一种基于优化负荷关联系数的炒茶用能多目标优化方法与流程

1.本发明涉及炒茶领域，尤其涉及一种考虑负荷关联度的炒茶用能多目标优化方法。


背景技术：

2.在智能电网背景下，电力运营商将改变电价作为一个激励手段，来改变终端用户的用电习惯，激励用户参与需求响应。然后乡村炒茶用户对炒茶生产环节中各类设备的用能成本掌握能力弱的现状，存在峰谷电使用不合理、用电成本不合理等。因此有必要研究炒茶多目标优化策略，在对用户日常生产影响最小的情况下响应电价激励，减少电费支出并提高生产能效。
3.例如，一种在中国专利文献上公开的“基于多目标优化算法的纸盆车间生产调度方法”，其公告号cn112859785a，包括包括以下步骤：1)根据待调度生产任务的工艺参数和生产资源信息建立约束条件，并根据所述约束条件建立以完工时间最短和节能为目标的纸盆车间生产调度模型；2)根据所述约束条件进行加工资源选择；3)根据所述约束条件和所述加工资源选择进行批量划分；4)根据多目标优化算法、加工资源选择和批量划分对所述生产调度模型进行优化求解，得到纸盆车间排产方案。但是上述方案考虑了最短完工时间和节能目标两者的关联优化，在较短时间能增加用电效率，增加高峰期电网负荷，存在无法解决本发明欲解决的相应电价激励减少电费支出，提高生产能效的问题。


技术实现要素：

4.本发明是为了解决现有技术的炒茶方法在炒茶高峰期时候对炒茶生产环节中各类设备的用能成本掌握能力弱，存在用电成本调控不合理的问题，提供一种经济高效的考虑负荷关联度的炒茶用能多目标优化方法为实现上述目的，本发明采用以下技术方案：一种基于优化负荷关联系数的炒茶用能多目标优化方法，其特征是，包括如下步骤：步骤s1：采集炒茶高峰期时段的炒茶用户日负荷数据，将负荷数据分为工艺流程负荷和设备负荷，并将分类后的负荷数据加入到负荷数据集中；步骤s2：将负荷数据集中的负荷数据制作成日-负荷曲线，计算各类负荷曲线两两之间的互相关序列，并取所有采集日计算结果的算术平均值作为两类负荷之间标准相关性序列；步骤s3设定炒茶用能优化的舒适性目标、经济性目标和能效性目标；步骤s4：构建基于舒适性目标、经济性目标和能效性目标的多目标优化模型并采用matlab的fmincon工具箱求解。采用互相关序列衡量负荷之间的关联度，并以标准相关性序列为最优关联度，分别以最小化互相关系数偏移量和负荷偏移量作为炒茶用能优化的舒适性目标；以最小化用电费作为炒茶用能优化的经济性目标；以最小化设备启停率作为炒茶用能优化的能效性目标。
5.作为优选，所述将所述设备负荷根据不同设备种类分类形成设备负荷数据集，p＝[p1，p2，
…
pm]，m为炒茶所需的设备种类数。根据炒茶过程中出现的不同类型的设备对设备负荷进行细化分类，根据乡村智慧用能采集系统的炒茶用户及设备分类，将炒茶高峰季即3月下旬-4月中旬的炒茶负荷数据作为负荷数据集的数据来源。
[0006]
作为优选，步骤s2所述互相关序列满足如下关系：其中，h
ij，d
为i和j两类设备第d天的互相关序列，n为日符合曲线的采集点数，t为符合平移间隔，取t＝24h/n，；p
i，d
(t)和p
j，d
(t)分别为负荷i和负荷j在第d天时刻t的功率，整个炒茶高峰期的多日符合数据集为h
ij
＝{h
ij，1
，h
ij，2
，
…
，h
ij，d
}，d为负荷采集的天数。
[0007]
作为优选，步骤s2所述的标准相关性序列满足如下关系：对于负荷p＝[p1，p2，
…
pm]，采用标准相关性序列计算方法可得多样性负荷使用关联度标准矩阵r，即：采用互相关系数序列描述各个用能设备负荷之间配合使用关系。
[0008]
作为优选，步骤s3所述的舒适性目标是指最小化互相关系数偏移量和负荷偏移量：所述负荷偏移量满足如下关系：其中，p
i，t
为设备i在t时段的优化后的负荷；为设备i在t时段的初始用电量；所述互相关系数偏移量满足如下关系：其中，h
ij
为优化后的负荷关联度系数序列。
[0009]
由于炒茶用户的用能对应其工人的工作时间，故对用户进行用能优化后，炒茶工人的工作时间也要根据负荷转移而变调整，故负荷偏移量越小越好；并且炒茶用户的各负
荷对应炒茶工艺的不同环节，故优化前后不同负荷配合使用的改变越小，则优化对炒茶生产品质的影响越小。
[0010]
作为优选，步骤s4所述的经济性目标为炒茶支出电费最少，其目标函数如下：其中：c
t
为t时段的分时电价；p
i，t
为负荷(设备)i的功率在第t个时段的电量。通过负荷削减和峰时负荷迁移实现用电电费最少，其值越小越好。
[0011]
作为优选，所述能效性目标为最小炒茶设备启停损失率，其目标函数如下：δp
i，t
＝|p
i，t 1-p
i，t
|其中，q
all
为当日该炒茶用户全部设备的用电量；αi为设备i的其预加热能耗系数，其工作温度越高，其值越大；δp
i，j，d
(t)为负荷曲线中前后两个采集时刻的功率差即即时用电量差。功率差的值决定了两个时段的运行的设备功率差异，炒茶的各工艺需要在较高环境温度下运行，故设备的启停会导致额外损失加热的能量。故各个时段的设备功率差异之和决定了启停温度变化带来的能量损失总量，其值越小越好。
[0012]
作为优选，步骤s4所述的多目标优化模型为：其中，ω1、ω2、ω3和ω4为炒茶用能优化各目标权重，si为设备i实际开启的时间；t
si
为设备最早允许开启时间；t
fi
为设备i最晚允许开启时间；p
i，t
为设备i的功率在第t个时段的电量；p
i，max
和p
i，min
分别为设备i的最大功率、最小功率；q0为该炒茶用户原始用电量；δp
com
为电量偏差上限。该模型为非线性方程，可以采用matlab的fmincon工具箱求解并达到对应的优化后负荷策略。
[0013]
因此，本发明具有如下有益效果：(1)基于炒茶用户设备分类和历史用能数据，实现快速、准确地根据辨识炒茶多样性负荷之间的用能联系，完成对炒茶用户用能的多目标优化。(2)将舒适性目标、经济性目标和能效性目标多目标优化，实现炒茶用能经济高效的
目的。(3)通过对高峰状态下炒茶符合进行采集处理，提高了对炒茶生产环节各类设备的用能掌握能力，提高生产效率，降低生产成本。
附图说明
[0014]
图1是本发明一实施例的炒茶用能多目标优化方法流程图。
[0015]
图2是本发明一实施例的炒茶用户摊青负荷曲线。
[0016]
图3是本发明一实施例的炒茶用户杀青负荷曲线。
[0017]
图4是本发明一实施例的炒茶用户烘干负荷曲线。
[0018]
图5是本发明一实施例炒茶用能多目标优化摊青-杀青负荷曲线互相关系数序列。
[0019]
图6是本发明一实施例炒茶用能多目标优化烘干-杀青负荷曲线互相关系数序列。
[0020]
图7是本发明一实施例炒茶用能多目标优化烘干-摊青负荷曲线互相关系数序列。
[0021]
图8是本发明一实施例炒茶用户第2日原负荷。
[0022]
图9是本发明一实施例炒茶用户第2日优化后负荷。
[0023]
图10是本发明一实施例炒茶用户第4日原负荷。
[0024]
图11是本发明一实施例炒茶用户第4日优化后负荷。
[0025]
图中：1、标准相关性序列 2、烘干机 3、摊青机 4、杀青机。
具体实施方式
[0026]
下面结合附图与具体实施方式对本发明做进一步的描述。
[0027]
实施例：如图1～图11所示的一种基于优化负荷关联系数的炒茶用能多目标优化方法：实例数据主要来源于浙江某地区一炒茶用户2020年3月25～4月3日的用能数据，具体为每日各24点功率数据。
[0028]
基于炒茶的流程，将炒茶的设备分为摊青、杀青以及烘干三类，其中该用户2020年3月25～4月3日的三类设备负荷曲线如图2～4所示。
[0029]
如图1所示，本发明优化方法步骤如下：步骤s1：采集炒茶高峰期时段的炒茶用户日负荷数据，将负荷数据分为工艺流程负荷和设备负荷，并将分类后的负荷数据加入到负荷数据集中；所述设备负荷根据不同设备种类分类形成设备负荷数据集，p＝[p1，p2，
…
pm]，m为炒茶所需的设备种类数。
[0030]
步骤s2：将负荷数据集中的负荷数据制作成日-负荷曲线，计算各类负荷曲线两两之间的互相关序列，并取所有采集日计算结果的算术平均值作为两类负荷之间标准相关性序列；所述互相关序列满足如下关系：其中，h
ij，d
为i和j两类设备第d天的互相关序列，n为日符合曲线的采集点数，t为
符合平移间隔，取t＝24h/n，；p
i，d
(t)和p
j，d
(t)分别为负荷i和负荷j在第d天时刻t的功率，整个炒茶高峰期的多日符合数据集为h
ij
＝{h
ij，1
，h
ij，2
，
…
，h
ij，d
}，d为负荷采集的天数。
[0031]
标准相关性序列1满足如下关系：对于负荷p＝[p1，p2，
…
pm]，采用标准相关性序列1计算方法可得多样性负荷使用关联度标准矩阵r，即：该用户有烘干机2、摊青机3和杀青机4三类设备负荷，该用户三类设备负荷之间的互相关系数序列如图5～7所示。由图5～7可得，该炒茶用户的摊青-杀青、杀青-烘干、摊青-烘干之间的互相关系数的最大值均为0.6以上，说明三种负荷之间的负荷关联性均较为显著。且由相关系数序列的最大值所对应的时间位移可得，摊青相对于杀青负荷超前1-3h，杀青相对于烘干负荷超前1h，摊青相对于烘干负荷超前3-5h。
[0032]
步骤s3设定炒茶用能优化的舒适性目标、经济性目标和能效性目标；采用互相关序列衡量负荷之间的关联度，并以标准相关性序列1为最优关联度，分别以最小化互相关系数偏移量和负荷偏移量作为炒茶用能优化的舒适性目标；以最小化用电费作为炒茶用能优化的经济性目标；以最小化设备启停率作为炒茶用能优化的能效性目标。
[0033]
舒适性目标是指最小化互相关系数偏移量和负荷偏移量：所述负荷偏移量满足如下关系：其中，p
i，t
为设备i在t时段的优化后的负荷；为设备i在t时段的初始用电量；所述互相关系数偏移量满足如下关系：其中，h
ij
为优化后的负荷关联度系数序列由于炒茶用户的用能对应其工人的工作时间，故对用户进行用能优化后，炒茶工人的工作时间也要根据负荷转移而变调整，故负荷偏移量越小越好；并且炒茶用户的各负荷对应炒茶工艺的不同环节，故优化前后不同负荷配合使用的改变越小，则优化对炒茶生产品质的影响越小。
[0034]
经济性目标为炒茶支出电费最少，其目标函数如下：
其中：c
t
为t时段的分时电价；p
i，t
为负荷(设备)i的功率在第t个时段的电量。
[0035]
能效性目标为最小炒茶设备启停损失率，其目标函数如下：δp
i，t
＝|p
i，t 1-p
i，t
|其中，q
all
为当日该炒茶用户全部设备的用电量；αi为设备i的其预加热能耗系数，其工作温度越高，其值越大；δp
i，j，d
(t)为负荷曲线中前后两个采集时刻的功率差即即时用电量差。功率差的值决定了两个时段的运行的设备功率差异，炒茶的各工艺需要在较高环境温度下运行，故设备的启停会导致额外损失加热的能量。故各个时段的设备功率差异之和决定了启停温度变化带来的能量损失总量，其值越小越好。
[0036]
步骤s4：构建基于舒适性目标、经济性目标和能效性目标的多目标优化模型并采用matlab的fmincon工具箱求解。
[0037]
多目标优化模型为：其中，ω1、ω2、ω3和ω4为炒茶用能优化各目标权重，si为设备i实际开启的时间；t
si
为设备最早允许开启时间；t
fi
为设备i最晚允许开启时间；p
i，t
为设备i的功率在第t个时段的电量；p
i，max
和p
i，min
分别为设备i的最大功率、最小功率；q0为该炒茶用户原始用电量；δp
com
为电量偏差上限。
[0038]
对该炒茶用户的用能进行优化，其中第2天和第4天的原始和优化后负荷如图8～11所示，连续九天的负荷优化结果如表1某炒茶用户多目标用能优化结果所示。由图8、9可得，该用户该日的炒茶负荷较多，且原负荷集中在18:00-次日2:00，故尖峰用电占比依然较多，而优化后的负荷则仍然在18时有较多负荷，但是在19:00-21:00的尖时段，则选择避峰，并在21:00后持续高负荷，说明本优化模型在用户用能较多时，选择以经济性为主，对负荷进行较多的迁移；由图10、11可得，该用户该日的炒茶负荷较少，负荷优化结果保持不变，说
明本优化模型在用户用能较少时，选择以舒适性为目标，尽可能减少负荷的迁移。
[0039]
表1某炒茶用户多目标用能优化结果
日期序号原电费优化后电费舒适度关联度变化率原启停损失优化后启停损失1298.8225.05.1990.04430.7100.5292415.5300.45.7410.02950.3310.4313137.2123.10.7900.02280.5530.449438.136.10.2890.04011.0440.798534.332.00.3980.02221.2060.9076359.8290.73.0970.02490.5380.314774.161.81.1510.02350.9040.4998107.275.82.7070.02340.7880.574991.274.02.1680.02190.6790.540
由表1可得，本发明的模型对该炒茶用户的第1、2、6、8、9天的负荷优化以经济性为主要目标，实现了优化后较多电费的节省，而舒适度以及关联度变化率指标则较差；而其余几天则电费节省较少，而舒适度以及关联度变化率指标较好。说明本发明的模型可以反映用户对不同程度经济性的选择性，表现为：当日炒茶工作量较大，则进行负荷时段的优化以节省电费；同时，优化前后的负荷之间的关联度变化较小，说明优化前后的各负荷之间的联系没有被破坏，对应于炒茶则为各工艺环节没有发生变化，且负荷时间并没有延长，不会引起工人的疲劳和舒适性下降。同时，在能效性上，除了部分用电量较大的工作日，由于需要在尖时段即19:00～21:00进行避峰，炒茶负荷需要临时启停外，本发明的模型通过减少每个时段的负荷变化，以减少设备启停对应的能量损失，从而有效的提高了用能的能效。
[0040]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0041]
尽管本文较多地使用了经济性、能效性、舒适性、多目标、优化模型等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。