CN116307095A - 港区综合能源系统平台的功率预测装置、方法及电子设备 - Google Patents

Abstract

本发明公开了一种港区综合能源系统平台及其功率预测方法，通过聚类算法筛选异常数据，依此构建最优预测模型，该最优模型同时考虑系统平台运行成本及效率问题，并加以约束条件进行预测，得到最终预测结果，对预测结果进行评估，同时，该平台以智能微电网为基础，采用“能源+互联网”技术，构建“风、光、储、氢”港‑船多能源融合的能源系统；“能源+互联网”技术通过能源物联网和综合能源信息平台，在港区范围内对能源供需数据进行监视采集、分析预测，协调调度管理；平台通过“源‑网‑荷‑储”多能量环节协同运行，实现港区生产供能、传输分配、转换存储、终端用能多环节综合性管理。

Description

港区综合能源系统平台的功率预测装置、方法及电子设备

技术领域

本发明涉及港区多能用融合系统技术领域，尤其是一种港区综合能源系统平台的功率预测装置、方法及电子设备。

背景技术

解决碳排放问题关键要减少能源碳排放，治本之策是转变能源发展方式，加快推进清洁替代和电能替代。港口岸电和船舶电动化不仅是发展电气化交通的重要组成部分。内河船舶采用纯电池动力替代传统柴油机作为全船唯一动力源，利用直流岸电技术直接由岸基直流电源供电，一方面减小船舶污染物排放，实现绿色航运；另一方面降低化石能源消耗并提高航运经济性。

然而，随着港区电能替代战略的实施，需求则随着可调节负荷的深入应用遇到新问题、新挑战。特别地，在港区岸电与船电及各分布式新能源互动方面，缺少一个系统级平台为其辅助服务提供支撑。岸基供电系统设备实时状态需要监控、电动船舶混合储能系统状态信息需要及时获取，同时，船岸连接设备监控、电网的需求响应信息等需要统一管理，船侧与岸侧的能源数据价值需进一步挖掘。

发明内容

发明目的：本发明的目的是提供一种港区综合能源系统平台的功率预测装置、方法及电子设备，通过构建最优预测模型进行功率预测，同时搭建电动船舶与港区电网互动运行管理系统平台，为港区供电、船舶用电以及风电光伏等新能源的互动提供综合性的系统级平台支撑。

技术方案：本发明提供了一种港区综合能源系统平台的功率预测方法，包含以下步骤：

S1、采集港区综合能源系统平台的各设备功率数据，将超出历史波动范围的设备功率数据视作为异常数据；

S2、采用聚类算法对异常数据进行修正，得到聚类结果；

S3、根据聚类结果，针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以运行成本最低以及效率最高为寻优目标，获得不同场景下各个单一预测模型的最优权重，依据最优权重建立功率预测的最优预测模型；

S4、设定最优预测模型的约束条件，依据约束条件计算得到预测结果，并对预测结果进行评价。

进一步的，功率预测包括短期预测、超短期预测、中长期预测，短期预测提供次日0时起至未来72小时内分辨率为15分钟的预测数据，超短期预测提供未来4小时内分辨率为15分钟的预测数据，中长期预测提供未来若干周、月的预测数据。

进一步的，步骤S2中，聚类算法采用K-Medoids中心聚类算法，具体包含以下步骤：

2.1)随机选取异常数据作为数据样本集D，在数据样本集D中随机选择k个样本点作为质点O_j(j＝1.2.3...k)；

2.2)将S1中其他未作为数据样本集的设备功率数据作为剩下的样本点，分配到k个簇类当中；从k个簇类中随机选择一个样本点Orandom，计算样本点Orandom交换质点O_j(j＝1.2.3...k)的代价S；

2.3)重复步骤2.2)，比对计算出的每个代价S，若S<0，则将该样本点Orandom和质点O_j(j＝1.2.3...k)进行交换，保留并形成新的簇类，否则保留原质点O_j(j＝1.2.3...k)和原簇类，重复步骤2.3)到质点O_j(j＝1.2.3...k)保持不变。

进一步的，步骤S3中，运行成本最低的目标函数为：

式中，f_cost表示为光伏设备运行成本，Q为调度周期，N为光伏设备总数，f(g_n,t)为光伏设备损耗成本，u_n,t、u_n,t-1均为0-1变量，均表示光伏设备投入运行状态，S_n,t为光伏设备启停成本；“其他”项表示风电和岸电设施运行成本；最后一项为储能模块的运行成本，c₁和c₂均为充放电成本系数，a为充电时的0-1变量，b为放电时的0-1变量，t表示调度周期Q内的某个时刻；n表示N台光伏设备中第n台设备；K表示储能模块总数；k表示K台储能模块中第k台储能模块。

进一步的，步骤S3中，效率最高的目标函数为：

式中，f_eff为光伏设备的能效，λ_k为能效系数，λ₁+...+λ_k＝1，η为能源效率；K为储能模块总数，“_k-1项”表示风电和岸电设备运行能效。

进一步的，步骤S3中，建立的最优预测模型表示为：

F＝[f_cost,f_eff]^T

式中，F为最优预测值，T为矩阵转置。

进一步的，步骤S4中，设定的约束条件包括负荷功率平衡约束、充放电功率限制，其中，负荷功率平衡约束条件的函数表达式如下：

式中，p表示各光伏设备的出力情况，

表示储能模块充电情况，/>

表示储能模块放电情况；

充放电功率限制表示为：

k_tp_kmin≤p_k,t≤k_tp_kmax

k'_tp'_kmin≤p'_k,t≤k_tp'_kmax

k_t.k'_t＝0

k_t+k'_t≤K

式中，K为储能模块总数，k_t为在t时间内的充电储能模块，k'_t为在t时间内的放电储能模块，p_k,t为第k个储能模块充电情况，p_kmin为第k个储能模块充电最小值，p_kmax为第k个储能模块充电最大值，p'_k,t为第k个储能模块放电情况，p'_kmin为第k个储能模块放电最小值，p'_kmax为第k个储能模块放电最大值。

进一步的，步骤S4中，预测结果评价公式如下：

式中，P_P,i为i时刻的实际功率；P_K,i为i时刻的预测功率；C_i为总容量，n为样本数。

本发明对应提供一种港区综合能源系统平台的功率预测装置，包括：

采集模块，用于采集港区综合能源系统平台的各设备功率数据，将超出历史波动范围的设备功率数据视作为异常数据；

聚类模块，用于采用聚类算法对异常数据进行修正，得到聚类结果；

建立模块，用于根据聚类结果，针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以运行成本最低以及效率最高为寻优目标，获得不同场景下各个单一预测模型的最优权重，依据最优权重建立功率预测的最优预测模型；

预测模块，用于设定最优预测模型的约束条件，依据约束条件计算得到预测结果，并对预测结果进行评价。

本发明对应提供一种电子设备，包括存储器以及处理器，在所述存储器中存储有可被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，执行上述港区综合能源系统平台的功率预测方法。

有益效果：本发明与现有技术相比，其显著优点是通过聚类算法筛选异常数据，依此构建最优预测模型，该最优模型同时考虑系统平台运行成本及效率问题，并加以约束条件进行预测，得到最终预测结果，对预测结果进行评估及再分配，保障了港区综合平台之间各设备的功率在低成本下的高效运行，同时又搭建港区综合能源系统平台，通过各种设备之间互相运行及交互，为港区供电、船舶用电以及风电光伏等新能源的互动提供综合性的系统级平台支撑，并集分析预测、协调调度管理、运维管控等多项应用功能于一体，实现港区生产供能、传输分配、转换存储、终端用能多环节综合性管理。

附图说明

图1是本发明中功率预测分配原理图；

图2是本发明中港区综合能源系统平台示意图；

图3是本发明中多层级部署软件架构示意图；

图4是本发明中硬件架构本地部署图；

图5是本发明中硬件架构云端部署图。

具体实施方式

以下结合附图对本发明的具体实施方式进行说明。

实施例1

本实施例提供一种港区综合能源系统平台的功率预测方法，请参阅图1所示，包含以下步骤：

S1、采集港区综合能源系统平台的各设备功率数据，将超出历史波动范围的设备功率数据视为异常数据。

S2、采用聚类算法对异常数据进行修正，得到聚类结果。

本实施例中，采用的聚类算法可为K-Medoids中心聚类算法，也可为K-means聚类 算法等的其他聚类算法，其中，K-Medoids中心聚类算法应用到本实施例中，具体包含以下步骤：

2.1)随机选取异常数据作为数据样本集D，在数据样本集D中随机选择k个样本点作为质点O_j(j＝1.2.3...k)；

2.2)将S1中其他未作为数据样本集的设备功率数据作为剩下的样本点，分配到k个簇类当中；从k个簇类中随机选择一个样本点Orandom，计算样本点Orandom交换质点O_j(j＝1.2.3...k)的代价S；

2.3)重复步骤2.2)，比对计算出的每个代价S，若S<0，则将该样本点Orandom和质点O_j(j＝1.2.3...k)进行交换，保留并形成新的簇类，否则保留原质点O_j(j＝1.2.3...k)和原簇类，重复步骤2.3)到质点O_j(j＝1.2.3...k)保持不变。

S3、根据聚类结果，针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以运行成本最低以及效率最高为寻优目标，获得不同场景下各个单一预测模型的最优权重，依据最优权重建立功率预测最优预测模型。

功率预测包括短期预测、超短期预测、中长期预测，短期预测提供次日0时起至未来72小时内分辨率为15分钟的预测数据，超短期预测提供未来4小时内分辨率为15分钟的预测数据，中长期预测提供未来若干周、月的预测数据。

其中，与运行成本最低对应的目标函数为：

式中，f_cost表示为光伏设备运行成本，Q为调度周期，N为光伏设备总数，f(g_n,t)为光伏设备损耗成本，u_n,t、u_n,t-1均为0-1变量，均表示光伏设备投入运行状态，S_n,t为光伏设备启停成本；“其他”项表示风电和岸电设施运行成本；最后一项为储能模块的运行成本，c₁和c₂均为充放电成本系数，a为充电时的0-1变量，b为放电时的0-1变量，t表示调度周期Q内的某个时刻；n表示N台光伏设备中第n台设备；K表示储能模块总数；k表示K台储能模块中第k台储能模块。

与效率最高对应的目标函数为：

式中，f_eff为光伏设备的能效，λ_k为能效系数，λ₁+...+λ_k＝1，η为能源效率；K为储能模块总数，“_k-1项”表示风电和岸电设备运行能效。

建立的最优预测模型表示为：

F＝[f_cost,f_eff]^T

式中，F为最优预测值，T为矩阵转置。

S4、设定最优预测模型的约束条件，依据约束条件计算得到预测结果，并对预测结果进行评价。

设定的约束条件包括负荷功率平衡约束、充放电功率限制，其中，负荷功率平衡约束条件的函数表达式如下：

式中，p_n,t表示各光伏设备的出力情况，

表示储能模块充电情况，/>

表示储能模块放电情况；

充放电功率限制表示为：

k_tp_kmin≤p_k,t≤k_tp_kmax

k'_tp'_kmin≤p'_k,t≤k_tp'_kmax

k_t.k'_t＝0

k_t+k'_t≤K

式中，k_t为在t时间内的充电储能模块，k'_t为在t时间内的放电储能模块，p_k,t为第k个储能模块充电情况，p_kmin为第k个储能模块充电最小值，p_kmax为第k个储能模块充电最大值，p'_k,t为第k个储能模块放电情况，p'_kmin为第k个储能模块放电最小值，p'_kmax为第k个储能模块放电最大值。

预测结果评价公式如下：

式中：P_P,i为i时刻的实际功率；P_K,i为i时刻的预测功率；C_i为总容量，n为样本数。

实施例2

对应实施例1所述的港区综合能源系统平台的功率预测方法，本实施例对应提供一种港区综合能源系统平台的功率预测装置，请参阅图2所示，包含港区电网及“风-光-储-氢”设备、纯电船舶智能化充电接口、多层级部署软件、综合运营管理系统。

采用“互联网+能源-能源互联网”技术，包括系统基础设备、智能数据接入模块以及综合管理模块。其中系统设备包括系统平台的所有发电、配电、用电基础设备；互联网智能数据接入模块基于平台基础服务的功能对全业务数据进行集中分析以实现多能预测、综合监视等基础应用和优化调度、自治运行以及港-船互动等高级应用；综合管理系统通过对设备层的配变、岸基供电设施及分布式能源的数据采集、接入，实现系统的基础服务和运维服务。

港区电网及“风-光-储-氢”设备以直流架构进行连接，可友好容纳风电、光电等新能源接入，高效利用港区资源，保障港区生产供能环节的基础电能来源，为电能传输分配、转换存储协调管理提供物质基础，提供纯电船舶在港期间其泵组、通风、照明通讯以及蓄电池组等负荷所需的电力。

纯电船舶智能化充电接口包括岸电箱、岸电供电指示灯、岸电分闸指示灯、开关继电保护器，充电接口前端连接不同类型变电设施为多电制纯电船舶供电；所述智能化接口能够通过港区能源的多能互补特性，对纯电船舶和港区电网互动的供给需求进行响应，实现纯电船舶在港能效管理。

请参阅图3所示，多层级部署软件功能层次上包括硬件平台、操作系统、支撑平台，为“能源+互联网”技术、综合管理系统提供完整数据支撑；所述的数据支撑包括岸电系统各级设备遥测和遥信数据、港区风光等能源信息和水文、航运信息数据，包括船舶离靠港时间、水位信息等。

多层级部署软件综合考虑了多层级架构、多业务组件、多数据类型、多接入规约、多类用户访问、多数据发布方式、多对外接口等外部数据特征，提供统一的数据采集框架和安全体系，既可实现标准化数据接入，又充分保障能源设施、能源系统及能源信息的完整性、可靠性、可用性、可控性与保密性。功能层次上分为硬件平台、操作系统/数据库、支撑平台。硬件平台支持国产工作站、服务器等云端资源；操作系统可支持Windows系统和MySQL系统；支撑平台可提供数据服务、管理服务、权限管理服务等多项服务。软件架构基于硬件平台、数据库和支撑平台，为综合管理系统提供数据支撑，进而实现功率优化调度、多能预测、运维管控等多项应用功能。

请参阅图4及图5所示，港区综合能源系统平台多层级部署软件硬件部署可支持本地部署和云端部署方式，港区综合能源系统本地部署方式具有数据完全自主掌握，同时支持内网和外网(公网)访问的特点。系统部署在本地，包括历史、SCADA、前置服务器和工作站，通过主干交换机与通讯网络联接。用户数据通过MQTT、IEC104、MODBUS等方式汇集到通讯网络，通过主干交换机接入系统平台。通过信息发布服务器，用户可通过移动端/Web浏览器等方式访问网络，获取信息。

港区综合能源系统云端部署方式，具有减少本地环境依赖，由云端运营商提供专业运维保障的特点。系统部署在在外网云服务器上，数据库服务、接口服务、应用服务等均由云服务器提供硬件支撑，如常用的阿里云服务器等。通过公网的方式与用户进行信息交互。用户数据同样通过MQTT、IEC104、MODBUS等方式汇集到通讯网络，同样支持通过移动端/web浏览器等方式访问网络，获取信息。

综合运营管理系统用以支持微型工控机、国产工作站、国产服务器等多种云端资源；综合运营管理系统包含分析预测、协调调度、管理运维管控。

为整个系统平台提供服务，集分析预测，协调调度、管理运维管控等多项应用功能于一体，实现港区生产供能、传输分配、转换存储、终端用能多个环节综合性管理。

其中，运维管包括故障抢修、设备巡检、计划检修、缺陷管理等业务功能，针对业务种类繁多、处理流程多样的特点，提供了申请审批、工单处理、停供计划/事件、流程配置管理等公共服务功能，灵活支撑业务差异化处理，满足不同用户的业务管理需求；通过告警服务实现对各业务处理过程的状态监控及预警，在终端实现设备运行情况监视、现场抢修处理等业务。

港区综合能源系统平台识别并修正异常数据，将超出历史波动范围的数据视为异常数据，通过数据合理范围计算修正数据以提高预测精度；采用K-Medoids中心聚类算法，相较于常用的K-Medoids聚类算法可以降低异常数据对聚类结果的影响，提高据类的准确度；针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以系统运行成本最低以及效率最高为寻优目标的智能算法获得不同场景下各个单一预测模型的最优权重建立自适应最优预测模型；设定最优预测模型的约束条件，依据约束条件计算得到预测结果，对预测结果进行评价；保证系统能量的安全稳定传输。

本实施例中提供的港区综合能源平台的功率预测装置，还包括：

采集模块，用于采集港区综合能源系统平台的各设备功率数据，将超出历史波动范围的设备功率数据视作为异常数据；

聚类模块，用于采用聚类算法对异常数据进行修正，得到聚类结果；

建立模块，用于根据聚类结果，针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以运行成本最低以及效率最高为寻优目标，获得不同场景下各个单一预测模型的最优权重，依据最优权重建立功率预测的最优预测模型；

预测模块，用于设定最优预测模型的约束条件，依据约束条件计算得到预测结果，并对预测结果进行评价。

本发明对应提供一种电子设备，包括存储器以及处理器，在所述存储器中存储有可被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，执行上述港区综合能源系统平台的功率预测方法。

此外，本公开实施例还提供一种计算机可读存储介质，在该计算机可读存储介质上存储有计算机程序，该计算机程序被执行时，可实现上述任一可行的实现方式所提供的港区综合能源系统平台的功率预测方法。至于具体的执行过程可参照上述方法实施例，此处不再赘述。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开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，本公开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。

本公开是参照根据本公开实施例的方法、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。

Claims (10)

1.一种港区综合能源系统平台的功率预测方法，其特征在于，包含以下步骤：

S1、采集港区综合能源系统平台的各设备功率数据，将超出历史波动范围的设备功率数据视作为异常数据；

S2、采用聚类算法对异常数据进行修正，得到聚类结果；

S3、根据聚类结果，针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以运行成本最低以及效率最高为寻优目标，获得不同场景下各个单一预测模型的最优权重，依据最优权重建立功率预测的最优预测模型；

S4、设定最优预测模型的约束条件，依据约束条件计算得到预测结果，并对预测结果进行评价。

2.根据权利要求1所述的港区综合能源系统平台的功率预测方法，其特征在于，功率预测包括短期预测、超短期预测、中长期预测，短期预测提供次日0时起至未来72小时内分辨率为15分钟的预测数据，超短期预测提供未来4小时内分辨率为15分钟的预测数据，中长期预测提供未来若干周、月的预测数据。

3.根据权利要求1所述的港区综合能源系统平台的功率预测方法，其特征在于，步骤S2中，聚类算法采用K-Medoids中心聚类算法，具体包含以下步骤：

2.1)随机选取异常数据作为数据样本集D，在数据样本集D中随机选择k个样本点作为质点O_j(j＝1.2.3...k)；

2.2)将S1中其他未作为数据样本集的设备功率数据作为剩下的样本点，分配到k个簇类当中；从k个簇类中随机选择一个样本点Orandom，计算样本点Orandom交换质点O_j(j＝1.2.3...k)的代价S；

2.3)重复步骤2.2)，比对计算出的每个代价S，若S<0，则将该样本点Orandom和质点O_j(j＝1.2.3...k)进行交换，保留并形成新的簇类，否则保留原质点O_j(j＝1.2.3...k)和原簇类，重复步骤2.3)到质点O_j(j＝1.2.3...k)保持不变。

4.根据权利要求1所述的港区综合能源系统平台的功率预测方法，其特征在于，步骤S3中，与运行成本最低对应的目标函数为：

式中，f_cost表示为光伏设备运行成本，Q为调度周期，N为光伏设备总数，f(g_n,t)为光伏设备损耗成本，u_n,t、u_n,t-1均为0-1变量，均表示光伏设备投入运行状态，S_n,t为光伏设备启停成本；“其他”项表示风电和岸电设施运行成本；最后一项为储能模块的运行成本，c₁和c₂均为充放电成本系数，a为充电时的0-1变量，b为放电时的0-1变量，t表示调度周期Q内的某个时刻；n表示N台光伏设备中第n台设备；K表示储能模块总数；k表示K台储能模块中第k台储能模块。

5.根据权利要求4所述的港区综合能源系统平台的功率预测方法，其特征在于，步骤S3中，与效率最高对应的目标函数为：

式中，f_eff为光伏设备的能效，λ_k为能效系数，λ₁+...+λ_k＝1，η为能源效率；K为储能模块总数，“k-1项”表示风电和岸电设备运行能效。

6.根据权利要求5所述的港区综合能源系统平台的功率预测方法，其特征在于，步骤S3中，建立的最优预测模型表示为：

F＝[f_cost,f_eff]^T

式中，F为最优预测值，T为矩阵转置。

7.根据权利要求6所述的港区综合能源系统平台的功率预测方法，其特征在于，步骤S4中，设定的约束条件包括负荷功率平衡约束、充放电功率限制，其中，负荷功率平衡约束条件的函数表达式如下：

式中，p_n,t表示各光伏设备的出力情况，

表示储能模块充电情况，/>

表示储能模块放电情况；

充放电功率限制表示为：

k_tp_kmin≤p_k,t≤k_tp_kmax

k'_tp'_kmin≤p'_k,t≤k_tp'_kmax

k_t.k'_t＝0

k_t+k'_t≤K

式中，k_t为在t时间内的充电储能模块，k'_t为在t时间内的放电储能模块，p_k,t为第k个储能模块充电情况，p_kmin为第k个储能模块充电最小值，p_kmax为第k个储能模块充电最大值，p'_k,t为第k个储能模块放电情况，p'_kmin为第k个储能模块放电最小值，p'_kmax为第k个储能模块放电最大值。

8.根据权利要求7所述的港区综合能源系统平台的功率预测方法，其特征在于，步骤S4中，预测结果评价公式如下：

式中，P_P,i为i时刻的实际功率；P_K,i为i时刻的预测功率；C_i为总容量，n为样本数。

9.一种港区综合能源系统平台的功率预测装置，其特征在于，包括：

采集模块，用于采集港区综合能源系统平台的各设备功率数据，将超出历史波动范围的设备功率数据视作为异常数据；

聚类模块，用于采用聚类算法对异常数据进行修正，得到聚类结果；

建立模块，用于根据聚类结果，针对预测对象不同运行阶段的特征数据储备，建立不同的预测模型，以运行成本最低以及效率最高为寻优目标，获得不同场景下各个单一预测模型的最优权重，依据最优权重建立功率预测的最优预测模型；

预测模块，用于设定最优预测模型的约束条件，依据约束条件计算得到预测结果，并对预测结果进行评价。

10.一种电子设备，其特征在于，包括存储器以及处理器，在所述存储器中存储有可被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，执行上述权利要求1-8中任一项所述的方法。

Images