一种分布式源荷设备耦合行为的精细化建模方法技术

本发明专利技术公开了一种分布式源荷设备耦合行为的精细化建模方法，包括以下步骤：提出了分布式源

【技术实现步骤摘要】
一种分布式源荷设备耦合行为的精细化建模方法


[0001]本专利技术属于综合能源系统分布式源荷设备行为分析
，具体涉及一种分布式源荷设备耦合行为的精细化建模方法。

技术介绍

[0002]分布式多能源
‑
荷设备运行态势感知是实现楼宇、园区等综合能源系统优化运行的基础。同一楼宇/园区内往往存在不同能源形式的多能流源
‑
荷设备，且设备之间往往存在一定的关联或耦合关系。
[0003]然而，多数已有研究依据目标设备自身运行数据独立分析其运行特性，建立状态模拟与感知模型。此外，建筑内设备的高效精准监控对状态感知的实时性要求越来越高，而以往研究所依据的粗粒度数据难以全面准确地反映出分布式电源、冷负荷、小型燃气锅炉等设备所具有的短时间尺度特征。
[0004]目前，集成了非侵入式负荷监测、云边协同等新技术的高级量测体系已经可以获取采样间隔达秒级的源荷设备细粒度运行数据，但仍需提出更具针对性的多能源
‑
荷设备细粒度运行数据处理方法，对多能流源荷设备个体间的耦合运行特性进行深入研究，以更好的把握楼宇/园区内多能流设备相互混合同步运行的内在规律，并可借此提升各类源荷设备运行状态感知能力。

技术实现思路

[0005]本专利技术为解决现有技术存在的问题而提出，其目的是提供一种分布式源荷设备耦合行为的精细化建模方法。
[0006]本专利技术的技术方案是：一种分布式源荷设备耦合行为的精细化建模方法，包括以下步骤：
[0007]A.提出了分布式源
‑
荷设备状态集生成方法，通过分布式源
‑
荷设备状态集生成方法，构建用于IOHMM模型自学习的数据集；
[0008]B.构建了源荷设备通用耦合模型；
[0009]C.利用广义EM算法学习IOHMM模型参数，得到目标设备的IOHMM模型。
[0010]更进一步的，步骤A提出了分布式源
‑
荷设备状态集生成方法，通过分布式源
‑
荷设备状态集生成方法，构建用于IOHMM模型自学习的数据集，具体过程如下：
[0011]首先，进行多能运行数据等效变换；
[0012]然后，改进小波熵降维；
[0013]最后，进行基于mean
‑
shift聚类的运行状态划分。
[0014]更进一步的，步骤B构建了源荷设备通用耦合模型，具体过程如下：
[0015]首先，建立IOHMM通用表达形式；
[0016]然后，建立多能流源荷IOHMM模型。
[0017]更进一步的，步骤C利用广义EM算法学习IOHMM模型参数，得到目标设备的IOHMM模
型，具体过程如下：
[0018]首先，定位暂态过程起止时刻；
[0019]然后，计算与输入条件相对应的概率与期望；
[0020]再后，对参数进行最大化，使学习过程更为平滑。
[0021]更进一步的，所述步骤A进行多能运行数据等效变换中，以电网作为综合能源系统自制协同中的主要能源形式。
[0022]更进一步的，所述步骤A进行多能运行数据等效变换中，在进行源
‑
荷时空特性分析时，把多能流源荷数据变换为等效的电气出力/用能数据，从而将多能流数据分析问题转化为电气数据分析问题。
[0023]更进一步的，所述步骤A进行多能运行数据等效变换中，包括建立燃气
‑
电负载等效模型、热
‑
电负载等效模型。
[0024]更进一步的，所述步骤A改进小波熵降维，具体过程如下：
[0025]首先，利用改进小波熵对原始数据进行降维处理；
[0026]然后，而后通过聚类算法，对各类负载运行状态进行分割，
[0027]最终，将原始数据转化为易于分析的时间序列。
[0028]更进一步的，所述利用改进小波熵对原始数据进行降维处理，具体过程如下：
[0029]首先，定义小波能量熵；
[0030]然后，在小波熵分段算法基础上，引入滑动窗口阈值法，改进传统的小波熵分段算法；
[0031]最后，改进的小波熵分段算法先利用滑动窗口阈值法划分区间，之后再根据熵值计算每个区间所占的比重，从而对每个区间的段数重新分配。
[0032]更进一步的，所述定义小波能量熵，具体过程如下：
[0033]首先，对时间序列进行Mallat离散小波变换，获得系数构成能量矩阵；
[0034]然后，将能量矩阵处理为概率分布序列；
[0035]最后，对序列求熵值，此熵值即为小波能量熵，简称小波熵。
[0036]本专利技术的有益效果如下：
[0037]本专利技术应对综合能源系统中对多能流混合负载的精细化运行状态感知需要，针对细粒度源荷数据，提出了一种分布式源荷设备耦合行为精细化建模方法。首先，从实际工程出发，提出了耦合节点运行机理驱动的数据变换方法；进而，利用改进小波熵算法以及mean
‑
shift聚类算法，将多能源
‑
荷设备运行细粒度数据转换为带有时间戳的多维源
‑
荷设备运行状态样本数据集。在此基础上，面向多设备混叠运行的复杂场景，利用改进的广义EM算法，可从状态样本集合中发掘多类型设备运行状态间的耦合运行规律，并通过IOHMM模型加以表征，从而对实际工程中的复杂耦合系统进行更好的分析与建模。
附图说明
[0038]图1是本专利技术中燃气
‑
电负载数据等效转换实例图；
[0039]图2是本专利技术中热
‑
电负载数据等效转换实例图；
[0040]图3是本专利技术中源
‑
荷运行细粒度感知数据实例图；
[0041]图4是本专利技术中细粒度感知数据小波熵时间序列图；
[0042]图5是本专利技术中HMM模型示意图；
[0043]图6是本专利技术中IOHMM模型示意图。
具体实施方式
[0044]以下，参照附图和实施例对本专利技术进行详细说明：
[0045]如图1至图6所示，一种分布式源荷设备耦合行为的精细化建模方法，包括以下步骤：
[0046]A.提出了分布式源
‑
荷设备状态集生成方法，通过分布式源
‑
荷设备状态集生成方法，构建用于IOHMM模型自学习的数据集；
[0047]B.构建了源荷设备通用耦合模型；
[0048]C.利用广义EM算法学习IOHMM模型参数，得到目标设备的IOHMM模型。
[0049]步骤A提出了分布式源
‑
荷设备状态集生成方法，通过分布式源
‑
荷设备状态集生成方法，构建用于IOHMM模型自学习的数据集，具体过程如下：
[0050]首先，进行多能运行数据等效变换；
[0051]然后，改进小波熵降维；
[0052]最后，进行基于mean
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式源荷设备耦合行为的精细化建模方法，其特征在于：包括以下步骤：A. 提出了分布式源
‑
荷设备状态集生成方法，通过分布式源
‑
荷设备状态集生成方法，构建用于IOHMM模型自学习的数据集；B. 构建了源荷设备通用耦合模型；C. 利用广义EM算法学习IOHMM模型参数，得到目标设备的IOHMM模型。2.根据权利要求1所述的一种分布式源荷设备耦合行为的精细化建模方法，其特征在于：步骤A提出了分布式源
‑
荷设备状态集生成方法，通过分布式源
‑
荷设备状态集生成方法，构建用于IOHMM模型自学习的数据集，具体过程如下：首先，进行多能运行数据等效变换；然后，改进小波熵降维；最后，进行基于mean
‑
shift聚类的运行状态划分。3.根据权利要求1所述的一种分布式源荷设备耦合行为的精细化建模方法，其特征在于：步骤B构建了源荷设备通用耦合模型，具体过程如下：首先，建立IOHMM通用表达形式；然后，建立多能流源荷IOHMM模型。4.根据权利要求1所述的一种分布式源荷设备耦合行为的精细化建模方法，其特征在于：步骤C利用广义EM算法学习IOHMM模型参数，得到目标设备的IOHMM模型，具体过程如下：首先，定位暂态过程起止时刻；然后，计算与输入条件相对应的概率与期望；再后，对参数进行最大化，使学习过程更为平滑。5.根据权利要求2所述的一种分布式源荷设备耦合行为的精细化建模方法，其特征在于：所述步骤A进行多能运行数据等效变换中，以电网作为综合能源系统自制协同中的主要能源形式。6...

【专利技术属性】
技术研发人员：刘博，韦尊，栾文鹏，王新迎，陈盛，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：