CN101929684A - 混烧低热值煤气机组煤耗计算方法 - Google Patents
混烧低热值煤气机组煤耗计算方法 Download PDFInfo
- Publication number
- CN101929684A CN101929684A CN 201010240784 CN201010240784A CN101929684A CN 101929684 A CN101929684 A CN 101929684A CN 201010240784 CN201010240784 CN 201010240784 CN 201010240784 A CN201010240784 A CN 201010240784A CN 101929684 A CN101929684 A CN 101929684A
- Authority
- CN
- China
- Prior art keywords
- data
- coal consumption
- lambda
- low heat
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
在线混烧低热值煤气机组煤耗计算方法,属于电站节能降耗技术领域。本发明在由现场电站机组及测量系统采集的数据和电厂经济性管理系统之间增加一个混烧低热值煤气机组煤耗计算系统。该系统由数据库模块、人工控制下的在线学习建模模块和在线混烧低热值煤气机组煤耗计算模块组成。本发明不需要复杂的焓熵图计算程序,也不需要对所有数据的测点传感器设置硬件冗余,只是利用人工神经网络建立起输入和输出的非线性映射关系,就可以在线计算出精度较高的发电煤耗。
Description
技术领域
本发明涉及一种混烧低热值煤气机组煤耗计算方法,特别是一种大型电站机组混烧低热值高炉煤气机组的煤耗计算方法,属于电站节能降耗技术领域。
背景技术
近年来,煤炭价格走高以及节能减排的要求,促使电厂进行改革以减少能耗,提高经济性,因此对于电厂性能分析提出了很高的要求。发电厂常规的机组性能分析是离线状态进行的,利用数据采集系统(DCS)采集数据,基于机组热量平衡和质量平衡的计算方法,主要步骤是焓熵图表程序化、各级抽汽量的计算、热耗计算和能损分析,这样的分析需要的计算参数众多,尤其是对于混烧低热值煤气的气煤混烧的机组,计算煤耗就更加复杂。当这些测点的传感器出现故障时,其计算结果将出现较大偏差,一般来说会无法进行。因此采用热平衡法等常规计算方法,存在原始数据数量大、计算复杂且维护不当时性能计算误差大或无法进行等问题,不太适合在线的节能减排管理。
用现有的技术方法计算一次机组煤耗需要54个数据的测点(见表1),如果其中有一个测点的传感器损坏,将无法进行计算,如果对所有测点的传感器设置硬件冗余,造成硬件费用增加,成本提高。如果硬件冗余不足,一旦有测点的传感器损坏,性能分析系统就不能正常运行,影响机组节能减排的评估。
表1常规方法煤耗计算所需数据的测点
发明内容
本发明针对上述现有技术的不足,提出了一种混烧低热值煤气机组煤耗计算方法,即在由现场数据传感器组采集的数据中选取少量测点的数据,然后利用本方法计算即可得到机组煤耗。本发明不需要复杂的焓熵图计算程序,也不需要对所有数据的测点传感器设置硬件冗余,只是利用人工神经网络建立起输入和输出的非线性映射关系,就可以在线计算出精度较高的发电煤耗。
本发明是通过如下技术方案实现的,本发明方法包括:
步骤一、原始数据准备。
对电厂混烧低热值煤气机组进行热力试验,获得各种发电功率下的54个测点数据和用传统的热平衡计算方法计算得到的发电煤耗数据;
步骤二、人工控制下的学习建模
(1)原始数据选取
选用步骤一中计算得到的发电煤耗数据作为目标输出煤耗数据,然后根据经验和敏感性分析得到在54个测点中选择15个测点(见表2)的数据作为原始数据,选取相同时刻的一组目标输出煤耗数据和原始数据作为一个样本,选取能够覆盖所有运行功率的N组(N≥250)样本构成一个原始数据集。
表2原始输入数据测点清单
针对具有N组样本的原始数据集中的每一个测点的数据列,找出其最大值和最小值。对于15个测点的原始数据和一个目标输出煤耗数据,就有15+1个最大值和15+1个最小值。
(2)原始数据集归一化
由于网络计算数据范围为[0,1],因此,在进行训练之前必须将原始数据集进行归一化,以减小计算量和避免误差的扩大。归一化采用公式(1)计算:
其中:
x’ip表示原始数据集中第p组样本第i个测点的原始数据,xip为x’ip归一化后的值,称为原始输入数据;i=1,2,...,15,表示第i个测点的原始数据;
i=0时,x’0p表示原始数据集中第p组样本目标输出煤耗数据,目标输出数据x0p为x’0p归一化后的值;
p=1,2,...,N,表示第p组原始数据集的样本,N为原始数据集的样本总数;
x’imin、x’imax分别表示原始数据集中第i个测点数据列的N个数据中的最小和最大值。
x’0min、x’0max表示原始数据集中的目标输出煤耗数据的最小值和最大值。
(3)初始化权矩阵Vij和Wj
在训练学习开始,需要对权矩阵Vij和Wi进行赋初值,这里Vij是m×15阶矩阵,Wj是1×m阶矩阵,计算之前先对Vij和Wj矩阵内每个元素赋初始值为0~1之间的随机数。其中m为该模型的中间隐层节点数;
(4)针对p=1,2,...,N,学习训练,获得权矩阵Vij和Wj:
①计算中间隐层节点ypj;对于第p组学习样本,有:
j=1,2,,m,i=1,...,15;(2)
其中:
②计算中间目标数据dp:
(3)
其中:
③计算误差:
对每一个中间目标数据和目标输出数据进行误差计算,为:
④调整修正计算获得新的连接权矩阵Vij和Wj,调整方法:计算中间变量δ0、δyj:
令:p=p+1,计算
ΔWjp=ηδoy(p-1)j+αΔWj(p-1)
ΔVjip=ηδyxi(p-1)+αΔVji(p-1) j=1,2,...,m
(5)
Wj′=Wj+ΔWjp i=1.2....,15
Vji′=Vji+ΔVjip
为了进行下一轮的迭代计算,需要进行数据准备:令
Vij=Vij’
Wj=Wj’;
式中:ΔWjp、ΔVjp为计算第p组到第p+1组学习样本时调整权矩阵的增量,ΔWj(p-1)、ΔVj(p-1)为前一组调整的权矩阵的增量,式(5)中的Vij’、Wj’表示第P+1组学习样本的权矩阵,y(p-1)j、xi(p-1)为前一组样本的中间隐层节点和第i个输入数据的原始输入参数;α、η是为了加快收敛速度而设置的两个系数,一般取0~1之间的任意数,开始运算时取0.5,之后根据收敛状态可以进行增加5%或降低5%的调整。
⑤判断N组样本全计算结束了吗?如果没有计算完,则重复进行①~④的计算,直到N组样本全计算结束,得到中间目标数据dp,然后计算总输出误差E:
如果E不满足精度要求,则重新针对p=1,2,...,N,再进行(2)~(6)式的计算,这样重复进行,直到误差达到要求。
通过调整各Vij、Wj,可以求得输出的误差平方和E达到要求精度时的Vij、Wj,将该Vij、Wj、m以及x′imin和x′imax作为混烧低热值煤气机组煤耗计算方法模型保存在数据库模块内。
步骤三、在线混烧低热值煤气机组煤耗计算方法实现:
通过上述人工控制下的在线学习建模过程,得到保存在数据库模块中混烧低热值煤气机组煤耗计算方法模型。实际使用时,将现场实测的如表2所示的15个测点的数据作为混烧低热值煤气机组煤耗计算方法模型的原始数据,即x’1、x’2、…、x’15,采用数据库模块中保存的x′imin和x′imax经过(1)式归一化后得到原始输入数据x1、x2、…、x15,将数据库模块中保存的Vij、Wj、m根据公式(7)和(8)计算,即可得到所需要的经过归一化的目标输出数据d,采用数据库模块中保存的x′0min和x′0max经过反归一化式(9)后就可得到目标输出煤耗数据x’0,用来作为机组经济性指标输出。
j=1,2,…,m;(7)
j=1,2,…,m;(8)
x′0=d·(x′0max-x′0min)+x′0min (9)
有益效果
发电厂常规的机组性能分析是离线状态进行的,基于机组热量平衡和质量平衡的计算方法,当这些测点的传感器出现故障时,其计算结果将出现较大偏差,一般来说会无法进行。因此采用热平衡法等常规计算方法,存在原始数据数量大、计算复杂且维护不当时性能计算误差大或无法进行等问题,不太适合。本方法基于现场实测数据和人工神经网络的有机结合,利用数据采集系统(DCS)采集数据,可以在不需要焓熵图表程序和只需要15个测点参数下计算煤耗,这对于混烧低热值煤气的气煤混烧的机组实现在线系统煤耗计算和在线的节能减排管理成为可能,提高了在线系统的可靠性。由于采用了大量现场实际信息,故所得的煤耗精度一般在0.1%以内,符合工程应用的要求。
附图说明:
图1是本发明混烧低热值煤气机组煤耗计算方法的系统原理图
图2是本发明混烧低热值煤气机组煤耗计算方法的在线学习建模示意图
图3是本发明混烧低热值煤气机组煤耗计算方法示意图
具体实施方式:
下面结合附图对本发明的具体实施作进一步的描述。
如图1、图2和图3所示,本发明在现场电站机组及测量系统和电厂经济性管理系统之间嵌入一个混烧低热值煤气机组煤耗计算系统。该系统由数据库模块、数据选取模块、人工控制下的在线学习建模模块和在线混烧低热值煤气机组煤耗计算模块组成。
本发明实施方法包括:
步骤一、原始数据准备
对电厂混烧低热值煤气机组进行热力试验,获得各种发电功率下的54个测点数据和用传统的热平衡计算方法计算得到的发电煤耗数据;
步骤二、人工控制下的在线学习建模
(1)原始数据选取
选用步骤一中计算得到的发电煤耗数据作为目标输出煤耗数据,然后根据表2中15个测点的数据作为原始数据,选取相同时刻的一组目标输出煤耗数据和原始数据作为一个样本,共取250组样本数据构成一个原始数据集,如表3所示。
表3
将表3中的每一列数据下面的一列共有250个数据,选择其中的最大值记为x’imax,将其中的最小值记为x’imin,得到表4的x’imax、x’imin,(i=0,1,...,15)。
表4
(2)原始数据集归一化
将表3数据运用式(1)和表4的最大值和最小值进行归一化计算,其结果如表5所示。
表5
(3)建立初始权矩阵Vij和Wj
在训练学习开始,根据经验选m=12,建立初始权矩阵Vij和Wj,这里Vij是12×15阶矩阵,Wj是1×12阶矩阵,对初始值Vij和Wj矩阵内每个元素赋初始值为0~1之间的随机数。
(4)针对p=1,2,...,250,学习训练,获得模型Vij和Wj:
①利用原始数据集中的原始输入数据,对p=1,2,...,250组学习样本,根据公式(2)计算中间隐层节点;
②根据公式(3)计算未经误差分析的中间目标数据dp;
③根据公式(4)计算中间目标数据与目标输出数据的误差;
④根据公式(5)调整修正计算获得新的权矩阵Vij和Wj;
⑤判断250组样本全计算结束了吗?如果没有计算完,则重复进行①~④计算,直到250组样本全计算结束,得到中间目标数据dp,并根据公式(6)计算得到总输出误差:
如果总输出误差不满足精度要求(1e-3),则重新对250个样本进行(2)~(6)式的计算,这样重复进行,直到误差达到要求。
将通过以上计算误差达到要求时的Vij、Wj、m以及x′imin和x′imax(见表4)作为混烧低热值煤气机组煤耗计算模型保存在数据库模块内供在线混烧低热值煤气机组煤耗计算时使用。
步骤三、在线混烧低热值煤气机组煤耗计算过程:
实际使用时,将现场实测的如表2所示的15个测点的数据作为混烧低热值煤气机组煤耗计算方法模型的原始数据,即x’1、x’2、…、x’15,采用数据库模块中保存的x′imin和x′imax经过(1)式归一化后得到原始输入数据x1、x2、…、x15,将数据库模块中保存的Vij、Wj、m根据公式(7)和(8)计算,即可得到所需要的经过归一化的目标输出数据d,采用数据库模块中保存的x′0min和x′0max经过反归一化式(9)后就可得到目标输出煤耗数据x’0,用来作为机组经济性指标输出。
Claims (2)
1.一种混烧低热值煤气机组煤耗计算方法,其特征在于该方法包括下述步骤;
步骤一、原始数据准备
对电厂混烧低热值煤气机组进行热力试验,获得各种发电功率下的有54个测点数据和用传统的热平衡计算方法计算得到的发电煤耗数据;
步骤二、人工控制下的在线学习建模
(1)原始数据选取
选用步骤一中计算得到的发电煤耗数据作为目标输出煤耗数据,选择15个测点的数据作为原始数据,选取相同时刻的一组目标输出煤耗数据和原始数据作为一个样本,选取能够覆盖所有运行功率的N组(N≥250)样本构成一个原始数据集。
(2)原始数据集归一化
采用公式(1)对原始数据集进行归一化计算:
(1)式中:
x’ip表示原始数据集中第p组样本第i个测点的原始数据,xip为x’ip归一化后的值,称为原始输入数据;i=1,2,...,15,表示第i个测点的原始数据;i=0时,x’0p表示原始数据集中第p组样本目标输出煤耗数据,目标输出数据x0p为x’0p归一化后的值;
p=1,2,...,N,表示第p组原始数据集的样本,N为原始数据集的样本总数;
x’imin、x’imax分别表示原始数据集中第i个测点所测得的N个数据列中的最小和最大值;
(3)初始化权矩阵Vij和Wj
Vij是m×15阶矩阵,Wj是1×m阶矩阵,开始学习时对Vij和Wj矩阵内每个元素赋初始值为0~1之间的随机数;其中m为该模型的中间隐层节点数;
(4)针对p=1,2,...,N,学习训练,获得权矩阵Vij和Wj:
①计算中间隐层节点ypj;对于第p组学习样本,有:
j=1,2,,m,i=1,...,l;(2)
其中:
②计算中间目标数据dp:
(3)
其中:
③计算误差:
对每一个中间目标数据和目标输出数据进行误差计算,为:
④调整修正计算获得新的连接权矩阵Vij和Wj,调整方法:计算中间变量δ0、δyj:
令:p=p+1,计算
ΔWjp=ηδoy(p-1)j+αΔWj(p-1)
ΔVjip=ηδyxi(p-1)+αΔVji(p-1)j=1,2,...,m
(5)
Wj′=Wj+ΔWjp i=1.2....,l
Vji′=Vji+ΔVjip
Vij=Vij’
Wj=Wj’;
式中:ΔWjp、ΔVjp为计算第p组到第p+1组学习样本时调整权矩阵的增量,ΔWj(p-1)、ΔVj(p-1)为前一组调整的权矩阵的增量,式(5)中的Vij’、Wj’表示第P+1组学习样本的权矩阵,y(p-1)j、xi(p-1)为前一组样本的中间隐层节点和第i个输入传感器的原始输入参数;α、η是为了加快收敛速度而设置的两个系数;
⑤判断N组样本全计算结束了吗?如果没有计算完,则重复进行①~④的计算,直到N组样本全计算结束,得到中间目标数据dp,然后计算总输出误差E:
如果E不满足精度要求,则重新针对p=1,2,...,N,再进行(2)~(6)式的计算,这样重复进行,直到误差达到要求;
通过调整各Vij、Wj,可以求得输出的误差平方和E达到要求精度时的Vij、Wj,将该Vij、Wj、m以及x′imin和x′max作为混烧低热值煤气机组煤耗计算模型保存在数据库模块内;
步骤三、在线混烧低热值煤气机组煤耗计算:
实际使用时,将现场实测的15个测点的数据作为混烧低热值煤气机组煤耗计算方法模型的原始数据,即x’1、x’2、…、x’15,采用数据库模块中保存的x′imin和x′imax经过(1)式归一化后得到原始输入数据x1、x2、…、x15,将数据库模块中保存的Vij、Wj、m根据公式(7)和(8)计算,即可得到所需要的经过归一化的目标输出数据d,采用数据库模块中保存的x′0min和x′0max经过反归一化式(9)后就可得到目标输出煤耗数据x’0,用来作为机组经济性指标输出;
j=1,2,…,m;(7)
j=1,2,…,m;(8)
x′0=d·(x′0max-x′0min)+x′0min (9)
2.根据权利要求1所述的在线混烧低热值煤气机组煤耗计算方法,其特征是在步骤二(3)初始化权矩阵Vij和Wj中所述的中间隐层节点数m=12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010240784 CN101929684A (zh) | 2010-07-30 | 2010-07-30 | 混烧低热值煤气机组煤耗计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010240784 CN101929684A (zh) | 2010-07-30 | 2010-07-30 | 混烧低热值煤气机组煤耗计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101929684A true CN101929684A (zh) | 2010-12-29 |
Family
ID=43369008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010240784 Pending CN101929684A (zh) | 2010-07-30 | 2010-07-30 | 混烧低热值煤气机组煤耗计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101929684A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567785A (zh) * | 2011-11-28 | 2012-07-11 | 浙江省电力试验研究院 | 一种基于数值模型的煤元素分析方法 |
CN106200416A (zh) * | 2016-07-29 | 2016-12-07 | 上海交通大学 | 大气温度对联合循环机组功率影响的调控系统及方法 |
CN109886471A (zh) * | 2019-01-22 | 2019-06-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于神经网络与智能优化算法的火电机组负荷分配方法 |
CN115234936A (zh) * | 2022-09-22 | 2022-10-25 | 海安玻克超硬材料有限公司 | 一种生物质燃烧机的燃烧效率的识别处理方法 |
-
2010
- 2010-07-30 CN CN 201010240784 patent/CN101929684A/zh active Pending
Non-Patent Citations (5)
Title |
---|
《上海交通大学学报》 1999 叶春等 基于BP网络的热力系统参数仿真 , 第03期 2 * |
《上海交通大学学报》 20040730 刘丽平等 汽轮机在线性能分析BP神经网络模型 , 第07期 2 * |
《上海电力》 20071118 诸佩敏等 基于BP网络方法的热电厂性能分析系统 , 第05期 2 * |
《中国优秀硕士学位论文全文数据库工程科技II辑》 20080815 诸佩敏 基于BP网络的热电联供机组性能分析方法研究 , 第8期 2 * |
《中国优秀硕士学位论文全文数据库经济与管理科学辑》 20071015 翁陈宇 基于神经网络的短期电价预测 , 第4期 2 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567785A (zh) * | 2011-11-28 | 2012-07-11 | 浙江省电力试验研究院 | 一种基于数值模型的煤元素分析方法 |
CN106200416A (zh) * | 2016-07-29 | 2016-12-07 | 上海交通大学 | 大气温度对联合循环机组功率影响的调控系统及方法 |
CN106200416B (zh) * | 2016-07-29 | 2018-11-23 | 上海交通大学 | 大气温度对联合循环机组功率影响的调控系统及方法 |
CN109886471A (zh) * | 2019-01-22 | 2019-06-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于神经网络与智能优化算法的火电机组负荷分配方法 |
CN115234936A (zh) * | 2022-09-22 | 2022-10-25 | 海安玻克超硬材料有限公司 | 一种生物质燃烧机的燃烧效率的识别处理方法 |
CN115234936B (zh) * | 2022-09-22 | 2022-12-13 | 海安玻克超硬材料有限公司 | 一种生物质燃烧机的燃烧效率的识别处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alabi et al. | A review on the integrated optimization techniques and machine learning approaches for modeling, prediction, and decision making on integrated energy systems | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
Bøhm et al. | Simple models for operational optimisation | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN107092989A (zh) | 短期风电功率的预测方法和设备 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN109063930A (zh) | 一种基于聚类分析的动态风电场总功率预测方法 | |
CN111680823A (zh) | 一种风向信息预测方法及系统 | |
Yaïci et al. | Artificial neural network modelling for performance prediction of solar energy system | |
CN116663727A (zh) | 一种光伏功率预测方法及系统 | |
CN116544934A (zh) | 根据电力负荷预测的电力调度方法及系统 | |
Fouad et al. | Simulation and energy management of an experimental solar system through adaptive neural networks | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
Fadare et al. | Modeling of solar energy potential in Africa using an artificial neural network | |
CN104991447A (zh) | 一种基于小波神经网络的火电机组变负荷速率预测方法 | |
CN109728607A (zh) | 一种风电消纳评估方法及装置 | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
Wu et al. | Neural network based feasible region approximation model for optimal operation of integrated electricity and heating system | |
Huang et al. | Solar Radiation Forecasting based on Neural Network in Guangzhou | |
CN111612255A (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 | |
CN106200416B (zh) | 大气温度对联合循环机组功率影响的调控系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20101229 |