[发明专利]基于人工神经网络的多模式供热机组负荷分配优化方法

权利要求书

1.一种基于人工神经网络的多模式供热机组负荷分配优化方法，其特征在于，它包括如下步骤：

步骤S1、建立数据库，存储机组运行数据以及接入的气象数据；

步骤S2、搭建BP人工神经网络模型，调用数据库中数据作为BP人工神经网络模型的输入数据，对机组未来24h的供热负荷和供电负荷进行预测；

步骤S3、根据机组当前工况以及预测的未来24h的供热负荷和供电负荷，结合机组运行能力、调节能力、机组整体负荷率以及供热、供电单位成本，进行机组初次负荷分配；

步骤S4、通过结合机组初次负荷分配以及在此基础上得到的供电、供热单位成本和机组整体负荷率建立优化目标函数，得到不同调峰报价下的机组总体收益，并确定第二天是否参与调峰竞价以及报价；

步骤S5、根据MEGC指令，结合步骤S3中的机组初次负荷分配以及步骤S4中的报价信息进行二次分配，二次分配以MEGC指令中指定的电厂供热和供电总负荷为约束值，以降低供热和供电单位成本、降低整体负荷率、确保前日调峰竞价报价收益、增加电厂整体收益为目标。

2.根据权利要求1所述的一种基于人工神经网络的多模式供热机组负荷分配优化方法，其特征在于，所述步骤S2中，搭建BP人工神经网络模型，调用数据库中数据作为BP人工神经网络模型的输入数据，对机组未来24h的供热负荷和供电负荷进行预测，包括如下步骤：

通过设计中间层的层数m和每层的神经网络节点数据n，构建适用于多输入多输出的BP人工神经网络模型，所述BP人工神经网络模型的输出数据包括机组未来的热负荷和电负荷，机组运行人员根据输出的电负荷和热负荷做出第二天的调峰报价。

3.根据权利要求1所述的一种基于人工神经网络的多模式供热机组负荷分配优化方法，其特征在于：所述气象数据包括环境温度、气压、湿度和风速；所述供热机组运行数据包括发电负荷和供热负荷。

4.根据权利要求1所述的一种基于人工神经网络的多模式供热机组负荷分配优化方法，其特征在于：所述机组整体负荷率的上下限由国家电网给出的调峰补贴的档次决定。

5.根据权利要求1所述的一种基于人工神经网络的多模式供热机组负荷分配优化方法，其特征在于，所述步骤S4中，不同调峰报价下的机组总体收益，满足如下公式：

f_min(η)≤ψ≤f_max(η)，η∈Z

g_min(η)≤κ(η)≤g_max(η)

其中，H_i为第i机组供热负荷；

H^p为电厂预测供热负荷，n为电厂机组数量；

P_i为第i机组供电负荷；

P^p为电厂预测供电负荷；

η为调峰竞价档位，0代表不参与调峰竞价，1代表第一档报价，2代表第二档报价；

ψ为机组整体负荷率，f_min(η)为第η档位下可享受补贴政策的机组整体负荷率下限，f_max(η)为第η档位下可享受补贴政策的机组整体负荷率上限；

为第i机组供热负荷下限，为第i机组供电负荷下限；

为第i机组供热负荷上限，为第i机组供电负荷上限；

κ(η)为第η档位下的调峰竞价报价，g_min(η)为第η档位可享受补贴政策的调峰报价下限，g_max(η)为第η档位可享受补贴政策的调峰报价上限；

t₁(η)，t₂(η)为在第η档位下f_max(η)与机组整体负荷率曲线ψ(t)的交点对应的时间。

6.根据权利要求1所述的一种基于人工神经网络的多模式供热机组负荷分配优化方法，其特征在于，所述步骤S5中，二次分配的机组总体收益，满足如下公式：

ψ≤f_max(η)，η∈Z

g_min(η)≤κ(η)≤g_max(η)

其中，H^MEGC为全厂总热负荷，P^MEGC为全厂总电负荷。