[0001] 本发明属于热电联产调控技术领域，具体是一种基于热电联产的热量调控方法。

[0002] 热电联产是城市集中供热的一种主要方式，是一种提高能源利用率的技术手段，它利用热机或发电站同时产生电力和有用的热量。这种技术不仅可以显著提高燃料利用率，还是节约能源、增强城市基础设施功能的重要措施，同时也是保障供热安全、促进绿色低碳发展的重要手段。

[0003] 但是在热量调控方面仍存在一些问题，当热电联产的供给热量可以根据需求进行设定，但是负荷需求会发生变化，因此出现供热和发电两种需求变化不同步，导致输出热量和用户端热负荷需求不一致，从而会出现短期内反复出现热量盈余和热量缺口，从而产生热量的浪费，无法实现经济效益最大化。

[0022] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0023] 请参阅图1‑图3，本发明第一方面实施例提供了一种基于热电联产的热量调控方法，包括以下步骤：步骤一：获取时间数据和环境数据，对环境数据进行分类得到分类数据；其中，分类数据包括异常数据和正常数据；其中，环境数据包括环境温度、环境湿度和风速；
步骤二：基于时间数据、分类数据和环境数据获取预测需求量；根据预测需求量调整热电联产供给热量；
步骤三：判断实际需求量是否大于热电联产供给热量；是，控制调峰锅炉和热泵机组进行停止，将多余的供给热量储存至地热井中；否，控制调峰锅炉和热泵机组进行运行，将地热井中的热量接入调峰锅炉。

[0024] 而上述记载的时间数据可以为一个设定周期内的某个时间段，示例性的，时间数据为2023年第50周的第2个工作日的上午10点‑11点。

[0025] 本实施例中，对环境数据进行分类得到分类数据，包括：A1：提取环境数据中的环境温度、环境湿度和风速；
A2：将环境数据中的环境温度与温度范围进行比较；若环境数据中的环境温度在温度范围内，则将环境数据标记为正常数据；否则，跳转至A3；
A3：将环境数据中的环境湿度与湿度范围进行比较；若环境数据中的环境湿度在湿度范围内，则将环境数据标记为正常数据；否则，跳转至A4；
A4：将环境数据中的风速与风速范围进行比较；若环境数据中的风速在风速范围内，则将环境数据标记为正常数据；否则，将环境数据标记为异常数据。

[0026] 具体的，温度范围、湿度范围和风速范围通过数据库中的历史数据获取。

[0027] 通过将先将环境数据根据具体的数值进行分类，并对环境数据进行标记，在后续的需求预测模型进行训练时，能够以数据类型作为输入因素之一，以提高预测的精确度，并且温度范围、湿度范围和风速范围通过历史数据进行获取能够更为贴合该热电联产的实际使用情况。

[0028] 进一步的，温度范围、湿度范围和风速范围通过数据库中的历史数据获取，包括：S1：从数据库中提取若干历史负荷量、历史负荷量对应的环境数据；
S2：将若干历史负荷量从大到小依次排序获得负荷排序，将负荷排序中分位点为
98.5%和1.5%对应的负荷量分别标记为高分位点和低分位点，将高分位点和低分位点之间的负荷量标记为负荷范围；
S3：提取在负荷范围内历史负荷量所对应的环境数据，将该环境数据中最大温度和最小温度所形成的范围标记为温度范围、最大湿度和最小湿度所形成的范围标记为湿度范围、最大风速和最小风速所形成的范围标记为风速范围。

[0029] 需要说明的是，该历史负荷量的数据总量为10000条，因此该实施例中的n为98.5，当分位点n%或1‑n%在负荷排序中不存在对应的负荷量时，例如9999条数据，此时的n仍为98.5，则取第9849条和第9850条数据的平均值，则可通过取相邻两个负荷量的平均值表示分位点98.5%对应的负荷量。

[0030] 本实施例中，基于时间数据、分类数据和环境数据获取预测需求量，包括：将分类数据中的异常数据通过唯一的特征数字“0”进行标记，将正常数据通过唯一的非特征数字“1”进行标记；
将时间数据、分类数据对应的数字和环境数据输入至需求预测模型中，得到预测负荷量，其中，需求预测模型基于人工智能模型训练获得。

[0031] 进一步的，需求预测模型基于人工智能模型训练获得，包括：从数据库中获取历史负荷量、历史负荷量对应的时间数据和环境数据；基于历史负荷量对环境数据进行分类，得到分类训练数据；其中，分类训练数据包括正常训练数据和异常训练数据；将异常训练数据通过唯一的特征数字“0”进行标记，将正常训练数据通过唯一的非特征数字“1”进行标记；
将历史负荷量、历史负荷量对应的时间数据、环境数据和测试数据整合成若干训练数据组和检验数据组；通过若干训练数据组对人工智能模型进行训练，再通过检验数据组对训练后的人工智能模型进行检验，当检验数据组中的负荷量与训练后人工智能模型输出的预测需求量之间的差值在可接受的阈值范围内，此时无需对人工智能模型进行修正，否则对人工智能模型中的隐藏层等参数进行调整，直至检验数据组中的负荷量与训练后人工智能模型输出的预测需求量之间的差值在可接受的阈值范围内且占检验数据总量的95%或者更高时，则得到输入为时间数据、环境数据和分类数据对应的数字，输出为预测需求量的需求预测模型。

[0032] 进一步的，人工智能模型可以为RBF神经网络模型或BP神经网络模型。

[0033] 本实施例中，根据预测需求量调整热电联产供给热量，包括：统计当前热电联产供给量；将预测需求量与当前热电联产供给量进行比较；当预测需求量大于当前热电联产供给量，则调整热电联产设备的运行参数以降低热电联产设备的供给热量；当预测需求量小于当前热电联产供给量，则调整热电联产设备的运行参数以提高热电联产设备的供给热量；当预测需求量等于当前热电联产供给量，则保持热电联产设备的运行参数；
示例性的，若热电联产系统主要为燃气轮机通过燃料燃烧进行发电，则可以调节导叶开度以及燃料阀的开度，能够调节燃气轮机的输出电功率以及透平排气流量、温度等参数。

[0034] 具体的，将多余的供给热量储存至地热井中，包括：启动板式换热器与地热井中的地热水进行换热，并将地热水回灌至地热井中。

[0035] 具体的，将地热井中的热量接入调峰锅炉，包括：将地热井中热水和热电联产中的水源通入板式换热器进行换热，并将换热后的地热水送入热泵机组的蒸发侧提取热量；
提取热量后的地热水回灌至地热井中，板式换热器出水侧和热泵机组冷凝侧的出水进行混合后通入调峰锅炉进行加热，加热后的水送入热电联产的供水管网中。

[0036] 上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。

[0037] 该方法中所涉及的设备主要包括热电联产、调峰锅炉、板式换热器、地热井和热泵机组。

[0038] 以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。