PDF《分布式冷热电联供系统负荷随机模糊建模》

经分析发现 概率密度函数参数具有模糊性的特征, 在基于有限 数据难以获取精确参数值的客观实际情况下, 提出 用模糊变量对每组参数进行描述且提取其隶属函数 特征, 从而将电负荷与冷热负荷转化为随机模糊变 量;

然后以 以热定电 的方法关联两类随机模糊变 量;

最后给出了基于随机模糊模拟技术及逆变换法 的CCH P系统负荷随机模糊建模方法及其相应建 模步骤, 并通过算例对模型进行了验证.

1 电负荷、 冷热负荷概率分布特征分析 首先根据湖南省某市天然气 C CH P 项目 L 的 相关数据进行负荷概率分布分析.以一个月为数据

3 5 第4 0卷第1 5期2016年8月1 0日Vol.40N o .

1 5A u g .

1 0,

2 0

1 6 D O I :

1 0.

7 5

0 0 / A E P S

2 0

1 5

1 0

2 1

0 0

1 周期, 每天划分为2 4个时段, 每时段采集4次数据. 以2

0 1 0至2

0 1 4年夏季6至9月电负荷与冷热负荷 历史数据为研究对象.在历史数据中包 含的电负 荷、 热负荷、 冷负荷三个部分中, 冷热负荷供应都是 由热力系统燃气机产生的热能作为驱动, 可以作为 一个变量来处理[ 2] .以PT t表示系统某时段t 总冷 热负荷需求. PT t =Hc t +Hh t (

1 ) 式中: Hc t, Hθ t分别为t时段冷、 热负荷需求. 在对每个时段负荷数据进行概率密度分析时, 由于系统类型、 发电机类型以及运行方式的多样性, 负荷类型差别也较大, 有时会出现双峰甚至多峰分 布.而常规的单变量样本数据分布研究都是针对单 峰形态的分布.为了对各类负荷具有普遍 的适用 性, 本文采用n 阶正态分布加权和进行拟合.电负 荷第一时段第2周期, 即2

0 1 0年7月t=1时段数 据拟合结果如图1所示, 对于如图所示非正态分布 的密度函数可以通过非线性最小二乘法, 用N1, N2 两条曲线的数值和进行拟合.其中 N1 为正态分布 N( 6.

5 8 4, 0.

2 2

3 2 ) 的概率密度函数乘以加权系数0.

6 1 7的值, N1 为N(6.

6 4 2, 0.

1 7

6 2 ) 乘以加权系数 0.

3 8 3的值.通过两个正态分布密度函数加权相加 拟合如图1所示. 图1 电负荷第1时段第2周期概率密度曲线拟合 F i g .

1 P r o b a b i l i t yd e n s i t yf u n c t i o nc u r v ea n df i t t i n g c u r v e so fp o w e r l o a da t t h e1 s tp e r i o d i nt h e2 n dc y c l e 可推导得n 阶正态分布加权和拟合的公式为: f( x) =∑ ∞ i=1 λ i σ i

2 π e x p ? è ? ?- ( x-μ i )

2 2 σ

2 i ? ? ÷ ÷ s . t . ∑ ∞ i=1 λ i =1 ì ? í ? ? ? ? ? (

2 ) 式中: 参数σ i , μ i , λ i 分别为第i 个正态分布概率密 度函数的标准差、 均值以及加权系数. 以项目 L 为例, 以2阶正态分布加权和分别拟 合每一周期内的数据, 获得对应的6类参数.针对 第1时段的2 0个周期电负荷数据拟合结果如表1 所示. 表1 电负荷第1时段分布参数 T a b l e1 N o r m a l d i s t r i b u t i o np a r a m e t e r so fp o w e r l o a da t t h e1 s tp e r i o d 周期 μ1 μ2 σ

1 σ

2 λ

1 λ

2 周期 μ1 μ2 σ

1 σ

2 λ

1 λ

2 1 6.

5 7

7 6.

6 9

1 0.

2 1

7 0.

1 8

6 0.

7 2

5 0.

2 7

5 1

1 6.

5 1

1 6.

6 4

0 0.

1 9

8 0.

1 6

6 0.

5 9

3 0.

4 0

7 2 6.

5 8

4 6.

6 4

2 0.

2 2

3 0.

1 7

6 0.

6 1

7 0.

3 8

3 1

2 6.

5 8

1 6.

7 1

5 0.

1 5

3 0.

1 8

7 0.

5 8

2 0.