CN110400018A - 用于燃煤火力电厂制粉***的运行控制方法、***和装置 - Google Patents

用于燃煤火力电厂制粉***的运行控制方法、***和装置 Download PDF

Info

Publication number
CN110400018A
CN110400018A CN201910690100.4A CN201910690100A CN110400018A CN 110400018 A CN110400018 A CN 110400018A CN 201910690100 A CN201910690100 A CN 201910690100A CN 110400018 A CN110400018 A CN 110400018A
Authority
CN
China
Prior art keywords
preparation system
pulverized coal
coal preparation
data
indicate
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
Application number
CN201910690100.4A
Other languages
English (en)
Other versions
CN110400018B (zh
Inventor
彭道刚
徐樾
余锋
赵慧荣
苏烨
孙宇贞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Baosteel Zhanjiang Iron and Steel Co Ltd
Original Assignee
Shanghai University of Electric Power
Baosteel Zhanjiang Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power, Baosteel Zhanjiang Iron and Steel Co Ltd filed Critical Shanghai University of Electric Power
Priority to CN201910690100.4A priority Critical patent/CN110400018B/zh
Publication of CN110400018A publication Critical patent/CN110400018A/zh
Application granted granted Critical
Publication of CN110400018B publication Critical patent/CN110400018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于燃煤火力电厂制粉***的运行控制方法、***和装置，运行方法具体包括以下步骤：获取燃煤火力电厂制粉***的实时数据；将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；根据预测数据设置制粉***控制策略，控制制粉***的运行。与现有技术相比，本发明通过制粉***能耗预测模型对磨煤机和一次风机能的耗状况进行预测分析，并根据预测结果选择制粉***的最优运行控制策略，进而对制粉***进行控制，能够使制粉***运行方式更加经济合理，显著优化制粉***的能耗指标、提高***的效率。

Description

用于燃煤火力电厂制粉***的运行控制方法、***和装置
技术领域
本发明涉及信息控制技术领域，尤其是涉及一种用于燃煤火力电厂制粉***的运行控制方法、***和装置。
背景技术
随着新能源发电行业的快速发展和日益严格的环保要求，传统燃煤火力发电面临着严峻的外部环境挑战，火力发电企业需要深入挖掘关于机组优化运行和设备技术改造两方面的潜能，找寻全负荷工况下提升机组效率的技术手段。在燃煤电厂中，主要供电设备包括锅炉、汽轮机和辅机。制粉***是火电机组关键的辅助***，耗电量约占整个火电厂的5％至10％。通过更改制粉***的操作决策，则能够显著优化制粉***的能耗指标、提高***的效率。
目前，大多数火电厂制粉***优化运行方案都只针对单独设备进行优化。例如有些提出针对一次风的节能调节技术，通过调整运行风量、修正一次风煤比，从而降低一次风机电耗，使得制粉***运行方式更加经济合理。单独设备的运行优化的确可以降低制粉***能耗，但是影响较小，在制粉***工作时，需要同组给煤机、磨煤机和一次风机等设备同时运行，单独降低其中一种设备的能耗对降低整组设备能耗效果不一定最佳，更需要寻找最优的设备运行组合方式。此外，在火电厂优化运行参数研究中，通过数据离散化操作可有效克服数据中隐藏的缺陷，为了使模型结构更加稳定，离散化操作可深度挖掘变量之间关系。目前，火电厂常用的离散化主要是等宽法和等频法，是将数据严格划归为一定的分类，然而，对于发电厂实际运行的参数值没有严格分类。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于燃煤火力电厂制粉***的运行控制方法、***和装置。
本发明的目的可以通过以下技术方案来实现：
一种用于燃煤火力电厂制粉***的运行控制方法，具体包括以下步骤：
S1.获取燃煤火力电厂制粉***的实时数据；
S2.将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
S3.根据预测数据设置制粉***控制策略，控制制粉***的运行。
进一步地，所述的制粉***能耗预测模型为RBM(Restricted BoltzmannMachine，受限玻尔兹曼机)堆叠网络和BP神经网络组成的DBN(Deep Belief Network，深度学习的深度信念网络)模型，其训练方法为如下：
A1.获取燃煤火力电厂制粉***的历史数据，按照机组负荷为聚类标准，采用自适应FCM(Fuzzy C-Means，模糊C聚类)方法对数据集中每种属性参数进行离散化预处理，根据相似工况原则确定训练样本；
A2.将聚类后的训练样本通过DBN模型根据数据特征进行分类识别；经过RBM堆叠网络的正序训练学习，以及BP神经网络的逆向微调，依照次序优化制粉***能耗预测模型中相邻连接层之间的权值和阈值。
进一步地，所述步骤A1中的自适应FCM方法的自适应函数L(c)的表达式为：
其中，表示总体样本中心向量，c表示类别个数，n表示样本X＝{x1,x2,…,xn}的变量数量，xi表示观测数据，vi表示第j类初始矩阵，uij表示数据的隶属度矩阵，m表示模糊加权指数。
进一步地，所述步骤A2中的RBM堆叠网络的状态能量函数具体为：
其中，v和h分别表示可视层和隐层，n表示v层结点数目，m表示h层结点数目，Wij表示可视层结点i至隐藏层结点j的权值大小，θ＝{W,a,b}表示***全部参数的集合，a表示可视层偏置，b表示隐层偏置。
基于确定的参数，获得RBM堆叠网络的联合概率分布为：
其中，Z(θ)为配分函数，用于将联合概率分布在[0,1]区间内，e为自然常数2.71828。
进一步地，所述步骤A3中的RBM堆叠网络的训练参数的梯度更新表达式为：
其中，ΔWij表示梯度更新后可视层结点i至隐藏层结点j的权值大小，ε表示学习率，vi表示第j类初始矩阵，Δai表示梯度更新后的可视层偏置，Δbj表示梯度更新后的隐层偏置，hj表示隐层j节点，k表示采样次数。
一种用于燃煤火力电厂制粉***的运行控制***，包括：
监控模块，用于获取燃煤火力电厂制粉***的实时数据；
预测模块，用于将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
控制模块，用于根据预测数据设置制粉***控制策略，控制制粉***的运行。
进一步地，所述的制粉***能耗预测模型为RBM堆叠网络和BP神经网络组成的DBN模型，其训练方法为如下：
A1.获取燃煤火力电厂制粉***的历史数据，按照机组负荷为聚类标准，采用自适应FCM方法对数据集中每种属性参数进行离散化预处理，根据相似工况原则确定训练样本；
A2.将聚类后的训练样本通过DBN模型根据数据特征进行分类识别；经过RBM堆叠网络的正序训练学习，以及BP神经网络的逆向微调，依照次序优化制粉***能耗预测模型中相邻连接层之间的权值和阈值。
一种用于燃煤火力电厂制粉***的运行控制装置，所述的装置包括处理器以及存储器，所述处理器调用存储器中的程序，用于实现以下步骤：
S1.获取燃煤火力电厂制粉***的实时数据；
S2.将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
S3.根据预测数据设置制粉***控制策略，控制制粉***的运行。
与现有技术相比，本发明具有以下优点：
1、本发明提出通过制粉***能耗预测模型对磨煤机和一次风机能的耗状况进行预测分析，并根据预测结果选择制粉***的最优运行控制策略，进而对制粉***进行控制，能够使制粉***运行方式更加经济合理，显著优化制粉***的能耗指标、提高***的效率。
2、制粉***能耗预测模型采用自适应FCM相似条件工况聚类比传统的硬分区分类更加精确，并且该算法可以自主地快速确定聚类数和聚类中心，避免了由传统FCM聚类参数人为给出的严重缺陷，人为给定聚类参数需要操作员有足够的经验，才能选取较为合适的参数，并且人为给定参数对算法的计算效率和准确度很大，不利于得出可靠的聚类类别。
3、本发明通过将聚类后的样本数据通过RBM堆叠网络和BP网络组成的DBN模型根据数据特征对原始数据分类识别，根据负荷条件匹配制粉***相似工况，寻找最优的运行控制策略。该方法可以为多台磨煤机运行方式提供优化的控制方法，有利于降低电厂实际运营经济成本和减少后期检修计划的次数。
附图说明
图1为本发明的整体流程示意图；
图2为本发明DBN模型结构流程图；
图3为实施例中磨煤机A单耗预测结果示意图；
图4为实施例中一次风机A单耗预测结果示意图；
图5为实施例中磨煤机A单耗训练误差示意图；
图6为实施例中一次风机A单耗训练误差示意图；
图7为实施例中磨煤机A单耗预测相对误差示意图；
图8为实施例中一次风机A单耗预测相对误差示意图；
图9为实施例中磨煤机A电耗预测结果示意图；
图10为实施例中一次风机A电耗预测结果示意图；
图11为实施例中磨煤机A电耗预测训练误差示意图；
图12为实施例中一次风机A电耗预测训练误差示意图；
图13为实施例中磨煤机A电耗预测相对误差示意图；
图14为实施例中一次风机A电耗预测相对误差示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种用于燃煤火力电厂制粉***的运行控制方法，基于自适应FCM聚类的深度信念网络制粉***预测模型，首先通过历史数据按照机组负荷为聚类标准，将机组主运行参数(机组发电量、总风量)和制粉***主要运行参数(给煤量、各磨煤机、一次风机用电量)利用自适应FCM算法聚类，根据相似工况原则确定训练样本。将聚类后的样本数据作为DBN模型的原始数据样本输入，经过RBM堆叠网络的正序训练学习，再通过BP神经网络的逆向微调，建立了制粉***能耗预测模型，以此为依据给出制粉***运行决策。
具体流程图如图1所示：
步骤S1.在线采集获取燃煤火力电厂制粉***的实时数据；
步骤S2.将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
步骤S3.根据预测数据设置制粉***控制策略，控制制粉***的运行。
其中，制粉***能耗预测模型为RBM堆叠网络和BP神经网络组成的DBN模型，其训练方法为如下：
步骤A1.获取燃煤火力电厂制粉***的历史数据，其中包含部分机组主运行参数和部分制粉***相关运行参数，按照机组负荷为聚类标准，机组负荷、机组发电量和制粉***主要运行参数，采用自适应FCM方法对数据集中每种属性参数进行离散化预处理，根据相似工况原则确定训练样本；
步骤A2.将聚类后的训练样本通过DBN模型根据数据特征进行分类识别；经过RBM堆叠网络的正序训练学习，以及BP神经网络的逆向微调，依照次序优化制粉***能耗预测模型中相邻连接层之间的权值和阈值，完成模型训练。
自适应网络训练是***根据历史数据独立操作完成。自适应***通过自主学习能力来适应外部环境变化，通过多次循环训练获取最合理的加权指数m和聚类数C。对数据聚类的自适应FCM算法聚类数C的自适应函数L(c)和总体样本中心向量的数学公式为：
其中，表示总体样本中心向量，c表示类别个数，n表示样本X＝{x1,x2,…,xn}的变量数量，xi表示观测数据，vi表示第j类初始矩阵，uij表示数据的隶属度矩阵，m表示模糊加权指数。
在表达式中，分子表示不同类之间的距离，分母表示类内数据到该类中心的距离，因此，L(c)越大，聚类越合理准确，获得的最大值即为C的最优解。自适应FCM算法是基于局部寻找点最小，因此只要在局部数据比较L(c)即可。
本实施例以某电厂350MW机组的制粉***为研究对象，某电厂装设两台一次再热、亚临界、抽汽凝汽式350MW抽汽供热发电机组，配置5台型号为MPS212的磨煤机，一次风机布置在空预器下游，其中1台设计备用。
研究数据采用2018年10月1日-12月15日的历史运行数据，取点间隔为5分钟，共有17个参数数据作为训练样本分别为：机组负荷，磨煤机A、B、C、D、E用电量，给煤机A、B、C、D、E给煤量和一次风机A、B、C、D、E用电量。
首先选取某特定煤质参数和环境条件约束下的216～350MW负荷工况簇数据样本进行自适应FCM测试实验。采用自适应FCM算法对数据集中每种属性参数进行离散化预处理，表1所示为机组负荷部分原始数据离散化结果。
表1 机组负荷离散化隶属度表(部分)
从表1实验结果可以判断出，在220～350MW负荷工况簇中，自适应FCM算法聚类机组负荷主要分布在250MW、293MW、310MW、331MW和346MW周围。因此，机组负荷工况聚类为5种，工况1：(216,286]；工况2：(286,300]；工况3：(300,321]；工况4：(321,342]；工况5：(342,350]。
如图2所述，DBN(深度信念网络)是通过无监控贪婪学习算法，依照次序优化连接层之间的权值和阈值，网络的第一部分为逐层预训练阶段，在第一部分中，训练过程是自下而上的无监督学习，输入数据可以直接映射到输出，这就是DBN模型可以学习非线性复杂函数的原因。首先使用未标记的数据样本训练网络的最低级RBM，并逐层学习自小而上。相邻层成对连接，下层的输出是上层的输入，经过逐级地传递至最高层。经过RBM堆叠过程之后，只能提取一些少数的表征信息，数据不能直接归类，因此结果数据须要发送到顶部Softmax监督分类器。
RBM的状态能量函数具体为：
其中，v和h分别表示可视层和隐层，n表示v层结点数目，m表示h层结点数目，Wij表示可视层结点i至隐藏层结点j的权值大小，θ＝{W,a,b}表示***全部参数的集合，a表示可视层偏置，b表示隐层偏置。
基于确定的参数，获得RBM堆叠网络的联合概率分布为：
其中，Z(θ)为配分函数，用于将联合概率分布在[0,1]区间内，e为自然常数2.71828。
RBM堆叠网络的训练参数的梯度更新表达式为：
其中，ΔWij表示梯度更新后可视层结点i至隐藏层结点j的权值大小，ε表示学习率，vi表示第j类初始矩阵，Δai表示梯度更新后的可视层偏置，Δbj表示梯度更新后的隐层偏置，hj表示隐层j节点，k表示采样次数。
在DBN模型第二部分中，将全部隐层的权值看为一个整体，对有标签的数据利用梯度下降法进行权值修正，BP算法用于微调整个网络，以提高DBN网络分类预测模型的可靠性。
DBN拓扑结构及参数确定。为保证制粉***预测模型的准确和综合性，通过对制粉***的单耗和电耗分别预测，发明设计了两个DBN模型。DBN算法隐层层数即为RBM堆叠层数，表示DBN的深度。
隐层节点数的选择主要依靠在实验过程模型效果确定，初始隐层节点可根据经验公式设置，然后根据模型效果进行增减。根据DBN模型网络的训练结构，在RBM预训练阶段需要对网络的学习率进行设置，其后则要设置迭代训练次数。RBM学习率一般设置在[0.1,1]区间内。迭代训练次数设置没有具体的规律遵循，为使网络不出现过拟合和欠拟合现象，设置参数时不宜过大或过小，具体数值需要根据实际训练效果调整来确定。
根据建立的DBN模型对设备的单耗和电耗进行预测，随机选取2018年12月16日-12月31日任一工况作为待预测工况，样本数据作为训练集，对磨煤机单耗、电耗，一次风机单耗、电耗进行预测。为反映预测模型精度，对模型的训练误差、绝对误差和相对误差进行跟踪，能够直观明显观测出模型的准确性和可靠性。
由于对象数量众多，本文详细分析了磨煤机A和一次风机A能耗预测情况。图3、图4为A组设备单耗预测结果。图5、图6为A组设备单耗预测训练误差结果图。图7、图8为A组设备单耗预测相对误差结果图。图9、图10为A组设备电耗预测结果图。图11、图12为A组设备电耗预测训练误差结果图。图13、图14为A组设备电耗预测相对误差结果图。
由图3、图4、图9、图10可以直观看出DBN能耗预测模型能够实时跟踪原始数据曲线，无论是单耗输出还是电耗输出预测均很平稳，波动幅度小。在单耗预测中，由图5可以观察到磨煤机A的迭代10次即可达到最小误差，而图6一次风机A迭代次数略多，但最终误差仍可达到要求。图7和图8显示，A组设备的预测误差在±3％左右。在电耗预测中，由图11和图12可以观察到磨煤机A和一次风机A均迭代10次以下即可达到最小误差，图13、图14显示A组设备的预测误差为10-6数量级。鉴于此，制粉***的能耗预测模型具有良好的可靠度和较高的精度，因此可以获取更为精确可靠的运行控制策略，对制粉***进行控制。
根据制粉***能耗预测模型，得到不同工况下磨煤机和一次风机小时平均的能耗消耗情况，如表2至表5所示。为使电厂达到最高的经济效益，减少能耗污染，输入实际工况可依据相似工况的预测值为制粉***提出相信的运行控制方案。
表2 不同工况磨煤机单耗预测值(部分)
表3 不同工况磨煤机电耗预测值(部分)
表4 不同工况一次风机单耗预测值(部分)
表5 不同工况一次风机电耗预测值(部分)
经过实验统计得出不同工况下的制粉***运行控制策略如表6所示。实验发现某电厂的E设备为备用设备组，只有在满负荷情况才会少数启用。而A、B、C设备的能耗消耗相差不多，D设备的能耗利用略高于其它，在选取运行控制策略时应注意D设备的选用条件。
表6 制粉***运行决策
本实施例根据某350MW电厂的历史数据，拟合获得了5台磨煤机和5台一次风机的能耗模型，在此基础上以机组负荷为标准利用自适应FCM算法将相似工况聚类，对相似工况建立了基于深度信念网络的制粉***能耗预测模型，算例结果显示：
自适应FCM相似条件工况聚类比传统的硬分区分类更加精确，并且该算法可以自主地快速确定聚类数和聚类中心。还避免了由传统FCM聚类参数人为给出的严重缺陷。在DBN功耗预测模型中，五台磨煤机单耗预测的平均相对误差为0.27％，电耗预测平均相对误差为0.19％。5台一次风机单耗预测的平均相对误差为0.26％，电耗预测的平均相对误差为0.21％，最大相对误差为7.04％，故DBN制粉***能耗预测模型的建立为其运行决策提供了保障。根据负荷条件匹配制粉***相似工况，寻找最优的运行决策方案。该方法可以为多台磨煤机运行方式优化提供一个新的思路，且对降低电厂实际运营经济成本和后期检修计划制定具有一定的借鉴意义。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种用于燃煤火力电厂制粉***的运行控制方法，其特征在于，具体包括以下步骤：
S1.获取燃煤火力电厂制粉***的实时数据；
S2.将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
S3.根据预测数据设置制粉***控制策略，控制制粉***的运行。
2.根据权利要求1所述的用于燃煤火力电厂制粉***的运行控制方法，其特征在于，所述的制粉***能耗预测模型为RBM堆叠网络和BP神经网络组成的DBN模型，其训练方法为如下：
A1.获取燃煤火力电厂制粉***的历史数据，按照机组负荷为聚类标准，采用自适应FCM方法对数据集中每种属性参数进行离散化预处理，根据相似工况原则确定训练样本；
A2.将聚类后的训练样本通过DBN模型根据数据特征进行分类识别；经过RBM堆叠网络的正序训练学习，以及BP神经网络的逆向微调，依照次序优化制粉***能耗预测模型中相邻连接层之间的权值和阈值。
3.根据权利要求2所述的用于燃煤火力电厂制粉***的运行控制方法，其特征在于，所述步骤A1中的自适应FCM方法的自适应函数L(c)的表达式为：
其中，表示总体样本中心向量，c表示类别个数，n表示样本X＝{x1,x2,…,xn}的变量数量，xi表示观测数据，vi表示第j类初始矩阵，uij表示数据的隶属度矩阵，m表示模糊加权指数。
4.根据权利要求2所述的用于燃煤火力电厂制粉***的运行控制方法，其特征在于，所述步骤A2中的RBM堆叠网络的状态能量函数具体为：
其中，v和h分别表示可视层和隐层，n表示v层结点数目，m表示h层结点数目，Wij表示可视层结点i至隐藏层结点j的权值大小，θ＝{W,a,b}表示***全部参数的集合，a表示可视层偏置，b表示隐层偏置。
基于确定的参数，获得RBM堆叠网络的联合概率分布为：
其中，Z(θ)为配分函数，用于将联合概率分布在[0,1]区间内，e为自然常数2.71828。
5.根据权利要求2所述的用于燃煤火力电厂制粉***的运行控制方法，其特征在于，所述步骤A3中的RBM堆叠网络的训练参数的梯度更新表达式为：
其中，ΔWij表示梯度更新后可视层结点i至隐藏层结点j的权值大小，ε表示学习率，vi表示第j类初始矩阵，Δai表示梯度更新后的可视层偏置，Δbj表示梯度更新后的隐层偏置，hj表示隐层j节点，k表示采样次数。
6.一种用于燃煤火力电厂制粉***的运行控制***，其特征在于，包括：
监控模块，用于获取燃煤火力电厂制粉***的实时数据；
预测模块，用于将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
控制模块，用于根据预测数据设置制粉***控制策略，控制制粉***的运行。
7.根据权利要求6所述的用于燃煤火力电厂制粉***的运行控制***，其特征在于，所述的制粉***能耗预测模型为RBM堆叠网络和BP神经网络组成的DBN模型，其训练方法为如下：
A1.获取燃煤火力电厂制粉***的历史数据，按照机组负荷为聚类标准，采用自适应FCM方法对数据集中每种属性参数进行离散化预处理，根据相似工况原则确定训练样本；
A2.将聚类后的训练样本通过DBN模型根据数据特征进行分类识别；经过RBM堆叠网络的正序训练学习，以及BP神经网络的逆向微调，依照次序优化制粉***能耗预测模型中相邻连接层之间的权值和阈值。
8.一种用于燃煤火力电厂制粉***的运行控制装置，其特征在于，所述的装置包括处理器以及存储器，所述处理器调用存储器中的程序，用于实现以下步骤：
S1.获取燃煤火力电厂制粉***的实时数据；
S2.将实时数据输入至制粉***能耗预测模型，分别获取对制粉***单耗和电耗的预测数据；
S3.根据预测数据设置制粉***控制策略，控制制粉***的运行。
CN201910690100.4A 2019-07-29 2019-07-29 用于燃煤火力电厂制粉***的运行控制方法、***和装置 Active CN110400018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910690100.4A CN110400018B (zh) 2019-07-29 2019-07-29 用于燃煤火力电厂制粉***的运行控制方法、***和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910690100.4A CN110400018B (zh) 2019-07-29 2019-07-29 用于燃煤火力电厂制粉***的运行控制方法、***和装置

Publications (2)

Publication Number Publication Date
CN110400018A true CN110400018A (zh) 2019-11-01
CN110400018B CN110400018B (zh) 2023-06-27

Family

ID=68326380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910690100.4A Active CN110400018B (zh) 2019-07-29 2019-07-29 用于燃煤火力电厂制粉***的运行控制方法、***和装置

Country Status (1)

Country Link
CN (1) CN110400018B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130538A (zh) * 2020-09-22 2020-12-25 京东城市(北京)数字科技有限公司 磨煤机的控制优化及模型训练的方法、装置、设备和介质
CN112181003A (zh) * 2020-08-24 2021-01-05 中国神华能源股份有限公司国华电力分公司 一种机组压力控制的方法和电子设备
CN114332515A (zh) * 2021-11-01 2022-04-12 江苏方天电力技术有限公司 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法
CN114371619A (zh) * 2021-12-17 2022-04-19 上海电力大学 一种mgt-cchp变工况动态能效优化控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262147A (zh) * 2011-07-15 2011-11-30 华南理工大学 一种废水处理***出水cod的软测量方法和***
CN103729678A (zh) * 2013-12-12 2014-04-16 中国科学院信息工程研究所 一种基于改进dbn模型的水军检测方法及***
CN105741832A (zh) * 2016-01-27 2016-07-06 广东外语外贸大学 一种基于深度学习的口语评测方法和***
CN106198909A (zh) * 2016-06-30 2016-12-07 中南大学 一种基于深度学习的水产养殖水质预测方法
CN107203810A (zh) * 2017-05-22 2017-09-26 河海大学 一种基于深度网络的降水量预测方法
CN107679671A (zh) * 2017-10-23 2018-02-09 燕山大学 一种隐含时间序列深度信念网络的水泥生产电耗预测方法
CN108320016A (zh) * 2018-03-08 2018-07-24 南京工业大学 一种建筑能耗短期预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262147A (zh) * 2011-07-15 2011-11-30 华南理工大学 一种废水处理***出水cod的软测量方法和***
CN103729678A (zh) * 2013-12-12 2014-04-16 中国科学院信息工程研究所 一种基于改进dbn模型的水军检测方法及***
CN105741832A (zh) * 2016-01-27 2016-07-06 广东外语外贸大学 一种基于深度学习的口语评测方法和***
CN106198909A (zh) * 2016-06-30 2016-12-07 中南大学 一种基于深度学习的水产养殖水质预测方法
CN107203810A (zh) * 2017-05-22 2017-09-26 河海大学 一种基于深度网络的降水量预测方法
CN107679671A (zh) * 2017-10-23 2018-02-09 燕山大学 一种隐含时间序列深度信念网络的水泥生产电耗预测方法
CN108320016A (zh) * 2018-03-08 2018-07-24 南京工业大学 一种建筑能耗短期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZSFFUTURE: ""深度学习—受限玻尔兹曼机详解（RBM）"", 《HTTPS://BLOG.CSDN.NET/WEIXIN_42398658/ARTICLE/DETAILS/84279293》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112181003A (zh) * 2020-08-24 2021-01-05 中国神华能源股份有限公司国华电力分公司 一种机组压力控制的方法和电子设备
CN112130538A (zh) * 2020-09-22 2020-12-25 京东城市(北京)数字科技有限公司 磨煤机的控制优化及模型训练的方法、装置、设备和介质
CN114332515A (zh) * 2021-11-01 2022-04-12 江苏方天电力技术有限公司 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法
CN114371619A (zh) * 2021-12-17 2022-04-19 上海电力大学 一种mgt-cchp变工况动态能效优化控制方法
CN114371619B (zh) * 2021-12-17 2024-04-23 上海电力大学 一种mgt-cchp变工况动态能效优化控制方法

Also Published As

Publication number Publication date
CN110400018B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN110400018A (zh) 用于燃煤火力电厂制粉***的运行控制方法、***和装置
Li et al. Using enhanced crow search algorithm optimization-extreme learning machine model to forecast short-term wind power
Li et al. A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems
CN102074955B (zh) 基于知识发现技术的电力***稳定评估及控制方法
Zheng et al. Multi-objective combustion optimization based on data-driven hybrid strategy
CN108954375B (zh) 锅炉节煤控制方法
Galvani et al. A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters
An et al. A data-driven method for transient stability margin prediction based on security region
Lalljith et al. Applications of flower pollination algorithm in electrical power systems: a review
Yin et al. Coordinated complex-valued encoding dragonfly algorithm and artificial emotional reinforcement learning for coordinated secondary voltage control and automatic voltage regulation in multi-generator power systems
Liu et al. Automatic generation control considering uncertainties of the key parameters in the frequency response model
CN116561573A (zh) 一种电压稳定评估的训练集循环***训练方法
Nair et al. Hybrid PSO-BF algorithm for economic dispatch of a power system
Zahedi et al. Environment Compatible Management Strategy of Distributed Generation Based on Neural Network with a Power Capacity Index
Qian et al. Deep learning-based short-term wind power prediction considering various factors
CN113283702B (zh) 融合电力***安全稳定特性的潮流状态评价方法及装置
Li et al. A method of reliability weight distribution of wind turbines
Li et al. Optimization for Boiler Based on Data Mining and Multi-Condition Combustion Model
Qi et al. Study on Load Forecasting of Combined Cooling, Heat and Power System with Deep Learning Algorithm Based on Attention Mechanism
Wu et al. FREQUENCY H 2/H∞ OPTIMIZING CONTROL FOR ISOLATED MICROGRID BASED ON IPSO ALGORITHM.
Malkova et al. Basic aspects of determining the optimal place of installing distributed power generation in the electric power system
Yun et al. Research on Short-term load forecasting on Elman Network
Tian et al. Prediction of Power System Frequency Stability Following Disturbance based on 2D-PCA and CNN
Chege et al. Optimal placement of distributed generation and capacitors in radial distribution networks using hybrid evolution programming algorithm
Wei et al. Simulation of Automatic Classification Model of Electric Power Data Based on Fuzzy Clustering Algorithm

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