抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法

技术领域

本发明属于燃煤发电机组辅机故障处理领域，尤其涉及一种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法。

背景技术

燃煤发电机组普遍设计了辅机故障快速减负荷功能(RUNBACK，RB)。在机组冗余配置的重要辅机发生故障或跳闸时，机组依据控制逻辑快速降低负荷，从而匹配辅机的出力需求，确保机组重要运行参数平稳过渡，达到重要辅机发生故障或跳闸时不跳闸机组，仍保持机组安全运行的目的。

近年来，随着发电装机容量的增长，我国已经彻底改变了大面积缺电的局面，并且随着煤价的不断上涨，甚至有的地方出现了电力产能过剩。因此，越来越多的纯凝汽式机组进行了供热改造，从高排热端或冷端再热、中压缸排汽等处抽取蒸汽，将纯凝机组改造为抽凝机组，实施对外供热。

机组供热改造后，锅炉燃烧产生的蒸汽一部分进入汽轮机做功，用于发电；另一部分抽汽用于供热。当机组在协调控制方式运行下，热负荷和电负荷的调节和分配会存在复杂的耦合关系。电负荷根据电网调度指令调节，电负荷的波动必影响到进入高压缸的蒸汽流量，进而对供热抽汽量产生扰动。当热网用户的需求发生变化时，使得机组抽汽流量产生变化，对机组发电量也将产生影响。

在纯凝发电机组进行抽汽供热改造后，RB控制逻辑的总体框架和技术细节基本沿用以往的方式，并未适时地进行优化与提升。

目前机组的设计逻辑，在机组触发RB后，锅炉负荷会按照预设的值快速降低至RB目标值，机组的供热抽汽量也会减少，由于并没有考虑到RB过程中热负荷的减少对机组的影响，这会给电厂巨大的经济损失，严重时对区域内整个热网的安全性和供热可靠性也会产生威胁。同时，机组RB时，机组负荷指令跟踪的是RB目标负荷。考虑供热的因素，部分锅炉负荷用来供汽，机组的实际发电负荷会低于锅炉负荷，所以在RB复归后，也会存在发电负荷控制不精准的问题。

因此，及时、准确地预测机组的热负荷是确保抽汽供热机组RB后安全和经济运行的关键。

发明内容

本发明的目的是克服现有技术中的不足，提供一种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法。

这种抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法，包括以下步骤：

S1、当机组的重要辅机跳闸时，判断当前负荷是否高于带载能力；若当前负荷高于带载能力，则触发RB动作，否则不触发RB动作；

S2、当机组的重要辅机跳闸并且触发RB动作后，机组由协调控制方式(CCS)切换为机跟炉方式(TF)，根据预设RB目标负荷快速降低锅炉出力，锅炉的子系统同时开始动作，实现机组主要参数的调节；

S3、建立并训练深度信念网络；深度信念网络由多层受限玻尔兹曼机(RBM)、最顶端的输出层和BP神经网络组成；每层受限玻尔兹曼机(RBM)共分为两层，受限玻尔兹曼机的第一层为可视层(RBM的输入层)，受限玻尔兹曼机的第二层为隐藏层；

S3.1、建立深度信念网络；

S3.2、训练深度信念网络(DBN)；

S4、机组触发RB动作后，随着锅炉负荷的快速减少，机组的供热抽汽量也会减少，基于机组历史运行数据，采用深度信念网络(DBN)来预测机组RB过程中减少的供热抽汽量对应的热负荷，并建立抽汽供热机组的热负荷预测模型；

S4.1、选择与热负荷相关的锅炉负荷、中压缸排汽压力、机前压力、供热压力、供热温度作为特征变量输入深度信念网络(DBN)；

S4.2、采集历史数据，并对历史数据进行预处理；

S4.3、建立基于深度信念网络的抽汽供热机组热负荷预测模型，并对该模型进行训练；

S4.4、当机组触发RB动作时，利用已经训练好的深度信念网络，对机组触发RB动作后可提供的热负荷量进行预测，得到机组RB过程中减少的供热抽汽量对应的热负荷；

S5、将步骤S3预测得到的机组RB过程中减少的供热抽汽量对应的热负荷叠加到电厂其余正常运行的机组中，维持整个热网对外供热不变；分配到其余机组的热负荷，以前馈的形式叠加到机组锅炉主控回路；通过前馈回路的快速动作，保证在电厂热网系统内机组RB时，对外供热的稳定性和可靠性。

作为优选，步骤S1中机组的重要辅机包括磨煤机、送风机、引风机、一次风机和给水泵。

作为优选，步骤S2中锅炉的子系统包括风系统、煤系统和水系统。

作为优选，步骤S3.1具体包括以下步骤：

S3.1.1、定义受限玻尔兹曼机所有可视层的单元和隐藏层的单元联合状态(v,h)的能量函数：

上式中，θ为受限玻尔兹曼机(RBM)的网络参数θ＝{W,b,c}，其中W指权重，b、c指阈值；v＝[v

S3.1.2、根据能量函数E(v,h|θ)计算可视层和隐藏层之间的联合概率函数p(v,h|θ)：

上式中，Z为归一化因子，

S3.1.3、进一步得到隐藏层的边缘分布：

S3.1.4、当确定了可视层和隐藏层后，得到可视层和隐藏层的激活概率分别为：

上式中，

所有神经元的概率密度函数满足：

上式中，p(v|h)为可视层所有神经元的概率密度函数，p(v

S3.1.5、通过激活概率决定是否激活每个神经元。

作为优选，步骤S3.2具体包括以下步骤：

S3.2.1、更新训练单个受限玻尔兹曼机的网络参数：将数据输入到可视层单元v

w

b

c

上式中，η为学习率；v

S3.2.2、受限玻尔兹曼机(RBM)的无监督预训练：初始化受限玻尔兹曼机(RBM)的网络结构参数，随机初始化可视层和隐藏层之间的模型参数θ＝{W,b,c}；采用从下到顶的逐层训练的方法，首先将归一化之后的数据输入到第一个受限玻尔兹曼机(RBM)的可视层，采用对比散度算法来减小输入数据和重构数据之间的误差，更新网络参数θ＝{W,b,c}；第一个受限玻尔兹曼机(RBM)训练结束后，固定当前受限玻尔兹曼机(RBM)的网络参数，将第一个受限玻尔兹曼机(RBM)的隐藏层作为第二个受限玻尔兹曼机(RBM)的输入层，继续训练；当所有的受限玻尔兹曼机(RBM)网络结构完成训练时，获得深度信念网络参数的初始值；

S3.2.3、使用BP神经网络对深度信念网络参数的初始值进行微调：在确定深度信念网络参数的初始值后，在最顶层利用BP神经网络，以受限玻尔兹曼机输出的特征向量作为BP网络的输入向量，将误差反向传播到每层受限玻尔兹曼机中，通过梯度下降的方法，微调整个深度信念网络的权值参数，从而建立最优的网络。

作为优选，步骤S3中可视层和隐藏层两层之间各神经元节点均双向连接，可视层和隐藏层的同层内部各单元互不连接。

作为优选，步骤S4.2中采用归一化的处理方法对历史数据进行预处理，将每一特征变量的数据分别归一化到[0,1]之间：

上式中，X

作为优选，步骤S5具体包括以下步骤：

S5.1、当有某台机组触发RB动作后，通过深度信念网络预测得到的RB过程中减少的热负荷P

S5.2、若电厂热网系统内某台正常运行机组的出力已达到最大，则不进行机组RB过程中减少的供热抽汽量对应的热负荷的分配，计算其余正常运行机组的可用容量；

S5.3、若总的可用容量小于热负荷P

S5.4、若总的可用容量大于热负荷P

上式中，n为热网系统内的机组的台数；

S5.5、若总的可用容量不满足步骤S5.1至步骤S5.4中的条件，则采取按比例分配的方式，根据当前机组可用容量的大小进行分配：

上式中，

本发明的有益效果是：本发明在机组发生RB时，能够准确的预测RB过程中减少的热负荷，从而可以以量化的形式提前将预测得到的热负荷合理、经济地分配到热网其余正常运行机组，避免了因机组RB带来的供热经济损失，确保了电厂热网系统的安全性和供热可靠性。本发明提供一种机组负荷指令的跟踪形式，实现了RB复归后对发电负荷的精准控制。

附图说明

图1为抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法流程图；

图2为基于深度信念网络的热负荷预测流程图；

图3为深度信念网络结构示意图；

图4为RBM结构示意图；

图5为电厂热网系统结构示意图；

图6为基于机组可用容量的热负荷分配方法原理图；

图7为RB过程中机组负荷指令跟踪示意图。

附图标记说明：BP1、第二层RBM2、第一层RBM3、隐藏层4、可视层5、供热6、RB目标负荷7、预测得到的机组RB过程中减少的热负荷8、机组负荷指令跟踪值9。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

实施例一

本申请实施例一提供了一种如图1所示抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法：

S1、当机组的重要辅机跳闸时，判断当前负荷是否高于带载能力；若当前负荷高于带载能力，则触发RB动作，否则不触发RB动作；

S2、当机组的重要辅机跳闸并且触发RB动作后，机组由协调控制方式(CCS)切换为机跟炉方式(TF)，根据预设RB目标负荷快速降低锅炉出力，锅炉的子系统同时开始动作，实现机组主要参数的调节；

S3、建立并训练深度信念网络；深度信念网络由多层受限玻尔兹曼机(RBM)、最顶端的输出层和BP神经网络组成；每层受限玻尔兹曼机(RBM)共分为两层，受限玻尔兹曼机的第一层为可视层(RBM的输入层)，受限玻尔兹曼机的第二层为隐藏层；

S3.1、建立深度信念网络；

S3.2、训练深度信念网络(DBN)；

S4、机组触发RB动作后，随着锅炉负荷的快速减少，机组的供热抽汽量也会减少，基于机组历史运行数据，采用深度信念网络(DBN)来预测机组RB过程中减少的供热抽汽量对应的热负荷，并建立抽汽供热机组的热负荷预测模型；

S4.1、选择与热负荷相关的锅炉负荷、中压缸排汽压力、机前压力、供热压力、供热温度作为特征变量输入深度信念网络(DBN)；

S4.2、采集历史数据，并对历史数据进行预处理；

S4.3、建立基于深度信念网络的抽汽供热机组热负荷预测模型，并对该模型进行训练；

S4.4、当机组触发RB动作时，利用已经训练好的深度信念网络，对机组触发RB动作后可提供的热负荷量进行预测，得到机组RB过程中减少的供热抽汽量对应的热负荷；

S5、将步骤S3预测得到的机组RB过程中减少的供热抽汽量对应的热负荷叠加到电厂其余正常运行的机组中，维持整个热网对外供热不变；分配到其余机组的热负荷，以前馈的形式叠加到机组锅炉主控回路；通过前馈回路的快速动作，保证在电厂热网系统内机组RB时，对外供热的稳定性和可靠性。

实施例二

在实施例一的基础上，本申请实施例二提供了实施例一中抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法在某电厂热网系统内的应用：

S1：当机组的重要辅机跳闸并且触发RB后，机组由协调控制方式(CCS)切换为机跟炉方式(TF)，锅炉出力按照预设RB目标负荷快速下降，同时锅炉的风、煤、水等各子系统开始动作，实现机组主要参数的调节。

机组辅机跳闸包括，磨煤机、送/引风机、一次风机和给水泵等。

S2：机组触发RB后，随着锅炉负荷的快速减少，机组的供热抽汽量也会减少，采用深度信念网络算法来预测机组RB过程中减少的热负荷；

S3：将预测得到的机组RB过程中减少的热负荷，将其叠加到电厂其余正常运行的机组，维持整个热网对外供热不变。

在S2中，基于机组历史运行数据，采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型，建立抽凝式供热机组的热负荷预测模型，如图2所示，步骤如下：

S21：选择与热负荷相关的锅炉负荷、中压缸排汽压力和机前压力，供热压力，供热温度作为特征变量，作为DBN的输入；

S22：采集历史数据，并且对数据进行预处理；这里采用归一化的处理方法，将每一特征变量的数据分别归一化到[0,1]之间；归一化的公式如下：

式中：X

S23：建立基于深度信念网络的热负荷预测模型，并进行训练；

S24：当机组发生RB时，利用已经训练好的DBN模型，对机组RB后还能提供多少热负荷进行预测，进而得到RB过程中减少的热负荷。

下面对深度信念网路的原理进行介绍。

图3是深度信念网络的结构示意图，DBN方法是由多层无监督的受限玻尔兹曼机(RBM)堆叠形成一大串的连接的RBM，并且最顶端的输出层加一个BP神经网络组成。

图4是RBM的结构示意图。一个RBM共有2层，第一层叫做可视层，也是RBM的输入层；第二层是一个隐藏层，两层之前各神经元节点均双向连接，同层之间各单元互不连接。

定义RBM所有可视层单元和隐藏层单元联合状态(v,h)的能量函数：

式中：θ为RBM网络参数θ＝{W,b,c}，w

根据能量函数，计算可视层和隐含层之间的联合概率函数p(v,h)：

式中：Z是归一化因子，

进一步，可以得到隐藏层的边缘分布：

每个神经元通过激活概率决定该神经元是否激活。当可视层或隐含层确定时，可以得到可视层或隐含层的激活概率分别为：

式中：

同一层神经元之间具有独立性，所以概率密度函数依然满足独立性，故：

单个RBM的网络参数更新训练过程如下：

(1)将数据输入到可视层单元v

(2)根据获取的激活概率，抽取隐藏层的神经单元h

(3)利用该抽取的隐藏层单元h

(4)利用重构得到的v

(5)通过输入数据和重构数据之间的分布差异，来更新权值参数。

RBM网络参数更新过程中，这种反复不断抽取神经单元的过程叫做Gibbs采样。RBM网络模型参数更新公式如下：

w

b

c

式中：η为学习率。

DBN训练过程主要包括RBM的无监督预训练和使用BP神经网络进行微调两个过程。

RBM的无监督预训练：

(1)初始化RBM网络结构参数，随机初始化可视层和隐藏层之间的模型参数θ＝{W,b,c}。

(2)采用从下到顶的逐层训练的方法，首先将归一化之后的数据输入到第一个RBM的可视层，采用对比散度算法来对使输入数据和重构数据之间的误差越小，来更新θ＝{W,b,c}

(3)第一个RBM训练结束后，固定当前RBM的网络参数θ＝{W,b,c}，将第一个RBM的隐藏层作为第二个RBM的输入层，继续训练。

(4)当所有的RBM网络结构完成训练时，即获得深度信念网络参数的初始值。

在确定深度信念网络参数的初始值后，在最顶层利用BP神经网络，以RBM网络输出的特征向量作为BP网络的输入向量，将误差反向传播到每层RBM中，通过梯度下降的方法，微调整个DBN网络的权值参数，从而建立最优的网络。

作为本发明的另一实施例，图5是本发明的一种电厂热网系统结构示意图。

机组在发电厂内并不是孤立供热的，而是由多台机组共同供热形成热网，即工业抽汽管网，对区域内热力用户供热的。因此可以将RB过程中减少的热负荷，叠加到其余正常运行机组，维持对外供热。

如图6所示，作为一种发明实施例，采用一种合理、经济的分配方案将热负荷分配到其余正常运行的机组，

某电厂热网系统内有n台机组，当有某台机组发生RB，通过DBN预测到RB过程中减少的热负荷为P

如果电厂热网系统内某台正常运行机组的出力已经是最大，则不进行热负荷的分配。计算其余正常运行机组的可用容量，

如果总的可用容量小于热负荷P

如果总的可用容量大于热负荷P

否则，采取按比例分配的方式，根据当前机组可用容量的大小进行分配：

式中：

具体地，分配到其余机组的热负荷，以前馈的形式叠加到锅炉主控回路。通过前馈回路的快速动作，保证在电厂热网系统内一台机组RB时，对外供热的稳定性和可靠性。

如图7所示，在传统RB逻辑中，机组负荷指令跟踪的是RB目标负荷，而本发明所提方法机组负荷指令跟踪的是RB目标负荷减去预测得到的机组RB过程中减少的热负荷，这样就可以实现在RB复归后，对发电负荷的精准控制。