一种区域综合能源系统的源荷智能匹配方法

1.本发明涉及能源供应技术领域，更具体的说是涉及一种对区域综合能源系统进行能源匹配耦合的方法。


背景技术：

2.目前，工业园区对全国经济贡献的增长率已经超过30％，同时耗能也约占全社会总耗能的69％，其中碳排放高达总排放量的31％，因此工业园区成为了碳中和的主要落脚点。
3.目前工业区域用能存在能源消耗结构不合理的问题，其中化石能源在区域能源消费总量中占84％，大量非常规能源并未得到积极利用。因此，区域生产工业有效整合了光伏、风电、工业余热余气等分布式资源，从多能耦合角度促进区域产业结构调整，打造可再生能源占比进一步提升的综合能源低碳供能新结构，构建了能源互补耦合的区域综合能源系统(regional integratedenergy system，ries)，从源荷双侧实现区域能源生产绿色化转型，推动实现清洁低碳能源占比，为构建零碳园区奠定基础。
4.然后由于可再生能源自身的不确定性与生产负荷的时变性特征，使得供需双侧均呈现强烈的随机性变化趋势，进而引起区域生产侧能源供给与消费侧实时需求难匹配，可再生能源的波动性与生产负荷用能特征不吻合的情况，导致工业生产弃风弃光率高达30％，限制了区域的可再生能源的能源利用率和总体效益的提升。另一方面，需求侧管理虽将区域内大规模生产负荷作为可调节资源纳入区域能源调度运行中，但由于生产负荷空间分布过于分散，各类负荷运行参数均存在明显的峰谷交错特征，导致供电设备平均载荷率只有 43％，载荷率在95％以上的时段不足5％，能源利用率低下的问题加大了各供用能系统的运行维护费用，造成了社会资金的巨大浪费。同时，控制中心难以对负荷工况进行准确感知和精确控制，导致现有的统一控制模式不再适用，产品开采的品质也难以保证，限制了区域低碳转型发展的速度。
5.因此，如何实现区域综合能源系统的源荷之间的主动协调，进行供需匹配与负荷的精细化控制是本领域技术人员亟需解决的问题。


技术实现要素：

6.有鉴于此，本发明提供了一种区域综合能源系统的源荷智能匹配方法，是一种对工业园区系统的负载和供能进行源荷匹配的方法，针对克服区域综合能源系统中存在的源荷不匹配造成的浪费问题，采用基于人工智能算法的源荷功率曲线匹配优化方法，从而对供需与负荷进行精细化控制，避免能源浪费，降低碳排放。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种区域综合能源系统的源荷智能匹配方法，包括以下步骤：
9.步骤1：采集区域综合能源系统中的历史负荷数据，并采用k-means算法对所述历史负荷数据进行负荷聚类，获得若干组负荷集群；
10.采用一种能自动选择聚类中心数的自适应k-means算法，将区域综合能源系统(ries)中负荷依据功率曲线形态进行分组，找出负荷(即各个用电部分)用电规律相近的用电单位，把性质类似的用电单位划分到一块，以便后面进行精益化调解控制；k-means的基本思想是将负荷曲线在每个测量时刻的功率指派到随机选择的k个负荷中心，重复该行为并更新至分组结果不发生变化且曲线误差和最小；
11.步骤2：依据生产特性将每组负荷群集内的负荷划分为可调节负荷与固定负荷；并对可调节负荷中的时变负荷预设功率可调范围；
12.将区域内群集负荷p
ln
依据生产特性划分为可调节负荷pi与固定负荷p
t
；可调节负荷即可错峰间歇运行的负荷，如抽油机、铸铁炉等；固定负荷即在工作任务完成前需持续运行的负荷，如融铜竖炉；时变负荷为随着时间的变化而变化的负荷，针对聚类后可调节的群集时变负荷，规定了各群集功率可调节范围，表达式如下：
[0013][0014]
其中，p
ti
为t时刻群集负荷功率，分别为下一控制时刻群集负荷功率最大、最小值；i为负荷在t时刻的工作状态，i＝0表示负荷处于停机状态，i＝1表示负荷处于开机状态；传统工作模式下，各群集生产负荷全部开机不停歇工作，总功率处于最大值，因此群集负荷功率具有较大的下调空间
[0015]si,min
≤s
ti
≤s
i,max
[0016]
其中，s
i,max
、s
i,min
分别为该群集负荷的调节容量上下限；
[0017]
对于具有调节容量的负荷，需要考虑其停机时间的阈值，以确保负荷调节运行中不会影响区域内生产流程，因此群集负荷停机时间ti约束条件如下式所示：
[0018]
0≤ti≤t
i,max
[0019]
其中，t
i,max
为可调节负荷pi的最大可停止工作的时间；
[0020]
任意时刻某一群集时变负荷母线上的负荷功率可表示为下式：
[0021][0022]
步骤3：构建匹配模型，根据匹配模型的目标函数对源功率曲线和负荷功率曲线进行匹配，如果匹配结果满足匹配模型的约束条件，则不进行调整，继续进行匹配；否则，则进入步骤4，进行功率调整；
[0023]
匹配是考虑负载方的负载进行功率匹配，依次对每一个可调负荷对应的负荷功率
曲线与源功率曲线进行匹配；
[0024]
源功率曲线和负荷功率曲线越接近则匹配程度越高；源功率曲线和负荷功率曲线同一时刻差值小于0.4，则相匹配；
[0025]
历史负荷数据包括源功率曲线和负荷功率曲线；源功率曲线表示供电规律，负荷功率曲线表示区域内负载的用电规律；采用k-means算法将负荷功率曲线聚类分组后，萤火虫算法利用自身的算法优势，对源功率曲线和负荷功率曲线进行匹配，获得供电规律和用电规律的差距，从而实现对区域内源荷高维非线性关系的描述；在克服非平稳序列的动态变化的同时寻求区域内供需约束关系，以建立反映ries源荷变量长期双向约束的函数关系即匹配模型，包括目标函数和约束条件；
[0026]
区域综合能源系统的源端出力曲线(源功率曲线)与负荷功率曲线吻合程度越大，越能保证系统安全稳定的运行，因此，定义区域综合能源系统源荷匹配度θ，θ越大，表示ries源端出力曲线对负荷功率曲线的追踪和平滑效果越好；源荷追踪系数δ
p
主要控制电源出力对负荷的贴合度；源荷波动系数δs主要控制剩余负荷功率曲线的平滑度，两者结合可对源端出力曲线和负荷功率曲线波动差异进行深入刻画，构建目标函数如下：
[0027]
目标函数：
[0028][0029][0030][0031]cs,t
＝p
l,t-e
w,t
[0032][0033]
α1 α2＝1
[0034]
式中：p
l,t
为t时刻用电负荷，p
l,av
为消纳ries系统电力的负荷平均值； e
w,t
为区域综合能源系统的总出力；e
w,av
为区域综合能源系统的总出力平均值；c
s,t
为t时刻剩余负荷；cs为平均剩余负荷；t为总时段数；α1和α2分别为源荷追踪系数δ
p
和源荷波动系数δs的权重系数，其值越大表示对应的指标越重要；一般初始设定α1:α2＝1:1；
[0035]
约束条件如下：
[0036]
电量平衡：
[0037]
式中：为t时段的系统总出力；n
v,t
和n
d,t
分别为t时段的光伏出力和供电侧出力；δt为时间间隔；
[0038]
通道限制：
[0039]
式中：n
l,max
为送出通道的最大传输能力。
[0040]
出力限制：
[0041]
式中：和分别为t时段光伏出力的最小值与最大值；和分别为t时段供电侧出力的最大值与最小值。
[0042]
爬坡约束：
[0043]
式中：ηi为第i机组的爬坡能力。
[0044]
实时功率平衡：p
b,t
≤n
v,t
n
d,t
,
[0045]
式中：p
b,t
为第t时刻区域综合能源系统负载端负荷；
[0046]
步骤4：根据匹配模型的约束条件，利用萤火虫算法根据预设功率可调范围对负荷功率曲线进行调整，将每组负荷集群内的时变负荷的功率偏差调整到预设功率可调范围内，建立时变负荷间歇控制模型，对各群集内参与调度的可调节负荷工作状态进行优化控制；
[0047]
采集基于负荷生产的实际工况数据，并建立ries能量供需平衡模型；采集时变负荷的功率曲线，结合ries能量供需平衡模型的间歇工作策略，建立时变负荷间歇控制模型，对每组负荷集群内的时变负荷进行工作状态控制，调整可调节负载的停开关机时间，将每组负荷集群内的时变负荷的功率偏差调整到预设范围内。
[0048]
工作状态包括开状态和关状态；在满足区域内约束关系后，根据负荷生产的实际工况，在不改变工作流程的基础上建立时变负荷间歇控制模型，而时变负荷间歇控制的思想就是对群集时变负荷中各独立时变负荷运行状态进行分析，若需求改变，则各集群内参与调度的时变工作状态可以开或者关，其目的是为了使源荷的工作功率曲线尽量调整到一致，从而达到负荷工作状态的优化控制；
[0049]
实际运行中，能源总出力不仅受既往值的影响，还会受负荷、天气、实时电价等变量的干扰，因此本发明以ries源荷功率作为供需匹配的主要变量，天气、实时电价等影响因素作为扰动项，建立如下所示ries能量供需平衡模型：
[0050]
p
σ,t
＝c dp
σ,t-1
ep
l,t
fp
l,t-1
μ
t
[0051]
式中，c、d、e、f均为常数，p
l,t
、p
l,t-1
分别为t时刻及其上一时刻ries 中负荷值；
[0052]
针对能源出力既往值采用后移算子b进行等效转换，令常数项为α，后移算子构成的系数为β，即表达式表示为：
[0053]
p
σ,t
＝α βp
l,t
μ
t
[0054]
实际ries中存在多组输出负荷，因此将p
σ,t
＝α βp
l,t
μ
t
进行扩展，以多输出负荷序列p
ln
＝(p
ln,1
,p
ln,2
,...,p
ln,t
)覆盖区域内所有群集时变负荷，则多群集负荷参与下的ries能量供需平衡模型如式：
[0055][0056]
利用匹配模型的约束条件对每组负荷集群内的时变负荷进行工作状态控制，调整可调节负载的停开关机时间，出力限制表示为：
[0057][0058]
式中：和分别为t时段光伏出力的最小值与最大值；和分别为t时段供电侧出力的最大值与最小值。
[0059]
爬坡约束为：
[0060][0061]
式中：ηi为第i机组的爬坡能力；
[0062]
出力限制和爬坡约束对群集时变负荷中各独立时变负荷运行状态也有影响，若供电测的出力变大，爬坡能力增强时，集群内的负荷运行状态就需要相应的改变即需要开启，可以对参与调度的时变工作状态进行判断；
[0063]
区域综合能源系统的时变负荷间歇控制模型中，实时功率平衡： p
b,t
≤n
v,t
n
d,t
,约束至关重要，当负载端负荷p
b,t
变小时，对于供电测出力而言需要控制实时功率平衡，即对于群集时变负荷中各独立时变负荷而言要相应的减少，那么运行状态就要相应的关闭，而时变负荷间歇控制模块是对区域综合能源系统群集负荷中各独立时变负荷运行状态的简单判断。
[0064]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种区域综合能源系统的源荷智能匹配方法，根据区域综合能源系统中负荷的功率曲线，使用k-means算法对负荷进行聚类；再使用源荷匹配算法，先分析区域综合能源系统(ries)源荷匹配单一的问题，构建区域综合能源系统群集负荷优化控制模型，再通过源荷曲线时间序列间的关系，利用源荷协整的双向制约属性，对源荷曲线进行进一步匹配，使其耦合程度变高。不同于传统的单向调度，令源荷之间存在长期稳定的关系，处于协整状态，协整模型通过建立源荷之间双向反馈机制，调解负荷测用电规律的一致，通过对可调节负荷用电负荷的调整，让供电和用电匹配，从而降低能效，实现源荷安全互动运行与资源综合高效利用。
附图说明
[0065]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0066]
图1附图为本发明提供的区域综合能源系统的源荷智能匹配方法流程图。
具体实施方式
[0067]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
本发明实施例公开了一种区域综合能源系统的源荷智能匹配方法，流程图如图1所示。
[0069]
s1：对区域综合能源系统(ries)负荷聚类分组；
[0070]
对于ries中的历史负荷数据，采用一种能自动选择聚类中心数的自适应 k-means算法，将ries中负荷依据功率曲线形态进行分组；
[0071]
k-means算法中k表示将数据聚类成k个簇，means表示每个聚类中数据的均值作为该簇的中心，也称为质心，k-means聚类试图将相似的对象归为同一个簇，将不相似的对象归为不同簇，这里需要一种对数据衡量相似度的计算方法，k-means算法是典型的基于距离的聚类算法，采用距离作为相似度的评价指标，默认以欧式距离作为相似度测度，即两个对象的距离越近，其相似度就越大；
[0072]
k-means算法的思想就是对空间k个点为中心进行聚类，对靠近他们的对象进行归类，通过迭代的方法，逐次更新聚类中心(质心)的值，直到得到最好的聚类结果；
[0073]
对于ries负荷聚类分组的具体过程如下：
[0074]
s11：首先选择k个负荷类别的中心点；
[0075]
s12：对任意一个负荷曲线在每个测量时刻的功率样本，求其到各类负荷中心的距离，将该样本归到距离最短的负荷中心所在的类；
[0076]
s13：聚好类后，重新计算每个聚类的中心点位置；
[0077]
s14：重复s12-s13步骤迭代，直到k个负荷中心点的位置不变，或者达到一定的迭代次数，ries负荷分组结果不发生变化且曲线误差和最小，则迭代结束，否则继续迭代；
[0078]
s2：划分区域内群集负荷；
[0079]
将区域内群集负荷依据生产特性划分为可调节负荷与固定负荷；可调节负荷即为可错峰间歇运行的负荷，如抽油机、铸铁炉等；固定负荷即在工作任务完成前需持续运行的负荷，如融铜竖炉；并针对聚类后可调节负荷的群集中的时变负荷，规定了各群集功率可调节范围；
[0080]
s3：区域内源荷智能匹配算法；
[0081]
构建匹配模型进行匹配；
[0082]
s4：时变负荷优化控制；
[0083]
智能算法在求解多目标问题方面具有并行高效、适应性强、无需特殊信息等优点，分为启发式算法和仿生式算法；由于萤火虫算法(firefly algorithm) 中任意2只萤火虫
可通过相互比较，具有较强的全局搜索性能，因此对区域内源荷高维非线性关系处理时寻优成功率更高；
[0084]
萤火虫算法的核心思想是每只萤火虫均具有相对荧光亮度和吸引度，相对亮度的强弱可以表示目标值的优劣，吸引度则为判断萤火虫位置更新距离，依靠这2个指标不断进行迭代，最终得到优化结果；从数学角度对该算法描述如下：
[0085]
s41：相对荧光亮度i公式为：
[0086][0087]
式中：i0为光源处r＝0时的自身荧光亮度，即为最大荧光亮度，自身荧光亮度与目标函数值成正比；γ为光吸收系数，用以体现荧光随距离增加和媒介吸收而减弱的特性，理论上γ∈[0,∞)，但在实际应用中，γ∈[0.01,∞)；r
ij
为萤火虫i和j的距离，即
[0088][0089]
xi、xj分别为萤火虫i和j所处位置；x
ik
表示萤火虫i的空间坐标，即为萤火虫i的k维坐标值；x
jk
表示萤火虫j的k维坐标值；k，d为坐标系的维数；
[0090]
s42：萤火虫的吸收度w表示为：
[0091][0092]
式中：w0为最大吸引度，即光源处(r＝0)的吸引度，多数情况下w0＝1；
[0093]
s43：位置更新；
[0094]
xi＝xi w(x
j-xi) μεiꢀꢀꢀ
(3)
[0095]
式中：xi、xj分别为萤火虫i和j所处位置；μ为步长因子，是[0,1]上的常数；εi表示一个服从高斯分布或均匀分布的随机向量；μεi为更新位置扰动项；
[0096]
萤火虫算法是为了使区域综合能源系统源荷匹配度θ的值较大，即让区域综合能源系统的源端出力曲线与负荷功率曲线更吻合；源荷追踪系数δ
p
和源荷波动系数δs可通过萤火虫的相对荧光亮度与吸引度侧面反映，而最后通过萤火虫位置的更新调整源荷匹配度θ的值，使其达到预期结果；
[0097]
采用萤火虫算法(firefly algorithm)对区域内源荷高维非线性关系进行描述，在克服非平稳序列的动态变化的同时寻求区域内供需约束关系，以建立反映ries源荷变量长期双向约束的函数关系；
[0098]
针对基于负荷生产的实际工况，在不改变工作流程的基础上建立时变负荷间歇控制模型，对各独立时变负荷运行状态的分析，结合间歇工作策略，对各群集内参与调度的时变负荷工作状态进行优化控制。
[0099]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0100]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。