CN115481815A - 基于神经网络的火电厂负荷分配***及方法 - Google Patents

基于神经网络的火电厂负荷分配***及方法 Download PDF

Info

Publication number
CN115481815A
CN115481815A CN202211242130.7A CN202211242130A CN115481815A CN 115481815 A CN115481815 A CN 115481815A CN 202211242130 A CN202211242130 A CN 202211242130A CN 115481815 A CN115481815 A CN 115481815A
Authority
CN
China
Prior art keywords
data
real
neural network
power plant
thermal power
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.)
Pending
Application number
CN202211242130.7A
Other languages
English (en)
Inventor
秦铭阳
江鹏宇
焦爽
袁世通
杨亚飞
王飞
张明明
杨宏佳
马仁婷
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.)
Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute Co Ltd
Original Assignee
Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute 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 Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute Co Ltd filed Critical Zhongnan Electric Power Test and Research Institute of China Datang Group Science and Technology Research Institute Co Ltd
Priority to CN202211242130.7A priority Critical patent/CN115481815A/zh
Publication of CN115481815A publication Critical patent/CN115481815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers

Landscapes

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

Abstract

本申请公开了一种基于神经网络的火电厂负荷分配***及方法。该***可以包括：标准曲线获取模块、数据采集模块、数据处理模块、拟合迭代模块；标准曲线获取模块，用于根据历史数据获取标准曲线；数据采集模块，用于采集火电厂运行的实时负荷数据，将实时负荷数据传输至数据处理模块；数据处理模块，用于对数据采集模块采集到的实时负荷数据进行预处理，并发送给拟合迭代模块；拟合迭代模块，用于以标准曲线为输出，根据经过数据处理的实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果。本发明针对火电厂参数的特点，采用神经网络模型对机组负荷进行分配优化。

Description

基于神经网络的火电厂负荷分配***及方法
技术领域
本发明涉及火电厂控制领域，更具体地，涉及一种基于神经网络的火电厂负荷分配***及方法。
背景技术
在火电厂生产过程中，负荷是运行机组的重要参数之一。快速、有效且准确的预测负荷对火电厂的生产运行调度具有重要的指导作用，不仅有利于生产企业节约原料、降低发电成本、同时也能对设备的故障诊断起到辅助监测及预警作用。
由于电网的用电负荷是一个不断变化的数据，为了保证电网负荷的平衡，火电厂的负荷也需要进行同步调整。实际生产过程中，火电厂机组负荷的数值变化受电网调度、机组设备运行情况、水汽质量以及不同工况条件等因素影响，在一段时间内负荷整体呈现波动，这样也给负荷数据的挖掘及预测带来一定困难。
以往的火电厂负荷预测问题大多通过对数据建立数学模型，如基于微分方程的灰色模型、基于自回归滑动平均的ARMA(auto-regressive and moving average model)模型以及非线性映射的神经网络模型，进而对数据进行建模和预测分析。但是，由于火电厂机组运行参数纷繁复杂，且时刻都在动态变化，这就导致现有的数据建模方法常常无法做到火电厂不同机组负荷的最优分配，优化效果有限。
因此，有必要开发一种基于神经网络的火电厂负荷分配***及方法。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于神经网络的火电厂负荷分配***及方法，其针对火电厂参数的特点，采用神经网络模型对机组负荷进行分配优化。
第一方面，本公开实施例提供了一种基于神经网络的火电厂负荷分配***，包括标准曲线获取模块、数据采集模块、数据处理模块、拟合迭代模块；
标准曲线获取模块，用于根据历史数据获取标准曲线；
数据采集模块，用于采集火电厂运行的实时负荷数据，将所述实时负荷数据传输至所述数据处理模块；
数据处理模块，用于对所述数据采集模块采集到的所述实时负荷数据进行预处理，并发送给所述拟合迭代模块；
拟合迭代模块，用于以所述标准曲线为输出，根据经过数据处理的所述实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果。
优选地，所述历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。
优选地，对所述数据采集模块采集到的所述实时负荷数据进行预处理包括：
将P个所述实时负荷数据进行聚类分析，得到K个实时负荷数据集合，所述K为正整数；
将所述K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，所述Q为大于或等于所述K的整数；
从所述Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到所述Q个实时负荷数据。
优选地，以所述标准曲线为输出，根据经过数据处理的所述实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果包括：
通过所述历史数据与标准曲线训练所述神经网络；
根据所述实时负荷数据确定初始负荷分配数据；
将所述初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；
将所述拟合曲线与所述标准曲线进行对比，误差大于设定阈值则调整所述初始负荷分配数据进行迭代，直至所述拟合曲线与所述标准曲线的误差小于所述设定阈值，则对应的负荷分配数据即为负荷分配结果。
优选地，通过所述历史数据与标准曲线训练所述神经网络包括：
分别将多组历史数据输入所述神经网络，得到第一次迭代后的输出结果；
将第一次迭代后的输出结果再次输入所述神经网络，进行n轮迭代，每次迭代过程中，调节所述神经网络的权值信息；
当不同组的历史数据对应的输出结果与所述标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络。
第二方面，本公开实施例还提供了一种基于神经网络的火电厂负荷分配方法，包括：
根据历史数据对神经网络进行训练，获取训练完成的神经网络；
采集火电厂运行的实时负荷数据并进行预处理；
将经过数据处理的所述实时负荷数据输入所述训练完成的神经网络，获得火电厂负荷分配结果。
优选地，所述历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。
优选地，对所述实时负荷数据进行预处理包括：
将P个所述实时负荷数据进行聚类分析，得到K个实时负荷数据集合，所述K为正整数；
将所述K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，所述Q为大于或等于所述K的整数；
从所述Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到所述Q个实时负荷数据。
优选地，以所述标准曲线为输出，根据经过数据处理的所述实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果包括：
通过所述历史数据与标准曲线训练所述神经网络；
根据所述实时负荷数据确定初始负荷分配数据；
将所述初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；
将所述拟合曲线与所述标准曲线进行对比，误差大于设定阈值则调整所述初始负荷分配数据进行迭代，直至所述拟合曲线与所述标准曲线的误差小于所述设定阈值，则对应的负荷分配数据即为负荷分配结果。
优选地，通过所述历史数据与标准曲线训练所述神经网络包括：
分别将多组历史数据输入所述神经网络，得到第一次迭代后的输出结果；
将第一次迭代后的输出结果再次输入所述神经网络，进行n轮迭代，每次迭代过程中，调节所述神经网络的权值信息；
当不同组的历史数据对应的输出结果与所述标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的一种基于神经网络的火电厂负荷分配***的框图。
图2示出了根据本发明的一个实施例的基于神经网络的火电厂负荷分配方法的步骤的流程图。
附图标记说明：
1、标准曲线获取模块；2、数据采集模块；3、数据处理模块；4、拟合迭代模块。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
为便于理解本发明实施例的方案及其效果，以下给出两个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
本实施例公开了一种基于神经网络的火电厂负荷分配***，包括标准曲线获取模块、数据采集模块、数据处理模块、拟合迭代模块；
标准曲线获取模块，用于根据历史数据获取标准曲线；
数据采集模块，用于采集火电厂运行的实时负荷数据，将实时负荷数据传输至数据处理模块；
数据处理模块，用于对数据采集模块采集到的实时负荷数据进行预处理，并发送给拟合迭代模块；
拟合迭代模块，用于以标准曲线为输出，根据经过数据处理的实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果。
在一个示例中，历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。
在一个示例中，对数据采集模块采集到的实时负荷数据进行预处理包括：
将P个实时负荷数据进行聚类分析，得到K个实时负荷数据集合，K为正整数；
将K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，Q为大于或等于K的整数；
从Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到Q个实时负荷数据。
在一个示例中，以标准曲线为输出，根据经过数据处理的实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果包括：
通过历史数据与标准曲线训练神经网络；
根据实时负荷数据确定初始负荷分配数据；
将初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；
将拟合曲线与标准曲线进行对比，误差大于设定阈值则调整初始负荷分配数据进行迭代，直至拟合曲线与标准曲线的误差小于设定阈值，则对应的负荷分配数据即为负荷分配结果。
在一个示例中，通过历史数据与标准曲线训练神经网络包括：
分别将多组历史数据输入神经网络，得到第一次迭代后的输出结果；
将第一次迭代后的输出结果再次输入神经网络，进行n轮迭代，每次迭代过程中，调节神经网络的权值信息；
当不同组的历史数据对应的输出结果与标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络。
图1示出了根据本发明的一个实施例的一种基于神经网络的火电厂负荷分配***的示意图。
具体地，如图1所示，该基于神经网络的火电厂负荷分配***，包括：
标准曲线获取模块1，用于根据历史数据获取标准曲线，其中，历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率；
数据采集模块2，用于采集火电厂运行的实时负荷数据，将实时负荷数据传输至数据处理模块3；
数据处理模块3，用于根据聚类分析对数据采集模块2采集到的实时负荷数据进行预处理，对训练数据进行预处理，形成多个以实时负荷为关联目标的数据集，具体为：将P个实时负荷数据进行聚类分析，得到K个实时负荷数据集合，K为正整数，由于聚类分析有一定的局限性，因此，分类存在一定的误差，因此，进一步地，将K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，Q为大于或等于K的整数；从Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到Q个实时负荷数据；将预处理后的实时负荷数据发送给拟合迭代模块4；
拟合迭代模块4，通过历史数据与标准曲线训练神经网络，分别将多组历史数据输入神经网络，得到第一次迭代后的输出结果；将第一次迭代后的输出结果再次输入神经网络，进行n轮迭代，每次迭代过程中，调节神经网络的权值信息；当不同组的历史数据对应的输出结果与标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络；根据实时负荷数据确定初始负荷分配数据；将初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；将拟合曲线与标准曲线进行对比，误差大于设定阈值则调整初始负荷分配数据进行迭代，直至拟合曲线与标准曲线的误差小于设定阈值，则对应的负荷分配数据即为负荷分配结果。
实施例2
图2示出了根据本发明的一个实施例的基于神经网络的火电厂负荷分配方法的步骤的流程图。
如图2所示，该基于神经网络的火电厂负荷分配方法包括：步骤101，根据历史数据对神经网络进行训练，获取训练完成的神经网络；步骤102，采集火电厂运行的实时负荷数据并进行预处理；步骤103，将经过数据处理的实时负荷数据输入训练完成的神经网络，获得火电厂负荷分配结果。
在一个示例中，历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。
在一个示例中，对实时负荷数据进行预处理包括：
将P个实时负荷数据进行聚类分析，得到K个实时负荷数据集合，K为正整数；
将K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，Q为大于或等于K的整数；
从Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到Q个实时负荷数据。
在一个示例中，以标准曲线为输出，根据经过数据处理的实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果包括：
通过历史数据与标准曲线训练神经网络；
根据实时负荷数据确定初始负荷分配数据；
将初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；
将拟合曲线与标准曲线进行对比，误差大于设定阈值则调整初始负荷分配数据进行迭代，直至拟合曲线与标准曲线的误差小于设定阈值，则对应的负荷分配数据即为负荷分配结果。
在一个示例中，通过历史数据与标准曲线训练神经网络包括：
分别将多组历史数据输入神经网络，得到第一次迭代后的输出结果；
将第一次迭代后的输出结果再次输入神经网络，进行n轮迭代，每次迭代过程中，调节神经网络的权值信息；
当不同组的历史数据对应的输出结果与标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络。
具体地，根据历史数据获取标准曲线，其中，历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率；
采集火电厂运行的实时负荷数据并根据聚类分析对实时负荷数据进行预处理，对训练数据进行预处理，形成多个以实时负荷为关联目标的数据集，具体为：将P个实时负荷数据进行聚类分析，得到K个实时负荷数据集合，K为正整数，由于聚类分析有一定的局限性，因此，分类存在一定的误差，因此，进一步地，将K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，Q为大于或等于K的整数；从Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到Q个实时负荷数据；
通过历史数据与标准曲线训练神经网络，分别将多组历史数据输入神经网络，得到第一次迭代后的输出结果；将第一次迭代后的输出结果再次输入神经网络，进行n轮迭代，每次迭代过程中，调节神经网络的权值信息；当不同组的历史数据对应的输出结果与标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络；根据实时负荷数据确定初始负荷分配数据；将初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；将拟合曲线与标准曲线进行对比，误差大于设定阈值则调整初始负荷分配数据进行迭代，直至拟合曲线与标准曲线的误差小于设定阈值，则对应的负荷分配数据即为负荷分配结果。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种基于神经网络的火电厂负荷分配***，其特征在于，包括标准曲线获取模块、数据采集模块、数据处理模块、拟合迭代模块；
标准曲线获取模块，用于根据历史数据获取标准曲线；
数据采集模块，用于采集火电厂运行的实时负荷数据，将所述实时负荷数据传输至所述数据处理模块；
数据处理模块，用于对所述数据采集模块采集到的所述实时负荷数据进行预处理，并发送给所述拟合迭代模块；
拟合迭代模块，用于以所述标准曲线为输出，根据经过数据处理的所述实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果。
2.根据权利要求1所述的基于神经网络的火电厂负荷分配***，其中，所述历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。
3.根据权利要求1所述的基于神经网络的火电厂负荷分配***，其中，对所述数据采集模块采集到的所述实时负荷数据进行预处理包括：
将P个所述实时负荷数据进行聚类分析，得到K个实时负荷数据集合，所述K为正整数；
将所述K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，所述Q为大于或等于所述K的整数；
从所述Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到所述Q个实时负荷数据。
4.根据权利要求1所述的基于神经网络的火电厂负荷分配***，其中，以所述标准曲线为输出，根据经过数据处理的所述实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果包括：
通过所述历史数据与标准曲线训练所述神经网络；
根据所述实时负荷数据确定初始负荷分配数据；
将所述初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；
将所述拟合曲线与所述标准曲线进行对比，误差大于设定阈值则调整所述初始负荷分配数据进行迭代，直至所述拟合曲线与所述标准曲线的误差小于所述设定阈值，则对应的负荷分配数据即为负荷分配结果。
5.根据权利要求4所述的基于神经网络的火电厂负荷分配***，其中，通过所述历史数据与标准曲线训练所述神经网络包括：
分别将多组历史数据输入所述神经网络，得到第一次迭代后的输出结果；
将第一次迭代后的输出结果再次输入所述神经网络，进行n轮迭代，每次迭代过程中，调节所述神经网络的权值信息；
当不同组的历史数据对应的输出结果与所述标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络。
6.一种基于神经网络的火电厂负荷分配方法，利用权利要求1-5中任意一项的基于神经网络的火电厂负荷分配***，其特征在于，包括：
根据历史数据对神经网络进行训练，获取训练完成的神经网络；
采集火电厂运行的实时负荷数据并进行预处理；
将经过数据处理的所述实时负荷数据输入所述训练完成的神经网络，获得火电厂负荷分配结果。
7.根据权利要求6所述的基于神经网络的火电厂负荷分配方法，其中，所述历史数据包括火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。
8.根据权利要求6所述的基于神经网络的火电厂负荷分配方法，其中，对所述实时负荷数据进行预处理包括：
将P个所述实时负荷数据进行聚类分析，得到K个实时负荷数据集合，所述K为正整数；
将所述K个实时负荷数据集合中的任一实时负荷数据集合以两两匹配的方式进行分类，得到Q个目标实时负荷数据集合，所述Q为大于或等于所述K的整数；
从所述Q个目标实时负荷数据集合中的每一目标实时负荷数据集合中选取数据质量最好的一组实时负荷数据，得到所述Q个实时负荷数据。
9.根据权利要求6所述的基于神经网络的火电厂负荷分配方法，其中，以所述标准曲线为输出，根据经过数据处理的所述实时负荷数据通过神经网络进行拟合迭代，获得火电厂负荷分配结果包括：
通过所述历史数据与标准曲线训练所述神经网络；
根据所述实时负荷数据确定初始负荷分配数据；
将所述初始负荷分配数据输入至训练完成的神经网络，拟合得到拟合曲线；
将所述拟合曲线与所述标准曲线进行对比，误差大于设定阈值则调整所述初始负荷分配数据进行迭代，直至所述拟合曲线与所述标准曲线的误差小于所述设定阈值，则对应的负荷分配数据即为负荷分配结果。
10.根据权利要求9所述的基于神经网络的火电厂负荷分配方法，其中，通过所述历史数据与标准曲线训练所述神经网络包括：
分别将多组历史数据输入所述神经网络，得到第一次迭代后的输出结果；
将第一次迭代后的输出结果再次输入所述神经网络，进行n轮迭代，每次迭代过程中，调节所述神经网络的权值信息；
当不同组的历史数据对应的输出结果与所述标准曲线的偏差率均小于设定阈值，则训练完毕，获取训练完成的神经网络。
CN202211242130.7A 2022-10-11 2022-10-11 基于神经网络的火电厂负荷分配***及方法 Pending CN115481815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211242130.7A CN115481815A (zh) 2022-10-11 2022-10-11 基于神经网络的火电厂负荷分配***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211242130.7A CN115481815A (zh) 2022-10-11 2022-10-11 基于神经网络的火电厂负荷分配***及方法

Publications (1)

Publication Number Publication Date
CN115481815A true CN115481815A (zh) 2022-12-16

Family

ID=84394417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211242130.7A Pending CN115481815A (zh) 2022-10-11 2022-10-11 基于神经网络的火电厂负荷分配***及方法

Country Status (1)

Country Link
CN (1) CN115481815A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574780A (zh) * 2024-01-15 2024-02-20 华北电力大学 一种智能火电厂负荷在线建模方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574780A (zh) * 2024-01-15 2024-02-20 华北电力大学 一种智能火电厂负荷在线建模方法及***
CN117574780B (zh) * 2024-01-15 2024-03-29 华北电力大学 一种智能火电厂负荷在线建模方法及***

Similar Documents

Publication Publication Date Title
CN113255795B (zh) 一种基于多指标集群分析的设备状态监测方法
US11755976B2 (en) Method for predicting oxygen load in iron and steel enterprises based on production plan
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN108304941A (zh) 一种基于机器学习的故障预测方法
CN111237988B (zh) 地铁车载空调机组控制方法及***
CN110571792A (zh) 一种电网调控***运行状态的分析评估方法及***
CN114580291B (zh) 一种基于lstm-vae的动设备健康状况评估方法
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及***
CN115481815A (zh) 基于神经网络的火电厂负荷分配***及方法
CN106682159A (zh) 一种阈值配置方法
CN116225102B (zh) 一种移动式的储能通信温升自动监控***及装置
CN117852896B (zh) 一种施工监理风险控制预警***及方法
CN111598328A (zh) 一种计及疫情事件的电力负荷预测方法
CN112734141B (zh) 一种多元化负荷区间预测方法及装置
CN109978396A (zh) 一种风险事件的早期筛查***及方法
CN111623905B (zh) 风电机组轴承温度预警方法及装置
CN117595231A (zh) 一种智能电网配网管理***及其方法
CN108090241A (zh) 连续性工艺的趋势变量鉴定方法与***
CN108134687B (zh) 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法
CN113408764B (zh) 基于数字孪生的产品在线技术状态管控***
CN112131069B (zh) 基于聚类的设备运行监测方法及***
CN113688973A (zh) 一种基于深度神经网络的供水泵站调度方法
CN113822473B (zh) 一种基于多维数据的牵引力能耗合理区间预测方法
CN117713688B (zh) 光伏组件在多朝向及倾角下的低效识别与电量提升方法
CN117391312B (zh) 一种智慧建筑的告警智能处理方法及***

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