段中興，宋婕菲，溫 倩，周 孟

(西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055)

0 引言

熱電廠通過(guò)負(fù)荷預(yù)測(cè)[1]能夠得到不同時(shí)段的負(fù)荷變化趨勢(shì)，規(guī)劃、調(diào)度部門(mén)可以根據(jù)預(yù)測(cè)結(jié)果安排電網(wǎng)建設(shè)計(jì)劃，調(diào)整機(jī)組配置，滿足用電需求的同時(shí)節(jié)省發(fā)電成本，各負(fù)荷時(shí)段預(yù)測(cè)量可以指導(dǎo)運(yùn)行部門(mén)安排機(jī)器檢修及維護(hù)工序。因此，無(wú)論從經(jīng)濟(jì)還是社會(huì)角度，提升預(yù)測(cè)水平，就是提高電網(wǎng)效益[2]。熱電廠短期負(fù)荷預(yù)測(cè)作為預(yù)測(cè)的重要內(nèi)容，需要達(dá)到更高的精度。目前，基于深度學(xué)習(xí)[3-4]、智能算法[5-6]和人工神經(jīng)網(wǎng)絡(luò)[7-8]等模型已廣泛應(yīng)用于負(fù)荷預(yù)測(cè)中。

國(guó)內(nèi)外對(duì)負(fù)荷預(yù)測(cè)及相關(guān)模型做了大量研究?；艟甑萚9]采用改進(jìn)支持向量機(jī)方法對(duì)負(fù)荷進(jìn)行預(yù)測(cè)，但SVM受自身參數(shù)影響較大，預(yù)測(cè)結(jié)果具有不確定性。閆重熙等[10]采用天牛須搜索算法對(duì)向量機(jī)參數(shù)進(jìn)行自動(dòng)搜索，能夠有效提高模型的尋優(yōu)能力，但其算法尋優(yōu)個(gè)體單一，無(wú)法滿足種群進(jìn)化算法多樣性要求。賈永會(huì)等[11]通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法搭建燃燒區(qū)域溫度預(yù)測(cè)模型，無(wú)法避免BP網(wǎng)絡(luò)局部極小化問(wèn)題。孟子超等[12]提出基于遷移學(xué)習(xí)和深度卷積神經(jīng)網(wǎng)絡(luò)的組合優(yōu)化方法，解決中小樣本學(xué)習(xí)能力差的問(wèn)題。劉倩穎等[13]結(jié)合Kmeans聚類與BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)辦公建筑逐時(shí)用電負(fù)荷進(jìn)行預(yù)測(cè)，在預(yù)測(cè)精度上有較大突破，但未考慮BP網(wǎng)絡(luò)訓(xùn)練速度慢的局限性。郭彩杏等[14]提出一種結(jié)合改進(jìn)遺傳模擬退火算法和Metropolis準(zhǔn)則的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，有效提高網(wǎng)絡(luò)的擬合能力。但該算法影響因子較多，導(dǎo)致模型訓(xùn)練復(fù)雜性高，尋優(yōu)時(shí)間較長(zhǎng)。

近年來(lái)，BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于短期電力負(fù)荷預(yù)測(cè)中，針對(duì)目前研究存在的問(wèn)題，大量學(xué)者將種群進(jìn)化算法[15]與BP神經(jīng)網(wǎng)絡(luò)方法緊密結(jié)合，充分利用進(jìn)化算法種群多樣性的優(yōu)點(diǎn)，同時(shí)，利用BP網(wǎng)絡(luò)能夠自適應(yīng)及自學(xué)習(xí)的特點(diǎn)，可使優(yōu)化模型得到更好的預(yù)測(cè)效果。與其他種群算法相比，2017年提出的天牛須搜索算法，個(gè)體單一，運(yùn)算量較少，能夠較好地解決簡(jiǎn)單的尋優(yōu)問(wèn)題。但因其只有一個(gè)尋優(yōu)個(gè)體，無(wú)法滿足進(jìn)化算法種群多樣性要求，一旦遇到多輸入及更加復(fù)雜的優(yōu)化函數(shù)，或維數(shù)較多的優(yōu)化問(wèn)題時(shí)，BAS的優(yōu)化精度明顯降低，性能變差。本文引入精英個(gè)體和變步長(zhǎng)策略對(duì)標(biāo)準(zhǔn)天牛須算法進(jìn)行改進(jìn)，并通過(guò)建立IBAS-BP優(yōu)化模型，改善BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)能力，提高預(yù)測(cè)精度，降低預(yù)測(cè)誤差。

1 短期熱電廠負(fù)荷的主要影響因素

短期熱電廠負(fù)荷預(yù)測(cè)由多種因素共同作用：一方面，負(fù)荷數(shù)據(jù)呈隨機(jī)性和波動(dòng)性趨勢(shì)；另一方面，負(fù)荷數(shù)據(jù)也具有周期規(guī)律性的特點(diǎn)，這為實(shí)現(xiàn)有效的預(yù)測(cè)奠定了基礎(chǔ)。影響短期電力負(fù)荷的主要因素如下：

1)溫度因素。不同的溫度情況會(huì)產(chǎn)生對(duì)應(yīng)的用電需求，溫度因素的變化對(duì)短期負(fù)荷預(yù)測(cè)產(chǎn)生較大的影響。例如，夏季高溫天氣時(shí)，空調(diào)、冰箱等制冷設(shè)備用電負(fù)荷較大；冬季天氣寒冷時(shí)，溫度較低，電熱毯，電暖氣等加熱設(shè)備用電量明顯增加；春秋季溫度適宜時(shí)，用電負(fù)荷較前兩種情況趨于平穩(wěn)。因此，氣溫的變化已成為影響短期負(fù)荷預(yù)測(cè)的關(guān)鍵因素[16]。

2)日期屬性。通常，短期電力負(fù)荷以星期為單位呈現(xiàn)周期性變化[17]。工作日用電負(fù)荷趨于平穩(wěn)，雙休日用電種類較多，用電負(fù)荷較工作日有較大波動(dòng)。因此，星期屬性是影響短期負(fù)荷預(yù)測(cè)的重要因素。

3)電價(jià)因素。電網(wǎng)運(yùn)行結(jié)構(gòu)影響負(fù)荷特性的峰谷值，合適的峰谷電價(jià)不僅能夠降低高峰負(fù)荷的增長(zhǎng)速度，還可以較明顯的拉高負(fù)荷力，在一定程度上能夠提高電力負(fù)荷的預(yù)測(cè)精度及電網(wǎng)設(shè)備的利用率。

4)其他因素。短期電力負(fù)荷受多種因素共同作用，影響因素的多樣性對(duì)負(fù)荷預(yù)測(cè)產(chǎn)生不同的影響。除去溫度，日期等外界影響因素，還包括用戶習(xí)慣、深度調(diào)峰需求、靈活調(diào)峰需求等。

2 相關(guān)原理介紹

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)信息正向傳遞，誤差反向傳播。信息從輸入層流向隱含層，隱含層對(duì)信息進(jìn)行加工處理后傳遞給輸出層，當(dāng)輸出層結(jié)果無(wú)法達(dá)到要求時(shí)，權(quán)值沿著誤差變化的負(fù)梯度方向調(diào)節(jié)，最終達(dá)到誤差最小值[18]。

由大量實(shí)驗(yàn)可知，輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)可根據(jù)實(shí)際問(wèn)題和需求確定，隱含層神經(jīng)元個(gè)數(shù)無(wú)法直接得出，可通過(guò)經(jīng)驗(yàn)公式窮舉法，選擇最優(yōu)隱含層節(jié)點(diǎn)數(shù)。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

2.2 天牛須搜索算法

天牛須搜索算法(BAS，beetle antennae search algorithm)是一種觀察天牛覓食行為提出的仿生啟發(fā)式算法。天牛通過(guò)左右須感知食物氣味，并向氣味更強(qiáng)的方向飛行，不斷調(diào)整自己的位置，依據(jù)這一簡(jiǎn)單原理天?？梢钥焖俑咝У卣业绞澄?。同理，在模型尋優(yōu)過(guò)程中，食物的氣味可看作一個(gè)函數(shù)，天牛采集自身附近的函數(shù)信息，對(duì)其進(jìn)行分析比較，不斷更新自己的空間位置，直至找到函數(shù)最優(yōu)解。

BAS算法步驟如下：

1)天牛參數(shù)初始化，設(shè)置天牛須初始方向隨機(jī)向量。

(1)

式中,K為空間維度，rand()為隨機(jī)函數(shù)。

2)建立天牛左右須的空間位置坐標(biāo)。

(2)

xt為第t次尋優(yōu)時(shí)天牛的質(zhì)心位置，xl,t和xr,t分別代表第t次尋優(yōu)時(shí)天牛左右須的位置坐標(biāo)，dt代表第t次尋優(yōu)時(shí)天牛左右須的間距。

3)創(chuàng)建天牛搜索行為移動(dòng)模型。

根據(jù)適應(yīng)度函數(shù)計(jì)算天牛左右須的適應(yīng)度值f(xl)及f(xr)，通過(guò)比較天牛當(dāng)前空間位置左右須的適應(yīng)度函數(shù)值，判斷下一步天牛位置的移動(dòng)方向，更新步長(zhǎng)δ。

(3)

式中,xt+1第t+1次迭代天牛的質(zhì)心位置，xt為第t次迭代天牛的質(zhì)心位置，δt為第t次迭代天牛移動(dòng)的步長(zhǎng)，sign()為符號(hào)函數(shù)。

2.3 改進(jìn)的天牛須搜索算法(IBAS)

2.3.1 多個(gè)體精英策略種群更新方式

本文對(duì)標(biāo)準(zhǔn)天牛須算法進(jìn)行改進(jìn)，將個(gè)體尋優(yōu)擴(kuò)充為多個(gè)體種群尋優(yōu)，引入精英策略種群更新模式，保留了天牛須算法簡(jiǎn)單有效的尋優(yōu)機(jī)制，同時(shí)，增加目標(biāo)解的可能性，從而提高算法的尋優(yōu)能力與穩(wěn)定性。

多個(gè)體精英天牛須優(yōu)化算法原理：天牛種群中，每只天牛個(gè)體同時(shí)擁有左，右須適應(yīng)度，選擇其中較好的適應(yīng)度，并根據(jù)其確定天牛移動(dòng)方向，直到找到目標(biāo)函數(shù)最優(yōu)解，記錄每一次尋優(yōu)過(guò)程的最佳適應(yīng)度。天牛個(gè)體尋優(yōu)能力各不相同，隨著算法的不斷迭代，種群會(huì)出現(xiàn)精英個(gè)體，這些個(gè)體能夠更好地掌握最優(yōu)解信息，加快尋優(yōu)的速度的同時(shí)，提高求解的精度。

天牛種群矩陣X如下：

(4)

(5)

fxi表示天牛種群在同一維度下最優(yōu)適應(yīng)度值。

精英個(gè)體擁有較好的適應(yīng)度值，掌握搜索過(guò)程最優(yōu)信息，通過(guò)引入精英個(gè)體，參與尋優(yōu)過(guò)程，提高種群搜索能力。精英個(gè)體矩陣C如下所示：

(6)

(7)

2.3.2 非線性遞減步長(zhǎng)控制策略

步長(zhǎng)是控制天牛搜索能力的重要參數(shù)，搜索步長(zhǎng)的選擇對(duì)算法的尋優(yōu)效率和精度產(chǎn)生重大影響。步長(zhǎng)較大時(shí)，算法全局尋優(yōu)能力較強(qiáng)，但可能導(dǎo)致尋優(yōu)跳離最優(yōu)解，出現(xiàn)收斂速度慢、精度低的問(wèn)題；步長(zhǎng)較小時(shí)，局部尋優(yōu)能力較強(qiáng)，但收斂速度太慢，易陷入局部極值難以跳出。標(biāo)準(zhǔn)算法中步長(zhǎng)為定值，尋優(yōu)效率較低，求解精度較差，本文在標(biāo)準(zhǔn)天牛須算法的基礎(chǔ)上，設(shè)計(jì)基于非線性遞減步長(zhǎng)控制策略的改進(jìn)天牛須算法，其搜索前期具有較大的步長(zhǎng)，種群不會(huì)過(guò)早密集地收斂于局部最優(yōu)值，使得算法在前期具有較強(qiáng)的全局尋優(yōu)能力，同時(shí)，后期步長(zhǎng)非線性遞減，使得后期搜索過(guò)程中不會(huì)因?yàn)椴介L(zhǎng)較大錯(cuò)過(guò)最優(yōu)值，在后期也有較優(yōu)的局部尋優(yōu)能力。

非線性遞減步長(zhǎng)控制策略可表示如下：

(8)

式中，δ0為初始步長(zhǎng)，一般取值較大，增強(qiáng)全局搜索能力，t為當(dāng)前迭代次數(shù)，T為最大迭代次數(shù)，eta為0～1之間的調(diào)節(jié)因子。當(dāng)eta較大時(shí)，全局搜索能力差，較快陷入局部搜索，當(dāng)eta較小時(shí)，局部搜索能力差，易錯(cuò)過(guò)局部最優(yōu)解。

3 基于改進(jìn)天牛須搜索算法的IBAS-BP預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)因其權(quán)值產(chǎn)生具有隨機(jī)性，存在易陷入局部最優(yōu)、訓(xùn)練速度慢、穩(wěn)定性差等不足。針對(duì)BP神經(jīng)網(wǎng)絡(luò)缺陷，建立IBAS-BP優(yōu)化模型，采用IBAS算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化，使BP網(wǎng)絡(luò)在IBAS算法的范圍內(nèi)有效尋優(yōu)。

IBAS-BP算法流程如圖2所示，具體步驟如下：

圖2 IBAS-BP算法流程圖

1)初始化天牛參數(shù)：天牛左右須間距d、質(zhì)心坐標(biāo)x、左右須的位置xl，xr，天牛初始步長(zhǎng)δ0=15、迭代次數(shù)T=200。

2)確定BP網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)參數(shù)初始化。本文采用的IBAS-BP模型中，輸入層的34個(gè)單元分別為：預(yù)測(cè)日前一天24 h整點(diǎn)負(fù)荷數(shù)據(jù)、訓(xùn)練日和預(yù)測(cè)日最高溫度、最低溫度、平均溫度，訓(xùn)練日及預(yù)測(cè)日季節(jié)特征、星期屬性。輸出層24個(gè)節(jié)點(diǎn)為預(yù)測(cè)日24h整點(diǎn)負(fù)荷值，隱含層節(jié)點(diǎn)數(shù)取值范圍[6～28]，通過(guò)窮舉法試驗(yàn)，確定隱含層節(jié)點(diǎn)個(gè)數(shù)為14。

3)確定適應(yīng)度函數(shù)。選取均方根誤差MSE作為適應(yīng)度評(píng)價(jià)函數(shù)。

(9)

4)更新天牛空間坐標(biāo)。更新天牛左右須的空間位置坐標(biāo),計(jì)算當(dāng)前左右須的適應(yīng)度函數(shù)值f(xl)和f(xr),對(duì)其進(jìn)行比較，確定天?？臻g移動(dòng)方向，根據(jù)變步長(zhǎng)策略更新步長(zhǎng)。當(dāng)適應(yīng)度函數(shù)值達(dá)到訓(xùn)練精度或迭代達(dá)到最大次數(shù)時(shí)，算法運(yùn)行結(jié)束，BP網(wǎng)絡(luò)找到最優(yōu)權(quán)值，建立IBAS-BP組合模型。

5)劃分訓(xùn)練集和測(cè)試集。將預(yù)測(cè)日期前一周負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本輸入IBAS-BP模型進(jìn)行訓(xùn)練，將測(cè)試集數(shù)據(jù)按照星期屬性分為工作日和休息日分別進(jìn)行預(yù)測(cè)。

6)得到待測(cè)日負(fù)荷預(yù)測(cè)結(jié)果，采用誤差評(píng)價(jià)指標(biāo)評(píng)估并得出結(jié)論。

4 算例分析

實(shí)驗(yàn)采用Matlab驗(yàn)證IBAS-BP預(yù)測(cè)模型的準(zhǔn)確性和可靠性。模型輸入為熱電廠歷史負(fù)荷數(shù)據(jù)、溫度數(shù)據(jù)、日期屬性、季節(jié)特征，采樣數(shù)據(jù)為熱電廠前一年歷史負(fù)荷，采樣周期為每日24 h逐點(diǎn)采樣。模型輸出為24 h負(fù)荷預(yù)測(cè)值。以1月28日(工作日)，31日(休息日)為例，分別采用PSO-BP模型、BAS-BP模型和IBAS-BP模型進(jìn)行預(yù)測(cè)，通過(guò)3種模型結(jié)果對(duì)比分析，驗(yàn)證IBAS-BP模型預(yù)測(cè)性能。

4.1 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

選取4個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行測(cè)試，將BAS算法與IBAS算法尋優(yōu)性能對(duì)比，驗(yàn)證IBAS算法的預(yù)測(cè)性能。4種標(biāo)準(zhǔn)測(cè)試函數(shù)如表1所示，其中f1(Sphere)為單峰函數(shù)，f2(Girewank)，f3(Rastrigin)，f4(Alpine)為多峰函數(shù)[19]。

表1 標(biāo)準(zhǔn)測(cè)試函數(shù)

設(shè)定BAS種群個(gè)數(shù)為1，IBAS種群個(gè)數(shù)為20，迭代次數(shù)為200次，每種算法獨(dú)立運(yùn)行各函數(shù)30次。

為了更直觀地表現(xiàn)預(yù)測(cè)能力，實(shí)驗(yàn)選取均方根誤差RMSE、平均絕對(duì)百分比誤差MAPE精度評(píng)價(jià)指標(biāo)對(duì)結(jié)果進(jìn)行分析。均方根誤差RMSE能夠很好地反映預(yù)測(cè)的精密度；平均絕對(duì)百分比誤差MAPE能夠正確地反映預(yù)測(cè)的精確度。回歸預(yù)測(cè)指標(biāo)公式如下：

(10)

(11)

4.2 實(shí)驗(yàn)結(jié)果分析

基于4種標(biāo)準(zhǔn)測(cè)試函數(shù)的IBAS，BAS算法測(cè)試結(jié)果如圖3所示。分析圖3(b)可知，在有限的搜索代數(shù)內(nèi)，IBAS算法能夠較快收斂到理想值，有效避免陷入局部極值。圖3(a)、(c)、(d)中，IBAS算法尋優(yōu)精度分別可達(dá)到e-35，e-14，e-20，都能夠?qū)ふ业嚼碚撟顑?yōu)解0，說(shuō)明本文算法具有更好的尋優(yōu)精度。結(jié)合表2可知，IBAS算法的測(cè)試平均值及標(biāo)準(zhǔn)差均小于BAS算法。因此，與標(biāo)準(zhǔn)BAS算法相比，無(wú)論是在單峰或者多峰函數(shù)問(wèn)題上，改進(jìn)的IBAS算法都具有較高的尋優(yōu)精度和較快的收斂速度。

圖3 標(biāo)準(zhǔn)函數(shù)測(cè)試圖

表1 4種函數(shù)測(cè)試結(jié)果

圖4為1月28日(工作日)，1月31日(休息日)負(fù)荷預(yù)測(cè)曲線圖。分別采用PSO-BP，BAS-BP，IBAS-BP模型對(duì)工作日，雙休日2個(gè)星期屬性日24 h電力負(fù)荷進(jìn)行預(yù)測(cè)。

圖4 負(fù)荷預(yù)測(cè)曲線圖

由圖4可知：

1)雙休日相對(duì)誤差大于工作日，其原因可能為雙休日不可控因素較多，用電種類較多，相比工作日較難建立準(zhǔn)確的預(yù)測(cè)模型，導(dǎo)致預(yù)測(cè)誤差較大。

2)無(wú)論工作日還是雙休日，IBAS-BP模型預(yù)測(cè)效果均優(yōu)于BAS-BP模型和PSO-BP模型，PSO-BP預(yù)測(cè)模型的相對(duì)誤差最大，模型的穩(wěn)定性最差，IBAS-BP網(wǎng)絡(luò)穩(wěn)定性優(yōu)于BAS-BP網(wǎng)絡(luò)。

引入精度評(píng)價(jià)指標(biāo)RMSE和MAPE對(duì)模型預(yù)測(cè)性能作進(jìn)一步評(píng)價(jià)，如表3所示。

表3 負(fù)荷預(yù)測(cè)誤差評(píng)價(jià)

由表3所示，工作日IBAS-BP模型的RMSE，MAPE分別為4.163，0.005；休息日IBAS-BP模型的RMSE，MAPE分別為5.595，0.007。對(duì)3種模型誤差進(jìn)行分析，IBAS-BP模型平均誤差小于BAS-BP模型，BAS-BP模型平均誤差小于PSO-BP模型。綜上所述：相較于PSO-BP模型及BAS-BP模型，IBAS算法能更好地改善BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能，模型的負(fù)荷預(yù)測(cè)精度較高。

5 工程應(yīng)用

我國(guó)電力系統(tǒng)中，熱電廠機(jī)組承擔(dān)著主要的發(fā)電任務(wù)，高參數(shù)大容量的熱電機(jī)組多采用單元制并列運(yùn)行方式[20]。隨著社會(huì)電力負(fù)荷的增加，我國(guó)的電網(wǎng)體系架構(gòu)也愈加復(fù)雜，并網(wǎng)機(jī)組容量的日益增加，對(duì)電網(wǎng)的安全運(yùn)行和優(yōu)化調(diào)度提出了更高的要求。電網(wǎng)調(diào)度政策遵循《電網(wǎng)調(diào)度管理?xiàng)l例》，充分考慮電網(wǎng)配電設(shè)備的經(jīng)濟(jì)運(yùn)行性能，減排節(jié)能，電廠機(jī)組負(fù)荷的優(yōu)化分配。同時(shí)，最大限度地平衡電網(wǎng)公司和電廠對(duì)于經(jīng)濟(jì)調(diào)度的需求。

由于系統(tǒng)負(fù)荷的變化，發(fā)電機(jī)組不可能始終保持在經(jīng)濟(jì)負(fù)荷下運(yùn)行。如何根據(jù)負(fù)荷預(yù)測(cè)結(jié)果在機(jī)組間進(jìn)行負(fù)荷分配，將會(huì)對(duì)整個(gè)系統(tǒng)的經(jīng)濟(jì)性能產(chǎn)生較大影響。本文基于熱電廠機(jī)組煤耗特性曲線、在線用電率曲線、發(fā)電功率等數(shù)據(jù)，結(jié)合電網(wǎng)調(diào)度政策，對(duì)熱電廠接收到AGC指令數(shù)據(jù)進(jìn)行實(shí)時(shí)的優(yōu)化分配[21]。

本文搭建負(fù)荷優(yōu)化分配的數(shù)學(xué)模型，需要滿足電網(wǎng)調(diào)度負(fù)荷指令和機(jī)組安全運(yùn)行的臨界條件。采用粒子群優(yōu)化算法，依照機(jī)組運(yùn)行狀態(tài)和性能參數(shù)，優(yōu)化電廠機(jī)組負(fù)荷分布。負(fù)荷優(yōu)化分配后，工廠煤耗率較優(yōu)化前下降，能源利用率有所提升，能夠達(dá)到較好的節(jié)能優(yōu)化效果。選取覆蓋全工況范圍的典型工況數(shù)據(jù)列于表4。

表4 優(yōu)化前后煤耗分配對(duì)比

表4通過(guò)對(duì)比分析典型負(fù)荷分布優(yōu)化前后的標(biāo)煤耗可知，當(dāng)全廠負(fù)荷指令在1 465.25 MW平臺(tái)時(shí)，每個(gè)機(jī)組的平均功率接近可調(diào)節(jié)范圍的下限，煤炭消耗量變化不明顯，負(fù)荷優(yōu)化后煤炭消耗量降低1.35 g/kWh，節(jié)省標(biāo)煤耗率為0.372%。伴隨機(jī)組穩(wěn)定運(yùn)行，設(shè)施總負(fù)荷的增加，負(fù)荷優(yōu)化所產(chǎn)生的煤炭節(jié)約效果逐漸明顯。位于1 985.20 MW平臺(tái)時(shí)，負(fù)荷優(yōu)化后煤炭消耗量減少了2.81 g/kWh，節(jié)省標(biāo)煤耗率為0.791%，煤炭使用率大大降低，達(dá)到節(jié)省能源的最好效果。當(dāng)該平臺(tái)上添加總負(fù)荷指令至2 240.55 MW時(shí)，優(yōu)化后煤耗降低1.66 g/kWh，節(jié)省標(biāo)煤耗率為0.474%。綜上所述，優(yōu)化機(jī)組負(fù)荷分配能夠有效降低煤炭消耗，綠色節(jié)能的同時(shí)，電廠運(yùn)行管理經(jīng)濟(jì)性有所提升。

高效的負(fù)荷預(yù)測(cè)為電廠機(jī)組實(shí)現(xiàn)精準(zhǔn)的電力調(diào)度提供保障，合理的負(fù)荷優(yōu)化分配能夠提高電廠效益，后期可結(jié)合電力系統(tǒng)調(diào)度政策，對(duì)調(diào)度量化指標(biāo)和提高機(jī)組運(yùn)轉(zhuǎn)效率方面作進(jìn)一步研究。

6 結(jié)束語(yǔ)

本文提出一種基于改進(jìn)天牛須搜索算法的IBAS-BP組合模型，并將其應(yīng)用于熱電廠短期電力負(fù)荷預(yù)測(cè)中。通過(guò)引入精英策略，改進(jìn)BAS算法更新步長(zhǎng)，增加了搜索過(guò)程的多樣性和隨機(jī)性。結(jié)果表明，IBAS-BP優(yōu)化模型具有良好的預(yù)測(cè)性能。調(diào)度中心根據(jù)負(fù)荷預(yù)測(cè)結(jié)果，綜合考慮電網(wǎng)政策、機(jī)組本身的調(diào)節(jié)性能、效率、煤耗等因素，對(duì)熱電廠機(jī)組進(jìn)行負(fù)荷優(yōu)化分配，降低機(jī)組煤耗率，保證每臺(tái)機(jī)組安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行，研究具有工程應(yīng)用價(jià)值。