一种多能源系统中长期冷热电负荷分类方法技术方案

本发明专利技术公开了一种多能源系统中长期冷热电负荷分类方法，该方法包括如下步骤：1)，采集多能源系统中长期冷热电负荷信号；2)，对步骤1)的冷热电负荷信号进行预处理；3)，对经过步骤2)预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵；4)，将步骤3)提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类；5)，将步骤4)的冷热电负荷信号分类结果与步骤1)的负荷信号进行对比，确定识别结果。本发明专利技术能够准确地对多能源系统中长期冷热电负荷进行分类。

A Classification Method for Long-term Thermoelectric and Cooling Load in Multi-energy System

The invention discloses a method for classifying long-term thermal and cooling load in multi-energy system, which includes the following steps: 1) collecting the long-term thermal and cooling load signal in multi-energy system; 2) preprocessing the thermal and cooling load signal in step 1; 3) analyzing the sample entropy of the pre-processed thermal and cooling load signal in step 2, extracting the effective characteristic entropy; 4) extracting the effective characteristic entropy in step 3. The effective feature entropy is extracted, and the support vector machine (SVM) learner is used to classify the cooling and heating load signals. Fifthly, the classification results of step 4 and step 1 are compared to determine the recognition results. The invention can accurately classify the long-term cooling and heating loads in a multi-energy system.

【技术实现步骤摘要】
一种多能源系统中长期冷热电负荷分类方法
本专利技术涉及多能源综合系统领域，更具体地说，涉及一种多能源系统中长期冷热电负荷分类方法。
技术介绍
随着互联网、物联网、云计算、大数据技术的迅猛发展，全球智能化水平日益升高，随着智慧地球概念的提出，智慧城市、智慧社区、智能建筑、智能电网等智能产业在全球各国陆续兴起、发展。能源领域也发生着巨大的变革，我国将力争在未来二三十年间构建起"需求合理化、开发绿色化、供应多元化、调配智能化、利用高效化"的新型能源体系。可再生能源引领的能源转型形势良好，全球各国都在加大可再生能源的利用，2016年全球62％的新增电力来自可再生能源，2017年美国来自可再生能源的净新增电力超过94％，能源拓扑结构的日益复杂性更加彰显能源互联网的不可替代性。新型能源的控制管理、运行调度在能源智能化平台中占据不可或缺的地位，动态优化调度的核心则为负荷预测技术、智能调度等，通过软硬件结合构成了智能调度平台，进一步实现针对此能源互联网的实时监测及全网可控。能源系统规划属于长期优化，在较长时间尺度上解决能源设施的发展、投建问题。区域多能源供给系统中冷/热、电负荷在中长期尺度上的预测方法是能源系统规划的基础，首先有必要进行中长期冷热电负荷分类，现有技术中尚未有关于多能源系统中长期冷热电负荷分类方法的报道。
技术实现思路
本专利技术所要解决的技术问题是，提出一种多能源系统中长期冷热电负荷分类方法。本专利技术解决其技术问题所采用的技术方案是：设计一种多能源系统中长期冷热电负荷分类方法，该方法包括如下步骤：Step1，采集多能源系统中长期冷热电负荷。Step2，对步骤Step1的冷热电负荷信号进行预处理。Step3，对经过步骤Step2预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵。Step4，将步骤Step3提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类。Step5，将步骤Step4的冷热电负荷信号分类结果与步骤Step1的负荷信号进行对比，确定识别结果。在上述方案中，所述步骤Step3具体包括以下步骤：Step3-1，分解冷热电负荷信号。Step3-2，计算负荷信号样本熵。Step3-3，分析信号频域细节。Step3-4，提取特征熵。在上述方案中，所述分步骤Step3-2中的样本熵计算步骤为：Step3-2-1，对负荷信号进行粗粒化计算；Step3-2-2，根据尺度τ变化所得到的的时间序列，长度N＝L/τ，按顺序组成一组m维矢量：从Yτ(1)到Yτ(N-m+1)；Step3-2-3，定义Yτ(i)与Yτ(j)之间的距离为两者对应元素中差值最大的一个，即，并计算每一个i值对应的d[Yτ(i)-Yτ(j)]；Step3-2-4，给定阈值r，对于每一个1≤i≤N-m+1，统计d[Yτ(i)-Yτ(j)]小于r的数目及此数目与距离总数N-m的比值，记作Step3-2-5，对所有点求均值，记作Cτ,m(r)，即Step3-2-6，增加维数至m+1，重复步骤Step3-2-2至Step3-2-5，得到Cτ,m+1(r)；Step3-2-7，计算样本熵：在上述方案中，所述分步骤Step3-4中的提取特征熵包括以下步骤：定义三种负荷突变前尺度上的熵增长速度为熵增率，采用最小二乘法进行拟合得到斜率，联合具有物理意义的样本熵均值组成特征量(r1,r2)。在上述方案中，所述步骤Step4中支持向量机学习器对冷热电负荷信号进行分类的算法采用径向基核函数，分类器采用一对一算法，具体包括以下步骤：Step4-1，对给定样本集(xi,yi)，i＝1，2，…n，xi∈Rd，y∈{-1,1}是类别标号，通过非线性变换Rd→Rn,将输入向量映射到n维空间；Step4-2，在高维空间建立超平面：ωφ(X)+b＝0(2)其中：权重Step4-3，分类超平面优化，即在yi(ωφ(xi)+b)≥1约束条件下，分类平面Φ(ω)＝||ω||2/2取得最小值；Step4-4，引入Lagrange乘子ai≥0，转化为二次规划算法：得到最优Step4-5，最优分类函数为：引入核函数K，K(Xi,Xj)＝φ(Xi)·φ(Xj)，则与现有技术相比，本专利技术具有以下有益效果：本专利技术能够准确地对多能源系统中长期冷热电负荷进行分类。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。本专利技术提供一种多能源系统中长期冷热电负荷分类方法，该方法包括如下步骤：Step1，采集多能源系统中长期冷热电负荷。Step2，对步骤Step1的冷热电负荷信号进行预处理。Step3，对经过步骤Step2预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵。步骤Step3具体包括以下步骤：Step3-1，分解冷热电负荷信号。Step3-2，计算负荷信号样本熵。该分步骤中的样本熵计算步骤为：Step3-2-1，对负荷信号进行粗粒化计算；Step3-2-2，根据尺度τ变化所得到的的时间序列，长度N＝L/τ，按顺序组成一组m维矢量：从Yτ(1)到Yτ(N-m+1)；Step3-2-3，定义Yτ(i)与Yτ(j)之间的距离为两者对应元素中差值最大的一个，即，并计算每一个i值对应的d[Yτ(i)-Yτ(j)]；Step3-2-4，给定阈值r，对于每一个1≤i≤N-m+1，统计d[Yτ(i)-Yτ(j)]小于r的数目及此数目与距离总数N-m的比值，记作Step3-2-5，对所有点求均值，记作Cτ,m(r)，即Step3-2-6，增加维数至m+1，重复步骤Step3-2-2至Step3-2-5，得到Cτ,m+1(r)；Step3-2-7，计算样本熵：Step3-3，分析信号频域细节。Step3-4，提取特征熵。该分步骤中的提取特征熵包括以下步骤：定义三种负荷突变前尺度上的熵增长速度为熵增率，采用最小二乘法进行拟合得到斜率，联合具有物理意义的样本熵均值组成特征量(r1,r2)。Step4，将步骤Step3提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类。步骤Step4中支持向量机学习器对冷热电负荷信号进行分类的算法采用径向基核函数，分类器采用一对一算法，具体包括以下步骤：Step4-1，对给定样本集(xi,yi)，i＝1，2，…n，xi∈Rd，y∈{-1,1}是类别标号，通过非线性变换Rd→Rn,将输入向量映射到n维空间；Step4-2，在高维空间建立超平面：ωφ(X)+b＝0(2)其中：权重Step4-3，分类超平面优化，即在yi(ωφ(xi)+b)≥1约束条件下，分类平面Φ(ω)＝||ω||2/2取得最小值；Step4-4，引入Lagrange乘子ai≥0，转化为二次规划算法：得到最优Step4-5，最优分类函数为：为了避免高维空间复杂运算，引入核函数K，K(Xi,Xj)＝φ(Xi)·φ(Xj)，则Step5，将步骤Step4的冷热电负荷信号分类结果与步骤Step1的负荷信号进行对比，确定识别结果。以某个区域多能源供给系统为例，根据上述方法步骤，采集其中长期冷热电负荷数据，参见表1，原始数据长度N＝8760，尺度τ＝1～20，m＝2，r＝0.1SD，SD为原始时间序列的标准差，电负荷区域面积取1000m2，计算得本文档来自技高网...

【技术保护点】
1.一种多能源系统中长期冷热电负荷分类方法，其特征在于，该方法包括如下步骤：Step1，采集多能源系统中长期冷热电负荷；Step2，对步骤Step1的冷热电负荷信号进行预处理；Step3，对经过步骤Step2预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵；Step4，将步骤Step3提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类；Step5，将步骤Step4的冷热电负荷信号分类结果与步骤Step1的负荷信号进行对比，确定识别结果。

【技术特征摘要】
1.一种多能源系统中长期冷热电负荷分类方法，其特征在于，该方法包括如下步骤：Step1，采集多能源系统中长期冷热电负荷；Step2，对步骤Step1的冷热电负荷信号进行预处理；Step3，对经过步骤Step2预处理后的冷热电负荷信号进行样本熵分析，提取有效特征熵；Step4，将步骤Step3提取到的有效特征熵，采用支持向量机学习器对冷热电负荷信号进行分类；Step5，将步骤Step4的冷热电负荷信号分类结果与步骤Step1的负荷信号进行对比，确定识别结果。2.根据权利要求1所述的一种多能源系统中长期冷热电负荷分类方法，其特征在于，所述步骤Step3具体包括以下步骤：Step3-1，分解冷热电负荷信号；Step3-2，计算负荷信号样本熵；Step3-3，分析信号频域细节；Step3-4，提取特征熵。3.根据权利要求2所述的一种多能源系统中长期冷热电负荷分类方法，其特征在于，所述分步骤Step3-2中的样本熵计算步骤为：Step3-2-1，对负荷信号进行粗粒化计算；Step3-2-2，根据尺度τ变化所得到的的时间序列，长度N＝L/τ，按顺序组成一组m维矢量：从Yτ(1)到Yτ(N-m+1)；Step3-2-3，定义Yτ(i)与Yτ(j)之间的距离为两者对应元素中差值最大的一个，即，并计算每一个i值对应的d[Yτ(i)-Yτ(j)]；Step3-2-4，给定阈值r，对于每一个1≤i≤N-m+1，统计d[Yτ(i)-Yτ(j)...

【专利技术属性】
技术研发人员：郭松，邱泽晶，于建成，霍现旭，滕姗姗，郑鑫，冯澎湃，李国栋，王旭东，尹洪梅，赵军，王振宇，
申请(专利权)人：国网电力科学研究院武汉能效测评有限公司，南瑞集团有限公司，国网天津市电力公司，天津大学，
类型：发明
国别省市：湖北,42