[发明专利]一种基于Pso-CNN的蓄热式电采暖用电控制决策方法及系统

说明书

本发明涉及一种基于Pso‑CNN的蓄热式电采暖用电控制决策方法及系统，其方法包括：步骤S1：采集区域内所有蓄热式电采暖负荷数据，对其进行聚类，得到聚类集群结果；步骤S2：建立蓄热式电采暖温度和蓄热式电采暖储能装置的动态数学模型，确定模型参数；步骤S3：构建目标函数，使其满足动态数学模型及其约束条件；初始化各个聚类集群运行策略，并基于粒子群优化算法计算目标函数值，迭代优化各个聚类集群的蓄热式电采暖运行策略；步骤S4：构建状态信息映射曲线图，输入卷积神经网络进行学习，预测未来各时段各个聚类集群的蓄热式电采暖运行策略。本发明提供的方法基于历史数据，利用Pso算法求解蓄热式电采暖最优运行策略，并利用CNN预测未来用电控制策略。

技术领域

本发明涉及蓄热式电采暖用电控制决策领域，具体涉及一种基于Pso-CNN的蓄热式电采暖用电控制决策方法及系统。

背景技术

目前伴随着电力体制的进一步改革，“煤改电”等基础设施以及政策逐渐健全，用户侧负荷与电网侧的互动性增强。蓄热式电采暖作为一种新型负荷能够在晚间负荷侧需求量少而风光出力多时利用储能装置储存电能，在日间风光负荷侧需求量大而分光出力相对不足时利用储能装置释放电能进而达到削峰填谷、平抑负荷波动、促进新能源消纳的目的。

蓄热式电采暖不同于其他储能设备，参与调控首先要满足用户的舒适度，其次因其分布在各个用户家庭中，还需要考虑其调控能力的大小以及在优化其控制策略维度的问题。除此之外还需考虑风光的出力不确定性、负荷侧的波动性等因素。

在实际工况下，功率预测以及负荷预测的精度伴随着预测时间的增长而降低，因此基于预测数据的日前控制策略制定会与实际情况产生一定的偏差，日前日内两阶段优化方法需要大量的计算，不能满足控制策略的实时性。近年来，很多学者采用基于数据驱动的深度强化学习方法，求解复杂优化问题，且不需要系统的先验知识，基于实际的状态得到最优的充放电计划。但蓄热式电采暖分布在用户家庭内部，数量大且类型不一，深度强化学习方法在处理此类问题时会产生维度爆炸，导致无法求解此类优化问题。

发明内容

为了解决上述技术问题，本发明提供一种基于Pso-CNN的蓄热式电采暖用电控制决策方法及系统。

本发明提供的蓄热式电采暖用电控制决策方法适用于高比例新能源并网场景下，将一定区域内所有蓄热式电采暖视为可调节负荷，其余负荷(例如电视、冰箱等)视为背景负荷。在风光出力，即新能源出力，相较于用户需求电量过剩时，电采暖从电网中吸收能量，除正常供热外还利用蓄热装置存储电能。在风光出力相较于用户需求电量不足时，电采暖停止从电网中吸收能量而利用蓄热装置释放电能。此方法在保证冬季用户舒适度的同时，促进新能源消纳，平抑负荷波动，同时，参与调节的用户还将减少用电费用。

本发明技术解决方案为：一种基于Pso-CNN的蓄热式电采暖用电控制决策方法，包括：

步骤S1：采集区域内所有蓄热式电采暖负荷数据，确定所述热式电采暖负荷的聚类特征，基于K-means算法根据所述聚类特征对所述蓄热式电采暖负荷进行聚类，得到聚类集群结果；

步骤S2：建立蓄热式电采暖温度动态模型和蓄热式电采暖储能装置的动态数学模型，根据所述聚类集群结果，确定每一所述聚类集群的模型参数；

步骤S3：构建目标函数，使其满足所述蓄热式电采暖温度动态模型和蓄热式电采暖储能装置的动态数学模型及其约束条件；初始化各个所述聚类集群运行策略，并基于粒子群优化算法计算目标函数值，迭代优化各个所述聚类集群的蓄热式电采暖运行策略；

步骤S4：分别构建新能源出力与背景负荷需求的映射、蓄热式电采暖调控能力的映射、以及蓄热式电采暖状态数据的映射的曲线图，并转换为对应的图像，将所述图像输入卷积神经网络，预测未来各时段各个所述聚类集群的蓄热式电采暖运行策略。

本发明与现有技术相比，具有以下优点：