CN109886471A - 基于神经网络与智能优化算法的火电机组负荷分配方法 - Google Patents

Abstract

本发明涉及一种基于神经网络与智能优化算法的火电机组负荷分配方法，包括：从发电厂分布式控制系统中获取各机组的历史运行数据，以及从发电厂厂级实时监控信息系统中获取历史供电煤耗数据；将历史运行数据及历史供电煤耗数据整理为矩阵形式，作为BP神经网络输入层的输入数据；其中，BP神经网络的隐含层采用Sigmoid函数，输出层采用线性函数，权值训练算法采用L‑M优化算法；采用启发式的智能优化算法，作为寻优主程序，在寻优主程序中采用步骤2中训练好的BP神经网络的输出，作为智能优化算法的适应度函数，对寻优主程序中运行的数据进行筛选，直至发电厂当前各机组的最佳负荷承担量或者迭代次数达到限定最大值为止。本发明实现了火电机组负荷优化分配。

Description

基于神经网络与智能优化算法的火电机组负荷分配方法

技术领域

本发明属于火力发电技术领域，尤其涉及一种基于神经网络与智能优化算法的火电机组负荷分配方法。

背景技术

随着发电厂自动化及智能化的不断快速发展，国内越来越多的电网公司开始要求发电厂公司，将电网对发电厂机组的单机调度方式，升级为全厂负荷调度方式。相比于单机调度，全厂负荷调度方式中电网调度系统将发电厂(或电源点)视为单个调度对象，由调度主站下发全厂有功指令，按照既定的性能指标或约束条件要求全厂各台机组依据自身实际情况响应电网负荷指令的变化，共同完成全厂有功功率的闭环控制。全厂负荷调度，克服了单机调度系统的种种缺陷和弊病，真正做到了电力系统安全运行和经济运行的有效结合。而全厂负荷调度系统中的一个重要核心，就是发电厂负荷的最优化分配。目前发电厂机组负荷分配领域存在煤耗特性数据不准确、失实，优化算法通用性差、实时性不足等问题。

发明内容

本发明的目的是提供一种基于神经网络与智能优化算法的火电机组负荷分配方法，使用电厂运行数据训练出对煤耗特性具有一定预测性和前瞻性的BP神经网络，并将该BP神经网络作为后续智能寻优算法的适应度函数，连接两种先进的算法手段，协同性地解决火电机组负荷的优化分配问题。

本发明提供了一种基于神经网络与智能优化算法的火电机组负荷分配方法，包括：

步骤1，从发电厂分布式控制系统中获取各机组的历史运行数据，以及从发电厂厂级实时监控信息系统中获取历史供电煤耗数据；

步骤2，将历史运行数据及历史供电煤耗数据整理为矩阵形式，作为BP神经网络输入层的输入数据；其中，BP神经网络的隐含层采用Sigmoid函数，输出层采用线性函数，权值训练算法采用L-M优化算法；

步骤3，采用启发式的智能优化算法，作为寻优主程序，在寻优主程序中采用步骤2中训练好的BP神经网络的输出，作为智能优化算法的适应度函数，对寻优主程序中运行的数据进行筛选，直至发电厂当前各机组的最佳负荷承担量或者迭代次数达到限定最大值为止。

进一步地，步骤1中历史运行数据包括汽轮机热耗率、发电厂厂用电率、锅炉机组负荷、炉膛出口氧量、各风口挡板开度、各磨煤机给煤量、炉膛温度中的多种。

进一步地，步骤2包括：

从历史运行数据中鉴别出机组的暂态运行数据将其剔除。

进一步地，步骤2还包括：

对历史供电煤耗数据进行连续差分化，以对应于历史运行数据。

进一步地，步骤3包括：

将步骤1整体数据中的70％作为训练样本，用于BP神经网络的训练，其余30％作为测试样本，用于BP神经网络的测试。

进一步地，步骤3具体包括：

采用粒子群优化算法作为寻优主程序执行机组负荷优化分配，包括：

根据发电厂各台机组的实际情况以及电网调度的要求，随机产生一组负荷分配值，该组分配值每一个数值对应机组的一个负荷值；

将该组值输入到步骤2中训练好的每台机组对应的BP神经网络中，经BP神经网络计算得出每台机组对应的煤耗值；

将得出的煤耗值相加，得到全厂所有机组的总煤耗值；

基于粒子群优化算法，不断更新负荷分配值的大小以及更新速度，通过BP神经网络不断更新单台机组的煤耗值，优化计算出机组的总煤耗值，直至总煤耗值不再变化，输出该总煤耗值对应的各台机组负荷，作为发电厂各台机组负荷优化分配的实际指令输出。

借由上述方案，基于神经网络与智能优化算法的火电机组负荷分配方法，通过使用大量电厂运行数据训练出对煤耗特性具有一定预测性和前瞻性的BP神经网络，可以实现对电厂煤耗特性精确快速的计算，在现今各大电厂都在进行“配煤掺烧”降低生产成本的背景下，准确有效的煤耗特性数据对于指导电厂安全经济运行具有重要价值；在进行发电厂负荷分配计算的过程中，使用启发式的智能优化算法，相比于目前该类技术或系统中，使用的“等微增率”法等传统计算方法，其对于数据源的适应性更好，具有更好的普适性以及推广性。不止如此，启发式的智能优化算法寻优进行发电厂负荷寻优分配，计算速度更快，计算精度更高，满足发电厂生产过程中对于实时性和准确性的要求；使用通过电厂大量运行数据训练出的BP神经网络的输出，作为后续智能寻优算法的适应度函数，连接两种先进的算法手段，协同性地来解决了目前发电厂机组负荷分配领域存在的煤耗特性数据不准确、失实，优化算法通用性差、实时性不足等问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明基于神经网络与智能优化算法的火电机组负荷分配方法的流程图。

图2为本发明BP神经网络结构示意图。

图3为应用本发明进行发电厂负荷分配的算法示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于神经网络与智能优化算法的火电机组负荷分配方法，包括：

步骤S1，从发电厂分布式控制系统中获取各机组的历史运行数据，以及从发电厂厂级实时监控信息系统中获取历史供电煤耗数据；

步骤S2，将历史运行数据及历史供电煤耗数据整理为矩阵形式，作为BP神经网络输入层的输入数据；其中，BP神经网络的隐含层采用Sigmoid函数，输出层采用线性函数，权值训练算法采用L-M优化算法；

步骤S3，采用启发式的智能优化算法，作为寻优主程序，在寻优主程序中采用步骤S2中训练好的BP神经网络的输出，作为智能优化算法的适应度函数，对寻优主程序中运行的数据进行筛选，直至发电厂当前各机组的最佳负荷承担量或者迭代次数达到限定最大值为止。

该基于神经网络与智能优化算法的火电机组负荷分配方法，使用电厂运行数据训练出对煤耗特性具有一定预测性和前瞻性的BP神经网络，并将该BP神经网络作为后续智能寻优算法的适应度函数，实现了火电机组负荷优化分配。

在本实施例中，步骤S1中历史运行数据包括汽轮机热耗率、发电厂厂用电率、锅炉机组负荷、炉膛出口氧量、各风口挡板开度、各磨煤机给煤量、炉膛温度中的多种。

在本实施例中，步骤S2包括：

从历史运行数据中鉴别出机组的暂态运行数据将其剔除。

在本实施例中，步骤S2还包括：

对历史供电煤耗数据进行连续差分化，以对应于历史运行数据。

在本实施例中，步骤S3包括：

将步骤S1整体数据中的70％作为训练样本，用于BP神经网络的训练，其余30％作为测试样本，用于BP神经网络的测试。

在本实施例中，步骤S3具体包括：

采用粒子群优化算法作为寻优主程序执行机组负荷优化分配，包括：

根据发电厂各台机组的实际情况以及电网调度的要求，随机产生一组负荷分配值，该组分配值每一个数值对应机组的一个负荷值；

将该组值输入到步骤S2中训练好的每台机组对应的BP神经网络中，经BP神经网络计算得出每台机组对应的煤耗值；

将得出的煤耗值相加，得到全厂所有机组的总煤耗值；

基于粒子群优化算法，不断更新负荷分配值的大小以及更新速度，通过BP神经网络不断更新单台机组的煤耗值，优化计算出机组的总煤耗值，直至总煤耗值不再变化，输出该总煤耗值对应的各台机组负荷，作为发电厂各台机组负荷优化分配的实际指令输出。

下面对本发明作进一步详细说明。

参图2、图3所示，图2中w表示网络层之间的权值向量，b表示网络各层的阈值。

该基于神经网络与智能优化算法的火电机组负荷分配方法，使用训练好的BP神经网络的输出，作为其后连接的智能优化算法的适应度函数，通过该适应度函数的监督判别，来不断更新迭代出机组负荷分配的全局最优解。该方法具体包括以下步骤：

一、采集发电厂内各台机组的汽轮机热耗率、发电厂厂用电率、锅炉机组负荷、炉膛出口氧量、各风口挡板开度、各磨煤机给煤量、炉膛温度等发电厂易于采集的运行参数和数据。

目前，衡量发电厂机组负荷分配系统的最主要指标依然是经济性指标，而最直接的经济性指标是发电厂的供电煤耗，即火力发电厂每向外提供1kWh电能平均耗用的标准煤量。供电煤耗是典型的非线性、时变参数，不仅测量过程复杂、测量结果误差大，而且测量成本较高，测出的结果也不能准确地反映机组一段时间内的供电煤耗特性，这是由于机组的供电煤耗会随着时间的推移以及机组工况的变化而不断变化。如果将某次供电煤耗的测量结果甚至是一段时间内多次测量得到的供电煤耗数据，作为机组负荷分配的经济性参照依据，则很有可能得不到机组负荷分配的最优化结果，特别是当机组的运行工况以及燃料品质发生较大变化或者波动时。这就背离了发电厂进行机组负荷优化分配的初衷。本发明通过收集电厂各台机组生产过程中易于采集的稳态运行参数，如通过收集分布式控制系统(DCS)中记录的历史数据，包括发电厂汽轮机热耗率、发电厂厂用电率、锅炉机组负荷、炉膛出口氧量、各风口挡板开度、各磨煤机给煤量、炉膛温度等七组数据，对发电厂各台机组的供电煤耗进行“软测量”。每组运行数据的采集时间间隔为30分钟，连续采集1年的该项数据，除去暂态数据，每项运行数据15000个，整体数据规模为15000*7＝105000个。

二、将步骤一收集到的各台机组的运行参数和供电煤耗数据，作为算法BP神经网络输入层的输入数据，BP神经网络的隐含层选择Sigmoid方法，输出层使用线性函数。

将步骤一中收集到的运行数据以及从电厂厂级实时监控信息系统(SIS)中取得的电厂供电煤耗数据进行对应，并将这些数据一并整理为二进制或者十进制文件。需要说明的是，由于一般电厂SIS中记录的供电煤耗频次是每天一次，为了与运行数据进行对应，需对供电煤耗参数进行连续差分化。将整体数据中的70％作为训练样本，用于神经网络的训练，其余30％样本，用于网络测试样本。神经网络隐层传输函数选择Sigmoid函数，输出层传输函数选择线性函数，权值训练算法选择为L-M优化算法，迭代次数为5000次。训练好的神经网络，使用测试样本进行验证，预测结果表明，预测误差在可接受范围内。

三、使用启发式的智能优化算法，作为寻优主程序，主程序中使用步骤二中训练好的神经网络的输出，作为算法的适应度函数，作为程序中运行的数据进化迭代的依据。

随着计算机技术和优化理论的发展，禁忌搜索算法、模拟退火算法、遗传算法、粒子群算法等启发式智能算法逐渐被应用到发电厂机组负荷优化分配领域中。本发明中，考虑到神经网络的计算量较大，如果与之相连接的智能优化算法复杂，则可能造成算法的整体实现耗时较长，进而影响发电厂负荷分配系统的实时性。因而，本发明中，使用计算量较小的粒子群优化算法(PSO)作为负荷优化分配算法的主算法。算法先根据发电厂各台机组的实际情况以及电网调度的要求，随机产生一组负荷分配值，该组分配值每一个数值代表机组的一个负荷值。该组值输入到步骤二中训练好的每台机组对应的神经网络中，经神经网络计算得出每台机组对应的煤耗值。将这些煤耗值相加，得到全厂所有机组的总煤耗值。随后，根据PSO算法原理，不断更新负荷分配值的大小以及更新速度，并不断更新计算出机组的总煤耗值，直至总煤耗值不再变化，即视为算法收敛。输出该总煤耗值对应的各台机组负荷，作为发电厂各台机组负荷优化分配的实际指令输出。

四、算法终止，其条件是算法计算中发电厂当前各机组的最佳负荷承担量，或者迭代次数达到限定最大值。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于神经网络与智能优化算法的火电机组负荷分配方法，其特征在于，包括：

步骤1，从发电厂分布式控制系统中获取各机组的历史运行数据，以及从发电厂厂级实时监控信息系统中获取历史供电煤耗数据；

步骤2，将所述历史运行数据及历史供电煤耗数据整理为矩阵形式，作为BP神经网络输入层的输入数据；其中，所述BP神经网络的隐含层采用Sigmoid函数，输出层采用线性函数，权值训练算法采用L-M优化算法；

步骤3，采用启发式的智能优化算法，作为寻优主程序，在所述寻优主程序中采用步骤2中训练好的BP神经网络的输出，作为所述智能优化算法的适应度函数，对所述寻优主程序中运行的数据进行筛选，直至发电厂当前各机组的最佳负荷承担量或者迭代次数达到限定最大值为止。

2.根据权利要求1所述的基于神经网络与智能优化算法的火电机组负荷分配方法，其特征在于，步骤1中所述历史运行数据包括汽轮机热耗率、发电厂厂用电率、锅炉机组负荷、炉膛出口氧量、各风口挡板开度、各磨煤机给煤量、炉膛温度中的多种。

3.根据权利要求2所述的基于神经网络与智能优化算法的火电机组负荷分配方法，其特征在于，所述步骤2包括：

从历史运行数据中鉴别出机组的暂态运行数据将其剔除。

4.根据权利要求3所述的基于神经网络与智能优化算法的火电机组负荷分配方法，其特征在于，所述步骤2还包括：

对所述历史供电煤耗数据进行连续差分化，以对应于所述历史运行数据。

5.根据权利要求1至3任一项所述的基于神经网络与智能优化算法的火电机组负荷分配方法，其特征在于，所述步骤3包括：

将步骤1整体数据中的70％作为训练样本，用于BP神经网络的训练，其余30％作为测试样本，用于BP神经网络的测试。

6.根据权利要求4所述的基于神经网络与智能优化算法的火电机组负荷分配方法，其特征在于，所述步骤3具体包括：

采用粒子群优化算法作为寻优主程序执行机组负荷优化分配，包括：

根据发电厂各台机组的实际情况以及电网调度的要求，随机产生一组负荷分配值，该组分配值每一个数值对应机组的一个负荷值；

将该组值输入到步骤2中训练好的每台机组对应的BP神经网络中，经BP神经网络计算得出每台机组对应的煤耗值；

将得出的煤耗值相加，得到全厂所有机组的总煤耗值；

基于粒子群优化算法，不断更新负荷分配值的大小以及更新速度，通过BP神经网络不断更新单台机组的煤耗值，优化计算出机组的总煤耗值，直至总煤耗值不再变化，输出该总煤耗值对应的各台机组负荷，作为发电厂各台机组负荷优化分配的实际指令输出。