基于相似度的BP神经网络电采暖设备调节能力评估方法与流程

本发明属于电采暖，是一种基于相似度的bp神经网络电采暖设备调节能力评估方法。

背景技术：

风能、太阳能等可再生能源发电大规模并入电网，给电网的安全经济运行带来困难和严重的弃风弃光等现象。这种情况下，仅仅通过发电机一次调频、自动发电控制、经济调度等发电侧手段，往往难以满足电网安全经济运行，需要辅助以负荷调控手段。随着国家大力推进用户采用电采暖供暖的方式，电采暖这种具有储能性、响应速度快、高可控性等特性的可时移负荷，在其装机容量可观时，利用“电采暖”这种储能性负荷来提升电网的调节能力大有可为。因此，能否准确的预测到未来某段时间内电采暖的调节能力是参与电网调节能力的基础。目前，大多数工作是在已有的热力学模型的基础下宏观评估电采暖设备调节能力，由于各种不确定性因素的影响，不能较为准确的评估电采暖设备的调节能力大小。在此背景下，本发明提出了一种基于相似度的bp神经网络电采暖设备调节能力评估方法。

技术实现要素：

本发明所要解决的技术问题是：克服现有技术的缺点，提供一种精确的基于相似度的bp神经网络电采暖设备调节能力评估方法，能够获得接近实际的模拟仿真结果，提高了电采暖设备调节能力评估的准确性。

本发明解决技术问题的方案是：一种基于相似度的bp神经网络电采暖设备调节能力评估方法，其特征是：首先定义电采暖设备的调节能力指标，再计算历史数据与待预测时刻之间的相似度，评估出在满足人体舒适度温度区间[tmin，tmax]下的电采暖设备的调节能力，具体包括以下内容：

1)定义电采暖负荷的调节能力指标；

p为电采暖设备的功率大小，单位kw；

t为在用户舒适度区间下，电采暖设备能够开启或关闭的时间，单位h；

w为电采暖设备的调节能力指标，单位kwh；

2)计算历史数据与待预测时刻之间的相似度；

计算如公式(1)：

式(1)中：历史i时刻的特征向量为xi＝[xi1,xi2,xi3,…,xim]，i＝1,2,3,…，xim为特征量，m为特征量个数，待预测时刻的特征向量文为xj；

3)电采暖负荷调节能力评估

①确定相似选择的影响因素；

确定采用电采暖的建筑物的种类、位置和面积s，确定用户舒适度区间[tmin，tmax]，给出包括室外温度、室内温度、太阳辐照度的历史n天的供暖数据；

②确定历史特征向量xik和当前时刻特征向量xjk；

选取某一时刻室内温度troom作为电采暖负荷调节能力的评估时刻的初始温度to，根据天气预报给出未来时段内的室外温度变化tout和太阳辐照度α，提取待预测时刻和历史数据的特征量x1为当前时刻室内温度troom、x2为未来一时段内室外平均温度tout,average、x3为tmin或tmax、x4为太阳辐照度α、x5为室外温度变化趋势，x6为设备功率大小p，共同组成历史特征向量xik和当前时刻特征向量xjk；

所述室外温度变化趋势x5的设定：室外温度上升x5为1、室外温度下降x5为-1、室外温度不变x5为0；

③相似选取；

将由步骤3)的①和②所获取的相关数据代入到相似度计算公式(1)中，计算历史时刻与待预测时刻之间的相似度，选出相似度大的升温、降温过程数据；

④建立bp神经网络预测模型；

将步骤3)的③所得到的数据作为bp神经网络的训练样本，将进行相似选择的特征量作为bp神经网络的输入向量，电采暖设备在温度舒适度区间[tmin,tmax]能够开启或关闭的时间t作为bp神经网络的输出向量，建立bp神经网络预测模型，得到电采暖设备的响应时间t；

⑤电采暖负荷调节能力评估；

根据步骤3)的④得到电采暖设备的响应时间t，按照公式(2)评估电采暖设备的调节能力；当电采暖设备本身处于关闭状态，此时电采暖设备能够开启，t时间内室内温度从troom上升到tmax，为电采暖设备的上调能力wup；当电采暖设备本身处于开启状态，此时电采暖设备能够关闭，t时间内室内温度从troom下降到tmin，为电采暖的下调能力wdown；

本发明的有益效果是：其目标对象为北方地区的冬季采暖，首先根据历史数据分析影响电采暖设备调节能力的因素，计算历史数据与待预测时刻之间的相似度，选出历史相似的时刻作为bp神经网络的训练样本，评估出在满足人体舒适度温度区间[tmin，tmax]下的电采暖设备的调节能力，能够更加全面的考虑影响电采暖设备调节能力大小的因素，具有科学合理，适用性强，效果佳等优点。

附图说明

图1为本发明一种基于相似度的bp神经网络电采暖设备调节能力评估方法流程图；

图2为用本发明的评估方法进行评估的上调能力和下调能力随室内温度变化的趋势图；

图3为本发明的电采暖设备调节能力评估与热力学模型(etp)的电采暖设备调节能力评估上调能力对比图；

图4为本发明的电采暖设备调节能力评估与热力学模型(etp)的电采暖设备调节能力评估下调能力对比图；

图5为实施例1的建模系统结构示意图。

图中：1云计算服务单元，2集中控制器，3电采暖，4无线电流电压表，5温控器，6控制信号发射器，7控制信号编码器，8综合调度控制单元。

具体实施方式

下面结合实施例对本发明进一步说明。

参见图1-图5，实施例1，本实施例用于对某小区10.15m²家庭用户房间进行电采暖设备调节能力评估。电采暖功率p为0.9kw(折合0.089kw/m²)，设定室内温度调整范围[tmax，tmin]为[20℃,23℃]，选取2018年2月16日-2018年2月18日共4320组室内温度、室外温度和太阳辐照度数据作为历史数据(采样间隔1min)，评估2018年2月19日一天中某20个刻的电采暖设备调节能力。

具体包括以下内容：

1)定义电采暖负荷的调节能力指标；

p为电采暖设备的功率大小，单位kw，本实施例p＝0.9kw；

t为在用户舒适度区间下，电采暖设备能够开启或关闭的时间，单位h；

w为电采暖设备的调节能力指标，单位kwh；

2)计算历史数据与待预测时刻之间的相似度；

计算如公式(1)：

式(1)中：历史i时刻的特征向量为xi＝[xi1,xi2,xi3,…,xim]，i＝1,2,3,…，xim为特征量，m为特征量个数，待预测时刻的特征向量文为xj；计算得到160组升温过程数据和350组降温过程数据；

3)电采暖负荷调节能力评估

①确定相似选择的影响因素；

确定采用电采暖的建筑物的种类、位置和面积s＝10.15m²，确定用户舒适度区间[tmin＝20℃，tmax＝23℃]，给出包括室外温度、室内温度、太阳辐照度的历史3天(2018年2月16日-2018年2月18日)的供暖数据；

②确定历史特征向量xik和当前时刻特征向量xjk；

选取某一时刻室内温度troom作为电采暖负荷调节能力的评估时刻的初始温度to，根据天气预报给出未来时段内的室外温度变化tout和太阳辐照度α，提取待预测时刻和历史数据的特征量x1为当前时刻室内温度troom、x2为未来一时段内室外平均温度tout,average、x3为tmin或tmax、x4为太阳辐照度α、x5为室外温度变化趋势，x6为设备功率大小p，共同组成历史特征向量xik和当前时刻特征向量xjk；

所述室外温度变化趋势x5的设定：室外温度上升x5为1、室外温度下降x5为-1、室外温度不变x5为0；

③相似选取；

将由步骤3)的①和②所获取的相关数据代入到相似度计算公式(1)中，计算历史时刻与待预测时刻之间的相似度，选出相似度大的160组升温过程数据和350组降温过程数据；

④建立bp神经网络预测模型；

将步骤(3)的③所得到的数据作为bp神经网络的训练样本，将进行相似选择的特征量作为bp神经网络的输入向量，电采暖设备在温度舒适度区间[tmin＝20℃，tmax＝23℃]能够开启或关闭的时间t作为bp神经网络的输出向量，bp神经网络的迭代次数为100，学习率为0.1，训练目标为0.00004，网络为双隐含层，节点数目分别为6和2，建立bp神经网络预测模型，得到电采暖设备的响应时间t；

⑤电采暖负荷调节能力评估；

根据步骤3)的④得到电采暖设备的响应时间t，按照公式(2)评估电采暖设备的调节能力；当电采暖设备本身处于关闭状态，此时电采暖设备能够开启，t时间内室内温度从troom上升到tmax，为电采暖设备的上调能力wup；当电采暖设备本身处于开启状态，此时电采暖设备能够关闭，t时间内室内温度从troom下降到tmin，为电采暖的下调能力wdown；

将本发明的方法对实施例1进行的电采暖设备调节能力评估与传统的热力学模型(etp)进行的电采暖设备调节能力评估做比较，获得对比结果见图3和图4，传统的热力学模型(etp)进行的电采暖设备调节能力评估过程如下：

传统热力学模型可用公式(3)表征室内温度的变化，相关参数如表1所示；

表1etp模型参数取值

利用式(4)和(5)作为误差评判标准，即相对平均绝对百分误差(mape)和最大绝对误差(me)，如表2所示。

me＝max|ti-ti'|(5)

式中：ti和ti'分别为第i时刻的真实值和预测值；n为预测时刻的个数，n＝20。troom为室内温度，℃。c、r、p分别为等值热电容(j/℃)、等值热电阻(℃/w)、设备电功率(w)；to为室外环境温度，℃。t为仿真时刻；△t为仿真步长，min；k为电采暖开关状态，当电采暖开启时k＝1，当电采暖关闭时k＝0。

表2两种方法的误差分析对比表

对比图3、图4以及表2中电采暖设备上调能力的平均绝对百分误差(mape)和最大绝误差(me)和电采暖设备下调能力的平均绝对百分误差(mape)和最大绝误差(me)，可以看出本发明方法比传统热力学模型(etp)评估精度高。

以上实施例也说明了本发明所述的一种基于相似度的bp神经网络电采暖设备调节能力评估方法的可行性与有效性。

本实施例采用的建模系统包括云计算服务单元1和综合调度控制单元8，还包括数据采集单元，所述数据采集单元与所述云计算服务单元1无线信号连接，用于将采集的电压、电流、温度的数据传输到云计算服务单元1，所述综合调度控制单元8均分别与数据采集单元和云计算服务单元1信号连接，用于接收云计算服务单元1输出的计算结果，并根据计算结果输出控制信号，控制数据采集单元的温控器5。

所述数据采集单元的结构是：它包括集中控制器2、无线电流电压表4、温控器5、控制信号编码器7和控制信号发射器6，所述集中控制器2均分别与所述无线电流电压表4、所述温控器5、云计算服务单元1的数据计算部分和所述控制信号发射器6无线信号连接，所述控制信号编码器7均分别与综合调度控制单元8和控制信号发射器6信号连接。

本实施例的应用软件均为现有技术。

本实施例采用现有技术制造，所述集中控制器2、无线电流电压表4、温控器5、控制信号编码器7和控制信号发射器6均为现有技术的市售产品。

本实施例的工作过程是：温控器5和无线电流电压表4通过zig-bee无线传输技术将测得的温度、电压和电流数据传输到采暖房间内的集中控制器2，由集中控制器2通过以太网与云计算服务单元1信号连接传输数据，云计算服务单元1对数据进行存储，然后按照本发明的建模方法构建本发明的基于相似度的bp神经网络电采暖设备调节能力评估方法，并应用构建的本发明的基于相似度的bp神经网络电采暖设备调节能力评估方法对接收的实测数据进行计算，之后将计算结果传输到综合调度控制单元8，通过综合调度控制单元8发出控制命令，并由控制信号编码器7进行编码，然后由控制信号发射器6将控制信号发送给集中控制器2，通过集中控制器2对温控器5作用来控制电暖气的开关。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。