CN117649102A - 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法 - Google Patents
一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法 Download PDFInfo
- Publication number
- CN117649102A CN117649102A CN202410125720.4A CN202410125720A CN117649102A CN 117649102 A CN117649102 A CN 117649102A CN 202410125720 A CN202410125720 A CN 202410125720A CN 117649102 A CN117649102 A CN 117649102A
- Authority
- CN
- China
- Prior art keywords
- model
- gas
- day
- energy conversion
- energy
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000002787 reinforcement Effects 0.000 title claims abstract description 25
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 19
- 239000010959 steel Substances 0.000 title claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 117
- 239000006227 byproduct Substances 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 47
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 239000000243 solution Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 239000000571 coke Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012946 outsourcing Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010791 quenching Methods 0.000 claims description 10
- 230000000171 quenching effect Effects 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 7
- 238000012887 quadratic function Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000017525 heat dissipation Effects 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims description 2
- 239000012774 insulation material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 229910052742 iron Inorganic materials 0.000 claims 1
- 230000002040 relaxant effect Effects 0.000 claims 1
- 230000001133 acceleration Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 104
- 238000010586 diagram Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- JPKJQBJPBRLVTM-OSLIGDBKSA-N (2s)-2-amino-n-[(2s,3r)-3-hydroxy-1-[[(2s)-1-[[(2s)-1-[[(2s)-1-[[(2r)-1-(1h-indol-3-yl)-3-oxopropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-1-oxo-3-phenylpropan-2-yl]amino]-1-oxobutan-2-yl]-6-iminohexanamide Chemical compound C([C@H](NC(=O)[C@@H](NC(=O)[C@@H](N)CCCC=N)[C@H](O)C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@H](CC=1C2=CC=CC=C2NC=1)C=O)C1=CC=CC=C1 JPKJQBJPBRLVTM-OSLIGDBKSA-N 0.000 description 1
- 102100031277 Calcineurin B homologous protein 1 Human genes 0.000 description 1
- 102100031272 Calcineurin B homologous protein 2 Human genes 0.000 description 1
- 102100031077 Calcineurin B homologous protein 3 Human genes 0.000 description 1
- 241001510512 Chlamydia phage 2 Species 0.000 description 1
- 241000839426 Chlamydia virus Chp1 Species 0.000 description 1
- 101000777252 Homo sapiens Calcineurin B homologous protein 1 Proteins 0.000 description 1
- 101000777239 Homo sapiens Calcineurin B homologous protein 2 Proteins 0.000 description 1
- 101000777270 Homo sapiens Calcineurin B homologous protein 3 Proteins 0.000 description 1
- 101000943802 Homo sapiens Cysteine and histidine-rich domain-containing protein 1 Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，属于信息技术领域，首先采集现场的真实工业数据并对数据进行去噪增缺，对现场管网进行简化；其次考虑多能流系统的负荷平衡建立日前模型，建立副产煤气系统、高压蒸汽系统、电力系统的数学模型，建立能量转换设备运行效率模型；通过能量转换设备运行效率模型，以副产煤气管网作为输入侧，高压蒸汽管网和电力系统作为输出侧建立气‑热‑电日内模型，再结合日前模型转化为日前‑日内模型；使用求解器进行求解并保存求解过程的数据，使用保存的数据通过最大熵强化学习算法训练智能体用于近似求解过程以达到加速效果。本发明解决了因时间尺度不同产生的冲突并加快求解速度。
Description
技术领域
本发明属于信息技术领域，涉及一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，具体涉及副产煤气、蒸汽和电力系统的机理建模，混合整数规划，强化学习等技术，是一种基于强化学习的钢铁工业多能流系统最优调度方法。本发明采用工业流程真实数据，首先分别对副产煤气系统、高压蒸汽系统、电力系统进行建模，对管网中的副产煤气系统采用考虑流量、压力的流体力学建模；对高压蒸汽系统采用考虑流量、压力、温度的机理建模；电力系统采用IEEE(电气和电子工程师学会)已有节点模型建模；随后将建立的模型结合热电联产、干熄焦、燃气轮机等能量转换设备的数学模型进行拼接并转化为可以利用混合整数规划求解方法求解的模型；最后用最大熵强化学习SAC（Soft Actor-Critic）算法学习商业求解器的求解过程来加速求解过程。
背景技术
钢铁企业涉及副产煤气、蒸汽、电力等多种能源，管网结构复杂，管网整体优化与各能源子系统的局部优化，由于时间尺度存在差异，某一个时间段的优化和整个工作周期的优化常常存在矛盾。此外，为保证如期完成生产计划，各能源介质往往处于供大于需的不平衡状态，为了减少整个系统的能源损失，钢铁企业往往最大限度地对副产能源进行回收利用；然而能源子系统的分配利用水平有限，这就使得能源子系统的能源放散有所增加，导致整体成本上升。造成上述问题的主要原因是多种能源的分配计划不合理。因此，需要一个能够进行管网多能流、多时段整体优化的系统。
除了需要对多能流优化问题进行合理的建模，如何进行求解也是一个研究热点。目前的常用求解方法主要有数学解析法和多目标智能优化算法。然而，以线性规划、非线性规划和动态规划等为代表的数学解析法，在问题规模较小的时候表现出良好的性能，但当问题规模增大，为了保证足够的求解精度，求解的速度会无法保证，导致无法满足实时优化的速度，无法满足现场的需求。
鉴于此，需要一种可以快速求解较大规模多能流系统对应的混合整数模型，确定合理日前日内调度方案的方法。
为了解决以上问题，本发明提出采用日前-日内模型求解并用SAC算法加速求解过程的求解方式。在获取现场数据及简化后的管网结构后，先基于现场数据建立日前模型，再基于管网结构构建副产煤气系统、高压蒸汽系统、电力系统和能量转换设备的数学模型，通过能量转换设备组合各系统模型组成气-热-电日内模型，最后结合日前模型组成日前-日内模型，利用求解器对模型进行求解，保存求解过程数据，通过SAC算法使用保存的数据训练智能体，以替代求解器对模型进行求解，最后用智能体对模型进行求解得到整体的优化方案。
发明内容
本发明提供了一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，主要用于解决钢铁企业多能流系统的能源分配问题。首先采集现场的真实工业数据并去噪增缺，对现场管网进行简化；其次考虑多能流系统的负荷平衡建立日前模型，再建立副产煤气系统、高压蒸汽系统、电力系统的数学模型，建立能量转换设备运行效率模型；通过能量转换设备运行效率模型以副产煤气管网作为输入侧，高压蒸汽管网和电力系统作为输出侧建立气-热-电日内模型，再结合日前模型转化为日前-日内模型；使用求解器进行求解并保存求解过程的数据，使用保存的数据通过最大熵强化学习算法训练智能体用于近似求解过程以达到加速的效果。
本发明采用的技术方案如下：
一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，所述的最优调度方法包括如下步骤：
步骤1，数据准备与预处理：
多能流系统包括副产煤气系统、高压蒸汽系统和电力系统三个子系统，每个子系统中均包含发生单元(焦炉、高炉、转炉等)、消耗单元(连铸、化工厂等需求用户)、能量转换设备(如热电联产、锅炉、干熄焦、燃机)和煤气柜。
从工业现场实时关系数据库中读取各子系统发生单元、消耗单元、能量转换设备以及煤气柜数据，并对数据进行除噪和填补处理，具体的：
数据除噪：对于异常数据，通过统计方法或者时间序列分析等方法进行识别和处理，以减少噪声对模型的影响。
数据填补：对于缺失数据，使用插值、回归等方法预测并填补，以保证数据的连续性和完整性。
步骤2，简化现场管网结构：
对多能流系统现场管网结构进行简化，以减少不必要的复杂度，避免影响求解效率和调度方案，具体包括：
简化管网结构：将多能流系统管网进行合并或者简化，例如将连续的多个相同的消耗单元按照总消耗量近似为同一个，减少模型的复杂度，提高计算效率。
忽略微小变化：将不同消耗单元之间的管道流量变化忽略不计，将不同消耗单元之间的管网近似成同一段管网，避免因为微小变化导致的不必要复杂性，使模型更加简洁。
步骤3，在获取简化后的管网结构后，先基于步骤1中获取的数据建立日前模型，再基于简化后的管网结构构建副产煤气系统、高压蒸汽系统、电力系统和能量转换设备的数学模型，通过能量转换设备组合各子系统模型组成气-热-电日内模型，最后结合日前模型组成日前-日内模型。
步骤3.1，基于步骤1中获得的数据建立日前模型，日前模型仅考虑发生量和消耗量的平衡：
(1)
，/>为固定用户用量，/>为放散量，/>为煤气柜柜位变化量。
步骤3.2，建立副产煤气系统模型：
由于副产煤气为非刚性气体，因此在经过管网时会在管网内有留存，其留存量与管网本身的参数和管网两端的压力有关。副产煤气管道内流量与管道两侧压力关系通过韦茅斯(Weymouth)公式描述如下：
(2)
(3)
式中，为管道由/>端流向n端的流量，/>为管道的参数，与管道的材料、长度、横截面积等有关，/>和/>分别为管道两侧的压力。
因式(2)为非凸模型，求解困难，将式(2)两边同时取平方，并将与管道流量相关的变量移动到一起后，将式(2)重新表述为：
(4)
式中，，/>。
由于变量变为平方项，为了保证计算效率，采用增量分段线性化方法处理式(4)：
(5)
(6)
(7)
(8)
(9)
(10)
式中，为分段线性化的分段数，/>为分段线性化的截距，/>为管道流量，/>为分段线性化的区间长度，/>为分段区间的斜率，/>为为管道流量在分段区间/>的标识符，是0-1变量。
步骤3.3，建立高压蒸汽系统模型：
高压蒸汽系统与副产煤气系统类似，均采用Weyhmouth方程描述，不同的是高压蒸汽系统还需考虑气体流过管道时的温度变化：
(11)
(12)
式中，为管道温降；/>为管道两端热损失；/>为管道气体流量，方向为管段始端指向管段末端；/>为第/>个管道的管道流量；/>为管长；/>分别为管内蒸汽温度和环境温度；/>为散热损失修正系数；/>分别为管外径和保温层外径；分别为管内蒸汽与管壁的对流换热系数和保温材料与环境的对流换热系数；/>为管道材质的导热系数；/>为气体流过管道的热量损失；/>为第/>个管道的标识。
步骤3.4，建立电力系统模型：
电力系统采用IEEE已有节点模型，建立带二阶锥约束的最优潮流模型(OptimalPower Flow，OPF)。
针对单条支路，满足节点的注入功率和负载功率与输出功率之和相等，即功率平衡，针对整个电力系统，每条支路均需满足功率平衡，即一侧节点的输出功率为另一侧节点的注入功率。
按照以上功率平衡约束所建立的最优潮流模型如下：
(13)
(14)
(15)
式中，变量包括：分别为支路/>和支路/>的有功功率，分别为支路/>和支路/>的无功功率，/>为节点/>的有功和无功功率，/>分别为节点/>和节点/>的支路电压，/>为支路/>的支路电流幅值平方；参数包括：/>分别为节点和支路的集合，其中/>和/>表示节点，/>表示支路，/>为发电成本，/>为负载的有功功率，/>分别为支路/>的电阻和电抗，/>分别为变量的下界和上界。
建立的最优潮流模型是非凸模型，而目前大部分求解器只能求解凸优化问题。因此，为了保证模型在允许的运行时间内得到可行解或最优解，式(13)和式(15)必须进行松弛：
(16)
(17)
步骤3.5，建立能量转换设备运行效率模型：
根据步骤1中获取的数据，使用二次函数分别建立各能量转换设备的运行效率模型，即能量转换设备出力和能量转换设备能源消耗量成二次函数关系。
由于不同能量转换设备的运行特性存在差异，单一的二次函数模型无法准确描述所有能量转换设备的运行效率。因此，采用分段线性化的方法来建立更精确的能量转换设备运行效率模型。通过将各能量转换设备运行效率与能源消耗的关系分别划分为若干个区间，为每个区间建立一个线性模型。当能量转换设备的能源消耗处于某个特定区间时，根据对应的线性模型来估计其运行效率。
步骤3.6，通过能量转换设备运行效率模型以副产煤气系统管网作为输入侧，高压蒸汽系统管网和电力系统作为输出侧建立气-热-电日内模型，再结合日前模型转化为日前-日内模型。
步骤3.6.1，建立气-热-电日内模型：
①针对副产煤气系统、高压蒸汽系统，首先将流量分为四类：气源发生量、固定用户消耗量、可调设备消耗量和管道流量；其次对每个节点列出流量平衡方程，最后将其转化为矩阵形式，得到矩阵形式的能量平衡方程：
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
式中，为管道流量；/>为气源发生量；分别为对各能量转换设备供气量；/>分别为对各固定用户供气量。
将各个能量转换设备转换效率约束、设备出力上下限、设备爬坡上下限作为约束。
各能量转换设备转换效率约束为：
(26)
(27)
(28)
(29)
式中，为焦炉煤气物料消耗量，/>为高炉煤气物料消耗量，/>为转炉煤气物料消耗量，/>为红焦物料消耗量，/>为各物料热值，/>，/>为热电联产机组，/>为锅炉，/>为干熄焦设备，为燃气轮机，。
各能量转换设备在时刻的爬坡约束与上下限约束表述为： (30)
(31)
式中，代表某个能量转换设备，/>为在/>时段某个能量转换设备的出力，为在/>时段某个能量转换设备的出力，/>为某个能量转换设备的出力变化量最大值，/>分别为某个能量转换设备出力的上限与下限。
电力系统的约束如式(16)和式(17)。
通过能量转换设备运行效率模型，将副产煤气系统、高压蒸汽系统、电力系统进行连接，组成气-热-电日内模型，其中将式(3)中的sgn函数的值、式(5)至式(10)中的/>以及式(25)中的数字矩阵作为混合整数规划模型的整数变量，其余变量作为连续变量。
如果副产煤气系统、高压蒸汽系统、电力系统各个部分单独考虑，会出现某一部分负荷剧烈增加时所有设备都增加出力，但此时其他部分负荷并无剧烈波动，这将导致各设备产生的物料过多使放散增加，从而增加多能流系统运行成本，形成不同子系统之间的冲突。而将各个部分组成整体进行整体调度则能从全局角度统一考虑每个部分的需求，用成本最小的方式处理各个部分负荷的变化。
将副产煤气系统管网中实际与能量转换设备相连的管道设置为通向能量转换设备，再将能量转换设备的输出与蒸汽管网的气源管道和电力系统的发电机节点相连，由此，副产煤气系统、高压蒸汽系统和电力系统组合成气-热-电日内模型。
气-热-电日内模型的目标函数为：
(32)
(33)
(34)
(35)
(36)
(37)
式中，为总运行成本；/>为焦炉煤气运行成本；/>为高炉煤气运行成本；/>为转炉煤气运行成本；/>为电力系统运行成本；/>为蒸汽运行成本；为焦炉煤气外购量；/>为焦炉煤气外购价；/>为焦炉煤气放散量；为焦炉煤气放散成本；/>为高炉煤气放散量；/>为高炉煤气放散成本；/>为转炉煤气放散量；/>为转炉煤气放散成本；/>为外购电量；为外购电价；/>为蒸汽放散量；/>为蒸汽放散成本。
步骤3.6.2，建立日前-日内模型：
日前模型与日内模型所用预测数据的时间尺度不同，其中，日前模型结合分时电价从大时间尺度考虑调度方案，日内模型则是从小时间尺度考虑调度方案。在某些时刻，为应对负荷的变化，更改设备出力比外购物料成本更低，因此日内模型会优先更改设备出力，这一动作虽然在当前时段是最优解，但会影响后续时段的动作从而增加整体的成本，从大时间尺度来看并不是最优解，产生冲突。因此在日内模型的目标函数中加入日前模型的大时间尺度调度结果，能够处理日前模型和日内模型的冲突。
在气-热-电日内模型目标函数中除各运行成本外再加入与日前调度量的差，将气-热-电日内模型与日前模型结合为日前-日内模型：
(38)
式中，为日前模型的调度量和气-热-电日内模型的调度量差的平方和。
步骤4，模型求解：
步骤4.1，使用商业求解器对日前-日内模型进行求解，并保存求解过程数据。
步骤4.2，构建智能体，并使用SAC算法通过步骤4.1中保存的数据对智能体进行训练。
所述的智能体包括环境模型、状态空间、动作空间和奖励函数，具体的：
所述的环境模型是与智能体进行交互的多能流系统环境，针对智能体给出的动作策略计算此策略下的能源转换设备出力状态，并反馈给奖励函数。环境模型包括多能流系统中的电能流、热能流以及能源之间的耦合环节，围绕多能流系统中各类能量转换设备以及多能流系统能源负荷供需平衡条件构建环境模型。
所述的状态空间围绕能源转换设备出力功率进行描述。多能流系统含设备与不同能流之间的耦合，如热电联产机组消耗天然气发电和发生蒸汽，因其蒸汽发生量与其发电功率相关，所以可以通过其发电功率统一描述。各能源管网的能源流动量均可由能源设备出力功率函数化表示，因此状态空间围绕设备出力功率进行描述而非能源管网的能量流动进行描述。
所述的动作空间为典型日各时段内能源转换设备出力功率及外电网并入功率的调整值，通过从多能流系统中某一个初始状态开始逐步迭代的方式，调整值多次累计后使日前-日内模型转移到最终状态即为能源转换设备最终的运行状态。通过这种方式来寻找多能流系统运行优化问题的最优解，即能源转换设备最具经济性的运行策略，以达到优化系统运行的目的。
所述的奖励函数为评判智能体求解效果的依据，最大熵强化学习模型通过最大累计回报值进行学习，针对多能流系统，其奖惩机制为当前系统状态下最优解与当前状态空间欧氏距离的相反数。
步骤4.3，利用智能体替代商业求解器，对日前-日内模型进行求解，得到最优调度方案。
本发明的有益效果：
本发明面向整个钢铁能源多能流系统，将钢铁能源系统涉及到的副产煤气、高压蒸汽、电力三个部分进行联合建模优化。由于充分考虑了不同子系统之间的协调和日前调度模型与日内调度模型时间尺度的不同带来的局部最优与全局最优潜在的冲突，所以在本发明得到的调度方案中，对于某一时段是最优解，但是对其他时刻有影响，并由此导致的调度方案偏离最优解的情况将很少出现。
当对于小规模场景即混合整数规划模型的复杂度较低，使用商业求解器可以在保证精度的前提下快速求解。但当场景所包含的元素增加，混合整数规划模型的复杂度呈现指数级上升，此时商业求解器的分支定界-分支切割等纯数学求解方法因涉及到大量的矩阵运算，为保证求解精度，不可避免地增加求解时间，消耗大量计算资源，并且实时性不能满足工业现场的使用。管网复杂度增加求解精度和求解速度就难以平衡，但本发明采用最大熵强化学习算法近似求解过程，可以在满足精度的条件下加快求解速度，有利于将调度方案及时呈现给工业现场调度人员，根据现场的情况及时做出调整。
附图说明
图1为实施例中管网示意图，其中，(a)为实施例中焦炉煤气管网示意图，(b)为实施例中高炉煤气管网示意图，(c)为实施例中转炉煤气管网示意图；
图2为实施例中IEEE39节点示意图；
图3为实施例中管网结构示意图；
图4为建模过程流程图；
图5为SAC算法的训练和测试过程图，其中，(a)为SAC算法的训练过程，(b)为SAC算法的测试过程；
图6为热电联产设备功率曲线，其中，(a)为CHP1设备功率曲线，(b)为CHP2设备功率曲线，(c)为CHP3设备功率曲线，(d)为CHP4设备功率曲线；
图7为锅炉功率曲线，其中，(a)为BOIL1设备功率曲线，(b)为BOIL2设备功率曲线，(c)为BOIL3设备功率曲线；
图8为干熄焦功率曲线，其中，(a)为CDQ1设备功率曲线，(b)为CDQ2设备功率曲线；
图9为燃机功率曲线，其中，(a)为GT1设备功率曲线，(b)为GT2设备功率曲线，(c)为GT3设备功率曲线，(d)为GT4设备功率曲线。
具体实施方式
为了更好地理解本发明的技术方案与具体实施方式，下面以国内某规模以上的企业为例做进一步说明。
本发明的具体实施步骤如下：
步骤1，数据准备与预处理：
多能流系统包括副产煤气系统、高压蒸汽系统和电力系统三个子系统，每个子系统中均包含发生单元(焦炉、高炉、转炉等)、消耗单元(连铸、化工厂等需求用户)、能量转换设备(如热电联产、锅炉、干熄焦、燃机)和煤气柜。
从工业现场实时关系数据库读取各子系统发生单元、消耗单元、能量转换设备以及煤气柜数据。所需的数据包括分时电价、各焦炉煤气、高炉煤气、转炉煤气气源发生流量、外购量、焦炉煤气、高炉煤气、转炉煤气管网的各固定用户(球团、化工厂、镀锌厂、工字钢、热轧等)耗气量、热电联产、干熄焦、锅炉、燃气轮机的煤、焦炉煤气、高炉煤气、转炉煤气消耗流量、热电联产、干熄焦、锅炉、燃气轮机的高压蒸汽、电力发生量、发电功率、采集频率为1点/分钟，数据需求表如表1所示：
表1 数据需求表
由于工业数据普遍存在有噪声、少量缺失点等问题，在建立模型之前对数据做基本的除噪和填补处理，具体的：
①数据除噪：对于由于各种原因导致的异常数据，比如设备故障、传感器误差等，通过统计方法或者时间序列分析等方法进行识别和处理，以减少噪声对模型的影响。
②数据填补：对于由于设备故障、传感器故障等原因导致的缺失数据，使用插值、回归等方法来预测并填补缺失的数据，以保证数据的连续性和完整性。
步骤2，简化现场管网结构：
取得现场数据并进行处理后，若模型与完全按照现场实际管网建立则会增加不必要的复杂度，影响求解效率和调度方案，因此需对多能流系统现场管网进行简化，包括：
①简化管网结构：在实际的工业现场中，管网结构通常非常复杂，包含大量的管道和节点。为了简化模型，将多能流系统管网中的某些部分进行合并或者简化，例如将连续的多个相同的消耗单元按照总消耗量近似为同一个，减少模型的复杂度，提高计算效率。
②忽略微小变化：由于不同消耗单元之间的管道流量变化很小，将这些变化忽略不计，将不同消耗单元之间的管网近似成同一段管网，避免因为微小变化导致的不必要复杂性，使模型更加简洁。
简化后管网，如图1所示。图1中(a)为对焦炉煤气管网示意图，其含有四个焦炉两两一组作为发生单元，还有球团、悬浮窑、镀锌厂等固定消耗单元，化工厂、焦化厂等消耗单元，还有热电联产、锅炉、燃气轮机、干熄焦作为能量转换设备，两个煤气柜则起到缓冲作用，可在副产煤气发生量大于消耗量时暂时存储多余的副产煤气，或在发生量不足时临时供给给消耗单元保证生产，图1中(b)、(c)所示分别为高炉煤气和转炉煤气管网示意图。
步骤3，获取简化后的管网结构后，先基于步骤1中获取的数据建立日前模型，再基于现场管网结构构建副产煤气，高压蒸汽，电力系统，能量转换设备的数学模型，通过能量转换设备组合各部分模型组成气-电-热日内模型，最后结合日内模型组成日前-日内模型，整体流程如图4所示。
步骤3.1，基于步骤1中的数据建立日前模型，日前模型仅考虑发生量和消耗量的平衡，平衡方程如式(1)所示。
步骤3.2，建立副产煤气系统模型：
由于副产煤气为非刚性气体，因此在经过管网时会在管网内有留存，其留存量与管网本身的参数和管网两端的压力有关。副产煤气管道内流量与管道两侧压力关系通过Weymouth公式描述，如式(2)，(3)所示。
因式(2)为非凸模型，求解困难，将式(2)两边同时取平方，并将与管道流量相关的变量移动到一起后，将式(2)重新表述为式(4)。
由于变量变为平方项，为了保证计算效率，采用增量分段线性化方法处理式(4)，分段线性化方程如式(5)至式(10)所示。
步骤3.3，建立蒸汽系统模型：
高压蒸汽系统与副产煤气系统类似，均采用Weyhmouth方程描述，不同的是高压蒸汽系统还需考虑气体流过管道时的温度变化，温降计算如式(11)和式(12)所示。
步骤3.4，建立电力系统模型：
电力系统采用IEEE经典10机39节点，建立带二阶锥约束的最优潮流模型，如图2所示。
针对单条支路只需要满足节点的注入功率和负载功率与输出功率之和相等即可，即功率平衡，针对整个电力系统，每条支路都需满足功率平衡，即一侧节点的输出功率为另一侧节点的注入功率。
按照以上功率平衡约束所建立的最优潮流模型如式(13)至式(15)所示。
建立的最优潮流模型是非凸模型，而目前大部分求解器只能求解凸优化问题。因此，为了保证模型在允许的运行时间内得到可行解或最优解，必须进行松弛，松弛后的模型如式(16)和式(17)所示。
步骤3.5，建立能量转换设备运行效率模型：
根据步骤1中获取的热电联产、锅炉、燃气轮机、干熄焦等能量转换设备的能源消耗实绩，以及电力、蒸汽产生实绩，使用二次函数分别建立各能量转换设备的运行效率模型，即能量转换设备出力和能量转换设备能源消耗量成二次函数关系。
由于不同能量转换设备的运行特性存在差异，单一的二次函数模型无法准确描述所有能量转换设备的运行效率。因此，采用分段线性化的方法来建立更精确的能量转换设备运行效率模型。通过将各能量转换设备运行效率与能源消耗的关系分别划分为若干个区间，为每个区间建立一个线性模型。当能量转换设备的能源消耗处于某个特定区间时，根据对应的线性模型来估计其运行效率。
步骤3.6，通过能量转换设备运行效率模型以副产煤气系统管网作为输入侧，高压蒸汽系统管网和电力系统作为输出侧建立气-热-电日内模型，再结合日前模型转化为日前-日内模型。
步骤3.6.1，建立气-热-电日内模型：
①针对副产煤气系统、高压蒸汽系统，首先将流量分为四类：气源发生量、固定用户消耗量、可调设备消耗量和管道流量；其次对每个节点（管网结构如图3所示）列出流量平衡方程，最后将其转化为矩阵形式，得到矩阵形式的能量平衡方程，如式(18)至(25)所示。
将各个能量转换设备转换效率约束、设备出力上下限、设备爬坡上下限作为约束，如式(26)至(31)所示。
电力系统的约束如式(16)和(17)所示。
通过能量转换设备运行效率模型，将副产煤气系统、高压蒸汽系统、电力系统进行连接组成气-热-电日内模型。
将副产煤气系统管网中实际与能量转换设备相连的管道设置为通向能量转换设备，再将能量转换设备的输出与蒸汽管网的气源管道和电力系统的发电机节点相连，由此，副产煤气系统、高压蒸汽系统和电力系统组合成气-热-电日内模型。气-热-电日内模型的目标函数如式(32)至(37)所示。
步骤3.6.2，建立日前-日内模型：
在气-热-电日内模型目标函数中除各运行成本外再加入与日前调度量的差，将气-热-电日内模型与日前模型结合为日前-日内模型，日前-日内模型的目标函数如式(38)所示。
步骤4，模型求解：
步骤4.1，使用Gurobi求解器对日前-日内模型进行求解并保存求解过程数据。
步骤4.2，构建智能体，并使用SAC算法通过步骤4.1中保存的数据对智能体进行训练。
所述的智能体包括环境模型、状态空间、动作空间和奖励函数，具体的：
所述的环境模型是与智能体进行交互的多能流系统环境，针对智能体给出的动作策略计算此策略下的能源转换设备出力状态，并反馈给奖励函数。环境模型包括多能流系统中的电能流、热能流以及能源之间的耦合环节，围绕多能流系统中各类能量转换设备以及多能流系统能源负荷供需平衡条件构建环境模型。
所述的状态空间围绕能源转换设备出力功率进行描述。多能流系统含设备与不同能流之间的耦合，如热电联产机组消耗天然气发电和发生蒸汽，因其蒸汽发生量与其发电功率相关，所以可以通过其发电功率统一描述。各能源管网的能源流动量均可由能源设备出力功率函数化表示，因此状态空间围绕设备出力功率进行描述而非能源管网的能量流动进行描述。
因此SAC算法的状态空间包括典型日内各个时间段各能源转换设备电能、蒸汽产量和气网供气量，即：
(39)
式中，分别为第一个时段副产煤气外购量、副产煤气放散量、电力外购量、电力外送量、各气网对能源转换设备供气量、能源转换设备产电量、能源转换设备产气量的向量集合；分别为第na个时段副产煤气外购量、副产煤气放散量、电力外购量、电力外送量、各气网对能源转换设备供气量、能源转换设备产电量、能源转换设备产气量的向量集合。
状态空间的边界为能源转换设备的出力约束，包括能源转换设备上下限约束以及设备爬坡约束，约束的数学形式如式(30)和式(31)所示。
所述的动作空间为典型日各时段内能源转换设备出力功率及外电网并入功率的调整值，通过从多能流系统中某一个初始状态开始在探索轨迹内逐步迭代的方式，调整值多次累计后使日前-日内模型转移到最终状态即为能源转换设备最终的运行状态。通过这种方式来寻找多能流系统运行优化问题的最优解，即能源转换设备最具经济性的运行策略，以达到优化系统运行的目的。
因此SAC算法的状态空间包括典型日内各个时间段各能源转换设备电能、蒸汽产量和气网供气量，即：
(40)
式中，分别为第一个时段副产煤气外购量、副产煤气放散量、电力外购量、电力外送量、各气网对能源转换设备供气量、能源转换设备产电量、能源转换设备产气量的调整量的向量集合；分别为第na个时段副产煤气外购量、副产煤气放散量、电力外购量、电力外送量、各气网对能源转换设备供气量、能源转换设备产电量、能源转换设备产气量的调整量的向量集合。
④所述的奖励函数为评判智能体求解效果的依据，最大熵强化学习模型通过最大累计回报值进行学习，针对多能流系统，奖惩机制为当前系统状态下最优解与当前状态空间欧氏距离的相反数。最优解根据保存的求解器求解过程数据取得，记为。/>
(41)
式中，Reward为奖励函数，为第iter时段状态空间的状态向量，/>为最优解状态向量，MaxStep为设定的最大迭代步数，/>为/>之间的2范数，即欧氏距离。
步骤4.3，智能体训练完成后，替代Gurobi求解器，根据多能流系统的气源供气量、管网结构、能量转换设备参数、煤气柜柜位进行求解，得到最优调度方案。对于同一个场景，不同的时段之间的区别只有用户需求量、气源发生量等数据，本质上并无区别，因此用SAC算法对每一个时段分别进行求解，将所有时段的求解结果拼接作为调度方案的过程是可行的。在Gurobi求解器求解时会进行多次迭代，每一次迭代都会得到一个可行解，但可能不是全局最优解。
将Gurobi求解器每一次迭代过程的调度值作为强化学习环境中随机初始化的集合，将最优调度值作为目标值。强化学习奖励值(reward)为当前动作向量(action)与目标向量(target)的欧氏距离的相反数，每次学习的总reward为每一步reward的和，训练目标为最大化reward，即使智能体沿着Gurobi求解器的迭代路径动作，当集合中包含了足够多的在当前工作点附近波动的调度值，经过训练，智能体可以达到模拟求解过程的效果。
图5中(a)和(b)分别为SAC算法训练过程和测试过程的迭代曲线，其中：
(a)中黑色曲线为智能体每一次训练的reward值，由于训练过程reward波动较大，为更直观表示reward变化曲线，采取加权形式计算出白色曲线。可以看出，reward在总体上逐渐变小，这证明智能体逐渐学习到Gurobi求解器的迭代过程。
(b)中实曲线为测试过程每一次的reward变化，由于随机性较大，因此也采用加权形式求出点划线以更直观地看出测试效果。从曲线中可以看出，对于不同的未知状态，智能体的求解精度保持稳定，证明该方法具有较好的泛化性能。
图6至图9为日前模型给出的调度量和气-热-电日内模型给出的最终调度量的波动曲线，虚线为日前模型调度量，实线为气-热-电日内模型调度量。可以看出，气-热-电日内模型给出的调度量大体上和日前模型给出的调度量具有相同的波动趋势，但存在一定的波动，这是因为气-热-电日内模型所用数据的时间尺度相对日前模型所用数据较小，存在一定差异。
表2 求解时间对比表
从表2中看出，用Gurobi求解器求解日前-日内模型所需的时间较长，达到750s，这是因为问题的规模较大，所组成的矩阵维度较高，而求解器的求解过程包含大量的矩阵求逆，消耗了大量的时间，但是可以求出理论上的最优解。
而最大熵强化学习算法求解只需要15s，因为最大熵强化学习算法使用求解器求解过程中的数据训练智能体，使其学习求解器的求解过程，可以加速问题的求解过程，有利于将调度方案及时呈现给工业现场调度人员，根据现场的情况及时做出调整。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (6)
1.一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，其特征在于，所述的钢铁工业多能流系统最优调度方法包括如下步骤：
步骤1，数据准备与预处理；
多能流系统包括三个子系统，分别为副产煤气系统、高压蒸汽系统和电力系统，每个子系统中均包含发生单元、消耗单元、能量转换设备和煤气柜；从工业现场实时关系数据库中读取各子系统发生单元、消耗单元、能量转换设备以及煤气柜数据，并对数据进行除噪和填补处理，得到数据集；
步骤2，对多能流系统现场管网结构进行简化；
步骤3，先基于步骤1中获取的数据集建立日前模型，再基于步骤2简化后的管网结构构建副产煤气系统、高压蒸汽系统、电力系统和能量转换设备的数学模型，通过能量转换设备组合各子系统模型组成气-热-电日内模型，最后结合日前模型组成日前-日内模型；
步骤4，模型求解；
步骤4.1，使用商业求解器对日前-日内模型进行求解，并保存求解过程数据；
步骤4.2，构建智能体，并使用SAC算法通过步骤4.1中保存的数据对智能体进行训练；
步骤4.3，利用智能体替代商业求解器，对日前-日内模型进行求解，得到最优调度方案。
2.根据权利要求1所述的一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，其特征在于，所述的步骤2中，对多能流系统现场管网的简化包括：
将多能流系统管网进行合并或者简化；
将不同消耗单元之间的管道流量变化忽略不计，将不同消耗单元之间的管网近似成同一段管网。
3.根据权利要求1所述的一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，其特征在于，所述的步骤3具体包括：
步骤3.1，基于步骤1中获得的数据建立日前模型，日前模型仅考虑发生量和消耗量的平衡：
(1)
，/>为固定用户用量，/>为放散量，/>为煤气柜柜位变化量；
步骤3.2，建立副产煤气系统模型；
副产煤气管道内流量与管道两侧压力关系，通过Weymouth公式描述如下：
(2)
(3)
式中，为管道由/>端流向n端的流量，/>为管道的参数，/>和/>分别为管道两侧的压力；
将式(2)两边同时取平方，并将与管道流量相关的变量移动到一起后，将式(2)重新表述为：
(4)
式中，，/>；
采用增量分段线性化方法处理式(4)：
(5)
(6)
(7)
(8)
(9)
(10)
式中，为分段线性化的分段数，/>为分段线性化的截距，/>为管道流量，为分段线性化的区间长度，/>为分段区间的斜率，/>为管道流量在分段区间/>的标识符，是0-1变量；
步骤3.3，建立高压蒸汽系统模型；
高压蒸汽系统也采用Weyhmouth方程描述，不同的是高压蒸汽系统还需考虑气体流过管道时的温度变化：
(11)
(12)
式中，为管道温降；/>为管道两端热损失；/>为管道气体流量，方向为管段始端指向管段末端；/>为第/>个管道的管道流量；/>为管长；/>分别为管内蒸汽温度和环境温度；/>为散热损失修正系数；/>分别为管外径和保温层外径；分别为管内蒸汽与管壁的对流换热系数和保温材料与环境的对流换热系数；/>为管道材质的导热系数；/>为气体流过管道的热量损失；/>为第/>个管道的标识；
步骤3.4，建立电力系统模型；
电力系统采用IEEE已有节点模型，建立带二阶锥约束的最优潮流模型；
针对单条支路，满足节点的注入功率和负载功率与输出功率之和相等，即功率平衡，针对整个电力系统，每条支路均需满足功率平衡，即一侧节点的输出功率为另一侧节点的注入功率；
按照以上功率平衡约束所建立的最优潮流模型如下：
(13)
(14)
(15)
式中，变量包括：分别为支路/>和支路/>的有功功率，/>分别为支路/>和支路/>的无功功率，/>为节点/>的有功和无功功率，/>分别为节点/>和节点/>的支路电压，/>为支路/>的支路电流幅值平方；参数包括：分别为节点和支路的集合，其中/>和/>表示节点，/>表示支路，/>为发电成本，/>为负载的有功功率，/>分别为支路/>的电阻和电抗，/>分别为变量的下界和上界；
对式(13)和式(15)进行松弛：
(16)
(17)
步骤3.5，建立能量转换设备运行效率模型；
根据步骤1中获取的数据集，使用二次函数分别建立各能量转换设备的运行效率模型；采用分段线性化的方法建立能量转换设备运行效率模型；通过将各能量转换设备运行效率与能源消耗的关系分别划分为若干个区间，为每个区间建立一个线性模型；
步骤3.6，通过能量转换设备运行效率模型以副产煤气系统管网作为输入侧，高压蒸汽系统管网和电力系统作为输出侧，建立气-热-电日内模型，再结合日前模型转化为日前-日内模型；具体如下：
步骤3.6.1，建立气-热-电日内模型；
①针对副产煤气系统、高压蒸汽系统，首先将流量分为四类：气源发生量、固定用户消耗量、可调设备消耗量和管道流量；其次对每个节点列出流量平衡方程；最后将其转化为矩阵形式，得到矩阵形式的能量平衡方程：
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
式中，为管道流量；/>为气源发生量；分别为对各能量转换设备供气量；/>分别为对各固定用户供气量；
将各个能量转换设备转换效率约束、设备出力上下限、设备爬坡上下限作为约束；
电力系统的约束如式(16)和式(17)；
通过能量转换设备运行效率模型，将副产煤气系统、高压蒸汽系统、电力系统进行连接，组成气-热-电日内模型，其中将式(3)中的sgn函数的值、式(5)至式(10)中的/>以及式(25)中的数字矩阵作为混合整数规划模型的整数变量，其余变量作为连续变量；
气-热-电日内模型的目标函数为：
(32)
(33)
(34)
(35)
(36)
(37)
式中，为总运行成本；/>为焦炉煤气运行成本；/>为高炉煤气运行成本；为转炉煤气运行成本；/>为电力系统运行成本；/>为蒸汽运行成本；为焦炉煤气外购量；/>为焦炉煤气外购价；/>为焦炉煤气放散量；为焦炉煤气放散成本；/>为高炉煤气放散量；/>为高炉煤气放散成本；/>为转炉煤气放散量；/>为转炉煤气放散成本；/>为外购电量；为外购电价；/>为蒸汽放散量；/>为蒸汽放散成本；
步骤3.6.2，建立日前-日内模型；
在气-热-电日内模型目标函数中除各运行成本外再加入与日前调度量的差，将气-热-电日内模型与日前模型结合为日前-日内模型：
(38)
式中，为日前模型的调度量和气-热-电日内模型的调度量差的平方和。
4.根据权利要求3所述的一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，其特征在于，所述的步骤3.6.1中，各个能量转换设备转换效率约束、设备出力上下限约束及设备爬坡上下限约束分别为：
各能量转换设备转换效率约束为：
(26)
(27)
(28)
(29)
式中，为焦炉煤气物料消耗量，/>为高炉煤气物料消耗量，/>为转炉煤气物料消耗量，/>为红焦物料消耗量，/>为各物料热值，，/>为热电联产机组，/>为锅炉，/>为干熄焦设备，/>为燃气轮机，/>；
各能量转换设备在时刻的设备爬坡上下限约束与设备出力上下限约束分别表述为： (30)
(31)
式中，代表某个能量转换设备，/>为在/>时段某个能量转换设备的出力，/>为在/>时段某个能量转换设备的出力，/>为某个能量转换设备的出力变化量最大值，分别为某个能量转换设备出力的上限与下限。
5.根据权利要求3所述的一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，其特征在于，所述的步骤3.6.1中，通过能量转换设备运行效率模型，将副产煤气系统、高压蒸汽系统、电力系统进行连接的具体方法为：将副产煤气系统管网中实际与能量转换设备相连的管道设置为通向能量转换设备，再将能量转换设备的输出与蒸汽管网的气源管道和电力系统的发电机节点相连。
6.根据权利要求1所述的一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法，其特征在于，所述的步骤4.2中，所述的智能体包括环境模型、状态空间、动作空间和奖励函数，具体的：
所述的环境模型包括多能流系统中的电能流、热能流以及能源之间的耦合环节，围绕多能流系统中各类能量转换设备以及多能流系统能源负荷供需平衡条件构建；
所述的状态空间围绕能源转换设备出力功率进行描述；
所述的动作空间为典型日各时段内能源转换设备出力功率及外电网并入功率的调整值，通过从多能流系统中某一个初始状态开始逐步迭代的方式，调整值多次累计后使日前-日内模型转移到最终状态，由此寻找多能流系统运行优化问题的最优解；
所述的奖励函数为评判智能体求解效果的依据，最大熵强化学习模型通过最大累计回报值进行学习，针对多能流系统，其奖惩机制为当前系统状态下最优解与当前状态空间欧氏距离的相反数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125720.4A CN117649102B (zh) | 2024-01-30 | 2024-01-30 | 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125720.4A CN117649102B (zh) | 2024-01-30 | 2024-01-30 | 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649102A true CN117649102A (zh) | 2024-03-05 |
| CN117649102B CN117649102B (zh) | 2024-05-17 |
Family
ID=90050015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410125720.4A Active CN117649102B (zh) | 2024-01-30 | 2024-01-30 | 一种基于最大熵强化学习的钢铁工业多能流系统最优调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649102B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341601A (zh) * | 2017-06-26 | 2017-11-10 | 南方电网科学研究院有限责任公司 | 基于日前、日内时间尺度的电力资源调度方法和系统 |
| WO2020237700A1 (zh) * | 2019-05-28 | 2020-12-03 | 国电南瑞科技股份有限公司 | 一种多能源系统运行调度方法 |
| CN113779871A (zh) * | 2021-08-26 | 2021-12-10 | 清华大学 | 一种电热耦合系统调度方法、装置、电子设备及其存储介质 |
| CN113850521A (zh) * | 2021-09-29 | 2021-12-28 | 国网江苏省电力有限公司 | 一种基于最大熵离线式的能源存储与负载的优化方法 |
| CN114330869A (zh) * | 2021-12-27 | 2022-04-12 | 大连理工大学 | 一种考虑多级指标的钢铁企业多能源日前调度优化方法 |
| CN114757469A (zh) * | 2022-02-22 | 2022-07-15 | 国网江苏省电力有限公司南京供电分公司 | 考虑多能流设备的区域综合能源系统日前优化调度方法 |
| CN115204702A (zh) * | 2022-07-22 | 2022-10-18 | 福州大学 | 一种基于动态分区的日前日内调度方法 |
| CN115392526A (zh) * | 2022-05-23 | 2022-11-25 | 河海大学 | 含梯级水电的风光水发电系统多时间尺度协调调度方法 |
| CN116070740A (zh) * | 2022-12-27 | 2023-05-05 | 深圳供电局有限公司 | 综合能源系统的优化运行方法、装置和计算机设备 |
| CN116308881A (zh) * | 2023-03-03 | 2023-06-23 | 南京工程学院 | 利用供热管网储热的综合能源系统多时间尺度调度方法 |
| CN116362504A (zh) * | 2023-03-30 | 2023-06-30 | 国网陕西省电力有限公司信息通信公司 | 电热联合能源系统优化调度方法、终端设备及存储介质 |
| CN116451947A (zh) * | 2023-03-30 | 2023-07-18 | 国网陕西省电力有限公司信息通信公司 | 电热气综合能源系统优化调度方法、终端设备及存储介质 |
| CN116613733A (zh) * | 2023-04-23 | 2023-08-18 | 广东电网有限责任公司 | 计及源荷不确定性的多元能源系统优化调度方法及装置 |
| CN117439066A (zh) * | 2023-10-25 | 2024-01-23 | 国网上海市电力公司 | 一种电网在线调度系统、方法和存储介质 |
-
2024
- 2024-01-30 CN CN202410125720.4A patent/CN117649102B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107341601A (zh) * | 2017-06-26 | 2017-11-10 | 南方电网科学研究院有限责任公司 | 基于日前、日内时间尺度的电力资源调度方法和系统 |
| WO2020237700A1 (zh) * | 2019-05-28 | 2020-12-03 | 国电南瑞科技股份有限公司 | 一种多能源系统运行调度方法 |
| CN113779871A (zh) * | 2021-08-26 | 2021-12-10 | 清华大学 | 一种电热耦合系统调度方法、装置、电子设备及其存储介质 |
| CN113850521A (zh) * | 2021-09-29 | 2021-12-28 | 国网江苏省电力有限公司 | 一种基于最大熵离线式的能源存储与负载的优化方法 |
| CN114330869A (zh) * | 2021-12-27 | 2022-04-12 | 大连理工大学 | 一种考虑多级指标的钢铁企业多能源日前调度优化方法 |
| CN114757469A (zh) * | 2022-02-22 | 2022-07-15 | 国网江苏省电力有限公司南京供电分公司 | 考虑多能流设备的区域综合能源系统日前优化调度方法 |
| CN115392526A (zh) * | 2022-05-23 | 2022-11-25 | 河海大学 | 含梯级水电的风光水发电系统多时间尺度协调调度方法 |
| CN115204702A (zh) * | 2022-07-22 | 2022-10-18 | 福州大学 | 一种基于动态分区的日前日内调度方法 |
| CN116070740A (zh) * | 2022-12-27 | 2023-05-05 | 深圳供电局有限公司 | 综合能源系统的优化运行方法、装置和计算机设备 |
| CN116308881A (zh) * | 2023-03-03 | 2023-06-23 | 南京工程学院 | 利用供热管网储热的综合能源系统多时间尺度调度方法 |
| CN116362504A (zh) * | 2023-03-30 | 2023-06-30 | 国网陕西省电力有限公司信息通信公司 | 电热联合能源系统优化调度方法、终端设备及存储介质 |
| CN116451947A (zh) * | 2023-03-30 | 2023-07-18 | 国网陕西省电力有限公司信息通信公司 | 电热气综合能源系统优化调度方法、终端设备及存储介质 |
| CN116613733A (zh) * | 2023-04-23 | 2023-08-18 | 广东电网有限责任公司 | 计及源荷不确定性的多元能源系统优化调度方法及装置 |
| CN117439066A (zh) * | 2023-10-25 | 2024-01-23 | 国网上海市电力公司 | 一种电网在线调度系统、方法和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 王阳等: "基于GRU-MPC的光储充电站日前-日内两阶段优化控制", 电力自动化设备, vol. 42, no. 10, 31 October 2022 (2022-10-31) * |
| 贺东风;刘平泽;冯凯;徐安军;: "钢铁企业轧制计划与能源调度协同优化", 中国冶金, no. 04, 15 April 2019 (2019-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649102B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De et al. | Development of an artificial neural network model for the steam process of a coal biomass cofired combined heat and power (CHP) plant in Sweden | |
| Zhang et al. | Two-stage stochastic optimal operation of integrated electricity and heat system considering reserve of flexible devices and spatial-temporal correlation of wind power | |
| Smrekar et al. | Prediction of power output of a coal-fired power plant by artificial neural network | |
| CN110851960B (zh) | 一种计及天然气网络影响的配电网运行可靠性评估方法 | |
| CN115238597B (zh) | 涉及园区级综合能源系统源网荷碳排放模型的构建方法 | |
| CN103440528B (zh) | 基于耗差分析的火电机组运行优化方法及装置 | |
| CN108846507A (zh) | 基于混合整数二阶锥规划的电-气耦合系统日前经济调度方法 | |
| Usón et al. | Energy efficiency assessment and improvement in energy intensive systems through thermoeconomic diagnosis of the operation | |
| Rossi et al. | Artificial neural networks and physical modeling for determination of baseline consumption of CHP plants | |
| CN110991857B (zh) | 一种电热综合能源系统风电消纳能力评估的方法 | |
| CN111799777A (zh) | 一种考虑天然气与电力耦合的综合能源规划方法 | |
| Rusanov et al. | Heating modes and design optimization of cogeneration steam turbines of powerful units of combined heat and power plant | |
| CN111950122A (zh) | 园区综合能源系统运行优化方法 | |
| Yu et al. | An improved combined heat and power economic dispatch model for natural gas combined cycle power plants | |
| Guo et al. | Multi-objective bi-level quantity regulation scheduling method for electric-thermal integrated energy system considering thermal and hydraulic transient characteristics | |
| CN110728032A (zh) | 一种计及环网的电-热互联综合能源系统快速潮流计算方法 | |
| CN115392035A (zh) | 电-气互联综合能源系统优化调度的改进方法 | |
| Liang et al. | Stochastic economic dispatch of regional integrated energy system considering the pipeline dynamics using improved approximate dynamic programming | |
| CN116822683A (zh) | 一种基于碳交易计及不确定性的综合能源系统优化运行方法 | |
| Lv et al. | Optimal capacity configuration model of power-to-gas equipment in wind-solar sustainable energy systems based on a novel spatiotemporal clustering algorithm: A pathway towards sustainable development | |
| CN102494895B (zh) | 对电站汽轮机组节能及优化的分析方法 | |
| Cheng et al. | Carbon emission flow: from electricity network to multiple energy systems | |
| CN108521125A (zh) | 一种电-气耦合系统概率连续潮流建模及其求解方法 | |
| CN113268698B (zh) | 综合能源系统新能源消纳能力优化方法、装置及终端设备 | |
| CN114266382A (zh) | 一种考虑热惯性的热电联产系统两阶段优化调度方法 |
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 |