一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法与流程

本发明涉及制造企业生产车间排产技术领域，具体涉及一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法。

背景技术：

目前，我国存在着风光电站迅速发展以及弃风弃光日益严重的矛盾现象。风电的发展速度超出了电网及用电负荷的发展状况，导致弃风问题日渐突出，全国弃风电量达到175亿千瓦时，弃风率15.2％，部分地区弃风率甚至达到30％-40％以上。弃风指的是风力发电机在发电中，不向终端用户供电，而弃光就是光伏电站的发电量大于电力系统最大传输电量与负荷消纳电量之和。因此，通过蓄热电锅炉进行剩余电能消纳，将弃风弃光消纳问题与电能替代发展结合起来，将分布式蓄热电锅炉作为需求侧可控资源，保证负荷用电量的同时缓解风光电对电网稳定的冲击，达到弃风弃光的实时消纳，提高经济效益，促进电力企业长远发展。

但是由于风光电站的输出是一个非平稳、即时变化、动态特性的随机变量，具有波动性强、抗干扰能力弱、间歇性以及周期性特点的不可控的分布式能源。另一方面由于电力负荷、电热负荷需求的变化，为了达到弃风弃光的实时消纳，获得更高的经济效益，应当对分布式蓄热电锅炉消纳系统进行影响运行指标因素的划分，并对当前运行状态进行打分，从而当对指标提高时可以进行合理的参数调整；但是，在现有的技术中，多侧重于对蓄热电锅炉作为实时消纳虚拟发电厂电量能力的研究，缺乏对各种影响因素对于蓄热电锅炉消纳系统状态影响的研究，使得在消纳系统运行状态需要进行调整时，如需要提高用户供暖效果、提高经济性，不知应具体分别调整哪些因素，从而造成因蓄热电锅炉消纳弃风弃光消纳系统运行效率不高，影响用户取暖需要，不能达到好的经济效益。

技术实现要素：

针对现有技术存在的问题，本发明提供一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法，其排产方法是针对客车在路由缓冲区移动路线复杂的特点提出的，通过改机代价所构建的路由规则来控制客车在路由缓冲区中的移动过程，解决了具有路由缓冲区的客车制造车间排产问题。

本发明的技术方案是：

一种蓄热电锅炉消纳系统监测数据评价系统，包括蓄热电锅炉监测数据采集模块、改进型秩相关度计算模块、模糊评价模块；

所述蓄热电锅炉监测数据采集模块，用于采集蓄热电锅炉消纳系统监测数据，包括供水温度、回水温度、供水压力、回水压力和室外温度，并读取消纳系统指标数据；所述消纳系统指标数据包括用户室内温度、消纳系统电表所测消纳量和锅炉自身运行状态；

所述改进型秩相关度计算模块，用于根据收集来的数据相对于消纳指标定量计算不同因素对于同一消纳系统指标的相关度，并相对于同一消纳系统指标筛选出主要影响因素，再根据不同因素对于同一消纳系统指标的相关度，将主要影响因素划分成不同因素集，并根据不同因素的相关度计算其权重；

所述模糊评价模块，根据改进型秩相关度计算模块筛检后变量因素形成的因素集和消纳系统指标构建的评价集获得隶属度向量，再通过模糊算子将相应的权重与隶属度矩阵进行计算，获得对指标数据的评价。

一种蓄热电锅炉消纳系统监测数据评价系统的评价方法，包括以下步骤：

步骤1：每隔一段时间采集蓄热电锅炉消纳系统监测数据，包括供水温度、回水温度、供水压力、回水压力和室外温度，并读取消纳系统监测数据对应的消纳系统指标数据，得到n对观察数据(xi，yi)；所述消纳系统指标数据包括用户室内温度、消纳系统电表所测消纳量和锅炉自身运行状态；

步骤2：将n对观察数据组合为样本空间s，将样本空间s划分为k个连续均等的小样本空间，每个小样本空间含有n对观察数据(xi，yi)：

步骤3：采用趋势数据法，通过相邻数据的变化率来对第kz个小样本空间中的消纳系统监测数据进行优化；

步骤4：提取变化率的正负表示变化趋势，得到消纳系统监测数据的变化趋势数据集{mx}，然后对变化趋势数据集{mx}进行编排秩次得到数据集{pkz}；

步骤5：采用趋势数据法，通过相邻数据的变化率对第kz个小样本空间中的消纳系统指标数据进行优化；

步骤6：提取变化率的正负表示变化趋势，得到消纳系统指标数据的变化趋势数据集{my}，然后对变化趋势数据集{my}进行编排秩次得到数据集{qkz}；

步骤7：根据数据集{pkz}和{qkz}计算消纳系统监测数据相对于消纳系统指标数据的秩相关度rkz；

步骤8：对其余k-1个小样本空间重复步骤3至步骤7，获得k个小样本空间的k个秩序相关度r^k＝(rk1......rkz.......rkk)；

步骤9：通过置信区间公式确定消纳系统监测数据相对于消纳系统指标数据的真实秩相关度rreal有100*(1-a)％可能性落到第kz个小样本空间的秩相关度区间范围内，其中，a为显著性水平常数，zn为不同置信度所对应的常数；

步骤10：通过单侧置信边界确定消纳系统监测数据相对于消纳系统指标数据的真实秩相关度rreal有100*(1-a/2)％的可能性为

步骤11：用k个小样本空间所得样本秩相关度对真实秩相关度进行置信估计修正，并选下边界为真实秩相关度，即消纳系统监测数据在样本空间s下，真实秩相关度rreal有100*(1-a/2)％的可能性为

步骤11：对所有消纳系统监测数据分别执行步骤3至步骤11，得到所有p个消纳系统监测数据相对于同一消纳系统指标数据的秩相关度为：r^o＝(rreal1，rreal2...，rrealp)；

步骤12：根据统计学原理筛选出的q个消纳系统监测数据作为影响消纳系统指标数据的主要因素，并作为模糊评价模块的因素集u，重新编排构成筛选后的因素形成变量向量组x＝(x１，x2，...，xq)，秩相关度向量r＝(r1，r2，...，rq)；

步骤13：将秩相关向量进行模数归一化处理，获得权重向量ω＝(ω1，ω2，...，ωq)；

步骤14：利用筛选后的因素构建评价集v＝(v1，v2，...，vm)；

步骤15：根据评价集v对因素集u中的每一个因素进行专家打分，得到每一个因素的隶属度向量cq＝(cq1，cq2，...，cqm)；

步骤16：根据对因素集u中所有因素打分获得的隶属度向量cq得到隶属度矩阵

步骤17：将权重向量ω与隶属度矩阵c通过模糊算子进行计算，得到综合评价向量b＝(b1，b2，...，bm)；

步骤18：选取运行状态评分标准向量y＝(90，80，60，30)^t，将综合评价向量b转换为评分分数。

进一步地，所述步骤7中计算消纳系统监测数据相对于消纳系统指标数据的秩相关度rkz的公式如下：

进一步地，所述步骤13中将秩相关向量进行模数归一化处理的公式如下：

进一步地，所述步骤17中将权重向量ω与隶属度矩阵c通过模糊算子进行计算的公式如下：

本发明的有益效果：

本发明提出一种蓄热电锅炉消纳系统监测数据评价系统及其评价方法，通过消纳系统运行过程中产生的监测数据，获得各个因素的权重，并引入改进型秩相关度的方法，利用统计学原理进行秩相关度的置信修正，选下边界作为真实秩相关度，获得更加准确的秩相关度，理论性更强，更加有效具体，在指标集过大时，仍然保持较高的准确性，本方法对蓄热电锅炉实时消纳弃风弃光运行产生的数据进行划分，得到影响经济性，用户供暖效果，锅炉自身运行状态的不同影响因素，并为消纳系统经济性、用户供暖状态、锅炉自身运行状态等指标做出综合评价，并提供消纳系统相应于各个指标调整的影响因素的数据支撑。

附图说明

图1为本发明实施例中蓄热电锅炉消纳系统监测数据评价系统的结构框图；

图2为本发明实施例中蓄热电锅炉消纳系统监测数据评价系统的评价方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种蓄热电锅炉消纳系统监测数据评价系统，其结构框图如图1所示，包括蓄热电锅炉监测数据采集模块、改进型秩相关度计算模块、模糊评价模块；

所述蓄热电锅炉监测数据采集模块，用于采集蓄热电锅炉消纳系统监测数据，包括供水温度、回水温度、供水压力、回水压力和室外温度，并读取消纳系统指标数据；所述消纳系统指标数据包括用户室内温度、消纳系统电表所测消纳量和锅炉自身运行状态；

所述改进型秩相关度计算模块，用于根据收集来的数据相对于消纳指标定量计算不同因素对于同一消纳系统指标的相关度，并相对于同一消纳系统指标筛选出主要影响因素，再根据不同因素对于同一消纳系统指标的相关度，将主要影响因素划分成不同因素集，并根据不同因素的相关度计算其权重；

所述模糊评价模块，根据改进型秩相关度计算模块筛检后变量因素形成的因素集和消纳系统指标构建的评价集获得隶属度向量，再通过模糊算子将相应的权重与隶属度矩阵进行计算，获得对指标数据的评价。

一种蓄热电锅炉消纳系统监测数据评价系统的评价方法，流程如图2所示，包括以下步骤：

步骤1：每隔一段时间采集蓄热电锅炉消纳系统监测数据，包括供水温度、回水温度、供水压力、回水压力和室外温度，并读取消纳系统监测数据对应的消纳系统指标数据，得到n对观察数据(xi，yi)；所述消纳系统指标数据包括用户室内温度、消纳系统电表所测消纳量和锅炉自身运行状态；

本实施例中，选取间隔时间为10min，n＝1000。

步骤2：将n对观察数据组合为样本空间s，将样本空间s划分为k个连续均等的小样本空间，每个小样本空间含有n对观察数据(xi，yi)：

本实施例中，取n＝100，k＝10。

步骤3：采用趋势数据法，通过相邻数据的变化率来对第kz个小样本空间中的消纳系统监测数据进行优化；

所述变化率的计算公式如下：

步骤4：提取变化率的正负表示变化趋势，得到消纳系统监测数据的变化趋势数据集{mx}，然后对变化趋势数据集{mx}进行编排秩次得到数据集{pkz}；

本实施例中，提取变化率的正负表示变化趋势，其中，1表示增大，0表示为0，-1表示减小。

步骤5：采用趋势数据法，通过相邻数据的变化率对第kz个小样本空间中的消纳系统指标数据进行优化；

步骤6：提取变化率的正负表示变化趋势，得到消纳系统指标数据的变化趋势数据集{my}，然后对变化趋势数据集{my}进行编排秩次得到数据集{qkz}；

步骤7：根据数据集{pkz}和{qkz}计算消纳系统监测数据相对于消纳系统指标数据的秩相关度rkz；

所述计算消纳系统监测数据相对于消纳系统指标数据的秩相关度rkz的公式如下：

步骤8：对其余k-1个小样本空间重复步骤3至步骤7，获得k个小样本空间的k个秩序相关度r^k＝(rk1......rkz.......rkk)；

步骤9：通过置信区间公式确定消纳系统监测数据相对于消纳系统指标数据的真实秩相关度rreal有100*(1-a)％可能性落到第kz个小样本空间的秩相关度区间范围内，其中，a为显著性水平常数，zn为不同置信度所对应的常数；

步骤10：通过单侧置信边界确定消纳系统监测数据相对于消纳系统指标数据的真实秩相关度rreal有100*(1-a/2)％的可能性为

步骤11：用k个小样本空间所得样本秩相关度对真实秩相关度进行置信估计修正，并选下边界为真实秩相关度，即消纳系统监测数据在样本空间s下，真实秩相关度rreal有100*(1-a/2)％的可能性为

步骤11：对所有消纳系统监测数据分别执行步骤3至步骤11，得到所有p个消纳系统监测数据相对于同一消纳系统指标数据的秩相关度为：r^o＝(rreal1，rreal2...，rrealp)；

步骤12：根据统计学原理筛选出的q个消纳系统监测数据作为影响消纳系统指标数据的主要因素，并作为模糊评价模块的因素集u，重新编排构成筛选后的因素形成变量向量组x＝(x1，x2，...，xq)，秩相关度向量r＝(r1，r2，...，rq)；

步骤13：将秩相关向量进行模数归一化处理，获得权重向量ω＝(ω1，ω2，...，ωq)；

所述将秩相关向量进行模数归一化处理的公式如下：

步骤14：利用筛选后的因素构建评价集v＝(v1，v2，...，vm)；

步骤15：根据评价集v对因素集u中的每一个因素进行专家打分，得到每一个因素的隶属度向量cq＝(cq1，cq2，...，cqm)；

步骤16：根据对因素集u中所有因素打分获得的隶属度向量cq得到隶属度矩阵

步骤17：将权重向量ω与隶属度矩阵c通过模糊算子进行计算，得到综合评价向量b＝(b1，b2，...，bm)；

所述将权重向量ω与隶属度矩阵c通过模糊算子进行计算的公式如下：

步骤18：选取运行状态评分标准向量y＝(90，80，60，30)^t，将综合评价向量b转换为评分分数。

最后应说明的是：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；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因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权利要求所限定的范围。