一种基于三维可视化的数字电厂功能优化方法及系统与流程

本发明涉及信息化管理，具体为一种基于三维可视化的数字电厂功能优化方法及系统。

背景技术：

1、随着国民经济的飞速增长，国家对于供电量的需求也越来越高，同时由于互联网技术的快速发展，作为结合传统电厂与互联网技术的数字化电厂也随之出现。

2、传统的电厂往往通过人工收集电厂运行发电过程中的运行参数以及输出电量，一步对运行参数进行调整，实现电厂的生产运维，难以避免对运行参数以及输出电量进行数据采集带来的误差，同时由于电厂设备种类与数量繁多，各类运行参数以及数据信息庞大，通过人工实现，浪费了大量的人力资源。

技术实现思路

1、(一)解决的技术问题

2、为解决背景技术中的不足，本发明提出了一种基于三维可视化的数字电厂功能优化方法及系统，通过采集大量数字电厂运行参数数据训练bp神经网络模型并预测数字电厂的输出电量，根据预测的数字电厂输出电量与计算得到的供电总量的数值比较结果，判断是否对数字电厂的运行参数进行调优，实现数字电厂的功能优化。

3、(二)技术方案

4、一种基于三维可视化的数字电厂功能优化方法，所述方法包括如下步骤：

5、s1、设定数字电厂运行参数类别集以及运行参数采集时间点集，并根据所述数字电厂运行参数类别集以及运行参数采集时间点集采集数字电厂的各项运行参数，得到数字电厂运行参数数据矩阵；

6、s2、构建初始bp神经网络模型、数字电厂运行参数数据训练矩阵以及数字电厂运行参数数据测试矩阵，通过数字电厂运行参数数据训练矩阵以及数字电厂运行参数数据测试矩阵对初始bp神经网络模型进行训练和测试，得到最终bp神经网络模型；

7、s3、实时采集数字电厂各项运行参数数据，得到数字电厂运行参数数据集，并通过最终bp神经网络模型对当前数字电厂单位时间的输出电量进行预测；

8、s4、收集供电用户单位时间所需的输出电量，计算当前数字电厂单位时间所需的供电总量；

9、s5、对预测的数字电厂单位时间的输出电量与当前数字电厂单位时间所需的供电总量进行数值比较，根据数值比较的结果，判断是否需要对数字电厂的运行参数进行调优。

10、通过采集大量数字电厂运行参数数据，对构建的初始bp神经网络模型进行大量的训练和测试，得到最终bp网络模型，确保得到最终bp网络模型的准确性，为后续操作提供了预测工具；通过最终bp神经网络模型预测当前数字电厂单位时间的输出电量，保证了预测结果的准确性；基于设置的供电用户所需的输出电量集以及供电损耗比例，计算当前数字电厂单位时间所需的供电总量，使计算结果具有代表性；根据预测的数字电厂单位时间的输出电量与当前数字电厂单位时间所需的供电总量数值比较的结果，判断是否对数字电厂的运行参数进行调优，确保判断结果符合实际情况。

11、优选的，设定数字电厂运行参数类别集以及运行参数采集时间点集，并根据所述数字电厂运行参数类别集以及运行参数采集时间点集采集数字电厂的各项运行参数，得到数字电厂运行参数数据矩阵的操作步骤如下：

12、s11、设定数字电厂运行参数类别集a＝{a1，a2，λ，ai，λ，ak}，其中，ai表示第i种数字电厂运行参数，k表示数字电厂运行参数类别的总个数；

13、设定数字电厂运行发电周期，对所述数字电厂运行发电周期进行均匀划分，得到运行参数采集时间点集b＝{b1，b2，λ，bi，λ，bl}，其中，bi表示第i个运行参数采集时间点，l表示运行参数采集时间点的总个数；

14、s12、对数字电厂运行参数类别集a＝{a1，a2，λ，ai，λ，ak}中的各种运行参数在运行参数采集时间点集b＝{b1，b2，λ，bi，a，bl}中的各个运行参数采集时间点进行运行参数数据采集，得到数字电厂运行参数数据矩阵如下：

15、

16、其中，cij表示对第i种运行参数在第j个运行参数采集时间点进行运行参数数据采集得到的数字电厂运行参数数据。

17、通过数字电厂运行发电周期进行均匀划分得到的多个采集时间点，对数字电厂运行参数进行数据采集，保证获取数据的全面性，为后续操作提供数据基础。

18、优选的，构建初始bp神经网络模型、数字电厂运行参数数据训练矩阵以及数字电厂运行参数数据测试矩阵，通过数字电厂运行参数数据训练矩阵以及数字电厂运行参数数据测试矩阵对初始bp神经网络模型进行训练和测试，得到最终bp神经网络模型的操作步骤如下：

19、s21、构建初始bp神经网络模型；设定所述初始bp神经网络模型的输入节点的个数为a、隐节点的个数为b、输出节点的个数为c、初始权重为λ以及初始阈值为η；

20、s22、设定训练比例值为n1，测试比例值为n2，根据设定的训练比例值和测试比例值对数字电厂运行参数数据矩阵进行数据划分，得到数字电厂运行参数数据训练矩阵c′和数字电厂运行参数数据测试矩阵c″如下：

21、

22、其中，c′ij表示数字电厂运行参数数据训练矩阵c′中第i种运行参数在第j个运行参数采集时间点的数字电厂运行参数数据，c″ij表示数字电厂运行参数数据测试矩阵c″中第i种运行参数在第，个运行参数采集时间点的数字电厂运行参数数据，c和c′分别表示数字电厂运行参数数据训练矩阵c′和数字电厂运行参数数据测试矩阵c″中划分的时间点的总个数；

23、s23、设定训练误差阈值为m1，将所述数字电厂运行参数数据训练矩阵c′输入至初始bp神经网络模型中对初始bp神经网络模型进行训练，输出数字电厂单位时间的输出电量，当初始bp神经网络模型的训练误差小于或者等于m1时，则停止训练，得到训练好的初始bp神经网络模型；否则，则对初始权重λ以及初始阈值η进行调优，重新进行训练，直至初始bp神经网络模型的训练误差小于或者等于m1；

24、s24、设定测试精准度阈值为m2，将所述数字电厂运行参数数据测试矩阵c″输入训练好的初始bp神经网络模型中进行测试，测试完成后得到测试精准度m，当m≥m2时，则将训练好的初始bp神经网络模型作为最终bp神经网络模型；否则，则返回s23，直至测试完成后得到的测试精准度m大于或者等于测试精准度阈值m2。

25、基于对得到的数字电厂运行参数数据矩阵进行数据划分得到的数字电厂运行参数数据训练矩阵和数字电厂运行参数数据测试矩阵，对构建的初始bp神经网络模型进行大量的训练和测试，得到最终bp网络模型，确保得到最终bp网络模型的准确性，为后续操作提供了预测工具。

26、优选的，实时采集数字电厂各项运行参数数据，得到数字电厂运行参数数据集，并通过最终bp神经网络模型对当前数字电厂单位时间的输出电量进行预测的操作步骤如下：

27、s31、实时采集数字电厂各项运行参数数据，得到第一数字电厂运行参数数据集d＝{d1，d2，λ，di，λ，dk}，其中di表示第i个实时采集的数字电厂运行参数数据；

28、s32、将第一数字电厂运行参数数据集d＝{d1，d2，λ，di，λ，dk}中的各项运行参数数据输入最终bp神经网络模型中进行预测，得到预测的数字电厂单位时间的输出电量λ。

29、实时采集数字电厂各项运行参数数据建立第一数字电厂运行参数数据集，并通过最终bp神经网络模型预测当前数字电厂单位时间的输出电量，保证了预测结果的准确性。

30、优选的，收集供电用户单位时间所需的输出电量，计算当前数字电厂单位时间所需的供电总量的操作步骤如下：

31、s41、收集供电用户单位时间所需的输出电量，得到供电用户所需的输出电量集e＝{e1，e2，λ，ei，a，ep}，其中，表示ei第i个供电用户单位时间所需的输出电量，p表示供电用户的总个数；

32、s42、设定供电损耗比例为α，根据供电用户所需的输出电量集e＝{e1，e2，λ，ei，a，ep}，计算当前数字电厂单位时间所需的供电总量

33、基于设置的供电用户所需的输出电量集以及供电损耗比例，计算当前数字电厂单位时间所需的供电总量，使计算结果具有代表性。

34、优选的，对预测的数字电厂单位时间的输出电量与当前数字电厂单位时间所需的供电总量进行数值比较，根据数值比较的结果，判断是否需要对数字电厂的运行参数进行调优的操作步骤如下：

35、s51、对预测的数字电厂单位时间的输出电量λ与当前数字电厂单位时间所需的供电总量dsum进行数值比较；

36、若λ＝dsum，则不进行操作；

37、若λ≠dsum，则需要对数字电厂的运行参数进行调优，得到满足数字电厂单位时间的输出电量的最优数字电厂运行参数，具体步骤如下：

38、s511、构建鲸鱼种群，设定种群规模为q、最优运行参数搜索空间的维度为k以及最大迭代次数为tmax，初始化鲸鱼种群的初始位置集为f＝{f1，f2，λ，fi，λ，fq}，其中，fi表示第i只鲸鱼在最优运行参数搜索空间中的初始位置；

39、s512、计算鲸鱼种群中每只鲸鱼的适应度函数值，将适应度函数值最高的鲸鱼个体作为当前的全局最优解；适应度函数公式如下：

40、

41、其中，xi表示第i只鲸鱼个体对应运行参数输出电量与目标输出电量的偏差值，y表示修正量；

42、s513、计算系数向量m，n与收敛因子a的数值；公式如下：

43、

44、其中，r1和r2均表示[0，1]之间的随机数，t表示当前迭代次数；

45、s514、在[0，1]之间生成一个随机数v，若v＜0.5且|m|＜1时，则鲸鱼通过包围猎物的方式靠近最优个体来更新位置，数学模型公式如下：

46、

47、其中，p表示当前鲸鱼个体与最优鲸鱼个体之间的距离，m和n表示系数向量，f*(t)表示当前全局最优解的位置，f(t)表示鲸鱼个体当前所处的位置，f(t+1)表示鲸鱼个体更新后的位置；

48、s515、若v≥0.5且|m|＜1时，则鲸鱼通过螺旋式移动的方式靠近最优个体来更新位置，数学模型公式如下：

49、

50、其中，p*表示当前鲸鱼个体与最优鲸鱼个体之间的距离，b表示定义鲸鱼运动螺旋曲线形状的常量系数，r表示(0，1)之间的随机数；

51、s516、若|m|≥1时，则鲸鱼采用一种随机策略来更新个体的位置，相应的数学模型公式如下：

52、

53、其中，frand(t)表示鲸鱼种群中随机选取的一个鲸鱼个体的位置；

54、s517、计算更新后鲸鱼种群中每只鲸鱼的适应度函数值，挑选出适应度函数值最大的鲸鱼个体作为当前的全局最优解；

55、s518、判断是否达到最大迭代次数tmax，若未达到，则返回s513；若达到，则输出全局最优解对应的数字电厂运行参数。

56、根据预测的数字电厂单位时间的输出电量与当前数字电厂单位时间所需的供电总量数值比较的结果，判断是否对数字电厂的运行参数进行调优，确保判断结果符合实际情况；同时采用鲸鱼算法实现数字电厂的运行参数的调优过程，通过模拟座头鲸包围猎物、气泡网捕食和搜索猎物的行为，构建数学模型，保证调优过程的速度和准确度，同时提高收敛过程的效率。

57、本发明还公开一种基于三维可视化的数字电厂功能优化系统，包括数字电厂运行参数数据采集模块、bp神经网络模型构建模块、数字电厂单位时间的输出电量预测模块、数字电厂单位时间所需的供电总量计算模块以及数字电厂运行参数调优模块；

58、所述数字电厂运行参数数据采集模块通过设定的数字电厂运行参数类别集以及运行参数采集时间点集采集数字电厂的各项运行参数，得到数字电厂运行参数数据矩阵；

59、所述bp神经网络模型构建模块通过对数字电厂运行参数数据矩阵进行数据划分得到的数字电厂运行参数数据训练矩阵和数字电厂运行参数数据测试矩阵对初始bp神经网络模型进行训练和测试，得到最终bp神经网络模型

60、所述数字电厂单位时间的输出电量预测模块实时采集数字电厂各项运行参数数据输入最终bp神经网络模型得到预测的数字电厂单位时间的输出电量；

61、所述数字电厂单位时间所需的供电总量计算模块通过收集供电用户单位时间所需的输出电量，计算当前数字电厂单位时间所需的供电总量；

62、所述数字电厂运行参数调优模块通过对预测的数字电厂单位时间的输出电量与当前数字电厂单位时间所需的供电总量进行数值比较，判断是否需要对数字电厂的运行参数进行调优。

63、(三)有益效果

64、一、本发明中设置数字电厂运行参数数据采集模块、bp神经网络模型构建模块、数字电厂单位时间的输出电量预测模块、数字电厂单位时间所需的供电总量计算模块以及数字电厂运行参数调优模块；通过采集大量数字电厂运行参数数据，对构建的初始bp神经网络模型进行大量的训练和测试，得到最终bp网络模型，确保得到最终bp网络模型的准确性，为后续操作提供了预测工具；通过最终bp神经网络模型预测当前数字电厂单位时间的输出电量，保证了预测结果的准确性；基于设置的供电用户所需的输出电量集以及供电损耗比例，计算当前数字电厂单位时间所需的供电总量，使计算结果具有代表性；根据预测的数字电厂单位时间的输出电量与当前数字电厂单位时间所需的供电总量数值比较的结果，判断是否对数字电厂的运行参数进行调优，确保判断结果符合实际情况；

65、二、对数字电厂的运行参数调优过程通过鲸鱼算法实现，座头鲸包围猎物、气泡网捕食和搜索猎物的行为，构建数学模型，保证调优过程的速度和准确度，同时提高收敛过程的效率。