CN106779165B - 基于城市空气质量预测技术的电力***环境调度方法 - Google Patents
基于城市空气质量预测技术的电力***环境调度方法 Download PDFInfo
- Publication number
- CN106779165B CN106779165B CN201611045191.9A CN201611045191A CN106779165B CN 106779165 B CN106779165 B CN 106779165B CN 201611045191 A CN201611045191 A CN 201611045191A CN 106779165 B CN106779165 B CN 106779165B
- Authority
- CN
- China
- Prior art keywords
- air quality
- power system
- value
- system environment
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 40
- 231100000719 pollutant Toxicity 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000004308 accommodation Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 42
- 238000004134 energy conservation Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 239000010865 sewage Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 231100001143 noxa Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于城市空气质量预测技术的电力***环境调度方法,包括步骤一:从气象环境数据库中获取目标城市的历史气象数据、历史污染源排放数据和历史空气质量信息,利用人工神经网络算法对目标城市的未来空气质量进行预测得到空气质量预测值;步骤二:判断空气质量预测值是否与历史气象数据具有相关性,若是,得到目标城市的大气环境容纳量;否则,返回步骤一;步骤三:建立电力***环境调度模型;步骤四:在预设约束条件以及满足目标城市的大气环境容纳量条件下,求解电力***环境调度模型,得到各机组的有功出力的最佳值,进而得到电力***环境调度方案。在这种调度模式下,***总污染物排放量显著降低,经济成本与环境成本得到了平衡。
Description
技术领域
本发明属于电力调度领域,尤其涉及一种基于城市空气质量预测技术的电力***环境调度方法。
背景技术
目前中国的环境污染状况严重,以雾霾为代表的环境污染问题严重影响了人们的日常生活,危害着人们的健康。面对这样一个长期过度排放而导致的问题,唯有从源头上进行治理,减少排放乃至零排放。电力***作为燃煤大户,每年的污染排放量相当可观,“低碳减排,节能环保”无疑是电力***未来发展将要面临的关键挑战。
随着社会的进步、人民物质生活水平的提高,生态文明建设愈发受到政府及民众的关注。环境因素与电力***调度之间产生了越来越多的时空性、跨区域的联动。一方面,大气中的污染物随空气流动进行扩散,将会改变不同区域间的污染物指标,从而对电力***污染物排放形成严格约束,影响原有调度结果;另一方面,环境因素将对能源结构产生影响,可再生能源愈发受到重视,风电、光伏、热电联产等电源的比例将不断增大,此类新能源电源对环境因素敏感,气候的变化将导致其波动严重,对电网的安全稳定是一个不小的冲击。在节能减排的要求下,在环境因素与电力***连续愈发紧密的背景下,传统的电力调度模式已经不能适应可持续发展和生态文明建设的需要,因此,研究一套兼顾“经济型”、“节能环保”等综合各类要素的新型、科学、高效的电力***环境调度方式,具有十分重要的理论意义和研究价值。
电力***节能调度在一定程度上降低了能源损耗和减少了环境污染;国外一些发达国家的电力***已经建立了开放用户侧的电力市场,发电、配电、零售企业和用户均可参与市场交易,可以进行双向交互式电力***调度。国内外对于电力***调度问题进行的研究已经取得了大量成果。然而这些研究并没有发掘环境因素与电力***调度间的内在联系,其中一部分调度方式只注重经济成本的控制而忽视了节能减排的重要性;另一部分调度方式着眼于节能与碳排放的控制,却忽视了SO2、NOx、粉尘等重要污染物对大气环境带来的负面影响;为数不多的针对环境调度展开的研究则仅局限于算法层面,未能落实到实际,没能将电力***调度与实际大气环境相结合。
现有的电力***调度没有建立环境因素与电力***调度在时间、空间等多维度上的内在联系,无法求取精确的电力***环境调度模型,不能得到各机组的有功出力的最佳值,因此,现有的电力***环境调度方案并没有考虑环境因素与电力***调度在时间及空间多维度上的内在联系,使得电力***耗费能量多且污染排放量大,对环境造成的负面影响大。
发明内容
本发明公开了一种基于城市空气质量预测技术的电力***环境调度方法。本发明结合实时气象数据,人工利用神经网络算法对城市空气质量进行预测,在对预测数据进行相关性验证之后,利用数值法将预测数据转化为城市大气污染容纳量,以此作为电力***环境调度中较为关键的环境约束条件。本发明将环境因素与电力***调度相结合从而建立一种新的环境调度模式,这种环境调度能有效的减少电力***污染物排放,为节能减排做出积极贡献。
为实现上述目的,本发明的具体方案如下:
一种基于城市空气质量预测技术的电力***环境调度方法,包括:
步骤一:从气象环境数据库中获取目标城市的历史气象数据、历史污染源排放数据和历史空气质量信息,利用人工神经网络算法对目标城市的未来空气质量进行预测,得到空气质量预测值;
步骤二:判断空气质量预测值是否与历史气象数据具有相关性,若是,利用数值法对空气质量预测值处理得到目标城市的大气环境容纳量;否则,返回步骤一;
步骤三:建立电力***环境调度模型;其中,电力***环境调度模型为求取目标电力***的总运行成本的最小值,目标电力***的总运行成本等于各机组的运行成本及各类污染物排放的惩罚成本之和;机组的运行成本及污染物排放的惩罚成本均为机组有功出力的函数;
步骤四:在预设约束条件以及满足目标城市的大气环境容纳量条件下,求解电力***环境调度模型,得到各机组的有功出力的最佳值,进而得到电力***环境调度方案。
本发明发掘环境因素与电力***调度在时间、空间等多维度上的内在联系,建立了一套基于城市空气质量预测技术的电力***环境调度模型,将城市空气质量实时信息融入到电力***调度之中,依据城市大气环形状况对电力***进行调度,达到节能减排的目的并以此改善日益恶化的环境空气质量、减少污染排放对环境带来的负面影响。
步骤一中利用人工神经网络算法对未来城市空气质量进行预测的过程为:
将历史气象数据作为特征因子,选择满足选定历史气象数据的历史空气质量信息作为训练样本,污染源排放数据为输入因子,输出空气质量预测值。
通过对污染物监测资料的分析发现大气污染物浓度的变化具有较强的非线性特性,要对其进行较为准确的预测,就必须采用能捕捉非线性变化规律的预报方法。人工神经网络作为一个具有高度非线性映射能力的计算机模型,是处理此问题的非常有效的工具。本发明采用人工神经网络算法对城市空气质量进行建模预测。本发明结合实时气象数据,人工利用神经网络算法对城市空气质量进行预测,这样使得预测结果与样本数据具有较高的相关性,同时与同类方法相比较误差较小,预测结果较为准确。
在步骤二中,目标城市的大气环境容纳量=规划区内拟定项目污染源强+(空气质量二级标准年平均浓度-当地大气污染物背景值-关心点年平均浓度预测值)*规划区内拟定项目污染源强/关心点年平均浓度预测值;其中,规划区内拟定项目污染源强、空气质量二级标准年平均浓度和当地大气污染物背景值为已知数据,关心点年平均浓度预测值由步骤一预测得到。
关心点为目标城市中的大气环境监测站点。
本发明利用数值法将城市空气质量预测结果转化为大气环境容量,以此作为电力***环境调度中对机组出力的环境约束,将环境因素与电力***调度巧妙的结合起来。
在步骤二中,通过计算空气质量预测值与历史气象数据的相关系数,得到空气质量预测值与历史气象数据的相关性。运用数值法将浓度预测值转换为大气环境容纳量对电力***调度进行约束,最终得到准确的电力***环境调度方案。
在步骤四中,预设约束条件包括有功出力约束、功率平衡约束以及环境约束。
本发明在预设约束条件以及满足目标城市的大气环境容纳量条件下,来求解电力***环境调度模型,得到各机组的有功出力的最佳值,进而得到电力***环境调度方案,最终达到电力***耗费能量和污染排放量减少的目的。
其中,有功出力约束为:电力***中任一机组的有功出力都保持在一个预设范围之内。
功率平衡约束为:电力***中发电机发出的功率与负荷及网损消耗的功率保持相等。
环境约束条件还包括:目标电力***总的排污量不超过大气环境容纳量,且每台机组的排污份额不超过预设标准规定的最大排污量。
所述步骤一中的气象数据包括风速、风向和气温。
步骤一中气象数据还可以包括湿度和日照信息。
所述步骤一中的空气质量信息包括空气质量指数、PM2.5浓度值、SO2浓度值和NOx浓度值。
步骤一中的空气质量信息还包括烟尘浓度值、总悬浮颗粒物浓度值、可吸入颗粒物浓度值(PM10)和臭氧浓度值。
本发明的有益效果:
(1)利用人工神经网络算法对城市空气质量进行预测,预测结果与样本数据具有较高的相关性,同时与同类方法相比较误差较小,预测结果较为准确。
(2)利用数值法将城市空气质量预测结果转化为大气环境容量,以此作为电力***环境调度中对机组出力的环境约束,将环境因素与电力***调度巧妙的结合起来。
(3)本发明深入发掘环境因素与电力***调度在时间、空间等多维度上的内在联系,在考虑电力***经济型的同时,注重控制***整体的排污成本,在环境调度之下,***总的污染物排放量显著降低,有利于从源头上改善目前恶劣的大气环境状况,兼顾了电力***的经济性与环保特性。
附图说明
图1是本发明的基于城市空气质量预测技术的电力***环境调度方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为应对日益恶化的环境空气质量问题,发挥电力***在“节能减排、防治雾霾”中的作用,本发明对计及环境因素的电力***优化调度问题进行研究,基于环境因素与电力***的内在联系,将城市空气质量实时信息融入到电力***调度之中,使用神经网络算法对城市污染物浓度进行预测,运用数值法将浓度预测值转换为大气环境容纳量对电力***调度进行约束。在这种调度模式下,***总的污染物排放量显著降低,经济成本与环境成本得到了平衡。
图1是本发明的基于城市空气质量预测技术的电力***环境调度方法流程图。如图1所示的基于城市空气质量预测技术的电力***环境调度方法,包括以下步骤:
步骤一:从气象环境数据库中获取目标城市的历史气象数据、历史污染源排放数据和历史空气质量信息,利用人工神经网络算法对目标城市的未来空气质量进行预测,得到空气质量预测值。
在步骤一中,空气质量信息包括:空气质量指数(AQI)、PM2.5浓度值、SO2浓度值和NOx浓度值;气象数据包括:风向,风速和气温。
对目标城市空气质量进行预测,需要利用历史气象数据。本发明将风向、风速、气温等数据作为特征因子,选择气象数据库中满足选定气象条件的污染源排放和监测站点小时监测数据作为训练样本,污染源排放数据为输入因子,监测点位监测到的监测数据作为输出因子。
通过对污染物监测资料的分析发现大气污染物浓度的变化具有较强的非线性特性,要对其进行较为准确的预测,就必须采用能捕捉非线性变化规律的预报方法。人工神经网络作为一个具有高度非线性映射能力的计算机模型,是处理此问题的非常有效的工具。本发明采用BP神经网络算法对城市空气质量进行建模预测。
人工神经网络存在很多模型,其中误差反向传播(BP)神经网络是目前应用最为广泛的网络模型之一,是一种很有效的算法。
神经网络模型在训练之前首先需要提供样本,样本中包含输入因子以及相应的期望输出因子,训练过程中应不断调整权值和阈值,以使得神经网络的误差函数达到最小。BP神经网络的指导思想是对网络权值和阈值的修正沿着表现函数下降最快的方向(即负梯度方向)进行。其训练过程由两部分组成:信息正向传播和误差反向传播。BP神经网络模型由许多简单的处理单元构成的一系列“层”组成,包括输入层、隐含层(可以是一层或多层)和输出层。对于输入信号,要先向前传播到隐含节点,经过激活函数后,再把隐含节点的输出信息传播到输出节点,最后给出输出结果。网络运行过程包括正向传播和反向传播两部分,在正向传播过程中,输入信号从输入层通过激励函数,逐层向隐层、输出层传播;若得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,使得误差信号最小,从而结束网络的学习过程。以上过程不断迭代,最终使得信号误差达到允许范围内。
利用收集的气象数据对神经网络进行训练,输出层的输出误差向隐含曾和输入层进行反向传播,并对各层间的权值不断修正,最后使***方差达到最小,此时经过训练的神经网络即可用于城市空气质量的预测。
步骤二:判断空气质量预测值是否与历史气象数据具有相关性,若是,利用数值法对空气质量预测值处理得到目标城市的大气环境容纳量;否则,返回步骤一。
在步骤二中,通过计算空气质量预测值与历史气象数据的相关系数,得到空气质量预测值与历史气象数据的相关性。
检验预测值与气象数据是否具有相关性,以相关系数大于0.7为例
相关系数大于0.7说明预测结果与气象数据具有相关性,气象数据选择合理,预测结果准确度高;相关系数小于0.7说明预测结果与气象数据相关性弱,此时应重新选择气象数据。
以实际对预测结果准确性的要求,相关系数也可以选用其他数值。
在步骤二中,利用数值法对城市空气质量信息预测数据进行处理,得到城市大气环境容纳量。对于目标城市而言,为了实现对城市的污染物排放约束,需要预先计算出整个城市的大气环境容量。我们常常在环境影响评价工作所提到的大气环境容量一般是指狭义上的大气环境容量,主要针对于个别污染物因子的大气环境容量,一般都是常规的大气环境污染物总量控制指标,如SO2、NO2、烟尘(PM10)等。
通过如下公式求的目标城市的大气环境容量:
式中:Emax:大气环境容量、Co:空气质量二级标准年平均浓度(mg/m3)、Cs:当地大气污染物背景值(mg/m3)、Ccon:关心点年平均浓度预测值(mg/m3)、Qpre:为规划区内拟定项目污染源强。其中,规划区内拟定项目污染源强、空气质量二级标准年平均浓度和当地大气污染物背景值为已知数据,关心点年平均浓度预测值由步骤一预测得到。
求解得到的目标城市大气环境容量Emax将作为环境调度之中***的污染物排放约束。
步骤三:建立电力***环境调度模型;其中,电力***环境调度模型为求取目标电力***的总运行成本的最小值,目标电力***的总运行成本等于各机组的运行成本及各类污染物排放的惩罚成本之和;机组的运行成本及污染物排放的惩罚成本均为机组有功出力的函数。
在步骤三中,目标电力***总的运行成本表现为各机组的运行成本以及各类污染物排放的惩罚成本。火电机组的运行成本通常描述为机组有功出力的二次函数。
目标函数为***总成本的最优化:
式中,FC为火电机组的运行成本,FE为火电机组污染物排放的惩罚成本;N为机组台数,为正整数;Pi为机组i的有功出力;ai,bi,ci分别为机组i单位时间内的燃料费用曲线函数的系数,ai,bi,ci均为常数;Pe为污染物排放的惩罚***格;EPi是机组i的污染物排放量。
***主要排放物SO2、NOx排放量可分别表示为机组出力的函数。如机组的NOx排放函数可表示为有功出力的二次函数与指数函数之和,对SO2排放有类似描述,可根据需要对排放目标进行选择。机组i的排放函数EPi表示为:
式中αi、βi、γi、ξi、λi为机组i的排放函数系数,αi、βi、γi、ξi、λi为常数。
对电力***进行环境调度要遵循以下约束条件:
(1)有功出力约束
Pi,min≤Pi≤Pi,max,i=1,2,...,N
***中任一机组的有功出力都应保持在一个正常的范围之内,式中Pi,min、Pi,max分别为各机组有功出力的上下限;Pi为机组i的有功出力,N为机组台数,为正整数。
(2)功率平衡约束
电力***中,发电机发出的功率与负荷及网损消耗的功率应保持相等。
式中PD、PL分别为***的负荷和网损;Pi为机组i的有功出力,N为机组台数,为正整数。负荷在调度实施前由预测可得,实际中为一随机变量,在各调度时段范围内可视为定值;网络损耗的精确值可以通过求解***潮流方程后再求得,但通常采用简便的Kron's网损公式计算出近似值:
Bin为网损系数矩阵B的第i行第n列分量,其中,i行与机组i相对应。
(3)环境约束:
污染物排放约束
为了控制***总体的污染物排放量,减少电力***排放给大气环境带来的影响,将***总的排放约束在城市大气环境容量以内是较好的解决方案。
EPi≤Eli,i=1,2,3,..,N
***总的排污量应当小于目标***的大气环境容纳量,同时每台机组的排污份额应当遵循国家标准,不得超过标准规定的最大排污量。
步骤四:在预设约束条件以及满足目标城市的大气环境容纳量条件下,求解电力***环境调度模型,得到各机组的有功出力的最佳值,进而得到电力***环境调度方案。
本发明深入发掘环境因素与电力***调度在时间、空间等多维度上的内在联系,在考虑电力***经济型的同时,注重控制***整体的排污成本,在环境调度之下,***总的污染物排放量显著降低,有利于从源头上改善目前恶劣的大气环境状况,兼顾了电力***的经济性与环保特性。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,包括:
步骤一:从气象环境数据库中获取目标城市的历史气象数据、历史污染源排放数据和历史空气质量信息,利用人工神经网络算法对目标城市的未来空气质量进行预测,得到空气质量预测值;
步骤二:判断空气质量预测值是否与历史气象数据具有相关性,若是,利用数值法对空气质量预测值处理得到目标城市的大气环境容纳量;否则,返回步骤一;
所述目标城市的大气环境容纳量=规划区内拟定项目污染源强+(空气质量二级标准年平均浓度-当地大气污染物背景值-关心点年平均浓度预测值)*规划区内拟定项目污染源强/关心点年平均浓度预测值;其中,规划区内拟定项目污染源强、空气质量二级标准年平均浓度和当地大气污染物背景值为已知数据,关心点年平均浓度预测值由步骤一预测得到;
步骤三:建立电力***环境调度模型;其中,电力***环境调度模型为求取目标电力***的总运行成本的最小值,目标电力***的总运行成本等于各机组的运行成本及各类污染物排放的惩罚成本之和;机组的运行成本及污染物排放的惩罚成本均为机组有功出力的函数;
步骤四:在预设约束条件以及满足目标城市的大气环境容纳量条件下,求解电力***环境调度模型,得到各机组的有功出力的最佳值,进而得到电力***环境调度方案。
2.如权利要求1所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,步骤一中利用人工神经网络算法对未来城市空气质量进行预测的过程为:
将历史气象数据作为特征因子,选择满足选定历史气象数据的历史空气质量信息作为训练样本,污染源排放数据为输入因子,输出空气质量预测值。
3.如权利要求1所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,在步骤四中,预设约束条件包括有功出力约束和功率平衡约束。
4.如权利要求3所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,有功出力约束为:电力***中任一机组的有功出力都保持在一个预设范围之内。
5.如权利要求3所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,功率平衡约束为:电力***中发电机发出的功率与负荷及网损消耗的功率保持相等。
6.如权利要求1所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,预设约束条件还包括:目标电力***的每台机组的排污份额不超过预设标准规定的最大排污量。
7.如权利要求1所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,所述步骤一中的气象数据包括风速、风向和气温。
8.如权利要求1所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,所述步骤一中的空气质量信息包括空气质量指数、PM2.5浓度值、SO2浓度值和NOx浓度值。
9.如权利要求1所述的一种基于城市空气质量预测技术的电力***环境调度方法,其特征在于,在步骤二中,通过计算空气质量预测值与历史气象数据的相关系数,得到空气质量预测值与历史气象数据的相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611045191.9A CN106779165B (zh) | 2016-11-21 | 2016-11-21 | 基于城市空气质量预测技术的电力***环境调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611045191.9A CN106779165B (zh) | 2016-11-21 | 2016-11-21 | 基于城市空气质量预测技术的电力***环境调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106779165A CN106779165A (zh) | 2017-05-31 |
CN106779165B true CN106779165B (zh) | 2020-11-13 |
Family
ID=58975318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611045191.9A Active CN106779165B (zh) | 2016-11-21 | 2016-11-21 | 基于城市空气质量预测技术的电力***环境调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779165B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108767849B (zh) * | 2018-06-06 | 2020-11-17 | 华中科技大学 | 考虑大气环境质量约束的电力***运行调度方法 |
CN109115949B (zh) * | 2018-07-26 | 2020-12-11 | 郑州轻工业学院 | 基于大数据的污染溯源方法及计算机可读介质 |
CN109685329A (zh) * | 2018-12-04 | 2019-04-26 | 国网湖南省电力有限公司 | 一种雾霾条件下火电厂调度的决策方法及*** |
CN109615239B (zh) * | 2018-12-13 | 2023-04-07 | 西安理工大学 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
CN110210756B (zh) * | 2019-05-31 | 2022-10-25 | 华南理工大学 | 一种计及污染物扩散里程的电力***经济调度方法 |
CN110288138B (zh) * | 2019-06-12 | 2023-04-18 | 淮阴工学院 | 一种基于社区划分的空气质量指数预测的方法 |
CN110531030B (zh) * | 2019-08-16 | 2021-11-12 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
CN110531029B (zh) * | 2019-08-16 | 2022-02-25 | 北京慧辰资道资讯股份有限公司 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
CN111461439B (zh) * | 2020-04-02 | 2022-04-01 | 浙江大学 | 基于城市大气扩散预测的多热源供热负荷调度方法和*** |
CN116307279B (zh) * | 2023-05-18 | 2023-08-11 | 河北辉驰科技有限公司 | 基于大数据分析的城市大气环境管理方法及*** |
CN116589078B (zh) * | 2023-07-19 | 2023-09-26 | 莒县环境监测站 | 基于数据融合的污水处理智能控制方法及*** |
CN118174278B (zh) * | 2024-02-22 | 2024-08-09 | 国网甘肃省电力公司临夏供电公司 | 一种基于碳排放的电网调度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2618601B1 (en) * | 2012-01-17 | 2014-09-24 | Alcatel Lucent | Identifying coverage gaps |
CN103632309A (zh) * | 2013-11-05 | 2014-03-12 | 常州大学 | 一种风火蓄节能减排机组组合的求解方法 |
CN104065072B (zh) * | 2014-06-16 | 2016-03-30 | 四川大学 | 一种基于动态电价的微电网运行优化方法 |
CN105069537B (zh) * | 2015-08-25 | 2018-06-19 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
-
2016
- 2016-11-21 CN CN201611045191.9A patent/CN106779165B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106779165A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779165B (zh) | 基于城市空气质量预测技术的电力***环境调度方法 | |
Liu et al. | Energy consumption prediction and diagnosis of public buildings based on support vector machine learning: A case study in China | |
CN111445060A (zh) | 一种社区碳排放监测和预测***及方法 | |
CN114048955A (zh) | 一种建筑碳排放监管*** | |
Wu et al. | A multi-objective optimization design method in zero energy building study: A case study concerning small mass buildings in cold district of China | |
CN105404932A (zh) | 基于智能电网创新示范区的能源互联网综合评估与优化配置方法 | |
CN112907074B (zh) | 面向综合能源***用户的能效敏感指标检测方法及*** | |
CN111967776A (zh) | 一种园区综合能源***运营价值链的评估方法 | |
CN102930343A (zh) | 一种分布式发电供能***能量优化方法 | |
CN112348276A (zh) | 基于多要素三层次的综合能源***规划优化方法 | |
Lei et al. | Prediction method of energy consumption for high building based on LMBP neural network | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN114418160A (zh) | 基于综合评价体系的园区多能源***优化调度方法 | |
Luo et al. | Optimal scheduling of micro-energy grid based on pareto frontier under uncertainty and pollutant emissions | |
Chuang et al. | Research on user electricity consumption behavior and energy consumption modeling in big data environment | |
Sun | Prediction of building energy consumption based on bp neural network | |
Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
CN112508231A (zh) | 一种基于***动力学的中长期电力负荷预测方法及*** | |
CN102880917B (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
CN114037272A (zh) | 一种区域综合能源***的能效评估方法 | |
Lestari et al. | Prediction of solar energy radiation using adaptive neuro fuzzy inference system in the tropical region | |
CN113592561A (zh) | 一种基于电力经济大数据的绿电指数生成方法 | |
CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和*** | |
Wang et al. | Toward sustainable heating: Assessment of the carbon mitigation potential from residential heating in northern rural China | |
Zhang et al. | Air Quality Prediction Based on Multivariate Variable Weight Combined Prediction Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |