本发明涉及能源互联网的技术领域，尤其涉及一种能源互联网综合能耗模型及参数辨识方法。
背景技术：
能源互联网是以电能为核心，集成热、冷、燃气等能源，综合利用互联网等技术，深度融合能源系统与信息通信系统，协调多种能源的生产、传输、分配、转换、消费及交易，具有高效、清洁、低碳、安全特征的开放式能源互联网络；通过对能源的产生、传输与分配(能源网络)、转换、存储、消费等环节进行有机协调与优化后，形成的能源产供销一体化系统。它主要由供能网络(如供电、供气、供冷/热等网络)、能源交换环节(如cchp机组、发电机组、锅炉、空调、热泵等)、能源存储环节(储电、储气、储热、储冷等)、终端综合能源供用单元(如微网)和大量终端用户共同构成。
能耗曲线是指生产过程中用能设备的输出量与能量消耗同延伸系数之间的关系，是优化控制的基础数据，已有的基础模型由于没有能耗曲线参数，导致能源互联网的系统控制无法开展。
技术实现要素：
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种能源互联网综合能耗模型及参数辨识方法，能够满足系统对控制变量，状态变量及变量函数的物理限制和运行限制，解决了现有模型中没有能耗曲线参数的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，通过调度运行系统的设备的能量输入与输出产量的历史记录数据，建立用能系统能源消耗模型；根据所述用能系统能源消耗模型建立模型参数辨识目标函数；利用遗传算法求解所述目标函数，进而获得能耗参数，完成参数辨识。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述用能系统能源消耗模型包括，基于一元二次函数，建立所述用能系统能源消耗模型l：
l＝ax2 bx c dt
其中，x为用能单元输出产量，a、b、c、d为对应的所述能耗参数，t为气温。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述模型参数辨识目标函数包括，
其中，li为用能设备的能源消耗，xi为设备i的输出产量，minf(x)为拟合误差最小的目标函数。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述历史记录数据包括，以15分钟时间间隔，抽取各用能单元的日记录断面数据。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述用能系统能源消耗模型还包括，所述用能设备与温度无关时，所述能耗参数d＝0。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述遗传算法包括，通过二进制编码随机生成初始种群p(g)；定义适应函数和适应值；确定遗传算子，并对其进行复制、交叉和变异操作；设置终止条件。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述适应函数和适应值包括，
其中，kmax为最大适应值，kavg为平均适应值，k`为交叉的个体中较大的适应值，k为变异个体的适应值，pm`＝0.7，pn`＝0.25。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案，其中：所述终止条件包括，迭代次数下限为1，上限为96。
本发明的有益效果：通过设备的能量输入与输出产量的历史记录数据，选择能耗曲线模型类型，辨识能耗曲线参数，为系统的优化调度控制提供模型参数基础。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的能源互联网综合能耗模型及参数辨识方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种能源互联网综合能耗模型及参数辨识方法，包括：
s1：通过调度运行系统的设备的能量输入与输出产量的历史记录数据，建立用能系统能源消耗模型。
以15分钟时间间隔，抽取各用能单元的日记录断面数据。
基于一元二次函数，通过调度日记录断面数据，建立用能系统能源消耗模型l：
l＝ax2 bx c dt
其中，x为用能单元输出产量，a、b、c、d为对应的能耗参数，t为气温，对于用能设备与温度无关时，能耗参数d＝0。
s2：根据用能系统能源消耗模型建立模型参数辨识目标函数。
模型参数辨识目标函数包括，
其中，li为用能设备的能源消耗，xi为设备i的输出产量，minf(x)为拟合误差最小的目标函数；需要说明的是，对于一个用能单元，xi＝0，1，……，96；li＝0，1，……96。
s3：利用遗传算法求解目标函数，进而获得能耗参数，完成参数辨识。
其中需要说明的是，遗传算法是在模拟生物在自然环境中的遗传和进化而形成的一种自适应全局优化方法搜索算法，这种算法是建立在自然选择和进化进程概念基础上的一种非导效的随机优化方法。
遗传算法包括初始种群的产生、适应度函数的确定、遗传算子(选择、交叉、变异)的确定以及终止条件。
具体的：
(1)初始种群的产生：在产生初始种群之前，要确定决策变量需要的基因数，通过下式进行确定：
2ij-1<(bj-aj)×105≤2lj-1
其中，bj和aj分别为决策变量取值的上界和下界，lj为决策变量的基因数。
在基因数目确定了之后，即可产生初始种群p(g)。
(2)定义适应函数和适应值：
适应函数如下式：
其中，kmax为最大适应值，kavg为平均适应值，k`为交叉的个体中较大的适应值，k为变异个体的适应值，pm`＝0.7，pn`＝0.25。
(3)确定遗传算子：
①对群体中的个体按其适应度的高低按降序排列；
②如果当前的进化代数n<3/4*总进化代数n，则跳转到第③步；否则跳转到第④步；
③对排好序的个体按5％、90％、％5分成3份，并用前5％的优良个体直接代替后5％的最差个体；
④对排好序的个体按15％、70％、％15分成3份；并用前15％的优良个体直接代替后15％的最差个体。
(4)设置终止条件：迭代次数下限为1，上限为96，当算法运行到指定的最大代数时，程序停止，输出耗能参数。
实施例2
为验证本方法的有效性，本实施例以一用能单元为例，采用本方法建立能耗模型并辨识能耗曲线参数，其中，此用能单元输出产品为压缩空气。
对于该用能单元读取的历史记录为：
①单元产量(出口流量，单位为：m3/s)
xi＝{170.00，182.00，194.00，206.00，157.00，169.00，211.00，223.00，127.00，139.00，194.00，206.00，504.00，516.00，409.00，421.00，349.00，361.00，170.00，182.00，194.00，206.00，157.00，169.00，170.00，182.00，194.00，206.00，157.00，169.00，211.00，223.00，127.00，139.00，194.00，206.00，504.00，516.00，409.00，421.00，349.00，361.00，170.00，182.00，194.00，206.00，157.00，169.00，170.00，182.00，194.00，206.00，157.00，169.00，211.00，223.00，127.00，139.00，194.00，206.00，504.00，516.00，409.00，421.00，349.00，361.00，170.00，182.00，194.00，206.00，157.00，169.00，170.00，182.00，194.00，206.00，157.00，169.00，211.00，223.00，127.00，139.00，194.00，206.00，504.00，516.00，409.00，421.00，349.00，361.00，170.00，182.00，194.00，206.00，157.00，169.00，182.00}；
②电能用量(这里选择输入功率，单位为w)
li＝{185.00，197.00，227.00，239.00，170.00，182.00，194.00，206.00，157.00，169.00，227.00，239.00，211.00，223.00，127.00，139.00，194.00，206.00，185.00，197.00，227.00，239.00，170.00，182.00，185.00，197.00，227.00，239.00，170.00，182.00，194.00，206.00，157.00，169.00，227.00，239.00，211.00，223.00，127.00，139.00，194.00，206.00，185.00，197.00，227.00，239.00，170.00，182.00，185.00，197.00，227.00，239.00，170.00，182.00，194.00，206.00，157.00，169.00，227.00，239.00，211.00，223.00，127.00，139.00，194.00，206.00，185.00，197.00，227.00，239.00，170.00，182.00，185.00，197.00，227.00，239.00，170.00，182.00，194.00，206.00，157.00，169.00，227.00，239.00，211.00，223.00，127.00，139.00，194.00，206.00，185.00，197.00，227.00，239.00，170.00，182.00，197.00}；
输入目标函数：
通过本方法计算出参数a＝1.00；b＝31.40；c＝-1.18；d＝0。
因此该用能系统能源消耗模型为：
l＝1.00x2 31.40x-1.18。
基本遗传算法的全局搜索能力和收敛速度较差，为验证本方法相对基本遗传算法具有较高的收敛速度，本实施例中将采用传统基本遗传算法和本方法分别对上述用能系统能源消耗模型的寻优效果进行对比。
测试条件：①初始群体规模为30个个体，分成5组子群体；
②进化代数为50代；
③搜索域限制在方形区[3，3]×[3，3]中。
测试结果如下表所示。
表1：基本遗传算法与本方法搜索模型收敛参数结果对比表。
由表1可以看出，在测试过程中，基本遗传算法在2、4、6次测试中搜索失败，而本方法的搜索失败率为0，验证了本方法在收敛速度和全局搜索能力方面明显优于基本遗传算法。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
1.一种能源互联网综合能耗模型及参数辨识方法，其特征在于：包括，
通过调度运行系统的设备的能量输入与输出产量的历史记录数据，建立用能系统能源消耗模型；
根据所述用能系统能源消耗模型建立模型参数辨识目标函数；
利用遗传算法求解所述目标函数，进而获得能耗参数，完成参数辨识。
2.如权利要求1所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述用能系统能源消耗模型包括，
基于一元二次函数，建立所述用能系统能源消耗模型l：
l＝ax2 bx c dt
其中，x为用能单元输出产量，a、b、c、d为对应的所述能耗参数，t为气温。
3.如权利要求2所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述模型参数辨识目标函数包括，
其中，li为用能设备的能源消耗，xi为设备i的输出产量，minf(x)为拟合误差最小的目标函数。
4.如权利要求1或3所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述历史记录数据包括，
以15分钟时间间隔，抽取各用能单元的日记录断面数据。
5.如权利要求4所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述用能系统能源消耗模型还包括，
所述用能设备与温度无关时，所述能耗参数d＝0。
6.如权利要求1、3、5任一所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述遗传算法包括，
通过二进制编码随机生成初始种群p(g)；
定义适应函数和适应值；
确定遗传算子，并对其进行复制、交叉和变异操作；
设置终止条件。
7.如权利要求6所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述适应函数和适应值包括，
其中，kmax为最大适应值，kavg为平均适应值，k`为交叉的个体中较大的适应值，k为变异个体的适应值，pm`＝0.7，pn`＝0.25。
8.如权利要求6或7所述的能源互联网综合能耗模型及参数辨识方法，其特征在于：所述终止条件包括，
迭代次数下限为1，上限为96。
技术总结