一种多能互补能源枢纽设备的管理方法与流程

1.本发明涉及能源互联网技术领域，并且尤其涉及一种多能互补能源枢纽设备的管理方法。


背景技术：

2.在能源互联网中，利用各类能源之间的互补性，实现多能源互补是能源互联网综合能源枢纽发展的主要目标，其目的是为了实现多种能源融合、协调、联动，从而促进能源综合利用率和可再生能源消纳能力。能源互联网中能源枢纽形态多样、场景复杂，有冷、热、电联供系统、有太阳能沼气供电混合系统等不同形态能源枢纽系统，有面向园区、智慧生态城市、生活小区等不同应用场景，如何有效对多能互补系统进行有效的碳排放和能效综合监控与评估是能源互联网多能互补系统关键性难点问题之一。
3.针对能源互联网多能互补枢纽系统形态多样、场景复杂、多目标约束等特点，目前解决该难点问题的方法主要分为两大类：一类基础物理建模方法，另一类基于数据驱动方法。物理模型方法准确性主要依赖实际能源枢纽系统的领域知识和建模准确性，但由于能源枢纽综合利用效率和可再生能源消纳还受应用区域气候环境、使用规模，用户需求响应等因素影响，虽然该方法在前期静态规划中具有一定优势，却在项目实践应用中因通用性不足，存在动态调整系统参数耗时长，随环境变化动态调整不足等缺点。基于数据驱动方法主要利用系统在实际运行过程中对实时采集数据的分析，动态规划、动态调整多能互补能源枢纽系统的参数，具有较高的灵活性和通用性，因此在项目实践中具有较强的适用性。随着进化技术的发展，遗传算法、蚁群算法、粒子群优化算法、人工神经网络算法等现代启发式算法引发人们研究的兴趣，并显示出极大的应用潜力。
4.然而，在能源互联网构建多能源综合系统过程中，还缺乏对多能源综合系统系统性的科学评估与监控方法，能够针对能源互联网多能互补系统形态多样、场景复杂、多目标约束等特点，进行综合能源系统在实时运行过程有更有效的被管理、便于系统参数配置被优化，提升综合能源系统实时在线多目标优化。


技术实现要素：

5.本发明从深度神经网络的角度，利用神经网络通用性强、扩展规模广的特点，提出一种多能互补能源枢纽设备监控方法，它基于本发明设计的基于长短记忆神经网络的深度双向长短记忆神经网络，它是递归神经网络发展的一个重要分支，通过记忆单元、输入门、遗忘门、输出门的巧妙设计缓解了rnn神经网络中的梯度爆炸和梯度弥撒现象，同时具有比较强的泛化能力，长时间记忆能力，能够准确地实现对能源互联网多能互补枢纽动态综合管理评估和在线动态系统参数优化配置。
6.一种多能互补能源枢纽设备的管理方法，包括：
7.步骤1，构建多能互补能源枢纽设备微能源网络系统；
8.步骤2，采集所述多能互补能源枢纽设备微能源网络系统的能源输入数据：
9.步骤3，采集所述多能互补能源枢纽设备微能源网络系统的负荷输出数据；
10.步骤4，对所述微能源网络系统的能源输入数据和负荷输出数据进行预处理；
11.步骤5，根据所述能源输入数据和负荷输出数据，形成所述微能源网络系统多输入多输出的神经网络模型训练数据样本；
12.步骤6，确定所述微能源网络系统各类能源输入分配系数，结合所述神经网络模型训练数据样本，构建符合微能源网络系统环境的能源输入与负荷输出关系的微能源网络系统神经网络模型模型；
13.步骤7，利用构建的所述微能源网络系统神经网络模型，通过输入负荷需求，预测所述神经网络模型的输出，即各类能源输入的分配系数；其中，能源输入数据作为所述神经网络模型的输入，所述神经网络模型的输出则是负荷需求对应各类能源输入的分配系数；
14.步骤8，根据所述各类能源输入的分配系数，制定相关的系统输入调控策略，实现对多能互补能源枢纽设备的管理。
15.本发明意在解决能源互联网构建多能源综合系统过程中，缺乏对多能源综合系统系统性的科学评估与监控方法的问题，针对能源互联网多能互补系统形态多样、场景复杂、多目标约束等特点，利用数据驱动方法，扩展lstm神经网络(长短记忆神经网络)的记忆特性，实现双向长短记忆神经网络，利用lstm中的记忆细胞，同时做到保留“过去”和“未来”的信息，加强神经网络在系统监测与评估过程中的预测能力，在双向长短记忆神经网络的基础上，实现双向长短记忆神经网络的深度架构，通过多层架构实现综合能源系统参数规范分布，以便更好利用参数，减少存储器的数量，增加能源综合系统输入数据及参数的非线性处理，从而便于综合能源系统在实时运行过程有更有效的被管理、便于系统参数配置被优化，提升综合能源系统实时在线多目标优化。
附图说明
16.本发明的实施例通过示例而非限制方式在附图中被图示，其中相同的附图标记表示相同的元素，其中：
17.图1是本发明的方法流程图；
18.图2是本发明的深度双向长短记忆神经网络模型。
具体实施方式
19.在下面的描述中，出于说明的目的，为了能够彻底理解本发明的实施例，阐述了许多特定的细节。然而，很明显对本领域技术人员来说，没有这些特定的细节也可以实施本发明。下面的详细说明包括对附图的参考，这些附图构成详细说明的一部分。附图示出了按照示例性实施例的图例。这些示例性实施例(它们在这里也称为“示例”)被充分详细地描述，以使得本领域技术人员能够实施本主题。实施例可以组合，可以利用其它的实施例，或者在不背离权利要求的范围的情况下可以做出结构上、逻辑上的改变。因此，下面的详细说明不应被理解为限制性的，范围由随附的权利要求及其等同物确定。
20.如图1所示，本发明提出了一种多能互补能源枢纽设备的管理方法，包括：
21.步骤1，构建多能互补能源枢纽设备微能源网络系统；
22.步骤2，采集所述多能互补能源枢纽设备微能源网络系统的能源输入数据：
23.步骤3，采集所述多能互补能源枢纽设备微能源网络系统的负荷输出数据；
24.步骤4，对所述微能源网络系统的能源输入数据和负荷输出数据进行预处理；
25.步骤5，根据所述能源输入数据和负荷输出数据，形成所述微能源网络系统多输入多输出的神经网络模型训练数据样本；
26.步骤6，确定所述微能源网络系统各类能源输入分配系数，结合所述神经网络模型训练数据样本，构建符合微能源网络系统环境的能源输入与负荷输出关系的微能源网络系统神经网络模型模型；
27.步骤7，利用构建的所述微能源网络系统神经网络模型，通过输入负荷需求，预测所述神经网络模型的输出，即各类能源输入的分配系数；其中，能源输入数据作为所述神经网络模型的输入，所述神经网络模型的输出则是负荷需求对应各类能源输入的分配系数；
28.步骤8，根据所述各类能源输入的分配系数，制定相关的系统输入调控策略，实现对多能互补能源枢纽设备的管理。
29.优选地，其中，所述多能互补能源枢纽设备微能源网络系统是由太阳能集热、光伏发电、热电联产机组和沼气池组合的太阳能-沼气微能源网络。
30.优选地，其中，所述步骤2，采集所述多能互补能源枢纽设备微能源网络系统的能源输入数据，所述能源输入数据包括所述微能源网络系统的负荷需求变量、环境参数、以及设备节点数据；所述环境参数包括光照条件、环境平均温度、光伏板功率温度、单位体积沼气浓度；所述设备节点数据由传感器采集，包括系统能源输入量、系统配置参数量、能源碳排放量和能量转移效率。
31.优选地，其中，所述步骤4，对所述微能源网络系统的能源输入数据和负荷输出数据进行预处理，具体包括：根据阀值预判所述数据的合理性，如果异常则剔除该数据，否则保留。
32.优选地，其中，所述步骤6，确定所述微能源网络系统各类能源输入分配系数，结合所述神经网络训练数据样本，构建符合微能源网络系统环境的能源输入与负荷输出关系的微能源网络系统深度双向长短记忆神经网络模型，具体包括：
33.步骤6-1，构建深度双向长短记忆神经网络模型：
34.堆叠多层双向长短记忆神经网络，形成深度双向长短记忆神经网络模型，得到深度双向长短记忆神经网络的基本公式：
[0035][0036][0037][0038][0039][0040][0041]
其中，g，分别代表在神经网络第l层中，t时刻时，输入门、遗忘门、当前输入单元转态和输出门的输出值；
[0042]
分别代表在神经网络第l层中，输入门、遗忘门、当前输入单元转态和输出门的权重矩阵；
[0043]
分别代表在神经网络第l层中，输入门、遗忘门、当前输入单元状态和输出门的偏置项；
[0044]
分别代表在神经网络第l层中，当前层隐藏层、前层隐藏层状态；
[0045]
分别代表在神经网络第l层中，细胞元前层和当前层的状态；
[0046]
深度双向长短记忆神经网络中，第一层以特征数据为输入，其它每一层的输入是前一层的输出；
[0047]
所述特征数据包括电网输出功率、太阳能输出功率和沼气输出功率；
[0048]
式中，σ为激活函数，为神经网络第l层在t时刻输入的特征数据；
[0049]
步骤6-2，构建向前传播多层长短记忆神经网络:
[0050][0051][0052][0053][0054][0055][0056]
步骤6-3，构建向后传播多层长短记忆神经网络:
[0057][0058][0059][0060][0061][0062][0063]
其中，箭头
→
表示向前传播多层长短记忆神经网络，得到输出值箭头
←
表示向后传播多层长短记忆神经网络,得到输出值
[0064]
步骤6-4，将向前传播多层长短记忆神经网络与向后传播多层长短记忆神经网络的输出值和组合，构建最终的深度双向长短记忆神经网络，即微能源网络系统神经网络，得到输出结果：
[0065][0066]
其中，所述深度双向长短记忆神经网络输出s
t
是负荷需求对应的各类能源输入的分配系数。所述深度双向长短记忆神经网络模型输出s
t
是，负荷需求通过特征数据输入与负荷需求历史数据对神经网络的训练，可以得到神经网络权重的值，该w权重的值对应的各类能源功率输入的分配系数。
[0067]
本发明实施例的实验设计配电网中电源主要有柴油机(de)、风力发电(wt)、光伏发电(pv)、动力电池(ba)，其相关参数如下表所示：
[0068]
表1
[0069][0070]
利用光伏、风电物理模型计算出各时间段分布式电源发电量以及负荷需求，通过软件模拟一年的柴油机、风力发电机、光伏发电机、燃料电池的每小时的功率出力与用户负荷的数据。
[0071]
实施例设计的目标函数：
[0072]
cp为污染物环境处理最小费用；cy为系统运行最小费用：
[0073][0074][0075]
其中：为so2的处理费用(元)；为co2的处理费用(元)；为nox的处理费用(元)；c
dgi
为第i个分布式电源的固定投资费用；w
dgi
为第i个分布式电源检修维护费用
(元)。
[0076]
minz＝a1cp+a2cy
[0077]
其中：0≤a1≤1，0≤a2≤1为权系数，且a1+a2＝1。该目标函数综合考虑了运行费用和环境效益，实现多目标优化。
[0078]
等式约束条件：
[0079][0080]
p
loadt
为t时刻系统中的总负荷(kw)；p
dgit
为t时刻分布式电源输出功率(kw).
[0081]
利用软件模拟的历史数据，通过本文设计的神经网络，输入t时刻是负荷需求，预测t时刻柴油机、风力发电机、光伏发电、燃料电池的输出功率，并根据表1的参数，计算出t时刻整个能源网络系统的运行费用和污染物处理费用。
[0082]
进行实施例策略设计，如以下参考示例：
[0083]
控制模式1：动力电池电网支撑，风力发电、光伏发电和柴油机发电循环充电。
[0084]
dc/ac逆变器构成电网，并且是能源系统网的主要支撑。发电机组为直流耦合(通过ac/dc逆变器)，其在动力电池soc(state of charge)低时用作备用单元。发电机组投运后即以满负荷循环充电模式运行，同时为负载供电并为电池充电。当电池达到循环充电soc设定点，发电机组停机。在该控制模式中，风能wt、太阳能pv的每日发电通常完全为对电池充电。
[0085]
控制模式2：混合主控，发电机组循环充电(交流耦合)：
[0086]
电池转换器和柴油发电机组都可以形成电网，尽管可互换，即单个改变的主控制结构，其中指定的主控器根据操作条件而改变。该控制模式是电池主导控制模式，其中发电机组用作备用单元并且仅在电池充电状态低或负载超过电池转换器额定值时操作。与模式1一样，发电机组以循环充电模式运行。
[0087]
控制模式3：混合主控，发电机组负载跟随(交流耦合)
[0088]
尽管可互换，但动力电池转换器和发电机组都可以形成电网。该控制模式通常是电池主导，其中发电机组用作备用单元，并且仅在电池充电状态低或负载超过电池转换器额定值时操作。发电机组配置为负载跟随模式，从不对电池充电。
[0089]
控制模式4：发电机组电网支撑，电池斜坡控制
[0090]
柴油发电机组形成电网并且是主要支撑(与太阳能pv一起)。电池仅用于斜坡控制以考虑太阳能pv输出的变化，使得在固定的每日操作时间表(例如，上午10点至下午3点)期间，太阳能pv系统可提供稳固的预设输出。
[0091]
通过各类机组输出功率预测需求，结合运行费用和环境效益的约束要求，选择不同的控制模式。
[0092]
另外，本发明针对深度双向长短记忆神经网络模型，运用google的tensorflow进行搭建，设置dropout(随机失活)值为0.5，训练集的batch_size(批量大小)为32，测试集的batch-size(批量大小)为64，bi-lstm中前后方向隐藏状态的维度为100，训练学习率为0.001，采用adam(自适应矩估计)优化器，每一个轮次的训练之前，都将所有训练数据打乱。
[0093]
通过实施例对cnn、lstm、deep bi-lstm神经网络模拟对比测试，采用召回率、准确率和f1值进行模型评价，实验结果对比如下：
[0094]
表2
[0095][0096]
通过实验比较结果可以发现，基于deep bi-lstm深度双向长短记忆神经网络模型的方法整体要好于cnn和lstm的方法，因为深度双向长短记忆神经网络模型可以从序列向前和向后获取特征，这样能够获得更全面的序列知识信息，同时与深度神经网络结合，构建深度双向长短记忆神经网络模型，使该模型更好的获取序列特征。
[0097]
本发明解决了能源互联网构建多能源综合系统过程中，缺乏对多能源综合系统系统性的科学评估与监控方法的问题，针对能源互联网多能互补系统形态多样、场景复杂、多目标约束等特点，利用数据驱动方法，扩展lstm神经网络(长短记忆神经网络)的记忆特性，实现双向长短记忆神经网络，利用lstm中的记忆细胞，同时做到保留“过去”和“未来”的信息，加强神经网络在系统监测与评估过程中的预测能力，在双向长短记忆神经网络的基础上，实现双向长短记忆神经网络的深度架构，通过多层架构实现综合能源系统参数规范分布，以便更好利用参数，减少存储器的数量，增加能源综合系统输入数据及参数的非线性处理，从而便于综合能源系统在实时运行过程有更有效的被监控、便于系统参数配置被优化，提升综合能源系统实时在线多目标优化。
[0098]
本发明虽然已经参考特定的示例性实施例描述了实施例，很明显，在不背离发明主题的较宽的主旨和范围的情况下，可以对这些实施例进行多种修改和改变。因此，本说明书及附图应被视为例示性而不是限制性的。
[0099]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0100]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0101]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0102]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0103]
最后应当说明的是：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应当理解：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，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。