駱小滿，皇甫成，阮江軍，周靈杰

基于神經(jīng)網(wǎng)絡(luò)的熱電聯(lián)產(chǎn)機組熱負(fù)荷和電負(fù)荷預(yù)測

駱小滿1，皇甫成2，阮江軍1，周靈杰1

（1.武漢大學(xué)電氣與自動化學(xué)院，湖北 武漢 430072；2.國網(wǎng)冀北電力有限公司，北京 100053）

針對熱電聯(lián)產(chǎn)機組每年發(fā)電計劃制定及調(diào)整期間，地方電廠以滿足供熱為由頻繁要求調(diào)整計劃的現(xiàn)象，本文提出一種以熱定電的電負(fù)荷預(yù)測方法。該方法基于地方熱負(fù)荷，對要求調(diào)整發(fā)電計劃的電廠進(jìn)行熱負(fù)荷假設(shè)檢驗提取，并用Elman神經(jīng)網(wǎng)絡(luò)方法預(yù)測熱負(fù)荷，最后采用灰色神經(jīng)網(wǎng)絡(luò)方法來確定電廠發(fā)電量。該方法對于確定熱電聯(lián)產(chǎn)機組發(fā)電計劃、控制購電成本具有重要的意義。

熱電聯(lián)產(chǎn)；以熱定電；熱負(fù)荷；電負(fù)荷；Elman神經(jīng)網(wǎng)絡(luò)；灰色神經(jīng)網(wǎng)絡(luò)；假設(shè)檢驗

熱電聯(lián)產(chǎn)具有節(jié)約能源、改善環(huán)境、提高供電質(zhì)量、增加電力供應(yīng)等綜合效益。目前，冀北地區(qū)共有8家地方電廠均屬于熱電聯(lián)產(chǎn)機組，裝機容量60萬kW，主要供熱對象為工業(yè)和生活用熱。每年發(fā)電計劃制定及調(diào)整期間，這些電廠頻繁以滿足供熱為由要求調(diào)整發(fā)電計劃。有些熱電廠假借熱電聯(lián)產(chǎn)的名義，讓雙抽汽凝汽式機組以凝汽工況運行發(fā)電，導(dǎo)致能源效率低下的同時加大了電網(wǎng)調(diào)峰壓力。因此，研究冀北地區(qū)熱電聯(lián)產(chǎn)機組熱電負(fù)荷關(guān)系，分析地方電廠供熱負(fù)荷，對于確定電廠提出的供熱需求和發(fā)電計劃、節(jié)約能源、控制購電成本有著至關(guān)重要的意義。

目前，國內(nèi)外均進(jìn)行了對于熱電聯(lián)產(chǎn)機組的電負(fù)荷預(yù)測方面的研究。倪景峰[1]通過對京津唐地區(qū)熱電聯(lián)產(chǎn)機組建立相關(guān)數(shù)學(xué)模型，編寫了一款提供機組各工況參數(shù)以及以熱定電負(fù)荷曲線的軟件。朱譽等[2]通過數(shù)據(jù)采集分析單元從電廠DCS采集機組運行數(shù)據(jù)，利用聚類分析法和連續(xù)函數(shù)最優(yōu)平方逼近法，建立了以熱定電原則下大型熱電聯(lián)產(chǎn)機組運行區(qū)間的計算系統(tǒng)。遲世國等[3]通過建立和省調(diào)計劃系統(tǒng)同步的熱電負(fù)荷數(shù)據(jù)接收、監(jiān)控通道，對熱電聯(lián)產(chǎn)機組進(jìn)行實時的以熱定電分析，以控制熱電聯(lián)產(chǎn)機組的發(fā)電量。徐博[4]通過對各種熱電聯(lián)產(chǎn)機組進(jìn)行建模、運行數(shù)據(jù)分析和調(diào)峰能力計算，對于改善熱電調(diào)峰技術(shù)提供重要的思路。

上述發(fā)電量計算方法都是已知熱負(fù)荷之后的計算思路，而熱負(fù)荷的確定才是解決熱電聯(lián)產(chǎn)機組發(fā)電計劃調(diào)整的源頭。然而，由于各種熱負(fù)荷形式、種類、性質(zhì)的多樣性，簡單地比較不同種類熱負(fù)荷毫無意義。本文提出一種通過篩選出同種類型熱負(fù)荷并進(jìn)行比較，然后依據(jù)概率論中假設(shè)檢驗的思想，在設(shè)定置信度后篩選出不符合條件的熱負(fù)荷，最后依此來預(yù)測熱電聯(lián)產(chǎn)機組發(fā)電量的方法。

1 熱負(fù)荷預(yù)測模型

1.1 熱負(fù)荷假設(shè)檢驗提取

依據(jù)熱負(fù)荷來預(yù)測發(fā)電量，首先需要判斷電廠提供的熱負(fù)荷數(shù)據(jù)是否正確，再依據(jù)熱負(fù)荷來推演電負(fù)荷。本文通過概率論假設(shè)檢驗的思想來衡量電廠熱負(fù)荷數(shù)據(jù)。

通過電廠提供的各用戶熱負(fù)荷需求報告，編寫軟件篩選，將類似的熱負(fù)荷歸為一類比較，并假設(shè)在其他條件相同的情況下，用極大似然估計的思想確定均值和方差，再通過設(shè)定置信度計算得到置信區(qū)間，篩選出不符合條件的熱負(fù)荷。以典型居民區(qū)供熱負(fù)荷為例來闡述該解決思路。唐山萬浦熱電廠供暖居民區(qū)熱量統(tǒng)計數(shù)據(jù)見表1。

表1 某典型居民區(qū)1月供熱量統(tǒng)計

Tab.1 The residential district heating statistics in January

假設(shè)分布服從正態(tài)分布，居民區(qū)1月單位面積供熱量的概率密度函數(shù)為

根據(jù)最大似然估計，解得：

可以計算得到：

式中，為樣本均值，2為樣本方差。

確定樣本的均值和方差。依據(jù)所定義的置信區(qū)間，0.2確定相關(guān)的范圍，選擇單側(cè)置信區(qū)間（因為有些老居民區(qū)樓層比較少，相應(yīng)的居民戶數(shù)也比較少，所以單位面積供熱量也較?。?，篩選出置信區(qū)間外電廠提供的居民區(qū)熱負(fù)荷數(shù)據(jù)，并重新考慮這幾個居民區(qū)的熱負(fù)荷可信度，從而提高熱負(fù)荷的可靠度。該居民區(qū)樣本的均值和方差為=1.73，2=0.018 4，篩選得到超出置信區(qū)間的是E和G居民區(qū)。圖1為概率密度分布曲線。

圖1 各居民區(qū)1月份單位面積供熱量正態(tài)分布曲線

對供暖期間內(nèi)的其他月份進(jìn)行相應(yīng)分析，亦可得到相同結(jié)果。為了合理預(yù)測所需供熱量，對于超出置信區(qū)間的相關(guān)居民區(qū)，加入懲罰系數(shù)，即超出置信區(qū)間的相關(guān)居民區(qū)單位面積供熱量為

通過該方法，可以對虛報負(fù)荷、多報負(fù)荷的情況予以處理，達(dá)到懲戒的目的。

1.2 Elman神經(jīng)網(wǎng)絡(luò)法預(yù)測熱負(fù)荷

Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主要有輸入層、隱含層、承接層和輸出層這4個結(jié)構(gòu)層[5-6]。其中，輸入層、隱含層、輸出層的連接類似于前饋式網(wǎng)絡(luò)。輸入層單元起信號傳輸?shù)淖饔?；輸出層單元起線性加權(quán)的作用；隱含層單元中的傳遞函數(shù)包括線性或者非線性函數(shù)；承接層又稱為狀態(tài)層或上下文層，主要用來儲存隱含層單元中前一時刻的輸出值，并在最后返回給網(wǎng)絡(luò)的輸入端，可以將它看作是一個延時算子。

圖2 Elman網(wǎng)絡(luò)結(jié)構(gòu)

Elman網(wǎng)絡(luò)非線性狀態(tài)空間表達(dá)式為：

式中：輸出為維輸出節(jié)點向量；為維中間層結(jié)點單元向量；為維輸入向量；c為維反饋狀態(tài)向量；1為中間層和承接層的連接權(quán)值；2為輸入層到中間層連接權(quán)值；3為輸出層和中間層的連接權(quán)值；(*)是中間層輸出的線性組合，即輸出單元的傳遞函數(shù)；(*)常采用函數(shù)，為中間層神經(jīng)元的傳遞函數(shù)。

對于熱負(fù)荷進(jìn)行假設(shè)檢驗提取后，需要重新確定熱負(fù)荷[7-9]。本文主要針對11、12、1、2、3月份供暖期間的熱負(fù)荷進(jìn)行預(yù)測。利用2010—2017年 8年的數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，每3年的負(fù)荷作為輸入向量，第4年的負(fù)荷作為目標(biāo)向量，從而得到5組訓(xùn)練樣本；將2018年的熱負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的測試樣本，驗證網(wǎng)絡(luò)能否合理地預(yù)測出當(dāng)年的負(fù)荷數(shù)據(jù)。圖3為萬浦電廠2018年供暖期間實際熱負(fù)荷與中間神經(jīng)元分別為7、11、14、18個的網(wǎng)絡(luò)熱負(fù)荷預(yù)測誤差。由圖3可知，Elman神經(jīng)網(wǎng)絡(luò)方法熱負(fù)荷預(yù)測誤差較小，平均誤差在4.2%，當(dāng)中間神經(jīng)元為14個時，網(wǎng)絡(luò)的預(yù)測誤差最小，預(yù)測性能最好。調(diào)度部門審核批準(zhǔn)熱負(fù)荷的申請時，首先通過假設(shè)檢驗方法篩選出電廠申請數(shù)據(jù)中虛報、多報的熱負(fù)荷，再通過Elman神經(jīng)網(wǎng)絡(luò)方法進(jìn)行熱負(fù)荷預(yù)測。

圖3 Elman神經(jīng)網(wǎng)絡(luò)熱負(fù)荷預(yù)測誤差

2 熱電聯(lián)產(chǎn)機組電負(fù)荷預(yù)測

2.1 灰色神經(jīng)網(wǎng)絡(luò)方法

本文采用灰色神經(jīng)網(wǎng)絡(luò)方法對熱電聯(lián)產(chǎn)機組電負(fù)荷進(jìn)行預(yù)測[10-12]?；疑珕栴}是指對灰色的不確定系統(tǒng)行為特征值的發(fā)展變化進(jìn)行預(yù)測的問題，該不確定系統(tǒng)特征值的原始數(shù)列(0)(),=0, 1, 2, …,–1經(jīng)過一次累加后得到的數(shù)列(0)()呈現(xiàn)指數(shù)增長規(guī)律。(1)為(1)的緊鄰均值生成序列：

為此，灰微分方程為

式中，為發(fā)展系數(shù)，為灰色作用量。

若=[,]T為參考序列，且有

(0)的模擬值為

最后，對模型的預(yù)測值進(jìn)行檢驗，設(shè)殘差()為

2.2 發(fā)電量預(yù)測模型

萬浦電廠1號、2號機組采用雙抽汽凝汽式汽輪機，型號為CC58-8.83/1.27/0.294。雙抽汽凝式汽輪機由高壓、中壓、低壓3部分組成[13-16]。機組電功率的計算式為：

建立關(guān)于灰色神經(jīng)網(wǎng)絡(luò)方法的電負(fù)荷預(yù)測模型。

1）模型的輸入、輸出參數(shù)的選擇 本文采用MATLAB 2015a軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。由于機組在每月中運行狀態(tài)基本穩(wěn)定，所以高、中、低壓3部分的理想焓降和效率在當(dāng)月保持不變。因此，將雙抽汽凝汽式機組每月的供熱負(fù)荷、總進(jìn)汽量、工業(yè)抽汽量，采暖抽汽量、高中低壓3部分的理想焓降和效率總共10個指標(biāo)作為輸入層。為了比較供熱負(fù)荷這個因素對于機組發(fā)電量預(yù)測的影響，加1組不含供熱負(fù)荷即僅9個指標(biāo)的輸入層作為對照組。輸出層為機組每月的發(fā)電負(fù)荷。

2）模型結(jié)構(gòu)設(shè)計 本文灰色神經(jīng)網(wǎng)絡(luò)模型采用3層網(wǎng)絡(luò)模型，輸入的參數(shù)為2010—2018年與機組發(fā)電負(fù)荷相關(guān)的10個因子（對照組為9個因子）。為選擇隱含層節(jié)點數(shù)，采用不同隱含節(jié)點數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，由各層網(wǎng)絡(luò)的誤差對閾值和權(quán)值修正，訓(xùn)練后發(fā)現(xiàn)16個隱含節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)擬合效果最好。所以，確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為10（輸入層）×16（隱含層）×1（輸出層）（對照組結(jié)構(gòu)為9×16×1）。整個訓(xùn)練過程中，輸入層與隱含層的傳遞函數(shù)為tansig函數(shù)，隱含層與輸出層的傳遞函數(shù)為purelin函數(shù)，訓(xùn)練函數(shù)為trainbr函數(shù)，網(wǎng)絡(luò)學(xué)習(xí)函數(shù)為learngdm函數(shù)。

3）模型網(wǎng)絡(luò)參數(shù)的設(shè)定 設(shè)置網(wǎng)絡(luò)訓(xùn)練的最大次數(shù)為10 000，每25輪計算顯示1次，訓(xùn)練誤差為5×10–10。通過MATLAB軟件進(jìn)行灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練，選取2010—2017年的相關(guān)數(shù)據(jù)作為訓(xùn)練集，2018年的數(shù)據(jù)為預(yù)測集。

2.3 發(fā)電量預(yù)測結(jié)果分析

通過灰色神經(jīng)網(wǎng)絡(luò)方法進(jìn)行計算分析，得到該雙抽汽凝汽式汽輪機發(fā)電量預(yù)測數(shù)據(jù)與真實值對比如圖4所示，模型殘差如圖5所示。

圖4 機組發(fā)電量真實值與預(yù)測值對比

圖5 模型殘差

由圖4和圖5可知：灰色神經(jīng)網(wǎng)絡(luò)計算得到的預(yù)測值和機組實際發(fā)電量誤差很小，均在3%以內(nèi)，表明建立的模型是有效的；輸入層含有熱負(fù)荷的灰色神經(jīng)網(wǎng)絡(luò)明顯比不含熱負(fù)荷的輸入層的預(yù)測結(jié)果更準(zhǔn)確；在殘差較大的年份如2015年和2017年，考慮了熱負(fù)荷因素預(yù)測精度將會提升接近50%。這也間接印證了論文在1.1和1.2節(jié)中提前進(jìn)行熱負(fù)荷預(yù)測的重要性。

3 結(jié) 論

本文將熱電聯(lián)產(chǎn)電廠每年申請的熱負(fù)荷用概率論中假設(shè)檢驗的思想加以甄別，提取出可信度相對較高的熱負(fù)荷，再通過Elman神經(jīng)網(wǎng)絡(luò)方法進(jìn)行檢驗；然后建立基于灰色神經(jīng)網(wǎng)絡(luò)的模型來預(yù)測機組的發(fā)電量。模擬計算表明，該方法能夠合理確定電廠的供熱需求和發(fā)電計劃，達(dá)到節(jié)約能源，控制購電成本的目的。

［1］ 倪景峰. 熱電聯(lián)產(chǎn)機組以熱定電運行的研究及軟件實施[D]. 北京: 華北電力大學(xué), 2004: 12. NI Jingfeng. Research and software implementation of heat and power cogeneration unit[D]. Beijing: North China Electric Power University, 2004: 12.

［2］ 朱譽，李千軍，馮永新, 等. 熱電聯(lián)產(chǎn)機組以熱定電下可行運行區(qū)間的計算系統(tǒng)及方法: 201310451205.7[P]. 2014-01-22. ZHU Yu, LI Qianjun, FENG Yongxin. The calculation system and method of feasible operating range of cogeneration unit under fixed temperature and electricity: 201310451205.7[P]. 2014-01-22.

［3］ 遲世國, 李曉, 孔凡平, 等. 熱電機組熱電聯(lián)產(chǎn)發(fā)電量的控制方法: 201610468079.X[P]. 2017-02-01. CHI Shiguo, LI Xiao, KONG Fanping, et al. The control method of cogeneration of thermal power unit: 201610468079.X[P]. 2017-02-01.

［4］ 徐博. 大型熱電聯(lián)產(chǎn)機組調(diào)峰能力計算軟件的設(shè)計與實現(xiàn)[D]. 北京: 北京交通大學(xué), 2013: 34. XU Bo. Design and implementation of large-scale cogeneration unit’s peaking capacity processing soft- ware[D]. Beijing: Beijing: Jiaotong University, 2013: 34.

［5］ 文樂, 王偉鋒, 薛志恒, 等. 基于Elman神經(jīng)網(wǎng)絡(luò)的汽輪機組熱力性能在線計算[J]. 熱力發(fā)電, 2015, 44(11): 62-67. WEN Le, WANG Weifeng, XUE Zhiheng, et al. Online calculation of steam turbine thermal performance based on Elman neural network[J]. Thermal Power Generation, 2015, 44(11): 62-67.

［6］ 張利平, 陳浩天, 王偉鋒, 等. 應(yīng)用PSO算法改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的雙壓凝汽器真空預(yù)測[J]. 熱力發(fā)電, 2015, 44(3): 53-57. ZHANG Liping, CHEN Haotian, WANG Weifeng, et al. Application of PSO algorithm-modified Elman neural network in vacuum prediction for dual-pressure condensers[J]. Thermal Power Generation, 2015, 44(3): 53-57.

［7］ 龐明月. 集中供熱系統(tǒng)的熱負(fù)荷預(yù)測與規(guī)劃[D]. 大連: 大連海事大學(xué), 2018: 42. PANG Mingyue. Thermal load forecasting and planning of central heating system[D]. Dalian: Dalian Maritime University, 2018: 42.

［8］ 成渫畏. 基于雙轉(zhuǎn)子雙背壓供熱改造技術(shù)的熱電聯(lián)產(chǎn)汽輪機組供熱期調(diào)峰靈活性研究[D]. 濟南: 山東大學(xué), 2017: 51. CHENG Xiewei. Peak-adjusting flexibility research of combined steam turbine based on double back pressure heating reconstruction technology during heating period[D]. Ji’nan: Shangdong University, 2017: 51.

［9］ 馮亦武, 孫士恩. 互聯(lián)網(wǎng)+熱電聯(lián)產(chǎn)機組智慧供熱技術(shù)研究及應(yīng)用[C]//2017年電站熱工自動化技術(shù)交流會論文集. 北京: 華電電力科學(xué)研究院, 2017: 284-286.

FENG Yiwu, SUN Shien. Research and application of intelligent heating technology for the Internet+ cogeneration unit[C]//Proceedings of the 2017 Power Station Thermal Automation Technology Exchange Conference. Beijing: Huadian Institute of Electric Power Science, 2017: 284-286.

［10］ 王建國, 汪勇華. 基于灰色神經(jīng)網(wǎng)絡(luò)的凝汽器水側(cè)清潔系數(shù)預(yù)測[J]. 熱力發(fā)電, 2013, 42(9): 95-99. WANG Jianguo, WANG Yonghua. Gray neural network based prediction of water side clean coefficient of the condenser tubes[J]. Thermal Power Generation, 2013, 42(9): 95-99.

［11］ 呂凱, 王紅宇, 周佳, 等. 熱電聯(lián)產(chǎn)機組電熱煤特性研究[J]. 熱力發(fā)電, 2018, 47(5): 42-48. LYU Kai, WANG Hongyu, ZHOU Jia, et al. Study on characteristics of power-heat-coal of cogeneration units[J]. Thermal Power Generation, 2018, 47(5): 42-48.

［12］ 王瑋, 孫陽, 劉吉臻, 等. 適應(yīng)電網(wǎng)快速調(diào)頻的熱電聯(lián)產(chǎn)機組新型變負(fù)荷控制策略[J]. 電力系統(tǒng)自動化, 2018, 42(21): 63-69. WANG Wei, SUN Yang, LIU Jizhen, et al. Load-change control strategy for combined heat and power units adapted to rapid frequency regulation of power grid[J]. Automation of Electric Power Systems, 2018, 42(21): 63-69.

［13］ 許可, 李蔚, 李明超, 等. 燃?xì)?蒸汽聯(lián)合循環(huán)熱電聯(lián)產(chǎn)機組供熱特性分析[J]. 熱力發(fā)電, 2019, 48(5): 1-7. XU Ke, LI Wei, LI Mingchao, et al. Analysis on heat supply performance of gas-steam combined cycle cogeneration units[J]. Thermal Power Generation, 2019, 48(5):1-7.

［14］ 何青, 羅寧. 燃?xì)庹羝?lián)合循環(huán)熱電聯(lián)產(chǎn)機組熱經(jīng)濟性分析[J]. 熱力發(fā)電, 2018, 47(5): 49-56. HE Qing, LUO Ning. Thermal-economic analysis of combined heat and power generation unit of gas-steam combined cycle[J]. Thermal Power Generation, 2018, 47(5): 49-56.

［15］ 楊承, 黃志峰, 馬曉茜. 聯(lián)合循環(huán)熱電聯(lián)產(chǎn)機組變工況性能分析[J]. 中國電機工程學(xué)報, 2017, 37(12): 3514-3524. YANG Cheng, HUANG Zhifeng, MA Xiaoqian. Study on off-design characteristics of combined heat and power based on combined cycle gas turbine units[J]. Proceedings of the CSEE, 2017, 37(12): 3514-3524.

［16］ 宋曉瑋, 張國強, 李永毅, 等. 燃?xì)廨啓C聯(lián)合循環(huán)熱電聯(lián)產(chǎn)供熱供電量優(yōu)化分配研究[J]. 熱力發(fā)電, 2019, 48(3): 47-54. SONG Xiaowei, ZHANG Guoqiang, LI Yongyi, et al. Research on optimal distribution of heating and power supply in gas turbine combined cycle cogeneration[J]. Thermal Power Generation, 2019, 48(3): 47-54.

Prediction of heat and electric load of cogeneration unit based on neural network

LUO Xiaoman1, HUANG Fucheng2, RUAN Jiangjun1, ZHOU Lingjie1

(1. School of Electrical Engineering and Automation, Wuhan University, Wuhan 430072, China; 2. State Grid Jibei Electric Power Company Limited, Beijing 100053, China)

During the formulation and adjustment of the annual power generation plan of cogeneration units, the local power plants frequently require adjusting the plan to meet the heating requirements. To solve this problem, this paper proposes a method for predicting the electric load. On the basis of the local thermal load, this method uses hypothesis test method to extract the thermal load of the power plant that needs to regulate the power generation plan, and forecast the thermal load by the improved Elman neural network method, then determines the generating capacity of the power plant via the grey neural network method. This method is of vital significance to reasonably determine the power generation plan and control the purchase cost according to the heating demand put forward by the power plant.

cogeneration, fixing power based on heat, thermal load, electric load, Elman neural network, grey neural network, hypothesis testing

TM611.1; TP183

A

10.19666/j.rlfd.201904049

2019-04-07

駱小滿(1996—)，男，碩士研究生，主要研究方向為電工電能新技術(shù)及新能源發(fā)電技術(shù)，719481750@qq.com。

駱小滿, 皇甫成, 阮江軍, 等. 基于神經(jīng)網(wǎng)絡(luò)的熱電聯(lián)產(chǎn)機組熱負(fù)荷和電負(fù)荷預(yù)測[J]. 熱力發(fā)電, 2019, 48(9): 46-50. LUO Xiaoman, HUANG Fucheng, RUAN Jiangjun, et al. Prediction of heat and electric load of cogeneration unit based on neural network[J]. Thermal Power Generation, 2019, 48(9): 46-50.

（責(zé)任編輯 楊嘉蕾）