CN103678891A - 火电机组负荷裕度实时预测方法 - Google Patents

Abstract

本发明公开了一种火电机组负荷裕度实时预测方法，包括以下步骤：搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的运行值；利用BP神经网络法训练出各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的联合权系数；得到电厂1个月内各影响因素的设计值与实际运行最大值的差值；结合上述步骤并通过BP神经网络得到火电机组负荷调节实时速率值；计算得出火电机组最大可调负荷值，如果计算出的最大可调负荷值大于火电机组实际设计最大负荷，即取设计最大负荷值为最大可调负荷。本发明既可以使电厂能够了解自身的实时发电能力，又可以使电网根据各火电机组实时情况及时调整网内各火电机组出力。

Description

火电机组负荷裕度实时预测方法

【技术领域】

本发明属于火力发电技术领域，具体涉及一种火电机组负荷裕度实时预测方法。

【背景技术】

目前，火电机组实时负荷调节指令一般由电网调度人员指定，并没有考虑实际的机组运行状况，经常会出现电厂因为技术原因无法响应及满足电网要求，致使火电机组实际情况下可调最大负荷达不到设定值，导致部分机组由于实际运行状况无法满足电网要求，这样就会影响火电机组调节指令及实时精度。

【发明内容】

本发明的目的在于克服上述现有技术的缺陷，提供了一种火电机组负荷裕度实时预测方法，采用该方法可以使电网调节指令与火电机组实际运行状况相结合。

为实现上述目的，本发明采用如下技术方案：

火电机组负荷裕度实时预测方法，包括以下步骤：

1）搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的实际运行值，其中，火电机组的影响因素包括给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流，火电机组不同负荷下的实际运行值根据火电机组基础数据进行计算得出；

2）结合火电机组不同负荷下的实际运行值，并利用BP神经网络法训练出火电机组的各个影响因素的设计值与实际运行值的差值x_i与火电机组负荷设计值与负荷实际运行值的差值d_j的关系，得到各影响因素的设计值与实际运行值的差值x_i对火电机组负荷设计值与负荷实际运行值的差值d_j的联合权系数w_ij(τ)；

其中，i=1,2,…，16，x₁、x₂、…、x₁₆分别表示给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值与实际运行值的差值；j=1,2,…，d₁、d₂、…分别表示火电机组负荷设计值与负荷实际运行值的差值，τ为BP神经网络的学习次数；

3）通过比较电厂近1个月内各个影响因素的设计值与实际运行最大值，得到各影响因素的设计值与实际运行最大值的差值x′_i，其计算公式为：

$x_i^{\′}=x_i^{\mathrm{design}}-x_i^{\max },---\left(1\right)$

式中，i=1,2,…，16，x′₁、x'₂、…、x′₁₆分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行最大值的差值，

依次为上述各个影响因素的设计值，

依次为上述各个影响因素的实际运行最大值；

4）根据步骤2）和3）得到的结果，通过BP神经网络得到火电机组修正后的负荷调节实时速率值y'_j，其计算公式为：

$y_j^{\′}=\frac{1}{1+e^{-(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{x}_i^{\′}-{\mathrm{\θ}}_j)}}{y}^{\mathrm{design}}---\left(2\right)$

式中：j=1，2，…，θ_j为BP神经网路采用的临界值，i=1,2,…，16，x′_i分别为上述各影响因素的设计值与实际运行最大值的差值，y^design为火电机组设计负荷速率；

5）依据步骤4）得出的火电机组修正后的负荷调节实时速率值y'_j，在规定火电机组升负荷时间t内，计算得出火电机组最大可调负荷值为y，其计算公式为：

y=y'_j×t     （3）

如果计算出的最大可调负荷值y大于火电机组实际设计最大负荷，即取实际设计最大负荷值为火电机组最大可调负荷，如果计算出的最大可调负荷值y不大于火电机组实际设计最大负荷，即取最大可调负荷值y为火电机组最大可调负荷。

本发明进一步改进在于，步骤2）中，BP神经网络法的学习算法包括以下步骤：

a）设置各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的初始联合权系数为w和初始临界值为θ，其取值均为[0，1]；

b）将各影响因素的设计值与实际运行值的差值x_i加到BP神经网络上，利用下面的公式计算出BP神经网络训练出的火电机组负荷调节实时速率值y_j，计算公式如下：

$y_j=\frac{1}{1+e^{-(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)}}{y}^{\mathrm{design}}---\left(4\right)$

式中：i=1,2,…，16，x₁、x₂、…、x₁₆分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行值的差值；j=1，2，…，θ_j为BP神经网路采用的临界值，y^design为火电机组设计负荷速率；

3）按火电机组负荷设计值与负荷实际运行值的差值d_j与神经网络训练出的火电机组负荷调节实时速率值y_j调整联合权系数w_ij，其调整量Δw_ij的计算公式如下：

Δw_ij=η_jδ_jx_j      （5）

式中：j=1,2，…，η_j为学习率比例系数，其取值为[0，1]，x_j为BP神经网络在隐节点的输入，δ_j是一个与输出偏差相关的值，对于输出节点来说有：

δ_j=η_j(1-y_j)(d_j-y_j)      （6）

对于隐层节点来说有：

${\mathrm{\δ}}_j=x_j(1-x_j)\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k{w}_{\mathrm{jk}}---\left(7\right)$

式中，k=1,2，…，j；

各层神经元的联合权系数w_ij调整后为：

w_ij(τ)=w_ij(τ-1)+Δw_ij     （8）

式中：τ为BP神经网络的学习次数。

与现有技术相比，本发明具有如下技术效果：

本发明一种火电机组负荷裕度实时预测方法，其在综合考虑影响负荷的主要因素后，给出了火电机组的实时负荷裕度，该方法只需参考火电机组近期的实际运行值，具有较为广泛的应用性，其既可以使电厂能够了解自身的实时发电能力，又可以使电网根据各火电机组实时情况及时调整网内各火电机组出力，以应对电网安全与经济需要。

【具体实施方式】

下面结合具体实施例对本发明作进一步说明。.

本发明火电机组负荷裕度实时预测方法，包括以下步骤：

1）搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的实际运行值，其中，火电机组的影响因素包括给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流，火电机组不同负荷下的实际运行值根据火电机组基础数据进行计算得出；参见表1，为火电机组负荷裕度计算所需参数的设计值及最大运行值；

表1：

影响因素	设计值	最大运行值
			给煤机出力，t／h	312	299.02
低温再热器壁温，℃	515	504
			高温再热器壁温，℃	610	603
低温过热器壁温，℃	490	502
			中温过热器壁温，℃	600	589
高温过热器壁温，℃	625	618
			汽水分离器温度，℃	426	436
主蒸汽压力，MPa	24.2	25.4
			给水流量，t/h	1807	1924
胀差，mm	40	11
			轴振，um	127	59
瓦振，um	50	14.8
			磨煤机电流，A	69.6	58.5
一次风机电流，A	254.4	139.8
			送风机电流，A	141.3	40.4
引风机电流，A	429	229.1

2）结合火电机组不同负荷下的实际运行值，并利用BP神经网络法训练出火电机组的各个影响因素的设计值与实际运行值的差值x_i与火电机组负荷设计值与负荷实际运行值的差值d_j的关系，得到各影响因素的设计值与实际运行值的差值x_i对火电机组负荷设计值与负荷实际运行值的差值d_j的联合权系数w_ij(τ)；

其中，i=1,2,…，16，x₁、x₂、…、x₁₆分别表示给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值与实际运行值的差值；j=1,2,…，d₁、d₂、…分别表示火电机组负荷设计值与负荷实际运行值的差值，τ为BP神经网络的学习次数；

步骤2）中，BP神经网络法的学习算法包括以下步骤：

a）设置各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的初始联合权系数为w和初始临界值为θ，其取值均为[0，1]；

b）将各影响因素的设计值与实际运行值的差值x_i加到BP神经网络上，利用下面的公式计算出BP神经网络训练出的火电机组负荷调节实时速率值y_j，计算公式如下：

$y_j=\frac{1}{1+e^{-(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)}}{y}^{\mathrm{design}}---\left(4\right)$

式中：i=1,2,…，16，x₁、x₂、…、x₁₆分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行值的差值；j=1，2，…，θ_j为BP神经网路采用的临界值，y^design为火电机组设计负荷速率；

3）按火电机组负荷设计值与负荷实际运行值的差值d_j与神经网络训练出的火电机组负荷调节实时速率值y_j调整联合权系数w_ij，其调整量Δw_ij的计算公式如下：

Δw_ij=η_jδ_jx_j    （5）

式中：j=1,2，…，η_j为学习率比例系数，其取值为[0，1]，x_j为BP神经网络在隐节点的输入，δ_j是一个与输出偏差相关的值，对于输出节点来说有：

δ_j=η_j(1-y_j)(d_j-y_j)      （6）

对于隐层节点来说有：

${\mathrm{\δ}}_j=x_j(1-x_j)\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k{w}_{\mathrm{jk}}---\left(7\right)$

式中，k=1,2，…，j；

各层神经元的联合权系数w_ij调整后为：

w_ij(τ)=w_ij(τ-1)+Δw_ij     （8）

式中：τ为BP神经网络的学习次数。

这个算法是个迭代过程，每一轮将联合权系数w_ij调整一遍，这样一直迭代下去，直到输出误差小于某一允许值为止，这样一个好的网络就训练成功了，BP神经网络的算法从本质上讲是把一组样本的输入输出问题变为一个非线性优化问题，它使用了优化技术中最普通的一种梯度下降算法，用迭代运算求解权值相当于学习记忆问题。

3）通过比较电厂近1个月内各个影响因素的设计值与实际运行最大值，得到各影响因素的设计值与实际运行最大值的差值x′_i，其计算公式为：

$x_i^{\′}=x_i^{\mathrm{design}}-x_i^{\max },---\left(1\right)$

式中，i=1,2,…，16，x′₁、x'₂、…、x′₁₆分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行最大值的差值，

依次为上述各个影响因素的设计值，

依次为上述各个影响因素的实际运行最大值；

4）根据步骤2）和3）得到的结果，通过BP神经网络得到火电机组修正后的负荷调节实时速率值y'_j，其计算公式为：

$y_j^{\′}=\frac{1}{1+e^{-(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{x}_i^{\′}-{\mathrm{\θ}}_j)}}{y}^{\mathrm{design}}---\left(2\right)$

式中：j=1，2，…，θ_j为BP神经网路采用的临界值，i=1,2,…，16，x′_i分别为上述各影响因素的设计值与实际运行最大值的差值，y^design为火电机组设计负荷速率；

5）依据步骤4）得出的火电机组修正后的负荷调节实时速率值y'_j，在规定火电机组升负荷时间t内，计算得出火电机组最大可调负荷值为y，其计算公式为：

y=y'_j×t     （3）

如果计算出的最大可调负荷值y大于火电机组实际设计最大负荷，即取实际设计最大负荷值为火电机组最大可调负荷，如果计算出的最大可调负荷值y不大于火电机组实际设计最大负荷，即取最大可调负荷值y为火电机组最大可调负荷。

具体计算结果如表2所示，从表2可以看出，火电机组的设计负荷速率为30MW/分钟，在火电机组运行一段时间后，而其实际负荷速率为27.37MW/分钟，小于火电机组的设计负荷速率。

表2：

Claims (2)

1.火电机组负荷裕度实时预测方法，其特征在于，包括以下步骤：

1）搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的实际运行值，其中，火电机组的影响因素包括给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流，火电机组不同负荷下的实际运行值根据火电机组基础数据进行计算得出；

2）结合火电机组不同负荷下的实际运行值，并利用BP神经网络法训练出火电机组的各个影响因素的设计值与实际运行值的差值x_i与火电机组负荷设计值与负荷实际运行值的差值d_j的关系，得到各影响因素的设计值与实际运行值的差值x_i对火电机组负荷设计值与负荷实际运行值的差值d_j的联合权系数w_ij(τ)；

其中，i=1,2,…，16，x₁、x₂、…、x₁₆分别表示给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值与实际运行值的差值；j=1,2,…，d₁、d₂、…分别表示火电机组负荷设计值与负荷实际运行值的差值，τ为BP神经网络的学习次数；

3）通过比较电厂近1个月内各个影响因素的设计值与实际运行最大值，得到各影响因素的设计值与实际运行最大值的差值x′_i，其计算公式为：

$x_i^{\′}=x_i^{\mathrm{design}}-x_i^{\max },---\left(1\right)$

式中，i=1,2,…，16，x′₁、x'₂、…、x′₁₆分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行最大值的差值，

依次为上述各个影响因素的设计值，

依次为上述各个影响因素的实际运行最大值；

4）根据步骤2）和3）得到的结果，通过BP神经网络得到火电机组修正后的负荷调节实时速率值y'_j，其计算公式为：

$y_j^{\′}=\frac{1}{1+e^{-(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{x}_i^{\′}-{\mathrm{\θ}}_j)}}{y}^{\mathrm{design}}---\left(2\right)$

式中：j=1，2，…，θ_j为BP神经网路采用的临界值，θ_ji=1,2,…，16，x′_i分别为上述各影响因素的设计值与实际运行最大值的差值，y^design为火电机组设计负荷速率；

5）依据步骤4）得出的火电机组修正后的负荷调节实时速率值y'_j，在规定火电机组升负荷时间t内，计算得出火电机组最大可调负荷值为y，其计算公式为：

y=y'_j×t          （3）

如果计算出的最大可调负荷值y大于火电机组实际设计最大负荷，即取实际设计最大负荷值为火电机组最大可调负荷，如果计算出的最大可调负荷值y不大于火电机组实际设计最大负荷，即取最大可调负荷值y为火电机组最大可调负荷。

2.根据权利要求1所述的火电机组负荷裕度实时预测方法，其特征在于，步骤2）中，BP神经网络法的学习算法包括以下步骤：

a）设置各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的初始联合权系数为w和初始临界值为θ，其取值均为[0，1]；

b）将各影响因素的设计值与实际运行值的差值x_i加到BP神经网络上，利用下面的公式计算出BP神经网络训练出的火电机组负荷调节实时速率值y_j，计算公式如下：

$y_j=\frac{1}{1+e^{-(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)}}{y}^{\mathrm{design}}---\left(4\right)$

式中：i=1,2,…，16，x₁、x₂、…、x₁₆分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行值的差值；j=1，2，…，θ_j为BP神经网路采用的临界值，y^design为火电机组设计负荷速率；

3）按火电机组负荷设计值与负荷实际运行值的差值d_j与神经网络训练出的火电机组负荷调节实时速率值y_j调整联合权系数w_ij，其调整量Δw_ij的计算公式如下：

Δw_ij=η_jδ_jx_j     （5）

式中：j=1,2，…，η_j为学习率比例系数，其取值为[0，1]，x_j为BP神经网络在隐节点的输入，δ_j是一个与输出偏差相关的值，对于输出节点来说有：

δ_j=η_j(1-y_j)(d_j-y_j)       （6）

对于隐层节点来说有：

${\mathrm{\δ}}_j=x_j(1-x_j)\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k{w}_{\mathrm{jk}}---\left(7\right)$

式中，k=1,2，…，j；

各层神经元的联合权系数w_ij调整后为：

w_ij(τ)=w_ij(τ-1)+Δw_ij   （8）

式中：τ为BP神经网络的学习次数。