[发明专利]基于MPC的含储热的供热系统双层优化调度方法及装置

权利要求书

1.一种基于MPC的含储热的供热系统双层优化调度方法，其特征在于，它包括：

采用机理建模和数据辨识的方法建立供热系统数字孪生模型；所述供热系统中的供热机组至少包括可再生能源供热机组和传统供热机组；

基于供热系统数字孪生模型获取供热历史运行数据和室外气象数据，采用机器学习算法建立供热系统负荷预测模型和可再生能源供热机组出力预测模型，获得供热系统总负荷需求和可再生能源供热机组出力预测值；

建立第一层优化调度模型：将模型预测控制策略引入配置储热装置的供热系统中，以可再生能源供热机组出力预测值设置调度指令，以可再生能源供热机组和储热装置的共同出力跟踪调度指令以及储热装置动作量最小为控制优化目标，通过模型预测控制策略对储热装置进行优化，模型预测控制通过滚动优化和反馈校正环节进行优化求解，获得储热装置的动作指令；

建立第二层优化调度模型：通过可再生能源供热机组和储热装置的共同出力减少传统供热机组负荷，利用剩余负荷对传统供热机组进行优化，以调度时段内传统供热机组运行成本、可再生能源运行成本和储热装置运行成本最小为目标函数，通过智能优化算法对传统供热机组出力进行优化，获得传统供热机组的动作指令。

2.根据权利要求1所述的供热系统双层优化调度方法，其特征在于，所述采用机理建模和数据辨识的方法建立供热系统数字孪生模型，包括：

对供热系统中可再生能源供热机组、传统供热机组、一级网、二级网、热力站和末端建筑进行物理模型、逻辑模型、仿真模型和数据模型的建立，并对物理模型、逻辑模型、仿真模型和数据模型之间进行相互耦合和多层次、多尺度集成，将物理空间中的物理实体在虚拟空间进行映射重构后建立供热系统数字孪生模型；

采用改进的自适应惯性权重粒子群优化算法对供热系统数字孪生模型参数进行寻优：将惯性权重非线性递减更新策略和变异操作相结合引入到PSO算法中形成改进的自适应惯性权重粒子群优化算法；确定供热系统数字孪生模型要辨识的参数，设置各参数的取值范围，每个参数优化问题转化为粒子位置的寻优问题；引入位置变量，借助供热系统中获取的训练样本数据对供热系统数字孪生模型的偏差进行求解，采用改进的自适应惯性权重粒子群优化算法依据该偏差值的大小对粒子的最佳位置进行选择，获得最优供热系统数字孪生模型参数；选择均方根误差和平均绝对百分比误差作为衡量指标，对供热系统数字孪生模型性能进行验证。

3.根据权利要求1所述的供热系统双层优化调度方法，其特征在于，所述基于供热系统数字孪生模型获取供热历史运行数据和室外气象数据，采用机器学习算法建立供热系统负荷预测模型，获得供热系统总负荷需求和可再生能源供热机组出力预测值，包括：

基于供热系统数字孪生模型获取历史可再生能源机组出力、传统供热机组出力、供热系统负荷、热力站运行参数、室外温度、湿度和末端建筑室内温度，作为供热系统负荷预测模型训练样本；获取历史可再生能源机组出力、热力站运行参数、室外温度、湿度和末端建筑室内温度，作为可再生能源供热机组出力预测模型训练样本；

采用POA鹈鹕优化算法对CNN-REGST模型参数进行优化后，采用优化的CNN-REGST模型建立供热系统负荷预测模型和可再生能源供热机组出力预测模型：通过CNN卷积神经网络模型对模型训练样本进行特征提取后，采用REGST堆叠回归模型理论，将特征提取后的数据分别输入至多个基础学习器中，获得多个供热系统负荷预测值和多个可再生能源供热机组出力预测值，再采用SVM模型作为元回归器对多个预测值进行计算获得供热系统负荷预测值和可再生能源供热机组出力预测值。