CN117474278A - 动态煤种的燃煤电厂深度调峰方法及装置 - Google Patents
动态煤种的燃煤电厂深度调峰方法及装置 Download PDFInfo
- Publication number
- CN117474278A CN117474278A CN202311553556.9A CN202311553556A CN117474278A CN 117474278 A CN117474278 A CN 117474278A CN 202311553556 A CN202311553556 A CN 202311553556A CN 117474278 A CN117474278 A CN 117474278A
- Authority
- CN
- China
- Prior art keywords
- coal
- mixed
- mixed coal
- combustion
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 326
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000002485 combustion reaction Methods 0.000 claims abstract description 178
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 18
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 18
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 16
- 239000001257 hydrogen Substances 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 38
- 238000012512 characterization method Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 1
- 239000003830 anthracite Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002802 bituminous coal Substances 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003077 lignite Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003415 peat Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06Q10/06315—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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及深度调峰技术领域，特别涉及一种动态煤种的燃煤电厂深度调峰方法及装置。该方法包括：获取燃煤电厂正在发电燃烧的混合煤种数据信息；对混合煤种数据信息进行要素提取，获得混合煤种中每种煤种的煤种参数特性集合，煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；将混合煤种特征矩阵输入至预先构建的混合煤种燃烧特性评价模型中，获得混合煤种燃烧特性评价指数。上述方案可以实现燃煤电厂燃烧控制的精细化和动态化，提高电力系统的调峰能力。
Description
技术领域
本发明涉及深度调峰技术领域，特别涉及一种动态煤种的燃煤电厂深度调峰方法及装置。
背景技术
电网负荷会随着时间和需求的变化而波动，这种波动可能是季节性的、日常的，也可能是由于突发事件或不可预测的因素引起的。在电网负荷波动较大的情况下往往需要进行电网调控，通过灵活运用调峰手段，使燃煤电厂能够更加有效地应对负荷的变化，提高电力系统的调峰能力。
现有的燃煤电厂在执行电网调控时，对混合煤种的燃烧控制缺乏灵活性和精准性，难以根据混合煤种的综合燃烧特性来制定与混合煤种相符合的燃烧控制参数，这导致燃煤电厂无法最大程度的响应电网调控。
因此，目前亟待需要提供一种动态煤种的燃煤电厂深度调峰方法及装置来解决上述技术问题。
发明内容
为了能够实现燃煤电厂燃烧控制的精细化和动态化，提高电力系统的调峰能力，本发明实施例提供了一种动态煤种的燃煤电厂深度调峰方法及装置。
第一方面，本发明实施例提供了一种动态煤种的燃煤电厂深度调峰方法，包括：
获取燃煤电厂正在发电燃烧的混合煤种数据信息；
对所述混合煤种数据信息进行要素提取，获得混合煤种中每种煤种的煤种参数特性集合，所述煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；
将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；
将混合煤种特征矩阵输入至预先构建的混合煤种燃烧特性评价模型中，获得混合煤种燃烧特性评价指数；
获取燃煤电厂参与电网调控的调控信息，并从所述调控信息中识别并提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；
将混合煤种燃烧特性评价指数与每个时间窗口对应的发电功率相结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；
将每个时间窗口的电力供需表征异构向量依次输入至混合煤种燃烧控制模型中，获得每个时间窗口内的燃烧控制参数；
在燃煤电厂参与调控的所有时间窗口内，分别根据对应的燃烧控制参数对混合煤种进行燃烧控制。
第二方面，本发明实施例还提供了一种动态煤种的燃煤电厂深度调峰装置，包括：
煤种数据采集模块，用于收集燃煤电厂正在发电燃烧的混合煤种数据信息；
煤种数据处理模块，用于接收混合煤种数据信息，并对所述混合煤种数据信息进行要素提取，获得每种煤种的煤种参数特性集合，所述煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；所述煤种数据处理模块将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；
燃烧特性评价模块，用于接收混合煤种特征矩阵，并将混合煤种特征矩阵输入到预先存储的混合煤种燃烧特性评价模型中，得到混合煤种燃烧特性评价指数；
调控信息处理模块，用于接收混合煤种燃烧特性评价指数，并获取燃煤电厂参与电网调控的调控信息，识别并提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；并将混合煤种燃烧特性评价指数与每个时间窗口对应的发电功率相结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；
燃烧控制参数生成模块，用于接收每个时间窗口的电力供需表征异构向量，并依次输入到预先存储的混合煤种燃烧控制模型中，得到每个时间窗口内的燃烧控制参数；
燃烧控制执行模块，用于接收每个时间窗口内的燃烧控制参数，并在燃煤电厂参与调控的所有时间窗口内，根据对应的燃烧控制参数对混合煤种进行燃烧控制。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本发明任一实施例所述的方法。
与现有技术相比本发明的有益效果为：
本发明通过获取混合煤种的多种参数特性，如温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比等，实现对混合煤种的全面分析；这样的综合考虑有助于更准确地了解煤种的燃烧特性；
通过对混合煤种数据信息进行要素提取，获得煤种参数特性集合，并将这些特性集合整合成混合煤种特征矩阵；这有助于将复杂的混合煤种特性转化为可用于模型的形式，提高数据的可处理性；
通过将混合煤种特征矩阵输入事先构建的混合煤种燃烧特性评价模型，得到混合煤种燃烧特性评价指数；能够更准确地评估混合煤种的燃烧性能，为后续的燃烧控制提供基础；
通过将混合煤种燃烧特性评价指数与电网调控信息结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；这有助于更好地理解电力系统的需求和燃煤电厂的响应，为制定燃烧控制参数提供更精准的信息；
通过将电力供需表征异构向量输入混合煤种燃烧控制模型，得到每个时间窗口内的燃烧控制参数；这种方式使得对燃烧控制参数的制定更加灵活，能够根据电网需求的变化进行动态调整，提高燃煤电厂的调峰能力；
该方法在燃煤电厂参与调控的所有时间窗口内进行燃烧控制，确保了全时段的电力系统稳定性；这对于应对电网负荷波动，包括季节性、日常性以及突发事件引起的波动，具有全面性和持续性的优势；
综上，本发明通过充分考虑混合煤种特性、建立评价模型、利用电力供需信息，实现燃煤电厂燃烧控制的精细化和动态化，提高电力系统的调峰能力，从而有效解决电网负荷波动带来的挑战。
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是本发明一实施例提供的一种动态煤种的燃煤电厂深度调峰方法的流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种动态煤种的燃煤电厂深度调峰装置的结构图。
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的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。
请参考图1，本发明实施例提供了一种动态煤种的燃煤电厂深度调峰方法，该方法包括：
步骤S1、获取燃煤电厂正在发电燃烧的混合煤种(即动态煤种，包括多种不同类型的煤种，例如无烟煤、烟煤、褐煤和泥煤)数据信息；
步骤S2、对混合煤种数据信息进行要素提取，获得混合煤种中每种煤种的煤种参数特性集合，煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；
步骤S3、将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；
步骤S4、将混合煤种特征矩阵输入至预先构建的混合煤种燃烧特性评价模型中，获得混合煤种燃烧特性评价指数；
步骤S5、获取燃煤电厂参与电网调控的调控信息，并从调控信息中识别并提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；
步骤S6、将混合煤种燃烧特性评价指数与每个时间窗口对应的发电功率相结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；
步骤S7、将每个时间窗口的电力供需表征异构向量依次输入至混合煤种燃烧控制模型中，获得每个时间窗口内的燃烧控制参数；
步骤S8、在燃煤电厂参与调控的所有时间窗口内，分别根据对应的燃烧控制参数对混合煤种进行燃烧控制。
在本实施例中，通过获取混合煤种的多种参数特性，如温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比等，实现对混合煤种的全面分析；这样的综合考虑有助于更准确地了解煤种的燃烧特性；通过对混合煤种数据信息进行要素提取，获得煤种参数特性集合，并将这些特性集合整合成混合煤种特征矩阵；这有助于将复杂的混合煤种特性转化为可用于模型的形式，提高数据的可处理性；通过将混合煤种特征矩阵输入事先构建的混合煤种燃烧特性评价模型，得到混合煤种燃烧特性评价指数；能够更准确地评估混合煤种的燃烧性能，为后续的燃烧控制提供基础；通过将混合煤种燃烧特性评价指数与电网调控信息结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；这有助于更好地理解电力系统的需求和燃煤电厂的响应，为制定燃烧控制参数提供更精准的信息；通过将电力供需表征异构向量输入混合煤种燃烧控制模型，得到每个时间窗口内的燃烧控制参数；这种方式使得对燃烧控制参数的制定更加灵活，能够根据电网需求的变化进行动态调整，提高燃煤电厂的调峰能力；该方法在燃煤电厂参与调控的所有时间窗口内进行燃烧控制，确保了全时段的电力系统稳定性；这对于应对电网负荷波动，包括季节性、日常性以及突发事件引起的波动，具有全面性和持续性的优势；综上，本发明通过充分考虑混合煤种特性、建立评价模型、利用电力供需信息，实现燃煤电厂燃烧控制的精细化和动态化，提高电力系统的调峰能力，从而有效解决电网负荷波动带来的挑战。
下面描述图1所示的各个步骤的执行方式。
针对步骤S1：
在电网调控过程中，了解燃煤电厂当前正在使用的混合煤种是至关重要的。本步骤的目标是收集关于正在发电的燃煤电厂的混合煤种的实时数据；具体包括以下获取方法和参数：
S1a、传感器数据采集：安装在燃煤电厂内的传感器可以实时监测煤种的各种参数；这些传感器包括温度传感器、湿度传感器、气体分析仪等；这些设备能够提供关于燃烧过程的详细数据；
S1b、SCADA系统(监控、控制和数据采集系统)：燃煤电厂通常配备了SCADA系统，用于实时监控和控制电厂操作；SCADA系统可以提供电厂各个系统的实时数据，包括燃烧过程中的关键参数；
S1c、煤种供应链信息：获取有关从供应链获得的混合煤种的信息；这包括每种煤种的比例、质量、产地等；这对于理解混合煤种的成分和特性至关重要；
S1d、实验室测试数据：从实验室测试中获得的数据是必要的，特别是对于深度分析煤种的特性；这包括煤种的灰分含量、挥发性含量等；
S1e、运行日志和记录：燃煤电厂的操作员通常会记录关于设备运行和维护的数据；这些日志和记录可以提供关于燃煤电厂当前运行状态和历史情况的重要信息；
S1f、煤种库存数据：了解燃煤电厂的煤种库存情况，包括各种煤种的储备量和消耗速度，可以帮助评估电厂的运行策略和需求预测；
这些数据和参数对于理解燃煤电厂的混合煤种燃烧过程、优化调控策略以及提高电力系统的调峰能力都非常重要；通过综合分析这些数据，可以更有效地执行电网调控，并提高燃煤电厂的运行效率和稳定性。
针对步骤S2：
本步骤主要涉及对混合煤种数据信息进行要素提取，以获取每种煤种的煤种参数特性集合；这些特性集合包括多种参数，用于描述混合煤种中各种煤种的特性；包含的煤种参数特性具体如下：
S2a、温度：指煤种的温度，这对于燃烧过程中的控制和调节非常重要；不同种类的煤种可能具有不同的燃烧温度范围；
S2b、湿度：煤种中水分的含量,水分的存在会影响煤种的燃烧效率和温度控制；
S2c、碳含量和氢含量：描述煤种中碳和氢元素的含量，这些元素的不同含量将影响煤种的燃烧速率和产生的热量；
S2d、煤粒度：煤炭或其他煤种的颗粒大小，不同的粒度需要不同的燃烧参数来实现最佳的燃烧效果；
S2e、挥发分含量和灰分含量：描述煤种中挥发性物质和灰分的百分比，这些特性对于燃烧过程中的热量释放和灰渣产生具有重要影响；
S2f、混合煤种占比：各种煤种在混合煤种中的比例，对于煤种的整体特性和燃烧特性的预测至关重要。
提取这些煤种参数特性的目的在于建立一个全面的特性集合，以更好地了解混合煤种的组成和特性；这种信息可以用于后续步骤中的模型构建和燃烧特性评估，从而更准确地确定每个时间窗口内的燃烧控制参数，以满足电网调控需求。
针对步骤S3：
本步骤的目标是整合从混合煤种中提取的各种煤种参数特性集合，以建立一个综合的混合煤种特征矩阵；这个矩阵将包含各种煤种参数，如温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比等；在实际操作中，具体包括以下步骤：
S31、数据预处理：步骤S1和S2收集到的原始数据可能存在一些异常值、缺失值或者误差，需要进行数据清洗和预处理；例如，可以去除明显异常的数据点，或者对数据进行归一化处理，使得不同参数之间的数值范围更加合理和可比；
S32、构建特征矩阵：将预处理后的数据按照一定的规则整合到一个矩阵中，这个矩阵就是混合煤种特征矩阵；矩阵的列代表不同的煤种参数特性，行则代表不同的煤种种类；例如，如果收集到的数据包括温度、湿度、碳含量和挥发分含量等特性，那么特征矩阵的第一列就是温度数据，第二列是湿度数据，以此类推；而每个特性的不同取值则对应于矩阵中的不同行；混合煤种特征矩阵形式具体如下所示：
其中，同一种煤种的不同参数位于同一列，多种煤种的相同参数位于同一行；Tn表示第n种煤种的温度；RHn表示第n种煤种的湿度；Cn表示第n种煤种的碳含量；Hn表示第n种煤种的氢含量；CPn表示第n种煤种的煤粒度；Vn表示第n种煤种的挥发分含量；An表示第n种煤种的灰分含量；Rn表示第n种煤种在混合煤种中所占比例；
S33、数据完善：在实际操作中，由于各种原因导致某些煤种参数特性无法获得或者缺失；为了使特征矩阵更加完整和准确，可以使用一些插值方法或者基于已知数据的统计方法来填充这些缺失的值；此外，还可以添加一些额外的特征，例如煤种种类、产地等，以增加特征矩阵的维度和信息量。
在本步骤中，通过整合各种煤种参数特性，步骤S3生成的特征矩阵是综合性和全面性的，涵盖了影响混合煤种性质的多个方面，如温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比等；这有助于提供更全面、详尽的信息，为进一步的分析和决策提供基础；同时，采用矩阵形式的特征表示，使得数据结构清晰易懂；每列代表一个特定的煤种参数，每行代表不同的煤种种类，这种结构有助于有效地组织和分析数据；
步骤S3包含数据预处理的步骤，能够处理原始数据中的异常值、缺失值或误差；这确保了生成的特征矩阵具有较高的数据质量，提高了后续分析的可靠性；同时，还考虑了数据完善的步骤，通过插值方法或基于已知数据的统计方法填充缺失值；这样的操作有助于保持特征矩阵的完整性，提高数据的可用性和可信度；
总的来说，步骤S3通过细致的数据整合和处理，生成具有综合性、清洁度和完整性的混合煤种特征矩阵，为后续的煤种分析和决策提供有力的支持。
针对步骤S4：
步骤S4中的混合煤种燃烧特性评价模型的构建是关键的一步，混合煤种燃烧特性评价模型可以根据混合煤种的特征矩阵，评价混合煤种的燃烧特性，为后续的电网调控提供参考和指导；它需要综合考虑混合煤种的各种参数特性并提供一个评价指数；具体的构建步骤如下：
S41、模型准备：首先，需要选择一个适合评价混合煤种燃烧特性的模型；这个模型可以根据燃煤电厂的实际情况和需求进行选择和定制；可以选择现有的机器学习模型或深度学习模型，如支持向量机(SVM)、随机森林(Random Forest)、神经网络(Neural Network)等；也可以根据特定的需求，设计并开发新的模型；在准备模型时，需要考虑以下几个方面：
S41a、模型参数设置：根据燃煤电厂的实际情况和需求，设置模型的参数，如核函数、树深度、神经网络层数等；
S41b、模型结构选择：选择适合评价混合煤种燃烧特性的模型结构，如决策树、支持向量机、神经网络等；
S41c、特征选择：选择适合反映混合煤种燃烧特性的特征，这些特征可以是从混合煤种特征矩阵中提取的，如温度、湿度、碳含量等。
S42、输入数据：将步骤S3中构建的混合煤种特征矩阵作为输入数据，输入到模型中；这个特征矩阵包含了混合煤种的各项煤种参数特性，如温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比等；在数据输入时，需要进行数据预处理和特征工程；数据预处理包括数据清洗、缺失值填充、异常值处理等，以保证数据的准确性和可靠性；特征工程则是通过对特征进行提取、转换和选择，以增强模型的泛化能力和准确性。
S43、模型训练：使用准备好的模型和输入的数据进行模型训练；这个过程主要是通过调整模型的参数和结构，使得模型的输出能够更好地反映混合煤种的燃烧特性；在模型训练时，可以采用梯度下降、遗传算法等优化算法进行参数的调整和优化；这些算法可以通过迭代计算，寻找最优的参数组合，以最小化模型的预测误差；此外，还可以采用交叉验证等方法，对模型进行评估和选择，以确定最佳的模型结构和参数设置。
S44、模型评估与优化：在模型训练完成后，需要对模型的性能进行评估和优化；可以通过使用历史数据或模拟数据进行验证和测试，评估模型的准确性和鲁棒性；如果发现模型存在不足或问题，可以进行进一步的优化和调整，以提高模型的性能和准确性；在模型评估与优化时，可以采用多种评估指标来评估模型的性能，如准确率、召回率、F1分数等；还可以采用可视化工具，如决策树、神经网络可视化工具等，来查看和解释模型的决策过程和结果；针对模型存在的问题和不足，可以进行优化和调整，如增加特征、改变模型结构、调整参数等，以提高模型的性能和准确性。
在本步骤中，通过构建混合煤种燃烧特性评价模型，可以灵活地评价不同混合煤种的燃烧特性，从而更好地应对电网负荷的波动和变化；通过使用机器学习或深度学习模型进行模型训练和评估，可以获得更准确、可靠的燃烧特性评价指数，从而提高电网调控的准确性和有效性；通过不断优化模型的结构和参数，提高模型的性能和准确性，从而更好地适应燃煤电厂的实际需求和变化。
针对步骤S5：
步骤S5的目的是获得关键的时间窗口信息和发电功率数据，为后续的燃烧控制参数计算提供了必要的基础，具体包括以下步骤：
S51、获取调控信息：首先需要获取与电网调控相关的信息；包括燃煤电厂参与调控的计划、调度信息、电网负荷预测等；这些信息可以来自电力系统调度中心或其他相关的电力管理机构；确保能够从电力系统调度中心或其他相关的电力管理机构获取与电网调控相关的信息；这确保数据的来源是官方、可靠的，提高数据的准确性和可信度；
S52、识别调控时间窗口：通过对调控信息的分析，确定燃煤电厂参与调控的时间窗口；时间窗口是指在一段时间内，燃煤电厂需要进行电网调控的特定时段；这可以是按小时、按天或其他时间单位来划分的；通过对调控信息的分析，自动确定燃煤电厂参与调控的时间窗口；这种自动化的过程可以提高效率，减少人工干预，同时降低了可能的人为错误；
S53、提取发电功率信息：在每个识别出的时间窗口内，提取出燃煤电厂对应的发电功率信息；因为电力系统调度需要知道在每个时间窗口内燃煤电厂的发电功率，以便更好地进行负荷调度；确保在每个识别出的时间窗口内，系统能够准确提取燃煤电厂对应的发电功率信息；这对于后续的燃烧控制参数计算至关重要，因为发电功率是这些计算的基础；
S54、形成时间窗口-发电功率对应关系：将每个时间窗口与其对应的发电功率建立关联；形成一个时间窗口与发电功率的对应关系表格或数据结构，这样的结构使得后续的数据处理和分析更为方便，有助于更深入地理解电网调控的模式和趋势；
S55、存储数据：将提取的时间窗口与发电功率的对应关系数据存储在系统中，以备后续步骤使用；这可以是数据库、文件系统或其他适当的数据存储方式；
总的来说，通过步骤S5的获得的数据具有可靠性、自动化程度、精准度以及数据处理和存储的灵活性等优点，这些优点有助于提高系统在电网调控信息获取方面的整体性能。
针对步骤S6：
步骤S6的目标是结合混合煤种燃烧特性评价指数、发电功率和时间，形成一个包含多个电力供需表征异构向量的集合；这个集合可以为后续步骤提供有关在不同时间窗口内如何调整燃烧控制参数的信息；以下是对步骤S6的详细介绍：
S61、获取燃煤电厂参与电网调控的调控信息：在步骤S5中已经获取了燃煤电厂参与电网调控的信息，包括调控的时间窗口和每个时间窗口对应的发电功率；
S62、结合混合煤种燃烧特性评价指数：使用步骤S4中获得的混合煤种燃烧特性评价模型，将混合煤种特征矩阵输入，得到混合煤种燃烧特性评价指数，混合煤种燃烧特性评价指数指数反映了混合煤种的燃烧特性；
S63、形成电力供需表征异构向量：将获得的混合煤种燃烧特性评价指数与获取的每个时间窗口对应的发电功率以及时间窗口结合，形成电力供需表征异构向量，电力供需表征异构向量形式如下：
其中，K表示混合煤种燃烧特性评价指数；Pi表示燃煤电厂在第i个时间窗口参与电网调控所需发电功率；Ti表示第i个时间窗口；
S64、形成燃煤电厂在未来每个时间窗口内的电力供需表征异构向量：重复上述步骤，为每个时间窗口生成相应的电力供需表征异构向量，这样，就得到了一个包含多个电力供需表征异构向量的集合，每个向量对应一个时间窗口；这个集合可以用于进一步分析和制定在不同时间窗口内的燃烧控制参数。
综上，通过将混合煤种燃烧特性评价指数与每个时间窗口的发电功率相结合，可以获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；这些向量可以作为后续燃烧控制模型的输入，以获得每个时间窗口内的燃烧控制参数；通过这种方式，可以更好地应对电网负荷的波动和变化，提高燃煤电厂的灵活性和响应能力。
针对步骤S7：
步骤S7涉及构建混合煤种燃烧控制模型，混合煤种燃烧控制模型的目的是根据电网调控信息和混合煤种的特征，预测每个时间窗口内的燃烧控制参数；以下是详细的步骤：
S71、数据准备和预处理：收集燃煤电厂参与电网调控的历史记录以及混合煤种的历史数据，根据历史记录以及历史数据转换得到电力供需表征异构向量；同时需要处理缺失数据、异常值或不一致的数据，确保数据质量符合建模需求；对数据进行特征工程，包括特征缩放、特征变换、标准化等，以提高模型的训练效果；
S72、特征选择与分析：对特征进行相关性分析，找出与燃烧控制参数最相关的特征；使用统计方法或机器学习模型(如随机森林)来评估每个特征对燃烧控制参数的重要性；基于相关性和重要性评估结果，选择最具影响力的特征用于建模；
S73、模型选择与建立：根据问题需求和数据特点，选择合适的模型；选择支持向量机(SVM)、神经网络、决策树或集成方法等；构建选定模型的初始版本，定义输入特征和输出(燃烧控制参数)；
S74、数据分割和验证：将数据集划分为训练集、验证集和测试集；常见的比例是70％训练集、15％验证集和15％测试集；如果数据量有限，使用交叉验证技术对模型进行多次验证，以减少验证集的过拟合风险；
S75、模型训练与优化：使用训练集对模型进行训练，根据选定的模型类型进行迭代优化；对模型的超参数进行调优，例如学习率、正则化参数等，以提高模型性能；
S76、模型评估与验证：使用验证集对模型进行评估，计算预测结果与实际观测值的误差，评估模型的性能和泛化能力；基于验证集的表现，选择最佳模型版本；
S77、模型部署与监控：将经过验证的模型部署到实际环境中，用于实时电网调控；持续监控模型的性能，检测模型是否随着时间演化或数据分布发生变化而失效或需要更新。
在本步骤中，通过构建混合煤种燃烧控制模型，可以利用历史数据和实时数据来预测每个时间窗口内的燃烧控制参数，从而更加准确地响应电网负荷的变化，实现燃煤电厂的灵活调控；通过实时监控模型的性能并更新模型，可以持续优化燃烧控制参数，提高燃煤电厂的效率和性能，同时降低污染物排放，实现可持续发展；由于电网负荷是实时变化的，因此通过实时输入电力供需表征异构向量到混合煤种燃烧控制模型中，可以快速响应电网负荷的变化，实现燃煤电厂的灵活调控；过采用这种方法，燃煤电厂可以更好地适应市场变化和政策变化，提高其在电力市场中的竞争力；同时，这种方法也可以提高燃煤电厂的能源利用效率，降低运营成本，提高经济效益。
针对步骤S8：
在步骤S8中，燃煤电厂参与调控的所有时间窗口内，需要分别根据对应的燃烧控制参数对混合煤种进行燃烧控制；以下是详细的步骤：
S81、获取调控信息和时间窗口标识：从S5步骤中获取燃煤电厂参与电网调控的调控信息，并识别出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；
S82、获取每个时间窗口的燃烧控制参数：从S7步骤中获取每个时间窗口的电力供需表征异构向量，并将其输入到预先构建的混合煤种燃烧控制模型中，获得每个时间窗口内的燃烧控制参数；
S83、调整燃烧控制参数：根据电网调控信息和燃煤电厂的实际情况，对获得的燃烧控制参数进行必要的调整；这包括对发电功率的增加或减少，以及对混合煤种成分的优化和调整等；
S84、执行燃烧控制：根据调整后的燃烧控制参数，对混合煤种进行实际的燃烧控制；这包括对煤种注入速度、氧气供应量、燃烧器温度等关键参数的精准调控，以确保混合煤种能够在指定的时间和功率范围内进行高效燃烧；
S85、监控和调整：在燃烧控制执行过程中，需要实时监控炉膛温度、氧气含量、排放物浓度等关键指标，以确保燃烧过程的安全和稳定；如果发现有异常情况或实际响应与预期不符，需要及时调整燃烧控制参数，以修正和优化燃烧效果；
S86、反馈与优化：将实际燃烧效果与预期目标进行比较，根据比较结果对混合煤种选择和燃烧控制模型进行反馈和优化；这包括对模型参数的调整、混合煤种配比的改进等，以提高模型的预测精度和燃烧控制的效率；
S87、持续监控与响应：在电网负荷波动较大的情况下，燃煤电厂需要持续监控电网调控信息和实际燃烧效果，以便及时响应电网负荷的变化；这需要对模型进行实时更新和优化，以确保混合煤种能够在不同时间和功率范围内进行高效燃烧，并最大程度地响应电网调控需求。
总之，步骤S8涉及将获得的燃烧控制参数应用于实际燃烧过程，并对燃烧效果进行实时监控和调整；通过不断优化模型和调整燃烧控制参数，可以实现对混合煤种的高效燃烧控制，提高燃煤电厂的灵活性和响应能力，从而更好地适应电网负荷的变化。
总之，步骤S8涉及将获得的燃烧控制参数应用于实际燃烧过程，并对燃烧效果进行实时监控和调整。通过不断优化模型和调整燃烧控制参数，可以实现对混合煤种的高效燃烧控制，提高燃煤电厂的灵活性和响应能力，从而更好地适应电网负荷的变化。
在本实施例中，上述技术方案在解决现有燃煤电厂执行电网调控时对混合煤种燃烧控制缺乏灵活性和精准性的问题上，具有以下优点：
数据驱动的决策：通过实时收集和分析混合煤种的燃烧数据，系统能够根据煤种的特性调整燃烧控制参数，提高决策的精准度和实时性；这种数据驱动的决策方式，使得燃煤电厂能够更准确地响应电网负荷的变化；
智能化和自动化：系统引入了多种智能模型和算法，如混合煤种燃烧特性评价模型和混合煤种燃烧控制模型，这些模型能够自动处理数据并生成控制参数，大大减轻了工作人员的负担，同时也提高了决策的效率和准确性；这有助于提高电力系统的稳定性和可靠性；
灵活响应电网调控：系统能够根据电网的调控信息，自动调整燃煤电厂的发电功率，实现对电网负荷波动的快速响应，提高电力系统的稳定性；这种灵活性使得燃煤电厂能够更好地适应电网的需求；
优化资源配置：系统通过对混合煤种燃烧特性的深入了解，能够根据不同的煤种特性优化燃烧控制参数，从而更有效地利用资源，提高了燃煤电厂的经济效益；这有助于降低电力生产的成本；
预测和规划：通过识别和分析电力供需的异构向量，系统能够预测未来的电力需求并制定相应的发电计划，这有助于降低运营成本和提高电力系统的效率；这种预测和规划能力提高电力系统的计划性和有序性；
综上所述，上述系统通过集成数据采集、处理、分析和执行等多个模块，实现了对混合煤种燃烧的灵活控制和精准管理；这有助于提高燃煤电厂的运营效率、降低成本、增强电网的稳定性以及提高电力系统的整体性能。
如图2、图3所示，本发明实施例提供了一种动态煤种的燃煤电厂深度调峰装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种动态煤种的燃煤电厂深度调峰装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示，本实施例提供的一种动态煤种的燃煤电厂深度调峰装置，包括：
煤种数据采集模块，用于收集燃煤电厂正在发电燃烧的混合煤种数据信息；
煤种数据处理模块，用于接收混合煤种数据信息，并对所述混合煤种数据信息进行要素提取，获得每种煤种的煤种参数特性集合，所述煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；所述煤种数据处理模块将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；
燃烧特性评价模块，用于接收混合煤种特征矩阵，并将混合煤种特征矩阵输入到预先存储的混合煤种燃烧特性评价模型中，得到混合煤种燃烧特性评价指数；
调控信息处理模块，用于接收混合煤种燃烧特性评价指数，并获取燃煤电厂参与电网调控的调控信息，识别并提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；并将混合煤种燃烧特性评价指数与每个时间窗口对应的发电功率相结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；
燃烧控制参数生成模块，用于接收每个时间窗口的电力供需表征异构向量，并依次输入到预先存储的混合煤种燃烧控制模型中，得到每个时间窗口内的燃烧控制参数；
燃烧控制执行模块，用于接收每个时间窗口内的燃烧控制参数，并在燃煤电厂参与调控的所有时间窗口内，根据对应的燃烧控制参数对混合煤种进行燃烧控制。
可以理解的是，本发明实施例示意的结构并不构成对一种动态煤种的燃煤电厂深度调峰装置的具体限定。在本发明的另一些实施例中，一种动态煤种的燃煤电厂深度调峰装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种动态煤种的燃煤电厂深度调峰方法。
本发明实施例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上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种动态煤种的燃煤电厂深度调峰方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动态煤种的燃煤电厂深度调峰方法，其特征在于，包括：
获取燃煤电厂正在发电燃烧的混合煤种数据信息；
对所述混合煤种数据信息进行要素提取，获得混合煤种中每种煤种的煤种参数特性集合，所述煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；
将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；
将混合煤种特征矩阵输入至预先构建的混合煤种燃烧特性评价模型中，获得混合煤种燃烧特性评价指数；
获取燃煤电厂参与电网调控的调控信息，并从所述调控信息中识别并提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；
将混合煤种燃烧特性评价指数与每个时间窗口对应的发电功率相结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；
将每个时间窗口的电力供需表征异构向量依次输入至混合煤种燃烧控制模型中，获得每个时间窗口内的燃烧控制参数；
在燃煤电厂参与调控的所有时间窗口内，分别根据对应的燃烧控制参数对混合煤种进行燃烧控制。
2.根据权利要求1所述的方法，其特征在于，所述混合煤种特征矩阵为：
其中，同一种煤种的不同参数位于同一列，多种煤种的相同参数位于同一行；Tn表示第n种煤种的温度；RHn表示第n种煤种的湿度；Cn表示第n种煤种的碳含量；Hn表示第n种煤种的氢含量；CPn表示第n种煤种的煤粒度；Vn表示第n种煤种的挥发分含量；An表示第n种煤种的灰分含量；Rn表示第n种煤种在混合煤种中所占比例。
3.根据权利要求1所述的方法，其特征在于，所述电力供需表征异构向量为：
(K,Pi,Ti)；
其中，K表示混合煤种燃烧特性评价指数；Pi表示燃煤电厂在第i个时间窗口参与电网调控所需发电功率；Ti表示第i个时间窗口。
4.根据权利要求1所述的方法，其特征在于，所述提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率，包括：
由电力系统调度中心获取电网调控信息，包括燃煤电厂参与调控的计划、调度信息、电网负荷预测；
对调控信息进行分析，确定燃煤电厂参与调控的时间窗口；所述时间窗口是指在一段时间内，燃煤电厂需要参与电网调控的特定时段；
在每个识别出的时间窗口内，提取出燃煤电厂对应的发电功率信息；
将每个时间窗口与其对应的发电功率建立关联，形成一个时间窗口与发电功率的对应关系数据结构；
将提取的时间窗口与发电功率的对应关系数据结构进行存储，以备后续使用。
5.根据权利要求1所述的方法，其特征在于，所述燃烧控制参数包括混合煤种注入速度、氧气供应量以及燃烧器温度。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述混合煤种燃烧控制模型是通过如下方式进行构建的：
收集燃煤电厂参与电网调控的历史记录以及混合煤种的历史数据，并转换成电力供需表征异构向量，形成训练数据；
对电力供需表征异构向量中各项特征与燃烧控制参数进行相关性分析，基于相关性分析结果，对训练数据进行特征工程关联；
选择深度学习模型作为混合煤种燃烧控制模型的初始模型，所述深度学习模型的输入为电力供需表征异构向量，所述深度学习模型的输出为燃烧控制参数；
将训练数据划分为训练集、验证集和测试集；
使用训练集对深度学习模型进行训练，根据选定的模型类型进行迭代优化；
使用验证集对深度学习模型进行评估，计算预测结果与实际观测值的误差，评估模型的性能和泛化能力；
将经过验证的深度学习模型部署到实际环境中，用于实时电网调控。
7.根据权利要求6所述的方法，其特征在于，所述深度学习模型为支持向量机、神经网络和决策树中的一种。
8.一种动态煤种的燃煤电厂深度调峰装置，其特征在于，包括：
煤种数据采集模块，用于收集燃煤电厂正在发电燃烧的混合煤种数据信息；
煤种数据处理模块，用于接收混合煤种数据信息，并对所述混合煤种数据信息进行要素提取，获得每种煤种的煤种参数特性集合，所述煤种参数特性集合包括温度、湿度、碳含量、氢含量、煤粒度、挥发分含量、灰分含量以及混合煤种占比；所述煤种数据处理模块将隶属于混合煤种的所有煤种参数特性集合进行数据整合，获得混合煤种特征矩阵；
燃烧特性评价模块，用于接收混合煤种特征矩阵，并将混合煤种特征矩阵输入到预先存储的混合煤种燃烧特性评价模型中，得到混合煤种燃烧特性评价指数；
调控信息处理模块，用于接收混合煤种燃烧特性评价指数，并获取燃煤电厂参与电网调控的调控信息，识别并提取出燃煤电厂参与调控的时间窗口以及每个时间窗口对应的发电功率；并将混合煤种燃烧特性评价指数与每个时间窗口对应的发电功率相结合，获得燃煤电厂在未来每个时间窗口内的电力供需表征异构向量；
燃烧控制参数生成模块，用于接收每个时间窗口的电力供需表征异构向量，并依次输入到预先存储的混合煤种燃烧控制模型中，得到每个时间窗口内的燃烧控制参数；
燃烧控制执行模块，用于接收每个时间窗口内的燃烧控制参数，并在燃煤电厂参与调控的所有时间窗口内，根据对应的燃烧控制参数对混合煤种进行燃烧控制。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311553556.9A CN117474278A (zh) | 2023-11-20 | 2023-11-20 | 动态煤种的燃煤电厂深度调峰方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311553556.9A CN117474278A (zh) | 2023-11-20 | 2023-11-20 | 动态煤种的燃煤电厂深度调峰方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117474278A true CN117474278A (zh) | 2024-01-30 |
Family
ID=89629076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311553556.9A Pending CN117474278A (zh) | 2023-11-20 | 2023-11-20 | 动态煤种的燃煤电厂深度调峰方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474278A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993667A (zh) * | 2024-02-07 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于多元信息融合的发电机组燃烧优化系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009169859A (ja) * | 2008-01-18 | 2009-07-30 | Chugoku Electric Power Co Inc:The | 燃焼状態シミュレーション方法，プログラム，記憶媒体，及び燃焼状態シミュレーション装置 |
| US20180083482A1 (en) * | 2016-09-19 | 2018-03-22 | Nestfield Co., Ltd. | Supply-demand balancing method and system for power management in smart grid |
| KR102271070B1 (ko) * | 2020-03-31 | 2021-06-29 | 조선대학교산학협력단 | 혼탄조합 결정 방법 및 장치 |
| CN114036855A (zh) * | 2021-11-24 | 2022-02-11 | 西安热工研究院有限公司 | 火电厂动态配煤方法、系统、设备及存储介质 |
| CN115456385A (zh) * | 2022-09-01 | 2022-12-09 | 华润电力技术研究院有限公司 | 一种自动配煤方法、系统、计算机设备和存储介质 |
| CN115600496A (zh) * | 2022-10-13 | 2023-01-13 | 国网河北省电力有限公司电力科学研究院（Cn） | 多燃料燃烧性能参数的预测方法、模型训练方法及设备 |
| CN115685898A (zh) * | 2022-09-21 | 2023-02-03 | 华中科技大学 | 提升锅炉灵活性的输配储给煤方法、装置、设备及介质 |
| CN116911471A (zh) * | 2023-09-14 | 2023-10-20 | 山东浪潮新基建科技有限公司 | 一种供电系统的传输性能优化方法及系统 |
-
2023
- 2023-11-20 CN CN202311553556.9A patent/CN117474278A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009169859A (ja) * | 2008-01-18 | 2009-07-30 | Chugoku Electric Power Co Inc:The | 燃焼状態シミュレーション方法，プログラム，記憶媒体，及び燃焼状態シミュレーション装置 |
| US20180083482A1 (en) * | 2016-09-19 | 2018-03-22 | Nestfield Co., Ltd. | Supply-demand balancing method and system for power management in smart grid |
| KR102271070B1 (ko) * | 2020-03-31 | 2021-06-29 | 조선대학교산학협력단 | 혼탄조합 결정 방법 및 장치 |
| CN114036855A (zh) * | 2021-11-24 | 2022-02-11 | 西安热工研究院有限公司 | 火电厂动态配煤方法、系统、设备及存储介质 |
| CN115456385A (zh) * | 2022-09-01 | 2022-12-09 | 华润电力技术研究院有限公司 | 一种自动配煤方法、系统、计算机设备和存储介质 |
| CN115685898A (zh) * | 2022-09-21 | 2023-02-03 | 华中科技大学 | 提升锅炉灵活性的输配储给煤方法、装置、设备及介质 |
| CN115600496A (zh) * | 2022-10-13 | 2023-01-13 | 国网河北省电力有限公司电力科学研究院（Cn） | 多燃料燃烧性能参数的预测方法、模型训练方法及设备 |
| CN116911471A (zh) * | 2023-09-14 | 2023-10-20 | 山东浪潮新基建科技有限公司 | 一种供电系统的传输性能优化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 韩富春: "《电力系统自动化技术》", 31 May 2003, 北京：中国水利水电出版社, pages: 14 - 15 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993667A (zh) * | 2024-02-07 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于多元信息融合的发电机组燃烧优化系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117474278A (zh) | 动态煤种的燃煤电厂深度调峰方法及装置 | |
| Lythcke-Jørgensen et al. | A methodology for designing flexible multi-generation systems | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| Lin et al. | Revenue prediction for integrated renewable energy and energy storage system using machine learning techniques | |
| Wiese | renpass Renewable Energy Pathways Simulation System-Open Source as an approach to meet challenges in energy modeling | |
| CN117869930B (zh) | 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 | |
| CN117114885B (zh) | 一种用于电力交易的数据交互模型构建方法及系统 | |
| Zahraoui et al. | ANN-LSTM Based Tool For Photovoltaic Power Forecasting. | |
| CN117704349A (zh) | 燃煤电厂锅炉低负荷水动力自适应调控方法及装置 | |
| Tao et al. | An opportunistic joint maintenance strategy for two offshore wind farms | |
| CN117422167A (zh) | 一种基于树模型的电力碳排放预测分析方法 | |
| Lin et al. | On the formalization of development and assessment process for digital twins | |
| CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| CN117991639B (zh) | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 | |
| Atwa et al. | Reliable renewable energy forecasting for climate change mitigation | |
| Ardiansyah et al. | Potential classification prediction of solar and wind energy in Indonesia using machine learning with random forest algorithm | |
| Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
| Heir et al. | Navigating Uncertainty-Stochastic Energy Planning in a European Context | |
| Epiney et al. | Hybrid Simulation Framework | |
| CN117993667B (zh) | 基于多元信息融合的发电机组燃烧优化系统及方法 | |
| Wu | Green building development for a sustainable environment with artificial intelligence technology | |
| CN118014165B (zh) | 锂离子电池生产的溯源管理方法及系统 | |
| CN118536410B (zh) | 基于大数据驱动建模的能耗优化决策分析方法及系统 | |
| CN117556526B (zh) | 建筑碳画像的辨识方法、装置、存储介质和电子设备 | |
| Zhu et al. | Lagrangian decomposition for stochastic TIMES energy system optimization model |
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 |