一种能源调度评估方法及系统

技术领域

本发明涉及大型工业企业的能源管理调度领域，尤其涉及一种能源调度评估方法及系统。

背景技术

大型工业企业在生产过程中往往伴随着大量的能源产生于能源消耗，以钢铁企业的生产过程为例，在整个生产过程会产生并消耗大量的煤气、蒸汽、氧气等能源介质。现有企业往往通过引入能源管理系统(以下简称EMS系统)对能源的产耗进行调度，但是现有EMS系统仅能通过采集实时的能源产耗数据进行监视和管理。但在实际生产过程中，企业生产过程是一个动态变化的，仅关注实时能源产耗数据很难做到动态平衡，当能源供需平衡被打破时往往会引起能源放散等损失或管道失压等情况，严重时甚至影响企业正常生产。

发明内容

鉴于以上现有技术存在的问题，本发明提出一种能源调度评估方法及系统，主要解决现有能源调度系统安全性及可靠性不足的问题。

为了实现上述目的及其他目的，本发明采用的技术方案如下。

一种能源调度评估方法，包括：

获取各工序的历史数据，并根据所述历史数据获取未来一段时间每个工序的能源产耗预测分布；其中，所述历史数据包括各工序的能源产耗数据以及对应的生产数据；

根据设置的预测准确概率范围确定每个工序对应的能源产耗最大正误差和最大负误差，并对各工序的能源产耗最大正误差和最大负误差进行排列组合，得到的多种组合方式；

针对每种组合方式进行能源事件预演，并将预演结果与当前能源调度系统的调度指令相结合，判断所述调度指令是否会导致能源系统动态不平衡，若不会，则输出所述调度指令，若会，则输出警示信息。

可选地，根据所述历史数据获取未来一段时间每个工序的能源产耗预测分布，包括：

将所述历史数据作为预训练的能源产耗预测模型的输入，获取未来一段时间的能源产耗预测分布，其中，所述能源产耗预测模型包括：长短期记忆神经网络模型。

可选地，获取未来一段时间的能源产耗预测分布，还包括：

根据每个工序能源产耗的特点，通过所述能源产耗预测模型对每个工序的能源产耗进行多次预测，获取多组预测结果；

根据所述多组预测结果统计误差范围以及对应预测结果落入所述误差范围的概率，得到对应工序的能源产耗预测分布，若所述预测分布服从正态分布，则采用正态分布函数表述对应工序的能源产耗预测分布，若所述预测分布不服从正态分布，则采用核密度估计函数表示对应工序的能源产耗预测分布。

可选地，根据设置的预测准确概率范围确定每个工序对应的能源产耗最大正误差和最大负误差，包括：

根据每个工序的特点设置预测准确概率范围，获取对应工序的能源产耗预测分布在所述预测准确概率范围内的最大值和最小值，分别对应最大正误差和最大负误差。

可选地，并对各工序的能源产耗最大正误差和最大负误差进行排列组合，得到多种组合方式，包括：

最大正误差和最大负误差为对应工序的两种能源产耗极端情况，设有n个生产工序，则所有工序的排列组合，得到2

可选地，针对每种组合方式进行能源事件预演，包括：

遍历所有组合方式，并根据每种组合方式确定对应的能源产耗分布，得到预演结果。

可选地，将预演结果与当前能源调度系统的调度指令相结合，包括：

根据所述调度指令获取各工序对应的能源产耗，将调度指令对应的能源产耗与预演结果对应的能源产耗分布进行线性叠加，根据线性叠加结果进行能源系统动态平衡判断。

可选地，根据线性叠加结果进行能源系统动态平衡判断，包括：

获取经过线性叠加后总能源介质产生与消耗之间的绝对差值，判断所述绝对差值是否超出设定的阈值范围，若超出，则能源系统动态不平衡。

一种能源调度评估系统，包括：

能源产耗预测模块，用于获取各工序的历史数据，并根据所述历史数据获取未来一段时间每个工序的能源产耗预测分布；其中，所述历史数据包括各工序的能源产耗数据以及对应的生产数据；

极端情况获取模块，用于根据设置的预测准确概率范围确定每个工序对应的能源产耗最大正误差和最大负误差，并对各工序的能源产耗最大正误差和最大负误差进行排列组合，得到的多种组合方式；

预演判断模块，用于针对每种组合方式进行能源事件预演，并将预演结果与当前能源调度系统的调度指令相结合，判断所述调度指令是否会导致能源系统动态不平衡，若不会，则输出所述调度指令，若会，则输出警示信息。

可选地，所述预演判断模块包括：指令影响评估单元，用于根据所述调度指令获取各工序对应的能源产耗，将调度指令对应的能源产耗与预演结果对应的能源产耗分布进行线性叠加，根据线性叠加结果进行能源系统动态平衡判断。

如上所述，本发明一种能源调度评估方法及系统，具有以下有益效果。

本发明引入预测算法解决当前能源产耗波动对调度的影响，不仅考虑当前时刻的产耗数据，还考虑未来一段时间的产耗数据，如果只考虑实时数据，则可能出现某一波动而导致整个调度程序出现过激反馈；此外，引入事件预演功能，通过将预测的结果引入事件预演模块，通过将可能存在的所有极端情况都预演一次从而为保证调度工作的安全与可靠。

附图说明

图1为本发明一实施例中能源调度评估方法的流程示意图。

图2为本发明一实施例中能源调度评估系统执行能源调度评估的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种能源调度评估方法，包括步骤S01-S03。

能源调度人员或调度系统会根据自己的判断，给出能源调度操作指令，而能源调度操作指令是明确的，且对未来一段时间内的影响是可知的。以某个调度操作指令为例“锅炉煤气消耗速率提高5000m3/h”，则煤气锅炉会严格按照这个操作指令执行，在未来一段时间内增加煤气的消耗速率，所以调度操作指令对未来的影响是明确可知的，不存在任何不确定性。

但是，其他生产工序的能源产耗情况，是不受能源调度人员或系统指挥和控制的，所以在未来一段时间的这些生产工序的能源产耗情况存在较大的不确定性，而能源调度人员和系统也只能被动的去适应这些不确定性。

如果，调度人员和系统不能很好判断未来一段时间的所有能源产耗变化情况，或者未来一段时间某几个生产工序的能源产耗情况同时出现了比较极端的情况。那么该能源调度操作指令可能带来未来一段时间的能源系统供、需的动态不平衡，由此而导致管道超压、放散、用户失压等情况，严重时甚至会影响企业各工序的正常生产。

在步骤S01中，获取各工序的历史数据，并根据所述历史数据获取未来一段时间每个工序的能源产耗预测分布；其中，所述历史数据包括各工序的能源产耗数据以及对应的生产数据。

在一实施例中，在具体执行能源调度操作指令以前，先从能源调度系统中读取操作指令并存储，然后调用能源产耗预测模块，通过读取每个生产工序的能源产耗历史数据及相应的单元内部生产的历史数据作为输入条件，依次对每个生产工序的能源生产和消耗情况做未来一段时间的预测。可选地，能源产耗预测模块可集成经过预训练的长短期记忆神经网络模型。示例性地，以三维坐标系来表示长短期记忆神经网络的输入数据，则X轴表示一段时间内的输入值，如X轴上的第一行为T

这种预测过程中引入多种数据的原因在于，如果仅通过待预测数据(能源产耗数据)的历史数据进行预测，那么只是一个简单的时序预测，而很多变化是时序预测无法捕捉到的。如果同时引入其他与待预测数据(能源产耗数据)相关的生产数据一同进行预测，则可以更好捕捉到数据的变化情况，从而提高预测准确度。长短期记忆神经网络模型的训练及预测过程为常规技术，这里不做赘述。

在一实施例中，完成各工序能源产耗短期预测后，需要确认设定概率范围内所有工序能源产耗的最大正、负误差。可根据每个工序能源产耗的特点，通过能源产耗预测模型对每个工序的能源产耗进行多次预测，获取多组预测结果；根据多组预测结果统计误差范围以及对应预测结果落入误差范围的概率，得到对应工序的能源产耗预测分布，若预测分布服从正态分布，则采用正态分布函数表述对应工序的能源产耗预测分布，若预测分布不服从正态分布，则采用核密度估计函数表示对应工序的能源产耗预测分布。

具体地，在预测数据进行测试和统计时，预测数据和实际真实数据之间肯定存在误差，所以需要对误差值进行统计分析。如果误差符合正态分布，则对应的误差概率密度采用正态分布函数：若误差不符合正态分布，则采用核密度估计函数进行概率统计计算。

步骤S02，根据设置的预测准确概率范围确定每个工序对应的能源产耗最大正误差和最大负误差，并对各工序的能源产耗最大正误差和最大负误差进行排列组合，得到的多种组合方式。

在一实施例中，根据设置的预测准确概率范围确定每个工序对应的能源产耗最大正误差和最大负误差，包括：

根据每个工序的特点设置预测准确概率范围，获取对应工序的能源产耗预测分布在预测准确概率范围内的最大值和最小值，分别对应最大正误差和最大负误差。

具体地，以符合正态分布的误差为例，描述如何确定某设定概率范围内的最大正、负误差。

如果误差符合正态分布，则给定一个固定的概率值P(正态分布曲线与横轴围城的面积)，则可以确定这个概率值所对应的最大正Emax、负误差-Emax,其对应的物理意义为：经统计显示，有P的概率，真实数据会落在[预测值-Emax，预测值+Emax]这个范围里，而对应的最大正、负误差则被称为该工序能源产耗的极端情况。

通过核密度估计函数进行计算某个概率范围内的最大正、负误差的方法与之相同，区别仅在于概率函数的不同而导致的概率曲线形状不同，但所有计算步骤均一致。

示例性地，如果人工设定一个概率90％(即P＝0.9)，则会对应计算出最大正、负误差(即Emax和-Emax)。则其物理意义代表，在未来一段时间内，真实能源产耗数据有90％的概率会落在[预测值-Emax，预测值+Emax]这个范围内。而其对应的两个端点值：(预测值–Emax)和(预测值+Emax)则分别称为该工序单元能源产耗可能存在的两种极端情况。如果概率值设置的越大，则对应的正负误差也就越大，则对调度操作指令的要求也就越严格，因为该种情况下会要求调度操作指令满足更绝大多数可能存在的极端情况。

在一实施例中，将每个工序可能存在的所有最大正、负误差情况进行排列组合，因为各工序单元有最大和最小2种极端情况，则n个生产工序对应的排列组合总数为2

在预演情况下，会采取遍历的方式依次将每个工序单元点(如气源、用户等单元点)的2

步骤S03，针对每种组合方式进行能源事件预演，并将预演结果与当前能源调度系统的调度指令相结合，判断调度指令是否会导致能源系统动态不平衡，若不会，则输出调度指令，若会，则输出警示信息。

在一实施例中，将预演结果与当前能源调度系统的调度指令相结合，包括：

根据调度指令获取各工序对应的能源产耗，将调度指令对应的能源产耗与预演结果对应的能源产耗分布进行线性叠加，根据线性叠加结果进行能源系统动态平衡判断。

具体地，将每种情况进行事件预演后的结果与调度操作指令进行结合，也即将一开始读取到的调度指令的影响与每种事件预演的结果进行叠加，其中由于调度指令的执行是明确的，不像预测存在误差，所以可将调度指令的影响直接与事件预演进行线性叠加。

根据叠加后的结果判断该调度指令操作是否会给当前能源系统点来动态不平衡，判断过程为：首先判断总能源介质产生与消耗之间的绝对差值，即能源介质的富裕量与不足量，如果总的产耗绝对差值超过某一范围，也即超过能源系统的调度范围，那么能源系统将无法正常工作并可能带来严重后果。其次再判断每一个区域内的各个用户(或气源)与管段是否存在超压和压力不足的情况，如果用户(或气源)与管道存在超压则说明局部能源过剩，可能导致放散的情况；如果用户(或气源)与管道存在压力不足则说明局部能源不足，可能导致生产停滞的情况。

根据能源事件预演的结果与当前调度指令系统的结合计算，如果当前调度指令可能对能源系统带来动态不平衡，则提前给出报警或进行干预，如果并不会带来动态不平衡，则正常输出调度指令并按照调度指令执行。

本实施例中还提供了一种能源调度评估系统，用于执行前述方法实施例中所述的能源调度评估方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。

在一实施例中，一种能源调度评估系统，包括：

能源产耗预测模块，用于获取各工序的历史数据，并根据历史数据获取未来一段时间每个工序的能源产耗预测分布；其中，历史数据包括各工序的能源产耗数据以及对应的生产数据；

极端情况获取模块，用于根据设置的预测准确概率范围确定每个工序对应的能源产耗最大正误差和最大负误差，并对各工序的能源产耗最大正误差和最大负误差进行排列组合，得到的多种组合方式；

预演判断模块，用于针对每种组合方式进行能源事件预演，并将预演结果与当前能源调度系统的调度指令相结合，判断调度指令是否会导致能源系统动态不平衡，若不会，则输出调度指令，若会，则输出警示信息。

在一实施例中，预演判断模块包括：指令影响评估单元，用于根据调度指令获取各工序对应的能源产耗，将调度指令对应的能源产耗与预演结果对应的能源产耗分布进行线性叠加，根据线性叠加结果进行能源系统动态平衡判断。

请参阅图2，在一实施例中，能源调度评估系统的具体执行步骤可包括：

步骤201，计算开始；

步骤202，读取当前能源调度系统操作指令；并存储操作指令，操作指令即为调度指令。

步骤203，读取能源产耗历史数据以及相应工序生产数据，生产数据包括：温度、压力等；

步骤204，将步骤203中读取数据输入能源产耗预测模块，预测未来一段时间的能源产耗分布；

步骤205，根据步骤204的能源产耗预测模块，完成各工序的能源产耗短期预测；

步骤206，根据步骤205的短期预测结果，确定设定概率范围内所有工序能源产耗的最大正、负误差；

步骤207，设置能源事件预演模块；

步骤208-步骤209，通过步骤207中的能源事件预演模块，将每个工序可能存在的所有最大正、负误差情况进行排列组合，分别考虑最大正、负误差后对所有可能存在的极端情况进行事件预演；

步骤210，将步骤202操作指令对能源系统的影响与步骤209中预演的极端事件进行线性叠加，判断调度系统操作指令是否可能带来动态不平衡，若是，则提前给出报警或进行干预；若否，则输出调度指令并安调度指令执行。

综上所述，本发明一种能源调度评估方法及系统，将能源调度与能源产耗预测和能源事件预演进行有机结合，其中引入预测算法是为了解决当前能源产耗波动对调度的影响，不仅要考虑当前时刻的产耗数据，还要考虑未来一段时间的产耗数据，如果只考虑实时数据，则可能出现某一波动而导致整个调度程序出现过激反馈；另一个要点在于引入事件预演功能，通过将预测的结果引入事件预演模块，通过将可能存在的所有极端情况都预演一次从而为保证调度工作的安全与可靠；通过“调度-预测-预演-调度”的模式，不仅通过时序结合工艺的方法对各工序能源产耗变化趋势进行产耗短期预测；同时，通过能源事件预演功能，基于能源产耗预测提供的数据，定量分析不同工况事件下能源产生、储配以及利用过程的动态变化特性，再进一步充分考虑预测数据存在误差的情况下，对所有极端情况进行事件预演，对可能存在问题的情况进行提前报警或干预，充分保证能源调度系统的安全性和可靠性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。