一种沼气发电机组的负载分配方法、装置及相关设备与流程

本申请涉及自动化技术领域，特别涉及一种沼气发电机组的负载分配方法，还涉及一种沼气发电机组的负载分配装置、设备及计算机可读存储介质。

背景技术：

沼气燃烧发电技术是随着大型沼气池建设和沼气综合利用的不断发展而出现的一项沼气利用技术，具体是将厌氧发酵处理产生的沼气用于发动机上，结合综合发电装置产生电能和热能，具有创效、节能、安全和环保等特点。

在沼气发电过程中，当其他条件均处于恒定状态时，每一个甲烷浓度都会对应一个最佳发电总功率，该总功率即为所有发电机组有功功率的总和。在理想条件下，对总功率按机组总数求取平均值即可得到各发电机组的最优发电功率，进而根据机器最大发电能力换算得到负载。

在当前技术中，发电机组有功功率的设定依然处于人工操作的阶段，即人工手动在发电机组上设置有功功率值，具体的操作是根据甲烷浓度设置一个负载，待甲烷浓度下降后再调整为另一个负载。然而，由于发电机组的负载是由技术人员根据工作经验进行设置的，更加依赖于人的主观因素，若负载高于最优值，将直接影响到发电机组本身的转速、实际有功功率等参数，导致发电机组稳定性降低，产生警报甚至分闸停机的问题；若负载低于最优值，则会导致发电量的大量丢失，而且依照目前从业人员的保守心态，发动机组的负载一般设置的都相对较低，造成了严重的电量丢失。由此可见，基于人工操作实现的沼气发电机组的负载分配方法存在主观性强、失误率高、不及时的缺陷，且在很大程度上造成了人力浪费和时间浪费。

因此，如何实现电站中各个沼气发电机组负载的自动化设置，使其达到最优负载，在避免电量丢失的同时保证各发电机组的稳定运行是本领域技术人员亟待解决的问题。

技术实现要素：

本申请的目的是提供一种沼气发电机组的负载分配方法，该沼气发电机组的负载分配方法能够实现电站中各个沼气发电机组负载的自动化设置，使其达到最优负载，在避免电量丢失的同时保证了各发电机组的稳定运行；本申请的另一目的是提供一种沼气发电机组的负载分配装置、设备及计算机可读存储介质，均具有上述有益效果。

为解决上述技术问题，本申请提供了一种沼气发电机组的负载分配方法，所述沼气发电机组的负载分配方法包括：

通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型；

在所述气体参数对应的标准气体参数条件下，按照第一预设总负载步长，通过所述第一函数关系模型对第一预设初始总负载进行迭代运算，获得所述总发电量取最大值时对应的最优总负载；

根据所述最优总负载对目标电站中的各个发电机组进行负载分配。

优选的，所述通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型，包括：

通过BP神经网络对所述样本数据进行训练，获得所述关于总发电量与气体参数、总负载之间的第一函数关系模型。

优选的，所述气体参数包括沼气浓度、氧气浓度、进行压力、进气压力变化值、排气压力以及排气温度。

优选的，所述根据所述最优总负载对目标电站中的各个发电机组进行负载分配，包括：

在预设稳定性条件下，根据所述最优总负载对目标电站中的各个发电机组进行负载分配；

其中，所述预设稳定性条件为：

所述目标电站的稳定性指标总和取最小值，且各所述发电机组的稳定性数据不超出相应的稳定性阈值。

优选的，所述沼气发电机组的负载分配方法还包括：

构建关于甲烷浓度与所述总负载之间的第二函数关系模型；

在标准甲烷浓度条件下，按照第二预设总负载步长，通过所述第二函数关系模型对第二预设初始总负载进行迭代运算，获得总负载可调范围；

在各所述发电机组对应的标准组件参数条件下，在所述总负载可调范围内对各所述发电机组进行负载分配。

优选的，所述标准组件参数包括发电机组标准转速、发动机组标准频率、母排标准电压、母排标准电流以及缸排标准温度。

为解决上述技术问题，本申请还提供了一种沼气发电机组的负载分配装置，所述沼气发电机组的负载分配装置包括：

模型构建模块，用于通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型；

负载计算模块，用于在所述气体参数对应的标准气体参数条件下，按照第一预设总负载步长，通过所述第一函数关系模型对第一预设初始总负载进行迭代运算，获得所述总发电量取最大值时对应的最优总负载；

负载分配模块，用于根根据所述最优总负载对目标电站中的各个发电机组进行负载分配。

优选的，所述沼气发电机组的负载分配装置还包括：

动态负载分配模块，用于构建关于甲烷浓度与所述总负载之间的第二函数关系模型；在标准甲烷浓度条件下，按照第二预设总负载步长，通过所述第二函数关系模型对第二预设初始总负载进行迭代运算，获得总负载可调范围；在各所述发电机组对应的标准组件参数条件下，在所述总负载可调范围内对各所述发电机组进行负载分配。

为解决上述技术问题，本申请还提供了一种沼气发电机组的负载分配设备，所述沼气发电机组的负载分配设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任意一种沼气发电机组的负载分配方法的步骤。

为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种沼气发电机组的负载分配方法的步骤。

本申请所提供的一种沼气发电机组的负载分配方法，包括通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型；在所述气体参数对应的标准气体参数条件下，按照第一预设总负载步长，通过所述第一函数关系模型对第一预设初始总负载进行迭代运算，获得所述总发电量取最大值时对应的最优总负载；根据所述最优总负载对目标电站中的各个发电机组进行负载分配。

可见，本申请所提供的技术方案，通过预先采集的样本数据构建目标电站的总发电量与气体参数、总负载之间的函数关系模型，即上述第一函数关系模型，由此，基于该第一函数关系模型实现了对目标网站中的各个沼气发电机组负载的自动化分配，相较于传统人工操作的实现方式，该方法可以使目标网站中的负载达到最优，既有效避免了电量丢失的问题，又可保证各发电机组的稳定运行，同时也脱离了人的主观因素所造成的影响，及时度高、失误率低，而且在很大程度上减少了人力资源和时间成本的浪费。

本申请所提供的一种沼气发电机组的负载分配装置、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请所提供的一种沼气发电机组的负载分配方法的流程示意图；

图2为本申请所提供的一种沼气发电机组的负载动态分配方法的流程示意图；

图3为本申请所提供的一种第一函数关系模型的原理框图；

图4为本申请所提供的一种沼气发电机组的负载分配装置的结构示意图；

图5为本申请所提供的一种沼气发电机组的负载分配设备的结构示意图。

具体实施方式

本申请的核心是提供一种沼气发电机组的负载分配方法，该沼气发电机组的负载分配方法能够实现电站中各个沼气发电机组负载的自动化设置，使其达到最优负载，在避免电量丢失的同时保证了各发电机组的稳定运行；本申请的另一核心是提供一种沼气发电机组的负载分配装置、设备及计算机可读存储介质，均具有上述有益效果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参考图1，图1为本申请所提供的一种沼气发电机组的负载分配方法的流程示意图，该沼气发电机组的负载分配方法可以包括：

S101：通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型；

本步骤旨在实现函数关系模型的构建，以便基于该模型对沼气发电机组的负载进行自动化分配，该函数关系模型即为上述关于总发电量与气体参数、总负载之间的第一函数关系模型。

其中，总发电量即为基于当前电站，即下述目标电站进行沼气发电所获得的总电量；气体参数为目标电站中的各类气体数据信息，如浓度信息、压力信息、温度信息等；总负载即为目标电站中进行沼气发电所需要的有功功率。

具体而言，可对目标电站进行批量样本数据的采集，该样本数据即可包括以上多组一一对应的数据，进一步，对各组样本数据进行训练，获得对应的第一函数关系模型。

优选的，上述通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型，可以包括：通过BP(Back Propagation，反向传播)神经网络对样本数据进行训练，获得关于总发电量与气体参数、总负载之间的第一函数关系模型。

对于上述第一函数关系模型的训练过程，本申请提供了一种较为具体的实现方法，即基于BP神经网络实现。具体的，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能够学习和存贮大量的输入-输出模式映射关系，且无需事前揭示描述这种映射关系的数学方程，其学习规则在于使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

可以理解的是，以上BP神经网络的使用仅为本申请所提供的一种实现方式，并不唯一，也可以采用其他任何类型的模型训练方法，本申请对此不做限定。

优选的，上述气体参数包括沼气浓度、氧气浓度、进行压力、进气压力变化值、排气压力以及排气温度。

由于目标电站总负载与甲烷浓度具有一定的相关关系，具体是当甲烷浓度一定时，相应的目标电站的总负载也只能够维持在一定大小，故在传统的基于人工手动操作实现沼气发电机组负载分配的过程中，技术人员习惯于仅依靠甲烷浓度这一类参数进行负载设置，而忽略了其他因素带来的影响，导致负载设置不准确的问题。因此，对于第一函数关系模型中的气体参数，本申请提供了几种较为具体的类型，即沼气浓度(甲烷浓度)、氧气浓度、进行压力、进气压力变化值、排气压力以及排气温度。

同样的，以上几类气体参数也仅为本申请所提供的一种实现方式，还可以包括其他类型，并不影响本技术方案的实施。可以想到的，气体参数的类型越多，其对应获得的第一函数关系模型的精确度也越高，目标电站的总负载计算也更准确。

S102：在气体参数对应的标准气体参数条件下，按照第一预设总负载步长，通过第一函数关系模型对第一预设初始总负载进行迭代运算，获得总发电量取最大值时对应的最优总负载；

本步骤旨在基于第一函数关系模型实现最优总负载的计算，该最优总负载即为既可保持目标电站工作的稳定进行，又使得总发电量达到最大时对应的总负载，进一步，根据该最优总负载即可实现对各个沼气发电机组的负载分配。

首先，由于需要保证目标电站的正常运行，就需要保证其中的各类气体参数均保持在各自对应的标准气体参数条件下，请参考表1，表1为本申请所提供的一种电站中的气体参数与标准气体参数对照表：

表1电站中的气体参数与标准气体参数对照表

另外，对于进气压力变化值，其对应的阈值为10kPa，当其变化值超出10kPa时，即可认为气体入口处有液化水影响进气，需通过降低负载以提高甲烷浓度，再结合排水操作来保证目标电站的正常运行。

进一步，由技术人员根据目标电站的实际运行情况，输入对应的初始总负载及其变换步长，也即上述第一预设初始总负载和第一预设总负载步长，进而通过第一函数关系模型对二者进行迭代运算，获得总发电量取最大值时对应的最优总负载。

S103：根据最优总负载对目标电站中的各个发电机组进行负载分配。

本步骤旨在实现对目标电站中的各个发电机组进行负载分配，该最优总负载即为目标电站中各个发电机组的负载的总和，在理想条件下，可直接对该最优总负载按发电机组数量求取平均值，即可得到各发电机组的最优负载。当然，也可结合目标电站的运行性能对最优总负载进行分配，可见，对目标电站进行负载分配的实现方法并不唯一，本申请对此不做限定。

优选的，上述根据最优总负载对目标电站中的各个发电机组进行负载分配，可以包括：在预设稳定性条件下，根据最优总负载对目标电站中的各个发电机组进行负载分配；其中，预设稳定性条件为：目标电站的稳定性指标总和取最小值，且各发电机组的稳定性数据不超出相应的稳定性阈值。

本申请提供了一种较为具体的最优总负载的分配方法，由于发电机组在使用过程中均会出现不同程度的性能老化，各个发电机组也处于协调运转状态，因此，可结合目标网站整体的稳定性和各个发电机组自身的稳定性对最优总负载进行分配，具体的，可在预先设定关于目标网站的稳定性条件：目标电站的稳定性指标总和取最小值，且各发电机组的稳定性数据不超出相应的稳定性阈值，进而在该条件下实现对各个发电机组最优负载的分配。

其中，稳定性指标总和即为各个发电机组关于稳定性的评价指标之和，其取值越小表示目标电站越稳定；发电机组的稳定性数据可以为发电机组当前各个组件的运行参数，如转速、电路电压等。

本申请所提供的沼气发电机组的负载分配方法，通过预先采集的样本数据构建目标电站的总发电量与气体参数、总负载之间的函数关系模型，即上述第一函数关系模型，由此，基于该第一函数关系模型实现了对目标网站中的各个沼气发电机组负载的自动化分配，相较于传统人工操作的实现方式，该方法可以使目标网站中的负载达到最优，既有效避免了电量丢失的问题，又可保证各发电机组的稳定运行，同时也脱离了人的主观因素所造成的影响，及时度高、失误率低，而且在很大程度上减少了人力资源和时间成本的浪费。

上述实施例通过第一函数关系模型获得了最优总负载，进而实现了对各个发电机组的静态负载分配，进一步，在上述各实施例的基础上，请参考图2，图2为本申请所提供的一种沼气发电机组的负载动态分配方法的流程示意图。

S201：构建关于甲烷浓度与总负载之间的第二函数关系模型；

S202：在标准甲烷浓度条件下，按照第二预设总负载步长，通过第二函数关系模型对第二预设初始总负载进行迭代运算，获得总负载可调范围；

S203：在各发电机组对应的标准组件参数条件下，在总负载可调范围内对各发电机组进行负载分配。

首先，构建关于目标电站中甲烷浓度和总负载之间的第二函数关系模型，该构建过程同样可利用样本数据进行模型训练获得；进一步，由技术人员根据目标电站的标准甲烷浓度条件，输入对应的初始总负载及其变换步长，也即上述第二预设初始总负载和第二预设总负载步长，进而通过第二函数关系模型对二者进行迭代运算，获得相应的总负载可调范围；最后，参照各发电机组对应的标准组件参数条件，在总负载可调范围内对各个发电机组进行负载分配，由此，即实现了对沼气发电机组负载的动态分配。

优选的，上述标准组件参数可以包括发电机组标准转速、发动机组标准频率、母排标准电压、母排标准电流以及缸排标准温度。

其中，发动机组标准转速为1000(±0.5％)RPM，发动机组标准频率为50(±1.5％)Hz，母排标准电压为10550(±2.5％)V。

可以理解的是，不论是对总负载进行动态分配还是静态分配，均可实现沼气发电机组负载的自动化分配，具有较高的分配效率和准确率，在实际操作过程中，技术人员可根据实际需求选择相应的实现方法。

在上述各个实施例的基础上，本申请提供了一种更为具体的沼气发电机组的负载分配方法，该负载分配方法的实现流程如下：

1.沼气发电系统(目标电站)对气体的预处理流程：

初级过滤器(粗过滤器)：气体进入沼气发电系统开始预处理，首先进入粗过滤器，粗过滤器的作用在于将气体中的大颗粒杂质去除；

水-气换热器：具体为管壳式换热器，换热器内为冷冻水，壳体为气体通道，通过水和气的热交换，对气体进行降温产生冷凝水，冷凝水从换热器底部连续排出；

液气分离器：虽然经过水-气换热器冷却产生的冷凝液从换热器底部排出，但仍有部分水份未得到完全分离，液气分离器则通过旋风和过滤的方式将剩余的水份做进一步分离，其水份脱除率可达到95％以上；

风机：脱水后的生物质气体经过风机加压以满足供气压力；

风冷散热器：风机在增压的同时，气体因被压缩而温度升高，通常温升10℃～13℃(/10kPa)，为保证出气温度达到使用要求，根据实际情况选配风冷散热器，风冷散热器的启停根据预处理出口的温度信号反馈控制，当温度超过设定温度时，风冷散热器启动；

精密过滤器(精过滤器)：经过加压和降温的气体最后进入精密过滤器，去除微小杂质，以达到发电机组或其他用气设备的颗粒度要求。

2.沼气发电机组负载的静态分配：

具体的，假设当前总有功功率(对应于总负载)为X(0)，当前单位时间总发电量为Y(0)，当前各气体参数分别为假设s分钟后的总有功功率为X(s)，s分钟之后单位时间总发电量为Y(s)，s分钟之后各气体参数分别为假设各气体参数对应的警报值(标准气体参数)分别为A1,A2,...,A6；

首先，优化方案的最终目的在于，以当前总有功功率X(0)、当前气体参数为基准，调整总有功功率，使得s分钟之后的各个气体参数不超过各自对应的警报值A1,A2,...,A6，同时总发电量Y(s)最大；

由此，构建第一函数关系模型，即建立变量与变量之间的函数关系：Y＝F(X)，具体可参照图3，图3为本申请所提供的一种第一函数关系模型的原理框图，由此，即可利用该模型改变X(0)使得及maxY(s)；

其中，可利用BP神经网络构建第一函数关系模型，再利用模式搜索法求解最优的X(0)值，具体而言，对于BP神经网络，将X作为输入层，Y作为输出层，采用tanh函数作为激活函数，获得表达式：

其中，分别为待定权值与阈值，利用梯度下降法对样本数据进行训练即可得到，其中，i＝1,2,…,6；j＝1,2,…m；k＝1,2,…7，m表示样本数据总数量，k表示沼气发电系统中的发电机组数量。

进一步，根据Y＝F(X)，通过提高总有功功率的值，得到s分钟后的各个预处理值，判断是否超出各自对应的阈值，如果否，则继续增大总有功功率的值进行再判断，直至超出阈值停止迭代，此时的总有功功率值即为决策值(最优总负载)，对应的具体迭代步骤如下：

Step1：确定Y＝F(X)，选定总有功功率初值X＝Xmax＝X0(即第一预设初始总负载)，初始步长α(即第一预设总负载步长)，终止迭代次数N，初始计数n＝0；

Step2：若n<N，则计算Y＝F(X)＝[Y1,Y2,…,Y7]；若n≥N，则转入Step4；

Step3：若即超出气体参数超出警报值，置α:＝α/2，令X＝Xmax+α，n:＝n+1，转入Step2；否则，记Xmax＝X，置X:＝Xmax+α，n:＝n+1，转入Step2；

Step4：若Xmax＝X0，则转入Step1重新选择总有功功率初值；若n≠0，则决策值为Xmax。

进一步，根据决策值对沼气发电机组进行负载分配：

其中，Xk为第k台发电机组的有功功率，Sk(Xk)为第K台发电机组当前的稳定性数据，L(S)为沼气发电系统的稳定性指标总和，S为稳定性数据对应的稳定性阈值，Xall为决策值。

3.沼气发电机组负载的动态分配：

首先，构建t时刻甲烷浓度关于总有功功率P(t)的第二函数关系模型：其中，Pk(t)是第k台发电机组的有功功率，L(t)为损失函数，表示甲烷自身随时间变化的损失；

进一步，当气源稳定时，可简化上述模型，不考虑损失函数L(t)的干扰，则有以实现对变化趋势的判断；

进一步，对于任意第k台发电机组，选择时间周期T(如5min、10min)作为考察范围，具体可设定一个目标有功功率Ek(t)(例如Ek(t)＝700kW)开始，在周期T内，获取组件参数(如转速Xs、电压XU、频率XF、电流XI)进行稳定性评价，评价指标为各组件参数的水平值，以及各组件参数的方差；

假设，在某周期Tk:＝[tk,tk+1]中，组件参数未超出对应的标准组件参数，处于稳定状态，则下一周期有Pk(tk+1)的Ek(tk+1)→Ek(tk)+δ，其中，δ为第二预设总负载步长，取值可以为10kW，即按照每10kW作为一个调整步长；

假设，在某周期Tk:＝[tk,tk+1]中，组件参数超出对应的标准组件参数，不处于稳定状态，则下一周期有Pk(tk+1)的Ek(tk+1)→Ek(tk)-δ；

进一步，如果除某一发电机组的有功功率Pk(t)以外，还可获知其他6个发电机组的有功功率{Pl(t)}，其中，l≠k，则可将这7台发电机组其中的一台当前电站的边缘服务器，由此，各个发电机组之间即可实现有功功率的交换；其中，每台发电机组进行有功功率的调整后，均可向承担边缘计算服务器的发电机组上报自身当前的Pk(t)。

由此，即可确定关于整个电站的总有功功率P(t)，即的变化规律，进而实现对的变化分析。

本申请实施例所提供的沼气发电机组的负载分配方法，通过预先采集的样本数据构建目标电站的总发电量与气体参数、总负载之间的函数关系模型，即上述第一函数关系模型，由此，基于该第一函数关系模型实现了对目标网站中的各个沼气发电机组负载的自动化分配，相较于传统人工操作的实现方式，该方法可以使目标网站中的负载达到最优，既有效避免了电量丢失的问题，又可保证各发电机组的稳定运行，同时也脱离了人的主观因素所造成的影响，及时度高、失误率低，而且在很大程度上减少了人力资源和时间成本的浪费。

下面对本申请实施例提供的沼气发电机组的负载分配装置进行介绍，下文描述的沼气发电机组的负载分配装置与上文描述的沼气发电机组的负载分配方法可相互对应参照。

请参考图4，图4为本申请所提供的一种沼气发电机组的负载分配装置的结构示意图，该沼气发电机组的负载分配装置可以包括：

模型构建模块10，用于通过样本数据构建关于总发电量与气体参数、总负载之间的第一函数关系模型；

负载计算模块20，用于在气体参数对应的标准气体参数条件下，按照第一预设总负载步长，通过第一函数关系模型对第一预设初始总负载进行迭代运算，获得总发电量取最大值时对应的最优总负载；

负载分配模块30，用于根据最优总负载对目标电站中的各个发电机组进行负载分配。

本申请所提供的沼气发电机组的负载分配装置，通过预先采集的样本数据构建目标电站的总发电量与气体参数、总负载之间的函数关系模型，即上述第一函数关系模型，由此，基于该第一函数关系模型实现了对目标网站中的各个沼气发电机组负载的自动化分配，相较于传统人工操作的实现方式，该方法可以使目标网站中的负载达到最优，既有效避免了电量丢失的问题，又可保证各发电机组的稳定运行，同时也脱离了人的主观因素所造成的影响，及时度高、失误率低，而且在很大程度上减少了人力资源和时间成本的浪费。

作为一种优选实施例，上述模型构建模块10可具体用于通过BP神经网络对样本数据进行训练，获得关于总发电量与气体参数、总负载之间的第一函数关系模型。

作为一种优选实施例，上述负载分配模块30可具体用于在预设稳定性条件下，根据最优总负载对目标电站中的各个发电机组进行负载分配；其中，预设稳定性条件为：目标电站的稳定性指标总和取最小值，且各发电机组的稳定性数据不超出相应的稳定性阈值。

作为一种优选实施例，该沼气发电机组的负载分配装置还可以包括：

动态负载分配模块，用于构建关于甲烷浓度与总负载之间的第二函数关系模型；在标准甲烷浓度条件下，按照第二预设总负载步长，通过第二函数关系模型对第二预设初始总负载进行迭代运算，获得总负载可调范围；在各发电机组对应的标准组件参数条件下，在总负载可调范围内对各发电机组进行负载分配。

对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。

下面对本申请实施例提供的沼气发电机组的负载分配设备进行介绍，下文描述的沼气发电机组的负载分配设备与上文描述的沼气发电机组的负载分配方法可相互对应参照。

请参考图5，图5为本申请所提供的一种沼气发电机组的负载分配设备的结构示意图，该沼气发电机组的负载分配设备可以包括：

存储器1，用于存储计算机程序；

处理器2，用于执行上述存储器1存储的计算机程序时可实现上述任意一种沼气发电机组的负载分配方法的步骤。

对于本申请提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。

进一步的，本申请实施例还公开了一种计算机可读存储介质，用于存储计算机程序，其中，计算机程序被处理器执行时可实现上述任意一种的沼气发电机组的负载分配方法的步骤。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本申请提供的计算机可读存储介质的具体介绍请参照上述方法实施例，本申请在此不做赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的沼气发电机组的负载分配方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围要素。