CN104991447A - 一种基于小波神经网络的火电机组变负荷速率预测方法 - Google Patents

Abstract

本发明公开了一种基于小波神经网络的火电机组变负荷速率预测方法，通过建立小波神经网络，实现了对火电机组变负荷速率的及时、有效、主动的预测，且预测方法非常智能化，预测精度较高。

Description

一种基于小波神经网络的火电机组变负荷速率预测方法

技术领域

本发明涉及火电机组变负荷速率预测方法，特别是涉及一种基于小波神经网络的火电机组变负荷速率预测方法。

背景技术

长期以来对火力发电厂变负荷速率的研究都是一些被动的测量，遇到机组变负荷时，只能估计火电机组在这个状态下可能的变负荷速率，这种估计值满足不了更加精确化的控制，不利于火电厂的进一步智能化控制。而在大的电网方面，由于现代电网规模迅速增大，各种分布式电源的加入，以及特高压直流输送、智能电网的建设等。这些因素将对现行电网控制提出更高的要求，现代的电网必须沿着精细化控制、智能化控制的方向发展。涉网机组有变负荷速率预测作为电网涉网信息关键技术之一对机网协同配合有着重要的作用。在区外来电占比较大的情况下，特高压直流输电发生闭锁故障等情况时，需要建立能预测机组变负荷速率的系统。涉网火电机组为了适应智能化的潮流，必须提高对自身运行状态的掌握和预测。

发明内容

发明目的：本发明的目的是提供一种能够对火电机组变负荷速率进行及时、有效、主动预测的智能化的基于小波神经网络的火电机组变负荷速率预测方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的一种基于小波神经网络的火电机组变负荷速率预测方法，包括以下的步骤：

S1：从火力发电厂DCS系统选取在一个负荷变动时刻能够反映火电机组运行状态的数据x₁，x₂，...，x_k，...，x_m作为输入数据，根据该变负荷时刻火电机组实际的负荷曲线得到变负荷速率d₁作为预测输出数据，并将R组(x₁，x₂，...，x_k，...，x_m，d₁)₁，(x₁，x₂，...，x_k，...，x_m，d₁)₂，……，(x₁，x₂，...，x_k，...，x_m，d₁)_R作为R组学习样本，将Q组(x₁，x₂，...，x_k，...，x_m，d₁)₁，(x₁，x₂，...，x_k，...，x_m，d₁)₂，……，(x₁，x₂，...，x_k，...，x_m，d₁)_Q作为Q组测试样本；设定期望误差或者最大训练次数，设定小波神经网络精度；其中，m≥1，R≥1，Q≥1；

S2：根据步骤S1中的输入数据和预测输出数据确定输入层个数为m、隐含层个数为n和输出层个数为1，其中n＝2m+5；用学习样本训练小波神经网络，如果误差小于期望误差或者训练次数达到最大训练次数，则停止训练小波神经网络；

S3：用测试样本对步骤S2中得到的小波神经网络进行测试，判断小波神经网络是否达到步骤S1中设定的小波神经网络精度；如果达不到，则调整隐含层个数n、期望误差或者最大训练次数后，返回步骤S2；如果达到，则得到了一个训练合格的小波神经网络，继续进行步骤S4；

S4：利用步骤S3中得到的训练合格的小波神经网络对火电机组的变负荷速率进行预测，得到小波神经网络的输出结果，将输出结果反归一化之后得到最终预测结果。

进一步，所述步骤S2包括以下的步骤：

S2.1：初始化小波神经网络参数：用[-0.1 0.1]区间内的随机值初始化第k输入层到第j隐含层的连接权值w_jk、第j隐含层到第i输出层的连接权值v_ij、第j层的小波尺度参数a_j和第j层的小波位移参数b_j；

S2.2：将所述步骤S1中的输入数据和预测输出数据采用以下的归一化公式进行归一化：

$\frac{V_i-{\mathrm{minV}}_i}{{\mathrm{maxV}}_i-{\mathrm{minV}}_i}---\left(1\right)$

其中，V_i为需要归一化的数组，min V_i为需要归一化的数组中最小的元素值，max V_i为需要归一化的数组中最大的元素值；

S2.3：依次输入R组学习样本，进行训练；设当前输入为第p组学习样本，其中，1≤p≤R；

S2.4：经过小波神经网络的计算后得到第i个输出层的输出数据：

$y_i\left(t\right)=\underset{j=0}{\overset{n}{\Σ}}{v}_{ij}{\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j\right),(i=1,2,...,N)---\left(2\right)$

其中，y_i(t)为第i个输出层的输出数据，i＝N＝1， ${\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j\right)=cos\left(1.75x\right)e^{-x^2/2},x=\frac{{\mathrm{net}}_j-b_j}{a_j},$ t为当前训练的次数，1≤t≤最大训练次数；

S2.5：记录已学习的学习样本个数p；如果p＜R，则返回步骤S2.3继续进行第t次训练；如果p＝R，则继续进行步骤S2.6；

S2.6：计算步骤S2.4中得到的神经网络输出层的输出数据[y₁，y₂，...，y_i，...，y_N]与预测输出数据[d₁，d₂，...，d_i，...，d_N]的误差E：

$E=\frac{1}{2}\underset{p=1}{\overset{R}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{(d_i^p-y_i^p)}^2---\left(3\right)$

其中，i＝N＝1；

S2.7：如果步骤S2.6中得到的误差E满足期望误差或者步骤S2.3中的t等于最大训练次数，则终止学习；否则，继续进行步骤S2.8；

S2.8：用步骤S2.6中得到的误差E修正w_jk、v_ij、a_j和b_j，修正后的w_jk、v_ij、a_j和b_j为：

$w_{jk}(t+1)=-\mathrm{\η}\frac{\∂E}{\∂w_{jk}}+w_{jk}\left(t\right)---\left(4\right)$

$v_{ij}(t+1)=-\mathrm{\η}\frac{\∂E}{\∂v_{ij}}+v_{ij}\left(t\right)---\left(5\right)$

$a_j(t+1)=-\mathrm{\η}\frac{\∂E}{\∂a_j}+a_j\left(t\right)---\left(6\right)$

$b_j(t+1)=-\mathrm{\η}\frac{\∂E}{\∂b_j}+b_j\left(t\right)---\left(7\right)$

其中，η为学习率，和的公式如下：

$\frac{\∂E}{\∂w_{jk}}=-\underset{p=1}{\overset{R}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{ij}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)x_k^p/a_j---\left(8\right)$

$\frac{\∂E}{\∂v_{ij}}=-\underset{p=1}{\overset{R}{\Σ}}(d_i^p-y_i^p)y_i^p(1-y_i^p){\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j^p\right)---\left(9\right)$

$\frac{\∂E}{\∂a_j}=\underset{p=1}{\overset{H}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{ij}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)\left(\frac{{\mathrm{net}}_j^p-b_j}{b_j}\right)/a_j---\left(10\right)$

$\frac{\∂E}{\∂b_j}=\underset{p=1}{\overset{R}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}(d_i^p-y_i^p)-y_i^p(1-y_i^p)v_{ij}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)/a_j---\left(11\right)$

其中，ψ_a，b’为函数ψ_a，b的导函数；将修正后的w_jk、v_ij、a_j和b_j的值替换原来的值，然后返回步骤S2.3进行第t+1次训练。

有益效果：本发明提供的基于小波神经网络的火电机组变负荷速率预测方法，通过建立小波神经网络，实现了对火电机组变负荷速率的及时、有效、主动的预测，且预测方法非常智能化，预测精度较高。

附图说明

图1为本发明的小波神经网络的模型图；

图2为本发明的步骤S2的流程图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步的介绍。

本发明提供了一种基于小波神经网络的火电机组变负荷速率预测方法，包括以下的步骤：

S1：从火力发电厂DCS系统选取在一个负荷变动时刻的变负荷目标指令、当前负荷量、当前主蒸汽压力值和BTU煤质校正系数这四个数据作为输入数据，选取时间间隔为10s，并根据该变负荷时刻火电机组实际的负荷曲线得到变负荷速率d₁作为预测输出数据，并将R＝200组(x₁，x₂，x₃，x₄，d₁)₁，(x₁，x₂，x₃，x₄，d₁)₂，……，(x₁，x₂，x₃，x₄，d₁)_R作为学习样本，将Q＝20组(x₁，x₂，x₃，x₄，d₁)₁，(x₁，x₂，x₃，x₄，d₁)₂，……，(x₁，x₂，x₃，x₄，d₁)_Q作为测试样本；设定期望误差或者最大训练次数，设定小波神经网络精度；

S2：根据步骤S1中的输入数据和预测输出数据确定输入层个数为m＝4，输出层个数为1，根据经验公式n＝2m+5确定隐含层个数为n＝13；用学习样本训练小波神经网络，如果误差小于期望误差或者训练次数达到最大训练次数，则停止训练小波神经网络；小波神经网络模型如图1所示；

S3：用测试样本对步骤S2中得到的小波神经网络进行测试，判断小波神经网络是否达到步骤S1中设定的小波神经网络精度；如果达不到，则调整隐含层个数n、期望误差或者最大训练次数后，返回步骤S2；如果达到，则得到了一个训练合格的小波神经网络，继续进行步骤S4；

S4：利用步骤S3中得到的训练合格的小波神经网络对火电机组的变负荷速率进行预测，得到小波神经网络的输出结果，将输出结果反归一化之后得到最终预测结果。

其中，步骤S2如图2所示，包括以下的步骤：

S2.1：初始化小波神经网络参数：用[-0.1 0.1]区间内的随机值初始化第k输入层到第j隐含层的连接权值w_jk、第j隐含层到第i输出层的连接权值v_ij、第j层的小波尺度参数a_j和第j层的小波位移参数b_j；这里的小波尺度参数是将英文dilation coefficient翻译过来的称谓，小波位移参数是将英文translationcoefficient翻译过来的称谓；

S2.2：将所述步骤S1中的输入数据和预测输出数据采用以下的归一化公式进行归一化：

$\frac{V_i-{\mathrm{minV}}_i}{{\mathrm{maxV}}_i-{\mathrm{minV}}_i}---\left(1\right)$

其中，V_i为需要归一化的数组，min V_i为需要归一化的数组中最小的元素值，max V_i为需要归一化的数组中最大的元素值；

S2.3：依次输入R组学习样本，进行训练；设当前输入为第p组学习样本，其中，1≤p≤R；

S2.4：经过小波神经网络的计算后得到第i个输出层的输出数据：

$y_i\left(t\right)=\underset{j=0}{\overset{n}{\Σ}}{v}_{ij}{\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j\right),(i=1,2,...,N)---\left(2\right)$

其中，y_i(t)为第i个输出层的输出数据，i＝N＝1， ${\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j\right)=cos\left(1.75x\right)e^{-x^2/2},x=\frac{{\mathrm{net}}_j-b_j}{a_j},$ t为当前训练的次数，1≤t≤最大训练次数；

S2.5：记录已学习的学习样本个数p；如果p＜R，则返回步骤S2.3继续进行第t次训练；如果p＝R，则继续进行步骤S2.6；

S2.6：计算步骤S2.4中得到的神经网络输出层的输出数据[y₁，y₂，...，y_i，...，y_N]与预测输出数据[d₁，d₂，...，d_i，...，d_N]的误差E：

$E=\frac{1}{2}\underset{p=1}{\overset{R}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{(d_i^p-y_i^p)}^2---\left(3\right)$

其中，i＝N＝1；

S2.7：如果步骤S2.6中得到的误差E满足期望误差或者步骤S2.3中的t等于最大训练次数，则终止学习；否则，继续进行步骤S2.8；

S2.8：用步骤S2.6中得到的误差E修正w_jk、v_ij、a_j和b_j，修正后的w_jk、v_ij、a_j和b_j为：

$w_{jk}(t+1)=-\mathrm{\η}\frac{\∂E}{\∂w_{jk}}+w_{jk}\left(t\right)---\left(4\right)$

$v_{ij}(t+1)=-\mathrm{\η}\frac{\∂E}{\∂v_{ij}}+v_{ij}\left(t\right)---\left(5\right)$

$a_j(t+1)=-\mathrm{\η}\frac{\∂E}{\∂a_j}+a_j\left(t\right)---\left(6\right)$

$b_j(t+1)=-\mathrm{\η}\frac{\∂E}{\∂b_j}+b_j\left(t\right)---\left(7\right)$

其中，η为学习率，和的公式如下：

$\frac{\∂E}{\∂w_{jk}}=-\underset{p=1}{\overset{R}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{ij}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)x_k^p/a_j---\left(8\right)$

$\frac{\∂E}{\∂v_{ij}}=-\underset{p=1}{\overset{R}{\Σ}}(d_i^p-y_i^p)y_i^p(1-y_i^p){\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j^p\right)---\left(9\right)$

$\frac{\∂E}{\∂a_j}=\underset{p=1}{\overset{H}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{ij}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)\left(\frac{{\mathrm{net}}_j^p-b_j}{b_j}\right)/a_j---\left(10\right)$

$\frac{\∂E}{\∂b_j}=\underset{p=1}{\overset{R}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}(d_i^p-y_i^p)-y_i^p(1-y_i^p)v_{ij}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)/a_j---\left(11\right)$

其中，ψ_a，b’为函数ψ_a，b的导函数；将修正后的w_jk、v_ij、a_j和b_j的值替换原来的值，然后返回步骤S2.3进行第t+1次训练。

在进行上述运算过程中发现，当隐含层个数n调整至n＝24时，小波神经网络能够达到小波神经网络精度。

最终预测结果与实际数据的比较如表1所示，可见本发明的预测误差的最大偏差为0.025MW/10s，预测误差与实际值的最大百分比为1.84％，满足应用的要求。

表1 本发明的最终预测结果与实际数据的比较

综上所述，本发明通过建立小波神经网络，实现了对火电机组变负荷速率的及时、有效、主动的预测，且预测方法非常智能化，预测精度较高。

Claims (2)

1.一种基于小波神经网络的火电机组变负荷速率预测方法，其特征在于：包括以下的步骤：

S1：从火力发电厂DCS系统选取在一个负荷变动时刻能够反映火电机组运行状态的数据x₁，x₂，...，x_k，...，x_m作为输入数据，根据该变负荷时刻火电机组实际的负荷曲线得到变负荷速率d₁作为预测输出数据，并将R组(x₁，x₂，...，x_k，...，x_m，d₁)₁，(x₁，x₂，...，x_k，...，x_m，d₁)₂，……，(x₁，x₂，...，x_k，...，x_m，d₁)_R作为R组学习样本，将Q组(x₁，x₂，...，x_k，...，x_m，d₁)₁，(x₁，x₂，...，x_k，...，x_m，d₁)₂，……，(x₁，x₂，...，x_k，...，x_m，d₁)_Q作为Q组测试样本；设定期望误差或者最大训练次数，设定小波神经网络精度；其中，m≥1，R≥1，Q≥1；

S2：根据步骤S1中的输入数据和预测输出数据确定输入层个数为m、隐含层个数为n和输出层个数为1，其中n＝2m+5；用学习样本训练小波神经网络，如果误差小于期望误差或者训练次数达到最大训练次数，则停止训练小波神经网络；

S3：用测试样本对步骤S2中得到的小波神经网络进行测试，判断小波神经网络是否达到步骤S1中设定的小波神经网络精度；如果达不到，则调整隐含层个数n、期望误差或者最大训练次数后，返回步骤S2；如果达到，则得到了一个训练合格的小波神经网络，继续进行步骤S4；

S4：利用步骤S3中得到的训练合格的小波神经网络对火电机组的变负荷速率进行预测，得到小波神经网络的输出结果，将输出结果反归一化之后得到最终预测结果。

2.根据权利要求1所述的一种基于小波神经网络的火电机组变负荷速率预测方法，其特征在于：所述步骤S2包括以下的步骤：

S2.1：初始化小波神经网络参数：用[-0.10.1]区间内的随机值初始化第k输入层到第j隐含层的连接权值w_jk、第j隐含层到第i输出层的连接权值v_ij、第j层的小波尺度参数a_j和第j层的小波位移参数b_j；

S2.2：将所述步骤S1中的输入数据和预测输出数据采用以下的归一化公式进行归一化：

$\frac{V_i-\min V_i}{\max V_i-{\min V}_i}---\left(1\right)$

其中，V_i为需要归一化的数组，minV_i为需要归一化的数组中最小的元素值，maxV_i为需要归一化的数组中最大的元素值；

S2.3：依次输入R组学习样本，进行训练；设当前输入为第p组学习样本，其中，1≤p≤R；

S2.4：经过小波神经网络的计算后得到第i个输出层的输出数据：

$y_i\left(t\right)=\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j\right),(i=\mathrm{1,2},...,N)---\left(2\right)$

其中，y_i(t)为第i个输出层的输出数据，i＝N＝1， ${\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j\right)=\cos {\left(1.75x\right)e}^{-x^2/2},$ $x=\frac{{\mathrm{net}}_j-b_j}{a_j},$ t为当前训练的次数，1≤t≤最大训练次数；

S2.5：记录已学习的学习样本个数p；如果p＜R，则返回步骤S2.3继续进行第t次训练；如果p＝R，则继续进行步骤S2.6；

S2.6：计算步骤S2.4中得到的神经网络输出层的输出数据[y₁，y₂，...，y_i，...，y_N]与预测输出数据[d₁，d₂，...，d_i，...，d_N]的误差E：

$E=\frac{1}{2}\underset{p=1}{\overset{R}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(d_i^p-y_i^p)}^2---\left(3\right)$

其中，i＝N＝1；

S2.7：如果步骤S2.6中得到的误差E满足期望误差或者步骤S2.3中的t等于最大训练次数，则终止学习；否则，继续进行步骤S2.8；

S2.8：用步骤S2.6中得到的误差E修正w_jk、v_ij、a_j和b_j，修正后的w_jk、v_ij、a_j和b_j为：

$w_{\mathrm{jk}}(t+1)=-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{jk}}}+w_{\mathrm{jk}}\left(t\right)---\left(4\right)$

$v_{\mathrm{ij}}(t+1)=-\mathrm{\η}\frac{\∂E}{{\∂v}_{\mathrm{ij}}}+v_{\mathrm{ij}}\left(t\right)---\left(5\right)$

$a_j(t+1)=-\mathrm{\η}\frac{\∂E}{{\∂a}_j}+a_j\left(t\right)---\left(6\right)$

$b_j(t+1)=-\mathrm{\η}\frac{\∂E}{{\∂b}_j}+b_j\left(t\right)---\left(7\right)$

其中，η为学习率，和的公式如下：

$\frac{\∂E}{{\∂w}_{\mathrm{jk}}}=-\underset{p=1}{\overset{R}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{\mathrm{ij}}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)x_k^p/a_j---\left(8\right)$

$\frac{\∂E}{{\∂v}_{\mathrm{ij}}}=-\underset{p=1}{\overset{R}{\mathrm{\Σ}}}(d_i^p-y_i^p)y_i^p(1-y_i^p){\mathrm{\ψ}}_{a,b}\left({\mathrm{net}}_j^p\right)---\left(9\right)$

$\frac{\∂E}{{\∂a}_j}=\underset{p=1}{\overset{R}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{\mathrm{ij}}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)\left(\frac{{\mathrm{net}}_j^p-b_j}{b_j}\right)/a_j---\left(10\right)$

$\frac{\∂E}{{\∂b}_j}=\underset{p=1}{\overset{R}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(d_i^p-y_i^p)y_i^p(1-y_i^p)v_{\mathrm{ij}}{{\mathrm{\ψ}}_{a,b}}^{,}\left({\mathrm{net}}_j^p\right)/a_j---\left(11\right)$

其中，ψ_a，b’为函数ψ_a，b的导函数；将修正后的w_jk、v_ij、a_j和b_j的值替换原来的值，然后返回步骤S2.3进行第t+1次训练。