CN114583764A - 一种火电机组agc性能指标优化方法及其装置 - Google Patents
一种火电机组agc性能指标优化方法及其装置 Download PDFInfo
- Publication number
- CN114583764A CN114583764A CN202210213830.7A CN202210213830A CN114583764A CN 114583764 A CN114583764 A CN 114583764A CN 202210213830 A CN202210213830 A CN 202210213830A CN 114583764 A CN114583764 A CN 114583764A
- Authority
- CN
- China
- Prior art keywords
- main steam
- thermal power
- value
- steam pressure
- performance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 239000003245 coal Substances 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000002485 combustion reaction Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
Abstract
本发明公开了一种火电机组AGC性能指标优化方法及其装置,涉及火力发电技术领域。针对待优化火电机组,获取火电机组中锅炉、电机在不同工况下的煤量指令、风量指令、有功功率等数据得到历史数据集;然后对历史数据进行预处理,得到与锅炉性能关联性最高的输入向量;将煤量指令、风量指令等特征向量输入多元线性回归和机器学习算法,计算得到锅炉燃烧性能模型;将锅炉的主蒸汽压力、主蒸汽温度等特征向量输入非线性回归模型,计算得到电机性能模型;在实际工况的限制条件下,基于数据驱动应用优化算法计算优化之后的电机性能指标,并求解该条件下的输入向量。应用本发明,能实现对火电机组AGC性能的优化,并找到最佳的控制器参数。
Description
技术领域
本发明涉及火力发电技术领域,具体涉及一种火电机组AGC性能指标优化方法及其装置。
背景技术
风电、太阳能等新型能源大规模应用于电力系统,但是我国缺乏大规模建设蓄能设备的条件,电网必须依靠火电机组的负荷调整能力,吸收这部分间隙性、强波动电源对电网的冲击,保证电网安全、稳定运行。随着自动发电控制(AGC)机组参与电网调节,使得大型燃煤发电机组发挥了参与电网深度调峰的作用,也使得火电机组经常于深度变负荷下运行。
目前制定了负荷调节的AGC性能指标,并将其折算成经济指标对发电机组实施奖惩。但是由于AGC性能指标是一个分段式、非线性的综合性指标,该指标与常用的性能指标之间无单调关系,常规的先进控制算法也无法找出其控制系统与该性能指标之间的直接关系,无法通过规律性的调整有针对性的改善AGC性能指标。因此亟需开发一种火电机组AGC性能指标优化方法,结合机组工况参数建立模型对AGC的性能指标进行预测和优化调节。
为有效改善AGC性能指标,应选择合适的工况点建立数据模型、建立输入数据和主蒸汽压力和温度之间的目标函数、建立主蒸汽压力和温度与机组负荷之间的目标函数、在约束条件下实施优化过程、计算AGC性能指标(调节速率、调节精度、调节时间等)。
发明内容
本发明的目的在于提供一种火电机组AGC性能指标优化方法及其装置,解决现有技术中难以建立火电机组工况参数与AGC性能指标的分析计算模型的问题,通过模型对AGC的性能指标进行预测和优化调节。
为解决上述的技术问题,本发明采用以下技术方案:一种火电机组AGC性能指标优化方法,其特征在于包括如下步骤:
S1、获取待优化火电机组历史数据;
S1-1、获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL;其中,CV、WV、SP、ST、AL均为带时序数据值,均为浮点数;
S1-2、使用数据获取模块按照时间间隔T将第S1-1步骤中获取的数据收集汇总;
S1-3、数据存储模块将数据以时间戳为主键存储在数据库中;
S2、数据预处理模块对历史数据进行预处理,使用随机森林算法得到影响锅炉性能的高关联度输入变量,对这些变量进行预处理,以时间戳为主键,建立锅炉性能特征输入向量v并存储在数据库中;
S3、将经过数据处理的锅炉性能特征输入向量v输入到多元线性回归和机器学习算法中,训练出锅炉性能模型,利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性;
S4、将锅炉主蒸汽压力SP和主蒸汽温度ST的数据输入到非线性回归和机器学习算法中,训练出火电机组电机性能模型,利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性;
S5、获取火电机组当前的生产参数,包括主蒸汽压力SP、主蒸汽温度ST、机组实际负荷AL,将其输入锅炉性能模型和火电机组电机性能模型,应用遗传算法计算煤量指令值CV、风量指令值WV值,获得最优的火电机组AGC调节性能综合指标Kp;将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组,指导锅炉下一个时间节点内的加煤量和供风量。
更进一步的技术方案是步骤S1所述时间间隔T不小于1800秒。
更进一步的技术方案是所述步骤S2的具体过程如下:
S2-1、将获取的历史数据以秒为单位取值,遇到缺失值,采用插值方法补全;
S2-2、采用随机森林算法,通过计算输入变量重要性评价指标值,找到与主蒸汽压力SP和主蒸汽温度ST关联性最高的输入变量为煤量指令值CV、风量指令值WV;
S2-3、以时间戳为主键,构建锅炉性能特征输入向量v:
v=(CVt,CVt-1,...,CVt-T,WVt,WVt-1,...,WVt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,CVt是t时刻的煤量指令,CVt-1是t时刻前1秒钟的煤量指令,CVt-T是t时刻前T秒钟的煤量指令。WVt是t时刻的风量指令,WVt-1是t时刻前1秒钟的风量指令。SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值。STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值。
S2-4、对输入变量进行数据预处理;
S2-5、将输入向量存储到数据库中。
更进一步的技术方案是所述步骤S3的具体过程如下,
S3-1、从数据库中读取锅炉性能特征输入向量v;
S3-2、将特征向量输入到多元线性回归和机器学习算法中,训练出锅炉性能模型,算法
回归模型为:
E1=f(CVt,CVt-1,...,CVt-T,WVt,WVt-1,...,WVt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,CVt是t时刻的煤量指令,CVt-1是t时刻前1秒钟的煤量指令,CVt-T是t时刻前T秒钟的煤量指令。WVt是t时刻的风量指令,WVt-1是t时刻前1秒钟的风量指令。SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值。STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;
S3-3、锅炉性能模型保存为模型文件,输入当前煤量指令值CV、风量指令值WV值通过E1计算得到主蒸汽压力SP和主蒸汽温度ST值,并保存到数据库,将该计算结果与真实的主蒸汽压力、温度值进行比较,计算E1误差。利用E1可以计算输入变量值得到的主蒸汽压力、温度值,同时限制主蒸汽压力SP和主蒸汽温度ST的最佳区间。
更进一步的技术方案是所述步骤S4的具体过程如下,
S4-1、从数据库中读取主蒸汽压力值和主蒸汽温度值;
S4-2、采用非线性回归和机器学习算法,训练出火电机组电机性能模型E2:
E2=f(ALt,ALt-1,...,ALt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,ALt是t时刻的实际负荷,ALt-1是t时刻前1秒钟的机组实际负荷,ALt-T是t时刻前T秒钟的实际负荷。SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值。STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;E2代表输入的主蒸汽压力、温度值与机组实际负荷之间的回归模型。利用E2计算机组的实际负荷,并通过实际负荷计算其AGC调节性能指标。
S4-3、火电机组电机性能模型保存为模型文件,实际负荷值保存到数据库。
更进一步的技术方案是所述步骤S5的具体过程如下,
S5-1、根据火电机组实际工况条件,确定限制条件,包括:主蒸汽压力上下限、主蒸汽
温度上下限、机组负荷上下限、允许波动上下限;
S5-2、采用遗传算法计算最优的火电机组性能指标:首先使用遗传算法时首先对输入变量进行二进制编码,初始化种群后建立适应度函数和选择函数,通过交叉和变异,计算满足最优AGC调节综合性能指标的种群,并停止计算,得到下一个时间点的机组负荷。
S5-3、求解在达到最优的火电机组性能指标时,煤量指令值CV、风量指令值WV。
本发明还可以是一种火电机组AGC性能优化装置,其特征在于:包括数据获取模块、数据存储模块、数据预处理模块、机组性能训练模块、机组性能优化模块,其中:
数据获取模块,获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL,并按时间间隔T汇总;其中,CV、WV、SP、ST、AL均为带时序数据值,均为浮点数;
数据存储模块,用于将数据以时间戳为主键存储在数据库中,时间戳应以秒为单位;
数据预处理模块,用于进行数据清洗、数据插值,并选择高关联度输入变量;对缺失数据进行插值计算,补全缺失的部分数据;采用随机森林算法计算得到高关联度输入变量;
机组性能训练模块,用于将特征向量输入算法,并建立输入变量与主蒸汽模型E1、主蒸汽与机组负荷模型E2;
机组性能优化模块,将模型E1、E2输入到遗传算法中,求解在达到最优的火电机组性能指标时,煤量指令值CV、风量指令值WV,将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组,指导锅炉下一个时间节点内的加煤量和供风量。
与现有技术相比,本发明的有益效果是:对火电机组在AGC协调方式下实现调频、调峰,并在满足电网考核指标的前提下,提高机组响应特性和机组综合调频性能指标K,全面提高机组AGC性能指标和运行参数稳定性。
附图说明
图1为本发明中火电机组AGC性能优化方法的流程图。
图2为本发明中火电机组AGC性能优化装置的结构框图。
图3为遗传算法的实施过程。
图4为火电机组AGC优化值与观测值曲线图。
具体实施方式
实施例1
图1示出了如图1所示,火电机组AGC性能优化方法,具体实施步骤为:
S1、获取待优化火电机组历史数据;
S1-1、获取火电机组中锅炉的煤量指令CV、风量指令WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL;其中,CV、WV、SP、ST、AL均为带时序数据值,均为浮点数;
S1-2、使用数据获取模块按照时间间隔T将第S1-1步骤中获取的数据收集汇总;时间间隔T不小于1800秒;
S1-3、数据存储模块将数据以时间戳为主键存储在数据库中;
S2、数据预处理模块对历史数据进行预处理,使用随机森林算法得到影响锅炉性能的高关联度输入变量,对这些变量进行预处理,以时间戳为主键,建立锅炉性能特征输入向量v并存储在数据库中;
S2-1、将获取的历史数据以秒为单位取值,如遇到缺失值,采用插值方法补全;
S2-2、采用随机森林算法,通过计算输入变量重要性评价指标值,找到与主蒸汽压力SP和主蒸汽温度ST关联性最高的输入变量为煤量指令值CV、风量指令值WV;
S2-3、以时间戳为主键,构建锅炉性能特征输入向量v:
v=(CVt,CVt-1,...,CVt-T,WVt,WVt-1,...,WVt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,CVt是t时刻的煤量指令,CVt-1是t时刻前1秒钟的煤量指令,CVt-T是t时刻前T秒钟的煤量指令。WVt是t时刻的风量指令,WVt-1是t时刻前1秒钟的风量指令。SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值。STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值。
S2-4、对输入变量进行数据预处理;
S2-5、将输入向量存储到数据库中。
S3、将经过数据处理的锅炉性能特征向量输入到多元线性回归和机器学习算法中,训练出锅炉性能模型,利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性;
S3-1、从数据库中读取全部特征向量v;
S3-2、将特征向量输入到多元线性回归和机器学习算法中,训练出锅炉性能模型,算法
回归模型为:
E1=f(CVt,CVt-1,...,CVt-T,WVt,WVt-1,...,WVt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,CVt是t时刻的煤量指令,CVt-1是t时刻前1秒钟的煤量指令,CVt-T是t时刻前T秒钟的煤量指令。WVt是t时刻的风量指令,WVt-1是t时刻前1秒钟的风量指令。SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值。STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;
S3-3、锅炉性能模型保存为模型文件,输入当前煤量指令值CV、风量指令值WV值通过E1计算得到主蒸汽压力SP和主蒸汽温度ST值,并保存到数据库,将该计算结果与真实的主蒸汽压力、温度值进行比较,计算E1误差;利用E1可以计算输入变量值得到的主蒸汽压力、温度值,同时限制主蒸汽压力SP和主蒸汽温度ST的最佳区间,主蒸汽压力SP处于13至16.7MPa之间、主蒸汽温度ST处于533至543摄氏度之间。
S4、将经过数据处理的锅炉主蒸汽压力和主蒸汽温度输入到非线性回归和机器学习算法中,训练出火电机组电机性能模型,利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性;
S4-1、从数据库中读取主蒸汽压力值和主蒸汽温度值;
S4-2、采用非线性回归和机器学习算法,训练出火电机组电机性能模型E2:
E2=f(ALt,ALt-1,...,ALt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,ALt是t时刻的实际负荷,ALt-1是t时刻前1秒钟的机组实际负荷,ALt-T是t时刻前T秒钟的实际负荷,SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值,STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;E2代表输入的主蒸汽压力、温度值与机组实际负荷之间的回归模型,利用E2计算机组的实际负荷,并通过实际负荷计算其AGC调节性能指标;
S4-3、火电机组电机性能模型保存为模型文件,实际负荷值保存到数据库。
S5、获取火电机组当前的生产参数,包括主蒸汽压力SP、主蒸汽温度ST、机组实际负荷AL,将其输入锅炉性能模型和火电机组电机性能模型,应用遗传算法计算输入变量煤量指令值CV、风量指令值WV,获得最优的火电机组AGC调节性能综合指标Kp;将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组,指导锅炉下一个时间节点内的加煤量和供风量。
S5-1、根据火电机组实际工况条件,确定限制条件,包括:300MW火电机组处于安全生产状态时主蒸汽压力上限为16.7MPa,主蒸汽压力下限为13MPa,、主蒸汽温度上限为543摄氏度、主蒸汽温度下限为533摄氏度、机组负荷上限330MW、机组负荷下限128MW、主蒸汽压力每秒之间波动值小于0.5MPa;
S5-2、采用遗传算法计算最优的火电机组性能指标:首先使用遗传算法时首先对输入变量进行二进制编码,初始化种群后建立适应度函数和选择函数,通过交叉和变异,计算满足最优AGC调节综合性能指标的种群,并停止计算,得到下一个时间点的机组负荷;
S5-3、求解在达到最优的火电机组性能指标时,煤量指令值CV、风量指令值WV。
为验证AGC性能优化模型的准确性,将优化值与实际观测值进行对比。图4的数据来自于山东省某火电机组,数据采集区间为2021年7月15日至8月份25日。首先按照S1从火电机组组态中采集相关数据,包括煤量指令值、风量指令值、AGC指令值、摆角角度、负荷上限/下限;按照S2进行数据预处理,所有数据的时间间隔均为1s,如机组数据有缺失值,按照S2-1进行插值,随即按照S2-2挑选重要特征并以时间戳为单位按照S2-3要求进行存储;按照S3建立特征向量并使用多元线性回归和机器学习算法建立输入指令和主蒸汽压力、温度之间的模型;按照S4建立主蒸汽压力、温度与实际负荷之间的模型;按照S5采用优化算法计算最优的火电机组性能指标。如图4所示,在8月16日至25日之间的AGC调节性能综合指标(Kp)对比显示优化之后的性能指标明显由于原有性能指标,证明了本发明方法的可行性与准确性。
实施例2
图2示出了一种基于数据驱动的锅炉能耗的预测优化装置,包括数据获取模块、数据存储模块、数据预处理模块、机组性能训练模块、机组性能优化模块,其中:
数据获取模块,获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL,并按时间间隔T汇总;其中,CV、WV、SP、ST、AL均为带时序数据值,均为浮点数;
数据存储模块,用于将数据以时间戳为主键存储在数据库中,时间戳应以秒为单位;
数据预处理模块,用于进行数据清洗、数据插值,并选择高关联度输入变量;对缺失数据进行插值计算,补全缺失的部分数据;采用随机森林算法计算得到高关联度输入变量;
机组性能训练模块,用于将特征向量输入算法,并建立输入变量与主蒸汽模型E1、主蒸汽与机组负荷模型E2;
机组性能优化模块,将模型E1、E2输入到遗传算法中,求解在达到最优的火电机组性能指标时,煤量指令值CV、风量指令值WV,将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组,指导锅炉下一个时间节点内的加煤量和供风量。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种火电机组AGC性能优化方法及其装置,其特征在于包括如下步骤:
S1、获取待优化火电机组历史数据;
S1-1、获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL;其中,CV、WV、SP、ST、AL均为带时序数据值,均为浮点数;
S1-2、使用数据获取模块按照时间间隔T将第S1-1步骤中获取的数据收集汇总;
S1-3、数据存储模块将数据以时间戳为主键存储在数据库中;
S2、数据预处理模块对历史数据进行预处理,使用随机森林算法得到影响锅炉性能的高关联度输入变量,对这些变量进行预处理,以时间戳为主键,建立锅炉性能特征输入向量v并存储在数据库中;
S3、将经过数据处理的锅炉性能特征输入向量v输入到多元线性回归和机器学习算法中,训练出锅炉性能模型,利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性;
S4、将锅炉主蒸汽压力SP和主蒸汽温度ST的数据输入到非线性回归和机器学习算法中,训练出火电机组电机性能模型,利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性;
S5、获取火电机组当前的生产参数,包括主蒸汽压力SP、主蒸汽温度ST、机组实际负荷AL,将其输入锅炉性能模型和火电机组电机性能模型,应用遗传算法计算输入变量煤量指令值CV、风量指令值WV,获得最优的火电机组AGC调节性能综合指标Kp;将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组,指导锅炉下一个时间节点内的加煤量和供风量。
2.根据权利要求1所述的一种火电机组AGC性能优化方法,其特征在于:步骤S1所述时间间隔T不小于1800秒。
3.根据权利要求1所述的一种火电机组AGC性能优化方法,其特征在于:步骤S2的具体过程如下:
S2-1、将获取的历史数据以秒为单位取值,遇到缺失值,采用插值方法补全;
S2-2、采用随机森林算法,通过计算输入变量重要性评价指标值,找到与主蒸汽压力SP和主蒸汽温度ST关联性最高的输入变量为煤量指令值CV、风量指令值WV;
S2-3、以时间戳为主键,构建锅炉性能特征输入向量v:
v=(CVt,CVt-1,...,CVt-T,WVt,WVt-1,...,WVt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,CVt是t时刻的煤量指令,CVt-1是t时刻前1秒钟的煤量指令,CVt-T是t时刻前T秒钟的煤量指令;WVt是t时刻的风量指令,WVt-1是t时刻前1秒钟的风量指令。SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值。STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;
S2-4、对输入变量进行数据预处理;
S2-5、将输入向量存储到数据库中。
4.根据权利要求1所述的一种火电机组AGC性能优化方法,其特征在于:步骤S3的具体过程如下:
S3-1、从数据库中读取全部锅炉性能特征输入向量v;
S3-2、将特征向量输入到多元线性回归和机器学习算法中,训练出锅炉性能模型,算法回归模型为:
E1=f(CVt,CVt-1,...,CVt-T,WVt,WVt-1,...,WVt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,CVt是t时刻的煤量指令,CVt-1是t时刻前1秒钟的煤量指令,CVt-T是t时刻前T秒钟的煤量指令,WVt是t时刻的风量指令,WVt-1是t时刻前1秒钟的风量指令,SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值,STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;
S3-3、锅炉性能模型保存为模型文件,输入当前煤量指令值CV、风量指令值WV值通过E1计算得到主蒸汽压力SP和主蒸汽温度ST值,并保存到数据库,将该计算结果与真实的主蒸汽压力、温度值进行比较,计算E1误差;利用E1可以计算输入变量值得到的主蒸汽压力、温度值,同时限制主蒸汽压力SP和主蒸汽温度ST的最佳区间,主蒸汽压力SP处于13至16.7MPa之间、主蒸汽温度ST处于533至543摄氏度之间。
5.根据权利要求1所述的一种火电机组AGC性能优化方法,步骤S4的具体过程如下:
S4-1、从数据库中读取主蒸汽压力值和主蒸汽温度值;
S4-2、采用非线性回归和机器学习算法,训练出火电机组电机性能模型E2:
E2=f(ALt,ALt-1,...,ALt-T,SPt,SPt-1,...,SPt-T,STt,STt-1,...,STt-T)
其中,ALt是t时刻的实际负荷,ALt-1是t时刻前1秒钟的机组实际负荷,ALt-T是t时刻前T秒钟的实际负荷,SPt是t时刻的主蒸汽压力值,SPt-1是t时刻前1秒的主蒸汽压力值,STt是t时刻的主蒸汽压力值,STt-1是t时刻前1秒的主蒸汽压力值;E2代表输入的主蒸汽压力、温度值与机组实际负荷之间的回归模型,利用E2计算机组的实际负荷,并通过实际负荷计算其AGC调节性能指标;
S4-3、火电机组电机性能模型保存为模型文件,实际负荷值保存到数据库。
6.根据权利要求1所述的一种火电机组AGC性能优化方法,步骤S5的具体过程如下:
S5-1、根据火电机组实际工况条件,确定限制条件,包括:300MW火电机组处于安全生产状态时主蒸汽压力上限为16.7MPa,主蒸汽压力下限为13MPa,、主蒸汽温度上限为543摄氏度、主蒸汽温度下限为533摄氏度、机组负荷上限330MW、机组负荷下限128MW、主蒸汽压力每秒之间波动值小于0.5MPa;
S5-2、采用遗传算法计算最优的火电机组性能指标:首先使用遗传算法时首先对输入变量进行二进制编码,初始化种群后建立适应度函数和选择函数,通过交叉和变异,计算满足最优AGC调节综合性能指标的种群,并停止计算,得到下一个时间点的机组负荷;
S5-3、求解在达到最优的火电机组性能指标时,煤量指令值CV、风量指令值WV。
7.一种火电机组AGC性能优化装置,其特征在于:包括数据获取模块、数据存储模块、数据预处理模块、机组性能训练模块、机组性能优化模块,其中:
数据获取模块,获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL,并按时间间隔T汇总;其中,CV、WV、SP、ST、AL均为带时序数据值,均为浮点数;
数据存储模块,用于将数据以时间戳为主键存储在数据库中,时间戳应以秒为单位;
数据预处理模块,用于进行数据清洗、数据插值,并选择高关联度输入变量;对缺失数据进行插值计算,补全缺失的部分数据;采用随机森林算法计算得到高关联度输入变量;机组性能训练模块,用于将特征向量输入算法,并建立输入变量与主蒸汽模型E1、主蒸汽与机组负荷模型E2;;
机组性能优化模块,将模型E1、E2输入到遗传算法中,求解在达到最优的火电机组性能指标时,煤量指令值CV、风量指令值WV,将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组,指导锅炉下一个时间节点内的加煤量和供风量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213830.7A CN114583764B (zh) | 2022-03-07 | 2022-03-07 | 一种火电机组agc性能指标优化方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213830.7A CN114583764B (zh) | 2022-03-07 | 2022-03-07 | 一种火电机组agc性能指标优化方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114583764A true CN114583764A (zh) | 2022-06-03 |
CN114583764B CN114583764B (zh) | 2024-08-23 |
Family
ID=81777941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213830.7A Active CN114583764B (zh) | 2022-03-07 | 2022-03-07 | 一种火电机组agc性能指标优化方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114583764B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115451424A (zh) * | 2022-08-12 | 2022-12-09 | 北京全应科技有限公司 | 一种基于压力前馈的燃煤锅炉给煤控制方法 |
CN115912409A (zh) * | 2023-01-13 | 2023-04-04 | 华能济宁运河发电有限公司 | 一种多元协同的火电机组负荷运行快速调整方法 |
CN117977713A (zh) * | 2024-03-05 | 2024-05-03 | 国家能源集团山东石横热电有限公司 | 基于网源信号处理的电网机组智能调控方法及系统 |
CN117991639A (zh) * | 2024-01-31 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63279018A (ja) * | 1987-05-11 | 1988-11-16 | Babcock Hitachi Kk | ボイラ装置の給炭量制御方法 |
CN106094740A (zh) * | 2016-05-09 | 2016-11-09 | 国网江西省电力科学研究院 | 一种基于过热器蓄热前馈的火电机组负荷控制方法 |
CN110989360A (zh) * | 2019-12-23 | 2020-04-10 | 武汉博晟信息科技有限公司 | 一种基于全量数据的火电机组稳态历史寻优方法 |
CN111290282A (zh) * | 2020-03-25 | 2020-06-16 | 国电科学技术研究院有限公司 | 火电机组协调系统的预见式预测控制方法 |
CN113341716A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种基于人工智能的大型燃煤电站co2捕集系统优化调度方法 |
-
2022
- 2022-03-07 CN CN202210213830.7A patent/CN114583764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63279018A (ja) * | 1987-05-11 | 1988-11-16 | Babcock Hitachi Kk | ボイラ装置の給炭量制御方法 |
CN106094740A (zh) * | 2016-05-09 | 2016-11-09 | 国网江西省电力科学研究院 | 一种基于过热器蓄热前馈的火电机组负荷控制方法 |
CN110989360A (zh) * | 2019-12-23 | 2020-04-10 | 武汉博晟信息科技有限公司 | 一种基于全量数据的火电机组稳态历史寻优方法 |
CN111290282A (zh) * | 2020-03-25 | 2020-06-16 | 国电科学技术研究院有限公司 | 火电机组协调系统的预见式预测控制方法 |
CN113341716A (zh) * | 2021-06-10 | 2021-09-03 | 江苏舜高智能科技有限公司 | 一种基于人工智能的大型燃煤电站co2捕集系统优化调度方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115451424A (zh) * | 2022-08-12 | 2022-12-09 | 北京全应科技有限公司 | 一种基于压力前馈的燃煤锅炉给煤控制方法 |
CN115912409A (zh) * | 2023-01-13 | 2023-04-04 | 华能济宁运河发电有限公司 | 一种多元协同的火电机组负荷运行快速调整方法 |
CN117991639A (zh) * | 2024-01-31 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 |
CN117977713A (zh) * | 2024-03-05 | 2024-05-03 | 国家能源集团山东石横热电有限公司 | 基于网源信号处理的电网机组智能调控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114583764B (zh) | 2024-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114583764A (zh) | 一种火电机组agc性能指标优化方法及其装置 | |
Yang et al. | Evolutionary programming based economic dispatch for units with non-smooth fuel cost functions | |
CN106773704B (zh) | 多系统联合优化调度方法及装置 | |
Dou et al. | A dispatching method for integrated energy system based on dynamic time-interval of model predictive control | |
Conker et al. | Fuzzy self-adaptive PID control technique for driving HHO dry cell systems | |
CN106230028A (zh) | 一种风电—抽水蓄能联合系统的多目标优化方法 | |
CN111552175B (zh) | 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法 | |
CN111311023A (zh) | 一种配煤掺烧方法、装置、设备及计算机可读存储介质 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
CN116755409B (zh) | 一种基于值分布ddpg算法的燃煤发电系统协调控制方法 | |
CN106777521A (zh) | 基于双链量子遗传算法的发电机组涉网参数优化方法 | |
Xu et al. | Coordinated control of wind turbine generator and energy storage system for frequency regulation under temporal logic specifications | |
CN104038128B (zh) | 基于nurbs的直线电机推力波动控制方法 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN111142488A (zh) | 基于工况比对驱动的流程工业优化方法 | |
CN116974267A (zh) | 深度调峰火电机组控制系统评估的装置及方法 | |
Jiangxia et al. | A combination prediction model for wind farm output power | |
CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
Fan et al. | Optimal scheduling of integrated energy system considering renewable energy uncertainties based on distributionally robust adaptive MPC | |
CN114326395A (zh) | 一种基于工况判别的智能发电机组控制模型在线更新方法 | |
Yang et al. | Parameter optimization of hydropower governor for small system during black start | |
Nahlovsky et al. | The fuzzy approach to the temperature control of superheated steam | |
CN114609981A (zh) | 一种基于参数区间变化趋势的动态操作模式优化方法、系统及储存介质 | |
Jung et al. | Flexible operation of Post-combustion CO2 capture process enabled by NARX-MPC using neural network |
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 |