一种多能源系统中长期冷热电负荷分类方法与流程

本发明涉及多能源综合系统领域，更具体地说，涉及一种多能源系统中长期冷热电负荷分类方法。

背景技术：

随着互联网、物联网、云计算、大数据技术的迅猛发展，全球智能化水平日益升高，随着智慧地球概念的提出，智慧城市、智慧社区、智能建筑、智能电网等智能产业在全球各国陆续兴起、发展。能源领域也发生着巨大的变革，我国将力争在未来二三十年间构建起"需求合理化、开发绿色化、供应多元化、调配智能化、利用高效化"的新型能源体系。可再生能源引领的能源转型形势良好，全球各国都在加大可再生能源的利用，2016年全球62％的新增电力来自可再生能源，2017年美国来自可再生能源的净新增电力超过94％，能源拓扑结构的日益复杂性更加彰显能源互联网的不可替代性。新型能源的控制管理、运行调度在能源智能化平台中占据不可或缺的地位，动态优化调度的核心则为负荷预测技术、智能调度等，通过软硬件结合构成了智能调度平台，进一步实现针对此能源互联网的实时监测及全网可控。

能源系统规划属于长期优化，在较长时间尺度上解决能源设施的发展、投建问题。区域多能源供给系统中冷/热、电负荷在中长期尺度上的预测方法是能源系统规划的基础，首先有必要进行中长期冷热电负荷分类，现有技术中尚未有关于多能源系统中长期冷热电负荷分类方法的报道。

技术实现要素：

本发明所要解决的技术问题是，提出一种多能源系统中长期冷热电负荷分类方法。

本发明解决其技术问题所采用的技术方案是：

设计一种多能源系统中长期冷热电负荷分类方法，该方法包括如下步骤：

step1，采集多能源系统中长期冷热电负荷。

step2，对步骤step1的冷热电负荷信号进行预处理。

step3，对经过步骤step2预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵。

step4，将步骤step3提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类。

step5，将步骤step4的冷热电负荷信号分类结果与步骤step1的负荷信号进行对比，确定识别结果。

在上述方案中，所述步骤step3具体包括以下步骤：

step3-1，分解冷热电负荷信号。

step3-2，计算负荷信号样本熵。

step3-3，分析信号频域细节。

step3-4，提取特征熵。

在上述方案中，所述分步骤step3-2中的样本熵计算步骤为：

step3-2-1，对负荷信号进行粗粒化计算；

step3-2-2，根据尺度τ变化所得到的的时间序列，长度n＝l/τ，按顺序组成一组m维矢量：从y^τ(1)到y^τ(n-m+1)；

step3-2-3，定义y^τ(i)与y^τ(j)之间的距离为两者对应元素中差值最大的一个，即

，

并计算每一个i值对应的d[y^τ(i)-y^τ(j)]；

step3-2-4，给定阈值r，对于每一个1≤i≤n-m+1，统计d[y^τ(i)-y^τ(j)]小于r的数目及此数目与距离总数n-m的比值，记作

step3-2-5，对所有点求均值，记作c^τ,m(r)，即

step3-2-6，增加维数至m+1，重复步骤step3-2-2至step3-2-5，得到c^τ,m+1(r)；

step3-2-7，计算样本熵：

在上述方案中，所述分步骤step3-4中的提取特征熵包括以下步骤：定义三种负荷突变前尺度上的熵增长速度为熵增率，采用最小二乘法进行拟合得到斜率，联合具有物理意义的样本熵均值组成特征量(r1,r2)。

在上述方案中，所述步骤step4中支持向量机学习器对冷热电负荷信号进行分类的算法采用径向基核函数，分类器采用一对一算法，具体包括以下步骤：

step4-1，对给定样本集(xi,yi)，i＝1，2，…n，xi∈r^d，y∈{-1,1}是类别标号，通过非线性变换r^d→rⁿ,将输入向量映射到n维空间；

step4-2，在高维空间建立超平面：

ωφ(x)+b＝0(2)

其中：权重

step4-3，分类超平面优化，即在yi(ωφ(xi)+b)≥1约束条件下，分类平面φ(ω)＝||ω||²/2取得最小值；

step4-4，引入lagrange乘子ai≥0，转化为二次规划算法：

得到最优

step4-5，最优分类函数为：

引入核函数k，k(xi,xj)＝φ(xi)·φ(xj)，则

与现有技术相比，本发明具有以下有益效果：

本发明能够准确地对多能源系统中长期冷热电负荷进行分类。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。

本发明提供一种多能源系统中长期冷热电负荷分类方法，该方法包括如下步骤：

step1，采集多能源系统中长期冷热电负荷。

step2，对步骤step1的冷热电负荷信号进行预处理。

step3，对经过步骤step2预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵。步骤step3具体包括以下步骤：

step3-1，分解冷热电负荷信号。

step3-2，计算负荷信号样本熵。该分步骤中的样本熵计算步骤为：

step3-2-1，对负荷信号进行粗粒化计算；

step3-2-2，根据尺度τ变化所得到的的时间序列，长度n＝l/τ，按顺序组成一组m维矢量：从y^τ(1)到y^τ(n-m+1)；

step3-2-3，定义y^τ(i)与y^τ(j)之间的距离为两者对应元素中差值最大的一个，即

，

并计算每一个i值对应的d[y^τ(i)-y^τ(j)]；

step3-2-4，给定阈值r，对于每一个1≤i≤n-m+1，统计d[y^τ(i)-y^τ(j)]小于r的数目及此数目与距离总数n-m的比值，记作

step3-2-5，对所有点求均值，记作c^τ,m(r)，即

step3-2-6，增加维数至m+1，重复步骤step3-2-2至step3-2-5，得到c^τ,m+1(r)；

step3-2-7，计算样本熵：

step3-3，分析信号频域细节。

step3-4，提取特征熵。该分步骤中的提取特征熵包括以下步骤：定义三种负荷突变前尺度上的熵增长速度为熵增率，采用最小二乘法进行拟合得到斜率，联合具有物理意义的样本熵均值组成特征量(r1,r2)。

step4，将步骤step3提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类。步骤step4中支持向量机学习器对冷热电负荷信号进行分类的算法采用径向基核函数，分类器采用一对一算法，具体包括以下步骤：

step4-1，对给定样本集(xi,yi)，i＝1，2，…n，xi∈r^d，y∈{-1,1}是类别标号，通过非线性变换r^d→rⁿ,将输入向量映射到n维空间；

step4-2，在高维空间建立超平面：

ωφ(x)+b＝0(2)

其中：权重

step4-3，分类超平面优化，即在yi(ωφ(xi)+b)≥1约束条件下，分类平面φ(ω)＝||ω||²/2取得最小值；

step4-4，引入lagrange乘子ai≥0，转化为二次规划算法：

得到最优

step4-5，最优分类函数为：

为了避免高维空间复杂运算，引入核函数k，k(xi,xj)＝φ(xi)·φ(xj)，则

step5，将步骤step4的冷热电负荷信号分类结果与步骤step1的负荷信号进行对比，确定识别结果。

以某个区域多能源供给系统为例，根据上述方法步骤，采集其中长期冷热电负荷数据，参见表1，原始数据长度n＝8760，尺度τ＝1～20，m＝2，r＝0.1sd，sd为原始时间序列的标准差，电负荷区域面积取1000m²，计算得到的样本数据如下表2所示：

表1中长期逐时电负荷数据

表2本实施例中计算得到的样本数据及识别结果与实际情况对照表

由表2可知，采用本发明获得的冷热电负荷信号分类结果与实际负荷类别完全相同，说明本发明能够准确地对多能源系统中长期冷热电负荷进行分类。

上述对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。