CN116720750A - 综合能源站设备容量规划方法、装置、终端及存储介质 - Google Patents

综合能源站设备容量规划方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN116720750A
CN116720750A CN202310973805.3A CN202310973805A CN116720750A CN 116720750 A CN116720750 A CN 116720750A CN 202310973805 A CN202310973805 A CN 202310973805A CN 116720750 A CN116720750 A CN 116720750A
Authority
CN
China
Prior art keywords
power
energy station
comprehensive energy
point
energy supply
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
Application number
CN202310973805.3A
Other languages
English (en)
Other versions
CN116720750B (zh
Inventor
王永利
陶思艺
郭文慧
延子昕
董焕然
郭璐
段浩瀚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310973805.3A priority Critical patent/CN116720750B/zh
Publication of CN116720750A publication Critical patent/CN116720750A/zh
Application granted granted Critical
Publication of CN116720750B publication Critical patent/CN116720750B/zh
Priority to ZA2024/00297A priority patent/ZA202400297B/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明适用于综合能源站规划技术领域，提供一种综合能源站设备容量规划方法、装置、终端及存储介质。该方法包括：基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据；利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征；根据每类电力用户的空间分布特征以及相应的负荷密度，计算得到供能区域对应的预测总负荷；根据预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于目标函数的约束条件对目标函数求解，获得综合能源站的设备容量规划方案。本发明能够提高综合能源站设备容量规划的精确性。

Description

综合能源站设备容量规划方法、装置、终端及存储介质
技术领域
本发明涉及综合能源站规划技术领域，尤其涉及一种综合能源站设备容量规划方法、装置、终端及存储介质。
背景技术
随着经济社会的发展，能源需求也在逐年增加，如何实现能源利用效率的提高、能源使用成本的降低，成为我国当前亟待解决的难题。我国处于能源结构升级调整的攻坚期，综合能源的蓬勃发展，为能源管理模式提出了新思路、新设想。
当前在进行综合能源站设计时，综合能源站的设备容量规划侧重考虑设备的配置，对用户用能负荷空间分布的测度缺乏可靠的数据来源和测算模型，从而影响综合能源站设备容量规划的精确性。
发明内容
本发明实施例提供了一种综合能源站设备容量规划方法、装置、终端及存储介质，以解决目前综合能源站设备容量规划不够精确的问题。
第一方面，本发明实施例提供了一种综合能源站设备容量规划方法，包括：
基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据；每个兴趣点数据对应一个电力用户的位置相关数据；
利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定所述供能区域内不同用电类型的电力用户的空间分布特征；
根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷；
根据所述预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于所述目标函数的约束条件对所述目标函数求解，获得综合能源站的设备容量规划方案。
第二方面，本发明实施例提供了一种综合能源站设备容量规划装置，包括：
获取模块，用于基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据；每个兴趣点数据对应一个电力用户的位置相关数据；
第一处理模块，用于利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定所述供能区域内不同用电类型的电力用户的空间分布特征；
第二处理模块，用于根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷；
规划模块，用于根据所述预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于所述目标函数的约束条件对所述目标函数求解，获得综合能源站的设备容量规划方案。
第三方面，本发明实施例提供了一种终端，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了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计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种综合能源站设备容量规划方法、装置、终端及存储介质，通过基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据，并利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征，可以有效确定供能区域内不同用电类型的电力用户的空间分布特征，进而根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，合理准确地计算得到供能区域对应的预测总负荷，然后根据预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于目标函数的约束条件对目标函数求解，获得综合能源站的设备容量规划方案，有助于提高综合能源站设备容量规划的准确性，为综合能源站未来的建设提供参考价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的综合能源站设备容量规划方法的实现流程图；
图2是本发明实施例提供的综合能源站设备容量规划方法的实现思路图；
图3是本发明实施例提供的Eps邻域的数据点分类示意图；
图4是本发明实施例提供的利用基于密度的空间聚类方法对所有兴趣点数据进行聚类的流程图；
图5是本发明实施例提供的对目标函数求解的流程图；
图6是本发明实施例提供的综合能源站设备容量规划装置的结构示意图；
图7是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的综合能源站设备容量规划方法的实现流程图，详述如下：
在步骤101中，基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据。
其中，每个兴趣点数据对应一个电力用户的位置相关数据。
可选的，综合能源站的预设选址区域的确定过程可以包括：
根据不利于综合能源站建设的自然因素、综合能源站中可再生能源的能源生产设备的建设安装要求及国家和地方的相关政策法规，确定综合能源站选址的排除标准及缓冲区范围。
利用地理信息系统ArcGIS的空间分析功能，对按照综合能源站选址的排除标准及缓存区范围进行排除操作后的图层进行叠加，得到综合能源站的排除区域、适宜建设区域及适宜建设面积。
针对各适宜建设区域，基于利用层次分析法（Analytic Hierarchy Process，AHP）确定的各指标中的第一类指标的权重，利用地理信息系统（Geographic InformationSystem,GIS）的空间分析功能，对各适宜建设区域的各第一类指标进行量化，其中，第一类指标为综合能源站基础设置及各类设备建设和安装相关的指标。
根据每个适宜建设区域的各第一类指标的量化结果，对每个适宜建设区域进行排名。
针对排名差距较小的适宜建设区域，基于逼近理想解排序法（Technique forOrder Preference by Similarity to an Ideal Solution，TOPSIS）-灰色关联度模型计算各适宜建设区域的相对贴近度，并选择相对贴近度最大的适宜建设区域作为综合能源站的预设选址区域。
下面结合具体分析对综合能源站的预设选址区域的确定过程进行说明：
首先进行综合能源站适宜性选址区域分析。
由于综合能源站选址的区域面积较大，用地情况复杂，为了降低不合理选址的可能性，在选址的适宜性选址分析阶段，可以先根据自然、社会、技术三个维度，基于国家和地方相关政策法规，提前定义限制条件从而确定排除区域。定义限制条件后，可以利用ArcGIS的空间分析功能，对执行上述三类限制条件得到的图层进行叠加，确定最终的排除区域及综合能源站适宜建设区域及适宜建设面积，从而减少后期精准评价的计算难度，提高选址的精准度。
其中，在定义限制条件也即确定综合能源站选址的排除标准时，考虑到研究区域的功能定位和土地利用情况，以及综合能源站的设备构成中涵盖的光伏、风机等能源生产设备，在排除标准的制定中，不仅需要考虑不利于综合能源站建设的河道、水体、山脉等自然因素，同样需要考虑光伏、风机建设安装的客观要求。因此，在从自然、社会和技术层面的设计限制条件时，在排除区域的边界，还考虑到了紧邻边界的额外限制区域也即“缓冲区”。基于此，通过文献审查、专家咨询、现行国家条例的规定选取相关的排除标准，示例性的，排除标准设计细则如表1所示。
表1 排除标准设计细则
其中，通过在综合能源站与河道、水体间设计一定区域的缓冲区，可以保障综合能源站运行的安全性。通过在排除标准中，明确城市绿地的范围，并设计合理范围的缓冲区，可以保障综合能源站建设符合城市管理规定的要求。通过根据道路级别为铁路、高速公路、国道、省道以及城市的内部道路设计不同标准的缓冲区，可以减少综合能源站的建设和设备运输对当地交通运输的影响。
确定综合能源站的排除标准后，即可确定综合能源站适宜建设区域及适宜建设面积，在此基础上，还需要从众多适宜建设区域中选出最适宜建设区域作为预设选址区域。示例性的，可以通过如下指标对综合能源站的适宜建设区域进行评价：
（1）太阳辐射C11。建设区域内太阳能辐射强度越大，光伏机组的发电量越大，能够消纳的清洁能源越多。
（2）温度C12。储能电池的输出功率与温度成负相关性，温度越高，电池的输出功率越低，温度每升高1℃，储能电池的损失率可达到0.35%~0.45%。
（3）风速C13。风速是风力发电设备的关键评价标准，风速大，风力资源丰富，有利于提高发电量。
（4）坡度C14。综合能源站的建设和设备安装对坡度也有一定的要求，建设区域地形应该尽可能平坦，坡度越小越好。
（5）坡向C15。在北半球接收到太阳辐射最多的坡向朝向为正南方向。为提高光伏设备的发电效率，一般在坡向的选择上，适宜选用正南、西南、东南方向。
（6）最佳倾角量C16。光伏设备的倾角对辐射接收量有一定的影响，入射角越大，接收到的太阳法向辐射量就越少。
（7）倾角辐射量C17。光伏设备能够接收的太阳辐射与安装的倾角具有正相关关系，光伏面板所能接受的倾角辐射量越大，发电量就越大。
（8）道路距离C21。为尽可能减少设备运输时间及成本，综合能源站的选址应尽可能靠近现有公路及铁路，方便建设过程中的行车，有效节约运输时间。
（9）人口密度C22。人口密度越高，相应的负荷需求越高，在进行选址规划时，应尽量选取人口密度大、负荷点分布密集的区域。
（10）经济发展水平C23。当地的生活水平较高，人们更舍得用空调开暖气等用能设备，继而用能需求越高，人们的生活水平较低，用能需求越低。
（11）配套设施条件C24。综合能源站周边的配套设施条件与当地的公共预算投入有相关关系，公共设施投入预算越高，配套设施条件越好，综合能源站投资和成本越小。
（12）保护区C31。综合能源站设备运行过程中产生的噪声和风机旋转过程中叶片扫风噪声，对当地生态具有一定的破坏作用。
（13）办公区C32。综合能源站建设过程中，设备及管网运输安装过程中，存在交通拥堵、占用公共用地、影响附近民众生活等问题，选址时远离办公区能够减少建设带来的民众抗议投诉等事件数量。
（14）绿地及景观设施C33。为满足供能区域用户对良好的居住环境和周边自然环境的要求，综合能源站的建设应考虑对城市景观环境的影响。
（15）政策支持度C34。综合能源站建设初始投资成本大，回收期长，极易受到政策的影响。建设用地的审批、管网的升级改造以及综合能源站附近的交通规划都需要政策的支持。
（16）建设范围C35。综合能源站的建设面积决定了能源站内光伏、风机等可再生能源设备的安装容量，以及能源传输设备数量、管网布局长度，决定了可覆盖供能区域的范围，对建设的总投资及实际投产运行的成本有直接影响。
其次，在确定综合能源站的选址相关指标后，构建基于GIS和改进TOPSIS的综合能源选址模型。
由于综合能源站选址相关指标不仅包括定量的空间信息，如城市布局、用户分布、道路规划等，同时也包括区域内的经济、文化等难以被量化的定性非空间信息。而GIS通过空间分析，能够可视化展现道路网络、河流水网、太阳辐射情况等信息。因此，本实施例基于GIS的空间分析技术，实现空间信息指标的合理量化，如影响可再生能源发电的太阳辐射、气温、风速等指标，以及影响综合能源站建设成本的交通条件等。同时，为充分考虑选址指标体系中的非空间信息，如配套设施条件、经济发展水平、政策支持度等，采用灰色关联度改进的TOPSIS方法，基于TOPSIS的理想解计算结果，作为灰色关联度的参考依据，同时，利用灰色关联度的引入有效改善TOPSIS不能反映各类指标曲线的相似度和趋势变化的不足，进而通过融合空间及非空间信息，实现综合能源站选址指标体系的合理量化。
示例性的，本实施例基于上述综合能源站选址相关指标，将选址的流程划分为前期初选和结果精选两个阶段，每个阶段侧重点各有不同。选址不同阶段的指标及分析方法如表2所示。
表2综合能源站选址阶段指标及分析方式
在第一阶段，重点考虑综合能源站各类设备以及综合能源站基础设施建设所需的自然资源条件。由于太阳辐射、风速、坡度、坡向等指标对综合能源站设备的建设和安装密切相关，道路、交通等指标对综合能源站的建设位置、成本相关，因此，通过发挥GIS的空间分析优势，量化上述指标可以快速实现综合能源站建设位置的初选，对于其余无法采用空间分析技术进行量化的其他指标，则进入第二阶段进行深入分析和评价。
在第二阶段，侧重于考虑影响综合能源站现有建设以及未来运营的定性指标，基于专家评价结果，运用地理信息系统的查询功能，结合第一阶段的评价结果，运用改进后的TOPSIS-灰色关联度综合评价模型，确定各选址方案的最终排名。
其中，对于GIS和AHP的结合，无论是在理论基础上还是在应用层面，GIS技术得到了长足的发展，随着GIS技术应用领域的不断扩展，解决了选址中的诸多难题，提高了空间选址的专业性和合理性。而AHP作为一种确定指标权重的经典方法，主要计算流程如下：
（1）建立层次结构模型。建立层次结构模型是层次分析法的关键，通过将待分析的问题系统化思考，针对其内在的因素逐层分解，形成层次化的结构，通常只有一个元素，准则层作为承上启下的部分，是目标层的具体体现，同时又是子准则层的高度概括，方案层作为整个模型中最为低级的一层，主要涵盖了模型中的具体指标和因素。
（2）建立指标判断矩阵。在上一步构建出层次结构后，能够展现整个模型中的内在逻辑关系和隶属关系，为了明确各层元素在上一层中的重要性，通过构建判断矩阵的方式，能够对各层次指标进行两两比较，通过数字标度的方式将定性的指标进行量化，从而表示两个因素之间的相对重要性。判断矩阵的标度及含义如表3所示。
表3判断矩阵标度及含义
（3）单一层次排序及一致性检验。单一层次排序主要根据本层次中的因素相较于上一层次因素的重要性进行排序，主要通过计算判断矩阵对应于最大特征值的特征向量/>来确定。
判断矩阵按列归一化，得到矩阵/>，即：；然后计算矩阵/>各行元素和的平均值，即：/>，计算得到/>即为所求特征向量。
计算判断矩阵最大特征根：
；
一致性检验：在设计指标权重时，为了保证权重设计的合理性，需要通过一致性检验的方式来对各元素的重要度进行检验，从而减少各因素相对重要度的矛盾，在一致性检验中，主要通过计算判断矩阵的一致性指标/>来进行检验，即：
；
的数值越大表明判断矩阵的一致性越差，随机一致性比率定义为/>，即，其中/>是判断矩阵/>的平均随机一致性指标，/>的数值大小仅与矩阵的阶数有关，可以通过查表得到，如下表4所示。
表4随机一致性指标值
一般情况下，越小，则说明判断矩阵一致性就越好。/>，则说明判断矩阵的结果可行，各指标权重较为合理，若没有通过一致性检验，需要对各指标进行再次调整。
其中，TOPSIS主要根据与理想解的贴进度的数值进行排序，尽管TOPSIS在量化数据之间的距离关系时具有一定的客观性，但是距离关系仅表示了位置关系，较难反应数据曲线的相似性和变化趋势，一旦出现个别指标值差距较大的情况时，由于比较对象与参考数列的距离较近，仍会得到较好的结果，因而TOPSIS在具体应用时存在一定的不足。本实施例在选址模型的第二阶段，通过收集部分指标的数据以及各类指标的权重，将其数据导入至地理信息系统中，实现选址评价体系中各指标的评价值的数据匹配，通过灰色关联度与TOPSIS的合理融合，基于指标的灰色关联度进而构造相对贴进度，能够有效改善TOPSIS模型在求解方面存在的不足，得到选址方案的最终排名，输出综合能源站选址的最优结果。计算流程如下：
（1）构造决策矩阵并进行数据预处理。将所有选址方案（m）的评价指标（n）构造决策矩阵，标准化数据后形成新矩阵/>，其中：
；
（2）基于权重数据构建加权矩阵。基于上一阶段中运用层次分析法得出的权重数据，构建权重向量/>，求得/>中各元素。
（3）计算初始正、负理想解、/>。其中/>的属性值/>，/>的属性值/>为：；/>。
（4）计算各方案到正、负理想解的欧式距离、/>：；/>。
（5）计算各方案到正、负理想解的灰色关联度：
；
；
其中，为分辨系数，一般/>，通过计算方案与正负理想解的灰色关联度，计算结果为：/>。
（6）合并计算选址方案的欧式距离和灰色关联度。和/>越大，表示该方案与正理想解的距离相对较近，/>和/>越大，表示该方案与正理想解的距离相对较远，再次进行合并求解：/>；/>。
其中、/>表示相对偏好度的系数，/>。
（7）计算选址方案的相对贴进度：。
（8）依据进行再次排序，从而得到选址方案的最终排名，/>与选址方案的优越性成正比，/>越大即可代表选址方案越适合建设综合能源站。
在确定综合能源站的预设选址区域之后，考虑已经综合考虑选址区域的人口和地质条件的情况，因而在进行综合能源站覆盖的供能区域的负荷测算时，采用空间负荷密度的计算方法。采用空间负荷密度的计算方法适用于已知各类用电类型的电力用户的用地面积及位置的情况，其首先将居民、商业、公共、工业等用电类型的电力用户的负荷密度进行收集并分类，然后确定供能区域内不同用电类型的电力用户的用能边界，最后，基于不同用电类型的电力用户的负荷密度乘以其用能边界并实现加总，从而算出供能区域内的预测总负荷。
也即综合能源站覆盖的供能区域内的用户数量和用能特征，决定了综合能源站供能区域内的负荷总量的上限和下限，因此，为了实现综合能源站设备容量的精确规划，需要先明确综合能源站供能区域内的电力用户数量及空间分布特征，以为综合能源站覆盖的供能区域内的空间负荷预测提供充足的数据支撑。
而电力用户功能区分布、用户数量、坐标等信息，与负荷数据具有密不可分的关系，且GIS能够实现上述数据的可视化和深度挖掘，因此，本实施例利用包括选址区域内的居民、公司、商业写字楼、公共设施等相关兴趣点数据（Point of Interest，POI），通过使用网络地图平台提供的应用程序接口，对已实现最优选址的综合能源站供能区域开展POI点数据挖掘，以综合能源站供能范围内的POI数据为支撑，实现综合能源站覆盖的供能区域内的空间负荷预测。
结合图2所示，在确定综合能源站的预设选址区域之后，可以导出综合能源站的预设选址区域的位置信息、光照数据、风速数据、选址区域面积等，并基于综合能源站的预设选址区域的位置信息，收集综合能源站覆盖的供能区域内的关于各个电力用户的道路信息、用户信息、坐标信息、用户面积等位置相关数据作为综合能源站覆盖的供能区域内的兴趣点数据。
在步骤102中，利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征。
本实施例中，考虑到POI数据点在实际的分布中，如果出现部分区域数据点极为稀疏的情况，将会导致密度极其稀疏分布或无分布区，虽然计算结果不具备参考价值，但假如仍被归为某一簇，也会影响计算结果的精确性。因此，采用基于密度的空间聚类方法对POI数据点进行聚类，利用基于密度的空间聚类方法的降噪性以及可以将数据点拟合为任意形状的特点，进而在不确定聚类个数的情况下，优先识别出噪声点，生成的聚类形状较为任意，各聚类结果能够较好的区别不同类别之间的差异，从而精准刻画供能区域内不同用电类型的电力用户的空间分布特征。
可选的，兴趣点数据可以包括道路信息、用户信息、坐标信息和用户面积。
结合图4所示，利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征，可以包括：
基于每个兴趣点数据中的用户信息对相应兴趣点数据对应的电力用户的用电类型进行标记，并将标记后的兴趣点数据记为一个目标点。
从所有目标点中随机抽取一个目标点，判断该目标点是否归属于某个簇或是否为噪声点。
若该目标点未归属于任一个簇且不是噪声点，则根据该目标点中的道路信息、坐标信息和用户面积，判断该目标点的预设邻域半径内的其他目标点的数量是否小于预设簇最小点数。
若该目标点的预设邻域半径内的其他目标点的数量小于预设簇最小点数，则将该目标点记为噪声点。
若该目标点的预设邻域半径内的其他目标点的数量大于或等于预设簇最小点数，则将该目标点记为核心点，并将该目标点的所有密度可达点记为归属于以该目标点为核心点的簇。
判断该目标点是否为所有目标点中的最后一个目标点，在该目标点不是所有目标点中的最后一个目标点时，返回执行“从所有目标点中随机抽取一个目标点，判断该目标点是否归属于某个簇或是否为噪声点”的步骤及后续步骤。
在该目标点为所有目标点中的最后一个目标点时，获得对所有兴趣点数据进行聚类的聚类结果。
根据聚类结果中每个簇包含的各个目标点对应的用电类型和用户面积，确定供能区域内不同用电类型的电力用户的空间分布特征。
结合图3和图4所示，本实施例基于具有噪声的基于密度的聚类方法（DensitySpatial Clustering of Application with Noise，DBSCAN）对利用基于密度的空间聚类方法对所有兴趣点数据进行聚类的过程进行说明：
首先基于DBSCAN聚类算法，借助Matlab和ArcGIS软件，根据《城市用地分类与规划建设用地标准》对建设用地的分类及其二级分类，将POI数据进行分类，并对不同POI数据对应的负荷类型进行细分，分类表如表5所示。
表5 POI数据及负荷类型分类
然后对分类后的POI数据基于DBSCAN聚类算法进行聚类。DBSCAN聚类算法中，邻域半径和簇最小点数/>作为DBSCAN最为重要的两个参数，能够实现对聚类的紧密程度的合理描述，本实施例中可以使用以下公式进行计算确定：/>；。
其中，表示围绕第i个核心点的最近POI距离之和的平均值，/>表示邻近核心点的最近POI的数量，/>表示POI总数，/>表示任何点的邻域i中的点数。
示例性的，假设，其Eps邻域的数据点分类如图3所示。
在确定邻域半径和簇最小点数/>的值之后，对未处理的POI数据点P进行随机抽选，若P点为核心点，既可将满足该点的所有密度可达的点归为一簇，如果P点不能够将所有密度可达的点归为一簇，算法将暂时将该点标记为噪声点，通过多次重复这一步骤，并对未进行处理的点继续进行检查和处理，直到所有的POI数据点完成聚类，并检索出所有无法聚类的噪声点，则可完成本次聚类工作，具体流程如图4所示。
本实施例中，基于DBSCAN聚类算法，无需提前标记训练样本的相关信息，即可直接对训练样本的属性和结构进行分析，通过聚集相似度较高的样本，可以更为适用的展现POI数据空间分布的聚类关系，从而精准刻画供能区域内不同用电类型的电力用户的空间分布特征。
可选的，根据聚类结果中每个簇包含的各个目标点对应的用电类型和用户面积，确定供能区域内不同用电类型的电力用户的空间分布特征，包括：
根据聚类结果中每个簇包含的各个目标点对应的用电类型，确定聚类结果中每个簇代表的一类电力用户的用电类型。
根据每个簇代表的一类电力用户的用电类型，以及每个簇包含的各个目标点对应的用户面积，确定每种用电类型的电力用户的用能边界，并将用能边界作为该种用电类型的电力用户的空间分布特征。
本实施例中，假设某个簇中包含的目标点大部分为工业类，则将该簇代表的所有电力用户确定为工业负荷，假设某个簇中包含的目标点大部分为居住类，则将该簇代表的所有电力用户确定为居住负荷，依次类推。
在步骤103中，根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到供能区域对应的预测总负荷。
本实施例中，在进行计算时，在对选址区域历史负荷数据分析的基础上，根据规划部门提供的相关规划资料，基于各类电力用户的用电特点，同时考虑选址方案所在的区域经济社会发展水平，对本规划区各类用地的负荷密度指标进行推算，以将各类用地的负荷密度指标作为各类电力用户的负荷密度指标，进而计算得到各类电力用户区域的负荷值。
利用本实施计算得到供能区域对应的预测总负荷，能够满足选址区域内各类用户多种用能的需求，进而有利于降低区域内的用能成本、提高可再生能源的利用率。
可选的，根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到供能区域对应的预测总负荷，可以包括：
根据每类电力用户的空间分布特征，确定每类电力用户的面积。
根据每类电力用户的面积，以及每类电力用户的负荷密度，计算得到供能区域对应的预测总负荷。
可选的，根据每类电力用户的面积，以及每类电力用户的负荷密度，计算得到供能区域对应的预测总负荷，可以包括：
根据，计算得到供能区域对应的预测总负荷。
其中，为供能区域对应的预测总负荷，/>为供能区域的各类负荷同时率，/>为供能区域内第/>类电力用户的负荷密度，/>为供能区域内第/>类电力用户的面积。
可选的，供能区域内第类电力用户的负荷密度的确定方式可以为：
根据，确定供能区域内第/>类电力用户的负荷密度。
其中，为供能区域内第/>类电力用户对应的第/>类用地性质的建筑容积率，/>为供能区域内第/>类电力用户对应的第/>类用地性质的建筑面积负荷密度值。
示例性的，以发展水平相当的城市中同类用户的负荷密度指标为参考，确定的空间负荷预测所使用的各类用地的负荷密度指标，建筑用电类别及负荷密度指标如表6及表7所示。
表6建筑用电类别及负荷密度指标
表7具体建筑用电类别及负荷密度指标
在步骤104中，根据预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于目标函数的约束条件对目标函数求解，获得综合能源站的设备容量规划方案。
本实施例构建的综合能源站设备容量配置模型主要包括能源转化设备、能源存储设备、能源生产设备等几个部分。本实施例所构建的综合能源站容量配置优化模型以全寿命周期总成本最小为目标，包括年投资成本、设备购电成本、设备购气成本和设备运维成本。
可选的，目标函数为：
；
其中，为综合能源站中所有设备的全寿命周期最小总成本，/>为综合能源站中所有设备的全寿命周期系统运行成本，/>为综合能源站中所有设备的年化投资费用，为购电成本，/>为购热成本，/>为购买天然气成本，/>为设备运行维护成本，/>为时段/>的购电价格，/>为时段/>的购电功率，/>为时段/>的售电价格，/>为时段/>的售电功率，/>为调度周期，/>为时段/>的购热价格，/>为时段/>的购热功率，为天然气价格，/>为特殊时段天然气价格，/>为特殊时段时长，/>为热能供应模块的运营成本，/>为天然气的低热值，/>为天然气存储系统的功率成本，为天然气存储系统的功率，/>为分布式发电的运行维护成本，/>为分布式发电的输出功率。
本实施例根据综合能源站选址区域内的资源禀赋制定出拟规划的分布式设备，合理地选取决策变量，然后基于上述目标函数，考虑的约束条件主要涵盖设备投资及运行约束、系统内部功率平衡约束、外部网络交换功率约束等。
（1）设备投资约束
综合能源系统的投资约束为：
；
其中，为第/>类能源转化设备在第/>个规划阶段的配置容量，/>为第/>类设备的单位容量设备费用，/>为第/>类设备的单位容量土建费用，/>为第/>类设备的单位容量安装费用，/>为允许投资容量的最大值，/>为能源转化设备的集合。
（2）设备运行约束
本实施例在建立设备运行约束时，主要考虑设备的容量上下限约束、各设备容量对设备运行状态的影响，以光伏设备为例展现设备运行约束模型：
；/>
式中为第d阶段光伏的投资容量，/>为光伏的累计建设容量，/>为光伏的最大建设容量。
（3）功率平衡约束
建立电热冷的功率平衡约束如下：
；
；
；
式中为电系统在第q年t时段输入功率，/>为电系统在第q年t时段输出功率，/>为热系统在第q年t时段输入功率，/>为热系统在第q年t时段输出功率，/>为冷系统在第q年t时段输入功率，/>为冷系统在第q年t时段输出功率。
（4）外部网络交换功率约束
本实施例中的综合能源站中的设备主要包括并网上网和并网不上网两种场景，在并网上网场景中，设备与配电网连接，需要使设备运行与配电网的交换功率需维持在一定的范围内：。
式中为系统与配电网交换功率的最小值，/>为系统与配电网交换功率的最大值。
在确定目标函数和约束条件后，求解综合能源站设备容量的过程转化为多目标优化求解问题。示例性的，可以采用NSGA-II算法进行求解，求解流程如图5所示。
（1）系统初始化。输入系统参数：系统设定设备，冷、热、电负荷数据，当地太阳辐射数据，实时风速数据，算法基础数据等。
（2）填充初始化。生成初始种群P；种群代数，t=1。
（3）仿真。调用较低级别的优化计划策略来计算最优成本目标值。
（4）基因选择。亲本种群的遗传选择，依次完成选择、交叉、变异等进程，产生后代种群Q。
（5）模拟和计算。计算经济以及人口的个体适应性。
（6）结合。将当前种群P与子种群Q相结合，得到种群，根据适应度函数值计算每个个体的优势关系和聚集距离，并对个体进行Pareto分类。
（7）终止条件。判断终止条件，如果满足终止条件，输出最佳设备容量配置结果、能源成本等数据，否则返回步骤（4）。
本实施例通过将改进后的遗传算法用于求解综合能源站设备容量优化模型，可以克服传统遗传算法中需要提前人为指定共享参数的不足，进而保证种群的多样性，实现综合能源站的能源生产、转换、存储设备的最优容量配置，有效降低能源站建设成本。
本发明实施例通过基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据，并利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征，可以有效确定供能区域内不同用电类型的电力用户的空间分布特征，进而根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，合理准确地计算得到供能区域对应的预测总负荷，然后根据预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于目标函数的约束条件对目标函数求解，获得综合能源站的设备容量规划方案，有助于提高综合能源站设备容量规划的准确性，为综合能源站未来的建设提供参考价值。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图6示出了本发明实施例提供的综合能源站设备容量规划装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图6所示，综合能源站设备容量规划装置包括：获取模块61、第一处理模块62、第二处理模块63和规划模块64。
获取模块61，用于基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据；每个兴趣点数据对应一个电力用户的位置相关数据；
第一处理模块62，用于利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征；
第二处理模块63，用于根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到供能区域对应的预测总负荷；
规划模块64，用于根据预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于目标函数的约束条件对目标函数求解，获得综合能源站的设备容量规划方案。
本发明实施例通过基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据，并利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定供能区域内不同用电类型的电力用户的空间分布特征，可以有效确定供能区域内不同用电类型的电力用户的空间分布特征，进而根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，合理准确地计算得到供能区域对应的预测总负荷，然后根据预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于目标函数的约束条件对目标函数求解，获得综合能源站的设备容量规划方案，有助于提高综合能源站设备容量规划的准确性，为综合能源站未来的建设提供参考价值。
在一种可能的实现方式中，兴趣点数据包括道路信息、用户信息、坐标信息和用户面积；第一处理模块62，可以用于基于每个兴趣点数据中的用户信息对相应兴趣点数据对应的电力用户的用电类型进行标记，并将标记后的兴趣点数据记为一个目标点；从所有目标点中随机抽取一个目标点，判断该目标点是否归属于某个簇或是否为噪声点；若该目标点未归属于任一个簇且不是噪声点，则根据该目标点中的道路信息、坐标信息和用户面积，判断该目标点的预设邻域半径内的其他目标点的数量是否小于预设簇最小点数；若该目标点的预设邻域半径内的其他目标点的数量小于预设簇最小点数，则将该目标点记为噪声点；若该目标点的预设邻域半径内的其他目标点的数量大于或等于预设簇最小点数，则将该目标点记为核心点，并将该目标点的所有密度可达点记为归属于以该目标点为核心点的簇；判断该目标点是否为所有目标点中的最后一个目标点，在该目标点不是所有目标点中的最后一个目标点时，返回执行“从所有目标点中随机抽取一个目标点，判断该目标点是否归属于某个簇或是否为噪声点”的步骤及后续步骤；在该目标点为所有目标点中的最后一个目标点时，获得对所有兴趣点数据进行聚类的聚类结果；根据聚类结果中每个簇包含的各个目标点对应的用电类型和用户面积，确定供能区域内不同用电类型的电力用户的空间分布特征。
在一种可能的实现方式中，第一处理模块62，可以用于根据聚类结果中每个簇包含的各个目标点对应的用电类型，确定聚类结果中每个簇代表的一类电力用户的用电类型；根据每个簇代表的一类电力用户的用电类型，以及每个簇包含的各个目标点对应的用户面积，确定每种用电类型的电力用户的用能边界，并将用能边界作为该种用电类型的电力用户的空间分布特征。
在一种可能的实现方式中，第二处理模块63，可以用于根据每类电力用户的空间分布特征，确定每类电力用户的面积；根据每类电力用户的面积，以及每类电力用户的负荷密度，计算得到供能区域对应的预测总负荷。
在一种可能的实现方式中，第二处理模块63，可以用于根据，计算得到供能区域对应的预测总负荷；其中，/>为供能区域对应的预测总负荷，/>为供能区域的各类负荷同时率，/>为供能区域内第/>类电力用户的负荷密度，/>为供能区域内第/>类电力用户的面积。
在一种可能的实现方式中，第二处理模块63，可以用于根据，确定供能区域内第/>类电力用户的负荷密度；其中，/>为供能区域内第/>类电力用户对应的第/>类用地性质的建筑容积率，/>为供能区域内第/>类电力用户对应的第/>类用地性质的建筑面积负荷密度值。
在一种可能的实现方式中，目标函数为：
；
其中，为综合能源站中所有设备的全寿命周期最小总成本，/>为综合能源站中所有设备的全寿命周期系统运行成本，/>为综合能源站中所有设备的年化投资费用，为购电成本，/>为购热成本，/>为购买天然气成本，/>为设备运行维护成本，/>为时段/>的购电价格，/>为时段/>的购电功率，/>为时段/>的售电价格，/>为时段/>的售电功率，/>为调度周期，/>为时段/>的购热价格，/>为时段/>的购热功率，为天然气价格，/>为特殊时段天然气价格，/>为特殊时段时长，/>为热能供应模块的运营成本，/>为天然气的低热值，/>为天然气存储系统的功率成本，为天然气存储系统的功率，/>为分布式发电的运行维护成本，/>为分布式发电的输出功率。
图7是本发明实施例提供的终端的示意图。如图7所示，该实施例的终端7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。处理器70执行计算机程序72时实现上述各个综合能源站设备容量规划方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示各模块/单元的功能。
示例性的，计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在终端7中的执行过程。例如，计算机程序72可以被分割成图6所示各模块/单元。
终端7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端7的示例，并不构成对终端7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器71可以是终端7的内部存储单元，例如终端7的硬盘或内存。存储器71也可以是终端7的外部存储设备，例如终端7上配备的插接式硬盘，智能存储卡（Smart MediaCard，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器71还可以既包括终端7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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，可实现上述各个综合能源站设备容量规划方法实施例的步骤。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、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种综合能源站设备容量规划方法，其特征在于，包括：
基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据；每个兴趣点数据对应一个电力用户的位置相关数据；
利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定所述供能区域内不同用电类型的电力用户的空间分布特征；
根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷；
根据所述预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于所述目标函数的约束条件对所述目标函数求解，获得综合能源站的设备容量规划方案。
2.根据权利要求1所述的综合能源站设备容量规划方法，其特征在于，所述兴趣点数据包括道路信息、用户信息、坐标信息和用户面积；
所述利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定所述供能区域内不同用电类型的电力用户的空间分布特征，包括：
基于每个兴趣点数据中的所述用户信息对相应兴趣点数据对应的电力用户的用电类型进行标记，并将标记后的兴趣点数据记为一个目标点；
从所有目标点中随机抽取一个目标点，判断该目标点是否归属于某个簇或是否为噪声点；
若该目标点未归属于任一个簇且不是噪声点，则根据该目标点中的所述道路信息、所述坐标信息和所述用户面积，判断该目标点的预设邻域半径内的其他目标点的数量是否小于预设簇最小点数；
若该目标点的预设邻域半径内的其他目标点的数量小于预设簇最小点数，则将该目标点记为噪声点；
若该目标点的预设邻域半径内的其他目标点的数量大于或等于预设簇最小点数，则将该目标点记为核心点，并将该目标点的所有密度可达点记为归属于以该目标点为核心点的簇；
判断该目标点是否为所有目标点中的最后一个目标点，在该目标点不是所有目标点中的最后一个目标点时，返回执行“从所有目标点中随机抽取一个目标点，判断该目标点是否归属于某个簇或是否为噪声点”的步骤及后续步骤；
在该目标点为所有目标点中的最后一个目标点时，获得对所有兴趣点数据进行聚类的聚类结果；
根据所述聚类结果中每个簇包含的各个目标点对应的用电类型和用户面积，确定所述供能区域内不同用电类型的电力用户的空间分布特征。
3.根据权利要求2所述的综合能源站设备容量规划方法，其特征在于，所述根据所述聚类结果中每个簇包含的各个目标点对应的用电类型和用户面积，确定所述供能区域内不同用电类型的电力用户的空间分布特征，包括：
根据所述聚类结果中每个簇包含的各个目标点对应的用电类型，确定所述聚类结果中每个簇代表的一类电力用户的用电类型；
根据每个簇代表的一类电力用户的用电类型，以及每个簇包含的各个目标点对应的用户面积，确定每种用电类型的电力用户的用能边界，并将所述用能边界作为该种用电类型的电力用户的空间分布特征。
4.根据权利要求1所述的综合能源站设备容量规划方法，其特征在于，所述根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷，包括：
根据每类电力用户的空间分布特征，确定每类电力用户的面积；
根据每类电力用户的面积，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷。
5.根据权利要求4所述的综合能源站设备容量规划方法，其特征在于，所述根据每类电力用户的面积，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷，包括：
根据，计算得到所述供能区域对应的预测总负荷；
其中，为所述供能区域对应的预测总负荷，/>为所述供能区域的各类负荷同时率，/>为所述供能区域内第/>类电力用户的负荷密度，/>为所述供能区域内第/>类电力用户的面积。
6.根据权利要求5所述的综合能源站设备容量规划方法，其特征在于，所述供能区域内第类电力用户的负荷密度的确定方式为：
根据，确定所述供能区域内第/>类电力用户的负荷密度；
其中，为所述供能区域内第/>类电力用户对应的第/>类用地性质的建筑容积率，/>为所述供能区域内第/>类电力用户对应的第/>类用地性质的建筑面积负荷密度值。
7.根据权利要求1所述的综合能源站设备容量规划方法，其特征在于，所述目标函数为：
；
其中，为综合能源站中所有设备的全寿命周期最小总成本，/>为综合能源站中所有设备的全寿命周期系统运行成本，/>为综合能源站中所有设备的年化投资费用，/>为购电成本，/>为购热成本，/>为购买天然气成本，/>为设备运行维护成本，/>为时段/>的购电价格，/>为时段/>的购电功率，/>为时段/>的售电价格，/>为时段/>的售电功率，/>为调度周期，/>为时段/>的购热价格，/>为时段/>的购热功率，/>为天然气价格，/>为特殊时段天然气价格，/>为特殊时段时长，/>为热能供应模块的运营成本，/>为天然气的低热值，/>为天然气存储系统的功率成本，/>为天然气存储系统的功率，/>为分布式发电的运行维护成本，/>为分布式发电的输出功率。
8.一种综合能源站设备容量规划装置，其特征在于，包括：
获取模块，用于基于综合能源站的预设选址区域的位置信息，获取综合能源站覆盖的供能区域内的各个兴趣点数据；每个兴趣点数据对应一个电力用户的位置相关数据；
第一处理模块，用于利用基于密度的空间聚类方法对所有兴趣点数据进行聚类，根据聚类结果确定所述供能区域内不同用电类型的电力用户的空间分布特征；
第二处理模块，用于根据每类电力用户的空间分布特征，以及每类电力用户的负荷密度，计算得到所述供能区域对应的预测总负荷；
规划模块，用于根据所述预测总负荷，以综合能源站中所有设备的全寿命周期总成本最小为目标构建目标函数，基于所述目标函数的约束条件对所述目标函数求解，获得综合能源站的设备容量规划方案。
9.一种终端，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
CN202310973805.3A 2023-08-04 2023-08-04 综合能源站设备容量规划方法、装置、终端及存储介质 Active CN116720750B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310973805.3A CN116720750B (zh) 2023-08-04 2023-08-04 综合能源站设备容量规划方法、装置、终端及存储介质
ZA2024/00297A ZA202400297B (en) 2023-08-04 2024-01-09 Method and apparatus for planning equipment capacity of integrated energy station, terminal, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310973805.3A CN116720750B (zh) 2023-08-04 2023-08-04 综合能源站设备容量规划方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN116720750A true CN116720750A (zh) 2023-09-08
CN116720750B CN116720750B (zh) 2023-10-27

Family

ID=87866375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310973805.3A Active CN116720750B (zh) 2023-08-04 2023-08-04 综合能源站设备容量规划方法、装置、终端及存储介质

Country Status (2)

Country Link
CN (1) CN116720750B (zh)
ZA (1) ZA202400297B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117477653A (zh) * 2023-12-26 2024-01-30 浙江浙能能源服务有限公司 一种基于区域资源的能源分布管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017199273A (ja) * 2016-04-28 2017-11-02 富士電機株式会社 需給計画装置、需給計画方法及びプログラム
CN112258233A (zh) * 2020-10-22 2021-01-22 国网新疆电力有限公司经济技术研究院 区域综合能源站选址及容量确定方法及装置
CN115392569A (zh) * 2022-08-25 2022-11-25 安徽工程大学 一种电动汽车充电站选址定容方法及系统
CN116029490A (zh) * 2022-11-11 2023-04-28 国网四川省电力公司经济技术研究院 考虑分布式资源区域容量限制的光网储协同规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017199273A (ja) * 2016-04-28 2017-11-02 富士電機株式会社 需給計画装置、需給計画方法及びプログラム
CN112258233A (zh) * 2020-10-22 2021-01-22 国网新疆电力有限公司经济技术研究院 区域综合能源站选址及容量确定方法及装置
CN115392569A (zh) * 2022-08-25 2022-11-25 安徽工程大学 一种电动汽车充电站选址定容方法及系统
CN116029490A (zh) * 2022-11-11 2023-04-28 国网四川省电力公司经济技术研究院 考虑分布式资源区域容量限制的光网储协同规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于震;李怀;袁涛;程文辉;章荣兵;董福海;: "基于聚类分析和最小生成树的区域能源站选址及管网优化方法", 暖通空调, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117477653A (zh) * 2023-12-26 2024-01-30 浙江浙能能源服务有限公司 一种基于区域资源的能源分布管理方法及系统
CN117477653B (zh) * 2023-12-26 2024-03-29 浙江浙能能源服务有限公司 一种基于区域资源的能源分布管理方法及系统

Also Published As

Publication number Publication date
ZA202400297B (en) 2024-03-27
CN116720750B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Wu et al. Optimal site selection for parabolic trough concentrating solar power plant using extended PROMETHEE method: A case in China
Zhou et al. A geographical information system based multi-criteria decision-making approach for location analysis and evaluation of urban photovoltaic charging station: A case study in Beijing
Li et al. Energy performance simulation for planning a low carbon neighborhood urban district: A case study in the city of Macau
Thebault et al. Multicriteria roof sorting for the integration of photovoltaic systems in urban environments
CN110689187B (zh) 一种基于多条件约束的变电站自动选址方法
CN116720750B (zh) 综合能源站设备容量规划方法、装置、终端及存储介质
CN110119556B (zh) 一种区域水源涵养功能的时空演变分析方法
Liu et al. [Retracted] Digital Twin‐Based Ecogreen Building Design
Wang et al. Carbon emission accounting and spatial distribution of industrial entities in Beijing—Combining nighttime light data and urban functional areas
CN114048920A (zh) 充电设施建设的选址布局方法、装置、设备及存储介质
Wang et al. Method multi-criteria decision-making method for site selection analysis and evaluation of urban integrated energy stations based on geographic information system
Badi et al. Using Grey-TOPSIS approach for solar farm location selection in Libya
Ren et al. Optimal planning of municipal-scale distributed rooftop photovoltaic systems with maximized solar energy generation under constraints in high-density cities
CN113723719B (zh) 一种基于配变的近中期负荷预测方法、装置、设备及介质
Huang et al. Geographic information system-assisted optimal design of renewable-powered electric vehicle charging stations in high-density cities
Yu et al. Classification of building complex for the large-scale construction of distributed photovoltaics in urban buildings
CN112633762A (zh) 楼宇能效获取方法及设备
CN110264010B (zh) 新型乡村电力饱和负荷预测方法
Zhang et al. Estimating the outdoor environment of workers’ villages in East China using machine learning
CN116911507A (zh) 基于空间投影寻踪的城市街区活力评价方法及存储介质
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN116362421A (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
Imam et al. Potential of concentrated solar power in the western region of Saudi Arabia: a GIS-based land suitability analysis and techno-economic feasibility assessment
Jamaludin et al. Research on low-carbon evaluation of green buildings based on the whole life cycle theory
Li et al. Identifying urban form typologies in seoul with mixture model based clustering

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