CN113283774A - 采暖供热机组深度调峰方法、装置、电子设备及存储介质 - Google Patents
采暖供热机组深度调峰方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113283774A CN113283774A CN202110631386.6A CN202110631386A CN113283774A CN 113283774 A CN113283774 A CN 113283774A CN 202110631386 A CN202110631386 A CN 202110631386A CN 113283774 A CN113283774 A CN 113283774A
- Authority
- CN
- China
- Prior art keywords
- historical
- heat load
- heating
- heating heat
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 37
- 238000007637 random forest analysis Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明公开了一种采暖供热机组深度调峰方法、装置、电子设备及介质,方法包括:获取深度调峰时刻对应的气象预测数据,并将气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;将采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到供热机组的深度调峰范围;预设仿真模型利用供热机组的热平衡图进行生成;根据深度调峰范围对供热机组进行深度调峰。本发明可利用气象预测数据对城市供热需求进行有效估计,并根据估计得到的采暖热负荷预测值进一步仿真预测出供热机组的深度调峰范围,最终可有效依照深度调峰范围来提升深度调峰任务的执行灵活度。
Description
技术领域
本发明涉及电力系统领域,特别涉及一种采暖供热机组深度调峰方法、装置、电子设备及计算机可读存储介质。
背景技术
随着我国新能源的快速发展,越来越多的供热机组需要参与电网的深度调峰。供热机组通常采用“以热定电”的方式确定深度调峰范围,即先根据实时的采暖热负荷确定供热输出,再根据供热输出确定机组发电可调空间,进而参与电网的平衡调度。然而在相关技术中,缺乏对供热机组的采暖热负荷预测及可调峰范围的具体方式,进而导致供热机组管理人员难以确定对供热机组即将应对的采暖热负荷及对应的可调峰范围,降低了管理人员进行深度调峰工作的灵活性。
发明内容
本发明的目的是提供一种采暖供热机组深度调峰方法、装置、电子设备及计算机可读存储介质,可利用气象预测数据对城市供热需求进行有效估计,并根据估计得到的采暖热负荷预测值进一步仿真预测出供热机组的深度调峰范围,最终有效利用预测的深度调峰范围提升深度调峰的执行效率及灵活度。
为解决上述技术问题,本发明提供一种采暖供热机组深度调峰方法,包括:
获取深度调峰时刻对应的气象预测数据,并将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;所述预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;
将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围;所述预设仿真模型利用所述供热机组的热平衡图进行生成;
根据所述深度调峰范围对所述供热机组进行深度调峰。
可选地,所述将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围,包括:
获取所述供热机组的历史供热抽汽流量调节范围,并将所述预设仿真模型的目标采暖热负荷值设置为所述采暖热负荷预测值;
将所述预设仿真模型中的低压缸的进汽流量设置为最低流量,并根据所述历史供热抽汽流量调节范围对所述预设仿真模型的供热抽汽量进行调节,确定所述供热机组的第一最低运行电负荷;
将所述预设仿真模型中的主蒸汽流量设置为锅炉稳燃最低主蒸汽流量,并根据所述历史供热抽汽流量调节范围对所述预设仿真模型的供热抽汽量进行调节,确定所述供热机组的第二最低运行电负荷;
将所述第一最低运行电负荷及所述第二最低运行电负荷中的最大值设置为所述供热机组的最低运行电负荷;
将所述预设仿真模型中的主蒸汽流量设置为最高流量,并根据所述历史供热抽汽流量调节范围对所述供热抽汽量进行调节,确定所述供热机组的最高运行电负荷;
利用所述最低运行电负荷及所述最高运行电负荷生成所述深度调峰范围。
可选地,在获取深度调峰时刻对应的气象预测数据之前,还包括:
获取历史供热时间段的历史采暖热负荷值及对应的历史气象数据;
根据所述历史采暖热负荷值与所述历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到所述预设采暖热负荷预测模型。
可选地,所述根据所述历史采暖热负荷值与所述历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到所述预设采暖热负荷预测模型,包括:
根据所述对应关系,利用所述最邻近节点算法模型进行训练,得到第一采暖热负荷预测模型;
根据所述对应关系,利用所述随机森林模型进行训练,得到第二采暖热负荷预测模型;
相应的,所述将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值,包括:
将所述气象预测数据分别输入所述第一采暖热负荷预测模型及所述第二采暖热负荷预测模型,得到第一采暖热负荷值和第二采暖热负荷值;
对所述第一采暖热负荷值和所述第二采暖热负荷值进行算数平均计算,得到所述采暖热负荷预测值。
可选地,当历史气象数据具有多种气象数据类型时,利用对最邻近节点算法模型和/或随机森林模型进行训练之前,还包括:
利用灰色关联法计算所述历史采暖热负荷值与每一所述气象数据类型的历史气象数据的关联值;
将所述关联值小于第一预设阈值的气象数据类型对应的历史气象数据进行移除,并根据所述历史采暖热负荷值与剩余气象数据类型的历史气象数据的对应关系,利用所述最邻近节点算法模型和/或所述随机森林模型进行训练。
可选地,在利用灰色关联法计算所述历史采暖热负荷值与每一所述气象数据类型的历史气象数据的关联值之前,还包括:
判断所述历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失;
若缺失,则利用相邻的第二历史深度调峰时刻所对应的历史采暖热负荷值或历史气象数据的平均值,对所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行补充;
若未缺失,则计算所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据与所述第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的变化量,并判断所述变化量是否大于第二预设阈值;
若大于,则利用所述第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的平均值,对所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行替换。
可选地,在确定所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据缺失之后,还包括:
确定所述历史供热时间段中的其他历史深度调峰时刻所缺失的历史采暖热负荷值或历史气象数据的缺失数量,并判断所述缺失数量是否大于第三预设阈值;
若是,则利用下一历史供热时间段的历史采暖热负荷值和历史气象数据,执行判断所述历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失的步骤。
本发明还提供一种采暖供热机组深度调峰装置,包括:
采暖热负荷预测模块,用于获取深度调峰时刻对应的气象预测数据,并将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;所述预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;
深度调峰范围预测模块,用于将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围;所述预设仿真模型利用所述供热机组的热平衡图进行生成;
深度调峰模块,用于根据所述深度调峰范围对所述供热机组进行深度调峰。
本发明还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的采暖供热机组深度调峰方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述所述的采暖供热机组深度调峰方法。
本发明提供了一种采暖供热机组深度调峰方法,包括:获取深度调峰时刻对应的气象预测数据,并将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;所述预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围;所述预设仿真模型利用所述供热机组的热平衡图进行生成;根据所述深度调峰范围对所述供热机组进行深度调峰。
可见,在本发明中首先利用由历史采暖热负荷值及对应的历史气象数据训练得到的预设采暖热负荷预测模型对气象预测数据进行计算,得到采暖热负荷预测值,由于城市供热需求与气象数据紧密相关,因此本发明可利用气象预测数据对城市供热需求进行有效估计,得到采暖热负荷预测值;同时,在得到采暖热负荷预测值后,本发明进一步利用由供热机组的热平衡图生成的预设仿真模型对采暖热负荷预测值进行计算,得到供热机组的深度调峰范围,由于预设仿真模型利用供热机组的热平衡图进行生成,因此可确保预设仿真模型符合供热机组的实际运行情况,进而可确保深度调峰范围有效可靠;最后,本发明的深度调峰范围基于深度调峰时刻对应的气象预测数据进行预测,能够对每一深度调峰时刻的深度调峰范围进行精确预测,最终可有效提高管理人员进行采暖供热机组深度调峰工作的处理效率及灵活度。本发明还提供一种采暖供热机组深度调峰装置、电子设备及计算机可读存储介质,具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种采暖供热机组深度调峰方法的流程图;
图2为本发明实施例所提供的另一种采暖供热机组深度调峰方法的流程图;
图3为本发明实施例所提供的一种采暖供热机组深度调峰装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着我国新能源的快速发展,越来越多的供热机组需要参与电网的深度调峰。供热机组通常采用“以热定电”的方式确定深度调峰范围,即先根据实时的采暖热负荷确定供热输出,再根据供热输出确定机组发电可调空间,进而参与电网的平衡调度。然而在相关技术中,缺乏对供热机组的采暖热负荷预测及可调峰范围的具体方式,进而导致供热机组管理人员在面对深度调峰工作时难以及时响应及处理。有鉴于此,本发明提供一种采暖供热机组深度调峰方法,可利用气象预测数据对城市供热需求进行有效估计,并根据估计得到的采暖热负荷预测值进一步仿真预测出供热机组的深度调峰范围,最终有效利用预测的深度调峰范围提升深度调峰的执行效率及灵活度。请参考图1,图1为本发明实施例所提供的一种采暖供热机组深度调峰方法的流程图,该方法可以包括:
S101、获取深度调峰时刻对应的气象预测数据,并将气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到。
在本发明实施例中,首先采用气象预测数据对供热机组的采暖热负荷值进行预测。气象预测数据可以反映城市或某一地区对供热的大致需求,而供热机组的采暖热负荷值则可表示供热机组向城市或某一地区的供热量,因此可以利用气象预测数据有效地对采暖热负荷值进行预测。同时,本发明实施例为了提升深度调峰的灵活性,在采暖热负荷值预测时采用的是深度调峰时刻对应的气象预测数据,能够地对该时刻的采暖热负荷值进行有效预测,进而可提升深度调峰的灵活性。
需要说明的是,本发明实施例并不限定气象预测数据的气象数据类型,例如可以为深度调峰时刻的瞬时气温、瞬时风速等。本发明实施例并不限定是否采用一种气象数据类型的气象预测数据进行采暖热负荷值预测,还是采用多种气象数据类型的气象预测数据进行采暖热负荷值预测。考虑到多种气象数据类型可从多个维度进行采暖热负荷值预测,能够提升采暖热负荷预测值的可靠性,因此本发明实施例可采用多种气象数据类型的气象预测数据进行采暖热负荷值预测。进一步,考虑到气温、风速等数据可能存在波动较大、难以有效预测的情况,也可以进一步增加当日最高气温、当日最低气温、日照时间等气象预测数据,对瞬时气温、瞬时风速进行修正。进一步,考虑到城市在工作日及节假日可能存在不同的供热需求,因此气象预测数据中还可进一步包含可区分工作日及节假日的日期类型。
进一步,可以理解的是,通常可以设置一天(即24小时)为一个深度调峰周期,并在该深度调峰周期中设置一个或多个深度调峰时刻进行深度调峰。当然,深度调峰周期还可设置其他数值,可根据实际应用需求进行调整。考虑到城市供热的变化较多,因此可在深度调峰周期中设置多个深度调峰时刻以进行多次深度调峰。本发明实施例并不限定深度调峰时刻在深度调峰周期内的设置方式,例如可以随机设置,也可以固定间隔设置。为了对深度调峰工作进行有效管理,在本发明实施例中,深度调峰时刻在深度调峰周期中可以固定间隔设置。本发明实施例并不限定具体的间隔数值,例如可以为15分钟,也可以为一个小时,可根据实际应用需求进行设置。在一种可能的情况中,深度调峰周期可以为一天,而深度调峰时刻的间隔时间为15分钟,因此一个深度调峰周期中可以包含96个深度调峰时刻。
进一步,本发明实施例利用预设采暖热负荷预测模型对天气预测数据进行采暖热负荷预测,预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到,能够确保采暖热负荷预测值的有效性及可靠性。本发明实施例并不限定预测采暖热负荷预测模型所选用的算法模型,例如可以为最近邻节点算法模型(KNN,K-NearestNeighbor),也可以为随机森林模型(RF,Random Forest),当然也可以选择其他分类、聚类模型,可根据实际应用需求进行设置,其中最近邻节点算法模型的核心思想是在特征空间中找到与目标特征最相邻的k个样本,则该目标的采暖热负荷值是k个样本的采暖热负荷值的算术平均;而随机森林模型是从训练数据集中有放回的随机抽取m个样本(假设训练数据集中含有m个样本),共抽取m次得到m个含有m个样本的样本集,再利用cart树基于特征值来划分样本,最后将得到的结果进行算术平均得到最终的预测值。当然,本发明实施例中,可以利用多种算法模型混合生成预设采暖热负荷预测模型,可有效结合多种算法模型的优点,例如可以利用最近邻节点算法模型及随机森林模型共同生成预设采暖热负荷预测模型。需要说明的是,本发明实施例并不限定训练最近邻节点算法模型及随机森林模型的具体方式,可参考相关技术。
S102、将采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到供热机组的深度调峰范围;预设仿真模型利用供热机组的热平衡图进行生成。
在得到采暖热负荷预测值之后,本发明实施例进一步将采暖热负荷预测值输入至供热机组的预设仿真模型中,以确定供热机组的深度调峰范围。预设仿真模型基于供热机组的热平衡图进行生成,热平衡图包含有供热机组的工作指标及工作特性,可确保预设仿真模型有效可靠。本发明实施例并不限定生成预设仿真模型所采用的软件,例如可以为Ebsilon热力学建模组态软件,也可以为其他热力学建模软件。由于Ebsilon为常用的建模软件,因此本发明实施例可基于该软件进行预设仿真模型的生成。本发明实施例并不限定模型生成的具体过程,可参考Ebsilon的相关技术。
进一步,由于深度调峰范围表示供热机组在采暖热负荷固定的情况下可提供的电负荷调整区间,因此需要在采暖热负荷值固定的情况下,确定供热机组在各种工况情况下所能提供的电负荷,进而才能有效生成深度调峰范围。因此,首先可以理解的是,预设仿真模型的目标采暖热负荷值需要固定为采暖热负荷预测值(即需要为预设仿真模型添加采暖热负荷约束);同时,为了确保供热机组正常工作,需要为预设仿真模型添加可确保锅炉稳燃的约束。当然,除此以外,也可以为预设仿真模型添加其他调峰约束,例如爬坡约束、系统容量约束、深调最大次数约束等,以确定供热机组在更多工况情况下所能提供的电负荷值,可根据实际应用需求进行调整。进一步,本发明实施例并不限定调整预设仿真模型工况的具体方式,可参考深度调峰的相关技术。
在一种可能的情况中,将采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到供热机组的深度调峰范围,包括:
步骤11:获取供热机组的历史供热抽汽流量调节范围,并将预设仿真模型的目标采暖热负荷值设置为采暖热负荷预测值。
在本发明实施例中,通过调节预设仿真模型的供热抽气流量来生成不同的工况情况。为了确保供热抽气流量在合理的范围内进行调节,本发明实施例进一步获取了供热机组的历史供热抽汽流量调节范围,该调节范围由上一供热季(即法定供暖时间)中的最大供热抽汽流量及最低供热抽汽流量构成。
步骤12:将预设仿真模型中的低压缸的进汽流量设置为最低流量,并根据历史供热抽汽流量调节范围对预设仿真模型的供热抽汽量进行调节,确定供热机组的最低运行电负荷。
将低压缸的进汽流量锁定为最低流量即为一种最低运行电负荷约束。在调节供热抽汽量后,可得到不同供热抽汽量对应的运行电负荷,进而便可在这些运行电负荷中确定最低运行电负荷。
步骤13:将预设仿真模型中的主蒸汽流量设置为锅炉稳燃最低主蒸汽流量,并根据历史供热抽汽流量调节范围对预设仿真模型的供热抽汽量进行调节,确定供热机组的第二最低运行电负荷。
将主蒸汽流量设置为锅炉稳燃最低主蒸汽流量为另一种最低运行电负荷约束。可以理解的是,在锁定主蒸汽流量时,需要放开低压缸的蒸汽流量限制。
步骤14:将第一最低运行电负荷及第二最低运行电负荷中的最大值设置为供热机组的最低运行电负荷。
步骤15:将预设仿真模型中的主蒸汽流量设置为最高流量,并根据历史供热抽汽流量调节范围对供热抽汽量进行调节,确定供热机组的最高运行电负荷。
将主蒸汽流量锁定为最高流量为最高运行电负荷约束。可以理解的是,在锁定主蒸汽流量时,需要放开低压缸的蒸汽流量限制及主蒸汽流量限制。在调节供热抽汽量后,可得到不同供热抽汽量对应的运行电负荷,进而便可在这些运行电负荷中确定最高运行电负荷。
步骤16:利用最低运行电负荷及最高运行电负荷生成深度调峰范围。
进一步,可以理解的是,在采集供热机组不同工况情况下的运行电负荷的过程中,一般会以固定调整数值作为固定间隔,采集离散的运行电负荷数据。本发明实施例并不限定固定间隔的具体数值,可根据实际应用需求进行调整,例如可以为30T/h(吨每小时)。进一步,可以采用插值法将离散的运行电负荷数据补充为连续数据,进而利用连续数据确定最低运行电负荷及最高运行电负荷。
S103、根据深度调峰范围对供热机组进行深度调峰。
需要说明的是,本发明实施例并不限定深度调峰的具体方式,可参考深度调峰的相关技术。本发明实施例也不限定深度调峰范围在深度调峰环节中的使用方式,例如可直接依照深度调峰范围进行深度调峰,或是依照深度调峰范围设置调峰档位,并为各调峰档位设置报价档位,最后根据电网公司具体选择的报价档位进行深度调峰。由于现有深度调峰工作通常采取日前报价的方式进行,例如火电机组在工作日10:00以前,通过市场技术支持系统提交次日深度调峰最小发电电力及各调峰档位对应报价,并由电网公司根据报价情况选择具体的调峰档位,因此在本发明实施例中,可以将预测得到的深度调峰范围作为报价档位的设置依据,这样便可有效提升供热机组管理人员处理深度调峰工作的灵活性及自主性。
基于上述实施例,在本发明中首先利用由历史采暖热负荷值及对应的历史气象数据训练得到的预设采暖热负荷预测模型对气象预测数据进行计算,得到采暖热负荷预测值,由于城市供热需求与气象数据紧密相关,因此本发明可利用气象预测数据对城市供热需求进行有效估计,得到采暖热负荷预测值;同时,在得到采暖热负荷预测值后,本发明进一步利用由供热机组的热平衡图生成的预设仿真模型对采暖热负荷预测值进行计算,得到供热机组的深度调峰范围,由于预设仿真模型利用供热机组的热平衡图进行生成,因此可确保预设仿真模型符合供热机组的实际运行情况,进而可确保深度调峰范围有效可靠;最后,本发明的深度调峰范围基于深度调峰时刻对应的气象预测数据进行预测,能够对每一深度调峰时刻的深度调峰范围进行精确预测,最终可有效提高采暖供热机组深度调峰的执行效率及灵活度。
基于上述实施例,下面对预设采暖热负荷预测模型的训练过程进行介绍。在一种可能的情况中,在获取深度调峰时刻对应的气象预测数据之前,还可以包括:
S201、获取历史供热时间段的历史采暖热负荷值及对应的历史气象数据。
在本发明实施例中,为了对一天内的历史采暖热负荷值及对应的历史气象数据进行有效分析,历史供热时间段的具体数值可以设置为一天。当然,历史供热时间段还可设置为其他数值,可根据实际应用需求进行设定。可以理解的是,历史供热时间段来自于上一个法定供热季。当历史供热时间段为一天时,可以理解的是,本发明实施例采用上一法定供热季中每一天的历史采暖热负荷值及对应的历史气象数据进行模型训练。
需要说明的是,本发明实施例对历史气象数据气象数据类型的限定描述,与对气象预测数据气象数据类型的限定描述一致,可参考上述实施例。进一步,由于深度调峰会在每天的多个深度调峰时刻进行,因此也可以依照上述在深度调峰周期设置深度调峰时刻的方式,对历史供热时间段中设置对应的历史深度调峰时刻,进而根据历史深度调峰时刻对历史采暖热负荷值及历史气象数据进行离散化处理。
进一步,考虑到气象数据类型较多,为了筛选出适合预测采暖热负荷值的气象数据类型,可以在模型训练之前,先对历史采暖热负荷值与历史气象数据进行关联分析,得到对应的关联度,并将关联度较低的气象数据类型进行移除。本发明实施例并不限定关联分析的具体方式,例如可以采用灰色关联法,当然也可以采用其他计算数据关联度的算法,可根据实际应用需求进行选择。由于灰色关联法应用普遍,因此在本发明实施中采用灰色关联法计算历史采暖热负荷值与历史气象数据之间的关联度。
在一种可能的情况中,当历史气象数据具有多种气象数据类型时,利用对最邻近节点算法模型和/或随机森林模型进行训练之前,还包括:
步骤21:利用灰色关联法计算历史采暖热负荷值与每一气象数据类型的历史气象数据的关联值;
步骤22:将关联值小于第一预设阈值的气象数据类型对应的历史气象数据进行移除,并根据历史采暖热负荷值与剩余气象数据类型的历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练。
需要说明的是,本发明实施例并不限定灰色关联法的相关计算过程,可参考灰色关联法的相关技术。下面简单介绍利用灰色关联法计算母序列与子序列关联度的相关过程。
对于母序列{Y0(j)}(j=1,2,.........,g)与子序列{Yi(j)}(j=1,2,.........,g),其中g表示序列的项数;i表示影响因素的代号,即子序列的个数。假设子序列与母序列均呈现正相关的关系。将原始序列中的每一项都除以第一个数据,从而得到了无量纲的原始序列,为了区别开来,将无量纲的母序列表示为将子序列用表示。首先求得在各个j值下的母序列与子序列的相应数据的差值的绝对值,用Δi(j)表示,即
找出Δi(j)中的最大值Δmax和最小值Δmin,然后求出子序列与母序列的关联系数Li(j),其表达式为:
其中,λ为调节系数它的作用是为了削弱Δmax的值过大而产生的失真的影响,一般在0到1之间取值。由于在各个j值下的关联系数有很多,这些信息比较分散,为了把这些信息集中起来,引入了各个j值下的灰色关联系数的平均值,即灰色关联度Ri,其表达式为:
将每个子序列对母序列的灰色关联度按照其大小进行排序,便可以观察出各个子序列对母序列的影响程度的“主次”或者“优劣”。
以上计算过程仅针对的是子序列与母序列呈现正相关的关系。如果子序列与母序列呈现负相关性关系,则需要将倒数化算子作用于序列。假设子序列为{Yi(j)}(i=1,2,........,h,j=1,2,........,g)。其中,g表示序列的项数,i表示影响因素的代号,D为序列算子,若Yi(j)·D={yi(1)·d,yi(2)·d,.......,yi(g)·d}其中,
则称D为倒数化算子,Yi(j)·D称为倒数化像。
需要说明的是,本发明实施例并不限定第一预设阈值的具体取值,可取0至1之间的任意值,可根据实际情况进行设置,例如可以设置为0.6。
进一步,考虑到历史采暖热负荷值或历史气象数据可能存在缺失,会对关联度计算带来误差,因此在计算关联度之前,还可以先确定历史供热时间段中每一历史深度调峰时刻所对应的历史采暖热负荷值或历史气象数据是否缺失。可以理解的是,当某一历史深度调峰时刻所对应的历史采暖热负荷值或历史气象数据缺失时,可以对其左右两个邻近的历史深度调峰时刻的历史采暖热负荷值或历史气象数据取平均值,并将该平均值补充至缺失位置。当然,考虑到历史采暖热负荷值或历史气象数据可能存在波动较大的情况,为了对缺失值进行有效补充,还可对存在缺失值的历史深度调峰时刻左右预设数量的历史深度调峰时刻所包含的历史采暖热负荷值或历史气象数据取平均值,进而利用该平均值进行缺失值补充。
进一步,考虑到历史采暖热负荷值或历史气象数据可能存在波动异常(例如增长、减小幅度过大)的情况。为了排除存在异常的历史采暖热负荷值或历史气象数据,同样可计算历史采暖热负荷值或历史气象数据与左右两个邻近的历史深度调峰时刻的历史采暖热负荷值或历史气象数据的变化量,若该变化量大于预设阈值,则利用左右两个邻近的历史深度调峰时刻的历史采暖热负荷值或历史气象数据的平均值进行替代。同样地,为了提升波动异常的检测可靠性,也可计算历史采暖热负荷值或历史气象数据与左右预设数量的历史深度调峰时刻的历史采暖热负荷值或历史气象数据的变化量平均值,并在该变化量平均值大于预设阈值时,利用左右预设数量的历史深度调峰时刻所包含的历史采暖热负荷值或历史气象数据的平均值进行替换。需要说明的是,本发明实施例并不限定上述预设数量及预设阈值的具体数值,可根据实际应用需求进行调整。
在一种可能的情况中,在利用灰色关联法计算历史采暖热负荷值与每一气象数据类型的历史气象数据的关联值之前,还包括:
步骤31:判断历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失;若缺失,则进入步骤32;若未缺失,则进入步骤33。
步骤32:利用相邻的第二历史深度调峰时刻所对应的历史采暖热负荷值或历史气象数据的平均值,对第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行补充。
上述相邻关系为左右相邻,本发明实施例并不限定第二历史深度调峰时刻的数量,可根据实际应用需求进行调整。
步骤33:计算第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据与第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的变化量,并判断变化量是否大于第二预设阈值;若大于,则进入步骤34;若不大于,则对下一历史深度调峰时刻执行步骤31的过程。
本发明实施例并不限定第二预设阈值的具体数值,可根据实际应用需求进行调整。
步骤34:利用第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的平均值,对第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行替换。
进一步,可以理解的是,若历史供热时间段中缺失的历史采暖热负荷值或是历史气象数据的数量过多,采用上述补充方式将会为关联度计算带来较大的误差,因此应当对此类历史供热时间段中的历史采暖热负荷值及历史气象数据进行移除,并对下一历史供热时间段中的历史采暖热负荷值及历史气象数据进行继续处理。
在一种可能的情况中,在确定第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据缺失之后,还包括:
步骤41:确定历史供热时间段中的其他历史深度调峰时刻所缺失的历史采暖热负荷值或历史气象数据的缺失数量,并判断缺失数量是否大于第三预设阈值;若是,则进入步骤42;若否,则进入步骤32。
需要说明的是,本发明实施例并不限定第三预设阈值的具体数值,可根据实际应用需求进行调整。
步骤42:利用下一历史供热时间段的历史采暖热负荷值和历史气象数据,执行判断历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失的步骤。
S202、根据历史采暖热负荷值与历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到预设采暖热负荷预测模型。
需要说明的是,本发明实施例并不限定预设采暖热负荷预测模型单独利用最邻近节点算法模型或随机森林模型训练而成,还是由最邻近节点算法模型和随机森林模型共同训练,当单个算法模型已能够满足应用需求时,可以利用单个算法模型训练预设采暖热负荷预测模型;当需要融合多种算法模型的优势时,也可以将利用最邻近节点算法模型和随机森林模型共同训练得到预设采暖热负荷预测模型。在本发明实施例中,考虑到由于居民在生活用热中由于突发情况可能会导致采暖热负荷的剧烈变化,这些变化往往不具有普遍性和可预测性,所以需要利用随机森林模型的随机抽样特性来缓和采暖热负荷数据的波动性,提高预测的稳定性,但随机森林模型在个别采暖热负荷大浮动波动情况下的预测效果不好;而最邻近节点算法模型可以更准确地预测出一些采暖热负荷大浮动波动的情况,因此采用两种算法模型混合的方式,能有有效融合上述两种算法模型的优势,进而提升采暖热负荷预测值的可靠性。
在一种可能的情况中,根据历史采暖热负荷值与历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到预设采暖热负荷预测模型,包括:
步骤51:根据对应关系,利用最邻近节点算法模型进行训练,得到第一采暖热负荷预测模型;
步骤52:根据对应关系,利用随机森林模型进行训练,得到第二采暖热负荷预测模型;
相应的,将气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值,包括:
步骤61:将气象预测数据分别输入第一采暖热负荷预测模型及第二采暖热负荷预测模型,得到第一采暖热负荷值和第二采暖热负荷值;
步骤62:对第一采暖热负荷值和第二采暖热负荷值进行算数平均计算,得到采暖热负荷预测值。
可以理解的是,可分别利用最邻近节点算法模型及随机森林模型训练得到两个采暖热负荷预测子模型,并对两个子模型的预测结果进行算数平均计算,进而有效融合两种模型的优势,提升采暖热负荷预测值的可靠性。
需要说明的是,本发明实施例并不限定对最邻近节点算法模型及随机森林模型进行参数优化的具体方式,可参考参数优化的相关技术,例如可以采用粒子群优化算法进行参数优化。
基于上述实施例,本发明利用预设采暖热负荷预测模型对天气预测数据进行采暖热负荷预测,预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到,能够确保采暖热负荷预测值的有效性及可靠性。
下面基于另一流程图对上述采暖供热机组深度调峰方法的大致流程进行介绍。请参考图2,图2为本发明实施例所提供的另一种采暖供热机组深度调峰方法的流程图,上述过程可以包括:
1、获取历史供热数据(历史采暖热负荷值)和气象数据;
2、对历史供热数据和气象数据进行预处理,剔除异常数据并补充缺失的数据;
3、利用灰色关联法确定训练预设采暖热负荷预测模型所需的输入参数;
4、构建KNN和RF算法模型,利用粒子群优化算法进行参数寻优,并验证预设采暖热负荷预测模型;
5、构建汽轮机仿真模型,探究采暖热负荷和环境温度与运行负荷的关系。
下面对本发明实施例提供的采暖供热机组深度调峰装置、电子设备及存储介质进行介绍,下文描述的智能网关与上文描述的家庭智能网关的留言信息处理方法可相互对应参照。
请参考图3,图3为本发明实施例所提供的一种采暖供热机组深度调峰装置的结构框图,该装置可以包括:
采暖热负荷预测模块301,用于获取深度调峰时刻对应的气象预测数据,并将气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;
深度调峰范围预测模块302,用于将采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到供热机组的深度调峰范围;预设仿真模型利用供热机组的热平衡图进行生成;
深度调峰模块303,用于根据深度调峰范围对供热机组进行深度调峰。
可选地,深度调峰范围预测模块302,包括:
仿真模型参数设置子模块,用于获取供热机组的历史供热抽汽流量调节范围,并将预设仿真模型的目标采暖热负荷值设置为采暖热负荷预测值;
第一调节子模块,用于将预设仿真模型中的低压缸的进汽流量设置为最低流量,并根据历史供热抽汽流量调节范围对预设仿真模型的供热抽汽量进行调节,确定供热机组的第一最低运行电负荷;
第二调节子模块,用于将预设仿真模型中的主蒸汽流量设置为锅炉稳燃最低主蒸汽流量,并根据历史供热抽汽流量调节范围对预设仿真模型的供热抽汽量进行调节,确定供热机组的第二最低运行电负荷;
最低运行电负荷确定子模块,用于将所述第一最低运行电负荷及所述第二最低运行电负荷中的最大值设置为所述供热机组的最低运行电负荷;
第三调节子模块,用于将预设仿真模型中的主蒸汽流量设置为最高流量,并根据历史供热抽汽流量调节范围对供热抽汽量进行调节,确定供热机组的最高运行电负荷;
结果生成子模块,用于利用最低运行电负荷及最高运行电负荷生成深度调峰范围。
可选地,该装置还可以包括:
数据获取模块,用于获取历史供热时间段的历史采暖热负荷值及对应的历史气象数据;
采暖热负荷预测模型训练模块,用于根据历史采暖热负荷值与历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到预设采暖热负荷预测模型。
可选地,采暖热负荷预测模型训练模块,可以包括:
第一训练模块,用于根据对应关系,利用最邻近节点算法模型进行训练,得到第一采暖热负荷预测模型;
第二训练模块,用于根据对应关系,利用随机森林模型进行训练,得到第二采暖热负荷预测模型;
相应的,采暖热负荷预测模块301,可以包括:
采暖热负荷值预测子模块,用于将气象预测数据分别输入第一采暖热负荷预测模型及第二采暖热负荷预测模型,得到第一采暖热负荷值和第二采暖热负荷值;
平均计算模块,用于对第一采暖热负荷值和第二采暖热负荷值进行算数平均计算,得到采暖热负荷预测值。
可选地,该装置还可以包括:
关联计算模块,用于利用灰色关联法计算历史采暖热负荷值与每一气象数据类型的历史气象数据的关联值;
第一数据移除模块,用于将关联值小于第一预设阈值的气象数据类型对应的历史气象数据进行移除,并根据历史采暖热负荷值与剩余气象数据类型的历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练。
可选地,该装置还可以包括:
第一判断模块,用于判断历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失;
数据补充模块,用于若缺失,则利用相邻的第二历史深度调峰时刻所对应的历史采暖热负荷值或历史气象数据的平均值,对第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行补充;
第二判断模块,用于若未缺失,则计算第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据与第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的变化量,并判断变化量是否大于第二预设阈值;
数据替换模块,用于若大于,则利用第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的平均值,对第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行替换。
可选地,该装置还可以包括:
第三判断模块,用于确定历史供热时间段中的其他历史深度调峰时刻所缺失的历史采暖热负荷值或历史气象数据的缺失数量,并判断缺失数量是否大于第三预设阈值;
第二数据移除模块,用于若是,则利用下一历史供热时间段的历史采暖热负荷值和历史气象数据,执行判断历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失的步骤。
本发明实施例还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的数据写入方法的步骤。
由于电子设备部分的实施例与采暖供热机组深度调峰方法部分的实施例相互对应,因此电子设备部分的实施例请参见采暖供热机组深度调峰方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的采暖供热机组深度调峰方法的步骤。
由于计算机可读存储介质部分的实施例与采暖供热机组深度调峰方法部分的实施例相互对应,因此计算机可读存储介质部分的实施例请参见采暖供热机组深度调峰方法部分的实施例的描述,这里暂不赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种采暖供热机组深度调峰方法、装置、电子设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种采暖供热机组深度调峰方法,其特征在于,包括:
获取深度调峰时刻对应的气象预测数据,并将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;所述预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;
将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围;所述预设仿真模型利用所述供热机组的热平衡图进行生成;
根据所述深度调峰范围对所述供热机组进行深度调峰。
2.根据权利要求1所述的采暖供热机组深度调峰方法,其特征在于,所述将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围,包括:
获取所述供热机组的历史供热抽汽流量调节范围,并将所述预设仿真模型的目标采暖热负荷值设置为所述采暖热负荷预测值;
将所述预设仿真模型中的低压缸的进汽流量设置为最低流量,并根据所述历史供热抽汽流量调节范围对所述预设仿真模型的供热抽汽量进行调节,确定所述供热机组的第一最低运行电负荷;
将所述预设仿真模型中的主蒸汽流量设置为锅炉稳燃最低主蒸汽流量,并根据所述历史供热抽汽流量调节范围对所述预设仿真模型的供热抽汽量进行调节,确定所述供热机组的第二最低运行电负荷;
将所述第一最低运行电负荷及所述第二最低运行电负荷中的最大值设置为所述供热机组的最低运行电负荷;
将所述预设仿真模型中的主蒸汽流量设置为最高流量,并根据所述历史供热抽汽流量调节范围对所述供热抽汽量进行调节,确定所述供热机组的最高运行电负荷;
利用所述最低运行电负荷及所述最高运行电负荷生成所述深度调峰范围。
3.根据权利要求1或2所述的采暖供热机组深度调峰方法,其特征在于,在获取深度调峰时刻对应的气象预测数据之前,还包括:
获取历史供热时间段的历史采暖热负荷值及对应的历史气象数据;
根据所述历史采暖热负荷值与所述历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到所述预设采暖热负荷预测模型。
4.根据权利要求3所述的采暖供热机组深度调峰方法,其特征在于,所述根据所述历史采暖热负荷值与所述历史气象数据的对应关系,利用最邻近节点算法模型和/或随机森林模型进行训练,得到所述预设采暖热负荷预测模型,包括:
根据所述对应关系,利用所述最邻近节点算法模型进行训练,得到第一采暖热负荷预测模型;
根据所述对应关系,利用所述随机森林模型进行训练,得到第二采暖热负荷预测模型;
相应的,所述将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值,包括:
将所述气象预测数据分别输入所述第一采暖热负荷预测模型及所述第二采暖热负荷预测模型,得到第一采暖热负荷值和第二采暖热负荷值;
对所述第一采暖热负荷值和所述第二采暖热负荷值进行算数平均计算,得到所述采暖热负荷预测值。
5.根据权利要求3所述的采暖供热机组深度调峰方法,其特征在于,当历史气象数据具有多种气象数据类型时,在利用最邻近节点算法模型和/或随机森林模型进行训练之前,还包括:
利用灰色关联法计算所述历史采暖热负荷值与每一所述气象数据类型的历史气象数据的关联值;
将所述关联值小于第一预设阈值的气象数据类型对应的历史气象数据进行移除,并根据所述历史采暖热负荷值与剩余气象数据类型的历史气象数据的对应关系,利用所述最邻近节点算法模型和/或所述随机森林模型进行训练。
6.根据权利要求5所述的采暖供热机组深度调峰方法,其特征在于,在利用灰色关联法计算所述历史采暖热负荷值与每一所述气象数据类型的历史气象数据的关联值之前,还包括:
判断所述历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失;
若缺失,则利用相邻的第二历史深度调峰时刻所对应的历史采暖热负荷值或历史气象数据的平均值,对所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行补充;
若未缺失,则计算所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据与所述第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的变化量,并判断所述变化量是否大于第二预设阈值;
若大于,则利用所述第二历史深度调峰时刻的历史采暖热负荷值或历史气象数据的平均值,对所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据进行替换。
7.根据权利要求6所述的采暖供热机组深度调峰方法,其特征在于,在确定所述第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据缺失之后,还包括:
确定所述历史供热时间段中的其他历史深度调峰时刻所缺失的历史采暖热负荷值或历史气象数据的缺失数量,并判断所述缺失数量是否大于第三预设阈值;
若是,则利用下一历史供热时间段的历史采暖热负荷值和历史气象数据,执行判断所述历史供热时间段中的第一历史深度调峰时刻的历史采暖热负荷值或历史气象数据是否缺失的步骤。
8.一种采暖供热机组深度调峰装置,其特征在于,包括:
采暖热负荷预测模块,用于获取深度调峰时刻对应的气象预测数据,并将所述气象预测数据输入预设采暖热负荷预测模型得到采暖热负荷预测值;所述预设采暖热负荷预测模型利用历史采暖热负荷值及对应的历史气象数据训练得到;
深度调峰范围预测模块,用于将所述采暖热负荷预测值输入供热机组的预设仿真模型中进行计算,得到所述供热机组的深度调峰范围;所述预设仿真模型利用所述供热机组的热平衡图进行生成;
深度调峰模块,用于根据所述深度调峰范围对所述供热机组进行深度调峰。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的采暖供热机组深度调峰方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至7任一项所述的采暖供热机组深度调峰方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631386.6A CN113283774A (zh) | 2021-06-07 | 2021-06-07 | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631386.6A CN113283774A (zh) | 2021-06-07 | 2021-06-07 | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283774A true CN113283774A (zh) | 2021-08-20 |
Family
ID=77283506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631386.6A Pending CN113283774A (zh) | 2021-06-07 | 2021-06-07 | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283774A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015004742A1 (ja) * | 2013-07-10 | 2015-01-15 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN108053066A (zh) * | 2017-12-12 | 2018-05-18 | 中国西电电气股份有限公司 | 工业生产用户能源管理系统中可调电力负荷的预测方法 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
CN109193808A (zh) * | 2018-11-13 | 2019-01-11 | 国网河北能源技术服务有限公司 | 电网调峰能力预测方法及装置 |
CN109684302A (zh) * | 2018-12-04 | 2019-04-26 | 平安科技(深圳)有限公司 | 数据预测方法、装置、设备及计算机可读存储介质 |
CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
CN110930046A (zh) * | 2019-11-29 | 2020-03-27 | 国网河北省电力有限公司电力科学研究院 | 一种供热机组深度调峰控制策略及其系统 |
CN111028100A (zh) * | 2019-11-29 | 2020-04-17 | 南方电网能源发展研究院有限责任公司 | 考虑气象因素的精细化短期负荷预测方法、装置及介质 |
CN111503718A (zh) * | 2020-03-09 | 2020-08-07 | 华电电力科学研究院有限公司 | 基于多因素影响的热电联产供热负荷预测方法及供热系统 |
-
2021
- 2021-06-07 CN CN202110631386.6A patent/CN113283774A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015004742A1 (ja) * | 2013-07-10 | 2015-01-15 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN108053066A (zh) * | 2017-12-12 | 2018-05-18 | 中国西电电气股份有限公司 | 工业生产用户能源管理系统中可调电力负荷的预测方法 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
CN109193808A (zh) * | 2018-11-13 | 2019-01-11 | 国网河北能源技术服务有限公司 | 电网调峰能力预测方法及装置 |
CN109684302A (zh) * | 2018-12-04 | 2019-04-26 | 平安科技(深圳)有限公司 | 数据预测方法、装置、设备及计算机可读存储介质 |
CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
CN110930046A (zh) * | 2019-11-29 | 2020-03-27 | 国网河北省电力有限公司电力科学研究院 | 一种供热机组深度调峰控制策略及其系统 |
CN111028100A (zh) * | 2019-11-29 | 2020-04-17 | 南方电网能源发展研究院有限责任公司 | 考虑气象因素的精细化短期负荷预测方法、装置及介质 |
CN111503718A (zh) * | 2020-03-09 | 2020-08-07 | 华电电力科学研究院有限公司 | 基于多因素影响的热电联产供热负荷预测方法及供热系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
EP4024295A1 (en) | Optimization method and apparatus for integrated energy system and computer readable storage medium | |
CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
WO2021062753A1 (zh) | 综合能源系统的仿真方法、装置和计算机可读存储介质 | |
CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
EP4020260A1 (en) | Method and apparatus for controlling integrated energy system, and computer-readable storage medium | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
Kusiak et al. | Minimization of wind farm operational cost based on data-driven models | |
CN116304669A (zh) | 一种短期校正的分布式光伏功率预测方法及系统 | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
CN109861293B (zh) | 光伏不确定性对电力系统小信号稳定性影响的评估方法 | |
CN113283774A (zh) | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 | |
CN116544934A (zh) | 根据电力负荷预测的电力调度方法及系统 | |
CN117091242A (zh) | 空调温控负荷集群的评估方法、温度设定方法及系统 | |
CN111313415A (zh) | 一种热电厂及供热机组负荷分配方法、系统和装置 | |
CN110544033A (zh) | 热电厂灵活性改造后的电力系统风电消纳评估方法 | |
CN112134275B (zh) | 一种计算含风电场电力系统的可靠性方法及系统 | |
CN115222298A (zh) | 虚拟电厂可调容量构建方法、装置、存储介质及电子设备 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN113591283B (zh) | 燃气锅炉的运行氧量调整方法、装置和计算机设备 | |
CN116776613B (zh) | 风光出力场景重构系统 | |
CN110400050B (zh) | 一种综合能源系统的可替代自由度指标计算方法 | |
CN116341727A (zh) | 基于概率预测的风电功率确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |