基于大数据的分布式电采暖负荷调峰方法仿真

李 爽,冉春雨

(1. 吉林建筑科技学院市政与环境工程学院,吉林 长春 130114;2. 吉林建筑大学市政与环境工程学院,吉林 长春 130118)

1 引言

现阶段,我国开始大力推广电采暖方式[1,2]。随着煤改电用户的飞速增加,各个地区低压配电网基础设施改造需求和电力供需压力快速增加。为了缓解电力供需矛盾日益恶化,鼓励煤改电用户实现负荷削峰填谷,全面增加电网负荷率和运行效率。研究一种全新的分布式电采暖负荷调峰方法是当前研究的首要内容。国内相关专家进行了大量的研究,例如王志强等人[3]考虑到自身特性和外界环境因素,分析建筑物温度对时变方程产生的影响,以此为依据进行负荷特性建模;然后通过优化方法获取不同用户的用电负荷特性;最终根据热需求以及响应行为的影响因素构建区域用户分类标准,最终完成电采暖负荷调峰。李玲等人[4]通过机理分析确定机组路由的额定负荷变化规律,将PID参数整定方法和仿真分析结果相结合,获取协调控制系统的最优参数,同时制定对应的调峰方案。

基于已有方法,提出一种基于大数据的分布式电采暖负荷调峰方法。经实验测试证明,所提方法可以更好地完成电采暖负荷调峰。

2 方法

2.1 基于大数据的分布式电采暖负荷预测

现阶段,对电采暖负荷产生影响的因素可以划分为多种不同的类型,其中主要的影响因素为用户行为习惯以及地理环境等。

优先借助大数据技术采集分布式电采暖负荷数据[5,6]。随着电采暖负荷数据呈爆炸式增长,在处理海量数据的过程中,需要针对以下几方面内容进行改进,例如对复杂数据的处理能力以及数据的实时处理能力等。其中,分布式电采暖负荷数据的采集步骤如下所示

1)通过大数据技术采集分布式电采暖负荷数据;

2)将采集到的全部电采暖负荷数据进行整合处理;

3)对全部电采暖负荷数据进行预处理;

4)将全部数据输出,最终得到分布式电采暖负荷数据采集结果。

根据不同负荷数据的属性特征,将采集的电采暖负荷数据划分为可观测数据以及隐藏数据。将其设定为不同的变量,分别各个变量之间的关系,进而构建LSTM网络架构。

LSTM网络是由三个不同的部分组成,分别为输入/输出层以及隐含层[7,8],不同层次具有不同的功能,各个层次之间相互协作,紧密联系。

设定观测样本为[p1,p2,…,pm],通过其可以获取参数ϑ对应的概率模型k(x,ϑ),则参数θ的对数似然函数v(ϑ)可以表示为式(1)的形式

(1)

假设在观测数据中的测试样本数据是完整的,那么可以采用v(ϑ)进行计算得到对应的估计参数ϑ。但是由于实际所观测到的样本数据并不是完整的,其中包含隐藏变量υ,则有关参数ϑ的对数似然函数可以表示为以下形式

(2)

由于υ的存在,会造成ϑ的计算难度增加。为了有效解决上述问题,需要优先对参数ϑ和υ两者之间的关系进行深入分析,同时多次重复以上操作步骤,直至满足终止条件则停止操作。

EM算法主要划分为两个步骤[9,10],经过两个步骤的反复迭代,最终实现对应参数的估计,以下给出具体的操作步骤:

1)E步骤:

设定Tijl代表隐藏变量υ的分布,则需要满足以下约束条件

(3)

由于隐藏变量υ的存在,当v(ϑ)的取值增加时υ的取值也会相应增加,所以以下可以采用υ的取值获取v(ϑ)的最大似然下界约束条件,如式(4)所示

(4)

式中,a(i)和b(i)分别代表不同类型的负荷业务数据;n代表任意常数;γ代表电力系统的日存储能力。

2)M步骤:

分析隐藏变量υ的分布条件,以此为依据,对参数υ进行优化调整以及求导,最终获取最大化似然参数。

多次重复步骤M和步骤E,经过不断地迭代优化,最终获取模型的解。

当对分布式电采暖负荷调峰的影响因素进行分析时,可以实时掌握过去一段时间内建筑外的温度以及环境变化情况,将LSTM网络和EM算法进行结合,对分布式电采暖负荷进行预测。

针对LSTM网络中隐藏节点而言,由于节点类型不同,所以采用的处理方式也不同。其中,可以将父节点和子节点统称为离散节点,以下需要各个节点进行优化处理,具体计算过程如式(5)所示

(5)

式中,y(x)代表节点优化结果;y(i)代表概率密度函数;z(i,j)代表输出门对应的节点权重。

将采集到的电采暖负荷数据作为LSTM网络的输入,同时明确对分布式电采暖产生影响的主要因素。分析电采暖负荷的主要特点,采用LSTM网络和EM算法相结合的方式对分布式电采暖负荷进行预测[11,12],详细的操作步骤如图1所示:

1)通过大数据技术采集最近几年比较典型的分布式电采暖负荷数据,同时将其设定为模型的输入。

2)分析不同类型电采暖负荷数据之间的关系,同时以此为依据,构建LSTM网络结构。

3)将LSTM网络和EM算法进行有效结合。

4)将采集到的数据输入到模型中。

5)对数据进行训练,最终输出分布式电采暖负荷预测数据。

2.2 分布式电采暖负荷调峰

为了更好完成分布式电采暖负荷调峰,需要将日电采暖负荷预测函数以及温度作为变量,忽略其它影响因素。为了确保冬季室内温度的稳定,需要有效避免各种能量的浪费,其中分布式电采暖的供热负荷需要随着温度的变化而变化,具体的计算式如下

(6)

式中,Hxyz代表不同区域内在设定时间段的电采暖供热负荷;Hxy代表在设定时间段内建筑散热所产生的负荷;Ht代表电供热系统形成的最大损失负荷;xi、yi以及zi代表不同区域内的建筑总数;Kt代表建筑物的总面积;lwater代表在设定时间段内建筑物外部的温度;uot代表室内外温度的差值;oit代表设定时间段内建筑的散热量。

由于建筑物的总面积属于固定值,则电采暖产生供热量所对应的温度函数Hu,v,w如式(7)所示

(7)

式中,φ代表供热系统产生的供热总量;Dt-outside代表建筑物散热指标;Fi代表采用电采暖进行供热产生的费用。

当建筑物停止供暖时,电采暖负荷需要满足以下约束条件

(8)

式中,d代表常数。

随着大批量用户开始采用电供暖方式,促使电网的波动性和不可预测性大幅度增加。在使用电采暖初期,会花费大量的成本。所以可以将风能转换为机械能,然后机械能转换为电能,这样的发电成本就会比较低一些。在供暖低谷期,火电机组所产生的燃料成本lit计算式如下

lit=(xi·yi·zi)+cit+rit

(9)

式中,cit代表机组i产生的燃料系数;cit代表火电机组在设定时间范围内的出力总和。

由于风电机组启动或运行会耗费大量的成本,所以在计算的过程中还需要将整个火电机组的启停成本考虑在内,以下将最小分布式电采暖成本作为目标,则对应的目标函数如式(10)所示

(10)

式中,minB代表分布式电采暖的最小成本;Bit(y)代表火电机组的启停总次数;His代表设定时间段内的用电成本。

进行电采暖不仅会受到发电性能的影响,同时还会受到电网有功调节以及风速等自然条件的影响,以下给出具体的约束条件:

1)机组出力约束条件Gijt如式(12)所示

(11)

由于对风速的测定是十分复杂的,结合相关先验知识,能够获取以下形式的风速计算结果

(12)

式中,ft代表额定风速。

分析采用电采暖供热的实际运行情况,同时设定以下约束条件。其中,电采暖负荷的爬坡约束条件为

(13)

2)最短运行时间以及停机时间约束,如式(15)所示:

(14)

根据目标函数以及设定的约束条件,构建分布式电采暖负荷调峰模型,采用修正多目标粒子群算法[13,14]对建立的负荷调峰模型进行求解,详细的操作步骤如下所示:

1)将算法中的全部粒子进行归一化处理,获取不同决策变量的上下界取值,获取电采暖方式的约束映射。

2)计算采用电采暖方式进行供热的平衡差额。

3)对供热平衡进行调节。

4)判定供电平衡修正公式和供热平衡是否相似,假设相似,则继续进行风力发电;反之,则由其它机组进行出力。

5)分别计算不同粒子之间的欧式距离,同时确定各个粒子之间的共享函数。

6)计算共享度,同时对负荷调峰模型进行求解,搜索最优解,将其作为最优分布式电采暖负荷调峰方案。

3 仿真研究

为了验证所提基于大数据的分布式电采暖负荷调峰方法的有效性,选取J村庄典型的50户电采暖用户进行测试分析,测试数据来源于2020年1月18日到1月31日。

将全部用户按照可控度划分为10组,可控度是随之降低的,设定初始温度为18℃,温升系数为22℃。其中,用户的舒适温度也为18℃。

采用所提方法获取的最优调峰方案,以45min为一个调峰间隔,利用表1给出最优调峰方案下各个调控时间的统计结果:

表1 最优负荷调峰方案下调控时段统计结果

分析表1中的实验数据可知,代理公司对1组进行调峰的次数比较多,平均值高达62.5个时段,而且第1组的最大和最小时段数也明显高于其它分组,说明调峰次数多的调峰时间更加灵活,而且参数负荷调峰的时段更多一些。

利用图2给出前4组用户采用所提方法进行调峰后,各组用户的负荷削减量变化情况。

图2 不同峰时段各组用户的负荷削减量测试结果

分析图2中的实验数据可知,经过所提方法进行调峰后,各个峰谷时段的负荷发生了十分明显的变化,这说明所提方法可以更好实现调峰。主要是因为所提方法在进行调峰时期,对用户各个时段的电采暖负荷进行预测,为后续调峰奠定坚实的基础,同时也能够起到削峰填谷的目的。

4 结束语

针对传统方法存在的一系列问题,设计并提出一种基于大数据的分布式电采暖负荷调峰方法。经实验测试证明,所提方法能够更好地完成削峰填谷,获取更好的负荷调峰方案。

虽然所提方法现阶段取得了比较满意的研究成果,但是仍然存在不足,后续将针对以下几方面的内容进行更深层次的研究:

1)减少电网运行风险以及控制难度,在确保电力成本不增加的情况有效延长供暖时长。

2)对风电出力情况进行深入研究,获取成本最低且收益最高的风电出力方案。

3)和政府相关部门进行沟通,制定合理有效的供暖电价,同时还需要构建有效的电力市场,确保用户可以通过最低的价格完成电采暖。