本發(fā)明涉及的是一種電力節(jié)能領域的技術，具體是一種大氣溫度對聯(lián)合循環(huán)機組功率影響的調控系統(tǒng)及方法。

背景技術：

近年來，煤炭價格走高以及節(jié)能減排的要求，促使電廠進行改革以減少能耗，提高經濟性，因此對于電廠性能分析后的評價標準提出了很高的要求。機組的可比性能需要在某一設計工況下給出的性能參數(shù)、即在給定的邊界條件下機組所具有的性能。在現(xiàn)場進行性能試驗時，由于種種原因，無法使所有的邊界條件均能滿足設計條件，因此，需要對性能試驗時的邊界條件進行修正，即修正到設計條件，才能對機組給出合理的評價。通常修正后得到的修正曲線由制造廠提供的，但是機組經過一段時間運行后，特別是機組部件經過節(jié)能改造，相對于原始設計已經有所改變，原來的修正曲線不再適用。

目前對于純燒低熱值高爐煤氣燃氣‐蒸汽聯(lián)合循環(huán)機組，尚缺少大氣溫度變化對發(fā)電功率影響的修正曲線。若采用現(xiàn)有的技術方法完成發(fā)電功率的修正，需要進行很多的現(xiàn)場試驗，而且要根據(jù)大氣溫度的時間節(jié)點調整其它各參數(shù)在相同水平進行試驗，電網和電廠均不能實現(xiàn)，試驗風險大，時間長，費用高。

技術實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術存在的上述不足，提出了一種大氣溫度對聯(lián)合循環(huán)機組功率影響的調控系統(tǒng)及方法，無需進行多次試驗調試即可進行純燒低熱值高爐煤氣‐蒸汽聯(lián)合循環(huán)發(fā)電機組性能的修正，并實現(xiàn)對機組的反饋調控，為機組優(yōu)化、節(jié)能減排評估提供切實可靠的依據(jù)。

本發(fā)明是通過以下技術方案實現(xiàn)的：

本發(fā)明涉及一種基于上述大氣溫度對聯(lián)合循環(huán)機組功率影響修正方法的調控系統(tǒng)，包括：傳感測量模塊、數(shù)據(jù)庫模塊以及仿真計算模塊，其中：傳感測量模塊與仿真計算模塊相連并輸出原始采集數(shù)據(jù)，仿真計算模塊與數(shù)據(jù)庫模塊相連并輸出測點原始數(shù)據(jù)和發(fā)電功率數(shù)據(jù)，數(shù)據(jù)庫模塊與仿真計算模塊相連并輸出原始樣本數(shù)據(jù)集，仿真計算模塊根據(jù)發(fā)電功率修正模型及修正曲線反饋調節(jié)機組運行，以提高或降低發(fā)電功率。

本發(fā)明涉及上述系統(tǒng)的大氣溫度對聯(lián)合循環(huán)機組功率影響的修正方法，首先通過傳感測量模塊進行原始數(shù)據(jù)采集，并通過仿真計算模塊進行數(shù)據(jù)的無量綱化處理，得到不同大氣溫度下、某一標準發(fā)電功率時，高爐煤氣‐蒸汽聯(lián)合循環(huán)發(fā)電機組上的測點原始數(shù)據(jù)及發(fā)電功率數(shù)據(jù)，把同一大氣溫度對應的測點原始數(shù)據(jù)和發(fā)電功率數(shù)據(jù)作為一個樣本組存儲于數(shù)據(jù)庫模塊中；然后仿真計算模塊從數(shù)據(jù)庫模塊中選取若干樣本組構建原始樣本數(shù)據(jù)集，并確定原始樣本數(shù)據(jù)集中測點原始數(shù)據(jù)和發(fā)電功率數(shù)據(jù)的最大值和最小值；最后將測點原始數(shù)據(jù)歸一化后作為輸入層數(shù)據(jù)通過BP神經網絡計算得到中間目標數(shù)據(jù)，將中間目標數(shù)據(jù)與發(fā)電功率數(shù)據(jù)歸一化后得到的目標輸出數(shù)據(jù)進行誤差計算，得到發(fā)電功率修正模型；選取接近額定參數(shù)的一組測點原始數(shù)據(jù)作為基數(shù)，僅改變大氣溫度，仿真計算模塊在發(fā)電功率修正模型的基礎上計算得到大氣溫度變化對聯(lián)合循環(huán)發(fā)電機組發(fā)電功率影響的修正曲線。

所述的標準發(fā)電功率為80MW、90MW、100MW、110MW或120MW。

所述的原始樣本數(shù)據(jù)集為包括聯(lián)合循環(huán)發(fā)電機組運行可提供的最小發(fā)電功率和最大發(fā)電功率在內的多個樣本組。

所述的BP神經網絡計算包括以下步驟：

S₁，原始樣本數(shù)據(jù)集歸一化：其中：i表示測點序號，i＝1，2，...，n；p表示原始樣本數(shù)據(jù)集中樣本組的序號，p＝1，2，...，N；N為原始樣本數(shù)據(jù)集中的樣本組數(shù)量；x′_ip表示原始樣本數(shù)據(jù)集中第p樣本組第i個測點的測點原始數(shù)據(jù)，x_ip為x′_ip歸一化后的值，稱為測點輸入數(shù)據(jù)；x′_0p表示原始樣本數(shù)據(jù)集中的發(fā)電功率數(shù)據(jù)，x_0p為x′_0p歸一化后的值，稱為目標輸出數(shù)據(jù)；x′_imin、x′_imax分別表示原始樣本數(shù)據(jù)集中第i個測點的最小值和最大值；x′_0min、x′_0max表示原始樣本數(shù)據(jù)集中發(fā)電功率的最小值和最大值；

S₂，確定中間隱層節(jié)點的數(shù)目并初始化第p樣本組的連接權矩陣，其中p＝1，即對第1樣本組的輸入層數(shù)據(jù)權矩陣V_ij和中間隱層數(shù)據(jù)權矩陣W_j進行初始化：為連接權矩陣內每個元素賦初始值為0～1之間的隨機數(shù)得到原始連接權矩陣，其中：j表示中間隱層節(jié)點序號，j＝1，2，...，m；V_ij是n×m階權矩陣，W_j是1×m階權矩陣，m為中間隱層節(jié)點數(shù)，m根據(jù)輸入層數(shù)據(jù)的多少確定，輸入層數(shù)據(jù)個數(shù)越多，m值越大，當輸入層為3～20個數(shù)據(jù)時，m值可以在10～30之間選取；

S₃，針對第p樣本組訓練原始連接權矩陣，建立發(fā)電功率修正模型：

S₃₁，確定中間隱層節(jié)點數(shù)據(jù)y_pj：其中：為中間隱層節(jié)點數(shù)據(jù)計算公式的指數(shù)，e為自然對數(shù)的底數(shù)；

S₃₂，計算中間目標數(shù)據(jù)d_p：其中：為中間目標數(shù)據(jù)計算公式的指數(shù)；

S₃₃，計算目標輸出數(shù)據(jù)x_0p與其對應的中間目標數(shù)據(jù)d_p的誤差E_p：

S₃₄，根據(jù)第p樣本組的原始連接權矩陣，調整訓練p+1樣本組的連接權矩陣V_ij′和W_j′：V_ij′＝V_ij+ΔV_ijp，W_j′＝W_j+ΔW_jp，ΔV_ijp＝ηδ_yx_i(p-1)+αΔV_ij(p-1)，ΔW_jp＝ηδ₀y_(p-1)j+αΔW_j(p-1)，其中：ΔW_jp、ΔV_ijp為計算第p樣本組到第p+1樣本組時調整連接權矩陣的增量；ΔW_j(p-1)、ΔV_ij(p-1)為第p‐1樣本組到第p樣本組時調整連接權矩陣的增量，p＝1時ΔW_j0和ΔV_ij0即為第1樣本組的原始連接權矩陣經過α休整計算后的值；y_(p-1)j、x_i(p-1)為第p‐1樣本組的中間隱層節(jié)點數(shù)據(jù)和第i個測點輸入數(shù)據(jù)；α、η是為了加快收斂速度而設置的兩個系數(shù)，一般取0～1之間的任意數(shù)，開始運算時取0.5，之后根據(jù)收斂狀態(tài)可以進行增加5％或降低5％的調整；中間變量δ₀和δ_yj為修正系數(shù)：

S₃₅，令p＝p+1，重復步驟S₃₄完成全部樣本組的連接權矩陣訓練后，計算總輸出誤差E_N：如果E_N不滿足精度要求，重復步驟S₂重新賦值計算，直到E_N的精度達到要求；將滿足精度要求的V_ij、W_j、m、x′_0min、x′_0max、x′_imin和x′_imax作為大氣溫度變化對煤氣‐蒸汽聯(lián)合循環(huán)發(fā)電機組發(fā)電功率影響的發(fā)電功率修正模型保存在仿真計算模塊內；

S₄，發(fā)電功率修正：在2℃～35℃大氣溫度范圍內每隔2℃選取一個溫度，并保持其余測點原始數(shù)據(jù)處于接近額定參數(shù)的狀態(tài)；將上述溫度條件下的接近額定參數(shù)的測點原始數(shù)據(jù)x′_1p、x′_2p、…、x′_np，利用發(fā)電功率修正模型中的x′_imin和x′_imax重復S₁，歸一化后得到x_1p、x_2p、…、x_np，結合發(fā)電功率修正模型中的V_ij、W_j和m計算λ_pj、λ_p和中間目標數(shù)據(jù)d_p，最后反歸一化得到修正后的某一溫度下發(fā)電功率數(shù)據(jù)X′₀＝d_p(x′_0max-x′_0min)+x′_0min，并得到2℃～35℃大氣溫度范圍內的大氣溫度對發(fā)電功率影響的修正曲線。

技術效果

與現(xiàn)有技術相比，本發(fā)明采用BP神經網絡的方法，基于現(xiàn)場實測數(shù)據(jù)和人工智能的有機結合，在保證精度的條件下降低對實際試驗的依賴；只需改變大氣溫度便能得到發(fā)電功率的輸出值，在此基礎上反饋調控純燒低熱值煤氣燃氣-蒸汽聯(lián)合循環(huán)機組的運行，以提高或降低發(fā)電功率，同時為機組優(yōu)化、節(jié)能減排評估提供切實可靠的依據(jù)。由于采用了大量現(xiàn)場實際信息，故所得的修正結果一般在5％以內，符合工程應用的要求。

附圖說明

圖1為本發(fā)明修正大氣溫度變化對發(fā)電功率影響的原理圖；

圖2為本發(fā)明中系統(tǒng)結構圖；

圖3為本發(fā)明中BP神經網絡建模示意圖。

具體實施方式

下面對本發(fā)明的實施例作詳細說明，本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。

實施例1

如圖1和圖2所示，為本實施例的基于上述大氣溫度對聯(lián)合循環(huán)機組功率影響修正方法的調控系統(tǒng)，包括：傳感測量模塊、數(shù)據(jù)庫模塊以及仿真計算模塊，其中：傳感測量模塊與仿真計算模塊相連并輸出原始采集數(shù)據(jù)，仿真計算模塊與數(shù)據(jù)庫模塊相連并輸出測點原始數(shù)據(jù)和發(fā)電功率數(shù)據(jù)，數(shù)據(jù)庫模塊與仿真計算模塊相連并輸出原始樣本數(shù)據(jù)集，仿真計算模塊根據(jù)發(fā)電功率修正模型及修正曲線反饋調節(jié)機組運行，以提高或降低發(fā)電功率。

如圖1所示，本實施例涉及上述系統(tǒng)的修正方法，包括以下步驟：

1)通過傳感測量模塊進行原始數(shù)據(jù)采集，并通過仿真計算模塊進行數(shù)據(jù)的無量綱化處理，得到不同大氣溫度下、某一標準發(fā)電功率時，高爐煤氣‐蒸汽聯(lián)合循環(huán)發(fā)電機組上15個測點的測點原始數(shù)據(jù)及發(fā)電功率數(shù)據(jù)，把同一大氣溫度對應的測點原始數(shù)據(jù)和發(fā)電功率數(shù)據(jù)作為一個樣本組存儲于數(shù)據(jù)庫模塊中；

2)仿真計算模塊從數(shù)據(jù)庫模塊中選取250個樣本組構建原始樣本數(shù)據(jù)集，并確定原始樣本數(shù)據(jù)集中測點原始數(shù)據(jù)和發(fā)電功率數(shù)據(jù)的最大值和最小值；

3)將測點原始數(shù)據(jù)歸一化后作為輸入層數(shù)據(jù)通過BP神經網絡計算得到中間目標數(shù)據(jù)，將中間目標數(shù)據(jù)與發(fā)電功率數(shù)據(jù)歸一化后得到的目標輸出數(shù)據(jù)進行誤差計算，得到發(fā)電功率修正模型；

4)選取接近額定參數(shù)的一組測點原始數(shù)據(jù)作為基數(shù)，僅改變大氣溫度，仿真計算模塊在發(fā)電功率修正模型的基礎上計算得到大氣溫度變化對聯(lián)合循環(huán)發(fā)電機組發(fā)電功率影響的修正曲線。

如下表1所示為本實施例中15個測點：

表1測點列表

如下表2所示為原始樣本數(shù)據(jù)集

表2原始樣本數(shù)據(jù)集

如圖3所示，所述的BP神經網絡計算包括以下步驟：

S₁，原始樣本數(shù)據(jù)集歸一化：首先確定各測點原始輸入數(shù)據(jù)x′_ip的最大值和最小值，如下表3所示，然后進行歸一化處理，得到表4；

表3250個樣本組中各測點原始數(shù)據(jù)x′_ip及發(fā)電功率數(shù)據(jù)x′_0p的最大值和最小值

其中對應的發(fā)電功率數(shù)據(jù)最大值x′_0max和最小值x′_0min分別為116.6和72.7；

表4 250個樣本組測點輸入數(shù)據(jù)x_ip和目標輸出數(shù)據(jù)x_0p

S₂，確定中間隱層節(jié)點的數(shù)目m＝12，并初始化第p樣本組的連接權矩陣，其中p＝1，即對第1樣本組的輸入層數(shù)據(jù)權矩陣V_ij和中間隱層數(shù)據(jù)權矩陣W_j進行初始化：為連接權矩陣內每個元素賦初始值為0～1之間的隨機數(shù)得到原始連接權矩陣，其中：j表示中間隱層節(jié)點序號，j＝1，2，...，m；V_ij是15×12階權矩陣，W_j是1×12階權矩陣；

S₃，針對第p樣本組訓練原始連接權矩陣，建立發(fā)電功率修正模型：

S₃₁，確定中間隱層節(jié)點數(shù)據(jù)y_pj：其中：為中間隱層節(jié)點數(shù)據(jù)計算公式的指數(shù)，e為自然對數(shù)的底數(shù)；

S₃₂，計算中間目標數(shù)據(jù)d_p：其中：為中間目標數(shù)據(jù)計算公式的指數(shù)；

S₃₃，計算目標輸出數(shù)據(jù)x_0p與其對應的中間目標數(shù)據(jù)d_p的誤差E_p：

S₃₄，根據(jù)第p樣本組的原始連接權矩陣，調整訓練p+1樣本組的連接權矩陣V_ij′和W_j′：V_ij′＝V_ij+ΔV_ijp，W_j′＝W_j+ΔW_jp，ΔV_ijp＝ηδ_yx_i(p-1)+αΔV_ij(p-1)，ΔW_jp＝ηδ₀y_(p-1)j+αΔW_j(p-1)，其中：ΔW_jp、ΔV_ijp為計算第p樣本組到第p+1樣本組時調整連接權矩陣的增量；ΔW_j(p-1)、ΔV_ij(p-1)為第p‐1樣本組到第p樣本組時調整連接權矩陣的增量，p＝1時ΔW_j0和ΔV_ij0即為第1樣本組的原始連接權矩陣經過α休整計算后的值；y_(p-1)j、x_i(p-1)為第p‐1樣本組的中間隱層節(jié)點數(shù)據(jù)和第i個測點輸入數(shù)據(jù)；α、η是為了加快收斂速度而設置的兩個系數(shù)；一般取0～1之間的任意數(shù)，開始運算時取0.5，之后根據(jù)收斂狀態(tài)可以進行增加5％或降低5％的調整；中間變量δ₀和δ_yj為修正系數(shù)：

S₃₅，令p＝p+1，重復步驟S₃₄完成全部樣本組的連接權矩陣訓練后，計算總輸出誤差E_N：如果E_N不滿足精度要求，重復步驟S₂重新賦值計算，直到E_N的精度達到要求；將滿足精度要求的V_ij、W_j、m、x′_0min、x′_0max、x′_imin和x′_imax作為大氣溫度變化對煤氣‐蒸汽聯(lián)合循環(huán)發(fā)電機組發(fā)電功率影響的發(fā)電功率修正模型保存在仿真計算模塊內；

S₄，發(fā)電功率修正：在2℃～35℃大氣溫度范圍內每隔2℃選取一個溫度，并保持其余測點原始數(shù)據(jù)處于接近額定參數(shù)的狀態(tài)；采集上述溫度條件下的接近額定參數(shù)的測點原始數(shù)據(jù)x′_1p、x′_2p、…、x′_np，利用發(fā)電功率修正模型中的x′_{i min}和x′_imax重復S₁，歸一化后得到x_1p、x_2p、…、x_np，結合發(fā)電功率修正模型中的V_ij、W_j和m計算λ_pj、λ_p和中間目標數(shù)據(jù)d_p，最后反歸一化得到修正后的某一溫度下發(fā)電功率數(shù)據(jù)X′₀＝d_p(x₀′_max-x′_0min)+x′_0min，并得到2℃～35℃大氣溫度范圍內的大氣溫度對發(fā)電功率影響的修正曲線。