【技術實現步驟摘要】
本專利技術涉及電力，尤其是涉及一種基于兩階段集成學習的熱電聯供負荷調度方法。
技術介紹
1、隨著國際能源市場價格大幅上漲以及國內煤炭供應持續收窄，燃煤電廠的運行成本日益增加。如何提高機組運行效率、降低度電成本是目前燃煤電廠面臨的主要挑戰之一。同時，在新能源發電份額占比逐年增加的情況下，全國的傳統能源結構正在進行著巨大的變革。火電作為過渡期的基礎能源，依然在社會發展中發揮著巨大的作用，并在輔助調峰、應急能源等方面提供有效調節手段。在未來的幾十年中，燃煤電廠依然將在能源體系中扮演重要的角色，因此，研究熱電聯供機組的優化方法對于降低碳排放量、提升燃煤經濟性具有重要意義。
2、在研究熱電聯供機組優化方法中涉及到對實時煤耗量估計，針對實時煤耗量估計問題目前也存在有多種方法，如引入機理反平衡法，通過對機組總熱耗量、鍋爐熱效率、供電煤耗實現對煤耗的實時計算。盡管機理公式可以對所有工況的煤耗進行計算和估計，但是機理公式無法涵蓋所有設備的數據，因此會存在偏差。另外，當存在部分數據缺失時，機理公式無法完成計算。為解決上述問題，基于數據驅動的方式被引入到實時煤耗估計中，但由于神經網絡缺乏可解釋性，在工業場景中難以應用。針對工業場景難以應用的問題，采用隨機森林回歸模型對實時煤耗進行估計，樹模型的應用為工業問題的可解釋性提供了有效的支持，但是目前這些方法中樹模型只有一階段模型訓練過程，當不同特征與煤耗值相關性存在較大差別時，容易受到相關性較強的特征影響，使得模型脫離物理含義，不能準確的對實時煤耗量進行估計。而且這些方法中采用的遺傳算法沒有經過
技術實現思路
1、本專利技術主要是提供了能夠降低碳排放量、提升燃煤經濟性的一種基于兩階段集成學習的熱電聯供負荷調度方法。
2、本專利技術解決了熱電聯供機組調度中現有方法對于機組耗煤量估計不夠準確，影響調度結果的計算，以及一般算法計算過程需要大量時間，無法達到較高實時性的問題，提供了一種基于兩階段集成學習的熱電聯供負荷調度方法。
3、本專利技術的上述技術問題主要是通過下述技術方案得以解決的：一種基于兩階段集成學習的熱電聯供負荷調度方法，包括以下步驟：
4、以煤耗為標簽構建多類型熱電聯供機組運行數據集；
5、根據第一階段梯度提升決策樹算法，由數據集訓練獲得第一階段梯度提升決策樹模型，進行模型特征多樣性判斷，
6、符合特征多樣性，則將第一階段梯度提升決策樹模型輸出為機組實時耗煤量模型，
7、不符合特征多樣性，則對第一階段梯度提升決策樹模型進行迭代，包括，
8、將數據集進行特征重構和標簽重構，根據第二階段梯度提升決策樹算法，由重構后數據集訓練獲得第二階段梯度提升決策樹模型，對第二階段梯度提升決策樹進行多樣性判斷，重復迭代過程直至符合特征多樣性，將第二階段梯度提升決策樹模型輸出為機組實時耗煤量模型；
9、基于兩階段梯度提升決策樹法，根據數據集訓練獲得各機組實時耗煤量模型。
10、根據傳統負荷調度任務并引入各機組實時耗煤量模型建立優化方程，獲得機組負荷調度模型，求解機組負荷調度模型獲得最優負荷分配策略。
11、本專利技術提出了兩階段梯度提升決策樹法訓練得到實時煤耗估計模型，然后對各個機組不同負荷工況進行實時煤耗估計，以最少煤量作為衡量指標選取最優策略。其中采用兩階段梯度提升決策樹模型訓練方法能夠自動調整訓練數據集，提高模型在不同工況條件下快速且精準的獲得機組耗煤量，使得最終獲取的最優調度結果更加準確，解決了現有技術中各類機器學習模型還需要研究人員進行多次調整，耗時耗力的問題。
12、兩階段梯度提升決策樹法包括兩個計算階段，在第一階段中通過第一階段梯度提升決策樹法訓練獲得第一階段的模型，對初始的模型進行特征多樣性判斷來決定是否進入第二階段，在第二階段中對數據集進行特征重構和標簽重構，進行第二階段梯度提升決策樹法訓練獲得第二階段的模型，并進行多次迭代，使得最終獲得的第二階段的模型具備特征多樣性，且能夠學習上一次迭代結果的誤差。該第一階段梯度提升決策樹法和第二階段梯度提升決策樹法為在不同階段的相同的算法。
13、作為一種優選方案，數據集構建包括：
14、通過電廠時序數據庫對熱電聯供機組進行數據采集，將獲得的數據作為屬性特征；
15、根據對應時序計算機組總耗標煤量，將總耗標煤量作為標簽；
16、形成數據結構包括屬性特征和標簽的樣本，獲取樣本構建多類型熱電聯供機組運行數據集。
17、本方案具體的，通過電廠時序數據庫進行數據采集，獲得主蒸汽母管聯通電動閥開狀態，給煤量之和計算值，中壓供熱流量，低壓供熱流量，發電負荷，汽機入口主汽流量，主蒸汽壓力，主汽溫度，背壓，給水溫度，鍋爐開關狀態，母管開關狀態，汽輪機開關狀態，中壓母管流量，中壓母管流量，低壓母管壓力，標準煤低位發熱量，鍋爐效率，管道效率，熱再蒸汽流量，冷再蒸汽流量，過熱器減溫水流量，再熱器減溫水流量，年，月，日，時，分，秒，季節，節假日等數據并將其作為屬性特征。通過反平衡法計算得到總耗標煤量作為標簽，形成（屬性特征，標簽）結構的樣本，整合樣本構成機組運行歷史數據集。
18、對于熱電聯供機組而言，其總耗標煤量的計算可以通過以下公式：
19、b=hr/(qnet*ηb*ηc)
20、hr=gms*hms+ghrh*hhrh–gfw*hfw-gcrh*hcrh-gsh*hsh-grh*hrh
21、其中，qnet為標準煤低位發熱量，ηb、ηc分別為鍋爐效率、管道效率，gms、hms分別為主蒸汽流量、焓值，ghrh、hhrh分別為熱再蒸汽流量、焓值，gfw、hfw分別為最終給水流量、焓值，gcrh、hcrh分別為冷再蒸汽流量、焓值，gsh、hsh分別為過熱器減溫水流量、焓值，grh、hrh分別為再熱器減溫水流量、焓值，焓值根據標準焓值表查表可知。
22、作為一種優選方案，所述模型特征多樣性判斷，包括：
23、設定劃分屬性數量閾值，
24、統計梯度提升決策樹模型劃分屬性數量，若劃分屬性數量小于閾值，則不符合特征多樣性，若劃分屬性數量大于等于閾值，則符合特征多樣性。
25、本方案根據梯度提升決策樹模塊的劃分屬性數量多少來進行模型特征多樣性判斷，其中劃分屬性即樹節點分裂判斷的屬性特征。在第一階段和第二階段都需要進行特征多樣性判斷，對第一階段或第二階段獲得的梯度提升決策樹模型的劃分屬性進行統計，并以劃分屬性數量閾值作為判斷模型是否需要兩階段迭代的標志。當模型的劃分屬性數量大于等于閾值時，模型具有特征多樣性，無需進行兩階段迭代，直接輸出模型結果為機組實時耗煤量模型。當劃分屬性數量小于閾值時，模型缺少特征多樣性，需要進行兩階段模型迭代，即進行第二階段梯度提升決策樹模型訓練，以避免出現特征單一的情況。
26、作本文檔來自技高網...
【技術保護點】
1.一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是數據集構建包括：
3.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述模型特征多樣性判斷，包括：
4.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的數據集進行特征重構，包括：
5.根據權利要求4所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的劃分屬性的重要性程度的計算包括：
6.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的數據集進行標簽重構，包括：
7.根據權利要求1-6任一項所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的建立優化方程，包括目標函數以及約束條件，目標函數為：
8.根據權利要求7所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是構建約束條件包括：
9.根據權利要求8所述的一
10.根據權利要求9所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的基于SOA架構的遺傳算法計算得到最優負荷分配策略，具體包括：
...【技術特征摘要】
1.一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是數據集構建包括：
3.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述模型特征多樣性判斷，包括：
4.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的數據集進行特征重構，包括：
5.根據權利要求4所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其特征是所述的劃分屬性的重要性程度的計算包括：
6.根據權利要求1所述的一種基于兩階段集成學習的熱電聯供負荷調度方法，其...
【專利技術屬性】
技術研發人員：劉盛輝，傅駿偉，孫士恩，范海東，滕衛明，黃小光，沈紫嫣，
申請(專利權)人：浙江省白馬湖實驗室有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。