一种非侵入式综合能源系统源荷状态的联合感知方法与流程

1.本发明属于非侵入式监测与传感技术领域，具体涉及一种非侵入式综合能源系统源荷状态的联合感知方法。


背景技术：

2.综合能源系统(integrated energy system，ies)可打破不同能源系统之间独立运行的局面，使电、气、热等多种能源系统耦合运行，从而实现多能集成、提高能源利用效率，已成为国内外学术界的研究热点。
3.目前，ies的规划、运行及优化等工作多依赖于粗粒度的负荷总量数据，时间尺度主要以小时级为主。由于风电、光伏等可再生能源出力具有较强的随机性、波动性和间歇性，而ies内部的设备受到干扰后其运行特性也容易发生变化，所以系统实际中的运行结果通常会产生较大的误差，不利于ies的运行稳定性和经济性。针对这一问题，部分学者提出了运用日前、日内以及实时三个时间尺度逐级对ies进行调度和优化，根据量测数据的分辨率分别以1小时、15分钟以及5分钟的数据调控源荷设备的运行状态及功率值，在保证ies运行经济性的同时可有效降低源荷不确定性的影响，维持整个系统的安全稳定性。虽然相关研究表明混合时间尺度可以提高ies调度及优化的准确度，但是由于数据最短的时间尺度为5分钟，系统的分析结果与实际情况仍然存在较大的误差。对此，可以通过在各能源子系统的主体设备安装量测装置来采集时间尺度更小的细粒度数据，实时监测设备的运行状态及运行功率，以便更好地实现ies的实时调度及优化。这种侵入式监测方法不仅需要大量的硬件投入和后期维护成本，而且存在用户隐私安全问题。


技术实现要素：

4.本发明为解决现有技术存在的问题而提出，其目的是提供一种非侵入式综合能源系统源荷状态的联合感知方法。
5.本发明的技术方案是：一种非侵入式综合能源系统源荷状态的联合感知方法，包括以下步骤：
6.a.原始数据采集及预处理；
7.b.构建多能源荷状态感知模型；
8.c.根据多能源荷状态感知模型，进行气路设备状态感知；
9.d.根据多能源荷状态感知模型，进行电路设备状态感知；
10.e.进行热路设备状态感知。
11.更进一步的，步骤a原始数据采集及预处理中，原始数据采集包括电源端口功率数据、天然气端口进气量数据、热能端口功率数据、光照强度、环境温度。
12.更进一步的，步骤a原始数据采集及预处理中，预处理具体如下：
13.首先，对采集到的时间序列数据进行降噪处理，基于高斯滤波消除高斯噪声；
14.然后，对时间序列数据进行归一化处理，通过整个序列数据的平均值和标准差使
其限定在区间[-1,1]内。
[0015]
更进一步的，步骤b构建多能源荷状态感知模型，具体过程如下：
[0016]
首先，基于浅层卷积神经网络和深层卷积神经网络挖掘时间序列数据的图像特征；
[0017]
然后，基于双向长短期记忆网络挖掘时间序列数据的时序特征；
[0018]
再后，综合全连接层网络得到多能源荷状态辨识网络结构；
[0019]
再后，利用预处理的时间序列数据对多能源荷状态辨识网络结构进行训练和验证；
[0020]
最后，得到气路设备状态感知模型和电路设备状态感知模型。
[0021]
更进一步的，步骤c根据多能源荷状态感知模型，进行气路设备状态感知，具体过程如下：
[0022]
首先，将天然气端口进气量数据输入气路设备状态感知模型；
[0023]
然后，获得热电联产机组、燃气锅炉及用户的燃气耗气量。
[0024]
更进一步的，步骤d根据多能源荷状态感知模型，进行电路设备状态感知，具体过程如下：
[0025]
首先，基于已知的太阳能光伏发电功率模型，根据太阳光照强度和环境气温估算光伏发电功率；
[0026]
然后，利用热电联产机组燃气耗气量换算得到发电功率；
[0027]
再后，基于电路系统功率平衡方程，结合电源端口功率数据，得到用户负荷功率和储能功率的聚合功率；
[0028]
最后，将聚合功率输入电路设备状态感知模型，获得储能设备和用户的功率。
[0029]
更进一步的，步骤e进行热路设备状态感知，具体过程如下：
[0030]
首先，将热电联产机组燃气耗气量转换，得到热电联产机组热功率；
[0031]
然后，利用燃气锅炉燃气耗气量换算得到燃气锅炉热功率；
[0032]
再后，将热能端口功率数据代入热路系统功率平衡方程，获得用户供暖负荷热功率。
[0033]
更进一步的，步骤a对时间序列数据进行归一化处理，具体是指对所用到的端口功率数据和源荷设备功率数据进行归一化处理。
[0034]
更进一步的，所述利用预处理的时间序列数据对多能源荷状态辨识网络结构进行训练和验证，是通过有监督的方式更新网络参数，多能源荷状态辨识网络结构进行训练和验证过程中，其输入是综合能源子能源系统端口功率信号数据窗口序列，其输出是该段窗口序列对应子能源系统的分项功率值。
[0035]
更进一步的，步骤c根据多能源荷状态感知模型，进行气路设备状态感知，得到子能源系统设备状态感知模型，子能源系统设备状态感知模型的输出是单个设备的功率序列；随着该网络模型输入窗口的不断滑动，将设备窗口功率序列的时序平均值组合为目标设备的功率分解序列。
[0036]
本发明的有益效果如下：
[0037]
本发明针对当前难以对ies源荷设备状态感知的问题，设计了一种非侵入式源荷状态联合感知方法，仅通过分析ies中不同能源系统端口处的总量数据和部分气象数据，获
知每种主要源荷设备的运行状态和参数，为ies的实时调度优化提供了有效支撑。
附图说明
[0038]
图1是本发明的流程图；
[0039]
图2是本发明中多能源荷状态感知模型的神经网络结构示意图。
具体实施方式
[0040]
以下，参照附图和实施例对本发明进行详细说明：
[0041]
如图1至图2所示，一种非侵入式综合能源系统源荷状态的联合感知方法，包括以下步骤：
[0042]
a.原始数据采集及预处理；
[0043]
b.构建多能源荷状态感知模型；
[0044]
c.根据多能源荷状态感知模型，进行气路设备状态感知；
[0045]
d.根据多能源荷状态感知模型，进行电路设备状态感知；
[0046]
e.进行热路设备状态感知。
[0047]
步骤a原始数据采集及预处理中，原始数据采集包括电源端口功率数据、天然气端口进气量数据、热能端口功率数据、光照强度、环境温度。
[0048]
更进一步的，步骤a原始数据采集及预处理中，预处理具体如下：
[0049]
首先，对采集到的时间序列数据进行降噪处理，基于高斯滤波消除高斯噪声；
[0050]
然后，对时间序列数据进行归一化处理，通过整个序列数据的平均值和标准差使其限定在区间[-1,1]内。
[0051]
步骤b构建多能源荷状态感知模型，具体过程如下：
[0052]
首先，基于浅层卷积神经网络和深层卷积神经网络挖掘时间序列数据的图像特征；
[0053]
然后，基于双向长短期记忆网络挖掘时间序列数据的时序特征；
[0054]
再后，综合全连接层网络得到多能源荷状态辨识网络结构；
[0055]
再后，利用预处理的时间序列数据对多能源荷状态辨识网络结构进行训练和验证；
[0056]
最后，得到气路设备状态感知模型和电路设备状态感知模型。
[0057]
步骤c根据多能源荷状态感知模型，进行气路设备状态感知，具体过程如下：
[0058]
首先，将天然气端口进气量数据输入气路设备状态感知模型；
[0059]
然后，获得热电联产机组、燃气锅炉及用户的燃气耗气量。
[0060]
更进一步的，步骤d根据多能源荷状态感知模型，进行电路设备状态感知，具体过程如下：
[0061]
首先，基于已知的太阳能光伏发电功率模型，根据太阳光照强度和环境气温估算光伏发电功率；
[0062]
然后，利用热电联产机组燃气耗气量换算得到发电功率；
[0063]
再后，基于电路系统功率平衡方程，结合电源端口功率数据，得到用户负荷功率和储能功率的聚合功率；
[0064]
最后，将聚合功率输入电路设备状态感知模型，获得储能设备和用户的功率。
[0065]
步骤e进行热路设备状态感知，具体过程如下：
[0066]
首先，将热电联产机组燃气耗气量转换，得到热电联产机组热功率；
[0067]
然后，利用燃气锅炉燃气耗气量换算得到燃气锅炉热功率；
[0068]
再后，将热能端口功率数据代入热路系统功率平衡方程，获得用户供暖负荷热功率。
[0069]
步骤a对时间序列数据进行归一化处理，具体是指对所用到的端口功率数据和源荷设备功率数据进行归一化处理。
[0070]
所述利用预处理的时间序列数据对多能源荷状态辨识网络结构进行训练和验证，是通过有监督的方式更新网络参数，多能源荷状态辨识网络结构进行训练和验证过程中，其输入是综合能源子能源系统端口功率信号数据窗口序列，其输出是该段窗口序列对应子能源系统的分项功率值。
[0071]
步骤c根据多能源荷状态感知模型，进行气路设备状态感知，得到子能源系统设备状态感知模型，子能源系统设备状态感知模型的输出是单个设备的功率序列；随着该网络模型输入窗口的不断滑动，将设备窗口功率序列的时序平均值组合为目标设备的功率分解序列。
[0072]
具体的，步骤a中对时间序列数据进行归一化处理，其归一化处理过程具体如下：
[0073]
对所用到的序列数据按照下式进行归一化处理，
[0074][0075]
式(1)中，xt为功率序列的真实量测值，为功率序列的平均值，σ为功率序列的标准差，所述的功率序列包括端口功率序列和单个设备的功率序列，其序列值通过设备量测得到。
[0076]
具体的，步骤b构建多能源荷状态感知模型中，由于本发明所应用的是序列卷积神经网络，因此，网络的输入是ies各能源子系统的端口功率信号数据窗口序列，网络的输出应为该段窗口对应的功率序列，即为标签。
[0077]
因此，在有监督训练和验证过程中，通过有监督的方式更新网络参数；
[0078]
子能源设备状态感知神经网络的输入表示为子能源端口功率序列滑动窗口y
t：t+w-1
，t为时刻，w表示总功率序列滑动窗口的长度，该子能源设备状态感知神经网络的输出是第m个单独设备的功率序列窗口x
t：t+w-1
，则网络模型训练和验证过程的子能源设备状态神经网络模型如式(2)所示：
[0079]
x
t：t+w-1
＝f
p
(y
t：t+w-1
)+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0080]
式(2)中，f
p
表示神经网络模型，ε是w维的高斯随机噪声；
[0081]
在训练过程中存在损失函数，训练过程中的损失函数具体表示为：
[0082][0083]
式(3)中，θ
p
是网络参数，t是输入的总功率序列的总长度，将总功率序列值y
t：t+w-1
输入至子能源设备状态感知神经网络时，在所述子能源端口功率序列的前端增加长度为w-1的零值。
[0084]
本发明提出的一种非侵入式综合能源系统源荷状态的联合感知方法的设计思路
是：首先采集原始数据并对其进行预处理，然后构建多能源荷状态感知模型，最后通过气路设备状态感知、电路设备状态感知以及热路设备状态感知实现所有源荷的状态联合感知。
[0085]
实现本发明方法需要神经网络模型的构建模块以及神经网络模型的测试模块，所述神经网络模型的构建模块旨在获得可以进行多能源荷状态感知的神经网络模型，首先对网络参数进行初始化，然后对网络进行训练和验证得到源荷状态感知模型；所述神经网络模型的测试模块旨在判断网络模型的状态感知效果。将滑动的端口功率窗口代入已建立的神经网络模型，得到单个目标源荷设备的功率序列。
[0086]
基于以上神经网络模型的构建模块以及神经网络模型的测试模块实施本发明的联合感知方法。
[0087]
以下结合具体实施进行说明
[0088]
以实际应用场景为例，利用本发明方法实现非侵入式综合能源系统源荷状态的联合感知，具体步骤如下：
[0089]
1)获取数据集中的训练、验证和测试数据，对数据进行归一化处理；
[0090]
以国内北方某ies示范园区为例，部署10个量测装置采集ies各端口及内部源荷设备功率数据，将所有数据按照6:2:2的比例划分训练、验证以及测试数据集。选择7种分向源荷设备，即：热电联产机组、燃气锅炉、燃气负荷、光伏电站、电储能、用户负荷以及供暖负荷，在本发明设计的，如图2所示的ies非侵入式源荷状态感知神经网络结构下进行状态监测。
[0091]
2)对源荷状态感知神经网络参数进行初始化，将归一化后的数据输入网络结构中进行训练并得到网络模型。
[0092]
3)对训练好的模型进行测试，将测试数据集的各能源子系统端口功率序列输入训练好的模型，从而对测试集中的分项源荷设备进行状态感知。
[0093]
本实施例中，对于负荷分解结果的评价指标包括平均绝对误差(mean absolute error,mae)和平均相对误差(average relative error，are)，其表达式如下所示：
[0094][0095][0096]
其中，mae用来计算功率预测值(也即通过本发明方法得到的功率分解值)与真实量测值x
t
之间的绝对误差的平均值，t表示测试时段的总时长，而are用来反映模型每时刻功率辨识值的准确率，其值越低表示功率辨识值的准确性越高。
[0097]
利用本发明方法进行有标签数据情况下负荷分解的mae和are结果如表1所示。
[0098]
表1ies设备功率辨识评价指标
[0099][0100]
基于上述研究材料，本发明方法能够精准感知ies中多能源荷设备的运行状态及功率。
[0101]
考虑到ies中部分设备运行模式的特殊性，以储能设备为例，其不同于常规电力负
荷，既可以充电作为负荷，也可以放电作为电源，ies端口处所能采集到的往往是多种源荷混叠运行所产生“净”数据，一些运行特征会因“源荷相抵”而被淹没。因此，本发明提出了一种ies源荷状态联合感知方法，期望仅通过分析ies中不同能源系统端口处的总量数据和部分气象数据，获知每种主要源荷设备的运行状态和参数，旨在解决nilm技术在ies中部署应用的问题。
[0102]
本发明针对当前难以对ies源荷设备状态感知的问题，设计了一种非侵入式源荷状态联合感知方法，仅通过分析ies中不同能源系统端口处的总量数据和部分气象数据，获知每种主要源荷设备的运行状态和参数，为ies的实时调度优化提供了有效支撑。
[0103]
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可做出很多变形，这些均属于本发明的保护之内。

技术特征：
1.一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：包括以下步骤：a.原始数据采集及预处理；b.构建多能源荷状态感知模型；c.根据多能源荷状态感知模型，进行气路设备状态感知；d.根据多能源荷状态感知模型，进行电路设备状态感知；e.进行热路设备状态感知。2.根据权利要求1所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤a原始数据采集及预处理中，原始数据采集包括电源端口功率数据、天然气端口进气量数据、热能端口功率数据、光照强度、环境温度。3.根据权利要求1所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤a原始数据采集及预处理中，预处理具体如下：首先，对采集到的时间序列数据进行降噪处理，基于高斯滤波消除高斯噪声；然后，对时间序列数据进行归一化处理，通过整个序列数据的平均值和标准差使其限定在区间[-1,1]内。4.根据权利要求1所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤b构建多能源荷状态感知模型，具体过程如下：首先，基于浅层卷积神经网络和深层卷积神经网络挖掘时间序列数据的图像特征；然后，基于双向长短期记忆网络挖掘时间序列数据的时序特征；再后，综合全连接层网络得到多能源荷状态辨识网络结构；再后，利用预处理的时间序列数据对多能源荷状态辨识网络结构进行训练和验证；最后，得到气路设备状态感知模型和电路设备状态感知模型。5.根据权利要求1所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤c根据多能源荷状态感知模型，进行气路设备状态感知，具体过程如下：首先，将天然气端口进气量数据输入气路设备状态感知模型；然后，获得热电联产机组、燃气锅炉及用户的燃气耗气量。6.根据权利要求1所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤d根据多能源荷状态感知模型，进行电路设备状态感知，具体过程如下：首先，基于已知的太阳能光伏发电功率模型，根据太阳光照强度和环境气温估算光伏发电功率；然后，利用热电联产机组燃气耗气量换算得到发电功率；再后，基于电路系统功率平衡方程，结合电源端口功率数据，得到用户负荷功率和储能功率的聚合功率；最后，将聚合功率输入电路设备状态感知模型，获得储能设备和用户的功率。7.根据权利要求1所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤e进行热路设备状态感知，具体过程如下：首先，将热电联产机组燃气耗气量转换，得到热电联产机组热功率；然后，利用燃气锅炉燃气耗气量换算得到燃气锅炉热功率；再后，将热能端口功率数据代入热路系统功率平衡方程，获得用户供暖负荷热功率。8.根据权利要求3所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特
征在于：步骤a对时间序列数据进行归一化处理，具体是指对所用到的端口功率数据和源荷设备功率数据进行归一化处理。9.根据权利要求4所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：所述利用预处理的时间序列数据对多能源荷状态辨识网络结构进行训练和验证，是通过有监督的方式更新网络参数，多能源荷状态辨识网络结构进行训练和验证过程中，其输入是综合能源子能源系统端口功率信号数据窗口序列，其输出是该段窗口序列对应子能源系统的分项功率值。10.根据权利要求9所述的一种非侵入式综合能源系统源荷状态的联合感知方法，其特征在于：步骤c根据多能源荷状态感知模型，进行气路设备状态感知，得到子能源系统设备状态感知模型，子能源系统设备状态感知模型的输出是单个设备的功率序列；随着该网络模型输入窗口的不断滑动，将设备窗口功率序列的时序平均值组合为目标设备的功率分解序列。

技术总结
本发明公开了一种非侵入式综合能源系统源荷状态的联合感知方法，包括以下步骤：原始数据采集及预处理；构建多能源荷状态感知模型；根据多能源荷状态感知模型，进行气路设备状态感知；根据多能源荷状态感知模型，进行电路设备状态感知；进行热路设备状态感知。本方法将NILM技术引入IES源荷细粒度数据采集领域，建立IES多能主体设备运行状态及功率联合感知方法，以尽量低的成本投入，获取设备级高频能源产销数据。本发明针对当前难以对IES源荷设备状态感知的问题，设计了一种非侵入式源荷状态联合感知方法，仅通过分析IES中不同能源系统端口处的总量数据和部分气象数据，获知每种主要源荷设备的运行状态和参数，为IES的实时调度优化提供了有效支撑。实时调度优化提供了有效支撑。实时调度优化提供了有效支撑。


技术研发人员：刘博 张睿祺 栾文鹏 韦尊 王新迎 陈盛
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：2023.03.24
技术公布日：2023/8/1