[发明专利]煤气柜移峰填谷的动态调整方法、能源调度系统

权利要求书

1.一种煤气柜移峰填谷的动态调整方法，其特征在于，该方法包括：

S10、针对每个煤气系统设备，获取所述煤气系统设备调度周期前发生的煤气产耗数据，将所述煤气产耗数据作为输入，通过预先建立的煤气动态预测模型，获取所述煤气系统设备调度周期内的煤气产耗预测数据，所述煤气动态预测模型为基于集成学习算法建立、以所述煤气系统设备的煤气产耗历史数据为训练样本训练得到的神经网络模型；

S20、根据预先建立的可调度设备约束条件和能源介质供需约束条件，建立以可调度设备最小化经济运行成本为目标函数的煤气柜动态调度模型，所述经济运行成本包括燃料使用成本、蒸汽使用成本、煤气放散惩罚和购电成本，所述可调度设备约束条件包括锅炉约束、汽轮机约束、煤气柜运行约束，所述能源介质供需约束条件包括煤气平衡约束条件、电力平衡约束条件；

S30、将每个煤气系统设备的煤气产耗预测数据和预先确定的蒸汽需求量数据、电力需求量数据、分时电价输入所述煤气柜动态调度模型，采用混合整数非线性规划的方法得到调度周期内煤气在可调度设备中的分配数据，基于所述分配数据，控制煤气柜的储气量。

2.根据权利要求1所述的方法，其特征在于，在步骤S10之前，还包括：

确定钢铁企业的可调度设备，所述可调度设备包括启动锅炉、燃气锅炉及其配套汽轮机组、掺烧煤气锅炉及其配套汽轮机组和煤气柜；确定煤气系统设备，所述煤气系统设备包括煤气发生端设备和煤气消耗端设备；

采集预设时间段内煤气系统设备生成的煤气历史产耗数据，构建训练数据集；所述训练数据集中的训练样本为所述预设时间段内各时间点之前的第一预设时长的煤气历史产耗数据，样本标签为所述预设时间段内时间点之后的第二预设时长的煤气历史产耗数据；

基于Adaboost算法建立BP神经网络模型，通过所述训练数据集训练所述BP神经网络模型直至符合训练停止条件时停止训练，将得到的模型作为煤气动态预测模型。

3.根据权利要求2所述的方法，其特征在于，采集预设时间段内煤气系统设备生成的煤气历史产耗数据包括：

采集所述煤气系统设备的煤气的历史产生量数据和历史消耗量数据，作为待处理数据；

对所述待处理数据的缺失值进行线性插值处理，对所述待处理数据的异常值使用95％分位数替代处理。

4.根据权利要求2所述的方法，其特征在于，所述锅炉约束包括：

锅炉物质平衡约束，所述锅炉物质平衡约束包括：锅炉在一个时段的给水量等于同一时段蒸汽的产生量和锅炉排污水量之和；

锅炉能量平衡约束，所述锅炉能量平衡约束包括：锅炉在一个时段消耗燃料的能量产生的热量等于水转化为蒸汽和锅炉排出污水的热量；

锅炉产汽能力约束，所述锅炉产汽能力约束包括：锅炉在一个时段产生蒸汽量在最大产汽量和最小产汽量之间；

所述汽轮机约束包括：

汽轮机物料平衡约束，所述汽轮机物料平衡约束包括：汽轮机在一个时段的进汽量等于该时段的汽轮机抽汽量和凝汽量之和；

汽轮机进汽量约束，所述汽轮机进汽量约束包括：汽轮机在一个时段的进汽量在最大进汽量和最小进汽量之间；

汽轮机发电约束，所述汽轮机发电约束包括：汽轮机发电量在一个时段的发电量在最大发电量和最小发电量之间。