CN107831652A - 一种基于冷端系统储能的机组负荷智能优化控制方法 - Google Patents

Abstract

本发明涉及一种基于冷端系统储能的机组负荷智能优化控制方法，其包括如下步骤：（1）建立超临界机组负荷特性神经网络预测模型；（2）利用机组历史运行数据对预测模型进行训练和验证；（3）利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对冷端储能系统进行预测和优化；（4）将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。本发明可以提高机组负荷的控制水平，保证火电机组安全可靠运行。

Description

一种基于冷端系统储能的机组负荷智能优化控制方法

技术领域

本发明属于发电技术领域，具体涉及一种基于冷端系统储能的机组负荷智能优化控制方法。

背景技术

大容量超（超）临界燃煤机组因在节能、降耗和减少环境污染等方面具有明显的优势已逐渐成为电网的主力机组。电网供电质量指标的不断提高，要求大容量超（超）临界机组应具备自动发电量控制（AGC）等功能，同时也对超临界机组的负荷响应速率、调节精度等提出了很高的要求（两个细则考核要求每分钟的负荷变化量能够达到机组额定负荷的1.5%到2%甚至更高）。由于协调控制系统（CCS）需兼顾负荷、主汽压力的控制偏差，以及锅炉本身的大惯性、大时延特性，使得机组负荷响应速率的提高十分困难，且容易引起主汽压、主汽温等参数的大幅波动。因此如何满足电网对机组负荷调节的快速性要求，应对电网两个细则考核，确保火电机组长期安全可靠运行，就成为有关技术人员所面临的难题。

常规超（超）临界机组特性建模均将发电机组视为一个整体，将协调控制对象简化为一个3输入3输出的数学模型，以反映燃料量、给水量、汽轮机调节阀开度与主蒸汽压力、机组负荷、中间点温度（或焓值）间复杂的非线性关系，具体可采用传递函数、代数和微分方程组或人工神经网络等多种方式加以实现。由于上述模型简化因素较多，会导致模型的负荷预测精度降低，抗干扰能力下降。具体表现：1）与机组功率直接相关的热端参数为锅炉末级过热器出口蒸汽温度，并非中间点温度，而超（超）临界锅炉的末级过热器出口蒸汽温度除与水煤比直接相关外，动态变负荷过程中还受到各级过热器喷水减温量的影响，这在上述模型中未体现；2）机组中、低压缸做功份额约占机组总功率的2/3，而中、低压缸做功能力与再热蒸汽压力、再热蒸汽温度２个参数密切相关，这在上述模型中均未反映；3）上述模型中未考虑机组的重要冷端参数凝汽器真空（背压）受循环水泵、真空泵、机组轴封运行情况等多种因素的影响，凝汽器真空变化对机组负荷和机组运行的经济性有很大影响；4）大型超临界机组的高、中、低压缸均设置了至少8段以上的回热抽汽，运行过程中会由于各种原因如高压加热器（高加）解列、凝结水流量突变等，导致各级回热循环抽汽量出现突变，这会在较短时间内对汽轮机做功产生影响（近年来出现的凝结水节流负荷快速调节方法正是利用这种影响），而上述模型无法反映。

因此，充分考虑大容量汽轮机的热端、冷端及回热循环侧的相关可控参数，建立能够准确预测机组负荷的数学模型十分必要。

发明内容

针对现有技术之弊端，本发明的目的是提供基于冷端系统储能的机组负荷智能优化控制方法，以提高机组负荷的控制水平，保证火电机组安全可靠运行。

本发明采用如下技术方案：

一种基于冷端系统储能的机组负荷智能优化控制方法，其包括如下步骤：

（1）建立超临界机组负荷特性神经网络预测模型；

（2）利用机组历史运行数据对预测模型进行训练和验证；

（3）利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对冷端储能系统进行预测和优化；

（4）将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。

进一步的，所述步骤（1）中，建立所述预测模型的方法为：以BP网络模型为基础，以8个输入变量k时刻的值及其n阶时延数据、1个输出变量的m阶时延反馈数据作为神经网络模型的输入，来构建负荷预测模型。

进一步的，所述步骤（1）中，建立所述预测模型的8输入变量为：主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、高压调节阀开度、凝汽器真空、凝结水流量和给水流量；建立所述预测模型的输出变量为机组负荷。

进一步的，所述BP网络模型为串-并联模型辨识结构。

进一步的，所述步骤（2）中，训练样本的选择包括不同稳态负荷点和变负荷动态过程中的原始数据以及扰动数据；所述扰动数据包括真空、凝结水流量、燃料量和高压调节阀开度。

进一步的，所述步骤（2）中，模型训练样本的归一化方法为：结合各参数在机组升、降负荷过程中的变化范围，人工确定各参数的最大、最小值，以此为基准对所有离线训练及在线校验数据进行归一化处理。

进一步的，所述步骤（2）中，模型训练样本的归一化公式为：

y＝(y _max－y _min)×(x－x _min)÷(x _max－x _min)＋y _min

式中：[x _min，x _max]为人工确定的参数实际取值范围；

[y _min，y _max]为规整后参数的取值范围，这里取[-1，1]；

x，y分别为参数实际值和标称值。

进一步的，所述步骤（2）中，运用MATLAB软件提供的NEWFF函数创建一个前向BP神经网络；所述前向BP神经网络采用3层结构，隐含层和输出层的激活函数分别选用tansig和purelin函数，并采用Levenberg-Marquardt算法完成训练。

进一步的，所述步骤（2）中，模型最大训练周期为3000，目标均方误差MSE≤1×10^-7。

进一步的，所述步骤（2）中，隐含层节点数为15~20。

本发明的有益效果在于：由于炉跟机负荷协调控制方式（BFCC）具有较快的负荷响应速度，是最适应AGC的协调运行方式，因此本发明按照BFCC汽轮机侧调节负荷、锅炉侧维持主蒸汽压力的特点，以汽轮机主蒸汽阀、再热蒸汽阀为分界点，将锅炉、汽轮机2部分按照实际流程分开，分别针对锅炉过、再热蒸汽压力和温度特性、汽轮机负荷特性进行精确建模。这种分解方法，将锅炉燃料量、给水量等锅炉侧扰动对负荷的间接影响，直接由锅炉过、再热蒸汽压力及温度等输出参数表征，并将这些参数用作机组负荷预测模型的输入，故更符合机组做功的流程、机理和本质特征。

附图说明

图1为3层BP神经网络结构。

图2为串－并联模型辨识结构。

图3为负荷预测模型结构。

图4为负荷变化数据。

具体实施方式

为了加深对本发明的理解，下面结合附图对本发明进行详细的描述，该实施例是示例性的，仅用于解释本发明，并不对保护范围构成限定。

基于冷端系统的一种机组负荷智能优化控制方法，所述方法首先建立超临界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对冷端储能系统进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。

上述机组负荷智能优化控制方法，所述方法具体按以下步骤进行：

1. 负荷预测模型输入参数确定

该汽轮机由1个高压缸、1个中压缸和2个低压缸组成，8段回热抽汽分别对应于4台低压加热器（低加）、1台除氧器、3台高加的凝结水和给水加热用汽。汽轮机排汽在凝汽器中冷却，该机组配置1个高背压凝汽器和1个低背压凝汽器。汽轮机高压缸配置2个高压进汽阀和4个高压调节阀，中压缸配置2个中压进汽阀和2个中压调节阀。

建模考虑如下限制：1）该模型仅针对机组高负荷段（＞60%额定负荷）的升、降负荷过程，此时所有中压调节阀全开，仅依靠调节高压调节阀开度改变汽轮机的进汽量；2）各段回热抽汽均正常投入，不发生高加、低加投切故障，系统拓扑结构基本不变；3）建模过程仅利用分散控制系统（DCS）中的可测参数，考虑用其他可测参数代替或间接反映未测量的负荷相关参数（如蒸汽焓、各段回热抽汽量等）。根据汽轮机原理，汽轮机的负荷与机组热端和冷端参数、汽轮机进汽量、各级抽汽量均有关系。结合机组DCS的可测参数，负荷预测模型选取以下输入参数。

1）主蒸汽压力、主蒸汽温度 主蒸汽压力和主蒸汽温度与高压缸做功有直接关系。主蒸汽压力越高，意味着在相同高压调节阀开度下，进入高压缸的蒸汽流量越大，做功也越多；主蒸汽温度越高，蒸汽内能（焓值）越高，做功能力也越高。

2）再热蒸汽压力、再热蒸汽温度 再热蒸汽压力和再热蒸汽温度与中、低压缸做功能力有直接关系。再热蒸汽温度通过燃烧器摆角和减温器喷水控制，再热蒸汽压力为可测参数但不能直接控制。

3）高压调节阀开度 高压调节阀开度与进入汽轮机的蒸汽流量有直接关系，会影响汽轮机调节级压力，同时也对再热蒸汽压力产生影响。由于机组高负荷段负荷调节过程中中压进汽阀和中压调节阀始终保持全开，因此模型输入不包含中压调节阀开度。

4）凝汽器真空 凝汽器真空作为机组冷端参数，对机组的做功能力有很大影响。凝汽器真空降低（背压升高）时，相同负荷下机组消耗的蒸汽量增大，机组的经济性下降。

5）各级回热抽汽量 由于各级回热抽汽量会直接影响机组负荷，但DCS中并未监测各级抽汽量，仅监测各级抽汽阀前蒸汽压力及各加热器入口的蒸汽压力。尽管根据压差可近似反推各级抽汽量，但机组共8段抽汽，若选取8个压差作为模型输入，会使得模型结构庞大。因此，本文建模采用通过各低加的凝结水流量及高加的给水流量，间接反映机组各级回热抽汽量。

综上所述，选定主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、高压调节阀开度、凝汽器真空、凝结水流量、给水流量8个参数作为机组负荷预测模型的输入，机组负荷则作为预测模型的输出。

2. 负荷预测神经网络模型结构

2.1 BP神经网络结构及训练方法

人工神经网络（ANN）是通过模仿人脑的行为特征进行分布式并行信息处理的数学模型，通过调整内部节点之间相互连接的关系达到信息处理的目的。由于神经网络具有高度非线性建模能力以及分布式存储、自适应学习等特点，已被广泛应用于复杂工业系统建模、控制等领域。BP神经网络是一种典型的前馈型神经网络，由输入层、隐含层和输出层节点组成，信息由输入层向输出层单向传递，各层神经元之间无反馈；每层又包含许多单个神经元，层内神经元间无任何连接。所有隐层神经元均采用S型传递函数，可以学习输入、输出之间的非线性关系，典型的3层BP神经网络结构如图1所示。

BP算法是神经网络训练的基本算法，是标准的误差梯度下降法。BP算法学习速率过慢且易陷入局部极小点，对此MATLAB软件给出了多种改进算法，其中Levenberg-Marquardt算法性能优良，收敛速度最快，本文模型训练也采用该算法。

2.2 负荷预测模型结构

一个单输入/单输出（SISO）非线性动态系统，设系统输入为u(k)，输出为y(k)，则系统的数学模型可采用差分方程描述为：

y(k)＝g[y(k-1)，…，y(k-m)；

u(k)，u(k-1)，…，u(k-n) ] （a）

采用具有非线性特征的输出反馈神经网络辨识上述系统，一般有并联或串－并联型两种模型辨识结构。采用并联模型辨识结构，开始训练时难以使其收敛于系统的输出，且不稳定。并联模型输出^y表达式为：

^y(k)＝Ng[^y(k-1)，…，^y(k-m)；

u(k)，u(k-1)，…，u(k-n) ；W] （b）

实际中多采用图2所示串－并联模型辨识结构来实现，其模型输出^y表达式为：

^y(k)＝Ng[y(k-1)，…，y(k-m)；

u(k)，u(k-1)，…，u(k-n) ；W] （c）

该辨识器的输入是被辨识系统的输入/输出，故有利于保证辨识模型的收敛。

本文采用串－并联模型辨识结构。为保证辨识的精度，模型辨识过程的主要任务是确定输入、输出时延的阶次n和m，以及优化神经网络W的结构、权值等参数。

对于本文8输入1输出的建模对象，考虑以BP网络模型为基础，以8个输入变量k时刻的值及其n阶时延数据、1个输出变量的m阶时延反馈数据作为神经网络模型的输入，来构建负荷预测模型，其结构如图3所示。

该负荷预测神经网络模型的输入层具有8×（n＋1）＋m 个输入神经元，隐含层具有j个神经元，输出具有1个神经元。为寻找最佳的负荷预测模型结构，本文将针对不同输入时延阶次n、输出反馈时延阶次m、不同隐层节点数j分别进行建模，并通过实时仿真试验对网络模型结构进行优选。

3. 训练样本及模型训练结果

3.1 训练样本

为使负荷预测模型全面反映机组特性，选取的训练样本应包含不同稳态负荷点和变负荷动态过程中的原始数据，且负荷变化范围应尽量宽。为此，本文借助超临界1000 MW 机组仿真机，使机组在600~1000 MW之间连续升、降负荷，并适当增加真空、凝结水流量、燃料量、高压调节阀开度等扰动数据，使获取的训练样本数据较为全面，各输入参数的激励较为充分。采样间隔为1s，共采集16367组原始数据，其中负荷变化数据如图4所示。为减少神经网络模型训练时间，以5s为采样间隔，从原始数据中均匀抽取3273组数据，作为模型的训练样本。

3.2 样本归一化处理

由于各输入参数的取值范围差别较大，直接用原始样本会造成各变量在模型训练过程中对网络权值和输出误差的贡献率差别很大，导致网络权值分布不均。为此，需要对原始样本进行归一化处理，以使模型更易收敛，同时提高其泛化能力。

本文结合各参数在机组升、降负荷过程中的变化范围，人工确定各参数的最大、最小值，以此为基准对所有离线训练及在线校验数据进行归一化处理。负荷预测模型选取的8个输入参数和1个输出参数的取值范围见表1。

本文采用的归一化公式为：

y＝(y _max－y _min)×(x－x _min)÷(x _max－x _min)＋y _min （d）

式中：[x _min，x _max]为人工确定的参数实际取值范围；

[y _min，y _max]为规整后参数的取值范围，这里取[-1，1]；x，y分别为参数实际值和标称值。

3.3 不同模型训练结果

运用MATLAB软件提供的newff函数创建一个前向BP神经网络。该网络采用3层结构，隐含层和输出层的激活函数分别选用tansig和purelin函数，并采用Levenberg-Marquardt算法（trainlm）完成训练。仿真试验设置模型最大训练周期为3000，目标均方误差MSE =1×10^-7，对具有不同输入、输出时延阶数n和m、不同隐层节点数j的神经网络模型的训练效果进行比较。结果显示，当隐含层节点数j增加到合适值（15~20）以上时，不同时延阶次n和m 模型的输出均方误差均可达到目标。这与具有足够隐含层节点的BP网络可以任意精度逼近某连续非线性函数的特性一致。

本文通过仿真试验对不同结构模型在不同扰动下的负荷实时预测精度进行比较。选取不同n和m取值的5个模型（其代号分别为A、B、C、D、E），目标MSE<1×10^-7，不同n和m 取值模型训练结果见表2。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，但并不限于此，本领域的技术人员很容易根据上述实施例领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围之内。

Claims (10)

1.一种基于冷端系统储能的机组负荷智能优化控制方法，其特征在于，其包括如下步骤：

（1）建立超临界机组负荷特性神经网络预测模型；

（2）利用机组历史运行数据对预测模型进行训练和验证；

（3）利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对冷端储能系统进行预测和优化；

（4）将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。

2.根据权利要求1所述的控制方法，其特征在于，所述步骤（1）中，建立所述预测模型的方法为：以BP网络模型为基础，以8个输入变量k时刻的值及其n阶时延数据、1个输出变量的m阶时延反馈数据作为神经网络模型的输入，来构建负荷预测模型。

3.根据权利要求2所述的控制方法，其特征在于，所述步骤（1）中，建立所述预测模型的8输入变量为：主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、高压调节阀开度、凝汽器真空、凝结水流量和给水流量；建立所述预测模型的输出变量为机组负荷。

4.根据权利要求3所述的控制方法，其特征在于，所述BP网络模型为串-并联模型辨识结构。

5.根据权利要求4所述的控制方法，其特征在于，所述步骤（2）中，训练样本的选择包括不同稳态负荷点和变负荷动态过程中的原始数据以及扰动数据；所述扰动数据包括真空、凝结水流量、燃料量和高压调节阀开度。

6.根据权利要求5所述的控制方法，其特征在于，所述步骤（2）中，模型训练样本的归一化方法为：结合各参数在机组升、降负荷过程中的变化范围，人工确定各参数的最大、最小值，以此为基准对所有离线训练及在线校验数据进行归一化处理。

7.根据权利要求6所述的控制方法，其特征在于，所述步骤（2）中，模型训练样本的归一化公式为：

y＝(y _max－y _min)×(x－x _min)÷(x _max－x _min)＋y _min

式中：[x _min，x _max]为人工确定的参数实际取值范围；

[y _min，y _max]为规整后参数的取值范围，这里取[-1，1]；

x，y分别为参数实际值和标称值。

8.根据权利要求7所述的控制方法，其特征在于，所述步骤（2）中，运用MATLAB软件提供的NEWFF函数创建一个前向BP神经网络；所述前向BP神经网络采用3层结构，隐含层和输出层的激活函数分别选用tansig和purelin函数，并采用Levenberg-Marquardt算法完成训练。

9.根据权利要求8所述的控制方法，其特征在于，所述步骤（2）中，模型最大训练周期为3000，目标均方误差MSE≤1×10^-7。

10.根据权利要求9所述的控制方法，其特征在于，所述步骤（2）中，隐含层节点数为15~20。