基于MPC的含储热的供热系统双层优化调度方法及装置制造方法及图纸

本发明专利技术公开了一种基于MPC的含储热的供热系统双层优化调度方法，包括：在供热系统中配置储热装置，以可再生能源供热机组出力预测值设置调度指令，以可再生能源供热机组和储热装置的共同出力跟踪调度指令以及储热装置动作量最小为控制优化目标，通过模型预测控制策略对储热装置进行优化，模型预测控制通过滚动优化和反馈校正环节进行优化求解，获得储热装置的动作指令；通过可再生能源供热机组和储热装置的共同出力减少传统供热机组负荷，利用剩余负荷对传统供热机组进行优化，以调度时段内传统供热机组运行成本、可再生能源运行成本和储热装置运行成本最小为目标函数，对传统供热机组出力进行优化，获得传统供热机组的动作指令。令。令。

【技术实现步骤摘要】
基于MPC的含储热的供热系统双层优化调度方法及装置


[0001]本专利技术属于智慧供热
，具体涉及一种基于MPC的含储热的供热系统双层优化调度方法。

技术介绍

[0002]智慧供热系统的自主优化运行是指系统通过机理建模及数据辨识构建供热系统数字孪生模型，结合模型预测性控制及实时优化等人工智能技术，从多个层级对供热系统进行统筹优化优化运行策略自动下发控制系统从而实现全流程自动安全的闭环控制，从而使供热系统具备自感知、自学习、自适应、自调节的能力。
[0003]随着供热低碳化、清洁化和智慧化的发展趋势，需要将高比例的可再生能源接入供热系统。然而，可再生能源具有随机性、波动性、不确定性的特点，当利用可再生能源供热时，势必会造成供热系统的波动，影响供热系统的安全稳定运行和供热质量，大大增加了供热系统调度的难度，因此如何减少可再生能源不确定性给供热调度带来的不良影响，平抑可再生能源出力的波动性，提高供热系统运行的经济性和可靠性，是目前急需解决的问题。
[0004]基于上述技术问题，需要设计一种新的基于MPC的含储热的供热系统双层优化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MPC的含储热的供热系统双层优化调度方法，其特征在于，它包括：采用机理建模和数据辨识的方法建立供热系统数字孪生模型；所述供热系统中的供热机组至少包括可再生能源供热机组和传统供热机组；基于供热系统数字孪生模型获取供热历史运行数据和室外气象数据，采用机器学习算法建立供热系统负荷预测模型和可再生能源供热机组出力预测模型，获得供热系统总负荷需求和可再生能源供热机组出力预测值；建立第一层优化调度模型：将模型预测控制策略引入配置储热装置的供热系统中，以可再生能源供热机组出力预测值设置调度指令，以可再生能源供热机组和储热装置的共同出力跟踪调度指令以及储热装置动作量最小为控制优化目标，通过模型预测控制策略对储热装置进行优化，模型预测控制通过滚动优化和反馈校正环节进行优化求解，获得储热装置的动作指令；建立第二层优化调度模型：通过可再生能源供热机组和储热装置的共同出力减少传统供热机组负荷，利用剩余负荷对传统供热机组进行优化，以调度时段内传统供热机组运行成本、可再生能源运行成本和储热装置运行成本最小为目标函数，通过智能优化算法对传统供热机组出力进行优化，获得传统供热机组的动作指令。2.根据权利要求1所述的供热系统双层优化调度方法，其特征在于，所述采用机理建模和数据辨识的方法建立供热系统数字孪生模型，包括：对供热系统中可再生能源供热机组、传统供热机组、一级网、二级网、热力站和末端建筑进行物理模型、逻辑模型、仿真模型和数据模型的建立，并对物理模型、逻辑模型、仿真模型和数据模型之间进行相互耦合和多层次、多尺度集成，将物理空间中的物理实体在虚拟空间进行映射重构后建立供热系统数字孪生模型；采用改进的自适应惯性权重粒子群优化算法对供热系统数字孪生模型参数进行寻优：将惯性权重非线性递减更新策略和变异操作相结合引入到PSO算法中形成改进的自适应惯性权重粒子群优化算法；确定供热系统数字孪生模型要辨识的参数，设置各参数的取值范围，每个参数优化问题转化为粒子位置的寻优问题；引入位置变量，借助供热系统中获取的训练样本数据对供热系统数字孪生模型的偏差进行求解，采用改进的自适应惯性权重粒子群优化算法依据该偏差值的大小对粒子的最佳位置进行选择，获得最优供热系统数字孪生模型参数；选择均方根误差和平均绝对百分比误差作为衡量指标，对供热系统数字孪生模型性能进行验证。3.根据权利要求1所述的供热系统双层优化调度方法，其特征在于，所述基于供热系统数字孪生模型获取供热历史运行数据和室外气象数据，采用机器学习算法建立供热系统负荷预测模型，获得供热系统总负荷需求和可再生能源供热机组出力预测值，包括：基于供热系统数字孪生模型获取历史可再生能源机组出力、传统供热机组出力、供热系统负荷、热力站运行参数、室外温度、湿度和末端建筑室内温度，作为供热系统负荷预测模型训练样本；获取历史可再生能源机组出力、热力站运行参数、室外温度、湿度和末端建筑室内温度，作为可再生能源供热机组出力预测模型训练样本；采用POA鹈鹕优化算法对CNN
‑
REGST模型参数进行优化后，采用优化的CNN
‑
REGST模型建立供热系统负荷预测模型和可再生能源供热机组出力预测模型：通过CNN卷积神经网络模型对模型训练样本进行特征提取后，采用REGST堆叠回归模型理论，将特征提取后的数据
分别输入至多个基础学习器中，获得多个供热系统负荷预测值和多个可再生能源供热机组出力预测值，再采用SVM模型作为元回归器对多个预测值进行计算获得供热系统负荷预测值和可再生能源供热机组出力预测值。4.根据权利要求3所述的供热系统双层优化调度方法，其特征在于，所述采用POA鹈鹕优化算法对CNN
‑
REGST模型参数进行优化，包括：初始化CNN
‑
REGST模型参数，包括神经元个数、学习率、全连接层的节点和过滤器的数量；使用POA鹈鹕优化算法对CNN
‑
REGST模型参数进行优化：初始化鹈鹕种群成员数量和最大迭代次数；生成初始种群并计算目标函数；在探索阶段和开采阶段对目标函数进行更新，直至输出最优候选参数；其中，鹈鹕的种群矩阵表示为：X为鹈鹕的种群矩阵，通过种群矩阵来识别鹈鹕的种群成员，该矩阵的每一行代表一个候选解决方案，每列代表问题变量的建议值；X
i
为第i只鹈鹕；i＝1,2,...,N；j＝1,2,...,m；N为种群成员的数量；m为问题变量的数量；目标函数的值表示为：B为目标函数向量；B
i
为第i个候选解的目标函数值；在探索阶段，鹈鹕向猎物位置移动的过程表示为：在探索阶段，鹈鹕向猎物位置移动的过程表示为：为第i只鹈鹕在第j维的新状态；a
i,j
为第i个候选方案的第j个变量的值；I为等于1或2的随机数；p
j
为目标在第j维的位置；B
p
为目标函数值；rand为随机数区间[0,1]；若目标函数的值在该位置得到改善，则接受鹈鹕的新位置，表示为：若目标函数的值在该位置得到改善，则接受鹈鹕的新位置，表示为：为第i只鹈鹕的新状态；为基于探索阶段的目标函数值；在开采阶段，鹈鹕的狩猎过程表示为：
为第i只鹈鹕在开采阶段的新状态；R＝0.2；为a
i,j
的邻域半径；t为迭代计数器；T为最大迭代次数；在开采阶段，鹈鹕的新位置表示为：在开采阶段，鹈鹕的新位置表示为：为i只鹈鹕的新状态；为基于开采阶段的目标函数值。5.根据权利要求3所述的供热系统双层优化调度方法，其特征在于，所述REGST堆叠回归模型理论，包括：假设有k个基础学习器v1(x),v1(x),
…
,v
k
(x)，使用相同的模型训练样本进行模型训练，表示为：L＝{(y
n
,x
n
),n＝1,2,...,N}；x
n
为第n个基础学习器的输入向量；y
n
为第n个基础学习器的输出向量；n个基础学习器的组合表示为：w
k
为各个基础学习器在组合中占的比重；v
k
(x)为第k个学习器。6.根据权利要求1所述的供热系统双层优化调度方法，其特征在于，所述建立第一层优化调度模型：将模型预测控制策略引入配置储热装置的供热系统中，以可再生能源供热机组出力预测值设置调度指令，以可再生能源供热机组和储热装置的共同出力跟踪调度指令以及储热装置动作量最小为控制优化目标，通过模型预测控制策略对储热装置进行优化，模型预测控制通过滚动优化和反馈校正环节进行优化求解，获得储...

【专利技术属性】
技术研发人员：刘成刚，陈谢磊，
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：