CN116703099A - 基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置 - Google Patents
基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置 Download PDFInfo
- Publication number
- CN116703099A CN116703099A CN202310702849.2A CN202310702849A CN116703099A CN 116703099 A CN116703099 A CN 116703099A CN 202310702849 A CN202310702849 A CN 202310702849A CN 116703099 A CN116703099 A CN 116703099A
- Authority
- CN
- China
- Prior art keywords
- temperature
- value
- unit
- main steam
- power plant
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000010248 power generation Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 239000002245 particle Substances 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 126
- 238000004364 calculation method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 238000003303 reheating Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 8
- 238000007599 discharging Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 238000011160 research 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—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—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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
Abstract
本发明涉及一种基于机器学习算法的虚拟电厂跨时间匹配调控方法,根据汽轮机以往数据进行机器学习方法建立机组发电热耗率预测模型,而后采用粒子群优化算法对各工况进行参数优化,建立优化之后的汽轮机运行模型,之后预测负荷需求、内部源设备容量、电动汽车储能容量,建立虚拟电厂运行成本模型;根据内部分布式能源的能源消耗量,建立内部分布式能源运行模型;然后应用进化粒子群算法与虚拟电厂的运行成本模型和分布式能源运行模型,对虚拟电厂中分布式能源的进行负荷优化;最后确定相对运行成本最低的运行方案。本发明能够全面、精确、便捷地计算出虚拟电厂运行模型中分布式能源的优化部署方案。
Description
技术领域
本发明属于电厂大数据领域范围,尤其涉及了一种基于机器学习算法的虚拟电厂跨时间匹配调控方法、装置及计算机可读存储介质。
背景技术
随着我国科技的进步和经济的发展,我国电力工业发电装机量与发电量连年增长,截止2021年底,全国发电装机容量23.8亿千瓦时,年发电量8.3万亿千瓦时。其中,火电在装机容量上占比54.6%,在发电量上占比为71.13%。由此可见,火电站仍然是我国电力系统电源侧的主体部分。截止2021年底,火力发电中燃煤发电占比85.4%,电力生产过程中消耗大量的煤炭,会向空气中排放有害气体和烟粉尘,这些气体和粉尘造成了温室效应和雾霾天气,因此,针对燃煤电站的运行优化具有重要的研究意义。随着火电厂自动化程度日益提高,在电力生产过程中产生和存储了大量的运行数据,这些数据具有数量庞大、结构繁杂、形式多样、增加速度快、价值高等特征,通过电厂SIS系统实时读取电厂运行数据,采用先进的数据挖掘手段,释放海量数据中蕴藏的价值有利于电厂的节能减排和安全经济运行,有利于加速智慧电厂的发展,是当前发电厂发展的一个重要方向。
如今,随着机器学习算法与大数据技术日益成熟,通过大数据技术对复杂的电力生产系统进行建模,充分挖掘以前因为技术而忽略的生产信息,通过对历史运行数据的分析,有利于分析机组实际运行过程中的劣化特性和指导当前机组的运行,在不影响机组运行的情况下实现汽轮发电机组的优化分析并给出优化建议,这已经成为当今电厂运行优化的重要手段。
发明内容
本发明实例目的在于提供一种基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置。
本发明的技术方案:
一种基于机器学习算法的虚拟电厂跨时间匹配调控方法,包括以下步骤:
S1:获取机组负荷、主蒸汽参数(主蒸汽压力、主蒸汽温度、主蒸汽流量)、给水参数(给水流量、给水温度、给水压力)、再热参数(再热压力、再热温度)、高排参数(高排压力、高排温度)、减温水参数(减温水温度、减温水压力)运行数据;
S2:对运行数据进行数据清洗、稳态工况判定、关键参数选择等预处理操作;
S3:根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率;
S4:利用随机森林算法建立机组发电热耗率预测模型;
S5:选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数;
S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化。
S7进行资源信息的收集和整理与虚拟电厂用户信息的整合,所述信息的内容包括多虚拟电厂内部分布式资源信息、负荷聚合商聚合用户的资源信息、用户总购电功率、虚拟电厂对用户的总售电功率;
S8进行优化交易方案的制定,所述交易方案的制定是根据虚拟电厂聚合商根据各个分布式能源节点的能源信息以最大化累计盈利为目标进行制定,且通过模型计算得出最优方案;
S9,进行交易方案的输出,所述交易方案的输出是将最优交易方案进行输出。
其中,所述的步骤S1:主蒸汽参数包括主蒸汽压力、主蒸汽温度和主蒸汽流量;给水参数包括给水流量、给水温度和给水压力;再热参数包括再热压力和再热温度;高排参数包括高排压力和高排温度;减温水参数包括减温水温度和减温水压力。
其中,所述的步骤S2:对运行数据进行数据清洗、稳态工况判定、关键参数选择等预处理操作,具体包括以下分步骤:
S21:运行数据清洗主要包括对运行数据中的NaN值进行删除和平均值填充处理,对于失真数据通过设置运行数据上下边界阈值进行进行筛选与删除,对于离散值数据通过线性拟合设置上下阈值进行筛选与删除;
S22:稳态工况判定主要采用稳态判定公式进行判定,在一段时间内若判定值未超出稳态阈值,则判定机组处于稳态工况;若判定值超过稳态阈值,则参数向后递推一段时间,重新取数并进行判定,保留每次判定的稳态工况数据,直至全部运行数据判定完毕。判定表达式如下:
式中,Pj为i时刻的参数值,P0为该时刻接下来一段时间内的平均值,δk是判定用的阈值。
S23:关键参数选取主要采用皮尔逊相关系数计算公式计算各运行参数与机组发电热耗率间的相关系数值以进行参数选取,目的在于减少数据冗余和计算量,提高建模速度与模型准确度。矩阵第a列xai和第b列xbi的皮尔逊相关系数计算公式如下:
式中,m为每列特征的长度,相关系数的取值范围是[-1,1]。-1表示两列完全负相关,+1表示两列完全正相关,0表示两列完全不相关,i表示第i时刻。
其中,步骤S3:根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率,具体包括以下分步骤:
S31:根据水与水蒸气焓值函数计算主蒸汽焓值、再热蒸汽焓值、给水焓值、减温水焓值;
其中,PT为水蒸气焓值计算函数,hs1为主蒸汽焓值kJ/kg,hs2为再热蒸汽焓值kJ/kg;P1、P2分别为主蒸汽压力、再热蒸汽压力,MPa;T1、T2分别为主蒸汽温度、再热蒸汽温度,℃;PTF为饱和水、过冷水焓值计算函数,T2为凝结水温度,℃。hw1为给水焓值kJ/kg,hw2为减温水焓值kJ/kg;P3、P4分别为给水压力、减温水压力,MPa;T3、T4分别为给水温度、减温水温度,℃;
S32:计算得到主蒸汽、再热蒸汽、给水、减温水等参数的焓值后,进而可以计算得到机组的发电热耗率,其计算公式如下:
式中,qrh表示发电热耗率,单位为kJ/(kWh);Nel表示机组功率,单位为kW;D是表示流量,单位为kg/h;h表示焓值,单位为kJ/kg;下标zq表示主蒸汽参数,下标zr表示再热蒸汽热段参数,下标zl表示再热蒸汽冷段参数,下标gj表示过热减温水参数,下标zj表示再热减温水参数,下标fw表示给水参数。
其中,步骤S4:利用随机森林算法建立机组发电热耗率预测模型,具体包括以下分步骤:
S41:选取负荷、主蒸汽压力、主蒸汽温度、主蒸汽流量、给水流量、给水温度、给水压力、再热压力、再热温度、高排压力、高排温度、减温水温度、减温水压力13个关键参数样本数据作为模型输入变量,模型输出变量为机组发电热耗率,建立输入输出变量之间的映射模型关系,同时对截止当前时间前一段时间内的运行数据进行分组划分,该时间段内前80%的数据作为训练集以训练模型,该时间段内后20%的数据作为测试集以对模型拟合效果进行评价;
S42:对样本数据进行归一化处理以消除各输入变量由于量纲带来的数量级差异,起到加快模型训练速度和减小模型误差的作用,数据归一化的具体表达式如下:
式中,xi表示i点的数据,xi′表示归一化后i点的数据,xmax、xmin分别表示数据的均值、最大值和最小值。
S43:随机森林使用Bootstrap重采样法从原始数据集随机中抽取m个样本,构建m个训练子集,对每个训练子集进行决策树建模,然后组合多颗决策树的预测结果,投票确定最终的预测结果,对随机森林算法主要可调超参数回归树棵树(Ntrees)和最小叶子节点(MinleafSize)分别设置取值区间[50 100 150 200]和[5 10 20 50 100],组合得到20种超参数组合,重复训练模型以循环遍历各超参数,选取使得模型均方误差最小的Ntrees和MinleafSize参数值作为模型最终训练参数。
步骤S5:选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数,具体选取依据如下:
计算得到了主蒸汽压力、主蒸汽温度、再热温度、给水温度、机组负荷、主蒸汽流量、给水流量、高排温度、高排压力、再热压力、减温水温度、减温水压力、给水压力13个关键参数与机组热耗率间的权重系数矩阵W=[-0.028,0.016,0.017,-0.056,-0.396,0.434,-0.014,-0.013,0.012,-0.006,-0.001,0.004,-0.003]依据权重系数大小选取了与机组发电热耗率密切相关的主汽压力、主汽温度、再热温度、给水温度4个参数作为运行优化可调参数;
权重系数矩阵W按照以下计算公式计算得到:
式中,X0为m行n列的自变量矩阵,Y0为m行1列的因变量矩阵;表示矩阵第j列的最大值和最小值;X(j,j)、Y(i)为自变量和因变量归一化后的值;/>为矩阵X的每一列分别增加10%和减少10%后形成的新矩阵;/>分别为矩阵/>放入随机森林模型计算得到的预测值;IVj为自变量变化对因变量的影响值;QIj为因变量的分位影响值,下标/>的值取整,表示第i分位上的影响值;ωj为权重系数值;W为权重系数矩阵。
步骤S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化,包括:
初始化:设置粒子群的种群大小、迭代次数速度Vi=(v1i,v2i,…,vni)、位置Xi=(x1i,x2i,…,xni);Vni表示Vi第n次的迭代速度,Xni表示Xi第n次的迭代位置。式中,Vni表示Vi第n次的迭代速度,Xni表示Xi第n次的迭代位置。
计算适应值:Fi=f(Xi),式中,F表示适应值,f为适应值函数;
步骤S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化,包括计算个体极值和群体极值:初始种群中每个粒子的适应值中最大的为群体极值,个体所有的适应值中的最大/最小的适应值为个体极值,在首次计算中每个粒子只有一个适应值即为它的个体极值;
Pi=Xi,Gi=Pai(max[f(Pi)])
式中,P表示个体极值,G表示群体极值;
粒子速度、位置更新:速度和位置的更新根据下列公式进行迭代:
式中,k为迭代次数,w为权重,c1、c2为常数,R1、R2是[0,1]之间的随机数,vmax,vmin为第一步设置的速度区间的边界值;
适应值、个体极值和群体极值更新:种群变化位置后再次计算每一个粒子的适应值,与原来的极值比较,对各个极值进行更新;
循环计算:当循环计算中的迭代次数未满足终止条件时,回到粒子速度、位置更新处重新计算;
输出最优解:K值达到最大时则终止计算,输出此时的极值和极值所对应粒子的位置。
S7进行资源信息的收集和整理与虚拟电厂用户信息的整合,所述信息的内容包括多虚拟电厂内部分布式资源信息、负荷聚合商聚合用户的资源信息、用户总购电功率、虚拟电厂对用户的总售电功率,包括:
资源包括电动汽车分布式储能、虚拟电厂用户负荷,所述电动汽车的负荷侧资源的体现主体包括充电桩和充换电站,所述虚拟电厂为工业可控负荷,包括非连续生产车间和可调节用电设备。
S8进行优化交易方案的制定,所述交易方案的制定是根据虚拟电厂聚合商根据各个分布式能源节点的能源信息以最大化累计盈利为目标进行制定,且通过模型计算得出最优方案,包括:
VPP以收益最大为目标,考虑VPP上网电价、各分布式能源运行管理成本、电动汽车充放电成本、燃气轮机运行管理及燃料成本,其目标函数为:
式中,t为时间序列,本文以1h为一个时间间隔,t=1,2,3,…,T,T代表运行周期内小时数,以1天为1个运行周期,T=24h;C为总收益,¥;CGrid为VPP售电价格,¥/MWh;Pt W燃气轮机实际出力,MW;Cfp为燃气轮机单位燃料成本系数,¥/MWh;Ct PEV为t时刻电动汽车成本,¥/MWh;Pt c,PEV、Pt disc,PEV为t时刻电动汽车总充电和总放电功率,MW;Ct c、Ct dis、Ct BAT为t时刻电动汽车充电运行管理系数、放电运行管理系数、电动汽车电池损耗成本,¥/MWh;vt c、vt disc为t时刻电动汽车充放电状态,当vt c=1,表示电动汽车充电,当vt c=0,表示电动汽车不充电,当vt disc=1,表示电动汽车放电,当vt disc=0,表示电动汽车不放电。
电动汽车同时作为消费者和储能双重属性,要充分利用电动汽车的储能能力之前必须先满足用户出行需求,在每日的07:00~9:00时段和16:00~19:00时段将有大量电动汽车离开电网,需要满足这部分电动汽车的用电需求,因此这部分电动汽车只能充电不能放电,剩下的电动汽车可进行充放电,其余时间接入虚拟电厂的电动汽车完全由VPP控制,与燃气轮机共同弥补风光发电的波动性和随机性,完成虚拟电厂出力计划;同时为了激励电动汽车车主聚合到虚拟电厂中,需对电动汽车车主采取一定激励措施。约束条件包括约束平衡条件与出力约束;
其中功率平衡约束为
燃气轮机功率上下限约束
式中,Pmax W、Pmin W为燃气轮机出力上、下限,MW。
电动汽车约束
式中,Pdis,Single、Pc,Single为单台电动汽车放电功率和充电功率,MW;N为t时刻可控电动汽车数量,辆;Pt PEV为电动汽车等效出力值,大于0表示放电,小于0表示充电,MW。
在上述运行策略和约束条件下采用粒子群优化算法求解VPP调度模型。粒子群优化算法(particle swarm optimizer,PSO)采用速度-位置模型实现对整个解空间的寻优,各粒子根据式进行迭代操作。最后得到运行最优化结果。
S9,进行交易方案的输出,所述交易方案的输出是将最优交易方案进行输出。
本发明还提供了一种基于机器学习算法的虚拟电厂跨时间匹配调控装置,具体包括:
机组运行数据获取模块,用于获取机组负荷、主蒸汽参数(主蒸汽压力、主蒸汽温度、主蒸汽流量)、给水参数(给水流量、给水温度、给水压力)、再热参数(再热压力、再热温度)、高排参数(高排压力、高排温度)、减温水参数(减温水温度、减温水压力)运行数据;
数据预处理模块,用于对运行数据进行清洗、稳态工况判定和关键参数选取;
焓值及发电热耗率计算模块,用于根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率;
发电热耗率预测模块,用于利用随机森林算法建立机组发电热耗率预测模型,具体包括输入变量选取与样本数据分组(训练集:测试集=8:2)、样本数据归一化处理、超参数调节及模型训练;
运行可调参数优化模块,用于选取选取主汽压力、主汽温度、再热温度、给水温度作为可调参数,采用粒子群算法优化可调参数使得发电热耗率最小。
本发明还提供了一种用户终端设备,包括总线、收发器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述收发器、存储器、处理器均通过所述总线互相连接,所述处理器执行所述计算机程序时实现一种基于机器学习算法的虚拟电厂跨时间匹配调控方法中的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种基于机器学习算法的虚拟电厂跨时间匹配调控方法中的步骤。
本发明的有益效果:
本发明提供的一种基于机器学习算法的虚拟电厂跨时间匹配调控方法、装置、终端设备及可读存储介质与当前技术相比,优化效果在于,本发明中的虚拟电厂跨时间匹配调控方法及装置主要包括:获取机组热力系统实时运行数据;对机组运行数据进行数据清洗、稳态工况判定与关键参数选取等预处理操作;机组实时发电热耗率在线计算;采用随机森林算法建立机组热耗率预测模型,具体包括:输入变量选取与样本数据分组、样本数据归一化、超参数调节及模型训练;选取主汽压力、主汽温度、再热温度、给水温度作为可调参数;以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化;最后,对上述各功能模块进行系统集成与布置。本发明通过对电厂机组运行数据的实时采集及预处理得到符合建模要求的高质量样本数据,采用随机森林算法建立了机组发电热耗率实时预测模型,采用粒子群优化算法建立了机组热耗率优化模型,得到了机组在运行工况下的最佳参数,通过对机组运行数据进行挖掘,有效降低了汽轮机组的发电热耗率,为电厂实际运行提供指导。
附图说明
为了更加清晰地说明本发明实施例中的计算方法以及技术方案,下面将对实施例或技术方案使用附图更直观地进行介绍,下面描述中的附图仅仅是本发明的一些实施例,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展示了本发明实施例所提供的一种基于机器学习算法的虚拟电厂跨时间匹配调控方法流程图;
图2展示了本发明实施例所提供的发电热耗率预测的随机森林算法原理图;
图3展示了本发明实施例所提供的虚拟电厂跨时间匹配调控装置模块结构示意图;
图4展示了本发明实施例所提供的虚拟电厂跨时间匹配调控装置终端设备示意图。
具体实施方式
如图1-4所示,为解决当前虚拟电厂跨时间匹配调控不完善的问题,本发明实施例的目的在于提供一种基于机器学习算法的虚拟电厂跨时间匹配调控方法、装置及计算机用户终端设备。
参照图1,本发明提出了一种基于机器学习算法的虚拟电厂跨时间匹配调控方法,包括以下具体步骤:
S1:获取机组负荷、主蒸汽参数(主蒸汽压力、主蒸汽温度、主蒸汽流量)、给水参数(给水流量、给水温度、给水压力)、再热参数(再热压力、再热温度)、高排参数(高排压力、高排温度)、减温水参数(减温水温度、减温水压力)运行数据;
S2:对运行数据进行数据清洗、稳态工况判定、关键参数选择等预处理操作;
S3:根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率;
S4:利用随机森林算法建立机组发电热耗率预测模型;
S5:选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数;
S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化。
S7进行资源信息的收集和整理与虚拟电厂用户信息的整合,所述信息的内容包括多虚拟电厂内部分布式资源信息、负荷聚合商聚合用户的资源信息、用户总购电功率、虚拟电厂对用户的总售电功率;
S8进行优化交易方案的制定,所述交易方案的制定是根据虚拟电厂聚合商根据各个分布式能源节点的能源信息以最大化累计盈利为目标进行制定,且通过模型计算得出最优方案;
S9,进行交易方案的输出,所述交易方案的输出是将最优交易方案进行输出。
进一步地,S2具体包括:
S21:运行数据清洗主要包括对运行数据中的NaN值进行删除和平均值填充处理,对于失真数据通过设置运行数据上下边界阈值进行进行筛选与删除,对于离散值数据通过线性拟合设置上下阈值进行筛选与删除;
S22:稳态工况判定主要采用稳态判定公式进行判定,在一段时间内若判定值未超出稳态阈值,则判定机组处于稳态工况;若判定值超过稳态阈值,则参数向后递推一段时间,重新取数并进行判定,保留每次判定的稳态工况数据,直至全部运行数据判定完毕。判定表达式如下:
式中,Pj为i时刻的参数值,P0为该时刻接下来一段时间内的平均值,δk是判定用的阈值。
S23:关键参数选取主要采用皮尔逊相关系数计算公式计算各运行参数与机组发电热耗率间的相关系数值以进行参数选取,目的在于减少数据冗余和计算量,提高建模速度与模型准确度。矩阵第a列xa和第b列xb的皮尔逊相关系数计算公式如下:
式中,m为每列特征的长度,相关系数的取值范围是[-1,1]。-1表示两列完全负相关,+1表示两列完全正相关,0表示两列完全不相关。
S3:根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率。
进一步的,S3具体包括:
S31:根据水与水蒸气焓值函数计算主蒸汽焓值、再热蒸汽焓值、给水焓值、减温水焓值;
其中,PT为水蒸气焓值计算函数,hs1为主蒸汽焓值kJ/kg,hs2为再热蒸汽焓值kJ/kg;P1、P2分别为主蒸汽压力、再热蒸汽压力,MPa;T1、T2分别为主蒸汽温度、再热蒸汽温度,℃;PTF为饱和水、过冷水焓值计算函数,T2为凝结水温度,℃。hw1为给水焓值kJ/kg,hw2为减温水焓值kJ/kg;P3、P4分别为给水压力、减温水压力,MPa;T3、T4分别为给水温度、减温水温度,℃;
S32:计算得到主蒸汽、再热蒸汽、给水、减温水等参数的焓值后,进而可以计算得到机组的发电热耗率,其计算公式如下:
式中,qrh表示发电热耗率,单位为kJ/(kWh);Nel表示机组功率,单位为kW;D是表示流量,单位为kg/h;h表示焓值,单位为kJ/kg;下标zq表示主蒸汽参数,下标zr表示再热蒸汽热段参数,下标zl表示再热蒸汽冷段参数,下标gj表示过热减温水参数,下标zj表示再热减温水参数,下标fw表示给水参数。
S4:利用随机森林算法建立机组发电热耗率预测模型。
进一步的,S4具体包括:
S41:选取负荷、主蒸汽压力、主蒸汽温度、主蒸汽流量、给水流量、给水温度、给水压力、再热压力、再热温度、高排压力、高排温度、减温水温度、减温水压力13个关键参数样本数据作为模型输入变量,模型输出变量为机组发电热耗率,建立输入输出变量之间的映射模型关系,同时对截止当前时间前一段时间内的运行数据进行分组划分,该时间段内前80%的数据作为训练集以训练模型,该时间段内后20%的数据作为测试集以对模型拟合效果进行评价;
S42:对样本数据进行归一化处理以消除各输入变量由于量纲带来的数量级差异,起到加快模型训练速度和减小模型误差的作用,数据归一化的具体表达式如下:
式中,xi表示i点的数据,xi′表示归一化后i点的数据,xmax、xmin分别表示数据的均值、最大值和最小值。
S43:随机森林使用Bootstrap重采样法从原始数据集随机中抽取m个样本,构建m个训练子集,对每个训练子集进行决策树建模,然后组合多颗决策树的预测结果,投票确定最终的预测结果,对随机森林算法主要可调超参数回归树棵树(Ntrees)和最小叶子节点(MinleafSize)分别设置取值区间[50 100 150 200]和[5 10 20 50 100],组合得到20种超参数组合,重复训练模型以循环遍历各超参数,选取使得模型均方误差最小的Ntrees和MinleafSize参数值作为模型最终训练参数。
S5:选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数,具体选取依据如下:
计算得到了主蒸汽压力、主蒸汽温度、再热温度、给水温度、机组负荷、主蒸汽流量、给水流量、高排温度、高排压力、再热压力、减温水温度、减温水压力、给水压力13个关键参数与机组热耗率间的权重系数矩阵W=[-0.028,0.016,0.017,-0.056,-0.396,0.434,-0.014,-0.013,0.012,-0.006,-0.001,0.004,-0.003]依据权重系数大小选取了与机组发电热耗率密切相关的主汽压力、主汽温度、再热温度、给水温度4个参数作为运行优化可调参数;
权重系数矩阵W按照以下计算公式计算得到:
式中,X0为m行n列的自变量矩阵,Y0为m行1列的因变量矩阵;表示矩阵第j列的最大值和最小值;X(j,j)、Y(i)为自变量和因变量归一化后的值;/>为矩阵X的每一列分别增加10%和减少10%后形成的新矩阵;/>分别为矩阵/>放入随机森林模型计算得到的预测值;IVj为自变量变化对因变量的影响值;QIVj为因变量的分位影响值,下标/>的值取整,表示第i分位上的影响值;ωj为权重系数值;W为权重系数矩阵。
S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化,包括计算个体极值和群体极值:初始种群中每个粒子的适应值中最大的为群体极值,个体所有的适应值中的最大/最小的适应值为个体极值,在首次计算中每个粒子只有一个适应值即为它的个体极值;
Pi=Xi,Gi=Pai(max[f(Pi)])
式中,P表示个体极值,G表示群体极值;
粒子速度、位置更新:速度和位置的更新根据下列公式进行迭代:
式中,k为迭代次数,w为权重,c1、c2为常数,R1、R2是[0,1]之间的随机数,vmax,vmin为第一步设置的速度区间的边界值;
下面结合参照图1,本发明实施例所提供的一种基于机器学习算法的虚拟电厂跨时间匹配调控方法对计算所述虚拟电厂跨时间匹配调控进行进一步的说明如下:
获取机组负荷、主蒸汽参数(主蒸汽压力、主蒸汽温度、主蒸汽流量)、给水参数(给水流量、给水温度、给水压力)、再热参数(再热压力、再热温度)、高排参数(高排压力、高排温度)、减温水参数(减温水温度、减温水压力)运行数据;对运行数据进行数据清洗、稳态工况判定、关键参数选择等预处理操作;根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率;利用随机森林算法建立机组发电热耗率预测模型;选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数;以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化。
本发明还提供了一种基于机器学习算法的虚拟电厂跨时间匹配调控装置,其机构如图3所示,具体包括:
机组运行数据获取模块,用于获取机组负荷、主蒸汽参数(主蒸汽压力、主蒸汽温度、主蒸汽流量)、给水参数(给水流量、给水温度、给水压力)、再热参数(再热压力、再热温度)、高排参数(高排压力、高排温度)、减温水参数(减温水温度、减温水压力)运行数据;
数据预处理模块,用于对运行数据进行清洗、稳态工况判定和关键参数选取;
水与水蒸气焓值及发电热耗率计算模块,用于根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率;
发电热耗率预测模块,用于利用随机森林算法建立机组发电热耗率预测模型,具体包括输入变量选取与样本数据分组(训练集:测试集=8:2)、样本数据归一化处理、超参数调节及模型训练;
运行可调参数优化模块,用于选取选取主汽压力、主汽温度、再热温度、给水温度作为可调参数,采用粒子群算法优化可调参数使得发电热耗率最小。
本发明还提供了一种用户终端设备,包括总线、收发器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述收发器、存储器、处理器均通过所述总线互相连接。
总线,用于将收发器、存储器、处理器及计算机用户串联在一起。
收发器,用于在处理器的控制下接受和发送数据。
存储器,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,包括以下步骤:S1:获取机组负荷、主蒸汽参数、给水参数、再热参数、高排参数、减温水参数运行数据;
S2:对运行数据进行数据清洗、稳态工况判定、关键参数选择预处理操作;
S3:根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率;
S4:利用随机森林算法建立机组发电热耗率预测模型;
S5:选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数;
S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化;
S7进行资源信息的收集和整理与虚拟电厂用户信息的整合,所述信息的内容包括多虚拟电厂内部分布式资源信息、负荷聚合商聚合用户的资源信息、用户总购电功率、虚拟电厂对用户的总售电功率;
S8进行优化交易方案的制定,所述交易方案的制定是根据虚拟电厂聚合商根据各个分布式能源节点的能源信息以最大化累计盈利为目标进行制定,且通过模型计算得出最优方案;
S9,进行交易方案的输出,所述交易方案的输出是将最优交易方案进行输出。
2.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,步骤S1:主蒸汽参数包括主蒸汽压力、主蒸汽温度和主蒸汽流量;给水参数包括给水流量、给水温度和给水压力;再热参数包括再热压力和再热温度;高排参数包括高排压力和高排温度;减温水参数包括减温水温度和减温水压力。
3.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,步骤S2:对运行数据进行数据清洗、稳态工况判定、关键参数选择预处理操作,具体包括以下分步骤:
S21:运行数据清洗主要包括对运行数据中的NaN值进行删除和平均值填充处理,对于失真数据通过设置运行数据上下边界阈值进行进行筛选与删除,对于离散值数据通过线性拟合设置上下阈值进行筛选与删除;
S22:稳态工况判定主要采用稳态判定公式进行判定,在一段时间内若判定值未超出稳态阈值,则判定机组处于稳态工况;若判定值超过稳态阈值,则参数向后递推一段时间,重新取数并进行判定,保留每次判定的稳态工况数据,直至全部运行数据判定完毕;判定表达式如下:
式中,Pj为i时刻的参数值,P0为该时刻接下来一段时间内的平均值,δk是判定用的阈值;
S23:关键参数选取采用皮尔逊相关系数计算公式计算各运行参数与机组发电热耗率间的相关系数值以进行参数选取;矩阵第a列xai和第b列xbi的皮尔逊相关系数计算公式如下:
式中,m为每列特征的长度,相关系数的取值范围是[-1,1];-1表示两列完全负相关,+1表示两列完全正相关,0表示两列完全不相关,i表示第i时刻。
4.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,步骤S3:根据焓值公式计算水与水蒸气焓值进而计算机组发电热耗率,具体包括以下分步骤:
S31:根据水与水蒸气焓值函数计算主蒸汽焓值、再热蒸汽焓值、给水焓值、减温水焓值;
其中,PT为水蒸气焓值计算函数,hs1为主蒸汽焓值kJ/kg,hs2为再热蒸汽焓值kJ/kg;P1、P2分别为主蒸汽压力、再热蒸汽压力,MPa;T1、T2分别为主蒸汽温度、再热蒸汽温度,℃;PTF为饱和水、过冷水焓值计算函数,T2为凝结水温度,℃;hw1为给水焓值kJ/kg,hw2为减温水焓值kJ/kg;P3、P4分别为给水压力、减温水压力,MPa;T3、T4分别为给水温度、减温水温度,℃;
S32:计算得到主蒸汽、再热蒸汽、给水、减温水等参数的焓值后,进而可以计算得到机组的发电热耗率,其计算公式如下:
式中,qrh表示发电热耗率,单位为kJ/(kWh);Nel表示机组功率,单位为kW;D是表示流量,单位为kg/h;h表示焓值,单位为kJ/kg;下标zq表示主蒸汽参数,下标zr表示再热蒸汽热段参数,下标zl表示再热蒸汽冷段参数,下标gj表示过热减温水参数,下标zj表示再热减温水参数,下标fw表示给水参数。
5.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,步骤S4:利用随机森林算法建立机组发电热耗率预测模型,具体包括以下分步骤:
S41:选取负荷、主蒸汽压力、主蒸汽温度、主蒸汽流量、给水流量、给水温度、给水压力、再热压力、再热温度、高排压力、高排温度、减温水温度、减温水压力13个关键参数样本数据作为模型输入变量,模型输出变量为机组发电热耗率,建立输入输出变量之间的映射模型关系,同时对截止当前时间前一段时间内的运行数据进行分组划分,该时间段内前80%的数据作为训练集以训练模型,该时间段内后20%的数据作为测试集以对模型拟合效果进行评价;
S42:对样本数据进行归一化处理以消除各输入变量由于量纲带来的数量级差异,起到加快模型训练速度和减小模型误差的作用,数据归一化的具体表达式如下:
式中,xi表示i点的数据,xi′表示归一化后i点的数据,xmax、xmin分别表示数据的均值、最大值和最小值;
S43:随机森林使用Bootstrap重采样法从原始数据集随机中抽取m个样本,构建m个训练子集,对每个训练子集进行决策树建模,然后组合多颗决策树的预测结果,投票确定最终的预测结果,对随机森林算法主要可调超参数回归树棵树和最小叶子节点分别设置取值区间[50 100 150 200]和[5 10 20 50 100],组合得到20种超参数组合,重复训练模型以循环遍历各超参数,选取使得模型均方误差最小的Ntrees和MinleafSize参数值作为模型最终训练参数。
6.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,步骤S5:选取机组主汽压力、主汽温度、再热温度、给水温度作为运行优化可调参数,具体选取依据如下:
计算得到了主蒸汽压力、主蒸汽温度、再热温度、给水温度、机组负荷、主蒸汽流量、给水流量、高排温度、高排压力、再热压力、减温水温度、减温水压力、给水压力13个关键参数与机组热耗率间的权重系数矩阵W=[-0.028,0.016,0.017,-0.056,-0.396,0.434,-0.014,-0.013,0.012,-0.006,-0.001,0.004,-0.003]依据权重系数大小选取了与机组发电热耗率密切相关的主汽压力、主汽温度、再热温度、给水温度4个参数作为运行优化可调参数;
权重系数矩阵W按照以下计算公式计算得到:
式中,X0为m行n列的自变量矩阵,Y0为m行1列的因变量矩阵;表示矩阵第j列的最大值和最小值;X(j,j)、Y(i)为自变量和因变量归一化后的值;/>为矩阵X的每一列分别增加10%和减少10%后形成的新矩阵;Yj 1、Yj 2分别为矩阵/>放入随机森林模型计算得到的预测值;IVj为自变量变化对因变量的影响值;QIVj为因变量的分位影响值,下标/>的值取整,表示第i分位上的影响值;ωj为权重系数值;W为权重系数矩阵。
7.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控方法,其特征在于,步骤S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化,包括:
初始化:设置粒子群的种群大小、迭代次数速度Vi=(v1i,v2i,…,vni)、位置Xi=(x1i,x2i,…,xni);式中,Vni表示Vi第n次的迭代速度,Xni表示Xi第n次的迭代位置;
计算适应值:Fi=f(Xi),式中,F表示适应值,f为适应值函数;
步骤S6:以机组发电热耗率为目标函数,采用粒子群优化算法对机组各运行工况进行参数优化,包括计算个体极值和群体极值:初始种群中每个粒子的适应值中最大的为群体极值,个体所有的适应值中的最大/最小的适应值为个体极值,在首次计算中每个粒子只有一个适应值即为它的个体极值;
Pi=Xi,Gi=Pai(max[f(Pi)])
式中,P表示个体极值,G表示群体极值;
粒子速度、位置更新:速度和位置的更新根据下列公式进行迭代:
式中,k为迭代次数,w为权重,c1、c2为常数,R1、R2是[0,1]之间的随机数,vmax,vmin为第一步设置的速度区间的边界值;
适应值、个体极值和群体极值更新:种群变化位置后再次计算每一个粒子的适应值,与原来的极值比较,对各个极值进行更新;
循环计算:当循环计算中的迭代次数未满足终止条件时,回到粒子速度、位置更新处重新计算;
输出最优解:K值达到最大时则终止计算,输出此时的极值和极值所对应粒子的位置。
8.一种基于机器学习算法的虚拟电厂跨时间匹配调控装置,其特征在于,一种用户终端设备,包括总线、收发器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述收发器、存储器、处理器均通过所述总线互相连接,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
9.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控装置,其特征在于,一种计算机可读存储介质,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
10.根据权利要求1所述的基于机器学习算法的虚拟电厂跨时间匹配调控装置,其特征在于,提供了一种基于机器学习算法与机组运行数据的电厂热力系统经济性指标计算、机组运行工况优化与匹配调控装置;所述装置包括:获取机组热力系统实时运行数据;对机组运行数据进行数据清洗、稳态工况判定与关键参数选取等预处理操作;机组实时发电热耗率在线计算;采用随机森林算法建立机组热耗率预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702849.2A CN116703099A (zh) | 2023-06-14 | 2023-06-14 | 基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702849.2A CN116703099A (zh) | 2023-06-14 | 2023-06-14 | 基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703099A true CN116703099A (zh) | 2023-09-05 |
Family
ID=87838819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310702849.2A Pending CN116703099A (zh) | 2023-06-14 | 2023-06-14 | 基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703099A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674303A (zh) * | 2024-02-02 | 2024-03-08 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
-
2023
- 2023-06-14 CN CN202310702849.2A patent/CN116703099A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674303A (zh) * | 2024-02-02 | 2024-03-08 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
CN117674303B (zh) * | 2024-02-02 | 2024-05-14 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN102792542B (zh) | 发电量预测装置和其方法及程序 | |
CN109878369B (zh) | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 | |
CN108471119B (zh) | 含智慧社区的配电网三相不平衡动态潮流模型预测控制方法 | |
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN116703099A (zh) | 基于机器学习算法的虚拟电厂跨时间匹配调控方法及装置 | |
CN104392394B (zh) | 一种微电网储能裕度的检测方法 | |
CN103336998B (zh) | 一种风电场功率波动平抑目标值的优化计算方法 | |
CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN106952004B (zh) | 一种电动汽车社区充电实时优化调度方法 | |
CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
CN117077960A (zh) | 一种区域综合能源系统日前调度优化方法 | |
CN111932396A (zh) | 一种配电网拓扑网络自动识别方法 | |
CN111404193A (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
Wang et al. | Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM | |
CN116826729A (zh) | 计及风、光不确定性的多源联合系统鲁棒优化配置方法 | |
CN114629148A (zh) | 一种含电动汽车资源的电力系统调度框架方法及其系统 | |
CN114358362A (zh) | 一种数据缺乏下电动汽车负荷预测方法 | |
Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
CN109617100B (zh) | 一种数据驱动的风电场储能容量规划方法 |
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 |