一种基于数据融合的太阳能PV/T热泵系统多能联供预测方法

一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法
技术领域
1.本发明涉及太阳能pv/t热泵系统时序数据预测技术领域，尤其涉及了一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法。


背景技术：

2.现在随着环境问题的不断出现、能源需求的不断扩大和光伏/光热产业技术的不断创新，光伏/光热产业得到了不断进步，目前，我国光伏发电累计装机容量稳居世界首位，光热产业整体规模也位于世界前列。
3.太阳能利用受天气影响较大，具有强烈的随机性、波动性。其光伏/光热的输出功率具有较大的不确定性，这就会产生大量的调度运行优化问题。因此为了能够很好的解决运行优化问题，光伏/光热产业的预测技术得到了不断发展。对于光伏来说，功率预测能够提供未来光伏发电功率的变化过程。电控部门可根据预测结果优化机组启停计划，减少开机，降低旋转备用容量，为光伏发电预留消纳空间，提升消纳水平来降低能源消耗。对于光热来说，能够提前进行预知得热量，可以减少其他设备加热量的损耗，提高热量利用率。现在大部分预测都是采用数值天气预报数据、光伏/光热历史运行数据、实测气象数据、光伏组件设备状态数据等单独建立预测模型，无法充分使用到各项数据的作用。本发明提出了一种方法，通过数据融合的方法把上述的多维数据进行处理融合，充分发掘多维数据的潜力，可提高对太阳能pv/t热泵系统的预测精度。本专利发明了一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法。
5.本发明的技术方案如下：
6.一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法，步骤如下：
7.s1、定义太阳能pv/t热泵系统的组成和传感器测量区域：
8.s1.1、定义太阳能pv/t热泵系统的组成。
9.对太阳能pv/t热泵系统划分为光伏、光热二个系统。
10.太阳能光伏系统包括光伏电池阵列、逆变器；在光照下，光伏电池组件产生一定的电动势，通过光伏电池组件的串、并联形成光伏电池阵列，光照超过一定程度后，光伏电池阵列的电压达到系统输入电压的要求，即可发电，此时电流为直流电流，直流电流经过逆变器后变为交流电流，供负载使用。
11.太阳能光热系统包括蒸发器、压缩机、冷凝器和膨胀阀。制冷时，低温低压的液态制冷剂在蒸发器内吸收热量变成过热的气态制冷剂，之后再经过压缩机压缩变成高温高压的气态制冷机，然后通过冷凝器向外释放热量变成低温的液态制冷剂，最后经过膨胀阀节流，低温低压的液态制冷剂流回蒸发器，完成一个制冷循环。
12.s1.2、确立传感器测量区域和所需数据。
13.(1)气象参数数据：在太阳能pv/t热泵系统的位置摆放区域设置传感器，对当前太阳辐照度、气温、湿度、风速、风向、气压进行测量记录传输。太阳辐照度为g、气温为t1，湿度为s，风速为v，风向为f，气压为p0。
14.(2)光伏数据：在太阳能光伏系统的逆变器处设置传感器，用于测量记录光伏发电的交流输出功率，用p1表示。
15.(3)光热数据：在太阳能光热系统处设置传感器测量记录集热器、储热水箱的温度、水管流量及热泵可得的热量，储热水箱温度t2，水管流量q0，太阳能热泵可得热量q1。
16.太阳能热泵可得热量计算公式如下：
17.热量计算公式：
18.q1＝q0ρ
wcw
δt2ꢀꢀ
(1)
19.cw为储热水箱中水的比热容；
20.ρw为储热水箱中水的密度；
21.δt2为δt时间内的储热水箱温差为；
22.(4)nwp数据：依据太阳能pv/t热泵系统所在地的地理位置信息在气象网站得到数值天气预报nwp数据。
23.s2、对输入特征进行选择，通过数据融合的方法建立预测模型本质上是建立研究对象的特征与期望输出之间的映射关系，需先进行输入特选择，具体步骤如下：
24.s2.1、对不同类型的数据进行统一格式。
25.在得到传感器传输的测量数据后，对不同的传感器测量的数据进行统一格式，对传感器的各类数据按照δt分钟为间隔建立时间序列类型数据。nwp历史数据和系统功率数据p1和q1按照时间序列进行排列。
26.对时间序列数据中的非结构化格式进行正确排序，将数据时间列转化为日期时间类型。
27.s2.2、对统一格式后的数据按照情况不同进行处理。
28.若经过s2.1处理后的数据出现数据完全无效或部分丢失现象，采用线性插值法进行填补数据。对填补完整的多维数据集进行去除噪声数据处理，采用滚动平均值法对时间序列类型的数据进行降噪处理。
29.s2.3、选择特征数据：
30.(a)首先选取经过步骤s2.1-s2.2处理后的气象参数数据，根据期望输出与备选参数之间的皮尔逊相关系数进行选择，选择皮尔逊相关系数较高(优选为皮尔逊相关系数》0.7)的气象参数数据作为数据融合的输入特征。
31.其中，皮尔逊相关系数值越大，说明该时刻数据与待预测数据相关性越强，可以作为预测模型的输入特征。
32.下列为皮尔逊系数公式：
[0033][0034]
x表示特征输入值的数据，表示δt时间特征输入值数据的平均值，y表示期望输
出数据，表示期望输出数据的平均值。
[0035]
(b)根据皮尔逊相关系数的大小，选取经过步骤s2.1-s2.2处理后的、当前时间以前的历史系统功率数据p1和q1作为特征输入值，记作y1、y2、y3……yn
。
[0036]
(c)按照步骤(b)选取得到的系统功率数据p1和q1的时间序列进行选取经过步骤s2.1-s2.2处理后的、当前时间以前的历史nwp数据作为特征数据，记作n1、n2、n3……nn
。
[0037]
(d)期望输出的数据为下一个时间间隔的光伏光热系统功率数据；光伏发电的交流输出功率为p1,太阳能热泵可得热量为q1。
[0038]
s3、对选择的特征数据进行数据融合，数据融合方法选用在线序列极限学习机模型(online sequential elm，os-elm)进行融合。
[0039]
s3.1、构建在线序列极限学习机模型：根据选择的特征数据设置输入层，多个隐含层节点(20——50)，输出层。确定人工神经网络模型中的输入变量为所选的气象参数数据及y1、y2、y3……yn
、n1、n2、n3……nn
，输出变量为p1、q1。
[0040]
在线学习的过程中，每当有新的数据块被接收，就重新运行一次模型并得到新的输出权重，最后新旧输出权重会进行组合从而完成对神经网络的更新。
[0041]
步骤s2.3所选择得到的系统数据统一记为(x
k，
tk)其中xk∈rn，为输入变量数据.tk∈rm，为输出变量数据,k表示数据批次，l个隐藏节点网络如下：
[0042][0043]
其中是连接隐藏层和输出层的权重矩阵，
[0044]ai
∈rn为连接输入层和隐藏层的权重矩阵，
[0045]bi
∈rn为连接输入层和隐藏层的偏置矩阵，
[0046]
g为激活函数，
[0047]
i为隐含层层数，
[0048]
上述公式的矩阵形式可表示如下
[0049][0050]
其中:
[0051][0052][0053]
s3.2、导入系统数据(x
k，
tk)，进行数据融合：基于模型的信号加工与自动推断，即将多维度数据进行融合。
[0054]
输入：学习数据{xk,tk}
[0055]
xk为输入为所选特征数据气象参数数据及n1、n2、n3……nn
和y1、y2、y3……yn
。
[0056]
tk为训练目标数据，为期望输出光伏发电功率p1,光热得热量q1。
[0057]
输出：完成学习的elm和预测输出值。
[0058]
s3.3、模型初步建立后，不断导入数据进行在线学习。
[0059]
在线学习阶段：当第k+1组学习数据可用时，计算新的输出矩阵为使用第k+1组学习数据计算所得的输出矩阵。
[0060]
pk为的转置与乘积的逆。最后计算新的输出权重：
[0061][0062][0063]
s3.4、模型投入使用后，通过输入选取的特征数据实现对pv/t太阳能热泵δt以后光伏功率和光热热量的预测，然后根据实际数据不断进行更新，使模型进行在线学习。
[0064]
本发明的有益效果：通过对多维度数据融合，使模型具有了较高的非线性处理性能，将已有的数据分为训练集和验证集，模型通过训练集进行训练，从而获得预测的推理能力，通过验证集进行提高预测精度，从而获得预测的推理能力，在训练结束后通过输入数据不断进行在线学习，提高预测精度。
附图说明
[0065]
附图1太阳能pv/t系统原理示意图
[0066]
附图2数字融合预测方法流程图
[0067]
附图3传感器数据融合示意图
具体实施方式
[0068]
以下结合发明内容和说明书附图详细说明本发明的具体实施方式。参照附图2，本发明的一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法，其包括以下步骤：
[0069]
一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法，步骤如下：
[0070]
s1、定义太阳能pv/t热泵系统的组成和传感器测量区域，基于太阳能pv/t热泵系统，对其系统组成和系统所得到的数据进行划分，具体步骤如下：
[0071]
s1.1、定义太阳能pv/t热泵系统的组成。
[0072]
对太阳能pv/t热泵系统划分为光伏、光热二个系统。
[0073]
太阳能光伏系统包括光伏电池阵列、逆变器；在光照下，光伏电池组件产生一定的电动势，通过光伏电池组件的串、并联形成光伏电池阵列，光照超过一定程度后，光伏电池阵列的电压达到系统输入电压的要求，即可发电，此时电流为直流电流，直流电流经过逆变器后变为交流电流，供负载使用。
[0074]
太阳能光热系统包括蒸发器、压缩机、冷凝器和膨胀阀。制冷时，低温低压的液态制冷剂在蒸发器内吸收热量变成过热的气态制冷剂，之后再经过压缩机压缩变成高温高压的气态制冷机，然后通过冷凝器向外释放热量变成低温的液态制冷剂，最后经过膨胀阀节流，低温低压的液态制冷剂流回蒸发器，完成一个制冷循环。
[0075]
s1.2、确立传感器测量区域和所需数据。
[0076]
(1)气象参数数据：在太阳能pv/t热泵系统的位置摆放区域设置传感器，对当前太
阳辐照度、气温、湿度、风速、风向、气压进行测量记录传输。太阳辐照度为g、气温为t1，湿度为s，风速为v，风向为f，气压为p0。
[0077]
(2)光伏数据：在太阳能光伏系统的逆变器处设置传感器，用于测量记录光伏发电的交流输出功率，用p1表示。
[0078]
(3)光热数据：在太阳能光热系统处设置传感器测量记录集热器、储热水箱的温度、水管流量及热泵可得的热量，储热水箱温度t2，水管流量q0，太阳能热泵可得热量q1。
[0079]
太阳能热泵可得热量计算公式如下：
[0080]
热量计算公式：
[0081]
q1＝q0ρ
wcw
δt2ꢀꢀ
(1)
[0082]cw
为储热水箱中水的比热容；
[0083]
ρw为储热水箱中水的密度；
[0084]
δt2为δt时间内的储热水箱温差为；
[0085]
(4)nwp数据：依据太阳能pv/t热泵系统所在地的地理位置信息在气象网站得到数值天气预报nwp数据。
[0086]
s2、对输入特征进行选择，通过数据融合的方法建立预测模型本质上是建立研究对象的特征与期望输出之间的映射关系，需先进行输入特选择，具体步骤如下：
[0087]
s2.1、对不同类型的数据进行统一格式。
[0088]
在得到传感器传输的测量数据后，对不同的传感器测量的数据进行统一格式，对传感器的各类数据按照δt分钟为间隔建立时间序列类型数据。nwp历史数据和系统功率数据p1和q1按照时间序列进行排列。
[0089]
对时间序列数据中的非结构化格式进行正确排序，将数据时间列转化为日期时间类型。
[0090]
s2.2、对统一格式后的数据按照情况不同进行处理。
[0091]
若经过s2.1处理后的数据出现数据完全无效或部分丢失现象，采用线性插值法进行填补数据。对填补完整的多维数据集进行去除噪声数据处理，采用滚动平均值法对时间序列类型的数据进行降噪处理。
[0092]
s2.3、选择特征数据：
[0093]
(a)首先选取经过步骤s2.1-s2.2处理后的气象参数数据，根据期望输出与备选参数之间的皮尔逊相关系数进行选择，选择皮尔逊相关系数较高(优选为皮尔逊相关系数》0.7)的气象参数数据作为数据融合的输入特征。
[0094]
其中，皮尔逊相关系数值越大，说明该时刻数据与待预测数据相关性越强，可以作为预测模型的输入特征。
[0095]
下列为皮尔逊系数公式：
[0096][0097]
x表示特征输入值的数据，表示δt时间特征输入值数据的平均值，y表示期望输出数据，表示期望输出数据的平均值。
[0098]
(b)根据皮尔逊相关系数的大小，选取经过步骤s2.1-s2.2处理后的、当前时间以
前的历史系统功率数据p1和q1作为特征输入值，记作y1、y2、y3……yn
。
[0099]
(c)按照步骤(b)选取得到的系统功率数据p1和q1的时间序列进行选取经过步骤s2.1-s2.2处理后的、当前时间以前的历史nwp数据作为特征数据，记作n1、n2、n3.......nn。
[0100]
(d)期望输出的数据为下一个时间间隔的光伏光热系统功率数据；光伏发电的交流输出功率为p1,太阳能热泵可得热量为q1。
[0101]
s3、对选择的特征数据进行数据融合，数据融合方法选用在线序列极限学习机模型(online sequential elm，os-elm)进行融合。
[0102]
s3.1、构建在线序列极限学习机模型：根据选择的特征数据设置输入层，多个隐含层节点(20——50)，输出层。确定人工神经网络模型中的输入变量为所选的气象参数数据及y1、y2、y3.......yn、n1、n2、n3.......nn，输出变量为p1、q1。
[0103]
此模型通过计算广义逆矩阵确定网络权值，具有计算速度快的特点，并且支持光伏发电预测模型的在线训练，在线学习的过程中，每当有新的数据块被接收，就重新运行一次模型并得到新的输出权重，最后新旧输出权重会进行组合从而完成对神经网络的更新。
[0104]
步骤s2.3所选择得到的系统数据统一记为(x
k，
tk)其中xk∈rn，为输入变量数据.tk∈rm，为输出变量数据,k表示数据批次，l个隐藏节点网络如下：
[0105][0106]
其中是连接隐藏层和输出层的权重矩阵，
[0107]ai
∈rn为连接输入层和隐藏层的权重矩阵，
[0108]bi
∈rn为连接输入层和隐藏层的偏置矩阵，
[0109]
g为激活函数，
[0110]
i为隐含层层数，
[0111]
上述公式的矩阵形式可表示如下
[0112][0113]
其中:
[0114][0115][0116]
s3.2、导入系统数据(xk，tk)，进行数据融合：基于模型的信号加工与自动推断，即将多维度数据进行融合。
[0117]
输入：学习数据{xk,tk}
[0118]
xk为输入为所选特征数据气象参数数据及n1、n2、n3.......nn和y1、y2、y3.......yn。
[0119]
tk为训练目标数据，为期望输出光伏发电功率p1,光热得热量q1。
[0120]
输出：完成学习的elm和预测输出值。
[0121]
s3.3、模型初步建立后，不断导入数据进行在线学习。
[0122]
在线学习阶段：当第k+1组学习数据可用时，计算新的输出矩阵为使用第k+1组学习数据计算所得的输出矩阵。
[0123]
pk为的转置与乘积的逆。最后计算新的输出权重：
[0124][0125][0126]
s3.4、模型投入使用后，通过输入选取的特征数据实现对pv/t太阳能热泵δt以后光伏功率和光热热量的预测，然后根据实际数据不断进行更新，使模型进行在线学习。
[0127]
通过对多维度数据融合，使模型具有了较高的非线性处理性能，将已有的数据分为训练集和验证集，模型通过训练集进行训练，从而获得预测的推理能力，通过验证集进行提高预测精度，从而获得预测的推理能力，在训练结束后通过输入数据不断进行在线学习，提高预测精度。

技术特征：
1.一种基于数据融合的太阳能pv/t热泵系统多能联供预测方法，其特征在于，步骤如下：s1、定义太阳能pv/t热泵系统的组成和传感器测量区域：s1.1、定义太阳能pv/t热泵系统的组成；对太阳能pv/t热泵系统划分为光伏、光热二个系统；太阳能光伏系统包括光伏电池阵列、逆变器；在光照下，光伏电池组件产生一定的电动势，通过光伏电池组件的串、并联形成光伏电池阵列，光照超过一定程度后，光伏电池阵列的电压达到系统输入电压的要求，即可发电，此时电流为直流电流，直流电流经过逆变器后变为交流电流，供负载使用；太阳能光热系统包括蒸发器、压缩机、冷凝器和膨胀阀；制冷时，低温低压的液态制冷剂在蒸发器内吸收热量变成过热的气态制冷剂，之后再经过压缩机压缩变成高温高压的气态制冷机，然后通过冷凝器向外释放热量变成低温的液态制冷剂，最后经过膨胀阀节流，低温低压的液态制冷剂流回蒸发器，完成一个制冷循环；s1.2、确立传感器测量区域和所需数据；(1)气象参数数据：在太阳能pv/t热泵系统的位置摆放区域设置传感器，对当前太阳辐照度、气温、湿度、风速、风向、气压进行测量记录传输；太阳辐照度为g、气温为t1，湿度为s，风速为v，风向为f，气压为p
i
；(2)光伏数据：在太阳能光伏系统的逆变器处设置传感器，用于测量记录光伏发电的交流输出功率，用p1表示；(3)光热数据：在太阳能光热系统处设置传感器测量记录集热器、储热水箱的温度、水管流量及热泵可得的热量，储热水箱温度t2，水管流量q0，太阳能热泵可得热量q1；太阳能热泵可得热量计算公式如下：热量计算公式：q1＝q0ρ
w
c
w
δt2ꢀꢀꢀꢀ
(1)c
w
为储热水箱中水的比热容；ρ
w
为储热水箱中水的密度；δt2为δt时间内的储热水箱温差为；(4)nwp数据：依据太阳能pv/t热泵系统所在地的地理位置信息在气象网站得到数值天气预报nwp数据；s2、对输入特征进行选择，通过数据融合的方法建立预测模型本质上是建立研究对象的特征与期望输出之间的映射关系，需先进行输入特选择，具体步骤如下：s2.1、对不同类型的数据进行统一格式；在得到传感器传输的测量数据后，对不同的传感器测量的数据进行统一格式，对传感器的各类数据按照δt分钟为间隔建立时间序列类型数据；nwp历史数据和系统功率数据p1和q1按照时间序列进行排列；对时间序列数据中的非结构化格式进行正确排序，将数据时间列转化为日期时间类型；s2.2、对统一格式后的数据按照情况不同进行处理；若经过s2.1处理后的数据出现数据完全无效或部分丢失现象，采用线性插值法进行填
补数据；对填补完整的多维数据集进行去除噪声数据处理，采用滚动平均值法对时间序列类型的数据进行降噪处理；s2.3、选择特征数据：(a)首先选取经过步骤s2.1-s2.2处理后的气象参数数据，根据期望输出与备选参数之间的皮尔逊相关系数进行选择，选择皮尔逊相关系数较高的气象参数数据作为数据融合的输入特征；其中，皮尔逊相关系数值越大，说明该时刻数据与待预测数据相关性越强，可以作为预测模型的输入特征；下列为皮尔逊系数公式：x表示特征输入值的数据，表示δt时间特征输入值数据的平均值，y表示期望输出数据，表示期望输出数据的平均值；(b)根据皮尔逊相关系数的大小，选取经过步骤s2.1-s2.2处理后的、当前时间以前的历史系统功率数据p1和q1作为特征输入值，记作y1、y2、y3……
y
n
；(c)按照步骤(b)选取得到的系统功率数据p1和q1的时间序列进行选取经过步骤s2.1-s2.2处理后的、当前时间以前的历史nwp数据作为特征数据，记作n1、n2、n3……
n
n
；(d)期望输出的数据为下一个时间间隔的光伏光热系统功率数据；光伏发电的交流输出功率为p1,太阳能热泵可得热量为q1；s3、对选择的特征数据进行数据融合，数据融合方法选用在线序列极限学习机模型进行融合；s3.1、构建在线序列极限学习机模型：根据选择的特征数据设置输入层，多个隐含层节点，输出层；确定人工神经网络模型中的输入变量为所选的气象参数数据及y1、y2、y3.......y
n
、n1、n2、n3.......n
n
，输出变量为p1、q1；在线学习的过程中，每当有新的数据块被接收，就重新运行一次模型并得到新的输出权重，最后新旧输出权重会进行组合从而完成对神经网络的更新；步骤s2.3所选择得到的系统数据统一记为(x
k
，t
k
)其中x
k
∈r
n
，为输入变量数据.t
k
∈r
m
，为输出变量数据,k表示数据批次，l个隐藏节点网络如下：其中是连接隐藏层和输出层的权重矩阵，a
i
∈r
n
为连接输入层和隐藏层的权重矩阵，b
i
∈r
n
为连接输入层和隐藏层的偏置矩阵，g为激活函数，i为隐含层层数，上述公式的矩阵形式可表示如下其中:
s3.2、导入系统数据(x
k
，t
k
)，进行数据融合：基于模型的信号加工与自动推断，即将多维度数据进行融合；输入：学习数据{x
k
,t
k
}x
k
为输入为所选特征数据气象参数数据及n1、n2、n3……
n
n
和y1、y2、y3……
y
n
；t
k
为训练目标数据，为期望输出光伏发电功率p1,光热得热量q1；输出：完成学习的elm和预测输出值；s3.3、模型初步建立后，不断导入数据进行在线学习；在线学习阶段：当第k+1组学习数据可用时，计算新的输出矩阵为使用第k+1组学习数据计算所得的输出矩阵；p
k
为的转置与乘积的逆；最后计算新的输出权重：乘积的逆；最后计算新的输出权重：s3.4、模型投入使用后，通过输入选取的特征数据实现对pv/t太阳能热泵δt以后光伏功率和光热热量的预测，然后根据实际数据不断进行更新，使模型进行在线学习。

技术总结
本发明提供一种基于数据融合的太阳能PV/T热泵系统多能联供预测方法。本发明通过对多维度数据融合，使模型具有了较高的非线性处理性能，将已有的数据分为训练集和验证集，模型通过训练集进行训练，从而获得预测的推理能力，通过验证集进行提高预测精度，从而获得预测的推理能力，在训练结束后通过输入数据不断进行在线学习，提高预测精度。提高预测精度。提高预测精度。


技术研发人员：梁若冰 王鹏 张天高
受保护的技术使用者：大连理工大学
技术研发日：2023.06.19
技术公布日：2023/9/20