一种含电热泵和储热的集中供热系统优化调度方法与流程

1.本发明属于供热系统调度技术领域，具体涉及一种含电热泵和储热的集中供热系统优化调度方法。


背景技术：

2.随着经济的发展，人民生活水平的提高，能源的消耗与日俱增。然而石油、煤炭、天然气等一次能源逐渐减少，甚至枯竭，而且化石能源的燃烧，向大气中排放了大量的二氧化碳，加剧了温室效应。在环境问题日益严峻的大形势下，风能、水利、核能、地热和空气热能等其他形式的新能源逐渐被开发利用，形成了化石燃料传统供热和新能源供热并存的结构格局进行集中供热的趋势。
3.目前，在全国倡导节能减排，走可持续发展道路的大环境下，集中供暖系统节能降耗经济运行是目前的主要方向，其中引入包括空气源热泵、水源热泵、地源热泵的电热泵机组进行供热，利用少量电做功即可向热用户供给可被利用的高品位热能成为供热系统热量需求的主要供给对象。然而，面对传统供热、新能源供热和结合电热泵供热的新型集中供热系统，如何实现供热系统的供需协同，能源的综合利用，输出科学合理有效的供热系统优化调度预案是目前急需解决的问题。
4.基于上述技术问题，需要设计一种新的含电热泵和储热的集中供热系统优化调度方法。


技术实现要素：

5.本发明所要解决的技术问题是，克服现有技术的不足，提供一种含电热泵和储热的集中供热系统优化调度方法，能够将电热泵和储热装置引入集中供热系统进行日前优化调度和日内优化调度，电热泵能够将输入的少量电能转化为大量高品位的热能，供给负荷需求，并且利用分时电价进行制热量的提供，可以有效降低传统供热机组的燃料消耗，提高能源的利用率，储能装置能够有效调节热负荷的峰谷差，减少集中供热系统运行成本，增强系统的灵活调节能力，并实现供热系统的供需协同运行，以及输出日前优化调度预案和在日内对优化调度预案进行调整，对各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，提高系统调度运行的准确性。
6.为了解决上述技术问题，本发明的技术方案是：
7.本发明提供了一种含电热泵和储热的集中供热系统优化调度方法，它包括：
8.步骤s1、构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型；所述热量生产设备包括新能源供热机组和传统供热机组；所述热量辅助设备包括电热泵；所述热量存储设备包括储热装置；
9.步骤s2、分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测；
10.步骤s3、基于次日各调度时段的用热建筑热负荷需求预测值和新能源供热机组供
热量预测值，计算次日各调度时段的剩余供热量；
11.步骤s4、在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略；
12.步骤s5、以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小；
13.步骤s6、在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划。
14.进一步，所述步骤s1中，构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型，包括：
15.建立集中供热系统物理实体的三维物理模型，并通过图形化、形式化描述物理模型对应的逻辑模型的组成要素、组成结构和运行机制，再将各要素属性和行为反馈至物理模型，进行物理模型到逻辑模型的映射；所述集中供热系统物理实体包括热量生产设备、热量辅助设备、热量存储设备和用热建筑；所述热量生产设备包括新能源供热机组和传统供热机组；所述热量辅助设备包括电热泵；所述热量存储设备包括储热装置；
16.建立可视化的集中供热系统仿真模型，并基于采集的集中供热系统多源数据，采用智能优化算法对集中供热系统仿真模型进行训练和优化后，将仿真结果反馈至物理模型；
17.对集中供热系统的物理模型和仿真模型进行一致性与可靠性验证；
18.对集中供热系统多源数据融合和采用机器学习算法，进行集中供热系统物理空间到虚拟空间信息流、控制流、数据流和决策流的数据清洗转换、共享汇聚、融合与迭代优化，建立集中供热系统数据模型；
19.将集中供热系统物理模型、逻辑模型、仿真模型和数据模型进行集成后，通过映射重构和1:1镜像，建立集中供热系统物理空间的物理实体在虚拟空间的数字孪生体。
20.进一步，所述新能源供热机组包括太阳能供热机组；所述传统供热机组包括燃煤锅炉和热电联产机组；所述电热泵包括空气源热泵。
21.进一步，所述步骤s2中，分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测，包括：
22.采集与用热建筑热负荷相关的历史各调度时段的热力站二次网供回水温度、二次供水流量、建筑室温、室外气象信息；采集与新能源供热机组供热量相关的历史各调度时段的运行数据和外部环境信息；
23.分别对采集的与用热建筑热负荷相关的历史各调度时段的数据信息、与新能源供热机组供热量相关的历史各调度时段的数据信息进行数据预处理和小波变换分解后，分别输入至树突状神经网络模型中进行训练，建立次日各调度时段的用热建筑热负荷需求预测模型和新能源供热机组供热量预测模型，再分别将模型输出的数据进行小波重构获得次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量最终预测值。
24.进一步，所述步骤s3，基于次日各调度时段的用热建筑热负荷需求预测值和新能
源供热机组供热量预测值，计算次日各调度时段的剩余供热量，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略，包括：
25.基于次日各调度时段的用热建筑热负荷需求预测值，结合热源到用热建筑之间热量传输的延时性和热量损失特性，对次日各调度时段的用热建筑热负荷需求预测值进行修正获得次日各调度时段的热源总热量供给预测值；
26.基于次日各调度时段的热源总热量供给预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量；所述剩余供热量由传统供热机组、电热泵和储热装置进行协调供给。
27.进一步，所述步骤s4，在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略，包括：
28.在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，采集与电热泵制热量相关的历史各调度时段的数据，包括外部环境数据、历史制热量、电热泵的能效值、历史电价、耗电量、热网的供回水温度目标值；
29.对采集的与电热泵制热量相关的历史各调度时段的数据进行数据预处理和小波变换分解后，输入至树突状神经网络模型中进行训练，建立次日各调度时段的电热泵制热量预测模型，再将模型输出的数据进行小波重构获得次日各调度时段的电热泵制热量的最终预测值；
30.设置传统供热机组、电热泵和储热装置进行剩余供热量协调供给的组合策略：当剩余供热量小于预设的第一阈值时，由传统供热机组单独进行供热，或由电热泵单独进行供热，并在电热泵制热量多余且电价处于低谷时段时，将多余热量储存在储热装置中；当剩余供热量大于预设的第一阈值且小于预设的第二阈值时，先由电热泵和储热装置在电价低谷时期组合供热，然后在制热量相同的条件下，设置在电价平段和高峰时期由电热泵和/或传统供热机组进行供热；当剩余供热量大于第二阈值时，由传统供热机组、电热泵和储热装置在次日各个调度时段均进行组合供热。
31.进一步，所述小波变换分解的过程包括：采用小波变换分解将预处理后的数据进行数据分解后获得低频分量和高频分量，再对低频分量进行分解，重复进行直至完成三级分解，获得各个分量；
32.所述树突状神经网络包括突触层、分支层、细胞膜层和细胞体层；所述小波变换分解后的数据输入至树突状神经网络模型中进行训练，包括：将数据输入至树突状神经网络后，由突触层进行非线性计算，然后由对应的分支层对运行结果进行乘法运算并汇总至细胞膜层进行求和处理，最后处理后的数据被传输至细胞体层，若输出数据超过了预设阈值，触发神经元工作状态，输出最终细胞体层的运算结果。
33.进一步，所述步骤s5，以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小，包括：
34.基于设置的传统供热机组、电热泵和储热装置进行剩余供热量协调供给组合策略，预设次日各调度时段下的多种供热组合方案；
35.针对每个调度时段下的多种供热组合方案，以集中供热系统次日各调度时段的总
运行成本最小和用热建筑负荷偏离度最小为目标函数，分别表示为：
[0036][0037][0038]
f1为集中供热系统次日各调度时段的总运行成本；f
rl,t
为传统供热机组燃料成本；f
yw,t
为电热泵和储热装置的运行维护成本；f
st,t
为启停成本；f
dj,t
为电能交互成本；t为调度时段的周期；f2为集中供热系统用热建筑负荷偏离度；和分别为用热建筑k在t时刻内的实际供热量、理想供热量和最低供热量；
[0039]frl,t
＝r
rl
p
ct,t
δt；r
rl
为单位燃料的价格；p
ct,t
为t时刻传统供热机组的输出功率；
[0040]fyw,t
＝p
dr,tkdr
δt+|p
es,t
|k
es
δt；p
dr,t
为t时刻电热泵的输出功率；k
dr
为电热泵单位功率运行维护成本；p
es,t
为t时刻储热装置的出力；k
es
为储热装置单位功率运行维护成本；
[0041]fst,t
＝max{0,ui(t)-ui(t-1)}c
st
δt；u(t)为t时刻i机组的启停状态；c
st
为启动成本；
[0042]fdj,t
＝c
rb,t
max{p
ex,t
,0}；c
rb,t
为t时刻电网的购电电价；p
ex,t
为t时刻电网的交互功率；
[0043]
设置集中供热系统运行约束条件，包括热功率平衡约束、传统供热机组出力约束、电热泵出力约束、储热装置约束；
[0044]
基于集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小的目标函数，结合集中供热系统运行约束条件，建立集中供热系统日前优化调度模型；
[0045]
采用智能优化算法对集中供热系统日前优化调度模型进行求解，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小。
[0046]
进一步，所述步骤s6，在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划，包括：
[0047]
基于新能源供热机组出力和用热建筑热负荷需求的波动性与不确定性，日前调度中各调度时段的用热建筑热负荷需求预测值、新能源供热机组供热量预测值与相应的实际值之间存在误差，通过对日前调度计划进行修正来弥补误差；
[0048]
在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求预测值、新能源供热机组供热量预测值，重新对传统供热机组、电热泵和储热装置的启停状态和出力大小进行日内调度规划；
[0049]
将日内滚动调整周期设定为4小时，以15分钟为调整周期步长，即从当前时段起的[t+1,t+16]时段为下一调整周期；所述日内调度规划的调度目标为集中供热系统的启停状态改变带来的成本最小，设置机组最小启停机时间小于等于4小时的约束条件；
[0050]
所述日内调度规划的调度目标表示为：u
i,t
为t时刻
机组i的启停状态；u
i,t
′
为t时刻所对应的日前调度时刻机组i的启停状态；si为启停惩罚费用；
[0051]
采用智能优化算法对日内调度规划的调度目标进行求解获得集中供热系统日内调度计划，输出日内各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小。
[0052]
进一步，在所述步骤s6之后，还包括：采用集中供热系统数字孪生模型对日内调度计划进行仿真验证，判断执行日内调度计划后的用热建筑热量是否达标，在达标后将日内调度计划进行下发执行。
[0053]
本发明的有益效果是：
[0054]
本发明通过构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型；分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测；基于次日各调度时段的用热建筑热负荷需求预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量；在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略；以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小；在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划；一方面能够将电热泵和储热装置引入集中供热系统进行日前优化调度和日内优化调度，电热泵能够将输入的少量电能转化为大量高品位的热能，供给负荷需求，并且利用分时电价进行制热量的提供，可以有效降低传统供热机组的燃料消耗，提高能源的利用率，储能装置能够有效调节热负荷的峰谷差，减少集中供热系统运行成本，增强系统的灵活调节能力；另一方面基于集中供热系统的供需协同，对用热建筑热负荷需求进行预测后获知供热需求，再基于新能源供热机组供热量预测、电热泵制热量的预测，结合储热装置的储热特性、附加传统供热机组的出力进行供热量的供给，发挥能源优势进行供热，实现供需协同运行；另外，通过设置日前优化调度和日内优化调度的多时间尺度优化运行方案，输出日前优化调度预案和在日内对优化调度预案进行调整，对各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，提高系统调度运行的准确性。
[0055]
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0056]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0057]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1为本发明一种含电热泵和储热的集中供热系统优化调度方法流程图；
[0059]
图2为本发明含电热泵和储热的集中供热系统示意图；
[0060]
图3为本发明小波分解示意图。
具体实施方式
[0061]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
实施例1
[0063]
图1是本发明所涉及的一种含电热泵和储热的集中供热系统优化调度方法流程图。
[0064]
图2是本发明所涉及的含电热泵和储热的集中供热系统示意图。
[0065]
如图1-2所示，本实施例1提供了一种含电热泵和储热的集中供热系统优化调度方法，它包括：
[0066]
步骤s1、构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型；所述热量生产设备包括新能源供热机组和传统供热机组；所述热量辅助设备包括电热泵；所述热量存储设备包括储热装置；
[0067]
步骤s2、分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测；
[0068]
步骤s3、基于次日各调度时段的用热建筑热负荷需求预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量；
[0069]
步骤s4、在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略；
[0070]
步骤s5、以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小；
[0071]
步骤s6、在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划。
[0072]
在本实施例中，所述步骤s1中，构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型，包括：
[0073]
建立集中供热系统物理实体的三维物理模型，并通过图形化、形式化描述物理模型对应的逻辑模型的组成要素、组成结构和运行机制，再将各要素属性和行为反馈至物理模型，进行物理模型到逻辑模型的映射；所述集中供热系统物理实体包括热量生产设备、热量辅助设备、热量存储设备和用热建筑；所述热量生产设备包括新能源供热机组和传统供
热机组；所述热量辅助设备包括电热泵；所述热量存储设备包括储热装置；
[0074]
建立可视化的集中供热系统仿真模型，并基于采集的集中供热系统多源数据，采用智能优化算法对集中供热系统仿真模型进行训练和优化后，将仿真结果反馈至物理模型；
[0075]
对集中供热系统的物理模型和仿真模型进行一致性与可靠性验证；
[0076]
对集中供热系统多源数据融合和采用机器学习算法，进行集中供热系统物理空间到虚拟空间信息流、控制流、数据流和决策流的数据清洗转换、共享汇聚、融合与迭代优化，建立集中供热系统数据模型；
[0077]
将集中供热系统物理模型、逻辑模型、仿真模型和数据模型进行集成后，通过映射重构和1:1镜像，建立集中供热系统物理空间的物理实体在虚拟空间的数字孪生体。
[0078]
需要说明的是，通过建立的集中供热系统数字孪生模型能够为后续的负荷预测、机组出力预测和电热泵制热量预测，以及日前优化调度、日内优化调度的实施建立基础，通过数字孪生模型可以在虚拟空间进行仿真操作和预测、调度的执行。
[0079]
在本实施例中，所述新能源供热机组包括太阳能供热机组；所述传统供热机组包括燃煤锅炉和热电联产机组；所述电热泵包括空气源热泵。
[0080]
需要说明的是，所述新能源供热机组、传统供热机组和电热泵的类型不限于上述类型，还可以是其他类型。
[0081]
在本实施例中，所述步骤s2中，分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测，包括：
[0082]
采集与用热建筑热负荷相关的历史各调度时段的热力站二次网供回水温度、二次供水流量、建筑室温、室外气象信息；采集与新能源供热机组供热量相关的历史各调度时段的运行数据和外部环境信息；
[0083]
分别对采集的与用热建筑热负荷相关的历史各调度时段的数据信息、与新能源供热机组供热量相关的历史各调度时段的数据信息进行数据预处理和小波变换分解后，分别输入至树突状神经网络模型中进行训练，建立次日各调度时段的用热建筑热负荷需求预测模型和新能源供热机组供热量预测模型，再分别将模型输出的数据进行小波重构获得次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量最终预测值。
[0084]
在本实施例中，所述步骤s3，基于次日各调度时段的用热建筑热负荷需求预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略，包括：
[0085]
基于次日各调度时段的用热建筑热负荷需求预测值，结合热源到用热建筑之间热量传输的延时性和热量损失特性，对次日各调度时段的用热建筑热负荷需求预测值进行修正获得次日各调度时段的热源总热量供给预测值；
[0086]
基于次日各调度时段的热源总热量供给预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量；所述剩余供热量由传统供热机组、电热泵和储热装置进行协调供给。
[0087]
在本实施例中，所述步骤s4，在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略，包括：
[0088]
在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，采集与电热泵制热量相关的历史各调度时段的数据，包括外部环境数据、历史制热量、电热泵的能效值、历史电价、耗电量、热网的供回水温度目标值；
[0089]
对采集的与电热泵制热量相关的历史各调度时段的数据进行数据预处理和小波变换分解后，输入至树突状神经网络模型中进行训练，建立次日各调度时段的电热泵制热量预测模型，再将模型输出的数据进行小波重构获得次日各调度时段的电热泵制热量的最终预测值；
[0090]
设置传统供热机组、电热泵和储热装置进行剩余供热量协调供给的组合策略：当剩余供热量小于预设的第一阈值时，由传统供热机组单独进行供热，或由电热泵单独进行供热，并在电热泵制热量多余且电价处于低谷时段时，将多余热量储存在储热装置中；当剩余供热量大于预设的第一阈值且小于预设的第二阈值时，先由电热泵和储热装置在电价低谷时期组合供热，然后在制热量相同的条件下，设置在电价平段和高峰时期由电热泵和/或传统供热机组进行供热；当剩余供热量大于第二阈值时，由传统供热机组、电热泵和储热装置在次日各个调度时段均进行组合供热。
[0091]
需要说明的是，在设置传统供热机组、电热泵和储热装置进行剩余供热量协调供给的组合策略时，次日各个调度时段的剩余供热量不同，需要对剩余供热量进行区间划分，当在调度时段剩余供热量小于预设的第一阈值时，可选择由传统供热机组单独进行供热，或由电热泵单独进行供热，并在电热泵制热量多余且电价处于低谷时段时，将多余热量储存在储热装置中，此时，传统供热机组或电热泵单独供热的制热量完全大于剩余供热量；当在调度时段剩余供热量大于预设的第一阈值且小于预设的第二阈值时，先由电热泵和储热装置在电价低谷时期组合供热(电价低谷时期通常是用热高峰)，然后在制热量相同的条件下，设置在电价平段和高峰时期由电热泵和/或传统供热机组进行供热，可选择在电价平段和高峰时期由电热泵单独供热、传统供热机组单独供热或者由电热泵和传统供热机组联合供热，此时电热泵单独供热、传统供热机组单独供热能够满足制热量需求和相应的设备约束条件，而且各个调度时段选取的供热方式也是不一样的，设备的启停状态和出力大小仍需要进行优化调度计算；当剩余供热量大于第二阈值时，由传统供热机组、电热泵和储热装置在次日各个调度时段均进行组合供热，此时剩余供热量的需求较大，需要进行传统供热机组、电热泵和储热装置的组合供热，而传统供热机组、电热泵和储热装置的出力大小需要进行优化调度计算。
[0092]
图3是本发明所涉及的小波分解示意图。
[0093]
如图3所示，在本实施例中，所述小波变换分解的过程包括：采用小波变换分解将预处理后的数据进行数据分解后获得低频分量和高频分量，再对低频分量进行分解，重复进行直至完成三级分解，获得各个分量；
[0094]
所述树突状神经网络包括突触层、分支层、细胞膜层和细胞体层；所述小波变换分解后的数据输入至树突状神经网络模型中进行训练，包括：将数据输入至树突状神经网络后，由突触层进行非线性计算，然后由对应的分支层对运行结果进行乘法运算并汇总至细胞膜层进行求和处理，最后处理后的数据被传输至细胞体层，若输出数据超过了预设阈值，触发神经元工作状态，输出最终细胞体层的运算结果。
[0095]
需要说明的是，树突状神经网络包括：
[0096]
突触层：突触将神经元从一个树突连接到了另一个树突或是另一个神经细胞的细胞体，信息则是从突触前神经元流向突触后神经元，是一种前馈的传递方式；第i个突触与第m个分支层的输出之间的计算表示为：
[0097][0098]
xi为突触的第i个输入，取值范围为[0,1]；y
im
为第i个突触输入到第m个分支层的输出；k为一个由用户定义的网络参数，通常取正值常数；w
im
和θ
im
为突触的参数；i＝1,2,3,...,i；m＝1,2,3,...,m；
[0099]
分支层：在分支层采用的是乘法来实现突触的非线性运算。分支层在与突触层的接触点接受信号，并对这些信号进行乘法计算，产生一个局部的电位。第j个分支的计算表示为：
[0100]
细胞膜层：细胞膜层汇总各个分支层中的信号，即在分支节点处对各个分支层的乘积结果进行线性求和运算，表示为：
[0101]
细胞体层：将细胞膜层的求和结果输入至细胞体中，并采用sigmoid函数来计算获得最终的输出值，当细胞体层的输出结果超过阈值，则神经元被激活，进行放电，计算表示为：θ
soma
为设定的阈值。
[0102]
需要说明的是，小波变换算法作为数据信号处理中的有效手段，其滤波效应能让时间序列展现出更稳定的方差和更少的异常值；小波变换算法分为分解和重构两个阶段，在分解阶段，初始的时间序列通过两个互补的滤波器被分为两个分量：近似分量和细节分量，近似分量对应信号的轮廓，即低频部分，细节分量对应高频部分。分解的过程可以迭代进行，近似分量将被分解为更多的低分辨率的分量，例如初始数据信号被迭代三次分解的过程：初始信号f在经过第一次分解后产生了一个低频分量a1和一个高频分量d1，对a1进行分解，得到了低频分量a2和高频分量d2，再对a2进行分解又可以获得低频分量a3和高频分量d3。在信号重构阶段，这些被分解后产生的分量可以被重新组合成原始信号。
[0103]
树突状神经网络的预测方法收敛速度快；因此，将小波变换算法和树突状神经网络模型相结合，能够进一步提升模型预测的精度。
[0104]
在本实施例中，所述步骤s5，以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小，包括：
[0105]
基于设置的传统供热机组、电热泵和储热装置进行剩余供热量协调供给组合策略，预设次日各调度时段下的多种供热组合方案；
[0106]
针对每个调度时段下的多种供热组合方案，以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，分别表示为：
[0107]
[0108][0109]
f1为集中供热系统次日各调度时段的总运行成本；f
rl,t
为传统供热机组燃料成本；f
yw,t
为电热泵和储热装置的运行维护成本；f
st,t
为启停成本；f
dj,t
为电能交互成本；t为调度时段的周期；f2为集中供热系统用热建筑负荷偏离度；和分别为用热建筑k在t时刻内的实际供热量、理想供热量和最低供热量；
[0110]frl,t
＝r
rl
p
ct,t
δt；r
rl
为单位燃料的价格；p
ct,t
为t时刻传统供热机组的输出功率；
[0111]fyw,t
＝p
dr,tkdr
δt+|p
es,t
|k
es
δt；p
dr,t
为t时刻电热泵的输出功率；k
dr
为电热泵单位功率运行维护成本；p
es,t
为t时刻储热装置的出力；k
es
为储热装置单位功率运行维护成本；
[0112]fst,t
＝max{0,ui(t)-ui(t-1)}c
st
δt；u(t)为t时刻i机组的启停状态；c
st
为启动成本；
[0113]fdj,t
＝c
rb,t
max{p
ex,t
,0}；c
rb,t
为t时刻电网的购电电价；p
ex,t
为t时刻电网的交互功率；
[0114]
设置集中供热系统运行约束条件，包括热功率平衡约束、传统供热机组出力约束、电热泵出力约束、储热装置约束；
[0115]
基于集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小的目标函数，结合集中供热系统运行约束条件，建立集中供热系统日前优化调度模型；
[0116]
采用智能优化算法对集中供热系统日前优化调度模型进行求解，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小。
[0117]
在实际的应用中，热量供应不需要实时满足用户建筑热负荷需求，只需要将热量保持在一定范围内即可，但是实际供热量如果偏离理想供热量的程度过大，也会给热用户带来不适，因此将实际供热量偏离用户理想供热量的程度，称为热负荷偏离度。将热源供能侧的经济运行与用热建筑侧的用热体验相结合建立集中供热系统日前优化调度模型，在节省经济成本的基础上，使得热负荷偏离度最小。
[0118]
在本实施例中，所述步骤s6，在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划，包括：
[0119]
基于新能源供热机组出力和用热建筑热负荷需求的波动性与不确定性，日前调度中各调度时段的用热建筑热负荷需求预测值、新能源供热机组供热量预测值与相应的实际值之间存在误差，通过对日前调度计划进行修正来弥补误差；
[0120]
在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求预测值、新能源供热机组供热量预测值，重新对传统供热机组、电热泵和储热装置的启停状态和出力大小进行日内调度规划；
[0121]
将日内滚动调整周期设定为4小时，以15分钟为调整周期步长，即从当前时段起的[t+1,t+16]时段为下一调整周期；所述日内调度规划的调度目标为集中供热系统的启停状态改变带来的成本最小，设置机组最小启停机时间小于等于4小时的约束条件；
[0122]
所述日内调度规划的调度目标表示为：u
i,t
为t时刻机组i的启停状态；u
i,t
′
为t时刻所对应的日前调度时刻机组i的启停状态；si为启停惩罚费用；
[0123]
采用智能优化算法对日内调度规划的调度目标进行求解获得集中供热系统日内调度计划，输出日内各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小。
[0124]
在本实施例中，在所述步骤s6之后，还包括：采用集中供热系统数字孪生模型对日内调度计划进行仿真验证，判断执行日内调度计划后的用热建筑热量是否达标，在达标后将日内调度计划进行下发执行。
[0125]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0126]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：
1.一种含电热泵和储热的集中供热系统优化调度方法，其特征在于，它包括：步骤s1、构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型；所述热量生产设备包括新能源供热机组和传统供热机组；所述热量辅助设备包括电热泵；所述热量存储设备包括储热装置；步骤s2、分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测；步骤s3、基于次日各调度时段的用热建筑热负荷需求预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量；步骤s4、在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略；步骤s5、以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小；步骤s6、在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划。2.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，所述步骤s1中，构建包括热量生产设备、热量辅助设备、热量存储设备和用热建筑的集中供热系统数字孪生模型，包括：建立集中供热系统物理实体的三维物理模型，并通过图形化、形式化描述物理模型对应的逻辑模型的组成要素、组成结构和运行机制，再将各要素属性和行为反馈至物理模型，进行物理模型到逻辑模型的映射；所述集中供热系统物理实体包括热量生产设备、热量辅助设备、热量存储设备和用热建筑；所述热量生产设备包括新能源供热机组和传统供热机组；所述热量辅助设备包括电热泵；所述热量存储设备包括储热装置；建立可视化的集中供热系统仿真模型，并基于采集的集中供热系统多源数据，采用智能优化算法对集中供热系统仿真模型进行训练和优化后，将仿真结果反馈至物理模型；对集中供热系统的物理模型和仿真模型进行一致性与可靠性验证；对集中供热系统多源数据融合和采用机器学习算法，进行集中供热系统物理空间到虚拟空间信息流、控制流、数据流和决策流的数据清洗转换、共享汇聚、融合与迭代优化，建立集中供热系统数据模型；将集中供热系统物理模型、逻辑模型、仿真模型和数据模型进行集成后，通过映射重构和1:1镜像，建立集中供热系统物理空间的物理实体在虚拟空间的数字孪生体。3.根据权利要求2所述的集中供热系统优化调度方法，其特征在于，所述新能源供热机组包括太阳能供热机组；所述传统供热机组包括燃煤锅炉和热电联产机组；所述电热泵包括空气源热泵。4.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，所述步骤s2中，分别对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测，包括：采集与用热建筑热负荷相关的历史各调度时段的热力站二次网供回水温度、二次供水
流量、建筑室温、室外气象信息；采集与新能源供热机组供热量相关的历史各调度时段的运行数据和外部环境信息；分别对采集的与用热建筑热负荷相关的历史各调度时段的数据信息、与新能源供热机组供热量相关的历史各调度时段的数据信息进行数据预处理和小波变换分解后，分别输入至树突状神经网络模型中进行训练，建立次日各调度时段的用热建筑热负荷需求预测模型和新能源供热机组供热量预测模型，再分别将模型输出的数据进行小波重构获得次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量最终预测值。5.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，所述步骤s3，基于次日各调度时段的用热建筑热负荷需求预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略，包括：基于次日各调度时段的用热建筑热负荷需求预测值，结合热源到用热建筑之间热量传输的延时性和热量损失特性，对次日各调度时段的用热建筑热负荷需求预测值进行修正获得次日各调度时段的热源总热量供给预测值；基于次日各调度时段的热源总热量供给预测值和新能源供热机组供热量预测值，计算次日各调度时段的剩余供热量；所述剩余供热量由传统供热机组、电热泵和储热装置进行协调供给。6.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，所述步骤s4，在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，对次日各调度时段的电热泵制热量进行预测，同时设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略，包括：在满足电热泵能效最高和通过储热装置储存电热泵制热量多余的条件下，采集与电热泵制热量相关的历史各调度时段的数据，包括外部环境数据、历史制热量、电热泵的能效值、历史电价、耗电量、热网的供回水温度目标值；对采集的与电热泵制热量相关的历史各调度时段的数据进行数据预处理和小波变换分解后，输入至树突状神经网络模型中进行训练，建立次日各调度时段的电热泵制热量预测模型，再将模型输出的数据进行小波重构获得次日各调度时段的电热泵制热量的最终预测值；设置传统供热机组、电热泵和储热装置进行剩余供热量协调供给的组合策略：当剩余供热量小于预设的第一阈值时，由传统供热机组单独进行供热，或由电热泵单独进行供热，并在电热泵制热量多余且电价处于低谷时段时，将多余热量储存在储热装置中；当剩余供热量大于预设的第一阈值且小于预设的第二阈值时，先由电热泵和储热装置在电价低谷时期组合供热，然后在制热量相同的条件下，设置在电价平段和高峰时期由电热泵和/或传统供热机组进行供热；当剩余供热量大于第二阈值时，由传统供热机组、电热泵和储热装置在次日各个调度时段均进行组合供热。7.根据权利要求4或6所述的集中供热系统优化调度方法，其特征在于，所述小波变换分解的过程包括：采用小波变换分解将预处理后的数据进行数据分解后获得低频分量和高频分量，再对低频分量进行分解，重复进行直至完成三级分解，获得各个分量；所述树突状神经网络包括突触层、分支层、细胞膜层和细胞体层；所述小波变换分解后
的数据输入至树突状神经网络模型中进行训练，包括：将数据输入至树突状神经网络后，由突触层进行非线性计算，然后由对应的分支层对运行结果进行乘法运算并汇总至细胞膜层进行求和处理，最后处理后的数据被传输至细胞体层，若输出数据超过了预设阈值，触发神经元工作状态，输出最终细胞体层的运算结果。8.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，所述步骤s5，以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，建立集中供热系统日前优化调度模型，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小，包括：基于设置的传统供热机组、电热泵和储热装置进行剩余供热量协调供给组合策略，预设次日各调度时段下的多种供热组合方案；针对每个调度时段下的多种供热组合方案，以集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标函数，分别表示为：成本最小和用热建筑负荷偏离度最小为目标函数，分别表示为：f1为集中供热系统次日各调度时段的总运行成本；f
rl,t
为传统供热机组燃料成本；f
yw,t
为电热泵和储热装置的运行维护成本；f
st,t
为启停成本；f
dj,t
为电能交互成本；t为调度时段的周期；f2为集中供热系统用热建筑负荷偏离度；和分别为用热建筑k在t时刻内的实际供热量、理想供热量和最低供热量；f
rl,t
＝r
rl
p
ct,t
δt；r
rl
为单位燃料的价格；p
ct,t
为t时刻传统供热机组的输出功率；f
yw,t
＝p
dr,t
k
dr
δt+|p
es,t
|k
es
δt；p
dr,t
为t时刻电热泵的输出功率；k
dr
为电热泵单位功率运行维护成本；p
es,t
为t时刻储热装置的出力；k
es
为储热装置单位功率运行维护成本；f
st,t
＝max{0,u
i
(t)-u
i
(t-1)}c
st
δt；u(t)为t时刻i机组的启停状态；c
st
为启动成本；f
dj,t
＝c
rb,t
max{p
ex,t
,0}；c
rb,t
为t时刻电网的购电电价；p
ex,t
为t时刻电网的交互功率；设置集中供热系统运行约束条件，包括热功率平衡约束、传统供热机组出力约束、电热泵出力约束、储热装置约束；基于集中供热系统次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小的目标函数，结合集中供热系统运行约束条件，建立集中供热系统日前优化调度模型；采用智能优化算法对集中供热系统日前优化调度模型进行求解，输出次日各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小。9.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，所述步骤s6，在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划，获得集中供热系统日内调度计划，包括：基于新能源供热机组出力和用热建筑热负荷需求的波动性与不确定性，日前调度中各调度时段的用热建筑热负荷需求预测值、新能源供热机组供热量预测值与相应的实际值之间存在误差，通过对日前调度计划进行修正来弥补误差；
在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求预测值、新能源供热机组供热量预测值，重新对传统供热机组、电热泵和储热装置的启停状态和出力大小进行日内调度规划；将日内滚动调整周期设定为4小时，以15分钟为调整周期步长，即从当前时段起的[t+1,t+16]时段为下一调整周期；所述日内调度规划的调度目标为集中供热系统的启停状态改变带来的成本最小，设置机组最小启停机时间小于等于4小时的约束条件；所述日内调度规划的调度目标表示为：u
i,t
为t时刻机组i的启停状态；u
i,t
′
为t时刻所对应的日前调度时刻机组i的启停状态；s
i
为启停惩罚费用；采用智能优化算法对日内调度规划的调度目标进行求解获得集中供热系统日内调度计划，输出日内各调度时段的传统供热机组、电热泵和储热装置的启停状态和出力大小。10.根据权利要求1所述的集中供热系统优化调度方法，其特征在于，在所述步骤s6之后，还包括：采用集中供热系统数字孪生模型对日内调度计划进行仿真验证，判断执行日内调度计划后的用热建筑热量是否达标，在达标后将日内调度计划进行下发执行。

技术总结
本发明公开了一种含电热泵和储能的集中供热系统优化调度方法，包括：对次日各调度时段的用热建筑热负荷需求和新能源供热机组供热量进行预测，并计算次日各调度时段的剩余供热量；对次日各调度时段的电热泵制热量进行预测，设置传统供热机组、电热泵和储热装置进行剩余供热量的组合策略；以次日各调度时段的总运行成本最小和用热建筑负荷偏离度最小为目标，建立日前优化调度模型，输出次日各调度时段传统供热机组、电热泵和储热装置的启停状态和出力大小；在次日当前时刻下，根据未来日内滚动调整周期下的用热建筑热负荷需求和新能源供热机组供热量预测值，重新对后续各调度时段传统供热机组、电热泵和储热装置的启停状态和出力大小进行规划。和出力大小进行规划。和出力大小进行规划。


技术研发人员：赵琼 李曼洁
受保护的技术使用者：浙江英集动力科技有限公司
技术研发日：2023.04.14
技术公布日：2023/7/28