CN112149903A

CN112149903A - 基于bp神经网络算法的火电机组一次调频分析与优化方法

Info

Publication number: CN112149903A
Application number: CN202011011992.XA
Authority: CN
Inventors: 于海存; 郭瑞君; 殷建华; 周磊; 赵炜; 胡宏彬; 张谦; 张国斌; 侯晓勇; 霍红岩; 杜荣华; 辛晓钢; 秦成果; 魏东; 党少佳; 李荣丽
Original assignee: Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd
Current assignee: Inner Mongolia Electric Power Research Institute of Inner Mongolia Power Group Co Ltd
Priority date: 2020-09-22
Filing date: 2020-09-22
Publication date: 2020-12-29
Anticipated expiration: 2040-09-22
Also published as: CN112149903B

Abstract

本发明公开了基于BP神经网络算法的火电机组一次调频分析与优化方法，包括如下步骤：获取一次调频性能指标考核数据、火电发电机组PMU子***上传的运行数据、对应火电发电机组DCS***和DEH***中机组相关运行数据；将一次调频性能指标考核中的指数分别与可能影响一次调频考核性能的因素进行相关性计算，根据计算结果提取影响因素的衍生变量；利用BP神经网络算法构建一次调频分析与诊断***，对一次调频考核性能指标结果进行模式识别，训练***参数；在约束范围内变异衍生变量，代入已经训练好的BP神经网络模型中迭代计算；根据满足模型输出变为合格的衍生变量的变异方向和程度，对一次调频性能考核指标不合格的原因进行逆向分析，得到优化方案。

Description

基于BP神经网络算法的火电机组一次调频分析与优化方法

技术领域

本发明涉及发电机组领域，具体是基于BP神经网络算法的火电机组一次调频分析与优化方法。

背景技术

现有技术对综合改善火电机组一次调频性能的针对性和实用性不强。首先火电机组参数不同、运行设备状态不同甚至机组相关组态逻辑的差异决定了每台机组一次调频动作考核结果不合格的原因不尽相同，有单一因素影响但更多的是多重因素共同影响，因此需要从多重方面进行综合分析与优化。因此对每台机组一次调频动作情况进行针对性的分析和诊断，并在基础上提出定制化的优化方案变得尤为必要。现有技术或只能预测当前的一次调频能力，或只从单一因素寻找一次调频被考核的原因，或找到影响一次调频性能考核指标的原因却无法进一步针对性的提出定性、定量的改善方法或意见。

发明内容

本发明的目的在于克服现有技术的不足，提供基于BP神经网络算法的火电机组一次调频分析与优化方法，包括如下步骤：

步骤一，获取一次调频性能指标考核数据、火电发电机组PMU子***上传的运行数据、对应火电发电机组DCS***和DEH***中机组相关运行数据；

步骤二，将一次调频性能指标考核中的15S出力响应指数、30S出力响应指数、电量贡献指数分别与可能影响一次调频考核性能的因素进行相关性计算，根据计算结果，进行相关性大小排序，根据相关性排序确定影响因素，根据影响因素提取影响因素的衍生变量；

步骤三，利用BP神经网络算法构建一次调频分析与诊断***，对一次调频考核性能指标结果进行模式识别，训练***参数；

步骤四，在约束范围内变异衍生变量，代入已经训练好的BP神经网络模型中迭代计算直到模型输出结果由不合格变为合格；

步骤五，根据步骤四中满足模型输出变为合格的衍生变量的变异方向和程度，对一次调频性能考核指标不合格的原因进行逆向分析，得到优化方案。

进一步的，所述的一次调频性能指标考核数据包括发电机组额定容量、网内一次调频动作起止时间、一次调频动作频率初值、一次调频动作频率极值、15S出力响应指数、30S出力响应指数、电量贡献指数；所述的火电发电机组PMU子***上传的运行数据包括有功功率、频率、转速、机组调节级压力、协调控制***中一次调频修正前负荷指令、协调控制***中一次调频修正后负荷指令、汽门开度信号、一次调频动作信号、一次调频投入信号、机炉协调信号；所述的对应火电发电机组DCS***和DEH***中机组相关运行数据包括主蒸汽压力、主蒸汽压力温度、主蒸汽流量、高压调节阀开度指令、高压调节阀开度反馈。

进一步的，所述的将一次调频性能指标考核中的15S出力响应指数、30S出力响应指数、电量贡献指数分别与可能影响一次调频考核性能的因素进行相关性计算，根据相关系数计算结果，进行相关性大小排序，根据相关性排序确定影响因素，根据影响因素提取影响因素的衍生变量,包括如下过程：

相关系数ρ_xy的计算：以可能影响一次调频考核性能的因素之一为因变量X，以一次调频性能指标考核之一为自变量Y，计算公式为

其中σ_x是因变量的标准差,σ_Y是自变量的标准差,Cov[X，Y]＝E[(X-u)(Y-v)]是自变量与因变量的协方差，u是因变量的期望值，v是自变量的期望值；

将一次调频性能指标考核中的15S出力响应指数、30S出力响应指数、电量贡献指数分别与可能影响一次调频考核性能的因素进行相关性计算，所述的可能影响一次调频考核性能的因素包括机组计算频率与电网考核频率偏差、主蒸汽压力、转速不等率、机组阀门开度、同时刻AGC调节方向、机组阀门流量特性等；再根据相关性大小进行排序，根据相关性大小排序结果的前5个因素，确定影响一次调频考核性能的因素为机组主蒸汽压力、机组转速不等率、机组阀门流量特性线性度、机组频率偏差、机组AGC调节指令同向性五个影响因素。

进一步的，所述的影响因素的衍生变量包括：

主蒸汽压力衍生变量：将一次调频动作考核时间段内主蒸汽压力与额定主蒸汽压力的比值作为衡量主蒸汽压力大小的衍生变量；

机组阀门流量特性线性度衍生变量：将一次调频动作考核时间段内实际主蒸汽流量变化量的百分数与同时间段内流量指令变化量的百分数的比值作为衡量机组局部流量特性的衍生变量；

机组频率偏差衍生变量：电网考核用的频率偏差是一次调频动作考核时间段内电网额定频率与电网考核基准点频率的差值；机组一次调频动作响应到的频率偏差＝(协调控制***中一次调频修正后负荷指令-协调控制***中一次调频修正前负荷指令)*(50*机组转速不等率)/机组额定有功功率；以机组一次调频动作响应到的频率偏差与电网考核用的频率偏差的比值作为衡量频率偏差测量误差的衍生向量；

机组转速不等率衍生变量：机组转速不等率是机组一次调频组态逻辑中的设定常数，设定范围为4％至5％。电网考核标准为5％，将5％与机组实际设定的转速不等率的比值作为衡量机组转速不等率设置大小的衍生变量；

机组AGC指令同向性衍生变量：将一次调频动作考核时间段内AGC指令的变化量与一次调频理论动作变化量的矢量比值作为衡量AGC指令与一次调频动作方向同向性的衍生变量。

进一步的，所述的利用BP神经网络算法构建一次调频分析与诊断***，对一次调频考核性能指标结果进行模式识别，训练***参数，包括如下过程：

调度中心考核数据、衍生向量归一化处理后的数据作为输入，相对应的机组一次调频性能指标考核结果作为输出，分别搭建15S出力响应指数模型、30S出力响应指数模型、电量贡献指数模型，训练该***得到该***模型的权重和阈值。

进一步的，所述的在约束范围内变异衍生变量，代入已经训练好的BP神经网络模型中迭代计算直到模型输出结果由不合格变为合格包括如下过程：逐一变异单个或多个衍生变量，利用训练得到的专家诊断***重新迭代计算，直到一次调频性能指标考核结果由不合格变为合格；当一次调频性能指标考核结果由不合格变为合格时，根据此时已经变异的衍生变量的变异方向和程度，对一次调频性能考核指标不合格的原因进行逆向分析，继而得到相应的优化策略。

进一步的，所述的逐一变异单个或多个衍生变量具体的过程为：从与考核指标相关性最大的衍生变量开始变异，变异方法为将该衍生变量当前值设为初值α₀，以设定的变异步长为单次变化量d，则该衍生变量第n次变异后的值α_n＝α₀+n*d，每变异一次则利用变异后的值重新进行一次计算，直到模型输出结果由不合格变为合格或者α_n的值超出了变异范围；若α_n的值已经达到了变异范围的上限值而模型输出结果仍为不合格，则依次选取相关性小于当前衍生变量的衍生变量继续变异，直到模型输出结果由不合格变为合格或者全部衍生变量都已变异完成。

本发明的有益效果是：针对性强，原始数据直接从电网考核***内提取，直接针对火电机组一次调频考核性能指标为因变量进行分析，最终形成的优化策略也是专门以提升一次调频考核性能指标为目标设置。应用此技术，可提高火电厂一次调频动作考核合格率，增强电网网频的稳定性和调节能力。

实用性强，提取的特征变量及衍生变量分别对应主蒸汽压力、转速不等率、机组阀门流量特性、频率偏差、AGC调节指令同向性五个要素。应用此技术，可根据相关性大小的顺序定性定量的给出针对性的改善和提升策略，且可直接指导机组进行优化工作。

附图说明

图1为基于BP神经网络算法的火电机组一次调频分析与优化方法。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，该方法主要有以下步骤构成：

其中σ_x是因变量的标准差,σ_Y是自变量的标准差,Cov[Y，Y]＝E[(X-u)(Y-v)]是自变量与因变量的协方差，u是因变量的期望值，v是自变量的期望值；

进一步的，所述的影响因素的衍生变量包括：

(1)获取数据。

从电网调度中心WARMS***数据库中调取一次调频性能指标考核数据，包括发电机组额定容量、网内一次调频动作起止时间、一次调频动作频率初值、一次调频动作频率极值、15S出力响应指数、30S出力响应指数、电量贡献指数。

从电网调度中心WARMS***数据库中调取火电发电机组PMU子***上传的运行数据，包括有功功率、频率、转速、机组调节级压力、协调控制***中一次调频修正前负荷指令、协调控制***中一次调频修正后负荷指令、汽门开度信号、一次调频动作信号、一次调频投入信号、机炉协调信号。

从对应火电发电机组DCS***和DEH***中调取机组相关运行数据，包括主蒸汽压力、主蒸汽压力温度，主蒸汽流量、高压调节阀开度指令、高压调节阀开度反馈等。

(2)一次调频考核指标性能影响因素的定性、定量分析。

将一次调频性能指标考核中的15S出力响应指数、30S出力响应指数、电量贡献指数与可能影响一次调频考核性能的因素分别计算相关系数，如机组计算频率与电网考核频率偏差、主蒸汽压力、转速不等率、机组阀门开度、同时刻AGC调节方向、机组阀门流量特性等；再根据相关性大小进行排序,

(3)提取能表征一次调频考核指标性能影响因素的衍生变量。

根据上一步骤的分析结果，确立机组主蒸汽压力、机组转速不等率、机组阀门流量特性线性度、机组频率偏差、机组AGC调节指令同向性五个影响因素。

机组阀门流量特性线性度衍生变量：将一次调频动作考核时间段内实际主蒸汽流量变化量的百分数与同时间段内流量指令(PMU***内称之为汽门开度信号)变化量的百分数的比值作为衡量机组局部流量特性的衍生变量；

机组频率偏差衍生变量：电网考核用的频率偏差是一次调频动作考核时间段内电网额定频率与电网考核基准点频率的差值。机组一次调频动作响应到的频率偏差为一次调频动作考核时间段内的机组实测网频与额定网频的差值，也可用公式计算机组一次调频动作响应到的频率偏差＝(协调控制***中一次调频修正后负荷指令-协调控制***中一次调频修正前负荷指令)*(50*机组转速不等率)/机组额定有功功率。以机组一次调频动作响应到的频率偏差与电网考核用的频率偏差的比值作为衡量频率偏差测量误差的衍生向量；

机组转速不等率衍生变量：机组转速不等率是机组一次调频组态逻辑中的设定常数，设定范围为4％至5％。电网考核标准为5％，因此将5％与机组实际设定的转速不等率的比值作为衡量机组转速不等率设置大小的衍生变量；

(4)利用BP神经网络算法构建一次调频分析与诊断***，对一次调频考核性能指标结果进行模式识别，训练***参数。

利用上一步骤中通过调度中心考核数据以及大数据平台挖掘得到的五个特征衍生向量归一化处理后的数据和相对应的机组一次调频性能指标考核结果作为输入输出，其中归一化处理的是最大-最小标准化对原始数据进行线性变换，设A变量中一个输入的原始数据为x，A变量最大值为max(A)，A变量最小值为min(A)，则x通过

最大-最小标准化处理过后的

分别搭建15S出力响应指数模型、30S出力响应指数模型、电量贡献指数模型，反复训练该***得到该***模型的权重和阈值。以15S出力响应指数模型为例，需要输入层神经元为五个(五个特征衍生变量)和输出层神经元个数为一个(15S出力响应指数考核结果)，隐层神经元个数为八个，建立[5,8,1]的神经元矩阵结构。取N次一次调频动作考核数据，其中N/2次为一次调频动作性能指标都合格的数据，另N/2次为一次调频动作性能指标不都合格的数据，则输入矩阵为N行5列[N，5]，输出矩阵为N行1列[N，1]。隐层激活函数取用不对称型Sigmoid函数tansig，输出层激活函数取用purelin，训练函数取用traincgf。学习速率取0.05，最大次数取10000，终止迭代的误差目标取0.001。30S出力响应指数模型、电量贡献指数模型同15S出力响应指数模型。

(5)在约束范围内适度“变异”衍生变量，代入已经训练好的BP神经网络模型中迭代计算直到模型输出结果由不合格变为合格。

在合理范畴内逐一“变异”单个或多个衍生变量，利用训练得到的专家诊断***重新迭代计算，使原本一次调频性能指标考核结果由不合格的变为合格。当一次调频性能指标考核结果由不合格变为合格时，根据此时已经变异的衍生变量的变异方向和程度，对一次调频性能考核指标不合格的原因进行逆向分析，继而得到相应的优化策略。

衍生变量适度“变异”的约束范围：

频率偏差变异范围：若火电机组实际响应的网频偏差小于电网基准点频率偏差，则频差变异范围为{火电机组实际反应的网频偏差，电网基准点频率偏差}；若火电机组实际反应的网频偏差大于或等于电网基准点频率偏差则无需变异。

频率偏差变异步长：0.001Hz。

转速不等率变异范围：若实际转速不等率大于或等于5％，则转速不等率变异范围为{4％,5％}；若实际转速不等率小于或等于4％，则转速不等率无需变异。

转速不等率变异步长：0.1％。

主蒸汽压力变异范围：若当前主蒸汽压力小于以当前发电机有功功率值在该机组滑压特性曲线对应的主蒸汽压力设定值的1.15倍，则以火电机组当前发电机有功功率值在该机组滑压特性曲线对应的主蒸汽压力设定值的1.15倍为变异范围上限，且当该值大于或等于机组额定主汽压力值时，以机组额定主汽压力值为变异范围上限，主蒸汽压力变异范围为{当前主蒸汽压力值,Min(当前发电机有功功率值在该机组滑压特性曲线对应的主蒸汽压力设定值的1.15倍，额定主蒸汽压力)}。若当前主蒸汽压力大于或等于以当前发电机有功功率值在该机组滑压特性曲线对应的主蒸汽压力设定值的1.15倍时，则无需变异。

主蒸汽压力变异步长：0.01MPa。

机组流量特性线性度变异范围：若当前流量特性线性度比值小于100％，则以100％为变异范围上限，则流量特性线性度比值变异范围为{流量特性比值,100％}；若当前流量特性比值线性度大于或等于100％时，则无需变异。

机组流量特性线性度变异步长：0.1％。

AGC指令同向性变异范围：若一次调频动作考核时间段内AGC指令变化量与一次调频理论变化量矢量比值为负值即AGC指令增减方向与一次调频动作方向相反，则直接将AGC指令同向性变异为0；若一次调频动作考核时间段内AGC指令变化量与一次调频理论变化量矢量比值为正值即AGC指令增减方向与一次调频动作方向相同时，则无需变异。

默认变异顺序：AGC指令同向性变异→流量特性变异→主蒸汽压力变异→实际转速不等率变异→频差变异。

实际以各衍生标量权重值大小顺序而定，由大到小依次变异，直到迭代计算的一次调频性能指标考核结果由不合格变为合格，对应15S出力响应指数由小于75％变为大于等于75％(若15S出力响应指数本身就大于等于75％，则无需针对此指标对衍生变量进行变异)，对应30S出力响应指数由小于90％变为大于等于90％(若30S出力响应指数本身就大于等于90％，则无需针对此指标对衍生变量进行变异)，对应电量贡献指数由小于75％变为大于等于75％(若电量贡献指数本身就大于等于75％，则无需针对此指标对衍生变量进行变异)。

记录衡量一次调频动作考核性能的衍生变量量纲范围：

AGC指令同向性R_初始值(Reversibility){负无穷,正无穷}

流量特性线性度L_初始值(Linearity){0，正无穷}

主蒸汽压力P_初始比值(Pressure){0,正无穷}

转速不等率δ_初始比值{1.0，1.25}

频率偏差H_初始比值(Hz){负无穷,正无穷}

满足模型输出变为合格的衍生变量的变异方向和程度：

15S出力响应指数由不合格变为合格所需的衍生变量：R_15S、L_15S、P_15S、δ_15S、H_15S，其变异程度ΔR_15S＝R_15S-R_初始，ΔL_15S＝L_15S-L_初始，ΔP_15S＝P_15S-P_初始，Δδ_15S＝δ_初始-δ_15S，ΔH_15S＝H_15S-H_初始(若任意项衍生变量在此过程中无需变异，则该项对应的Δ值为零)，

30S出力响应指数由不合格变为合格所需的衍生变量：R_30S、L_30S、P_30S、δ_30S、H_30S，其变异程度ΔR_30S＝R_30S-R_初始，ΔL_30S＝L_30S-L_初始，ΔP_30S＝P_30S-P_初始，Δδ_30S＝δ_初始-δ_30S，ΔH_30S＝H_30S-H_初始(若任意项衍生变量在此过程中无需变异，则该项对应的Δ值为零)，

电量贡献指数由不合格变为合格所需的衍生变量：R_电量、L_电量、P_电量、δ_电量、H_电量，其变异程度ΔR_电量＝R_电量-R_初始，ΔL_电量＝L_电量-L_初始，ΔP_电量＝P_电量-P_初始，Δδ_电量＝δ_初始-δ_电量，ΔH_电量＝H_电量-H_初始(若任意项衍生变量在此过程中无需变异，则该项对应的Δ值为零)，

(6)根据上一步骤中满足模型输出变为合格的衍生变量的变异方向和程度，对一次调频性能考核指标不合格的原因进行逆向分析，并在此基础上提出针对性的优化方案。

单次一次调频动作性能考核情况分析：要满足三个考核指标都合格需要的衍生变量及其变异程度为ΔR＝Max(ΔR_15S，ΔR_30S，ΔR_电量)，ΔL＝Max(ΔL_15S，ΔL_30S，ΔL_电量)，ΔP＝Max(ΔP_15S，ΔP_30S，ΔP_电量)，Δδ＝Max(Δδ_15S，Δδ_30S，Δδ_电量)，ΔH＝Max(ΔH_15S，ΔH_30S，ΔH_电量)

即条件需满足{Max(ΔR_15S，ΔR_30S，ΔR_电量)∪Max(ΔL_15S，ΔL_30S，ΔL_电量)∪Max(ΔP_15S，ΔP_30S，ΔP_电量)∪Max(Δδ_15S，Δδ_30S，Δδ_电量)∪Max(ΔH_15S，ΔH_30S，ΔH_电量)}＝{ΔR∪ΔL∪ΔP∪Δδ∪ΔH}。

多次一次调频动作性能考核情况统计性分析：统计N/2次一次调频动作性能指标考核分析情况，即遍历{ΔR_i∪ΔL_i∪ΔP_i∪ΔT_i∪Δδ_i∪ΔH_i},i＝1,2,3......,N/2。统计ΔR_i不等于0的次数，记为M_R，0≤M_R≤N/2；统计ΔL_i不等于0的次数，记为M_L，0≤M_L≤N/2；统计ΔP_i不等于0的次数，记为M_P，0≤M_P≤N/2；统计Δδ_i不等于0的次数，记为M_δ，0≤M_δ≤N/2；统计ΔH_i不等于0的次数，记为M_H，0≤M_H≤N/2；计算每一个影响因素触发的频率C_R＝2M_R/N*100％，C_L＝2M_L/N*100％，C_P＝2M_P/N*100％，C_δ＝2M_δ/N*100％，C_H＝2M_H/N*100％。

ΔR_max＝max(ΔR_i)，ΔL_max＝max(ΔL_i)，ΔP_max＝max(ΔP_i)，Δδ_max＝max(Δδ_i)，ΔH_max＝max(ΔH_i)，i＝1,2,3......,N/2。最终的优化方案可以{ΔR_max∪ΔL_max∪ΔP_max∪Δδ_max∪ΔH_max}为参考依据。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims

1.基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，所述的一次调频性能指标考核数据包括发电机组额定容量、网内一次调频动作起止时间、一次调频动作频率初值、一次调频动作频率极值、15S出力响应指数、30S出力响应指数、电量贡献指数；所述的火电发电机组PMU子***上传的运行数据包括有功功率、频率、转速、机组调节级压力、协调控制***中一次调频修正前负荷指令、协调控制***中一次调频修正后负荷指令、汽门开度信号、一次调频动作信号、一次调频投入信号、机炉协调信号；所述的对应火电发电机组DCS***和DEH***中机组相关运行数据包括主蒸汽压力、主蒸汽压力温度、主蒸汽流量、高压调节阀开度指令、高压调节阀开度反馈。

3.根据权利要求1所述的基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，所述的将一次调频性能指标考核中的15S出力响应指数、30S出力响应指数、电量贡献指数分别与可能影响一次调频考核性能的因素进行相关性计算，根据相关系数计算结果，进行相关性大小排序，根据相关性排序确定影响因素，根据影响因素提取影响因素的衍生变量,包括如下过程：

4.根据权利要求1所述的基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，所述的影响因素的衍生变量包括：

5.根据权利要求1所述的基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，所述的利用BP神经网络算法构建一次调频分析与诊断***，对一次调频考核性能指标结果进行模式识别，训练***参数，包括如下过程：

6.根据权利要求1所述的基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，所述的在约束范围内变异衍生变量，代入已经训练好的BP神经网络模型中迭代计算直到模型输出结果由不合格变为合格包括如下过程：逐一变异单个或多个衍生变量，利用训练得到的专家诊断***重新迭代计算，直到一次调频性能指标考核结果由不合格变为合格；当一次调频性能指标考核结果由不合格变为合格时，根据此时已经变异的衍生变量的变异方向和程度，对一次调频性能考核指标不合格的原因进行逆向分析，继而得到相应的优化策略。

7.根据权利要求6所述的基于BP神经网络算法的火电机组一次调频分析与优化方法，其特征在于，所述的逐一变异单个或多个衍生变量具体的过程为：从与考核指标相关性最大的衍生变量开始变异，变异方法为将该衍生变量当前值设为初值α₀，以设定的变异步长为单次变化量d，则该衍生变量第n次变异后的值α_n＝α₀+n*d，每变异一次则利用变异后的值重新进行一次计算，直到模型输出结果由不合格变为合格或者α_n的值超出了变异范围；若α_n的值已经达到了变异范围的上限值而模型输出结果仍为不合格，则依次选取相关性小于当前衍生变量的衍生变量继续变异，直到模型输出结果由不合格变为合格或者全部衍生变量都已变异完成。