CN110428144B - 适用于电厂的燃煤采购与发电指标预测处理系统及方法 - Google Patents

Abstract

本发明公开了一种适用于电厂的燃煤采购与发电指标预测处理系统及方法，该系统包括价格预测模块，用于分别根据历史时间段的煤炭市场价格信息和电力市场价格信息预测未来一定时间段内的煤炭价格及电力价格；参数拟合模块，用于将燃煤电厂当前的燃煤热值信息、燃煤煤价和供电煤耗信息进行数据拟合，得到发电量与燃煤采购量的拟合函数；协同优化计算模块，用于根据所述拟合函数建立收益与燃煤采购量、发电量之间的协同优化模型，以收益最大化为目标函数、根据预测得到的煤炭价格和电力价格对燃煤采购量和发电量进行协同优化处理；本发明通过对燃煤电厂的燃煤采购量与发电量进行协同优化处理，能够在保障电厂安全运行的前提下实现电厂的利润最大化。

Description

适用于电厂的燃煤采购与发电指标预测处理系统及方法

技术领域

本发明属于燃煤及电力销售控制技术领域，更具体地，涉及一种适用于电厂的燃煤采购与发电指标预测处理系统及方法。

背景技术

发电企业如果要实现效益最大化，即追求利润的最大化，需协同考虑以保证收入与支出的平衡。很明显，“利润＝收入-支出”，发电企业的收入主要为电量收入，可看作“收入＝电量×电价”；而燃煤电厂的支出主要为燃煤采购费用，固定成本均摊至每月可看作固定值，则“燃煤采购支出＝燃煤采购量×燃煤采购价”。一般而言，发电企业的收入与支出之间所呈现的关系并非具有一致性，收入越高并不代表收益越大，支出越小也并不能说明收益越大，最终电厂的利润情况由燃煤采购量与发电量综合决定。

现货市场环境下，发电企业要实现效益最大化的目标更需要良好的决策控制。但就当前燃料采购与电量销售而言，绝大部分电厂仍然是分开考虑，“各自为政”，效益最大化的目标一般只考虑单一因素而未进行全局考量；电厂一般一个月采购一次燃煤，并根据大概预测的煤炭价格确定燃煤采购量，此时燃煤价格可能处于高位，导致采购成本增加；电厂的发电量一般取决于争取到的发电指标，即电厂每月的发电量一般是固定的，因此电量收入主要取决于电量销售时的电力价格；如果在电价低的时候发电量高，或者电价高的时候发电量低，均会导致电厂的电量收入降低；因此，现有的研究工作并未考虑燃煤采购量与发电量之间的内在联系、以及煤炭市场行情与电力价格动态波动的特性，导致发电企业无法实现效益最大化的目标。

由于煤炭市场行情每天都在发生改变，煤炭价格波动较大，若能在一定的煤炭价格预测基础上，加之当今现货市场的到来，电量可分配到每日，那么改变原有电厂一个月采购一次的传统做法，将采购周期与电量周期整合，根据当前机组情况(发电负荷上限)、当前煤价情况以及预测煤价趋势、当前库存情况(决定采购量上下限)计算每日发电量、采购煤量以及库存量，从而指导电厂在电价高、煤价低，机组有能力发电的情况下多发电，屯库存；在煤价高的时候，做到去库存，少发电，最终提高电厂效益，达到利润最大化的目的。因此，本领域亟需开发一种高效且实用的适用于电厂的燃煤采购与发电指标预测处理系统。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种适用于电厂的燃煤采购与发电指标预测处理系统及方法，根据燃煤采购量、发电量与电厂收益之间的关联关系以及当前发电机组情况、当前煤价情况以及预测煤价趋势和当前库存情况通过对燃煤电厂的燃煤采购量与发电量进行协同优化处理，动态调整燃煤周期内每天的燃煤采购量和发电量，适应煤炭价格和电力价格持续波动的特性，能够在一定约束条件下，在保障电厂安全运行的前提下实现利润最大化的目标。

为实现上述目的，按照本发明的一个方面，提供了一种适用于电厂的燃煤采购与发电指标预测处理系统，包括：

煤炭信息采集模块，用于采集历史时间段的煤炭价格走势信息；

电力市场信息采集模块，用于采集历史时间段的电力价格走势信息；

价格预测模块，用于对煤炭价格影响因子和所述煤炭价格走势信息进行回归分析，生成下一燃煤采购周期内的煤炭价格预测数据；对电力价格影响因子和所述电力价格走势信息进行数据拟合，生成下一燃煤采购周期内的电力价格预测数据；

电厂信息获取模块，用于采集燃煤装置的燃煤热值信息、以及燃煤煤价和供电煤耗信息；

参数拟合模块，用于对所述燃煤热值信息和当前的燃煤煤价、供电煤耗信息进行数据拟合处理，生成燃煤电厂当前的发电量、燃煤消耗量与煤炭价格之间的拟合函数；

协同优化计算模块，用于根据所述拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，将所述煤炭价格预测数据和电力价格预测数据输入所述协同优化模型中并采用协同优化算法进行处理，输出所述收益最大化时的燃煤采购量和发电量，作为下一燃煤采购周期内的燃煤采购量指标和发电量指标。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理系统，还包括边界条件输入模块；

所述边界条件输入模块用于获取燃煤采购和电量销售的边界条件；所述边界条件包括采购煤量、库存量、初库存和每日发电量。

协同优化计算模块以所述边界条件作为协同优化模型的约束条件，以预测得到的煤炭价格和电力价格作为输入条件计算收益最大化时的燃煤消耗量和燃煤采购量，并根据所述拟合函数和燃煤采购量计算发电量。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理系统，其拟合函数为电厂发电量、燃煤消耗量之商与燃煤采购价格倒数之间的二次函数。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理系统还包括结果输出模块；

所述结果输出模块用于将所述发电量指标发送给发电装置以控制所述发电装置的运行速度；将所述燃煤采购量指标发送给采购系统以指导下一燃煤采购周期内的燃煤采购。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理系统，其价格预测模块包括煤炭价格预测模型和电力价格模型；

所述煤炭价格预测模型用于通过历史煤炭价格和煤炭价格影响因子进行回归分析，得到未来一定时间段内的煤炭价格走势预测值；

所述电力价格模型用于通过对历史电价和电力需求量信息进行神经网络建模，根据所述神经网络进行数据拟合，生成未来一定时间段内的电价走势预测值。

按照本发明的另一个方面，还提供了一种适用于电厂的燃煤采购与发电指标预测处理方法，包括以下步骤：

S1：采集历史时间段的煤炭价格走势信息和电力价格走势信息，对煤炭价格影响因子和所述煤炭价格走势信息进行回归分析，生成下一燃煤采购周期内的煤炭价格预测数据；

对电力价格影响因子和所述电力价格走势信息进行数据拟合，生成下一燃煤采购周期内的电力价格预测数据；

S2：采集燃煤装置的燃煤热值信息，对所述燃煤热值信息和当前的燃煤煤价、供电煤耗信息进行数据拟合处理，生成燃煤电厂当前的发电量、燃煤消耗量与煤炭价格之间的拟合函数；

S3：根据所述拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，将所述煤炭价格预测数据和电力价格预测数据输入所述协同优化模型中并采用协同优化算法进行处理，输出所述收益最大化时的燃煤采购量和发电量，作为下一燃煤采购周期内的燃煤采购量指标和发电量指标。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理方法，步骤S3中具体包括：

S31：获取燃煤采购和电量销售的边界条件，以所述边界条件作为协同优化模型的约束条件，以预测得到的煤炭价格和电力价格作为输入条件计算收益最大化时的燃煤消耗量和燃煤采购量；所述边界条件包括：采购煤量、库存量、初库存和每日发电量；

S32：根据所述拟合函数和燃煤采购量计算发电量。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理方法，其拟合函数为发电量、燃煤消耗量之商与燃煤采购价格倒数之间的二次函数。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理方法还包括以下步骤：

S4：将所述发电量指标发送给发电装置以控制所述发电装置的运行速度；将所述燃煤采购量指标发送给采购系统以指导下一燃煤采购周期内的燃煤采购。

优选的，上述适用于电厂的燃煤采购与发电指标预测处理方法，其步骤S1中具体包括：

采集历史时间段的煤炭价格走势信息，根据所述煤炭价格走势信息和煤炭价格影响因子建立第一预测模型，根据所述第一预测模型进行回归分析，生成未来一定时间段内的煤炭价格走势预测值；

采集历史时间段的电力价格走势信息，根据所述电力价格走势信息和电力需求量信息进行神经网络建模，基于所述神经网络进行数据拟合，生成未来一定时间段内的电价走势预测值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的一种适用于电厂的燃煤采购与发电指标预测处理系统及方法，首先对历史时间段的煤炭市场价格信息和电力市场价格信息以及各自的价格影响因素进行拟合或回归分析处理，生成下一燃煤采购周期内的煤炭价格预测数据和电力价格预测数据；根据燃煤电厂当前的实际生产情况确定发电量与燃煤采购量的拟合函数；基于上述拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，以燃煤电厂的收益最大化为目标函数，将煤炭价格预测数据和电力价格预测数据输入协同优化模型中并进行协同优化处理，得到下一燃煤周期内每一天的燃煤采购量和发电量；通过对燃煤电厂的燃煤采购量与发电量进行协同优化处理来动态调整燃煤周期内每天的燃煤采购量和发电量，综合考量燃煤电厂的收入及支出，能够在保障电厂安全运行的前提下实现利润最大化的目标。

(2)本发明提供的一种适用于电厂的燃煤采购与发电指标预测处理系统及方法，根据燃煤电厂当前的机组情况、采购能力、库存、以及煤价、电价情况等作为约束条件，提高了燃煤采购与发电指标预测处理的准确性，确保下一燃煤采购周期内的内每一天的燃煤采购量和发电量更加贴近燃煤电厂的实际生产情况。

(3)本发明提供的一种适用于电厂的燃煤采购与发电指标预测处理系统及方法，能够根据下一燃煤采购周期内的煤炭价格预测数据和电力价格预测数据、以及当前电厂的机组情况、当前燃煤库存情况自动计算下一燃煤采购周期内的燃煤采购量与发电量指标，提高了燃煤采购与发电指标预测处理的自动化程度和准确性。

附图说明

图1是本发明实施例提供的适用于电厂的燃煤采购与发电指标预测处理系统的逻辑框图；

图2是本发明实施例提供的预测的未来时间段的煤炭价格走势示意图；

图3是本发明实施例提供的适用于电厂的燃煤采购与发电指标预测处理方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本实施例提供的一种适用于电厂的燃煤采购与发电指标预测处理系统，其目的在于通盘考虑电厂的燃煤采购计划及电力销售计划，将电厂的花销及产出联合考量，实现燃煤电厂经济利益最大化的目标。

图1是本实施例提供的适用于电厂的燃煤采购与发电指标预测处理系统的逻辑框图，如图1所示，该系统包括煤炭信息采集模块、电力市场信息采集模块、价格预测模块、电厂信息输入模块、参数拟合模块、协同优化计算模块和结果输出模块。

煤炭市场信息采集模块主要用于采集历史时间段内的煤炭市场价格信息并将其传输至价格预测模块。优选地，煤炭市场信息采集模块采集近一年内的煤炭市场价格信息作为后续煤炭价格预测的依据，该煤炭市场价格信息包括历史时间不同燃煤品种的价格走势信息及煤炭价格影响因子，煤炭价格影响因子包括煤炭生产及运输成本、进出口量、水电发电量等。

电力市场信息采集模块主要用于采集历史时间段内的电力市场价格信息并将其传输至价格预测模块。优选的，电力市场信息采集模块采集近一年内的电力市场价格信息作为后续电力价格预测的依据，电力市场价格信息包括历史时间电力价格走势信息和电力价格影响因子，本实施例中，该电力价格影响因子主要是电力需求量数据。

价格预测模块用于分别根据煤炭信息采集模块、电力市场信息采集模块提供的煤炭价格信息和电力市场价格信息，通过预测模型得出未来一定时间段内的煤炭价格预测数据和电力价格预测数据。优选的，该预测模型包括煤炭价格预测模型和电力价格模型；煤炭价格预测模型通过历史煤炭价格和煤炭价格影响因子进行回归分析，得出未来时间段的煤炭价格走势；图2是煤炭价格预测模型预测得到了煤炭价格走势示意图，从图2中可以看出，预测的煤炭价格与实际煤炭价格的走势基本相同，说明煤炭价格预测模型具有较高的预测精度；电力价格预测模型通过对历史电价和电力需求量信息进行神经网络建模，通过该神经网络预测未来时段的电价走势；数据统计表明，电力价格预测模型的预测准确率可达到95％以上。一般来说，预测时间一般与燃煤采购周期相匹配；本实施例中，价格预测模块预测未来30天的煤炭价格和电力价格，预测时间约长，预测精度越低。

电厂信息输入模块用于采集燃煤电厂当前的燃煤热值信息、燃煤煤价和供电煤耗信息并传输参数拟合模块。

参数拟合模块用于将上述燃煤热值信息、燃煤煤价和供电煤耗信息进行数据拟合，得到电厂发电量与燃煤采购量的拟合函数，并将拟合参数传输至协同优化计算模块；

本实施例中，电厂发电量与燃煤采购量的拟合函数为发电量、燃煤消耗量之商与燃煤采购价格倒数的二次函数关系式；拟合参数为上述二次函数的系数，包含二次项系数、一次项系数及常数项。

电厂的发电量由电量营销部门争取，但发电量与燃煤采购量之间存在相关联系，即库存需满足特定条件，不能完全独立考虑。假设在不考虑库存损失的情况下，发电量与燃煤消耗量之间的关系如下：

电煤消耗量与发电量以及所燃烧煤种煤质相关，将燃烧煤种按照发热量转化为标煤后，可由已知量计划电量乘以电厂所有机组的均标煤耗计算。假设第k日的发电量为E(k)，对应的供电标煤耗煤为p_k，标煤发热量为Q₀＝7000卡，平均电煤发热量为Q_k，则燃煤消耗量U(k)为：

U(k)＝E(k)×p_k×Q₀/Q_k

则有E(k)＝U(k)×Q_k/(p_k·Q₀)，令y(k)＝Q_k/(p_k·Q₀)，为发电量与耗煤量系数，则有：

E(k)＝y(k)×U(k)

对于第k日的电厂采购燃煤与发电情况而言，一般有以下情况：电厂希望在高煤价a(k)情况下尽量采购煤价稍低的煤种，进而采购发热量低的燃煤，降低燃煤采购成本；另一方面，燃煤发热量Q_k低(采购经济煤种)，供电标单p_k则进一步升高。通过对燃煤采购价a(k)、燃煤平均发热量Q_k以及供电标单p_k进行统计对比，可以得到以下关系式：

y(k)＝a×a(k)^-2+b×a(k)^-1+c，a、b、c为待定系数

边界条件输入模块用于将燃煤采购及电量销售的边界条件输入至协同优化模块，对计算模型提供约束条件进而求解。本实施例中，燃煤采购及电量销售的边界条件包括采购煤量的约束、库存量的约束、初库存约束及每日发电量约束。

燃煤采购量与发电量之间由库存量相互联系，具体约束条件如下：

燃煤消耗量U(k)的约束：受到机组磨煤机出力的影响，电厂燃煤消耗量具有以下约束：

0≤U(k)≤U_max

本实施例中，U_max＝3万吨，因此0≤U(k)≤3万吨。

采购煤量S(k)的约束：受市场供应状况的影响，每月可购燃煤量S(k)有上界，可以根据以往的采购经验进行预测，

0≤S(k)≤S_max

式中：S_max表示每月可获得的燃煤量的上界，包括卸煤能力、电厂资金周转以及市场行情等限制因素。

本实施例中每日采购煤炭量最大S_max为150万吨，最小S_min为0万吨，因此：

0≤S(k)≤150万吨

库存量I(k)的约束：每个月的采购量必须保证每月的库存量不低于一个适当的值，以便对每月生产和采购过程中遇到的突发状况起一个缓冲作用，为安全库存I_min，且库存量不得超过煤场最大库存I_max，则有：

I_min＝D×L×h_s≤I(k)≤I_max

式中：D为突发状况反应时间或缓冲时间；L为日平均消耗量；h_s为安全系数，根据具体情况及实际需要而定，一般取h_s≥1.3。

则库存量I(k)：

I_min≤I(k)≤I_max

根据某厂来煤情况及船煤时间，求得综合煤种的方根均值时间为7天。日均耗煤量为2.4万吨，取hs＝1.3，代入以上公式，得到最小库存量I_min为21.84万吨；电厂最大库存量为I_max为150万吨。

月初库存I(1)的约束：月初的库存量是已知的，即有：

I(1)＝const

将模型进行简化，由I(k+1)＝I(k)+S(k)-U(k)及I(1)＝const＝30万吨，可以得到：

I(k+1)＝I(1)+∑[S(i)-U(i)]，i＝1,2,…k

每日电量约束：每日电量E(k)，由于机组限制，每日发电量最低为0，最高不得超过装机总容量E_max，则有：

E_max≥E(k)≥0

本实施例中，E_max＝3000MW×24h＝72×10⁶kWh，有0≤E(k)≤72×10⁶kWh。

协同优化计算模块用于建立收益与燃煤采购量、发电量之间的协同优化模型，根据以上信息对燃煤电厂的燃煤采购及电量销售进行协同优化处理并得出下一个月的燃煤采购指标及电量销售指标，并将结果传输至结果输出模块。本实施例中，协同优化的方法是将煤炭价格预测及电量价格预测结果作为输入条件，以燃煤消耗量及燃煤采购量为变量，以燃煤采购及电量销售的边界条件作为约束条件，以最高收益建立目标函数计算燃煤消耗量及燃煤采购量，并通过发电量与燃煤消耗量倒数的二次函数关系得出发电量，最终提供多周期的煤质采购及电量销售策略。

协同优化算法的原理是将一个复杂的目标函数分解成简单的子目标函数，然后再将这些子目标函数进行协同优化；具体说来，协同优化是在优化每一子目标函数同时综合考虑其它子目标函数的结果，使子目标函数之间的优化结果能够一致；优化结果一致是指使每一变量的值在每一子目标函数的优化结果中能够一致；一般来说，可以证明，如果变量的值一致则为最优解。

若在未来n日的煤价趋势以及电价趋势可预测的前提下，利用上述原理，可将利润最大化的目标由下属方法进行求解；

假设第k日的发电量为E(k)，市场电价为b(k)；电厂第k日的燃煤采购量为S(k)，燃煤采购价为a(k)，则有

第k日的电量销售收入IC(k)为：

IC(k)＝E(k)×b(k)

第k日的燃煤采购支出EP(k)为：

EP(k)＝S(k)×a(k)

电厂效益最大化目标函数即为

max{IC(k)-EP(k)}＝max{E(k)×b(k)-S(k)×a(k)}

已知煤价趋势a(k)以及电价趋势b(k)可预测，则目标函数即求发电量与燃煤采购量的最优结果。

根据发电量E(k)与燃煤消耗量U(k)之间的拟合函数关系：

E(k)/U(k)＝y(k)＝a×a(k)^-2+b×a(k)^-1+c

对于同一电厂，在购煤方式未发生大幅度改变情况下，a、b以及c可看作定值；通过对电厂历史数据进行拟合，可得到相关系数；本实施例中，a＝-1.65×10⁶，b＝9000，c＝-9.4，因此得到：y(k)＝-1.65×10⁶a(k)^-2+9000×a(k)^-1-9.4。

则协同优化模型最终可表达为：

max f(x)＝max{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]}

对于连续n日的采购与发电计划，利润最大化的目标函数J为：

J＝max∑{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]},k＝1,2,…n

结果输出模块用于接收协同优化计算模块输出的燃煤采购及电量销售的协同优化结果并进行显示发布；表1是考量煤价上升而电价不变的情况时的协同优化结果：

表1煤价上升而电价不变时的协同优化结果

从表1中可以看出，初期煤炭采购价格低，协同优化结果为早期大量购煤，提高库存，而前期煤价低，发电量较高；随着煤价的上涨，发电量下降。

表2是电价维持一定、煤价先下降后上升趋势下的协同优化结果，如表2所示，当其煤价高时，系统优化算法给出结果为不发电或者发电量较低，随着煤价的下降，发电量向上增加。此时购煤量与耗煤量相当即可；当煤价下跌至最低点时，协同优化算法指出，此时应大量采购，并且发电量应有所提高并达到最大出力。在随着煤价的上升，发电量应下降，耗煤量减少并且减少采购维持较低库存。

表2煤价先下降后上升趋势下的协同优化结果

表3煤价维持一定、电价上升时的协同优化结果

从表3可以看出，在购煤价不变时，在机组发电有利润情况下，选择尽量多发，则每个月的煤耗量与发电量均是按照上限进行。在维持在电厂发电有利润水平时，在电价上升趋势下，协同优化指出，在电价上升阶段，购煤量大于耗煤量，库存增加，应不断囤煤。由于本算例中最后止于30日，未对下一个月电价进行分析，最终算例给出后期购煤量降低是为了保证燃煤采购支出的减少，最终维持安全库存即可。

当电价有拐点时，如电价先涨后降，协同优化结果与上述相似，这是因为在煤价一定的情况下，并且电厂在发电有利润的状况下，只需保证机组负荷即可获取最大的利润，并不需要考虑采购的价格波动造成采购支出的变化。系统给出的指导意见对此情况是有效的，但是在实际情况中，煤价完全无波动，是不可能达到的。但根据以上分析可知，当煤价波动较小，而电价由上涨趋势时，应加大燃煤采购量，保证库存与机组电量，争取最大的效益。也如上所述，当煤价过高时，尽量少发点，维持低库存。

表4是电价与煤价同时波动时的协同优化结果，从表4中可以看出，当电价与煤价同时波动时，煤价对电厂效益的影响大于电价的影响。因为一般而言，煤价的波动浮动比电价高，对效益整体的影响大。通过参数的调整，可以发现一个基本点，电价与煤价之间存在一个相互关系：1)在电价一定的情况下，煤价高于一定值时，如本算例中电价为350厘/千瓦时，煤价为590元/吨时，电厂发电则无利润而言，协同优化算法给出的指导是此时应减少发电以致不发电，减少购煤，降低库存，这与实际是相符的；2)在煤价一定的情况下，电价高于一定值时，如本算例中，煤价为500元/吨时，电价高于410厘/千瓦时，则此时应采购燃煤，保证发电量。对于不同的机组，煤价与电价的平衡点不同，应考虑实际情况。

表4电价与煤价同时波动时的协同优化结果

图3是本实施例提供的适用于电厂的燃煤采购与发电指标预测处理方法的流程图，如图3所示，该协同优化处理方法包括以下步骤：

S1：采集历史时间段的煤炭价格走势信息和电力价格走势信息，对煤炭价格影响因子和所述煤炭价格走势信息进行回归分析，生成下一燃煤采购周期内的煤炭价格预测数据；对电力价格影响因子和所述电力价格走势信息进行数据拟合，生成下一燃煤采购周期内的电力价格预测数据；

煤炭市场信息采集模块通过数据接口自动采集历史时间段的煤炭市场价格信息并传输至价格预测模块，煤炭市场价格信息包括历史时间不同燃煤品种的价格走势信息及煤炭价格影响因子信息，如煤炭生产及运输成本、进出口量、水电发电量；

电力市场信息采集模块通过数据接口自动采集历史时间段的电力市场价格信息并传输至价格预测模块，电力市场价格信息包括历史时间电力价格走势信息、电力需求量信息；

价格预测模块根据上述历史时间段的煤炭市场价格信息预测未来一定时间段内的煤炭价格走势；根据历史时间段的电力市场价格信息预测未来一定时间段内的电力价格走势；具体的：煤炭价格预测模型用于通过历史煤炭价格和煤炭价格影响因子进行回归分析，得到未来一定时间段内的煤炭价格走势预测值；电力价格模型用于通过对历史电价和电力需求量信息进行神经网络建模，根据所述神经网络进行数据拟合，生成未来一定时间段内的电价走势预测值。

S2：获取燃煤电厂当前的燃煤热值信息、燃煤煤价和供电煤耗信息并进行数据拟合处理，得到电厂发电量与燃煤采购量的拟合函数；

电厂信息输入模块通过数据接口自动获取电厂信息并传输参数拟合模块，电厂信息包括燃煤电厂当前燃煤热值信息、燃煤煤价及供电煤耗信息；

参数拟合模块将上述电厂信息进行数据拟合，得到电厂发电量与燃煤采购价格的拟合函数，并将拟合参数传输至协同优化计算模块；该拟合函数为发电量、燃煤消耗量之商与燃煤采购价格倒数之间的二次函数：

E(k)/U(k)＝y(k)＝a×a(k)^-2+b×a(k)^-1+c

式中，E(k)表示第k日的发电量；U(k)表示第k日的燃煤消耗量；a(k)表示燃煤采购价；a、b、c为待定的拟合参数。

S3：根据拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，将煤炭价格预测数据和电力价格预测数据输入协同优化模型中并进行协同优化处理，输出收益最大化时的燃煤采购量和发电量，作为下一燃煤采购周期内的燃煤采购量指标和发电量指标；具体的：

首先获取燃煤采购和电量销售的边界条件，该边界条件包括采购煤量、库存量、初库存和每日发电量；根据拟合函数建立收益与燃煤采购量、发电量之间的协同优化模型；该协同优化模型为：

max f(x)＝max{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]}

式中，b(k)表示第k日的电价预测值；S(k)为电厂第k日的燃煤采购量。

以边界条件作为协同优化模型的约束条件，以预测得到的煤炭价格和电力价格作为输入条件，以最高收益建立目标函数计算燃煤消耗量和燃煤采购量；并根据拟合函数和燃煤采购量计算发电量。

对于连续n日的采购与发电计划，收益最大化的目标函数J为：

J＝max∑{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]},k＝1,2,…n

S4：显示并发布燃煤采购及电量销售的协同优化结果，将发电量指标发送给发电装置以控制发电装置的运行速度；将燃煤采购量指标发送给采购系统以指导下一燃煤采购周期内的燃煤采购。

本发明提供的一种适用于电厂的燃煤采购与发电指标预测处理系统及方法，首先对历史时间段的煤炭市场价格信息和电力市场价格信息以及各自的价格影响因素进行拟合或回归分析处理，生成下一燃煤采购周期内的煤炭价格预测数据和电力价格预测数据；根据燃煤电厂当前的实际生产情况确定发电量与燃煤采购量的拟合函数；基于上述拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，以燃煤电厂的收益最大化为目标函数，将煤炭价格预测数据和电力价格预测数据输入协同优化模型中并进行协同优化处理，得到下一燃煤周期内每一天的燃煤采购量和发电量；通过对燃煤电厂的燃煤采购量与发电量进行协同优化处理来动态调整燃煤周期内每天的燃煤采购量和发电量，综合考量燃煤电厂的收入及支出，能够在保障电厂安全运行的前提下实现利润最大化的目标。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种适用于电厂的燃煤采购与发电指标预测处理系统，其特征在于，包括：

价格预测模块，用于分别采集历史时间段的煤炭价格走势信息和电力价格走势信息，对煤炭价格影响因子和所述煤炭价格走势信息进行回归分析处理，生成下一燃煤采购周期内的煤炭价格预测数据；对电力价格影响因子和所述电力价格走势信息进行数据拟合，生成下一燃煤采购周期内的电力价格预测数据；

参数拟合模块，用于采集燃煤装置的燃煤热值信息，对所述燃煤热值信息和当前的燃煤煤价、供电煤耗信息进行数据拟合处理，生成燃煤电厂当前的发电量、燃煤消耗量与燃煤采购价格之间的拟合函数；所述拟合函数为燃煤电厂当前的发电量、燃煤消耗量之商与燃煤采购价格倒数之间的二次函数：

E(k)/U(k)＝y(k)＝a×a(k)^-2+b×a(k)^-1+c

其中，E(k)表示第k日的发电量；U(k)表示第k日的燃煤消耗量；a(k)表示燃煤采购价；a、b以及c为定值，通过对电厂历史数据进行拟合得到；

边界条件输入模块，用于获取燃煤采购和电量销售的边界条件，所述边界条件包括采购煤量、库存量、初库存和每日发电量；

协同优化计算模块，用于根据所述拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，所述协同优化模型为：

maxf(x)＝max{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]}

式中，b(k)表示第k日的电力价格预测数据；S(k)为电厂第k日的燃煤采购量；

以所述边界条件作为协同优化模型的约束条件，将所述煤炭价格预测数据和电力价格预测数据输入所述协同优化模型中计算收益最大化时的燃煤消耗量和燃煤采购量，并根据所述拟合函数和燃煤采购量计算发电量，作为下一燃煤采购周期内的燃煤采购量指标和发电量指标；

对于连续n日的采购与发电计划，收益最大化的目标函数J为：

J＝max∑{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]},k＝1,2,…n。

2.如权利要求1所述的适用于电厂的燃煤采购与发电指标预测处理系统，其特征在于，还包括结果输出模块；

所述结果输出模块用于将所述发电量指标发送给发电装置以控制所述发电装置的运行速度；将所述燃煤采购量指标发送给采购系统以指导下一燃煤采购周期内的燃煤采购。

3.如权利要求2所述的适用于电厂的燃煤采购与发电指标预测处理系统，其特征在于，所述价格预测模块包括煤炭价格预测模型和电力价格模型；

所述煤炭价格预测模型用于通过历史煤炭价格和煤炭价格影响因子进行回归分析，得到未来一定时间段内的煤炭价格走势预测值；

所述电力价格模型用于通过对历史电价和电力需求量信息进行神经网络建模，根据所述神经网络进行数据拟合，生成未来一定时间段内的电价走势预测值。

4.一种适用于电厂的燃煤采购与发电指标预测处理方法，其特征在于，包括以下步骤：

S1：采集历史时间段的煤炭价格走势信息和电力价格走势信息，对煤炭价格影响因子和所述煤炭价格走势信息进行回归分析处理，生成下一燃煤采购周期内的煤炭价格预测数据；

对电力价格影响因子和所述电力价格走势信息进行数据拟合处理，生成下一燃煤采购周期内的电力价格预测数据；

S2：采集燃煤装置的燃煤热值信息，对所述燃煤热值信息和当前的燃煤煤价、供电煤耗信息进行数据拟合处理，生成燃煤电厂当前的发电量、燃煤消耗量与燃煤采购价格之间的拟合函数；所述拟合函数为燃煤电厂当前的发电量、燃煤消耗量之商与燃煤采购价格倒数之间的二次函数：

E(k)/U(k)＝y(k)＝a×a(k)^-2+b×a(k)^-1+c

其中，E(k)表示第k日的发电量；U(k)表示第k日的燃煤消耗量；a(k)表示燃煤采购价；a、b以及c为定值，通过对电厂历史数据进行拟合得到；

S3：根据所述拟合函数建立燃煤电厂的收益与燃煤采购量、发电量之间的协同优化模型，所述协同优化模型为：

maxf(x)＝max{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]}

式中，b(k)表示第k日的电力价格预测数据；S(k)为电厂第k日的燃煤采购量；

获取燃煤采购和电量销售的边界条件，所述边界条件包括采购煤量、库存量、初库存和每日发电量；以所述边界条件作为协同优化模型的约束条件，将所述煤炭价格预测数据和电力价格预测数据输入所述协同优化模型中计算收益最大化时的燃煤消耗量和燃煤采购量，并根据所述拟合函数和燃煤采购量计算发电量，作为下一燃煤采购周期内的燃煤采购量指标和发电量指标；

对于连续n日的采购与发电计划，收益最大化的目标函数J为：

J＝max∑{[(a×a(k)^-2+b×a(k)^-1+c)×U(k)×b(k)-S(k)×a(k)]},k＝1,2,…n。

5.如权利要求4所述的适用于电厂的燃煤采购与发电指标预测处理方法，其特征在于，还包括以下步骤：

S4：将所述发电量指标发送给发电装置以控制所述发电装置的运行速度；将所述燃煤采购量指标发送给采购系统以指导下一燃煤采购周期内的燃煤采购。

6.如权利要求5所述的适用于电厂的燃煤采购与发电指标预测处理方法，其特征在于，步骤S1中具体包括：

采集历史时间段的煤炭价格走势信息，根据所述煤炭价格走势信息和煤炭价格影响因子建立第一预测模型，根据所述第一预测模型进行回归分析，生成未来一定时间段内的煤炭价格走势预测值；

采集历史时间段的电力价格走势信息，根据所述电力价格走势信息和电力需求量信息进行神经网络建模，基于所述神经网络进行数据拟合，生成未来一定时间段内的电价走势预测值。

Images