CN113822475B - 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 - Google Patents

抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 Download PDF

Info

Publication number
CN113822475B
CN113822475B CN202111078023.0A CN202111078023A CN113822475B CN 113822475 B CN113822475 B CN 113822475B CN 202111078023 A CN202111078023 A CN 202111078023A CN 113822475 B CN113822475 B CN 113822475B
Authority
CN
China
Prior art keywords
unit
load
layer
heat supply
heat
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
Application number
CN202111078023.0A
Other languages
English (en)
Other versions
CN113822475A (zh
Inventor
杨敏
童小忠
胡伯勇
陆陆
何郁晟
张文涛
韩峰
李恩长
陆豪强
钟文晶
沈雪东
祝文翔
王稼琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Energy Group Research Institute Co Ltd
Original Assignee
Zhejiang Energy Group Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Energy Group Research Institute Co Ltd filed Critical Zhejiang Energy Group Research Institute Co Ltd
Priority to CN202111078023.0A priority Critical patent/CN113822475B/zh
Publication of CN113822475A publication Critical patent/CN113822475A/zh
Application granted granted Critical
Publication of CN113822475B publication Critical patent/CN113822475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明涉及一种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，包括步骤：当机组的重要辅机跳闸时，判断当前负荷是否高于带载能力；若当前负荷高于带载能力，则触发RB动作，否则不触发RB动作；当机组的重要辅机跳闸并且触发RB动作后，机组由协调控制方式切换为机跟炉方式。本发明的有益效果是：本发明在机组发生RB时，能够准确的预测RB过程中减少的热负荷，从而可以以量化的形式提前将预测得到的热负荷合理、经济地分配到热网其余正常运行机组，避免了因机组RB带来的供热经济损失，确保了电厂热网系统的安全性和供热可靠性。本发明提供一种机组负荷指令的跟踪形式，实现了RB复归后对发电负荷的精准控制。

Description

抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法
技术领域
本发明属于燃煤发电机组辅机故障处理领域，尤其涉及一种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法。
背景技术
燃煤发电机组普遍设计了辅机故障快速减负荷功能(RUNBACK，RB)。在机组冗余配置的重要辅机发生故障或跳闸时，机组依据控制逻辑快速降低负荷，从而匹配辅机的出力需求，确保机组重要运行参数平稳过渡，达到重要辅机发生故障或跳闸时不跳闸机组，仍保持机组安全运行的目的。
近年来，随着发电装机容量的增长，我国已经彻底改变了大面积缺电的局面，并且随着煤价的不断上涨，甚至有的地方出现了电力产能过剩。因此，越来越多的纯凝汽式机组进行了供热改造，从高排热端或冷端再热、中压缸排汽等处抽取蒸汽，将纯凝机组改造为抽凝机组，实施对外供热。
机组供热改造后，锅炉燃烧产生的蒸汽一部分进入汽轮机做功，用于发电；另一部分抽汽用于供热。当机组在协调控制方式运行下，热负荷和电负荷的调节和分配会存在复杂的耦合关系。电负荷根据电网调度指令调节，电负荷的波动必影响到进入高压缸的蒸汽流量，进而对供热抽汽量产生扰动。当热网用户的需求发生变化时，使得机组抽汽流量产生变化，对机组发电量也将产生影响。
在纯凝发电机组进行抽汽供热改造后，RB控制逻辑的总体框架和技术细节基本沿用以往的方式，并未适时地进行优化与提升。
目前机组的设计逻辑，在机组触发RB后，锅炉负荷会按照预设的值快速降低至RB目标值，机组的供热抽汽量也会减少，由于并没有考虑到RB过程中热负荷的减少对机组的影响，这会给电厂巨大的经济损失，严重时对区域内整个热网的安全性和供热可靠性也会产生威胁。同时，机组RB时，机组负荷指令跟踪的是RB目标负荷。考虑供热的因素，部分锅炉负荷用来供汽，机组的实际发电负荷会低于锅炉负荷，所以在RB复归后，也会存在发电负荷控制不精准的问题。
因此，及时、准确地预测机组的热负荷是确保抽汽供热机组RB后安全和经济运行的关键。
发明内容
本发明的目的是克服现有技术中的不足，提供一种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法。
这种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，包括以下步骤：
S1、当机组的重要辅机跳闸时，判断当前负荷是否高于带载能力；若当前负荷高于带载能力，则触发RB动作，否则不触发RB动作；
S2、当机组的重要辅机跳闸并且触发RB动作后，机组由协调控制方式(CCS)切换为机跟炉方式(TF)，根据预设RB目标负荷快速降低锅炉出力，锅炉的子系统同时开始动作，实现机组主要参数的调节；
S3、建立并训练深度信念网络；深度信念网络由多层受限玻尔兹曼机(RBM)、最顶端的输出层和BP神经网络组成；每层受限玻尔兹曼机(RBM)共分为两层，受限玻尔兹曼机的第一层为可视层(RBM的输入层)，受限玻尔兹曼机的第二层为隐藏层；
S3.1、建立深度信念网络；
S3.2、训练深度信念网络(DBN)；
S4、机组触发RB动作后，随着锅炉负荷的快速减少，机组的供热抽汽量也会减少，基于机组历史运行数据，采用深度信念网络(DBN)来预测机组RB过程中减少的供热抽汽量对应的热负荷，并建立抽汽供热机组的热负荷预测模型；
S4.1、选择与热负荷相关的锅炉负荷、中压缸排汽压力、机前压力、供热压力、供热温度作为特征变量输入深度信念网络(DBN)；
S4.2、采集历史数据，并对历史数据进行预处理；
S4.3、建立基于深度信念网络的抽汽供热机组热负荷预测模型，并对该模型进行训练；
S4.4、当机组触发RB动作时，利用已经训练好的深度信念网络，对机组触发RB动作后可提供的热负荷量进行预测，得到机组RB过程中减少的供热抽汽量对应的热负荷；
S5、将步骤S3预测得到的机组RB过程中减少的供热抽汽量对应的热负荷叠加到电厂其余正常运行的机组中，维持整个热网对外供热不变；分配到其余机组的热负荷，以前馈的形式叠加到机组锅炉主控回路；通过前馈回路的快速动作，保证在电厂热网系统内机组RB时，对外供热的稳定性和可靠性。
作为优选，步骤S1中机组的重要辅机包括磨煤机、送风机、引风机、一次风机和给水泵。
作为优选，步骤S2中锅炉的子系统包括风系统、煤系统和水系统。
作为优选，步骤S3.1具体包括以下步骤：
S3.1.1、定义受限玻尔兹曼机所有可视层的单元和隐藏层的单元联合状态(v,h)的能量函数：
上式中，θ为受限玻尔兹曼机(RBM)的网络参数θ＝{W,b,c}，其中W指权重，b、c指阈值；v＝[v1,v2,...,vi,...,vm]指可视层的输入，h＝[h1,h2,...,hj,...,hn]指隐藏层的输入；wij为第i个可视层和第j个隐藏层的连接权重；vi、hj分别为可视层和隐藏层的向量；bi、cj分别为可视层、隐藏层的阈值，m为可视层单元的数量，n为隐藏层单元的数量；
S3.1.2、根据能量函数E(v,h|θ)计算可视层和隐藏层之间的联合概率函数p(v,h|θ)：
上式中，Z为归一化因子，Z＝∑v,he-E(v,h|θ)，保证联合概率在[0，1]的范围内变化；
S3.1.3、进一步得到隐藏层的边缘分布：
S3.1.4、当确定了可视层和隐藏层后，得到可视层和隐藏层的激活概率分别为：
上式中，为sigmoid函数，x为sigmoid函数σ(x)的变量；i为可视层单元的序号，j为隐藏层单元的序号；
所有神经元的概率密度函数满足：
上式中，p(v|h)为可视层所有神经元的概率密度函数，p(vi|h)为可视层第i个神经元的概率密度函数；j指第j个神经元；p(h|v)指的是隐藏层所有神经元的概率密度；p(hj|v)指的是隐藏层第j个神经元的概率密度；以上两个概率密度函数公式表示所有神经元的概率密度函数满足独立性；
S3.1.5、通过激活概率决定是否激活每个神经元。
作为优选，步骤S3.2具体包括以下步骤：
S3.2.1、更新训练单个受限玻尔兹曼机的网络参数：将数据输入到可视层单元v1，计算出隐藏层神经元的激活概率；根据获取的激活概率，通过Gibbs采样抽取隐藏层的神经单元h1；利用该抽取的隐藏层单元h1，计算出可视层神经元的激活概率，重构可视层的神经单元v2；利用重构得到的可视层的神经单元v2，计算隐藏层神经元的激活概率，然后重构隐藏层的神经单元h2；通过输入数据和重构数据之间的分布差异，来更新权值参数：
wij＝wij+η(p(h1|v1)v1-p(h2|v2)v2)
bi＝bi+η(v1-v2)
cj＝cj+η(h1-h2)
上式中，η为学习率；v1为可视层单元，v2为重构的可视层神经单元；h1为隐藏层的神经单元，h2为重构的隐藏层神经单元；wij为第i个可视层和第j个隐藏层的连接权重；bi、cj分别为可视层、隐藏层的阈值；
S3.2.2、受限玻尔兹曼机(RBM)的无监督预训练：初始化受限玻尔兹曼机(RBM)的网络结构参数，随机初始化可视层和隐藏层之间的模型参数θ＝{W,b,c}；采用从下到顶的逐层训练的方法，首先将归一化之后的数据输入到第一个受限玻尔兹曼机(RBM)的可视层，采用对比散度算法来减小输入数据和重构数据之间的误差，更新网络参数θ＝{W,b,c}；第一个受限玻尔兹曼机(RBM)训练结束后，固定当前受限玻尔兹曼机(RBM)的网络参数，将第一个受限玻尔兹曼机(RBM)的隐藏层作为第二个受限玻尔兹曼机(RBM)的输入层，继续训练；当所有的受限玻尔兹曼机(RBM)网络结构完成训练时，获得深度信念网络参数的初始值；
S3.2.3、使用BP神经网络对深度信念网络参数的初始值进行微调：在确定深度信念网络参数的初始值后，在最顶层利用BP神经网络，以受限玻尔兹曼机输出的特征向量作为BP网络的输入向量，将误差反向传播到每层受限玻尔兹曼机中，通过梯度下降的方法，微调整个深度信念网络的权值参数，从而建立最优的网络。
作为优选，步骤S3中可视层和隐藏层两层之间各神经元节点均双向连接，可视层和隐藏层的同层内部各单元互不连接。
作为优选，步骤S4.2中采用归一化的处理方法对历史数据进行预处理，将每一特征变量的数据分别归一化到[0,1]之间：
上式中，Xnorm为特征变量的数据归一化之后的值；X为原特征变量的数据；Xmax为每一特征变量的数据最大值；Xmin为每一特征变量的数据最小值。
作为优选，步骤S5具体包括以下步骤：
S5.1、当有某台机组触发RB动作后，通过深度信念网络预测得到的RB过程中减少的热负荷P热，根据机组当前可用容量来分配热负荷P热；
S5.2、若电厂热网系统内某台正常运行机组的出力已达到最大，则不进行机组RB过程中减少的供热抽汽量对应的热负荷的分配，计算其余正常运行机组的可用容量；
S5.3、若总的可用容量小于热负荷P热：采取最大化分配的方式，将锅炉出力带到最大，尽可能提供热负荷；
S5.4、若总的可用容量大于热负荷P热，且任意一台机组的可用容量均大于平均热负荷时：/>则采用平均分配的方式，将RB机组减少的热负荷平均分配到其余机组：
上式中，n为热网系统内的机组的台数；
S5.5、若总的可用容量不满足步骤S5.1至步骤S5.4中的条件，则采取按比例分配的方式，根据当前机组可用容量的大小进行分配：
上式中，表示第i台机组应该分配的热负荷，/>表示第i台机组的额定负荷，表示第i台机组当前的实际负荷。
本发明的有益效果是：本发明在机组发生RB时，能够准确的预测RB过程中减少的热负荷，从而可以以量化的形式提前将预测得到的热负荷合理、经济地分配到热网其余正常运行机组，避免了因机组RB带来的供热经济损失，确保了电厂热网系统的安全性和供热可靠性。本发明提供一种机组负荷指令的跟踪形式，实现了RB复归后对发电负荷的精准控制。
附图说明
图1为抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法流程图；
图2为基于深度信念网络的热负荷预测流程图；
图3为深度信念网络结构示意图；
图4为RBM结构示意图；
图5为电厂热网系统结构示意图；
图6为基于机组可用容量的热负荷分配方法原理图；
图7为RB过程中机组负荷指令跟踪示意图。
附图标记说明：BP1、第二层RBM2、第一层RBM3、隐藏层4、可视层5、供热6、RB目标负荷7、预测得到的机组RB过程中减少的热负荷8、机组负荷指令跟踪值9。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
本申请实施例一提供了一种如图1所示抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法：
S1、当机组的重要辅机跳闸时，判断当前负荷是否高于带载能力；若当前负荷高于带载能力，则触发RB动作，否则不触发RB动作；
S2、当机组的重要辅机跳闸并且触发RB动作后，机组由协调控制方式(CCS)切换为机跟炉方式(TF)，根据预设RB目标负荷快速降低锅炉出力，锅炉的子系统同时开始动作，实现机组主要参数的调节；
S3、建立并训练深度信念网络；深度信念网络由多层受限玻尔兹曼机(RBM)、最顶端的输出层和BP神经网络组成；每层受限玻尔兹曼机(RBM)共分为两层，受限玻尔兹曼机的第一层为可视层(RBM的输入层)，受限玻尔兹曼机的第二层为隐藏层；
S3.1、建立深度信念网络；
S3.2、训练深度信念网络(DBN)；
S4、机组触发RB动作后，随着锅炉负荷的快速减少，机组的供热抽汽量也会减少，基于机组历史运行数据，采用深度信念网络(DBN)来预测机组RB过程中减少的供热抽汽量对应的热负荷，并建立抽汽供热机组的热负荷预测模型；
S4.1、选择与热负荷相关的锅炉负荷、中压缸排汽压力、机前压力、供热压力、供热温度作为特征变量输入深度信念网络(DBN)；
S4.2、采集历史数据，并对历史数据进行预处理；
S4.3、建立基于深度信念网络的抽汽供热机组热负荷预测模型，并对该模型进行训练；
S4.4、当机组触发RB动作时，利用已经训练好的深度信念网络，对机组触发RB动作后可提供的热负荷量进行预测，得到机组RB过程中减少的供热抽汽量对应的热负荷；
S5、将步骤S3预测得到的机组RB过程中减少的供热抽汽量对应的热负荷叠加到电厂其余正常运行的机组中，维持整个热网对外供热不变；分配到其余机组的热负荷，以前馈的形式叠加到机组锅炉主控回路；通过前馈回路的快速动作，保证在电厂热网系统内机组RB时，对外供热的稳定性和可靠性。
实施例二
在实施例一的基础上，本申请实施例二提供了实施例一中抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法在某电厂热网系统内的应用：
S1：当机组的重要辅机跳闸并且触发RB后，机组由协调控制方式(CCS)切换为机跟炉方式(TF)，锅炉出力按照预设RB目标负荷快速下降，同时锅炉的风、煤、水等各子系统开始动作，实现机组主要参数的调节。
机组辅机跳闸包括，磨煤机、送/引风机、一次风机和给水泵等。
S2：机组触发RB后，随着锅炉负荷的快速减少，机组的供热抽汽量也会减少，采用深度信念网络算法来预测机组RB过程中减少的热负荷；
S3：将预测得到的机组RB过程中减少的热负荷，将其叠加到电厂其余正常运行的机组，维持整个热网对外供热不变。
在S2中，基于机组历史运行数据，采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型，建立抽凝式供热机组的热负荷预测模型，如图2所示，步骤如下：
S21：选择与热负荷相关的锅炉负荷、中压缸排汽压力和机前压力，供热压力，供热温度作为特征变量，作为DBN的输入；
S22：采集历史数据，并且对数据进行预处理；这里采用归一化的处理方法，将每一特征变量的数据分别归一化到[0,1]之间；归一化的公式如下：
式中：Xnorm为归一化之后的值，X为原数据，Xmax为每一特征变量的数据最大值，Xmin为每一特征变量的数据最大值。
S23：建立基于深度信念网络的热负荷预测模型，并进行训练；
S24：当机组发生RB时，利用已经训练好的DBN模型，对机组RB后还能提供多少热负荷进行预测，进而得到RB过程中减少的热负荷。
下面对深度信念网路的原理进行介绍。
图3是深度信念网络的结构示意图，DBN方法是由多层无监督的受限玻尔兹曼机(RBM)堆叠形成一大串的连接的RBM，并且最顶端的输出层加一个BP神经网络组成。
图4是RBM的结构示意图。一个RBM共有2层，第一层叫做可视层，也是RBM的输入层；第二层是一个隐藏层，两层之前各神经元节点均双向连接，同层之间各单元互不连接。
定义RBM所有可视层单元和隐藏层单元联合状态(v,h)的能量函数：
式中：θ为RBM网络参数θ＝{W,b,c}，wij为第i个可视层和第j个隐藏层的连接权重，vi、hj分别为可视层和隐藏层的向量，bi、cj分别为可视层、隐藏层的阈值，m为可视层单元的数量，n为隐藏层单元的数量。
根据能量函数，计算可视层和隐含层之间的联合概率函数p(v,h)：
式中：Z是归一化因子，Z＝∑v,he-E(v,h|θ)，保证联合概率在[0，1]的范围内变化。
进一步，可以得到隐藏层的边缘分布：
每个神经元通过激活概率决定该神经元是否激活。当可视层或隐含层确定时，可以得到可视层或隐含层的激活概率分别为：
式中：为sigmoid函数。
同一层神经元之间具有独立性，所以概率密度函数依然满足独立性，故：
单个RBM的网络参数更新训练过程如下：
(1)将数据输入到可视层单元v1，计算出隐藏层神经元的激活概率
(2)根据获取的激活概率，抽取隐藏层的神经单元h1
(3)利用该抽取的隐藏层单元h1，计算出可视层神经元的激活概率，重构可视层的神经单元v2
(4)利用重构得到的v2，计算隐藏层神经元的激活概率，然后重构隐藏层的神经单元h2
(5)通过输入数据和重构数据之间的分布差异，来更新权值参数。
RBM网络参数更新过程中，这种反复不断抽取神经单元的过程叫做Gibbs采样。RBM网络模型参数更新公式如下：
wij＝wij+η(p(h1|v1)v1-p(h2|v2)v2)
bi＝bi+η(v1-v2)
cj＝cj+η(h1-h2)
式中：η为学习率。
DBN训练过程主要包括RBM的无监督预训练和使用BP神经网络进行微调两个过程。
RBM的无监督预训练：
(1)初始化RBM网络结构参数，随机初始化可视层和隐藏层之间的模型参数θ＝{W,b,c}。
(2)采用从下到顶的逐层训练的方法，首先将归一化之后的数据输入到第一个RBM的可视层，采用对比散度算法来对使输入数据和重构数据之间的误差越小，来更新θ＝{W,b,c}
(3)第一个RBM训练结束后，固定当前RBM的网络参数θ＝{W,b,c}，将第一个RBM的隐藏层作为第二个RBM的输入层，继续训练。
(4)当所有的RBM网络结构完成训练时，即获得深度信念网络参数的初始值。
在确定深度信念网络参数的初始值后，在最顶层利用BP神经网络，以RBM网络输出的特征向量作为BP网络的输入向量，将误差反向传播到每层RBM中，通过梯度下降的方法，微调整个DBN网络的权值参数，从而建立最优的网络。
作为本发明的另一实施例，图5是本发明的一种电厂热网系统结构示意图。
机组在发电厂内并不是孤立供热的，而是由多台机组共同供热形成热网，即工业抽汽管网，对区域内热力用户供热的。因此可以将RB过程中减少的热负荷，叠加到其余正常运行机组，维持对外供热。
如图6所示，作为一种发明实施例，采用一种合理、经济的分配方案将热负荷分配到其余正常运行的机组，
某电厂热网系统内有n台机组，当有某台机组发生RB，通过DBN预测到RB过程中减少的热负荷为P热，根据机组当前可用容量来进行分配，具体如下：
如果电厂热网系统内某台正常运行机组的出力已经是最大，则不进行热负荷的分配。计算其余正常运行机组的可用容量，
如果总的可用容量小于热负荷P热时，即采取最大化分配的方式，将锅炉出力带到最大，尽可能提供热负荷。
如果总的可用容量大于热负荷P热时，当任意一台机组的可用容量均大于平均热负荷时，即/>采用平均分配的方式，将RB机组减少的热负荷平均分配到其余机组：
否则，采取按比例分配的方式，根据当前机组可用容量的大小进行分配：
式中：表示第i台机组应该分配的热负荷，/>表示第i台机组的额定负荷，/>表示第i台机组当前的实际负荷。
具体地，分配到其余机组的热负荷，以前馈的形式叠加到锅炉主控回路。通过前馈回路的快速动作，保证在电厂热网系统内一台机组RB时，对外供热的稳定性和可靠性。
如图7所示，在传统RB逻辑中，机组负荷指令跟踪的是RB目标负荷，而本发明所提方法机组负荷指令跟踪的是RB目标负荷减去预测得到的机组RB过程中减少的热负荷，这样就可以实现在RB复归后，对发电负荷的精准控制。

Claims (6)

1.一种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，其特征在于，包括以下步骤：
S1、当机组的重要辅机跳闸时，判断当前负荷是否高于带载能力；若当前负荷高于带载能力，则触发RB动作，否则不触发RB动作；
S2、当机组的重要辅机跳闸并且触发RB动作后，机组由协调控制方式切换为机跟炉方式，根据预设RB目标负荷快速降低锅炉出力，锅炉的子系统同时开始动作；
S3、建立并训练深度信念网络；深度信念网络由多层受限玻尔兹曼机、最顶端的输出层和BP神经网络组成；每层受限玻尔兹曼机共分为两层，受限玻尔兹曼机的第一层为可视层，受限玻尔兹曼机的第二层为隐藏层；步骤S3进一步包括以下步骤：
S3.1、建立深度信念网络；步骤S3.1具体包括以下步骤：
S3.1.1、定义受限玻尔兹曼机所有可视层的单元和隐藏层的单元联合状态(v,h)的能量函数：
上式中，θ为受限玻尔兹曼机的网络参数θ＝{W,b,c}，其中W指权重，b、c指阈值；v＝[v1,v2,...,vi,...,vm]指可视层的输入，h＝[h1,h2,...,hj,...,hn]指隐藏层的输入；wij为第i个可视层和第j个隐藏层的连接权重；vi、hj分别为可视层和隐藏层的向量；bi、cj分别为可视层、隐藏层的阈值，m为可视层单元的数量，n为隐藏层单元的数量；
S3.1.2、根据能量函数E(v,h|θ)计算可视层和隐藏层之间的联合概率函数p(v,h|θ)：
上式中，Z为归一化因子，Z＝∑v,he-E(v,h|θ)；
S3.1.3、进一步得到隐藏层的边缘分布：
S3.1.4、当确定了可视层和隐藏层后，得到可视层和隐藏层的激活概率分别为：
上式中，为sigmoid函数，x为sigmoid函数σ(x)的变量；i为可视层单元的序号，j为隐藏层单元的序号；
所有神经元的概率密度函数满足：
上式中，p(v|h)为可视层所有神经元的概率密度函数，p(vi|h)为可视层第i个神经元的概率密度函数；j指第j个神经元；p(h|v)指的是隐藏层所有神经元的概率密度；p(hj|v)指的是隐藏层第j个神经元的概率密度；以上两个概率密度函数公式表示所有神经元的概率密度函数满足独立性；
S3.1.5、通过激活概率决定是否激活每个神经元；
S3.2、训练深度信念网络；步骤S3.2具体包括以下步骤：
S3.2.1、更新训练单个受限玻尔兹曼机的网络参数：将数据输入到可视层单元v1，计算出隐藏层神经元的激活概率；根据获取的激活概率，通过Gibbs采样抽取隐藏层的神经单元h1；利用该抽取的隐藏层单元h1，计算出可视层神经元的激活概率，重构可视层的神经单元v2；利用重构得到的可视层的神经单元v2，计算隐藏层神经元的激活概率，然后重构隐藏层的神经单元h2；通过输入数据和重构数据之间的分布差异，来更新权值参数：
wij＝wij+η(p(h1|v1)v1-p(h2|v2)v2)
bi＝bi+η(v1-v2)
cj＝cj+η(h1-h2)
上式中，η为学习率；v1为可视层单元，v2为重构的可视层神经单元；h1为隐藏层的神经单元，h2为重构的隐藏层神经单元；wij为第i个可视层和第j个隐藏层的连接权重；bi、cj分别为可视层、隐藏层的阈值；
S3.2.2、受限玻尔兹曼机的无监督预训练：初始化受限玻尔兹曼机的网络结构参数，随机初始化可视层和隐藏层之间的模型参数θ＝{W,b,c}；采用从下到顶的逐层训练的方法，首先将归一化之后的数据输入到第一个受限玻尔兹曼机的可视层，采用对比散度算法来减小输入数据和重构数据之间的误差，更新模型参数θ＝{W,b,c}；第一个受限玻尔兹曼机训练结束后，固定当前受限玻尔兹曼机的网络参数，将第一个受限玻尔兹曼机的隐藏层作为第二个受限玻尔兹曼机的输入层，继续训练；当所有的受限玻尔兹曼机网络结构完成训练时，获得深度信念网络参数的初始值；
S3.2.3、使用BP神经网络对深度信念网络参数的初始值进行微调：在确定深度信念网络参数的初始值后，在最顶层利用BP神经网络，以受限玻尔兹曼机输出的特征向量作为BP网络的输入向量，将误差反向传播到每层受限玻尔兹曼机中，通过梯度下降的方法，微调整个深度信念网络的权值参数；
S4、机组触发RB动作后，基于机组历史运行数据，采用深度信念网络来预测机组RB过程中减少的供热抽汽量对应的热负荷，并建立抽汽供热机组的热负荷预测模型；步骤S4进一步包括以下步骤：
S4.1、选择与热负荷相关的锅炉负荷、中压缸排汽压力、机前压力、供热压力、供热温度作为特征变量输入深度信念网络；
S4.2、采集历史数据，并对历史数据进行预处理；
S4.3、建立基于深度信念网络的抽汽供热机组热负荷预测模型，并对该模型进行训练；
S4.4、当机组触发RB动作时，利用已经训练好的深度信念网络，对机组触发RB动作后可提供的热负荷量进行预测，得到机组RB过程中减少的供热抽汽量对应的热负荷；
S5、将步骤S3预测得到的机组RB过程中减少的供热抽汽量对应的热负荷叠加到电厂其余正常运行的机组中，维持整个热网对外供热不变；分配到其余机组的热负荷，以前馈的形式叠加到机组锅炉主控回路。
2.根据权利要求1所述抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，其特征在于：步骤S1中机组的重要辅机包括磨煤机、送风机、引风机、一次风机和给水泵。
3.根据权利要求1所述抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，其特征在于：步骤S2中锅炉的子系统包括风系统、煤系统和水系统。
4.根据权利要求1所述抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，其特征在于：步骤S3中可视层和隐藏层两层之间各神经元节点均双向连接，可视层和隐藏层的同层内部各单元互不连接。
5.根据权利要求1所述抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，其特征在于：步骤S4.2中采用归一化的处理方法对历史数据进行预处理，将每一特征变量的数据分别归一化到[0,1]之间：
上式中，Xnorm为特征变量的数据归一化之后的值；X为原特征变量的数据；Xmax为每一特征变量的数据最大值；Xmin为每一特征变量的数据最小值。
6.根据权利要求1所述抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，其特征在于，步骤S5具体包括以下步骤：
S5.1、当有某台机组触发RB动作后，通过深度信念网络预测得到的RB过程中减少的热负荷P热，根据机组当前可用容量来分配热负荷P热；
S5.2、若电厂热网系统内某台正常运行机组的出力已达到最大，则不进行机组RB过程中减少的供热抽汽量对应的热负荷的分配，计算其余正常运行机组的可用容量；
S5.3、若总的可用容量小于热负荷P热：采取最大化分配的方式，将锅炉出力带到最大；
S5.4、若总的可用容量大于热负荷P热，且任意一台机组的可用容量均大于平均热负荷时：/>则采用平均分配的方式，将RB机组减少的热负荷平均分配到其余机组：
上式中，n为热网系统内的机组的台数；
S5.5、若总的可用容量不满足步骤S5.1至步骤S5.4中的条件，则采取按比例分配的方式，根据当前机组可用容量的大小进行分配：
上式中，表示第i台机组应该分配的热负荷，/>表示第i台机组的额定负荷，/>表示第i台机组当前的实际负荷。
CN202111078023.0A 2021-09-15 2021-09-15 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 Active CN113822475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111078023.0A CN113822475B (zh) 2021-09-15 2021-09-15 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111078023.0A CN113822475B (zh) 2021-09-15 2021-09-15 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法

Publications (2)

Publication Number Publication Date
CN113822475A CN113822475A (zh) 2021-12-21
CN113822475B true CN113822475B (zh) 2023-11-21

Family

ID=78922487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111078023.0A Active CN113822475B (zh) 2021-09-15 2021-09-15 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法

Country Status (1)

Country Link
CN (1) CN113822475B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115576199B (zh) * 2022-09-29 2024-03-08 山东能源内蒙古盛鲁电力有限公司 一种火电机组深度调峰下辅机低负荷安全自动控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580543A (zh) * 2019-08-06 2019-12-17 天津大学 一种基于深度信念网络的电力负荷预测方法及系统
CN110717581A (zh) * 2019-09-26 2020-01-21 国网福建省电力有限公司 一种基于温度模糊处理和dbn的短期负荷预测方法
CN112418526A (zh) * 2020-11-24 2021-02-26 国网天津市电力公司 基于改进深度信念网络的综合能源负荷控制方法及装置
CN112540537A (zh) * 2020-12-04 2021-03-23 浙江浙能技术研究院有限公司 一种基于辅机状态的机组rb目标负荷自适应生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416695B (zh) * 2018-02-24 2020-07-07 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580543A (zh) * 2019-08-06 2019-12-17 天津大学 一种基于深度信念网络的电力负荷预测方法及系统
CN110717581A (zh) * 2019-09-26 2020-01-21 国网福建省电力有限公司 一种基于温度模糊处理和dbn的短期负荷预测方法
CN112418526A (zh) * 2020-11-24 2021-02-26 国网天津市电力公司 基于改进深度信念网络的综合能源负荷控制方法及装置
CN112540537A (zh) * 2020-12-04 2021-03-23 浙江浙能技术研究院有限公司 一种基于辅机状态的机组rb目标负荷自适应生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
抽汽供热机组RB控制逻辑优化研究;吴水龙;曹鹏飞;杨子江;;自动化仪表(第03期);全文 *

Also Published As

Publication number Publication date
CN113822475A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN108388973B (zh) 一种虚拟电厂自适应鲁棒调度优化方法
CN105226708B (zh) 一种大规模电网调度计划等值协调优化方法
CN110322372A (zh) 区域电力系统中多级电网联动的机组组合调度方法
CN111062632B (zh) 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法
CN113822475B (zh) 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法
CN107168062A (zh) 一种超临界燃煤机组协调控制系统中的负荷预测方法
CN111769543B (zh) 一种含多微网的区域配电网自律协同运行优化方法
CN115860413A (zh) 基于负荷需求响应与双层可调鲁棒优化的并网冷热电联产微网系统经济调度方法
Yin et al. Expandable depth and width adaptive dynamic programming for economic smart generation control of smart grids
CN115036914A (zh) 考虑灵活性与新能源消纳的电网储能双层优化方法及系统
CN116629421A (zh) 计及综合能效的综合能源系统多目标分布鲁棒优化调度方法
CN116957229A (zh) 基于Hausdorff距离的微电网两阶段分布鲁棒优化调度方法
Yujie et al. Optimal operation of new coastal power systems with seawater desalination based on grey wolf optimization
CN118381118A (zh) 基于数据驱动Wasserstein模糊集主动配电网分布鲁棒日前调度方法
Syed et al. A feedforward neural network hydrogen electrolyzer output regulator for wind power control with battery storage
CN111047071B (zh) 基于深度迁移学习和Stackelberg博弈的电力系统实时供需互动方法
Hashmi et al. Power energy management for a grid-connected PV system using rule-base fuzzy logic
CN116542770A (zh) 一种基于能移和能位的虚拟电厂市场交易机制
CN116526466A (zh) 一种配网级电-气综合能源系统的鲁棒经济调度方法
Liu et al. CPS compliant fuzzy neural network load frequency control
CN115051406A (zh) 一种计及源网不确定性的多阶段协调控制风险调度方法
CN115377968A (zh) 一种考虑可再生能源出力波动的新型配电网顺序恢复优化方法
CN115049420A (zh) 多能互补多微网负荷管理方法及系统
CN113141016A (zh) 基于区域控制偏差的储能系统辅助传统机组调频的控制方法
CN113673169A (zh) 发电侧资源双层规划模型、改造方案确定方法及装置

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