基于大數據的燃煤機組供電煤耗特性分析

齊敏芳，李曉恩，劉 瀟，王藝霏

基于大數據的燃煤機組供電煤耗特性分析

齊敏芳1,2，李曉恩1，劉 瀟1，王藝霏1

（1.北京低碳清潔能源研究院，北京 102211；2.北京科技大學土木與資源工程學院，北京 100083）

燃煤發電機組供電煤耗的高低是衡量機組節能降耗水平的主要指標。本文利用大數據分析技術對機組能耗相關歷史數據進行分析，采用反向傳播（BP）神經網絡對不同負荷區間分別建立供電煤耗特性分析模型，計算各個負荷工況區間內各運行可控參數對供電煤耗的影響評價因子即敏感性系數，以及不同負荷區間內模型預測能力。結果表明：基于BP神經網絡的供電煤耗特性分析模型的訓練和預測精度均在±0.6%范圍內，模型計算精度較高；各運行可控參數在不同負荷區間內對供電煤耗的影響存在差異，但具有一定規律；在實際運行中應重點調整敏感性系數大的特征參數。

大數據；燃煤機組；供電煤耗；神經網絡；反向傳播；評價因子；敏感性分析

近年來，燃煤發電機組面對全球大氣污染治理及氣候變化、新電改下發電企業直接參與市場競爭、新能源并網消納頻繁調峰等問題，節能減排降耗責任和壓力巨大[1-2]。隨著信息技術及大數據分析技術在發電廠的融合應用，以及發電廠運行監測水平智能管理水平的提高，建設數字化智慧型的智能電站已成為燃煤發電機組的發展方向。能耗特性分析與診斷是燃煤發電機組節能降耗工作的基礎，在線實時計算燃煤發電機組的供電煤耗，可為機組的智能化、高效化、精準化控制提供依據。

隨著機組硬件設備水平和在線監測水平逐年提高，我國燃煤發電機組供電煤耗逐年降低。燃煤發電機組能耗損失分為可控能耗損失與不可控能耗損失[3]。可控損失按運行中是否可控進一步分為設備維修可控損失和參數運行可控損失[4]。參數運行可控損失指機組在實際運行過程中，可以通過改善運行可控參數進行機組調整，以降低能損。在機組長期運行中，煤質特性和環境因素是不可控的，而機組硬件設備狀態相對穩定，維修可控損失占比較小，因此主要關注參數運行可控損失。

能耗敏感特性分析則對不同運行工況、不同負荷范圍下由實際運行可控參數與其設定值或設計值的偏差導致的能耗水平惡化程度進行定量分析，以確定其影響程度。目前，研究主要是從傳統熱力學系統機理出發，依據熱力學方法、特性曲線法及實驗法進行運行參數影響分析。傳統熱力學方法因其復雜的機理分析使在線應用受到限制[5]；熱力學方法多方程組且迭代求解偏導數較難或不收斂；特性曲線法和實驗法偏向理想情況，實際很難達到。由于機組環境及煤質邊界條件多變、設備老化性能改變、熱力系統非線性高維、運行參數多重高相關等原因，使得上述方法在一定程度上受到限制。部分學者對偏導數無法求解或迭代求解復雜或不收斂的問題采用變通方法，通常以某運行參數微小擾動量Δ與其導致的能耗指標變化量Δ的比值Δ/Δ來表征能耗指標對某可控參數的偏導數?/?，此即為耗差分析方法[6]。文獻[7]通過狀態空間構建可控參數與能耗指標之間的拓撲結構，以參數擾動導致的供電煤耗浮動值繪制能耗敏感因子曲線。文獻[8]引入矩陣微分理論構建多因素擾動影響下的能效分析模型。文獻[9]基于功率變工況，計算以微小偏差代替偏導數挖掘系統主要決策變量引起的能耗敏感性變化規律，通過機組實際運行狀態與基準狀態對比進行能損定位。

隨著電廠數字化、智能化水平的提高，電廠存儲了海量信息豐富的歷史數據及大量的實時運行數據。大數據分析技術近年來發展迅速，其充分挖掘數據信息，將歷史數據變為可用資源，為供電煤耗的偏導數求解提供了新思路。傳統機理模型依賴于輸入、輸出參數之間的因果關系，而基于大數據的分析技術無需輸入、輸出參數間的因果關系，而是依據數據信息，挖掘輸入、輸出之間的內在隱含聯系[10]。人工神經網絡通過黑箱或灰箱訓練來構建輸入、輸出之間的關系，輸入與輸出之間不必有直接的因果關 系[11]。本文利用機組歷史運行數據，基于大數據分析方法如BP神經網絡，建立供電煤耗與運行可控參數的特性分析模型，并基于BP神經網絡算法進行偏導數求解，獲取運行可控參數在不同負荷區間對供電煤耗影響評價因子即敏感性系數。

1 基于神經網絡的敏感性分析

1.1 BP神經網絡原理

神經網絡是人工智能發展的一個主流方向，是由大量的、相對簡單的處理單元（即神經元）通過廣泛的網絡節點連接而形成的多層網絡結構。神經網絡系統是一個高度復雜的非線性動力系統，具有高維非線性映射、自學習、自組織、自適應、大規模并行處理等能力，可在輸入和輸出之間函數關系未知的情況下，獲取各輸入參數復雜的非線性映射。1986年Rumelhart和McClelland等科學家首次提出BP神經網絡，該網絡是一種按照誤差反向傳播進行網絡訓練的多層前饋神經網絡，是目前應用最廣泛的神經網絡。BP神經網絡由正向和反向兩個過程構成，包括數據流信號的正向傳播和誤差信號的反向傳播，適合于多層神經元網絡學習。圖1為包括輸入層、隱含層（可以是1層或多層）、輸出層的3層BP神經網絡結 構[12]。假設輸入層和輸出層分別有和個神經元節點，隱含層的神經元節點數為

式中t為1和10之間的隨機數。

BP神經網絡的基本結構若用函數式表示為[13]：

式中：為BP神經網絡輸出；為BP神經網絡輸入；1和2為輸入層到隱含層和隱含層到輸出層的連接權重；1和2為輸入層到隱含層和隱含層到輸出層的連接閾值；net1為隱含層輸入；net2為輸出層輸入；out1為隱含層的輸出；1(net1)為隱含層激活函數；2(net2)為輸出層激活函數。

1.2 基于BP神經網絡的敏感性分析算法

受神經網絡多層感知器（multi-layer perceptron，MLP）的轉化函數Sigmoid對參數計算范圍的限制，模型輸入、輸出通常不直接作為BP網絡輸入及輸出，必須先進行歸一化處理進行神經網絡映射。參數歸一化過程為

式中，常系數矩陣、對應網絡輸入和輸出的歸一化矩陣，常系數矩陣、對應網絡輸入和輸出的偏量矩陣。

基于BP神經網絡的敏感性分析算法[20-21]中，相對于的敏感性系數關系式表達如下[22-24]：

結合式(5)和式(6)可知，模型輸出相對于輸入的敏感性系數矩陣為

通常情況下，隱含層激活函數1通常選擇雙曲正切函數tansig，輸出層激活函數2通常選擇線性purelin函數[12,21,25]：

2個激活函數的一階偏導數為：

則基于該BP神經網絡算法的模型輸出相對于模型輸入參數的敏感性系數的一般表述形式為

在網絡訓練完成后，1、2、1即為常系數矩陣，、、等歸一化矩陣與偏量矩陣也為常系數矩陣。

偏導數計算得到的敏感性系數矩陣=[]由系統參數唯一確定，代表了每組輸入、輸出參數內在聯系函數的瞬時斜率，可有效判定參數重要性。為了更便于對比參數的重要性，對敏感性系數矩陣*=[1,2,3,…,s,…,s]進行矩陣歸一化處理：

以歸一化后的敏感性系數作為衡量輸入參數對輸出參數影響的評價因子。

2 供電煤耗特性分析模型

供電煤耗是表征機組能耗水平、衡量機組運行經濟性、機組對標考核的關鍵指標。常用的燃煤電站機組供電煤耗sn為

式中，b、i、m、g、p及∑i分別為鍋爐效率、各級循環熱效率、機械效率、發電機效率、管道效率以及廠用電率。

根據機組硬件設備的物理結構信息、系統關聯性、物質平衡性、能量平衡關系、可控參數等多種因素，對供電煤耗敏感性分析模型的參數進行初選。機組供電煤耗與主蒸汽溫度、給水溫度、排煙溫度、主蒸汽壓力、排煙氧量、凝汽器真空等多個運行可控參數之間的高維非線性關系為

基于BP神經網絡，以供電煤耗sn作為模型輸出，以影響供電煤耗的運行可控參數作為模型的輸入，構建供電煤耗與多維運行可控參數的非線性BP神經網絡敏感性特性分析模型。該模型通過BP神經網絡算法直接求解偏導數得到各運行可控參數敏感性系數，反映其對供電煤耗的影響程度。在機組實際運行過程中，根據不同機組負荷區間各可控運行參數敏感性系數的大小，決定參數調節的優先順序以及調節幅度。

本文對全負荷工況進行區間劃分，在各個負荷區間分別建立基于BP神經網絡的供電煤耗預測模型，并進行敏感性分析和供電煤耗預測，從而構成全負荷范圍的供電煤耗特性分析及預測模型，建模流程如圖2所示。

圖2 供電煤耗特性建模流程

3 研究對象

本文選取某600 MW燃煤發電機組作為分析案例。該機組采用單爐膛∏型布置的HG-2023/17.6-YM4型亞臨界鍋爐，帶有一次中間再熱、固態排渣系統；亞臨界汽輪機為反動凝結式四缸四排汽，型號N600-16.7/537/537-I。在7個典型負荷工況300、350、400、450、500、550、600 MW下，分別建立供電煤耗的敏感性分析模型。依據負荷鄰域區間Δ=2 MW進行典型負荷區間的選取。采用穩態判別及異常數據剔除及校正方法[26-28]，對機組能耗相關可控參數歷史數據進行預處理[26-28]。數據采樣周期為60 s，得到300 MW負荷樣本數2 994組，350 MW負荷區間樣本數2 299組，400 MW負荷區間樣本數2 106組，450 MW負荷區間樣本數619組，500 MW負荷區間樣本數556組，550 MW負荷區間樣本數434組，600 MW負荷區間樣本數862組。

為了對模型性能進行評估，選擇平均絕對誤差（MAE），平均絕對相對誤差（MARE），均方根誤差（RMSE）以及決策系數（2）作為評價模型性能的評價標準。

4 敏感性分析結果

考慮到負荷的頻繁波動、煤質取樣頻次低以及化驗滯后等問題，煤質特性數據與實時運行數據難以建立實時的數據匹配。因此，本文盡量選取機組煤種來源單一煤質特性穩定的工況，削弱煤質不可控因素對供電煤耗的影響，主要分析運行可控因素對供電煤耗的影響。供電煤耗在線預測模型輸入參數依次為主蒸汽壓力、調節級壓力、再熱蒸汽壓力、給水泵出口壓力、再熱減溫水壓力、主蒸汽溫度、調節級溫度、再熱蒸汽溫度、給水泵出口溫度、再熱減溫水溫度、凝結水溫度、循環水入口溫度、再熱減溫水總流量、過熱減溫水總流量、平均排煙氧量、平均排煙溫度、主蒸汽流量、凝汽器真空度、廠用電率及循環水量共20個。輸出參數為供電煤耗。表1給出了7個典型工況下該敏感性分析模型的特性比較結果。由表1可見，MAE指標均小于0.27 t/h，MARE小于 4×10–4，RMSE小于0.35 t/h，2均高于0.99，證明該模型預測精度較高，能夠滿足工程需求。

表1 不同負荷下供電煤耗敏感性特性比較

Tab.1 The sensitivity analysis for power supply coal consumption at different loads

圖3—圖6分別給出了300、400、500、600 MW工況區間訓練樣本及測試樣本的相對誤差分布。由圖3可見：300 MW負荷區間內，模型訓練樣本最大相對誤差0.457 6%，平均相對誤差0.050 0%；測試樣本最大相對誤差0.400 0%，平均相對誤差 0.054 5%。由圖4可見：400 MW負荷區間內，模型訓練樣本最大相對誤差0.432 1%，平均相對誤差0.058 1%；測試樣本最大相對誤差0.547 4%，平均相對誤差0.065 1。由圖5可見：500 MW負荷區間內，訓練樣本最大相對誤差0.593 3%，平均相對誤差0.048 8%；測試樣本最大相對誤差0.574 1%，平均相對誤差0.049 6%。由圖6可見：600 MW負荷區間內，訓練樣本最大相對誤差0.189 9%，平均相對誤差0.041 4%，測試樣本最大相對誤差0.210 1%，平均相對誤差0.052 1%。這4種負荷工況下，模型訓練樣本和測試樣本相對誤差均主要集中在±0.2%之間，訓練樣本和測試樣本的最大相對誤差均落入±0.6%范圍內，故模型整體精度可控，精度較高。

圖3 300 MW負荷區間相對誤差分布

圖4 400 MW負荷區間相對誤差分布

圖5 500 MW負荷區間相對誤差分布

圖6 600 MW負荷區間相對誤差分布

表2進一步給出了7個典型工況下對供電煤耗影響較大的前10個運行可控參數的敏感性系 數具體值。

表2 不同負荷下運行參數的供電煤耗敏感性系數

Tab.2 The parameter sensitivity coefficients of various operation parameters at different loads

由表2可見：單一運行可控參數對供電煤耗的影響在不同負荷區間存在差異；在各負荷段供電煤耗對凝汽器真空度相對更敏感。實際運行過程中，需根據不同負荷區間各運行可控參數影響和可調節幅度，采取相應的調整措施，以降低供電煤耗。另外，在各個負荷段均應重點關注凝汽器真空度。

5 結 論

能耗機理分析模型依賴于參數之間的機理因果，對因果關系不明的參數不能覆蓋，同時對于復雜關系不能顯式表達或高維迭代難求解。對此，利用大數據不關心因果關系，注重相關關系的思維，本項目采用神經網絡敏感性分析方法對影響供電煤耗的可控運行參數進行特性分析。該方法利用模型參數直接構建并求解偏導數，以偏導數形式表達可控參數對供電煤耗的影響大小，解決了能耗特性分析中偏導數求解難的問題，為燃煤發電機組能耗在線分析提供了一種新思路。

基于BP神經網絡敏感性分析方法模型的訓練和預測精度均在±0.6%范圍內，計算精度較高。單一運行可控參數對供電煤耗的影響在不同負荷區間有差異，但在各個負荷區間內不同參數影響水平有一定的規律，其中凝汽器真空度在各個負荷區間內對供電煤耗的影響均最大，應重點關注該方法可為供電煤耗在線計算和機組快速調整提供支持。

［1］ 國家發展改革委員會. 煤電節能減排升級與改造行動計劃(2014—2020年)[R]. 北京: 國家能源局, 2014: 1-8.

National Development and Reform Commission. Action plan for upgrading and renovation of coal and electricity energy conservation and emission reduction (2014—2020)[R]. Beijing: National Energy Agency, 2014: 1-8.

［2］ 曾鳴. 《電力發展“十三五”規劃》解讀[J]. 中國電力企業管理, 2017(1): 14-16.

ZENG Ming. Interpretation of 13th five-year plan for electric power development[J]. China Power Enterprise Management, 2017(1): 14-16.

［3］ 王寧玲. 基于數據挖掘的大型燃煤發電機組節能診斷優化理論與方法研究[D]. 北京: 華北電力大學, 2011: 89-97.

WANG Ningling. Theoretical research on data mining-based energy-saving diagnosis and optimization for large coal-fired power plants[D]. Beijing: North China Electric Power University, 2011: 89-97.

［4］ 朱龍飛. 基于混合模型的熱力系統能耗基準狀態確定方法研究[D]. 北京: 華北電力大學, 2015: 10-17.

ZHU Longfei. Method for determining energy-consumption benchmark state in the thermal system of coal-fired units based on hybrid model[D]. Beijing: North China Electric Power University, 2015: 10-17.

［5］ VALERO A, CORREAS L, ZALETA A, et al. On the thermoeconomic approach to the diagnosis of energy system malfunctions[J]. Energy, 2004, 29(2): 1889-1907.

［6］ 齊敏芳. 大數據技術及其在電站機組分析中的應 用[D]. 北京: 華北電力大學, 2016: 79-90.

QI Minfang. Big data technology and its application on the analysis of power plant units[D]. Beijing: North China Electric Power University, 2016: 79-90.

［7］ 王惠杰, 張春發, 宋之平. 火電機組運行參數能耗敏感性分析[J]. 中國電機工程學報, 2008, 28(29): 6-10.

WANG Huijie, ZHANG Chunfa, SONG Zhiping. Sensitive analysis of energy consumption of operating parameters for coal-fired unit[J]. Proceedings of the CSEE, 2008, 28(29): 6-10.

［8］ 閆順林. 多元擾動下的熱力系統能效分析模型及應用研究[D]. 北京: 華北電力大學, 2011: 30-70.

YAN Shunlin. Method for determining energy-consumption benchmark state in the thermal system of coal-fired units based on hybird model[D]. Beijing: North China Electric Power University, 2011: 30-70.

［9］ 楊志平. 大型燃煤發電機組能耗時空分布與節能研究[D]. 北京: 華北電力大學, 2013: 79-90.

YANG Zhiping. The temporal-spacial distribution of energy consumption and energy saving of large coal-fired power units[D]. Beijing: North China Electric Power University, 2013: 79-90.

［10］ 劉炳含, 付忠廣, 王鵬凱, 等. 大數據挖據技術在燃煤電站機組能耗分析中的應用研究[J]. 中國電機工程學報, 2018, 38(12): 3578-3587.

LIU Binghan, FU Zhongguang, WANG Pengkai, et al. Big data mining technology application in energy consumption analysis of coal-fired power plant units[J]. Proceedings of the CSEE, 2018, 38(12): 3578-3587.

［11］ SMREKAR J, ASSADI M, FAST M, et al. Development of artificial neural network model for a coal-fired boiler using real plant data[J]. Energy, 2009, 34(2): 144-152.

［12］ LI J, ZHOU T, JU Z, et al. Sensitivity analysis of CHF parameters under flow instability by using a neural network method[J]. Annals of Nuclear Energy, 2014, 71: 211-216.

［13］ FARJAM A, OMID M, AKRAM A, et al. A neural network based modeling and sensitivity analysis of energy inputs for predicting seed and grain corn yields[J]. Journal of Agricultural Science & Technology, 2014, 16(4): 767-778.

［14］ MONTANO J, PALMER A. Numeric sensitivity analysis applied to feedforward neural networks[J]. Neural Computing & Applications, 2003, 12(2): 119-125.

［15］ PALMER A, MONTA?O J, FRANCONETTI F. Sensitivity analysis applied to artificial neural networks for forecasting time series[J]. Methodology, 2008, 4(2): 80-86.

［16］ LOTUFO A D P, LOPES M L M, MINUSSI C R. Sensitivity analysis by neural networks applied to power systems transient stability[J]. Electric Power Systems Research, 2007, 77(7): 730-738.

［17］ YUSOFF A R B, AZIZ I A. Sensitivity analysis via artificial neural network of biomass boiler emission[J]. Journal Mekanikal, 2004, 18: 66-77.

［18］ REUTER U, MEHMOOD Z, GEBHARDT C. Efficient classification based methods for global sensitivity analysis[J]. Computers & Structures, 2012, 110/111(0): 79-92.

［19］ CORTEZ P, EMBRECHTS M J. Using sensitivity analysis and visualization techniques to open black box data mining models[J]. Information Sciences, 2013, 225: 1-17.

［20］ 唐文勇, 周佳, 朱榮成. 基于人工神經網絡方法的艦船參數靈敏度分析[J]. 艦船科學技術, 2006, 28(6): 111-114.

TANG Wenyong, ZHOU Jia, ZHU Rongcheng. Parametric sensitivity analysis of ships based on artificial neural network method[J]. Ship Science and Technology, 2006, 28(6): 111-114.

［21］ HASHEM S. Sensitivity analysis for feedforward artificial neural networks with differentiable activation functions[C]. International Joint Conference on Neural Networks. 1992: 419-424.

［22］ LU M, ABOURIZK S, HERMANN U. Sensitivity analysis of neural networks in spool fabrication productivity studies[J]. Journal of Computing in Civil Engineering, 2001, 15(4): 299-308.

［23］ SHOJAEEFARD M H, AKBARI M, TAHANI M, et al. Sensitivity analysis of the artificial neural network outputs in friction stir lap joining of aluminum to brass[J]. Advances in Materials Science and Engineering, 2013, 2013(1): 1-7.

［24］ 陳太聰, 韓大建, 蘇成. 參數靈敏度分析的神經網絡方法及其工程應用[J]. 計算力學學報, 2004, 21(6): 752-756.

CHEN Taicong, HAN Dajian, SU Cheng. Neural network method in parameter sensitivity analysis and its application in engineering[J]. Chinese Journal of Computational Mechanics, 2004, 21(6): 752-756.

［25］ 肖寶蘭, 俞小莉, 韓松, 等. 基于神經網絡的換熱器翅片參數靈敏度分析[J]. 浙江大學學報(工學版), 2011, 45(1): 122-125.

XIAO Baolan, YU Xiaoli, HAN Song, et al. Parameter sensitivity analysis of fin based on neural network in heat exchanger[J]. Journal of Zhejiang University (Engineering Science), 2011, 45(1): 122-125.

［26］ VGB PowerTech. Application of data reconciliation in accordance with VDI 2048: VGB-S-009-S-00[S]. Essen, Germany: VGB PowerTech e.V, 2012: 20.

［27］ GUO S S, LIU P, LI Z. Enhancement of performance monitoring of a coal-fired power plant via dynamic data reconciliation[J]. Energy, 2018, 151: 203-210.

［28］ QI M F, FU Z G, CHEN F. Outliers detection method of multiple measuring points of parameters in power plant units[J]. Applied Thermal Engineering, 2015, 85: 297-303.

Characteristics analysis of power supply coal consumption for coal-fired power units based on big data

QI Minfang1,2, LI Xiaoen1, LIU Xiao1, WANG Yifei1

(1. National Institute of Clean-and-Low-Carbon Energy, Beijing 102211, China; 2. Civil and Resources Engineering School, University of Science and Technology Beijing, Beijing 100083, China)

The value of power supply coal consumption of coal-fired power units is the main index to measure the level of energy saving and consumption reduction of the units. In this paper, big data analysis technology is used to analyze the historical data of energy consumption. Back-propagation (BP) neural network method is applied to respectively establish the sensitivity analysis models of power supply coal consumption at different load intervals. The impact evaluation factor (sensitivity coefficient) of operation controllable parameters to the power supply coal consumption and prediction ability of the model under different load conditions are calculated. The results show that, both the training and prediction accuracy of the model based on the sensitivity analysis method of BP neural network are within ±0.6%, and the calculation accuracy of the model is high. The sensitivity analysis coefficient of each operation controllable parameter to power supply coal consumption is different at different loads, but has certain regularity. In actual operation, the characteristic parameters with large sensitivity coefficient should be adjusted.

big data, coal-fired power unit, power supply coal consumption, neural network, back-propagation, evaluation factor, sensitivity analysis

TK16

A

10.19666/j.rlfd.201905126

2019-05-20

齊敏芳(1986—)，女，博士，主要研究方向為火電機組性能分析與優化、狀態檢測與診斷等技術，qiminfang1986@126.com。

齊敏芳, 李曉恩, 劉瀟, 等. 基于大數據的燃煤機組供電煤耗特性分析[J]. 熱力發電, 2019, 48(9): 51-57. QI Minfang, LI Xiaoen, LIU Xiao, et al. Characteristics analysis of power supply coal consumption for coal-fired power units based on big data[J]. Thermal Power Generation, 2019, 48(9): 51-57.

（責任編輯 楊嘉蕾）