[發明專利]基于人工神經網絡的多模式供熱機組負荷分配優化方法

在審

• 申請號: 202110646784.5
• 申請日: 2021-06-10
• 公開（公告）號: CN113361784A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 付懷仁;張立業;鐘崴;張敏;王巖;周興野;魏瑞東
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06Q50/06;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 萬尾甜;韓介梅

1.一種基于人工神經網絡的多模式供熱機組負荷分配優化方法，其特征在于，它包括如下步驟：

步驟S1、建立數據庫，存儲機組運行數據以及接入的氣象數據；

步驟S2、搭建BP人工神經網絡模型，調用數據庫中數據作為BP人工神經網絡模型的輸入數據，對機組未來24h的供熱負荷和供電負荷進行預測；

步驟S3、根據機組當前工況以及預測的未來24h的供熱負荷和供電負荷，結合機組運行能力、調節能力、機組整體負荷率以及供熱、供電單位成本，進行機組初次負荷分配；

步驟S4、通過結合機組初次負荷分配以及在此基礎上得到的供電、供熱單位成本和機組整體負荷率建立優化目標函數，得到不同調峰報價下的機組總體收益，并確定第二天是否參與調峰競價以及報價；

步驟S5、根據MEGC指令，結合步驟S3中的機組初次負荷分配以及步驟S4中的報價信息進行二次分配，二次分配以MEGC指令中指定的電廠供熱和供電總負荷為約束值，以降低供熱和供電單位成本、降低整體負荷率、確保前日調峰競價報價收益、增加電廠整體收益為目標。

2.根據權利要求1所述的一種基于人工神經網絡的多模式供熱機組負荷分配優化方法，其特征在于，所述步驟S2中，搭建BP人工神經網絡模型，調用數據庫中數據作為BP人工神經網絡模型的輸入數據，對機組未來24h的供熱負荷和供電負荷進行預測，包括如下步驟：

通過設計中間層的層數m和每層的神經網絡節點數據n，構建適用于多輸入多輸出的BP人工神經網絡模型，所述BP人工神經網絡模型的輸出數據包括機組未來的熱負荷和電負荷，機組運行人員根據輸出的電負荷和熱負荷做出第二天的調峰報價。

3.根據權利要求1所述的一種基于人工神經網絡的多模式供熱機組負荷分配優化方法，其特征在于：所述氣象數據包括環境溫度、氣壓、濕度和風速；所述供熱機組運行數據包括發電負荷和供熱負荷。

4.根據權利要求1所述的一種基于人工神經網絡的多模式供熱機組負荷分配優化方法，其特征在于：所述機組整體負荷率的上下限由國家電網給出的調峰補貼的檔次決定。

5.根據權利要求1所述的一種基于人工神經網絡的多模式供熱機組負荷分配優化方法，其特征在于，所述步驟S4中，不同調峰報價下的機組總體收益，滿足如下公式：

0≤η≤2,η∈Z

f_min(η)≤ψ≤f_max(η),η∈Z

g_min(η)≤κ(η)≤g_max(η)

其中，H_i為第i機組供熱負荷；

H^p為電廠預測供熱負荷，n為電廠機組數量；

P_i為第i機組供電負荷；

P^p為電廠預測供電負荷；

η為調峰競價檔位，0代表不參與調峰競價，1代表第一檔報價，2代表第二檔報價；

ψ為機組整體負荷率，f_min(η)為第η檔位下可享受補貼政策的機組整體負荷率下限，f_max(η)為第η檔位下可享受補貼政策的機組整體負荷率上限；

為第i機組供熱負荷下限，為第i機組供電負荷下限；

為第i機組供熱負荷上限，P_i^upper為第i機組供電負荷上限；

κ(η)為第η檔位下的調峰競價報價，g_min(η)為第η檔位可享受補貼政策的調峰報價下限，g_max(η)為第η檔位可享受補貼政策的調峰報價上限；

t₁(η)，t₂(η)為在第η檔位下f_max(η)與機組整體負荷率曲線ψ(t)的交點對應的時間。

6.根據權利要求1所述的一種基于人工神經網絡的多模式供熱機組負荷分配優化方法，其特征在于，所述步驟S5中，二次分配的機組總體收益，滿足如下公式：

0≤η≤2,η∈Z

ψ≤f_max(η),η∈Z

g_min(η)≤κ(η)≤g_max(η)

其中，H^MEGC為全廠總熱負荷，P^MEGC為全廠總電負荷。