一种基于全息感知的电能替代潜力估算方法与流程

1.本发明属于电能替代技术领域，涉及一种电能替代潜力估算方法，尤其是一种基于全息感知的电能替代潜力估算方法。


背景技术：

2.电能替代战略，主要是指利用电力能源代替煤、油、气等常规终端能源，通过大规模集中转化提高燃料使用效率、减少污染物排放，取得改善终端能源结构，促进环保的效果。
3.随着研究的推进，关于电能替代潜力的研究大量涌现，文献[1]运用向量自回归模型从消费支出结构变化和中国城镇居民家庭消费增长两个方面分析对居民消费水平的影响，进而得出居民消费水平的潜力。文献[2]指出节能减排视在潜力是一个地区在能源利用效率、能源合理利用程度以及大气污染物减排等方面与先进水平之间的差距，并釆用dea方法构建中国ap-eser分析体系，有效降低了数据精度、数据完整性和地区差异对分析结果的影响。文献[3]综合分析并评价了农村能源温室气体减排技术，计算减排效果并估算未来的减排潜力。
[0004]
总体来看研究潜力的模型多以地区为对象，但大多数方法无法对具体用户个体进行差异化分析，而对于工业用户，其用能行为习惯各不相同，简单地通过历史数据和同类型用户的归纳进行估计，很难以较高精度对不同时间尺度下煤油气-电多场景转换后的用户电能替代潜力进行估算。因而，现有方法的分析结果虽然具有指导意义，但在实际工程的具体案例中难以形成明确的估算与实施方案。
[0005]
经检索，未发现与本发明相同或相似的现有技术的专利文献。


技术实现要素：

[0006]
本发明的目的在于克服现有技术的不足，提出一种基于全息感知的电能替代潜力估算方法，能够解决面向电能替代潜力分析的用户个性化数据获取与行为感知的技术难题。
[0007]
本发明解决其现实问题是采取以下技术方案实现的：
[0008]
一种基于全息感知的电能替代潜力估算方法，包括以下步骤：
[0009]
步骤1、针对电能替代重点设备进行负荷识别；
[0010]
步骤2、基于步骤1的电能替代重点设备进行负荷识别结果，对用电行为与电能替代潜力综合分析；
[0011]
步骤3、根据步骤2的用电行为与电能替代潜力综合分析结果，采用stirpat-岭回归算法建立预测模型，进行电能替代潜力预测；
[0012]
步骤4、对步骤3所建立的预测模型进行修正；
[0013]
步骤5、基于步骤4得到的电能替代预测修正模型，修正电能替代潜力预测值，完成电能替代潜力评估。
[0014]
而且，所述步骤1的具体步骤包括：
[0015]
(1)对目标用户采样得到高频监测数据和用能历史数据，结合耗能设备机理分析，找出各类目标设备运行过程中的相关维度信息；
[0016]
(2)分析得到大工业用户电能替代的主要目标用能设备，构建形成电能替代重点设备库；
[0017]
(3)将(1)得到的各设备运行过程中的相关维度信息与(2)得到的电能替代重点设备库相结合，形成适用于负荷监测的重点设备感知特征库；
[0018]
(4)根据(2)得到的电能替代重点设备库和(3)得到的重点设备感知特征库，通过模式匹配完成电能替代重点设备识别。
[0019]
而且，所述步骤2的具体方法为：
[0020]
首先通过已有研究对煤油气等多场景下的替代模型进行建模；进而在电能替代重点设备识别技术的基础上对用户的用电行为规律进行个性化分析和建模；并结合灰色关联度分析，对不同场景/模型下的电能替代水平需进行综合效益计算，根据计算结果对不同用户复杂用能情况下的模型进行动态选择。
[0021]
而且，所述步骤3的具体步骤包括：
[0022]
(1)定义电能替代电量作为电能替代潜力的表征值，设定基准年tb，第t年电能消耗相比基准电能消耗增加量定义为电能替代量：
[0023][0024]
其中，s
t
为电能替代量，y
t
为第t年的实际电能消耗量，e
t
为第t年终端能源消耗总量；
[0025]
(2)对stirpat模型进行扩展与改造，构建了关于电能替代的stirpat模型表达式：
[0026][0027]
在本式中，s是终端电能替代电是电能替代电量，a是模型系数，t是终端电能消费强度，y是终端电能消费量，e是某种能源的使用量，o是其它影响电能替代量的因素，β1、β2、β3、β4分别为影响因素t、y、d、o的系数，e是模型的随机误差项；
[0028]
(3)为了通过回归分析确定有关参数，对(2)两边取对数，得：
[0029]
lns＝lnα+β1lnt+β1lny+β1lnd+β1lno+lne
ꢀꢀ
(3)
[0030]
(4)采用岭回归算法对步骤(3)的模型进行拟合：
[0031]
首先将目标设备的历史数据作为训练集样本，来训练岭回归模型，之后用训练后的该模型对新的数据进行预测。
[0032]
而且，所述步骤4的具体步骤包括：
[0033]
(1)将小波分析与人工神经网络结合，通过残差历史数据训练小波神经网络，动态修正步骤3中的预测模型结果，残差的计算方式如式(4)；
[0034]et
＝(y
t-1
+s
t
)-y
t
ꢀꢀꢀ
(4)
[0035]
其中，第t-1年终端电能消耗量y
t-1
与拟合得到的替代量s
t
之和为第t年的拟合消耗量残差e
t
为拟合消耗量与实际消耗量之差；
[0036]
(2)对给定的小波神经网络(输入层、隐含层及输出层的神经元个数分别为m、n、
n)，设输入、输出向量为x＝[x1x2…
xn]，则其模型输出可以表示为：
[0037][0038]
式中，xk和yi别为向量x的第k个输入和输出层的第i个输出；aj和bj分别为第j个隐含层结点的小波基伸缩因子及平移因子；w
j,k
和w
i,j
分别为输入层结点k和隐藏层结点j以及隐藏层结点j和输出层结点i的连接权值；h(x)为sigmoid函数。
[0039]
(3)得到残差历史数据后，网络训练过程的关键是要确定一组合适的权值和小波基,使得如下目标函数值最小：
[0040][0041]
式中，p＝(w c)
t
；w和c分别为网络中所有权值和小波基组成的向量；ti为网络的期望输出。
[0042]
而且，所述步骤5的具体方法为：
[0043]
将岭回归分析的预测结果s
t
与基于小波神经网络智能修正的残差相结合，实现对电能替代量的预测，得到预测值
[0044][0045]
本发明的优点和有益效果：
[0046]
1、本发明为了针对具体用户进行电能替代潜力估算，以负荷识别技术为基础，首先解决了面向电能替代潜力分析的用户个性化数据获取与行为感知的难题。进而，通过灰度关联、岭回归分析、小波神经网络等机器学习算法的灵活应用，实现了面向多场景的随机时间尺度电能替代潜力计算，以实现电能替代在工业用户中的应用。
[0047]
2、本发明针对电能替代的首要目标用户—大工业用户，结合人工智能技术中模式识别的研究范式，进行针对性算法设计，以快捷、高效、准确地获取目标设备用电信息，以对用户用电行为规律进行个性化分析；而后，基于多场景电能替代等效模型和用户用能行为模型，分析电能替代潜能，对不同用户复杂用能情况下的模型进行动态选择；最后，通过回归分析、小波神经网络等技术，对电能替代量进行准确预测，实现在多时间跨度下的用户电能替代潜力综合评估，并为后续的效益分析与核算提供支撑。
[0048]
3、本发明提出了一种基于全息感知的电能替代潜力估算方法，旨在解决具体用户的电能替代潜力精准评估的问题，能够进一步促进电能替代在工业领域的推广应用，帮助煤油气多种类能源电能替代单位大幅节约容量投资成本。本发明能够提供可推广的电能替代自动化个性化估算方法，提升电力企业服务效率，为我国能源结构改造升级提供参照，从而大幅提升电能替代技术场景的设备利用率。
附图说明
[0049]
图1是本发明的基于全息感知的电能替代潜力估算方法流程图；
[0050]
图2是本发明的用户重点设备运行状态识别方法流程图；
[0051]
图3是本发明的电能替代长短期潜力估算流程图。
具体实施方式
[0052]
以下结合附图对本发明实施例作进一步详述：
[0053]
一种基于全息感知的电能替代潜力估算方法，如图1所示，包括以下步骤：
[0054]
步骤1、针对电能替代重点设备进行负荷识别；
[0055]
如图2所示，所述步骤1的具体步骤包括：
[0056]
1-1)对目标用户采样得到高频监测数据和用能历史数据，结合耗能设备机理分析，找出各类目标设备运行过程中的相关维度信息；
[0057]
1-2)分析得到大工业用户电能替代的主要目标用能设备，构建形成电能替代重点设备库；
[0058]
1-3)将1-1)得到的各设备运行过程中的相关维度信息与1-2)得到的电能替代重点设备库相结合，形成适用于负荷监测的重点设备感知特征库；
[0059]
1-4)根据1-2)得到的电能替代重点设备库和1-3)得到的重点设备感知特征库，通过模式匹配等相关技术完成电能替代重点设备识别。
[0060]
步骤2、基于步骤1的电能替代重点设备进行负荷识别结果，对用电行为与电能替代潜力综合分析；
[0061]
所述步骤2的具体方法为：
[0062]
首先通过已有研究对煤油气等多场景下的替代模型进行建模；进而在电能替代重点设备识别技术的基础上对用户的用电行为规律进行个性化分析和建模；并结合灰色关联度分析，对不同场景/模型下的电能替代水平需进行综合效益计算，根据计算结果对不同用户复杂用能情况下的模型进行动态选择。
[0063]
步骤3、根据步骤2的用电行为与电能替代潜力综合分析结果，采用stirpat-岭回归算法建立预测模型，进行电能替代潜力预测；
[0064]
所述步骤3的具体步骤包括：
[0065]
(1)为对电能替代潜力实现量化计算，本发明定义电能替代电量作为电能替代潜力的表征值，设定基准年tb，第t年电能消耗相比基准电能消耗增加量定义为电能替代量：
[0066][0067]
其中，s
t
为电能替代量，y
t
为第t年的实际电能消耗量，e
t
为第t年终端能源消耗总量；
[0068]
(2)stirpat模型是一种多自变量的非线性模型，其中多项式参数是时变的，本发明对stirpat模型进行了扩展与改造，构建了关于电能替代的stirpat模型表达式：
[0069][0070]
在本式中，s是终端电能替代电是电能替代电量，a是模型系数，t是终端电能消费强度，y是终端电能消费量，e是某种能源的使用量，o是其它影响电能替代量的因素，β1、β2、β3、β4分别为影响因素t、y、d、o的系数，e是模型的随机误差项。
[0071]
(3)为了通过回归分析确定有关参数，对(2)两边取对数，得：
[0072]
lns＝lnα+β1lnt+β1lny+β1lnd+β1lno+lne
ꢀꢀ
(3)
[0073]
(4)采用岭回归算法对步骤(3)的模型进行拟合：
[0074]
首先将目标设备的历史数据作为训练集样本，来训练岭回归模型，之后用训练后
的该模型对新的数据进行预测。
[0075]
步骤4、对步骤3所建立的预测模型进行修正，进一步提升算法预测精度，避免因长期预测导致精度下降；
[0076]
如图3所示，所述步骤4的具体步骤包括：
[0077]
(1)将小波分析与人工神经网络结合，通过残差历史数据训练小波神经网络，动态修正步骤3中的预测模型结果，残差的计算方式如式(4)；
[0078]et
＝(y
t-1
+s
t
)-y
t
ꢀꢀ
(4)
[0079]
其中，第t-1年终端电能消耗量y
t-1
与拟合得到的替代量s
t
之和为第t年的拟合消耗量残差e
t
为拟合消耗量与实际消耗量之差：
[0080]
由于残差序列e
t
具有很强的随机性及无规律波动性，因此采用传统的预测模型难以准确刻画其变化趋势。小波分析有良好的时频局域化性质且收敛速度快，将其与人工神经网络的自适应、自学习能力相结合，可使残差序列e
t
的预测结果精度更高。
[0081]
小波神经网络采用小波基函数fi(x)(i＝1,2,
…
,k)代替传统bp神经网络隐含层的激活函数。这种结合使得人工神经网络模型既保持了bp神经网络的优点,同时又利用小波变换具有能够通过放大信号来提取局部信息的优点，对bp神经网络的权值及阈值进行优化，克服了bp网络易受局部极值影响而致预报结果精度较低的不足。
[0082]
(2)对给定的小波神经网络(输入层、隐含层及输出层的神经元个数分别为m、n、n)，设输入、输出向量为x＝[x1x2…
xn]，则其模型输出可以表示为：
[0083][0084]
式中，xk和yi别为向量x的第k个输入和输出层的第i个输出；aj和bj分别为第j个隐含层结点的小波基伸缩因子及平移因子；w
j,k
和w
i,j
分别为输入层结点k和隐藏层结点j以及隐藏层结点j和输出层结点i的连接权值；h(x)为sigmoid函数。
[0085]
(3)得到残差历史数据后，网络训练过程的关键是要确定一组合适的权值和小波基,使得如下目标函数值最小：
[0086][0087]
式中，p＝(w c)
t
；w和c分别为网络中所有权值和小波基组成的向量；ti为网络的期望输出。
[0088]
采用小波神经网络对残差e
t
进行自学习，得到输出残差序列将原始残差序列数据作为期望输出来反复训练网络，直到训练误差达到精度要求，保证了网络预测精度和泛化能力。动态地修正预测模型结果，并构建可适应不同时间尺度下的电能替代智能修正模型，且由此训练得出的小波神经网络可对电能替代预测值进行智能修正以提高预测精度。
[0089]
步骤5、基于步骤4得到的电能替代预测修正模型，修正电能替代潜力预测值，完成电能替代潜力评估；
[0090]
所述步骤5的具体方法为：
[0091]
将岭回归分析的预测结果s
t
与基于小波神经网络智能修正的残差相结合，实现对电能替代量的预测，得到预测值
[0092][0093]
本发明的工作原理是：
[0094]
本发明公开了一种基于全息感知的电能替代潜估算方法，包括：以目标用户高频监测数据和用能历史数据作为基础，结合耗能设备机理分析，找出各类目标设备运行过程中的相关维度信息；调研分析找出大工业用户电能替代的主要目标用能设备，构建形成电能替代重点设备库，结合各设备运行过程中的相关维度信息，形成适用于负荷监测的重点设备感知特征库；结合电能替代重点设备库和重点设备感知特征库，通过模式匹配等相关技术完成电能替代重点设备识别；首先通过已有研究对煤油气等多场景下的替代模型进行建模；进而在电能替代重点设备识别技术的基础上对用户的用电行为规律进行个性化分析和建模；并结合灰色关联度分析，对不同场景/模型下的电能替代水平需进行综合效益计算，根据计算结果对不同用户复杂用能情况下的模型进行动态选择。采用stirpat模型和岭回归算法进行电能替代水平预测；将小波分析与人工神经网络结合，通过残差历史数据训练小波神经网络，动态修正预测模型结果，完成电能替代潜力估算。
[0095]
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。