基于反馈神经网络的供热机组调峰下限评估方法及系统

摘要

本发明公开了一种基于反馈神经网络的供热机组调峰下限评估方法及系统，首先基于统计学的数据分析方法，根据历史工况数据中在较低工况下的数据运行情况，评估供热机组在纯凝工况下的调峰下限。然后根据低压缸排汽流量计算供热工况下的调峰下限值，将基于低压缸排汽流量的变工况计算得到的计算调峰下限值，与预处理后的数据并成数据集，利用数据集训练反馈神经网络模型，可以通过训练好的反馈神经网络模型对供热机组的调峰下限进行实时评估，评估结果的准确性高、误差小，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。

说明书

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反馈神经网络的供热机组调峰下限评估方法及系统。

背景技术

供热机组由汽轮机中间级抽出一部分蒸汽供给用户，在发电的同时还供热的汽轮机，其既要满足电网对发电机组的电负荷要求，又要满足热用户的供热需求。随着电负荷的降低，汽轮机的进汽参数也降低，参数持续的降低可能无法满足热用户的要求，此时就有一个恰好满足热用户要求的临界电负荷值，即调峰下限，就是说在某个供热工况下，电负荷不能低于该值，否则就会威胁机组运行安全。不同供热工况下，供热机组的调峰下限是不同的。评估供热机组的在不同供热工况下的调峰下限，可优化供热机组参与电网的调峰能力，保证全网的安全运行。

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，确定调峰能力的下限。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下限。

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反馈神经网络的供热机组调峰下限评估方法及系统，能够分利用供热机组的历史工况数据，通过反馈神经网络对供热机组的调峰下限进行评估，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反馈神经网络的供热机组调峰下限评估方法，包括以下步骤：

S1、筛选供热机组在纯凝工况下的的历史工况数据，统计负荷出现的频数，并拟合其不同的概率密度函数，然后根据供热机组在低负荷工况下的概率密度分布得到纯凝工况下的调峰下限；

S2、获取供热机组在供热工况下负荷低于N％的历史工况数据；

S3、对步骤S2中的历史工况数据进行预处理，包括数据清理、数据集成、数据变换和数据归约；

S4、根据当前电厂机组结构计算低压缸排汽流量，然后根据低压缸排汽流量进行变工况计算得到供热工况下的调峰下限，将供热工况下的调峰下限与预处理后的数据合并成数据集；

S5、选取低负荷下机组安全评价的特征参数作为输入数据，建立反馈神经网络模型，并用数据集训练反馈神经网络，得到调峰下限的评估模型；

S6、将实时数据输入调峰下限的评估模型，得到当前的供热机组调峰下限值。

根据本发明实施例的一种基于反馈神经网络的供热机组调峰下限评估系统，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，实现如上所述的基于反馈神经网络的供热机组调峰下限评估方法。

根据本发明实施例的基于反馈神经网络的供热机组调峰下限评估方法及系统，至少具有如下技术效果：本发明实施方式首先基于统计学的数据分析方法，根据历史工况数据中在较低工况下的数据运行情况，评估供热机组在纯凝工况下的调峰下限。然后建立反馈神经网络模型，利用电厂系统中大量的历史运行工况数据集训练反馈神经网络模型，可以通过训练好的反馈神经网络模型对供热机组的调峰下限进行实时评估，评估结果的准确性高、误差小，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S2中历史工况数据包括主蒸汽流量、电负荷、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。

根据本发明的一些实施例，所述步骤S4中供热工况下的调峰下限值的计算公式为

其中，P

根据本发明的一些实施例，所述步骤S5中的反馈神经网络模型采用E lman神经网络模型。

根据本发明的一些实施例，所述步骤S5中的特征参数包括主蒸汽流量、电负荷、一级供热流量、二级供热流量、给水温度、凝汽器排汽温度、凝结水补水流量、再热汽温度和排烟温度。

根据本发明的一些实施例，所述步骤S6中的实时数据包括主蒸汽流量、电负荷、一级供热流量、二级供热流量、给水温度、凝汽器排汽温度、凝结水补水流量、再热汽温度和排烟温度。

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反馈神经网络的供热机组调峰下限评估方法的流程图；

图2a为本发明实施例中#1机组的负荷频数统计与概率密度拟合图；

图2b为本发明实施例中#2机组的负荷频数统计与概率密度拟合图；

图3a为本发明实施例中数据集一的供热抽汽量大小分布图；

图3b为本发明实施例中数据集二的供热抽汽量大小分布图；

图4a为本发明实施例中数据集一计算调峰下限与神经网络评估下限对比图；

图4b为本发明实施例中数据集二计算调峰下限与神经网络评估下限对比；

图5为本发明实施例中Elman神经网络模型的结构原理图；

图6为本发明实施例中Elman神经网络模型预测流程图。

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1，一种基于反馈神经网络的供热机组调峰下限评估方法，包括以下步骤：

S1、筛选供热机组的历史工况数据，统计负荷出现的频数，并拟合其不同的概率密度函数，根据历史工况数据中在低工况下的数据运行情况，得到供热机组在纯凝工况下，也就是不供热情况下的调峰下限；

S2、获取供热机组在供热工况下负荷低于指定值的历史工况数据，包括主蒸汽流量、电负荷、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；

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。

S3、对数据进行预处理，包括对数据进行基本的数据清理、数据集成、数据变换、数据归约。

S4、根据当前电厂机组结构计算低压缸排汽流量，根据低压缸排汽流量计算供热工况下的调峰下限值，也就是供热工况下的电负荷值，将基于低压缸排汽流量的变工况计算得到的计算调峰下限值，与预处理后的数据并成数据集；

低压缸排汽流量计算需要根据不同的电厂机组结构确定不同的计算方法。对于比较普遍“三高四低一除氧”八段抽汽的汽轮机组，低压缸排汽流量Q的计算公式为：

其中，Qi表示汽轮机的一段到八段抽汽中的第i段抽汽，D为主蒸汽流量，不同电厂机组结构的系统存在一定的出入，需要根据实际情况对存在上述公式进行一定的修正，不同类型电厂机组的低压缸排汽流量Q的计算公式为本领域技术人员的公知常识，本申请文件不对此进行详细描述。

对于调峰下限的变工况计算，变工况是机组从某一供热工况下变到纯凝工况下的低压缸排汽流量的工况，根据采集的数据求得主蒸汽流量与电负荷值。也就是在供热工况下，将低压缸排汽流量降低到纯凝工况下的调度下限对应的低压缸排汽流量，计算供热机组还能降低的当量电负荷，以及能够降低到的电负荷值，并将该计算得到的电负荷值作为计算调度下限

理论上变工况与基准工况的各段抽汽量参数是要相应变化的，但由于抽汽量远小于主蒸汽流量且量工况的负荷变动在较小的范围，本实施例中忽略了变工况下1到8段的抽汽量的变化，即近似认为在两种工况下，各段抽汽的状态是近似不变的。因此变工况的理论电负荷，即当前供热工况下的调峰下限P的计算公式为

其中，P

S5、选取低负荷下机组安全评价的特征参数作为输入数据，包括主蒸汽流量、电负荷、一级供热流量、二级供热流量、给水温度、凝汽器排汽温度、凝结水补水流量、再热汽温度和排烟温度。然后建立反馈神经网络模型，用数据集训练并验证反馈神经网络，得到验证好的反馈神经网络模型；

典型的反馈神经网络有Hopfield网络、Elman网络、CG网络、盒中脑(BSB)模型和双向联想记忆(BAM)等，反馈神经网络具有比向前神经网路更强的计算能力，其最突出的优点是很强的联想记忆和优化计算功能。优选的，本发明实施例中的反馈神经网络模型采用Elman神经网络模型对供热机组的调峰能力下限进行评估计算。

参考图5，反馈神经网络包括输入层、隐含层、输出层和承接层。承接层主要用于层内或层间的反馈联结，使得其能够表达输入与输出之间在时间上的延迟，相当于一个延时算子，因此需要用动态方程来描述，而前馈型网络仅实现非线性映射。正是因为这种反馈，使得网络具有了记忆功能。

参考图6，Elman神经网络的预测流程为：首先对各个权值进行初始化处理，然后对数据进行归一化处理，之后进行神经元的计算，包括计算输入层的神经元输出、隐含层的神经元输出和输出层的神经元输出，在隐含层神经元输出后，反馈值经承接层计算后重新返回隐含层。最后经过计算误差函数、权值替换后完成训练。

S6、将实时数据输入验证好的反馈神经网络模型，得到当前的供热机组调峰下限值，实时数据包括主蒸汽流量、电负荷、一级供热流量、二级供热流量、给水温度、凝汽器排汽温度、凝结水补水流量、再热汽温度和排烟温度。

本发明实施例还包括一种基于反馈神经网络的供热机组调峰下限评估系统，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，实现上述的基于反馈神经网络的供热机组调峰下限评估方法。

下面以某地电厂660MW超临界抽凝式供热机组作为实例进行说明：

(一)纯凝工况调峰下限

获取#1、#2机组一年的负荷、供热抽汽流量运行数据共525600组数据，刷选供热抽汽流量为0且负荷低于50％额定负荷即低于330MW的历史工况数据，分别得到#1机组17064组数据，#2机组107053组数据，分别对这些数据进行频数统计与概率密度拟合。参考图2a，#1机的逻辑斯谛分布的概率峰值为269MW，韦布尔分布的概率峰值为278MW；参考图2b，#2机的逻辑斯谛分布的概率峰值为296MW，韦布尔分布的概率峰值为304MW。

从图2a-2b可知，在低负荷运行的工况数据中，对比同一张图的两种分布，逻辑斯谛分布相对对称，峰值点靠前，韦布尔分布更有侧重点，它偏向于负荷集中度更高的区域，所以采用韦布尔分布时的峰值与评估的调峰下限更接近。对比#1、#2号机，从所得的工况数据来说，#1机得到低负荷运行工况数据更多，也就是说#1机平时所带的低负荷情况更多，评估所得的结果显示#1机的调峰下限，更能符合客观情况。

综上可知，所得的低负荷工况采用韦布尔分布的概率峰值，可以较为客观的评估出纯凝工况的调峰下限，#1、#2机的纯凝工况的调峰下限评估结果分布为278MW、304MW。

(二)供热工况调峰下限

以某330MW亚临界压力、一次中间再热、单轴、双缸双排汽、8级回热、湿冷、二级抽汽供热凝汽式汽轮机、超临界供热机组为例进行分析计算。汽轮机的型号为：CC330/272-16.7/2.0/0.8/525/525，一级对外供汽参数为2.9MPa.a，240℃，最大供汽量：120t/h；二级对外供汽参数为1.0MPa.a，280℃，最大供汽量：300t/h。无供热回水至凝汽器。

根据上述的纯凝机组调峰下限评估方法，计算得到该机组纯凝工况的最低调峰下限为155MW。

由于变工况计公式要求负荷的变动范围不大，要求尽可能覆盖到所有的供热工况。本实施例中是采用两个基准工况，即最低供热工况和75％供热工况分别进行变负荷工况计算，其中75％供热工况可以根据差值法或者电厂运行规程中得到。本实施例中从规程中得到如下表1：

表1某供热机组两个基准工况参数

获取该机组近一年的历史运行数据，历史运行数据包括的字段为：主蒸汽流量、电负荷、一级供热流量、二级供热流量、给水温度、凝汽器排汽温度、凝结水补水流量、再热汽温度、排烟温度、主蒸汽焓，热耗率，以及一到八级抽汽流量。

筛选一级供热抽汽流量或者二级供热抽汽流量不为零的数据集，然后分别筛选两个数据集:数据集一为负荷在最低负荷与65％额定负荷之间的，数据集二维负荷在65％到80％额定负荷的数据工况。

即筛选电负荷P在155MW≤P＜215MW范围内的工况作为数据集一，共得14300组数据；电负荷P在215MW＜P＜264MW范围内的工作作为数据集二,共得到44200组数据。

如图3a所示为数据集一的供热抽汽流量分布情况，如图3b所示为数据集二的供热抽汽流量分布情况。

依步骤S4中的公式分别对数据进行低压缸排汽流量进行计算，并分别根据各自的基准工况参数以及主蒸汽焓、热耗进行变工计算得到该工况下的计算调峰下限值。如下表2所示，

表2部分计算调峰下限数据：

对以上数据进行预处理后，将数据集一前10000组、数据集二的前30000组数据作为训练数据，训练数据训练得到神经网络模型后，将后数据集二的后4300组、数据集二的后14200组数据作为测试数据，获得数据集一、二的调峰下限与实际调峰下限对比，见图4a和图4b所示。

根据图4a和图4b的比较分析可以得出，两个数据集的评估模型评估结果与实际计算得调峰下限相对误差的结果绝大部分在5％以内，其结果最大误差不超过10％，并且数据集二的误差相对较大，这也验证了我们上面论述的工况偏离最低负荷将大，其变工况计算的精度会要变差的问题。本实施例中建立的反馈神经网络模型对调峰下限的评估具有较好的准确性能。

综上所述，本发明实施方式首先基于统计学的数据分析方法，根据历史工况数据中在较低工况下的数据运行情况，评估供热机组在纯凝工况下的调峰下限。然后建立反馈神经网络模型，利用电厂系统中大量的历史运行工况数据集训练反馈神经网络模型，可以通过训练好的反馈神经网络模型对供热机组的调峰下限进行实时评估，评估结果的准确性高、误差小，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。

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。