一种工业负荷可调资源联合调节方法、系统、设备和介质与流程

本发明涉及电力需求侧管理，具体涉及一种工业负荷可调资源联合调节方法、系统、设备和介质。

背景技术：

1、目前，随着能源互联网的建设和发展，电网供给侧和需求侧互动增强，引导需求侧资源积极参与电网互动，并将需求侧资源纳入电力系统常规优化调度中已成为了最新的发展方向。需求响应(demand response,dr)是指通过激励机制或市场电价等手段引导用户主动改变自身原有的用电行为，从而达到平滑负荷曲线、节能减排和提高新能源消纳水平的效果。需求响应资源在配合电力供应商进行系统削峰填谷、提高可再生能源消纳水平、为系统提供紧急备用资源等方面受到越来越高的重视。其中，工业负荷在需求侧资源中具有容量占比大、调节速度快、改造成本低的特点，并且工业用电量基数大，调节潜力大，因此，充分发挥工业负荷的巨大调节潜力对促进需求侧资源利用、提升电网灵活调节能力和实现资源的充分利用有着重要意义。

2、当前已有研究针对需求响应资源的分析和利用技术开展了大量工作，但多集中于居民和商业用户，对工业负荷资源的开发利用较少，且对工业用户的需求响应意愿特征提取方面，只考虑了电价特性，没有结合工业用户个体的需求响应申报情况以及历史响应参与情况，使得无法准确的评估工业用户的需求响应潜力，导致工业负荷资源的利用率还处于较低的水平。

技术实现思路

1、为了解决现有技术面向需求响应的可调资源调节多集中于居民和商业用户，较少面向工业负荷的资源调节，使得无法准确的评估工业用户的需求响应潜力，导致工业负荷资源利用率较低的问题，本发明提出一种工业负荷可调资源联合调节方法，包括：

2、基于待预测的工业负荷可调节负荷序列，利用预先构建的工业负荷预测模型，得到工业负荷预测数据；

3、根据所述工业负荷预测数据，确定工业负荷可调节资源；

4、基于所述工业负荷可调节资源，利用基于排挤机制的动态小生境进化多目标免疫算法对预先构建的优化动态聚合模型进行求解，得到工业负荷最优资源调节方案；

5、其中，所述工业负荷预测模型是以历史时间段的可调节负荷序列的imf分量、残差分量和设定时间段的实际负荷数据为训练数据，并以状态任务网络约束作为约束条件对bilstm神经网络进行训练得到的；所述优化动态聚合模型是以最小化工业负荷可调节资源的电力运行指标为目标构建的。

6、可选的，所述工业负荷预测模型包括如下的构建过程：

7、对历史时间段的可调节负荷序列进行集成经验模态分解，得到对应的imf分量和和残差分量；

8、以所述历史时间段的可调节负荷序列的imf分量和残差分量作为训练数据的输入数据，以所述可调节负荷序列对应的设定时间段的实际负荷数据作为训练数据的输出数据；

9、基于所述输入数据和输出数据，对bilstm神经网络进行训练，得到可调节负荷预测模型；

10、利用设定的状态任务网络约束作为约束条件对所述可调节负荷预测模型进行约束，得到工业负荷预测模型。

11、可选的，所述状态任务网络约束，包括：物料存储约束、物料平衡约束、物料生产约束、物料消耗约束、任务节点运行状态约束、生产任务工人数量约束和产量约束。

12、可选的，所述状态任务网络约束对应的表达式如下：

13、

14、其中，表示任务节点k中物料z的t时刻的存储量；表示任务节点k中物料z的最小存储量；表示任务节点k中物料z的最大存储量；表示任务节点k中物料z的t+1时刻的存储量；表示任务节点k中物料z在h工况的产量；h＝1…h；h表示总运行工况数；k＝1…k；k表示任务节点总数；表示任务节点k中物料z的t时刻的运行状态；表示任务节点k中物料z在h工况的消耗量；表示任务节点k中物料z在h工况的消耗量下限；表示任务节点k中物料z在h工况的消耗量上限；表示任务节点k中物料z在h工况的产量下限；表示任务节点k中物料z在h工况的产量上限；表示任务节点k中物料z的t时刻的初始运行状态；表示任务节点k在h工况的所需工人数量；表示任务节点k在t时刻可调用工人数量的上限；表示任务节点k中物料z的初始存储量；表示物料z每日需要达到的存储量。

15、可选的，所述优化动态聚合模型包括如下的构建过程：

16、将所述工业负荷可调节资源的日均峰谷差、日均负荷波动率、日均响应容量的倒数、日均响应成本和所述工业负荷可调节资源中分布式电源的消纳设为电力运行指标；

17、以最小化所述电力运行指标为目标，构建目标函数；

18、将所述状态任务网络约束作为所述目标函数的约束条件；

19、基于所述目标函数和所述约束条件，构建所述优化动态聚合模型。

20、可选的，所述目标函数对应的表达式如下：

21、

22、其中，

23、

24、其中，f表示目标函数；f1表示工业负荷可调节资源的日均峰谷差；f2表示工业负荷可调节资源的日均负荷波动率；f3表示工业负荷可调节资源的日均响应容量；f4表示工业负荷可调节资源的日均响应成本；f5表示工业负荷可调节资源内分布式电源的消纳；pv表示第v个场景下工业负荷可调节资源的日负荷曲线；v＝1…v；v表示总场景数；表示第v个场景下工业负荷可调节资源的日负荷曲线的最大值；表示第v个场景下工业负荷可调节资源的日负荷曲线的最小值；σv表示第v个场景下负荷有功功率的标准差；μv表示第v个场景下负荷有功功率的几何均值；表示第v个场景下第c个需求响应负荷的日响应容量；c＝1…q；q表示需求响应负荷总数；λc表示第c个需求响应负荷参与聚合的0-1变量；cri表示第i个资源等级下的补偿价格；i＝1,2,3；pei表示第i个资源等级下的惩罚价格；表示第v个场景下第c个需求响应负荷的日响应成本；表示第v个场景下第a个分布式电源在t时刻的有功出力；t＝1…t；t表示日负荷曲线划分的总时刻数；a＝1…m；m表示分布式电源总数；λa表示第a个分布式电源参与聚合的0-1变量；第v个场景下第b个常性负荷在t时刻的负荷功率；b＝1…n；n表示常性负荷总数；λb表示第b个常性负荷参与聚合的0-1变量；第v个场景下第c个需求响应负荷的负荷功率。

25、可选的，所述根据所述工业负荷预测数据，确定工业负荷可调节资源，包括：

26、根据所述工业负荷预测数据进行场景划分，得到所述工业负荷预测数据中各需求响应资源的响应特征量；

27、根据所述各需求响应资源的响应特征量，构建聚类特征向量；

28、基于所述聚类特征向量和设定的各需求响应资源的响应特性约束，对所述工业负荷预测数据进行聚类分析，得到所述工业负荷预测数据的聚类结果；

29、当所述工业负荷预测数据的聚类结果对应的聚类评价分数合格时，基于所述工业负荷预测数据的聚类结果进行聚合，形成的资源聚合体作为工业负荷可调节资源。

30、可选的，所述响应特征量包括下述的一种或多种：响应容量、响应时长和违约电量。

31、可选的，所述利用基于排挤机制的动态小生境进化多目标免疫算法对预先构建的优化动态聚合模型进行求解，得到工业负荷最优资源调节方案，包括：

32、步骤s1：随机生成包含2m个个体的种群，种群中的每一个个体表示一种资源调节方案；

33、步骤s2：根据所述目标函数，计算每个个体的适应度值，并将所述每个个体的适应度值进行降序排列，记忆前p个个体作为初始的记忆细胞；

34、步骤s3：执行小生境淘汰操作：从所述前p个个体中选出前m个个体作为初始种群，并判断所述初始种群是否为优化种群，若是，执行步骤s4；若否，执行步骤s1；

35、步骤s4：读取所述初始的记忆细胞并产生初始抗体，生成小生境；

36、步骤s5：执行小生境进化操作：对所述初始种群进行选择、交叉和变异运算，得到下一代种群个体作为新的记忆细胞，将所述初始的记忆细胞和新的记忆细胞进行合并，并计算合并后的记忆细胞中每一个个体的适应度值，将合并后的记忆细胞中每个个体的适应度值进行降序排列，记忆新的前p个个体；

37、步骤s6：计算所述新的前p个个体之间的欧式距离，并按照降序从所述新的前p个个体中选出新的前m个个体，更新抗体，并判断所述新的前m个个体是否满足收敛条件，若满足，将所述抗体中对应适应度值最大的个体作为最优资源调节方案，并停止执行；若不满足，将所述新的前m个个体组成新的初始种群，并执行步骤s5。

38、可选的，所述判断所述初始种群是否为优化种群包括：

39、判断所述初始种群中每个个体对应的需求响应资源的各响应特征量是否处于设定范围内；

40、若是，所述初始种群为优化种群；

41、否则，所述初始种群不是优化种群。

42、可选的，所述每个个体的适应度值对应的计算式如下：

43、

44、其中，fit表示个体的适应度值；δ1表示目标函数中工业负荷可调节资源的日均峰谷差对应的权重系数值；f1表示目标函数中工业负荷可调节资源的日均峰谷差；δ2表示目标函数中工业负荷可调节资源的日均负荷波动率对应的权重系数值；f2表示目标函数中工业负荷可调节资源的日均负荷波动率；δ3表示目标函数中工业负荷可调节资源的日均响应容量对应的权重系数值；f3表示目标函数中工业负荷可调节资源的日均响应容量；δ4表示目标函数中工业负荷可调节资源的日均响应成本对应的权重系数值；f4表示目标函数中工业负荷可调节资源的日均响应成本函数；δ5表示目标函数中工业负荷可调节资源内分布式电源的消纳对应的权重系数值；f5表示目标函数中工业负荷可调节资源内分布式电源的消纳值。

45、基于同一发明构思，本发明还提供了一种工业负荷可调资源联合调节系统，包括：

46、工业负荷预测模块：用于基于待预测的工业负荷可调节负荷序列，利用预先构建的工业负荷预测模型，得到工业负荷预测数据；

47、可调资源聚合模块：用于根据所述工业负荷预测数据，确定工业负荷可调节资源；

48、资源调节模块：用于基于所述工业负荷可调节资源，利用基于排挤机制的动态小生境进化多目标免疫算法对预先构建的优化动态聚合模型进行求解，得到工业负荷最优资源调节方案；

49、其中，所述工业负荷预测模块中的工业负荷预测模型是以历史时间段的可调节负荷序列的imf分量、残差分量和设定时间段的实际负荷数据为训练数据，并以状态任务网络约束作为约束条件对bilstm神经网络进行训练得到的；所述资源调节模块中的优化动态聚合模型是以最小化工业负荷可调节资源的电力运行指标为目标构建的。

50、可选的，所述工业负荷预测模块中的工业负荷预测模型包括如下的构建过程：

51、对历史时间段的可调节负荷序列进行集成经验模态分解，得到对应的imf分量和和残差分量；

52、以所述历史时间段的可调节负荷序列的imf分量和残差分量作为训练数据的输入数据，以所述可调节负荷序列对应的设定时间段的实际负荷数据作为训练数据的输出数据；

53、基于所述输入数据和输出数据，对bilstm神经网络进行训练，得到可调节负荷预测模型；

54、利用设定的状态任务网络约束作为约束条件对所述可调节负荷预测模型进行约束，得到工业负荷预测模型。

55、可选的，所述工业负荷预测模块中的状态任务网络约束，包括：物料存储约束、物料平衡约束、物料生产约束、物料消耗约束、任务节点运行状态约束、生产任务工人数量约束和产量约束。

56、可选的，所述工业负荷预测模块中的状态任务网络约束对应的表达式如下：

57、

58、其中，表示任务节点k中物料z的t时刻的存储量；表示任务节点k中物料z的最小存储量；表示任务节点k中物料z的最大存储量；表示任务节点k中物料z的t+1时刻的存储量；表示任务节点k中物料z在h工况的产量；h＝1…h；h表示总运行工况数；k＝1…k；k表示任务节点总数；表示任务节点k中物料z的t时刻的运行状态；表示任务节点k中物料z在h工况的消耗量；表示任务节点k中物料z在h工况的消耗量下限；表示任务节点k中物料z在h工况的消耗量上限；表示任务节点k中物料z在h工况的产量下限；表示任务节点k中物料z在h工况的产量上限；表示任务节点k中物料z的t时刻的初始运行状态；表示任务节点k在h工况的所需工人数量；表示任务节点k在t时刻可调用工人数量的上限；表示任务节点k中物料z的初始存储量；表示物料z每日需要达到的存储量。

59、可选的，所述资源调节模块中的优化动态聚合模型包括如下的构建过程：

60、将所述工业负荷可调节资源的日均峰谷差、日均负荷波动率、日均响应容量的倒数、日均响应成本和所述工业负荷可调节资源中分布式电源的消纳设为电力运行指标；

61、以最小化所述电力运行指标为目标，构建目标函数；

62、将所述状态任务网络约束作为所述目标函数的约束条件；

63、基于所述目标函数和所述约束条件，构建所述优化动态聚合模型。

64、可选的，所述资源调节模块中的目标函数对应的表达式如下：

65、

66、其中，

67、

68、其中，f表示目标函数；f1表示工业负荷可调节资源的日均峰谷差；f2表示工业负荷可调节资源的日均负荷波动率；f3表示工业负荷可调节资源的日均响应容量；f4表示工业负荷可调节资源的日均响应成本；f5表示工业负荷可调节资源内分布式电源的消纳；pv表示第v个场景下工业负荷可调节资源的日负荷曲线；v＝1…v；v表示总场景数；表示第v个场景下工业负荷可调节资源的日负荷曲线的最大值；表示第v个场景下工业负荷可调节资源的日负荷曲线的最小值；σv表示第v个场景下负荷有功功率的标准差；μv表示第v个场景下负荷有功功率的几何均值；表示第v个场景下第c个需求响应负荷的日响应容量；c＝1…q；q表示需求响应负荷总数；λc表示第c个需求响应负荷参与聚合的0-1变量；cri表示第i个资源等级下的补偿价格；i＝1,2,3；pei表示第i个资源等级下的惩罚价格；表示第v个场景下第c个需求响应负荷的日响应成本；表示第v个场景下第a个分布式电源在t时刻的有功出力；t＝1…t；t表示日负荷曲线划分的总时刻数；a＝1…m；m表示分布式电源总数；λa表示第a个分布式电源参与聚合的0-1变量；第v个场景下第b个常性负荷在t时刻的负荷功率；b＝1…n；n表示常性负荷总数；λb表示第v个常性负荷参与聚合的0-1变量；第v个场景下第c个需求响应负荷的负荷功率。

69、可选的，所述可调资源聚合模块，具体用于：

70、根据所述工业负荷预测数据进行场景划分，得到所述工业负荷预测数据中各需求响应资源的响应特征量；

71、根据所述各需求响应资源的响应特征量，构建聚类特征向量；

72、基于所述聚类特征向量和设定的各需求响应资源的响应特性约束，对所述工业负荷预测数据进行聚类分析，得到所述工业负荷预测数据的聚类结果；

73、当所述工业负荷预测数据的聚类结果对应的聚类评价分数合格时，基于所述工业负荷预测数据的聚类结果进行聚合，形成的资源聚合体作为工业负荷可调节资源。

74、可选的，所述可调资源聚合模块中的响应特征量包括下述的一种或多种：响应容量、响应时长和违约电量。

75、可选的，所述资源调节模块中的利用基于排挤机制的动态小生境进化多目标免疫算法对预先构建的优化动态聚合模型进行求解，得到工业负荷最优资源调节方案，包括：

76、步骤s1：随机生成包含2m个个体的种群，种群中的每一个个体表示一种资源调节方案；

77、步骤s2：根据所述目标函数，计算每个个体的适应度值，并将所述每个个体的适应度值进行降序排列，记忆前p个个体作为初始的记忆细胞；

78、步骤s3：执行小生境淘汰操作：从所述前p个个体中选出前m个个体作为初始种群，并判断所述初始种群是否为优化种群，若是，执行步骤s4；若否，执行步骤s1；

79、步骤s4：读取所述初始的记忆细胞并产生初始抗体，生成小生境；

80、步骤s5：执行小生境进化操作：对所述初始种群进行选择、交叉和变异运算，得到下一代种群个体作为新的记忆细胞，将所述初始的记忆细胞和新的记忆细胞进行合并，并计算合并后的记忆细胞中每一个个体的适应度值，将合并后的记忆细胞中每个个体的适应度值进行降序排列，记忆新的前p个个体；

81、步骤s6：计算所述新的前p个个体之间的欧式距离，并按照降序从所述新的前p个个体中选出新的前m个个体，更新抗体，并判断所述新的前m个个体是否满足收敛条件，若满足，将所述抗体中对应适应度值最大的个体作为最优资源调节方案，并停止执行；若不满足，将所述新的前m个个体组成新的初始种群，并执行步骤s5。

82、可选的，所述资源调节模块中的判断所述初始种群是否为优化种群包括：

83、判断所述初始种群中每个个体对应的需求响应资源的各响应特征量是否处于设定范围内；

84、若是，所述初始种群为优化种群；

85、否则，所述初始种群不是优化种群。

86、可选的，所述资源调节模块中的每个个体的适应度值对应的计算式如下：

87、

88、其中，fit表示个体的适应度值；δ1表示目标函数中工业负荷可调节资源的日均峰谷差对应的权重系数值；f1表示目标函数中工业负荷可调节资源的日均峰谷差；δ2表示目标函数中工业负荷可调节资源的日均负荷波动率对应的权重系数值；f2表示目标函数中工业负荷可调节资源的日均负荷波动率；δ3表示目标函数中工业负荷可调节资源的日均响应容量对应的权重系数值；f3表示目标函数中工业负荷可调节资源的日均响应容量；δ4表示目标函数中工业负荷可调节资源的日均响应成本对应的权重系数值；f4表示目标函数中工业负荷可调节资源的日均响应成本函数；δ5表示目标函数中工业负荷可调节资源内分布式电源的消纳对应的权重系数值；f5表示目标函数中工业负荷可调节资源内分布式电源的消纳值。

89、再一方面，本发明还提供一种计算机设备，包括：一个或多个处理器；

90、存储器，用于存储一个或多个程序；

91、当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的一种工业负荷可调资源联合调节方法。

92、再一方面，本发明还提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的一种工业负荷可调资源联合调节方法。

93、与现有技术相比，本发明的有益效果为：

94、本发明提供了一种工业负荷可调资源联合调节方法、系统、设备和介质，包括：基于待预测的工业负荷可调节负荷序列，利用预先构建的工业负荷预测模型，得到工业负荷预测数据；根据所述工业负荷预测数据，确定工业负荷可调节资源；基于所述工业负荷可调节资源，利用基于排挤机制的动态小生境进化多目标免疫算法对预先构建的优化动态聚合模型进行求解，得到工业负荷最优资源调节方案；其中，所述工业负荷预测模型是以历史时间段的可调节负荷序列的imf分量、残差分量和设定时间段的实际负荷数据为训练数据，并以状态任务网络约束作为约束条件对bilstm神经网络进行训练得到的；所述优化动态聚合模型是以最小化工业负荷可调节资源的电力运行指标为目标构建的；本发明构建工业负荷预测模型时通过考虑历史负荷序列，结合状态任务网络约束，有利于使得工业资源的负荷预测更加准确；构建优化动态聚合模型时通过利用基于排挤机制的动态小生境进化多目标免疫算法进行求解，有利于实现对工业负荷资源的优化调节，提升了工业负荷资源的利用效率，使工业负荷资源具备整体性、灵活性、安全性的大容量可调能力。