[发明专利]供能设备群组运行控制方法、装置、计算机设备及介质在审
| 申请号: | 202111006558.7 | 申请日: | 2021-08-30 |
| 公开(公告)号: | CN113642250A | 公开(公告)日: | 2021-11-12 |
| 发明(设计)人: | 李广伟 | 申请(专利权)人: | 新奥数能科技有限公司 |
| 主分类号: | G06F30/27 | 分类号: | G06F30/27;G06N3/04;G06N3/08 |
| 代理公司: | 北京嘉科知识产权代理事务所(特殊普通合伙) 11687 | 代理人: | 杨波 |
| 地址: | 100102 北*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 设备 运行 控制 方法 装置 计算机 介质 | ||
1.一种供能设备群组运行控制方法,其特征在于,包括:
基于预先训练好的负荷预测神经网络模型,分别对供能设备群组中的每个供能设备进行预测;
按照预先设定的周期,将预测得到的负荷预测结果周期性的发送至仿真计算模块;
根据经济性指标计算所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本;
基于所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本,控制所述供能设备群组运行。
2.根据权利要求1所述的方法,其特征在于,基于预先训练好的负荷预测神经网络模型,分别对供能设备群组中的每个供能设备进行预测,包括:
将气象预报数据、预测日期、用能侧生产计划作为输入参数,通过所述预先训练好的负荷预测神经网络模型对未来的负荷进行预测,得到负荷预测结果和负荷需求曲线。
3.根据权利要求1所述的方法,其特征在于,基于预先训练好的负荷预测神经网络模型,分别对供能设备群组中的每个供能设备进行预测,包括:
采用滚动模式将前一个周期内的真实负荷数据添加到历史数据,更新负荷预测神经网络模型,通过更新后的负荷预测神经网络模型对下一个预测周期内的负荷进行预测。
4.根据权利要求1所述的方法,其特征在于,根据经济性指标计算所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本,包括:
根据供能设备群组中的每个供能设备的物理机理,搭建与之对应的数字机理模型;
模拟计算所述供能设备群组中的每个供能设备的性能以及各连接点的状态参数,得到能效预估值;
获取价值相关信息;
基于所述价值相关信息和所述能效预估值,确定单位供能能耗成本。
5.根据权利要求1所述的方法,其特征在于,所述经济性指标包括:供能价格、用能价格、用水价格、用电价格和化学药品价格。
6.根据权利要求1所述的方法,其特征在于,基于所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本,控制所述供能设备群组运行,包括:
获取至少一个替代设备的价值相关信息,得到价值相关信息集合;
基于所述价值相关信息集合,确定所述至少一个替代设备中每个替代设备的单位供能能耗成本,得到单位供能能耗成本集合;
基于所述单位供能能耗成本和所述单位供能能耗成本集合,控制所述供能设备群组运行。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述基于所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本,控制所述供能设备群组运行,包括:
对所述单位供能能耗成本集合中的单位供能能耗成本按照数值由大到小进行排序,得到单位供能能耗成本序列;
从所述单位供能能耗成本序列中选择单位供能能耗成本作为目标单位供能能耗成本;
控制所述目标单位供能能耗成本对应的替代设备开启。
8.一种供能设备群组运行控制装置,其特征在于,包括:
预测模块,被配置为基于预先训练好的负荷预测神经网络模型,分别对供能设备群组中的每个供能设备进行预测;
发送模块,被配置为按照预先设定的周期,将预测得到的负荷预测结果周期性的发送至仿真计算模块;
计算模块,被配置为根据经济性指标计算所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本;
控制模块,被配置为基于所述供能设备群组中的每个供能设备在指定时间段内的单位供能能耗成本,控制所述供能设备群组运行。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于新奥数能科技有限公司,未经新奥数能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111006558.7/1.html,转载请声明来源钻瓜专利网。





