申请/专利权人：国核电力规划设计研究院有限公司

申请日：2019-11-28

公开（公告）日：2024-06-07

公开（公告）号：CN111027258B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/048;G06N3/084;G06F119/08;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2021.02.05#实质审查的生效;2020.04.17#公开

摘要：本发明公开了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，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，本发明针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；利用机组历史运行数据对预测模型进行训练和验证；最后结合机组实时采集的相关参数进行发电负荷与供热量的预测。

主权项：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；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Ps，单位为MPa，主汽温度Ts，单位为℃，汽机调门开度μ，单位为%，供热抽汽蝶阀开度μc，单位为%，中排蝶阀1开度μc1，单位为%，中排蝶阀2开度μc2，单位为%，输出参数为机组负荷Ne，单位为MW；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，单位为th，燃料量B，单位为th，汽机调门开度μ，单位为%，供热抽汽蝶阀开度μc，单位为%，中排蝶阀1开度μc1，单位为%，中排蝶阀2开度μc2，单位为%，输出参数为主汽压Ps，单位为MPa；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Ps，单位为MPa，汽机调门开度μ，单位为%，供热抽汽蝶阀开度μc，单位为%，中排蝶阀1开度μc1，单位为%，中排蝶阀2开度μc2，单位为%，输出参数为供热前压力Pg，单位为MPa；步骤B具体是：a、建立具有j个输入参数（u1，u2,…,uj）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yk与模型各输入参数ui在k时刻和过去n个时刻的值uik、uik-1,…,uik-n及输出参数y在过去m个时刻的值yk-1,yk-2,...,yk-m相关，其结构的具体表达式为：；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：；式中：x，y分别为参数的实际值和标称值，xmin，xmax分别为参数在机组升降负荷过程中的最小值和最大值，ymax，ymin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。

全文数据：

权利要求：

百度查询： 国核电力规划设计研究院有限公司 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD