基于神經網絡的熱電聯產機組熱負荷和電負荷預測

駱小滿，皇甫成，阮江軍，周靈杰

基于神經網絡的熱電聯產機組熱負荷和電負荷預測

駱小滿1，皇甫成2，阮江軍1，周靈杰1

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

針對熱電聯產機組每年發電計劃制定及調整期間，地方電廠以滿足供熱為由頻繁要求調整計劃的現象，本文提出一種以熱定電的電負荷預測方法。該方法基于地方熱負荷，對要求調整發電計劃的電廠進行熱負荷假設檢驗提取，并用Elman神經網絡方法預測熱負荷，最后采用灰色神經網絡方法來確定電廠發電量。該方法對于確定熱電聯產機組發電計劃、控制購電成本具有重要的意義。

熱電聯產；以熱定電；熱負荷；電負荷；Elman神經網絡；灰色神經網絡；假設檢驗

熱電聯產具有節約能源、改善環境、提高供電質量、增加電力供應等綜合效益。目前，冀北地區共有8家地方電廠均屬于熱電聯產機組，裝機容量60萬kW，主要供熱對象為工業和生活用熱。每年發電計劃制定及調整期間，這些電廠頻繁以滿足供熱為由要求調整發電計劃。有些熱電廠假借熱電聯產的名義，讓雙抽汽凝汽式機組以凝汽工況運行發電，導致能源效率低下的同時加大了電網調峰壓力。因此，研究冀北地區熱電聯產機組熱電負荷關系，分析地方電廠供熱負荷，對于確定電廠提出的供熱需求和發電計劃、節約能源、控制購電成本有著至關重要的意義。

目前，國內外均進行了對于熱電聯產機組的電負荷預測方面的研究。倪景峰[1]通過對京津唐地區熱電聯產機組建立相關數學模型，編寫了一款提供機組各工況參數以及以熱定電負荷曲線的軟件。朱譽等[2]通過數據采集分析單元從電廠DCS采集機組運行數據，利用聚類分析法和連續函數最優平方逼近法，建立了以熱定電原則下大型熱電聯產機組運行區間的計算系統。遲世國等[3]通過建立和省調計劃系統同步的熱電負荷數據接收、監控通道，對熱電聯產機組進行實時的以熱定電分析，以控制熱電聯產機組的發電量。徐博[4]通過對各種熱電聯產機組進行建模、運行數據分析和調峰能力計算，對于改善熱電調峰技術提供重要的思路。

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

1 熱負荷預測模型

1.1 熱負荷假設檢驗提取

依據熱負荷來預測發電量，首先需要判斷電廠提供的熱負荷數據是否正確，再依據熱負荷來推演電負荷。本文通過概率論假設檢驗的思想來衡量電廠熱負荷數據。

通過電廠提供的各用戶熱負荷需求報告，編寫軟件篩選，將類似的熱負荷歸為一類比較，并假設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，再通過設定置信度計算得到置信區間，篩選出不符合條件的熱負荷。以典型居民區供熱負荷為例來闡述該解決思路。唐山萬浦熱電廠供暖居民區熱量統計數據見表1。

表1 某典型居民區1月供熱量統計

Tab.1 The residential district heating statistics in January

假設分布服從正態分布，居民區1月單位面積供熱量的概率密度函數為

根據最大似然估計，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。依據所定義的置信區間，0.2確定相關的范圍，選擇單側置信區間（因為有些老居民區樓層比較少，相應的居民戶數也比較少，所以單位面積供熱量也較小），篩選出置信區間外電廠提供的居民區熱負荷數據，并重新考慮這幾個居民區的熱負荷可信度，從而提高熱負荷的可靠度。該居民區樣本的均值和方差為=1.73，2=0.018 4，篩選得到超出置信區間的是E和G居民區。圖1為概率密度分布曲線。

圖1 各居民區1月份單位面積供熱量正態分布曲線

對供暖期間內的其他月份進行相應分析，亦可得到相同結果。為了合理預測所需供熱量，對于超出置信區間的相關居民區，加入懲罰系數，即超出置信區間的相關居民區單位面積供熱量為

通過該方法，可以對虛報負荷、多報負荷的情況予以處理，達到懲戒的目的。

1.2 Elman神經網絡法預測熱負荷

Elman神經網絡結構如圖2所示，主要有輸入層、隱含層、承接層和輸出層這4個結構層[5-6]。其中，輸入層、隱含層、輸出層的連接類似于前饋式網絡。輸入層單元起信號傳輸的作用；輸出層單元起線性加權的作用；隱含層單元中的傳遞函數包括線性或者非線性函數；承接層又稱為狀態層或上下文層，主要用來儲存隱含層單元中前一時刻的輸出值，并在最后返回給網絡的輸入端，可以將它看作是一個延時算子。

圖2 Elman網絡結構

Elman網絡非線性狀態空間表達式為：

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

對于熱負荷進行假設檢驗提取后，需要重新確定熱負荷[7-9]。本文主要針對11、12、1、2、3月份供暖期間的熱負荷進行預測。利用2010—2017年 8年的數據作為網絡的訓練樣本，每3年的負荷作為輸入向量，第4年的負荷作為目標向量，從而得到5組訓練樣本；將2018年的熱負荷數據作為網絡的測試樣本，驗證網絡能否合理地預測出當年的負荷數據。圖3為萬浦電廠2018年供暖期間實際熱負荷與中間神經元分別為7、11、14、18個的網絡熱負荷預測誤差。由圖3可知，Elman神經網絡方法熱負荷預測誤差較小，平均誤差在4.2%，當中間神經元為14個時，網絡的預測誤差最小，預測性能最好。調度部門審核批準熱負荷的申請時，首先通過假設檢驗方法篩選出電廠申請數據中虛報、多報的熱負荷，再通過Elman神經網絡方法進行熱負荷預測。

圖3 Elman神經網絡熱負荷預測誤差

2 熱電聯產機組電負荷預測

2.1 灰色神經網絡方法

本文采用灰色神經網絡方法對熱電聯產機組電負荷進行預測[10-12]。灰色問題是指對灰色的不確定系統行為特征值的發展變化進行預測的問題，該不確定系統特征值的原始數列(0)(),=0, 1, 2, …,–1經過一次累加后得到的數列(0)()呈現指數增長規律。(1)為(1)的緊鄰均值生成序列：

為此，灰微分方程為

式中，為發展系數，為灰色作用量。

若=[,]T為參考序列，且有

(0)的模擬值為

最后，對模型的預測值進行檢驗，設殘差()為

2.2 發電量預測模型

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：

建立關于灰色神經網絡方法的電負荷預測模型。

1）模型的輸入、輸出參數的選擇 本文采用MATLAB 2015a軟件進行神經網絡的訓練。由于機組在每月中運行狀態基本穩定，所以高、中、低壓3部分的理想焓降和效率在當月保持不變。因此，將雙抽汽凝汽式機組每月的供熱負荷、總進汽量、工業抽汽量，采暖抽汽量、高中低壓3部分的理想焓降和效率總共10個指標作為輸入層。為了比較供熱負荷這個因素對于機組發電量預測的影響，加1組不含供熱負荷即僅9個指標的輸入層作為對照組。輸出層為機組每月的發電負荷。

2）模型結構設計 本文灰色神經網絡模型采用3層網絡模型，輸入的參數為2010—2018年與機組發電負荷相關的10個因子（對照組為9個因子）。為選擇隱含層節點數，采用不同隱含節點數的網絡進行訓練，由各層網絡的誤差對閾值和權值修正，訓練后發現16個隱含節點的網絡結構擬合效果最好。所以，確定網絡拓撲結構為10（輸入層）×16（隱含層）×1（輸出層）（對照組結構為9×16×1）。整個訓練過程中，輸入層與隱含層的傳遞函數為tansig函數，隱含層與輸出層的傳遞函數為purelin函數，訓練函數為trainbr函數，網絡學習函數為learngdm函數。

3）模型網絡參數的設定 設置網絡訓練的最大次數為10 000，每25輪計算顯示1次，訓練誤差為5×10–10。通過MATLAB軟件進行灰色神經網絡訓練，選取2010—2017年的相關數據作為訓練集，2018年的數據為預測集。

2.3 發電量預測結果分析

通過灰色神經網絡方法進行計算分析，得到該雙抽汽凝汽式汽輪機發電量預測數據與真實值對比如圖4所示，模型殘差如圖5所示。

圖4 機組發電量真實值與預測值對比

圖5 模型殘差

由圖4和圖5可知：灰色神經網絡計算得到的預測值和機組實際發電量誤差很小，均在3%以內，表明建立的模型是有效的；輸入層含有熱負荷的灰色神經網絡明顯比不含熱負荷的輸入層的預測結果更準確；在殘差較大的年份如2015年和2017年，考慮了熱負荷因素預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節中提前進行熱負荷預測的重要性。

3 結 論

本文將熱電聯產電廠每年申請的熱負荷用概率論中假設檢驗的思想加以甄別，提取出可信度相對較高的熱負荷，再通過Elman神經網絡方法進行檢驗；然后建立基于灰色神經網絡的模型來預測機組的發電量。模擬計算表明，該方法能夠合理確定電廠的供熱需求和發電計劃，達到節約能源，控制購電成本的目的。

［1］ 倪景峰. 熱電聯產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, 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. 熱電聯產機組以熱定電下可行運行區間的計算系統及方法: 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. 熱電機組熱電聯產發電量的控制方法: 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. 大型熱電聯產機組調峰能力計算軟件的設計與實現[D]. 北京: 北京交通大學, 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神經網絡的汽輪機組熱力性能在線計算[J]. 熱力發電, 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. 應用PSO算法改進Elman神經網絡的雙壓凝汽器真空預測[J]. 熱力發電, 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. 集中供熱系統的熱負荷預測與規劃[D]. 大連: 大連海事大學, 2018: 42. PANG Mingyue. Thermal load forecasting and planning of central heating system[D]. Dalian: Dalian Maritime University, 2018: 42.

［8］ 成渫畏. 基于雙轉子雙背壓供熱改造技術的熱電聯產汽輪機組供熱期調峰靈活性研究[D]. 濟南: 山東大學, 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. 互聯網+熱電聯產機組智慧供熱技術研究及應用[C]//2017年電站熱工自動化技術交流會論文集. 北京: 華電電力科學研究院, 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. 基于灰色神經網絡的凝汽器水側清潔系數預測[J]. 熱力發電, 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. 熱電聯產機組電熱煤特性研究[J]. 熱力發電, 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. 適應電網快速調頻的熱電聯產機組新型變負荷控制策略[J]. 電力系統自動化, 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. 燃氣-蒸汽聯合循環熱電聯產機組供熱特性分析[J]. 熱力發電, 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. 燃氣蒸汽聯合循環熱電聯產機組熱經濟性分析[J]. 熱力發電, 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. 聯合循環熱電聯產機組變工況性能分析[J]. 中國電機工程學報, 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. 燃氣輪機聯合循環熱電聯產供熱供電量優化分配研究[J]. 熱力發電, 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及新能源發電技術，719481750@qq.com。

駱小滿, 皇甫成, 阮江軍, 等. 基于神經網絡的熱電聯產機組熱負荷和電負荷預測[J]. 熱力發電, 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.

（責任編輯 楊嘉蕾）