CN111027258B - 一种用于超临界机组的发电负荷与供热量的智能预测方法 - Google Patents
一种用于超临界机组的发电负荷与供热量的智能预测方法 Download PDFInfo
- Publication number
- CN111027258B CN111027258B CN201911191179.2A CN201911191179A CN111027258B CN 111027258 B CN111027258 B CN 111027258B CN 201911191179 A CN201911191179 A CN 201911191179A CN 111027258 B CN111027258 B CN 111027258B
- Authority
- CN
- China
- Prior art keywords
- unit
- model
- opening
- heat supply
- load
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010438 heat treatment Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- CMWTZPSULFXXJA-VIFPVBQESA-N naproxen Chemical compound C1=C([C@H](C)C(O)=O)C=CC2=CC(OC)=CC=C21 CMWTZPSULFXXJA-VIFPVBQESA-N 0.000 claims 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005338 heat storage Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种用于超临界机组的发电负荷与供热量的智能预测方法，包含以下步骤：A、对具有切缸特性的超临界机组分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型；B、利用机组历史运行数据对预测模型进行训练和验证，本发明针对具有切缸特性的超临界机组，分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型；利用机组历史运行数据对预测模型进行训练和验证；最后结合机组实时采集的相关参数进行发电负荷与供热量的预测。
Description
技术领域
本发明涉及发电技术领域，具体是一种用于超临界机组的发电负荷与供热量的智能预测方法。
背景技术
随着近年来我国可再生能源产业的迅猛发展，国家对可再生能源消纳力度加大，以及局部地区新能源装机占比过高，电网面临新能源电力消纳问题。主要表现为：在传统的“以热定电”模式下，当火电机组降负荷时，随着给煤量的下降，供热压力下降，导致机组发电功率不能够继续下降，这使得采暖期的调峰尤为困难，因此，弃风、弃核问题日益突出。尤其是近年来北方风电发展迅速，而“三北”地区的火电机组大部分是供热机组，供热期往往与风电大发期重叠，导致电网对风电消纳的形势严峻。为提高电网对新能源的消纳空间，开展火力发电机组的灵活性改造，提高其深度调峰能力，显得尤为必要。
在国外，德国、丹麦等国家通过蒸汽旁路、储热、电锅炉等技术使部分供热机组的电出力调节能力在70％以上。在国内，近年来我国能源局陆续出台了一系列关于火电灵活性改造方面的政策，确定了22个火电灵活性改造示范试点项目，旨在深度挖掘火电机组调峰潜力。目前，已提出的提高供热机组灵活性的方法主要有：切缸技术、配置电锅炉、汽轮机旁路供热、配置蓄热罐等。
其中，切缸技术打破了原有的汽轮机低压缸最小冷却流量限制，在供热期间切除低压缸进汽，仅保持少量的冷却蒸汽，使低压缸在高真空条件下“空转”运行，从而提高汽轮机的供热能力。该技术能提高机组的供热比例，具有较好的供热经济性，具有较好的市场应用前景。
然而，在切缸过程中，改变供热调节蝶阀将快速改变机组发电负荷。但在现有的控制水平下，火电机组发电负荷的持续变化将导致燃料量、主蒸汽压力、中排压力等主要参数大幅波动，影响自身安全、稳定运行。因此，充分考虑供热机组切缸时的燃料量、汽轮机高调门、中排蝶阀开度等可调参数，建立能够准确预测机组发电负荷、主汽压力、供热压力的数学模型，对提高机组深度调峰能力、提高供热机组灵活性，确保火电机组长期安全可靠运行具有重要意义。
发明内容
本发明的目的在于提供一种用于超临界机组的发电负荷与供热量的智能预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于超临界机组的发电负荷与供热量的智能预测方法，包含以下步骤：
A、对具有切缸特性的超临界机组分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型；
B、利用机组历史运行数据对预测模型进行训练和验证。
作为本发明的进一步方案：建立发电负荷特性的神经网络预测模型具体是：模型的输入参数包括主汽压力Ps(MPa)、主汽温度Ts(℃)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为机组负荷Ne(MW)。
作为本发明的进一步方案：建立主汽压力特性的神经网络预测模型具体是：模型的输入参数包括给水流量G(t/h)、燃料量B(t/h)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为主汽压Ps(MPa)。
作为本发明的进一步方案：建立供热压力特性的神经网络预测模型具体是：确定供热压力特性预测模型：模型的输入参数包括主汽压力Ps(MPa)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为供热前压力Pg(MPa)。
作为本发明的进一步方案：所述步骤B具体是：a、建立具有j个输入参数(u1，u2,…,uj)和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数ui在k时刻和过去n个时刻的值ui(k)、ui(k-1),…,ui(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),...,y(k-m)相关，其结构的具体表达式为：y(k)＝g[y(k-1),...,y(k-m)；u1(k),u1(k-1),...,u1(k-n)…uj(k),uj(k-1),…,uj(k-n)]；b、提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：Y＝(Ymax-Ymin)(x-xmin)/(xmax-xmin)+Ymin；式中：x，y分别为参数的实际值和标称值，xmin，xmax分别为参数在机组升降负荷过程中的最小值和最大值，ymax，ymin分别为归一化处理后参数的最小值和最大值；c、借助Matlab创建机组发电负荷、主汽压力、供热压力的预测模型，当模型的输入输出变量和网络结构确定后,采用NARMA模型建立预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值等参数；d、神经网络模型参数优化分为训练和测试两个阶段，第一阶段：分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型，第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用通讯协议从实际机组接受实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。
作为本发明的进一步方案：利用仿真系统替代实际机组获得实时数据。
作为本发明的进一步方案：网络选取具有1个输入层、1个隐含层和1个输出层的3层结构，隐层激励函数选用tansig，输出层激励函数选用purelin。
与现有技术相比，本发明的有益效果是：本发明针对具有切缸特性的超临界机组，分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型；利用机组历史运行数据对预测模型进行训练和验证；最后结合机组实时采集的相关参数进行发电负荷与供热量的预测。
附图说明
图1为供热机组改造示意图；
图2为考虑供热的超临界机组简化模型示意图。
图3为发电负荷特性模型图。
图4为主汽压特性模型图。
图5为供热压力特性模型图。
图6为BP网络的结构图。
图7为在线测试预测效果对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-7，实施例1：本发明实施例中，一种用于超临界机组的发电负荷与供热量的智能预测方法，包含以下步骤：
a.对具有切缸特性的超临界机组分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型，具体步骤如下：
确定发电负荷特性预测模型：模型的输入参数包括主汽压力Ps(MPa)、主汽温度Ts(℃)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为机组负荷Ne(MW)；
确定主汽压力特性预测模型：模型的输入参数包括给水流量G(t/h)、燃料量B(t/h)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为主汽压Ps(MPa)；
确定供热压力特性预测模型：模型的输入参数包括主汽压力Ps(MPa)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为供热前压力Pg(MPa)；
b.利用机组历史运行数据对预测模型进行训练和验证。
建立具有j个输入参数(u1，u2,…,uj)和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数ui在k时刻和过去n个时刻的值ui(k)、ui(k-1),…,ui(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),...,y(k-m)相关，其结构的具体表达式为：
y(k)＝g[y(k-1),...,y(k-m)；u1(k),u1(k-1),...,u1(k-n)…uj(k),uj(k-1),…,uj(k-n)]
提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：
Y＝(Ymax-Ymin)(x-xmin)/(xmax-xmin)+Ymin
式中：x，y分别为参数的实际值和标称值，xmin，xmax分别为参数在机组升降负荷过程中的最小值和最大值，ymax，ymin分别为归一化处理后参数的最小值和最大值。
借助Matlab创建机组发电负荷、主汽压力、供热压力的预测模型。网络选取具有1个输入层、1个隐含层和1个输出层的3层结构，隐层激励函数选用tansig，输出层激励函数选用purelin。当模型的输入输出变量和网络结构确定后,采用NARMA模型建立预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值等参数。
神经网络模型参数优化分为训练和测试两个阶段。第一阶段：分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型。第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用通讯协议从实际机组(或仿真系统)接受实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。
实施例2：在实施例1的基础上，本发明所述问题是以下述技术方案解决的：
1、具有切缸特性的超临界机组概述
某机组采用三缸四排汽布置，包含两个低压缸(低压缸A和低压缸B)，且两个低压缸部分回热抽汽是连通的。对于该机组，在B低压缸入口设置液压蝶阀(简称中排蝶阀1)；在中压缸、低压缸管道上布置液压蝶阀(简称中排蝶阀2)；A、B侧的低压缸入口，设置旁路管道及阀门，用于带走低压缸零处理运行产生的鼓风热量，从而大幅度的提升机组的供热能力。采暖抽汽管道上设置安全阀、快关阀、逆止阀、电动调整门等满足采暖供热工况运行的要求；改造方案示意图如图1所示。
2、基于BP神经网络的负荷-主汽压力-供热前压力的预测方案：
对低压缸零出力供暖抽汽改造后的机组分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，最后结合机组实时采集的相关参数进行发电负荷与供热量的预测。
2.1负荷-主汽压-供热前压力特性的神经网络预测模型的建立：
①选取合适的模型输入和输出参数：
对于一个复杂的多变量系统，不同的输入输出之间存在着不同程度的耦合。在众多传递函数中，对某一个控制变量，可能只有少数的控制输入对它有较重要的影响。其他输入的影响可以忽略。基于上述分析，就可以从复杂的变量对应关系中筛选出关联关系比较强的输入、输出变量。
火力发电机组的发电负荷与给煤量、给水量、汽轮机调门开度、供热压力等参数有关。当供热机组处于“以热定电”的工作方式时，即电网在供暖期按照供热负荷对供热机组发电进行调度，可以削减供热与发电负荷的耦合作用，使发电不影响供热。但对于具有切缸特性的超临界机组来说，供热侧各参数的变化对于发电负荷的影响显著，因此必须将供热侧纳入协调控制对象中进行研究。
常规的超临界机组简化模型以燃料量、汽轮机高调门开度、给水量作为输入，以发电负荷、主汽压力为输出。但对于具有切缸特性的超临界机组来说，由于供热机组和低压缸的抽汽量都会直接影响发电负荷和主汽压力，因此在输入中增加供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)。考虑到实际工业要求供热压力保持稳定，因此在输出中增加供热压力Pg(MPa)。综上所述，考虑供热的机组模型如图2所示。
然而，实际上机组发电负荷并没有燃料量直接相关，与发电负荷直接相关的是汽机调门前的主汽温度和主汽压力。而主汽压力的控制需依靠水煤比保持中间点温度相对稳定，这与给水量、燃料量直接相关。图2模型没有考虑上述问题，导致发电负荷、主汽压力预测有较大偏差。因此，为提高模型的预测精度，应对机组模型进一步调整。经机理分析，得到如图3-5所示的发电负荷特性神经网络模型、主汽压力特性神经网络模型和供热压力特性神经网络模型。
其中，发电负荷特性神经网络模型的输入参数包括主汽压力Ps(MPa)、主汽温度Ts(℃)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为机组负荷Ne(MW)；
主汽压力特性神经网络模型的输入参数包括给水流量G(t/h)、燃料量B(t/h)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为主汽压Ps(MPa)；
供热压力特性神经网络模型的输入参数包括主汽压力Ps(MPa)、汽机调门开度μ(％)和供热抽汽蝶阀开度μc(％)，中排蝶阀1开度μc1(％)和中排蝶阀2开度μc2(％)，输出参数为供热压力Pg(MPa)；
②确定模型结构
建立具有j个输入参数(u1，u2,…,uj)和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数ui在k时刻和过去n个时刻的值ui(k)、ui(k-1),…,ui(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),...,y(k-m)相关，其结构的具体表达式为：
y(k)＝g[y(k-1),...,y(k-m)；u1(k),u1(k-1),...,u1(k-n)…uj(k),uj(k-1),…,uj(k-n)]
③模型训练样本和测试样本的获取和数据的预处理
提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：
Y＝(Ymax-Ymin)(x-xmin)/(xmax-xmin)+Ymin
式中：x，y分别为参数的实际值和标称值，xmin，xmax分别为参数在机组升降负荷过程中的最小值和最大值，ymax，ymin分别为归一化处理后参数的最小值和最大值；
④用训练样本对模型进行训练
预测模型训练的基本原理是基于误差反向传播(BP)算法。BP神经网络是一种多层的前馈神经网络，由输入层、隐层和输出层组成，其主要的特点是：信号是前向传播的，而误差是反向传播的。其中，每一层的节点数可以不同，前后节点完全连接，连接强度的权值越大表示该输入的影响越大。其结构如图6所示。
BP学习算法的基本原理是梯度最速下降法，它的中心思想是使通过调整权值使网络总误差最小。网络学习过程是一种误差边向后传播边修正权系数的过程。因此，算法分为正向传播和反向传播两个阶段。正向传播阶段从样本集中取第i个样本(记为Xi)，将Xi输入网络，计算相应的实际输出Oi。反向传播阶段计算实际输出Oi与相应的样本输出Nei的差，并按极小化网络模型输出误差MSE的方式调整神经网络权值矩阵。设模型样本集共包含s组输出样本对,则负荷预测模型在整个样本集上的均方误差MSE定义如下：
采用BP算法训练模型的信息正向传播与误差反向传播的各层权值调整的过程是针对样本集周而复始进行的，直到网络输出的误差MSE减小到可以接受的程度，或达到预先设定的学习次数为止。为提高网络收敛速度，防止训练陷入局部最小，以BP算法为基础，出现了多种改进算法，其中L-M(Levenberg-Marquardt)优化算法(trainlm)与其他误差梯度算法相比，具有最快的收敛速度，因此，这里选用L-M算法为模型的训练算法。
借助Matlab和神经网络工具箱利用newff函数创建机组负荷的预测模型，网络选取具有1个输入层、1个隐含层和1个输出层的3层结构，隐层激励函数选用tansig，输出层激励函数选用purelin。当模型的输入输出变量和网络结构确定后,采用NARMA模型建立预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值等参数。
这里神经网络模型参数优化分为训练和测试两个阶段。第一阶段：分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型。第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用通讯协议从实际机组(或仿真系统)接受实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。
基于上述步骤，在具有切缸特性的超临界机组仿真机上进行试验。试验操作包括供热前准备、打开供热抽汽阀进行供热、分别逐渐关小中排蝶阀1、中排蝶阀2等操作。在试验过程中利用通讯程序从仿真机获取训练样本共3425个(采样时间为1s)。
其次分别针对不同输入、输出时延阶次n、m取值(分别令(n,m)＝(1,1)、(1,2)、(2,1)、(2,2))，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，对发电负荷、主汽压力、供热压力的预测模型进行训练。训练结果如表1、2、3所示。由表1、2、3可知当n＝2、m＝2时，各模型的拟合精度都是最高的。然而模型是否能够达到准确预测的要求，还需要通过在线测试来验证。
下面在仿真机上对所训练的模型进行在线测试。在试验中重复供热前准备、打开供热抽汽阀进行供热、分别逐渐关小中排蝶阀1、中排蝶阀2等操作，与此同时通过通讯程序从仿真机中获取实时数据，并用所训练好的神经网络模型预测下一步的输出。在线测试结果如图7所示。
由图7可知，对于发电负荷特性神经网络模型，n＝1，m＝2时模型的预测效果最好；对于主汽压特性的神经网络模型，n＝1，m＝2时的模型预测效果更好；对于供热压力特性的神经网络模型来说，n＝2，m＝2时的模型预测效果更好。
表1负荷特性的BP神经网络训练结果
表2主汽压特性的BP神经网络训练结果
表3供热前压力特性的BP神经网络训练结果
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，包含以下步骤：
A、对具有切缸特性的超临界机组分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型；
B、利用机组历史运行数据对预测模型进行训练和验证；
建立发电负荷特性的神经网络预测模型具体是：模型的输入参数包括主汽压力Ps，单位为MPa，主汽温度Ts，单位为℃，汽机调门开度μ，单位为%，供热抽汽蝶阀开度μc，单位为%，中排蝶阀1开度μc1，单位为%，中排蝶阀2开度μc2，单位为%，输出参数为机组负荷Ne，单位为MW；
建立主汽压力特性的神经网络预测模型具体是：模型的输入参数包括给水流量G，单位为t/h，燃料量B，单位为t/h，汽机调门开度μ，单位为%，供热抽汽蝶阀开度μc，单位为%，中排蝶阀1开度μc1，单位为%，中排蝶阀2开度μc2，单位为%，输出参数为主汽压Ps，单位为MPa；
建立供热压力特性的神经网络预测模型具体是：确定供热压力特性预测模型：模型的输入参数包括主汽压力Ps，单位为MPa，汽机调门开度μ，单位为%，供热抽汽蝶阀开度μc，单位为%，中排蝶阀1开度μc1，单位为%，中排蝶阀2开度μc2，单位为%，输出参数为供热前压力Pg，单位为MPa；
步骤B具体是：a、建立具有j个输入参数（u1，u2,…,uj）和一个输出参数y的非线性自回归滑动平均NARMA预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数ui在k时刻和过去n个时刻的值ui(k)、ui(k-1) , … , ui(k-n)及输出参数y在过去m个时刻的值y(k-1), y(k-2), ... , y(k-m)相关，其结构的具体表达式为：；b、提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：；式中：x，y分别为参数的实际值和标称值，xmin，xmax分别为参数在机组升降负荷过程中的最小值和最大值，ymax ，ymin分别为归一化处理后参数的最小值和最大值；c、借助Matlab创建机组发电负荷、主汽压力、供热压力的预测模型，当模型的输入输出变量和网络结构确定后,采用NARMA模型建立预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值参数；d、神经网络模型参数优化分为训练和测试两个阶段，第一阶段：分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型，第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用通讯协议从实际机组接受实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。
2.根据权利要求1所述的一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，利用仿真系统替代实际机组获得实时数据。
3.根据权利要求1所述的一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，网络选取具有1个输入层、1个隐含层和1个输出层的3层结构，隐层激励函数选用tansig，输出层激励函数选用purelin。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911191179.2A CN111027258B (zh) | 2019-11-28 | 2019-11-28 | 一种用于超临界机组的发电负荷与供热量的智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911191179.2A CN111027258B (zh) | 2019-11-28 | 2019-11-28 | 一种用于超临界机组的发电负荷与供热量的智能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027258A CN111027258A (zh) | 2020-04-17 |
| CN111027258B true CN111027258B (zh) | 2024-06-07 |
Family
ID=70203023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911191179.2A Active CN111027258B (zh) | 2019-11-28 | 2019-11-28 | 一种用于超临界机组的发电负荷与供热量的智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027258B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898850B (zh) * | 2020-06-12 | 2024-02-02 | 大连理工大学 | 一种含灵活性热电厂的电热综合能源系统供热能力计算方法及系统 |
| CN113188243B (zh) * | 2021-04-08 | 2022-09-30 | 山东师范大学 | 一种空调能耗的综合预测方法及系统 |
| CN114754396B (zh) * | 2022-04-12 | 2023-08-18 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
| CN115685827B (zh) * | 2022-10-28 | 2024-07-26 | 中材新材料装备科技(天津)有限公司 | 一种余热电站智能运行系统及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104214760A (zh) * | 2014-08-26 | 2014-12-17 | 福建省鸿山热电有限责任公司 | 600mw超临界抽凝发电供热机组单台汽泵跳闸电泵联启不切供热的控制方法 |
| CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学（保定） | 一种机组负荷双重智能优化控制方法 |
| CN105205492A (zh) * | 2015-08-26 | 2015-12-30 | 华北电力大学（保定） | 一种热力系统故障的模糊最近邻融合诊断方法 |
| CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
| 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 |
-
2019
- 2019-11-28 CN CN201911191179.2A patent/CN111027258B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104214760A (zh) * | 2014-08-26 | 2014-12-17 | 福建省鸿山热电有限责任公司 | 600mw超临界抽凝发电供热机组单台汽泵跳闸电泵联启不切供热的控制方法 |
| CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学（保定） | 一种机组负荷双重智能优化控制方法 |
| CN105205492A (zh) * | 2015-08-26 | 2015-12-30 | 华北电力大学（保定） | 一种热力系统故障的模糊最近邻融合诊断方法 |
| CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
| 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 |
Non-Patent Citations (7)
| Title |
|---|
| 350 MW超临界机组切缸技术供热特性分析;王力 等;浙江电力;第38卷(第04期);第51-55页 * |
| ANN and PSO Based Intelligent Model Predictive Optimal Control for Large-Scale Supercritical Power Unit;Liangyu Ma 等;Proceedings of the IEEE International Conference on Information and Automation;第690-695页 * |
| 单抽汽轮机热电耦合的模糊解耦控制;李艳 等;陕西科技大学学报;20170625;第35卷(第03期);第159-165页 * |
| 基于神经网络的超临界机组数学模型;马良玉 等;动力工程学报;第33卷(第07期);第517-522页 * |
| 热电联产供热源的优化配置;刘俊杰 等;上海电力学院学报;第34卷(第02期);第152-156页 * |
| 考虑回热循环的超超临界机组负荷预测神经网络模型;马良玉 等;热力发电;第45卷(第04期);第19-27, 34页 * |
| 超临界机组负荷汽压特性神经网络逆模型研究;马良玉 等;自动化与仪表;第28卷(第12期);第5-8, 23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027258A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027258B (zh) | 一种用于超临界机组的发电负荷与供热量的智能预测方法 | |
| CN104865830B (zh) | 一种机组负荷双重智能优化控制方法 | |
| CN106682376B (zh) | 参数随工况变化实际特性的全过程汽轮机建模及辨识方法 | |
| CN104343475B (zh) | 火电机组汽轮机高压调门流量特性修正方法 | |
| CN111503620B (zh) | 一种适应燃煤机组深度调峰的给水全程控制系统 | |
| CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| CN103440528A (zh) | 基于耗差分析的火电机组运行优化方法及装置 | |
| CN113095591B (zh) | 一种用于火电机组运行参数自寻优的耗差分析方法 | |
| CN107831652A (zh) | 一种基于冷端系统储能的机组负荷智能优化控制方法 | |
| CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
| CN108661725A (zh) | 一种供热抽汽机组自整调节系统与控制方法 | |
| CN110376895A (zh) | 一种基于分层受限预测控制的火电机组协调控制方法 | |
| CN110056858A (zh) | 一种火电机组加热器端差自适应调节方法和装置 | |
| CN110298502B (zh) | 基于能效最优的锅炉最佳氧量计算方法 | |
| CN106932201A (zh) | 考虑阀门节流损失的火电机组纯凝工况滑压曲线确定方法 | |
| CN109915216A (zh) | 一种供热机组控制抽汽短时调频系统与调节方法 | |
| CN111723331B (zh) | 一种联合循环二拖一机组汽轮机负荷的权益分配计算方法 | |
| CN111682593A (zh) | 基于神经网络模型状态观测器的火电机组协调优化方法 | |
| CN109375507A (zh) | 基于自寻优并矢展开控制器的火电机组深度调峰协调控制方法 | |
| CN112818610B (zh) | 超临界水流动换热实验系统压力与流量的调控方法及系统 | |
| CN112348696B (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
| Ma et al. | Intelligent Compensation for the Set Values of PID Controllers to Improve Boiler Superheated Steam Temperature Control | |
| CN106200416B (zh) | 大气温度对联合循环机组功率影响的调控系统及方法 | |
| CN110794679A (zh) | 工业供汽系统负荷调节的预测控制方法及其系统 | |
| Tang et al. | Computer Prediction Model of Heat Consumption in Thermal System of Coal-Fired Power Station Based on Big Data Analysis and Information Sorting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |