一种基于神经网络的能源系统多能协同预测方法与流程

1.本发明涉及能源管理技术领域,尤其涉及一种基于神经网络的能源系统多能协同预测方法。


背景技术：

2.为了应对能源危机，全球大力推进能源互联网的发展，各能源之间的关联性和互补性日益加深，采用什么方法方式来提高综合能源的利用效率、减小系统的碳排放量和节减系统的运行成本已成为综合能源系统需要着重考虑的问题。包含风电机组、热电联供系统、储能设备以及其他供能机组的综合能源系统打破了以往传统能源独立运行和规划的模式，实现多种能源之间相互协同、耦合互补将成为未来人类社会能源发展的必经之路。因此，在能源的生产、转换和使用的过程中，综合能源系统的优化调度以及经济性运行受到了国内外专家学者的重视。
3.专利公开号为cn112966857a公开了一种数据中心多能协同优化方法和系统，该发明提供数据中心多能协同优化方法和系统，涉及数据中心能源系统优化技术领域，该发明首先基于网络负载预测模型获取数据网络负载；然后对数据网络负载进行分类并确定其处理顺序的优先级；并基于包括余热回收单元的数据中心综合能源系统，构建数据中心的多能协同优化模型；最后求解多能协同优化模型，并基于求解结果对数据中心进行优化，该发明实现了数据中心内的数据网络负载和多种能源的协同优化调度，实现了能量的梯级利用，同时对数据中心的余热资源进行回收再利用，降低了数据中心能耗，并提升了能源利用效率。
4.专利公开号为cn106356902a公开了一种适用于能量互联网中多能协同综合能源网络的能量管理方法，该发明根据所应用的能源互联网多能协同综合能源网络的多能流能量平衡与设备运行等约束条件，将可再生能源发电设备出力、电热负荷需求、实时能源市场价格波动等预测变量的不确定性采用场景生成技术表达，建立运行总用能成本最低、分布式电源出力全额消纳的随机规划模型，运用模型预测控制原理实现滚动优化，管理策略采用一种包含输入层、求解层的两层加速求解结构求解，以确保能量管理具有快速在线求解的能力。
5.目前，针对多能协调的问题并未针对多种能源建立各自的数学模型和约束条件，只是统一的按照一种方法进行管理，这就造成了能源使用时协调不均衡，这是亟需解决的问题。


技术实现要素：

6.为了克服现有技术存在的缺点与不足,本发明提供一种基于神经网络的能源系统多能协同预测方法。
7.本发明所采用的技术方案是，该方法的步骤包括：
8.步骤s1：能源数学模型建立；包括建立电力转化模型、发电机能量模型及约束方
程、天然气消耗数学模型及约束方程、冷凝机的数学模型、清洁能源的采集机组约束方程、能源存储设备的数学模型、能源输出约束方程、能源功率平衡约束方程；
9.步骤s2：建立能源数学模型的目标函数；
10.步骤s3：利用神经网络算法设置目标函数的迭代次数、初始参数；
11.步骤s4：神经网络算法初始化，检验参数个体是否符合条件，数量是否足够，计算目标函数中能源的拥挤度，确定解的个数，更新目标函数；
12.步骤s5：在更新的目标函数中按照消耗量大小排列的方式去选择能源的种类，其余的能源根据消耗量进行排列更新，将新排列的能源中加入高斯变异；
13.步骤s6：计算目标函数值，确定单位时间内能源的消耗量，更新目标函数，当能源的消耗量大于能源的产生量时，对能源种类进行逐一更新；
14.步骤s7：重复步骤s4、步骤s5，步骤s6直至到设定的迭代次数。
15.进一步地，所述步骤s1电力转化模型，表达式为：
16.a
a，t
＝δab
a，t
/cd17.其中，δa表示电力转化系数，b
a,t
表示转化时消耗的电量，cd表示转化时产生的热量，t表示时间，a
a,t
表示转化的结果。
18.进一步地，所述步骤s1发电机能量模型及约束方程，表达式为：
[0019][0020][0021][0022]
式中：d
e,f
表示发电机的发电功率，表示发电机的发电效率，d
e,g
表示发电机的耗油量，d
e,h
表示发电机的产热效率，表示发电机的产热系数，表示发电机发电功率的最小值，表示发电机发电功率的最大值。
[0023]
进一步地，所述步骤s1天然气消耗数学模型及约束方程，表达式为：
[0024][0025][0026]
式中：d
i,h
表示消耗天然气产生的热能，表示消耗系数，d
i,g
表示天然气消耗量，表示天然气消耗量的最小值，表示天然气消耗量的最大值。
[0027]
进一步地，所述步骤s1冷凝机的数学模型，表达式为：
[0028][0029]
其中，表示冷凝机的输出功率，gj表示冷凝机的制冷系数，表示冷凝机的输入的电功率。
[0030]
进一步地，所述步骤s1清洁能源的采集机组约束方程，表达式为：
[0031]
0≤mn≤m
n，o
[0032]
0≤m
p
≤m
p，o
[0033]
其中，mn表示日风力发电量，m
p
表示日光伏发电量，m
n，o
表示风力发电日平均最高值，m
p，o
表示光伏发电日平均最高值。
[0034]
进一步地，所述步骤s1能源存储设备的数学模型，表达式为：
[0035][0036][0037]
其中：ζr表示能源存储设备的放电功率；表示在(t－1)时刻充放电的耗能；表示能源存储设备的充电功率，表示能源存储设备的放电功率；表示能源存储设备的充电系数，表示能源存储设备的放电系数，表示能源存储设备存储量的最小值，表示能源存储设备存储量的最大值。
[0038]
进一步地，所述步骤s1能源输出约束方程，表达式为：
[0039]
0≤rv≤r
v，o
[0040]
0≤rw≤r
w,o
[0041]
其中，rv表示电力输出量，r
v,o
表示日平均电力输出量的最大值，rw表示清洁能源的输出量，r
w,0
表示日平均清洁能源的输出量的最大值；
[0042]
步骤s1能源功率平衡约束方程表达为：
[0043]de
+rv+mn+m
p
+zy＝q
t
+ek+wu[0044]
其中，de表示发电机的产生的电量，rv表示电网输送的电量，mn表示风力发电产生的电量，m
p
表示光伏发电产生的电量，zy表示能源存储设备的储电量，q
t
表示电力转换消耗的电量,ek表示冷凝机消耗的电量,wu表示电力输出量的平均值；
[0045]
进一步地，所述步骤s2能源数学模型的目标函数，表达式为：
[0046][0047]
其中，minx1表示目标函数的最小值,n表示单位时间内天然气含量，m表示能源总量,s表示单位时间内电量,yv表示单位时间内的天然气价格,y
x
表示单位时间内的电价格，tu表示单位时间内购买的天然气总量,tw表示单位时间内购买的电总量，zb表示所有设备单位时间内的维护费用。
[0048]
进一步地，所述步骤s4更新目标函数，表达式为：
[0049]an
(i)＝|f
·rq
(i)-rn(i)|
[0050]rq
(i+1)＝rq(i)-w
·a[0051]
其中，an(i)表示为能源的目标消耗量，i表示当前的迭代次数，w、f表示消耗系数，rn(i)表示为能源的已消耗量,rq(i+1)表示迭代后的能源未消耗量，rq(i)表示能源未消耗量，a表示能源的预测量。
[0052]
有益效果：
[0053]
本发明提出一种基于神经网络的能源系统多能协同预测方法，首先通过对多种能源建立单独的数学模型和约束方程，保证了能有效掌握能源的总量，然后建立能源控制的目标函数，利用神经网络算法对目标函数进行多目标的控制，能够随时掌控能源的输出量，最后通过迭代的方式建立能源输入与输出的动态平衡，所提方法理解简单，操作方便，对多种能源的消耗进行有效掌握。
附图说明
[0054]
图1为本发明总体步骤流程图；
[0055]
图2为本发明模型架构图。
具体实施方式
[0056]
需要说明的是,在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本技术作进一步详细说明。
[0057]
如图1和图2所示,一种基于神经网络的能源系统多能协同预测方法，
[0058]
本发明所采用的技术方案是，该方法的步骤包括：
[0059]
步骤s1：能源数学模型建立；包括建立电力转化模型、发电机能量模型及约束方程、天然气消耗数学模型及约束方程、冷凝机的数学模型、清洁能源的采集机组约束方程、能源存储设备的数学模型、能源输出约束方程、能源功率平衡约束方程；建立能源的数学模型，是为了可以有效掌控能源的含有量，从而更好地对多种能源进行协调，从而保证能源更加均匀的使用。
[0060]
步骤s2：建立能源数学模型的目标函数；通过目标函数计算出能源的消耗量，以及设备的维护费用，后期通过对目标函数中参数的控制即可完成对能源消耗的掌控。
[0061]
步骤s3：利用神经网络算法设置目标函数的迭代次数、初始参数；迭代次数可按时间进行设置，最快可1小时迭代一次，最慢可根据需要1个月迭代一次，初始参数即步骤s1中能源数学模型的初始值和以及步骤s2中目标函数的初始值，初始参数可按照需求根据每次的迭代进行更新，也可以一直保持初始参数。
[0062]
步骤s4：神经网络算法初始化，检验参数个体是否符合条件，数量是否足够，计算目标函数中能源的拥挤度，利用神经网络算法对能源的数学模型进行求解，确定解的个数，依据解更新目标函数；
[0063]
步骤s5：在更新的目标函数中按照消耗量大小排列的方式去选择能源的种类，其余的能源根据消耗量的进行排列更新，将新排列的能源中加入高斯变异；高斯变异操作是在能源排列更新操作时，用符合均值为方差为的正态分布的一个随机数来替代原有的基因值。由正态分布的特性可知，高斯变异也是重点搜索原个体附近的某个局部区域。高斯变异包括增加一个随机值从高斯分布对个体的向量的每个元素创建一个新的后代，利用高斯变异可以更好地预测能源的消耗。
[0064]
步骤s6：计算目标函数值，确定单位时间内能源的消耗量，更新目标函数，当能源的消耗量大于能源的产生量是，对能源种类进行逐一更新；更新的目的是为了实时掌控能源的消耗比例，以及对不同能源的依赖程度，为能源的协同提供可靠的依据。
[0065]
步骤s7：重复步骤s4、步骤s5，步骤s6直至到设定的迭代次数，重复的目的是利用能源消耗量对目标函数进行更新。
[0066]
在步骤s1中电力转化模型，表达式为：
[0067]aa，t
＝δab
a，t
/cd[0068]
其中，δa表示电力转化系数，b
a,t
表示转化时消耗的电量，cd表示转化时产生的热量，t表示时间，a
a,t
表示转化的结果。
[0069]
在步骤s1中发电机能量模型及约束方程，表达式为：
[0070][0071][0072][0073]
式中：d
e,f
表示发电机的发电功率，表示发电机的发电效率，d
e,g
表示发电机的耗油量，d
e,h
表示发电机的产热效率，表示发电机的产热系数，表示发电机发电功率的最小值，表示发电机发电功率的最大值。
[0074]
在步骤s1中天然气消耗数学模型及约束方程，表达式为：
[0075][0076][0077]
式中：d
i,h
表示消耗天然气产生的热能，表示消耗系数，d
i,g
表示天然气消耗量，表示天然气消耗量的最小值，表示天然气消耗量的最大值。
[0078]
在步骤s1中冷凝机的数学模型，表达式为：
[0079][0080]
其中，表示冷凝机的输出功率，gj表示冷凝机的制冷系数，表示冷凝机的输入的电功率。
[0081]
在步骤s1中清洁能源的采集机组约束方程，表达式为：
[0082]
0≤mn≤m
n，o
[0083]
0≤m
p
≤m
p，o
[0084]
其中，mn表示日风力发电量，m
p
表示日光伏发电量，m
n，o
表示风力发电日平均最高值，m
p，o
表示光伏发电日平均最高值。
[0085]
在步骤s1中能源存储设备的数学模型，表达式为：
[0086]
[0087][0088]
其中：ζr表示能源存储设备的放电功率；表示在(t－1)时刻充放电的耗能；表示能源存储设备的充电功率，表示能源存储设备的放电功率；表示能源存储设备的充电系数，表示能源存储设备的放电系数，表示能源存储设备存储量的最小值，表示能源存储设备存储量的最大值。
[0089]
在步骤s1中能源输出约束方程，表达式为：
[0090]
0≤rv≤r
v，o
[0091]
0≤rw≤r
w,o
[0092]
其中，rv表示电力输出量，r
v,o
表示日平均电力输出量的最大值，rw表示清洁能源的输出量，r
w,0
表示日平均清洁能源的输出量的最大值；
[0093]
在步骤s1中能源功率平衡约束方程表达为：
[0094]de
+rv+mn+m
p
+zy＝q
t
+ek+wu[0095]
其中，de表示发电机的产生的电量，rv表示电网输送的电量，mn表示风力发电产生的电量，m
p
表示光伏发电产生的电量，zy表示能源存储设备的储电量，q
t
表示电力转换消耗的电量,ek表示冷凝机消耗的电量,wu表示电力输出量的平均值；
[0096]
在步骤s2中能源数学模型的目标函数，表达式为：
[0097][0098]
其中，minx1表示目标函数的最小值,n表示单位时间内天然气含量，m表示能源总量,s表示单位时间内电量,yv表示单位时间内的天然气价格,y
x
表示单位时间内的电价格，tu表示单位时间内购买的天然气总量,tw表示单位时间内购买的电总量，zb表示所有设备单位时间内的维护费用。
[0099]
神经网络由n个输入节点、m个隐层节点和k个输出节点组成，隐层节点是神经网络函数，表示式为：
[0100][0101]
其中，神经网络第j个节点的中心向量为cj＝[c
j1
，c
j2
，
…
，c
jn
]
t
，j＝1，2，...，m。
[0102]
设网络的基宽度向量为b＝[b1，b2，
…
，bm]
t
，bj为节点j的基宽度参数，且为大于零的数。神经网络输入层到隐层的权值为1，隐层到输出层权向量为w＝[w1，w2，
…
，wm]
t
，则神经网络输出为
[0103]
ym(k)＝w
t
h＝w1h1+w2h2+
…
+w
mhm
[0104]
神经网络中的输出权重wj，隐单元中心cj和宽度bj的取值对神经网络预测模型预测性能有着很大影响，依据每次迭代的效果设置wj，cj，bj的数据。
[0105]
在步骤s4中更新目标函数，表达式为：
[0106]an
(i)＝|f
·rq
(i)-rn(i)|
[0107]rq
(i+1)＝rq(i)-w
·a[0108]
其中，an(i)表示为能源的目标消耗量，i表示当前的迭代次数，w、f表示消耗系数，rn(i)表示为能源的已消耗量，rq(i+1)表示迭代后的能源未消耗量，rq(i)表示能源未消耗量，a表示能源的预测量。
[0109]
本发明提出一种基于神经网络的能源系统多能协同预测方法，首先通过对多种能源建立单独的数学模型和约束方程，保证了能有效掌握能源的总量，然后建立能源控制的目标函数，利用神经网络算法对目标函数进行多目标的控制，能够随时掌控能源的输出量，最后通过迭代的方式建立能源输入与输出的动态平衡，所提方法理解简单，操作方便，对多种能源的消耗进行有效掌握。
[0110]
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。