[发明专利]一种用于超临界机组的发电负荷与供热量的智能预测方法

权利要求书

1.一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，包含以下步骤：

A、对具有切缸特性的超临界机组分别建立发电负荷特性、主汽压力特性、供热压力特性的神经网络预测模型；

B、利用机组历史运行数据对预测模型进行训练和验证。

2.根据权利要求1所述的一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，建立发电负荷特性的神经网络预测模型具体是：模型的输入参数包括主汽压力P_s(MP_a)、主汽温度T_s(℃)、汽机调门开度μ(％)和供热抽汽蝶阀开度μ_c(％)，中排蝶阀1开度μ_c1(％)和中排蝶阀2开度μ_c2(％)，输出参数为机组负荷N_e(MW)。

3.根据权利要求1所述的一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，建立主汽压力特性的神经网络预测模型具体是：模型的输入参数包括给水流量G(t/h)、燃料量B(t/h)、汽机调门开度μ(％)和供热抽汽蝶阀开度μ_c(％)，中排蝶阀1开度μ_c1(％)和中排蝶阀2开度μ_c2(％)，输出参数为主汽压P_s(MP_a)。

4.根据权利要求1所述的一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，建立供热压力特性的神经网络预测模型具体是：确定供热压力特性预测模型：模型的输入参数包括主汽压力P_s(MP_a)、汽机调门开度μ(％)和供热抽汽蝶阀开度μ_c(％)，中排蝶阀1开度μ_c1(％)和中排蝶阀2开度μ_c2(％)，输出参数为供热前压力P_g(MP_a)。

5.根据权利要求1-4任一所述的一种用于超临界机组的发电负荷与供热量的智能预测方法，其特征在于，所述步骤B具体是：a、建立具有j个输入参数(u₁，u₂,…,u_j)和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数u_i在k时刻和过去n个时刻的值u_i(k)、u_i(k-1),…,u_i(k-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),...,y(k-m)相关，其结构的具体表达式为：y(k)＝g[y(k-1),...,y(k-m)；u₁(k),u₁(k-1),...,u₁(k-n)…u_j(k),u_j(k-1),…,u_j(k-n)]；b、提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：Y＝(Y_max-Y_min)(x-x_min)/(x_max-x_min)+Y_min；式中：x，y分别为参数的实际值和标称值，x_min，x_max分别为参数在机组升降负荷过程中的最小值和最大值，y_max，y_min分别为归一化处理后参数的最小值和最大值；c、借助Matlab创建机组发电负荷、主汽压力、供热压力的预测模型，当模型的输入输出变量和网络结构确定后,采用NARMA模型建立预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值等参数；d、神经网络模型参数优化分为训练和测试两个阶段，第一阶段：分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型，第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用通讯协议从实际机组接受实时数据，通过对机组施加各种扰动，对不同情况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。