基于大数据的分布式电采暖负荷调峰方法仿真.pdf

3332023年6 月第40 卷第6 期真机仿计算文章编号：10 0 6-9 348（2 0 2 3)0 6-0 333-0 5基于大数据的分布式电采暖负荷调峰方法仿真李爽，冉春雨（1.吉林建筑科技学院市政与环境工程学院，吉林长春130 114；2.吉林建筑大学市政与环境工程学院，吉林长春130 118)摘要：由于当前已有电采暖负荷调峰方法未预测电采暖负荷，导致负荷调峰效果不明显，负荷削减量较少。为解决上述问题，提出一种基于大数据的分布式电采暖负荷调峰方法。通过大数据技术采集电采暖负荷数据，根据属性划分为可观测数据和隐藏数据。分析各个变量之间的关系，组建LSTM网络结构，同时结合EM算法，获取电采暖负荷预测结果。根据预测结果，将最小发电成本作为目标，构建分布式电采暖负荷调峰模型，通过修正多目标粒子群算法求解模型，获取最优负荷调峰方案。实验结果表明，所提方法可以获取更加满意的分布式电采暖负荷调峰方案。关键词：大数据；分布式；电采暖；负荷调峰；最小发电成本中图分类号：TP393文献标识码：BSimulation of Distributed Electric Heating Load PeakRegulation Method Based on Big DataLI Shuang,RAN Chun-yu2(1.Municipal and Environmental Engineering Institute,Jilin University of Architectureand Technology,Changchun Jilin 130114,China;2.Municipal and Environmental Engineering Institute,Jilin Jianzhu University,Jilin Changchun 130118,China)ABSTRACT:At present,the effect of peak load regulation is not obvious in some methods.Therefore,a method ofregulating peak load of distributed electric heating load based on big data was proposed.At first,electric heating loaddata were collected by big data technology.According to the attribute,these data could be divided into observable dataand hidden data.Then the relationship between variables was analyzed,and the LSTM network was constructed.More-over,the prediction results of electric heating load were obtained by the EM algorithm.According to the prediction re-sults,a distributed electric heating load peak regulation model was built in order to minimize the cost of power genera-tion.Moreover,the model was solved by the improved multi-objective particle swarm optimization algorithm.Finally,the optimal scheme was obtained.Experimental results show that the proposed method can obtain a more satisfactoryscheme of distributed electric heating load peak regulation.KEYWORDS:Big data;Distributed;Electric heating;Peak load regulation;Minimum cost of power generation1引言现阶段，我国开始大力推广电采暖方式1,2 。随着煤改电用户的飞速增加，各个地区低压配电网基础设施改造需求和电力供需压力快速增加。为了缓解电力供需矛盾日益恶化，鼓励煤改电用户实现负荷削峰填谷，全面增加电网负荷率和运行效率。研究一种全新的分布式电采暖负荷调峰方法是当前研究的首要内容。国内相关专家进行了大量的研收稿日期：2 0 2 1-11-30修回日期：2 0 2 2-0 2-18究,例如王志强等人3 考虑到自身特性和外界环境因素，分析建筑物温度对时变方程产生的影响，以此为依据进行负荷特性建模；然后通过优化方法获取不同用户的用电负荷特性；最终根据热需求以及响应行为的影响因素构建区域用户分类标准，最终完成电采暖负荷调峰。李玲等人4 通过机理分析确定机组路由的额定负荷变化规律，将PID参数整定方法和仿真分析结果相结合，获取协调控制系统的最优参数，同时制定对应的调峰方案。基于已有方法，提出一种基于大数据的分布式电采暖负荷调峰方法。经实验测试证明，所提方法可以更好地完成电334采暖负荷调峰。2方法2.1基于大数据的分布式电采暖负荷预测现阶段,对电采暖负荷产生影响的因素可以划分为多种不同的类型，其中主要的影响因素为用户行为习惯以及地理环境等。优先借助大数据技术采集分布式电采暖负荷数据5.6 。随着电采暖负荷数据呈爆炸式增长，在处理海量数据的过程中，需要针对以下几方面内容进行改进，例如对复杂数据的处理能力以及数据的实时处理能力等。其中，分布式电采暖负荷数据的采集步骤如下所示1)通过大数据技术采集分布式电采暖负荷数据；2)将采集到的全部电采暖负荷数据进行整合处理；3)对全部电采暖负荷数据进行预处理；4)将全部数据输出，最终得到分布式电采暖负荷数据采集结果。根据不同负荷数据的属性特征，将采集的电采暖负荷数据划分为可观测数据以及隐藏数据。将其设定为不同的变量，分别各个变量之间的关系，进而构建LSTM网络架构。LSTM网络是由三个不同的部分组成，分别为输人/输出层以及隐含层7.8 ，不同层次具有不同的功能，各个层次之间相互协作，紧密联系。设定观测样本为p1,P2，,，Pm，通过其可以获取参数9对应的概率模型k(x,9）,则参数的对数似然函数（9)可以表示为式(1)的形式rm(9)=lg k(x,9)(1)i=1假设在观测数据中的测试样本数据是完整的，那么可以采用(9)进行计算得到对应的估计参数9。但是由于实际所观测到的样本数据并不是完整的,其中包含隐藏变量u,则有关参数9 的对数似然函数可以表示为以下形式cm(9)：lgk(x,9,u)(2)二i=1由于u的存在，会造成9 的计算难度增加。为了有效解决上述问题，需要优先对参数9 和两者之间的关系进行深入分析，同时多次重复以上操作步骤，直至满足终止条件则停止操作。EM算法主要划分为两个步骤9.10 ,经过两个步骤的反复迭代，最终实现对应参数的估计，以下给出具体的操作步骤：1)E步骤：设定T代表隐藏变量u的分布，则需要满足以下约束设定T,代表隐藏变量u的分布，则需要满足以下约束条件f Tu=1,Tu 0(3)由于隐藏变量的存在，当（9)的取值增加时的取值也会相应增加,所以以下可以采用u的取值获取（9）的最大似然下界约束条件，如式（4）所示(a,6,u)=n(4)Tu式中，a(和b(分别代表不同类型的负荷业务数据；n代表任意常数；代表电力系统的日存储能力。2)M步骤：分析隐藏变量的分布条件,以此为依据,对参数u进行优化调整以及求导，最终获取最大化似然参数。多次重复步骤M和步骤E，经过不断地迭代优化，最终获取模型的解。当对分布式电采暖负荷调峰的影响因素进行分析时，可以实时掌握过去一段时间内建筑外的温度以及环境变化情况，将LSTM网络和EM算法进行结合，对分布式电采暖负荷进行预测。针对LSTM网络中隐藏节点而言，由于节点类型不同，所以采用的处理方式也不同。其中，可以将父节点和子节点统称为离散节点，以下需要各个节点进行优化处理，具体计算过程如式（5）所示Jy(i)z(i,j)dx(x)=(5)Jz(i,j)dxi=1式中,y(x)代表节点优化结果;y(i)代表概率密度函数;z(i,j)代表输出门对应的节点权重。将采集到的电采暖负荷数据作为LSTM网络的输入，同时明确对分布式电采暖产生影响的主要因素。分析电采暖负荷的主要特点，采用LSTM网络和EM算法相结合的方式对分布式电采暖负荷进行预测11,12 ,详细的操作步骤如图1所示：开始采用大数据技术进行负荷数据采集组建LSTM网络结构将LSTM网络和EM算法结合将采集到的数据输人到模型数据训练结束图1基于大数据的分布式电采暖负荷预测流程1)通过大数据技术采集最近几年比较典型的分布式电335式中采暖负荷数据，同时将其设定为模型的输人。2)分析不同类型电采暖负荷数据之间的关系，同时以此为依据，构建LSTM网络结构。3）将LSTM网络和EM算法进行有效结合。4)将采集到的数据输人到模型中。5)对数据进行训练，最终输出分布式电采暖负荷预测数据。2.2分布式电采暖负荷调峰为了更好完成分布式电采暖负荷调峰，需要将日电采暖负荷预测函数以及温度作为变量，忽略其它影响因素。为了确保冬季室内温度的稳定，需要有效避免各种能量的浪费，其中分布式电采暖的供热负荷需要随着温度的变化而变化，具体的计算式如下(H=H+H,xyzxyi=1HX;yZi(6)Xyj=1(H,=K,lu式中，H代表不同区域内在设定时间段的电采暖供热负荷；H,代表在设定时间段内建筑散热所产生的负荷；H,代表电供热系统形成的最大损失负荷；x;、y：以及z；代表不同区域内的建筑总数；K，代表建筑物的总面积；lwater代表在设定时间段内建筑物外部的温度；u。代表室内外温度的差值；o.代表设定时间段内建筑的散热量。由于建筑物的总面积属于固定值，则电采暖产生供热量所对应的温度函数H如式(7)所示=-D,u,u,wt-outsidei=130 x;yz;?F,(7)j=1i=1D=1式中,代表供热系统产生的供热总量;D-ouiae代表建筑物散热指标；F，代表采用电采暖进行供热产生的费用。当建筑物停止供暖时，电采暖负荷需要满足以下约束条件dH6(dt)H(dt)+u,v,wu,u,ui=1x=1y=1Hu.(dt)(8)Z=1式中,d代表常数。随着大批量用户开始采用电供暖方式，促使电网的波动性和不可预测性大幅度增加。在使用电采暖初期，会花费大量的成本。所以可以将风能转换为机械能，然后机械能转换为电能，这样的发电成本就会比较低一些。在供暖低谷期，火电机组所产生的燃料成本！计算式如下lu=(x;yiz.)+Ci+Ti(9)，c,代表机组i产生的燃料系数；c,代表火电机组在设定时间范围内的出力总和。由于风电机组启动或运行会耗费大量的成本，所以在计算的过程中还需要将整个火电机组的启停成本考虑在内，以下将最小分布式电采暖成本作为目标，则对应的目标函数如式(10)所示i=lj=1minBT(*x)+Ba()+H.(2)+Ha(10)t=li=1式中，minB代表分布式电采暖的最小成本；B（y）代表火电机组的启停总次数；H，代表设定时间段内的用电成本。进行电采暖不仅会受到发电性能的影响，同时还会受到电网有功调节以及风速等自然条件的影响，以下给出具体的约束条件：1)机组出力约束条件G，如式（12)所示0,tTiGg=u;(x),MgTg(11)LGmax,ViTQmax式中，t代表机组出力时间总和;（x)代表机组的额定风速；T代表机组的最大风速；Gm代表机组的最大功率系数；v,代表机组的机械效率总和。由于对风速的测定是十分复杂的，结合相关先验知识，能够获取以下形式的风速计算结果fi22.uJffff.=(12)厂mnt式中，f，代表额定风速分析采用电采暖供热的实际运行情况，同时设定以下约束条件。其中，电采暖负荷的爬坡约束条件为AG,Gu-Gi-1 AGt(13)式中，AG;和G分别代表机组的最小出力值和最大出力值；G，代表机组的最大响应极限值。2）最短运行时间以及停机时间约束，如式（15）所示：j1Tcm+0.E,-Tc.=1(14)t=1i=1根据目标函数以及设定的约束条件，构建分布式电采暖负荷调峰模型，采用修正多目标粒子群算法13,14 对建立的负荷调峰模型进行求解，详细的操作步骤如下所示：1)将算法中的全部粒子进行归一化处理，获取不同决策变量的上下界取值，获取电采暖方式的约束映射。2）计算采用电采暖方式进行供热的平衡差额。3)对供热平衡进行调节。4)判定供电平衡修正公式和供热平衡是否相似，假设相似，则继续进行风力发电；反之，则由其它机组进行出力。5）分别计算不同粒子之间的欧式距离，同时确定各个粒子之间的共享函数。6)计算共享度，同时对负荷调峰模型进行求解，搜索最336优解，将其作为最优分布式电采暖负荷调峰方案。3仿真研究为了验证所提基于大数据的分布式电采暖负荷调峰方法的有效性，选取J村庄典型的5 0 户电采暖用户进行测试分析，测试数据来源于2 0 2 0 年1月18 日到1月31日。将全部用户按照可控度划分为10 组，可控度是随之降低的，设定初始温度为18，温升系数为2 2。其中，用户的舒适温度也为18。采用所提方法获取的最优调峰方案，以45 min为一个调峰间隔，利用表1给出最优调峰方案下各个调控时间的统计结果：表1最优负荷调峰方案下调控时段统计结果用户组用户编号最大时段数最小时段数平均时段数11570.055.062.5261065.051.058.03111563.048.055.54162060.045.052.55212557.040.048.56263054.038.046.07313550.035.042.58364048.031.039.59414545.028.036.510465040.025.032.5分析表1中的实验数据可知，代理公司对1组进行调峰的次数比较多，平均值高达6 2.5 个时段，而且第1组的最大和最小时段数也明显高于其它分组，说明调峰次数多的调峰时间更加灵活，而且参数负荷调峰的时段更多一些。利用图2 给出前4组用户采用所提方法进行调峰后，各组用户的负荷削减量变化情况。分析图2 中的实验数据可知，经过所提方法进行调峰后，各个峰谷时段的负荷发生了十分明显的变化，这说明所提方法可以更好实现调峰。主要是因为所提方法在进行调181512963012345用户编号（a）第1组用户的负荷削减量测试结果1815129630678910用户编号（b）第2 组用户的负荷削减量测试结果18151296301112131415用户编号（c）第3组用户的负荷削减量测试结果1815(4M)/一源1296301516171819用户编号（d）第4组用户的负荷削减量测试结果图2不同峰时段各组用户的负荷削减量测试结果峰时期，对用户各个时段的电采暖负荷进行预测，为后续调峰奠定坚实的基础，同时也能够起到削峰填谷的目的。4结束语针对传统方法存在的一系列问题，设计并提出一种基于大数据的分布式电采暖负荷调峰方法。经实验测试证明，所提方法能够更好地完成削峰填谷，获取更好的负荷调峰方案。虽然所提方法现阶段取得了比较满意的研究成果，但是仍然存在不足，后续将针对以下几方面的内容进行更深层次337上接第2 19 页）的研究：1)减少电网运行风险以及控制难度，在确保电力成本不增加的情况有效延长供暖时长。2)对风电出力情况进行深入研究，获取成本最低且收益最高的风电出力方案。3)和政府相关部门进行沟通，制定合理有效的供暖电价，同时还需要构建有效的电力市场，确保用户可以通过最低的价格完成电采暖。参考文献：【1严干贵，阐天洋，杨玉龙，等.基于深度强化学习的分布式电采暖参与需求响应优化调度J.电网技术，2 0 2 0,44（11）：4140-4149.2袁泽，宝海龙，周鹿鸣，等。规模化电采暖设备对配电网电能质量的影响分析J.电测与仪表,2 0 19,5 6（1)：6 0-6 8,10 1.3王志强，王珊，张馨月，等.计及用户响应行为差异性的区域电采暖负荷特性建模J.电力系统自动化，2 0 19,43（7)：6 7-7 3.4李玲，刘鑫屏.新能源大规模并网条件下火电机组深度调峰控制策略优化J.中国电力，2 0 2 0,5 3（1）：15 5-16 1.5李俊楠，李伟，李会君，等.基于大数据云平台的电力能源大数据采集与应用研究J.电测与仪表，2 0 19,5 6（12）：10 4-10 9.6田真真，赵书良，李文斌，等.基于耦合度量的多尺度聚类挖掘方法J.数据采集与处理，2 0 2 0,35（3）：5 49-5 6 2.7胡庆芳，曹士坨，杨辉斌，等。汉江流域安康站日径流预测的LSTM模型初步研究J.地理科学进展，2 0 2 0,39（4）：6 367艾加秋，王非凡，杨兴明，等.基于背景匀质性双边滤波的SAR图像斑点噪声抑制算法J.遥感学报，2 0 2 1,2 5（5）：10 7 1-1084.8胡鹏，张维凯，韩健健。基于贝叶斯定理的异重流泥沙侵蚀经验式不确定性分析J.应用基础与工程科学学报,2 0 2 0,2 8(2):287-298.9王巍璋，王淳，尹发根.基于可达矩阵和贝叶斯定理的含分布式电源的配电网故障区段定位J.中国电力，2 0 2 1,5 4（7）：9 3-99,124.10贾洪，郑楚君，李灿标，等.基于局部线结构约束的FCM聚类视网膜血管分割J.光学学报，2 0 2 0,40（9：40-49.11易柯，张志勇，李曼，等.基于FCM聚类算法的二维RMT电阻率与介电常数联合反演J.地球物理学报，2 0 2 2,6 5（6）：2340-2350.-642.8王雅欣，徐宝昌，徐朝农，等.基于工厂数据的注意力LSTM网络辨识方法J.化工学报，2 0 2 0,7 1（12）：5 6 6 4-5 6 7 1.9尹东亮，胡涛，陈童，等.PH分布参数估计的确定性退火加速EM算法J.海军工程大学学报，2 0 2 0,32（3）：49-5 5.10冯杭，王胜兵.基于EM算法的离散-连续型混合分布参数估计J.统计与决策,2 0 19,35(3)：8 5-8 8.11亚轩，张春雨，朱仁敬，等.基于时间序列多尺度分解的建筑用电负荷预测方法【J.西南大学学报（自然科学版），2020,42(10)：8-16.12杨本臣，张军，于坤鹏.开放售电环境下用户短期负荷预测方法J.电工电能新技术,2 0 2 0,39（1）：5-11.13李晓利，高金峰.用于配电网多目标无功优化的改进粒子群优化算法J.电力自动化设备，2 0 19,39（1）：10 6-111.14耿焕同，周山胜，陈哲，等基于分解的预测型动态多目标粒子群优化算法J.控制与决策，2 0 19,34（6）：130 7-1318.15杨谦，刘继春，蒋万枭.伏不同渗透率下考虑源网荷储深度互动的电力系统调峰策略J.电力建设,2 0 2 1,42（9）：7 4-8 4.作者简介李爽（19 8 6-）,女（汉族），吉林长春人，硕士，讲师，研究方向：建筑节能冉春雨（19 5 4-），男（汉族），吉林长春人，硕士，教授，研究方向：建筑暖通空调。12陈富健，谢维信.引人抗遮挡机制的SiamVGG网络目标跟踪算法J.信号处理，2 0 2 0,36（4)：5 6 2-5 7 1.13谭建豪，张思远.基于自适应空间正则化的视觉目标跟踪算法J.计算机研究与发展，2 0 2 1,5 8（2）：42 7-435.14陈益松，夏明，沈丽，等.基于格雷码光栅法的形貌扫描研究J.东华大学学报（自然科学版），2 0 2 0,46（6）：10 0 8-10 13.15周颖，黄云彪，李东玲，等.电磁式扫描光栅微镜设计J.光学精密工程，2 0 2 1,2 9（9）：2 0 48-2 0 5 7.作者简介全震（19 8 6-），女（汉族），吉林白城人，硕士，讲师，研究方向：城乡规划与设计。吕静(19 6 9-)，,女（汉族)，天津人，硕士，教授，研究方向：城乡规划与设计。