【技术实现步骤摘要】
本专利技术涉及能源调度，特别是一种基于人工智能的园区综合能源优化调度方法。
技术介绍
1、随着园区能源需求的多样化发展，能源系统逐步融合电、热、冷、气等多种能源形式，其优化调度成为提升能源利用效率和降低运行成本的关键手段；然而，园区的用能负荷具有高度动态性，易受季节、天气和生产活动等多种因素的显著影响，此外，风能、太阳能等可再生能源的波动性特征进一步增加调度的复杂性；在能源过剩或负荷高峰期，如何充分利用可再生能源并优化能量流转，成为当前综合能源调度面临的核心难题。
2、传统的园区能源调度方法主要采用线性规划lp、混合整数线性规划milp或启发式算法，以降低运行成本、平衡负荷和提高可再生能源利用率为目标进行优化，此类方法对历史负荷数据和可再生能源输出功率进行离线预测，制定分时段的调度计划；同时，利用削峰填谷策略，引导储能设施在低谷时段储能、高峰时段放能，平抑负荷波动；然而，此类方案过于依赖固定负荷模式和静态优化，缺乏应对突发负荷波动的能力，此外，能源交易机制与内部调度也相对独立，难以进行多主体间实时的、高效的能量共享，因此亟需一种更加动态、灵活的园区综合能源优化调度方法来解决此类问题。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、本专利技术提供了一种基于人工智能的园区综合能源优化调度方法解决传统能源调度方案，对负荷预测依赖较强，难以应对预测误差带来的实时调度偏差；削峰填谷策略过于依赖储能设施，无法充分利用其他负荷资源的问题。
4、本专利技术实施例提供了一种基于人工智能的园区综合能源优化调度方法，其包括，
5、步骤s1，在园区内，通过物联网传感器和边缘计算设备实时监测能源设备的负荷数据和设备运行状态，采用时域融合深度学习temporal fusion transformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测，同时生成预测误差的概率分布；
6、步骤s2，基于步骤s1的负荷预测结果和园区内的设备运行状态，构建优化模型，生成包括储能充放电时序和电制冷机启动计划在内的调度策略；
7、步骤s3，基于调度策略，引入事件驱动机制进行实时响应；
8、步骤s4，实时响应完成后，将调整后的园区负荷数据和设备运行状态作为输入，评估余能或能量缺口；根据评估结果，通过基于区块链的电力交易平台对园区内能源进行交易。
9、作为本专利技术所述一种基于人工智能的园区综合能源优化调度方法的一种优选方案，其中：所述采用时域融合深度学习temporalfusiontransformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测的步骤为，
10、将负荷数据和风光发电出力历史数据与外部特征整理为时间序列输入矩阵，输入矩阵为：其中，x为输入的多变量时间序列矩阵，为时间t时第i个特征值，t为时间步长，n为特征维度；
11、定义目标变量，定义公式为：其中，y为目标输出序列，包括电负荷热负荷冷负荷以及风光发电功率
12、将数据矩阵x分为历史窗口和预测窗口，送入tft模型，历史窗口为表示从时间点t-l到t的输入特征值，其中l是历史窗口长度，预测窗口为用于预测未来时间步长f的目标值
13、作为本专利技术所述一种基于人工智能的园区综合能源优化调度方法的一种优选方案，其中：所述时域融合深度学习temporalfusiontransformer模型的架构包括，编码器部分和解码器部分，
14、编码器部分：编码器通过多头注意力机制提取输入序列的关键特征，提取公式为：
15、henc＝encoder(x；θenc)，
16、其中，henc为编码器输出的特征表示矩阵，
17、θenc为编码器的可学习参数；
18、解码器部分：解码器结合历史序列和外部特征，生成预测值，生成公式为：
19、hdec＝decoder(henc,z；θdec)，
20、其中，hdec为解码器生成的特征表示矩阵，z为外部特征，
21、θdec为解码器的可学习参数。
22、作为本专利技术所述一种基于人工智能的园区综合能源优化调度方法的一种优选方案，其中：所述采用时域融合深度学习temporalfusiontransformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测的步骤还包括，
23、预测值通过全连接层映射为目标变量，映射公式为：
24、
25、其中，为时间t+f时第j个目标的预测值，wh为全连接层的权重矩阵，bh为全连接层的偏置向量；
26、利用正态分布函数对预测误差进行建模，建模公式为：
27、
28、其中，
29、为目标值与预测值之间的条件概率，为目标j的预测误差的方差；
30、通过最大化似然函数，优化模型的参数，优化公式为：
31、
32、通过反向传播和梯度下降优化tft模型参数，使得预测值接近真实值最终输出为：
33、电、热、冷负荷以及风光发电功率的未来时间步预测值
34、以及对应的预测误差概率分布参数。
35、作为本专利技术所述一种基于人工智能的园区综合能源优化调度方法的一种优选方案，其中：所述基于步骤s1的负荷预测结果和园区内的设备运行状态，构建优化模型，生成包括储能充放电时序和电制冷机启动计划在内的调度策略的步骤为，
36、定义目标函数为最小化园区的总运行成本，同时满足设备运行约束和负荷平衡，运行成本包括购电成本、设备运行成本以及可再生能源利用不足惩罚，
37、目标函数为：
38、
39、其中，f为总运行成本，t为优化时段总数，cgrid,t为时段t的购电成本，cop,t为设备在时段t的运行成本，ppenalty,t为时段t内未充分利用可再生能源的惩罚；
40、计算购电成本，计算公式为：
41、
42、其中，
43、pgrid,t为时段t的购电电价为时段t从电网购电的功率；
44、计算设备运行成本，计算公式为：
45、
46、其中，
47、ccharge为储能设备的充电成本系数，cdischarge为储能设备的放电成本系数，为储能设备在时段t的充电功率，为储能设备在时段t的放电功率，ccooling为电制冷机的单位功率运行成本，pcool,t为电制冷机在时段t的运行功率；
48、对未利用的可再生能源设置惩罚系数，惩罚系数设置公式为：
49、
50、其中，ppenalty为未利用可再生能源的惩罚系数，pren,t为时段t的可再生能源发电功率，为时段t实际使用的可再生能源功率。...
【技术保护点】
1.一种基于人工智能的园区综合能源优化调度方法，其特征在于：包括，
2.如权利要求1所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述采用时域融合深度学习TemporalFusionTransformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测的步骤为，
3.如权利要求2所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述时域融合深度学习TemporalFusionTransformer模型的架构包括，编码器部分和解码器部分，
4.如权利要求3所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述采用时域融合深度学习TemporalFusionTransformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测的步骤还包括，
5.如权利要求4所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述基于步骤S1的负荷预测结果和园区内的设备运行状态，构建优化模型，生成包括储能充放电时序和电制冷机启动计划在内的调度策略的步骤为，
<...【技术特征摘要】
1.一种基于人工智能的园区综合能源优化调度方法，其特征在于：包括，
2.如权利要求1所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述采用时域融合深度学习temporalfusiontransformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测的步骤为，
3.如权利要求2所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述时域融合深度学习temporalfusiontransformer模型的架构包括，编码器部分和解码器部分，
4.如权利要求3所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述采用时域融合深度学习temporalfusiontransformer模型对园区内电、热、冷负荷变化趋势以及风光发电的出力波动进行负荷预测的步骤还包括，
5.如权利要求4所述的一种基于人工智能的园区综合能源优化调度方法，其特征在于：所述基于步骤s1的负荷预测结...
【专利技术属性】
技术研发人员：吴宜聪，蒙浩然，张华英，王化龙，刘彬，黄欢，刘海淳，覃秋悦，彭文河，
申请(专利权)人：中国能源建设集团广西电力设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。