CN112348696B - 基于bp神经网络的供热机组调峰上限评估方法及系统 - Google Patents
基于bp神经网络的供热机组调峰上限评估方法及系统 Download PDFInfo
- Publication number
- CN112348696B CN112348696B CN202011077586.3A CN202011077586A CN112348696B CN 112348696 B CN112348696 B CN 112348696B CN 202011077586 A CN202011077586 A CN 202011077586A CN 112348696 B CN112348696 B CN 112348696B
- Authority
- CN
- China
- Prior art keywords
- upper limit
- data
- neural network
- peak regulation
- working condition
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000010438 heat treatment Methods 0.000 title claims description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000194 supercritical-fluid extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于BP神经网络的供热机组调峰上限评估方法及系统，引入基于热耗率的变工况计算，通过获取主蒸汽流量接近最大的主蒸汽流量的历史工况数据，并根据这些数据，基于热耗率的热力学计算得到在该供热工况下若主蒸汽流量达到最大值时的电负荷值，作为该工况下的计算调峰上限值。然后建立神经网络评估模型，借助BP神经网络模型的自学习性和误差反向传播特性，以最大限度的减少计算调峰上限的误差，从而能够得到更客观准确的调峰上限值。整个评估过程不会影响正常的供热和供电，工作量和耗费的时间都相对较少。
Description
技术领域
本发明涉及电厂供热机组运行调控领域，具体的涉及一种基于BP神经网络的供热机组调峰上限评估方法及系统。
背景技术
优化供热机组参与电网的调峰能力，必须明确各类供热机组的实际调峰可行区间，确定调峰上限。目前，传统的分析方法有：热力试验的方法和工况图分析的方法。热力试验就是通过调整汽轮机的抽汽量和进汽量，得到各个不同情况下的电功率，从而得到机组的电功率上下限。工况图分析的方法则是通过对汽轮机厂家提供的工况图分析，得到理论上的电功率上限。
大多数电厂的设备厂家没有提供供热工况图，或者经过供热改造后热力性能已经改变，工况图计算的误差较大。热力试验的方法得到的结果虽然较工况图分析法更真实可靠，但是由于需要不断改变汽轮机的抽汽量和进汽量，所以工作量大，耗费时间长，并且会影响正常的供热和供电。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于BP神经网络的供热机组调峰上限评估方法及系统，能够解决传统方法误差大、工作量大，耗费时间长的问题。
根据本发明实施例的一种基于BP神经网络的供热机组调峰上限评估方法，包括以下步骤：
S1、获取主汽流量大于N％THA工况的历史数据；
S2、对历史数据进行预处理，所述预处理包括数据清理、数据集成、数据变换和数据归约，从而获得相应的数据集；
S3、对预处理后的历史数据进行热耗率的变工况计算，得到计算调峰上限值；
S4、通过函数构建BP神经网络，从所述数据集中选取影响调峰上限值的历史机组工况数据作为输入量，以步骤S3中的计算调峰上限值为输出量，训练BP神经网络；
S5、获取需要评估调峰上限的实时机组工况数据，输入训练好的BP神经网络模型，得到当前的调峰上限评估值。
一种基于BP神经网络的供热机组调峰上限评估系统，包括：存储器，用于存储计算机程序；处理器，用于当执行所述计算机程序时，实现上述的基于BP神经网络的供热机组调峰上限评估方法。
根据本发明实施例的基于BP神经网络的供热机组调峰上限评估方法及系统，至少具有如下技术效果：本发明实施方式充分利用供热机组的历史工况数据，运用BP神经网络评估方法，对供热机组的调峰上限进行评估，不仅可以输出供热量与调峰上限的关系曲线，而且可以对实时工况的调峰上限大小进行实时的评估，借助BP神经网络模型的自学习性和误差反向传播特性，能够极大减少计算调峰上限的误差，从而得到更客观准确的调峰上限值；并且供热机组的历史工况数据直接通过现有的供热机组系统即可获得，整个评估过程不会影响正常的供热和供电，工作量和耗费的时间都相对较少。
根据本发明的一些实施例，所述步骤S1中的N不小于90。
根据本发明的一些实施例，所述步骤S1中的历史数据为主蒸汽流量、一级供热流量、二级供热流量、给水温度、凝汽器真空、凝结水补水流量、再热汽温度、排烟温度、主蒸汽焓和热耗率数据。
根据本发明的一些实施例，所述步骤S2中数据变换是通过线性变换对数据进行归一化处理。
根据本发明的一些实施例，所述步骤S3中变工况计算的公式为
其中，P为变工况下的发电功率，P1为变工况下的电功率，D1为变工况下的主蒸汽流量，h1为变工况下的主蒸汽焓，q1为变工况下的热耗率，D0为锅炉的最大蒸发量。
根据本发明的一些实施例，所述步骤S4中的函数为newff函数。
根据本发明的一些实施例，所述步骤S4中的历史机组工况数据包括供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力和再热汽温度。
根据本发明的一些实施例，所述步骤S5中的实时机组工况数据包括供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力和再热汽温度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例中基于BP神经网络的供热机组调峰上限评估方法的流程图。
图2a为本发明实施例中负荷的概率分布图；
图2b为本发明实施例中供热抽汽流量的概率分布图；
图3a为本发明实施例中供热抽汽流量与调度上限分布图；
图3b为本发明实施例中供热抽汽流量与调度上限拟合图；
图4a为本发明实施例中调度上限与实际调度上限的对比结果图；
图4b为本发明实施例中调度上限与实际调度上限的相对误差图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参考图1，一种基于BP神经网络的供热机组调峰上限评估方法，包括以下步骤：
S1、首先进行数据刷选获取，从中获取主汽流量大于90％THA工况的历史数据；筛选主蒸汽流量≥90％额定主蒸汽流量且供热抽汽流量不为零的工况点，获得主蒸汽流量、一级供热流量、二级供热流量、给水温度、凝汽器真空、凝结水补水流量、再热汽温度、排烟温度、主蒸汽焓、热耗率数据；
目前，大部分机组都部署了MIS、SIS系统，采集各个电厂子站供热机组的实时生产数据，并通过平台的计算引擎，对锅炉效率、汽机效率、反平衡煤耗、热耗率等指标进行并行、实时与离线计算与统计，形成了大量的历史工况数据集。这些数据全面的记录了机组的操作信息、运行状态和机组特性，本发明实施例将这些历史工况数据充分利用起来进行评估，并且原始数据直接从系统中调取即可，不会影响正常的供热和供电，并且工作量小。
S2、对历史数据进行预处理，对这些数据进行数据清理，数据集成，数据变换，数据归约等预处理，其中数据变换是通过线性变换对数据进行归一化处理，其目的是将输入数据和输出数据均统一划分在[0,1]或[-1,1]等特定的区间内。；
S3、对预处理后的数据进行热耗率的变工况计算，为接下来的神经网络输入数据集做准备，本申请中的变工况是指当一级、二级供热抽汽流量不变时，主蒸汽量D1从某工况的一定数值变化到额定的主蒸汽量(基准工况)时,其对应的发电功率应该有多少。本实施例中根据汽轮机热耗率q，主蒸汽焓流量和焓Dzq计算变工况下的发电功率。
具体为：选取不供热时的热耗率验收工况(THA)为基准工况，获取数据集较基准工况下主蒸汽流量相近的工况，由于供热抽汽量远小于主蒸汽流量，因此忽略了变工况下不同供热抽汽流量对计算结果的影响，变工况后的简化电功率P的计算公式如下：
其中，P为变工况下的发电功率，P1为变工况下的电功率，D1为变工况下的主蒸汽流量，h1为变工况下的主蒸汽焓，q1为变工况下的热耗率，D0为锅炉的最大蒸发量(基准工况的主蒸汽流量)。通过上式计算，得到计算调峰上限值。
S4、通过函数构建BP神经网络，优选的，本实施例中采用newff函数来建立BP神经网络；
然后从数据集中选取影响调峰上限的历史机组工况数据作为输入量，例如供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力和再热汽温度，以计算调峰上限值为输出量，训练BP神经网络；
S5、获取需要评估调峰上限的实时机组工况数据，实时机组工况数据包括机组当前的供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力、再热汽温度，输入训练好的BP神经网络模型，得到当前的调峰上限评估值。
S6、输出供热量与调峰上限的关系曲线。
本发明实施例还包括一种基于BP神经网络的供热机组调峰上限评估系统，包括：存储器，用于存储计算机程序；处理器，用于当执行所述计算机程序时，实现上述的基于BP神经网络的供热机组调峰上限评估方法。
下面以某地660MW超临界抽凝式一级供热机组作为实例进行算法分析与验证。该供热机组额定主蒸汽流量2030t/h,压力24.2MPa，额定主蒸汽温度571℃，额定给水温度279℃，额定对外供汽参数为2.3MPa.a，240℃，最大供汽量：300t/h。无供热回水至凝汽器，额定抽汽工况(此工况亦为抽汽热耗的验收工况)汽轮发电机组在以下条件运行时，机组在寿命期内能安全连续的发出592MW。
(一)数据频数统计
获取该机组近一年的历史工况数据，数据约每分钟采集一次，共578891组数据，去除负荷和主蒸汽流量为零、存在数据中断等的异常147793组，以剩余的430198组数据进行接下来的数据分析，见表1。
表1部分原始数据集
将数据导入Matlab，首选观察负荷与供热抽汽流量的概率分布图,如2a-图2b所示,可以看出负荷约主要分布在300～400MW之间，而供热抽汽流量在100～150t/h时的频数最多。
(二)
筛选主蒸汽流量≥90％额定主蒸汽流量，即主蒸汽流量≥1827t/h且供热抽汽流量不为零的工况点，共得到2968组数据，利用变工况公式处理电负荷，得到的数据集中部分数据见表2。
表2调峰上限部分原始数据
从表2可以看出，即使供热工况基本相同，调度上限也存在不同的结果，因为一方面电厂高温高压蒸汽的流量测点会存在较大的误差，另一方面是这些工况并非是稳定工况，因此参数可能还有变动的趋势。通过进行神经网络建模运算即可减少误差，训练数据量足够大时，相当于将大量的据说进行聚类运算，工况点落在出现频数比较多地方时得到的调度上限，具有更小的误差，所得的调度上限更接近实际水平。
如图3a-3b所示，利用matlab画出供热抽汽流量与调度上限的散点图，对散点进行拟合，研究发现采用线性拟合良好。线性模型为
f(x)＝p1*x+p2
其中，p1＝0.0269，p2＝635.9。
(三)BP神经网络建模
1)输入输出数据
对于获得的数据集，以供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力、再热汽温度作为输入量，计算调度上限为输出量，构建BP神经网络模型。对于获得的2998组数据集合，以前2000组数据作为模型的训练数据，以后998组数据作为模型的测试数据。
2)网络构建
newff函数是一个用来建立前馈BP神经网络的函数，直接调用Matlab中软件包就可以构建BP神经网络模型了。
其语法为：net＝newff(PR,SN,TF,BTF,RLF,PF)
参数说明：PR是一个2xP的矩阵，第一列是每个输入样本的最大值，第二列是每个输入样本的最小值；参数SN包含两个数，一个代表隐含层节点个数，另一个代表输出层节点个数；TF代表BP神经网络隐含层传递到输出层中的传递函数，常见的有tansig函数(输出值在-1到1之间)，logsig函数(输出值在0到1之间)，pruelin函数(线性函数，输出值可以是任意值)；BTF表示BP神经网络的训练函数，其中普通的训练函数如traindm函数需要设定学习速率和动量系数这两个参数数值，而快速的训练函数如trainlm函数则不需要设定学习速率和动量函数，BP神经网络训练的迭代次数在事先设置的范围内，模型收敛的速度较快；BLF表示BP神经网络的权重学习函数(learngdf是系统默认)；PF表示网络性能函数(msef是系统默认的函数)，得出的结果表示BP神经网络原始输出变量数值和训练样本输出变量数值的均方误差。
(四)模型测试与结果分析
利用数据预处理后的前2000组训练数据训练得到神经网络模型后，将后998组数据作为测试数据，获得的调度上限与实际调度上限对比结果和相对误差如图4a-图4b所示。
通过比较分析可以看出，模型评估结果与实际计算得调峰上限相对误差的结果绝大部分在5％以内，其结果最大误差也不超过10％，本发明实施例所建立的BP神经网络模型具有较好的评估性能。
本发明利用BP神经网络的非线性结构将输入节点的信息传到隐层节点，并逐层优化，其预测精度明显提升，有效地克服了传统网络易陷入局部最优的弊端。是一种有效可行的供热机组调峰上限评估方法。
综上所述，本发明引入基于热耗率的变工况计算，通过获取主蒸汽流量接近最大的主蒸汽流量的历史工况数据，并根据这些数据，基于热耗率的热力学计算得到在该供热工况下若主蒸汽流量达到最大值时的电负荷值，作为该工况下的计算调峰上限值。
然后建立神经网络评估模型，借助BP神经网络模型的自学习性和误差反向传播特性，以最大限度的减少计算调峰上限的误差，从而得到更客观准确的调峰上限值。选取影响调峰上限的机组监视参数作为神经网络的输入参数，例如主蒸汽流量、一级供热流量、二级供热流量、给水温度、凝汽器真空、凝结水补水流量、再热汽温度、排烟温度作为输入量，将计算调峰上限作为输出变量。即可训练得出的BP神经网络模型，然后只需要将当前实时的工况数据输入已训练好的神经网络模型，就可以得到当前的调峰上限值。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种基于BP神经网络的供热机组调峰上限评估方法，其特征在于，包括以下步骤：
S1、获取主汽流量大于N％THA工况的历史数据；
S2、对历史数据进行预处理，所述预处理包括数据清理、数据集成、数据变换和数据归约，从而获得相应的数据集；
S3、对预处理后的历史数据进行热耗率的变工况计算，得到计算调峰上限值；
所述步骤S3中对预处理后的历史数据进行热耗率的变工况计算的具体步骤为：选取不供热时的热耗率验收工况为基准工况，获取数据集较基准工况下主蒸汽流量相近的工况，然后进行热耗率的变工况计算，计算公式如下：
其中，P为变工况下的发电功率，P1为变工况下的电功率，D1为变工况下的主蒸汽流量，h1为变工况下的主蒸汽焓，q1为变工况下的热耗率，D0为锅炉的最大蒸发量；
S4、通过函数构建BP神经网络，从所述数据集中选取影响调峰上限值的历史机组工况数据作为输入量，以步骤S3中的计算调峰上限值为输出量，训练BP神经网络；
S5、获取需要评估调峰上限的实时机组工况数据，输入训练好的BP神经网络模型，得到当前的调峰上限评估值。
2.根据权利要求1所述的基于BP神经网络的供热机组调峰上限评估方法，其特征在于：所述步骤S1中的N不小于90。
3.根据权利要求1所述的基于BP神经网络的供热机组调峰上限评估方法，其特征在于：所述步骤S1中的历史数据为主蒸汽流量、一级供热流量、二级供热流量、给水温度、凝汽器真空、凝结水补水流量、再热汽温度、排烟温度、主蒸汽焓和热耗率数据。
4.根据权利要求1所述的基于BP神经网络的供热机组调峰上限评估方法，其特征在于：所述步骤S2中数据变换是通过线性变换对数据进行归一化处理。
5.根据权利要求1所述的基于BP神经网络的供热机组调峰上限评估方法，其特征在于：所述步骤S4中的函数为newff函数。
6.根据权利要求1所述的基于BP神经网络的供热机组调峰上限评估方法，其特征在于：所述步骤S4中的历史机组工况数据包括供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力和再热汽温度。
7.根据权利要求1所述的基于BP神经网络的供热机组调峰上限评估方法，其特征在于：所述步骤S5中的实时机组工况数据包括供热抽汽流量、供热抽汽压力、凝汽器补充水流量、排烟温度、最终给水温度、主蒸汽压力和再热汽温度。
8.一种基于BP神经网络的供热机组调峰上限评估系统，其特征在于，包括：存储器，用于存储计算机程序；
处理器，用于当执行所述计算机程序时，实现如权利要求1至7任一项所述的基于BP神经网络的供热机组调峰上限评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077586.3A CN112348696B (zh) | 2020-10-10 | 2020-10-10 | 基于bp神经网络的供热机组调峰上限评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077586.3A CN112348696B (zh) | 2020-10-10 | 2020-10-10 | 基于bp神经网络的供热机组调峰上限评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348696A CN112348696A (zh) | 2021-02-09 |
| CN112348696B true CN112348696B (zh) | 2024-03-22 |
Family
ID=74360500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011077586.3A Active CN112348696B (zh) | 2020-10-10 | 2020-10-10 | 基于bp神经网络的供热机组调峰上限评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348696B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660325B (zh) * | 2022-10-08 | 2023-05-30 | 国网山东省电力公司威海供电公司 | 一种电网调峰能力量化方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617555A (zh) * | 2013-11-04 | 2014-03-05 | 国家电网公司 | 火电厂能效评价系统及其评价方法 |
| CN104614197A (zh) * | 2015-02-12 | 2015-05-13 | 中冶华天工程技术有限公司 | 煤粉与高炉煤气混烧锅炉热效率的在线监测方法 |
| WO2015127572A1 (zh) * | 2014-02-28 | 2015-09-03 | 清华大学 | 一种电力调峰热电联产余热回收装置及其运行方法 |
| CN108119940A (zh) * | 2017-11-08 | 2018-06-05 | 东北电力大学 | 一种采暖发电系统的目标控制方法 |
| CN108319131A (zh) * | 2017-12-27 | 2018-07-24 | 国网山东省电力公司电力科学研究院 | 基于数据挖掘的机组调峰能力评估方法 |
| CN111047168A (zh) * | 2019-12-02 | 2020-04-21 | 国网河北省电力有限公司电力科学研究院 | 一种供热机组高背压供热改造后的调峰能力评估方法 |
| CN111206970A (zh) * | 2018-11-21 | 2020-05-29 | 赫普科技发展（北京）有限公司 | 一种火电厂利用射汽抽汽器的调峰系统及控制方法 |
| CN111581821A (zh) * | 2020-05-08 | 2020-08-25 | 河南九域恩湃电力技术有限公司 | 一种基于实测性能参数的供热机组调峰能力确定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150028675A1 (en) * | 2013-07-29 | 2015-01-29 | Michael Scheurlen | Electrical power system and method for operating an electrical power system |
-
2020
- 2020-10-10 CN CN202011077586.3A patent/CN112348696B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617555A (zh) * | 2013-11-04 | 2014-03-05 | 国家电网公司 | 火电厂能效评价系统及其评价方法 |
| WO2015127572A1 (zh) * | 2014-02-28 | 2015-09-03 | 清华大学 | 一种电力调峰热电联产余热回收装置及其运行方法 |
| CN104614197A (zh) * | 2015-02-12 | 2015-05-13 | 中冶华天工程技术有限公司 | 煤粉与高炉煤气混烧锅炉热效率的在线监测方法 |
| CN108119940A (zh) * | 2017-11-08 | 2018-06-05 | 东北电力大学 | 一种采暖发电系统的目标控制方法 |
| CN108319131A (zh) * | 2017-12-27 | 2018-07-24 | 国网山东省电力公司电力科学研究院 | 基于数据挖掘的机组调峰能力评估方法 |
| CN111206970A (zh) * | 2018-11-21 | 2020-05-29 | 赫普科技发展（北京）有限公司 | 一种火电厂利用射汽抽汽器的调峰系统及控制方法 |
| CN111047168A (zh) * | 2019-12-02 | 2020-04-21 | 国网河北省电力有限公司电力科学研究院 | 一种供热机组高背压供热改造后的调峰能力评估方法 |
| CN111581821A (zh) * | 2020-05-08 | 2020-08-25 | 河南九域恩湃电力技术有限公司 | 一种基于实测性能参数的供热机组调峰能力确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 热电联产机热电转换与耦合特性分析;王玮 等;《工程热物理学报》;第40卷(第9期);1976-1980 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348696A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7190149B2 (en) | Method and apparatus for determining actual reactive capability curves | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
| CN101893877A (zh) | 一种发电厂基于能耗分析的优化运行方法及其系统 | |
| CN112377985B (zh) | 基于反馈神经网络的供热机组调峰下限评估方法及系统 | |
| CN109784554B (zh) | 一种基于主从博弈的电力系统最优调度方法 | |
| CN111754030B (zh) | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 | |
| CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
| 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 | |
| CN113708363A (zh) | 一种电热联合系统的调度灵活性评估方法及系统 | |
| 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 | |
| CN109858125A (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
| CN112950409A (zh) | 煤气和蒸汽能源综合利用系统生产调度优化方法 | |
| CN112023650A (zh) | 一种全工况自适应的pH调节系统 | |
| CN111445141A (zh) | 一种供热机组的负荷分配方法、系统和装置 | |
| CN113868836B (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
| CN112734158B (zh) | 发电机组的热电负荷分配方法、装置及电子设备 | |
| CN113887116A (zh) | 一种电站锅炉动态运行主汽温延迟特性建模方法 | |
| CN112330189B (zh) | 一种基于试验信息的火电机组agc动态特性评估方法 | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| Wang et al. | Development and application of energy saving evaluation system based on energy consumption management platform | |
| CN111242345A (zh) | 基于聚类分析和随机森林回归的核电机组电功率预测方法 | |
| CN111852596B (zh) | 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法 | |
| Cui et al. | Research on fault diagnosis and early warning of power plant boiler reheater temperature deviation based on machine learning algorithm | |
| 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 | |
| CN116382223B (zh) | 一种基于dcs的火电机组监测系统 |
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 | ||
| GR01 | Patent grant |