一种基于CVaR的火电厂燃煤采购优化方法及系统技术方案

本发明专利技术公开了一种基于CVaR的火电厂燃煤采购优化方法及系统，包括：基于火电厂计划发电量的时间滞后，对火电厂发电量进行月度滚动预测；根据月度滚动预测结果，结合历史配煤方案，计算下个月电厂高低卡煤炭需求，得到初步燃煤需求；通过SARIMA

【技术实现步骤摘要】
一种基于CVaR的火电厂燃煤采购优化方法及系统


[0001]本专利技术涉及燃煤采购的
，尤其涉及一种基于条件风险价值(Conditional Value At Risk，CVaR)的火电厂燃煤采购优化方法及系统。

技术介绍

[0002]现有的燃煤火力发电作为主要的发电方式，其发电燃料即煤炭资源是经济发展的主体资源。如今燃煤市场波动性增强、燃煤价格走高，煤电企业的发电成本不断攀升，经营利润下降，燃煤发电企业陷入运营困境。在一般火电企业中，燃煤采购成本占据了火电企业变动成本的70％以上，因此，更好的控制燃煤采购成本就等于更好地控制了电厂利润指标，也能实现对电厂碳排放的控制。
[0003]由于计划发电量的滞后性，对于燃煤采购计划的制定，电厂会利用发电量预测进行辅助，但一般采用的预测方式是对比往年发电量的简单预测，没有建立相应科学模型。在针对采购的研究中，目前很多学者从燃煤价格预测的角度进行方案优化，但是大多都是建立算法模型进行预测，由于煤价预测的影响因素多，预测难度大，且单纯的算法预测结果会有一定误差，一点波动将会对结果造成较大影响。另外，不同的电厂企业，对燃煤采购过程中规避风险的态度也不一样，单纯以成本问题来衡量制定采购方案存在欠缺。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种基于CVaR的火电厂燃煤采购优化方法及系统解决现有的煤价预测难度大，预测结果误差大以及计划发电量不及时的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术实施例提供了一种基于CVaR的火电厂燃煤采购优化方法，包括：基于火电厂计划发电量的时间滞后，对火电厂发电量进行月度滚动预测；
[0009]根据所述月度滚动预测结果，结合历史配煤方案，计算下个月电厂高低卡煤炭需求，得到初步燃煤需求；
[0010]通过SARIMA
‑
LSTM组合算法预测燃煤价格，结合场景生成技术得到价格不确定性的场景以及出现的概率；
[0011]基于燃煤采购量，利用条件风险价值CVaR模型决策燃煤采购风险，确定采购决策方案。
[0012]作为本专利技术所述的基于CVaR的火电厂燃煤采购优化方法的一种优选方案，其中：所述对火电厂发电量进行滚动预测，包括：采用Elman神经网络对火电厂月度发电量进行预测，Elman神经网络数学模型，表示为：
[0013]x(k)＝f{w1x
c
(k)+w2[u(k
‑
1)]}
[0014]x
c
(k)＝αx
c
(k
‑
1)+x(k
‑
1)
[0015]y(k)＝g[w3x(k)][0016]其中，u为输入层向量，x为隐含层向量，x
c
为承接层向量，y为输出层向量，w1、w2、w3分别为神经网络不同层之间的连接权值，f(x)和g(x)分别为隐含层和输出层的传输函数，α为自反馈因子且α∈[0,1]。
[0017]作为本专利技术所述的基于CVaR的火电厂燃煤采购优化方法的一种优选方案，其中：还包括：统计历史配煤方案，估计火电厂燃煤偏好，根据所述预测得到的发电量，计算下个月电厂高低卡煤炭需求，得到初步燃煤需求；
[0018]所述发电量转化的热值，表示为：
[0019]W＝3.6
×
Q/φ
[0020]其中，W为燃煤所需提供的总热值，Q为预测发电量，φ为目标电厂的燃煤转化效率。
[0021]作为本专利技术所述的基于CVaR的火电厂燃煤采购优化方法的一种优选方案，其中：通过SARIMA
‑
LSTM组合算法预测燃煤价格，包括：
[0022]收集目标煤炭的历史价格，对历史价格数据进行清洗，补充缺失值，构成目标煤炭的价格时间序列；
[0023]分析目标煤炭价格，初步得到季节性序列变化周期，通过HP滤波法，将煤价指数的长期趋势和周期循环分离，从价格序列中分析影响因素特征；
[0024]当数据被判断为非平稳序列后，利用SARIMA算法对时间序列进行第一次拟合预测；
[0025]将预测后的残差输入LSTM进行非线性部分的预测；
[0026]将线性部分与非线性部分预测的结果相加，得到最终的煤价预测结果。
[0027]作为本专利技术所述的基于CVaR的火电厂燃煤采购优化方法的一种优选方案，其中：利用条件风险价值CVaR模型决策燃煤采购风险，确定采购决策方案，包括：将随机变量现货煤价进行离散化，并通过一系列场景表示，则CVaR模型表示为：
[0028][0029][0030]其中，设为决策组合向量d
js
与不确定因素随机变量的损失函数，j为煤种标号，d
js
为煤种j的采购量，为场景k中煤种j的预测煤价，V
R
、V
CR
分别为风险价值与条件风险价值，β为置信水平，K为现货市场煤价场景数，k为场景编号且k＝1，2，
…
K，P
k
为场景k的出现概率。
[0031]作为本专利技术所述的基于CVaR的火电厂燃煤采购优化方法的一种优选方案，其中：所述CVaR模型以火电厂月度期望发电成本最低为目标，目标函数包括燃煤采购成本和风险成本；
[0032]目标函数表示为：
[0033][0034]其中，C为发电成本，J为计划煤种数量，为场景k中煤种j的预测煤价。
[0035]作为本专利技术所述的基于CVaR的火电厂燃煤采购优化方法的一种优选方案，其中：还包括：所述CVaR模型约束是对燃煤采购决策风险进行控制；
[0036]约束条件表示为：
[0037][0038]其中，ω为决策者能够接受的风险水平，β为置信水平；
[0039]通过调整β值、ω值确定决策者在不同风险态度下的燃煤采购决策；
[0040]当β值越接近1时，表示决策者越厌恶风险，ω值越大，表示燃煤发电企业能够接受的风险成本越大。
[0041]第二方面，本专利技术提供了一种基于CVaR的火电厂燃煤采购优化系统，包括：
[0042]第一预测模块，用于基于火电厂计划发电量的时间滞后，对火电厂发电量进行月度滚动预测；
[0043]计算模块，用于根据所述月度滚动预测结果，结合历史配煤方案，计算下个月电厂高低卡煤炭需求，得到初步燃煤需求；
[0044]第二预测模块，用于通过SARIMA
‑
LSTM组合算法预测燃煤价格，结合场景生成技术得到价格不确定性的场景以及出现的概率；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CVaR的火电厂燃煤采购优化方法，其特征在于，包括：基于火电厂计划发电量的时间滞后，对火电厂发电量进行月度滚动预测；根据所述月度滚动预测结果，结合历史配煤方案，计算下个月电厂高低卡煤炭需求，得到初步燃煤需求；通过SARIMA
‑
LSTM组合算法预测燃煤价格，结合场景生成技术得到价格不确定性的场景以及出现的概率；基于燃煤采购量，利用条件风险价值CVaR模型决策燃煤采购风险，确定采购决策方案。2.如权利要求1所述的基于CVaR的火电厂燃煤采购优化方法，其特征在于，所述对火电厂发电量进行滚动预测，包括：采用Elman神经网络对火电厂月度发电量进行预测，Elman神经网络数学模型，表示为：x(k)＝f{w1x
c
(k)+w2[u(k
‑
1)]}x
c
(k)＝αx
c
(k
‑
1)+x(k
‑
1)y(k)＝g[w3x(k)]其中，u为输入层向量，x为隐含层向量，x
c
为承接层向量，y为输出层向量，w1、w2、w3分别为神经网络不同层之间的连接权值，f(x)和g(x)分别为隐含层和输出层的传输函数，α为自反馈因子且α∈[0,1]。3.如权利要求2所述的基于CVaR的火电厂燃煤采购优化方法，其特征在于，还包括：统计历史配煤方案，估计火电厂燃煤偏好，根据所述预测得到的发电量，计算下个月电厂高低卡煤炭需求，得到初步燃煤需求；所述发电量转化的热值，表示为：W＝3.6
×
Q/φ其中，W为燃煤所需提供的总热值，Q为预测发电量，φ为目标电厂的燃煤转化效率。4.如权利要求3所述的基于CVaR的火电厂燃煤采购优化方法，其特征在于，通过SARIMA
‑
LSTM组合算法预测燃煤价格，包括：收集目标煤炭的历史价格，对历史价格数据进行清洗，补充缺失值，构成目标煤炭的价格时间序列；分析目标煤炭价格，初步得到季节性序列变化周期，通过HP滤波法，将煤价指数的长期趋势和周期循环分离，从价格序列中分析影响因素特征；当数据被判断为非平稳序列后，利用SARIMA算法对时间序列进行第一次拟合预测；将预测后的残差输入LSTM进行非线性部分的预测；将线性部分与非线性部分预测的结果相加，得到最终的煤价预测结果。5.如权利要求4所述的基于CVaR的火电厂燃煤采购优化方法，其特征在...

【专利技术属性】
技术研发人员：陈思勤，潘璐璐，王学海，张闻中，谈俊杰，张辉，寿星旻，茅大钧，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：