基于神经网络的火电厂负荷分配系统及方法技术方案

本申请公开了一种基于神经网络的火电厂负荷分配系统及方法。该系统可以包括：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。本发明专利技术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。网络模型对机组负荷进行分配优化。网络模型对机组负荷进行分配优化。

【技术实现步骤摘要】
基于神经网络的火电厂负荷分配系统及方法


[0001]本专利技术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系统及方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]因此，有必要开发一种基于神经网络的火电厂负荷分配系统及方法。
[0006]公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
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。

技术实现思路

[0007]本专利技术提出了一种基于神经网络的火电厂负荷分配系统及方法，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。
[0008]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系统，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；
[0009]标准曲线获取模块，用于根据历史数据获取标准曲线；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]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：
[0015]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；
[0016]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；
[0017]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。
[0018]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：
[0019]通过所述历史数据与标准曲线训练所述神经网络；
[0020]根据所述实时负荷数据确定初始负荷分配数据；
[0021]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；
[0022]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。
[0023]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：
[0024]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；
[0025]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；
[0026]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。
[0027]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：
[0028]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；
[0029]采集火电厂运行的实时负荷数据并进行预处理；
[0030]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。
[0031]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。
[0032]优选地，对所述实时负荷数据进行预处理包括：
[0033]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；
[0034]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；
[0035]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。
[0036]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：
[0037]通过所述历史数据与标准曲线训练所述神经网络；
[0038]根据所述实时负荷数据确定初始负荷分配数据；
[0039]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；
[0040]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。
[0041]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：
[0042]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；
[0043]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；
[0044]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。
[0045]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的火电厂负荷分配系统，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系统，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系统，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系统，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系统，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...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：中国大唐集团科学技术研究院有限公司中南电力试验研究院，
类型：发明
国别省市：