CN117078047B - 一种基于lstm的热负荷预测与分配优化方法及系统 - Google Patents
一种基于lstm的热负荷预测与分配优化方法及系统 Download PDFInfo
- Publication number
- CN117078047B CN117078047B CN202311330946.XA CN202311330946A CN117078047B CN 117078047 B CN117078047 B CN 117078047B CN 202311330946 A CN202311330946 A CN 202311330946A CN 117078047 B CN117078047 B CN 117078047B
- Authority
- CN
- China
- Prior art keywords
- heat load
- heat
- back pressure
- high back
- heat supply
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000009826 distribution Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000010438 heat treatment Methods 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 71
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 55
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 12
- 238000013486 operation strategy Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 229920006395 saturated elastomer Polymers 0.000 claims description 8
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 4
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000005086 pumping Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 claims 1
- 238000003860 storage Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002209 hydrophobic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002918 waste heat 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- 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)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于LSTM的热负荷预测与分配优化方法及系统，涉及热力学与热工程领域，包括获取系统的实时运行数据和历史运行数据，并对获取的数据进行预处理；根据预处理后的实时运行数据计算高背压机组的最大升温比、临界最大升温比、实时全厂热负荷以及最优热负荷承担比；根据预处理后的历史运行数据建立并训练热负荷预测模型，使用训练后的热负荷预测模型对未来的热负荷进行预测，并生成相应的预测结果序列；根据预测结果序、最大升温比和临界最大升温比评估系统的热负荷分配能力，并根据评估结果优化热负荷分配方案。本发明实现了多时间尺度的热负荷预测与优化调度，显著提高了预测精度，实现了热负荷的动态跟踪。
Description
技术领域
本发明涉及热力学与热工程领域，特别是基于LSTM的热负荷预测与分配优化方法及系统。
背景技术
城市对热负荷的需求持续增长，而传统的热电联产方式存在效率低下、污染严重等问题，已难以满足当前环境保护和节能减排的需求。因此，开发热电联产系统的高效、智能、协同运行技术，实现热负荷准确预测和优化调度，成为提质增效的关键。
在预测技术方面，传统模型如回归分析，难以处理热负荷等非线性时序问题，预测准确度有限。而基于深度学习的循环神经网络，可以有效提取时间序列的长期依赖关系，在处理动态、非线性热负荷预测方面展现出强大的建模能力和高精度。在优化调度方面，实时评估系统负荷分配能力，动态制定热负荷配置方案，可以实现资源的合理利用，降低系统调峰损失。
发明内容
鉴于现有的传统热负荷预测和调度方法存在预测不准和调度不灵活的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提高热负荷预测的精确度，实现热负荷管理的智能化和动态优化。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于LSTM的热负荷预测与分配优化方法，其包括获取系统的实时运行数据和历史运行数据，并对获取的数据进行预处理；根据预处理后的实时运行数据计算高背压机组的最大升温比、临界最大升温比/>、实时全厂热负荷/>以及最优热负荷承担比/>；根据预处理后的历史运行数据建立并训练热负荷预测模型，使用训练后的热负荷预测模型对未来的热负荷进行预测，并生成相应的预测结果序列；根据预测结果序列、最大升温比/>和临界最大升温比/>评估系统的热负荷分配能力，并根据评估结果优化热负荷分配方案。
作为本发明所述基于LSTM的热负荷预测与分配优化方法的一种优选方案，其中：实时运行数据包括热网侧参数和机组运行数据，热网侧参数包括热网供水母管介质温度和热网回水母管介质温度，机组运行数据包括抽凝机组的供热抽汽流量、供热抽汽焓和供热疏水焓，以及每台高背压机组的排汽压力与排汽流量数据；历史运行数据包括历史热负荷数据以及历史热负荷数据对应的历史气象数据。
作为本发明所述基于LSTM的热负荷预测与分配优化方法的一种优选方案，其中：最大升温比的具体公式如下：
；
其中，与/>分别为热网供水温度和回水温度，/>为热网供水经高背压机组的排气预热后的温度，具体公式如下：
；
其中，为高背压机组排气温度，/>为热网供水经高背压机组的排气预热后的温度。
作为本发明所述基于LSTM的热负荷预测与分配优化方法的一种优选方案，其中：临界最大升温比的具体公式如下：
；
其中，为高背压机组的最大供热能力，/>为整个热电厂最大供热能力，具体公式如下：
；
其中，m为高背压机组台数，n为抽凝机组的台数，为整个热电厂最大供热能力，/>与/>分别为第i台高背压机组和第j台抽凝机组的最大供热能力，具体公式如下：
；
其中，与/>为第i台高背压机组的最大排汽量和第j台抽凝式机组的最大抽汽量，/>与/>分别为高背压机组排汽的饱和蒸汽焓和饱和水焓，/>与/>分别为抽凝式机组的供热抽汽焓和回水焓。
作为本发明所述基于LSTM的热负荷预测与分配优化方法的一种优选方案，其中：最优热负荷承担比的具体公式如下：
；
其中，为高背压机组的最大升温比，/>为高背压机组的临界最大升温比，为实时全厂热负荷，/>为高背压机组的最大供热能力。
当时，高背压机组最优热负荷承担比仅受热网供回水温度的影响；当时，高背压机组最优热负荷承担比既受热网供回水温度，高背压机组自身供热能力与全厂热负荷的共同影响。
作为本发明所述基于LSTM的热负荷预测与分配优化方法的一种优选方案，其中：根据预处理后的历史运行数据建立并训练热负荷预测模型包括以下步骤：将预处理后的历史运行数据分为训练数据集、验证数据集和测试数据集；基于LSTM深度学习建立热负荷预测模型，使用K折交叉验证选择最佳超参数组合进行模型性能评估，并根据评估结果对模型进行优化；使用优化后的模型对未来的热负荷进行预测，得到预测结果序列；所述建立热负荷预测模型包括以下步骤：基于LSTM深度学习建立的热负荷预测模型；使用K折交叉验证优化LSTM热负荷预测模型的参数；在测试数据集和实时全厂热负荷数据集上评估LSTM热负荷预测模型的性能，若实时全厂热负荷数据集上的误差高于测试数据集误差，则判断存在系统偏差；分析偏差产生的原因，并根据分析结果制定模型优化策略优化模型，并进行迭代验证，直至模型的偏差控制达到要求。
作为本发明所述基于LSTM的热负荷预测与分配优化方法的一种优选方案，其中：根据评估结果优化热负荷分配方案包括以下步骤：计算高背压机组和抽凝机组的最大供热能力和当前可利用供热能力；计算供热网络的最大输送能力和当前可利用输送能力；根据最大升温比和临界最大升温比评估机组供热上下限，并计算最优热负荷承担比，以调整高压机组和抽凝机组的实际热负荷分配比例；比较当前可利用供热能力总和与预测热负荷需求，根据具体情况选择调度备用设备、优化运行策略或进行设备扩容来满足负荷需求；若当前可利用供热能力总和超过预测的热负荷需求，则系统能够满足预测的峰值需求，无需进一步调整或扩充供热设备，系统继续按照现有的供热负荷分配方案进行运行；若当前可利用供热能力总和无法满足预测的峰值需求，则采取相应的措施来调整或增加供热设备的能力；若备用设备调度所能提供的供热能力足以满足预测的峰值需求，则调度备用设备来补充供热能力，无需进行扩容操作；若备用设备无法满足预测需求峰值，但通过优化运行策略提高现有设备的供热能力，则通过调整运行参数和优化控制逻辑提高设备效率来满足负荷需求；若备用设备和优化运行策略都无法满足预测需求峰值，则采取扩容供热设备，增加高背压机组和抽凝机组的容量，以提高系统的供热能力；再次比较当前可利用供热能力总和与预测热负荷需求，以确保经过调整和改进后的系统能够满足预测的热负荷需求。
第二方面，本发明实施例提供了基于LSTM的热负荷预测与分配优化系统，其包括数据采集与预处理模块，用于获取系统的实时运行数据和历史热负荷数据，并对获取的数据进行预处理；特征参数计算模块，用于基于预处理后的数据，计算高背压机组的最大升温比、最优热负荷承担比和实时全厂热负荷；热负荷预测模块，用于基于预处理后的历史热负荷数据和实时热负荷建立并训练热负荷预测模型，最终得到未来不同时间尺度的热负荷预测结果；系统评估与优化模块，用于评估系统热负荷分配能力，并根据预测结果和系统热负荷分配能力，优化未来不同时间尺度的热负荷分配方案。
本发明有益效果为：本发明采用深度学习模型实现了更精确的热负荷预测，能够结合实时数据进行在线更新预测；评估系统负荷分配能力并制定针对性调度方案，实现了多时间尺度的热负荷预测与优化调度，显著提高了预测精度，实现了热负荷的动态跟踪；合理配置了热源系统，优化了储热方案，从而提升了热电联产系统的经济性、效率性与可靠性；实现了热负荷主动控制与管理，是更加智能化和协同化的热负荷管理方式。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，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它的附图。其中：
图1为实施例1基于LSTM的热负荷预测与分配优化方法的方法流程图。
图2为实施例2基于LSTM的热负荷预测与分配优化方法的高背压机组与抽凝机组联合供热的热电厂系统示意图。
图3为实施例2基于LSTM的热负荷预测与分配优化方法的高背压机组背压为45kPa时的最大升温比线算图。
图4为实施例2基于LSTM的热负荷预测与分配优化方法的高背压机组背压为50kPa时的最大升温比线算图。
图5实施例2为基于LSTM的热负荷预测与分配优化方法的高背压机组背压为55kPa时的最大升温比线算图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式作详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1，为本发明第一个实施例，该实施例提供了基于LSTM的热负荷预测与分配优化方法，包括，
S1：获取系统的实时运行数据和历史热负荷数据，并对获取的数据进行预处理。
具体的，实时运行数据包括热网侧参数和机组运行数据，其中热网侧参数包括热网供水母管介质温度和热网回水母管介质温度等信息，机组运行数据包括抽凝机组的供热抽汽流量、供热抽汽焓和供热疏水焓，以及每台高背压机组的排汽压力与排汽流量数据，历史运行数据包括历史热负荷数据以及历史热负荷数据对应的历史气象数据，用于进行后续的热负荷分析和预测。
进一步的，对系统的实时运行数据和历史热负荷数据进行预处理，首先对获取到的数据进行清洗，去除缺失值、异常值和错误数据，使用基于统计的方法来识别潜在的异常数据点，对于被检测为异常的数据点，使用均值代替；对实时数据进行平滑处理，消除噪声并平滑数据变动；对于存在缺失的数据点，采用多项式插值等适当的插值方法进行填补；对不同变量的数据进行标准化或归一化处理，使不同变量之间具有相似的尺度。
S2：基于预处理后的数据，计算高背压机组的最大升温比、最优热负荷承担比和实时全厂热负荷/>。
具体的，包括以下步骤：
S2.1：基于预处理后的热网侧参数计算高背压机组的最大升温比：
；
其中，与/>分别为热网供水温度和回水温度，单位均为℃，/>为热网供水经高背压机组的排气预热后的温度，具体公式如下：
；
其中，为高背压机组排气温度，单位均为℃，/>为热网供水经高背压机组的排气预热后的温度。
进一步的，取多组数据重复步骤S2.1，并将高背压机组的最大升温比与对应的热网供水温度进行绘制，生成高背压机组最大升温比线算图，通过查询对应的热网供水温度和回水温度，获取高背压机组最大升温比。
S2.2：计算高背压机组的临界最大升温比。
；
其中，为高背压机组的最大供热能力，/>为整个热电厂最大供热能力，具体公式如下：
；
其中，m为高背压机组台数，n为抽凝机组的台数，为整个热电厂最大供热能力，/>与/>分别为第i台高背压机组和第j台抽凝机组的最大供热能力，具体公式如下：
；
其中，与/>为第i台高背压机组的最大排汽量和第j台抽凝式机组的最大抽汽量，/>与/>分别为高背压机组排汽的饱和蒸汽焓和饱和水焓，/>与/>分别为抽凝式机组的供热抽汽焓和回水焓。
需要说明的是，当高背压机组以最大排汽量运行并完全利用余热，以及抽凝机组以最大供热抽汽量运行时，整个热电厂的最大供热能力等于m台高背压机组和n台抽凝机组的最大供热能力之和。在这种情况下，评估供水温度和回水温度的临界最大升温比时，需要考虑到这些机组的最大供热能力。
S2.3：计算实时全厂热负荷。
；
其中，与/>分别为第i台高背压机组与第j台抽凝机组的热负荷，/>与/>分别为第i台高背压机组排汽量与第j台抽凝式机组抽汽量，/>与/>分别为高背压机组排汽的饱和蒸汽焓与饱和水焓，/>与/>分别为抽凝式机组的供热抽汽焓与回水焓。
S2.4：根据高背压机组临界最大升温比和实时全厂热负荷/>计算高背压机组最优热负荷承担比/>。
；
其中，为高背压机组的最大升温比，/>为高背压机组的临界最大升温比，为实时全厂热负荷，/>为高背压机组的最大供热能力。
进一步的，当时，高背压机组最优热负荷承担比仅受热网供回水温度的影响；当/>时，高背压机组最优热负荷承担比既受热网供回水温度，高背压机组自身供热能力与全厂热负荷的共同影响。
S3：根据预处理后的历史运行数据建立并训练热负荷预测模型，使用训练后的热负荷预测模型对未来的热负荷进行预测，并生成相应的预测结果序列。
具体的，包括以下步骤：
S3.1：将预处理后的历史运行数据分为训练数据集、验证数据集和测试数据集。
具体的，将预处理后的历史运行数据按时间顺序进行划分，前70%的数据作为训练数据集，后15%的数据作为验证数据集，剩余15%的数据作为测试数据集。
S3.2：基于LSTM深度学习建立的热负荷预测模型，使用K折交叉验证选择最佳超参数组合，并在测试数据集和实时热负荷数据集上评估模型性能。
具体的，包括以下步骤：
S3.2.1：基于LSTM深度学习建立热负荷预测模型。
具体的，热负荷预测模型的输入为历史运行数据，热负荷预测模型的第一层是LSTM神经网络，其中每个LSTM神经单元都包含遗忘门、输入门和输出门三个门控结构，LSTM神经网络层将输入特征进行处理，提取特征表示，并将其输出给热负荷预测模型的第二层全连接层，全连接层将LSTM提取的特征表示进行线性映射，输出为下一时刻的预测热负荷值。
S3.2.2：使用K折交叉验证优化LSTM热负荷预测模型的参数。
具体的，将训练数据集分为K等份；遍历选择不同的LSTM模型超参数组合；逐份数据进行K折交叉验证，使用K-1份数据训练模型，利用剩余1份数据验证模型，计算RMSE，循环K次，计算K份验证集的平均RMSE；比较不同超参数组合的K折交叉验证平均RMSE，选择RMSE最小的超参数组合；使用选择的超参数组合，在全部训练数据上重新训练模型，并保存训练好的超参数组合模型。
S3.2.3：在测试数据集和实时全厂热负荷数据集上评估LSTM热负荷预测模型的性能，并判断是否存在系统偏差。
具体的，使用训练好的LSTM热负荷预测模型对测试数据集和实时全厂热负荷数据集进行预测，得到预测序列；计算预测结果和真实值的误差评价指标RMSE和MAPE；比较测试数据集和实时热负荷数据集上的误差评价指标；若实时热负荷数据集误差明显高于测试数据集误差，则判断存在系统偏差。
S3.2.4：分析偏差产生的原因，并根据分析结果制定模型优化策略优化模型，并进行迭代验证，直至模型的偏差控制达到要求。
优选的，偏差产生的原因包括数据不平衡、特征选取不准确和模型参数设置不合理；若数据不平衡导致偏差，则进行数据重采样，并使用加权技术来平衡数据集；若特征选取不准确导致偏差，则重新评估特征的重要性并进行调整；若模型参数设置不合理导致偏差，则调整超参数；
进一步的，使用验证数据集验证经过优化的模型，并进行迭代验证，根据验证结果进一步调整优化策略和模型参数，直到模型的偏差控制达到要求。
S3.3：使用优化后的模型对未来的热负荷进行预测，得到预测结果序列。
优选的，根据所需时间尺度，可以生成短期尺度、中期尺度和长期尺度的预测结果序列；短期尺度是指未来数小时或数天内的预测，可用于短期的热负荷调度和能源管理；中期尺度是指未来数天到数周内的预测，可用于中期规划和决策；长期尺度是指未来数月到数年内的预测，用于长期规划和政策制定。
S4：根据预测结果序列、最大升温比和临界最大升温比/>评估系统的热负荷分配能力，并根据评估结果优化热负荷分配方案。
具体的，包括以下步骤：
S4.1：计算高背压机组和抽凝机组的最大供热能力和当前可利用供热能力。
优选的，获取步骤S2.2所计算的高背压机组的最大供热能力和抽凝机组的最大供热能力/>；检查高背压机组和抽凝机组的实时运行参数（压力、温度、流量等），根据实时运行参数评估其实时输出能力；计算高背压机组和抽凝机组的当前可利用供热能力。
S4.2：计算供热网络的最大输送能力和当前可利用输送能力。
优选的，最大输送能力是指在设计条件下，供热网络可以达到的最大热传输能力，需要考虑管道的设计参数和输送介质的热导率等因素。
进一步的，查询供热网络的设计资料，确定供水管网和回水管网的管径、长度、材质等参数；根据管网参数和流体物性计算出供水管网的最大流量和回水管网的最大流量/>；将供水管网和回水管网的最大流量转换为最大输送能力/>和/>；获取供水管网和回水管网的实时流量/>和/>；将实时流量转换为当前可利用输送能力和/>。
具体的，最大输送能力和/>的具体公式如下：
；
其中，为水的定压比热容，/>为水的密度，/>与/>分别为热网供水温度和回水温度，/>为供水管网的最大流量，/>为回水管网的最大流量。
具体的，可利用输送能力和/>的具体公式如下：
；
其中，为水的定压比热容，/>为水的密度，/>与/>分别为热网供水温度和回水温度，/>为供水管网的实时流量，/>为回水管网的实时流量。
S4.3：根据最大升温比和临界最大升温比/>评估机组供热上下限，并计算最优热负荷承担比/>，以调整高压机组和抽凝机组的实际热负荷分配比例。
进一步的，根据步骤S2.1的高背压机组最大升温比线算图，找到当前负荷条件下的最大升温比作为高压机组的供热上限；将步骤S2.2计算的临界最大升温比作为高压机组的供热下限；计算高背压机组在当前负荷下的最优热负荷承担比；同理，计算抽凝机组的供热上下限和最优承担比，比较高背压机组和抽凝机组的最优承担比，调整两者的实际热负荷分配比例。
S4.4：比较当前可利用供热能力总和与预测热负荷需求，根据具体情况选择调度备用设备、优化运行策略或进行设备扩容来满足负荷需求。
若当前可利用供热能力总和超过预测的热负荷需求，则意味着系统能够满足预测的峰值需求，无需进一步调整或扩充供热设备，系统继续按照现有的供热负荷分配方案进行运行；若当前可利用供热能力总和无法满足预测的峰值需求，即供热能力不足以满足负荷需求，则采取相应的措施来调整或增加供热设备的能力，具体如下：若备用设备调度所能提供的供热能力足以满足预测的峰值需求，则调度备用设备来补充供热能力，无需进行扩容操作；若备用设备无法满足预测需求峰值，但通过优化运行策略可以提高现有设备的供热能力，则通过调整运行参数和优化控制逻辑提高设备效率来满足负荷需求；若备用设备和优化运行策略都无法满足预测需求峰值，则采取扩容供热设备，增加高背压机组和抽凝机组的容量，以提高系统的供热能力；再次比较当前可利用供热能力总和与预测热负荷需求，以确保经过调整和改进后的系统能够满足预测的热负荷需求。
进一步的，本实施例还提供一种基于LSTM的热负荷预测与分配优化系统，包括数据采集与预处理模块，用于获取系统的实时运行数据和历史热负荷数据，并对获取的数据进行预处理；特征参数计算模块，用于基于预处理后的数据，计算高背压机组的最大升温比、最优热负荷承担比和实时全厂热负荷；热负荷预测模块，用于基于预处理后的历史热负荷数据和实时热负荷建立并训练热负荷预测模型，最终得到未来不同时间尺度的热负荷预测结果；系统评估与优化模块，用于评估系统热负荷分配能力，并根据预测结果和系统热负荷分配能力，优化未来不同时间尺度的热负荷分配方案。
综上，本发明采用深度学习模型实现了更精确的热负荷预测，能够结合实时数据进行在线更新预测；评估系统负荷分配能力并制定针对性调度方案，实现了多时间尺度的热负荷预测与优化调度，显著提高了预测精度，实现了热负荷的动态跟踪；合理配置了热源系统，优化了储热方案，从而提升了热电联产系统的经济性、效率性与可靠性；实现了热负荷主动控制与管理，是更加智能化和协同化的热负荷管理方式。
实施例2
参照图2~图5，为本发明第二个实施例，该实施例提供了一种基于LSTM的热负荷预测与分配优化方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
进一步的，图2为高背压机组与抽凝机组联合供热的热电厂系统示意图，图中，1为锅炉，2为高压缸，3为中压缸，4为低压缸，5为回热系统，6为发电机，7为高背压机组供热凝汽器，8为抽凝机组凝汽器，9为供热首站，10为热用户。
获取系统的实时运行数据和历史运行数据并进行预处理，由于数据庞大，因此在本实施例中只展示3组实时运行数据。
优选的，第一组数据涉及一个由1台高背压机组与1台抽凝式机组，热网侧获取到热网供水母管温度为105℃，热网回水母管温度为50℃；收集抽凝机组的集控规程及热平衡图，获取抽凝机组的最大供热抽汽量为450 t/h，又根据DCS系统获取的数据，抽凝机组的实际供热抽汽流量为300 t/h，供热抽汽焓为3130.5 kJ/kg，疏水焓为370.5 kJ/kg；高背压机组的排汽压力为45 kPa，排汽流量为205.15 t/h，供热凝汽器的温度端差为2℃，则高背压机组预热温度为79.75℃，高背压机组的最大升温比/>为48.64%，取多组数据，重复上述步骤，可绘制高背压机组背压为45kPa时的最大升温比线算图如图3所示。
具体的，第二组数据涉及一个由2台高背压机组与1台抽凝式机组，热网侧的热网供水母管温度为90℃，热网回水母管温度为40℃；收集抽凝机组的集控规程和热平衡图，获取到抽凝机组的最大供热抽汽量为450t/h，又根据DCS系统的数据，可得抽凝机组的实际供热抽汽流量为300 t/h，供热抽汽焓为3130.5 kJ/kg，疏水焓为370.5 kJ/kg；两台高背压机组的排汽压力均为50kPa，其中第1台高背压机组的排汽流量为250t/h，第2台高背压机组的排汽流量为275t/h，高背压机组供热凝汽器的温度端差为2℃，则高背压机组预热温度为79.36℃，高背压机组的最大升温比/>为78.72%，取多组数据，重复上述步骤，可绘制高背压机组背压为50kPa时的最大升温比线算图如图4所示。
具体的，第三组数据涉及一个由1台高背压机组与2台抽凝式机组，热网侧获取到热网供水母管温度为85℃，热网回水母管温度为30℃；收集抽凝机组的集控规程及热平衡图，获取抽凝机组的最大供热抽汽量为450 t/h，又根据DCS系统获取的数据，两台抽凝机组的供热抽汽流量分别224.12t/h与187.19t/h，供热抽汽焓均为3130.5 kJ/kg，疏水焓均为370.5 kJ/kg；高背压机组的排汽压力为55 kPa，排汽流量为498.25 t/h，供热凝汽器的温度端差为2℃，则高背压机组预热温度为81.75℃，高背压机组的最大升温比/>为94.09%，取多组数据，重复上述步骤，可绘制高背压机组背压为55kPa时的最大升温比线算图如图5所示。
进一步的，基于预处理后的数据计算每一组数据中高背压机组的最大升温比、临界最大升温比/>、实时全厂热负荷/>以及最优热负荷承担比/>，具体如表1所示。
表1参数结果表
进一步的，将预处理后的历史运行数据分为训练数据集、验证数据集和测试数据集，基于LSTM深度学习建立的热负荷预测模型，输入为历史运行数据，通过LSTM神经网络提取特征并输出预测结果，过程中使用5折交叉验证调优模型超参数，选择RMSE最小的模型，在测试数据集和全厂热负荷数据集上评估模型，测试数据集上的评估结果为RMSE12.6MW、MAPE2.1%，实时热负荷数据集上评估结果RMSE12.43MW、MAPE1.38%，无明显偏差。
进一步的，根据预测结果序列、最大升温比和临界最大升温比/>评估系统的热负荷分配能力，发现当前可利用供热能力总和无法满足预测的峰值需求，但是备用调用所能提供的供热能力足以满足预测的峰值需求，则调度备用设备来补充供热能力，无需进行扩容操作；再次比较当前可利用供热能力总和与预测热负荷需求，发现经过调整和改进后的系统能够满足预测的热负荷需求。
进一步的，可以得出本发明的方法与传统负荷预测调配的对比如表2所示。
表2本发明的方法与传统负荷预测调配的对比
优选的，由表2可以得出，预测准确率方面，我方发明方法的准确率为90%，高于传统方法的82%，这表明我方发明方法在预测热负荷方面具有更高的准确性；负荷调配准确率方面，我方发明方法的准确率为93%，高于传统方法的86%，这说明我方发明方法在负荷调配方面表现更好，能够更准确地分配负荷需求；调峰损失方面，我方发明方法成功降低了5%的调峰损失，而传统方法没有明显降低，这表明我方发明方法在调峰能力方面具有优势，可以更有效地减少峰值负荷需求；最大绝对误差方面，我方发明方法的误差范围比传统方法更小，这意味着我方发明在预测值与实际值之间的误差更小。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于LSTM的热负荷预测与分配优化方法，其特征在于：包括，
获取系统的实时运行数据和历史运行数据，并对获取的数据进行预处理；
根据预处理后的实时运行数据计算高背压机组的最大升温比 、临界最大升温比/>、实时全厂热负荷/>以及最优热负荷承担比/>；
根据预处理后的历史运行数据建立并训练热负荷预测模型，使用训练后的热负荷预测模型对未来的热负荷进行预测，并生成相应的预测结果序列；
根据预测结果序列、最大升温比和临界最大升温比/>评估系统的热负荷分配能力，并根据评估结果优化热负荷分配方案；
所述最大升温比的具体公式如下：
其中，/>与/>分别为热网供水温度和回水温度，/>为热网供水经高背压机组的排气预热后的温度，具体公式如下：
其中，/>为高背压机组排气温度，/>为热网供水经高背压机组的排气预热后的温度；
所述临界最大升温比的具体公式如下：
其中，/>为高背压机组的最大供热能力，/>为整个热电厂最大供热能力，具体公式如下：
其中，m为高背压机组台数，n为抽凝机组的台数，/>为整个热电厂最大供热能力，与/>分别为第i台高背压机组和第j台抽凝机组的最大供热能力，具体公式如下：
其中，/>与/>为第i台高背压机组的最大排汽量和第j台抽凝式机组的最大抽汽量，/>与/>分别为高背压机组排汽的饱和蒸汽焓和饱和水焓，/>与/>分别为抽凝式机组的供热抽汽焓和回水焓；
所述最优热负荷承担比的具体公式如下：
其中，/>为高背压机组的最大升温比，/>为高背压机组的临界最大升温比，/>为实时全厂热负荷，/>为高背压机组的最大供热能力；
当时，高背压机组最优热负荷承担比仅受热网供回水温度的影响；
当时，高背压机组最优热负荷承担比既受热网供回水温度，高背压机组自身供热能力与全厂热负荷的共同影响。
2.如权利要求1所述的基于LSTM的热负荷预测与分配优化方法，其特征在于：所述实时运行数据包括热网侧参数和机组运行数据，所述热网侧参数包括热网供水母管介质温度和热网回水母管介质温度，所述机组运行数据包括抽凝机组的供热抽汽流量、供热抽汽焓和供热疏水焓，以及每台高背压机组的排汽压力与排汽流量数据；所述历史运行数据包括历史热负荷数据以及历史热负荷数据对应的历史气象数据。
3.如权利要求1所述的基于LSTM的热负荷预测与分配优化方法，其特征在于：所述根据预处理后的历史运行数据建立并训练热负荷预测模型包括以下步骤：
将预处理后的历史运行数据分为训练数据集、验证数据集和测试数据集；
基于LSTM深度学习建立热负荷预测模型，使用K折交叉验证选择最佳超参数组合进行模型性能评估，并根据评估结果对模型进行优化；
使用优化后的模型对未来的热负荷进行预测，得到预测结果序列；
所述建立热负荷预测模型包括以下步骤：
基于LSTM深度学习建立的热负荷预测模型；
使用K折交叉验证优化LSTM热负荷预测模型的参数；
在测试数据集和实时全厂热负荷数据集上评估LSTM热负荷预测模型的性能，若实时全厂热负荷数据集上的误差高于测试数据集误差，则判断存在系统偏差；
分析偏差产生的原因，并根据分析结果制定模型优化策略优化模型，并进行迭代验证，直至模型的偏差控制达到要求。
4.如权利要求1所述的基于LSTM的热负荷预测与分配优化方法，其特征在于：所述根据评估结果优化热负荷分配方案包括以下步骤：
计算高背压机组和抽凝机组的最大供热能力和当前可利用供热能力；
计算供热网络的最大输送能力和当前可利用输送能力；
根据最大升温比和临界最大升温比评估机组供热上下限，并计算最优热负荷承担比，以调整高压机组和抽凝机组的实际热负荷分配比例；
比较当前可利用供热能力总和与预测热负荷需求，根据具体情况选择调度备用设备、优化运行策略或进行设备扩容来满足负荷需求；
若当前可利用供热能力总和超过预测的热负荷需求，则系统能够满足预测的峰值需求，无需进一步调整或扩充供热设备，系统继续按照现有的供热负荷分配方案进行运行；
若当前可利用供热能力总和无法满足预测的峰值需求，则采取相应的措施来调整或增加供热设备的能力；
若备用设备调度所能提供的供热能力足以满足预测的峰值需求，则调度备用设备来补充供热能力，无需进行扩容操作；
若备用设备无法满足预测需求峰值，但通过优化运行策略提高现有设备的供热能力，则通过调整运行参数和优化控制逻辑提高设备效率来满足负荷需求；
若备用设备和优化运行策略都无法满足预测需求峰值，则采取扩容供热设备，增加高背压机组和抽凝机组的容量，以提高系统的供热能力；
再次比较当前可利用供热能力总和与预测热负荷需求，以确保经过调整和改进后的系统能够满足预测的热负荷需求。
5.一种基于LSTM的热负荷预测与分配优化系统，基于权利要求1~4任一所述的基于LSTM的热负荷预测与分配优化方法，其特征在于：还包括，
数据采集与预处理模块，用于获取系统的实时运行数据和历史热负荷数据，并对获取的数据进行预处理；
特征参数计算模块，用于基于预处理后的数据，计算高背压机组的最大升温比、最优热负荷承担比和实时全厂热负荷；
热负荷预测模块，用于基于预处理后的历史热负荷数据和实时热负荷建立并训练热负荷预测模型，最终得到未来不同时间尺度的热负荷预测结果；
系统评估与优化模块，用于评估系统热负荷分配能力，并根据预测结果和系统热负荷分配能力，优化未来不同时间尺度的热负荷分配方案。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1~4任一所述的基于LSTM的热负荷预测与分配优化方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1~4任一所述的基于LSTM的热负荷预测与分配优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330946.XA CN117078047B (zh) | 2023-10-16 | 2023-10-16 | 一种基于lstm的热负荷预测与分配优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330946.XA CN117078047B (zh) | 2023-10-16 | 2023-10-16 | 一种基于lstm的热负荷预测与分配优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117078047A CN117078047A (zh) | 2023-11-17 |
| CN117078047B true CN117078047B (zh) | 2024-02-23 |
Family
ID=88708373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311330946.XA Active CN117078047B (zh) | 2023-10-16 | 2023-10-16 | 一种基于lstm的热负荷预测与分配优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078047B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421567B (zh) * | 2023-12-19 | 2024-03-08 | 华能济南黄台发电有限公司 | 一种应用于城市的电厂能源管理方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108692351A (zh) * | 2018-06-22 | 2018-10-23 | 华电国际电力股份有限公司技术服务中心 | 高背压循环水供热及抽凝供热机组联合优化系统及方法 |
| CN109118017A (zh) * | 2018-09-03 | 2019-01-01 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 热负荷优化分配方法、电子设备和存储介质 |
| 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 |
| CN110671740A (zh) * | 2019-10-17 | 2020-01-10 | 北京邮电大学 | 一种集中供热系统生产自动调节方法 |
| CN111720183A (zh) * | 2020-05-15 | 2020-09-29 | 华电电力科学研究院有限公司 | 抽凝机组与高背压供热机组并联供热运行优化调度方法 |
| CN113361784A (zh) * | 2021-06-10 | 2021-09-07 | 浙江大学 | 基于人工神经网络的多模式供热机组负荷分配优化方法 |
| CN114118571A (zh) * | 2021-11-24 | 2022-03-01 | 西安西热电站信息技术有限公司 | 一种基于lstm深度学习的供暖热负荷预测方法 |
| CN114881506A (zh) * | 2022-05-24 | 2022-08-09 | 济南热力集团有限公司 | 一种基于室温和iba-lstm的供热需求负荷评估方法及系统 |
| CN115630561A (zh) * | 2022-08-22 | 2023-01-20 | 西安思安云创科技有限公司 | 一种神经网络热负荷预测模型自动优化方法及装置 |
| WO2023000927A1 (zh) * | 2021-07-22 | 2023-01-26 | 西安热工研究院有限公司 | 多机组、多供热模式的热电厂供热负荷分配优化方法 |
| CN115907198A (zh) * | 2022-12-09 | 2023-04-04 | 杭州电子科技大学 | 一种长距离供热负荷智能预测系统 |
| CN116105222A (zh) * | 2023-01-09 | 2023-05-12 | 西安交通大学 | 一种提升热电联产电站灵活性的热负荷统筹分配方法 |
| WO2023088212A1 (zh) * | 2021-11-16 | 2023-05-25 | 西安热工研究院有限公司 | 一种基于集成学习的在线机组负荷预测方法 |
| CN116306911A (zh) * | 2022-12-15 | 2023-06-23 | 浙江英集动力科技有限公司 | 基于分布式机器学习的热力站负荷预测及优化控制方法 |
-
2023
- 2023-10-16 CN CN202311330946.XA patent/CN117078047B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108692351A (zh) * | 2018-06-22 | 2018-10-23 | 华电国际电力股份有限公司技术服务中心 | 高背压循环水供热及抽凝供热机组联合优化系统及方法 |
| CN109118017A (zh) * | 2018-09-03 | 2019-01-01 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 热负荷优化分配方法、电子设备和存储介质 |
| 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 |
| CN110671740A (zh) * | 2019-10-17 | 2020-01-10 | 北京邮电大学 | 一种集中供热系统生产自动调节方法 |
| CN111720183A (zh) * | 2020-05-15 | 2020-09-29 | 华电电力科学研究院有限公司 | 抽凝机组与高背压供热机组并联供热运行优化调度方法 |
| CN113361784A (zh) * | 2021-06-10 | 2021-09-07 | 浙江大学 | 基于人工神经网络的多模式供热机组负荷分配优化方法 |
| WO2023000927A1 (zh) * | 2021-07-22 | 2023-01-26 | 西安热工研究院有限公司 | 多机组、多供热模式的热电厂供热负荷分配优化方法 |
| WO2023088212A1 (zh) * | 2021-11-16 | 2023-05-25 | 西安热工研究院有限公司 | 一种基于集成学习的在线机组负荷预测方法 |
| CN114118571A (zh) * | 2021-11-24 | 2022-03-01 | 西安西热电站信息技术有限公司 | 一种基于lstm深度学习的供暖热负荷预测方法 |
| CN114881506A (zh) * | 2022-05-24 | 2022-08-09 | 济南热力集团有限公司 | 一种基于室温和iba-lstm的供热需求负荷评估方法及系统 |
| CN115630561A (zh) * | 2022-08-22 | 2023-01-20 | 西安思安云创科技有限公司 | 一种神经网络热负荷预测模型自动优化方法及装置 |
| CN115907198A (zh) * | 2022-12-09 | 2023-04-04 | 杭州电子科技大学 | 一种长距离供热负荷智能预测系统 |
| CN116306911A (zh) * | 2022-12-15 | 2023-06-23 | 浙江英集动力科技有限公司 | 基于分布式机器学习的热力站负荷预测及优化控制方法 |
| CN116105222A (zh) * | 2023-01-09 | 2023-05-12 | 西安交通大学 | 一种提升热电联产电站灵活性的热负荷统筹分配方法 |
Non-Patent Citations (4)
| Title |
|---|
| "基于LSTM 网络的居民区供热负荷短时预测";许裕栗等;《自动化仪表》;第39卷(第10期);1-10页 * |
| "抽凝机组热电联产系统中扩大抽凝机组热电联产系统中扩大抽凝机组热电联产系统中扩大抽凝机组热电联产系统中扩大 热电负荷比的灵活性研究热电负荷比的灵活性研究性研究";王金星等;《热力发电》;第49卷(第12期);41-50 * |
| "高背压双抽热电联产机组联合运行特性及负荷分配";刘学等;《中国电力》;第55卷(第10期);219-228页 * |
| 基于LSTM网络的居民区供热负荷短时预测;许裕栗;姜娜;陈卓;李柠;甘中学;;自动化仪表(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117078047A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Probabilistic flexibility evaluation for power system planning considering its association with renewable power curtailment | |
| Idowu et al. | Forecasting heat load for smart district heating systems: A machine learning approach | |
| CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
| CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN117078047B (zh) | 一种基于lstm的热负荷预测与分配优化方法及系统 | |
| CN105956788A (zh) | 一种输变电工程造价的动态管理控制方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
| CN112785184A (zh) | 考虑需求响应的源网荷协调分布鲁棒长期扩展规划方法 | |
| CN114611845B (zh) | 碳排放量的预测方法、装置、电子设备及介质 | |
| CN116629421A (zh) | 计及综合能效的综合能源系统多目标分布鲁棒优化调度方法 | |
| CN116681171A (zh) | 一种多场景综合能源系统分布鲁棒优化调度方法和系统 | |
| CN109615246B (zh) | 一种主动配电网经济运行状态确定方法 | |
| CN108306346A (zh) | 一种配电网无功补偿节能方法 | |
| CN115907402B (zh) | 一种梯级水电站联合保证出力的推求方法及系统 | |
| CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
| CN115965156A (zh) | 能源系统的调度方法以及调度装置 | |
| CN113361946B (zh) | 一种基于分布式光伏并网系统的电能质量评估方法及装置 | |
| CN110826776B (zh) | 一种配网线变关系识别中基于动态规划的初始解优化方法 | |
| CN113469522A (zh) | 综合能源物联网评价方法、装置、电子设备及存储介质 | |
| CN113688973A (zh) | 一种基于深度神经网络的供水泵站调度方法 | |
| Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
| Ghods et al. | Long-term peak demand forecasting by using radial basis function neural networks | |
| CN111815085A (zh) | 一种轨道交通能源管理系统综合能效评估的实现方法 | |
| CN111798044B (zh) | 基于改进最小叉熵的ries运行规划仿真方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |