【技术实现步骤摘要】
本专利技术涉及新能源及供暖，尤其涉及一种基于深度学习的风光电源与柔性负荷的互动调控方法。
技术介绍
1、伴随着全球经济的高速发展以及人民生活水平的不断提高，集中供暖技术在全国逐渐普及。在建筑集中供热系统中，不同类型用户的热负荷并不相同，用户侧的实时气象数据、建筑物理参数等都将对其所需实时热负荷产生影响。传统供暖系统常使用固定的时间表或温度设定来提供热量，缺乏灵活性和响应性，将不可避免地带来一定的能源浪费。
2、此外，将风电和光伏电源与供暖系统无缝集成，以充分利用可再生能源，需要高度智能化和实时性的能源管理方法。因此，如何基于季节性和波动性等客观条件来预测用户侧的柔性供暖负荷并协调风光电源和供暖负荷之间的关系，以实现能源的高效利用和可持续供暖，目前还没有具体技术方案，仍是本领域亟待解决的一个问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的风光电源与柔性负荷的互动调控方法，从而解决现有技术中存在的前述问题。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、一种基于深度学习的风光电源与柔性负荷的互动调控方法，包括如下步骤，
4、s1、利用数据监测系统采集影响供暖负荷的相关数据以及对应的供暖负荷数据，构建数据集；
5、s2、按比例将数据集划分为训练集和测试集以对负荷预测系统的深度学习模型进行训练和测试，并利用训练好的深度学习模型预测未来供暖负荷的需求；
6、s3、基于预测的未来供暖负荷需求
7、优选的，影响供暖负荷的相关数据包括，
8、实时气象数据：t时刻室内干球温度、t时刻室内湿度、t时刻太阳高度角；
9、建筑物理参数：室内面积、窗户朝向、构筑材料传热系数；
10、用户行为数据：t时刻室内人数、室内设备运行功率。
11、优选的，所述数据监测系统采用如下部件采集相应数据，
12、用户侧室内温度传感器：用于实时监测供暖室内的干球温度；
13、室内湿度传感器：用于实时监测供暖室内湿度；
14、太阳高度角传感器：用于检测太阳照射房间的方向和角度；
15、人员红外传感器：用于检测室内人员数量的变化情况；
16、计量电表：用于实时监测供暖室内的发热设备运行情况；
17、供暖系统温度传感器：用于实时监测供暖系统的供水温度和回水温度。
18、优选的，对于数据监测系统采集到的数据，在负荷预测系统中需要先进行预处理和特征提取；
19、所述预处理包括数据清洗、数据归一化；
20、所述特征提取用于对数据进行分析，提取出与柔性负荷相关的特征。
21、优选的，所述深度学习模型为长短期神经网络模型，包括输入层、循环记忆层和输出层；
22、将数据监测系统采集的数据作为输入层，将供暖负荷作为输出层，循环记忆层引入记忆单元、遗忘门、输入门和输出门；从输入层到循环记忆层，每一个时间步，深度学习模型从输入层接收一个新的输入，并将其与之前的隐藏状态结合起来以生成新的隐藏状态；从循环记忆层到输出层，每个时间步的隐藏状态都会传递到输出层，以生成对应的输出。
23、优选的，将测试集输入到深度学习模型中获取预测的供暖负荷，将决定系数r2作为评价指标，通过获取的实际供暖负荷与预测的供暖负荷之间的决定系数r2，判断当前深度学习模型预测供暖负荷的准确性；当决定系数r2大于或等于预设阈值，则深度学习模型训练完毕，利用当前的深度学习模型预测未来供暖负荷；若决定系数r2小于预设阈值，则利用反向传播算法更新模型参数，并训练相应模型参数下的深度学习模型，直到决定系数r2大于或等于预设阈值，则深度学习模型训练完毕，利用当前模型参数下的深度学习模型预测未来供暖负荷。
24、优选的，所述供暖系统包括给水泵、电极锅炉、热水蓄水罐、锅炉循环水泵、外网循环水泵、蓄热水泵、放热水泵、锅炉侧板式换热器和蓄热侧板式换热器；所述给水泵与所述电极锅炉相连，所述电极锅炉经过锅炉循环水泵与所述锅炉侧板式换热器相连，所述锅炉侧板式换热器分别经蓄热水泵和外网循环水泵与热水蓄水罐和用户侧相连，所述热水蓄水罐经放热水泵与蓄热侧板式换热器相连，所述蓄热侧板式换热器与所述外网循环水泵相连；
25、所述给水泵、电极锅炉、锅炉循环水泵、外网循环水泵、蓄热水泵以及放热水泵均与所述调控系统相连。
26、优选的，所述热水蓄水罐采用自然分层水蓄热技术，设置上下均匀分配布水器，以在热水蓄水罐中形成良好的温度场和流场。
27、优选的，步骤s3具体包括如下内容，
28、s31、所述风力发电系统和光伏发电系统将自身预测的下一时刻的发电量传输给调控系统，调控系统根据下一时刻所需供暖电量分配风力发电系统和光伏发电系统应当供给供暖系统的出力量，并将相应出力量分别反馈给风力发电系统和光伏发电系统，风力发电系统和光伏发电系统根据相应的出力量实现出力，满足供暖系统的用电量；
29、s32、调控系统根据预测得到的下一时刻供暖负荷量，调整供暖系统的电极锅炉的功率的大小以及各水泵的流量大小，通过电极锅炉和各水泵运行状态配合调节供水流量和温度以满足下一时刻的供暖负荷需求；
30、qt+1＝mmediumcmedium(t2-t1)
31、其中，qt+1为下一时刻的预测供暖负荷；mmedium为供水流量；cmedium为供水比热容；t2为供水温度；t1为回水温度。
32、优选的，步骤s31中，当太阳能资源好时，优先使用光伏发电系统，不足部分由风力发电系统补齐；当太阳能资源不好时，优先使用风力发电系统，不足部分由光伏发电系统补齐；当太阳能资源和风光资源都不好时，风力发电系统和光伏发电系统不足的部分由电网下电补齐；
33、em+qt+1/η＝ew+es+eg
34、其中，η为供暖系统的效率；em为供暖系统辅机用电量；qt+1为下一时刻的预测供暖负荷；ew为风力发电系统的电能利用量；es为光伏发电系统的电能利用量；eg为电网下电量。
35、本专利技术的有益效果是：1、本专利技术通过深度学习模型的实时预测和优化，能够最大程度地利用风、光电源，使其与供暖系统协同工作，以满足供暖需求。这有效地提高了能源的利用效率，降低了对传统电力资源的依赖，有助于减少碳排放和能源浪费。2、本专利技术具备实时响应和调整的能力，可以迅速适应变化的天气条件、季节性需求和用户需求的变化。这种灵活性是传统供暖控制方法所不具备的，有助于应对电力系统和供暖系统的动态性。3、本专利技术使用的深度学习模型能够不断学习和改进其预测和调整策略。随着时间的推移，模型会变得更加准确和智能，能够更好地适应复杂的环境和需求变化，从而不断提本文档来自技高网...
【技术保护点】
1.一种基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：影响供暖负荷的相关数据包括，
3.根据权利要求2所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：所述数据监测系统采用如下部件采集相应数据，
4.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：对于数据监测系统采集到的数据，在负荷预测系统中需要先进行预处理和特征提取；
5.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：所述深度学习模型为长短期神经网络模型，包括输入层、循环记忆层和输出层；
6.根据权利要求5所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：将测试集输入到深度学习模型中获取预测的供暖负荷，将决定系数R2作为评价指标，通过获取的实际供暖负荷与预测的供暖负荷之间的决定系数R2，判断当前深度学习模型预测供暖负荷的准确性；当决定系数R2大于或等于预设阈值
7.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：所述供暖系统包括给水泵、电极锅炉、热水蓄水罐、锅炉循环水泵、外网循环水泵、蓄热水泵、放热水泵、锅炉侧板式换热器和蓄热侧板式换热器；所述给水泵与所述电极锅炉相连，所述电极锅炉经过锅炉循环水泵与所述锅炉侧板式换热器相连，所述锅炉侧板式换热器分别经蓄热水泵和外网循环水泵与热水蓄水罐和用户侧相连，所述热水蓄水罐经放热水泵与蓄热侧板式换热器相连，所述蓄热侧板式换热器与所述外网循环水泵相连；
8.根据权利要求7所述的基于深度学习的风光电源与柔性负荷的互动调控系统，其特征在于：所述热水蓄水罐采用自然分层水蓄热技术，设置上下均匀分配布水器，以在热水蓄水罐中形成良好的温度场和流场。
9.根据权利要求7所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：步骤S3具体包括如下内容，
10.根据权利要求8所述的基于深度学习的风光电源与柔性负荷的互动调控系统，其特征在于：步骤S31中，当太阳能资源好时，优先使用光伏发电系统，不足部分由风力发电系统补齐；当太阳能资源不好时，优先使用风力发电系统，不足部分由光伏发电系统补齐；当太阳能资源和风光资源都不好时，风力发电系统和光伏发电系统不足的部分由电网下电补齐；
...【技术特征摘要】
1.一种基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：影响供暖负荷的相关数据包括，
3.根据权利要求2所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：所述数据监测系统采用如下部件采集相应数据，
4.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：对于数据监测系统采集到的数据，在负荷预测系统中需要先进行预处理和特征提取；
5.根据权利要求1所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：所述深度学习模型为长短期神经网络模型，包括输入层、循环记忆层和输出层；
6.根据权利要求5所述的基于深度学习的风光电源与柔性负荷的互动调控方法，其特征在于：将测试集输入到深度学习模型中获取预测的供暖负荷，将决定系数r2作为评价指标，通过获取的实际供暖负荷与预测的供暖负荷之间的决定系数r2，判断当前深度学习模型预测供暖负荷的准确性；当决定系数r2大于或等于预设阈值，则深度学习模型训练完毕，利用当前的深度学习模型预测未来供暖负荷；若决定系数r2小于预设阈值，则利用反向传播算法更新模型参数，并训练相应模型参数下的深度学习模型，直到决定系数r2大于或等于预设阈值，则深度学习模...
【专利技术属性】
技术研发人员：王昊轶，陈楚夫，陆国成，王杰，吕嵩，牛志愿，孟栩，张志亚，张旺，胡意新，
申请(专利权)人：水电水利规划设计总院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。