一种用于区域供暖的氢热电联产优化调度方法及系统技术方案

本发明专利技术公开了一种用于区域供暖的氢热电联产优化调度方法，包括以下步骤：建立区域供暖的热负荷预测模型，根据历史数据和实时数据对热负荷进行预测，并形成实时热负荷曲线；配置制氢

【技术实现步骤摘要】
一种用于区域供暖的氢热电联产优化调度方法及系统


[0001]本专利技术属于区域供暖热电综合利用领域，具体涉及一种用于区域供暖的氢热电联产优化调度方法及系统
。

技术介绍

[0002]区域供暖是指通过集中供热系统向一定区域内的多个用户提供热量的方式，具有节能
、
环保
、
安全等优点
。
区域供暖系统通常由热源
、
热网和热用户三部分组成
。
热源是区域供暖系统的核心部分，决定了供暖系统的能耗
、
效率和环境影响
。
目前，常见的热源有燃煤
、
燃气
、
生物质
、
太阳能
、
地热等
。
[0003]然而，传统的热源存在一些问题，如燃煤造成大量的碳排放和污染物排放，燃气受限于资源储备和价格波动，生物质受限于原料来源和运输成本，太阳能和地热受限于地理条件和季节变化等
。
因此，如何选择合适的热源并进行优化调度，以满足区域供暖的用热需求，同时提高能源利用效率和环境友好性，是一个亟待解决的问题
。
[0004]氢能是一种清洁
、
高效
、
可再生的能源，具有广阔的应用前景
。
氢能可以通过电解水制氢
、
储氢
、
氢转电及储氢燃烧等方式实现氢热电联产，即同时产生电力和热量
。
氢热电联产可以有效提高氢能利用率和供暖效率，降低碳排放，并且可以根据用电和用热需求进行灵活调节
。
氢能通过热与电还可以与热泵技术结合，更充分地利用所在区域的资源禀赋和环境余热
。
[0005]然而，氢能也存在一些挑战，如电解水制氢需要大量的电力输入，储氢需要高压或低温条件，氢转电及储氢燃烧需要高效且安全的装置等
。
因此，如何利用智能算法对氢能进行优化调控，以满足区域供暖的实时热负荷曲线，并与其他热源协同配合，是一个有价值的课题
。

技术实现思路

[0006]本专利技术的目的是提供一种用于区域供暖的氢热电联产优化调度方法及系统，利用深度确定性策略梯度算法
(DDPG)
对多方热源进行智能调控，使其满足实时热负荷曲线的用热需求的同时提高氢能利用率和供暖效率，降低碳排放
。
[0007]为了解决上述技术问题，本专利技术的技术方案是：
[0008]本专利技术提供了一种用于区域供暖的氢热电联产优化调度方法，包括以下步骤：
[0009](1)
建立区域供暖的热负荷预测模型，根据历史数据和实时数据对热负荷进行预测，并形成实时热负荷曲线；
[0010](2)
配置多方热源，包括：
[0011]电解槽利用低价电进行电解水制氢，产生第一热源；
[0012]将制取的氢气进行储存，储氢经燃料电池转化为电能和热，形成第二热源；
[0013]热泵利用转化的电能回收环境余热，产生第三热源；
[0014]将储氢经燃氢机组燃烧，产生第四热源；
[0015]周边燃煤或传统机组作为补充热源，形成第五热源；
[0016](3)
以区域供暖的热负荷需求和实际低价电输出量为约束条件，以第五热源用量最低为目标函数，采用
DDPG
深度确定性策略梯度算法设计对第一热源
、
第二热源
、
第三热源
、
第四热源和第五热源的优化调度模型，求解最优的负荷分配方式及控制参数；包括对制氢
、
储氢
、
氢转电及储氢燃烧的优化调控；在这里，实际低价电输出量是根据电价调峰情况，通过配电设备将低价电输出至电解槽装置；
[0017](4)
根据控制参数和热源利用优先级，对多方热源进行动态调节，以满足区域供暖的热负荷需求，并尽可能减少第五热源的使用，提高氢能利用率和供暖效率，降低碳排放
。
[0018]进一步地，所述步骤
(1)
具体步骤如下：
[0019]1.1
采集区域供暖的历史数据和历史相关因素数据；其中，所述历史数据包括但不限于用热量
、
用热时间
、
用热地点
、
用热类型；所述相关因素数据包括但不限于气温
、
湿度
、
风速
、
日照
、
节假日；
[0020]1.2
对历史数据和历史相关因素数据进行预处理，包括但不限于缺失值处理
、
异常值处理
、
归一化处理；
[0021]1.3
利用
LSTM
算法作为热负荷预测模型，将预处理后的历史数据和历史相关因素数据划分为训练集和测试集；用训练集训练热负荷预测模型，并用测试集评估模型的准确性和泛化能力；
[0022]1.4
采集区域供暖的实时数据和实时相关因素数据，对实时数据和实时相关因素数据进行步骤
1.2
中历史数据和历史相关因素数据相同的预处理；
[0023]1.5
将预处理后的实时数据和实时相关因素数据输入热负荷预测模型，得到实时热负荷预测值；
[0024]1.6
将实时热负荷预测值绘制成实时热负荷曲线，并输出显示
。
[0025]特别地，步骤
1.3
中所述的采用
LSTM
算法作为热负荷预测模型，具体包括如下：
[0026]1)
构建
LSTM
网络结构，包括输入层
、
隐藏层和输出层；其中输入层接收历史数据和相关因素数据作为特征向量，隐藏层采用多层
LSTM
单元，输出层输出热负荷预测值；
[0027]2)
初始化
LSTM
网络的参数，包括权重矩阵和偏置向量；
[0028]3)
利用均方误差
(MSE)
定义损失函数，基于梯度的优化算法定义优化器；
[0029]4)
将训练集分成多个小批量
(mini
‑
batch)
，每个小批量包含定量的连续时间序列数据；
[0030]5)
对每个小批量，将特征向量输入
LSTM
网络，得到热负荷预测值，并与真实值比较，计算损失值；
[0031]6)
利用反向传播算法，根据损失值计算
LSTM
网络参数的梯度，并利用优化器更新参数；
[0032]7)
重复上述步骤直到损失值收敛或达到预设条件，并用测试集评估
LSTM
网络的准确性和泛化能力，如计算均方根误差
(RMSE)、
平均绝对百分比误差<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于区域供暖的氢热电联产优化调度方法，其特征在于，包括以下步骤：（1）建立区域供暖的热负荷预测模型，根据历史数据和实时数据对热负荷进行预测，并形成实时热负荷曲线；（2）配置多方热源，包括：电解槽利用低价电进行电解水制氢，产生第一热源；将制取的氢气进行储存，储氢经燃料电池转化为电能和热，形成第二热源；热泵利用转化的电能回收环境余热，产生第三热源；将储氢经燃氢机组燃烧，产生第四热源；周边其他传统机组作为补充热源，形成第五热源；（3）以区域供暖的热负荷需求和实际低价电输出量为约束条件，以第五热源用量最低为目标函数，采用
DDPG
深度确定性策略梯度算法设计对第一热源
、
第二热源
、
第三热源
、
第四热源和第五热源的优化调度模型，求解最优的负荷分配方式及控制参数；（4）根据控制参数和热源利用优先级，对多方热源进行动态调节，以满足区域供暖的热负荷需求
。2.
根据权利要求1所述的用于区域供暖的氢热电联产优化调度方法，其特征在于，所述步骤（1）具体步骤如下：
1.1
采集区域供暖的历史数据和历史相关因素数据；其中，所述历史数据包括但不限于用热量
、
用热时间
、
用热地点
、
用热类型；所述历史相关因素数据包括但不限于气温
、
湿度
、
风速
、
日照
、
节假日；
1.2
对历史数据和历史相关因素数据进行预处理，包括但不限于缺失值处理
、
异常值处理
、
归一化处理；
1.3
利用
LSTM
算法作为热负荷预测模型，将预处理后的历史数据和历史相关因素数据划分为训练集和测试集；用训练集训练热负荷预测模型，并用测试集评估模型的准确性和泛化能力；
1.4
采集区域供暖的实时数据和实时相关因素数据，对实时数据和实时相关因素数据进行步骤
1.2
中历史数据和历史相关因素数据相同的预处理；
1.5
将预处理后的实时数据和实时相关因素数据输入热负荷预测模型，得到实时热负荷预测值；
1.6 将实时热负荷预测值绘制成实时热负荷曲线，并输出显示
。3.
根据权利要求2所述的用于区域供暖的氢热电联产优化调度方法，其特征在于，步骤
1.3
中所述的采用
LSTM
算法作为热负荷预测模型，具体包括如下：1）构建
LSTM
网络结构，包括输入层
、
隐藏层和输出层；其中输入层接收历史数据和历史相关因素数据作为特征向量，隐藏层采用多层
LSTM
单元，输出层输出热负荷预测值；2）初始化
LSTM
网络的参数，包括权重矩阵和偏置向量；3）利用均方误差定义损失函数，基于梯度的优化算法定义优化器；4）将训练集分成多个小批量，每个小批量包含定量的连续时间序列数据；5）对每个小批量，将特征向量输入
LSTM
网络，得到热负荷预测值，并与真实值比较，计算损失值；6）利用反向传播算法，根据损失值计算
LSTM
网络参数的梯度，并利用优化器更新参数；
7
）重复上述步骤直到损失值收敛或达到预设条件，并用测试集评估
LSTM
网络的准确性和泛化能力
。4.
根据权利要求1所述的用于区域供暖的氢热电联产优化调度方法，其特征在于，所述步骤（3）利用
DDPG
深度确定性策略梯度算法设计对第一热源
、
第二热源
、
第三热源
、
第四热源和第五热源的优化调度模型，具体步骤如下：
3.1
定义状态空间
、
动作空间和奖励函数；其中，状态空间为多方热源的各项状态参数，包括但不限于：电解槽的电压
、
电流
、
温度
、
压力；储氢装置的储氢量
、
压力
、
温度；燃料电池装置的输出功率
、
电压
、
电流
、
温度；热泵机组的输出功率
、
温度
、
压力；燃氢机组的输出功率
、
温度
、
压力；周边燃煤或传统机组的输出功率
、
温度
、
压力；动作空间为多方热源的控制参数，包括但不限于：电解槽的电压调节量
、
电流调节量；储氢装置的储氢开关
、
放氢开关；燃料电池装置的输出功率调节量；燃氢装置的输出功率调节量；热泵机组的冷凝侧流量调节；周边燃煤或传统机组的输出功率调节量；奖励函数为多方热源的综合效益，包括但不限于：满足区域供暖需求的程度
、
减少碳排放的程度
、
提高氢能利用率和供暖效率的程度及整个系统运行成本；
3.2 构建深度神经网络作为行为者网络和评论者网络；其中，行为者网络用于根据当前状态输出最优动作；评论者网络用于根据当前状...

【专利技术属性】
技术研发人员：时伟，谢金芳，裘天阅，卢瑞瑞，
申请(专利权)人：常州英集动力科技有限公司，
类型：发明
国别省市：