一种基于神经网络的CPS园区综合能源管控系统

技术领域

本发明涉及能源管控领域，尤其涉及一种基于神经网络的CPS园区综合能源管控系统。

背景技术

为应对用能负荷的增长及各类分布式能源的大规模应用，园区综合能源管控系统将园区内的光伏、风机、冷、热、各类可调控负荷纳入到调控范围内，因此需要对园区内的各类能源和负荷进行有效实时的监控，掌握区域内供能预测、用能预测情况等，从而提高整个园区的能源利用率。

现有的园区综合能源管控系统数据采集量大，模糊数据、错误数据多，导致能源管控偏差大，效率低，不能准确掌握园区内供能预测、耗能的实际情况。

发明内容

针对背景技术中存在的问题，提出一种基于神经网络的CPS园区综合能源管控系统。本发明通过CPS园区供能子系统对园区内的所有供能设备相关数据进行收集。CPS园区耗能子系统对园区内的所有耗能设备相关数据进行收集。控制系统将所有数据传输至神经网络能源管控平台，获得能源管控策略，再根据能源管控策略对CPS园区供能子系统和CPS园区耗能子系统做出对应的调节。数据采集准确性高，实现对整个园区的精准、高效管控。

本发明提出一种基于神经网络的CPS园区综合能源管控系统，包括CPS园区供能子系统、CPS园区耗能子系统、控制子系统和神经网络能源管控平台；CPS园区供能子系统对园区内的所有供能设备相关数据进行收集；CPS园区耗能子系统对园区内的所有耗能设备相关数据进行收集；控制系统将所有数据传输至神经网络能源管控平台，获得能源管控策略，再根据能源管控策略对CPS园区供能子系统和CPS园区耗能子系统做出对应的调节。

优选的，CPS园区供能子系统包括供能数据采集模块、供能数据预处理模块、供能设备控制模块和通讯模块一。

优选的，供能数据采集模块的采集对象包括光伏发电设备、风力发电设备、水力发电设备、充电桩设备和备用蓄能设备，采集内容包括发电量和发电传输损耗，采集设备包括n组供能设备数据传感器(n大于1)。

优选的，CPS园区耗能子系统包括耗能数据采集模块、耗能数据预处理模块、耗能设备控制模块和通讯模块二。

优选的，耗能数据采集模块的采集对象包括照明设备、动力设备、空调设备，采集内容包括用电量和用电传输损耗，采集设备包括m组耗能设备数据传感器(m大于1)。

优选的，供能数据预处理模块和耗能数据预处理模块首先对采集的数据进行标准化处理，再过滤掉明显不合理或引发巨大“噪声”的数据点，最后对数据聚合。

优选的，神经网络能源管控平台上设置有神经网络模型、能源管控模块和能源控制模块；神经网络模型通过预处理后的CPS供能数据和CPS耗能数据进行训练、验证和测试，对模糊数据进一步修正；能源管控模块根据修正后的供能、耗能数据，做出对应的能源管控策略；能源控制模块将能源管控策略反馈至控制器子系统，再一一对供能设备、耗能设备进行调节。

优选的，神经网络能源管控平台采用积卷神经网络技术，通过随机梯度下降法对模型进行训练，使模型的预测值逼近真实值。

本发明又提出一种上述基于神经网络的CPS园区综合能源管控系统的工作方法，步骤如下：

S1、通过供能设备数据传感器收集园区内光伏发电设备、风力发电设备、水力发电设备、充电桩设备和备用蓄能设备的数据；

S2、通过耗能设备数据传感器收集园区内照明设备、动力设备、空调设备的数据；

S3、对S1和S2中收集的数据进行标准化处理，再过滤掉明显不合理或引发巨大“噪声”的数据点，最后对数据聚合，完成数据预处理；

S4、控制子系统将预处理后的数据送入神经网络模型，进行训练、验证和测试，对模糊数据进一步修正；

S5、神经网络能源管控平台根据修正后的供能、耗能数据，做出对应的能源管控策略：对能耗大的用电设备提前备能；对必须用电设备优先供能；对非必须用电设备开启节能模式；将多余的能源存储至备用蓄能设备；

S6、控制子系统一一对供能设备、耗能设备进行调节。

与现有技术相比，本发明具有如下有益的技术效果：

本发明通过CPS园区供能子系统对园区内的所有供能设备相关数据进行收集。CPS园区耗能子系统对园区内的所有耗能设备相关数据进行收集。控制系统将所有数据传输至神经网络能源管控平台，获得能源管控策略，再根据能源管控策略对CPS园区供能子系统和CPS园区耗能子系统做出对应的调节。能源管控范围大、效率高、智能性强。

数据处理过程中，首先对采集的数据进行标准化处理，再过滤掉明显不合理或引发巨大“噪声”的数据点，最后对数据聚合，完成初步的预处理。同时神经网络能源管控平台采用神经网络技术对模型进行训练，使模型的预测值逼近真实值，完成对模糊数据进一步修正。数据采集准确性高，实现对整个园区的精准、高效管控。

附图说明

图1为本发明一种实施例的结构框图；

图2为本发明一种实施例的方法流程图。

具体实施方式

实施例一

如图1所示，本发明提出的一种基于神经网络的CPS园区综合能源管控系统，包括CPS园区供能子系统、CPS园区耗能子系统、控制子系统和神经网络能源管控平台；CPS园区供能子系统对园区内的所有供能设备相关数据进行收集；CPS园区耗能子系统对园区内的所有耗能设备相关数据进行收集；控制系统将所有数据传输至神经网络能源管控平台，获得能源管控策略，再根据能源管控策略对CPS园区供能子系统和CPS园区耗能子系统做出对应的调节。

实施例二

如图1所示，本发明提出的一种基于神经网络的CPS园区综合能源管控系统，包括CPS园区供能子系统、CPS园区耗能子系统、控制子系统和神经网络能源管控平台；CPS园区供能子系统对园区内的所有供能设备相关数据进行收集；CPS园区耗能子系统对园区内的所有耗能设备相关数据进行收集；控制系统将所有数据传输至神经网络能源管控平台，获得能源管控策略，再根据能源管控策略对CPS园区供能子系统和CPS园区耗能子系统做出对应的调节。

进一步的，CPS园区供能子系统包括供能数据采集模块、供能数据预处理模块、供能设备控制模块和通讯模块一。供能数据采集模块的采集对象包括光伏发电设备、风力发电设备、水力发电设备、充电桩设备和备用蓄能设备，采集内容包括发电量和发电传输损耗，采集设备包括n组供能设备数据传感器(n大于1)。

进一步的，CPS园区耗能子系统包括耗能数据采集模块、耗能数据预处理模块、耗能设备控制模块和通讯模块二。耗能数据采集模块的采集对象包括照明设备、动力设备、空调设备，采集内容包括用电量和用电传输损耗，采集设备包括m组耗能设备数据传感器(m大于1)。

进一步的，供能数据预处理模块和耗能数据预处理模块首先对采集的数据进行标准化处理，再过滤掉明显不合理或引发巨大“噪声”的数据点，最后对数据聚合。

实施例三

如图1所示，本发明提出的一种基于神经网络的CPS园区综合能源管控系统，包括CPS园区供能子系统、CPS园区耗能子系统、控制子系统和神经网络能源管控平台；CPS园区供能子系统对园区内的所有供能设备相关数据进行收集；CPS园区耗能子系统对园区内的所有耗能设备相关数据进行收集；控制系统将所有数据传输至神经网络能源管控平台，获得能源管控策略，再根据能源管控策略对CPS园区供能子系统和CPS园区耗能子系统做出对应的调节。

进一步的，CPS园区供能子系统包括供能数据采集模块、供能数据预处理模块、供能设备控制模块和通讯模块一。供能数据采集模块的采集对象包括光伏发电设备、风力发电设备、水力发电设备、充电桩设备和备用蓄能设备，采集内容包括发电量和发电传输损耗，采集设备包括n组供能设备数据传感器(n大于1)。

进一步的，CPS园区耗能子系统包括耗能数据采集模块、耗能数据预处理模块、耗能设备控制模块和通讯模块二。耗能数据采集模块的采集对象包括照明设备、动力设备、空调设备，采集内容包括用电量和用电传输损耗，采集设备包括m组耗能设备数据传感器(m大于1)。

进一步的，供能数据预处理模块和耗能数据预处理模块首先对采集的数据进行标准化处理，再过滤掉明显不合理或引发巨大“噪声”的数据点，最后对数据聚合。

进一步的，神经网络能源管控平台上设置有神经网络模型、能源管控模块和能源控制模块；神经网络模型通过预处理后的CPS供能数据和CPS耗能数据进行训练、验证和测试，对模糊数据进一步修正；能源管控模块根据修正后的供能、耗能数据，做出对应的能源管控策略；能源控制模块将能源管控策略反馈至控制器子系统，再一一对供能设备、耗能设备进行调节。

进一步的，神经网络能源管控平台采用积卷神经网络技术，通过随机梯度下降法对模型进行训练，使模型的预测值逼近真实值。

实施例四

如图2所示，本发明又提出一种上述基于神经网络的CPS园区综合能源管控系统的工作方法，步骤如下：

S1、通过供能设备数据传感器收集园区内光伏发电设备、风力发电设备、水力发电设备、充电桩设备和备用蓄能设备的数据；

S2、通过耗能设备数据传感器收集园区内照明设备、动力设备、空调设备的数据；

S3、对S1和S2中收集的数据进行标准化处理，再过滤掉明显不合理或引发巨大“噪声”的数据点，最后对数据聚合，完成数据预处理；

S4、控制子系统将预处理后的数据送入神经网络模型，进行训练、验证和测试，对模糊数据进一步修正；

S5、神经网络能源管控平台根据修正后的供能、耗能数据，做出对应的能源管控策略：对能耗大的用电设备提前备能；对必须用电设备优先供能；对非必须用电设备开启节能模式；将多余的能源存储至备用蓄能设备；

S6、控制子系统一一对供能设备、耗能设备进行调节。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。