[发明专利]一种基于混合神经网络的燃气利用率预测方法和系统

说明书

本发明涉及一种基于混合神经网络的燃气利用率预测方法和系统，涉及燃气蒸汽联合循环发电技术领域。通过获取多个预设周期内的燃气轮机机组的工况参数、燃气耗用量、压缩空气量对应的发电量并以划分完成的工况参数、燃气耗用量、压缩空气量以及对应的发电量建立单一神经网络模型，以燃气耗用量为输入量训练单一神经网络模型，在训练完成时，将单一神经网络模型进行组合生成第一混合神经网络模型，并根据多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型，以燃气耗用量作为第二混合神经网络模型的输入参数，得到发电量预测值，提高了对燃气利用率的准确预测，从而进一步提高了燃机电厂运行的可靠性。

技术领域

本发明涉及燃气蒸汽联合循环发电技术领域，尤其涉及一种基于混合神经网络的燃气利用率预测方法和系统。

背景技术

燃气蒸汽联合循环发电机组（以下简称燃机）具有环境友好，能源利用率高，调节范围大、调节速率快和负荷响应迅速等优势，因此燃机电厂具有高效、低排、启停灵活、调峰性能好等特点。

但由于受火电及新能源的大规模建设，提高电网调峰能力，燃机电厂主要定位于调节城市天然气供需平衡，优化城市电源布局，增强电网和天然气管网的安全运行，承担着双重调峰的重任：既调电峰，又调气峰。在电网侧，由于用电负荷白天高夜晚低的特点，调峰机组采用昼开夜停的运行方式，调峰燃机电厂普遍面临发电小时数低的问题，直接导致机组发电成本高。除了调电峰，燃机电厂的调气峰任务也很重要。燃机的LNG（LiquefiedNatural Gas，液化天然气）气耗量基本占当地城市天然气量的一半以上，沿海区域的燃机大部分建设在LNG的入口， LNG从海外不定期用船舶运来，需要进行及时的存储和传输，LNG存库要有周期和计划，导致LNG下游使用存在波动性。燃机电厂存在“因气限电”的方式，一方面限制了机组的调峰作用，同时又导致启停次数增加，检修时间间隔大大缩短，增加了电厂的维修成本。

因此，如何对燃机机组的燃气利用率进行准确预测，提高燃机电厂运行的可靠性，是目前亟待解决的技术问题。

发明内容

为此，本发明提供一种基于混合神经网络的燃气利用率预测方法和系统，用以克服现有技术中对燃气轮机机组的燃气利用率无法准确预测导致燃气电厂供电可靠性低的问题。

为实现上述目的，本发明一方面提供一种基于混合神经网络的燃气利用率预测方法，包括：

步骤S1、通过获取模块获取燃气轮机机组的历史数据，并将所述历史数据中的工况参数、燃气耗用量、压缩空气量和对应的发电量记录在多个预设周期内，每个所述预设周期包括若干个目标时段；

步骤S2、所述获取模块根据获取的所述历史数据建立燃气轮机机组工况矩阵组A，在完成燃气轮机机组工况矩阵组A的建立时，通过比对模块将燃气轮机机组工况矩阵组中各工况矩阵内的参数进行预处理，所述预处理包括对各工况矩阵中的参数的去噪，在预处理完成时，建立模块根据每个目标时段内的工况参数、燃气耗用量、压缩空气量和对应的发电量建立单一神经网络模型；

步骤S3、在建立所述单一神经网络模型完成时，训练模块将燃气耗用量和发电量进行归一化处理，通过所述训练模块将归一化处理完成的燃气耗用量作为所述单一神经网络模型的输入量、发电量作为所述单一神经网络模型的输出量，对所述单一神经网络模型进行训练，并统计所述输入量一致但所述输出量不同的次数，根据统计的次数确定所述单一神经网络模型的可信度系数Y；

步骤S4、通过建立模块将任意周期内多个所述单一神经网络模型组合生成第一混合神经网络模型，并将多个预设周期内的第一混合神经网络模型组合生成第二混合神经网络模型；

步骤S5、以最后一个预设周期内的燃气耗用量作为第二混合神经网络模型的输入参数，得到下一预设周期内的发电量；