一种热电厂机组供暖热负荷分配方法、系统、设备和介质与流程

本发明涉及电力系统，特别涉及一种热电厂机组供暖热负荷分配方法、系统、设备和介质。

背景技术：

1、目前，对于缺少水电和燃气机组的北方地区，在采暖期间，电力系统不仅存在新能源消纳问题，系统中大多数火电机组还同时肩负着电力和热力供应任务，存在着“以热定电”的工况约束。采暖季的调峰能力受到严重制约，部分供热量大的机组甚至无法调峰，而此时风电出力却显著增加，“风热冲突”加剧了调峰难度。

2、对于涵盖多种类型热电机组的热电联产电厂来说，不同机组的运行特性和调峰能力不尽相同，在全厂供热量一定的条件下，通过合理分配热负荷，可以得到最大的全厂调峰能力，机组之间热电关系个体差异越大，热负荷分配对提升全厂整体调峰性能的效果越明显。

3、因此，如何有效的分配热电联产电厂机组供暖热负荷，是目前亟待解决的问题。

技术实现思路

1、本发明实施例提供了一种热电厂机组供暖热负荷分配方法、系统、设备和介质，以解决现有技术中上述技术问题。

2、为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

3、根据本发明实施例的第一方面，提供了一种热电厂机组供暖热负荷分配方法。

4、在一个实施例中，所述热电厂机组供暖热负荷分配方法，包括：

5、采集热电机组历史运行数据和天气数据，并根据所述热电机组历史运行数据和所述天气数据，通过预先配置的采暖抽汽量预测模型对热电厂采暖抽汽量进行预测，得到热电厂采暖总抽汽量；

6、采集热电机组数据，并根据所述热电机组数据，通过预先配置的热电特性拟合模型对热电厂热电机组负荷进行分析，得到各机组的负荷上/下限；

7、根据所述热电厂采暖总抽汽量和各机组的负荷上/下限，通过顺序二次规划法计算热电厂采暖总抽汽量下的各机组最优采暖抽汽量、总进汽量和低压缸排汽量，实现热电厂调峰能力最大化的热负荷分配。

8、在一个实施例中，所述热电机组历史运行数据包括：热电厂历史采暖抽汽量、各机组主汽压力、各机组主汽流量、各机组主汽温度、各机组历史工业抽汽流量、各机组历史工业抽汽压力、各机组历史总进汽量和各机组低压缸排汽量。

9、在一个实施例中，所述天气数据包括：历史天气数据和预报天气数据，且所述历史天气数据和所述预报天气数据均包括温度数据、湿度数据、气压数据和风速数据。

10、在一个实施例中，所述热电厂采暖总抽汽量为热电厂未来24小时采暖抽汽量数据。

11、在一个实施例中，所述热电机组数据包括：热电机组历史采暖抽汽量、机组总进汽量、低压缸排汽量和各机组给定采暖抽汽量下的最大、最小有功功率。

12、在一个实施例中，所述热电厂机组供暖热负荷分配方法，还包括：基于样本卷积交互网络，建立采暖抽汽量预测模型；其中，所述样本卷积交互网络由若干层样本卷积交互层、连接重组层以及全连接层连接构成，且每层样本卷积交互层均由若干各样本卷积交互块构成；所述样本卷积交互块用于将原始特征序列拆分为奇数子序列和偶数子序列，并使用不同的卷积滤波器从所述奇数子序列和所述偶数子序列中提取时间特征，所述连接重组层用于将最后一层样本卷积交互层所提取的时间特征重新组合成新的特征序列，并通过残差连接将所述时间序列添加到原始特征序列中，形成最终特征序列；所述全连接层用于对所述最终特征序列进行输出。

13、在一个实施例中，所述热电厂机组供暖热负荷分配方法，还包括：基于凸神经网络，建立热电特性拟合模型；其中，所述凸神经网络由凸二次层、激活层和全连接层的连接组成，且每个凸二次层的输出要经过激活层和一个全连接层，且除第一个凸二次层以外，其他凸二次层的输出均与前一全连接层的结果相加，最终得到输出。

14、在一个实施例中，在通过顺序二次规划法计算热电厂采暖总抽汽量下的各机组最优采暖抽汽量、总进汽量和低压缸排汽量时，

15、机组下限最优采暖抽气量分配目标函数和约束的数学表达如下：

16、min f电厂下限负荷(x采暖抽气量,x总进汽量，x低压缸排气量)

17、

18、

19、

20、

21、机组上限最优采暖抽气量分配目标函数和约束的数学表达如下：

22、min-f电厂上限负荷(x采暖抽气量,x总进汽量，x低压缸排气量)

23、

24、

25、

26、

27、式中，x采暖抽气量＝{x采暖抽气量i i＝1,...,k}是每个机组的采暖抽气量；x总进汽量＝{x总进汽量ii＝1,...,k}是所有机组的采暖抽汽量；x低压缸排气量＝{x低压缸排气量i i＝1,...,k}表示每个机组的低压缸排汽量；f电厂下限负荷是训练完成的下限负荷凸神经网络模型的凸目标函数；g电厂采暖抽气量是热电厂采暖总抽汽量，k是机组的数量。

28、根据本发明实施例的第二方面，提供了一种热电厂机组供暖热负荷分配系统。

29、在一个实施例中，所述热电厂机组供暖热负荷分配系统，包括：

30、采暖抽汽量预测模块，用于采集热电机组历史运行数据和天气数据，并根据所述热电机组历史运行数据和所述天气数据，通过预先配置的采暖抽汽量预测模型对热电厂采暖抽汽量进行预测，得到热电厂采暖总抽汽量；

31、机组负荷分析模块，用于采集热电机组数据，并根据所述热电机组数据，通过预先配置的热电特性拟合模型对热电厂热电机组负荷进行分析，得到各机组的负荷上/下限；

32、热负荷分配模块，用于根据所述热电厂采暖总抽汽量和各机组的负荷上/下限，通过顺序二次规划法计算热电厂采暖总抽汽量下的各机组最优采暖抽汽量、总进汽量和低压缸排汽量，实现热电厂调峰能力最大化的热负荷分配。

33、在一个实施例中，所述热电机组历史运行数据包括：热电厂历史采暖抽汽量、各机组主汽压力、各机组主汽流量、各机组主汽温度、各机组历史工业抽汽流量、各机组历史工业抽汽压力、各机组历史总进汽量和各机组低压缸排汽量。

34、在一个实施例中，所述天气数据包括：历史天气数据和预报天气数据，且所述历史天气数据和所述预报天气数据均包括温度数据、湿度数据、气压数据和风速数据。

35、在一个实施例中，所述热电厂采暖总抽汽量为热电厂未来24小时采暖抽汽量数据。

36、在一个实施例中，所述热电机组数据包括：热电机组历史采暖抽汽量、机组总进汽量、低压缸排汽量和各机组给定采暖抽汽量下的最大、最小有功功率。

37、在一个实施例中，所述热电厂机组供暖热负荷分配系统，还包括：预测模型配置模块，用于基于样本卷积交互网络，建立采暖抽汽量预测模型；其中，所述样本卷积交互网络由若干层样本卷积交互层、连接重组层以及全连接层连接构成，且每层样本卷积交互层均由若干各样本卷积交互块构成；所述样本卷积交互块用于将原始特征序列拆分为奇数子序列和偶数子序列，并使用不同的卷积滤波器从所述奇数子序列和所述偶数子序列中提取时间特征，所述连接重组层用于将最后一层样本卷积交互层所提取的时间特征重新组合成新的特征序列，并通过残差连接将所述时间序列添加到原始特征序列中，形成最终特征序列；所述全连接层用于对所述最终特征序列进行输出。

38、在一个实施例中，所述热电厂机组供暖热负荷分配系统，还包括：拟合模型配置模块，用于基于凸神经网络，建立热电特性拟合模型；其中，所述凸神经网络由凸二次层、激活层和全连接层的连接组成，且每个凸二次层的输出要经过激活层和一个全连接层，且除第一个凸二次层以外，其他凸二次层的输出均与前一全连接层的结果相加，最终得到输出。

39、在一个实施例中，所述热负荷分配模块在通过顺序二次规划法计算热电厂采暖总抽汽量下的各机组最优采暖抽汽量、总进汽量和低压缸排汽量时，

40、机组下限最优采暖抽气量分配目标函数和约束的数学表达如下：

41、min f电厂下限负荷(x采暖抽气量,x总进汽量，x低压缸排气量)

42、

43、

44、

45、

46、机组上限最优采暖抽气量分配目标函数和约束的数学表达如下：

47、min-f电厂上限负荷(x采暖抽气量,x总进汽量，x低压缸排气量)

48、

49、

50、

51、

52、式中，x采暖抽气量＝{x采暖抽气量i i＝1,...,k}是每个机组的采暖抽气量；x总进汽量＝{x总进汽量ii＝1,...,k}是所有机组的采暖抽汽量；x低压缸排气量＝{x低压缸排气量i i＝1,...,k}表示每个机组的低压缸排汽量；f电厂下限负荷是训练完成的下限负荷凸神经网络模型的凸目标函数；g电厂采暖抽气量是热电厂采暖总抽汽量，k是机组的数量。

53、根据本发明实施例的第三方面，提供了一种计算机设备。

54、在一个实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

55、根据本发明实施例的第四方面，提供了一种计算机可读存储介质。

56、在一个实施例中，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

57、本发明实施例提供的技术方案可以包括以下有益效果：

58、本发明通过建立采暖抽汽量预测模型对热电机组历史运行数据和天气数据进行预测处理，得到未来24小时的热电厂采暖总抽汽量，然后基于不同热电机组之间的热电关系差异，建立热电特性拟合模型，计算各个机组的负荷上/下限；从而在保证供热量不变的前提下，利用顺序二次规划法进行优化计算，合理分配各机组抽汽量，提高全厂调峰上限，降低全厂调峰下限译，给出最佳的热负荷分配方案，使得全厂的总调峰能力得到最大。

59、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。