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
一种基于小波神经网络的火电机组变负荷速率预测方法 Download PDFInfo
- Publication number
- CN104991447A CN104991447A CN201510267592.8A CN201510267592A CN104991447A CN 104991447 A CN104991447 A CN 104991447A CN 201510267592 A CN201510267592 A CN 201510267592A CN 104991447 A CN104991447 A CN 104991447A
- Authority
- CN
- China
- Prior art keywords
- neural network
- partiald
- wavelet neural
- training
- sigma
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
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
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,...,xk,...,xm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,...,xk,...,xm,d1)1,(x1,x2,...,xk,...,xm,d1)2,……,(x1,x2,...,xk,...,xm,d1)R作为R组学习样本,将Q组(x1,x2,...,xk,...,xm,d1)1,(x1,x2,...,xk,...,xm,d1)2,……,(x1,x2,...,xk,...,xm,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wjk、第j隐含层到第i输出层的连接权值vij、第j层的小波尺度参数aj和第j层的小波位移参数bj;
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:
其中,Vi为需要归一化的数组,min Vi为需要归一化的数组中最小的元素值,max Vi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:
其中,yi(t)为第i个输出层的输出数据,i=N=1, 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,...,yi,...,yN]与预测输出数据[d1,d2,...,di,...,dN]的误差E:
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wjk、vij、aj和bj,修正后的wjk、vij、aj和bj为:
其中,η为学习率,和的公式如下:
其中,ψa,b’为函数ψa,b的导函数;将修正后的wjk、vij、aj和bj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wjk、第j隐含层到第i输出层的连接权值vij、第j层的小波尺度参数aj和第j层的小波位移参数bj;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:
其中,Vi为需要归一化的数组,min Vi为需要归一化的数组中最小的元素值,max Vi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:
其中,yi(t)为第i个输出层的输出数据,i=N=1, 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,...,yi,...,yN]与预测输出数据[d1,d2,...,di,...,dN]的误差E:
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wjk、vij、aj和bj,修正后的wjk、vij、aj和bj为:
其中,η为学习率,和的公式如下:
其中,ψa,b’为函数ψa,b的导函数;将修正后的wjk、vij、aj和bj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,...,xk,...,xm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,...,xk,...,xm,d1)1,(x1,x2,...,xk,...,xm,d1)2,……,(x1,x2,...,xk,...,xm,d1)R作为R组学习样本,将Q组(x1,x2,...,xk,...,xm,d1)1,(x1,x2,...,xk,...,xm,d1)2,……,(x1,x2,...,xk,...,xm,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wjk、第j隐含层到第i输出层的连接权值vij、第j层的小波尺度参数aj和第j层的小波位移参数bj;
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:
其中,Vi为需要归一化的数组,minVi为需要归一化的数组中最小的元素值,maxVi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:
其中,yi(t)为第i个输出层的输出数据,i=N=1, 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,...,yi,...,yN]与预测输出数据[d1,d2,...,di,...,dN]的误差E:
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wjk、vij、aj和bj,修正后的wjk、vij、aj和bj为:
其中,η为学习率,和的公式如下:
其中,ψa,b’为函数ψa,b的导函数;将修正后的wjk、vij、aj和bj的值替换原来的值,然后返回步骤S2.3进行第t+1次训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510267592.8A CN104991447B (zh) | 2015-05-22 | 2015-05-22 | 一种基于小波神经网络的火电机组变负荷速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510267592.8A CN104991447B (zh) | 2015-05-22 | 2015-05-22 | 一种基于小波神经网络的火电机组变负荷速率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104991447A true CN104991447A (zh) | 2015-10-21 |
CN104991447B CN104991447B (zh) | 2017-11-03 |
Family
ID=54303269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510267592.8A Expired - Fee Related CN104991447B (zh) | 2015-05-22 | 2015-05-22 | 一种基于小波神经网络的火电机组变负荷速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104991447B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320803A (zh) * | 2019-07-09 | 2019-10-11 | 东莞理工学院 | 一种超超临界燃煤机组优选升负荷速率的计算方法 |
CN110458724A (zh) * | 2019-08-19 | 2019-11-15 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络预测火电机组深度调峰能力的方法 |
CN112711237A (zh) * | 2020-12-29 | 2021-04-27 | 华润电力技术研究院有限公司 | 一种火电机组自动控制品质在线评估方法和系统 |
-
2015
- 2015-05-22 CN CN201510267592.8A patent/CN104991447B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
ANANT OONSIVILAI, ETC: "Wavelet neural network based short term load forecasting of electric power system commercial load", 《PROCEEDINGS OF THE 1999 IEEE CANADIAN CONFERENCE ON ELECTRICAL AND COMPUTER ENGINEERING》 * |
张君,等: "利用小波神经网络的单元机组负荷系统的建模", 《动力工程》 * |
樊亚敏: "基于小波神经网络的电力负荷预测", 《黑龙江科技信息》 * |
祖哲,等: "基于小波神经网络的电力系统短期负荷预测模型研究", 《计算机技术与发展》 * |
连志春,等: "基于小波网络的BP算法改进研究", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320803A (zh) * | 2019-07-09 | 2019-10-11 | 东莞理工学院 | 一种超超临界燃煤机组优选升负荷速率的计算方法 |
CN110320803B (zh) * | 2019-07-09 | 2022-06-10 | 东莞理工学院 | 一种超超临界燃煤机组优选升负荷速率的计算方法 |
CN110458724A (zh) * | 2019-08-19 | 2019-11-15 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络预测火电机组深度调峰能力的方法 |
CN112711237A (zh) * | 2020-12-29 | 2021-04-27 | 华润电力技术研究院有限公司 | 一种火电机组自动控制品质在线评估方法和系统 |
CN112711237B (zh) * | 2020-12-29 | 2022-09-27 | 华润电力技术研究院有限公司 | 一种火电机组自动控制品质在线评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104991447B (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101661530B (zh) | 基于相关分析求取风电场稳态等效风速与发电功率的方法 | |
CN105429129B (zh) | 一种考虑网络约束的间歇性能源发电容量置信度评估方法 | |
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
CN103413174B (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN104392143A (zh) | 一种自适应量子神经网络汽轮机故障趋势预测方法 | |
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN107704958A (zh) | 一种多变量建模的火电厂发电量预测方法 | |
CN103425743A (zh) | 基于贝叶斯神经网络算法的蒸汽管网预测系统 | |
CN104050604A (zh) | 基于概率潮流的电力系统静态安全评估方法 | |
Goudarzi et al. | Intelligent analysis of wind turbine power curve models | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN102870309A (zh) | 便于设计高压(hvdc)控制系统的方法和系统、hvdc系统和优化hvdc系统的方法 | |
CN107966600A (zh) | 一种基于深度学习算法的防窃电系统及其防窃电方法 | |
CN105262108A (zh) | 一种有源配电网鲁棒无功优化运行方法 | |
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 | |
Zhou et al. | Coal consumption prediction in thermal power units: A feature construction and selection method | |
CN103678891B (zh) | 火电机组负荷裕度实时预测方法 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN104037756B (zh) | 一种含复杂电力设备模型的电力系统稳定评估方法 | |
Chen et al. | A new machine double-layer learning method and its application in non-linear time series forecasting | |
Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
CN105184411A (zh) | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171103 |