇异值对负荷辨识的影响。
S102、负荷事件监测：通过监测采样窗口功率和方差的变化情况判断有无负荷事件发生及发生的开始和结束时刻。该方法基于负荷暂态特征，需要较高频率采样总负荷功率数据，并关注负荷发生的暂态事件，提取功率暂态波形和其前后的功率的变化量，以此进行负荷事件监测。
S103、负荷特征提取：根据负荷监测结果，提取负荷事件窗口内电气数据，并进行处理，得到有功功率、无功功率、周波电流有效值、周波电流面积、电流谐波等负荷特征，构建特征样本集。
需要说明的是，在进行负荷事件辨识的过程中，为有效区分设备的不同工作状态，提取设备特征并构建特征向量。暂态特征与电器物理性质关系紧密，更高的辨识精度和独特性有助于相似设备及状态的区分，通过将滑动窗口中的信号进行处理，得到设备有功功率、无功功率、周波电流有效值、周波内电流面积、周波电流峰值和电流谐波并作为暂态负荷特征，构建特征向量以供负荷事件聚类分析。
S20：获取到特征样本集之后，利用SOM神经网络对特征样本集进行训练，并以此为基础实时监测电采暖设备状态并动态获取家庭内活跃电采暖数量。
本发明中S20具体包括以下步骤：
S201：将构建的特征样本集作为输入对SOM神经网络进行训练。初始化SOM神经网络的输入层神经元的数量和输出层神经元的规模，然后将提取到的特征向量归一化处理后，将特征向量Xi＝(x1,x2,…，xn)T(n为输入特征向量的维数)作为训练样本输入SOM神经网络进行训练，循环训练直至达到预定的训练次数。
S202：将一典型电采暖设备的特征样本作为上述SOM神经网络的输入，以确定电采暖负荷在聚类中的位置信息。
本方案中，将典型电采暖负荷的电气参数进行处理得到的特征向量作为已训练SOM神经网络的输入进行聚类分析，将特征向量输入后，返回电采暖负荷的开启和关闭特征向量的所在位置。
S203：将SOM神经网络投入运行，获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量，输入SOM神经网络，SOM神经网络输出聚类结果，将聚类结果的位置参数与典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，记录具有特征参量的电采暖负荷开启/关闭的时标参数T(ton,toff)，得到电采暖设备启停时刻表Ttable(ton_1、…、ton_2、…、toff_1,…)，根据启停时刻表，动态跟踪电采暖负荷数量。具体方法如下：
上式中，roll为活跃的电采暖数量动态跟踪周期；Nroll为跟踪周期内循环计数的电采暖设备数目，初始化为0；
为该周期内第i次电采暖设备的变化状态量，和启停时刻表一一对应，有设备开启状态即ton_j时为+1，有设备关闭状态即toff_j时为-1；s为周期内电采暖设备状态变化的总次数；电采暖设备的数量Nroll随着其状态变化不断更新，并最终将迭代过程中出现的最大值Nmax作为该跟踪周期内活跃的电采暖设备数量。
S30：利用自适应控制算法完成电采暖负荷的控制，本方案主要是基于退避算法，通过计算退避时间，结合当前的室内温度、本地电压等，实现自适应控制，如图2所示。
S301：根据动态获取的电采暖负荷数目N，计算初始退避时间窗口w0。
为避免多台电采暖设备同时启停造成瞬间电压越限。初始退避时间窗口w0及下文涉及的退避时间ti,backoff的计算方式如下所示：
上式中，c表示初始退避时间窗口对控制时延等其它因素的容忍程度，容忍程度越高，参数c的设置值应越小，且cmin＝1；N为电采暖设备的数量；Taction为电采暖设备的启/停动作时间。Wj为第j次退避的退避时间窗口；w0为初始退避时间窗口，本方案中为争用期时间；max为最大退避次数，当退避次数大于max时，退避时间取最大值，避免因退避时间窗口的无限制增长造成的退避时间过长；tj,backoff为第j次的退避时间；rand为随机生成的[0,1]之间的随机数。
S302：初始化电采暖数目N、室内设定温度Tset，则室内温度波动为Troom∈[Tl_limit,Tu_limit]、各电采暖设备的电压安全阈值Ui∈[Ul_limt,Uu_limit]。根据《GB/T12325-2008电能质量供电电压偏差》，220V单相供电电压偏差为标称电压的+7％、-10％，即安全用电电压下限为198V，电压上限为235.4V；为留有一定安全裕度，本方案中设定监测电压允许上下偏差分别为标称电压的+6％和-9％，即Ul_limit＝200.2V、Uu_limit＝233.2V。
S303：电采暖设备i实时监测当前温度Ti，若此时室内温度温度Ti<Tl_limit，继续执行S304；若Ti∈[Tl_limit,Tu_limit]，则保持监测状态，循环执行S303；
S304：电采暖设备i监测本地电压Ui；
若电压Ui∈[Ul_limt,Uu_limit]，计算退避时间ti,j,backoff，退避时间后继续执行S305；
若电压Ui<Ul_limit，计算退避时间ti,j,backoff，退避时间后循环执行S304；
S305：再次监测本地电压Ui，若电压Ui∈[Ul_limt,Uu_limit]，则电采暖设备启动；
S306：电采暖设备i实时监测当前温度Ti，若此时室内温度Ti≥Tu_limit，则ti,j,backoff后电采暖设备i关闭；
通过S303-S306的循环执行，实现电采暖负荷的实时自适应控制。
实施例2
如图3所示，基于与上述实施例的同一发明构思，本方案还提供了一种电采暖负荷自适应控制装置，包括：
第一获取模块，用于获取典型电采暖设备的特征样本；
第一输入模块，用于将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
第二获取模块，用于获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
第二输入模块，用于将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
计算模块，用于根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
第一监测模块，用于监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
第二监测模块，用于电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
实施例3
如图4所示，基于与上述实施例的同一发明构思，本方案还提供了一种用于实现电采暖负荷自适应控制方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种用于实现电采暖负荷自适应控制方法步骤。存储器101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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、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。
至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
电子设备100中的存储器101存储多个指令以实现一种用于实现电采暖负荷自适应控制方法，处理器102可执行多个指令从而实现：
获取典型电采暖设备的特征样本；
将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
实施例4
电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电采暖负荷自适应控制方法，其特征在于，包括如下步骤：
获取典型电采暖设备的特征样本；
将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
2.根据权利要求1所述的电采暖负荷自适应控制方法，其特征在于，所述将所述特征向量输入预设的SOM神经网络的步骤中，SOM神经网络的训练方式如下：
获取家庭用户入口处的历史电气数据，并转化为适合SOM神经网络聚类的特征样本集；
将所述特征样本集作为输入对SOM神经网络进行训练，并使用典型电采暖设备的特征样本作为所述SOM神经网络的输入，确定电采暖负荷在聚类中的位置信息；得到训练好的SOM神经网络。
3.根据权利要求2所述的电采暖负荷自适应控制方法，其特征在于，所述获取家庭用户入口处的历史电气数据，并转化为适合SOM神经网络聚类的特征样本集的步骤，具体包括如下：
通过智能电表采集家庭用户入口处的；
将智能电表采集的所述历史电气数据进行清洗，排出不正常数据；
依据清洗后的数据，通过监测采样窗口功率和方差的变化情况判断有无负荷事件发生及发生的开始和结束时刻；
提取负荷事件窗口内电气数据，并进行处理得到负荷特征，构建得到适合SOM神经网络聚类的特征样本集。
4.根据权利要求2所述的电采暖负荷自适应控制方法，其特征在于，所述将所述特征样本集作为输入对SOM神经网络进行训练的步骤，具体如下：
初始化SOM神经网络的输入层神经元的数量和输出层神经元的规模；
将所述特征样本集中的特征向量归一化处理后，将特征向量作为训练样本输入SOM神经网络进行训练，循环训练直至达到预定的训练次数。
5.根据权利要求1所述的电采暖负荷自适应控制方法，其特征在于，所述根据启停时刻表动态获取电采暖负荷数量的步骤中，所述电采暖负荷数量的计算公式如下：
式中，roll为活跃的电采暖数量动态跟踪周期；Nroll为跟踪周期内循环计数的电采暖设备数目；
为该周期内第i次电采暖设备的变化状态量；s为周期内电采暖设备状态变化的总次数；Nroll随着其状态变化不断更新，并最终将迭代过程中出现的最大值Nmax作为该跟踪周期内活跃的电采暖设备数量。
6.根据权利要求1所述的电采暖负荷自适应控制方法，其特征在于，所述根据动态获取的电采暖负荷数量，计算初始退避时间窗口的步骤中，初始退避时间窗口计算公式如下：
w0＝c·N·Taction
上式中，c表示初始退避时间窗口对其它因素的容忍程度；N为电采暖设备的数量；Taction为电采暖设备的启/停动作时间。
7.根据权利要求1所述的电采暖负荷自适应控制方法，其特征在于，所述退避时间的计算方式如下：
tj，backoff＝rand·Wj
上式中，Wj为第j次退避的退避时间窗口；w0为初始退避时间窗口；max为最大退避次数；tj,backoff为第j次的退避时间；rand为随机生成的[0,1]之间的随机数。
8.一种电采暖负荷自适应控制装置，其特征在于，包括：
第一获取模块，用于获取典型电采暖设备的特征样本；
第一输入模块，用于将所述典型电采暖设备的特征样本输入预设的SOM神经网络，确定电采暖负荷在聚类中的位置信息；
第二获取模块，用于获取含电采暖设备实际运行电气参数的家庭用电量数据并处理为特征向量；
第二输入模块，用于将所述特征向量输入预设的SOM神经网络，所述SOM神经网络输出聚类结果，将所述聚类结果的位置参数与所述典型电采暖设备的位置信息进行对比，确定电采暖开启/关闭事件及其对应的时间，形成启停时刻表，根据启停时刻表动态获取电采暖负荷数量；
计算模块，用于根据动态获取的电采暖负荷数量，计算初始退避时间窗口；
第一监测模块，用于监测实时的室内温度，若室内温度低于预设的室内温度波动范围，则监测电采暖设备的本地电压；若本地电压不在预设的电压安全阈值内，则电采暖设备退避并在最大退避次数内不开启，超出最大退避次数后，电采暖设备开启；若本地电压在预设的电压安全阈值范围内，则退避时间后开启电采暖设备；
第二监测模块，用于电采暖设备开启之后，监测实时的室内温度，若室内温度高于预设的室内温度波动范围，则退避时间后关闭电采暖设备。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的电采暖负荷自适应控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的电采暖负荷自适应控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167399.3A CN115343959B (zh) | 2022-09-23 | 2022-09-23 | 一种电采暖负荷自适应控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167399.3A CN115343959B (zh) | 2022-09-23 | 2022-09-23 | 一种电采暖负荷自适应控制方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115343959A true CN115343959A (zh) | 2022-11-15 |
| CN115343959B CN115343959B (zh) | 2024-04-16 |
Family
ID=83955034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211167399.3A Active CN115343959B (zh) | 2022-09-23 | 2022-09-23 | 一种电采暖负荷自适应控制方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115343959B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115230779A (zh) * | 2022-06-09 | 2022-10-25 | 上海电力大学 | 一种地铁列车错峰启动优化控制方法、介质及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| CN109340904A (zh) * | 2018-11-12 | 2019-02-15 | 华北电力大学 | 电采暖协同优化运行方法 |
| CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
| CN111867139A (zh) * | 2020-07-06 | 2020-10-30 | 上海交通大学 | 基于q学习的深度神经网络自适应退避策略实现方法及系统 |
| CN111918408A (zh) * | 2020-08-06 | 2020-11-10 | 北方工业大学 | 基于csma-ca退避算法的优化方法及装置 |
| CN112234614A (zh) * | 2020-09-30 | 2021-01-15 | 清华大学 | 计及蓄热式电采暖规模化接入的配电网承载能力评估方法 |
| CN113191086A (zh) * | 2021-05-08 | 2021-07-30 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于遗传算法的电采暖热负荷需求优化方法及系统 |
| WO2021232734A1 (zh) * | 2020-05-19 | 2021-11-25 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 |
| US20210372667A1 (en) * | 2020-05-26 | 2021-12-02 | Grid4C Ltd. | Method and system for detecting inefficient electric water heater using smart meter reads |
| CN113887797A (zh) * | 2021-09-29 | 2022-01-04 | 南京用能互联网研究院有限公司 | 一种楼宇电采暖负荷预测模型的建立方法、装置和设备 |
-
2022
- 2022-09-23 CN CN202211167399.3A patent/CN115343959B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| CN109340904A (zh) * | 2018-11-12 | 2019-02-15 | 华北电力大学 | 电采暖协同优化运行方法 |
| CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
| WO2021232734A1 (zh) * | 2020-05-19 | 2021-11-25 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 |
| US20210372667A1 (en) * | 2020-05-26 | 2021-12-02 | Grid4C Ltd. | Method and system for detecting inefficient electric water heater using smart meter reads |
| CN111867139A (zh) * | 2020-07-06 | 2020-10-30 | 上海交通大学 | 基于q学习的深度神经网络自适应退避策略实现方法及系统 |
| CN111918408A (zh) * | 2020-08-06 | 2020-11-10 | 北方工业大学 | 基于csma-ca退避算法的优化方法及装置 |
| CN112234614A (zh) * | 2020-09-30 | 2021-01-15 | 清华大学 | 计及蓄热式电采暖规模化接入的配电网承载能力评估方法 |
| CN113191086A (zh) * | 2021-05-08 | 2021-07-30 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于遗传算法的电采暖热负荷需求优化方法及系统 |
| CN113887797A (zh) * | 2021-09-29 | 2022-01-04 | 南京用能互联网研究院有限公司 | 一种楼宇电采暖负荷预测模型的建立方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陆斯悦;及洪泉;徐蕙;唐皓淞;张禄;苏娟;董彦君;于海波;杜松怀;: "基于需求侧调峰的农村电采暖设备负荷优化控制策略", 农业工程学报, no. 09, 8 May 2020 (2020-05-08) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115230779A (zh) * | 2022-06-09 | 2022-10-25 | 上海电力大学 | 一种地铁列车错峰启动优化控制方法、介质及设备 |
| CN115230779B (zh) * | 2022-06-09 | 2024-02-27 | 上海电力大学 | 一种地铁列车错峰启动优化控制方法、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115343959B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105929923B (zh) | 一种电源功率的管理方法及装置 | |
| CN109522054B (zh) | 数据中心能耗设备调度方法及装置 | |
| CN113191575B (zh) | 配电网检修停电方式的优化方法、装置、终端和存储介质 | |
| CN111092429A (zh) | 一种柔性互联配电网的优化调度方法、存储介质及处理器 | |
| CN115343959B (zh) | 一种电采暖负荷自适应控制方法、装置、设备及介质 | |
| CN110247397B (zh) | 一种储能配置方法、系统、装置及可读存储介质 | |
| Yao et al. | A novel category-specific pricing strategy for demand response in microgrids | |
| CN112365090A (zh) | 一种基于深度学习的非入侵式用电负荷识别方法及装置 | |
| CN115684809A (zh) | 一种基于虚拟电厂的用户端用电测试系统 | |
| CN117992738B (zh) | 一种节电柜电能自动化节电监测方法及系统 | |
| CN117767324A (zh) | 一种配电网电压波动预测方法、系统、设备和介质 | |
| CN109995094B (zh) | 一种交直流混合微电网的规划方法及系统 | |
| CN112994050B (zh) | 一种基于标准差偏差度的台区不平衡治理方法及装置 | |
| CN114221329A (zh) | 一种基于大数据的电网负荷管理方法及系统 | |
| CN113983543A (zh) | 用于热力站循环泵控制的方法、装置、终端及存储介质 | |
| CN113792967A (zh) | 分布式光伏运行状态评估方法、装置及电子设备 | |
| CN112001578A (zh) | 一种适用于广义储能资源优化调度方法及系统 | |
| CN104915559B (zh) | 一种用电设备确定方法及系统 | |
| CN116780648A (zh) | 一种配电网分布式电源技术承载力分析方法、系统及设备 | |
| CN115907401A (zh) | 多任务负荷监测与激励的用电优化方法、装置、介质及设备 | |
| CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
| CN116031948A (zh) | 基于主从博弈的分布式储能及功率调度方法及装置 | |
| CN114548588A (zh) | 一种电力负荷智能预测操作方法 | |
| CN110611304B (zh) | 一种配电网低电压风险在线预警方法和系统 | |
| CN112993982B (zh) | 自动电压控制系统的限值参数获取方法、装置和终端设备 |
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 |