CN110458724A - 一种基于神经网络预测火电机组深度调峰能力的方法 - Google Patents

Abstract

本发明提出一种基于神经网络预测火电机组深度调峰能力的方法，基于火电机组历史运行数据，结合神经网络模型预测机组低负荷运行数据，从而确定电网调峰能力。本发明利用神经网络开展火电机组深度调峰能力预测，解决了仅以调峰性能试验作为机组调峰能力判定的问题，为现场运行人员提供机组运行状态及数据支撑，进一步挖掘了机组调峰能力，参与电网调峰，并能够根据机组状态、煤质参数、环境参数动态预测机组调峰性能，对于提升机组、电网调峰安全性以及充分挖掘机组调峰潜力具有重要意义。

Description

一种基于神经网络预测火电机组深度调峰能力的方法

技术领域

本发明涉及电网调峰领域，更具体地，涉及一种基于神经网络预测火电机组深度调峰能力的方法。

背景技术

风电、火电等可再生能源装机容量在国家补贴和税收优惠政策下不断提升，但因波动性、间歇性而使消纳受到限制，存在弃风弃光问题，电网系统调峰能力不足是重要因素。火电机组参与电网调峰，是促进可再生能源消纳的重要途径，因此需要挖掘火电机组的调峰能力。

而目前火电机组参与调峰存在着一些问题：(1)火电机组调峰能力有待研究，机组最大出力难以准确衡量，有些机组建设时间较长，已难以满足额定容量下运行，通过机组调峰试验也存在试验周期长且结果不能动态更新管理的问题；(2)调峰过程对锅炉及辅机是重大考验，机组即使能够满足最大出力，但存在着运行安全裕度较小的可能；(3)机组长期未在额定容量下运行且未经运行数据分析，即达到额定容量可能对机组安全性带来影响。

目前针对火电机组调峰能力的确定，主要以开展机组调峰性能试验来确定，存在三方面问题，一是机组的试验负荷的确定完全依靠经验判断，由于没有常规运行以下负荷的运行参数作为参考，试验过程发生故障的可能性较高；二是可能存在部分机组试验符合并不能准确反映机组调峰能力，机组的调峰潜力还可以继续挖掘；三是调峰试验具有周期性，且时间间隔较长，也无法动态跟踪机组在煤质、环境等参数变化下调峰能力的即时数值，容易引发机组和电网故障。

发明内容

为了克服现有技术中存在的缺陷，本发明基于火电机组历史运行数据，结合神经网络模型预测机组低负荷运行数据，从而确定电网调峰能力。

具体地，本发明提出一种基于神经网络预测火电机组深度调峰能力的方法，基于火电机组历史运行数据，结合神经网络模型预测机组低负荷运行数据，从而确定电网调峰能力。

该方法包括以下步骤：

S1：确定与调峰能力相关的机组运行参数；

S2：确定运行参数数据来源；

S3：确定每个运行参数预测过程所需的输入数据；

S4：针对各运行参数单独建立神经网络络预测模型；

S5：训练所述神经网络预测模型；

S6：采用该预测模型对火电机组深度调峰能力进行预测。

进一步地，

步骤S1中，相关运行参数包括：受热面壁温、炉膛负压、火检信号、SCR入口烟温、空预器差压、汽机轴振、轴向位移。

进一步地，

步骤S2中，如有现场试验条件，以实测值作为预测数据基础，否则，运行参数均由机组分布式控制系统DCS取数得到。

进一步地，

步骤S3中，对于受热面壁温，需对每一测点均进行预测计算；其余运行参数均选取历史运行负荷数据。

进一步地，

步骤S3中，所有指标取数均从机组降负荷运行过程中产生的数据取得。

进一步地，

步骤S3中，取数时间范围为30天内，当数据量较大时，选择离当前时间点时间最短的50组数据作为代表值。

进一步地，

步骤S3中，当机组燃用煤质稳定时，取数中的机组最大运行负荷为机组在30天内出现过的最大运行负荷，机组最小负荷为机组30天内出现的最低负荷；所取负荷为机组降负荷后稳定运行的负荷。

进一步地，

步骤S3中，以1s的时间间隔进行取数，所取时间段内负荷波动不超过2％。

进一步地，

步骤S3中，当机组燃用煤质变化后，以当前煤质重新进行预测计算；负荷数据范围最小低于60％。

进一步地，

步骤S3中，每个负荷点的指标参数处理方法包括：

对运行参数数据进行初步筛选，去除数据中最大值和最小值，对剩余参数进行再处理。

进一步地，

所述对剩余参数进行再处理包括：

对炉膛负压、空预器差压、汽机轴振、轴向位移出现正负值的参数采用最小二乘法进行处理；对于受热面壁温、SCR入口烟温进行取平均值处理。

进一步地，

步骤S4中，神经网络模型包括输入层、隐层和输出层。

进一步地，

神经网络每个节点的输入为x1,x2,x3,x4,每个节点权值为γ11，γ12，γ13，γ14，每个节点的中间输出为y1,则：

y₁＝x₁γ₁₁+x₂γ₁₂+x₃γ₁₃+x₄γ₁₄

……

y_m＝x₁γ_m1+x₂γ_m2+x₃γ_m3+x₄γ_m4

每个节点的激活输出为：i为1到m，

每个节点的激活输出作为输出层的输入z₁……z_m,每个输出层权值为β1……βm,输出层的中间输出为s，

s＝β₁z₁+……+β_mz_m

每个输出层的激活输出:

其中，m为节点个数，通过将每个节点权值和每个输出层权值设置为常数，得到神经网络模型。

进一步地，

步骤S5包括：

将机组在稳定煤质下的运行数据作为一个输入点输入数据，将上述输入数据输入神经网络中，让神经网络进行自我学习，经过若干次自我学习，使得神经网络的预测偏差小于设定偏差，得到该运行指标的神经网络。

进一步地，

步骤S6包括：

在S5中训练得到的神经网络模型中输入单个运行参数的历史数据，得到该运行参数在当前时间段对应的预测值，再综合每个相关运行参数，得到机组的深度调峰能力。

进一步地，

步骤S6中，

输入单个运行参数进行预测包括：

在S5中训练得到的神经网络模型中输入数值进行预测，判断各技术指标是否存在报警值：如果是，则以前一计算负荷-1％的负荷进行数值预测，如果否，则以前一计算负荷-5％的负荷进行数值预测；直到有某一个指标预测值超过报警值，此时输出当前计算负荷，以及当前负荷下的受限指标，当前计算负荷+1％的负荷作为机组可达到的最低负荷。

相对于现有技术，本发明具有以下有益的技术效果：

利用神经网络开展火电机组深度调峰能力预测，可以帮助解决仅以调峰性能试验作为机组调峰能力判定的问题，为现场运行人员提供机组运行状态及数据支撑，能够进一步挖掘机组调峰能力，参与电网调峰，并能够根据机组状态、煤质参数、环境参数动态预测机组调峰性能，对于提升机组、电网调峰安全性以及充分挖掘机组调峰潜力具有重要意义。

附图说明

图1是本发明所述方法的流程图。

图2是m×k×n三层BP网络模型的示意图。

图3示出了预测模型在具体运用过程中的计算过程。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的在于提供一种基于火电机组历史运行数据，结合神经网络模型预测机组低负荷运行数据，从而确定机组调峰能力的方法。是一种利用神经网络预测火电机组各设备在深度调峰下的运行限值得到机组可达到的最低出力，从而得到深度调峰能力的方法。

参照图1，该方法包括以下步骤：

S1：确定与调峰能力相关的机组运行参数。

相关运行参数包括：受热面壁温、炉膛负压、火检信号、SCR入口烟温、空预器差压、汽机轴振、轴向位移。

S2：确定运行参数数据来源。

如有现场试验条件，以实测值作为预测数据基础，否则，运行参数均由机组分布式控制系统DCS取数得到。实测值的测量仪器精度更高，数据更为准确，而DCS数据更多，且能够动态更新，各有利弊。

S3：确定每个运行参数预测过程所需的输入数据。

受热面壁温测点较多，但由于不同过热器、再热器等都有可能发生超温爆管，需对每一测点均进行预测计算；其余运行参数均选取历史运行负荷数据。

运行参数预测中取数及处理如下:

1)由于机组深度调峰必然经历降负荷运行过程，所有指标取数均从机组降负荷运行过程中产生的数据取得。

2)取数时间范围为30天内，如果数据量较大，选择离当前时间点时间最短的50组数据作为代表值。

3)当机组燃用煤质较为稳定时，取数中的机组最大运行负荷以机组在30天内出现过的最大运行负荷为准，直到机组30天内出现的最低负荷。所取负荷应为机组降负荷后稳定运行的负荷。

以1s的时间间隔进行取数，所取时间段内负荷波动不超过2％。例如，机组在30天内出现的最高负荷为Max＝98.5％，最低负荷为Min＝46.7％,则将98.5％作为最大负荷点，46.7％作为最低负荷点，30天内出现过的所有降负荷后稳定运行负荷点也考虑在内。

4)当机组燃用煤质变化后，前一种煤质的参数参考意义不大，应以当前煤质重新进行预测计算。负荷数据范围最小应低于60％。

每个负荷点的指标参数处理方法如下：

由于运行参数可能存在较大波动，可对数据进行初步筛选，去除数据中最大值和最小值，对剩余参数进行再处理。

对炉膛负压、空预器差压、汽机轴振、轴向位移等出现正负值的参数采用最小二乘法进行处理。

例如，炉膛负压存在正值和负值，采用最小二乘法进行分析，炉膛负压取数集合为{p₁,p₂……p_n},则该负荷点下炉膛负压的代表值p应满足使下式最小。

对于受热面壁温、SCR入口烟温进行取平均值处理。

根据以上数据处理，则针对每个指标，都会有负荷点及其数据代表值，以炉膛负压为例，加上煤质参数以及环境参数，则会得到一个如下矩阵：

其中，U_i表示运行负荷，V_daf,i表示燃烧煤质干燥无灰基挥发分，T_i表示环境温度，P_i ^s表示炉膛负压代表值。

S4：针对各运行指标建立神经网络，由于各指标之间可独立分析，不需要考虑相关性，可针对每个运行指标单独建立神经网络预测模型。

建立神经网络：

图2示出了m×k×n三层BP网络模型，所述神经网络包括:输入层、隐层和输出层。其中输入层包括并列的若干个输入点，隐层包括并列的若干个节点，输出层包括一个输出点，每个输入点的输出均作为每个隐层节点的输入，每个隐层节点的输出均作为输出层的输入，输出层输出一个信号。

神经网络进行自我学习：

将机组在稳定煤质下的运行数据作为一个输入点输入数据，运行数据包括所述运行参数以及该运行参数对应的负荷数据，以及煤质参数和环境参数。

将上述输入数据输入神经网络中，让神经网络进行自我学习，经过若干次自我学习，使得神经网络的预测偏差小于设定偏差，得到该运行指标的神经网络模型。

神经网络输入层中每个节点的输入为x1,x2,x3,x4,每个节点权值为γ11，γ12，γ13，γ14，每个节点的中间输出为y1,则：

y₁＝x₁γ₁₁+x₂γ₁₂+x₃γ₁₃+x₄γ₁₄

……

y_m＝x₁γ_m1+x₂γ_m2+x₃γ_m3+x₄γ_m4

每个输入层节点的激活输出为：i为1到m，

每个隐层节点的激活输出作为输出层的输入z₁……z_m,每个输出层权值为β1……βm,输出层的中间输出为s，

s＝β₁z₁+……+β_mz_m

每个输出层的激活输出:

其中，m为隐层的节点个数，通过将每个节点权值和每个输出层权值设置为常数，得到神经网络模型。

其中H为0-10的常数。

将取得的数据进行分类，将其中负荷点数据分为训练集、测试集输入神经网络模型进行迭代计算，直到小于设定误差。

S5：按照如上步骤分别建立受热面壁温、火检信号、SCR入口烟温、空预器差压、汽机轴振、轴向位移等的神经网络模型，并进行训练。

S6：通过输入机组相关运行参数的历史数据，得到所述机组运行参数在当前时间段的预测值，并基于该预测值给出机组的调峰能力预测值。

图3示出了预测模型在具体运用过程中的计算过程。

输入数据，按照磨煤机处理，引风出力等进行α负荷下的数值预测，判断各技术指标是否存在报警值：

如果是，则以前一计算负荷-1％的负荷进行数值预测，

如果否，则以前一计算负荷-5％的负荷进行数值预测；

直到有某一个指标预测值超过报警值，此时输出当前计算负荷，以及当前负荷下的受限指标，当前计算负荷+1％的负荷作为机组可达到的最低负荷。

每个相关运行参数单独计算，也就是说每个指标都是一项受限因素，得到每个受限因素对应的最低负荷，综合每个因素，再得到最低负荷，例如：SCR入口烟温这个因素能达到的最低负荷是43％，受热面壁温是39％，炉膛负压42％、空预器差压38％……那考虑所有受限因素，具备安全性的最低负荷就是43％。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (17)

1.一种基于神经网络预测火电机组深度调峰能力的方法，其特征在于，基于火电机组历史运行数据，结合神经网络模型预测机组最低负荷运行数据，从而确定电网调峰能力。

2.如权利要求1所述的方法，其特征在于，该方法包括以下步骤：

S1：确定与调峰能力相关的机组运行参数；

S2：确定运行参数数据来源；

S3：确定每个运行参数预测过程所需的输入数据；

S4：针对各运行参数单独建立神经网络络预测模型；

S5：训练所述神经网络预测模型；

S6：采用该预测模型对火电机组深度调峰能力进行预测。

3.如权利要求2所述的方法，其特征在于，

步骤S1中，相关运行参数包括：受热面壁温、炉膛负压、火检信号、SCR入口烟温、空预器差压、汽机轴振和轴向位移。

4.如权利要求2或3所述的方法，其特征在于，

步骤S2中，如有现场试验条件，以实测值作为预测数据基础，否则，运行参数均由机组分布式控制系统DCS取数得到。

5.如权利要求2或3所述的方法，其特征在于，

步骤S3中，对于受热面壁温，需对每一测点均进行预测计算；其余运行参数均选取历史运行负荷数据。

6.如权利要求5所述的方法，其特征在于，

步骤S3中，所有指标取数均从机组降负荷运行过程中产生的数据取得。

7.如权利要求6所述的方法，其特征在于，

步骤S3中，取数时间范围为30天内，当数据量较大时，选择离当前时间点时间最短的50组数据作为代表值。

8.如权利要求6所述的方法，其特征在于，

步骤S3中，当机组燃用煤质稳定时，取数中的机组最大运行负荷为机组在30天内出现过的最大运行负荷，机组最小运行负荷为机组30天内出现的最低负荷；所取负荷为机组降负荷后稳定运行的负荷。

9.如权利要求8所述的方法，其特征在于，

步骤S3中，以1s的时间间隔进行取数，所取时间段内负荷波动不超过2％。

10.如权利要求8所述的方法，其特征在于，

步骤S3中，当机组燃用煤质变化后，以当前煤质重新进行预测计算；负荷数据范围最小低于60％。

11.如权利要求2或8所述的方法，其特征在于，

步骤S3中，每个负荷点的指标参数处理方法包括：

对运行参数数据进行初步筛选，去除数据中最大值和最小值，对剩余参数进行再处理。

12.如权利要求11所述的方法，其特征在于，

所述对剩余参数进行再处理包括：

对炉膛负压、空预器差压、汽机轴振、轴向位移出现正负值的参数采用最小二乘法进行处理；对于受热面壁温、SCR入口烟温进行取平均值处理。

13.如权利要求2或12所述的方法，其特征在于，

步骤S4中，神经网络模型包括输入层、隐层和输出层。

14.如权利要求13所述的方法，其特征在于，

神经网络每个节点的输入为x1,x2,x3,x4,每个节点权值为γ11，γ12，γ13，γ14，每个节点的中间输出为y1,则：

y₁＝x₁γ₁₁+x₂γ₁₂+x₃γ₁₃+x₄γ₁₄

……

y_m＝x₁γ_m1+x₂γ_m2+x₃γ_m3+x₄γ_m4

每个节点的激活输出为：i为1到m，

每个节点的激活输出作为输出层的输入z₁……z_m,每个输出层权值为β1……βm,输出层的中间输出为s，

s＝β₁z₁+……+β_mz_m

每个输出层的激活输出:

其中，m为节点个数，通过将每个节点权值和每个输出层权值设置为常数，得到神经网络模型。

15.如权利要求14所述的方法，其特征在于，

步骤S5包括：

将机组在稳定煤质下的运行数据作为一个输入点输入数据，将上述输入数据输入神经网络中，让神经网络进行自我学习，经过若干次自我学习，使得神经网络的预测偏差小于设定偏差，得到该运行指标的神经网络。

16.如权利要求15所述的方法，其特征在于，

步骤S6包括：在S5中训练得到的神经网络模型中输入单个运行参数的历史数据，得到该运行参数在当前时间段对应的预测值，再综合每个相关运行参数，得到机组的深度调峰能力。

17.如权利要求16所述的方法，其特征在于，

步骤S6中，

输入单个运行参数进行预测包括：

在S5中训练得到的神经网络模型中输入数值进行预测，判断各技术指标是否存在报警值：如果是，则以前一计算负荷-1％的负荷进行数值预测，如果否，则以前一计算负荷-5％的负荷进行数值预测；直到有某一个指标预测值超过报警值，此时输出当前计算负荷，以及当前负荷下的受限指标，当前计算负荷+1％的负荷作为机组可达到的最低负荷。