[发明专利]基于组合预测模型的工业区综合能源低碳调度方法及装置

说明书

本发明提出了一种基于组合预测模型的工业区综合能源低碳调度方法及装置，解决新能源出力的随机性和波动性，维持电力资源供需平衡。所述方法包括以下步骤：步骤1：通过集成聚类技术对原始新能源出力数据以均值为聚类中心进行分类；步骤2：依据步骤1的结果，将聚类得出的新能源发电特性结合包括季节、节假日在内的时间因素对新能源出力的影响，形成神经网络预测模型的输入数据集；步骤3：将步骤2的数据集结果输入到神经网络预测模型中，得到预测结果‑新能源出力负荷曲线；步骤4：根据步骤3的预测结果构建高耗能园区源‑荷侧低碳调度模型。

技术领域

本发明涉及综合能源系统技术领域，特别涉及一种基于组合预测模型的工业区综合能源低碳调度方法及装置。

背景技术

目前，对新能源出力的预测方法主要有三大类：物理模型法、统计分析法和组合预测法，而前两种办法过于依赖外界因素以及历史数据。近年来，神经网络技术和聚类技术一系列智能统计分析模型广泛应用于新能源出力预测领域。单一的智能预测模型，受到自身特性的限制，不能得到更好的预测结果，组合预测模型结合单一预测模型的优点，有效地提高预测精准度。

随着综合能源系统的地位不断提高，对于综合能源系统的研究也在持续推进，目前对于综合能源系统低碳调度主要集中于电源侧碳排放成本上。

电力系统的稳定运行首要满足发电侧资源与负荷侧资源的功率平衡，为解决新能源出力的随机性和波动性，维持电力资源供需平衡。需要一种考虑聚类技术结合神经网络新能源预测模型的高耗能园区综合能源系统低碳调度方法。

发明内容

为了解决背景技术中提出的技术问题，本发明提出了一种基于组合预测模型的工业区综合能源低碳调度方法及装置，解决新能源出力的随机性和波动性，维持电力资源供需平衡。

为了达到上述目的，本发明采用以下技术方案实现：

一种基于组合预测模型的工业区综合能源低碳调度方法，所述方法包括以下步骤：

步骤1：通过集成聚类技术对原始新能源出力数据以均值为聚类中心进行分类；

步骤2：依据步骤1的结果，将聚类得出的新能源发电特性结合包括季节、节假日在内的时间因素对新能源出力的影响，形成神经网络预测模型的输入数据集；

步骤3：将步骤2的数据集结果输入到神经网络预测模型中，得到预测结果-新能源出力负荷曲线；

步骤4：根据步骤3的预测结果构建高耗能园区源-荷侧低碳调度模型。

进一步地，所述步骤1中，对历史新能源数据通过集成聚类技术进行分类处理；

曲线欧式距离公式：

X_i，X_j为负荷曲线的两个负荷值；n_i，n_j为该两个负荷点的横坐标；N₁为设置每条负荷曲线的横坐标采样点个数；

以SC值最大设置最优聚类个数：

SC值计算公式：

a(i)：i向量到同一簇内其他点不相似程度的平均值；

b(i)：i向量到其他簇的平均不相似程度的最小值；

S(i)：i向量的SC值；

SC值介于[-1,1]，数值越大代表内聚度和分离度都相对较优。

进一步地，所述步骤4中，构建高耗能园区源-荷侧低碳调度模型具体包括：

考虑源荷两侧碳排特性，构建高耗能园区综合能源系统低碳调度模型，以碳排成本最小为目标函数：