CN116914853A - 一种火电机组深度调峰控制方法及系统 - Google Patents

Abstract

本发明公开一种火电机组深度调峰控制方法及系统，涉及火电机组深度调峰技术领域，方法包括：将待调控火电机组的当前运行数据输入至最优集成分类器中进行工况划分，以得到当前负荷工况的类别；最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器；根据待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；将当前运行数据输入至机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度；基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。本发明提高了火电机组深度调峰的高效性和准确性。

Description

一种火电机组深度调峰控制方法及系统

技术领域

本发明涉及火电机组深度调峰技术领域，特别是涉及一种火电机组深度调峰控制方法及系统。

背景技术

随着可再生能源并网的规模逐渐增大、电网峰谷差的扩大，火电机组的调峰范围也随之增加，当前火电机组自动控制变工况范围一般为50％P_e～100％P_e，而深度调峰需要机组在低负荷段实现高效控制，机组协调控制系统的建模和控制方案都难以实现。上述情况出现是因为存在以下多方面问题：

(1)被控对象变量的滞后性大且存在严重耦合，通过改变燃料量或给水量来控制蒸汽参数，存在较长的滞后，而且改变某单一变量也会造成多个其他变量的改变。

(2)火电机组的热工过程存在十分明显的非线性，若采用固定的对象模型，则无法在大范围工况内进行高效控制。

(3)受各种性能条件约束，深度调峰过程中除氧器压力降低，低负荷下燃烧稳定性差、汽机调门限幅限速等问题，导致控制器优化难度提升。

发明内容

本发明的目的是提供一种火电机组深度调峰控制方法及系统，提高火电机组深度调峰方面的高效性和准确性。

为实现上述目的，本发明提供了如下方案：

一种火电机组深度调峰控制方法，包括：

获取待调控火电机组的当前运行数据；所述当前运行数据包括调节汽门开度、燃料量及给水量；

将所述当前运行数据输入至最优集成分类器中进行工况划分，以得到所述待调控火电机组的当前负荷工况的类别；所述最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器；

根据所述待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；所述机组运行特性模型是基于训练样本集对LSTM神经网络进行训练得到的；所述训练样本集中的每个训练样本包括火电机组的运行数据及对应的标签；所述火电机组的运行数据对应的标签为所述火电机组的机组负荷、主汽压力及中间点温度；

将所述当前运行数据输入至所述机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度；

基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。

可选地，所述最优集成分类器的训练过程，具体包括：

获取所述待调控火电机组的历史运行数据集合；所述历史运行数据集合包括所述待调控火电机组在稳态工况时的运行数据、在非稳态工况时的运行数据以及在深度调峰工况下的运行数据；所述历史运行数据集合中的运行数据包括历史时刻下，待调控机组的调节汽门开度、燃料量及给水量；

将所述历史运行数据集合分别输入至支持向量机分类模型、K邻近分类模型及K均值分类模型中进行训练，以对应得到支持向量机分类器、K邻近分类器及K均值分类器；

对所述支持向量机分类器、所述K邻近分类器和所述K均值分类器进行加权计算，以确定最优集成分类器。

可选地，所述历史运行数据集合中的运行数据还包括历史时刻下，待调控机组的机组负荷、主汽压力及中间点温度；

任一负荷工况的类别对应的机组运行特性模型的确定过程，具体包括：

基于所述最优集成分类器对所述历史运行数据集合进行工况划分，以得到多个历史运行数据子集；不同的历史运行数据子集表征所述待调控火电机组处于不同的负荷工况，属于不同的类别；

针对任一历史运行数据子集，以待调控机组的调节汽门开度、燃料量、给水量为输入数据，以待调控机组的机组负荷、主汽压力及中间点温度为对应的标签，对LSTM神经网络进行训练，以得到对应的机组运行特性模型。

可选地，在获取待调控火电机组的历史运行数据集合的步骤之后，方法还包括：

采用DBSCAN算法对所述历史运行数据集合进行密度聚类，并剔除所述历史运行数据集合中的噪声数据。

为达上述目的，本发明还提供了如下技术方案：

一种火电机组深度调峰控制系统，包括：

当前运行数据获取模块，用于获取待调控火电机组的当前运行数据；所述当前运行数据包括调节汽门开度、燃料量及给水量；

工况类别划分模块，用于将所述当前运行数据输入至最优集成分类器中进行工况划分，以得到所述待调控火电机组的当前负荷工况的类别；所述最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器；

机组运行特性模型确定模块，用于根据所述待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；所述机组运行特性模型是基于训练样本集对LSTM神经网络进行训练得到的；所述训练样本集中的每个训练样本包括火电机组的运行数据及对应的标签；所述火电机组的运行数据对应的标签为所述火电机组的机组负荷、主汽压力及中间点温度；

机组负荷数据预测模块，用于将所述当前运行数据输入至所述机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度；

机组控制量确定模块，用于基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种火电机组深度调峰控制方法及系统，基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定多模型融合分类器，即最优集成分类器，采用该最优集成分类器对待调控火电机组的当前运行数据进行工况划分，以得到待调控火电机组的当前负荷工况的类别，从而通过建立机组在全工况范围内的非线性动态模型，为其在后续控制中提供良好的控制基础，进而保证后续的高效控制和准确性。基于当前负荷工况的类别确定对应的机组运行特性模型，该模型是采用LSTM神经网络确定的，能够基于该模型对滞后的相关机组数据进行预测，根据预测得到的结果确定最终的最优控制量，从而解决现有技术中由于机组被控变量的滞后性导致的控制操作的滞后问题，达到高效控制和准确控制的目的，即提高了火电机组深度调峰方面的高效性和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明火电机组深度调峰控制方法的流程示意图；

图2为本发明LSTM神经网络的记忆模块示意图；

图3为本发明提供的控制模型的结构图；

图4为本发明火电机组深度调峰控制系统的结构示意图。

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。

目前控制系统需要应对的是火电机组在不同负荷工况下变化的特性，能够保证机组在负荷下降至30％P_e时仍有良好的控制能力，为达成这一目的，需要对机组运行进行全工况建模，完善机组在低负荷段的动态模型。同时需引入模型预测控制，对系统多个变量的精确超前预测，降低被控对象变量滞后性的影响。

基于此，本发明提供了一种火电机组深度调峰控制方法及系统，通过建立多模型融合的分类器模型，可对不同机组不同工况的运行数据进行有效识别，同时利用多个子预测模型进行预测，得到对应工况条件下的最优控制量，实现火电机组深度调峰高效、准确地控制。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1所示，本发明提供一种火电机组深度调峰控制方法，包括：

步骤100，获取待调控火电机组的当前运行数据；所述当前运行数据包括调节汽门开度、燃料量及给水量。

步骤200，将所述当前运行数据输入至最优集成分类器中进行工况划分，以得到所述待调控火电机组的当前负荷工况的类别；所述最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器。

所述最优集成分类器的训练过程，具体包括：

(1)获取所述待调控火电机组的历史运行数据集合；所述历史运行数据集合包括所述待调控火电机组在稳态工况时的运行数据、在非稳态工况时的运行数据以及在深度调峰工况下的运行数据；在具体情况下，所述历史运行数据集合对应的所述待调控火电机组的运行工况范围为30％P_e～100％P_e，其中，P_e表示待调控火电机组的额定输出功率。所述历史运行数据集合中的运行数据包括历史时刻下，待调控机组的调节汽门开度、燃料量及给水量。

为了提高后续数据处理的精度，在上述步骤(1)之后，还包括：采用DBSCAN算法对所述历史运行数据集合进行密度聚类，并剔除所述历史运行数据集合中的噪声数据。

(2)将所述历史运行数据集合分别输入至支持向量机分类模型、K邻近分类模型及K均值分类模型中进行训练，以对应得到支持向量机分类器、K邻近分类器及K均值分类器。

在具体实例中，将经过噪声数据去除处理后的历史运行数据划分为训练集数据和测试集数据，70％数据为训练集数据，30％为测试集数据。训练集数据用于进行训练，测试集数据用于对训练得到的分类模型进行测试和验证。

建立的支持向量机分类模型(SVM)需要导入训练集数据中待调控机组的调节汽门开度、燃料量及给水量，并对上述数据进行归一化，通过SVM算法寻找数据集的最优超平面ω^Tx+b＝0，其中，ω^T为权重向量，b为位移项，即数据集中的样本与该平面的距离越远越好，对数据的分类错误率越低，以超平面两侧的数据集分属不同类。

建立的K邻近分类模型，对训练集数据进行归一化处理，以确保它们在相同的范围内；选择适当的K值，决定在分类过程中考虑的最近邻居的数量。使用选定的距离度量方法，计算待分类样本与训练集中所有样本之间的距离。根据计算得到的距离，确定与待分类样本最近的K个样本作为最近邻居。针对这K个最近邻居，通过投票或权重计算的方式进行分类决策，将频数最高的类别或加权结果作为待分类样本的预测类别。最后，将预测的类别标签作为待分类样本的输出结果。其中，距离度量d_xy可表示为如下函数：

建立的K均值分类模型需输入训练集数据，根据需求确定聚类的个数K，即将数据分成K个簇。在初始阶段，随机选择K个初始聚类中心。计算每个样本与各个聚类中心的欧式距离，并将样本归类到距离最近的聚类中心所对应的簇。根据归类结果重新计算每个簇的中心点，即计算簇内样本的均值，更新聚类中心的位置。在迭代过程中，不断重复计算样本与聚类中心的距离、重新归类样本以及更新聚类中心，直到达到预定的停止条件，如簇内样本的变动小于一定阈值或达到最大迭代次数。通过K均值聚类模型，将机组工况数据划分为K个不同的簇，每个簇内的样本具有相似的特征参数。这样的分类结果有助于理解机组的运行情况和特点，并可以为后续的分析和决策提供有价值的信息。其中，每个样本与聚类中心的欧式距离的计算公式为：

根据归类结果重新计算每个簇的中心点时，采用的公式为：

(3)对所述支持向量机分类器、所述K邻近分类器和所述K均值分类器进行加权计算，以确定最优集成分类器。即通过对训练好的所述支持向量机分类器、所述K邻近分类器和所述K均值分类器进行集成，同时对比不同的元分类器选择最优的集成学习模型形成一个多模型分类器模型，能够解决由于用单一模型对数据进行分类存在效率低、泛化能力差的问题。

通过多模型分类器模型划分的子数据集1～n分别表示不同机组在不同工况下运行的数据，为实现总体控制模型可对机组实时运行工况进行高效识别并准确控制，因此需要针对不同工况建立对应的机组运行特性模型，通过LSTM神经网络分别建立不同子系统的机组运行特性模型。

对所述支持向量机分类器、所述K邻近分类器和所述K均值分类器进行加权计算时，权值计算公式为：

其中，w_i(N_k)表示第i个分类器的权值，i＝3，分别为支持向量机分类器、K邻近分类器和K均值分类器；δ_i(N_k)表示当前负荷点所处的子系统与各个子系统之间的欧氏距离，N_k表示待调控火电机组的机组负荷，n表示子系统的数量，所述子系统为分类器划分后的不同类别的负荷工况，n也表示分类器划分后的负荷工况的类别数目。

步骤300，根据所述待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；所述机组运行特性模型是基于训练样本集对LSTM神经网络进行训练得到的；所述训练样本集中的每个训练样本包括火电机组的运行数据及对应的标签；所述火电机组的运行数据对应的标签为所述火电机组的机组负荷、主汽压力及中间点温度。

所述历史运行数据集合中的运行数据还包括历史时刻下，待调控机组的机组负荷、主汽压力及中间点温度；任一负荷工况的类别对应的机组运行特性模型的确定过程，具体包括：

(1)基于所述最优集成分类器对所述历史运行数据集合进行工况划分，以得到多个历史运行数据子集；不同的历史运行数据子集表征所述待调控火电机组处于不同的负荷工况，属于不同的类别。

(2)针对任一历史运行数据子集，以待调控机组的调节汽门开度、燃料量、给水量为输入数据，以待调控机组的机组负荷、主汽压力及中间点温度为对应的标签，对LSTM神经网络进行训练，以得到对应的机组运行特性模型。

如图2所示，所述LSTM神经网络包括遗忘门、输入门和输出门；所述遗忘门中的输入x_t与状态记忆模块S_t-1、中间输出h_t-1共同决定所述状态记忆模块的遗忘部分；所述输入门中的输入x_t分别经过sigmoid函数与tanh函数处理后共同计算记忆模块中的保留向量；所述输出门确定LSTM神经网络的输出值。h_t由更新后的S_t与o_t共同决定；其对应的计算过程如下式所示：

f_t＝σ(W_fx·x_t+W_fh·h_t-1+b_f)。

i_t＝σ(W_ix·x_t+W_ih·h_t-1+b_i)。

g_t＝tanh(W_gx·x_t+W_gh·h_t-1+b_g)。

o_t＝σ(W_ox·x_t+W_oh·h_t-1+b_o)。

S_t＝g_t⊙i_t+S_t-1⊙f_t-1。

h_t＝tanh(S_t)⊙o_t。

其中，W_fx，W_ix，W_gx，W_ox均表示t时刻的输入层x_t与隐藏层h_t的连接权值；W_fh，W_ih，W_gh，W_ho均表示t-1时刻隐藏层与t时刻隐藏层的链接权值；b_f，b_i，b_g，b_o分别表示输入层、遗忘门、输入门、输出门的偏置向量；σ(*)表示Sigmoid函数；tanh(*)表示双曲正切函数；⊙表示向量元素按位相乘。

如图3所示，通过最优集成分类器(对应图3中的分类器模型)对30％～100％P_e工况范围划分为多各子系统，数据集通过不同负荷点进行划分不同的子数据集数据，即不同工况数据，对应图3中的工况1数据、工况2数据、工况3数据、……、工况n数据，将分类后的不同工况数据通过LSTM神经网络分别建立不同工况下的子模型，对应图3中的子模型1、子模型2、子模型3、……、子模型n。而其中的整体控制模型则是基于分类器模型分类后得到的工况，基于该工况所确定的机组运行特性模型。

步骤400，将所述当前运行数据输入至所述机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度。

步骤500，基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。基于所述最优控制量对待调控机组进行调控，以使得该待调控机组的运行负荷要求。

实施例二

如图4所示，为了实现实施例一中的技术方案，以达到相应的功能和技术效果，本实施例还提供了一种火电机组深度调峰控制系统，包括：

当前运行数据获取模块101，用于获取待调控火电机组的当前运行数据；所述当前运行数据包括调节汽门开度、燃料量及给水量。

工况类别划分模块201，用于将所述当前运行数据输入至最优集成分类器中进行工况划分，以得到所述待调控火电机组的当前负荷工况的类别；所述最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器。

机组运行特性模型确定模块301，用于根据所述待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；所述机组运行特性模型是基于训练样本集对LSTM神经网络进行训练得到的；所述训练样本集中的每个训练样本包括火电机组的运行数据及对应的标签；所述火电机组的运行数据对应的标签为所述火电机组的机组负荷、主汽压力及中间点温度。

机组负荷数据预测模块401，用于将所述当前运行数据输入至所述机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度。

机组控制量确定模块501，用于基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。

实施例三

本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的火电机组深度调峰控制方法。可选地，上述电子设备可以是服务器。

另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的火电机组深度调峰控制方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种火电机组深度调峰控制方法，其特征在于，方法包括：

获取待调控火电机组的当前运行数据；所述当前运行数据包括调节汽门开度、燃料量及给水量；

将所述当前运行数据输入至最优集成分类器中进行工况划分，以得到所述待调控火电机组的当前负荷工况的类别；所述最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器；

根据所述待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；所述机组运行特性模型是基于训练样本集对LSTM神经网络进行训练得到的；所述训练样本集中的每个训练样本包括火电机组的运行数据及对应的标签；所述火电机组的运行数据对应的标签为所述火电机组的机组负荷、主汽压力及中间点温度；

将所述当前运行数据输入至所述机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度；

基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。

2.根据权利要求1所述的火电机组深度调峰控制方法，其特征在于，所述最优集成分类器的训练过程，具体包括：

获取所述待调控火电机组的历史运行数据集合；所述历史运行数据集合包括所述待调控火电机组在稳态工况时的运行数据、在非稳态工况时的运行数据以及在深度调峰工况下的运行数据；所述历史运行数据集合中的运行数据包括历史时刻下，待调控机组的调节汽门开度、燃料量及给水量；

将所述历史运行数据集合分别输入至支持向量机分类模型、K邻近分类模型及K均值分类模型中进行训练，以对应得到支持向量机分类器、K邻近分类器及K均值分类器；

对所述支持向量机分类器、所述K邻近分类器和所述K均值分类器进行加权计算，以确定最优集成分类器。

3.根据权利要求2所述的火电机组深度调峰控制方法，其特征在于，所述历史运行数据集合中的运行数据还包括历史时刻下，待调控机组的机组负荷、主汽压力及中间点温度；

任一负荷工况的类别对应的机组运行特性模型的确定过程，具体包括：

基于所述最优集成分类器对所述历史运行数据集合进行工况划分，以得到多个历史运行数据子集；不同的历史运行数据子集表征所述待调控火电机组处于不同的负荷工况，属于不同的类别；

针对任一历史运行数据子集，以待调控机组的调节汽门开度、燃料量、给水量为输入数据，以待调控机组的机组负荷、主汽压力及中间点温度为对应的标签，对LSTM神经网络进行训练，以得到对应的机组运行特性模型。

4.根据权利要求3所述的火电机组深度调峰控制方法，其特征在于，对所述支持向量机分类器、所述K邻近分类器和所述K均值分类器进行加权计算时，权值计算公式为：

其中，w_i(N_k)表示第i个分类器的权值，δ_i(N_k)表示当前负荷点所处的子系统与各个子系统之间的欧氏距离，N_k表示待调控火电机组的机组负荷，n表示子系统的数量，所述子系统为分类器划分后的不同类别的负荷工况。

5.根据权利要求2所述的火电机组深度调峰控制方法，其特征在于，在获取待调控火电机组的历史运行数据集合的步骤之后，方法还包括：

采用DBSCAN算法对所述历史运行数据集合进行密度聚类，并剔除所述历史运行数据集合中的噪声数据。

6.根据权利要求2所述的火电机组深度调峰控制方法，其特征在于，所述历史运行数据集合对应的所述待调控火电机组的运行工况范围为30％P_e～100％P_e，其中，P_e表示待调控火电机组的额定输出功率。

7.根据权利要求1所述的火电机组深度调峰控制方法，其特征在于，所述LSTM神经网络包括遗忘门、输入门和输出门；

所述遗忘门中的输入与状态记忆模块、中间输出共同决定所述状态记忆模块的遗忘部分；所述输入门中的输入分别经过sigmoid函数与tanh函数处理后共同计算记忆模块中的保留向量；所述输出门确定LSTM神经网络的输出值。

8.一种火电机组深度调峰控制系统，其特征在于，系统包括：

当前运行数据获取模块，用于获取待调控火电机组的当前运行数据；所述当前运行数据包括调节汽门开度、燃料量及给水量；

工况类别划分模块，用于将所述当前运行数据输入至最优集成分类器中进行工况划分，以得到所述待调控火电机组的当前负荷工况的类别；所述最优集成分类器为基于支持向量机分类模型、K邻近分类模型及K均值分类模型确定的多模型融合分类器；

机组运行特性模型确定模块，用于根据所述待调控火电机组的当前负荷工况的类别，确定对应的机组运行特性模型；所述机组运行特性模型是基于训练样本集对LSTM神经网络进行训练得到的；所述训练样本集中的每个训练样本包括火电机组的运行数据及对应的标签；所述火电机组的运行数据对应的标签为所述火电机组的机组负荷、主汽压力及中间点温度；

机组负荷数据预测模块，用于将所述当前运行数据输入至所述机组运行特性模型，以得到预测的待调控火电机组的机组负荷、主汽压力及中间点温度；

机组控制量确定模块，用于基于预测的待调控火电机组的机组负荷、主汽压力及中间点温度，确定所述待调控火电机组的最优控制量。