本技术涉及自适应优化的热电机组协同调度，特别是涉及一种基于自适应优化的热电机组协同调度系统及方法。
背景技术：
1、现有的热电系统运行调度方法主要有两类：一类是基于数学规划的方法，如线性规划、非线性规划、混合整数规划等，这类方法可以求解确定性或随机性的热电系统运行调度问题，但是需要建立热电系统的精确数学模型，且求解过程较为复杂，计算量较大，难以适应热电系统的动态变化；另一类是基于智能算法的方法，如遗传算法、粒子群算法、模拟退火算法等，这类方法可以求解非线性、非凸、多峰的热电系统运行调度问题，但是需要设置合适的参数，且易陷入局部最优，难以保证全局最优。
2、现有热电系统优化技术的缺陷主要包括以下几点：
3、非凸非线性问题：考虑质量流量可调的热电联合系统的优化运行问题是一个高度非凸非线性的问题，这在热力网络模型中的双线性项，即质量流量和节点温度的乘积中表现得尤为明显。这使得问题的求解变得复杂且难以找到全局最优解。
4、求解质量和计算性能不足：现有的方法，如非线性优化、广义benders分解方法和凸松弛技术等，在求解质量和计算性能上存在不足。这些方法可能无法有效地处理大规模或实时的优化问题。
5、器件集成中的局限性：在热电器件的设计与集成中，尽管可以考虑材料热电性能对温度的依赖性，但由于忽略了实际器件中因电极/热电材料间的异质界面等组装因素所带来的能量损失，使得模型仍具有一定局限性。此外，大多数针对器件几何结构优化的研究仍局限于单参数分析，而实用的热电组件中各种界面及热辐射、热对流传热等影响要素并非彼此独立，而是相互耦合，共同影响器件的性能。
6、缺陷工程的挑战：热电材料通常通过涉及结构缺陷工程的复杂策略进行优化。缺陷工程在改善无机材料的热电性能和机械性能方面取得了进展，但仍面临挑战。例如，点缺陷、位错、平面缺陷和体积缺陷的控制和优化是提高热电性能的关键，但这些缺陷的精确控制和优化仍然是一个复杂的问题。
技术实现思路
1、本技术提供一种基于自适应优化的热电机组协同调度系统及方法，旨在解决现有热电系统优化技术非凸非线性问题、求解质量和计算性能不足和器件集成中的局限性的问题。
2、第一方面，一种基于自适应优化的热电机组协同调度系统，其特征在于，包括以下模块：
3、数据处理模块，用于对热电系统的实时数据进行预处理，提取热电系统的特征参数，以及对热电系统的仿真模型进行校准和更新；
4、仿真分析模块，用于采用动态模拟、性能预测、敏感性分析方法，对热电系统的仿真模型进行运行性能的计算分析，并对热电机组不同工况下的机组能耗及调峰能力进行评估；
5、优化算法模块，用于采用自适应优化算法对热电系统的运行性能和协同运行约束条件进行优化求解，形成机组间协同运行优化组合方案与负荷优化分配策略；
6、调度控制模块，用于采用实时数据采集、数据传输、数据处理、数据反馈方法，对热电系统的运行状态进行实时监测和控制，实现机组间的热负荷实时优化分配，热电调峰、发电、供热综合收益最大化。
7、上述方案中，可选的，所述数据处理模块采用有限元分析、计算流体动力学、热力学方法，依次建立热电系统的结构、流场、温度及压力参数的仿真模型，并利用机器学习建立机组的能耗特性分析模型和多模式协同运行经济评估模型，具体包括如下：
8、采用有限元分析法将热电系统划分为若干个有限元，建立各个元素的控制方程和边界条件，然后通过数值方法求解这些方程，得到系统的各个状态变量的分布；
9、有限元分析：对于每个有限元，利用形函数和插值函数将位移和应力表示为节点的函数，然后通过变分原理和加权残差法将弹性方程转化为线性方程组，再通过求解器求解节点的位移和应力：
10、其中，σ是应力张量，f是体力，ρ是密度，u是位移；
11、计算流体动力学：针对每个有限元使用形函数和插值函数将速度和压力表示为节点的函数，然后通过有限元法将纳维尔-斯托克斯方程转化为非线性方程组，再通过求解器求解节点的速度和压力；
12、纳维尔-斯托克斯方程：
13、
14、其中，u是速度矢量，p是压力，μ是动力粘度，f是体力；
15、热力学：利用形函数和插值函数将温度表示为节点的函数，然后通过有限差分法将傅里叶定律转化为线性方程组，再通过求解器求解节点的温度：
16、对于热传导问题，我们可以使用以下的傅里叶定律：
17、
18、其中，t是温度，cp是比热容，k是导热系数，q是热源。
19、上述方案中，可选的，所述仿真分析模块采用动态模拟，对热电系统的仿真模型进行动态运行，模拟热电系统的运行过程和运行状态；具体如下：
20、基于机理的微分方程组建立热电系统的仿真模型，热电系统的动态特性方程：x＝f(x,u,d)；y＝g(x,u,d)；
21、其中，x是系统的状态变量；u是系统的控制变量；d是系统的干扰变量；y是系统的输出变量；f和g是非线性函数，通过物理定律或经验公式来确定。
22、上述方案中，可选的，所述采用性能预测，对热电系统的仿真模型进行性能评估，预测热电系统的运行效果和运行效率；具体如下：
23、定义用以衡量热电系统的运行效果和运行效率的性能指标并生成性能指标函数：j(x,u,d)＝c(x,u,d)+e(x,u,d)+r(x,u,d)
24、其中，j是性能指标，c是运行成本，e是碳排放量，r是运行风险；所述性能指标根据实际问题的目标和约束确定；
25、确定仿真时间范围和时间步长，以及初始状态和初始控制；
26、使用数值方法来求解热电系统的仿真模型，得到系统的状态变量和输出变量在每个时间步的值；
27、利用性能指标的函数，计算热电系统的性能指标在每个时间步的值；
28、最后对仿真结果进行分析和评估，得到热电系统的运行效果和运行效率的评价。
29、上述方案中，可选的，所述预测热电系统的运行效果和运行效率的具体算法计算如下：
30、输入：仿真时间范围[t0,tf]，仿真时间步长δt，初始状态x0，初始控制u0，系统的动态方程f，系统的输出方程g，性能指标函数j；
31、输出：仿真时间序列t＝{t0,t1,…,tf}，仿真状态序列x＝{x0,x1,…,xf}，仿真输出序列y＝{y0,y1,…,yf}，仿真性能序列z＝{j0,j1,…,jf}；
32、所述算法包括：
33、初始化：t＝t0,x＝x0,u＝u0,t＝{t},x＝{x},y＝{g(x,u,d)},z＝{j(x,u,d)}；
34、循环：当t<tf时，执行以下步骤：
35、更新：t＝t+δt,u＝u+δu(根据控制策略确定δu)；
36、求解：x＝x+δx；
37、计算：y＝g(x,u,d),j＝j(x,u,d)；
38、存储：t＝t∪{t},x＝x∪{x},y＝y∪{y},z＝z∪{j}；
39、返回：t,x,y,z。
40、上述方案中，可选的，所述优化算法模块采用自适应粒子群算法，对热电系统的运行性能和协同运行约束条件进行优化求解，形成机组间协同运行优化组合方案与负荷优化分配策略，并采用自适应的惯性权重和学习因子，提高算法的收敛速度和全局搜索能力；具体如下：
41、首先初始化一组粒子，每个粒子代表一个可行的解，即机组间的协同运行方案和负荷分配策略，其中，第i个粒子的位置和速度：
42、xi＝(xi1,xi2,…xin)
43、vi＝(vi1,vi2,…vin)
44、其中，xij表示第i个粒子在第j个维度上的位置，即第j个机组的运行状态和负荷分配，vij表示第i个粒子在第j个维度上的速度，即第j个机组的运行状态和负荷分配的变化量，n表示机组的数量；
45、定义目标函数:f(xi)＝c(xi)+e(xi)+r(xi)；
46、计算目标粒子，使得目标函数值最小；其中，f(xi)是第i个粒子的目标函数值，c(xi)是第i个粒子对应的运行成本，e(xi)是第i个粒子对应的碳排放量，r(xi)是第i个粒子对应的运行风险；
47、利用惯性权重和学习因子，提高算法的收敛速度和全局搜索能力，优化每个粒子的位置和速度，更新第i个粒子的位置和速度公式如下：
48、vi(t+1)＝ω(t)vi(t)+c1r1(t)(pi(t)-xi(t))+c2r2(t)(g(t)-xi(t))
49、xi(t+1)＝xi(t)+vi(t+1)
50、其中，vi(t)和xi(t)是第i个粒子在第t代的速度和位置，pi(t)是第i个粒子在第t代的个体最优位置，g(t)是第t代的全局最优位置，ω(t)是第t代的惯性权重，c1和c2是学习因子，r1和r2是随机数。
51、上述方案中，可选的，在所述自适应粒子群算法中，根据粒子群的进化状态来动态调整惯性权重和学习因子，具体方法如下：
52、惯性权重根据粒子群的收敛程度动态调整，公式如下：
53、
54、其中，ωmax和ωmin是惯性权重的上下限，t是最大迭代次数，t是当前迭代次数；
55、根据粒子群的分布情况自适应调整学习因子：
56、计算粒子群的适应度均值和方差，分别表示粒子群的平均水平和多样性：
57、
58、其中，n是粒子的数量，f(xi(t))是第i个粒子在第t代的适应度值；
59、根据适应度均值和方差的大小，判断粒子群的进化状态。
60、上述方案中，可选的，所述调度控制模块采用实时数据采集，对热电系统的运行参数和运行指标进行实时监测，并采用数据反馈，对热电系统的运行状态进行实时控制，实现机组间的热负荷实时优化分配，热电调峰、发电、供热综合收益最大化。
61、上述方案中，可选的，所述系统还包括显示模块和人机交互模块；其中，所述显示模块用于显示热电系统的运行状态、运行指标、优化结果信息；所述人机交互模块用于接收用户的输入、设置、调整操作，以及向用户提供反馈、提示、建议信息。
62、第二方面，一种基于自适应优化的热电机组协同调度方法，包括以下步骤：
63、根据热电系统的实时数据，所述实时数据包括且不限于负荷、温度、压力、流量、效率、能耗；采用数据校准、数据融合、数据修正方法，对热电系统的仿真模型进行校准和更新；
64、根据热电系统的仿真模型，采用动态模拟、性能预测、敏感性分析方法，对热电系统的运行性能进行计算分析，对热电机组不同工况下的机组能耗及调峰能力的准确评估；
65、根据热电系统的运行性能和协同运行约束条件，包括且不限于电负荷、热负荷、安全性，采用自适应优化算法进行计算，形成机组间协同运行优化组合方案与负荷优化分配策略；
66、根据机组间协同运行优化组合方案与负荷优化分配策略，采用实时数据采集、数据传输、数据处理、数据反馈方法，对热电系统的运行状态进行实时监测和控制。
67、相比现有技术，本技术至少具有以下有益效果：
68、本技术基于对现有技术问题的进一步分析和研究，认识到现有热电系统优化技术非凸非线性问题、求解质量和计算性能不足和器件集成中的局限性的问题，通过数据处理模块的实时数据预处理和仿真模型的校准更新，解决了数据不准确和模型过时的问题，提高了系统响应的准确性和效率。通过仿真分析模块的动态模拟和性能预测，解决了热电机组在不同工况下能耗及调峰能力评估的准确性问题，为优化调度提供了可靠的分析基础。通过优化算法模块的自适应粒子群算法和自适应的惯性权重及学习因子的应用，解决了传统优化算法在复杂系统中收敛速度慢和局部最优问题，提高了全局搜索能力和求解速度。通过调度控制模块的实时数据采集和反馈，解决了热电系统运行状态监测和控制的实时性问题，确保了热负荷的实时优化分配和综合收益的最大化。通过显示模块和人机交互模块，解决了系统运行状态信息展示和用户交互的问题，提高了系统的可操作性和用户体验。
1.一种基于自适应优化的热电机组协同调度系统，其特征在于，包括以下模块：
2.根据权利要求1所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述数据处理模块采用有限元分析、计算流体动力学、热力学方法，依次建立热电系统的结构、流场、温度及压力参数的仿真模型，并利用机器学习建立机组的能耗特性分析模型和多模式协同运行经济评估模型，具体包括如下：
3.根据权利要求1所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述仿真分析模块采用动态模拟，对热电系统的仿真模型进行动态运行，模拟热电系统的运行过程和运行状态；具体如下：
4.根据权利要求1或3所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述采用性能预测，对热电系统的仿真模型进行性能评估，预测热电系统的运行效果和运行效率；具体如下：
5.根据权利要求4所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述预测热电系统的运行效果和运行效率的具体算法计算如下：
6.根据权利要求1所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述优化算法模块采用自适应粒子群算法，对热电系统的运行性能和协同运行约束条件进行优化求解，形成机组间协同运行优化组合方案与负荷优化分配策略，并采用自适应的惯性权重和学习因子，提高算法的收敛速度和全局搜索能力；具体如下：
7.根据权利要求6所述的基于自适应优化的热电机组协同调度系统，其特征在于，在所述自适应粒子群算法中，根据粒子群的进化状态来动态调整惯性权重和学习因子，具体方法如下：
8.根据权利要求1所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述调度控制模块采用实时数据采集，对热电系统的运行参数和运行指标进行实时监测，并采用数据反馈，对热电系统的运行状态进行实时控制，实现机组间的热负荷实时优化分配，热电调峰、发电、供热综合收益最大化。
9.根据权利要求1所述的基于自适应优化的热电机组协同调度系统，其特征在于，所述系统还包括显示模块和人机交互模块；其中，所述显示模块用于显示热电系统的运行状态、运行指标、优化结果信息；所述人机交互模块用于接收用户的输入、设置、调整操作，以及向用户提供反馈、提示、建议信息。
10.一种基于自适应优化的热电机组协同调度方法，用于1-9任意一种基于自适应优化的热电机组协同调度系统，其特征在于，包括以下步骤：
