面向能源互联网的服务适配方法研究

本文是通信工程论文，本论文对能源互联网中的服务适配进行深入研究，主要研究工作如下：（1）最后，利用改进的优化算法对模型进行验证，能够得到相对较优的服务适配方案，利用其可做到能源互联网服务适配的低能耗、低污染、高收益的效果。（2）研究兼容能源互联网需求侧服务适配优化问题。考虑需求侧对服务质量的需求，本文提出用户对服务质量满意度的指标，分别从电能满意度、负载满意度、经济满意度三方面具体考虑。在供给侧经济效益基础上考虑服务质量的需求，构建了一套有效、客观的绿色服务质量适配模型。同时考虑到风光等发电机有用出功的不稳定性给服务适配带来的影响，将BLS引入进行数据预测。利用BL计算深度低，速度快的特点，来迎合能源互联网中数据的实时预测。将BL与改进的多目标蜻蜓算法进行融合并应用到基于服务质量的能源互联网服务适配模型中，实验表明该方法可以减小产能实时功率的误差，在满足经济效益和环境效益的同时可以最大程度提高服务质量。因此，在上述研究的基础之上，本论文将宽度学习算法引入到服务适配的过程中，提出计及预测的能源互联网服务适配机制，可以达到减弱因可再生能源变化、负荷时变等能源互联网多变性造成的影响的目的，使得服务适配能够更加有效体现能源互联网的运行情况。

第一章绪论

在解决能源互联网服务适配优化调度问题上，智能优化算法扮演着关键的角色，但现存算法在求解精度和收敛速度等方面存在一定的弊端，所以本文将基于多目标蜻蜓优化算法用于考虑各分布式电源产电费用的能源互联网服务适配模型中。此外，针对蜻蜓算法容易陷入早熟这一特性，加入了动态存档的机制进行优化，以改善算法的全局搜索能力，最后将改进后的算法用于改进的能源互联网服务适配模型中。但是，以上的相关研究中都假设输入的能源数据是精确，未能合理考虑到能源互联网的多变性以及可再生能源的不稳定性、间歇性等问题。目前，也有相关研究考虑了以上内容。ReddySS等提出了考虑风电、太阳能光伏、负荷预测等不确定性影响的最优调度策略，通过最小化日前和包括可再生能源证书收益在内的实时调整成本，给出了最优的日前调度[32]。FangX等提出了一种新的基于均值方差优化的储能调度方法，同时考虑了日前和实时能源市场价格的不确定性，利用区域边际价格预测日前和实时市场的不确定性[33]。由于所涉及的波动性和不确定性较大，预测单个能源用户的电力负荷相当具有挑战性，KongW提出了一个基于长短时记忆递归神经网络的框架来解决这个棘手的问题[34]。整个能源联网架构做到贯穿源-网-荷-储，并将能源与信息技术进行深度的融合，从而实现能源全面调控、优化和共享。为实现可再生和不可再生的能源在能源互联网的作用下进行经济、可靠、低耗的能源服务，可将不同形式的能源进行分类或者通过离散化处理其输出的有用功，并根据需求侧的负荷进行合理的适配[37]。

第二章相关背景知识介绍

2.1能源互联网

当前能源发展存在对各种能源供需界限调控不够灵活，对风能、太阳能等分布式发电的储能技术不成熟，能源与信息领域新技术融合不够，体制机制尚需完善等问题[35]。中国庞大的人口导致能源需求压力巨大，同时当前能源供给的制约条件相对较多，而我国的能源技术总体水平相对落后，在生产和消费能源时会对自然环境有一定的损害。因此，信息物理的深度融合，也就是“能源互联网”这个关键技术之一就成了能源发展的必然趋势。下图2.1为EI示意图，其核心思想是以信息通信技术为支撑，将不可再生能源和可再生能源作为供应端主要产能设备进行综合调度多类型能源以实现能源共享[36]。可从EI示意图中看出，化石能源、绿色可再生能源作为EI主干，信息互联网、云计算、大数据等信息智能技术作为网内传输枢纽，将这些主干能源和分布式能源进行相互协调并与工业、商业、住宅等需求侧提供充足的能源服务。在EI环境下的能源与智能电网下的能源侧重点会有所不同，能智能电网主要是指集中式的电力，初步涉及到一些新能源，而EI侧重于不同类型的的分布式能源，尤其是可再生的、环境友好型的，例如太阳能、风能、核能、海洋能等[38]。EI中的一个主要问题为各分布式电源产能的优化适配调度，主要涉及各产能设备的运行成本、维护成本、能源局域网与外部电网交互成本和收益以及设备发电时的产生污染的处理费用。

2.2智能优化算法

BLS实现其结构及相关参数的确定是通过引入增量学习的方式[48]。之所以能够满足较精确的能源数据预测以及实时性等要求，是因为BLS是利用增量特征学习对网络结构进行确定，如果增量特征学习在运行过程中对网络结构有所影响时，不需要再次训练整个网络的参数，而是直接在现有参数基础上进行修正。BLS增量学习方式涉及其参数的具体改进过程、准则以及原理在此不再过多叙述[47]。相对于传统RVFL结构，BLS为了能够高效的提取出输入权值矩阵，不再沿用随机产生的权值而是通过SAE-SAD的训练思想来得到最优的输入权值[49,50]。相对于反向传播和深度神经网络，BLS模型拥有构造简单且精确的特点，同时其解决了样本数据训练计算时间长、容易陷入局部最优、后期训练中会因为初始化参数区域而被限制等一系列问题，所以该算法在大规模数据训练且对实时性有较高要求的领域很适用。基于以上，本文将BLS引入能源互联网对能源功率数据进行预测。本章主要为论文接下来需要用到的知识做一个铺垫。首先，本章对能源互联网的架构和里面进行了简单的介绍，并根据现在研究现状分析了能源互联网服务适配研究的可行性和必要性。其次，考虑到在解决NP难问题是智能优化算法具备很大的优势，而EI系统下的服务适配问题可以转换成NP难问题，故简单介绍PSO、GA、DA算法的基本思想和工作原理。最后，引入宽度学习系统对数据进行预测，为了避免能源互联网中不定因素带来的实时数据的波动，并对其进行了详细的介绍。

第三章基于改进多目标蜻蜓算法的能源互联网绿色服务适配........................................................................13

3.1绿色效益驱动的服务适配模型..............................................................................................................13

3.2基于动态存档多目标蜻蜓算法的绿色服务适配...................................................................................19

3.3实验与分析..............................................................................................................................................24
3.第四章计及预测的能源互联网服务质量适配....................................................................................................30

4.1服务质量驱动的服务适配模型..............................................................................................................30
4.2基于宽度学习预测的能源互联网服务质量适配...................................................................................33
第五章能源互联网服务适配系统的设计与实现................................................................................................43
5.1服务适配系统需求分析..........................................................................................................................43
5.2服务适配系统环境配置..........................................................................................................................46
5.3服务适配系统设计和实现......................................................................................................................46

第五章能源互联网服务适配系统的设计与实现

5.1服务适配系统需求分析

能源互联网服务适配系统前端的主要功能是数据的可视化，其中包括采集的能源数据的可视化、能源数据预测结果可视化，能源服务适配方案选择可视化、服务适配监控可视化等；后端的主要功能就是服务适配机制的实现，其中包括对能源数据的预处理，实时能源负载、风光产电情况的预测，能源适配情况的监控，对实时能源互联网中服务适配方案的决策等；同时，后端还包括数据库，数据库应包含历史能源数据、预测数据、实时数据和适配方案的数据。具体如图5.1所示：本系统主要面向的使用人员为能源互联网内的运维人员，其出发点是为了让运维人员根据实时源荷产电和负载情况相关信息第一时间给出较经济、绿色且高质量的服务适配方案。所以运维人员在前端页面可以操作的包括：1）实时查看能源的数据，包括风有用出功、光伏有用出功、燃料电池以及蓄电池出功与负荷适配情况；2）查看能源实时预测的各产能和负载情况；3）选择服务适配方案以及各个适配方案对应的经济效益、绿色成本和服务质量情况。前端页面的显示包括：1）系统home页面；2）能源数据采集界面；3）能源预测结果界面；4）能源服务适配方案和结果。

5.2服务适配系统环境配置

针对现有能源管理系统分布式能源服务适配的要求，结合本文对能源互联网中服务适配问题的研究，本节主要介绍开发能源互联网服务适配系统的工作。服务适配系统主要包括硬件平台和软件系统，该系统通过接入电网平台获取数据，利用软件系统输出能源适配方案，并通过硬件平台对能源设备进行控制。针对能源互联网中源荷两侧的产电和负载的服务适配问题，且能够满足较优的经济效益、环境效益、服务质量，本节构建了服务适配系统，主要是实现服务适配的自动化过程。前两小节已对网内服务适配系统的需求和环境部署进行了分析，本节主要是为了将该机制和服务适配方案实现自动化。以下从系统架构设计和系统实现两部分进行分析。系统登录注册页面主要支持用户注册功能与用户登录功能。由于本系统针对的使用人员是能源互联网的内部运维人员，所以注册界面具备基本的登录和注册功能即可。本系统中用户注册界面设置了用户登录名与账号密码。在用户首次登录系统时，需要注册新的账号，如若已有账号直接输入账号密码，后台会验证用户信息，验证通过即可登录成功。能源互联网服务适配系统登录页面如图5.5示，登录页面提供跳转注册页面的路径与忘记密码的路径。与能源采集模块通过综合数据平台进行对应的能源数据采集同时，能源监测模块进行多任务并行。

第六章总结与展望

为了解决逐渐匮乏的不可再生资源难以满足经济发展需求以及日益严重的环境污染等问题，用风光等可再生、环保的能源取代传统不可再生能源被世界广泛关注并逐步开始全面落地。与此同时，也带来很多问题亟需解决，例如可再生能源的不稳定性，出力随着气候问题产生间断等不可控的因素带来能源有用出功的波动和不可靠等问题。EI的提出，对能源综合管控有一定的推动作用，可以有效的解决当前源荷供应中的短板问题。服务适配是EI系统中在满足能源供需平衡的同时，保证能源的高效利用和较高质量的服务，是兼顾供给侧和需求侧双赢的研究方向，具有很好的市场前景。（3）建立能源互联网服务适配系统。为了能对能源互联网中服务适配更有效的管理，通过从电力数据平台采集数据进而进行针对性分析，给出最优的服务适配方案，从而实现高服务质量、绿色且高收益的目的。当风光产能设备加入电网后会由于温度、天气等问题引起一系列不稳定因素导致能源局域网内发电功率波动性较高。由于EI大规模接入分布式能源，导致EI在综合考虑经济、环保等目标的前提下进行分布式能源的功率分配从而达到最优服务适配成为新的研究难点。
参考文献（略）