高校楼宇用电负荷优化策略研究-毕业论文开题报告.doc

1、论 文 计 划计划论文题目 高校楼宇用电负荷优化策略研究论文选题来源 单位项目()、导师指定( )、自选课题( )、其 他( ) 预 计 经 费论文形式 工程规划( ) 工程勘测( ) 工程设计( ) 工程施工( )工程/项目管理( ) 产品研发( ) 应用研究() 调研报告( )预计论文完成日期 预计论文中期报告时间1 论文选题背景与意义随着科技进步与世界经济的飞速发展，全球对电力资源的需求量逐年增加，但电力生产能量的增长并不能满足电力需求量的增加，电力供需双方的矛盾逐渐凸显。随着现代化进程加快，高峰电力负荷不断攀升，为保证经济高速而持续的发展，加快智能电网建设，各国纷纷开始实施需求侧管理，

2、优化用户用电模式，提高用户内部用电设备的使用效率，降低用户的电能消耗，达到节约化、清洁化、绿色化的目的，实现电能的高效利用。根据国际能源统计数据，建筑能耗约占全球社会能耗总量的三分之一左右。在建筑的全寿命周期中，建筑材料的生产加工及建筑施工的能耗仅为其总能耗的 20%左右，高校作为社会组成的一个重要社区，肩负着教育、科研和社会服务的重任，且占地面积大，人口密集，建筑类型多样，是社会能耗中不可忽略的重要组成部分。近年来，国家提高了对高等教育的重视，高校的数量不断增加，且高校能耗占据社会总能耗比较大比例，高校单位面积的能耗是普通居民家庭的 2 4 倍之间，其能耗主要由高校中教学楼、办公楼、图书馆、

3、宿舍、食堂五类楼宇内用电设备的日常运行能耗构成，能耗主要包括照明能耗、空调能耗、电梯能耗、实验能耗、热水能耗等。同时，高校作为集教学和科研为一体的单位 ，在用电方面与民用建筑和企事业单位存在着较为明显的差别，结合高校的特点制定高校负荷优化策略具有良好的学术意义和实用价值。2 国内外研究现状目前，国内外学者对建筑物能量管理进行了一系列研究，但对于复杂的高校多楼宇类型的负荷优化策略缺少相关研究，其关注重点大多在于高校内节能管理的加强、节能意识的宣传等；或关于建筑物内部的空调负荷优化、照明负荷优化、电梯负荷优化、等具体负荷的单独优化策略，而缺少关于校园的整体负荷协调优化策略研究。一、基于高校节能管理

4、和设备更换。文献 1 ,在高校节能措施上介绍了选择节能型变压器，同时对于高校中不同功能区中采用不同的照明设备，采用价格较高的 LED 灯；文献 2 在管理体制上，建立规章制度，形成考核机制,通过节能技术改造，主要是照明选用紧凑型萤火灯即“节能灯”,校园节能比赛，宣传节能思想；文献 3针对高校图书馆机房耗能现象，提出利用蓄能技术开发自然冷能取代空调降温的方案，保障数据中心稳定可靠的工作，并通过能量回收的方式，将机房产生的热能进行蓄能再利用，达到绿色节能的目的。文献 4探讨了校园典型建筑科研楼、图书馆，教学楼，办公楼，宿舍楼的能耗特点及节能潜力。二、基于高校楼宇设备运行优化，国内外学者广泛开展了建

5、筑能量管理方面的研究，以提升楼宇整体能耗管理水平。文献 5通过分析构建了单个楼宇内部采暖通风系统、冷热电联供系统及分布式电源系统的数学模型，在保障楼宇电能平衡及热平衡的前提下，基于拉格朗日松弛法和分支-切割法对楼宇设备运行进行优化，以降低 HAVC 系统能耗和二氧化碳排放量；文献 6基于多代理技术构建了楼宇能量管理系统控制框架，分析了楼宇空调系统、分布式电源系统的特性，并建立了各系统相应的数学模型，利用改进遗传算法进行寻优，得到满足用户舒适度的系统运行方案。文献 7计及了空调系统的运行状态与新型可再生能源发电的出力情况，以最小化用户用电费用为目标，采用改进的遗传算法，对系统进行优化控制。文献

6、8以空调系统为研究对象，响应电价激励政策，利用建筑物的围护结构的储能特性，并根据电价变化调整空调系统的运行策略，实现降低空调系统总体用电费用的目的。综上所述，国内外学者的研究主要关注于高校节能政策、管理方式，楼宇内部空调系统逐时温度设定的优化及照明系统的光源开关控制策略，而较少考虑楼宇内部各用电系统间的关联性及交互影响，因此，应立足于整个高校内各公共楼宇用电系统角度，考虑各用电系统运行优化的关联性，对高校内部各个子系统运行进行整体优化研究，提升高校整体能效水平。3 本文主要开展工作基于当前建筑物能量管理的研究现状，结合提出的问题，本文考虑高校各楼宇内部用电系统间的相互影响，以高校用电负荷为研究

7、目标，研究高校用电系统节能优化及计入光伏分布式能源下高校的经济运行。本文主要开展了以下几项工作：1.研究高校负荷特性并对高校各楼宇用电负荷预测建立基于并行模型的短期负荷预测策略，以消除累积误差对日内短期负荷预测精度的影响；采用模糊 C 均值聚类相的方式，为预测模型选取合适规模及变量维度的样本数据；通过粒子群算法对支持向量机预测模型的参数进行自适应寻优，提高预测精度。通过算例仿真验证了预测模型的可行性。2.研究基于用电能耗的高校用电负荷优化策略依据高校五大功能性楼宇（办公区、教学区、图书馆、宿舍、食堂）中的主要耗能设备，构建了高校空调系统、照明系统、热水器系统及电梯系统的用电能耗模型；以优化高校

8、总体用电量为目标，建立基于用电能耗的高校用电负荷优化模型，并采用粒子群算法对设备用电方案进行优化，实现公共楼宇用电设备的节能优化运行，并通过算例验证了策略的可行性。3.研究计入光伏分布式能源的高校用电负荷优化策略在研究了降低高校用电能耗的用电负荷优化策略的基础上，考虑到高校战地面积大及作息规律化的特点，计入光伏分布式能源的高校用电负荷的优化策略。分析并构建了光伏式分布式能源系统的控制模型，以优化用电系统用电费用为目标，提出了储能系统与空调、照明、热水器系统及电梯系统相配合的负荷优化策略。4 技术路线在上述国内外学者研究成果的基础上，本文研究分为三个部分：高校各系统短期负荷特性分析及预测、高校主

9、要负荷的建模、计及光伏分布式电源各系统协调控制。高校各系统短期负荷预测首先对各系统的历史数据基于模糊 C 值聚类算法进行数据处理，找到数据间本质的内在联系，在粒子群算法的基础上，利用支持向量机进行楼宇各系统负荷预测；研究建立高校主要耗能系统，如中央空调、照明系统、热水器系统及动力系统的模型，并建立基于粒子群优化算法的调控制策略，以能效最优为目标，环保性、经济性性为约束，进行高校各系统协调控制，保证高校能效最优。4.1 数据预处理由于历史数据中每组数据中包含多种输入变量，恰当的选取合适的输入变量对支持向量机模型的训练结果非常重要，一方面可以减少支持向量机模型的输入变量维度，降低计算成本，另一方面

10、可以提高模型预测的准确度，提高模型的泛化能力。同时，训练数据的规模大小影响着预测模型训练效率，如训练数据直接选用全体历史数据，则将不必要的增长了模型训练的时间，降低训练效率，因此，选取合适规模和相似程度的历史数据可以防止过度拟合的现象发生，大大减少预测模型训练时间，提高数据利用率。模糊 C 均值聚类算法具有简单高效的特点，常用于大规模数据挖掘，但传统的模糊C 均值算法通常需要事先人为制定分类数，人为干预程度较大，且通常情况下，最佳分类数是很难估计。同时，初始聚类中心的选取直接关系到算法的收敛情况与聚类效果。因此，本章选取能够自适应聚类数的模糊 C 均值算法。评价聚类结果的优劣的基本思想，在几何

11、意义下，就是将数据进行分类，使得类间距离尽量远，而类内部数据点间距尽量近。数据样本的中心向量可以表示为：1cnmijiuxx聚类数 C 的自适应函数可表示为：21/1cnmijiicijiiuvxcLn式中， 表示类间距离， 表示类内21/1cnmijiiuvxc21/cnmijiiuxvnc数据点间距离。因此，当 取最大值时的 值为最佳分类数。L通常情况下可取 ，模糊 C 均值聚类数的自适应过程如下：2步骤 1：初始化分类矩阵 ， ；初始化参数 ， ， 。0Vk10L2c0步骤 2：计算 ：kU211kijkmcijrud如果存在 ， ，使得 ，则令 且对 ， 。rj0krjdkijuir0

12、kiju步骤 3：计算 ：1kV1nmkijjkjiijjuxv步骤 4：判断 条件是否成立，若条件成立则终止迭代，否则，1kkV，转步骤 2。1k步骤 5：当 且 时，若 ，且 ，则聚类终止，cn12Lc1Lc否则， ，转步骤 2。为识别测试样本的类型，可由式* MERGEFORMAT (2-8)计算样本到各类中心的欧式距离：2 1,2Tikikikidxpxpc式中， 表示测试样本 到第 类聚类中心 的距离。i i4.2 粒子群优化 SVM 预测模型参数基本原理在建立支持向量机预测模型的过程中，需要确定预测模型的两个参数：高斯核函数参数 及平衡参数 ，其选取的合理性影响到预测模型的性能。因

13、此，要对这些预测参数进C行优化以提升预测模型性能。基于 PSO 的 SVM 预测模型参数寻优流程如图 4-1 所示：初 始 化 PSO， 位 置 为 SVM参 数 （ c， g） ，粒 子 适 应 度 为 SVM训 练 结 果 的 相 对 误 差计 算 粒 子 的 个 体 适 应 度 和 全 局 适 应 度迭 代 更 新 粒 子 的 速 度 和 位 置更 新 个 体 最 优 适 应 度 和 最 优 解 ， 更 新 全局 最 优 适 应 度 和 最 优 解是 否 达 到 最 大 迭 代 次 数或 适 应 度 满 足 要 求 ？全 局 最 优 解 作 为 SVM参 数 进 行 预 测开 始结 束是

14、否图 4-1 基于粒子群算法的 SVM 参数寻优首先，随机生成需要优化的两个预测模型参数（C 和 ）组合作为种群中各粒子的初始位置，并将各粒子初始位置设为其个体最优解。然后，代入适应度函数计算，得到各粒子对应的适应度值，将中间的最优适应度值所对应的粒子位置设为全局最优解，其适应度设为全局最优适应度。更新粒子的速度和位置，计算适应度函数，并将得到的适应度值修正个体最优及全局最优解。若适应度值满足要求或寻优达到进化代数上限，则终止寻优过程，并将得到的全局最优解所对应的粒子位置参数作为预测模型的参数值。5已完成工作序号 内容 时间1 了解园区能效的背景，确定研究课题的关键问题，收集国内外有关楼宇能源

15、管理、协调控制、建筑节能等方面的文献资料2016.3-2016.42 详细研究国内外的文献资料，掌握相关问题的知识基础，明确相关内容的研究现状2016.4-2016.53 研究高校楼宇各系统负荷的预测方法，并确定其预测流程2016.5-2016.66. 论文拟进行的工作编号 工作内容 时间1 学习了解分布式能源并重点学习光伏分布式能源 2016.7-2016.82 建立支持向量机负荷预测模型 2016.8-2016.93 建立高校园区各系统协调控制模型 2016.9-2016.114 建立基于粒子群优化算法调控制策略 2016.11-2017.35 整理资料，完成论文初稿 2017.36 修改

16、、完善论文 2017.47论文提纲中文摘要英文摘要目录第一章 绪论 1.1 研究背景及意义1.2 研究现状1.3 本文的主要工作第二章 高校负荷特性分析和用电负荷预测2.1 高校负荷特性分析2.2 负荷预测方法2.2.1 数据预处理2.2.2 粒子群优化 SVM 预测模型参数基本原理2.2.3 园区负荷预测流程2.3 算例分析2.4 本章小结第三章 高校用电能耗模型及光伏分布式电源模型建立3.1 高校主要用电系统能耗模型3.1.1 照明系统能耗模型3.1.2 空调系统能耗模型3.1.3 电梯系统能耗模型3.1.4 热水器系统能耗模型3.2 光伏分布式电源模型3.3 本章小结第 4 章 计及光伏

17、分布式电源的高校源荷互动能源优化策略4.1 计及光伏分布式电源的园区源荷互动能源优化模型4.1.1 目标函数4.1.2 约束条件4.1.3 总体模型4.2 基于粒子群优化算法调控制策略4.2.1 基于粒子群优化算法的高校源荷的协调控制结构4.2.2 基于粒子群优化算法的协调控制算法4.2.3 基于粒子群优化算法的高校源荷的协调控制步骤4.3 算例分析4.4 本章小结第五章 结论与展望5.1 结论5.2 展望参考文献致谢8 参考文献1 付春毅.高校电气节能对策之我见J.硅谷,2014,(21):150-150,153.DOI:10.3969/j.issn.1671-7597.2014.21.12

18、2.2 潘峰.浅谈高校节能降耗工作J.高校后勤研究.2014.3 陈少春.高校图书馆小型绿色数据中心节能探索J.图书馆理论与实践 2014.4 高彪.高校校园建筑用能现状及存在问题分析以长三角地区某 综合型大学为例J.新能源与绿色节能技术.2011.5 Yan B, Luh P B, Bragin M A, et al. Energy-efficient building clustersC/ Automation Science and Engineering (CASE), 2014 IEEE International Conference on. IEEE, 2014:966-971.

19、6 Shaikh P H, Nor N B M, Nallagownden P, et al. Intelligent multi-objective control and management for smart energy efficient buildingsJ. International Journal of Electrical Power & Energy Systems, 2016, 74:403-409.7 Arabali A, Ghofrani M, Etezadi-Amoli M, et al. Genetic-Algorithm-Based Optimization

20、 Approach for Energy ManagementJ. IEEE Transactions on Power Delivery, 2013, 28(1):162-170.8 Noh S J, Yun J, Kim K H. An efficient building air conditioning system control under real-time pricingC/ Advanced Power System Automation and Protection (APAP), 2011 International Conference on. IEEE, 2011:1

21、283-1286.9 刘振亚. 中国电力与能源 M. 中国电力出版社, 2012.10 马宏权, 龙惟定, 朱东凌. 我国建筑节能的发展思考 J. 建筑热能通风空调, 2009, 28(2): 29-32.11 朱彬若, 张慎明, 王虎. 楼宇智能用电能量管理系统设计与实现 J. 华东电力, 2010, 38(4): 520-522.12 伯泉风力和太阳能光伏等发电现状及发展趋势J中国电力，2006，39(6)：656913 刘宏，吴达成，杨志刚，等家用太阳能光伏电源系统 EM北京：化学工业出版社，200714 雷一，赵争鸣大容量光伏发电关键技术与并网影响综述J电力电子，2010(3)：162

22、315 刘杨华，吴政球，涂有庆，等分布式发电及其并网技术综述 EJ电网技术，2008，32(15)：586316 刘梦良, 刘晓华, 高荣. 基于相似日小波支持向量机的短期电力负荷预测J. 电工技术学报, 2006, 21(11):59-64.17 茆美琴, 龚文剑, 张榴晨,等. 基于 EEMD-SVM 方法的光伏电站短期出力预测J. 中国电机工程学报, 2013(34):17-24.18 罗楠, 朱业玉, 杜彩月. 支持向量机方法在电力负荷预测中的应用J. 电网技术, 2007(S2):215-218.19 Cao L J, Tay F H. Support vector machine

23、with adaptive parameters in financial time series forecasting.J. IEEE Transactions on Neural Networks, 2003, 14(6):1506-1518.20 Ceperic E, Ceperic V, Baric A. A Strategy for Short-Term Load Forecasting by Support Vector Regression MachinesJ. IEEE Transactions on Power Systems, 2013, 28(28):4356-4364

24、.21 高新波. 模糊聚类分析及其应用M. 西安电子科技大学出版 , 2004.22 王平, 张亮, 陈星莺. 基于模糊聚类与 RBF 网络的短期负荷预测 J. 电力系统保护与控制, 2006, 34(10):64-67.23 Ding B, Zhang Y M, Peng X Y, et al. A hybrid approach for the analysis and prediction of elevator passenger flow in an office buildingJ. Automation in Construction, 2013, 35(35):69-78.24

25、 刘晨亮. 风光储联合发电系统储能优化控制研究D. 华北电力大学(保定) 华北电力大学, 2014.25 亓晓伟.分布式能源系统在高校应用的可行性分析D.杭州电子科技大学 2015.26 韩鑫.分布式能源系统构造及建模研究D.太原理工大学 2015.27 杨佩佩，艾欣，崔明勇，等基于粒子群优化算法的含多种供能系统的微网经济运行分析J电网技术，2009，33(20)：38-42 28何妮,吴燕仙.粒子群优化算法的研究J 科技信息. 6, 2008: 179-220.导师意见校内导师：导师签名： 年 月 日校外导师：导师签名： 年 月 日全日制专业学位研究生学位论文开题报告会会议记录研究生姓名 入学时间 2015 年 9 月学位类别及领域 硕士 联合培养基地单位计划论文题目校内导师姓名、职称校外导师姓名、职称开题报告时间 2016 年 月 日 时 时开题报告地点 旁听人数 约 人秘书姓名： 职 称论文开题报告会会议内容（参考下列几方面，由秘书负责记录）