CN116485042B - 一种基于负荷聚类的园区能源系统运行的优化方法及装置 - Google Patents
一种基于负荷聚类的园区能源系统运行的优化方法及装置 Download PDFInfo
- Publication number
- CN116485042B CN116485042B CN202310715323.8A CN202310715323A CN116485042B CN 116485042 B CN116485042 B CN 116485042B CN 202310715323 A CN202310715323 A CN 202310715323A CN 116485042 B CN116485042 B CN 116485042B
- Authority
- CN
- China
- Prior art keywords
- energy
- grade
- load
- typical
- park
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005265 energy consumption Methods 0.000 claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 44
- 238000007621 cluster analysis Methods 0.000 claims abstract description 32
- 238000013486 operation strategy Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000007789 gas Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 32
- 230000000877 morphologic effect Effects 0.000 claims description 31
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000009776 industrial production Methods 0.000 claims description 5
- 230000005251 gamma ray Effects 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 description 47
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 239000002918 waste heat Substances 0.000 description 14
- 239000006227 byproduct Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 239000004753 textile Substances 0.000 description 13
- 239000002184 metal Substances 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 238000011161 development Methods 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 229910052755 nonmetal Inorganic materials 0.000 description 8
- 238000010248 power generation Methods 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 239000003034 coal gas Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000000571 coke Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012407 engineering method Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005555 metalworking Methods 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于负荷聚类的园区能源系统运行的优化方法及装置,其中,方法包括:获取园区用户的用能数据;对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;根据所述能源需求与典型用能行为定位用户的能源品位需求;结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。本发明能够对能源系统运行进行优化。
Description
技术领域
本发明涉及能源技术领域,特别是涉及一种基于负荷聚类的园区能源系统运行的优化方法及装置。
背景技术
能量梯级利用是为了节约资源,提高工厂或园区天然气、煤气、蒸汽等能源的利用率,依据热力学理论,借助系统工程方法,对不同温度的热能按应用要求进行合理分配,综合整个工厂乃至整个园区的能量传递、转化和利用的全过程。
随着人类社会不断发展,近几个世纪以来能源粗放发展的模式带来了能源危机、温室效应、环境污染等一系列问题,如何解决上述问题成为各国共同关注的焦点。在这种背景下,不同能源系统协同规划、建设、运行的综合能源系统打破了各系统间的壁垒,能够促进不同能量梯级、高效利用。能源系统规划是在考虑现有技术水平、经济影响和环境影响的前提下,能源系统朝着经济和环境可持续发展的必经之路,因而成为世界范围的研究热点。
园区是伴随着我国工业化和城市化进程的新产物,国内各地方政府和各类开发区都在大力建设园区。目前许多园区都存在用分散的锅炉供热和“高能低用”等问题,具有能耗大、区域集中、需求量大、用能种类多、时段互补、时间长、管理水平参差不齐和设备及供应网络效率偏低的特点。工业能源利用率偏低、大量使用化石燃料带来的环境问题严重制约我国经济发展,经济、能源和环境之间的协调发展已经成为当今社会迫切需要解决的问题。
随着工业化与城镇化进程的加速,世界能源消耗剧增,一次不可再生能源的大量消耗,工业耗能巨大,能源消费结构单一、不合理等问题,给世界能源供应及经济的可持续发展带来了很大的挑战,同时也给环境带来了巨大影响。因此,目前亟需解决如何对能源系统运行进行优化的问题。
精细有效的负荷分类有助于提高负荷预测精度,有助于供电部门精准营销等,因此实现精确的负荷分类对电网运行规划、实时调度、提高企业经济效益、节约能源等方面具有重要意义。曹梦等提出一种基于前趋势相似度的细粒度用户用电负荷预测(《计算机应用与软件》,2018,35(7):158-164),其综合运用模糊聚类和BP 神经网络进行分析,构建得到一种对日负荷特性曲线实施分类的方法,该方法样本数据不单与本类别聚类中心有关,也受到其余类别聚类中心的影响,因此容易产生局部收敛、误聚类等问题。
发明内容
本发明提供一种基于负荷聚类的园区能源系统运行的优化方法及装置,以解决如何对能源系统运行进行优化的问题。
本发明解决其技术问题所采用的技术方案是:提供一种基于负荷聚类的园区能源系统运行的优化方法,包括以下步骤:
获取园区用户的用能数据;
对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;
根据所述能源需求与典型用能行为定位用户的能源品位需求;
结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;
根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
所述对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为,具体包括:
基于所述用能数据获取单一用户的负荷曲线;
采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析,获取单一用户的典型用能曲线;
基于所述单一用户的典型用能曲线,划分相同类别的多用户的典型用能曲线;
对所述多用户的典型用能曲线进行归一化处理,提取多用户的负荷形态特征;
采用可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析,得到园区内各类用户的典型负荷形态曲线;
根据所述典型负荷形态曲线确定园区用户的能源需求与典型用能行为。
所述可能性模糊C-均值聚类算法的目标函数为:
其中,J()表示价值函数,T表示典型原型矩阵;V表示聚类原型矩阵;U表示隶属原型矩阵;X表示样本矩阵;m和η均表示模糊加权指数;n表示样本向量的数量,c表示聚类数目,a表示隶属度值的影响,a>0,u ik 表示更新后的隶属度矩阵,且,其中的元素表示第k个样本向量x k 隶属于第i个聚类的隶属度,b表示典型性值的影响,b>0,t ik 表示更新后的典型性矩阵,且t ik ≤1,v i 表示聚类中心;γ i 表示惩罚因子;D ik 表示聚类中心v i 与第k个样本向量x k 之间的欧式距离。
所述采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析时,采用基于欧式距离相近的可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析。
所述采用可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析时,采用基于形态相近的可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析。
所述根据所述能源需求与典型用能行为定位用户的能源品位需求,具体包括:
根据不同的用户类型及相应的用能行为确定用户的电能品位需求;
根据不同的用户类型及相应的用能行为以及热负荷温度范围确定用户的热能品位需求;
根据所述电能品位需求和热能品位需求确定用户的能源品位需求。
所述结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构,具体为:
结合预设的能源品位划分结果,在天然气、电能、热能综合能源高低梯级序列以及天然气、电能、热能各自能源品位划分,对应分析得出的园区典型用户能源品位需求,得到综合能量梯级利用供能整体结构。
所述综合能量梯级利用供能整体结构在各能源间的能源流转换关系上,确定了气、电、热、冷综合能源品位从高到低的梯级利用序列;在能源各自的供应流上,确定了高、中品位能源优先应用于工业生产用能对能源品位要求的用途,并向日常生活用能供应,以及转化为低一品位的另一类能源。
所述预设的能源品位划分结果为:高品位、中品位和低品位。
本发明解决其技术问题所采用的技术方案是:提供一种基于负荷聚类的园区能源系统运行的优化装置,包括:
获取模块,用于获取园区用户的用能数据;
分析模块,用于对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;
定位模块,用于根据所述能源需求与典型用能行为定位用户的能源品位需求;
构建模块,用于结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;
生成模块,用于根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明对园区内主要用户的时序用能特征进行聚类提取,并结合这些用户的实际生产生活行为,分析得出了它们所产生的热、电负荷变化趋势和能源品位需求,然后对园区的用能特点进行了分析,立足于各类园区入驻用户差异化的能源需求、能源用途,分别对用户各自电能、热能的量级需求、质量需求特点进行总结,分析了园区内重要的用能设备,并对各类用户电能品位需求和热能品位需求进行了划分。然后,确定各类用户需求的能量梯级利用供能策略,该供能策略遵循气、电、热、冷综合能源品位从高到低的梯级利用供应序列,进一步在各类能源内部的供应流中着重将高品位能源用于重要需求,利用低品位能源满足园区内高额的普通能源需求,利用冗余能源完成不同能源之间的高品位向低品位转化,达到经济、高效、可靠的综合用能,为园区综合能源系统的多能协同优化算法提出奠定理论基础。
附图说明
图1为本发明能源系统运行的优化方法的步骤示意图;
图2为本发明PFCM的流程示意图;
图3为本发明PFCM的另一种流程示意图;
图4为本发明提供的园区用户能源品位需求分析架构图;
图5为本发明提供的综合能量梯级利用供能整体结构图;
图6为本发明提供的企业能源管网模型示意图;
图7为本发明提供的园区能源管网模型示意图;
图8为本发明能源系统运行的优化装置的结构示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的保护范围。
下面结合附图介绍本申请实施例中提供的一个具体的一种基于负荷聚类的园区能源系统运行优化方法及装置。
如图1所示,本申请实施例中提供的能源系统运行的优化方法,包括:
S101,获取工业园区用户的用能数据;
可以理解的是,本申请中可通过传感器获取用户的各种用能数据;其中,用能数据包括天然气数据、电能数据和热能数据。
S102,对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;
需要说明的是,现有的K-means聚类算法因其算法思想简单、聚类速度较快、聚类效果良好以及处理大数据集时的可伸缩性与高效性等特点获得了广泛应用,但是也存在着很多明显的问题。例如类数目k值的确定、局部收敛性等,使得该算法在用户种类多样、数据特征繁多的情况易产生聚类中心典型性差、特征提取不全等问题。
现有的C—均值聚类算法是一种以样本相似度为判据,将数据分为C个类别的算法。对于每个类别,包含在其中的元素均有相似的属性,该属性的平均值被称为聚类中心;而在类与类之间,元素的相似度则很低。
现有的模糊C—均值聚类(FCM)由于隶属度归一化条件的存在,样本数据不单与本类别聚类中心有关,也受到其余类别聚类中心的影响。
综上所述,FCM聚类算法能够全面提取样本与多个聚类中心的相似特性进行聚类,但也容易受到多个聚类中心影响,产生局部收敛、误聚类等问题;PCM聚类算法能够提取样本与聚类中心的主要相似特征进行聚类,但初始聚类中心的选择在该算法中影响巨大,当多个初始聚类中心出自相同的类别时,极易产生重合聚类。为全面把握样本数据特征,实现完善化、精准化数据分析与聚类,考虑综合能源系统能源品位的多样性及其本身属性特征,本申请基于传统的FCM与PCM的聚类基本原理,结合两聚类方法目标函数的特征参数设置机制进一步提出可能性模糊 C—均值聚类算法(PFCM)进行负荷聚类。
S103,根据所述能源需求与典型用能行为定位用户的能源品位需求;
首先,从总体上基于不同的能源需求对园区内能源用户进行角色划分,与自然界中的生态系统类似,园区入驻用户在用能结构中的角色可以归纳概括为以下三种:生产者、消费者以及分解者。
利用改进的可能性模糊 C—均值聚类算法对园区负荷特性进行实证分析,对园区内主要用户的时序用能特征进行聚类提取,并结合这些用户的实际生产生活行为,分析得出了它们所产生的热、电负荷变化趋势和能源品位需求。
S104,结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;
可以理解的是,能源品位划分结果是提前设置的,根据用户的能源品位需求能够得到能量梯级利用供能结构。
S105,根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
首先构建能源管网模型,然后通过能源管网模型生成能源系统的优化运行方式。
本申请的能源系统运行的优化方法的工作原理为:对园区内主要用户的时序用能特征进行聚类提取,并结合这些用户的实际生产生活行为,分析得出了它们所产生的热、电负荷变化趋势和能源品位需求,然后对园区的用能特点进行了分析,立足于各类园区入驻用户差异化的能源需求、能源用途,分别对用户各自电能、热能的量级需求、质量需求特点进行总结,分析了园区内重要的用能设备,并对各类用户电能品位需求和热能品位需求进行了划分。然后,确定各类用户需求的能量梯级利用供能策略,该供能策略遵循气、电、热、冷综合能源品位从高到低的梯级利用供应序列,进一步在各类能源内部的供应流中着重将高品位能源用于重要需求,利用低品位能源满足园区内高额的普通能源需求,利用冗余能源完成不同能源之间的高品位向低品位转化,达到经济、高效、可靠的综合用能,为园区综合能源系统的多能协同优化算法提出奠定理论基础。
能量的梯级利用对增强企业的市场竞争力和提高产品的附加值,促进生态园内企业的共生发展,建设资源节约型、环境友好型社会,具有重要意义。能量梯级利用是为了节约资源,提高园区内多种资源的利用率,结合理论知识与系统工程方法,对不同能量按应用要求进行合理划分与分配,使得综合整个工厂乃至整个园区的充分合理地进行能量传递、转化和利用的全过程。因此,考虑能源品位划分,研究面向综合能源系统的能量梯级利用优化运行策略,为提升园区供能可靠性、经济性提供参考,成为进一步推广及应用综合能源系统的迫切需求。如何对多种能源的分布进行有效的品位划分以及优化运行对于指导园区综合能源系统的投资规划和运行决策具有重要意义。
一些实施例中,分析所述用能数据,得到园区用户的能源需求与典型用能行为,包括:
基于所述用能数据获取单一用户的负荷曲线;
采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析,获取单一用户的典型用能曲线;
基于单一用户的典型用能曲线,划分相同类别的多用户的典型用能曲线;
对多用户的典型用能曲线进行归一化处理,提取负荷形态特征;
采用可能性模糊C-均值聚类算法对多用户的负荷形态特征进行聚类分析,得到园区内各类用户的典型负荷形态曲线;
根据所述典型负荷形态曲线确定园区用户的能源需求与典型用能行为。
其中,作为一种实施方式,如图2所示,采用基于欧式距离相近的可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析,获取单一用户的典型用能曲线。
作为一种实施方式,如图3所示,采用基于形态相近的可能性模糊C-均值聚类算法对多用户的负荷形态特征进行聚类分析,得到园区内各类用户的典型负荷形态曲线。
其中,可能性模糊C-均值聚类算法的目标函数为:
其中,J()表示价值函数,T表示典型原型矩阵;V表示聚类原型矩阵;U表示隶属原型矩阵;X表示样本矩阵;m和η均表示模糊加权指数;n表示样本向量的数量,c表示聚类数目,a表示隶属度值的影响,a>0,u ik 表示更新后的隶属度矩阵,且,其中的元素表示第k个样本向量x k 隶属于第i个聚类的隶属度,b表示典型性值的影响,b>0,t ik 表示更新后的典型性矩阵,且t ik ≤1,v i 表示聚类中心;γ i 表示惩罚因子,/>,一般情况K=1;D ik 表示聚类中心v i 与第k个样本向量x k 之间的欧式距离。
具体的,本申请中首先以欧式距离相近为聚类依据,提出一种获取单一用户负荷特征曲线的方法,用以描述单一用户全年的负荷特征。
聚类的步骤为:
首先,设定聚类数目c,且1<c<n,并设定m取值范围为[0,∞);
其次,初始化算法迭代次数L,使之为1;
进一步将更新后的隶属度矩阵u ik 初始化,设定η的值;
最后循环进行以下计算过程,直至目标函数与之前一次的差值小于设定的阈值时,或在L大于L max 。
对隶属原型矩阵U进行计算时,依据公式为:
对典型原型矩阵 T 进行加权时,依据公式为:
计算聚类中心v i 时,依据公式为:
重新对η的值进行估计,并再次进行聚类。
然后基于单一用户的典型用能曲线,划分相同类别的多用户的典型用能曲线;再选择极大值归一化方法对多用户的典型用能曲线进行归一化处理,提取多用户的负荷形态特征;归一化计算公式如下:
其中,x if 为单一用户典型负荷曲线数据,x imax 是单一用户典型负荷曲线数据中的最大值,x if *为归一化后的无量纲数据值,在归一化后,负荷的量级差异被消除,保留下来的就是负荷形态特征。
综上所述,利用单一用户负荷特征获取环节中得到的众多用户的典型日负荷曲线,进行极大值归一化来提取日负荷曲线的形态信息。将这一归一化步骤整合至PFCM聚类算法,使之可以基于形态相似性进行聚类,为众多用户的典型日负荷曲线进行分类。
具体的,本申请根据单一用户的用能曲线,对负荷数据进行归一化。在提取日负荷曲线的形态信息之后,进一步利用能性模糊C—均值聚类算法(PFCM)进行聚类。本申请利用单一用户负荷特征获取环节中得到的众多用户的典型日负荷曲线,进行极大值归一化来提取日负荷曲线的形态信息。利用这一归一化步骤改进了 PFCM 聚类算法,使之可以基于形态相似性进行聚类,为众多用户的典型日负荷曲线进行分类。最终得到园区各行业的负荷特性如下:
在园区内,一般存在轻工纺织业、电气电子制造业、金属加工业、化工制造业、商业等多种用户,通过对负荷数据进行聚类分析,可进一步了解园区用户的普遍能源需求和典型用能行为作为能量梯级利用供能结构设计的依据。本申请提供的负荷聚类方法得到园区内各类用户的典型日负荷形态,根据行业类别以及相似的负荷形态和能源质量需求,用户负荷需求被分为电子制造业、金属加工业、纺织业、非金属加工业、商业五类。本申请中分别获取电子制造业、金属加工业、纺织业、非金属加工业、商业五类的负荷曲线。
综上所述,本申请利用改进的可能性模糊 C—均值聚类算法对园区负荷特性进行实证分析,对园区内主要用户的时序用能特征进行聚类提取,并结合这些用户的实际生产生活行为,分析得出了它们所产生的热、电负荷变化趋势和能源品位需求。与此同时,结合各类用户的发展研究材料,对园区内各类用户的能源需求分析、能源利用结构以及典型用能行为进行了全面分析。
分析结果表明,在纺织业、电子制造业、金属加工业、非金属加工业、商业等园区主要用户的用能过程中,用户的生产生活计划安排是引起用能曲线时序形态变化的主要因素。而用户的能源用途,则决定了负荷的能源品位需求。具体地,电子制造业、金属加工业、纺织业需要利用电能驱动精密生产设备,电能品位直接决定了产品质量,因此需要高品位电能供应;而非金属制造业、商业的电能用于生活用途较多,因此电能品位需求较低。纺织业、非金属加工业生产过程中涉及重要的产品热加工环节,因此热能品位需求较高;金属加工业、电子制造业生产用热要求相对宽松,中品位热能需求占比较大;商业用户则是用热满足生活用能需求,热能品位需求最低。
一些实施例中,根据所述能源需求与典型用能行为定位用户的能源品位需求,包括:
确定用户的电能品位需求和热能品位需求;其中,所述电能品位需求根据不同的用户类型及相应的用能行为确定;所述热能品位需求根据不同的用户类型及相应的用能行为以及热负荷温度范围确定;
根据所述电能品位需求和热能品位需求确定用户的能源品位需求。
具体的,本申请对于不同类别的园区用户,立足于用户能源需求类型分析用户对天然气、电能、热能几类能源的供应量级需求;立足于能源用途分析其主要生产、经营内容以及生活用能行为分析对各类能源的质量需求,进而完成各用户的能源品位需求定位。如图4所示,为园区用户能源品位需求分析架构。
在园区中的主要用户分为五大类:电子制造业、金属加工业、纺织业、非金属加工业、商业。其电力负荷特点是一致的,即用电量大、需求电负荷量稳定、负荷率较高。因为这些行业多是连续性的负荷行业,由于工艺过程的要求,必须在生产时间内连续不断的稳定供电,日负荷率基本不受其它外部因素的影响,而仅决定于用户自身的用电设备的运行情况。工业电用户的日负荷变化比较小,因此,其日负荷率较高,一般在90%以上,且最小负荷率与日负荷率非常接近。商业电负荷主要是大型办公楼、宾馆及商场等用户的电力负荷。与工业类电负荷相比,商业类用电的日负荷率较低并且变化幅度较大。这五大类用户的主要用电行为和电能品位需求如表1所示。
表1 园区典型用户热能品位需求分析
而园区内的热负荷种类不同于城市集中供热的热负荷种类,园区内的热负荷种类包括:全年工业生产热负荷、冬季空调(采暖)热负荷、夏季空调(以热制冷)热负荷、全年热水供应热负荷。
具体的,在园区中,热能主要来自燃气轮机、电热泵、热负荷回收热能,其中燃气轮机利用高品位热能发电,同时产生中品位热蒸汽,同时进行余热回收,还能产生低品位热蒸汽。电热泵输入电能后,能够产生低品位热蒸汽。对一些热负荷进行余热回收,也能够产生低品位热蒸汽进行再利用。园区中主要用户的热能品位需求如表2所示。
表2 园区中主要用户的热能品位需求
可以理解的是,依照热能品位需求,园区内的中品位热优先向纺织业、非金属加工业进行供给,之后满足电子制造业、金属加工业的需求,低品位的余热回收热能以及冗余的中品位热能可以向商业用户进行供给。
然后根据电能品位需求和热能品位需求对园区能源需求进行综合分析。其中,园区能源需求特点包括了区域能源需求和工业能源需求两方面:
1)对区域能源分析应基于时间分布,工业企业能源使用上有动态分布的特征,如电力系统、煤气系统、燃气系统的需求。并且应考虑能源系统的冗余率、不保证率和参差率,与能源系统运行状况相匹配,取得最大的效益。
2)对工业能源需求分析应考虑需求侧节能对园区能源需求的影响。
由于园区所处区域是确定的,区域环境和气候也是确定的,因此这里不分气候讨论;而工业行业类型对园区能源需求有很大的影响,因此工业行业需要分行业类60型计算。考虑不同的技术水平,不同的生活方式、用能方式和管理方式,对工业企业内工序按不同的投入产出分析,对所需能源品位分为高、中、低三类。
本申请与传统的用户负荷相比,通过调整分配的信息传输以及数据计算任务的分配,数据中心电力负荷会随着任务分配情况而得到调控,具有极强的可控性。对于数据中心,服务器设备的电能供应需要以可靠性较高的高品位电能进行供应。而日常照明和插座供能则可以以中品位电能或者低品位电能进行满足。对于数据中心的热能负荷,由于不涉及生产加工过程,但是需要将室内温度维持在一定范围内以保证数据中心运算工作质量,因此主要以中品位热能进行供应。
一些实施例中,所述结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构,包括:
结合预设的能源品位划分结果,在天然气、电能、热能综合能源高低梯级序列以及天然气、电能、热能各自能源品位划分,对应分析得出园区典型用户能源品位。
具体的,如图5所示,在气、电、热综合能源高低梯级序列以及气、电、热各自能源品位划分,对应分析得出的园区典型用户能源品位需求,得出综合能量梯级利用供能整体结构。
所述能量梯级利用供能结构在各能源间的能源流转换关系上,确定了气、电、热、冷综合能源品位从高到低的梯级利用序列;在能源各自的供应流上,确定了高、中品位能源优先应用于工业生产用能对能源品位要求的用途,并向日常生活用能供应,以及转化为低一品位的另一类能源。
在电能供应方面,来自配电网、燃气轮机的高质量电能可以优先向电子制造业、金属加工业、纺织业用户进行供电,保证这些用户的高质、高效生产。而非金属加工业、商业用户在接受以上来源电力的同时,可参与分布式能源的消纳,这对这些用户的正常用能不会产生过大影响。
在热能供应方面,园区内高品位的热能直接用于发电,中品位热优先向纺织业、非金属加工业进行供给,保证这些用户生产负荷对热能的需求。之后满足电子制造业、金属加工业的需求,因为这些用户少部分生产负荷对热能品位有一定需求。燃气轮机的低品位热能以及一些热负荷回收的低品位热能以及冗余的中品位热能可以向各类用户所产生的室内温度控制负荷进行供给。低品位热能量大、来源广泛,故可以用于满足多种日常热能需求,还可以用于制冷。热能系统中也可以配置储热罐等热能存储设备,主要进行冗余中品位热的存储,使得较高品位的热能能够用于更多重要的热负荷。
需要说明的是,本申请中能源管网模型包括工业企业能源管网模型和园区能源管网模型,其中,工业企业能源管网模型用于工业企业内部系统,工业企业内部系统庞大,结构复杂,原料产品和副产品种类繁多。企业的生产系统包括了主生产系统、能源转换系统、储存工序系统和输配系统等。每个系统内部又包含了众多的生产工序,每个生产工序内部又包括众多的生产单元。其中,生产单元的划分又根据各个企业生产方式,产品种类或研究问题深度不同而有所差异。但是各个系统、工序、生产单元均是由系统网络连接在一起,而直接使用外部能源供应的系统、工序和生产单元可以假设其建立在一条虚拟的能源管网上,具体如图6所示。
其中,企业能源管线由能源管线和工序模型两部分组成。工序因生产和消耗不同能源,连接到不同能源管线。能源管线的选择和设置根据能源系统实际物理结构和用户确定,即根据工序所需不同的能源种类和能源品位进行划分。对于煤气、蒸汽、电力三种能源介质,可简单地依照三个子系统建立煤气管网、蒸汽管网、电力管网等三个管网模型,也可对其细分为 110kV 高压电,10kV 高压电和 6kV 高压电。如煤气子系统可建立高炉煤气管网、焦炉、煤气管网、转炉煤气管网,蒸汽子系统可分出高压蒸汽管网、中压蒸汽管网、低压蒸气管网等。而化石燃料内以其分类进行划分。
而园区能源管网模型主要用于园区,园区能源管网与企业能源管网类似,其特点也是内部系统庞大,结构复杂,原料产品和副产品种类繁多,而园区能源管网也是连接着各个工业企业,其能源管网如图7所示。其由能源管网和企业投入产出模型两部分组成,企业因产生或消耗不同能源,连接到不同园区能源管网,而分解者企业和副产能源工业企业之间的连接并未在园区能源管网上,因此可把分解者企业和副产能源工业企业设置为合体企业的能源需求。能源管网模型的建立是为了进行能源分品位统计分析,优先建立内部的能量循环,实现能源的梯级的利用。
作为一个具体的实施例,本申请以某钢铁生产厂为例,通过深入的实地调研,挖掘能耗数据,分析了钢铁厂内各个主要生产工序的能源消耗,需求能源的品位,副产能源的量与其品位,首先从需求侧实现能源匹配,使总体需求达到最小化,实现高效节能的“品位对口,梯级利用”的科学用能原则,并以此来进行系统设计。首先对该钢厂的主生产工序进行分析,建立能源管网模型。该钢铁厂主要由焦化,烧结,球团,炼铁,炼钢,轧钢等 6 个主要的耗能工序组成。该厂对于余热,余压,煤气的利用主要是通过收集余热蒸汽和副产煤气进行发电。
该厂对于余热,余压,煤气的利用主要是通过收集余热蒸汽和副产煤气来进行发电。主要的发电系统有余热发电,高炉余压发电(TRT),燃气蒸汽联合循环发电(CCPP)等设施。余热发电包括了干熄焦(CDQ)余热蒸汽,烧结余热蒸汽,炼钢轧钢余热蒸汽。能源转换工序能源品位如表3所示。
表3 能源转换工序能源品位
通过以上工序能源投入产出分析可知各种能源不同温度和压力下的需求量,根据前文中能源管网分类方法,建立能源管网模型。
然后进行园区现有能源系统分析,得到钢厂现有系统年总费用,以及园区优化能源系统分析,具体为在能源系统优化配置时,不考虑系统原有能源转换设备,仅考虑设计产量下主生产工序需求量与建筑需求量。由于企业有副产能源中有大量蒸汽和煤气,在优化能源系统配置时,优先选择以蒸汽为动力或以煤气为燃料的设备。最终得到优化系统能源转换设备如表4所示。
表4 优化系统能源转换设备
优化方案:12MW 燃气轮机配备余热锅炉和吸收式制冷机组成的冷热电三联供(CCHP)共 3 台,50MW 燃气蒸汽联合循环发电机组(CCPP)7 台,5MW 燃气锅炉1 台。CCHP和燃气锅炉所需燃料由企业副产能源煤气提供焦炉煤气。
通过分析发现,优化系统年总费用为 305547 万元,原有系统年总费用为 377606万元,优化系统经济效益明显高于原有系统经济效益。优化后的能源供给系统增设了5组CCPP 机组,并引入热电冷联产系统取代原有的余热发电系统及电制冷机和燃气锅炉,年总费用降低了19.1%,比企业原有系统更具经济效益。这是由于 CCPP 系统的能源主要来源于企业副产煤气,发电效率较高,供给电量能满足该企业全年需求电量,并有富余电量外卖,大大减少了外购电力成本。此外,优化系统方案年设备投资费用少于原系统年设备投资费,而操作维护费用较于原系统有较大幅度增加。但从总费用来看,优化系统具有明显优势。
原有系统年 CO2排放量为239.7万吨,优化系统年CO2排放量为436.7万吨。优化可知,两种系统方案外购能源中天然气、配煤及焦炭均为生产过程所需原料,购入量不变;而原有系统生产电力不足以供给全厂使用,不足部分从电网购入,优化系统供给电量除了供给企业使用,电力富余量用于外销。优化能源供给系统排放量大于原有系统外卖能源排放量,这主要是优化系统 CCPP 机组比原有系统多,消耗副产煤气量大于原有系统,副产煤气外卖减少量,系统总碳排放量增加。由于选取案例企业较为特殊,钢铁行业副产能源总量巨大,原有系统也是建立在优先使用副产能源的基础上,环境影响优化作用不明显。但就经济效益而言,优化系统仍具有明显优势。
本申请提供的技术方案,首先,改进形成了适用于园区用户用能数据聚类分析的可能性模糊 C—均值聚类算法,提出了进一步改进的可能性模糊 C—均值聚类算法。对园区内主要用户的时序用能特征进行聚类提取,并结合这些用户的实际生产生活行为,分析得出了它们所产生的热、电负荷变化趋势和能源品位需求。与此同时,结合各类用户的发展研究材料,园区内各类用户的能源需求分析、能源利用结构以及典型用能行为进行了全面分析,形成了囊括园区内主要用户(电子制造业、金属加工业、纺织业、非金属加工业、商业用户)的典型日电能、热能负荷曲线特征集以及对应的用户用能特征分析评述。明确了在纺织业、电子制造业、金属加工业、非金属加工业、商业等园区主要用户的用能过程中,用户的生产生活计划安排是引起用能曲线时序形态变化的主要因素。而用户的能源用途,则决定了负荷的能源品位需求。
其次,对园区的用能特点进行了分析,立足于各类园区入驻用户差异化的能源需求、能源用途,分别对用户各自电能、热能的量级需求、质量需求特点进行总结,分析了园区内重要的用能设备,并对各类用户电能品位需求和热能品位需求进行了划分。结合对园区内主要电、热能源的品位划分结果,研究最终遵循“供需品位对口”的原则,形成了考虑园区内电子制造业、金属加工业、纺织业、非金属加工业、商业五大类用户需求的能量梯级利用供能策略。该供能策略遵循气、电、热、冷综合能源品位从高到低的梯级利用供应序列,进一步在各类能源内部的供应流中着重将高品位能源用于重要需求,利用低品位能源满足园区内高额的普通能源需求,利用冗余能源完成不同能源之间的高品位向低品位转化,达到经济、高效、可靠的综合用能,为园区综合能源系统的多能协同优化算法提出奠定理论基础。
如图8所示,本申请实施例提供一种能源系统运行的优化装置,包括:
获取模块201,用于获取园区用户的用能数据;
分析模块202,用于对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;
定位模块203,用于根据所述能源需求与典型用能行为定位用户的能源品位需求;
构建模块204,用于结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;
生成模块205,用于根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
本申请提供的能源系统运行的优化装置的工作原理为,获取模块201获取园区用户的用能数据;分析模块202对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;定位模块203根据所述能源需求与典型用能行为定位用户的能源品位需求;构建模块204结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;生成模块205根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
所述分析模块202包括:
获取单元,用于基于所述用能数据获取单一用户的负荷曲线;
第一分析单元,用于采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析,获取单一用户的典型用能曲线;
划分单元,用于基于所述单一用户的典型用能曲线,划分相同类别的多用户的典型用能曲线;
提取单元,用于对所述多用户的典型用能曲线进行归一化处理,提取多用户的负荷形态特征;
第二分析单元,用于采用可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析,得到园区内各类用户的典型负荷形态曲线;
确定单元,用于根据所述典型负荷形态曲线确定园区用户的能源需求与典型用能行为。
所述可能性模糊C-均值聚类算法的目标函数为:
其中,J()表示价值函数,T表示典型原型矩阵;V表示聚类原型矩阵;U表示隶属原型矩阵;X表示样本矩阵;m和η均表示模糊加权指数;n表示样本向量的数量,c表示聚类数目,a表示隶属度值的影响,a>0,u ik 表示更新后的隶属度矩阵,且,其中的元素表示第k个样本向量x k 隶属于第i个聚类的隶属度,b表示典型性值的影响,b>0,t ik 表示更新后的典型性矩阵,且t ik ≤1,v i 表示聚类中心;γ i 表示惩罚因子;D ik 表示聚类中心v i 与第k个样本向量x k 之间的欧式距离。
所述第一分析单元采用基于欧式距离相近的可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析。
所述第二分析单元采用基于形态相近的可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析。
所述定位模块203包括:
电能品位需求确定单元,用于根据不同的用户类型及相应的用能行为确定用户的电能品位需求;
热能品位需求确定单元,用于根据不同的用户类型及相应的用能行为以及热负荷温度范围确定用户的热能品位需求;
能源品位需求确定单元,用于根据所述电能品位需求和热能品位需求确定用户的能源品位需求。
所述构建模块204结合预设的能源品位划分结果,在天然气、电能、热能综合能源高低梯级序列以及天然气、电能、热能各自能源品位划分,对应分析得出的园区典型用户能源品位需求,得到综合能量梯级利用供能整体结构。
所述综合能量梯级利用供能整体结构在各能源间的能源流转换关系上,确定了气、电、热、冷综合能源品位从高到低的梯级利用序列;在能源各自的供应流上,确定了高、中品位能源优先应用于工业生产用能对能源品位要求的用途,并向日常生活用能供应,以及转化为低一品位的另一类能源。
所述预设的能源品位划分结果为:高品位、中品位和低品位。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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方法的制造品,该指令方法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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于负荷聚类的园区能源系统运行的优化方法,其特征在于,包括以下步骤:
获取园区用户的用能数据;
对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为,具体包括:
基于所述用能数据获取单一用户的负荷曲线;
采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析,获取单一用户的典型用能曲线;
基于所述单一用户的典型用能曲线,划分相同类别的多用户的典型用能曲线;
对所述多用户的典型用能曲线进行归一化处理,提取多用户的负荷形态特征;
采用可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析,得到园区内各类用户的典型负荷形态曲线;
根据所述典型负荷形态曲线确定园区用户的能源需求与典型用能行为;
所述可能性模糊C-均值聚类算法的目标函数为:
Dik=||xk-vi||>0
其中,J()表示价值函数,T表示典型原型矩阵;V表示聚类原型矩阵;U表示隶属原型矩阵;X表示样本矩阵;m和η均表示模糊加权指数;n表示样本向量的数量,c表示聚类数目,a表示隶属度值的影响,a>0,uik表示更新后的隶属度矩阵,且其中的元素表示第k个样本向量xk隶属于第i个聚类的隶属度,b表示典型性值的影响,b>0,tik表示更新后的典型性矩阵,且tik≤1,vi表示聚类中心;γi表示惩罚因子;Dik表示聚类中心vi与第k个样本向量xk之间的欧式距离;
根据所述能源需求与典型用能行为定位用户的能源品位需求;
结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;
根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
2.根据权利要求1所述的基于负荷聚类的园区能源系统运行的优化方法,其特征在于,所述采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析时,采用基于欧式距离相近的可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析。
3.根据权利要求1所述的基于负荷聚类的园区能源系统运行的优化方法,其特征在于,所述采用可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析时,采用基于形态相近的可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析。
4.根据权利要求1所述的基于负荷聚类的园区能源系统运行的优化方法,其特征在于,
所述根据所述能源需求与典型用能行为定位用户的能源品位需求,具体包括:
根据不同的用户类型及相应的用能行为确定用户的电能品位需求;
根据不同的用户类型及相应的用能行为以及热负荷温度范围确定用户的热能品位需求;
根据所述电能品位需求和热能品位需求确定用户的能源品位需求。
5.根据权利要求1所述的基于负荷聚类的园区能源系统运行的优化方法,其特征在于,所述结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构,具体为:
结合预设的能源品位划分结果,在天然气、电能、热能综合能源高低梯级序列以及天然气、电能、热能各自能源品位划分,对应分析得出的园区典型用户能源品位需求,得到综合能量梯级利用供能整体结构。
6.根据权利要求5所述的基于负荷聚类的园区能源系统运行的优化方法,其特征在于,所述综合能量梯级利用供能整体结构在各能源间的能源流转换关系上,确定了气、电、热、冷综合能源品位从高到低的梯级利用序列;在能源各自的供应流上,确定了高、中品位能源优先应用于工业生产用能对能源品位要求的用途,并向日常生活用能供应,以及转化为低一品位的另一类能源。
7.根据权利要求1所述的基于负荷聚类的园区能源系统运行的优化方法,其特征在于,所述预设的能源品位划分结果为:高品位、中品位和低品位。
8.一种基于负荷聚类的园区能源系统运行的优化装置,其特征在于,包括:
获取模块,用于获取园区用户的用能数据;
分析模块,用于对所述用能数据进行聚类分析,得到园区用户的能源需求与典型用能行为;
所述分析模块包括:
获取单元,用于基于所述用能数据获取单一用户的负荷曲线;
第一分析单元,用于采用可能性模糊C-均值聚类算法对所述单一用户的负荷曲线进行聚类分析,获取单一用户的典型用能曲线;
划分单元,用于基于所述单一用户的典型用能曲线,划分相同类别的多用户的典型用能曲线;
提取单元,用于对所述多用户的典型用能曲线进行归一化处理,提取多用户的负荷形态特征;
第二分析单元,用于采用可能性模糊C-均值聚类算法对所述多用户的负荷形态特征进行聚类分析,得到园区内各类用户的典型负荷形态曲线;
确定单元,用于根据所述典型负荷形态曲线确定园区用户的能源需求与典型用能行为;所述可能性模糊C-均值聚类算法的目标函数为:
Dik=||xk-vi||>0
其中,J()表示价值函数,T表示典型原型矩阵;V表示聚类原型矩阵;U表示隶属原型矩阵;X表示样本矩阵;m和η均表示模糊加权指数;n表示样本向量的数量,c表示聚类数目,a表示隶属度值的影响,a>0,uik表示更新后的隶属度矩阵,且其中的元素表示第k个样本向量xk隶属于第i个聚类的隶属度,b表示典型性值的影响,b>0,tik表示更新后的典型性矩阵,且tik≤1,vi表示聚类中心;γi表示惩罚因子;Dik表示聚类中心vi与第k个样本向量xk之间的欧式距离;
定位模块,用于根据所述能源需求与典型用能行为定位用户的能源品位需求;
构建模块,用于结合预设的能源品位划分结果和所述能源品位需求,得到相应的能量梯级利用供能结构;
生成模块,用于根据所述能量梯级利用供能结构构建能源管网模型,基于所述能源管网模型生成能源系统的优化运行策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715323.8A CN116485042B (zh) | 2023-06-16 | 2023-06-16 | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715323.8A CN116485042B (zh) | 2023-06-16 | 2023-06-16 | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485042A CN116485042A (zh) | 2023-07-25 |
CN116485042B true CN116485042B (zh) | 2023-09-01 |
Family
ID=87219868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715323.8A Active CN116485042B (zh) | 2023-06-16 | 2023-06-16 | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485042B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015048737A1 (en) * | 2013-09-30 | 2015-04-02 | Do Rosario Jackseario Antonio Dionisio | Power quality of service optimization for microgrids |
CN108898273A (zh) * | 2018-05-29 | 2018-11-27 | 国网能源研究院有限公司 | 一种基于形态分析的用户侧负荷特征聚类评价方法 |
WO2019174040A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法 |
CN110851892A (zh) * | 2019-11-07 | 2020-02-28 | 山东大学 | 一种园区级综合能源系统辅助设计方法及系统 |
CN112966873A (zh) * | 2021-03-18 | 2021-06-15 | 南方电网科学研究院有限责任公司 | 工业园区综合能源系统优化运行方法、装置、存储介质 |
CN113159180A (zh) * | 2021-04-22 | 2021-07-23 | 北京交通大学 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
CN113902225A (zh) * | 2021-11-19 | 2022-01-07 | 国网北京市电力公司 | 一种综合能源系统优化方法、系统、装置及存储介质 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
CN114997715A (zh) * | 2022-06-29 | 2022-09-02 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进模糊c均值聚类的冷热电联供系统配置方法 |
CN116128154A (zh) * | 2023-03-16 | 2023-05-16 | 国网青海省电力公司海北供电公司 | 一种农业园区综合能源系统的能源优化配置方法及装置 |
CN116244927A (zh) * | 2023-02-07 | 2023-06-09 | 国网上海能源互联网研究院有限公司 | 一种零碳岛屿能源系统优化方法、装置、设备和存储介质 |
-
2023
- 2023-06-16 CN CN202310715323.8A patent/CN116485042B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015048737A1 (en) * | 2013-09-30 | 2015-04-02 | Do Rosario Jackseario Antonio Dionisio | Power quality of service optimization for microgrids |
WO2019174040A1 (zh) * | 2018-03-16 | 2019-09-19 | 大连理工大学 | 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法 |
CN108898273A (zh) * | 2018-05-29 | 2018-11-27 | 国网能源研究院有限公司 | 一种基于形态分析的用户侧负荷特征聚类评价方法 |
CN110851892A (zh) * | 2019-11-07 | 2020-02-28 | 山东大学 | 一种园区级综合能源系统辅助设计方法及系统 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
CN112966873A (zh) * | 2021-03-18 | 2021-06-15 | 南方电网科学研究院有限责任公司 | 工业园区综合能源系统优化运行方法、装置、存储介质 |
CN113159180A (zh) * | 2021-04-22 | 2021-07-23 | 北京交通大学 | 基于城市能源大数据的负荷及其可调潜力协同聚类方法 |
CN113902225A (zh) * | 2021-11-19 | 2022-01-07 | 国网北京市电力公司 | 一种综合能源系统优化方法、系统、装置及存储介质 |
CN114997715A (zh) * | 2022-06-29 | 2022-09-02 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进模糊c均值聚类的冷热电联供系统配置方法 |
CN116244927A (zh) * | 2023-02-07 | 2023-06-09 | 国网上海能源互联网研究院有限公司 | 一种零碳岛屿能源系统优化方法、装置、设备和存储介质 |
CN116128154A (zh) * | 2023-03-16 | 2023-05-16 | 国网青海省电力公司海北供电公司 | 一种农业园区综合能源系统的能源优化配置方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于改进FCM算法的校园空调冷负荷错峰研究;张梦成;刘兆辉;谭洪卫;;建筑热能通风空调(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485042A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Capacity planning and optimization of business park-level integrated energy system based on investment constraints | |
CN109191025A (zh) | 一种电源结构优化配置方案综合能效的评价方法 | |
CN110363353A (zh) | 一种分布式综合能源系统的优化设计和调度方法及系统 | |
Ji et al. | Improving the energy efficiency of China: an analysis considering clean energy and fossil energy resources | |
CN108416691A (zh) | 一种能源替代环保潜力计算方法 | |
CN107358345A (zh) | 计及需求侧管理的分布式冷热电联供系统优化运行方法 | |
Zhen et al. | Hydrogen production paths in China based on learning curve and discrete choice model | |
CN115455719A (zh) | 一种基于全生命周期碳成本的综合能源系统优化仿真方法 | |
Li et al. | Intraday multi-objective hierarchical coordinated operation of a multi-energy system | |
Xu et al. | Optimization path of energy-economy system from the perspective of minimum industrial structure adjustment | |
Pan et al. | Sector-level evaluation of China’s CO2 emissions: Trend evolution and index ranking | |
Wang et al. | How government policies promote bioenergy’s permeability in national-level energy supply chain: a case of China | |
CN116485042B (zh) | 一种基于负荷聚类的园区能源系统运行的优化方法及装置 | |
Jiao et al. | Research on virtual power plant operation mechanism under the background of coordinated development of carbon market and power market | |
Huan et al. | Multi-stage low-carbon planning of an integrated energy system considering demand response | |
Liu et al. | Optimal selection of energy storage nodes based on improved cumulative prospect theory in China | |
Qian et al. | Artificial intelligence for smart energy systems in process industries | |
CN113888030A (zh) | 一种适用于多能源互补供能系统综合评价方法及系统 | |
Luo et al. | Analysis of influencing factors of green building energy consumption based on genetic algorithm | |
Wang et al. | Multi-layer encoding genetic algorithm-based granular fuzzy inference for blast furnace gas scheduling | |
Zhang et al. | Hybrid prediction method of blast furnace gas generation considering multi-operation modes in steel plants near the city | |
Maghsoodi et al. | Probabilistic scheduling of a comprehensive energy hub integrated with renewable energy sources considering the correlation between uncertain variables | |
CN111798044B (zh) | 基于改进最小叉熵的ries运行规划仿真方法 | |
Salebbay et al. | Economic Analysis of Investment Feasibility in the Planning of the Construction of 50 MW Solar Power Plant (PLTS) in Capital of Indonesia, Kalimantan | |
Zhang et al. | Exploring the impact of “double carbon target” on environmental efficiency of coal cities in China |
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 |