CN111832799A - 一种燃煤发电机组节能改造性能优化方法及系统 - Google Patents
一种燃煤发电机组节能改造性能优化方法及系统 Download PDFInfo
- Publication number
- CN111832799A CN111832799A CN202010448630.0A CN202010448630A CN111832799A CN 111832799 A CN111832799 A CN 111832799A CN 202010448630 A CN202010448630 A CN 202010448630A CN 111832799 A CN111832799 A CN 111832799A
- Authority
- CN
- China
- Prior art keywords
- coal
- unit
- consumption
- energy
- decision
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 239000003245 coal Substances 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012986 modification Methods 0.000 claims abstract description 32
- 230000004048 modification Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000013011 mating Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 238000009396 hybridization Methods 0.000 claims description 4
- 238000004134 energy conservation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种燃煤发电机组节能改造性能优化方法,获取对燃煤发电机组热耗和机组煤耗有影响的参量,得到影响最大的至少两个决策参量;获取在预设时间段内,各个决策参量所对应的机组热耗和机组煤耗样本;以机组热耗和机组煤耗作为适应度函数,运用多目标进化算法,对决策变量在各自的上下限范围内进行优化,得到优化后的决策参量;以优化后的决策参量为输入,利用预设多层前馈神经网络,得到优化后的机组热耗和机组煤耗;当优化后的机组热耗低于机组热耗的样本均值,且机组煤耗均低于机组煤耗的样本均值时,确定此时的优化后的决策参量为最优调节参量;本公开能够更准确的确定燃煤发电机组节能改造参数的最优值,提高了节能优化的效率和准确度。
Description
技术领域
本公开涉及燃煤发电机组节能优化技术领域,特别涉及一种燃煤发电机组节能改造性能优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
随着电力市场的逐步扩大和竞争日趋激烈,电厂不应仅仅满足于维持机组的正常稳定运行,还应使得机组在最好、最稳定和最经济的状态下运行。发电厂热力系统性能计算和热经济性分析对降低煤炭消耗和提高火电厂的运营效率等方面具有重要作用。我国面临能源资源约束日益加剧、生态环境问题突出、提高能效和保障能源安全压力进一步加大等一系列新问题,而发电厂热力系统节能关系到节能降耗,以及发电厂可持续发展,具有非常重大的现实意义。
发电厂热力系统节能技术通过对机组热力系统的计算,指出机组节能潜力所在的位置,定量给出机组节能潜力大小,并确定机组在常见几种工况下所能达到的最佳水平,为指导发电厂机组运行、检修提供客观依据。
燃煤发电机组节能改造性能优化是一个复杂非线性系统,其输入参数集包括:主蒸汽压力、温度;再热器蒸汽压力、温度;汽轮机各级抽汽压力、温度、焓值;汽轮机高压缸排气压力、温度;凝汽器背压;工业抽汽温度、压力、流量;采暖抽汽温度、压力、流量;除氧器压力;给水泵出口压力、流量;凝结水泵出口压力、流量;小汽轮机排汽压力、焓值、流量;给煤机瞬时煤量;全厂汽水损失率;排污率;热网加热器疏水温度;等。而输出结果主要看两个指标:机组热耗和机组煤耗。如此复杂的系统,很难用一个准确的数学模型去描述它。
本公开发明人发现,研究燃煤发电机组在节能改造工况时的热力性能目前采用的方法主要有工况图分析法和汽轮机热力试验法。工况图分析法一般只适用于特定机组或特定工况,通用性差。汽轮机工况图是表示汽轮机的主蒸汽流量、抽汽量和功率之间关系的曲线,由一系列的抽汽流量工况线、最大主蒸汽流量工况线、最小排汽流量工况线、最小功率限制工况线共同组成,由汽轮机厂家提供,并按照设计参数计算出来的。热力试验法工作量大,且一般未考虑全厂汽水损失、排污等对机组热力性能的影响。热力试验法一般由电力试研单位完成,通过数据采集、处理和计算,得出机组若干供热工况下的主要性能指标。上述两种方法仅对特定机组或特定工况适用,在适用对象和工况条件上具有一定的局限性。
发明内容
为了解决现有技术的不足,本公开提供了一种燃煤发电机组节能改造性能优化方法及系统,结合多层前馈神经网络与多目标进化算法,从而能够更准确的确定燃煤发电机组节能改造参数的最优值,提高了节能优化的效率和准确度。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种燃煤发电机组节能改造性能优化方法。
一种燃煤发电机组节能改造性能优化方法,包括以下步骤:
获取对燃煤发电机组热耗和机组煤耗有影响的参量,得到影响最大的至少两个决策参量;
获取在预设时间段内,各个决策参量所对应的机组热耗和机组煤耗样本;
以机组热耗和机组煤耗作为适应度函数,运用多目标进化算法,对决策变量在各自的上下限范围内进行优化,得到优化后的决策参量;
以优化后的决策参量为输入,利用预设多层前馈神经网络,得到优化后的机组热耗和机组煤耗;
当优化后的机组热耗低于机组热耗的样本均值,且机组煤耗均低于机组煤耗的样本均值时,确定此时的优化后的决策参量为最优调节参量。
本公开第二方面提供了一种燃煤发电机组节能改造性能优化系统。
一种燃煤发电机组节能改造性能优化系统,包括:
数据获取模块,被配置为:获取对燃煤发电机组热耗和机组煤耗有影响的参量,得到影响最大的至少两个决策参量;获取在预设时间段内,各个决策参量所对应的机组热耗和机组煤耗样本;
数据处理模块,被配置为:以机组热耗和机组煤耗作为适应度函数,运用多目标进化算法,对决策变量在各自的上下限范围内进行优化,得到优化后的决策参量;以优化后的决策参量为输入,利用预设多层前馈神经网络,得到优化后的机组热耗和机组煤耗;
性能优化模块,被配置为:当优化后的机组热耗低于机组热耗的样本均值,且机组煤耗均低于机组煤耗的样本均值时,确定此时的优化后的决策参量为最优调节参量。
本公开第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的燃煤发电机组节能改造性能优化方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的燃煤发电机组节能改造性能优化方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质及电子设备,结合多层前馈神经网络与多目标进化算法,从而能够更准确的确定燃煤发电机组节能改造参数的最优值,提高了节能优化的效率和准确度。
2、本公开所述的方法、系统、介质及电子设备,采用了多层前馈神经网络来确定燃煤发电机组节能改造参数与性能指标的映射关系,建立了建立燃煤发电机组节能改造性能模型,这对于准确评估发电机组热力系统节能降耗以及发电机组的可持续发展,具有非常重大的现实意义。
3、本公开所述的方法、系统、介质及电子设备,运用了多目标进化算法对上述映射模型进行了搜索,探寻机组节能性能参数最好的理想参数,并以此性能参数进行燃煤发电机组的节能改造的实际设计指导,这对于发电厂热力系统性能计算和热经济性分析对降低煤炭消耗和提高火电厂的运营效率等方面具有重要作用。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的燃煤发电机组节能改造性能优化方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如背景技术中所述,燃煤发电机组节能改造性能优化是一个复杂非线性系统,发电厂热力系统节能技术通过对机组热力系统的计算,指出机组节能潜力所在的位置,定量给出机组节能潜力大小,并确定机组在常见几种工况下所能达到的最佳水平,为指导发电厂机组运行、检修提供客观依据。如此复杂的系统,很难用一个准确的数学模型去描述它。
如图1所示,本公开实施例1提供了一种燃煤发电机组节能改造性能优化方法,结合多层前馈神经网络与多目标进化算法,从而能够更准确的确定燃煤发电机组节能改造参数的最优值,提高了节能优化的效率和准确度,包括以下步骤:
步骤1:统计所有对燃煤发电机组热耗和机组煤耗有影响的基础变量,主蒸汽温度a1,主蒸汽压力a2,主蒸汽压力损失a3,主蒸汽温度a4,主蒸汽温度偏差a5,再热蒸汽压力a6,再热蒸汽压力损失a7,再热蒸汽温度a8,再热蒸汽温度偏差a9,中低压连通管压力a10,中低压连通管压力损失a11,中低压连通管温度a12,中低压连通管温度偏差a13,1号高压加热器上端差a14,2号高压加热器上端差a15,3号高压加热器上端差a16中筛选出5个在燃煤机组节能改造实施过程中,对机组热耗与机组煤耗影响非常大的决策变量
步骤4:设置循环迭代计算过程中输入层与隐含层之间的权值矩阵Wmj(k):
其中,k表示第k次循环迭代时输入层与隐含层之间的权值矩阵对应数值,当赋予Φi初始值时,循环迭代次数k=0;赋予初始值Wmj(0)为0~1之间的随机矩阵。
步骤5:同步骤4,设置第k次循环迭代时第r层隐含层与输出层之间的权值矩阵Wrs(k),赋予初始值Wrs(0)为0~1之间的随机矩阵。
步骤6:设置循环迭代计算过程中输出层Zi(k)=[zi1,zi2,zi3,……zis],其中i=1,2,3,……m。设置期望输出Ei=[ei1,ei2,ei3,……eis],其中i=1,2,3,……m。
步骤7:输入随机样本Φi。
步骤8:对输入样本Φi前向计算神经网络每层神经元的输入信号和输出信号,由期望输出Ei和上一步求得的实际输出Zi(k),计算误差ξ(k)。
步骤9:判断计算误差ξ(k)是否满足要求。
若ξ(k)满足要求,则判断神经网络是否已经学完所有的训练样本。若是,则结束训练,完成神经网络建模;若否,则重复步骤7。
若ξ(k)不满足要求,则判断k+1是否大于最大迭代次数。若是,则结束训练,完成神经网络建模;若否,则对输入样本Φi反向计算每层神经元的局部梯度δ,并进入步骤10计算权值矩阵修正量。
步骤10:计算权值矩阵修正量:
其中,η为学习速率。
步骤11:迭代计算权值矩阵wmj(k+1)
wmj(k+1)=wmj(k)+Δwmj(k)
步骤12:判断是否学完所有的训练样本。
若是,则结束训练,完成建立燃煤发电机组节能改造性能模型;
若否,则转至步骤7,循环迭代计算,直至结束训练,完成建立燃煤发电机组节能改造性能模型。
步骤13:在建立燃煤发电机组节能改造性能模型的基础上,以多层前馈神经网络的两个输出值作为适应度函数f(i),其中i=1,2。运用多目标进化算法,对决策变量在各自的上下限范围内,进行优化。初始化,设进化代数N=0,随机产生决策变量的初始解P,建立一个空集合(精英解集合)P’;设置最大进化代数为D。
步骤14:赋值Pt→Pt’。
步骤15:计算Pt和Pt’中个体的适应值fi。
对Pt’中的元素i给定一个强度值Si,Si与该点支配Pt集合里点的数目有关,设定q代表该点(Pt’中的非支配点)支配的点(在Pt中的点)的数目,Q代表Pt集合中点的总数目,则Si=q/(Q+1)。
Pt集合里的点的适应度等于Pt’中支配该点的非支配解的Si值相加+1,即:
fj=1+∑i,i≥jsi,fj∈[1,N)
步骤16:如果进化代数d>D或者最大适应值与平均适应值之差和平均适应值比值大于5%,中止迭代,Pt+1’中的非支配个体即为多目标进化算法最优解集。
否则,继续步骤17。
步骤17:从Pt+Pt’中选出个体放到交配池中,对交配池里面的元素进行杂交变异,产生的新个体进入Pt+1,返回步骤14,t=t+1。直至中止迭代,获得多目标进化算法最优解集。
步骤19:判断机组热耗Z1和机组煤耗Z2的样本是否均降低。
若是,则确定为可行的燃煤发电机组节能改造方案,对发电机组的实际改造方案设计进行指导。
实施例2:
本公开实施例2提供了一种燃煤发电机组节能改造性能优化系统,包括:
数据获取模块,被配置为:获取对燃煤发电机组热耗和机组煤耗有影响的参量,得到影响最大的至少两个决策参量;获取在预设时间段内,各个决策参量所对应的机组热耗和机组煤耗样本;
数据处理模块,被配置为:以机组热耗和机组煤耗作为适应度函数,运用多目标进化算法,对决策变量在各自的上下限范围内进行优化,得到优化后的决策参量;以优化后的决策参量为输入,利用预设多层前馈神经网络,得到优化后的机组热耗和机组煤耗;
性能优化模块,被配置为:当优化后的机组热耗低于机组热耗的样本均值,且机组煤耗均低于机组煤耗的样本均值时,确定此时的优化后的决策参量为最优调节参量。
所述系统的工作方法与实施例1提供的燃煤发电机组节能改造性能优化方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的燃煤发电机组节能改造性能优化方法中的步骤,所述步骤具体为:
步骤1:统计所有对燃煤发电机组热耗和机组煤耗有影响的基础变量,主蒸汽温度a1,主蒸汽压力a2,主蒸汽压力损失a3,主蒸汽温度a4,主蒸汽温度偏差a5,再热蒸汽压力a6,再热蒸汽压力损失a7,再热蒸汽温度a8,再热蒸汽温度偏差a9,中低压连通管压力a10,中低压连通管压力损失a11,中低压连通管温度a12,中低压连通管温度偏差a13,1号高压加热器上端差a14,2号高压加热器上端差a15,3号高压加热器上端差a16中筛选出5个在燃煤机组节能改造实施过程中,对机组热耗与机组煤耗影响非常大的决策变量
步骤4:设置循环迭代计算过程中输入层与隐含层之间的权值矩阵Wmj(k):
其中,k表示第k次循环迭代时输入层与隐含层之间的权值矩阵对应数值,当赋予Φi初始值时,循环迭代次数k=0;赋予初始值Wmj(0)为0~1之间的随机矩阵。
步骤5:同步骤4,设置第k次循环迭代时第r层隐含层与输出层之间的权值矩阵Wrs(k),赋予初始值Wrs(0)为0~1之间的随机矩阵。
步骤6:设置循环迭代计算过程中输出层Zi(k)=[zi1,zi2,zi3,……zis],其中i=1,2,3,……m。设置期望输出Ei=[ei1,ei2,ei3,……eis],其中i=1,2,3,……m。
步骤7:输入随机样本Φi。
步骤8:对输入样本Φi前向计算神经网络每层神经元的输入信号和输出信号,由期望输出Ei和上一步求得的实际输出Zi(k),计算误差ξ(k)。
步骤9:判断计算误差ξ(k)是否满足要求。
若ξ(k)满足要求,则判断神经网络是否已经学完所有的训练样本。若是,则结束训练,完成神经网络建模;若否,则重复步骤7。
若ξ(k)不满足要求,则判断k+1是否大于最大迭代次数。若是,则结束训练,完成神经网络建模;若否,则对输入样本Φi反向计算每层神经元的局部梯度δ,并进入步骤10计算权值矩阵修正量。
步骤10:计算权值矩阵修正量:
其中,η为学习速率。
步骤11:迭代计算权值矩阵wmj(k+1)
wmj(k+1)=wmj(k)+Δwmj(k)
步骤12:判断是否学完所有的训练样本。
若是,则结束训练,完成建立燃煤发电机组节能改造性能模型;
若否,则转至步骤7,循环迭代计算,直至结束训练,完成建立燃煤发电机组节能改造性能模型。
步骤13:在建立燃煤发电机组节能改造性能模型的基础上,以多层前馈神经网络的两个输出值作为适应度函数f(i),其中i=1,2。运用多目标进化算法,对决策变量在各自的上下限范围内,进行优化。初始化,设进化代数N=0,随机产生决策变量的初始解P,建立一个空集合(精英解集合)P’;设置最大进化代数为D。
步骤14:赋值Pt→Pt’。
步骤15:计算Pt和Pt’中个体的适应值fi。
对Pt’中的元素i给定一个强度值Si,Si与该点支配Pt集合里点的数目有关,设定q代表该点(Pt’中的非支配点)支配的点(在Pt中的点)的数目,Q代表Pt集合中点的总数目,则Si=q/(Q+1)。
Pt集合里的点的适应度等于Pt’中支配该点的非支配解的Si值相加+1,即:
fj=1+∑i,i≥jSi,fj∈[1,N)
步骤16:如果进化代数d>D或者最大适应值与平均适应值之差和平均适应值比值大于5%,中止迭代,Pt+1’中的非支配个体即为多目标进化算法最优解集。
否则,继续步骤17。
步骤17:从Pt+Pt’中选出个体放到交配池中,对交配池里面的元素进行杂交变异,产生的新个体进入Pt+1,返回步骤14,t=t+1。直至中止迭代,获得多目标进化算法最优解集。
步骤19:判断机组热耗Z1和机组煤耗Z2的样本是否均降低。
若是,则确定为可行的燃煤发电机组节能改造方案,对发电机组的实际改造方案设计进行指导。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的燃煤发电机组节能改造性能优化方法中的步骤,所述步骤具体为:
步骤1:统计所有对燃煤发电机组热耗和机组煤耗有影响的基础变量,主蒸汽温度a1,主蒸汽压力a2,主蒸汽压力损失a3,主蒸汽温度a4,主蒸汽温度偏差a5,再热蒸汽压力a6,再热蒸汽压力损失a7,再热蒸汽温度a8,再热蒸汽温度偏差a9,中低压连通管压力a10,中低压连通管压力损失a11,中低压连通管温度a12,中低压连通管温度偏差a13,1号高压加热器上端差a14,2号高压加热器上端差a15,3号高压加热器上端差a16中筛选出5个在燃煤机组节能改造实施过程中,对机组热耗与机组煤耗影响非常大的决策变量φ1,φ2,φ3,φ4,φ5。
步骤2:采集时间t内决策变量φ1,φ2,φ3,φ4,φ5和对应着的机组热耗Z1和机组煤耗Z2的样本,得到一个样本矩阵;
步骤3:以决策变量φ作为输入,设置Φi=[φi1,φi2,φi3,……φij],其中i=1,2,3,……m,作为多层前馈神经网络的训练样本,m为训练样本的样本个数。
步骤4:设置循环迭代计算过程中输入层与隐含层之间的权值矩阵Wmj(k):
其中,k表示第k次循环迭代时输入层与隐含层之间的权值矩阵对应数值,当赋予Φi初始值时,循环迭代次数k=0;赋予初始值Wmj(0)为0~1之间的随机矩阵。
步骤5:同步骤4,设置第k次循环迭代时第r层隐含层与输出层之间的权值矩阵Wrs(k),赋予初始值Wrs(0)为0~1之间的随机矩阵。
步骤6:设置循环迭代计算过程中输出层Zi(k)=[zi1,zi2,zi3,……zis],其中i=1,2,3,……m。设置期望输出Ei=[ei1,ei2,ei3,……eis],其中i=1,2,3,……m。
步骤7:输入随机样本Φi。
步骤8:对输入样本Φi前向计算神经网络每层神经元的输入信号和输出信号,由期望输出Ei和上一步求得的实际输出Zi(k),计算误差ξ(k)。
步骤9:判断计算误差ξ(k)是否满足要求。
若ξ(k)满足要求,则判断神经网络是否已经学完所有的训练样本。若是,则结束训练,完成神经网络建模;若否,则重复步骤7。
若ξ(k)不满足要求,则判断k+1是否大于最大迭代次数。若是,则结束训练,完成神经网络建模;若否,则对输入样本Φi反向计算每层神经元的局部梯度δ,并进入步骤10计算权值矩阵修正量。
步骤10:计算权值矩阵修正量:
其中,η为学习速率。
步骤11:迭代计算权值矩阵wmj(k+1)
wmj(k+1)=wmj(k)+Δwmj(k)
步骤12:判断是否学完所有的训练样本。
若是,则结束训练,完成建立燃煤发电机组节能改造性能模型;
若否,则转至步骤7,循环迭代计算,直至结束训练,完成建立燃煤发电机组节能改造性能模型。
步骤13:在建立燃煤发电机组节能改造性能模型的基础上,以多层前馈神经网络的两个输出值作为适应度函数f(i),其中i=1,2。运用多目标进化算法,对决策变量在各自的上下限范围内,进行优化。初始化,设进化代数N=0,随机产生决策变量的初始解P,建立一个空集合(精英解集合)P’;设置最大进化代数为D。
步骤14:赋值Pt→Pt’。
步骤15:计算Pt和Pt’中个体的适应值fi。
对Pt’中的元素i给定一个强度值Si,Si与该点支配Pt集合里点的数目有关,设定q代表该点(Pt’中的非支配点)支配的点(在Pt中的点)的数目,Q代表Pt集合中点的总数目,则Si=q/(Q+1)。
Pt集合里的点的适应度等于Pt’中支配该点的非支配解的Si值相加+1,即:
fj=1+∑i,i≥jsi,fj∈[1,N)
步骤16:如果进化代数d>D或者最大适应值与平均适应值之差和平均适应值比值大于5%,中止迭代,Pt+1’中的非支配个体即为多目标进化算法最优解集。
否则,继续步骤17。
步骤17:从Pt+Pt’中选出个体放到交配池中,对交配池里面的元素进行杂交变异,产生的新个体进入Pt+1,返回步骤14,t=t+1。直至中止迭代,获得多目标进化算法最优解集。
步骤18:将优化后的n个决策变量φ优化值带入多层前馈神经网络模型,计算此时的模型两个输出值机组热耗和机组煤耗的样本Z,与样本值平均值进行比较。
步骤19:判断机组热耗Z1和机组煤耗Z2的样本是否均降低。
若是,则确定为可行的燃煤发电机组节能改造方案,对发电机组的实际改造方案设计进行指导。
若否,则返回步骤1,改变基础变量a,重新筛选5个决策变量φ1,φ2,φ3,φ4,φ5,进行步骤1~18优化。
如果所有设定的5个决策变量φ组合都没有使机组热耗Z1和机组煤耗Z2的样本降低,则重新筛选6个决策变量φ1,φ2,φ3,φ4,φ5,φ6,再返回步骤1,进行步骤1~步骤18优化,如此循环。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种燃煤发电机组节能改造性能优化方法,其特征在于,包括以下步骤:
获取对燃煤发电机组热耗和机组煤耗有影响的参量,得到至少两个决策参量;
获取在预设时间段内,各个决策参量所对应的机组热耗和机组煤耗样本;
以机组热耗和机组煤耗作为适应度函数,运用多目标进化算法,对决策变量在各自的上下限范围内进行优化,得到优化后的决策参量;
以优化后的决策参量为输入,利用预设多层前馈神经网络,得到优化后的机组热耗和机组煤耗;
当优化后的机组热耗低于机组热耗的样本均值,且机组煤耗均低于机组煤耗的样本均值时,确定此时的优化后的决策参量为最优调节参量。
2.如权利要求1所述的燃煤发电机组节能改造性能优化方法,其特征在于,当优化后的机组热耗和机组煤耗至少有一个高于对应的机组热耗和机组煤耗的样本均值时,获取新的决策参量进行优化。
3.如权利要求1所述的燃煤发电机组节能改造性能优化方法,其特征在于,运用多目标进化算法,对决策变量在各自的上下限范围内,进行优化,具体为:
初始化,设进化代数N=0,随机产生决策变量的初始解P,建立一个空集合P’,设置最大进化代数;
赋值Pt→Pt’,计算Pt和Pt’中个体的适应值,对Pt’中的元素i给定强度值Si,Si=q/(Q+1),其中q代表Pt’中的非支配点支配的Pt中的点的数目,Q代表Pt集合中点的总数目;
Pt集合里的点的适应度等于Pt’中支配该点的非支配解的Si值相加1;
如果进化代数大于最大迭代数,或者最大适应值与平均适应值之差和平均适应值比值大于预设阈值,中止迭代,Pt+1’中的非支配个体即为多目标进化算法最优解集。
4.如权利要求3所述的燃煤发电机组节能改造性能优化方法,其特征在于,如果不满足中止迭代条件,从Pt+Pt’中选出个体放到交配池中,对交配池里面的元素进行杂交变异,产生的新个体进入Pt+1,重新进行赋值操作,直至中止迭代,得到最优解集。
5.如权利要求1所述的燃煤发电机组节能改造性能优化方法,其特征在于,所述多层前馈神经网络的训练时,以决策变量为输入,以机组热耗和机组煤耗为输出;
对输入样本,前向计算神经网络每层神经元的输入信号和输出信号,由期望输出和求得的实际输出,计算误差信号;
若误差信号满足要求,则判断神经网络是否已经学完所有的训练样本,若是,则结束训练,完成神经网络建模,若否,则重复上述步骤,直至每个样本都被学习完成。
6.如权利要求5所述的燃煤发电机组节能改造性能优化方法,其特征在于,若误差信号不满足要求,则判断下一次迭代是否大于最大迭代次数,若是,则结束训练,完成神经网络建模;若否,则对输入样本反向计算每层神经元的局部梯度,并计算权值矩阵修正量,更新权重矩阵,继续进行迭代计算。
7.如权利要求6所述的燃煤发电机组节能改造性能优化方法,其特征在于,利用更新后的迭代矩阵进行迭代计算,判断是否学完所有的训练样本,若是,则结束训练,得到燃煤发电机组节能改造性能模型;若否,则继续根据输入信号前向计算神经网络每层神经元的输入信号和输出信号,循环迭代计算,直至结束训练,得到燃煤发电机组节能改造性能模型。
8.一种燃煤发电机组节能改造性能优化系统,其特征在于,包括:
数据获取模块,被配置为:获取对燃煤发电机组热耗和机组煤耗有影响的参量,得到至少两个决策参量;获取在预设时间段内,各个决策参量所对应的机组热耗和机组煤耗样本;
数据处理模块,被配置为:以机组热耗和机组煤耗作为适应度函数,运用多目标进化算法,对决策变量在各自的上下限范围内进行优化,得到优化后的决策参量;以优化后的决策参量为输入,利用预设多层前馈神经网络,得到优化后的机组热耗和机组煤耗;
性能优化模块,被配置为:当优化后的机组热耗低于机组热耗的样本均值,且机组煤耗均低于机组煤耗的样本均值时,确定此时的优化后的决策参量为最优调节参量。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的燃煤发电机组节能改造性能优化方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的燃煤发电机组节能改造性能优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448630.0A CN111832799A (zh) | 2020-05-25 | 2020-05-25 | 一种燃煤发电机组节能改造性能优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448630.0A CN111832799A (zh) | 2020-05-25 | 2020-05-25 | 一种燃煤发电机组节能改造性能优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832799A true CN111832799A (zh) | 2020-10-27 |
Family
ID=72913963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448630.0A Pending CN111832799A (zh) | 2020-05-25 | 2020-05-25 | 一种燃煤发电机组节能改造性能优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832799A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
CN104680025A (zh) * | 2015-03-12 | 2015-06-03 | 重庆科技学院 | 基于遗传算法极限学习机的抽油机参数优化方法 |
CN106094755A (zh) * | 2016-07-08 | 2016-11-09 | 华电电力科学研究院 | 一种基于大数据的燃气‑蒸汽联合循环发电机组远程能效诊断方法 |
-
2020
- 2020-05-25 CN CN202010448630.0A patent/CN111832799A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
CN104680025A (zh) * | 2015-03-12 | 2015-06-03 | 重庆科技学院 | 基于遗传算法极限学习机的抽油机参数优化方法 |
CN106094755A (zh) * | 2016-07-08 | 2016-11-09 | 华电电力科学研究院 | 一种基于大数据的燃气‑蒸汽联合循环发电机组远程能效诊断方法 |
Non-Patent Citations (2)
Title |
---|
王伟;常浩;王宝玉;: "数据驱动的燃煤发电机组可控参数运行优化方法", 计算机与应用化学, no. 10, pages 7 - 12 * |
王宁玲: "基于数据挖掘的大型燃煤发电机组节能诊断优化理论与方法研究", 《优秀博士论文集》, pages 27 - 99 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11232376B2 (en) | System and method for optimizing combustion of boiler | |
CN105955026B (zh) | 模糊pid控制方法和装置及系统 | |
CN112906292B (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
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 | |
CN107704958A (zh) | 一种多变量建模的火电厂发电量预测方法 | |
CN110910277A (zh) | 一种基于XGBoost的水泥磨系统电耗指标预测方法 | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
CN116522795A (zh) | 基于数字孪生模型的综合能源系统仿真方法及系统 | |
CN109375503B (zh) | 一种蒸汽余热梯级利用优化控制方法 | |
CN113962140A (zh) | 基于ga-lstm的汽轮机阀门流量特性函数的优化方法 | |
CN114139439A (zh) | 基于模拟退火粒子群算法的汽轮机最优初压确定方法 | |
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 | |
CN111832799A (zh) | 一种燃煤发电机组节能改造性能优化方法及系统 | |
Ma et al. | Prediction of thermal system parameters based on PSO-ELM hybrid algorithm | |
CN111950118A (zh) | 一种燃气-蒸汽联合发电机组操作优化方法及设备 | |
CN116796645A (zh) | 一种基于igwo-svm的超低负荷下汽轮机初压优化方法 | |
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 | |
CN112231978B (zh) | 一种基于人工神经网络的锅炉烟气酸露点测试方法 | |
Zhang et al. | Furnace temperature prediction using optimized kernel extreme learning machine | |
Teslyuk et al. | Synthesis of Neurocontroller for Intellectualization Tasks of Process Control Systems | |
CN109343340B (zh) | 数据驱动的固定拓扑结构换热网络智能优化改造方法 | |
CN107944066A (zh) | 一种基于大数据的余热锅炉节能潜力分析方法 | |
CN112632728A (zh) | 基于深度学习的透平机械叶型设计及性能预测方法 | |
Alhammadi et al. | An ML-Based Simulation Capability to Generate Training Data-set of Boiler Subsystems |
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 |