一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于MPC和AGNN
‑
GC的电采暖优化控制方法


[0001]本专利技术属于电采暖控制
，具体涉及一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法
。

技术介绍

[0002]随着全球气候问题日益凸显，世界主要国家积极推进碳中和
。
加快发展非化石能源，尤其是风电
、
太阳能发电等新能源，是推动能源低碳转型的关键
。
截至
2020
年底，我国风电和光伏累计装机为
5.3
亿
kW。
随着新能源接入电网的比例不断增加，由于风电出力具有季节性与随机性，面临风电消纳水平有限等问题
。
[0003]近年来，为减少冬季采暖散煤燃烧，治理大气污染源头，我国在北方乡镇地区大力推进电采暖改建工程
。
在已采用电采暖的乡镇地区，仍存在配套调度手段不完善
、
电热资源利用率不高和采暖用户粗放化管理等突出问题
。
但同时此类地区大多风能
、
光照资源更为丰富，且众多独立电采暖用户参与需求响应潜力尚未完全发掘
。
[0004]因此，如何提高电采暖控制策略的精确性，从而实现分散式电采暖用户用能集约化管理，引导采暖用户利用自身采暖负荷特性主动参与系统内能源互动是电采暖优化运行研究中亟待解决的问题
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，以解决上述
技术介绍
中提出的问题
。
[0006]本专利技术目的是这样实现的：一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：该方法包括以下步骤：步骤
S1
：获取不同特征的因素群；
[0007]所述因素群包括模型预测控制算法特征因素群
、
自然特征因素群
、
人的行为特征因素群以及房屋建筑特征因素群；
[0008]步骤
S2
：获取不同特征因素群电采暖控制策略；
[0009]所述模型预测控制算法特征因素群的电采暖控制策略采用
MPC
算法优化求解得到；
[0010]步骤
S3
：构建
AGNN
‑
GC
网络模型，利用
AGNN
‑
GC
网络模型将不同特征的因素群电采暖控制策略融合；
[0011]所述
AGNN
‑
GC
网络模型包括图卷积网络模块
(GCNs)、
图注意力网络模块
(GATs)
和融合模块；
[0012]步骤
S4
：采用焦点损失来平衡正负样本训练
AGNN
‑
GC
网络模型，生成电采暖的实时运行策略
。
[0013]优选的，所述自然特征因素群
、
人的行为特征因素群以及房屋建筑特征因素群的电采暖控制策略通过收集现有数据生成；
[0014]将模型预测控制算法特征因素群的电采暖控制策略表示为
S1，自然特征因素群下
的电采暖控制策略表示为
S2、
人的行为特征因素群的电采暖控制策略表示为
S3、
房屋特征建筑因素群的电采暖控制策略表示为
S4；
[0015][0016][0017][0018][0019]其中，
P
＝
{S1,S2,S3,S4}。
[0020]优选的，所述步骤
S2
中模型预测控制算法特征因素群的电采暖控制策略采用
MPC
算法优化求解得到，具体操作为：
[0021]步骤
S2
‑1：构建热动力学模型，通过构建的热动力学模型建立离散状态空间模型；
[0022]步骤
S2
‑2：将获取的离散状态空间模型采用微分运算得到增广模型；
[0023]步骤
S2
‑3：通过增广模型与未来状态变量值，得到被控对象的预测模型；
[0024]步骤
S2
‑4：跟踪和修正调度计划为目标建立代价函数及约束条件，对被控对象的预测模型进行更新，得到未来输出变量序列，生成模型预测控制算法特征因素群的电采暖控制策略
[0025]优选的，所述步骤
S2
‑1中构建热动力学模型，通过构建的热动力学模型建立离散状态空间模型，具体操作如下：
[0026]根据电采暖设备的热动力学
、
电采暖负荷的功模型，建立电采暖负荷功率
、
时间与温度之间的关系，热动力学模型如下：
[0027][0028]其中，
T
in
是室内环境温度；
T
out
是室外温度；
P
eh
是电采暖负荷的实时供热功率；
S
是建筑物用户房间的外表面积；
K
是为建筑物的导热系数；
V
是建筑物的体积；
C
a
是表空气热容；
ρ
a
是空气密度；
[0029]热动力学模型通过传递函数建立离散状态空间模型，将传递函数离散化，转化为离散状态空间模型；
[0030]传递函数为：
[0031][0032]其中：
Y(s)
和
U(s)
分别表示设备的输出和输入拉普拉斯变换，
T
为一阶惯性环节的时间常数；
[0033]离散状态空间模型为：
[0034][0035]其中：
x
i
(k)
为离散状态变量；
A
i
为状态方程中离散状态变量系数矩阵；
p
i
(k)
为离散输入变量，
B
i
为离散输入变量系数矩阵；
C
i
为输出方程中离散状态变量系数矩阵；
T(k)
为
离散输出变量
。
[0036]优选的，所述步骤
S2
‑2中将获取的离散状态空间模型采用微分运算得到增广模型，增广模型如下：
[0037][0038]其中，其中，其中，
C
＝
[0
i 1]；
x
i
(k)
为离散状态变量；
A
i
为状态方程中离散状态变量系数矩阵；
p
i
(k)
为离散输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：该方法包括以下步骤：步骤
S1
：获取不同特征的因素群；所述因素群包括模型预测控制算法特征因素群
、
自然特征因素群
、
人的行为特征因素群以及房屋建筑特征因素群；步骤
S2
：获取不同特征因素群电采暖控制策略；所述模型预测控制算法特征因素群的电采暖控制策略采用
MPC
算法优化求解得到；步骤
S3
：构建
AGNN
‑
GC
网络模型，利用
AGNN
‑
GC
网络模型将不同特征的因素群电采暖控制策略融合；所述
AGNN
‑
GC
网络模型包括图卷积网络模块
(GCNs)、
图注意力网络模块
(GATs)
和融合模块；步骤
S4
：采用焦点损失来平衡正负样本训练
AGNN
‑
GC
网络模型，生成电采暖的实时运行策略
。2.
根据权利要求1所述的一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：所述自然特征因素群
、
人的行为特征因素群以及房屋建筑特征因素群的电采暖控制策略通过收集现有数据生成；将模型预测控制算法特征因素群的电采暖控制策略表示为
S1，自然特征因素群下的电采暖控制策略表示为
S2、
人的行为特征因素群的电采暖控制策略表示为
S3、
房屋特征建筑因素群的电采暖控制策略表示为
S4；；；；其中，
P
＝
{S1,S2,S3,S4}。3.
根据权利要求1所述的一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：所述步骤
S2
中模型预测控制算法特征因素群的电采暖控制策略采用
MPC
算法优化求解得到，具体操作为：步骤
S2
‑1：构建热动力学模型，通过构建的热动力学模型建立离散状态空间模型；步骤
S2
‑2：将获取的离散状态空间模型采用微分运算得到增广模型；步骤
S2
‑3：通过增广模型与未来状态变量值，得到被控对象的预测模型；步骤
S2
‑4：跟踪和修正调度计划为目标建立代价函数及约束条件，对被控对象的预测模型进行更新，得到未来输出变量序列，生成模型预测控制算法特征因素群的电采暖控制策略
。4.
根据权利要求3所述的一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：所述步骤
S2
‑1中构建热动力学模型，通过构建的热动力学模型建立离散状态空间模型，具体操作如下：根据电采暖设备的热动力学
、
电采暖负荷的功模型，建立电采暖负荷功率
、
时间与温度之间的关系，热动力学模型如下：
其中，
T
in
是室内环境温度；
T
out
是室外温度；
P
eh
是电采暖负荷的实时供热功率；
S
是建筑物用户房间的外表面积；
K
是为建筑物的导热系数；
V
是建筑物的体积；
C
a
是表空气热容；
ρ
a
是空气密度；热动力学模型通过传递函数建立离散状态空间模型，将传递函数离散化，转化为离散状态空间模型；传递函数为：其中：
Y(s)
和
U(s)
分别表示设备的输出和输入拉普拉斯变换，
T
为一阶惯性环节的时间常数；离散状态空间模型为：其中：其中：
x
i
(k)
为离散状态变量；
A
i
为状态方程中离散状态变量系数矩阵；
p
i
(k)
为离散输入变量，
B
i
为离散输入变量系数矩阵；
C
i
为输出方程中离散状态变量系数矩阵；
T(k)
为离散输出变量
。5.
根据权利要求3所述的一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：所述步骤
S2
‑2中将获取的离散状态空间模型采用微分运算得到增广模型，增广模型如下：其中，
C
＝
[0
i 1]
；
x
i
(k)
为离散状态变量；
A
i
为状态方程中离散状态变量系数矩阵；
p
i
(k)
为离散输入变量，
B
i
为离散输入变量系数矩阵；
T(k)
为离散输出变量；
C
i
为输出方程中离散状态变量系数矩阵
。6.
根据权利要求3所述的一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：所述步骤
S2
‑3中通过增广模型与未来状态变量值，得到被控对象的预测模型，具体操作如下：定义未来状态变量为
x(k+1|k)、x(k+2|k)、......、x(k+N
p
|k)
，其中，
N
p
为预测时域长；定义未来控制轨迹增量序列
Δ
P
i
为：
Δ
P
i
＝
[
Δ
p
i
(k) Δ
p
i
(k+1)
ꢀ…ꢀ
Δ
p
i
(k+N
c
‑
1)]
T
；其中，
N
c
是控制时域长度，控制时域的长度也表示了控制量增量在预测优化时域
N
p
内改变的次数；将定义的未来状态变量和未来控制轨迹增量序列代入增广模型中，得到未来状态变量
值为：其中，
x(k)
是被控对象的状态量；
Δ
p
i
(k+j
‑
1)
为第
k+j
‑1个控制轨迹增量；未来状态变量值与增广模型进行整合，得到被控对象的预测模型：其中，
T
ix
为未来输出变量序列；被控对象的预测模型表示为：
T
ix
＝
F
i
x(k)+
Φ
i
Δ
P
i
；所述步骤
S2
‑4中跟踪和修正调度计划为目标建立代价函数及约束条件，对被控对象的预测模型进行更新，得到未来输出变量序列，生成模型预测控制算法特征因素群的电采暖控制策略，建立目标函数及约束条件为：其中，
r
i
(k)
是期望值；
ω
y,i
是预测控制输出偏差权系数矩阵，取
ω
y,i
＝
1.1
；
ω
u,i
是控制增量权系数矩阵，取
ω
u,i
＝
1.2
；
P
eh,min
、P
eh
、P
eh,max
分别为电采暖的最小输出功率，当前输出功率以及最大输出功率；
S
man
是用户满意度；
a
为用户体感满意度系数
、b
为用户运动行为满意度系数
、c
为满意度修正系数
。7.
根据权利要求1所述的一种基于
MPC
和
AGNN
‑
GC
的电采暖优化控制方法，其特征在于：所述图卷积网络...

【专利技术属性】
技术研发人员：沈浩，付蓉，齐岭，陶志扬，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：