一种含电制氢系统的热电联产机组AGC协调控制方法与系统技术方案

本发明专利技术公开了一种含电制氢系统的热电联产机组AGC协调控制方法与系统，属于发电厂机组调频技术领域，包括：根据热电联产机组、制氢系统、氢制热系统、氢制电系统、储热系统类型和容量，确定上述模块的调节能力和调节速度；基于组合预测算法对热电联产机组的供热负荷情况和网侧AGC调频需求进行预测；根据预测的供热负荷需求、AGC调频需求，安排机组负荷，对氢制热系统、制氢系统、氢制电系统、热电联产机组、储热系统、储热系统的调节能力和调节速度上网发电系统进行协调和分配，解决了从氢制热的环节对机组的灵活性进行调节，灵活性不足，且传统的控制策略较为简单的问题，使得机组的运行变得更加的合理和稳定可靠。运行变得更加的合理和稳定可靠。运行变得更加的合理和稳定可靠。

【技术实现步骤摘要】
一种含电制氢系统的热电联产机组AGC协调控制方法与系统


[0001]本专利技术属于发电厂机组调频
，具体涉及一种含电制氢系统的热电联产机组AGC协调控制方法与系统。

技术介绍

[0002]随着新能源比例的不断增加，风电消纳压力将继续加大，风电的大规模并网将显著增加电网的AGC调频需求。此外，大量的火电机组长期承担繁重的AGC调节任务造成了发电煤耗增高、设备磨损严重等一系列负面影响。目前的热电联产机组用于供热的抽汽量一定时，机组整体所发出的电功率是处在一个可以调节的范围之内的，且电功率可调节的范围也随着热功率的上升而不断减小。当外部对热能的需求继续增长，直至达到热电机组极限供热能力时，机组将不再拥有对发电功率大小的调节能力。
[0003]通过对机组配置制氢、储氢和以氢制热环节，从而将腰荷时段空闲的发电余量转换为氢能加以储存，在低电力负荷时段再次转换为热能，对负荷在时间上进行平移，从而提高机组运行时的调峰能力，解决弃风问题。
[0004]传统的配置制氢环节，仅仅从氢制热的环节对机组的灵活性进行调节，灵活性不足，且传统的控制策略较为简单，未考虑灵活性调峰过程中机组的寿命影响、机组单位煤耗量等因素。
[0005]基于上述技术问题，需要设计一种电制氢系统的热电联产机组AGC协调控制方法与系统。

技术实现思路

[0006]本专利技术的目的是提供一种电制氢系统的热电联产机组AGC协调控制方法与系统。
[0007]为了解决上述技术问题，本专利技术第一方面提供了一种电制氢系统的热电联产机组AGC协调控制方法，包括：
[0008]步骤S1、根据热电联产机组类型和容量，确定热电联产机组的供热能力、发电能力和调节速度，根据制氢系统的类型和容量、氢制热系统的类型和容量、氢制电系统的类型和容量，确定氢制热系统、氢制电系统的调节能力和调节速度，储热系统的类型和容量确定储热系统的调节能力和调节速度，确定储氢系统的调节能力和调节速度。
[0009]步骤S2、基于组合预测算法对热电联产机组的供热负荷情况和网侧AGC调频需求进行预测。
[0010]步骤S3、根据预测的供热负荷需求、AGC调频需求，安排机组负荷，对氢制热系统、制氢系统、氢制电系统、热电联产机组、储热系统、储热系统的调节能力和调节速度上网发电系统进行协调和分配。
[0011]进一步，所述步骤S1中，根据热电联产机组类型和容量，确定热电联产机组的供热能力、发电能力和调节速度，具体包括：
[0012]按照背压式热电机组和抽汽式热电机组两类以及机组的容量，根据其工作原理，
建立其电能与抽气供热能力之间的耦合关系，确定在目标供电条件下的供热能力，并对其抽气调节速率继续确定。
[0013]进一步，所述步骤S1中，采用电解制氢系统，根据其储氢容量，氢制热系统的类型和容量、氢制电系统的类型和容量，确定氢制热系统、氢制电系统的调节能力和调节速度，具体包括：
[0014]采用电解制氢系统，根据其储氢容量，确定其制氢速度、储氢能力，并以制氢速度和储氢能力为约束条件，确定制氢系统消耗电能的能力；同时以制氢速度和储氢能力为约束条件，按照氢制热系统的类型和容量，确定其制热系统的调节速度和调节能力，按照氢制电系统的类型和容量，确定其制电系统的调节速度和调节能力。
[0015]进一步，所述步骤S2、基于组合预测算法对热电联产机组的供热负荷情况和网侧AGC调频需求进行预测，组合预测算法采用GA
‑
WNN组合预测算法，GA为遗传算法，WNN为小波神经网络算法，所述基于组合预测算法对热电联产机组的供热负荷情况进行预测的具体步骤为：
[0016]S1：首先通过季节将供热负荷数据进行分类，通过季节将供热负荷数据进行分类，以一天为分割，并将节假日、温湿度、天气因素、季节将供热负荷数据作为训练数据，其中节假日、温湿度、天气因素为输入值，季节将供热负荷数据为输出值，送入到组合预测算法之中；
[0017]S2：结合初始小波神经网络的各参数，设种群规模为M，随机生成初始种群N＝(N1、N2、N3…
N
M
)，然后对个体进行遗传算法的实数编码；
[0018]S3：对经GA编码后种群N进行训练，WNN参数由随机种群初始化获得；
[0019]S4：对新的种群进行遗传操作，产生最优适应度个体；
[0020]S5：对S4中选出的最优个体适应度进行解码，并且把由此得到的最优权值、伸缩因子、平移因子赋值给原始的小波神经网络，开始进行模型训练；
[0021]S6：若满足设置的误差需求则分别得到组合预测算法的供热负荷数据预测模型和AGC调频需求预测模型，若不满足则返回S4，继续训练。
[0022]S7：根据得到的供热负荷数据预测模型，考虑当下的季节条件下，输入当天的节假日、温湿度、天气因素，从而得到当天的供热负荷数据。
[0023]进一步的，所述基于组合预测算法对网侧AGC调频需求进行预测，具体步骤为：
[0024]S1：首先通过季节将AGC调频需求进行分类，以一天为分割，并将节假日、温湿度、天气因素、AGC调频需求作为训练数据，其中节假日、温湿度、天气因素为输入值，AGC调频需求为输出值，送入到组合预测算法之中；
[0025]S2：结合初始小波神经网络的各参数，设种群规模为M，随机生成初始种群N＝(N1、N2、N3
…
N
M
)，然后对个体进行遗传算法的实数编码；
[0026]S3：对经GA编码后种群N进行训练，WNN参数由随机种群初始化获得；
[0027]S4：对新的种群进行遗传操作，产生最优适应度个体；
[0028]S5：对S4中选出的最优个体适应度进行解码，并且把由此得到的最优权值、伸缩因子、平移因子赋值给原始的小波神经网络，开始进行模型训练；
[0029]S6：若满足设置的误差需求则分别得到组合预测算法的AGC调频需求预测模型，若不满足则返回S4，继续训练。
[0030]S7：根据得到的AGC调频需求预测模型，考虑当下的季节条件下，输入当天的将节假日、温湿度、天气因素，从而得到当天的AGC调频需求。
[0031]进一步的，所述组合预测算法采用GA
‑
WNN组合预测算法，其中WNN为小波神经网络，包括输入层、隐含层、输出层，隐含层的输出函数为，当样本学习速率η，输入层为Xi，i＝1,2
…
k时，隐藏层第j个节点输出为：
[0032][0033]其中，j＝1,2,...,L，L为隐含层的节点数；ω
ij
为输入权值；h
j
为小波基函数，a
j
、b
j
分别为h
j
的平移因子和伸缩因子；k为输入节点的个数。
[0034]进一步的，输出层的输出为：
[0035][0036]式中，ω
ik
为输出权值；h(j)为第j本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含电制氢系统的热电联产机组AGC协调控制方法，其特征在于，包括：步骤S1、根据热电联产机组类型和容量，确定热电联产机组的供热能力、发电能力和调节速度，根据制氢系统的类型和容量、氢制热系统的类型和容量、氢制电系统的类型和容量，确定氢制热系统、氢制电系统的调节能力和调节速度，储热系统的类型和容量确定储热系统的调节能力和调节速度，确定储氢系统的调节能力和调节速度；步骤S2、基于组合预测算法对热电联产机组的供热负荷情况和网侧AGC调频需求进行预测；步骤S3、根据预测的供热负荷需求、AGC调频需求，安排机组负荷，对氢制热系统、制氢系统、氢制电系统、热电联产机组、储热系统、储热系统的调节能力和调节速度上网发电系统进行协调和分配。2.根据权利要求1所述的协调控制方法，其特征在于，所述步骤S1中，采用电解制氢系统，根据其储氢容量，氢制热系统的类型和容量、氢制电系统的类型和容量，确定氢制热系统、氢制电系统的调节能力和调节速度，具体包括：采用电解制氢系统，根据其储氢容量，确定其制氢速度、储氢能力，并以制氢速度和储氢能力为约束条件，确定制氢系统消耗电能的能力；同时以制氢速度和储氢能力为约束条件，按照氢制热系统的类型和容量，确定其制热系统的调节速度和调节能力，按照氢制电系统的类型和容量，确定其制电系统的调节速度和调节能力。3.根据权利要求1所述的协调控制方法，其特征在于，所述步骤S2基于组合预测算法对热电联产机组的供热负荷情况和网侧AGC调频需求进行预测，组合预测算法采用GA
‑
WNN组合预测算法，GA为遗传算法，WNN为小波神经网络算法。4.根据权利要求3所述的协调控制方法，其特征在于，基于组合预测算法对热电联产机组的供热负荷情况进行预测，具体步骤为：S1：首先通过季节将供热负荷数据进行分类，通过季节将供热负荷数据进行分类，以一天为分割，并将节假日、温湿度、天气因素、季节将供热负荷数据作为训练数据，其中节假日、温湿度、天气因素为输入值，季节将供热负荷数据为输出值，送入到组合预测算法之中；S2：结合初始小波神经网络的各参数，设种群规模为M，随机生成初始种群N＝(N1、N2、N3…
N
M
)，然后对个体进行遗传算法的实数编码；S3：对经GA编码后种群N进行训练，WNN参数由随机种群初始化获得；S4：对新的种群进行遗传操作，产生最优适应度个体；S5：对S4中选出的最优个体适应度进行解码，并且把由此得到的最优权值、伸缩因子、平移因子赋值给原始的小波神经网络，开始进行模型训练；S6：若满足设置的误差需求则分别得到组合预测算法的供热负荷数据预测模型和AGC调频需求预测模型，若不满足则返回S4，继续训练；S7：根据得到的供热负荷数据预测模型，考虑当下的季节条件下，输入当天的节假日、温湿度、天气因素，从而得到当天的供热负荷数据。5.根据权利要求3所述的协调控制方法，其特征在于，基于组合预测算法对网侧AGC调频需求进行预测，具体步骤为：S1：首先通过季节将AGC调频需求进行分类，以一天为分割，并将节假日、温湿度、天气因素、AGC调频需求作为训练数据，其中节假日、温湿度、天气因素为输入值，AGC调频需求为
输出值，送入到组合预测算法之中；S2：结合初始小波神经网络的各参数，设种群规模为M，随机生成初始种群N＝(N1、N2、N3
…
N
M
)，然后对个体进行遗传算法的实数编码；S3：对经GA编码后种群N进行训练，WNN参数由随机种群初始化...

【专利技术属性】
技术研发人员：张坤锋，谢金芳，时伟，李岚，
申请(专利权)人：浙江英集动力科技有限公司，
类型：发明
国别省市：