CN116362421A - 一种基于能源综合统筹分析的供能分配预测系统及其方法 - Google Patents
一种基于能源综合统筹分析的供能分配预测系统及其方法 Download PDFInfo
- Publication number
- CN116362421A CN116362421A CN202310627485.6A CN202310627485A CN116362421A CN 116362421 A CN116362421 A CN 116362421A CN 202310627485 A CN202310627485 A CN 202310627485A CN 116362421 A CN116362421 A CN 116362421A
- Authority
- CN
- China
- Prior art keywords
- period
- energy
- energy supply
- time
- predicted
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 230000005611 electricity Effects 0.000 claims description 73
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000013439 planning Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 2
- 239000010755 BS 2869 Class G Substances 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000011157 data evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于能源综合统筹分析的供能分配预测系统及其预测方法,包括供能模块、统筹模块和分配预测模块;所述供能模块包括供能类别、供能时段、供能计价标准以及历史供能数据;其中,所述供能类别包括为用户提供的供能的类别,所述供能时段包括预测供能时段和为预测供能时段提供数据基础的历史供能数据中的基础供能时段,所述供能计价标准包括平价时段及平价时段的供能单位计价、峰价时段及峰价时段的供能单位计价、谷价时段及谷价时段的供能单位计价;所述分配预测模块得到待预测的供能类别的预测供能时段的供能计价标准,对获得的费用预算结果进行判断。本申请提高了能源分析的准确性及供能安全性。
Description
技术领域
本发明涉及供能分配预测领域,特别是指一种基于综合统筹的供能分配预测系统及其预测方法。
背景技术
目前,能源是国民经济和社会发展的重要基础,我国能源体系以化石能源为主,对外依存度高,面临的能源安全形势日益严峻。面对大比例新能源接入和极端复杂天气的影响,发展由水、电、气、热、风、光、储等时空协同构成的综合能源分析、控制、系统及相关设备的作用日益凸显,目前一些能源区域分布不均衡、时空调度不充分、异常风险防御能力不强以及各能源系统信息不互通等问题,因此,对统筹各类能源信息流开展时空大数据分析和精准能源服务,通过强化多种能源系统之间的信息交流确保区域能源的多元化发展和综合化利用,从而全面保障国家能源安全的优化设计是急需解决的问题。同时,由于用户在能源使用时,由于使用不同的计价标准,且为了平衡能源供应,根据用户使用能源的时间和用量,能源的费用也会进行调整,各类用户在使用能源的过程中,可能由于没有对资源分配进行前期设计,或者供能时间分配不合理等原因导致费用超过预算,同时也造成能源浪费,更可能会造成整个区域能源分配不稳定的问题,因此,需要一种能够进行对能源分配进行预测的方法。
发明内容
为解决上述问题,本申请提供一种基于能源综合统筹分析的供能分配预测系统,包括供能模块、统筹模块和分配预测模块;
所述供能模块包括供能类别、供能时段、供能计价标准以及历史供能数据;其中,所述供能类别包括为用户提供的供能的类别,所述供能时段包括预测供能时段和为预测供能时段提供数据基础的历史供能数据中的基础供能时段,所述供能计价标准包括平价时段及平价时段的供能单位计价、峰价时段及峰价时段的供能单位计价、谷价时段及谷价时段的供能单位计价;
所述统筹模块包括用于对供能分配进行统筹的属性特征数据;
所述分配预测模块通过统筹模块的属性特征数据进行计算,得到待预测的供能类别的预测供能时段对应的供能计价标准,根据得到的供能计价标准,获得预测供能时段的费用预算,对获得的费用预算结果进行判断,通过判断结果对供能方案进行调整。
其中,优选的,所述统筹模块中的属性特征数据包括地理属性、时间属性、调度运输、能源储备以及历史用能情况。
其中,优选的,所述供能类别包括电力供应、用水供应、天然气供应和热力供应。
其中,优选的,所述基于综合统筹的供能分配预测系统支持系统集成或采集设备接入的通用服务,运用神经网络、遗传、贝叶斯线性回归、多分类逻辑回归算法,构建客户用能标准化模型和评价指标库,形成靶向性的能源数据分析评价体系,基于CNN及RF随机森林人工智能算法,形成用能异常识别和分析模型,采用K均值聚类算法,有效识别用户。
其中,优选的,统筹模块中的属性特征数据基于多目标粒子群优化算法的综合能源场站选址和容量配置优化方法,实现模拟供需时空随机分布,基于地理空间分析的能源出力预测和负荷调控方法,融合气象要素的时空变化,用于区域内综合能源供需的时空动态匹配。
本申请还提供一种如上述的能源综合统筹分析的供能分配预测系统的预测方法,包括以下步骤:
S10,设置所述供能分配预测系统包括m个供能类别G,所述供能类别G=[G1,G2,G3,…,Gm],选择其中第i个供能类别Gi的第j预测供能时段Ej的预测供能信息,所述预测供能信息包括供能时间ET和供能量EQ;
S20,获得预测供能时段Ej的计价标准EJZ,其中,计价标准EJZ包括平价时段EJZ1及平价时段EJZ1的供能单位计价P1、峰价时段EJZ2及峰价时段EJZ2供能单位计价P2、谷价时段EJZ3及谷价时段EJZ3的供能单位计价 P3;其中,P2=α1P1(α1>1),P3=α2P1(α2<1);
S30,获得预测供能时段Ej的预测供能信息在计价标准EJZ中对应的平价时段EJZ1、峰价时段EJZ2以及谷价时段EJZ3,获得平价时段EJZ1的供能时长ET1和供能量EQ1、峰价时段EJZ2的供能时长ET2和供能量EQ2以及谷价时段EJZ3的时长ET3和供能量EQ3;其中,ET=ET1+ET2+ET3,EQ=EQ1+EQ2+EQ3;
S40,得到在计价标准EJZ中预测供能时段Ej的平价时段EJZ1的预测费用W1= P1*EQ1,峰价时段EJZ2的预测费用W2=P2*EQ2=α1P1*EQ2,谷价时段EJZ3的预测费用W3=P3*EQ3=α2P1*EQ3;从而得到预测供能时段Ej的预测费用W=W1+W2+W3=P1(EQ1+α1EQ2+α2EQ3);
设置预测供能时段Ej的第一预测费用阈值为EW1,第二预测费用阈值为EW2;其中,EW2>EW1;
当W<EW1时,转入步骤S41;
当W>EW2时,转入步骤S42;
当EW1≤W≤EW2时,对供能增长趋势进行判断,设置增长阈值,当供能增长趋势超过增长阈值时,转入步骤S42;当供能增长趋势未超过增长阈值时,转入步骤S41;
S41,判断供能类别Gi的预测供能时段Ej的用能情况正常;
S42,判断供能类别Gi的预测供能时段Ej的用能情况会产生异常,系统向用户提出警告,建议用户调整供能方案。
其中,在步骤S10中,获得为预测供能时段Ej提供数据基础的基础供能时段Fj的供能信息,所述供能信息包括供能时间ET和供能量EQ;基础供能时段Fj的供能信息从所述历史供能数据中获得,将基础供能时段Fj的供能信息作为预测供能时段Ej的预测供能信息。
其中,在步骤S40中,获得供能增长趋势的步骤包括:
S401,将预测供能时段Ej分为第一时段Ej1,第二时段Ej2和第三时段Ej3;设置第一时段Ej1的供能时间为JT1,供能量为JQ1,其中,平价时段的供能时间为JT11,平价时段的供能量为JQ11,峰价时段的供能时间为JT12,峰价时段的供能量为JQ12,谷价时段的供能时间为JT13,谷价时段的供能量为JQ13,其中,JT11+JT12+JT13=JT1,JQ11+JQ12+JQ13=JQ1;
第二时段Ej2的供能时间为JT2,供能量为JQ2,其中平价时段的供能时间为JT21,平价时段的供能量为JQ21,峰价时段的供能时间为JT22,峰价时段的供能量为JQ22,谷价时段的供能时间为JT23,谷价时段的供能量为JQ23;JT21+JT22+JT23=JT2,JQ21+JQ22+JQ23=JQ2;
第三时段Ej3的供能时间为JT3,供能量为JQ3,其中平价时段的供能时间为JT31,平价时段的供能量为JQ31,峰价时段的供能时间为JT32,峰价时段的供能量为JQ32,谷价时段的供能时间为JT33,谷价时段的供能量为JQ33,
其中,JT31+JT32+JT33=JT3,JQ31+JQ32+JQ33=JQ3;
同时JQ1+JQ2+JQ3=EQ,JT1+JT2+JT3=ET;
S402,获得第一时段、第二时段和第三时段的峰价时段供能分布μ1、μ2和μ3:
μ1= JQ12(JT12-JT13)/ JQ1*JT1
μ2= JQ22(JT22–JT23)/ JQ2*JT2
μ3= JQ32(JT32–JT33)/ JQ3*JT3
设置增长阈值为μ0,当μ3–μ1>μ0时,转入步骤S42;
当μ3–μ1≤μ0时,若μ2-μ1>μ0,转入步骤S42,若μ2-μ1≤μ0,转入步骤S41。
其中,在步骤S40中,设置第一时段Ej1的峰价时段的供能阈值为φ1,设置第二时段Ej2的峰价时段的供能阈值为φ2,设置第三时段Ej3的峰价时段供能阈值为φ3,
已知峰价时段EJZ2的供能量EQ2,当 EQ2≤φ1时,峰价时段EJZ2的预测费用W2=α1PQ2;
当φ1<EQ2<φ2时,峰价时段EJZ2的预测费用W2=α1Pφ1+ω1α1P(EQ2-φ1);
当EQ2≥φ3时,峰价时段EJZ2的预测费用W2=α1Pφ1+ω1α1Pφ2+(1+ω1)α1P(EQ2-φ3)。
其中,获得预测供能时段Ej的的计价标准EJz的步骤为:
建立神经网络模型,将统筹模块中的属性特征作为输入样本x,将计价标准作为输出样本y;
设置输入统筹模块中共有D个属性特征,输入特征x = [x1; x2; …; xD],对应权重w=[w1; w2;…; wD],设置偏置 b∈R;则可得到输入特征的加权和z,具体公式为:
采用交叉熵损失函数,对于样本(x,y)其损失函数为:
在梯度下降方法的每次迭代中,设置学习率α,得到参数W 和b的更新方式,:
得到迭代公式:
本申请获得的益处为:
对统筹各类能源信息流开展时空大数据分析和精准能源服务,通过强化多种能源系统之间的信息交流确保区域能源的多元化发展和综合化利用,从而全面保障国家能源安全的优化设计。提高了综合能源分析的准确性及供能安全性。同时,在不同时空使用不同的计价标准的用户在使用能源时,为了平衡能源供应,根据用户使用能源的时间和用量,在使用能源的过程中,对资源分配进行前期设计,避免用户由于供能时间分配不合理等原因导致费用超过预算,同时也减少了能源浪费,提升了整个区域能源分配的稳定性。
附图说明
为了更清楚地说明本发明,下面将对本发明的说明书附图进行描述和说明。显而易见地,下面描述中的附图仅仅说明了本发明的一些示例性实施方案的某些方面,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请能源综合统筹分析的供能分配预测系统的预测方法的流程图。
具体实施方式
以下参照附图详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另有说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值等应被解释为仅仅是示例性的,而不是作为限制。
构建数字化能源网络,实现区域内综合能源信息整合、供需关系统筹和时空高效协同,是提升能源利用效率和保障能源安全的重要手段。综合能源系统网络结构复杂、拓扑变动频繁、能源流动与时空信息关联性强,目前综合能源的区域分布往往不均衡,导致供需布局不匹配,因此需要考虑到解决供需随机分布条件下的综合能源场站选址和容量配置优化问题。另外,由于源网荷储各环节的时空调度不充分,需要根据复杂气象条件下的出力预测和具备地理时空感知能力的负荷调度,实现综合能源在不同时空场景下的供需平衡。另外,因为综合能源体系需要应对抵御气候突变和境外能源断供等异常风险,也需要更高效、更准确、更及时的风险预警体系,提升综合能源系统安全风险应对能力。同时,要防止多种能源系统之间存在严重的信息流壁垒,需要同步时间基准和统一的空间基准,通过语义一致的综合能源多源异构时空大数据模型,实现能源空间与地理信息空间的相互映射。因此,需要构建可信组网覆盖、时空关联知识发现、柔性可扩展可靠高效的综合能源智慧管控与应用平台,该平台基于轻量预言机的可信采集机制、边缘协同调控策略,融合资源弹性可扩、功能灵活演进、物联海量接入的柔性平台构建技术,异构设备高效接入、海量设备并发连接的智慧物联接入技术,面向综合能源典型场景的多能时序仿真、多能协调优化运行业务高效应用技术,以及能源供需与能源-社会网络时空分布的智能分析技术,构建集“智能感知-可信传输-资源汇聚-价值挖掘”为一体的综合能源智慧管控与应用平台,实现海量异构终端安全可信接入、高并发业务处理与智能管控。
基于上述技术,本申请提供一种能源综合统筹分析的供能分配预测系统,所述系统具有供能模块、统筹模块和分配预测模块;
其中,所述统筹模块包括用于对供能分配进行统筹的属性特征数据,属性特征数据包括地理属性数据、时间属性数据、调度运输数据、能源储备数据以及历史用能数据;其中,地理属性数据为待进行供能预测用户所处的地理环境因素数据,例如地点位于高原、山区或者平原地区,区域碳达峰碳中和情况、房屋空置率分析、楼宇群多能调控策略等,所述时间属性数据为待进行供能预测的用户用能的季节、当前时间段内本地区所有用能用户的供能密度情况等,所述调度运输数据包括供能设备的维护情况,资源调配基础设施情况,人群流动趋势的变化等,所述能源储备数据为本地区能源总量配备情况,以及待进行供能预测的用户的预分配能源情况,所述历史用能数据为待进行供能预测的用户被分配能源的历史数据。将上述属性数据进行量化归一后,将所有的属性数据作为输入的训练后的网络神经模型,输出待预测的用户选择的供能类别的供能时段中对应的供能计价标准。
具体方法为:建立神经网络模型,将统筹模块中的地理属性数据、时间属性数据、调度运输数据、能源储备数据以及历史用能情况数据作为属性特征输入样本x,将计价标准作为输出样本y;
设置输入统筹模块中共有D个属性特征,输入特征x = [x1; x2; …; xD],对应权重w=[w1; w2;…; wD],设置偏置 b∈R;则可得到输入特征的加权和z,具体公式为:
采用交叉熵损失函数,对于样本(x,y)其损失函数为:
在梯度下降方法的每次迭代中,设置学习率α,得到参数W 和b的更新方式,:
得到迭代公式:
所述供能模块包括供能类别、供能时段、供能计价标准以及历史供能数据;其中,所述供能类别包括为用户提供的供能的类别,所述供能时段包括预测供能时段和为预测供能时段提供数据基础的历史供能数据中的基础供能时段,所述供能计价标准包括平价时段及平价时段的供能单位计价、峰价时段及峰价时段的供能单位计价、谷价时段及谷价时段的供能单位计价。
所述分配模块统筹模块根据上述方法计算得到的供能计价标准,获得待预测的供能时段中的费用预算,对获得的费用预算结果进行判断预测,通过预测结果对供能方案进行调整,具体方法为:
设置所述供能分配预测系统m个供能类别G,所述供能类别G=[G1,G2,G3,…,Gm],选择其中第i个供能类别Gi的预测供能时段Ej,获得为预测供能时段Ej提供数据基础的基础供能时段Fj的供能信息,将基础供能时段Fj的供能信息作为预测供能时段Ej的预测供能信息,其中,所述预测供能信息包括供能时间ET和供能量EQ;
获得预测供能时段Ej的计价标准EJZ,其中,计价标准EJZ包括平价时段EJZ1及平价时段EJZ1的供能单位计价P1、峰价时段EJZ2及峰价时段EJZ2供能单位计价P2、谷价时段EJZ3及谷价时段EJZ3的供能单位计价 P3;其中,P2=α1P1(α1>1),P3=α2P1(α2<1);
获得预测供能时段Ej的预测供能信息在计价标准EJZ中对应的平价时段EJZ1、峰价时段EJZ2以及谷价时段EJZ3,获得平价时段EJZ1的供能时长ET1和供能量EQ1、峰价时段EJZ2的供能时长ET2和供能量EQ2以及谷价时段EJZ3的时长ET3和供能量EQ3;其中,ET=ET1+ET2+ET3,EQ=EQ1+EQ2+EQ3;
得到在计价标准EJZ中预测供能时段Ej的平价时段EJZ1的预测费用W1= P1*EQ1,峰价时段EJZ2的预测费用W2=P2*EQ2=α1P1*EQ2,谷价时段EJZ3的预测费用W3=P3*EQ3=α2P1*EQ3;从而得到预测供能时段Ej的预测费用W=W1+W2+W3=P1(EQ1+α1EQ2+α2EQ3);
设置预测供能时段Ej的第一预测费用阈值为EW1,第二预测费用阈值为EW2;其中,EW2>EW1;
当W≤EW1时,判断供能类别Gi的预测供能时段Ej的用能情况正常;
当W>EW2时,判断供能类别Gi的预测供能时段Ej的用能情况会产生异常,系统向用户提出警告,建议用户调整供能方案;
当EW1<W<EW2时,对用户用能趋势进行计算,计算方法为:将预测供能时段Ej分为第一时段Ej1,第二时段Ej2和第三时段Ej3;设置第一时段Ej1的供能时间为JT1,供能量为JQ1,其中,平价时段的供能时间为JT11,平价时段的供能量为JQ11,峰价时段的供能时间为JT12,峰价时段的供能量为JQ12,谷价时段的供能时间为JT13,谷价时段的供能量为JQ13,其中,JT11+JT12+JT13=JT1,JQ11+JQ12+JQ13=JQ1;
第二时段Ej2的供能时间为JT2,供能量为JQ2,其中平价时段的供能时间为JT21,平价时段的供能量为JQ21,峰价时段的供能时间为JT22,峰价时段的供能量为JQ22,谷价时段的供能时间为JT23,谷价时段的供能量为JQ23;JT21+JT22+JT23=JT2,JQ21+JQ22+JQ23=JQ2;
第三时段Ej3的供能时间为JT3,供能量为JQ3,其中平价时段的供能时间为JT31,平价时段的供能量为JQ31,峰价时段的供能时间为JT32,峰价时段的供能量为JQ32,谷价时段的供能时间为JT33,谷价时段的供能量为JQ33,
其中,JT31+JT32+JT33=JT3,JQ31+JQ32+JQ33=JQ3;
同时JQ1+JQ2+JQ3=EQ,JT1+JT2+JT3=ET;
S402,获得第一时段、第二时段和第三时段的峰价时段供能分布μ1、μ2和μ3:
μ1= JQ12(JT12-JT13)/ JQ1*JT1
μ2= JQ22(JT22–JT23)/ JQ2*JT2
μ3= JQ32(JT32–JT33)/ JQ3*JT3
设置增长阈值为μ0,当μ3–μ1>μ0时,判断供能类别Gi的预测供能时段Ej的用能情况会产生异常,系统向用户提出警告,建议用户调整供能方案;
当μ3–μ1≤μ0时,若μ2-μ1>μ0,判断供能类别Gi的预测供能时段Ej的用能情况会产生异常,系统向用户提出警告,建议用户调整供能方案,若μ2-μ1≤μ0,判断供能类别Gi的预测供能时段Ej的用能情况正常。
具体实施方式中,设置在所述供能分配预测系统中,对A企业的未来一个月(10月)的供电分配情况进行预测,在系统平台中,选择的供能类别为“用电”,在“用电”供能类别中,选择待预测的用电时段(10月)后,将时间最相近的9月作为基础用电时段,获得基础用电时段的用电时间和用电量作为基础用电数据,即2022年9月1日至2022年9月30日的每日用电时间和用电量作为基础用电数据;
获取10月当月的标准计价,在本实施例中,10月的计价标准为:平价时段为11:00-17:00,21:00-23:00,电价为P1元/度;峰价时段为7:00-11:00,17:00-21:00,电价为P2元/度(P2=α1P,α1>1);谷价时段为:23:00-7:00,电价为 P3元/度(P3=α2P1,α2<1)。
设置在2022年9月1日至2022年9月30日,用电时间为ET,总用电量为EQ;
其中,对应10月计价标准中的平价时段的用电时间为ET1,平价时段的用电量为EQ1,得到平价时段的预测电费EW1= P1*EQ1;
对应10月计价标准中的峰价时段的用电时间为ET2,峰价时段的用电量为EQ2,得到峰价时段的预测电费EW2=α1P1*EQ2;
对应10月计价标准中的谷价时段的用电时间为ET3,谷价时段的用电量为EQ3,得到谷价时段的预测电费W3=α2P1*EQ3。
则得到总预测电费W=W1+W2+W3=P1(EQ1+α1EQ2+α2EQ3),设置待预测时段(10月)的第一预测费用阈值为EW1,第二预测费用阈值为EW2,其中,EW2>EW1,当W≤EW1时,表明待预测时段的电费预算未超额,可以继续按照目前的用电方式进行操作;当W>EW2时,表明待预测时段的的电费已经超额,需要调整的用电方式,更改用电时段,降低峰价时段的用电时间,提高平价和谷价时段的用电时间。
当EW1≤W≤EW2时,对基础用电数据的峰用电趋势进行计算,将基础用电时段分为若干子用电时段,例如,在2022年9月1日至2022年9月30日分为上旬时段:2022年9月1日至2022年9月10日;中旬时段:2022年9月11日至2022年9月20日;下旬时段:2022年9月21日至2022年9月30日;分别计算上旬时段、中旬时段、下旬时段的峰用电分布情况
例如,上旬时段的用电时间为JT1小时,总用电量为JQ1度,其中平价时段的用电时间为JT11小时,平价时段的用电量为JQ11,峰价时段的用电时间为JT12小时,峰价时段的用电量为JQ12度,谷价时段的用电时间为JT13小时,谷价时段的用电量为JQ13度;
中旬时段的用电时间为JT2小时,总用电量为JQ2度,其中平价时段的用电时间为JT21小时,平价时段的用电量为JQ21,峰价时段的用电时间为JT22小时,峰价时段的用电量为JQ22度,谷价时段的用电时间为JT23小时,谷价时段的用电量为JQ23度;
下旬时段的用电时间为JT3小时,总用电量为JQ3度,其中平价时段的用电时间为JT31小时,平价时段的用电量为JQ31,峰价时段的用电时间为JT32小时,峰价时段的用电量为JQ32度,谷价时段的用电时间为JT33小时,谷价时段的用电量为JQ33度;其中JQ1+JQ2+JQ3=总用电量JQ,JT1+JT2+JT3=总用电时间JT。
获得上旬时段、中旬时段和下旬时段的峰用电分布为
上旬时段峰用电分布μ1=JQ12(JT12-JT13)/ JQ1*JT1
中旬时段峰用电分布μ2=JQ22(JT22–JT23)/ JQ2*JT2
下旬时段峰用电分布μ3=JQ32(JT32–JT33)/ JQ3*JT3
获得峰用电增长趋势为
当μ3–μ1>μ0时,说明下旬对比上旬峰用电分布增长趋势加大,需要调整的用电方式,更改用电时段,降低峰价时段的用电时间,提高平价和谷价时段的用电时间;
当μ3–μ1≤μ0时,若μ2-μ1>μ0,说明中旬对比上旬峰用电分布增长趋势加大,需要调整的用电方式,更改用电时段,降低峰价时段的用电时间,提高平价和谷价时段的用电时间,若μ2-μ1≤μ0,表明基础用电时段的电费未超额,可以继续按照目前的用电方式进行施工操作。
在另外一些实施方式中,为实现绿色用电,平衡峰谷用电,将峰价时段的电价根据峰价时段设置梯度系数ω,设置第一峰价时段用电量阈值φ1,设置第二峰价时段用电量阈值φ2,设置第三峰价时段用电量阈值φ3,
已知基础用电时段内峰价时段的用电量为EQ2度,当 EQ2≤φ1时,峰价时段的电费W2=α1PQ2;
当φ1<EQ2<φ2时,峰价时段的电费W2=α1Pφ1+ω1α1P(EQ2-φ1);
当EQ2≥φ3时,峰价时段的电费W2=α1Pφ1+ω1α1Pφ2+(1+ω1)α1P(EQ2-φ3)。
在城市综合能源物联及智慧管控平台应用方面,目前已完成基础平台建设与部署,基于平台支撑能源大数据分析应用,融入城市运行中心“大脑”;实现融合安全认证与机器学习算法的多元能源异构数据汇集和分析。另外,在电、水、气、热等多元能源异构能源数据汇集上,支持系统集成或采集设备接入的通用服务,简化因各能源因复杂多样的性质与特征导致的能源数据接入适配问题。综合运用神经网络、遗传、贝叶斯线性回归、多分类逻辑回归等算法,构建客户用能标准化模型和评价指标库,形成靶向性的能源数据分析评价体系。基于CNN及RF随机森林人工智能算法,形成用能异常识别和分析模型,采用K均值聚类算法,有效识别能源各类关键用户,为各类行业客户提供更高效精准的分析服务,简化靶向性目标客户分析流程,助力挖掘数据资产价值。
为提升供能基础安全,打造涵盖能源供应、消费、结构、生态、应急、空间六大要素的6E/S能源安全模型。基于深度学习的风光资源时空评估技术,实现风、光资源高精度时空评估。基于多目标粒子群优化算法的综合能源场站选址和容量配置优化方法,实现模拟供需时空随机分布。基于地理空间分析的能源出力预测和负荷调控方法,融合气象要素的时空变化,实现区域内综合能源供需的时空动态匹配。建立降噪自动编码和能源空间布局优化相结合的能源安全模型,形成空间多能流系统综合稳态/动态安全风险评估体系,支持综合能源系统的动态调节,保障能源运行安全。整体上实现从资源评估、空间优化、区域调控到风险预警的一条链智能分析。根据上述的基础数据调控计算,逐步构建复杂时空分布式新能源规划及基于地理信息的能源安全体系建设。实现分布式新能源多维全景展示、状态全息感知、趋势精准预测、多级柔性控制、风险智能识别、主配协同防控、新能源辅助规划等功能。
在能源保供应用方面,打造城市级-区域级-用户级三级联动的全要素灵活资源聚合与协同调控集群,支撑能源安全保供。依托多能异构资源可扩展规范化建模、集群高效动态聚合与解聚合技术。例如,构建包含分布式新能源发电、储能、工商业可控负荷、充电桩、智慧楼宇等柔性负荷,电-冷热相变蓄能等全要素多元化灵活资源接入聚合与协同调控集群,构建多时间尺度的电力灵活性供需平衡体系,打造城市级-区域级-用户级三级协同的全要素能量流协调优化体系,实现多角度多层次全力保障能源电力安全稳定供应。同时,围绕不同区域构建了虚拟电厂功能模块,服务地区多能协调优化与新能源应用与调控,为政府、电力公司、企业等提供相关服务。
本发明提出新体系、新技术,全面支撑高质量能源体系建设,总体达到国际领先水平。国内外综合能源平台存在不同能源的模型语义不一致,局限于单一能源拓扑及能流关系描述,支持的设备、杆塔等主体类别仅千级。国内外综合能源平台均基于情景分析进行空间规划,模型局限于能源供需平衡,规划准确性受限于情景设置及人为经验,本发明基于多能流耦合理论,构建了考虑负荷调控、气象因子、路网和土地等地理信息的综合能源规划模型,支持规划数量超200个,经济成本相比传统启发式减少20%以上。
国内外综合能源平台使用四叉树划分空间、以数据量均衡作为第一约束,造成数据库空间索引存在I/O瓶颈,综合能源信息检索、处理和可视化能力仅为分钟级。本发明提出了基于相似性的综合能源时空大数据高效处理模型,依据空间分布构建索引,基于分布模式变化检测进行批量更新,实现了综合能源信息的秒级可视化和毫秒级检索。国内外综合能源平台在能源互联和市场开放条件下,不能有效应对多元终端与电网的深度、频繁互动,单次优化时间为30~45s,优化策略生成时间大于20s,应用效果不佳。本发明基于云边端混合架构,构建以供需时空平衡为目标的综合能源智能调度模式,计算节点规模大于2000个,单次优化时间小于30s,优化策略生成时间小于15s,技术水平国际领先。
在电、水、气、热等多元能源异构能源数据汇集上,采用安全认证标准,研发了通用服务,支持系统集成或采集设备接入,简化了能源数据接入适配问题。综合运用神经网络、遗传、贝叶斯线性回归、多分类逻辑回归等算法,构建了客户用能标准化模型和评价指标库,形成了靶向性的能源数据分析评价体系,为制造业、电力、租赁和商务服务业、金融业、软件和信息技术服务业等众多行业客户提供更高效精准的分析服务。基于CNN及RF随机森林人工智能算法,研发了用能异常识别和分析模型,具备海量、高并发、低延时的数据处理能力,实现了对用电性质变更、偷电漏电等异常辨识和分析,实现了人工智能技术在能源领域的有效应用,显著降低人工劳动强度并提升识别效率和准确率。采用K均值聚类算法,从年度总电费、年均峰时段电量占比两个维度有效识别能源企业各类关键用户,并从关键客户的用能特性、区域分布、行业归属等维度开展现状及趋势分析,为能源企业挖掘具有开展储能建设、电能替代、节能改造等综合能源服务潜力的目标客户,助力能源企业挖掘数据资产价值,实现业务拓展,打造新的利润增长点。本公开中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其它要素的可能。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸根据通用词典中定义的术语应当被理解为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非本文有明确地这样定义。
对于本部分中未详细描述的部件、部件的具体型号等参数、部件之间的相互关系以及控制电路,可被认为是相关领域普通技术人员已知的技术、方法和设备,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应当理解,以上所述的具体实施例仅用于解释本发明,本发明的保护范围并不限于此,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变更、置换、结合,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于能源综合统筹分析的供能分配预测系统,其特征在于,包括供能模块、统筹模块和分配预测模块;
所述供能模块包括供能类别、供能时段、供能计价标准以及历史供能数据;其中,所述供能类别包括为用户提供的供能的类别,所述供能时段包括预测供能时段和为预测供能时段提供数据基础的历史供能数据中的基础供能时段,所述供能计价标准包括平价时段及平价时段的供能单位计价、峰价时段及峰价时段的供能单位计价、谷价时段及谷价时段的供能单位计价;
所述统筹模块包括用于对供能分配进行统筹的属性特征数据;
所述分配预测模块通过统筹模块的属性特征数据进行计算,得到待预测的供能类别的预测供能时段对应的供能计价标准,根据得到的供能计价标准,获得预测供能时段的费用预算,对获得的费用预算结果进行判断,通过判断结果对供能方案进行调整。
2.如权利要求1所述的基于能源综合统筹分析的供能分配预测系统,其特征在于,所述统筹模块中的属性特征数据包括地理属性、时间属性、调度运输、能源储备以及历史用能情况。
3.如权利要求1所述的基于能源综合统筹分析的供能分配预测系统,其特征在于,所述供能类别包括电力供应、用水供应、天然气供应和热力供应。
4.如权利要求1所述的基于能源综合统筹分析的供能分配预测系统,其特征在于,所述基于能源综合统筹分析的供能分配预测系统支持系统集成或采集设备接入的通用服务,运用神经网络、遗传、贝叶斯线性回归、多分类逻辑回归算法,构建客户用能标准化模型和评价指标库,形成靶向性的能源数据分析评价体系,基于CNN及RF随机森林人工智能算法,形成用能异常识别和分析模型,采用K均值聚类算法,有效识别用户。
5.如权利要求1所述的基于能源综合统筹分析的供能分配预测系统,其特征在于,统筹模块中的属性特征数据基于多目标粒子群优化算法的综合能源场站选址和容量配置优化方法,实现模拟供需时空随机分布,基于地理空间分析的能源出力预测和负荷调控方法,融合气象要素的时空变化,用于区域内综合能源供需的时空动态匹配。
6.如权利要求1-5任一项所述的基于能源综合统筹分析的供能分配预测系统的预测方法,其特征在于,包括以下步骤:
S10,设置所述供能分配预测系统包括m个供能类别G,所述供能类别G=[G1,G2,G3,…,Gm],选择其中第i个供能类别Gi的第j预测供能时段Ej的预测供能信息,所述预测供能信息包括供能时间ET和供能量EQ;
S20,获得预测供能时段Ej的计价标准EJZ,其中,计价标准EJZ包括平价时段EJZ1及平价时段EJZ1的供能单位计价P1、峰价时段EJZ2及峰价时段EJZ2供能单位计价P2、谷价时段EJZ3及谷价时段EJZ3的供能单位计价 P3;其中,P2=α1P1(α1>1),P3=α2P1(α2<1);
S30,获得预测供能时段Ej的预测供能信息在计价标准EJZ中对应的平价时段EJZ1、峰价时段EJZ2以及谷价时段EJZ3,获得平价时段EJZ1的供能时长ET1和供能量EQ1、峰价时段EJZ2的供能时长ET2和供能量EQ2以及谷价时段EJZ3的时长ET3和供能量EQ3;其中,ET=ET1+ET2+ET3,EQ=EQ1+EQ2+EQ3;
S40,得到在计价标准EJZ中预测供能时段Ej的平价时段EJZ1的预测费用W1= P1*EQ1,峰价时段EJZ2的预测费用W2=P2*EQ2=α1P1*EQ2,谷价时段EJZ3的预测费用W3=P3*EQ3=α2P1*EQ3;从而得到预测供能时段Ej的预测费用W=W1+W2+W3=P1(EQ1+α1EQ2+α2EQ3);
设置预测供能时段Ej的第一预测费用阈值为EW1,第二预测费用阈值为EW2;其中,EW2>EW1;
当W<EW1时,转入步骤S41;
当W>EW2时,转入步骤S42;
当EW1≤W≤EW2时,对供能增长趋势进行判断,设置增长阈值,当供能增长趋势超过增长阈值时,转入步骤S42;当供能增长趋势未超过增长阈值时,转入步骤S41;
S41,判断供能类别Gi的预测供能时段Ej的用能情况正常;
S42,判断供能类别Gi的预测供能时段Ej的用能情况会产生异常,系统向用户提出警告,建议用户调整供能方案。
7.如权利要求6所述的基于能源综合统筹分析的供能分配预测系统的预测方法,其特征在于,在步骤S10中,获得为预测供能时段Ej提供数据基础的基础供能时段Fj的供能信息,所述供能信息包括供能时间ET和供能量EQ;基础供能时段Fj的供能信息从所述历史供能数据中获得,将基础供能时段Fj的供能信息作为预测供能时段Ej的预测供能信息。
8.如权利要求6所述的基于能源综合统筹分析的供能分配预测系统的预测方法,其特征在于,在步骤S40中,获得供能增长趋势的步骤包括:
S401,将预测供能时段Ej分为第一时段Ej1,第二时段Ej2和第三时段Ej3;设置第一时段Ej1的供能时间为JT1,供能量为JQ1,其中,平价时段的供能时间为JT11,平价时段的供能量为JQ11,峰价时段的供能时间为JT12,峰价时段的供能量为JQ12,谷价时段的供能时间为JT13,谷价时段的供能量为JQ13,其中,JT11+JT12+JT13=JT1,JQ11+JQ12+JQ13=JQ1;
第二时段Ej2的供能时间为JT2,供能量为JQ2,其中平价时段的供能时间为JT21,平价时段的供能量为JQ21,峰价时段的供能时间为JT22,峰价时段的供能量为JQ22,谷价时段的供能时间为JT23,谷价时段的供能量为JQ23;JT21+JT22+JT23=JT2,JQ21+JQ22+JQ23=JQ2;
第三时段Ej3的供能时间为JT3,供能量为JQ3,其中平价时段的供能时间为JT31,平价时段的供能量为JQ31,峰价时段的供能时间为JT32,峰价时段的供能量为JQ32,谷价时段的供能时间为JT33,谷价时段的供能量为JQ33,
其中,JT31+JT32+JT33=JT3,JQ31+JQ32+JQ33=JQ3;
同时JQ1+JQ2+JQ3=EQ,JT1+JT2+JT3=ET;
S402,获得第一时段、第二时段和第三时段的峰价时段供能分布μ1、μ2和μ3:
μ1= JQ12(JT12 -JT13)/ JQ1*JT1
μ2= JQ22(JT22–JT23)/ JQ2 *JT2
μ3= JQ32(JT32–JT33)/ JQ3 *JT3
设置增长阈值为μ0,当μ3–μ1>μ0时,转入步骤S42;
当μ3–μ1≤μ0时,若μ2-μ1>μ0,转入步骤S42,若μ2-μ1≤μ0,转入步骤S41。
9.如权利要求6所述的基于能源综合统筹分析的供能分配预测系统的预测方法,其特征在于,在步骤S40中,设置第一时段Ej1的峰价时段的供能阈值为φ1,设置第二时段Ej2的峰价时段的供能阈值为φ2,设置第三时段Ej3的峰价时段供能阈值为φ3,
已知峰价时段EJZ2的供能量EQ2,当 EQ2≤φ1时,峰价时段EJZ2的预测费用W2=α1PQ2;
当φ1<EQ2<φ2时,峰价时段EJZ2的预测费用W2=α1Pφ1 +ω1α1P(EQ2-φ1);
当EQ2≥φ3时,峰价时段EJZ2的预测费用W2=α1Pφ1 +ω1α1Pφ2 +(1+ω1)α1P(EQ2-φ3)。
10.如权利要求6所述的基于能源综合统筹分析的供能分配预测系统的预测方法,其特征在于,获得预测供能时段Ej的计价标准EJz的步骤为:
建立神经网络模型,将统筹模块中的属性特征作为输入样本x,将计价标准作为输出样本y;
设置输入统筹模块中共有D个属性特征,输入特征x = [x1; x2 ; …; xD ],对应权重w=[w1; w2;…; wD],设置偏置 b∈R;则可得到输入特征的加权和z,具体公式为:
采用交叉熵损失函数,对于样本(x,y)其损失函数为:
在梯度下降方法的每次迭代中,设置学习率α,得到参数W 和b的更新方式:
得到迭代公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627485.6A CN116362421B (zh) | 2023-05-31 | 2023-05-31 | 一种基于能源综合统筹分析的供能分配预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627485.6A CN116362421B (zh) | 2023-05-31 | 2023-05-31 | 一种基于能源综合统筹分析的供能分配预测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362421A true CN116362421A (zh) | 2023-06-30 |
CN116362421B CN116362421B (zh) | 2023-10-10 |
Family
ID=86938876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627485.6A Active CN116362421B (zh) | 2023-05-31 | 2023-05-31 | 一种基于能源综合统筹分析的供能分配预测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362421B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116901774A (zh) * | 2023-09-11 | 2023-10-20 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485605A (zh) * | 2016-12-05 | 2017-03-08 | 北京耀能科技有限公司 | 清洁能源电阶梯电价预购平台及控制方法 |
CN106849062A (zh) * | 2015-05-14 | 2017-06-13 | 南通大学 | 降低系统成本的基于电能友好空调负荷侧主动需求策略 |
CN107798475A (zh) * | 2017-10-25 | 2018-03-13 | 云南电网有限责任公司电力科学研究院 | 一种需求侧负荷调整方案的制定方法及装置 |
CN109190818A (zh) * | 2018-08-28 | 2019-01-11 | 清华大学 | 电力资源管理方法及系统、服务端、计算机可读存储介质 |
CN109492815A (zh) * | 2018-11-15 | 2019-03-19 | 郑州大学 | 一种市场机制下面向电网的储能电站选址定容优化方法 |
CN110175199A (zh) * | 2019-05-31 | 2019-08-27 | 国网上海市电力公司 | 基于k均值聚类算法的能源企业关键用户识别分析方法 |
CN111368168A (zh) * | 2020-03-12 | 2020-07-03 | 佛山市艾温特智能科技有限公司 | 一种基于大数据的电价获取和预测方法、系统和计算机可读存储介质 |
CN114638523A (zh) * | 2022-03-28 | 2022-06-17 | 广东迪奥技术有限公司 | 一种削峰填谷电费节省方法、存储介质及电子设备 |
CN114676742A (zh) * | 2021-12-08 | 2022-06-28 | 山东省计算中心(国家超级计算济南中心) | 一种基于注意力机制和残差网络的电网异常用电检测方法 |
CN115682370A (zh) * | 2022-11-04 | 2023-02-03 | 珠海格力电器股份有限公司 | 一种光伏冰蓄冷空调控制策略调整方法、装置及系统 |
-
2023
- 2023-05-31 CN CN202310627485.6A patent/CN116362421B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106849062A (zh) * | 2015-05-14 | 2017-06-13 | 南通大学 | 降低系统成本的基于电能友好空调负荷侧主动需求策略 |
CN106485605A (zh) * | 2016-12-05 | 2017-03-08 | 北京耀能科技有限公司 | 清洁能源电阶梯电价预购平台及控制方法 |
CN107798475A (zh) * | 2017-10-25 | 2018-03-13 | 云南电网有限责任公司电力科学研究院 | 一种需求侧负荷调整方案的制定方法及装置 |
CN109190818A (zh) * | 2018-08-28 | 2019-01-11 | 清华大学 | 电力资源管理方法及系统、服务端、计算机可读存储介质 |
CN109492815A (zh) * | 2018-11-15 | 2019-03-19 | 郑州大学 | 一种市场机制下面向电网的储能电站选址定容优化方法 |
CN110175199A (zh) * | 2019-05-31 | 2019-08-27 | 国网上海市电力公司 | 基于k均值聚类算法的能源企业关键用户识别分析方法 |
CN111368168A (zh) * | 2020-03-12 | 2020-07-03 | 佛山市艾温特智能科技有限公司 | 一种基于大数据的电价获取和预测方法、系统和计算机可读存储介质 |
CN114676742A (zh) * | 2021-12-08 | 2022-06-28 | 山东省计算中心(国家超级计算济南中心) | 一种基于注意力机制和残差网络的电网异常用电检测方法 |
CN114638523A (zh) * | 2022-03-28 | 2022-06-17 | 广东迪奥技术有限公司 | 一种削峰填谷电费节省方法、存储介质及电子设备 |
CN115682370A (zh) * | 2022-11-04 | 2023-02-03 | 珠海格力电器股份有限公司 | 一种光伏冰蓄冷空调控制策略调整方法、装置及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116901774A (zh) * | 2023-09-11 | 2023-10-20 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
CN116901774B (zh) * | 2023-09-11 | 2023-11-14 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116362421B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhowmik et al. | Optimal green energy planning for sustainable development: A review | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
Ikeda et al. | A novel optimization method combining metaheuristics and machine learning for daily optimal operations in building energy and storage systems | |
Xiaoyi et al. | IoT driven framework based efficient green energy management in smart cities using multi-objective distributed dispatching algorithm | |
CN104008430A (zh) | 一种构建拟境挖掘动态智能负荷预测模型的方法 | |
Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
Li et al. | Energy management strategy of active distribution network with integrated distributed wind power and smart buildings | |
Ikeda et al. | A new optimization strategy for the operating schedule of energy systems under uncertainty of renewable energy sources and demand changes | |
Ruan et al. | Operation strategy optimization of combined cooling, heating, and power systems with energy storage and renewable energy based on deep reinforcement learning | |
Lu et al. | Configuration optimization of an off-grid multi-energy microgrid based on modified NSGA-II and order relation-TODIM considering uncertainties of renewable energy and load | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
CN114638502A (zh) | 一种考虑需求侧资源灵活性的配电网线路加固策略 | |
Teekaraman et al. | SSNN‐Based Energy Management Strategy in Grid Connected System for Load Scheduling and Load Sharing | |
He et al. | A state-of-the-art review and bibliometric analysis on the sizing optimization of off-grid hybrid renewable energy systems | |
Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
Karakolis et al. | Artificial intelligence for next generation energy services across Europe–the I-Nergy project | |
Qiu et al. | Resilience‐directional robust power dispatching of microgrids under meteorological disasters | |
CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
Sperstad et al. | Cost-benefit analysis of battery energy storage in electric power grids: Research and practices | |
Zhou et al. | Planning of Electric Power Systems Considering Virtual Power Plants with Dispatchable Loads Included: An Inexact Two‐Stage Stochastic Linear Programming Model | |
Colucci et al. | Survey of strategies to optimize battery operation to minimize the electricity cost in a microgrid with renewable energy sources and electric vehicles | |
Tsao et al. | Distributed energy storage system planning in relation to renewable energy investment |
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 |