CN117391734B - 一种基于支持向量机回归模型的发电成本预测方法 - Google Patents
一种基于支持向量机回归模型的发电成本预测方法 Download PDFInfo
- Publication number
- CN117391734B CN117391734B CN202311286295.9A CN202311286295A CN117391734B CN 117391734 B CN117391734 B CN 117391734B CN 202311286295 A CN202311286295 A CN 202311286295A CN 117391734 B CN117391734 B CN 117391734B
- Authority
- CN
- China
- Prior art keywords
- cost
- electricity
- power generation
- coal
- unit
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 72
- 239000003245 coal Substances 0.000 claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 241000238633 Odonata Species 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 53
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 29
- 239000003546 flue gas Substances 0.000 claims description 29
- 239000000779 smoke Substances 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 14
- 235000019738 Limestone Nutrition 0.000 claims description 12
- 239000006028 limestone Substances 0.000 claims description 12
- 239000000843 powder Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 9
- XZPVPNZTYPUODG-UHFFFAOYSA-M sodium;chloride;dihydrate Chemical compound O.O.[Na+].[Cl-] XZPVPNZTYPUODG-UHFFFAOYSA-M 0.000 claims description 7
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 6
- 239000004202 carbamide Substances 0.000 claims description 5
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 3
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 3
- JGIATAMCQXIDNZ-UHFFFAOYSA-N calcium sulfide Chemical compound [Ca]=S JGIATAMCQXIDNZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000006477 desulfuration reaction Methods 0.000 claims description 3
- 230000023556 desulfurization Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000004571 lime Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 125000000415 L-cysteinyl group Chemical group O=C([*])[C@@](N([H])[H])([H])C([H])([H])S[H] 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
Abstract
本发明涉及一种基于支持向量机回归模型的发电成本预测方法,属于燃煤发电技术领域。本发明方法包括:获取历史各时间点的燃煤发电参数计算得到度电发电成本数据集;获取所述历史各时间点相应的锅炉运行参数进行预处理,得到运行参数数据集;所述燃煤发电参数和锅炉运行参数均包括总煤量和各种煤的掺配比例;基于所述运行参数数据集和所述发电成本数据集构建训练集;使用训练集对DA‑SVM模型进行训练,得到训练好的DA‑SVM模型;其中DA‑SVM模型为基于蜻蜓算法改进的支持向量机回归模型;使用所述训练好的DA‑SVM模型基于当前锅炉运行参数预测发电成本。本发明方法能够基于燃煤企业的生产历史数据有效准确的预测发电成本以及指导企业调整生产方案。
Description
技术领域
本发明属于燃煤发电技术领域,尤其涉及一种基于支持向量机回归模型的发电成本预测方法。
背景技术
随着电力市场改革的不断推进和深化,相关企业通过参与电力市场竞价获得上网发电的机会。在燃煤发电生产的过程中,锅炉运行时采取不同生产的方案,会引发燃煤发电生产的各个环节成本的变化。而目前相关企业在发电成本核算方面主要用到的是“后核算”,无法做到对实时发电成本的计算,也无法对当前生产方案可能因为的成本进行预测。因此,为了有效提高企业竞争力,寻找合理有效的发电成本预测方法时企业当务之急。
发明内容
鉴于上述的分析,本发明旨在提供一种基于支持向量机回归模型的发电成本预测方法,能够基于燃煤企业的生产历史数据有效准确的预测发电成本。具体包括如下步骤:
获取历史各时间点的燃煤发电参数计算得到度电发电成本数据集;获取待预测各时间点和所述历史各时间点相应的锅炉运行参数进行预处理,其中预处理后的所述历史各时间点的锅炉运行参数组成运行参数数据集;所述燃煤发电参数和锅炉运行参数均包括总煤量和各种煤的掺配比例;
基于所述运行参数数据集和所述发电成本数据集构建训练集;
使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型;其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型;
使用所述训练好的DA-SVM模型基于所述待预测各时间点的预处理后的锅炉运行参数预测发电成本。
进一步的,所述使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型包括:
初始化迭代次数、蜻蜓算法的种群规模、种群中每个蜻蜓个体的位置向量和蜻蜓算法的步长向量;其中,由SVM的参数惩罚因子c、核函数系数g的一组取值组合构成一个蜻蜓个体的位置向量;
在每一轮迭代中:对于每个蜻蜓个体,使用SVM基于该个体的c、g值和训练集中每个样本的运行参数得到每个样本相应的预测成本值,基于所有的预测成本值和所有相应的度电发电成本计算得到该蜻蜓个体的适应度值;使用蜻蜓算法基于所有蜻蜓个体的适应度值确定食物位置、敌人位置和步长向量,并更新蜻蜓位置;其中,确定当前种群中具有最优适应度值的个***置为食物,当前种群中具有最差适应度值的个***置为敌人;
判断是否到达终止条件,如果否,则继续迭代;如果是,则停止迭代,记录最优适应度值的个***置相应的c、g值为SVM的c、g取值,得到训练好的DA-SVM模型。
进一步的,计算所述适应度值的适应度函数为:
其中,n为样本个数;Pi为每个样本相应的预测成本值,Yi为每个样本中相应的度电发电成本。
进一步的,所述终止条件包括:达到迭代次数或蜻蜓算法已求得最优适应度值。
进一步的,所述度电发电成本包括度电燃煤成本和度电运行成本;其中,所述度电运行成本包括度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本。
进一步的,所述度电燃煤成本的计算方法为:
Ccoal=P1·Xsum·X1+P2·Xsum·X2+…+Pi·Xsum·Xi…+PN·Xsum·XN/(Lf×1000×T);
其中,N表示燃煤掺烧方案中煤的种类;Xsum表示总煤量;Xi表示第i种煤在总煤量中的占比,且Pi表示第i种煤的价格;Lf为发电负荷;T为发电时间。
进一步的,所述度电用水成本包括盐水制水成本、循环水制水成本和中水成本,所述盐水制水成本、循环水制水成本和中水成本分别基于每分钟除盐水出水管流量、每分钟循环水补水流量和每分钟中水母管流量计算得到。
进一步的,所述度电排放成本包括石灰石粉费、排放环保成本和度电尿素费用成本;所述石灰石粉费的计算方法为:
其中,表示原烟气SO2折算浓度,单位为kg/Nm3;Cyq,in表示原烟气标干流量,单位为m3/min;ηds表示脱硫效率,单位为%;/>表示CaCO3的摩尔质量(100g/mol);/>表示SO2的摩尔量(64g/mol);rCa/S表示钙硫比,单位是%;Plime表示石灰石粉纯度,单位是%;Pshs表示石灰石粉单价,单位为元/吨;T表示发电时间,单位为h。
进一步的,所述排放环保成本包括度电NOx排污税、度电SO2排污税和度电烟尘排污税,计算方法分别为:
其中,表示净烟气NOx浓度折算,单位为kg/Nm3;Cyq,out表示净烟气标干流量,单位为m3/min;/>表示NOx污染当量值;单位为m3/min;/>表示NOx单价,单位为元/千克;Lf为发电负荷,单位为MW;
表示净烟气SO2浓度折算,单位为kg/Nm3;/>表示SO2污染当量值,单位为m3/min;/>表示SO2单价,单位为元/千克;
Cyc,out表示净烟气烟尘浓度折算,单位为kg/Nm3;Vyc表示烟尘污染当量值,单位为m3/min;Pyc表示烟尘单价,单位为元/千克。
进一步的,所述度电维护成本的计算公式为:
Cwh=(Ccl+Cjx)/Pmf;
其中,Cwh表示度电维护成本,单位为元/(kW·h);Ccl表示当月日常维护材料费,单位为元;Cjx表示当月检修费,单位为元;Pmf表示当月总发电量。
本发明至少可以实现下述之一的有益效果:
通过采集燃煤发电企业历史各个时间点各个生产环节的数据,计算各时间点相应的实时度电发电成本;根据历史各时间点的实时度电发电成本,训练模型寻找锅炉运行参数和度电发电成本之间的对应关系,从而可以使用模型基于锅炉运行的不同生产方案高效快捷的预测相应的发电成本,一方面可以根据成本情况指导生产方案的调整以达到节约成本的目的;另一方面可以根据当前生产方案预测发电成本,指导电厂制定合理的上网电价竞价策略。
本发明中通过采用蜻蜓算法(DA)来选择支持向量机(SVM)的最优参数,由于蜻蜓算法具有较强的局部搜索能力和全局搜索能力,在参数优化中具有良好的效果,减小了SVM预测的随机性,提升了预测的准确性;在回归中,SVM选取高斯径向基核函数,可以更准确描述数据的分布结构,相对于其他的预测模型,本发明采用的DA-SVM模型预测结果更准确、误差更小,具有良好的泛化能力。
通过考虑燃煤发电各个生产环节的成本,提升了对度电发电成本计算的准确性;通过在计算过程中,对各环节成本实现分钟级的计算,做到了度电发电成本计算的实时性。其中,基于煤机瞬时煤量数据计算得到分钟级的度电燃煤成本;基于二氧化硫与氮氧化物的处理原理,使用化学公式、根据烟气流速与污染物浓度值推算出污染物处理的成本,可以实现“分钟”级的排放成本核算;基于循环水、除盐水和中水管道流量值得到火电企业每分钟的用水量进而计算得到“分钟”级的度电用水成本。本发明实现的分钟级的度电生成成本计算,相对于现有技术中通常采用的“后计算”,综合考虑了各个生产环节、数据采集实时,计算结果更为准确,更有利于为企业提供生产方案的决策和竞价决策提供数据支撑。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可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可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明方法流程图;
图2为实施例二中参数c、g的寻优迭代过程图;
图3为实施例二中c、g的结果选择等高线图;
图4为实施例二中采用DA-SVM模型和其他不同模型对不同样本进行预测的预测结果。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例一
本发明的一个具体实施例,公开了一种基于支持向量机回归模型的发电成本预测方法,具体包括如下步骤:
步骤S01、获取历史各时间点的燃煤发电参数计算得到度电发电成本数据集;获取待预测各时间点和所述历史各时间点相应的锅炉运行参数进行预处理,其中预处理后的所述历史各时间点的锅炉运行参数组成运行参数数据集;所述燃煤发电参数和锅炉运行参数均包括总煤量和各种煤的掺配比例;
步骤S02、基于所述运行参数数据集和所述度电发电成本数据集构建训练集;
步骤S03、使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型;其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型;
步骤S04、使用所述训练好的DA-SVM模型基于所述待预测各时间点的预处理后的锅炉运行参数预测发电成本。
具体的,步骤S01中的锅炉运行参数包括送风温度、凝汽器真空、给水流量、总一次风量、总二次风量、锅炉总风量、炉膛氧量、给水温度、总煤量和各种煤的掺配比例;具体的,在本实施例中,各种煤的掺配比例包括:高挥高热煤比例、高挥低热煤比例、经济煤比例。
进一步的,对待预测各时间点和历史各时间点相应的锅炉运行参数进行归一化预处理得到运行参数数据集,所采用的归一化方程为:对数据进行归一化处理可以降低样本波动的影响,增强预测性能。
需要说明的是,在实际发电生产中,不同的锅炉运行情况会导致发电企业的各个生产环节发生的成本不同,即不同的锅炉运行参数对应不同的度电发电成本。而度电生成成本基于发电生产的各个环节的成本汇计算获得。
本实施例方法通过对各生产环节的相应时间点的成本进行计算得到燃煤发电企业的各相应时间点的实时度电发电成本。
具体的,在步骤S01中,度电发电成本包括度电燃煤成本和度电运行成本;所述度电运行成本包括度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本。
进一步的,度电燃煤成本的计算方法和相关燃煤发电参数为:
Ccoal=P1·Xsum·X1+P2·Xsum·X2+…+Pi·Xsum·Xi…+PN·Xsum·XN/(Lf×1000×T);
其中,N表示燃煤掺烧方案中煤的种类;Xsum表示总煤量,单位为:t;Xi表示第i种煤在总煤量中的占比,且Pi表示第i种煤的价格,单位为:元/t;Lf为发电负荷,单位为MW;T为发电时间,单位为h,需要说明的是,本发明中所有公式中的T均为计算各公式时相应的发电时间。
进一步的,在本实施例中,N=3;煤的种类包括高挥高热煤、高挥低热煤、经济煤;计算时分别基于相应种类煤的比例进行计算。
进一步的,进一步的,度电发电燃油成本的计算公式和相关燃油发电参数为:
Cry=Poil×Moil/(Lf×1000×T);
其中,Cry表示度电发电燃油成本,单位为元/(kW·h);Poil表示燃油价,单位为元/t;Moil表示当前油耗量,单位为t(吨);Lf为发电负荷,单位为MW。
进一步的,度电用水成本包括盐水制水成本、循环水制水成本和中水成本,其中盐水制水成本、循环水制水成本和中水成本分别基于每分钟除盐水出水管流量、每分钟循环水补水流量和每分钟中水母管流量计算得到。
进一步的,盐水制水成本、循环水制水成本和中水成本,计算方法和相关燃煤发电参数(此处的燃煤发电参数为燃煤发电时的用水参数)分别为:
Ccys=Gcys×T×Pcys/(Lf×1000×T);
其中,Ccys表示度电除盐水制水成本,单位为元/(kW·h);Gcys表示除盐水出水母管流量,单位为t/h;Pcys表示除盐水制水单位价格,单位为元/t;Lf为发电负荷,单位为MW;
Cxhs=Gxhs×T×Pxhs/(Lf×1000×T);
其中,Cxhs表示度电循环水制水成本,单位为元/(kW·h);Gxhs表示循环水补水流量,单位为t/h;Pxhs表示循环水制水单位价格,单位为元/t;
Czs=Gzs×Pzs/(Lf×1000×T);
其中,Czs表示度电中水成本,单位为元/(kW·h);Gzs表示中水母管流量,单位为t/h;Pzs表示中水单位价格,单位为元/t。
进一步的,度电厂用电成本包含火电企业所有生产环节的设备用电成本,其计算公式和相关燃煤发电参数(此处的燃煤发电参数为设备用电参数)为:
Ccyd=Fe×0.01×Pe;
其中,Ccyd表示度电厂用电成本,单位为元/(kW·h);Fe表示厂用电率;Pe表示上网电价,单位为元/(kW·h)。
进一步的,度电维护成本的计算公式和相关燃煤发电参数(设备维护参数)为:
Cwh=(Ccl+Cjx)/Pmf;
其中,Cwh表示度电维护成本,单位为元/(kW·h);Ccl表示当月日常维护材料费(替换件),单位为元;Cjx表示当月检修费,单位为元;Pmf表示当月总发电量。
进一步的,度电排放成本包括石灰石粉费、排放环保成本和度电尿素费用成本。
具体的,石灰石粉费的计算方法和相关燃煤发电参数(此处为相关企业排放参数)为:
其中,表示原烟气SO2折算浓度,单位为kg/Nm3;Cyq,in表示原烟气标干流量,单位为m3/min;ηds表示脱硫效率,单位为%;/>表示CaCO3的摩尔质量(100g/mol);/>表示SO2的摩尔量(64g/mol);rCa/S表示钙硫比,单位是%;Plime表示石灰石粉纯度,单位是%;Pshs表示石灰石粉单价,单位为元/吨。
进一步的,排放环保成本包括度电NOx排污税、度电SO2排污税和度电烟尘排污税,计算方法和相关燃煤发电参数(企业排放参数)分别为:
其中,表示净烟气NOx浓度折算,单位为kg/Nm3;Cyq,out表示净烟气标干流量,单位为m3/min;/>表示NOx污染当量值;单位为m3/min;/>表示NOx单价,单位为元/千克;Lf为发电负荷,单位为MW;
表示净烟气SO2浓度折算,单位为kg/Nm3;/>表示SO2污染当量值,单位为m3/min;/>表示SO2单价,单位为元/千克;
Cyc,out表示净烟气烟尘浓度折算,单位为kg/Nm3;Vyc表示烟尘污染当量值,单位为m3/min;Pyc表示烟尘单价,单位为元/千克;
其中,烟气标干流量是指实际测出来的烟气流量换算成标准状态下(0℃=273K、101.325Kpa)的流量,原烟气标干流量和净烟气标干流量的计算方法和相关燃煤发电参数(企业排放参数)分别为:
其中,Cyq,in表示原烟气标干流量,单位为m3/min;Syyq表示烟气入口横截面积,单位为m2;Vyyq表示原烟气流速,单位为m/s;Fa表示大气压力,单位为Pa;Fyyq表示测点处原烟气静压,单位为Pa;表示原烟气中水分含量体积百分数,单位为%;Tyyq表示原烟气温度,单位为℃;Cyq,out表示净烟气标干流量,单位为m3/min;Sjyq表示烟气出口横截面积,单位为m2;Vjyq表示净烟气流速,单位为m/s;Fjyq表示测点处净烟气静压,单位为Pa;/>表示净烟气中水分含量体积百分数,单位为%;Tjyq表示净烟气温度,单位为℃。
进一步的,度电尿素费用成本的计算方法和相关燃煤发电参数(企业排放参数)为:
其中,Cns表示度电尿素费,单位元/(kW·h);表示氨气量(供氨流量),单位为kg/h;Pns表示尿素单价,单位为元/kg。
进一步的,度电运行成本为上述度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本的和,表示为:Cop=Cry+Cys+Ccyd+Cwh+Cpf;
其中,Cys表示度电用水成本,Cys=Ccys+Cxhs+Czs;
Cpf表示度电排放成本,Cpf=Cshs+Chbs+Cns;
Chbs表示排放环保成本,
进一步的,度电发电成本为度电燃煤成本和度电运行成本之和,表示为:
C=Ccoal+Cop。
具体的,在步骤S02中,运行参数数据集和度电发电成本数据集中的数据基于各时间点是一一对应的关系。
具体的,在步骤S03中,使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型包括:
初始化迭代次数、蜻蜓算法的种群规模、种群中每个蜻蜓个体的位置向量和蜻蜓算法的步长向量;其中,由SVM的参数惩罚因子c、核函数系数g的一组取值组合构成一个蜻蜓个体的位置向量,向量维度为2;其中,c、g两个参数的寻优范围为2-8~28;
在每一轮迭代中:
对于每个蜻蜓个体,使用SVM基于该个体的c、g值和训练集中每个样本的运行参数得到每个样本相应的预测成本值,基于所有的预测成本值和所有相应的度电发电成本计算得到该蜻蜓个体的适应度值;
使用蜻蜓算法基于所有蜻蜓个体的适应度值确定食物位置、敌人位置,更新蜻蜓的权重、位置向量和步长向量;其中,确定当前种群中具有最优适应度值的个***置为食物,当前种群中具有最差适应度值的个***置为敌人;所述最优适应度值指所有适应度值中的最小值,所述最差适应度值指所有适应度值中的最大值;
在每一轮迭代完成时:
判断是否到达终止条件,如果否,则继续下一轮迭代;如果是,则停止迭代,记录最优适应度值的个***置相应的c、g值为SVM的c、g取值,得到训练好的DA-SVM模型;其中,终止条件包括:达到迭代次数或蜻蜓算法已求得最优适应度值。
进一步的,计算所述适应度值的适应度函数为:
其中,n为样本个数;Pi为每个样本相应的预测成本值,Yi为每个样本中相应的度电发电成本。
优选的,SVM选用高斯径向基核函数。
具体的,在步骤S04中,基于在步骤S01中归一化处理后的待预测各时间点的锅炉运行参数,使用训练好的DA-SVM模型预测各时间点相应的发电成本;具体的,待预测各时间点指待预测成本的当前生产时间段内选取的各时间点;可选的,对待预测各时间点相应的成本预测结果求均值,为当前生产时间段的成本预测结果。
本实施例,公开了一种基于支持向量机回归模型的发电成本预测方法,通过根据历史各时间点的实时度电发电成本,训练模型寻找锅炉运行参数和度电发电成本之间的对应关系,从而可以使用模型基于锅炉运行的不同生产方案高效快捷的预测相应的发电成本,一方面可以根据成本情况指导生产方案的调整以达到节约成本的目的;另一方面可以根据当前生产方案预测发电成本,指导电厂制定合理的上网电价竞价策略。
通过采用蜻蜓算法(DA)来选择支持向量机(SVM)的最优参数,由于蜻蜓算法具有较强的局部搜索能力和全局搜索能力,在参数优化中具有良好的效果,减小了SVM预测的随机性,提升了预测的准确性。
在计算历史发电成本过程中,通过考虑燃煤发电各个生产环节的成本,对各环节成本实现分钟级的计算,做到了度电发电成本计算的实时性和准确性,相对于现有技术中通常采用的“后计算”,综合考虑了各个生产环节、数据采集实时,计算结果更为准确,更有利于为企业提供生产方案的决策和竞价决策提供数据支撑。
实施例二
本发明的另一个具体实施例,公开了一种基于支持向量机回归模型的发电成本预测方法,具体包括如下步骤:
步骤S11、同实施例一的S01,具体的,选取历史最近两个月内分钟级时间点的燃煤发电参数值,计算得到相应的分钟级的度电发电成本数据,组成度电发电成本数据集。
步骤S12、基于所述运行参数数据集和所述度电发电成本数据集构建训练集。
步骤S13、使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型;其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型;
具体的,DA-SVM模型的训练迭代次数初始化值为100;种群规模为50,即蜻蜓种群中个体个数为50;c、g两个参数的寻优范围为2-8~28;图2和图4显示了本实施例模型的寻优过程。其中,图2为参数c、g的寻优迭代过程;图3为c、g的结果选择等高线图(等高线中的数据标识为实际MSE的106倍);当适应度函数到达最小值时,c=0.3100,g=0.2867。
步骤S14、使用所述训练好的DA-SVM模型基于待预测各时间点锅炉运行参数预测发电成本。
具体的,本实施例选取当前一周生产中各时间点的锅炉运行参数,基于当前一周的生产方案进行成本预测。
具体的,在本实施例中,为了验证DA-SVM模型的性能,分别采用随机森林(RandomForest,RF)模型和BP神经网络(Back Propagation Neural Network,BP)模型对相同样本集的单位运行成本进行预测。将真实度电运行成本分别与三种模型的预测结果进行对比。其中RF模型中初始化参数树的个数为50(n_estimators=50),其他为默认值;BP模型中初始化参数学习率为0.02(learning rate=0.02),训练数为300(epochs=300),隐层节点数为100(Number of hidden layers=100)。图4展示了采用不同模型对不同样本进行预测的预测结果,表1给出了不同模型的预测结果评价指标对比。
表1、预测结果评价指标对比
其中,各评价指标的表达式分别为:
均方误差
均误差平方根
平均绝对误差
平均绝对百分比误差
根据表1的对比可以看出,DA-SVM模型的评价指标结果为:MSE为3.84×10-6,RMSE为0.00196,MAE为0.00163,MAPE为0.02657。DA-SVM模型的3个误差指标在所有方法中最小,DA-SVM表现出更高的预测精度。体现了预测优势。可见DA-SVM模型可以实现对度电发电成本的精确预测,具有很好的推广效应。
需要说明的是,上述实施例基于相同的发明构思,未重复描述之处,可相互借鉴。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于支持向量机回归模型的发电成本预测方法,其特征在于,包括如下步骤:
获取历史各时间点的燃煤发电参数计算得到度电发电成本数据集;
所述度电发电成本包括度电燃煤成本和度电运行成本;
所述度电运行成本包括度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本;
所述度电燃煤成本的计算方法为:
Ccoal=P1·Xsum·X1+P2·Xsum·X2+…+Pi·Xsum·Xi…+PN·Xsum·XN/(Lf×1000×T);
其中,N表示燃煤掺烧方案中煤的种类;Xsum表示总煤量;Xi表示第i种煤在总煤量中的占比,且Pi表示第i种煤的价格;Lf为发电负荷;T为发电时间;
所述度电用水成本包括盐水制水成本、循环水制水成本和中水成本,所述盐水制水成本、循环水制水成本和中水成本分别基于每分钟除盐水出水管流量、每分钟循环水补水流量和每分钟中水母管流量计算得到;
所述度电排放成本包括石灰石粉费、排放环保成本和度电尿素费用成本;所述石灰石粉费的计算方法为:
其中,表示原烟气SO2折算浓度,单位为kg/Nm3;Cyq,in表示原烟气标干流量,单位为m3/min;ηds表示脱硫效率,单位为%;/>表示CaCO3的摩尔质量(100g/mol);/>表示SO2的摩尔量(64g/mol);rCa/S表示钙硫比,单位是%;Plime表示石灰石粉纯度,单位是%;Pshs表示石灰石粉单价,单位为元/吨;T表示发电时间,单位为h;
所述排放环保成本包括度电NOx排污税、度电SO2排污税和度电烟尘排污税,计算方法分别为:
其中,表示净烟气NOx浓度折算,单位为kg/Nm3;Cyq,out表示净烟气标干流量,单位为m3/min;/>表示NOx污染当量值;单位为m3/min;/>表示NOx单价,单位为元/千克;Lf为发电负荷,单位为MW;
表示净烟气SO2浓度折算,单位为kg/Nm3;/>表示SO2污染当量值,单位为m3/min;表示SO2单价,单位为元/千克;
Cyc,out表示净烟气烟尘浓度折算,单位为kg/Nm3;Vyc表示烟尘污染当量值,单位为m3/min;Pyc表示烟尘单价,单位为元/千克;
所述度电维护成本的计算公式为:
Cwh=(Ccl+Cjx)/Pmf;
其中,Cwh表示度电维护成本,单位为元/(kW·h);Ccl表示当月日常维护材料费,单位为元;Cjx表示当月检修费,单位为元;Pmf表示当月总发电量;
获取待预测各时间点和所述历史各时间点相应的锅炉运行参数进行预处理,其中预处理后的所述历史各时间点的锅炉运行参数组成运行参数数据集;所述燃煤发电参数和锅炉运行参数均包括总煤量和各种煤的掺配比例;
基于所述运行参数数据集和所述度电发电成本数据集构建训练集;
使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型;其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型;
使用所述训练好的DA-SVM模型基于所述待预测各时间点的预处理后的锅炉运行参数预测发电成本。
2.根据权利要求1所述的发电成本预测方法,其特征在于,所述使用训练集对DA-SVM模型进行训练,得到训练好的DA-SVM模型包括:
初始化迭代次数、蜻蜓算法的种群规模、种群中每个蜻蜓个体的位置向量和蜻蜓算法的步长向量;其中,由SVM的参数惩罚因子c、核函数系数g的一组取值组合构成一个蜻蜓个体的位置向量;
在每一轮迭代中:对于每个蜻蜓个体,使用SVM基于该个体的c、g值和训练集中每个样本的运行参数得到每个样本相应的预测成本值,基于所有的预测成本值和所有相应的度电发电成本计算得到该蜻蜓个体的适应度值;使用蜻蜓算法基于所有蜻蜓个体的适应度值确定食物位置、敌人位置,更新蜻蜓的权重、位置向量和步长向量;其中,确定当前种群中具有最优适应度值的个***置为食物,当前种群中具有最差适应度值的个***置为敌人;
判断是否到达终止条件,如果否,则继续迭代;如果是,则停止迭代,记录最优适应度值的个***置相应的c、g值为SVM的c、g取值,得到训练好的DA-SVM模型。
3.根据权利要求2所述的发电成本预测方法,其特征在于,计算所述适应度值的适应度函数为:
其中,n为样本个数;Pi为每个样本相应的预测成本值,Yi为每个样本中相应的度电发电成本。
4.根据权利要求3所述的发电成本预测方法,其特征在于,所述终止条件包括:达到迭代次数或蜻蜓算法已求得最优适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286295.9A CN117391734B (zh) | 2023-10-07 | 2023-10-07 | 一种基于支持向量机回归模型的发电成本预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286295.9A CN117391734B (zh) | 2023-10-07 | 2023-10-07 | 一种基于支持向量机回归模型的发电成本预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391734A CN117391734A (zh) | 2024-01-12 |
CN117391734B true CN117391734B (zh) | 2024-03-26 |
Family
ID=89436534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311286295.9A Active CN117391734B (zh) | 2023-10-07 | 2023-10-07 | 一种基于支持向量机回归模型的发电成本预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391734B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778538A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
CN107133460A (zh) * | 2017-04-26 | 2017-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种锅炉飞灰含碳量在线动态预测方法 |
CN112598167A (zh) * | 2020-12-17 | 2021-04-02 | 上海电力大学 | 基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法 |
WO2023279636A1 (zh) * | 2021-07-09 | 2023-01-12 | 南京航空航天大学 | 一种总装车间物料需求预测方法 |
CN116307075A (zh) * | 2023-02-01 | 2023-06-23 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于智能算法的度电燃煤成本优化方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及*** |
-
2023
- 2023-10-07 CN CN202311286295.9A patent/CN117391734B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778538A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
CN107133460A (zh) * | 2017-04-26 | 2017-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种锅炉飞灰含碳量在线动态预测方法 |
CN112598167A (zh) * | 2020-12-17 | 2021-04-02 | 上海电力大学 | 基于蜻蜓算法和快速学习网的电站锅炉NOx排放量预测方法 |
WO2023279636A1 (zh) * | 2021-07-09 | 2023-01-12 | 南京航空航天大学 | 一种总装车间物料需求预测方法 |
CN116307075A (zh) * | 2023-02-01 | 2023-06-23 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于智能算法的度电燃煤成本优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117391734A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887827B (zh) | 一种基于火电机组实时碳排放监测的配煤掺烧优化决策方法 | |
Zhao et al. | Scenario analysis of the carbon pricing policy in China’s power sector through 2050: Based on an improved CGE model | |
CN109345012B (zh) | 基于综合评价指标的园区能源互联网运行优化方法 | |
CN109741103B (zh) | 一种短期多目标双层优化调度方法 | |
CN110738530A (zh) | 一种面向用户侧的电能替代综合效益分析方法 | |
CN112836429A (zh) | 一种基于煤质预测的多目标优化配煤方法 | |
CN115018230A (zh) | 考虑减排成本的综合能源***低碳鲁棒经济优化运行方法 | |
Han et al. | Coal-fired power plant CCUS project comprehensive benefit evaluation and forecasting model study | |
CN106779361B (zh) | 并网混合可再生能源***的多目标优化设计方法 | |
CN112381268B (zh) | 一种面向电力现货市场的短期燃煤成本预测方法及*** | |
CN115423282A (zh) | 一种基于奖惩阶梯型碳交易的电-氢-储综合能源网多目标优化调度模型 | |
CN111949936A (zh) | 一种郊区综合能源***的评价方法及*** | |
CN114154744A (zh) | 综合能源***的扩容规划方法、装置及电子设备 | |
Alam et al. | Simulated energy scenarios of the power sector in Bangladesh | |
CN115936220A (zh) | 一种园区综合能源***规划及运行优化方法和终端 | |
CN117391734B (zh) | 一种基于支持向量机回归模型的发电成本预测方法 | |
CN113779792A (zh) | 一种基于仿射的综合能源***优化配置方法 | |
CN112653180B (zh) | 一种风火储联合***环境经济调度方法及*** | |
CN115496378A (zh) | 一种计入风能减排效益的电力***经济调度方法 | |
CN115438932A (zh) | 一种综合能源配电网优化调度及免疫粒子群求解方法 | |
CN115496336A (zh) | 一种调峰辅助服务市场机制下火电机组效益评估方法 | |
CN114925892A (zh) | 水电与电转气结合的中长期风水火发电量双层规划方法 | |
CN117391240B (zh) | 一种基于相似度计算的火电发电燃煤掺烧方案调优方法 | |
CN113450186A (zh) | 一种适用于耦合***参与的月度集中市场的竞价策略 | |
CN117010728B (zh) | 一种火电企业发电综合成本优化方法 |
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 |