CN118449142B - 基于控制算法的燃煤发电厂调峰优化方法及系统 - Google Patents
基于控制算法的燃煤发电厂调峰优化方法及系统 Download PDFInfo
- Publication number
- CN118449142B CN118449142B CN202410905206.2A CN202410905206A CN118449142B CN 118449142 B CN118449142 B CN 118449142B CN 202410905206 A CN202410905206 A CN 202410905206A CN 118449142 B CN118449142 B CN 118449142B
- Authority
- CN
- China
- Prior art keywords
- encoder
- time step
- decoder
- time
- state
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000033228 biological regulation Effects 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 68
- 230000035772 mutation Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000003245 coal Substances 0.000 claims description 20
- 238000005096 rolling process Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 13
- 238000002485 combustion reaction Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002817 coal dust Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 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
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于控制算法的燃煤发电厂调峰优化方法及系统，涉及发电厂技术领域，包括获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据；将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合。
Description
技术领域
本发明涉及发电厂技术，尤其涉及一种基于控制算法的燃煤发电厂调峰优化方法及系统。
背景技术
随着新能源发电占比的不断提高，电网负荷呈现出更大的波动性和不确定性。作为电力系统的主力电源，燃煤发电厂需要承担起更多的调峰任务，以维持电网的稳定运行。然而，燃煤发电机组在设计之初往往是针对基础负荷运行进行优化的，其调峰能力相对有限。频繁的深度调峰运行不仅会加剧机组的磨损，降低设备寿命，还会导致能耗和排放的增加。因此，如何在保证机组安全经济运行的同时，最大限度地挖掘其调峰潜力，成为了燃煤发电厂面临的重大挑战。
以600MW亚临界燃煤发电机组为例，其锅炉为自然循环锅炉，汽轮机采用亚临界一次再热凝汽式汽轮机，在40%~100%负荷范围内具有一定的调峰能力。但是，当负荷低于40%时，由于锅炉燃烧不稳定、炉膛热偏差加剧等问题，机组的调峰能力急剧下降。同时，频繁深度调峰还会引起主蒸汽温度和再热蒸汽温度的大幅波动，加剧汽轮机通流部分的热应力疲劳，降低汽轮机的使用寿命。因此，有必要采取优化控制措施，在保证锅炉燃烧稳定性和蒸汽参数品质的前提下，最大限度地拓宽机组负荷调节范围，提高调峰能力。
此外，在实际调峰运行过程中，燃煤发电厂还面临着燃料成本、电量收益、环保约束等多重目标的权衡与优化问题。传统的调峰方式往往难以兼顾各方面因素，导致运行成本增加和效益下降。因此，亟需开发出一套经济、高效、环保的智能调峰优化系统。
发明内容
本发明实施例提供一种基于控制算法的燃煤发电厂调峰优化方法及系统，能够解决现有技术中的问题。
本发明实施例的第一方面，
提供一种基于控制算法的燃煤发电厂调峰优化方法，包括：
获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据；
将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合；
基于所述发电机组调峰方案，通过辅助设备协调算法，确定辅助设备协同最优策略，结合所述发电机组调峰方案，得到调峰综合优化结果，其中所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列。
在一种可选的实施例中，
将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据包括：
所述历史负荷序列输入长短时编码器，获得编码器基础隐藏状态序列；
对于所述长短时编码器的每个编码器时间步，确定编码器当前时间步和编码器其他时间步的时间步距离，基于编码器当前时间步基础隐藏状态和编码器其他时间步基础隐藏状态，分别计算所述编码器当前时间步和所述编码器其他时间步之间的编码器注意力得分，确定编码器注意力权重，基于所述编码器注意力权重，结合所述编码器其他时间步基础隐藏状态，确定编码器当前时间步上下文向量，将所述编码器当前时间步上下文向量与所述编码器当前时间步基础隐藏状态进行拼接，生成编码器当前时间步增强隐藏状态；
基于所述编码器基础隐藏状态序列确定长短时解码器的解码器基础隐藏状态序列；
对于所述长短时解码器的每个解码器时间步，基于解码器基础隐藏状态和编码器增强隐藏状态，分别计算所述解码器基础隐藏状态和编码器增强隐藏状态之间的解码器注意力得分，得到解码器注意力权重，结合编码器增强隐藏状态，计算对应时间步的解码器上下文向量，将所述解码器上下文向量与所述解码器基础隐藏状态相拼接，得到解码器增强隐藏状态，通过最终输出层，生成下一时间步对应的预测结果，获得所述负荷预测数据。
在一种可选的实施例中，
还包括：
所述长短时编码器的执行步骤，其公式如下：
；
其中，eij表示时间步i和时间步j之间的注意力得分，vT表示编码器权重向量的转置，Wq表示编码器查询权重矩阵，hi表示编码器时间步i的基础隐藏状态，Wk表示编码器键权重矩阵，hj表示编码器时间步j的基础隐藏状态，Wd表示编码器距离权重矩阵，|i-j|表示时间步i和时间步j之间的距离，b表示编码器偏置向量，αij表示时间步i和时间步j之间的注意力权重，S表示时间步总数，s表示S中的一个时间步，eis表示时间步i和时间步s之间的注意力得分，ci表示编码器时间步i的上下文向量，表示编码器时间步i的增强隐藏状态；
所述长短时解码器的执行步骤，其公式如下：
；
其中，eti表示解码器时间步t和编码器时间步i之间的注意力得分，vd T表示解码器权重向量的转置，Wds表示解码器隐藏状态的变换权重矩阵，mt表示解码器时间步t的基础隐藏状态，Wdh表示编码器增强隐藏状态的变换权重矩阵，bd表示解码器偏置向量，αti表示解码器时间步t和编码器时间步i之间的注意力权重，ets表示解码器时间步t和编码器时间步s之间的注意力得分，ct表示解码器时间步t的上下文向量，表示解码器时间步t的增强隐藏状态。
在一种可选的实施例中，
所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合包括：
基于机组总数，确定个体维度，开始循环生成个体；
对所述个体的每个维度，随机确定开停状态，构建开停状态组合，生成对应的个体，对所述个体进行约束条件验证，若所述个体满足所述约束条件，接受所述个体；否则放弃所述个体，重新生成新的个体；
所有接受的所述个体组成所述机组调度算法的初始种群，计算种群多样性指标；
基于迭代次数，确定动态缩放因子，基于预先设定三种变异策略，结合所述动态缩放因子，生成对应的三种变异向量，基于所述种群多样性指标，确定三种变异向量的选择概率，根据所述选择概率，确定变异执行策略，进行变异操作；
使用欧氏距离对所述个体进行排序，按照预设数量，提取优秀个体，基于种群多样性指标，确定动态交叉概率，按照所述动态交叉概率，确定所述个体的每个维度继承自对应的个体变异结果或其他的优秀个体，生成交叉操作结果；
比较原个体和变异交叉操作之后的个体，选择适应度更高的个体，构建新一代种群，依次迭代，直到达到预设的迭代次数，获得总成本最低的个体。
在一种可选的实施例中，
所述变异操作包括：
所述动态缩放因子，其公式如下：
；
其中，x表示当前迭代次数，F(x)表示当前迭代中的动态缩放因子，Fmin表示缩放因子的取值范围最小值，Fmax表示缩放因子的取值范围最大值，λF表示控制缩放因子变化速率的因子，X表示最大迭代次数；
三种所述变异策略包括：随机策略、最佳个体策略、从当前到最佳策略，生成对应的变异向量，其公式如下：
；
其中，vk表示个体k的变异向量，nr1、nr2、nr3表示随机选择的3个不同个体，nbest表示最优个体，nk表示个体k。
在一种可选的实施例中，
所述交叉操作包括：
所述动态交叉概率，其公式如下：
；
其中，CR(x)表示当前迭代中的动态交叉概率，CRmin表示交叉概率的取值范围最小值，CRmax表示交叉概率的取值范围最大值，λCR表示控制交叉概率变化速率的因子，D表示当前种群的种群多样性指标，D0表示初始种群的种群多样性指标；
按照所述动态交叉概率，确定所述个体的每个维度继承自对应的个体变异结果或其他的优秀个体，生成交叉操作结果，其公式如下：
；
其中，ukl表示个体k经过交叉操作的结果向量的l维度分量，vkl表示个体k的变异向量的l维度分量，lrand表示随机产生的维度索引，ndb，l表示经过欧氏距离排序的索引是b的个体的l维度分量。
在一种可选的实施例中，
所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列包括：
所述辅助设备包括磨煤机和一次风系统；
基于能量平衡原理，构建磨煤机微分方程；同时通过建立引风机和送风机的动态模型，构建一次风系统状态空间表达式，基于所述磨煤机微分方程和所述一次风系统状态空间表达式，确定所述辅助设备的动态特性；
基于所述动态特性，确定状态变量，为所述状态变量定义模糊规则，通过加权求和所有所述模糊规则的输出，得到所述辅助设备协调算法的预测值；
按照预设的时间跨度，在每个采样时刻，基于所述预测值，通过使性能指标函数最小化，获得瞬时优选控制序列，将所述瞬时优选控制序列的第一个元素保留，其余元素丢弃，依次滚动迭代，获得获得最优控制序列；
在每个采样时刻内，比较实际输出和预测输出，确定误差信号，基于所述误差信号，对所述最优控制序列进行校准优化，获得最终最优控制序列。
在一种可选的实施例中，
所述辅助设备协调算法包括：
所述辅助设备协调算法的预测值，其公式如下：
；
其中，ti表示时刻ti，sp表示时间跨度，B'(ti+sp|ti)表示在时刻ti的基础上预测未来ti+sp时刻的输出的预测，p表示模糊规则索引，P表示模糊规则总数，μp(·)表示第p条模糊规则的激活度，A(ti)表示时刻ti的系统状态，γpT表示与第p条规则相关的参数向量的转置，A'(ti+sp|ti)表示在时刻ti的基础上预测未来ti+sp时刻的系统状态的预测，bp表示第p条规则的偏置项；
所述性能指标函数最小化，其公式如下：
；
其中，J表示性能指标函数值，Pre表示预测的时间总范围，G(ti+sp)表示预设的参考轨迹对应值，Q表示第一权重矩阵，Con表示控制的时间总范围，ΔH(ti+sp)表示控制输入对应变化量，R表示第二权重矩阵。
本发明实施例的第二方面，
提供一种基于控制算法的燃煤发电厂调峰优化系统，包括：
第一单元，用于获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据；
第二单元，用于将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合；
第三单元，用于基于所述发电机组调峰方案，通过辅助设备协调算法，确定辅助设备协同最优策略，结合所述发电机组调峰方案，得到调峰综合优化结果，其中所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
在本实施例中，利用长短时记忆网络(LSTM)结构，能够有效捕获负荷序列的长期和短期特征，并通过注意力机制更好地挖掘外部影响因子与负荷的相关性，从而显著提高了负荷预测的精准度。基于精准预测的负荷数据，机组调度算法通过种群遗传等先进优化手段，能自动获得满足各种约束条件的最优机组开停组合方案，实现了机组的经济高效且环保调度。针对磨煤机、风机等关键辅助设备，采用了集成机理模型与数据模型的模型预测控制策略，通过滚动优化和反馈校正，能够实现辅助设备间的协调最优控制。精准的负荷预测和基于优化的机组调度及设备控制，避免了能源浪费，提高了燃料利用效率，从根本上降低了发电厂的运行成本和环境排放。采用模型预测控制等先进策略，增强了发电系统对负荷波动和工况变化的快速响应和适应能力，提升了电源的调节能力和灵活性。将负荷预测、优化决策和自动控制等智能技术贯通集成应用，实现了发电系统的智能化协同优化与控制，显著提高了发电系统的自动化和智能化水平。
附图说明
图1为本发明实施例基于控制算法的燃煤发电厂调峰优化方法的流程示意图；
图2为本发明实施例基于控制算法的燃煤发电厂调峰优化系统的结构示意图。
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，所描述的实施例仅仅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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于控制算法的燃煤发电厂调峰优化方法的流程示意图，如图1所示，所述方法包括：
S101.获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据。
电网负荷预测是指根据历史负荷数据、天气条件、经济指标等因素，估计未来一定时期内电力系统的负荷需求。准确的负荷预测对电网的经济调度、安全运行和计划决策至关重要。根据预测时间尺度的不同，负荷预测可分为长期、中期和短期预测。其中，短期负荷预测(STLF)针对未来几小时到几天的负荷变化，对电网实时调度和运行控制影响最为直接。
在一种可选的实施例中，
将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据包括：
所述历史负荷序列输入长短时编码器，获得编码器基础隐藏状态序列；
对于所述长短时编码器的每个编码器时间步，确定编码器当前时间步和编码器其他时间步的时间步距离，基于编码器当前时间步基础隐藏状态和编码器其他时间步基础隐藏状态，分别计算所述编码器当前时间步和所述编码器其他时间步之间的编码器注意力得分，确定编码器注意力权重，基于所述编码器注意力权重，结合所述编码器其他时间步基础隐藏状态，确定编码器当前时间步上下文向量，将所述编码器当前时间步上下文向量与所述编码器当前时间步基础隐藏状态进行拼接，生成编码器当前时间步增强隐藏状态；
基于所述编码器基础隐藏状态序列确定长短时解码器的解码器基础隐藏状态序列；
对于所述长短时解码器的每个解码器时间步，基于解码器基础隐藏状态和编码器增强隐藏状态，分别计算所述解码器基础隐藏状态和编码器增强隐藏状态之间的解码器注意力得分，得到解码器注意力权重，结合编码器增强隐藏状态，计算对应时间步的解码器上下文向量，将所述解码器上下文向量与所述解码器基础隐藏状态相拼接，得到解码器增强隐藏状态，通过最终输出层，生成下一时间步对应的预测结果，获得所述负荷预测数据。
示例性地，首先根据历史复合数据，训练一个基于时间感知型自注意力机制的编解码器LSTM模型，具体地，将历史负荷数据划分为训练集、验证集和测试集，比例可以是8：1：1，对负荷数据进行预处理，如归一化、去趋势化等，以提高模型的训练效果；
将天气条件、节假日信息等外部因素编码为特征向量，与负荷数据一起输入到模型中。
设计编码器LSTM，将历史负荷序列和外部因素特征作为输入，学习到负荷数据的高级表示，在编码器的每个时间步引入时间感知型自注意力机制，计算不同时间步之间的注意力权重，生成增强的隐藏状态表示。
设计解码器LSTM，以编码器的输出和当前时间步的解码器隐藏状态为输入，通过注意力机制生成未来的负荷预测值。
在一种可选的实施例中，
还包括：
所述长短时编码器的执行步骤，其公式如下：
；
其中，eij表示时间步i和时间步j之间的注意力得分，vT表示编码器权重向量的转置，Wq表示编码器查询权重矩阵，hi表示编码器时间步i的基础隐藏状态，Wk表示编码器键权重矩阵，hj表示编码器时间步j的基础隐藏状态，Wd表示编码器距离权重矩阵，|i-j|表示时间步i和时间步j之间的距离，b表示编码器偏置向量，αij表示时间步i和时间步j之间的注意力权重，S表示时间步总数，s表示S中的一个时间步，eis表示时间步i和时间步s之间的注意力得分，ci表示编码器时间步i的上下文向量，表示编码器时间步i的增强隐藏状态；
所述长短时解码器的执行步骤，其公式如下：
；
其中，eti表示解码器时间步t和编码器时间步i之间的注意力得分，vd T表示解码器权重向量的转置，Wds表示解码器隐藏状态的变换权重矩阵，mt表示解码器时间步t的基础隐藏状态，Wdh表示编码器增强隐藏状态的变换权重矩阵，bd表示解码器偏置向量，αti表示解码器时间步t和编码器时间步i之间的注意力权重，ets表示解码器时间步t和编码器时间步s之间的注意力得分，ct表示解码器时间步t的上下文向量，表示解码器时间步t的增强隐藏状态。
示例性地，使用训练集数据对编解码器LSTM模型进行训练，优化模型参数以最小化预测误差。在训练过程中，监控验证集上的性能指标(如平均绝对误差MAE、均方根误差RMSE等)，以便及时发现过拟合和调整超参数。采用早停策略，当验证集上的性能指标连续几个没有改善时，停止训练以防止过拟合。
在测试集上评估训练好的模型，计算各项性能指标，如MAE、RMSE、平均绝对百分比误差MAPE等。将时间感知型自注意力机制的结果与其他基线模型(如传统的编解码器LSTM、时间序列回归模型等)进行比较。
编码器部分首先将历史负荷数据序列{x1，x2，...，xT}输入到编码器LSTM中，得到编码器隐藏状态序列{h1，h2，...，hT}，其中ht表示第t个时间步的隐藏状态；
对于每个时间步，计算其与其他时间步之间的时间感知型自注意力权重；
根据注意力权重，计算每个时间步的自注意力，将自注意力上下文向量与原始
隐藏状态拼接，得到增强的编码器隐藏状态表示。
在解码器的每个时间步，根据当前的解码器隐藏状态和编码器的增强隐藏状态序列，计算解码器与编码器之间的注意力权重；
根据注意力权重，计算解码器在第t个时间步的注意力上下文向量，将注意力上下文向量ct与当前的解码器隐藏状态拼接，得到增强的解码器隐藏状态表示，将增强的解码器隐藏状态输入到解码器LSTM的下一个时间步，并根据输出层生成预测值。
可选地，使用均方误差(MSE)或平均绝对误差(MAE)作为损失函数，对编解码器LSTM模型进行端到端的训练。
在训练过程中，通过反向传播算法和梯度下降优化方法(如Adam)来更新模型参数，包括编码器和解码器的LSTM参数、注意力机制的参数等。可以采用早停(Earlystopping)、学习率调度(Learning rate scheduling)等策略来防止过拟合并加速收敛。
在预测阶段，给定一个输入的历史负荷序列，将其输入到训练好的编解码器LSTM模型中。
在编码器部分，通过时间感知型自注意力机制计算增强的隐藏状态表示。在解码器部分，根据编码器的输出和当前的解码器隐藏状态，通过注意力机制生成预测值。
递归地生成多步预测，直到达到预测的时间范围。
在本实施例中，通过使用编码器-解码器架构，编码器将历史负荷序列编码为隐藏状态序列，解码器利用编码器的隐藏状态序列生成未来负荷预测值。通过在编码器和解码器中都引入了注意力机制，能够更好地捕获输入序列不同时间步之间的长期依赖关系。通过本方案能够更好地捕获序列数据的长期依赖关系，克服了常规RNN/LSTM在长序列场景下的性能退化问题。注意力机制赋予模型"注意"的能力，使其能够自适应地为不同输入特征赋予不同权重，提高了预测的准确性。融合了时间距离特征，能够更好地学习序列数据的时间模式和周期性。相比于一般的时间序列模型，该模型更加灵活和通用，可广泛应用于负荷预测、流量预测等时序预测任务。
S102.将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合。
其中，开停状态组合指一组发电机组在给定时间范围内(通常为一天或一周)的开机/停机状态安排。每台机组在每个时间段都有开机或停机两种状态，不同机组在不同时段的开停状态的组合就构成了一个开停状态方案。每台发电机组都有自身的最大出力和最小出力限制。机组调度时需要满足这些约束，即每台机组的出力在其最大/最小范围之内。
在一种可选的实施例中，
所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合包括：
基于机组总数，确定个体维度，开始循环生成个体；
对所述个体的每个维度，随机确定开停状态，构建开停状态组合，生成对应的个体，对所述个体进行约束条件验证，若所述个体满足所述约束条件，接受所述个体；否则放弃所述个体，重新生成新的个体；
所有接受的所述个体组成所述机组调度算法的初始种群，计算种群多样性指标；
基于迭代次数，确定动态缩放因子，基于预先设定三种变异策略，结合所述动态缩放因子，生成对应的三种变异向量，基于所述种群多样性指标，确定三种变异向量的选择概率，根据所述选择概率，确定变异执行策略，进行变异操作；
使用欧氏距离对所述个体进行排序，按照预设数量，提取优秀个体，基于种群多样性指标，确定动态交叉概率，按照所述动态交叉概率，确定所述个体的每个维度继承自对应的个体变异结果或其他的优秀个体，生成交叉操作结果；
比较原个体和变异交叉操作之后的个体，选择适应度更高的个体，构建新一代种群，依次迭代，直到达到预设的迭代次数，获得总成本最低的个体。
示例性地，首先输入负荷需求、网损、备用容量需求等系统参数；输入各机组的耗量特性系数、出力上下限、爬坡率、启停成本等机组参数；
根据机组数量确定个体的维度，每个维度表示一台机组的开停状态，用0-1变量表示，对每个维度，从集合{0，1}中等概率随机选择一个值作为该机组的开停状态。重复预设次数后，形成一个完整的机组开停状态个体；
检查个体是否满足系统约束条件，包括负荷平衡约束、备用容量约束、机组出力上下限约束等。若满足，则接受该个体；否则，重复该步骤重新生成。
重复上述步骤，直至生成若干个满足约束条件的个体，形成完整的初始种群。
在一种可选的实施例中，
所述变异操作包括：
所述动态缩放因子，其公式如下：
；
其中，x表示当前迭代次数，F(x)表示当前迭代中的动态缩放因子，Fmin表示缩放因子的取值范围最小值，Fmax表示缩放因子的取值范围最大值，λF表示控制缩放因子变化速率的因子，X表示最大迭代次数；
三种所述变异策略包括：随机策略、最佳个体策略、从当前到最佳策略，生成对应的变异向量，其公式如下：
；
其中，vk表示个体k的变异向量，nr1、nr2、nr3表示随机选择的3个不同个体，nbest表示最优个体，nk表示个体k。
示例性地，使用种群个体间的欧式距离的中位数作为多样性指标，确定动态缩放因子F，其中，随着迭代次数增加，F值逐渐减小；
根据3种变异策略生成3种变异向量，并根据种群多样性指标，确定3种变异策略的选择概率；
根据选择概率，确定本次迭代的变异执行策略，进行变异操作，使用欧氏距离对当前种群个体进行排序，按预设数量提取优秀个体，根据多样性指标，确定本次迭代的交叉概率Cr，根据Cr，对个体的每个维度，以一定概率继承自变异个体，否则继承自其他优秀个体，生成交叉操作结果；比较原个体和交叉后个体的适应度(总成本)，选择较优者构建新一代种群；
重复上述步骤，直至达到最大迭代次数，输出种群中总成本最低的个体作为最优解。
在一种可选的实施例中，
所述交叉操作包括：
所述动态交叉概率，其公式如下：
；
其中，CR(x)表示当前迭代中的动态交叉概率，CRmin表示交叉概率的取值范围最小值，CRmax表示交叉概率的取值范围最大值，λCR表示控制交叉概率变化速率的因子，D表示当前种群的种群多样性指标，D0表示初始种群的种群多样性指标；
按照所述动态交叉概率，确定所述个体的每个维度继承自对应的个体变异结果或其他的优秀个体，生成交叉操作结果，其公式如下：
；
其中，ukl表示个体k经过交叉操作的结果向量的l维度分量，vkl表示个体k的变异向量的l维度分量，lrand表示随机产生的维度索引，ndb，l表示经过欧氏距离排序的索引是b的个体的l维度分量。
示例性地，输入当前种群多样性指标D、初始种群多样性指标D0、交叉概率范围CRmin和CRmax、交叉概率变化因子λCR，使用给定公式计算CR(x)；
遍历个体uk的每一个维度l，生成随机数rand，如果rand<CR(x)，令ukl=vkl，（个体k在维度l继承自其变异向量）；否则，随机选择一个由欧氏距离排序的其他优秀个体ndb，令ukl=ndb,l(个体k在维度l继承自该优秀个体)；
重复上述步骤，直到完成当前所有个体的交叉操作，则将交叉操作结果作为新一代种群进行后续操作。
在本实施例中，通过种群初始化、变异、交叉等多种进化操作，算法能够在解空间中进行高效全局搜索，避免陷入局部最优，从而提高了求解质量。同时，约束处理、自适应参数调节等策略增强了算法的鲁棒性。通过个体编码、变异交叉等操作高效探索解空间，适合处理这类高维组合优化问题。通过引入自适应调节的思想，交叉概率、变异策略等参数会根据种群多样性等实时状态动态调整，提高了算法的自适应性和应用普适性。通过设计专门的约束条件验证和处理机制，能够精确满足必开机组、机组出力等一系列复杂约束，确保求解结果的可行性。
S103.基于所述发电机组调峰方案，通过辅助设备协调算法，确定辅助设备协同最优策略，结合所述发电机组调峰方案，得到调峰综合优化结果，其中所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列。
其中，磨煤机和一次风系统是燃煤机组的两大辅助系统，其动态特性直接影响主机的负荷调节性能。磨煤机是煤粉制备和输送的关键设备，其动态响应相对缓慢，难以适应快速负荷变化的要求。一次风系统包括引风机和送风机，负责锅炉燃烧所需的助燃空气供给，对锅炉的燃烧稳定性和热力性能有着重要影响。
在一种可选的实施例中，
所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列包括：
所述辅助设备包括磨煤机和一次风系统；
基于能量平衡原理，构建磨煤机微分方程；同时通过建立引风机和送风机的动态模型，构建一次风系统状态空间表达式，基于所述磨煤机微分方程和所述一次风系统状态空间表达式，确定所述辅助设备的动态特性；
基于所述动态特性，确定状态变量，为所述状态变量定义模糊规则，通过加权求和所有所述模糊规则的输出，得到所述辅助设备协调算法的预测值；
按照预设的时间跨度，在每个采样时刻，基于所述预测值，通过使性能指标函数最小化，获得瞬时优选控制序列，将所述瞬时优选控制序列的第一个元素保留，其余元素丢弃，依次滚动迭代，获得获得最优控制序列；
在每个采样时刻内，比较实际输出和预测输出，确定误差信号，基于所述误差信号，对所述最优控制序列进行校准优化，获得最终最优控制序列。
示例性地，首先进行辅助设备建模，磨煤机建模，基于能量平衡原理，构建磨煤机动力学微分方程，将微分方程离散化，获得磨煤机的状态空间模型；
一次风系统建模，建立引风机和送风机的动态模型，将这些子模型耦合，获得一次风系统的整体状态空间模型，以获得整体辅助设备动态模型。
确定状态变量向量(如磨煤机出口煤粉浓度、一次风量等)，为每个状态变量定义模糊规则库，通过模糊推理计算，获得下一时刻状态变量的预测值，按采样时间步长迭代，构建预测模型；
给定预测模型、约束条件、性能指标函数(如能耗最小化等)，在每个采样时刻，基于当前测量状态，利用优化算法(如序列二次规划等)求解瞬时最优控制序列，只执行该最优序列的第一个控制量，其余丢弃，时间推进一个步长，重复上述优化，依次迭代，获得整个时域的最优控制序列；
在每个采样时刻，比较实际测量输出与模型预测输出的差值，作为误差信号，基于误差信号，对之前的最优控制序列进行修正，获得校正优化后的最终最优控制序列；
最终执行最终控制序列，实现对辅助设备的最优协调控制。
在本实施例中，通过将磨煤机、一次风系统等多个辅助设备进行了集成建模，并通过滚动优化获得最优协调控制序列，有利于不同设备间达到良好的动态协调，从而提高整体控制性能，改善锅炉燃烧效率。通过将性能指标函数设置为能耗最小化等经济目标，优化算法可以自动求解满足约束条件的最优控制序列，实现辅助设备的经济高效运行，降低运行成本。通过融合机理模型和数据驱动建模，能够较好地描述辅助设备的非线性、耦合及随工况变化的时变动态特性，有利于更精确的控制。滚动优化保证了基于模型预测的开环最优性，而反馈校正则对模型预测误差进行闭环补偿，两者结合使控制系统具有较强的鲁棒性。能更好地抑制系统扰动和参数变化带来的影响，提高控制回路的稳定裕度，从而提升辅助设备的运行稳定性和可靠性。通过采用自适应的模糊建模和优化策略，因此适用范围较广，能够适应锅炉不同复杂工况的协调控制要求。
在一种可选的实施例中，
所述辅助设备协调算法包括：
所述辅助设备协调算法的预测值，其公式如下：
；
其中，ti表示时刻ti，sp表示时间跨度，B'(ti+sp|ti)表示在时刻ti的基础上预测未来ti+sp时刻的输出的预测，p表示模糊规则索引，P表示模糊规则总数，μp(·)表示第p条模糊规则的激活度，A(ti)表示时刻ti的系统状态，γpT表示与第p条规则相关的参数向量的转置，A'(ti+sp|ti)表示在时刻ti的基础上预测未来ti+sp时刻的系统状态的预测，bp表示第p条规则的偏置项；
所述性能指标函数最小化，其公式如下：
；
其中，J表示性能指标函数值，Pre表示预测的时间总范围，G(ti+sp)表示预设的参考轨迹对应值，Q表示第一权重矩阵，Con表示控制的时间总范围，ΔH(ti+sp)表示控制输入对应变化量，R表示第二权重矩阵。
示例性地，构建磨煤机微分方程，建立引风机和送风机动态模型，整合获得辅助设备整体动态模型；
选取关键状态变量，如煤粉浓度、风量等，为每个状态变量定义模糊规则库，在时刻ti，基于当前状态A(ti)，结合已有模糊规则利用给定公式计算出ti+sp时刻的预测输出B'(ti+sp|ti)；
设定跟踪误差权重矩阵Q和控制增量权重矩阵R，根据给定公式构造性能指标函数J；
给定预测模型、约束条件和性能指标函数J，在每个采样时刻ti，基于当前测量状态，利用优化算法(如序列二次规划等)求解ti到ti+Pre的最优控制序列，只执行该最优序列从ti到ti+Con部分的第一个控制增量ΔH(ti)，时间推进一个步长，重复上述优化；
在每个采样时刻，计算实际测量输出与模型预测输出的差值作为误差，基于累计误差，对之前的最优控制序列进行修正，获得经过反馈校正的最终最优控制序列，执行最优控制序列，以实现辅助设备最优协调控制。
在本实施例中，通过将磨煤机、风系统等设备进行集成建模和协调优化，不同设备间能够达到良好的动态匹配，改善了整体控制性能，提高了锅炉燃烧效率。将能耗最小化等经济目标作为性能指标函数优化目标，能自动获得满足约束的最优控制序列，实现了辅助设备的经济节能运行。滚动优化保证了基于模型预测的开环最优性，而反馈校正则对模型不确定性起到闭环补偿作用，增强了控制系统的鲁棒性。采用自适应建模和优化策略，适用范围广，可适应锅炉复杂多变工况的控制需求。通过引入模糊推理、优化求解等智能化技术，实现了辅助设备控制系统的智能化和自动化优化，减轻了人工干预负担。
图2为本发明实施例基于控制算法的燃煤发电厂调峰优化系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据；
第二单元，用于将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合；
第三单元，用于基于所述发电机组调峰方案，通过辅助设备协调算法，确定辅助设备协同最优策略，结合所述发电机组调峰方案，得到调峰综合优化结果，其中所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (6)
1.基于控制算法的燃煤发电厂调峰优化方法，其特征在于，包括：
获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据；
将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合；
基于所述发电机组调峰方案，通过辅助设备协调算法，确定辅助设备协同最优策略，结合所述发电机组调峰方案，得到调峰综合优化结果，其中所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列；
将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据包括：
所述历史负荷序列输入长短时编码器，获得编码器基础隐藏状态序列；
对于所述长短时编码器的每个编码器时间步，确定编码器当前时间步和编码器其他时间步的时间步距离，基于编码器当前时间步基础隐藏状态和编码器其他时间步基础隐藏状态，分别计算所述编码器当前时间步和所述编码器其他时间步之间的编码器注意力得分，确定编码器注意力权重，基于所述编码器注意力权重，结合所述编码器其他时间步基础隐藏状态，确定编码器当前时间步上下文向量，将所述编码器当前时间步上下文向量与所述编码器当前时间步基础隐藏状态进行拼接，生成编码器当前时间步增强隐藏状态；
基于所述编码器基础隐藏状态序列确定长短时解码器的解码器基础隐藏状态序列；
对于所述长短时解码器的每个解码器时间步，基于解码器基础隐藏状态和编码器增强隐藏状态，分别计算所述解码器基础隐藏状态和编码器增强隐藏状态之间的解码器注意力得分，得到解码器注意力权重，结合编码器增强隐藏状态，计算对应时间步的解码器上下文向量，将所述解码器上下文向量与所述解码器基础隐藏状态相拼接，得到解码器增强隐藏状态，通过最终输出层，生成下一时间步对应的预测结果，获得所述负荷预测数据；
还包括：
所述长短时编码器的执行步骤，其公式如下：
；
其中，e ij 表示时间步i和时间步j之间的注意力得分，v T表示编码器权重向量的转置，W q 表示编码器查询权重矩阵，h i 表示编码器时间步i的基础隐藏状态，W k 表示编码器键权重矩阵，h j 表示编码器时间步j的基础隐藏状态，W d 表示编码器距离权重矩阵，|i-j|表示时间步i和时间步j之间的距离，b表示编码器偏置向量，α ij 表示时间步i和时间步j之间的注意力权重，S表示时间步总数，s表示S中的一个时间步，e is 表示时间步i和时间步s之间的注意力得分，c i 表示编码器时间步i的上下文向量，表示编码器时间步i的增强隐藏状态；
所述长短时解码器的执行步骤，其公式如下：
；
其中，e ti 表示解码器时间步t和编码器时间步i之间的注意力得分，v d T表示解码器权重向量的转置，W ds 表示解码器隐藏状态的变换权重矩阵，m t 表示解码器时间步t的基础隐藏状态，W dh 表示编码器增强隐藏状态的变换权重矩阵，b d 表示解码器偏置向量，α ti 表示解码器时间步t和编码器时间步i之间的注意力权重，e ts 表示解码器时间步t和编码器时间步s之间的注意力得分，c t 表示解码器时间步t的上下文向量，表示解码器时间步t的增强隐藏状态；
所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列包括：
所述辅助设备包括磨煤机和一次风系统；
基于能量平衡原理，构建磨煤机微分方程；同时通过建立引风机和送风机的动态模型，构建一次风系统状态空间表达式，基于所述磨煤机微分方程和所述一次风系统状态空间表达式，确定所述辅助设备的动态特性；
基于所述动态特性，确定状态变量，为所述状态变量定义模糊规则，通过加权求和所有所述模糊规则的输出，得到所述辅助设备协调算法的预测值；
按照预设的时间跨度，在每个采样时刻，基于所述预测值，通过使性能指标函数最小化，获得瞬时优选控制序列，将所述瞬时优选控制序列的第一个元素保留，其余元素丢弃，依次滚动迭代，获得最优控制序列；
在每个采样时刻内，比较实际输出和预测输出，确定误差信号，基于所述误差信号，对所述最优控制序列进行校准优化，获得最终最优控制序列；
所述辅助设备协调算法包括：
所述辅助设备协调算法的预测值，其公式如下：
；
其中，ti表示时刻ti，sp表示时间跨度，B'(ti+sp|ti)表示在时刻ti的基础上预测未来ti+sp时刻的输出的预测，p表示模糊规则索引，P表示模糊规则总数，μ p (·)表示第p条模糊规则的激活度，A(ti)表示时刻ti的系统状态，γ pT表示与第p条规则相关的参数向量的转置，A'(ti+sp|ti)表示在时刻ti的基础上预测未来ti+sp时刻的系统状态的预测，b p 表示第p条规则的偏置项；
所述性能指标函数最小化，其公式如下：
；
其中，J表示性能指标函数值，Pre表示预测的时间总范围，G(ti+sp)表示预设的参考轨迹对应值，Q表示第一权重矩阵，Con表示控制的时间总范围，ΔH(ti+sp)表示控制输入对应变化量，R表示第二权重矩阵。
2.根据权利要求1所述的方法，其特征在于，所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合包括：
基于机组总数，确定个体维度，开始循环生成个体；
对所述个体的每个维度，随机确定开停状态，构建开停状态组合，生成对应的个体，对所述个体进行约束条件验证，若所述个体满足所述约束条件，接受所述个体；否则放弃所述个体，重新生成新的个体；
所有接受的所述个体组成所述机组调度算法的初始种群，计算种群多样性指标；
基于迭代次数，确定动态缩放因子，基于预先设定三种变异策略，结合所述动态缩放因子，生成对应的三种变异向量，基于所述种群多样性指标，确定三种变异向量的选择概率，根据所述选择概率，确定变异执行策略，进行变异操作；
使用欧氏距离对所述个体进行排序，按照预设数量，提取优秀个体，基于种群多样性指标，确定动态交叉概率，按照所述动态交叉概率，确定所述个体的每个维度继承自对应的个体变异结果或其他的优秀个体，生成交叉操作结果；
比较原个体和变异交叉操作之后的个体，选择适应度更高的个体，构建新一代种群，依次迭代，直到达到预设的迭代次数，获得总成本最低的个体。
3.根据权利要求2所述的方法，其特征在于，所述变异操作包括：
所述动态缩放因子，其公式如下：
；
其中，x表示当前迭代次数，F(x)表示当前迭代中的动态缩放因子，F min 表示缩放因子的取值范围最小值，F max 表示缩放因子的取值范围最大值，λ F 表示控制缩放因子变化速率的因子，X表示最大迭代次数；
三种所述变异策略包括：随机策略、最佳个体策略、从当前到最佳策略，生成对应的变异向量，其公式如下：
；
其中，v k 表示个体k的变异向量，n r1 、n r2 、n r3 表示随机选择的3个不同个体，n best 表示最优个体，n k 表示个体k。
4.根据权利要求2所述的方法，其特征在于，所述交叉操作包括：
所述动态交叉概率，其公式如下：
；
其中，CR(x)表示当前迭代中的动态交叉概率，CR min 表示交叉概率的取值范围最小值，CR max 表示交叉概率的取值范围最大值，λ CR 表示控制交叉概率变化速率的因子，D表示当前种群的种群多样性指标，D 0 表示初始种群的种群多样性指标；
按照所述动态交叉概率，确定所述个体的每个维度继承自对应的个体变异结果或其他的优秀个体，生成交叉操作结果，其公式如下：
；
其中，u kl 表示个体k经过交叉操作的结果向量的l维度分量，v kl 表示个体k的变异向量的l维度分量，l rand 表示随机产生的维度索引，n db，l 表示经过欧氏距离排序的索引是b的个体的l维度分量。
5.基于控制算法的燃煤发电厂调峰优化系统，用于实现前述权利要求1-4中任一项所述的基于控制算法的燃煤发电厂调峰优化方法，其特征在于，包括：
第一单元，用于获取发电厂历史负荷数据和外部影响因子，确定历史负荷序列，将所述历史负荷序列输入电网负荷预测模型，通过长短时编码器和长短时解码器，结合注意力上下文向量，计算增强隐藏状态，所述增强隐藏状态通过输出层，生成负荷预测数据；
第二单元，用于将所述负荷预测数据输入机组调度算法，得到发电机组的最优开停状态组合，确定发电机组调峰方案，其中所述机组调度算法通过初始化开停状态组合，并计算所述开停状态组合的总成本，结合必开机组合设定，同时满足机组出力约束，经过交叉迭代，直到达到预设的迭代次数，选取所述总成本最低的开停状态组合；
第三单元，用于基于所述发电机组调峰方案，通过辅助设备协调算法，确定辅助设备协同最优策略，结合所述发电机组调峰方案，得到调峰综合优化结果，其中所述辅助设备协调算法对辅助设备进行建模，通过滚动优化，结合反馈校正，确定最优控制序列。
6.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410905206.2A CN118449142B (zh) | 2024-07-08 | 2024-07-08 | 基于控制算法的燃煤发电厂调峰优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410905206.2A CN118449142B (zh) | 2024-07-08 | 2024-07-08 | 基于控制算法的燃煤发电厂调峰优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118449142A CN118449142A (zh) | 2024-08-06 |
| CN118449142B true CN118449142B (zh) | 2024-08-30 |
Family
ID=92330535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410905206.2A Active CN118449142B (zh) | 2024-07-08 | 2024-07-08 | 基于控制算法的燃煤发电厂调峰优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118449142B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156785A (zh) * | 2014-08-13 | 2014-11-19 | 国电南瑞科技股份有限公司 | 一种考虑火电机组启停磨的发电计划优化方法 |
| CN113837459A (zh) * | 2021-09-15 | 2021-12-24 | 浙江浙能技术研究院有限公司 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485352B (zh) * | 2016-09-30 | 2019-06-25 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法 |
| CN115579880A (zh) * | 2022-10-30 | 2023-01-06 | 合肥工业大学 | 综合能源多元负荷短期预测方法及系统 |
| CN116526450A (zh) * | 2023-04-14 | 2023-08-01 | 三峡大学 | 计及误差补偿的两阶段短期电力负荷组合预测方法 |
| CN116562454A (zh) * | 2023-05-17 | 2023-08-08 | 厦门银江智慧城市技术股份有限公司 | 一种应用于bim的长短时注意力机制网络的造价预测方法 |
| CN117869930B (zh) * | 2024-01-31 | 2024-06-07 | 中国电力工程顾问集团有限公司 | 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 |
-
2024
- 2024-07-08 CN CN202410905206.2A patent/CN118449142B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156785A (zh) * | 2014-08-13 | 2014-11-19 | 国电南瑞科技股份有限公司 | 一种考虑火电机组启停磨的发电计划优化方法 |
| CN113837459A (zh) * | 2021-09-15 | 2021-12-24 | 浙江浙能技术研究院有限公司 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118449142A (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
| CN110458443B (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
| JP4245583B2 (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
| US8577822B2 (en) | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors | |
| Cui et al. | Deep-neural-network-based economic model predictive control for ultrasupercritical power plant | |
| Dong et al. | Multi-layer perception based model predictive control for the thermal power of nuclear superheated-steam supply systems | |
| Dolatabadi et al. | A novel model-free deep reinforcement learning framework for energy management of a PV integrated energy hub | |
| CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| Li et al. | Closed-loop hierarchical operation for optimal unit commitment and dispatch in microgrids: A hybrid system approach | |
| WO2015035134A1 (en) | Combined cycle power generation optimization system | |
| CN114742314A (zh) | 一种考虑相关性的电热综合能源系统分布鲁棒优化方法 | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| Wang et al. | An electricity load forecasting model based on multilayer dilated LSTM network and attention mechanism | |
| Zhang et al. | Multi-objective optimization of thermal power and outlet steam temperature for a nuclear steam supply system with deep reinforcement learning | |
| Ioli et al. | An iterative scheme to hierarchically structured optimal energy management of a microgrid | |
| Xu et al. | Deep reinforcement learning based model-free optimization for unit commitment against wind power uncertainty | |
| Zheng et al. | Data-driven based multi-objective combustion optimization covering static and dynamic states | |
| Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting | |
| CN118449142B (zh) | 基于控制算法的燃煤发电厂调峰优化方法及系统 | |
| CN115327890B (zh) | 一种改进型人群搜索算法优化pid控制火电深度调峰机组的主汽压力的方法 | |
| Zhao et al. | An intelligent multi-step predictive control method of the Small Modular Reactor | |
| O’Malley et al. | Stochastic hybrid approximation for uncertainty management in gas-electric systems | |
| CN115221788A (zh) | 基于分层优化和多阶段决策的多热源供热优化运行方法 | |
| Liu et al. | Real-time scheduling of renewable power systems through planning-based reinforcement learning | |
| CN115544856A (zh) | 一种电热综合能源系统日前优化调度方法 |
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 |