CN203930952U - 基于神经网络的电厂厂用电率计算系统 - Google Patents
基于神经网络的电厂厂用电率计算系统 Download PDFInfo
- Publication number
- CN203930952U CN203930952U CN201420351926.0U CN201420351926U CN203930952U CN 203930952 U CN203930952 U CN 203930952U CN 201420351926 U CN201420351926 U CN 201420351926U CN 203930952 U CN203930952 U CN 203930952U
- Authority
- CN
- China
- Prior art keywords
- neural network
- electric power
- equipment operation
- factory equipment
- station service
- 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
Abstract
本实用新型公开了一种基于神经网络的电厂厂用电率计算系统,包括输出装置、电厂数据采集器、带电厂设备运营数据库的计算机、神经网络计算机,电厂数据采集器连接带电厂设备运营数据库的计算机,带电厂设备运营数据库的计算机连接神经网络计算机,神经网络计算机连接输出装置。它实现设计电厂厂用电率的自动计算,工作效率高,工作质量好,工作成本低。
Description
技术领域
本实用新型涉及管理数据处理技术领域,具体涉及一种基于神经网络的电厂厂用电率计算系统。
背景技术
电厂设计时,需要根据电厂装机容量选择合适电厂发电工艺,再根据电厂发电工艺进行发电设备选型。发电设备选型包括发电设备的参数选型和在参数选型基础上的二次组合匹配选型,通过发电设备选型获得技术先进、生产效能优良、运营效益良好的电力生产系统。电厂厂用电率是二次组合匹配选型时的一个重要评价指标。
电厂通常包括多个发电机组以及与发电机组配套的辅助设备。发电机组包括发动机、发电机、控制系统,辅助设备包括电动给水泵、凝结水泵、一次风机、二次风机、引风机,其中控制系统、辅助设备运行时需要消耗电能。不同发电机组由于设计系统存在差异,电机功率和轴功率的匹配关系不同,辅助设备和发电机组的配合方式也会不同,不同发电机组的电能消耗不同。电厂还包括数量庞大的用电负荷单元,各个用电负荷单元的单位时间的用电量均不同,它们的用电时间很难界定。显而易见,要精确计算电厂厂用电率非常困难,只能采用估算的方式来确定电厂厂用电率,估算的准确性直接关系到电厂设计的科学性和投产后的经济性。
目前,电厂厂用电率的计算方式为人工估算方式,也即电厂工艺设计人员根据电厂的装机容量结合电厂发电工艺进行发电设备的参数选型,得到发电机组及其辅助设备的设计参数,如发电机组功率,电厂工艺设计人员将发电机组功率乘以电厂厂用电系数得到电厂厂用电率。
电厂厂用电系数是由电厂运营人员以自己运营电厂的设备运营数据为历史样本进行统计得到。显而易见,一个电厂运营团队运营的电厂数量较少,他们能得到的设备运营数据的自然不多,以为数不多的几个电厂的设备运营数据为历史样本来统计得到电厂厂用电系数具有很大的局限性。同时,新设计的电厂和现有电厂在发电工艺上存在较大的差别,与发电工艺配套的发电设备存在较大的差异性。即使发电工艺相同的两个电厂,由于装机容量不同,选用的设备以及设备之间的配合方式也存在差异。因此,电厂工艺设计人员采用现有电厂厂用电系数计算设计电厂厂用电率时,需要对得到的有电厂厂用电系数进行修正。
对现有电厂厂用电系数进行修正,可采用将设计电厂的发电机组及辅助设备进行工程实测,通过得到的实测数据修正现有电厂厂用电系数。不过,工程实测能测试的项目较少,测试工程量大,测试周期长,测试费用高。由于测试项目较少,得到的实测数据参考性得不到保证,加上工程实测耗费大量人力物力,因此,实测修正在实际应用中基本不采用。
目前,电厂工艺设计人员在对电厂厂用电系数进行修正时,采用根据经验进行推理修正的方式来处理现有电厂厂用电系数。这种修正方式缺乏有效的对比校核手段,因此,修正得到的电厂厂用电系数准确性低、可靠性差、受人为因素影响较大。
BP神经网络是神经网络中应用最为广泛的神经网络模型,其网络模型拓扑结构包括输入层、隐层和输出层。BP神经网络由非线性传递函数神经元构成的,能网络学习训练和存贮大量的输入-输出模式映射关系。BP神经网络采用网络学习训练规则,通过反向传播来不断调整网络的权值和阈值,使神经网络计算误差的平方和最小。BP神经网络广泛用于自动控制、优化设计、模式识别、预测等领域。
数据库是用于组织、存储、管理数据的仓库,管理人员根据管理的需要进行数据的处理操作,获得所需的数据或者数据使用功能。
实用新型内容
本实用新型所要解决的技术问题是提供一种机器自动计算电厂厂用电率的基于神经网络的电厂厂用电率计算系统。
本实用新型解决技术问题所采用的技术方案是:
基于神经网络的电厂厂用电率计算系统,包括输出装置、电厂数据采集器、带电厂设备运营数据库的计算机、神经网络计算机,电厂数据采集器连接带电厂设备运营数据库的计算机,带电厂设备运营数据库的计算机连接神经网络计算机,神经网络计算机连接输出装置。
进一步,基于神经网络的电厂厂用电率计算系统,还包括数据验证器,数据验证器的输入端连接电厂数据采集器的输出端,数据验证器的输出端连接带电厂设备运营数据库的计算机。
进一步,基于神经网络的电厂厂用电率计算系统的电厂数据采集器包括电厂设备运营数据采集器和电厂设计数据采集器,电厂设备运营数据采集器和电厂设计数据采集器均与带电厂设备运营数据库的计算机连接。
进一步,基于神经网络的电厂厂用电率计算系统的输出装置为显示屏。
进一步,基于神经网络的电厂厂用电率计算系统,还包括输入装置,输入装置连接神经网络计算机。
与现有技术相比,本实用新型的有益效果是:
1、本实用新型的基于神经网络的电厂厂用电率计算系统,由于采用带电厂设备运营数据库的计算机来存储和管理现有电厂设备运营数据以及设计电厂的设备数据,极大拓展了现有电厂设备运营数据和设计电厂设备数据的存储、管理和处理能力;带电厂设备运营数据库的计算机为神经网络计算机提供足够多和足够高质量的历史数据样本,以进行网络学习训练,为设计电厂厂用电率的计算提供支撑;由于采用神经网络计算机通过网络学习训练自动建立计算设计电厂厂用电率的神经网络模型,得出的电厂厂用电率误差较小,工作效率高,工作质量好,工作成本低。
2、本实用新型的基于神经网络的电厂厂用电率计算系统,由于采用数据验证器对电厂数据采集器采集的数据进行验证,确保历史数据样本的准确性。
3、本实用新型的基于神经网络的电厂厂用电率计算系统,由于采用输出装置和输入装置连接神经网络计算机,具有良好的人机交互能力。
附图说明
图1为本实用新型的结构示意图。
具体实施方式
下面结合附图和实施例对本实用新型进一步说明。
如图1所示,本实用新型的基于神经网络的电厂厂用电率计算系统,包括输出装置、电厂数据采集器、带电厂设备运营数据库的计算机、神经网络计算机,电厂数据采集器连接带电厂设备运营数据库的计算机,带电厂设备运营数据库的计算机连接神经网络计算机,神经网络计算机连接输出装置。
如图1所示,电厂数据采集器作为基于神经网络的电厂厂用电率计算系统的前端结构,其用于从图纸、图表或者云端采集现有电厂设备运营数据信息,并传递给带电厂设备运营数据库的计算机,计算机将这些现有电厂设备运营数据存入电厂设备运营数据库。电厂数据采集器采集的现有电厂设备运营数据信息,可以是企业内部现有电厂设备运营数据信息,也可以是行业内部的现有电厂设备运营数据信息,还可以是从云端获得的现有电厂设备运营数据信息。显而易见,电厂设备运营数据库中的现有电厂设备运营数据信息比电厂运营人员提供的企业现有电厂运营信息要丰富得多,电厂设计人员可以从电厂设备运营数据库获得更多历史数据样本,从而更利于通过现有电厂厂用电系数修正,得到较符合设计电厂的厂用电率计算的厂用电系数。使用中,电厂数据采集器采集的现有电厂设备运营数据信息有发电机组铭牌功率、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、实测电厂厂用电率、现有电厂运营信息等。
如果电厂设计人员同时进行多个电厂的设计工作,可以将设计电厂的设备数据信息通过电厂数据采集器进行采集,并传递给带电厂设备运营数据库的计算机,计算机将这些设计电厂的设备数据存入电厂设备运营数据库。使用中,电厂数据采集器采集的设计电厂设备数据包括发电机组选型功率、电动给水泵选型功率、凝结水泵选型功率、一次风机选型功率、二次风机选型功率、引风机选型功率、工程信息数据等。显而易见,将设计电厂设备数据通过电厂设备运营数据库管理,极大提高设计电厂设备数据的管理和调用。
显而易见,基于神经网络的电厂厂用电率计算系统的电厂数据采集器,极大拓宽了现有电厂设备运营数据的来源,通过电厂数据采集器可以快速、高效收集现有电厂设备运营数据,从而为电厂设计人员提供更多的历史数据样本;由于电厂设计人员在设计电厂时,拥有较多的历史数据样本作为对设计电厂的设计方案进行校准复核,因此,新电厂的设计质量和设计先进性将得到较大的提高。同时,采用电厂数据采集器采集设备数据,需要人工参与的工作较少,数据采集效率高,采集质量好,采集成本低。
如图1所示,与电厂数据采集器连接的带电厂设备运营数据库的计算机,其作为基于神经网络的电厂厂用电率计算系统的数据样本存储结构,其接收电厂数据采集器传递过来的现有电厂设备运营数据或者设计电厂设备数据,并将它们存入电厂设备运营数据库;带电厂设备运营数据库的计算机在接获神经网络计算机的数据请求后,将被请求数据返回给神经网络计算机。带电厂设备运营数据库的计算机可以是普通的计算机,也可以是工作站,还可以是服务器。当然,带电厂设备运营数据库的计算机还可以和神经网络计算机为同一台计算机。显而易见,带电厂设备运营数据库的计算机,极大拓展了现有电厂设备运营数据和设计电厂设备数据的存储、管理和处理能力。
如图1所示,与带电厂设备运营数据库的计算机连接的神经网络计算机,其作为基于神经网络的电厂厂用电率计算系统的计算结构,其具有神经网络初始模型,其根据神经网络初始模型的输入变量向带电厂设备运营数据库的计算机发出数据请求,调用现有电厂设备运营数据库中的现有电厂设备运营数据,以现有电厂厂设备运营数据为历史数据样本,自动进行网络学习训练,确定神经网络初始模型络的连接权值和阀值,得出计算电厂厂用电率的神经网络结构模型。神经网络计算机向电厂设备运营数据库发出设计电厂设备数据请求,并将返回的设计电厂设备数据作为输入变量进行计算,得出设计电厂的厂用电率。
上述神经网络计算机,其神经网络拓扑结构可以现有神经网络结构,目前最常用的是BP神经网络结构,当然其也可以采用后面开发的神经网络结构。
显而易见,基于神经网络的电厂厂用电率计算系统的计算结构,其工作过程不需要人为参与,工作效率高;由于可根据计算需要选择足够多的历史数据样本进行网络学习训练,计算结果误差小。
如图1所示,与神经网络计算机连接的输出装置,其将神经网络计算机转发过来信息进行输出。输出装置可以是显示屏、打印机数字化仪中的一组或者它们之间的组合。
下面是本实用新型的基于神经网络的电厂厂用电率计算系统的优选实施方式:
电厂数据采集器从图纸、图表或者其他数据格式的数据源采集数据时,由于数据源的数据格式和电厂数据采集器要求的能采集的数据格式总有可能出现偏差,造成采集后的部分数据不准确。
为了提高存入电厂设备运营数据库的数据准确性,作为优选,如图1所示,基于神经网络的电厂厂用电率计算系统,还包括数据验证器,数据验证器的输入端连接电厂数据采集器的输出端,数据验证器的输出端连接带电厂设备运营数据库的计算机。
使用中,数据验证器作为基于神经网络的电厂厂用电率计算系统的数据验证结构,对电厂数据采集器采集的数据进行验证,验证合格的数据传递给带电厂设备运营数据库的计算机,验证不合格的数据,首先进行校正,校正合格的数据传递给带电厂设备运营数据库的计算机,无法校正的数据输出报警信号。
显而易见,基于神经网络的电厂厂用电率计算系统的数据验证结构,有利于提高进入电厂设备运营数据库的数据准确性,进而提高通过网络学习训练得出神经网络结构模型的有效性,降低计算出的厂用电率的误差。
为了提高基于神经网络的电厂厂用电率计算系统对现有电厂设备运营数据和电厂设计数据的采集能力,作为优选,如图1所示,基于神经网络的电厂厂用电率计算系统,电厂数据采集器包括电厂设备运营数据采集器和电厂设计数据采集器,电厂设备运营数据采集器和电厂设计数据采集器均与带电厂设备运营数据库的计算机连接。
使用中,电厂设备运营数据由电厂运营人员通过电厂设备运营数据采集器采集,电厂设计数据由电厂设计人员通过电厂设计数据采集器采集。电厂设备数据的分开采集,有利于拓宽历史数据样本的获取能力,通过专业人士来进行历史数据样本的数据采集,有利于提高作为历史数据样本的电厂设备数据的准确性和专业性,进而提高通过网络学习训练得出神经网络结构模型的有效性,降低计算出的厂用电率的误差。
为了更及时、更直观地了解神经网络计算机的工作状况,作为优先,如图1所示,基于神经网络的电厂厂用电率计算系统的输出装置为显示屏。
使用中,显示屏连接神经网络计算机,可通过显示屏直观显示神经网络计算机的工作状态以及神经网络计算机计算出的设计电厂厂用电率。
为了提高基于神经网络的电厂厂用电率计算系统的人机交互能力,作为优选,如图1所示,基于神经网络的电厂厂用电率计算系统,还包括输入装置,输入装置连接神经网络计算机。输入装置可以是键盘、鼠标、触摸屏中的一种或者它们之间的组合。
下面以纯凝机组电泵方案的火力电厂工程为例,采用本实用新型的基于神经网络的电厂厂用电率计算系统进行设计电厂的厂用电率计算,具体实施过程如下:
具体的工程情况为,发电机组台数为2,发电机组装机容量为150MW,单台发电机组的电动给水泵选型功率和凝结水泵选型功率之和为4505kW,单台发电机组的一次风机选型功率、二次风机选型功率、引风机选型功率之和为7840kW,单台发电机组低压计算负荷之和为3122.052Kw。
本实施例的基于神经网络的电厂厂用电率计算系统,包括电厂设备运营数据采集器、电厂设计数据采集器、数据验证器、带电厂设备运营数据库的计算机、神经网络计算机、显示屏、键盘,电厂设备运营数据采集器、电厂设计数据采集器均与数据验证器连接,数据验证器连接带电厂设备运营数据库的计算机,带电厂设备运营数据库的计算机连接神经网络计算机,显示屏、键盘均与神经网络计算机连接。其中,神经网络计算机的神经网络结构为BP神经网络结构,BP神经网络结构包括输入层、隐层和输出层,隐层有10个神经元,BP神经网络结构的学习速率为0.1,期望误差取0.0001,最大步数为100,初始权值为0.1。
工作时,神经网络计算机从电厂设备运营数据库调取80组现有电厂设备运营数据作为历史数据样本,进行网络学习训练,经过52次循环运算后,确定神经网络初始模型络的连接权值和阀值,得出计算电厂厂用电率的神经网络结构模型,神经网络结构模型从电厂设备运营数据库调取设计电厂的设备数据作为输入变量,经过计算得出设计电的厂用电率。
采用本实用新型基于神经网络的电厂厂用电率计算系统进行厂用电率的计算,试验工程的平均绝对值误差为0.84%。
以上是本实用新型的基于神经网络的电厂厂用电率计算系统的实施过程,从实施过程可以看出。本实用新型是在机器学习的基础上自动完成电厂厂用电率计算,由于网络学习训练样本足够多,具有较强的校准复核能力,得出的电厂厂用电率误差较小;这种电厂厂用电率自动计算系统具有较强的数据处理和管理能力,工作效率高,工作质量好,工作成本低。
Claims (5)
1.基于神经网络的电厂厂用电率计算系统,包括输出装置,其特征在于,还包括电厂数据采集器、带电厂设备运营数据库的计算机、神经网络计算机,所述电厂数据采集器连接带电厂设备运营数据库的计算机,所述带电厂设备运营数据库的计算机连接神经网络计算机,所述神经网络计算机连接输出装置。
2.根据权利要求1所述的基于神经网络的电厂厂用电率计算系统,其特征在于,还包括数据验证器,所述数据验证器的输入端连接电厂数据采集器的输出端,所述数据验证器的输出端连接带电厂设备运营数据库的计算机。
3.根据权利要求1或2所述的基于神经网络的电厂厂用电率计算系统,其特征在于,所述电厂数据采集器包括电厂设备运营数据采集器和电厂设计数据采集器,所述电厂设备运营数据采集器和电厂设计数据采集器均与带电厂设备运营数据库的计算机连接。
4.根据权利要求1或2所述的基于神经网络的电厂厂用电率计算系统,其特征在于,所述输出装置为显示屏。
5.根据权利要求1或2所述的基于神经网络的电厂厂用电率计算系统,其特征在于,还包括输入装置,所述输入装置连接神经网络计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201420351926.0U CN203930952U (zh) | 2014-06-27 | 2014-06-27 | 基于神经网络的电厂厂用电率计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201420351926.0U CN203930952U (zh) | 2014-06-27 | 2014-06-27 | 基于神经网络的电厂厂用电率计算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN203930952U true CN203930952U (zh) | 2014-11-05 |
Family
ID=51826728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201420351926.0U Active CN203930952U (zh) | 2014-06-27 | 2014-06-27 | 基于神经网络的电厂厂用电率计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN203930952U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666693A (zh) * | 2020-06-12 | 2020-09-15 | 四川电力设计咨询有限责任公司 | 一种山地风电场优化设计系统及方法 |
-
2014
- 2014-06-27 CN CN201420351926.0U patent/CN203930952U/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666693A (zh) * | 2020-06-12 | 2020-09-15 | 四川电力设计咨询有限责任公司 | 一种山地风电场优化设计系统及方法 |
CN111666693B (zh) * | 2020-06-12 | 2023-08-08 | 四川电力设计咨询有限责任公司 | 一种山地风电场优化设计系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN110362894A (zh) | 配电线路、变压器综合降损及节能计算分析方法及系统 | |
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
US20120130659A1 (en) | Analysis of Large Data Sets Using Distributed Polynomial Interpolation | |
CN108020752A (zh) | 一种基于多源贯通相关性的配线线损诊断方法及系统 | |
CN103955509A (zh) | 一种海量电力计量数据的快速检索方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
WO2023241406A1 (zh) | 一种小扰动火电机组一次调频控制系统 | |
CN109285087A (zh) | 一种基于NB-IoT和GPU加速的台区拓扑识别方法 | |
CN103744047A (zh) | 一种定位运行中超差电能表的方法 | |
CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
CN106410781A (zh) | 一种电力用户需求响应潜力确定方法 | |
CN103927693A (zh) | 一种配网线损管理系统 | |
CN113872813B (zh) | 一种载波通信设备全生命周期管理方法及系统 | |
CN107257130A (zh) | 基于区域量测解耦的低压配电网损耗计算方法 | |
CN112418687A (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN111079972A (zh) | 一种主动配电网可靠性规划方法、设备及介质 | |
CN106532698A (zh) | 一种配网理论线损率计算方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN203930952U (zh) | 基于神经网络的电厂厂用电率计算系统 | |
CN204066111U (zh) | 一种海量电力计量数据的快速检索系统 | |
Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |