[发明专利]供热系统负荷实时优化调度方法、机组模型、机组及系统

权利要求书

1.一种多热源供热系统负荷实时优化调度方法，其特征在于，包括：

步骤S100，构建各热源机组的机组模型；

步骤S200，建立优化的目标函数；

步骤S300，通过机组模型和优化的目标函数获得热源机组负荷的优化调度策略；以及

步骤S400，基于优化调度策略，对热源机组负荷分配进行实时优化；

所述步骤S100，构建各热源机组的机组模型的方法包括：

步骤S110，确定各热源机组的输入参数，建立输出输入关系模型；

所述输出输入关系模型为：

F(E,M)＝f(X)＝f(X₁,X₂,...,X_i,...,X_n)；

其中，X为输入参数，X＝(X₁,X₂,...,X_i,...,X_n)，X_i为热源机组的第i个输入参数，n为输入参数的数量，i∈n；E为能耗量输出参数；M为排放量输出参数；

所述步骤S100，构建各热源机组的机组模型的方法还包括：

步骤S120，基于DCS系统的运行数据，建立输出输入关系模型的训练样本集：

通过数据清洗算法将DCS系统的运行数据中能耗量输出参数E、排放量输出参数M，输入参数X储存，以存储数据中[t1,t1+Δt]时间段内的耗量输出参数E、排放量输出参数M的历史数据作为样本输入，[t1,t1+Δt]时间段内输出参数X的历史数据作为样本输出，并由样本输入和与其对应的样本输出构成训练样本集；

其中，t1为能耗量输出参数E、排放量输出参数M和输入参数X储存的时刻；Δt为时间区间；设机组模型滚动更新的时间间隔为ΔL，即在t1+ΔL时刻，对机组模型的样本输入的时间段进行滚动操作，更新为[t1+Δt,t1+2Δt],即[t2,t2+Δt]；随着机组模型滚动，时间段依次滚动，即时间段依次更改为[tn,tn+Δt]，n∈1,2...。

2.如权利要求1所述的多热源供热系统负荷实时优化调度方法，其特征在于，

所述步骤S100，构建各热源机组的机组模型的方法还包括：

步骤S130，采用机器学习算法，建立各热源机组的机组模型；

所述机组模型包括：机器学习模型，即

其中，δ为机器学习模型系数，δ＝(δ₁,δ₂,...δ_i,...,δ_n)，δ_i为第i个输入参数的机器学习模型系数，给定系数δ初值为c，即δ中所有变量的初始值为c；

基于[tn,tn+Δt]时间段内的样本输入和δ，根据输出输入关系模型F(E,M)获得输出参数，将输出参数和样本输出中的输出参数进行比较调整δ，直至机组模型满足收敛条件；每次机组模型滚动更新的时间间隔为ΔL，即t1+ΔL时刻，重新训练机组模型；

所述收敛条件满足：

|E^c-E^m|＜ε，|M^c-M^m|＜ε；

其中，X^m为区间Δt内训练样本集中输入参数的数据,为输入参数中第i个输入参数的样本数据；E^c、E^m分别表示基于机器学习模型计算的能耗量输出参数与训练样本集实测的能耗量输出参数，单位均为：吨标煤；M^c、M^m分别表示基于机器学习模型计算的排放量输出参数与训练样本集实测的排放量输出参数，单位均为：mg；ε为模型收敛精度；f(X)为热源机组输入参数为X的机器学习模型；

当满足收敛精度后，建立各热源机组的机组模型：

其中，δ'＝(δ₁',δ₂',...δ_i',...,δ_n')为训练后的机器学习模型系数；

设热源机组的数量为z，则所有的机组模型为：

其中，E_j、M_j分别表示第j台机组模型计算的能耗量输出参数和排放量输出参数；F_j(E_j,M_j)第j台热源机组的机器学习模型，输出参数为E_j、M_j，输入参数为X；f_j(X)为输入参数的计算函数。