CN115222153B - 一种火电企业低碳调度寻优方法及系统 - Google Patents
一种火电企业低碳调度寻优方法及系统 Download PDFInfo
- Publication number
- CN115222153B CN115222153B CN202211048070.5A CN202211048070A CN115222153B CN 115222153 B CN115222153 B CN 115222153B CN 202211048070 A CN202211048070 A CN 202211048070A CN 115222153 B CN115222153 B CN 115222153B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- thermal power
- carbon
- coal
- 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.)
- Active
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 31
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 106
- 239000003245 coal Substances 0.000 claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000002156 mixing Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 15
- 239000000446 fuel Substances 0.000 claims description 16
- 238000002485 combustion reaction Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 9
- 210000001503 joint Anatomy 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 18
- 229910002092 carbon dioxide Inorganic materials 0.000 description 9
- 239000001569 carbon dioxide Substances 0.000 description 9
- 239000008186 active pharmaceutical agent Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种火电企业低碳调度寻优方法及系统，涉及火电企业能源调度技术领域，方法先采集火电企业的燃煤燃烧历史数据样本；并对样本进行预处理，提取出与碳排放指标相关的特征集并将其随机分配为训练集和验证集；基于多层前向神经网络算法，输入训练集对碳排放预测模型进行迭代训练和模型参数调整，直至模型收敛，获得训练好的碳排放预测模型；将实际采集的燃煤燃烧数据输入模型进行碳排放量预测，并根据预测结果和生产要求进行资源调度，综合制定出最优配煤掺烧方案。本申请通过定期采集存储企业的生产指标数据，可以实现企业碳排放数据追溯，同时构建碳排放预测模型进行碳排放预测，可以合理为火电企业制定出相应的煤炭采购计划。
Description
技术领域
本发明属于火电企业能源调度技术领域，具体涉及一种火电企业低碳调度寻优方法及系统。
背景技术
目前，火电行业具备碳排放相关的计算和检测方法与标准支撑，具体为：
1）排放因子法（计算法）。排放因子法是IPCC提出的第一种碳排放估算方法，依据企业温室气体排放核算方法与企业温室气体排放核算方法与报告指南来计算发电企业二氧化碳排放量。
2）在线监测法（检测法）。采用环保部门认可的烟气连续排放监测系统在线监测发电企业二氧化碳排放量。
面临2030年“碳达峰”的要求，目前的火电企业存在“碳迹”感知、呈现能力不足，运行领域内“碳迹”计量能力不足，碳痕迹缺失、碳评价指标空白、碳追溯手段缺乏等情况，难以根据火电企业的实际生产指标数据查找出碳排放异常原因，不能指导火电企业及时制定减碳措施。
发明内容
为解决上述现有技术的不足，本发明提供了一种火电企业低碳调度寻优方法及系统，旨在解决当前火电企业碳排放数据追溯计量困难，难以根据火电企业的实际生产指标数据查找出碳排放异常原因，不能指导火电企业及时制定减碳措施的问题。
为实现以上目的，本申请采用如下技术方案：
第一方面，本发明提供了一种火电企业低碳调度寻优方法，包括以下步骤：
S1：采集火电企业的燃煤燃烧历史数据样本；
S2：利用高阶神经网络API对燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，并将特征集随机分配为训练集和验证集；
S3：基于多层前向神经网络算法，输入训练集对碳排放预测模型进行迭代训练和模型参数调整，直至模型收敛，获得训练好的碳排放预测模型；
S4：将实际采集的火电企业燃煤燃烧数据输入碳排放预测模型进行碳排放量预测，并根据碳排放量预测结果和生产要求，对煤种、煤种掺配比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。
进一步地，所述步骤S1具体包括：将火电企业的各项生产运行指标数据进行业务关联，通过数据接口与燃料智能化系统、碳排放监测系统和SIS系统进行数据对接，定期采集火电企业的生产运行指标数据，并将采集的生产运行指标数据作为燃煤燃烧历史数据样本。
进一步地，所述步骤S2具体包括：基于机器学习库TensorFlow，利用其keras模块提供的高阶神经网络API，对采集到的燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，将特征集随机分配为训练集和验证集。
进一步地，所述步骤S3具体包括：基于多层前向神经网络算法，输入训练集对碳排放预测模型进行多次迭代训练，并将验证集输入碳排放预测模型进行验证对比，对模型参数进行调整，直至模型输出的预测结果与实际输出值的误差低于预设的阈值时，获得学习训练好的碳排放预测模型。
进一步地，所述碳排放预测模型包括输入层、隐藏层和输出层，输入层与隐藏层连接，隐藏层与输出层连接；输入层由三个输入单元构成；隐藏层包括两层隐藏层，每层隐藏层均由4个隐藏单元构成；输出层由两个输出单元构成。
进一步地，所述生产运行指标数据包括生产指标、燃料指标、环保指标和经济指标。
进一步地，所述生产要求包括燃煤库存量、发电计划、环保要求、碳排放配额、安全生产要求和经济要求。
第二方面，本发明提供了一种火电企业低碳调度寻优系统，采用上述一种火电企业低碳调度寻优方法实现，所述系统包括数据采集模块、数据预处理模块、碳排放预测模块和寻优方案制定模块；数据采集模块用于将火电企业的各项生产运行指标数据进行业务关联，通过数据接口与燃料智能化系统、碳排放监测系统和SIS系统进行数据对接，定期采集火电企业的生产运行指标数据；数据预处理模块用于对采集到的生产运行指标数据进行预处理；碳排放预测模块用于根据预处理后的生产运行指标数据进行碳排放预测；寻优方案制定模块用于根据碳排放量预测结果和生产要求，对煤种比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。
本申请采用以上技术方案，至少具备以下有益效果：
本申请方案先采集火电企业的燃煤燃烧历史数据样本；利用高阶神经网络API对燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，并将特征集随机分配为训练集和验证集；然后基于多层前向神经网络算法，输入训练集对碳排放预测模型进行迭代训练和模型参数调整，直至模型收敛，获得训练好的碳排放预测模型；最后将实际采集的火电企业燃煤燃烧数据输入碳排放预测模型进行碳排放量预测，并根据碳排放量预测结果和生产要求，对煤种、煤种掺配比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。本申请通过定期采集企业的生产指标数据并进行存储，可以实现企业碳排放数据追溯。同时构建碳排放预测模型，通过碳排放预测模型对企业生产指标数据定量分析得到各采购煤种的单位度电碳排放强度，分析出燃煤电厂煤种之间的碳排放的差异性，帮助企业及时发现碳排放异常问题及原因，从而合理为火电企业制定出相应的煤炭采购计划，从源头上控制企业的二氧化碳的排放。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是根据一实施例示出的火电企业低碳调度寻优方法流程示意图；
图2是根据一实施例示出的火电企业低碳调度寻优逻辑关系示意图；
图3是根据一实施例示出的碳排放模型结构示意图；
图4是根据一实施例示出的图火电企业低碳调度寻优系统模块示意图；
附图4中：1-数据采集模块，2-数据预处理模块，3-碳排放预测模块，4-寻优方案制定模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
请参阅图1，图1是根据一示例性实施例示出的一种火电企业低碳调度寻优方法流程示意图。如图1所示，方法包括以下步骤：
S1：采集火电企业的燃煤燃烧历史数据样本；
S2：利用高阶神经网络API对燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，并将特征集随机分配为训练集和验证集；
S3：基于多层前向神经网络算法，输入训练集对碳排放预测模型进行迭代训练和模型参数调整，直至模型收敛，获得训练好的碳排放预测模型；
S4：将实际采集的火电企业燃煤燃烧数据输入碳排放预测模型进行碳排放量预测，并根据碳排放量预测结果和生产要求，对煤种、煤种掺配比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。
具体的，在本申请方案中，所述步骤S1具体包括：将火电企业的各项生产运行指标数据进行业务关联，通过数据接口与燃料智能化系统、碳排放监测系统和SIS系统进行数据对接，定期采集火电企业的生产运行指标数据，并将采集的生产运行指标数据作为燃煤燃烧历史数据样本。
其中，请参照图2，本申请方案采集的生产运行指标数据包括生产指标、燃料指标、环保指标和经济指标。生产指标包括用电负荷、发电量和供热量。燃料指标包括耗煤量、元素碳和发热量。环保指标包括二氧化碳排放量和二氧化硫排放量。经济指标包括入炉标煤单价和度电成本。在定期采集上述生产指标数据时，可以按照火力发电设置班次和机组进行分批采集，每15分钟记录一条数据。
此外，本申请方案对接的燃料智能化系统、碳排放监测系统和SIS系统均为现有火电企业所采用的数据监测系统。燃料智能化系统用于对火电企业燃料的入厂、计量、采样、制样、传输、存样、化验、入炉和煤场等环节进行数据监控和采集。碳排放监测系统用于对火电企业二氧化碳和二氧化硫的排放量进行监测。SIS系统（安全联锁系统）用于企业的生产指标数据。
进一步地，由于采集的生产运行指标数据不可避免的会存在数据缺、数据集不平衡和数据集中各类数据非同一量级等情况，因此需要对缺失数据进行补全和对异常数据进行清洗、均衡化处理防止类别不平衡和数据标准化处理。本申请采用数据预处理方法包括数据补全方法、数据均衡方法和数据归一化处理，利用上述方法分别对生产运行指标数据进行数据预处理，可以避免数据挖掘不全、类别不均衡，数据过拟合等问题。
具体的，在本申请方案中，所述步骤S2具体包括：基于机器学习库TensorFlow，利用其keras模块提供的高阶神经网络API，对采集到的燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，将特征集随机分配为训练集和验证集。
其中，机器学习库TensorFlow将大量的机器学习和深度学习（也称为神经网络）模型和算法捆绑在一起，并通过一个通用的隐喻使其变得有用。它使用Python为使用框架构建应用程序提供了便捷的前端API，同时在高性能C ++中执行这些应用程序。而keras模块是tensorflow提供的一个高级api，主要有以下优点：用户友好，一致性强，通过keras模块可以更方便、快捷地构建神经网络模型。因此，本申请采用keras模块来对火电企业的燃煤燃烧历史数据样本进行预处理，便于快速构件碳排放预测模型。
具体的，在本申请方案中，所述步骤S3具体包括：基于多层前向神经网络算法，输入训练集对碳排放预测模型进行多次迭代训练，并将验证集输入碳排放预测模型进行验证对比，对模型参数进行调整，直至模型输出的预测结果与实际输出值的误差低于预设的阈值时，获得学习训练好的碳排放预测模型。
其中，请参照图3，所述碳排放预测模型包括输入层、隐藏层和输出层，输入层与隐藏层连接，隐藏层与输出层连接；输入层由三个输入单元构成，分别为x1，x2，x3；隐藏层包括两层隐藏层，每层隐藏层均由4个隐藏单元构成；输出层由两个输出单元构成，分别为y1和y2。本申请方案通过碳排放预测模型对企业生产指标数据定量分析得到各采购煤种的单位度电碳排放强度，分析出燃煤电厂煤种之间的碳排放的差异性，帮助企业及时发现碳排放异常问题及原因，从而合理为火电企业制定出相应的煤炭采购计划，从源头上控制企业的二氧化碳的排放。
进一步地，所述生产要求包括燃煤库存量、发电计划、环保要求、碳排放配额、安全生产要求和经济要求。
具体的，请参照图2，本申请方案进行火电企业低碳调度寻优的逻辑关系具体如下：先定期采集火电企业的各项指标数据，并将采集的生产运行指标数据作为燃煤燃烧历史数据样本，然后对燃煤燃烧历史数据样本进行预处理，划分出训练集和验证集，利用碳排放预测模型进行碳排放预测。根据碳排放预测结果和火电企业的生产要求进行定量分析，对企业自身的煤种、煤种比例、上煤量进行调度分配，形成配煤寻优方案。然后根据配煤寻优方案获得二氧化碳排放量、燃煤结算单和专家经验排名等经验值，并根据经验值与企业的实际测量值对碳排放预测模型参数进一步进行优化，重新标杆排名。
请参照图4，本申请方案还提供了一种火电企业低碳调度寻优系统，采用上述的火电企业低碳调度寻优方法实现，所述系统包括数据采集模块、数据预处理模块、碳排放预测模块和寻优方案制定模块；数据采集模块用于将火电企业的各项生产运行指标数据进行业务关联，通过数据接口与燃料智能化系统、碳排放监测系统和SIS系统进行数据对接，定期采集火电企业的生产运行指标数据；数据预处理模块用于对采集到的生产运行指标数据进行预处理；碳排放预测模块用于根据预处理后的生产运行指标数据进行碳排放预测；寻优方案制定模块用于根据碳排放量预测结果和生产要求，对煤种比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。
具体的，本申请方案中，火电企业低碳调度寻优系统的工作原理包括：数据采集模块先将燃料煤种信息、煤质信息数据、煤种燃烧二氧化碳排放量、供热量、供电量等信息进行业务关联，数据采集模块通过数据接口与燃料智能化系统、碳排放监测系统、SIS系统进行数据对接，采集将原煤仓底层煤种燃料数据、煤种燃烧二氧化碳排放量、供热量、供电量等信息。然后数据预处理模块用于对前述采集到的数据进行预处理，将预处理后的数据输入碳排放预测模块进行碳排放预测。最后寻优方案制定模块根据碳排放量预测结果和生产要求，对煤种比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。
本申请方案针对火电企业燃煤燃烧特点，结合大数据分析、神经网络算法等技术，建立煤种燃烧与碳排放的低碳调度寻优系统平台，帮助发电企业及时发现碳排放异常问题及原因，指导发电企业及时制定减碳措施。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”、“多”的含义是指至少两个。
应该理解，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者可能同时存在居中元件；当一个元件被称为“连接 ”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件，此外，这里使用的“连接”可以包括无线连接；使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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申请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。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种火电企业低碳调度寻优方法，其特征在于，包括以下步骤：
S1：采集火电企业的燃煤燃烧历史数据样本，包括：将火电企业的各项生产运行指标数据进行业务关联，通过数据接口与燃料智能化系统、碳排放监测系统和SIS系统进行数据对接，定期采集火电企业的生产运行指标数据，并将采集的生产运行指标数据作为燃煤燃烧历史数据样本；所述生产运行指标数据包括生产指标、燃料指标、环保指标和经济指标；
S2：利用高阶神经网络API对燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，并将特征集随机分配为训练集和验证集，包括：基于机器学习库TensorFlow，利用其keras模块提供的高阶神经网络API，对采集到的燃煤燃烧历史数据样本进行预处理，提取出与碳排放指标相关的特征集，将特征集随机分配为训练集和验证集；
S3：基于多层前向神经网络算法，输入训练集对碳排放预测模型进行迭代训练和模型参数调整，直至模型收敛，获得训练好的碳排放预测模型；所述碳排放预测模型包括输入层、隐藏层和输出层，输入层与隐藏层连接，隐藏层与输出层连接；输入层由三个输入单元构成；隐藏层包括两层隐藏层，每层隐藏层均由4个隐藏单元构成；输出层由两个输出单元构成；
S4：将实际采集的火电企业燃煤燃烧数据输入碳排放预测模型进行碳排放量预测，并根据碳排放量预测结果和生产要求，对煤种、煤种掺配比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案；所述生产要求包括燃煤库存量、发电计划、环保要求、碳排放配额、安全生产要求和经济要求。
2.根据权利要求1所述的一种火电企业低碳调度寻优方法，其特征在于，所述步骤S3具体包括：基于多层前向神经网络算法，输入训练集对碳排放预测模型进行多次迭代训练，并将验证集输入碳排放预测模型进行验证对比，对模型参数进行调整，直至模型输出的预测结果与实际输出值的误差低于预设的阈值时，获得学习训练好的碳排放预测模型。
3.一种采用上述权利要求1～2任意一项所述一种火电企业低碳调度寻优方法实现的火电企业低碳调度寻优系统，其特征在于，所述系统包括数据采集模块、数据预处理模块、碳排放预测模块和寻优方案制定模块；数据采集模块用于将火电企业的各项生产运行指标数据进行业务关联，通过数据接口与燃料智能化系统、碳排放监测系统和SIS系统进行数据对接，定期采集火电企业的生产运行指标数据；数据预处理模块用于对采集到的生产运行指标数据进行预处理；碳排放预测模块用于根据预处理后的生产运行指标数据进行碳排放预测；
寻优方案制定模块用于根据碳排放量预测结果和生产要求，对煤种比例和上煤量进行调度分配，综合制定出最优配煤掺烧方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211048070.5A CN115222153B (zh) | 2022-08-30 | 2022-08-30 | 一种火电企业低碳调度寻优方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211048070.5A CN115222153B (zh) | 2022-08-30 | 2022-08-30 | 一种火电企业低碳调度寻优方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115222153A CN115222153A (zh) | 2022-10-21 |
| CN115222153B true CN115222153B (zh) | 2023-11-07 |
Family
ID=83617258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211048070.5A Active CN115222153B (zh) | 2022-08-30 | 2022-08-30 | 一种火电企业低碳调度寻优方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222153B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学（保定） | 一种机组负荷双重智能优化控制方法 |
| CN109951357A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于多层神经网络的网络应用识别方法 |
| CN111353631A (zh) * | 2019-11-26 | 2020-06-30 | 国网山东省电力公司电力科学研究院 | 基于多层lstm的火电厂凝汽器真空度预测方法 |
| CN112669061A (zh) * | 2020-12-23 | 2021-04-16 | 华电电力科学研究院有限公司 | 火电厂碳配额盈缺分析方法、系统、装置及可读存储介质 |
| KR102271069B1 (ko) * | 2020-03-31 | 2021-06-29 | 조선대학교산학협력단 | 석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치 |
| CN113887827A (zh) * | 2021-10-25 | 2022-01-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于火电机组实时碳排放监测的配煤掺烧优化决策方法 |
| CN113947241A (zh) * | 2021-10-12 | 2022-01-18 | 华电莱州发电有限公司 | 一种数字电厂建设在线煤质数据库系统 |
| CN114417571A (zh) * | 2021-12-24 | 2022-04-29 | 国网湖北省电力有限公司电力科学研究院 | 一种实现燃煤发电机组碳排放在线监测方法、系统及存储介质 |
| CN114925328A (zh) * | 2022-04-21 | 2022-08-19 | 西安热工研究院有限公司 | 一种燃煤机组配煤掺烧计算方法及系统 |
| CN114936681A (zh) * | 2022-05-09 | 2022-08-23 | 国家电网有限公司西北分部 | 一种基于深度学习的碳排放预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11398000B2 (en) * | 2019-05-20 | 2022-07-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
-
2022
- 2022-08-30 CN CN202211048070.5A patent/CN115222153B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学（保定） | 一种机组负荷双重智能优化控制方法 |
| CN109951357A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于多层神经网络的网络应用识别方法 |
| CN111353631A (zh) * | 2019-11-26 | 2020-06-30 | 国网山东省电力公司电力科学研究院 | 基于多层lstm的火电厂凝汽器真空度预测方法 |
| KR102271069B1 (ko) * | 2020-03-31 | 2021-06-29 | 조선대학교산학협력단 | 석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치 |
| CN112669061A (zh) * | 2020-12-23 | 2021-04-16 | 华电电力科学研究院有限公司 | 火电厂碳配额盈缺分析方法、系统、装置及可读存储介质 |
| CN113947241A (zh) * | 2021-10-12 | 2022-01-18 | 华电莱州发电有限公司 | 一种数字电厂建设在线煤质数据库系统 |
| CN113887827A (zh) * | 2021-10-25 | 2022-01-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于火电机组实时碳排放监测的配煤掺烧优化决策方法 |
| CN114417571A (zh) * | 2021-12-24 | 2022-04-29 | 国网湖北省电力有限公司电力科学研究院 | 一种实现燃煤发电机组碳排放在线监测方法、系统及存储介质 |
| CN114925328A (zh) * | 2022-04-21 | 2022-08-19 | 西安热工研究院有限公司 | 一种燃煤机组配煤掺烧计算方法及系统 |
| CN114936681A (zh) * | 2022-05-09 | 2022-08-23 | 国家电网有限公司西北分部 | 一种基于深度学习的碳排放预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115222153A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elahi et al. | Application of an artificial neural network to optimise energy inputs: An energy-and cost-saving strategy for commercial poultry farms | |
| Ghenai et al. | Recent trends of digital twin technologies in the energy sector: A comprehensive review | |
| CN106302739A (zh) | 一种工业锅炉监测及分析辅助决策云平台系统 | |
| CN105426980B (zh) | 一种配电网健康指数评估工程应用系统 | |
| CN116681187B (zh) | 一种基于企业经营数据的企业碳配额预测方法 | |
| CN104919384A (zh) | 用于设备维护和/或风险减缓的电力系统设备的评估 | |
| CN102931625B (zh) | 一种继电保护在线状态检修智能决策分析装置和其信号处理方法及其应用 | |
| Fantini et al. | Back to intuition: Proposal for a performance indicators framework to facilitate eco-factories management and benchmarking | |
| Mi et al. | Integrated intelligent green scheduling of predictive maintenance for complex equipment based on information services | |
| CN113219932B (zh) | 一种火力发电行业碳排放数字化分析系统 | |
| Zhao et al. | Research on international standardization of software quality and software testing | |
| CN206370098U (zh) | 一种火电厂燃料全程管控系统 | |
| CN101751613A (zh) | 可视化化工流程运行能效委托管理系统的信息处理方法 | |
| CN106203692A (zh) | 一种火电厂寻优系统及数据处理方法 | |
| CN115222153B (zh) | 一种火电企业低碳调度寻优方法及系统 | |
| Jin et al. | Spatial agent‐based modeling for dedicated energy crop adoption and cellulosic biofuel commercialization | |
| CN106651094B (zh) | 一种基于等效节能量的企业能效评价方法 | |
| Moleda et al. | Big data in power generation | |
| CN115063046A (zh) | 基于大数据分析的电网物资供应商数智驾驶舱系统 | |
| Lin et al. | Design and implementation of a CPS‐based predictive maintenance and automated management platform | |
| Hart | Biomass supply chain logistics for co-firing coal power plants | |
| He et al. | Product low‐carbon design, manufacturing, logistics, and recycling: An overview | |
| Fockema | A customisable data analysis interface for an online electrical energy information system | |
| Okokpujie et al. | Improving the Maintainability and Reliability in Nigerian Industry 4.0: Its Challenges and the Way Forward from the Manufacturing Sector. | |
| Al Mashaqbeh et al. | Hybrid Framework of, EWGM-FMEA, Analytical Hierarchy Process and Risk Balance Score Card for Risks Assessment in Energy Sector |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |