韓義，張奇月，王研凱，于英利，付旭晨，榮俊，段倫博*

（1.內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司內(nèi)蒙古電力科學(xué)研究院分公司，呼和浩特010020；2.東南大學(xué)能源熱轉(zhuǎn)換及其過(guò)程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室，南京210096）

0 引言

蒙西電網(wǎng)［1］網(wǎng)架結(jié)構(gòu)復(fù)雜、駕馭難度大，電網(wǎng)統(tǒng)調(diào)裝機(jī)6.599 GW，500 kV 變電站26 座，220 kV 變電站146 座，110 kV 及以下變電站932 座，系統(tǒng)較復(fù)雜；承擔(dān)大量的西電東送、蒙電外送任務(wù)，若大量負(fù)荷不就近消納，將對(duì)關(guān)鍵線路造成巨大壓力。因此，為了便于電網(wǎng)做出更好的調(diào)度安排，保證電網(wǎng)穩(wěn)定運(yùn)行，進(jìn)行出力預(yù)測(cè)變得尤為重要。

隨著機(jī)器學(xué)習(xí)技術(shù)的不斷進(jìn)步，各種行業(yè)均開(kāi)始應(yīng)用機(jī)器學(xué)習(xí)來(lái)解決實(shí)際問(wèn)題，通過(guò)大數(shù)據(jù)技術(shù)解決傳統(tǒng)數(shù)據(jù)解決不了的問(wèn)題。與傳統(tǒng)數(shù)據(jù)相比，大數(shù)據(jù)在數(shù)量、多樣化、價(jià)值以及更新速度上具有明顯的優(yōu)勢(shì)［2］。隨著分散控制系統(tǒng)（DCS）、廠級(jí)實(shí)時(shí)監(jiān)控信息系統(tǒng)（SIS）、管理信息系統(tǒng)（MIS）以及其他輔助控制系統(tǒng)［3］的廣泛應(yīng)用及不斷改進(jìn)，各電廠及電力集團(tuán)公司存儲(chǔ)了大量的運(yùn)行數(shù)據(jù)及化驗(yàn)數(shù)據(jù)，形成了覆蓋電站機(jī)組生產(chǎn)全過(guò)程的數(shù)據(jù)庫(kù)，這些數(shù)據(jù)包含大量的隱含信息，以數(shù)據(jù)為中心的信息化理念將極大地變革電力信息化方式［4-8］。

煤質(zhì)變化等原因造成機(jī)的組出力不穩(wěn)定不利于電網(wǎng)調(diào)度。因此，提供合適的出力預(yù)測(cè)方案可以方便電網(wǎng)做出合適的調(diào)度安排，避免不必要的風(fēng)險(xiǎn)?；趶念^計(jì)算的機(jī)組負(fù)荷預(yù)測(cè)自然可以有較高的準(zhǔn)確性，但其需要輸入的參數(shù)太多，且大多不能在線測(cè)量。以本文研究的循環(huán)流化床機(jī)組為例，如果通過(guò)在線測(cè)量煤質(zhì)、飛灰含碳量等參數(shù)來(lái)準(zhǔn)確計(jì)算鍋爐熱效率，自然可以實(shí)現(xiàn)負(fù)荷的預(yù)測(cè)，但是技術(shù)難度大且計(jì)算量可觀，難以實(shí)現(xiàn)實(shí)時(shí)應(yīng)用。如果采用大數(shù)據(jù)理論，則可以避免直接測(cè)量這些數(shù)據(jù)，直接尋找關(guān)鍵參數(shù)和機(jī)組出力的關(guān)系。同時(shí)，通過(guò)這一關(guān)系，也能反饋機(jī)組出力對(duì)關(guān)鍵參數(shù)的范圍要求，從而界定機(jī)組的邊界出力。

徐游波［9］提出汽輪機(jī)的運(yùn)行狀態(tài)隨著蒸汽流量、溫度及壓力等因素的變化而變化，通過(guò)對(duì)歷史運(yùn)行數(shù)據(jù)的分析，得出機(jī)組出力與主蒸汽流量大致成正比例變化趨勢(shì)的結(jié)論。通過(guò)擬合機(jī)組出力與主汽流量的關(guān)系計(jì)算出力，實(shí)現(xiàn)汽輪機(jī)側(cè)基于歷史運(yùn)行數(shù)據(jù)的機(jī)組負(fù)荷預(yù)測(cè)。該研究雖然可以解決出力預(yù)測(cè)問(wèn)題，但隨著時(shí)間的推移，擬合函數(shù)的計(jì)算精確度會(huì)不斷降低。

本文提出通過(guò)搭建BP 神經(jīng)網(wǎng)絡(luò)模型并利用大數(shù)據(jù)來(lái)進(jìn)行出力預(yù)測(cè)。利用滑動(dòng)窗口法，當(dāng)有新的數(shù)據(jù)樣本進(jìn)入模型時(shí)，直接剔除最舊樣本，更新模型參數(shù)，解決了隨著機(jī)組的狀態(tài)改變，原有模型的準(zhǔn)確性和精度降低、泛化性能下降的缺點(diǎn)［10-12］。相比于模型重構(gòu)，大大減少了計(jì)算量及模型更新所用時(shí)間。本文以相關(guān)參數(shù)數(shù)據(jù)為網(wǎng)絡(luò)的輸入層，以機(jī)組出力為輸出層，訓(xùn)練網(wǎng)絡(luò)模型，通過(guò)調(diào)節(jié)相關(guān)參數(shù)值進(jìn)行仿真試驗(yàn)，最后得到最優(yōu)網(wǎng)絡(luò)模型。

1 研究方法

1.1 研究對(duì)象

本文針對(duì)某300 MW 循環(huán)流化床機(jī)組，該機(jī)組鍋爐為單汽包、自然循環(huán)、循環(huán)流化床燃燒方式，由1個(gè)膜式水冷壁爐膛，3臺(tái)汽冷式旋風(fēng)分離器和汽冷包墻包覆的尾部豎井組成。汽輪機(jī)為亞臨界、高中壓合缸、一次中間再熱、單軸、雙缸雙排汽、直接空冷凝汽式，配有2個(gè)主蒸汽閥門(mén)、6個(gè)高壓調(diào)節(jié)閥門(mén)、2個(gè)中壓主蒸汽閥門(mén)、2個(gè)中壓調(diào)節(jié)閥門(mén)。鍋爐設(shè)計(jì)汽水參數(shù)及汽輪機(jī)設(shè)計(jì)參數(shù)見(jiàn)表1—2。

選用來(lái)自此電站系統(tǒng)中存放的海量歷史數(shù)據(jù)，主要包括發(fā)電機(jī)有功功率、主蒸汽流量和其他管道測(cè)點(diǎn)共計(jì)48 個(gè)不同參數(shù)的信息。選取了其中一段時(shí)間，每分鐘一個(gè)參數(shù)取一個(gè)數(shù)據(jù)，即便只有5 d 時(shí)間，總數(shù)據(jù)量仍然十分巨大。如果要靠傳統(tǒng)的人為分析，困難系數(shù)是相當(dāng)大的。以主蒸汽流量及其他相關(guān)參數(shù)為輸入，發(fā)電機(jī)有功功率為輸出，建立基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)組出力預(yù)測(cè)模型，從而對(duì)機(jī)組出力進(jìn)行預(yù)測(cè)。

表1 鍋爐設(shè)計(jì)汽水參數(shù)Tab.1 Design steam-water parameters of the boiler

表2 汽輪機(jī)設(shè)計(jì)參數(shù)Tab.2 Design parameters of the steam turbine

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射［13］。典型的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示：輸入層具有R個(gè)輸入；隱層具有S個(gè)神經(jīng)元，采用S型傳遞函數(shù)。

隱層的非線性傳遞函數(shù)神經(jīng)元的作用為學(xué)習(xí)輸入與輸出的線性及非線性關(guān)系，由于在進(jìn)行訓(xùn)練之前一般都會(huì)進(jìn)行數(shù)據(jù)的歸一化處理，所以一般會(huì)通過(guò)線性輸出層拓寬網(wǎng)絡(luò)輸出。BP 神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力、高度的自學(xué)習(xí)和自適應(yīng)能力、一定的容錯(cuò)能力，在局部神經(jīng)元受到破壞后，對(duì)全局的訓(xùn)練結(jié)果不會(huì)造成大的影響。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP network structure

BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用方面主要用于函數(shù)逼近、模式識(shí)別、分類(lèi)、數(shù)據(jù)壓縮4方面。本文主要通過(guò)相應(yīng)的輸入與輸出來(lái)訓(xùn)練一個(gè)網(wǎng)絡(luò)以逼近一個(gè)函數(shù)，達(dá)到預(yù)測(cè)出力的目的。

1.3 數(shù)據(jù)預(yù)處理方法

大型燃煤發(fā)電機(jī)組所包含的系統(tǒng)眾多，數(shù)據(jù)復(fù)雜，且大量的數(shù)據(jù)中必然存在錯(cuò)誤數(shù)據(jù)。為了提高模型的精確度，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理是十分必要的。

1.3.1 異常數(shù)據(jù)的剔除

對(duì)于大數(shù)據(jù)建模而言，需要的數(shù)據(jù)量很大。但是，在實(shí)際的測(cè)量過(guò)程中，儀表的精確性、外界的干擾、測(cè)點(diǎn)的選擇、傳感器的故障等均會(huì)導(dǎo)致其中部分?jǐn)?shù)據(jù)受到污染。如果在建模之前不對(duì)這些污染數(shù)據(jù)進(jìn)行剔除，模型的精確性就會(huì)受到影響。譚浩藝［14］等人曾經(jīng)通過(guò)拉依達(dá)準(zhǔn)則（即3σ 準(zhǔn)則）對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將明顯誤差較大的數(shù)據(jù)剔除。拉依達(dá)準(zhǔn)則是指先假設(shè)一組檢測(cè)數(shù)據(jù)只含有隨機(jī)誤差，對(duì)其進(jìn)行計(jì)算處理得到標(biāo)準(zhǔn)偏差，按一定概率確定一個(gè)區(qū)間，認(rèn)為凡超過(guò)這個(gè)區(qū)間的誤差，就不屬于隨機(jī)誤差而是粗大誤差，含有該誤差的數(shù)據(jù)應(yīng)予以剔除。在測(cè)量次數(shù)充分多的情況下，數(shù)據(jù)的誤差必然趨于正態(tài)分布，因此，電廠大數(shù)據(jù)剛好適合用來(lái)剔除異常數(shù)據(jù)。

1.3.2 數(shù)據(jù)的歸一化處理

該模型涉及的參數(shù)很多，不同參數(shù)之間、同參數(shù)之間的樣本數(shù)據(jù)也可能存在較大差距。例如，主蒸汽流量數(shù)值最高達(dá)到1 000 t∕h 以上，而各類(lèi)換熱器進(jìn)出口的蒸汽壓力數(shù)值卻只有10 MPa 左右。如果樣本數(shù)據(jù)之間的數(shù)值差距過(guò)大，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間會(huì)變長(zhǎng)，訓(xùn)練后的模型精準(zhǔn)度也不夠。因此，在確定了各個(gè)參數(shù)之后，在輸入數(shù)據(jù)之前，最好對(duì)數(shù)據(jù)進(jìn)行歸一化處理［15］。假設(shè)參數(shù)原值為a，歸一化處理后的值為b，同類(lèi)型參數(shù)最大值為amax、最小值為amin，則兩者之間的關(guān)系用公式表示為

1.3.2 PCA降維

選擇合理的模型變量對(duì)于建模來(lái)說(shuō)十分重要。燃煤發(fā)電機(jī)組包含眾多的子系統(tǒng)，如給煤系統(tǒng)、燃燒系統(tǒng)、給水系統(tǒng)、送風(fēng)系統(tǒng)等，每個(gè)子系統(tǒng)都與眾多的參數(shù)相關(guān)聯(lián)。從所有可能對(duì)機(jī)組出力有影響的參數(shù)中選出關(guān)系較為密切的特征參數(shù)作為模型的輸入量，可以獲得近似或是更好的模型性能。通常研究人員選擇模型變量都是依據(jù)長(zhǎng)期的經(jīng)驗(yàn)。然而有時(shí)候并沒(méi)有完備的理論依據(jù)，如果選擇了一些不重要的自變量，模型的精度會(huì)降低。本文選用Matlab軟件中自帶的PCA降維函數(shù)對(duì)大數(shù)據(jù)進(jìn)行主成分分析［16-17］，在新的參數(shù)坐標(biāo)下獲取每個(gè)主成分所占的影響值，直觀地選擇所需要降的維數(shù)。

2 基于BP神經(jīng)網(wǎng)絡(luò)的出力預(yù)測(cè)模型建立

2.1 BP神經(jīng)網(wǎng)絡(luò)模型建立

本研究選取了連續(xù)960 個(gè)時(shí)間點(diǎn)的樣本數(shù)據(jù)，訓(xùn)練時(shí)選取所有時(shí)間點(diǎn)的數(shù)據(jù)，測(cè)試驗(yàn)證選用后460 個(gè)時(shí)間點(diǎn)的數(shù)據(jù)。基于BP 神經(jīng)網(wǎng)絡(luò)的機(jī)組出力預(yù)測(cè)流程如圖2所示。

圖2 機(jī)組出力預(yù)測(cè)流程Fig.2 Flow of power unit output prediction

首先對(duì)主蒸汽流量及其他相關(guān)特征參數(shù)進(jìn)行異常數(shù)據(jù)剔除、歸一化，以及降維預(yù)處理。利用PCA 函數(shù)對(duì)所有相關(guān)參數(shù)進(jìn)行處理之后，可以得到輸出影響值，即每一個(gè)主成分所貢獻(xiàn)的比例，可以更直觀地選擇所需要降維的組數(shù)。經(jīng)過(guò)數(shù)據(jù)處理發(fā)現(xiàn)僅主汽流量所占的比例就達(dá)到了96.33%，其次依次是高溫過(guò)熱器出口蒸汽壓力、高溫過(guò)熱器出口蒸汽溫度、屏式再熱器出口蒸汽壓力、屏式再熱器出口蒸汽溫度、鍋爐給水溫度、有效床溫，分別占比1.78%，0.80%，0.37%，0.20%，0.11%，0.08%。這與徐游波［9］結(jié)論相接近。因此，綜合考慮將輸入層數(shù)據(jù)維數(shù)降到7，這樣整個(gè)影響比例之和便超過(guò)99.90%，其他因素可以忽略不計(jì)。

BP 神經(jīng)網(wǎng)絡(luò)通過(guò)誤差信號(hào)不斷反向傳播來(lái)減小輸出值與期望值的誤差，達(dá)到訓(xùn)練網(wǎng)絡(luò)的目的。在該過(guò)程中，隱層神經(jīng)元數(shù)量會(huì)影響誤差大小。因此，確定BP神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)量很重要。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型一般選用均方根誤差［18-19］和相對(duì)誤差［20］作為評(píng)價(jià)指標(biāo)。均方根誤差和相對(duì)誤差的計(jì)算公式如下所示

式中：RMSE 為均方根誤差，MW；ypredict為預(yù)測(cè)值，MW；yreal為期望值，MW；n為總預(yù)測(cè)時(shí)間點(diǎn)數(shù)。

通過(guò)統(tǒng)計(jì)各神經(jīng)元數(shù)量下BP 神經(jīng)網(wǎng)絡(luò)模型輸出值與期望輸出值的相對(duì)誤差Error 及均方根誤差RMSE，選取最合適的神經(jīng)元數(shù)量。隱層神經(jīng)元數(shù)量從1 到9 進(jìn)行試驗(yàn)后，輸出值與期望輸出值的平均相對(duì)誤差以及均方根誤差如圖3所示。

圖3 輸出值與期望值的相對(duì)誤差Fig.3 Relative error between the output value and its expected value

由圖3 中可以看出，當(dāng)隱層神經(jīng)元的數(shù)量增加到7 的時(shí)候，BP 神經(jīng)網(wǎng)絡(luò)模型的輸出值與期望值的平均相對(duì)誤差低于1%，此時(shí)的均方根誤差約為13.4 MW，再增加神經(jīng)元數(shù)量模型的精確度也不會(huì)得到大的改善。因此，隱層神經(jīng)元的數(shù)量選擇為7。

2.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果分析

當(dāng)隱層神經(jīng)元數(shù)量為7 時(shí)，機(jī)組出力的預(yù)測(cè)值與實(shí)際的期望值的曲線如圖4 所示，預(yù)測(cè)值與期望值的相對(duì)誤差如圖5所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與期望值的對(duì)比Fig.4 Comparison of the predicted value and the expected value made by BP neural network

圖5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與期望值的相對(duì)誤差Fig.5 Relative error between the predicted value and the expected value made by BP neural network

應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)得到的預(yù)測(cè)值曲線與實(shí)際的期望值曲線接近重合，驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)模型有良好的預(yù)測(cè)精確度。預(yù)測(cè)值與期望值的相對(duì)誤差除了極個(gè)別點(diǎn)以外，都在±2%的范圍內(nèi)。因此，模型的預(yù)測(cè)穩(wěn)定性也較高，可以滿足需求。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的出力預(yù)測(cè)

選用訓(xùn)練數(shù)據(jù)外別的時(shí)間點(diǎn)的樣本數(shù)據(jù)來(lái)檢驗(yàn)?zāi)Ｐ偷木?，為了保證模型精度的覆蓋范圍，選用6個(gè)不同范圍的數(shù)據(jù)，原始數(shù)據(jù)見(jiàn)表3。

表3 BP神經(jīng)網(wǎng)絡(luò)的各項(xiàng)輸入值Tab.3 Inputs of the BP neural network

將下列變量作為輸入量，經(jīng)過(guò)模型預(yù)測(cè)獲得的預(yù)測(cè)值與期望值的對(duì)比見(jiàn)表4。經(jīng)過(guò)預(yù)測(cè)，可以發(fā)現(xiàn)誤差基本都在1%以內(nèi)，模型的精度較高，值得信賴(lài)。

表4 預(yù)測(cè)值與期望值的對(duì)比Tab.4 Comparison of predicted and expected values

3 結(jié)論

采用BP 神經(jīng)網(wǎng)絡(luò)結(jié)合數(shù)據(jù)預(yù)處理和PCA 降維，以某300 MW 循環(huán)流化床機(jī)組為對(duì)象建立機(jī)組出力預(yù)測(cè)模型。經(jīng)過(guò)主成分分析發(fā)現(xiàn)，主蒸汽流量是影響機(jī)組出力的最主要因素，其影響程度達(dá)到了96.33%。

高溫過(guò)熱器出口蒸汽壓力、高溫過(guò)熱器出口蒸汽溫度、屏式再熱器出口蒸汽壓力、屏式再熱器出口蒸汽溫度、鍋爐給水溫度、有效床溫也有一定影響，分 別 占 比1.78%，0.80%，0.37%，0.20%，0.11%，0.08%。誤差分析表明，隱層含有7 個(gè)神經(jīng)元即可達(dá)到較高的模擬精度。

利用BP 神經(jīng)網(wǎng)絡(luò)機(jī)組出力預(yù)測(cè)模型對(duì)460 個(gè)時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行驗(yàn)證試驗(yàn)，結(jié)果表明，該模型與實(shí)際運(yùn)行數(shù)據(jù)吻合良好，相對(duì)誤差在±2%以內(nèi)，使用訓(xùn)練樣本外時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，相對(duì)誤差也在±1%以內(nèi)，精度較高。

該研究為循環(huán)流化床機(jī)組出力預(yù)測(cè)提供了方法。在電網(wǎng)面對(duì)電力調(diào)度問(wèn)題時(shí)，通過(guò)該出力方法可以有效預(yù)測(cè)各個(gè)火電機(jī)組的出力，從而對(duì)調(diào)度提供有力指導(dǎo)。