[发明专利]基于神经网络与智能优化算法的火电机组负荷分配方法

说明书

本发明涉及一种基于神经网络与智能优化算法的火电机组负荷分配方法，包括：从发电厂分布式控制系统中获取各机组的历史运行数据，以及从发电厂厂级实时监控信息系统中获取历史供电煤耗数据；将历史运行数据及历史供电煤耗数据整理为矩阵形式，作为BP神经网络输入层的输入数据；其中，BP神经网络的隐含层采用Sigmoid函数，输出层采用线性函数，权值训练算法采用L‑M优化算法；采用启发式的智能优化算法，作为寻优主程序，在寻优主程序中采用步骤2中训练好的BP神经网络的输出，作为智能优化算法的适应度函数，对寻优主程序中运行的数据进行筛选，直至发电厂当前各机组的最佳负荷承担量或者迭代次数达到限定最大值为止。本发明实现了火电机组负荷优化分配。

技术领域

本发明属于火力发电技术领域，尤其涉及一种基于神经网络与智能优化算法的火电机组负荷分配方法。

背景技术

随着发电厂自动化及智能化的不断快速发展，国内越来越多的电网公司开始要求发电厂公司，将电网对发电厂机组的单机调度方式，升级为全厂负荷调度方式。相比于单机调度，全厂负荷调度方式中电网调度系统将发电厂(或电源点)视为单个调度对象，由调度主站下发全厂有功指令，按照既定的性能指标或约束条件要求全厂各台机组依据自身实际情况响应电网负荷指令的变化，共同完成全厂有功功率的闭环控制。全厂负荷调度，克服了单机调度系统的种种缺陷和弊病，真正做到了电力系统安全运行和经济运行的有效结合。而全厂负荷调度系统中的一个重要核心，就是发电厂负荷的最优化分配。目前发电厂机组负荷分配领域存在煤耗特性数据不准确、失实，优化算法通用性差、实时性不足等问题。

发明内容

本发明的目的是提供一种基于神经网络与智能优化算法的火电机组负荷分配方法，使用电厂运行数据训练出对煤耗特性具有一定预测性和前瞻性的BP神经网络，并将该BP神经网络作为后续智能寻优算法的适应度函数，连接两种先进的算法手段，协同性地解决火电机组负荷的优化分配问题。

本发明提供了一种基于神经网络与智能优化算法的火电机组负荷分配方法，包括：

步骤1，从发电厂分布式控制系统中获取各机组的历史运行数据，以及从发电厂厂级实时监控信息系统中获取历史供电煤耗数据；

步骤2，将历史运行数据及历史供电煤耗数据整理为矩阵形式，作为BP神经网络输入层的输入数据；其中，BP神经网络的隐含层采用Sigmoid函数，输出层采用线性函数，权值训练算法采用L-M优化算法；

步骤3，采用启发式的智能优化算法，作为寻优主程序，在寻优主程序中采用步骤2中训练好的BP神经网络的输出，作为智能优化算法的适应度函数，对寻优主程序中运行的数据进行筛选，直至发电厂当前各机组的最佳负荷承担量或者迭代次数达到限定最大值为止。

进一步地，步骤1中历史运行数据包括汽轮机热耗率、发电厂厂用电率、锅炉机组负荷、炉膛出口氧量、各风口挡板开度、各磨煤机给煤量、炉膛温度中的多种。

进一步地，步骤2包括：

从历史运行数据中鉴别出机组的暂态运行数据将其剔除。

进一步地，步骤2还包括：

对历史供电煤耗数据进行连续差分化，以对应于历史运行数据。

进一步地，步骤3包括：

将步骤1整体数据中的70％作为训练样本，用于BP神经网络的训练，其余30％作为测试样本，用于BP神经网络的测试。

进一步地，步骤3具体包括：

采用粒子群优化算法作为寻优主程序执行机组负荷优化分配，包括：

根据发电厂各台机组的实际情况以及电网调度的要求，随机产生一组负荷分配值，该组分配值每一个数值对应机组的一个负荷值；