CN118195279A - 基于可再生能源智能耦合的供暖管理调度方法及系统 - Google Patents
基于可再生能源智能耦合的供暖管理调度方法及系统 Download PDFInfo
- Publication number
- CN118195279A CN118195279A CN202410609765.9A CN202410609765A CN118195279A CN 118195279 A CN118195279 A CN 118195279A CN 202410609765 A CN202410609765 A CN 202410609765A CN 118195279 A CN118195279 A CN 118195279A
- Authority
- CN
- China
- Prior art keywords
- renewable energy
- heat supply
- heating
- acquiring
- heat
- 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.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008878 coupling Effects 0.000 title claims abstract description 34
- 238000010168 coupling process Methods 0.000 title claims abstract description 34
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 29
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 23
- 241000254158 Lampyridae Species 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000035807 sensation Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于可再生能源智能耦合的供暖管理调度方法及系统,包括:获取目标供热区域中供热管网的热力动态特性,根据热力动态特性及可再生能源站构建供热系统数字孪生模型提取温度分布;建立热负荷预测模型获取目标供热区域的供热负荷需求;利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;基于供热经济性及碳排放两个因素构建目标,基于约束条件构建多目标优化的调度模型,实现耦合供热调度。本发明得到高效率的可再生能源多源协同供热调度方法,显著降低供热系统运行成本,减少碳排放量,进一步优化了系统的低碳性和经济性。
Description
技术领域
本发明涉及智慧供热技术领域,更具体的,涉及一种基于可再生能源智能耦合的供暖管理调度方法及系统。
背景技术
利用可再生能源是世界能源发展的趋势。随着可再生能源装机容量增大,其波动性增加,导致弃风、弃光等问题,严重影响可再生能源消纳。为解决可再生能源消纳,在现有的调度体系下,基于电力市场手段的可再生能源弃风、弃光电量交易,利用弃风、弃光电量供热,能有效促进可再生能源消纳,减少煤炭等化石燃料消耗,保护环境,因此,发展可再生能源代替燃煤供热,是提高可再生能源利用率、实现清洁供暖的有效策略之一。
随着人民生活品质的提高,居民集中供暖的需求愈加强烈,一些高端住宅、商业、医院等建筑更是有供暖和供冷等多种需求,然而随着火电装机紧缩,传统集中供暖的供热能力日趋饱和,亟需通过可再生能源拓展现有供热能力,解决供暖或供冷民生需求。传统集中热网的优点有:成本低、品质高、技术成熟、稳定可靠等,缺点是灵活性较差;相对于集中热网,分布式可再生能源供能成本较高、供能品质和运行稳定性较弱,优点是:运行灵活并且可实现冷热双供。两种供能形式各有优缺点,如何将可再生能源与传统集中热网耦合实现供暖管理调度成为本领域技术人员亟待解决的实际问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于可再生能源智能耦合的供暖管理调度方法及系统。
本发明第一方面提供了一种基于可再生能源智能耦合的供暖管理调度方法,包括:
获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,根据供热管网的热力动态特性及可再生能源站构建供热系统数字孪生模型;
根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,根据所述热负荷预测模型获取目标供热区域的供热负荷需求;
获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;
基于供热经济性及碳排放两个因素构建目标,基于约束条件构建可再生能源不确定性的多目标优化的调度模型,进行目标供热区域的管理调度。
本方案中,获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,具体为:
根据目标供热区域的供热管网分布及热力站分布生成供热拓扑结构,将热力站作为供热拓扑结构中的节点,将管网分布作为拓扑结构中节点之间的管段;
提取热力站的历史运行数据,在所述历史运行数据中获取供回水温度差值,通过所述供回水温度差值计算热力站的供热功率,利用目标供热区域所在地在供热季的环境温度变化范围预设若干温度区间;
利用预设的若干温度区间进行历史运行数据的聚类,获取不同温度区间对应的类簇,在所述类簇中利用孤立森林算法进行离群点的筛选,通过类簇中的历史运行数据初始化孤立森林进行训练;
获取类簇中历史运行数据的路径分布,根据所述路径分布确定最短路径,利用所述最短路径筛选出类簇中的离群点进行剔除,通过离群点剔除后的历史运行数据生成稳态运行工况下的运行数据序列;
在不同温度区间中利用预设时间尺度进行数据提取,将不同温度区间中提取的数据根据温度变化时序进行组合,根据动态变化过程生成热力动态特性。
本方案中,根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,具体为:
根据可再生能源站的位置信息在目标供热区域的供热拓扑结构中标记添加,构建供热管网及可再生能源站对应物理设备实体的三维仿真模型、功能行为模型及运行规则模型;
获取供热管网及可再生能源站对应物理设备的实时数据,将所述实时数据与调节执行操作进行匹配,利用调节执行操作的响应设备进行实时数据的相应查询及读写,构建供热管网及可再生能源站的物理实体与仿真模型的映射;
通过映射关系以实际运行的实时数据驱动相应虚拟设备,经过不断迭代优化后获取仿真模型的热力孪生数据,提取热力孪生数据的数据特征,判断所述数据特征是否符合所述热力动态特性;
当符合偏差标准时,则获取目标供热区域供热系统的数字孪生模型,利用所述数字孪生模型获取管网节点中的供给温度,并获取目标供热区域中建筑的热惯性,根据所述热惯性进行分区;
引入预测平均热感觉表征热用户的热舒适度,根据实际室内温度及理想室内温度的比值与供热负荷的映射关系设置训练样本,利用所述训练样本训练热负荷预测模型;
根据训练后的热负荷模型获取目标供热地区的热负荷预测值,并对不同室内温度对应的热负荷引入热功率松弛,生成允许波动的区间值,最终输出热负荷预测区间。
本方案中,获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,具体为:
根据目标供热区域中可再生能源站历史出力数据获取出力时空特征,调用热负荷预测模型的结构获取可再生能源出力预测均值及出力上下限,生成不确定区间;
获取预设调度周期内可再生能源的实际出力与预测出力的偏差大于预设偏差阈值的时间段,并进行标记,根据标记的时间段在预设调度周期中的分布及占比获取时间的不确定特征,生成时间不确定调整参数;
获取预设调度周期内调度时间戳中实际出力与预测出力存在偏差的可再生能源站,并进行标记,根据标记可再生能源站的站点分布及设备数获取空间的不确定特征,生成空间不确定调整参数;
根据所述时间不确定调整参数及所述空间不确定调整参数调节不确定区间的范围。
本方案中,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响,具体为:
根据可再生能源站的类别信息利用数据检索获取不同类别可再生能源站的能效测评实例,在所述能效测评实例中提取能够反映系统性能的参数,构建参数集;
在所述参数集中采用遗传算法筛选对运行性能影响显著的参数,根据筛选的参数获取运行性能的评价指标,根据所述评价指标构建标准训练集,使所述标准训练集缺失一个指标,并在训练过程中迭代更新;
根据分类准确度的偏差值获取不同评价指标的重要性,利用所述重要性指导注意力网络进行训练,获取注意力分数对所述评价指标进行加权,构建运行性能综合评价模型;
根据不同可再生能源站的不确定区间获取对应的运行参数,从所述运行参数中提取指标参数,通过运行性能综合评价模型获取各可再生能源站在不同热量出力工况下的评价结果。
本方案中,基于供热经济性及碳排放两个因素构建目标,基于约束条件构建了可再生能源不确定性的多目标优化的调度模型,具体为:
利用萤火虫算法构建调度模型,对以供热经济性及碳排放为目标的多目标函数进行求解,获取热力站及供热管网的工况约束、建筑热惯性约束,并根据各可再生能源站在不同热量出力工况下的评价结果筛选不确定约束;
在约束条件下对多目标函数计算,通过迭代计算后到热负荷分配方案解集,将各热负荷分配方案进行向量化处理,结合现有的热负荷分配发送至供热经济性指标及碳排放指标对应的向量空间进行曲线拟合;
寻找现有热负荷分配与热负荷分配方案解集内欧式距离最小的热负荷分配方案,进行目标供热区域的供热管理调度。
本发明第二方面还提供了一种基于可再生能源智能耦合的供暖管理调度系统,该系统包括:存储器、处理器,所述存储器中包括基于可再生能源智能耦合的供暖管理调度方法程序,所述基于可再生能源智能耦合的供暖管理调度方法程序被所述处理器执行时实现如下步骤:
获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,根据供热管网的热力动态特性及可再生能源站构建供热系统数字孪生模型;
根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,根据所述热负荷预测模型获取目标供热区域的供热负荷需求;
获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;
基于供热经济性及碳排放两个因素构建目标,基于约束条件构建可再生能源不确定性的多目标优化的调度模型,进行目标供热区域的管理调度。
本发明公开了一种基于可再生能源智能耦合的供暖管理调度方法及系统,包括:获取目标供热区域中供热管网的热力动态特性,根据热力动态特性及可再生能源站构建供热系统数字孪生模型提取温度分布;建立热负荷预测模型获取目标供热区域的供热负荷需求;利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;基于供热经济性及碳排放两个因素构建目标,基于约束条件构建多目标优化的调度模型,实现耦合供热调度。本发明得到高效率的可再生能源多源协同供热调度方法,显著降低供热系统运行成本,减少碳排放量,进一步优化了系统的低碳性和经济性。
附图说明
图1示出了本发明基于可再生能源智能耦合的供暖管理调度方法流程图;
图2示出了本发明获取热负荷预测区间的方法流程图;
图3示出了本发明构建多目标优化的调度模型的方法流程图;
图4示出了本发明基于可再生能源智能耦合的供暖管理调度系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明基于可再生能源智能耦合的供暖管理调度方法流程图。
如图1所示,本发明第一方面提供了一种基于可再生能源智能耦合的供暖管理调度方法,包括:
S102,获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,根据供热管网的热力动态特性及可再生能源站构建供热系统数字孪生模型;
S104,根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,根据所述热负荷预测模型获取目标供热区域的供热负荷需求;
S106,获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;
S108,基于供热经济性及碳排放两个因素构建目标,基于约束条件构建可再生能源不确定性的多目标优化的调度模型,进行目标供热区域的管理调度。
需要说明的是,根据目标供热区域的供热管网分布及热力站分布生成供热拓扑结构,将热力站作为供热拓扑结构中的节点,将管网分布作为拓扑结构中节点之间的管段;默认目标供热区域采用恒流变温调节方式进行运行调节,恒流变温调节是指在热力管网内部水流量已知且恒定的情况下,通过调节热源节点处的供水和回水温度来满足热负荷需求,此种调节方式便于运行管理,具有良好的经济性,应用最为广泛。对于热力站节点与热网管道的热能传递,一般采用节点处的供回水热能差值来表示,提取热力站的历史运行数据,在所述历史运行数据中获取供回水温度差值,通过所述供回水温度差值计算热力站的供热功率,利用目标供热区域所在地在供热季的环境温度变化范围预设若干温度区间;利用预设的若干温度区间进行历史运行数据的聚类,获取不同温度区间对应的类簇,在所述类簇中利用孤立森林算法进行离群点的筛选,孤立森林对离散异常具有良好的检测能力,符合供热管网等包含大量噪声数据的检测。通过类簇中的历史运行数据初始化孤立森林进行训练,随机抽取一组容量为的样本,将采样样本放入集合/>中,以/>为根节点,得到一棵孤立树,并将孤立树放在孤立的森林中;获取类簇中历史运行数据的路径分布,采样点的路径长度是孤立树的根节点到叶子节点的边数,路径长度越短,偏差程度越大。根据所述路径分布确定最短路径,利用所述最短路径筛选出类簇中的离群点进行剔除,通过离群点剔除后的历史运行数据生成稳态运行工况下的运行数据序列;在不同温度区间中利用预设时间尺度进行数据提取,将不同温度区间中提取的数据根据温度变化时序进行组合,根据动态变化过程生成热力动态特性。
图2示出了本发明获取热负荷预测区间的方法流程图。
根据本发明实施例,根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,具体为:
S202,根据可再生能源站的位置信息在目标供热区域的供热拓扑结构中标记添加,构建供热管网及可再生能源站对应物理设备实体的三维仿真模型、功能行为模型及运行规则模型;
S204,获取供热管网及可再生能源站对应物理设备的实时数据,将所述实时数据与调节执行操作进行匹配,利用调节执行操作的响应设备进行实时数据的相应查询及读写,构建供热管网及可再生能源站的物理实体与仿真模型的映射;
S206,通过映射关系以实际运行的实时数据驱动相应虚拟设备,经过不断迭代优化后获取仿真模型的热力孪生数据,提取热力孪生数据的数据特征,判断所述数据特征是否符合所述热力动态特性;
S208,当符合偏差标准时,则获取目标供热区域供热系统的数字孪生模型,利用所述数字孪生模型获取管网节点中的供给温度,并获取目标供热区域中建筑的热惯性,根据所述热惯性进行分区;
S210,引入预测平均热感觉表征热用户的热舒适度,根据实际室内温度及理想室内温度的比值与供热负荷的映射关系设置训练样本,利用所述训练样本训练热负荷预测模型;
S212,根据训练后的热负荷模型获取目标供热地区的热负荷预测值,并对不同室内温度对应的热负荷引入热功率松弛,生成允许波动的区间值,最终输出热负荷预测区间。
需要说明的是,可再生能源站包括太阳能、风能、空气热源泵、水热源泵、土壤热源泵、生物质锅炉及蓄热水箱等,建立具有交互功能和模拟真实操作环境的含可再生能源的多热源耦合的供热系统虚拟仿真系统,获取目标供热区域供热系统的数字孪生模型,实现可再生能源站物理实体与虚拟仿真系统实时数据的连接与动态交互。由于建筑围护结构的热特性,当停止供热时,在一段时间内仍能保持舒适的室内温度,使得建筑能够作为定量的储热单元,建筑物内部温度在短期内并不会急剧变化,不同建筑的材料及建筑工艺导致建筑物的热惯性存在差异,通过所述热惯性进行分区,根据不同分区的热特性进行热负荷预测可以实现站点出力的灵活组合调整,引入预测平均热感觉指标进行表征用户的热舒适度,当平均热感觉指标为0时,对应的室温为用户最佳热舒适度。通过神经网络等深度学习方法训练热负荷预测模型,优选的通过CNN-LSTM网络构建热负荷预测模型,CNN作为网络特征提取器,LSTM则引入门控单元对时间序列特征进行保留和遗忘,从而实现提高预测精度,构建室内温度与理想温度的比值及供热负荷的映射关系进行短期热负荷预测。只要供热区域的室内温度保持在用户的舒适度范围内,不需要进行频繁调整,引入松弛化处理后避免室内温度始终处于下限的情况,必须采用平均温度作为约束条件才能确保供热质量。
需要说明的是,根据目标供热区域中可再生能源站历史出力数据获取出力时空特征,调用热负荷预测模型的结构获取可再生能源出力预测均值及出力上下限,生成不确定区间,可再生能源站的实际出力值在所述不确定区间中进行波动。获取预设调度周期内可再生能源的实际出力与预测出力的偏差大于预设偏差阈值的时间段,并进行标记,根据标记的时间段在预设调度周期中的分布及占比获取时间的不确定特征,生成时间不确定调整参数;获取预设调度周期内调度时间戳中实际出力与预测出力存在偏差的可再生能源站,并进行标记,根据标记可再生能源站的站点分布及设备数获取空间的不确定特征,生成空间不确定调整参数;根据所述时间不确定调整参数及所述空间不确定调整参数调节不确定区间的范围,通过改变及合理地设定不确定调整参数,以提高系统决策方案的鲁棒性。
根据可再生能源站的类别信息利用数据检索获取不同类别可再生能源站的能效测评实例,在所述能效测评实例中提取能够反映系统性能的参数,构建参数集;在所述参数集中采用遗传算法筛选对运行性能影响显著的参数,根据筛选的参数获取运行性能的评价指标,例如太阳能的集热面积、集热效率及太阳能保证率等,空气能的制热性能系数,即指热泵供热量与所消耗的电能的比值;根据所述评价指标构建标准训练集,使所述标准训练集缺失一个指标,并在训练过程中迭代更新;根据分类准确度的偏差值获取不同评价指标的重要性,利用所述重要性指导注意力网络进行训练,获取注意力分数对所述评价指标进行加权,构建运行性能综合评价模型;根据不同可再生能源站的不确定区间获取对应的运行参数,从所述运行参数中提取指标参数,通过运行性能综合评价模型获取各可再生能源站在不同热量出力工况下的评价结果,根据评价结果对不确定区间进行调节,当运行性能评价结果为低时,则将对应的不确定区间值进行剔除,建立出力的不确定区间约束避免可再生能源站的运行性能过低,通过最小化出力不确定性保证供热系统的稳定性及经济性。
图3示出了本发明构建多目标优化的调度模型的方法流程图。
根据本发明实施例,基于供热经济性及碳排放两个因素构建目标,基于约束条件构建了可再生能源不确定性的多目标优化的调度模型,具体为:
S302,利用萤火虫算法构建调度模型,对以供热经济性及碳排放为目标的多目标函数进行求解,获取热力站及供热管网的工况约束、建筑热惯性约束,并根据各可再生能源站在不同热量出力工况下的评价结果筛选不确定约束;
S304,在约束条件下对多目标函数计算,通过迭代计算后到热负荷分配方案解集,将各热负荷分配方案进行向量化处理,结合现有的热负荷分配发送至供热经济性指标及碳排放指标对应的向量空间进行曲线拟合;
S306,寻找现有热负荷分配与热负荷分配方案解集内欧式距离最小的热负荷分配方案,进行目标供热区域的供热管理调度。
需要说明的是,通过萤火虫算法构建调度模型,所述萤火虫算法利用萤火虫发光特性来在搜索空间寻找最亮萤火虫,在设定寻找空间内,萤火虫通过自身光亮,对其他萤火虫进行吸引,自身也向邻域范围内位置较优、萤火虫光最亮的萤火虫移动,不断进行空间优化,直至找到亮萤火虫。调度模型的搜索优化过程作为吸引和飞向特定萤火虫的位置更新过程,并确定萤火虫当前位置的适应度,适应度值越优的萤火虫亮度越高,即热负荷分配方案更优。
在目标供热区域的可再生能源耦合的供热系统中,影响供热系统的经济性的关键因素是固定投资成本、燃料供热成本/>及电费成本/>、电费收入/>,对应目标函数为,/>表示热源侧数量,/>表示调度周期。利用供热系统集中供热时,考虑供热机组及可再生能源站的碳排放问题,调度多种热源,结合供热系统经济性综合考虑,降低供热系统整体碳排放水平,以二氧化碳当量作为基准,对于供热系统,常用化石能源为煤炭与天然气,按照化石能源二氧化碳排放系数进行碳排放计算,对应目标函数为/>,/>表示单位设备负荷量的碳排放,/>表示能源设备种类,/>表示单位设备在运行周期k的平均负荷率,/>表示运行周期k的时长,/>表示单位设备的额定负荷。
当目标供热区域需求侧热负荷变化时,需要下发调度指令,对热源侧进行热负荷分配调度,调度要求时效性较高,通过调度模型获取热负荷分配方案解集,在所述热负荷分配方案解集采用拥挤度进行排序决策,常选取拥挤度最大的热负荷分配方案作为最终选取热负荷分配方案。将单个热负荷分配方案进行向量形式的变换,将供热经济性及碳排放的目标函数构成向量空间,将目标供热区域中供热系统现有的热负荷分配方案进行标准化变换,并将解集中的热负荷分配方案分配在向量空间中进行曲线拟合;在热负荷分配方案解集根据相邻热负荷分配方案之间的曼哈顿距离表征拥挤度,距离越小表示拥挤度越高,根据拥挤度预筛选若干热负荷分配方案,寻找现有热负荷分配与预筛选热负荷分配方案欧式距离最小的热负荷分配方案,作为热负荷分配方案,在调度时满足快速响应的需求。
图4示出了本发明基于可再生能源智能耦合的供暖管理调度系统的框图。
本发明第二方面还提供了一种基于可再生能源智能耦合的供暖管理调度系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于可再生能源智能耦合的供暖管理调度方法程序,所述基于可再生能源智能耦合的供暖管理调度方法程序被所述处理器执行时实现如下步骤:
获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,根据供热管网的热力动态特性及可再生能源站构建供热系统数字孪生模型;
根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,根据所述热负荷预测模型获取目标供热区域的供热负荷需求;
获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;
基于供热经济性及碳排放两个因素构建目标,基于约束条件构建可再生能源不确定性的多目标优化的调度模型,进行目标供热区域的管理调度。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于可再生能源智能耦合的供暖管理调度方法程序,所述基于可再生能源智能耦合的供暖管理调度方法程序被处理器执行时,实现如上述任一项所述的基于可再生能源智能耦合的供暖管理调度方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种基于可再生能源智能耦合的供暖管理调度方法,其特征在于,包括以下步骤:
获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,根据供热管网的热力动态特性及可再生能源站构建供热系统数字孪生模型;
根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,根据所述热负荷预测模型获取目标供热区域的供热负荷需求;
获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;
基于供热经济性及碳排放两个因素构建目标,基于约束条件构建可再生能源不确定性的多目标优化的调度模型,进行目标供热区域的管理调度。
2.根据权利要求1所述的一种基于可再生能源智能耦合的供暖管理调度方法,其特征在于,获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,具体为:
根据目标供热区域的供热管网分布及热力站分布生成供热拓扑结构,将热力站作为供热拓扑结构中的节点,将管网分布作为拓扑结构中节点之间的管段;
提取热力站的历史运行数据,在所述历史运行数据中获取供回水温度差值,通过所述供回水温度差值计算热力站的供热功率,利用目标供热区域所在地在供热季的环境温度变化范围预设若干温度区间;
利用预设的若干温度区间进行历史运行数据的聚类,获取不同温度区间对应的类簇,在所述类簇中利用孤立森林算法进行离群点的筛选,通过类簇中的历史运行数据初始化孤立森林进行训练;
获取类簇中历史运行数据的路径分布,根据所述路径分布确定最短路径,利用所述最短路径筛选出类簇中的离群点进行剔除,通过离群点剔除后的历史运行数据生成稳态运行工况下的运行数据序列;
在不同温度区间中利用预设时间尺度进行数据提取,将不同温度区间中提取的数据根据温度变化时序进行组合,根据动态变化过程生成热力动态特性。
3.根据权利要求1所述的一种基于可再生能源智能耦合的供暖管理调度方法,其特征在于,根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,具体为:
根据可再生能源站的位置信息在目标供热区域的供热拓扑结构中标记添加,构建供热管网及可再生能源站对应物理设备实体的三维仿真模型、功能行为模型及运行规则模型;
获取供热管网及可再生能源站对应物理设备的实时数据,将所述实时数据与调节执行操作进行匹配,利用调节执行操作的响应设备进行实时数据的相应查询及读写,构建供热管网及可再生能源站的物理实体与仿真模型的映射;
通过映射关系以实际运行的实时数据驱动相应虚拟设备,经过不断迭代优化后获取仿真模型的热力孪生数据,提取热力孪生数据的数据特征,判断所述数据特征是否符合所述热力动态特性;
当符合偏差标准时,则获取目标供热区域供热系统的数字孪生模型,利用所述数字孪生模型获取管网节点中的供给温度,并获取目标供热区域中建筑的热惯性,根据所述热惯性进行分区;
引入预测平均热感觉表征热用户的热舒适度,根据实际室内温度及理想室内温度的比值与供热负荷的映射关系设置训练样本,利用所述训练样本训练热负荷预测模型;
根据训练后的热负荷模型获取目标供热地区的热负荷预测值,并对不同室内温度对应的热负荷引入热功率松弛,生成允许波动的区间值,最终输出热负荷预测区间。
4.根据权利要求1所述的一种基于可再生能源智能耦合的供暖管理调度方法,其特征在于,获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,具体为:
根据目标供热区域中可再生能源站历史出力数据获取出力时空特征,调用热负荷预测模型的结构获取可再生能源出力预测均值及出力上下限,生成不确定区间;
获取预设调度周期内可再生能源的实际出力与预测出力的偏差大于预设偏差阈值的时间段,并进行标记,根据标记的时间段在预设调度周期中的分布及占比获取时间的不确定特征,生成时间不确定调整参数;
获取预设调度周期内调度时间戳中实际出力与预测出力存在偏差的可再生能源站,并进行标记,根据标记可再生能源站的站点分布及设备数获取空间的不确定特征,生成空间不确定调整参数;
根据所述时间不确定调整参数及所述空间不确定调整参数调节不确定区间的范围。
5.根据权利要求1所述的一种基于可再生能源智能耦合的供暖管理调度方法,其特征在于,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响,具体为:
根据可再生能源站的类别信息利用数据检索获取不同类别可再生能源站的能效测评实例,在所述能效测评实例中提取能够反映系统性能的参数,构建参数集;
在所述参数集中采用遗传算法筛选对运行性能影响显著的参数,根据筛选的参数获取运行性能的评价指标,根据所述评价指标构建标准训练集,使所述标准训练集缺失一个指标,并在训练过程中迭代更新;
根据分类准确度的偏差值获取不同评价指标的重要性,利用所述重要性指导注意力网络进行训练,获取注意力分数对所述评价指标进行加权,构建运行性能综合评价模型;
根据不同可再生能源站的不确定区间获取对应的运行参数,从所述运行参数中提取指标参数,通过运行性能综合评价模型获取各可再生能源站在不同热量出力工况下的评价结果。
6.根据权利要求1所述的一种基于可再生能源智能耦合的供暖管理调度方法,其特征在于,基于供热经济性及碳排放两个因素构建目标,基于约束条件构建了可再生能源不确定性的多目标优化的调度模型,具体为:
利用萤火虫算法构建调度模型,对以供热经济性及碳排放为目标的多目标函数进行求解,获取热力站及供热管网的工况约束、建筑热惯性约束,并根据各可再生能源站在不同热量出力工况下的评价结果筛选不确定约束;
在约束条件下对多目标函数计算,通过迭代计算后到热负荷分配方案解集,将各热负荷分配方案进行向量化处理,结合现有的热负荷分配发送至供热经济性指标及碳排放指标对应的向量空间进行曲线拟合;
寻找现有热负荷分配与热负荷分配方案解集内欧式距离最小的热负荷分配方案,进行目标供热区域的供热管理调度。
7.一种基于可再生能源智能耦合的供暖管理调度系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于可再生能源智能耦合的供暖管理调度方法程序,所述基于可再生能源智能耦合的供暖管理调度方法程序被所述处理器执行时实现如下步骤:
获取目标供热区域中供热管网的稳态运行工况,对所述稳态运行工况组合分析获取热力动态特性,根据供热管网的热力动态特性及可再生能源站构建供热系统数字孪生模型;
根据所述供热系统数字孪生模型获取管网节点的温度信息,基于深度学习方法建立热负荷预测模型,根据所述热负荷预测模型获取目标供热区域的供热负荷需求;
获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响;
基于供热经济性及碳排放两个因素构建目标,基于约束条件构建可再生能源不确定性的多目标优化的调度模型,进行目标供热区域的管理调度。
8.根据权利要求7所述的一种基于可再生能源智能耦合的供暖管理调度系统,其特征在于,获取目标供热区域中可再生能源站的分布,利用可再生能源的时空特征表征出力不确定性,具体为:
根据目标供热区域中可再生能源站历史出力数据获取出力时空特征,调用热负荷预测模型的结构获取可再生能源出力预测均值及出力上下限,生成不确定区间;
获取预设调度周期内可再生能源的实际出力与预测出力的偏差大于预设偏差阈值的时间段,并进行标记,根据标记的时间段在预设调度周期中的分布及占比获取时间的不确定特征,生成时间不确定调整参数;
获取预设调度周期内调度时间戳中实际出力与预测出力存在偏差的可再生能源站,并进行标记,根据标记可再生能源站的站点分布及设备数获取空间的不确定特征,生成空间不确定调整参数;
根据所述时间不确定调整参数及所述空间不确定调整参数调节不确定区间的范围。
9.根据权利要求7所述的一种基于可再生能源智能耦合的供暖管理调度系统,其特征在于,分析运行性能的评价指标,通过不同工况下热量分配比例获取对运行性能的影响,具体为:
根据可再生能源站的类别信息利用数据检索获取不同类别可再生能源站的能效测评实例,在所述能效测评实例中提取能够反映系统性能的参数,构建参数集;
在所述参数集中采用遗传算法筛选对运行性能影响显著的参数,根据筛选的参数获取运行性能的评价指标,根据所述评价指标构建标准训练集,使所述标准训练集缺失一个指标,并在训练过程中迭代更新;
根据分类准确度的偏差值获取不同评价指标的重要性,利用所述重要性指导注意力网络进行训练,获取注意力分数对所述评价指标进行加权,构建运行性能综合评价模型;
根据不同可再生能源站的不确定区间获取对应的运行参数,从所述运行参数中提取指标参数,通过运行性能综合评价模型获取各可再生能源站在不同热量出力工况下的评价结果。
10.根据权利要求7所述的一种基于可再生能源智能耦合的供暖管理调度系统,其特征在于,基于供热经济性及碳排放两个因素构建目标,基于约束条件构建了可再生能源不确定性的多目标优化的调度模型,具体为:
利用萤火虫算法构建调度模型,对以供热经济性及碳排放为目标的多目标函数进行求解,获取热力站及供热管网的工况约束、建筑热惯性约束,并根据各可再生能源站在不同热量出力工况下的评价结果筛选不确定约束;
在约束条件下对多目标函数计算,通过迭代计算后到热负荷分配方案解集,将各热负荷分配方案进行向量化处理,结合现有的热负荷分配发送至供热经济性指标及碳排放指标对应的向量空间进行曲线拟合;
寻找现有热负荷分配与热负荷分配方案解集内欧式距离最小的热负荷分配方案,进行目标供热区域的供热管理调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410609765.9A CN118195279A (zh) | 2024-05-16 | 2024-05-16 | 基于可再生能源智能耦合的供暖管理调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410609765.9A CN118195279A (zh) | 2024-05-16 | 2024-05-16 | 基于可再生能源智能耦合的供暖管理调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118195279A true CN118195279A (zh) | 2024-06-14 |
Family
ID=91400609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410609765.9A Pending CN118195279A (zh) | 2024-05-16 | 2024-05-16 | 基于可再生能源智能耦合的供暖管理调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118195279A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN112862285A (zh) * | 2021-01-28 | 2021-05-28 | 华北电力大学 | 一种热力负荷参与风电消纳的经济性评估方法 |
CN113255224A (zh) * | 2021-06-03 | 2021-08-13 | 玲珑集团有限公司 | 一种基于发光萤火虫算法的能源系统配置优化方法 |
CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
CN114648165A (zh) * | 2022-03-24 | 2022-06-21 | 浙江英集动力科技有限公司 | 一种基于多智能体博弈的多热源供热系统优化调度方法 |
CN115455835A (zh) * | 2022-09-21 | 2022-12-09 | 浙江英集动力科技有限公司 | 一种含可再生能源的多热源联网供热系统优化运行方法 |
CN116300755A (zh) * | 2023-03-24 | 2023-06-23 | 浙江英集动力科技有限公司 | 基于mpc的含储热的供热系统双层优化调度方法及装置 |
CN116739238A (zh) * | 2023-05-12 | 2023-09-12 | 武汉大学 | 一种综合能源系统低碳经济调度方法 |
-
2024
- 2024-05-16 CN CN202410609765.9A patent/CN118195279A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
CN112862285A (zh) * | 2021-01-28 | 2021-05-28 | 华北电力大学 | 一种热力负荷参与风电消纳的经济性评估方法 |
CN113255224A (zh) * | 2021-06-03 | 2021-08-13 | 玲珑集团有限公司 | 一种基于发光萤火虫算法的能源系统配置优化方法 |
CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
CN114648165A (zh) * | 2022-03-24 | 2022-06-21 | 浙江英集动力科技有限公司 | 一种基于多智能体博弈的多热源供热系统优化调度方法 |
CN115455835A (zh) * | 2022-09-21 | 2022-12-09 | 浙江英集动力科技有限公司 | 一种含可再生能源的多热源联网供热系统优化运行方法 |
CN116300755A (zh) * | 2023-03-24 | 2023-06-23 | 浙江英集动力科技有限公司 | 基于mpc的含储热的供热系统双层优化调度方法及装置 |
CN116739238A (zh) * | 2023-05-12 | 2023-09-12 | 武汉大学 | 一种综合能源系统低碳经济调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mavromatidis et al. | Design of distributed energy systems under uncertainty: A two-stage stochastic programming approach | |
CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
CN110428168A (zh) | 一种计及储能的多能源配电系统协调调度综合评价方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN111612273A (zh) | 一种区域级综合能源系统分区设计方法及系统 | |
CN110851892B (zh) | 一种园区级综合能源系统辅助设计方法及系统 | |
CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
CN113991640B (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
Zheng et al. | A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China | |
CN114155044A (zh) | 一种电力现货市场节点电价预测方法及系统 | |
Zhang et al. | Forecasting building plug load electricity consumption employing occupant-building interaction input features and bidirectional LSTM with improved swarm intelligent algorithms | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
Usta et al. | Climate change mitigation technologies detection and evaluation: Case of buildings | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
Qiao | Intelligent building with multi-energy system planning method considering energy supply reliability | |
CN110765726A (zh) | 能源网规划图的智能生成系统 | |
CN118195279A (zh) | 基于可再生能源智能耦合的供暖管理调度方法及系统 | |
Zhang | Data-driven whole building energy forecasting model for data predictive control | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
KR101778599B1 (ko) | 건물 태양열시스템 최적화 설계방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |