实时能效分析及智能评级方法

2015-12-18马立新

电子科技 2015年6期

马立新，朱润

(上海理工大学光电信息与计算机工程学院，上海 200093)

面对逐步增大的电力发展压力，各国都在采取措施进行节能减排，提高电力能源效率。能效电厂(Efficiency Power Plant，EPP)项目是通过能效测评措施降低需求侧耗能，节约的电能相当于发电厂所发的电，其产生的效果与建设实际电厂一样。美国加州运行EPP项目，在维持经济持续增长的情况下，全社会用电量降低了6%［1］。日本通过能效“领跑者”计划的实施，使得全社会能效升级［2］。在广州，19家企业25个EPP项目在2009年正式实施以来，已经实施完成并测评的项目可实现年节电8.3亿千瓦时［3］。由此可见，EPP项目在各国的实施促进了节能减排，具有显著的社会效益。

能效分级是能效分析的基础，根据企业各能效环节的评级结果，可制订出有针对性的节能方案，为全社会实施节能改造及节能考核提供科学准确的依据。现有的对能效电厂的关注点主要集中在能效电厂规划建模、能效电厂的项目的节电潜力优化模型以及考虑能效电厂的项目电力系统模拟等方法上［4－6］，对能效分析以及能效分级的研究较少。传统的研究运用层次分析法［7］进行能效分析，权重和结果完全依赖专家经验，有较大的主观性。本文引入RBF神经网络方法，以其为核心建立电力用户RBF神经网络模型对实时数据进行科学能效分析并评级。该方法兼顾了主观性和客观性，比传统方法更迅速、准确。

1 RBF神经网络

RBF(径向基函数)神经网络是一种局部逼近的神经网络，具有学习速度快、逼近能力强和分类能力好的特点。RBF神经网络有3层:第1层为输入层，神经元个数等于输入的维数;第2层为隐含层，神经元个数根据问题的复杂度而定;第3层为输出层，神经元个数等于输出数据维数，其网络结构如图1所示。

图1 RBF网络结构图

RBF神经网络的学习过程分为两个阶段，第一阶一阶段，根据所有的样本决定隐含层各神经元的高斯基函数的中心值和标准化常数;第二阶段，在决定隐含层参数后，根据样本，利用最小二乘原则，求出输出层的权值。

在RBF网络中，隐含层节点通过基函数实现非线性编号，将输入空间映射到一个新空间，输出节点在新空间实现线性加权组合。基函数一般选用高斯函数，其是具有径向基的函数，其中心向量被定义为网络输入层到隐含层的连接权向量，这个特点使得隐含层对输入样本有聚类作用［8］。

高斯函数表达式

式中，x是n维输入向量;Ci是第i个基函数的中心，与x具有相同的维数;ei是第i个隐含层节点的变量，决定了该基函数围绕中心点的宽度;m是隐含层的节点数;x－ci是向量x－ci的范数，通常表示x和ci之间的距离。基函数对输入信号在局部产生相应，即当输入信号靠近基函数中央范围时，隐含层节点将产生较大的输出，因此这种网络具有局部逼近能力。

输入层实现了x→Ri(x)的非线性映射，输出层实现了Ri(x)→yk的线性映射，输出函数即

式中，p为输出节点数;wik为隐层单元与输出层单元的连接权重。

2 实时能效评级的RBF神经网络模型

建立电力用户实时能效评级的RBF神经网络模型主要分为5个阶段:(1)选定能够反映对象特性分级指标，并建立科学的分级指标体系。(2)建立能效分级标准及分级处理。(3)确定RBF神经网络的理论输出值，并建立用于训练和验证神经网络的样本集。(4)进行仿真，根据网络训练结果，确定用于能效分级的RBF神经网络结构，及样本分界数据。(5)利用建立好的RBF神经网络模型对待分析的实际对象进行智能评级。

2.1 能效指标体系构建

指标体系是智能评级的基础。指标的选择好坏在智能评级中的作用举足轻重［9］。本文将指标体系划分为宏观评价指标和微观评价指标两个层级。

通过能效测评系统对某企业半年来的数据统计与分析，初步认定能效指标集如下:宏观评价指标分别为电能能效指标、电能污染能效指标和经济能效指标;微观评价指标中，电能能效指标可细分为4项评价指标，电能污染指标也可细分为4项评价指标，再加上经济能效指标，共计9项评价指标，分别对电力用户的电能、环境和经济3方面进行能效分析，较全面地反映了用电企业的能效水平［10］。该企业的电力用户综合能效分析指标体系，如图2所示。

图2 电力用户能效分级指标体系

2.2 能效指标体系标准及分级

由于目前国家尚未出台关于能效分级的统一的国家标准，本文参照的是电能质量国家标准［11－16］，分别是:供电电压允许偏差、电压波动和闪变、公用电网谐波、三相电压允许不平衡度、电力系统频率允许偏差以及暂时过电压和瞬时过电压，共6项国家标准。此外，由于万元经济增加值指标近年来备受用电企业关注，因此也将其作为分级指标。再者，在实际工程中暂时过电压和瞬时过电压、电压波动和闪变不易测量，可操作性较差，因此在指标体系中暂不考虑该项指标［10］。

参照电能质量标准，将能效单项指标在标准范围内划分为3个等级，为质量合格时的等级划分。将超出标准范围内的各能效单项指标划分为4个等级，为质量不合格时的等级划分。这样的划分有利于在能效合格时，精细考察能效情况，而在能效不合格时大范围考察能效问题。从1～7级，能效标准逐级下降，1级为优质能效等级、2级为良好能效等级、3级为合格能效等级、4级为轻微污染能效等级、5级为轻度污染能效等级、6级为中级污染能效等级、7级为严重污染能效等级。能效指标分级标准如表1所示。

表1 能效指标分级标准

2.3 RBF神经网络理论输出级样本集

表1中各单项能效指标值为网络的输入，即x1～x9。能效分级的等级值即为网络中的输出yk，由于每组样本只有一个等级值，因此网络只有一个输出K=1。RBF神经网络模型的理论输出对应于1～7级，网络的理论值输出分别为 1、2、3、4、5、6、7。

首先根据表1，利用随机分布原理，在各评价等级内随机生成指标，例如对于第1等级:x1≤0.5，0.5＜x1≤1，1 ＜x1≤2，2 ＜ x1≤3，3 ＜ x1≤4，4 ＜ x1≤5，x ＞5。通过上述区间内随机取值的方法可以生成任意多的样本，同理也可生成其他等级的样本。本实例从样本集中选用350个样本作为神经网络的学习样本，700个样本作为训练样本。

3 算例分析

本文采用Matlab R2013a分析软件进行分析。网络设置的误差容限为0.01，经过12.23 s后，RBF网络满足要求，此时，RBF网络的隐含层神经单元为26。图3给出了700个测试样本的详细等级分布。

图3 测试样本结果分布

在实际生产实际中，各用电企业对象的能效等级大多分布在第1等级到第4等级之间，因此这里着重关注这4个等级的数据分布情况。

由图3可看出，RBF模型在第1等级的平均绝对误差是0.059 8，相关系数是0.999 026;在第2等级的平均绝对误差是0.112 0，相关系数是0.998 236;在第3等级的平均绝对误差是0.098 7，相关系数是0.999 223;在第4等级的平均绝对误差是0.079 8，相关系数是0.999 001。这些数据表明，检验样本与测试样本具有相近的拟合能力，网络的泛化性能好。

样本的分界数据分别为1.459 8，2.478 3，3.534 2，4.469 1，5.542 1，6.440 7。因此，例如对于网络的输出，值在(0，1.459 8)为第一等级，在(1.459 8，2.478 3)为第二等级，其他等级以此类推。

为验证网络适用性和实时性能，选取2014年7月上海市某企业1～5楼办公楼所有空调的能效情况，其中选取负荷最大日和负荷最小日的24小时实时能效，结果如图5所示。

图4 2014年7月上海某企业典型日空调能效情况

由图4所示，负荷最大日与负荷最小日的能效等级都分布在第1等级与第3等级之间，并且这两天的早上8点至晚上8点能效等级都比其他时间段内的能效等级高，表明早上8点至晚上8点该时段的能效状况不理想。其原因在于，这期间是工作日时段，由于其他设备的开启，为保持设备温度，需要空调设备持续运转，再者，该企业的部分空调设备老化，耗能增加。

对比负荷最大日与负荷最小日，可得出负荷最小日的24小时实时能效是要普遍好于负荷最大日的实时能效，这是因负荷最大日发生在周一，且当日气温接近36℃，并且其他设备由于生产任务都高速运转，负荷最小日发生在周日，气温是28℃，且企业只有少量值班人员。负荷最小日的能效等级最大值出现在11点，负荷最大日的能效等级最大值出现在12点。两日的最大值都出现在中午，表明温度对空调能效的影响较大。

分析图4可以得出，该模型具有较强的实时性，且较好的反映了监测对象实时能效的变化，适用性较高，为节能治理提供了较好的依据。

由以上分析，该企业可采取淘汰落后的空调，更换为变频空调。再者，可将部分生产挪到晚上20点后，从而减少空调的超负荷使用时间。