一种基于Pso-CNN的蓄热式电采暖用电控制决策方法及系统

1.一种基于Pso-CNN的蓄热式电采暖用电控制决策方法，其特征在于，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，具体包括：步骤S21：建立蓄热式电采暖温度动态数学模型，如公式(2)所示： (2)其中， 为 时刻用户室内温度， 为 时刻室外温度， 为用户房屋散热系数， 为用户房屋温升系数， 是t时刻蓄热式电采暖从电网吸收的功率； 为蓄热式电采暖储能元件 时刻充电功率， 为蓄热式电采暖储能元件 时刻放电功率； 代表一个时间段的时长； 值为0或1，表示蓄热式电采储能装置在同一时间段只能采取一种动作；步骤S22：建立蓄热式电采暖储能装置的动态数学模型，如公式(3)所示： (3)其中， 为 时刻蓄热式电采暖储能元件储存的能量， 为所述蓄热式电采暖储能装置自身的散热系数；步骤S23：根据聚类结果，确定每个所述聚类集群的数学模型参数，如公式(4)所示： (4)其中，q为所述聚类集群的数学模型参数，n为该聚类集群中蓄热式电采暖的数量，Q i 为第i个聚类集群的蓄热式电采暖负荷的模型参数；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，具体包括：步骤S31：将1天分成k个时段，基于历史数据，得到新能源的出力与所述蓄热式电采暖负荷的需求在各时段的差值 ，如公式(5)所示： (5)其中 为第 时段新能源的出力， 为第 时段背景负荷的需求；根据 在时段 的值，初始化蓄热式电采暖运行策略如下：若 ，令 、 、 ；若 ，令 、 、 ；其中， 第 时段蓄热式电采暖从电网吸收的功率， 为第 时段所述蓄热式电采暖储能装置的充电功率， 为第 时段所述蓄热式电采暖储能装置的放电功率；步骤S32：设定优化公式(2)~(3)的约束条件，如公式(6)~(10)所示： (6) (7) (8) (9) =0 或 =1                                (10)其中， 是用户设定的室内温度值；步骤S33：根据各时段各个所述聚类集群蓄热式电采暖的用电策略，更新各时段所述背景负荷的总需求，如公式（11）所示： (11)步骤S34：设定在削峰填谷场景下的目标函数，如公式(12)所示： (12)其中， 为第i时间段所述背景负荷的功率需求，k为时间段个数；设定在促进新能源消纳场景下的目标函数，如公式(13)所示： (13)其中， 为第i时间段新能源的出力；步骤S35：根据各时段各所述聚类集群蓄热式电采暖的用电策略，按照公式(2)、(3)计算各阶段用户室内温度T in 以及蓄热式电采暖储能容量S tor ，若不满足约束条件(6)、(9)，为目标函数添加惩罚项M1、M2，如公式(14)~(15)所示： (14) (15)步骤S36：基于粒子群优化算法求解蓄热式电采暖运行策略，包括如下步骤：1）初始化 、 、 得到初始蓄热式电采暖运行策略，并生成初始的搜索速度 、 、 ；2）计算各个所述聚类集群的目标函数值，得到初始的历史最优点以及全局最优点；3）更新每个粒子的速度和位置，如公式(16)~ (17)所示： (16) (17)其中， 代表 、 、 ， 代表 、 、 ； 为惯性因子， 、 为学习因子， 为该粒子历史最优点， 为全局最优点； 为随机函数；4）计算每粒子的目标函数值，并更新各粒子历史最优点以及全局最优点；5）判断是否达到迭代次数，若达到最大迭代次数，停止迭代，输出全局最优点，作为蓄热式电采暖运行策略；若未达到最大迭代次数，重复步骤3）~5）；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，具体包括：S41：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，并将所述曲线图转换为图片，按照预设比例划分为训练集和验证集；S42：利用所述训练集训练卷积神经网络，并基于遗传算法优化所述卷积神经网络，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，并在在所述验证集上根据新能源额外的消纳量以及用户节省的电费作为指标对输出结果进行验证。 2.根据权利要求1所述的基于Pso-CNN的蓄热式电采暖用电控制决策方法，其特征在于，所述步骤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，具体包括：步骤S11：采集区域内所有蓄热式电采暖负荷数据，确定所述蓄热式电采暖负荷的聚类特征如下：蓄热式电采暖的储能容量大小 ，单位kw·h；蓄热式电采暖储热原件充电额定功率 ，单位kw；蓄热式电采暖储热原件放电额定功率 ，单位kw；蓄热式电采暖电热转换效率 ；蓄热式电采暖加热额定功率 ，单位kw；蓄热式电采暖储能元件效率 ；步骤S12：随机初始化所述蓄热式电采暖负荷数据的聚类中心以及中心点个数；步骤S13：基于K-means算法，按照所述聚类特征，计算各点到聚类中心的欧式距离，以对所述蓄热式电采暖负荷进行聚类；步骤S14：根据公式(1)计算评估指标a，以评估聚类结果； (1)其中，n为聚类中心点个数， 为聚类结果中归属于第 类的蓄热式电采暖负荷的数量， 为第 类中距离聚类中心最远的数据点到聚类中心的欧式距离， 表示所选取的聚类特征的个数；步骤S15：基于遗传算法中的淘汰法则，将所述聚类集群按适应度从大到小进行排序，适应度小于阈值的被淘汰，在适应度最高的两个所述聚类集群中生成新的聚类集群，并随机选择新的聚类中心以及中心点个数；步骤S16：判断是否达到预设的迭代次数，若未达到，重复步骤S13~S15，否则迭代结束，并选取使得所述评估指标a最大的聚类结果作为聚类集群结果。 3.一种基于Pso-CNN的蓄热式电采暖用电控制决策系统，用于实现权利要求1所述基于Pso-CNN的蓄热式电采暖用电控制决策方法，其特征在于，包括下述模块：负荷聚类模块，用于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；建立动态模型模块，用于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；获取运行策略模块，用于构建目标函数，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；预测未来运行策略模块，用于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。