一种火电厂燃料-营销协同决策方法及系统技术方案

本发明专利技术涉及一种火电厂燃料

【技术实现步骤摘要】
一种火电厂燃料
‑
营销协同决策方法及系统


[0001]本专利技术涉及燃煤火电厂经营决策领域，具体涉及一种火电厂燃料
‑
营销协同决策方法及系统。

技术介绍

[0002]目前大多数混煤掺烧电厂都是基于经验进行掺烧工作，在考虑电厂效益最大化方面一般只是从单方面出发，如最大程度掺烧低热值低价煤种实现燃煤成本最低或者争取发最大电量，提高电厂营销收入。然而电力企业发电市场电力销售，其效益为收入与成本之差。企业以效益最大化为目标，则需要平衡收入与成本之间的关系，而非是成本最低(燃烧劣质低价煤)或收入最高(高热值高价煤获取最高电量)为单一决策目标。
[0003]并且随着电力市场的开放，基数电量将逐步被市场电代替，电量和电价均由市场竞争决定。整合电厂现有资源，将“燃料
‑
发电
‑
营销”统一协作管理，实现电厂效益的最大化并建立面向电力现货市场的智慧电厂，在目前燃煤掺烧的电厂实际应用看来，有机地将“燃料
‑
发电
‑
营销”三者贯通并实现燃料管理、生产管理以及营销决策的闭环仍是燃煤发电厂亟待解决的问题和面临的重要课题。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种火电厂燃料
‑
营销协同决策方法及系统，以营销为龙头，以效益为核心，建立营销策略、燃料采购、配煤掺烧等协同优化管控模型，实现对企业运营的事前寻优和决策指导，为智慧电厂开发“中枢大脑”。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]一方面，本专利技术提供一种火电厂燃料
‑
营销协同决策方法，包括以下步骤：
[0007]步骤1，根据机组检修计划确定次日电量最大边界；
[0008]步骤2，基于合同电量分解以及历史日度分时电量，确定次日的电量组合曲线；所述合同电量分解指电厂机组在合同期内将合同电量根据市场规则和有关规定逐步分解到年、月、日，形成可用于调度执行的调度计划的过程；所述电量组合曲线为次日分时的电量曲线；
[0009]步骤3，根据电量推算负荷率，结合煤场可取用的煤种信息，计算成本最优的配煤方案，获得电量曲线与配煤方案的组合；所述配煤方案是次日机组锅炉燃烧器的入炉煤方案；
[0010]步骤4，根据相关数学模型预测次日分时电价趋势以及所述电量组合曲线对应的电价组合曲线；所述相关数学模型包括ARMA模型和神经网络模型；所述电量组合曲线对应的电价组合曲线为次日分时电量组合情况下的各小时电价情况，即24小时的分时电价趋势；
[0011]步骤5，将电量、电价及配煤方案的组合代入效益计算模型中，计算次日的总体效益；
[0012]步骤6，按照合适的步长，遍历计算出所有电量和配煤方案的组合解集，根据总体效益值降序排序，效益最高的解即理论上最佳的电量电价策略以及配煤方案。
[0013]进一步的，所述机组检修计划为短期机组的检修计划，根据机组设备状况，确定次日或近段时间的检修内容；次日发电量最大边界如下：
[0014]G
max
＝L
max
×
24h
[0015]其中G
max
为次日的最大发电边界，单位为千瓦时；L
max
为机组根据检修计划确定的最大发电负荷，单位为兆瓦。
[0016]进一步的，合同分解如下方法：
[0017]总合同电量为Q
year
，月度分解因子日度分解因子各小时分解因子各小时分解电量：
[0018][0019]次日各小时机组负荷：
[0020]L
hour
＝Q
hour
/M
[0021]其中M为机组装机容量。
[0022]进一步的，所述煤场可取用的煤种信息包括电厂当前煤场的综合煤质，各煤种存煤煤量、煤质以及煤价；所述煤质包括煤的热值、挥发分、硫分及水分。
[0023]进一步的，根据ARMA模型预测次日分时电价趋势，包括：
[0024][0025]式中：p为自回归模型AR的阶数；为AR模型的待定系数；q为滑动平均模型MA的阶数；θ
j
(j＝1,2,...,q)为MA模型的待定系数；ε
t
为误差；y
t
为平稳时间序列，即预测值；y
j
(j＝t
‑
1,t
‑
2,
…
,t
‑
p)为历史电价参数。
[0026]进一步的，根据神经网络模型预测次日分时电价趋势，包括：
[0027]S601，输入历史电价数据库，获得历史电价分日分时趋势；
[0028]S602，对输入数据进行数据清洗和预处理，剔除错误数据，根据临近原则补入缺失数据，由此生成样本数据；
[0029]S603，确定神经网络模型学习模式；
[0030]S604，确定训练层的输入层、输出层和隐藏层参数；
[0031]S605，确定训样本、测试样本和验证样本的构成；
[0032]S606，确定神经网络的学习参数，并开始训练模型；
[0033]S607，训练误差大于设定值，则转到S606，并优化调整阀值、学习率、动量因子、校正误差；若训练误差小于设定值，则转到S608；
[0034]S608，输出保存训练模型，并更新样本数据库。
[0035]进一步的，所述的将电量、电价及配煤方案的组合代入效益计算模型中，计算次日的总体效益，包括：
[0036]S701，根据下式确定次日的燃料总成本C
total
：
[0037][0038]其中，M
t
为次日小时t情况下的分时电量，为M
t
对应的入炉煤耗，为M
t
对应的入炉煤价，C
t
为次日小时t情况下的燃料成本，t＝1,2,...,24；
[0039]S702，根据下式确定次日的售电收入I
total
：
[0040][0041]其中，为M
t
对应的分时电价，I
t
为次日小时t情况下的售电收入；
[0042]S703，次日总体效益P：P＝I
total
‑
C
total
。
[0043]进一步的，所述步长指：综合计算进度以及计算成本时，每次更新计算“下一日发电量”增加的数值。
[0044]进一步的，遍历计算出所有电量和配煤方案的组合解集，根据总体效益值降序排序，效益最高的解即理论上最佳的电量电价策略以及配煤方案，包括：
[0045]S901，以机组最小出力为起点，初始下一日发电量的计划值；
[0046]S902，将“下一日发电量”M输入“配煤掺烧模型”以及“电量
‑
电价”模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火电厂燃料
‑
营销协同决策方法，其特征在于，包括以下步骤：步骤1，根据机组检修计划确定次日电量最大边界；步骤2，基于合同电量分解以及历史日度分时电量，确定次日的电量组合曲线；所述合同电量分解指电厂机组在合同期内将合同电量根据市场规则和有关规定逐步分解到年、月、日，形成可用于调度执行的调度计划的过程；所述电量组合曲线为次日分时的电量曲线；步骤3，根据电量推算负荷率，结合煤场可取用的煤种信息，计算成本最优的配煤方案，获得电量曲线与配煤方案的组合；所述配煤方案是次日机组锅炉燃烧器的入炉煤方案；步骤4，根据相关数学模型预测次日分时电价趋势以及所述电量组合曲线对应的电价组合曲线；所述相关数学模型包括ARMA模型和神经网络模型；所述电量组合曲线对应的电价组合曲线为次日分时电量组合情况下的各小时电价情况，即24小时的分时电价趋势；步骤5，将电量、电价及配煤方案的组合代入效益计算模型中，计算次日的总体效益；步骤6，按照合适的步长，遍历计算出所有电量和配煤方案的组合解集，根据总体效益值降序排序，效益最高的解即理论上最佳的电量电价策略以及配煤方案。2.根据权利要求1所述的方法，其特征在于，所述机组检修计划为短期机组的检修计划，根据机组设备状况，确定次日或近段时间的检修内容；次日发电量最大边界如下：G
max
＝L
max
×
24h其中G
max
为次日的最大发电边界，单位为千瓦时；L
max
为机组根据检修计划确定的最大发电负荷，单位为兆瓦。3.根据权利要求1所述的方法，其特征在于，合同分解如下方法：总合同电量为Q
year
，月度分解因子日度分解因子各小时分解因子各小时分解电量：次日各小时机组负荷：L
hour
＝Q
hour
/M其中M为机组装机容量。4.根据权利要求1所述的方法，其特征在于，所述煤场可取用的煤种信息包括电厂当前煤场的综合煤质，各煤种存煤煤量、煤质以及煤价；所述煤质包括煤的热值、挥发分、硫分及水分。5.根据权利要求1所述的方法，其特征在于，根据ARMA模型预测次日分时电价趋势，包括：式中：p为自回归模型AR的阶数；为AR模型的待定系数；q为滑动平均模型MA的阶数；θ
j
(j＝1,2,...,q)为MA模型的待定系数；ε
t
为误差；y
t
为平稳时间序列，即预测值；y
j
(j＝t
‑
1,t
‑
2,
…
,t
‑
p)为历史电价参数。6.根据权利要求1所述的方法，其特征在于，根据神经网络模型预测次日分时电价趋势，包括：S601，输入历史电价数据库，获得历史电价分日分时趋势；
S602，对输入数据进行数据清洗和预处理，剔除错误数据，根据临近原则补入缺失数据，由此生成样本数据；S603，确定神经网络模型学习模式；S604，确定训练层的输入层、输出层和隐藏层参数；S605，确定训样本、测试样本和验证样本的构成；S606，确定神经网络的学习参数，并开始训练模型；S607，训练误差大于设定值，则转到S606，并优化调整阀值、学习率、动量因子、校正误差；若训练误差小于设定值，则转到S608；S608，输出保存训练模型，并更新样本数据库。7.根据权利要求1所述的方法，其特征在于，所述的将电量、电价及配煤方案的组合代入效...

【专利技术属性】
技术研发人员：石立斌，徐宁翔，曹建军，沈小兵，刘海军，田自红，王超，范经纬，王星星，夏季，彭鹏，
申请(专利权)人：武汉华中思能科技有限公司，
类型：发明
国别省市：