供能设备群组运行控制方法、装置、计算机设备及介质制造方法及图纸

本公开涉及动力机械及工程技术领域，提供了一种供能设备群组运行控制方法、装置、计算机设备及介质。该方法包括：基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测；按照预先设定的周期，将预测得到的负荷预测结果周期性的发送至仿真计算模块；根据经济性指标计算供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本；基于供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本，控制供能设备群组运行。实现了供能设备群组的无人值守或少人值守最优运行，使能源站实时处于最优运行状态，摆脱了能源站运行对人为经验的依赖。赖。赖。

【技术实现步骤摘要】
供能设备群组运行控制方法、装置、计算机设备及介质


[0001]本公开涉及动力机械及工程、流体机械及工程、传热学、人工智能等领域的分布式能源热力系统计算模型与负荷预测模型、全局优化算法结合的应用
，尤其涉及一种供能设备群组运行控制方法、装置、计算机设备及介质。

技术介绍

[0002]随着产业集中区和工业园区的发展，工业用汽和集中供热的需求不断增多，配有多台燃气蒸汽锅炉的集中供热能站不断出现。对于拥有多台蒸汽锅炉的锅炉群组如何合理调度，在满足用户蒸汽负荷的情况下使得运行能耗最低、效率最高、成本最小是一个关键问题，优化调度问题是分布式能源面临的关键问题，用户负荷波动频繁，供能设备数量众多都会导致凭借人员主观经验的调度方式合理性不足，无法发挥供能群组的降耗潜力。
[0003]目前在锅炉群组调度优化方面研究较少，现场的运行人员更多是根据个人主观经验调度和分配锅炉负荷，或者使用机械的定值调度方式，如将总负荷平均分配给每台锅炉，或人为指定某几台锅炉为调峰锅炉，负荷变化全部由调峰锅炉承担，往往无法达到最优的调度状态，从而无法发挥出群组运行的节能潜力。
[0004]目前，处于实际需求，分布式供暖系统经常设计为多热源系统，可能包括空气源热泵、燃气、燃煤、电加热和太阳能耦合等多种方式。目前大多数多能互补供能设备群组仍然依靠人为经验指导其运行，因此造成能源站的运行水平参差不齐。在收益不高的情况下，由于运行策略的失误很容易使能源站陷入亏损的运行状态。运行人员从仅有的一些特定工况下的热力分析结果中，也很难摸索到能源站的动态特性，因此也就很难形成最优的动态设备群控策略。当多能互补供能设备群组配备储能设备时，其运行模式的复杂性往往超出了人的脑力范围，仅凭人为经验很难使能源站对用户负荷做出及时响应，也很难在特定的工况下选择最佳的群控策略，从而影响整个能源站的经济性收益。

技术实现思路

[0005]有鉴于此，本公开实施例提供了一种供能设备群组运行控制方法、装置、计算机设备及介质，以解决现有技术中供能设备群组在负荷波动频繁的情况下，依靠人为经验难以确定当前负荷及环境参数下的最佳运行模式，从而导致出现运行策略失误、控制调节不及时、能源站收益下降等的问题。
[0006]本公开实施例的第一方面，提供了一种供能设备群组运行控制方法，包括：
[0007]基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测；
[0008]按照预先设定的周期，将预测得到的负荷预测结果周期性的发送至仿真计算模块；
[0009]根据经济性指标计算供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本；
[0010]基于供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本，控制供能设备群组运行。
[0011]本公开实施例的第二方面，提供了一种供能设备群组运行控制装置，包括：
[0012]预测模块，被配置为基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测；
[0013]发送模块，被配置为按照预先设定的周期，将预测得到的负荷预测结果周期性的发送至仿真计算模块；
[0014]计算模块，被配置为根据经济性指标计算供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本；
[0015]控制模块，被配置为基于供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本，控制供能设备群组运行。
[0016]本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0017]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0018]本公开实施例与现有技术相比存在的有益效果是：通过基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测；按照预先设定的周期，将预测得到的负荷预测结果周期性的发送至仿真计算模块；根据经济性指标计算供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本；基于供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本，控制供能设备群组运行。实现了供能设备群组的无人值守或少人值守最优运行，使能源站实时处于最优运行状态，解决了能源站在不同负荷、不同环境参数下单一设备组最佳群控策略以及不同设备组运行经济性自动寻优的问题，摆脱了能源站运行对人为经验的依赖。
附图说明
[0019]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0020]图1是本公开实施例提供了一种供能设备群组运行控制系统的架构示意图；
[0021]图2是本公开实施例提供的一种供能设备群组运行控制方法的流程图；
[0022]图3是本公开实施例提供的一种供能设备群组运行控制装置的框图；
[0023]图4是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
[0024]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0025]下面将结合附图详细说明根据本公开实施例的一种供能设备群组运行控制方法和装置。
[0026]图1是本公开实施例提供了一种供能设备群组运行控制系统，包括：101负荷预测模块、102仿真计算模块、103优化算法模块和104环境参数监测模块。其中，
[0027]负荷预测模块101，用于构建负荷预测神经网络模型，对多能互补供能设备群组进行负荷预测，得到负荷预测结果。在一个可能的实施例中，负荷预测模块101包括：数据采集单元111，用于采集多能互补供能设备群组过去时间段内的热力系统负荷及负荷影响因素的数据；模型训练单元112，用于训练并更新负荷预测神经网络模型；负荷预测单元113，用于对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。
[0028]仿真计算模块102，用于设定参数输入周期，周期性接收负荷预测结果，并根据经济性指标计算特定工况下热力系统的性能参数以及营收参数。
[0029]优化算法模块103，用于比较不同工况下热力系统的性能参数以及营收参数，搜索最佳运行策略下发给实体设备。在一个可能的实施例中，优化算法模块103包括动态优化模型，动态优化模块包括优化算法层131、仿真层132和物理设备层133。特别的，优化算法层131，接收不同工况本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供能设备群组运行控制方法，其特征在于，包括：基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测；按照预先设定的周期，将预测得到的负荷预测结果周期性的发送至仿真计算模块；根据经济性指标计算所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本；基于所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本，控制所述供能设备群组运行。2.根据权利要求1所述的方法，其特征在于，基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测，包括：将气象预报数据、预测日期、用能侧生产计划作为输入参数，通过所述预先训练好的负荷预测神经网络模型对未来的负荷进行预测，得到负荷预测结果和负荷需求曲线。3.根据权利要求1所述的方法，其特征在于，基于预先训练好的负荷预测神经网络模型，分别对供能设备群组中的每个供能设备进行预测，包括：采用滚动模式将前一个周期内的真实负荷数据添加到历史数据，更新负荷预测神经网络模型，通过更新后的负荷预测神经网络模型对下一个预测周期内的负荷进行预测。4.根据权利要求1所述的方法，其特征在于，根据经济性指标计算所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本，包括：根据供能设备群组中的每个供能设备的物理机理，搭建与之对应的数字机理模型；模拟计算所述供能设备群组中的每个供能设备的性能以及各连接点的状态参数，得到能效预估值；获取价值相关信息；基于所述价值相关信息和所述能效预估值，确定单位供能能耗成本。5.根据权利要求1所述的方法，其特征在于，所述经济性指标包括：供能价格、用能价格、用水价格、用电价格和化学药品价格。6.根据权利要求1所述的方法，其特征在于，基于所述供能设备群组中的每个供能设备在指定...

【专利技术属性】
技术研发人员：李广伟，
申请(专利权)人：新奥数能科技有限公司，
类型：发明
国别省市：