CN110007595B - 供热系统负荷实时优化调度方法、机组模型、机组及系统 - Google Patents

Abstract

本发明涉及城市集中供热系统的先进控制领域，具体为一种供热系统负荷实时优化调度方法、机组模型、机组及系统，多热源供热系统负荷实时优化调度方法包括：步骤S100，构建各热源机组的机组模型；步骤S200，建立优化的目标函数；步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化，以实现对热源机组负荷分配进行实时优化。

Description

供热系统负荷实时优化调度方法、机组模型、机组及系统

技术领域

本发明涉及城市集中供热系统的先进控制领域，具体为一种供热系统负荷实时优化调度方法、机组模型、机组及系统。

背景技术

北方城镇冬季供热是影响气候环境的主要因素之一，尤其是近年来“冬季雾霾”问题，对人民生活构成了严重影响，为解决好供热带来的环境问题，我国正全面推进能源生产和消费向清洁低碳、非化石方式转型，从能源供应方式上，已经发生了显著变化，除采用大中型热电联产机组以及尖峰热水锅炉之外，正在大力探索与推进采用工业余热、生活垃圾、生物质能、风能电热锅炉、太阳能机组作为供暖热源；从系统运行的目标上，从满足用户需求为主的粗放运行方式，向建立清洁、低碳、环保等精细化调控目标过渡。因此，从多源供热系统的调控手段上，需要更加高效智能化的手法，来协同调度好多种热源的运行负荷进行供热。此外，城镇化的快速发展，供热系统向着多城联网、多源互补、互联互通的方向发展，又进一步增加了热网的复杂性，特别是热源之间的负荷优化调度问题，对供热企业是一个全新的问题，对企业运行调度人员来说，更是一种相当大的挑战。

供热企业在热源侧的运行调度方法是：以天气工况为条件，确定供热系统的生产总负荷，再根据人工经验，在机组最大供热能力与热网侧输运约束下，对不同热源的负荷进行分配。人工调度方法简单易行、可操作性强，但只考虑约束条件，没有考虑运行调度的经济性、环保性为目标，一则会带来运行成本的浪费，其次，在能源生产面向清洁化转型的进程中，多热源协同运行调度，将逐渐超出人工经验决策的能力。

基于上述技术问题需要设计一种新的供热系统负荷实时优化调度方法、机组模型、机组及系统。

发明内容

本发明的目的是提供一种供热系统负荷实时优化调度方法、机组模型、机组及系统。

为了解决上述技术问题，本发明提供了一种多热源供热系统负荷实时优化调度方法，包括：

步骤S100，构建各热源机组的机组模型；

步骤S200，建立优化的目标函数；

步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及

步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化。

进一步，所述步骤S100，构建各热源机组的机组模型的方法包括：

步骤S110，确定各热源机组的输入参数，建立输出输入关系模型；

所述输出输入关系模型为：

F(E,M)＝f(X)＝f(X₁,X₂,...,X_i,...,X_n)；

其中，X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n；E为能耗量输出参数；M为排放量输出参数。

进一步，所述步骤S100，构建各热源机组的机组模型的方法还包括：

步骤S120，基于DCS系统的运行数据，建立输出输入关系模型的训练样本集：

通过数据清洗算法将DCS系统的运行数据中能耗量输出参数E、排放量输出参数M，输入参数X储存，以存储数据中[t1,t1+Δt]时间段内的耗量输出参数E、排放量输出参数M的历史数据作为样本输入，[t1,t1+Δt]时间段内输出参数X的历史数据作为样本输出，并由样本输入和与其对应的样本输出构成训练样本集；

其中，t1为能耗量输出参数E、排放量输出参数M和输入参数X储存的时刻；Δt为时间区间；设机组模型滚动更新的时间间隔为ΔL，即在t1+ΔL时刻，对机组模型的样本输入的时间段进行滚动操作，更新为[t1+Δt,t1+2Δt],即

[t2,t2+Δt]；随着机组模型滚动，时间段依次滚动，即时间段依次更改为[tn,tn+Δt]，n∈1,2...。。

进一步，所述步骤S100，构建各热源机组的机组模型的方法还包括：

步骤S130，采用机器学习算法，建立各热源机组的机组模型；

所述机组模型包括：机器学习模型，即

其中，δ为机器学习模型系数，δ＝(δ₁,δ₂,…δ_i,…,δ_n)，δ_i为第i个输入参数的机器学习模型系数，给定系数δ初值为c，即δ中所有变量的初始值为c；

基于[tn,tn+Δt]时间段内的样本输入和δ，根据输出输入关系模型F(E,M)获得输出参数，将输出参数和样本输出中的输出参数进行比较调整δ，直至机组模型满足收敛条件；每次机组模型滚动更新的时间间隔为ΔL，即t1+ΔL时刻，重新训练机组模型；

所述收敛条件满足：

|E^c-E^m|＜ε，|M^c-M^m|＜ε；

其中，X^m为区间Δt内训练样本集中输入参数的数据,

为输入参数中第i个输入参数的样本数据；E^c、E^m分别表示基于机器学习模型计算的能耗量输出参数与训练样本集实测的能耗量输出参数，单位均为：吨标煤；M^c、M^m分别表示基于机器学习模型计算的排放量输出参数与训练样本集实测的排放量输出参数，单位均为：mg；ε为模型收敛精度；f(X)为热源机组输入参数为X的机器学习模型；

当满足收敛精度后，建立各热源机组的机组模型：

其中，δ'＝(δ₁',δ₂',…δ_i',…,δ_n')为训练后的机器学习模型系数；

设热源机组的数量为z，则所有的机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输入参数的计算函数。

进一步，所述步骤S200，建立优化的目标函数的方法包括：

步骤S210，建立目标函数与运行约束条件；

所述目标函数包括：

最优化经济性目标函数：

最优化环保性目标函数：

其中，c_j、m_j分别表示第j台机组的费用系数与排放系数；

当调度周期为D时，经济性与环保性评价目标函数为：

其中，t为机组调度周期D内第t个运行时间段，单位：分钟；E_jt为第j台机组在t时间段内的能耗量，单位：吨标煤；M_jt为第j台机组在t时间段内的排放量，单位：mg；

多目标运行的优化函数为：

所述运行约束条件包括：总负荷约束、各机组负荷约束、旋转备用约束、机组启停次数约束和机组负荷增减速率约束。

进一步，当目标运行的优化函数的自变量为调度周期D内第t个时间段内的机组负荷时，多目标运行的优化函数表示为：

Min{CoD,MiD}＝Φ(Q)＝Φ_c(Q)+Φ_m(Q)；

其中，Q为机组负荷变量，Q＝{Q_jt|j∈[1,z],t∈[1,t_last]}，单位：MW；Q_jt为第j台机组第t个时间段的生产负荷，单位：MW；Φ(Q)为生产负荷为Q时的目标评价函数；Φ_c(Q)为生产负荷为Q时的经济性指标评价函数；Φ_m(Q)为生产负荷为Q时的环保性指标评价函数；t_last为调度周期D内的最后一个时段，单位：分钟。

进一步，所述步骤S200，建立优化的目标函数的方法还包括：

步骤S220，优化目标函数，即

当优化经济性目标函数时，环保性目标函数的约束条件为[MiD_min,MiD_max]，环保性目标函数的约束形式为：

MiD_min≤MiD≤MiD_max；

Min{CoD,MiD}＝Φ(Q)＝Φ_m(Q)；

当优化环保性目标函数时，经济性目标函数的约束条件为[0,CoD_max]，经济性目标函数的约束形式为：

0≤CoD≤CoD_max；

Min{CoD,MiD}＝Φ(Q)＝Φ_c(Q)；

令等式约束表示为：h(Q)＝0；

令不等式约束表示为：g(Q)≤0或g(Q)≥0；

将有约束的优化目标函数Φ(Q)＝Φ_c(Q)、Φ(Q)＝Φ_m(Q)转换为无约束的优化目标函数：FMin{CoD,MiD}＝Φ(Q)+G(Q)+[h(Q)]²；

其中，FMin{CoD,MiD}为无约束的优化目标函数；

约束为g(Q)≤0时，

约束为g(Q)≥0时，

进一步，所述步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略的方法包括：基于自变量Q计算FMin{CoD,MiD}，即

步骤S310，初始化各热源机组的输入参数X，最大迭代次数为W，当前迭代次数k＝0，随机生成自变量初值Q^k；

步骤S320，根据f_j(X)计算E_j、M_j，以计算FMin{CoD,MiD}^k；

步骤S330，基于优化函数，更新自变量Q^k取值，Q'^k+1＝opt(Q^k)；

步骤S340，计算FMin{CoD,MiD}'^k+1，当满足：

FMin{CoD,MiD}'^k+1＜FMin{CoD,MiD}^k时，更新Q^k+1＝Q'^k+1，

FMin{CoD,MiD}'^k+1＝FMin{CoD,MiD}^k+1，k＝k+1，进入步骤S350；当不满足

FMin{CoD,MiD}'^k+1＜FMin{CoD,MiD}^k时，重复步骤S330；

步骤S350，当满足k＜W时则终止迭代，输出优化结果；当不满足k＜W时，转到步骤S330；

其中，Q^k为迭代次数为k时自变量Q的取值；FMin{CoD,MiD}^k为迭代次数为k时自变量FMin{CoD，MiD}的取值；opt(Q^k)为优化函数变量Q^k的更新函数；Q'^k、FMin{CoD,MiD}'^k为迭代次数为k时自变量Q与FMin{CoD,MiD}的中间过程取值；

所述优化结果包括：热源机组负荷的优化调度策略Q^*＝Q^W，FMin{CoD,MiD}^*＝FMin{CoD,MiD}^W，环保性指标或经济性指标。

进一步，步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化的方法包括：DCS系统根据热源机组负荷的优化调度策略Q^*＝Q^W，实现对热源机组负荷的在线实时控制；基于周期D内优化调度策略，计算生成D+1周期的优化调度策略，重复该步骤，进而实时对热源机组负荷优化调度。

第二方面，本发明还提供一种机组模型，

所述机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输出参数X的计算函数；z为热源机组的数量；δ'＝(δ₁',δ₂',…δ_i',…,δ_n')为训练后的机器学习模型系数；X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n。

第三方面，本发明还提供一种机组，包括：

机组模型，且适于根据所述机组模型获取机组的优化调度策略。

进一步，所述机组采用上述的机组模型。

进一步，所述机组适于根据优化调度策略对机组负荷分配进行实时优化。

第四方面，本发明还提供一种多热源供热系统负荷实时优化调度系统，包括：

机组特性模块，构建各热源机组的机组模型；

目标函数模块，建立优化的目标函数；

优化调度策略模块，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及

优化管理与策略下发模块，基于优化调度策略，对热源机组负荷分配进行实时优化。

本发明的有益效果是，本发明通过步骤S100，构建各热源机组的机组模型；步骤S200，建立优化的目标函数；步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化，以对热源机组负荷分配进行实时优化。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明所涉及的多热源供热系统负荷实时优化调度方法的原理框图；

图2是本发明所涉及的多热源供热系统负荷实时优化调度方法的流程图；

图3是本发明所涉及的机器学习模型的示意图；

图4是本发明所涉及的多热源供热系统负荷实时优化调度系统的原理框图；

图5是本发明所涉及的多热源供热系统负荷实时优化调度系统与供热SCADA系统或数据库的逻辑关系图；

图6是本发明所涉及的多热源供热系统负荷实时优化调度系统的技术架构示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

图1是本发明所涉及的多热源供热系统负荷实时优化调度方法的原理框图。

如图1所示，本实施例提供了一种多热源供热系统负荷实时优化调度方法，包括：步骤S100，构建各热源机组的机组模型；步骤S200，建立优化的目标函数；步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化；以对热源机组负荷分配进行实时优化。

图2是本发明所涉及的多热源供热系统负荷实时优化调度方法的流程图。

如图2所示，在本实施例中，所述步骤S100，构建各热源机组的机组模型的方法包括：步骤S110，确定各热源机组的输入参数，建立输出输入关系模型；所述输出输入关系模型为：

F(E,M)＝f(X)＝f(X₁,X₂,...,X_i,...,X_n)；

其中，X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n；E为能耗量输出参数；M为排放量输出参数。

各热源机组的相关因素(输入参数、能耗量输出参数和排放量输出参数)不同，需要对热源进行分类，从而确定其相关因素，此处的热源包括但不限于：热电联产机组、锅炉机组、热泵机组、工业余热机组、生物质机组和太阳能机组等。

相关因素是指在热源机组生产热负荷过程中，会影响机组运行经济性、环保性、安全性的所有因素，因为这些相关因素的不同，从而带来机组在生产相同负荷时的经济性、环保性和安全性等方面的不同。

对热电联产机组，其相关因素包括：发电量LF、机组热电负荷比μ、机组负荷Lθ、燃煤量LB、污染物排放量LM(包括烟尘C、SO₂、NO_x、CO₂、CO含量的折算值)；

燃气热水锅炉，其相关因素包括：供热机组供水温度RT_in、回水温度RT_out、供水流量RG、负荷率Rθ、燃气消耗量RB，燃气排放量RM；

工业余热机组，其相关因素包括：工业生产负荷YQ、机组供水温度YT_in、机组回水温度YT_out、机组供水流量YG、污染物排放量YM(包括烟尘C、SO₂、NO_x、CO₂、CO含量的折算值)；

生物质机组，其相关因素包括：生物质质量S、生物质种类SZ、生物质机组供水温度ST_in、机组回水温度ST_out、机组流量SG、机组污染排放量SM(包括烟尘、SO₂、NO_x、CO₂、CO含量的折算值)；

太阳能机组，相关因素包括：天气条件U、机组供水温度TT_in、机组回水温度TT_out、机组供水流量TG；

热泵机组，相关因素包括：冷凝器出口温度BT_cout、冷凝器流量BG_cout、蒸发器(或水源、气源侧)进口温度BT_ein、蒸发器(或水源、气源侧)流量BG_eout、用电量BP。

以热电联产机组为例，对输出输入关系模型进行具体说明，所述输出输入关系模型中，

E＝λ₁P+λ₂B+λ₃R；

其中，E为能耗量输出参数；P为折算标煤耗电量，单位为吨标煤；B为折算标煤耗气量，单位为吨标煤；R为折算标煤耗煤量，单位为吨标煤；λ₁为折算标煤耗电量的能耗系数；λ₂为折算标煤耗气量的能耗系数；λ₃为折算标煤耗煤量的能耗系数(不同热源机组的各能耗系数取值不同)；

其中，M为排放量输出参数；M_C为烟尘C的排放量，单位为mg；

为SO₂排放量，单位为mg；

为NO_x排放量，单位为mg；

为CO₂排放量，单位为mg；M_CO为CO排放量，单位为mg；β₁为烟尘C排放系数；β₂为SO₂排放系数；β₃为NO_x排放系数；β₄为CO₂排放系数；β₅为CO排放系数；

则当热源机组为热电联产机组时输出输入关系模型具体表示为：

其中，热电联产机组的输入参数为发电量LF与热电比μ，则λ₁＝0、λ₂＝0、λ₃＝b₁,β₁＝a₁、β₂＝a₂、β₃＝a₃、β₄＝a₄；LF为热电联产机组的发电量；Rθ为热电联产机组的运行负荷；b₁R和耗煤量LB相等；

和排放量LM相等。

在本实施例中，所述步骤S100，构建各热源机组的机组模型的方法还包括：步骤S120，基于DCS系统的运行数据(对接DCS系统运行数据，进行数据清洗与筛选)，建立输出输入关系模型的训练样本集：针对各机组模型的能耗量输出参数E、排放量输出参数M和输入参数X，与DCS系统进行对接，制定数据对接格式如下：

热源名称

ID

时间

输入参数1

输入参数2

…

输入参数n

SourceName

ID

Time

Input_1

Input_2

…

Input_n

热源名称

ID

时间

输出参数1

输出参数2

…

输出参数n

SourceName

ID

Time

Output_1

Output_2

…

Output_n

通过数据清洗算法将DCS系统的运行数据中能耗量输出参数E、排放量输出参数M，输入参数X储存，以存储数据中[t1,t1+Δt]时间段内的耗量输出参数E、排放量输出参数M的历史数据作为样本输入，[t1,t1+Δt]时间段内输出参数X的历史数据作为样本输出，并由样本输入和与其对应的样本输出构成训练样本集；

其中，t1为能耗量输出参数E、排放量输出参数M和输入参数X储存的时刻；Δt为时间区间；设定机组模型滚动更新的时间间隔为ΔL，即在t1+ΔL时刻，机组模型的样本输入的时间段滚动操作，更新为[t1+Δt,t1+2Δt],即[t2,t2+Δt]；随着机组模型滚动，时间段依次滚动，即时间段依次更改为[tn,tn+Δt]。

图3是本发明所涉及的机器学习模型的示意图。

如图3所示，在本实施例中，所述步骤S100，构建各热源机组的机组模型的方法还包括：步骤S130，采用机器学习算法，建立各热源机组的机组模型；所述机组模型包括：机器学习模型，即

其中，δ为机器学习模型系数，δ＝(δ₁,δ₂,…δ_i,…,δ_n)，δ_i为第i个输入参数的机器学习模型系数，给定系数δ初值为c，即δ中所有变量的初始值为c；

基于[tn,tn+Δt]时间段内的样本输入和δ，根据输出输入关系模型F(E,M)获得输出参数，将输出参数和样本输出中的输出参数进行比较调整δ，直至机组模型满足收敛条件；每次机组模型滚动更新的时间间隔为ΔL，即t1+ΔL时刻，重新训练机组模型；

所述收敛条件满足：

|E^c-E^m|＜ε，|M^c-M^m|＜ε；

其中，X^m为区间Δt内训练样本集中输入参数的数据,

为输入参数中第i个输入参数的样本数据；E^c、E^m分别表示基于机器学习模型计算的能耗量输出参数与训练样本集实测的能耗量输出参数，单位均为：吨标煤；M^c、M^m分别表示基于机器学习模型计算的排放量输出参数与训练样本集实测的排放量输出参数，单位均为：mg；ε为模型收敛精度；f(X)为热源机组输入参数为X的机器学习模型；当满足收敛精度后，建立各热源机组的机组模型：

其中，δ'＝(δ₁',δ₂',…δ_i',…,δ_n')为训练后的机器学习模型系数；设热源机组的数量为z，则所有的机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)为第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输入参数的计算函数，用于计算第j台机组在输入参数为X时的经济性指标(能耗量输出参数)与环保性指标(排放量输出参数)，由经济性指标和环保性指标构成评价指标。

在本实施例中，所述步骤S200，建立优化的目标函数的方法包括：步骤S210，建立目标函数与运行约束条件，目标分别为经济性与环保性，评价指标为能耗量最优与排放量最优，分别建立经济性与环保性多目标函数为；所述目标函数包括：

最优化经济性目标函数：

最优化环保性目标函数：

其中，c_j、m_j分别表示第j台机组的费用系数与排放系数；当调度周期为D时，经济性与环保性评价目标函数为：

其中，t为机组调度周期D内第t个运行时间段，单位：分钟；E_jt为第j台机组在t时间段内的能耗量，单位：吨标煤；M_jt为第j台机组在t时间段内的排放量，单位：mg；多目标运行的优化函数为：

所述运行约束条件包括：总负荷约束、各机组负荷约束、旋转备用约束、机组启停次数约束和机组负荷增减速率约束。

在本实施例中，当目标运行的优化函数的自变量为调度周期D内第t个时间段内的机组负荷时，多目标运行的优化函数表示为：

Min{CoD,MiD}＝Φ(Q)＝Φ_c(Q)+Φ_m(Q)；

其中，Q为机组负荷变量，Q＝{Q_jt|j∈[1,z],t∈[1,t_last]}，单位：MW；Q_jt为第j台机组第t个时间段的生产负荷，单位：MW；Φ(Q)为生产负荷为Q时的目标评价函数，同时评价经济性指标与环保性指标；Φ_c(Q)为生产负荷为Q时的经济性指标评价函数；Φ_m(Q)为生产负荷为Q时的环保性指标评价函数；t_last为调度周期D内的最后一个时段，单位：分钟。

在本实施例中，所述步骤S200，建立优化的目标函数的方法还包括：步骤S220，优化目标函数，即当优化经济性目标函数时，环保性目标函数的约束条件为[MiD_min,MiD_max]，环保性目标函数的约束形式为：

MiD_min≤MiD≤MiD_max；

Min{CoD,MiD}＝Φ(Q)＝Φ_m(Q)；

当优化环保性目标函数时，经济性目标函数的约束条件为[0,CoD_max]，经济性目标函数的约束形式为：

0≤CoD≤CoD_max；

Min{CoD,MiD}＝Φ(Q)＝Φ_c(Q)；

令等式约束表示为：h(Q)＝0；

令不等式约束表示为：g(Q)≤0或g(Q)≥0；

将有约束的优化目标函数Φ(Q)＝Φ_c(Q)、Φ(Q)＝Φ_m(Q)转换为无约束的优化目标函数：FMin{CoD,MiD}＝Φ(Q)+G(Q)+[h(Q)]²；其中，FMin{CoD,MiD}为无约束的优化目标函数；

约束为g(Q)≤0时，

约束为g(Q)≥0时，

在本实施例中，所述步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略的方法包括：基于自变量Q计算FMin{CoD,MiD}，即

步骤S310，初始化各热源机组的输入参数X，最大迭代次数为W，当前迭代次数k＝0，随机生成自变量初值Q^k；

步骤S320，根据f_j(X)计算E_j、M_j，以计算FMin{CoD,MiD}^k；

步骤S330，基于优化函数，更新自变量Q^k取值，Q'^k+1＝opt(Q^k)；

步骤S340，计算FMin{CoD,MiD}'^k+1，当满足：

FMin{CoD,MiD}'^k+1＜FMin{CoD,MiD}^k时，更新Q^k+1＝Q'^k+1，

FMin{CoD,MiD}'^k+1＝FMin{CoD,MiD}^k+1，k＝k+1，进入步骤S350；当不满足

FMin{CoD,MiD}'^k+1＜FMin{CoD,MiD}^k时，重复步骤S330；

步骤S350，当满足k＜W时则终止迭代，输出优化结果；当不满足k＜W时，转到步骤S330；

其中，Q^k为迭代次数为k时自变量Q的取值；FMin{CoD,MiD}^k为迭代次数为k时自变量FMin{CoD，MiD}的取值；opt(Q^k)为优化函数变量Q^k的更新函数；Q'^k、FMin{CoD,MiD}'^k为迭代次数为k时自变量Q与FMin{CoD,MiD}的中间过程取值；

所述优化结果包括：热源机组负荷的优化调度策略Q^*＝Q^W，FMin{CoD,MiD}^*＝FMin{CoD,MiD}^W，环保性指标(即排放量输出参数，

烟尘C排放量、SO₂排放量、NO_x排放量、CO₂排放量、CO排放量，如某一热电联产机组，其排放量可以为烟尘C排放量10.3mg、SO₂排放量65.95mg、NO_x排放量80.33mg、CO₂排放量150mg、CO排放量10mg)或经济性指标(即能耗量输出参数，E＝λ₁P+λ₂B+λ₃R，标煤耗电量、标煤耗气量、标煤耗煤量)。

在本实施例中，步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化的方法包括：DCS系统根据热源机组负荷的优化调度策略Q^*＝Q^W，实现对热源机组负荷的在线实时控制(DCS系统可以但不限于通过以OPC、数据库、Web Service接口或其他接口形式，接收优化调度策略)；基于周期D内优化调度策略，计算生成D+1周期的优化调度策略，重复该步骤，进而实时对热源机组负荷优化调度。

实施例2

在实施例1的基础上，本实施例2还提供一种机组模型，所述机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输出参数X的计算函数；z为热源机组的数量；δ'＝(δ₁',δ₂',…δ_i',…,δ_n')为训练后的机器学习模型系数；X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n。

实施例3

在实施例1的基础上，本实施例3还提供一种机组，包括：机组模型，且适于根据所述机组模型获取机组的优化调度策略。

在本实施例中，所述机组采用如实施例1所述的机组模型。

在本实施例中，所述机组适于根据优化调度策略对机组负荷分配进行实时优化。

实施例4

图4是本发明所涉及的多热源供热系统负荷实时优化调度系统的原理框图。

图5是本发明所涉及的多热源供热系统负荷实时优化调度系统与供热SCADA系统或数据库的逻辑关系图。

图6是本发明所涉及的多热源供热系统负荷实时优化调度系统的技术架构示意图。

如图4、图5和图6所示，在实施例1的基础上，本实施例4还提供一种多热源供热系统负荷实时优化调度系统，包括：机组特性模块，构建各热源机组的机组模型；目标函数模块，建立优化的目标函数；优化调度策略模块，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及优化管理与策略下发模块，基于优化调度策略，对热源机组负荷分配进行实时优化；以实现对热源机组提供优化调度策略，面向多个热源机组进行在线式负荷的优化调度，在满足总需求负荷的基本前提下，能有效节省运行费用或控制排放指标。

所述机组特性模块(模块1)是基于各热源机组运行的历史数据，采用基于机器学习类的数据辨识方法，与基于内在机理理论的机理建模方法相结合，能建立各热源机组的机组模型，机组模型支持后台定时更新与备份；并且通过该机组模型，设定一定边界条件后，能仿真或预测各热源机组的实际运行状态，获取机组模型预测的机组运行状态下的安全状态数据、运行费用数据、环保排放数据和能量消耗数据等。所述机组特性模块支持与数据库对接，作用有：(1)获取数据库各热源机组的历史运行数据，建立机组模型；(2)基于机组模型，读取边界条件，计算各热源机组的状态数据，输出至数据库。

所述目标函数模块(模块2)包括：(1)决策变量(输入参数X)与优化目标的选择。决策变量是控制参数，如热源负载、热源机组供水温度等，可选择作为优化变量。优化目标是指热源机组运行所期望达到的目标，如最小运行费用、最低排放量等等，可根据企业情况选择需要优化的具体目标，支持选择单个目标或多个目标；(2)建立并评价优化目标；结合机组特性模块预测的状态数据，能建立各热源机组的目标函数。通过目标函数，可用来评价在不同运行参数下方案的优劣。目标函数存储至数据库。(3)建立并处理多热源系统的约束条件，保证每一组运行方案符合热源机组运行约束。

所述优化调度策略模块(模块3)包括：(1)通用的优化算法接口。拥有通用的优化算法接口，支持调用C语言、C++语言、Java语言开发应用程序或库文件，支持导入封装的优化算法。(2)优化算法选择。支持选择不同的优化算法，与决策变量对接，应用目标函数优化。(3)根据收敛条件迭代计算。基于决策变量初始化，读取并计算数据库目标函数，根据算法收敛条件搜索运行方案，当收敛条件满足后，将优化调度策略输出至数据库或SCADA系统。

所述优化管理与策略下发模块(模块4)，监测多热源供热系统负荷实时优化调度系统的运行状态，接受外界的触发或停止指令，跟随针对优化目标的优化调度策略完成实时优化，执行构建机组模型与优化调度策略下发的闭环过程，包括：(1)支持设定策略优化时间间隔，在设定时间间隔内执行“机组特性模块、目标函数模块、优化调度策略模块、优化管理与策略下发模块”实时闭环优化。(2)定时读取数据库或优化调度策略模块的接口，接收优化调度策略，自动下发或手动确认触发后执行控制。

综上所述，本发明通过步骤S100，构建各热源机组的机组模型；步骤S200，建立优化的目标函数；步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化，以对热源机组负荷分配进行实时优化。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (11)

1.一种多热源供热系统负荷实时优化调度方法，其特征在于，包括：

步骤S100，构建各热源机组的机组模型；

步骤S200，建立优化的目标函数；

步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及

步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化；

所述步骤S100，构建各热源机组的机组模型的方法包括：

步骤S110，确定各热源机组的输入参数，建立输出输入关系模型；

所述输出输入关系模型为：

F(E,M)＝f(X)＝f(X₁,X₂,...,X_i,...,X_n)；

其中，X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n；E为能耗量输出参数；M为排放量输出参数；

所述步骤S100，构建各热源机组的机组模型的方法还包括：

步骤S120，基于DCS系统的运行数据，建立输出输入关系模型的训练样本集：

通过数据清洗算法将DCS系统的运行数据中能耗量输出参数E、排放量输出参数M，输入参数X储存，以存储数据中[t1,t1+Δt]时间段内的耗量输出参数E、排放量输出参数M的历史数据作为样本输入，[t1,t1+Δt]时间段内输出参数X的历史数据作为样本输出，并由样本输入和与其对应的样本输出构成训练样本集；

其中，t1为能耗量输出参数E、排放量输出参数M和输入参数X储存的时刻；Δt为时间区间；设机组模型滚动更新的时间间隔为ΔL，即在t1+ΔL时刻，对机组模型的样本输入的时间段进行滚动操作，更新为[t1+Δt,t1+2Δt],即[t2,t2+Δt]；随着机组模型滚动，时间段依次滚动，即时间段依次更改为[tn,tn+Δt]，n∈1,2...。

2.如权利要求1所述的多热源供热系统负荷实时优化调度方法，其特征在于，

所述步骤S100，构建各热源机组的机组模型的方法还包括：

步骤S130，采用机器学习算法，建立各热源机组的机组模型；

所述机组模型包括：机器学习模型，即

其中，δ为机器学习模型系数，δ＝(δ₁,δ₂,...δ_i,...,δ_n)，δ_i为第i个输入参数的机器学习模型系数，给定系数δ初值为c，即δ中所有变量的初始值为c；

基于[tn,tn+Δt]时间段内的样本输入和δ，根据输出输入关系模型F(E,M)获得输出参数，将输出参数和样本输出中的输出参数进行比较调整δ，直至机组模型满足收敛条件；每次机组模型滚动更新的时间间隔为ΔL，即t1+ΔL时刻，重新训练机组模型；

所述收敛条件满足：

|E^c-E^m|＜ε，|M^c-M^m|＜ε；

其中，X^m为区间Δt内训练样本集中输入参数的数据,

为输入参数中第i个输入参数的样本数据；E^c、E^m分别表示基于机器学习模型计算的能耗量输出参数与训练样本集实测的能耗量输出参数，单位均为：吨标煤；M^c、M^m分别表示基于机器学习模型计算的排放量输出参数与训练样本集实测的排放量输出参数，单位均为：mg；ε为模型收敛精度；f(X)为热源机组输入参数为X的机器学习模型；

当满足收敛精度后，建立各热源机组的机组模型：

其中，δ'＝(δ₁',δ₂',...δ_i',...,δ_n')为训练后的机器学习模型系数；

设热源机组的数量为z，则所有的机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输入参数的计算函数。

3.如权利要求2所述的多热源供热系统负荷实时优化调度方法，其特征在于，

所述步骤S200，建立优化的目标函数的方法包括：

步骤S210，建立目标函数与运行约束条件；

所述目标函数包括：

最优化经济性目标函数：

最优化环保性目标函数：

其中，c_j、m_j分别表示第j台机组的费用系数与排放系数；

当调度周期为D时，经济性与环保性评价目标函数为：

其中，t为机组调度周期D内第t个运行时间段，单位：分钟；E_jt为第j台机组在t时间段内的能耗量，单位：吨标煤；M_jt为第j台机组在t时间段内的排放量，单位：mg；

多目标运行的优化函数为：

所述运行约束条件包括：总负荷约束、各机组负荷约束、旋转备用约束、机组启停次数约束和机组负荷增减速率约束。

4.如权利要求3所述的多热源供热系统负荷实时优化调度方法，其特征在于，

当目标运行的优化函数的自变量为调度周期D内第t个时间段内的机组负荷时，多目标运行的优化函数表示为：

Min{CoD,MiD}＝Φ(Q)＝Φ_c(Q)+Φ_m(Q)；

其中，Q为机组负荷变量，Q＝{Q_jt|j∈[1,z],t∈[1,t_last]}，单位：MW；Q_jt为第j台机组第t个时间段的生产负荷，单位：MW；Φ(Q)为生产负荷为Q时的目标评价函数；Φ_c(Q)为生产负荷为Q时的经济性指标评价函数；Φ_m(Q)为生产负荷为Q时的环保性指标评价函数；t_last为调度周期D内的最后一个时段，单位：分钟。

5.如权利要求4所述的多热源供热系统负荷实时优化调度方法，其特征在于，

所述步骤S200，建立优化的目标函数的方法还包括：

步骤S220，优化目标函数，即

当优化经济性目标函数时，环保性目标函数的约束条件为[MiD_min,MiD_max]，环保性目标函数的约束形式为：

MiD_min≤MiD≤MiD_max；

Min{CoD,MiD}＝Φ(Q)＝Φ_m(Q)；

当优化环保性目标函数时，经济性目标函数的约束条件为[0,CoD_max]，经济性目标函数的约束形式为：

0≤CoD≤CoD_max；

Min{CoD,MiD}＝Φ(Q)＝Φ_c(Q)；

令等式约束表示为：h(Q)＝0；

令不等式约束表示为：g(Q)≤0或g(Q)≥0；

将有约束的优化目标函数Φ(Q)＝Φ_c(Q)、Φ(Q)＝Φ_m(Q)转换为无约束的优化目标函数：FMin{CoD,MiD}＝Φ(Q)+G(Q)+[h(Q)]²；

其中，FMin{CoD,MiD}为无约束的优化目标函数；

约束为g(Q)≤0时，

约束为g(Q)≥0时，

6.如权利要求5所述的多热源供热系统负荷实时优化调度方法，其特征在于，

所述步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略的方法包括：基于自变量Q计算FMin{CoD,MiD}，即

步骤S310，初始化各热源机组的输入参数X，最大迭代次数为W，当前迭代次数k＝0，随机生成自变量初值Q^k；

步骤S320，根据f_j(X)计算E_j、M_j，以计算FMin{CoD,MiD}^k；

步骤S330，基于优化函数，更新自变量Q^k取值，Q'^k+1＝opt(Q^k)；

步骤S340，计算FMin{CoD,MiD}'^k+1，当满足：

FMin{CoD,MiD}'^k+1＜FMin{CoD,MiD}^k时，更新Q^k+1＝Q'^k+1，

FMin{CoD,MiD}'^k+1＝FMin{CoD,MiD}^k+1，k＝k+1，进入步骤S350；当不满足

FMin{CoD,MiD}'^k+1＜FMin{CoD,MiD}^k时，重复步骤S330；

步骤S350，当满足k＜W时则终止迭代，输出优化结果；当不满足k＜W时，转到步骤S330；

其中，Q^k为迭代次数为k时自变量Q的取值；FMin{CoD,MiD}^k为迭代次数为k时自变量FMin{CoD,MiD}的取值；opt(Q^k)为优化函数变量Q^k的更新函数；

Q'^k、FMin{CoD,MiD}'^k为迭代次数为k时自变量Q与FMin{CoD,MiD}的中间过程取值；

所述优化结果包括：热源机组负荷的优化调度策略Q^*＝Q^W，FMin{CoD,MiD}^*＝FMin{CoD,MiD}^W，环保性指标或经济性指标。

7.如权利要求6所述的多热源供热系统负荷实时优化调度方法，其特征在于，

步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化的方法包括：DCS系统根据热源机组负荷的优化调度策略Q^*＝Q^W，实现对热源机组负荷的在线实时控制；基于周期D内优化调度策略，计算生成D+1周期的优化调度策略，重复该步骤，进而实时对热源机组负荷优化调度。

8.一种如权利要求1所述多热源供热系统负荷实时优化调度方法采用的机组模型，其特征在于，

F(E,M)＝f(X)＝f(X₁,X₂,...,X_i,...,X_n)；

其中，X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n；E为能耗量输出参数；M为排放量输出参数；

通过数据清洗算法将DCS系统的运行数据中能耗量输出参数E、排放量输出参数M，输入参数X储存，以存储数据中[t1,t1+Δt]时间段内的耗量输出参数E、排放量输出参数M的历史数据作为样本输入，[t1,t1+Δt]时间段内输出参数X的历史数据作为样本输出，并由样本输入和与其对应的样本输出构成训练样本集；

其中，t1为能耗量输出参数E、排放量输出参数M和输入参数X储存的时刻；Δt为时间区间；设机组模型滚动更新的时间间隔为ΔL，即在t1+ΔL时刻，对机组模型的样本输入的时间段进行滚动操作，更新为[t1+Δt,t1+2Δt],即[t2,t2+Δt]；随着机组模型滚动，时间段依次滚动，即时间段依次更改为[tn,tn+Δt]，n∈1,2...；

所述机组模型包括：机器学习模型，即

其中，δ为机器学习模型系数，δ＝(δ₁,δ₂,...δ_i,...,δ_n)，δ_i为第i个输入参数的机器学习模型系数，给定系数δ初值为c，即δ中所有变量的初始值为c；

基于[tn,tn+Δt]时间段内的样本输入和δ，根据输出输入关系模型F(E,M)获得输出参数，将输出参数和样本输出中的输出参数进行比较调整δ，直至机组模型满足收敛条件；每次机组模型滚动更新的时间间隔为ΔL，即t1+ΔL时刻，重新训练机组模型；

所述收敛条件满足：

|E^c-E^m|＜ε，|M^c-M^m|＜ε；

其中，X^m为区间Δt内训练样本集中输入参数的数据,

为输入参数中第i个输入参数的样本数据；E^c、E^m分别表示基于机器学习模型计算的能耗量输出参数与训练样本集实测的能耗量输出参数，单位均为：吨标煤；M^c、M^m分别表示基于机器学习模型计算的排放量输出参数与训练样本集实测的排放量输出参数，单位均为：mg；ε为模型收敛精度；f(X)为热源机组输入参数为X的机器学习模型；

当满足收敛精度后，建立各热源机组的机组模型：

其中，δ'＝(δ₁',δ₂',...δ_i',...,δ_n')为训练后的机器学习模型系数；

设热源机组的数量为z，则所有的机组模型为，即机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输出参数X的计算函数；z为热源机组的数量；

δ'＝(δ₁',δ₂',...δ_i',...,δ_n')为训练后的机器学习模型系数；X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n。

9.一种机组，其特征在于，包括：

机组模型，且适于根据所述机组模型获取机组的优化调度策略；

所述机组采用如权利要求8所述的机组模型。

10.如权利要求9所述的机组，其特征在于，

所述机组适于根据优化调度策略对机组负荷分配进行实时优化。

11.一种采用如权利要求1所述多热源供热系统负荷实时优化调度方法的多热源供热系统负荷实时优化调度系统，其特征在于，包括：

机组特性模块，构建各热源机组的机组模型；

目标函数模块，建立优化的目标函数；

优化调度策略模块，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及

优化管理与策略下发模块，基于优化调度策略，对热源机组负荷分配进行实时优化。

Images