具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为根据本发明一个实施例的基于统计机器学习的园区综合能源系统的规划方法流程图。如图1所示，该基于统计机器学习的园区综合能源系统的规划方法包括以下步骤：

S01，获取影响分布式光伏电源和建筑物供暖负荷的历史气象数据，并对历史气象数据进行处理，获得仿真样本集。

其中，影响分布式光伏电源和建筑物供暖负荷的历史气象数据包括室外环境温度、太阳光照强度。具体地，可以从地气象局获取供暖期间的每日96点室外环境温度和太阳光照强度的原始数据集。仿真样本集包括太阳光照强度仿真样本集和室外环境温度仿真样本集。

可选地，在本发明的一个实施例中，对太阳光照强度的原始数据集使用Beta分布进行最大似然估计，得到Beta分布的形状参数，并根据Beta分布的形状参数和马尔科夫链模型，得到太阳光照强度仿真样本集；采用时间序列模型对室外环境温度的原始数据集进行处理，得到室外环境温度仿真样本集。基于本发明的实施例，通过时间序列模型仿真模拟天气场景，提高了复杂运行场景模拟的准确性，大大提高了随机生产仿真的效率，为园区综合能源系统安全经济运行提供决策建议。

可选地，在本发明的一个实施例中，根据Beta分布的形状参数和Beta分布获取太阳光照强度的静态边缘累积概率分布函数；利用马尔科夫链模型对太阳光照强度的静态边缘累积概率分布函数进行时序重构，得到动态边缘累积概率分布函数；根据动态边缘累积概率分布函数随机生成预设数量的边缘累积概率分布值，并将边缘累积概率分布值代入对应的边缘累积概率分布函数，得到太阳光照强度仿真样本集。

可选地，在本发明的一个实施例中，通过设定正弦模型的振幅、频率、相位常数和序列项，并根据此正弦模型对室外环境温度的原始数据集进行处理获取室外环境温度的拟合曲线确定分量；基于白噪声利用季节自回归模型和最小二乘法，得到室外环境温度拟合曲线随机分量；采用最大似然估计法估计时间分布参数，得到室外环境温度残差变量的概率分布函数；创建时移序列矩阵，并根据时移序列矩阵、室外环境温度的拟合曲线确定分量、室外环境温度拟合曲线随机分量和室外环境温度残差变量的概率分布函数，得到室外环境温度的时间序列仿真样本集。基于本发明实施例中基于时间序列模型仿真模拟天气场景，提高了复杂运行场景模拟的准确性，大大提高了随机生产仿真的效率，为园区综合能源系统安全经济运行提供决策建议。

S02，根据仿真样本集计算分布式光伏电源的发电功率和建筑物供暖负荷。

具体地，在本发明的一个实施例中，利用光伏发电系统的数学模型，基于仿真样本集和分布式光伏电源的额定功率，获得分布式光伏电源的发电功率，其中，可以从光伏电站获取分布式光伏电源的额定功率。利用建筑物热负荷数学模型，基于仿真样本集，计算建筑物供暖负荷。

S03，根据建筑物供暖负荷计算园区综合能源系统的热力系统发电功率和天然气系统供气功率。

可选地，在本发明的一个实施例中，通过获取园区综合能源系统的热源节点输出热功率，并根据建筑物供暖热负荷和热源节点输出热功率，利用热电联产系统的数学模型计算热力系统发电功率；通过获取园区综合能源系统的电力系统潮流计算结果，并根据热源节点输出热功率和电力系统潮流计算结果，利用热电联产系统的数学模型计算天然气系统供气功率。

可选地，在本发明的一个实施例中，在热电联产系统以热定电工作模式下，进行热力系统流量计算，获得热源节点输出热功率。

可选地，在本发明的一个实施例中，基于分布式光伏电源的发电功率、热力系统发电功率以及获取的电力负荷进行电力系统潮流计算，获得电源节点输出电功率。其中，电力负荷可以通过当地工业园区中的智能电表统计供暖期间的电力负荷数据。

可选地，在本发明的一个实施例中，基于分布式光伏电源的发电功率、电源节点输出电功率、热力系统发电功率和天然气系统供气功率进行天然气系统流量计算，得到园区综合能源系统的运行状态变量，其中，运行状态变量包括电力系统节点电压、线路潮流、网络损耗、热力系统供热温度、回热温度、网络损耗和天然气系统管道供气量。基于本实施例的基于统计机器学习的园区综合能源系统的规划方法，将天然气、热电联供技术与光伏发电相结合，考虑了分布式光伏电源和电力负荷、建筑物供暖热负荷和天然气负荷波动的多能流关联耦合特性对园区综合能源系统安全运行的影响，通过构建精细化的场景，对园区综合能源系统概率能量流进行计算，可以大幅度提升能源的综合利用效率。

S04，根据分布式光伏电源的发电功率、热力系统发电功率和天然气系统供气功率进行潮流计算，获得园区综合能源系统的运行状态变量。

S05，根据园区综合能源系统的运行状态变量建立目标函数，并由目标函数和约束条件组成规划问题，以及对规划问题进行迭代求解，获得分布式光伏电源选址定容规划方案。

综上，本发明实施例的基于统计机器学习的园区综合能源系统的规划方法，通过把天然气、热电联供技术与光伏发电结合在一起，考虑了分布式光伏电源和电力负荷、建筑物供暖热负荷和天然气负荷波动的多能流关联耦合特性对园区综合能源系统安全运行的影响，通过构建精细化的场景，对园区综合能源系统概率能量流进行计算，可以大幅度提升能源的综合利用效率。并且，还通过温度的季节性时序特征仿真模拟天气场景，生成光伏出力场景，提高了复杂运行场景模拟的准确性大大提高了随机生产仿真的效率，为园区综合能源系统安全经济运行提供决策建议。

如图2所示，根据本发明的一个基于统计机器学习的园区综合能源系统的规划方法的具体实施例包括以下步骤：

S10,从当地气象局获取供暖期间每日96点室外环境温度和太阳光照强度原始数据集，并从光伏电站获取分布式光伏电源额定功率；

例如，可以从当地气象局的气象数据采集系统中获取整个供暖期间每日96点室外环境温度数据，其中，气象数据采集系统包括多个传感器，太阳辐射测量仪、太阳辐射测量仪、智能气象数据采集仪，GPRS DTU通讯模块。具体地，可以利用太阳辐射测量仪采集处于供暖时间段的每日96点的太阳光照强度数据，通过光伏电站获取分布式光伏电源额定功率数据。

S20，处理历史气象数据，获取仿真样本集。

如图3所示，具体实施步骤包括：

S201，对S10获取的太阳光照强度数据使用Beta分布进行最大似然估计，得到Beta分布的形状参数。

S202，根据Beta分布的形状参数和Beta分布获取太阳光照强度G的静态边缘累积概率分布函数。

具体公式如下：

式中：α和β为Beta分布的形状参数，Γ为Gamma函数，G_max为最大光照强度。

S203，利用Markov转移概率矩阵对S202获取的太阳光照强度G的静态边缘累积概率分布函数进行时序重构，获取太阳光照强度G的动态边缘累积概率分布函数。

Markov转移概率矩阵具体公式如下：

P_ij＝P(X_n+1＝s_i|X_n＝s_j),s_i,s_j∈s

式中：P_ij表示Markov转移概率矩阵P中的第i行第j列的状态转移概率,X_n表示变量的当前状态，X_n+1表示变量的下一个状态，s为变量状态序列，s_i表示第i个变量状态，s_j表示第j个变量状态，其中，该变量包括太阳光照强度和室外环境温度。

采用Chapman-Kolmogorov方程计算

表示n+h步状态转移矩阵的第i行第j列的转移概率，表示n步状态转移矩阵的第i行第k列的转移概率，表示h步状态转移矩阵的第k行第j列的转移概率。

S204，根据S203获取的太阳光照强度G的动态边缘累积概率分布函数随机生成预设数量的边缘累积概率分布值，将该边缘累积概率分布值代入对应的边缘累积概率分布函数得到太阳光照强度仿真样本集。

S30，基于设定时间的室外环境温度数据，通过时间序列模型得到室外环境温度仿真样本集。

如图4所示，具体实施步骤包括：

S301，设定正弦模型的振幅、频率、相位常数和序列项，根据S10获取的室外环境温度数据，得到室外环境温度的拟合曲线确定分量。

具体公式如下：

model＝fit(x,T_fit)

式中，T_fit表示给定年份的给定时间的温度拟合曲线，x表示每小时日期的向量，系统需要将其转换为序列日期数字，A_i表示第i个振幅，ω_i表示第i个频率，c_i表示第i个正弦波项的相位常数，n表示序列项，当n＝2时表明该方程参数使用非线性最小二乘法计算。需要说明的是，室外环境温度的拟合曲线包括n个给定年份的给定时间的温度拟合曲线。

S302，基于白噪声利用季节自回归模型和最小二乘法，得到室外环境温度拟合曲线随机分量。

具体公式如下：

T_res,k＝a₀+a₁T_res,k-1+…+a_pT_res,k-p+ε_k

式中，T_res,k表示室外环境温度拟合曲线随机分量，T_res,k-1表示第k-1个室外环境温度拟合曲线随机分量，T_res,k-p表示第k-p个室外环境温度拟合曲线随机分量，ε_k表示第k项白噪声序列，a₀，a₁，…，a_p表示多元线性回归的系数，使用最小二乘法求解。

S303，使用最大似然估计法估计t分布的分布参数，得到室外环境温度残差变量的概率分布函数。

S304，创建一个时移序列矩阵，正滞后对应于延迟，负滞后对应于超前，根据获取的室外环境温度的拟合曲线确定分量、室外环境温度拟合曲线随机分量和环境温度残差变量计算室外环境温度的时间序列仿真样本集。

S40,计算分布式光伏电源发电功率。

具体地，利用光伏发电系统的数学模型，根据S204获取的太阳光照强度仿真样本集、S30获取的室外环境温度仿真样本集以及S1O获取的分布式光伏电源额定功率，获得分布式光伏电源发电功率。

通过如下公式计算：

式中，Y_PV为获取接入配电网的光伏电源额定容量[kW]；f_PV是光伏电源系统的功率降额因数；G_T是当前太阳光照强度[kW/㎡]；G_T，STC在标准测试条件下的太阳光照强度[kW/㎡]；T_C为光伏电源的电池温度[℃]；T_C，STC在标准测试条件下的光伏电源的电池温度[℃]。

S50，将S204获取的太阳光照强度仿真样本集和S30获取的室外环境温度仿真样本集作为输入变量输入至建筑物供暖热负荷的数学模型，得到建筑物供暖热负荷。

S60，根据建筑物供暖热负荷计算园区综合能源系统的热力系统发电功率。

如图5所示，具体实施步骤包括：

S601，在热电联产系统以热定电工作模式下，进行热力系统流量计算，得出热源节点的输出热功率。

S602，根据建筑物供暖热负荷以及热源节点的输出热功率、热电联产系统的数学模型计算热力系统发电功率。

S70，根据热源节点输出热功率和电力系统潮流计算结果，利用热电联产系统的数学模型计算天然气系统的供气功率。

如图6所示，具体实施步骤包括:

S701，根据S40获取的分布式光伏电源发电功率、S602获取的热力系统发电功率以及从当地工业园区各智能电表统计供暖期间电力负荷进行电力系统潮流计算，得出电源节点的输出电功率。

需要说明的是，本实施例中工业园区仅作为待计算范围，对具体的计算范围不做限定。

S702，根据热源节点输出热功率和电源节点的输出电功率，利用热电联产系统的数学模型计算天然气系统的供气功率。

S80，根据分布式光伏电源发电功率、热力系统发电功率和天然气系统的供气功率进行天然气系统流量计算，获取园区综合能源系统的运行状态变量结果，包括电力系统节点电压、线路潮流、网络损耗、热力系统供热温度、回热温度、网络损耗和天然气系统管道供气量。

S90，根据园区综合能源系统的运行状态变量，建立目标函数，并进行迭代求解，获取目标函数的最小值为结果，得到分布式光伏电源选址定容规划方案。

具体地，分布式光伏电源发电功率作为电力系统中PV节点的注入功率，根据电力系统网络损耗和热力系统网络损耗建立目标函数，并根据电力系统节点电压、热力系统供热温度、回热温度和天然气系统管道供气量建立约束条件，最后将目标函数和约束条件组合成一个随机规划问题，对该随机规划问题进行迭代求解，获取目标函数的最小值为结果，得到园区分布式光伏电源选址定容规划方案。

综上，基于本发明具体实施例的基于统计机器学习的园区综合能源系统的规划方法通过把天然气、热电联供技术与光伏发电结合在一起，考虑了分布式光伏电源和电力负荷、建筑物供暖热负荷和天然气负荷波动的多能流关联耦合特性对园区综合能源系统安全运行的影响，通过构建精细化的场景，对园区综合能源系统概率能量流进行计算，可以大幅度提升能源的综合利用效率。并且，还通过温度的季节性时序特征仿真模拟天气场景，生成光伏出力场景，提高了复杂运行场景模拟的准确性大大提高了随机生产仿真的效率，为园区综合能源系统安全经济运行提供决策建议。

进一步地，本发明实施例还提供了一种计算机可读存储介质，其上存储有基于统计机器学习的园区综合能源系统的规划程序，该基于统计机器学习的园区综合能源系统的规划程序被处理器执行时实现上述实施例的基于统计机器学习的园区综合能源系统的规划方法。

根据本发明实施例提供的计算机可读存储介质，存储的基于统计机器学习的园区综合能源系统的规划程序被执行时，通过把天然气、热电联供技术与光伏发电结合在一起，考虑了分布式光伏电源和电力负荷、建筑物供暖热负荷和天然气负荷波动的多能流关联耦合特性对园区综合能源系统安全运行的影响，通过构建精细化的场景，对园区综合能源系统概率能量流进行计算，可以大幅度提升能源的综合利用效率。并且，还通过温度的季节性时序特征仿真模拟天气场景，生成光伏出力场景，提高了复杂运行场景模拟的准确性大大提高了随机生产仿真的效率，为园区综合能源系统安全经济运行提供决策建议。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，本发明实施例中所使用的“第一”、“第二”等术语，仅用于描述目的，而不可以理解为指示或者暗示相对重要性，或者隐含指明本实施例中所指示的技术特征数量。由此，本发明实施例中限定有“第一”、“第二”等术语的特征，可以明确或者隐含地表示该实施例中包括至少一个该特征。在本发明的描述中，词语“多个”的含义是至少两个或者两个及以上，例如两个、三个、四个等，除非实施例中另有明确具体的限定。

在本发明中，除非实施例中另有明确的相关规定或者限定，否则实施例中出现的术语“安装”、“相连”、“连接”和“固定”等应做广义理解，例如，连接可以是固定连接，也可以是可拆卸连接，或成一体，可以理解的，也可以是机械连接、电连接等；当然，还可以是直接相连，或者通过中间媒介进行间接连接，或者可以是两个元件内部的连通，或者两个元件的相互作用关系。对于本领域的普通技术人员而言，能够根据具体的实施情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。