一種基于小波神經(jīng)網(wǎng)絡(luò)的火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法，特別是涉及一種基于小波神經(jīng)網(wǎng)絡(luò)的 火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 長(zhǎng)期以來(lái)對(duì)火力發(fā)電廠變負(fù)荷速率的研宄都是一些被動(dòng)的測(cè)量，遇到機(jī)組變負(fù)荷 時(shí)，只能估計(jì)火電機(jī)組在這個(gè)狀態(tài)下可能的變負(fù)荷速率，這種估計(jì)值滿足不了更加精確化 的控制，不利于火電廠的進(jìn)一步智能化控制。而在大的電網(wǎng)方面，由于現(xiàn)代電網(wǎng)規(guī)模迅速增 大，各種分布式電源的加入，以及特高壓直流輸送、智能電網(wǎng)的建設(shè)等。這些因素將對(duì)現(xiàn)行 電網(wǎng)控制提出更高的要求，現(xiàn)代的電網(wǎng)必須沿著精細(xì)化控制、智能化控制的方向發(fā)展。涉網(wǎng) 機(jī)組有變負(fù)荷速率預(yù)測(cè)作為電網(wǎng)涉網(wǎng)信息關(guān)鍵技術(shù)之一對(duì)機(jī)網(wǎng)協(xié)同配合有著重要的作用。 在區(qū)外來(lái)電占比較大的情況下，特高壓直流輸電發(fā)生閉鎖故障等情況時(shí)，需要建立能預(yù)測(cè) 機(jī)組變負(fù)荷速率的系統(tǒng)。涉網(wǎng)火電機(jī)組為了適應(yīng)智能化的潮流，必須提高對(duì)自身運(yùn)行狀態(tài) 的掌握和預(yù)測(cè)。

【發(fā)明內(nèi)容】

[0003] 發(fā)明目的：本發(fā)明的目的是提供一種能夠?qū)痣姍C(jī)組變負(fù)荷速率進(jìn)行及時(shí)、有效、 主動(dòng)預(yù)測(cè)的智能化的基于小波神經(jīng)網(wǎng)絡(luò)的火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法。
[0004] 技術(shù)方案：為達(dá)到此目的，本發(fā)明采用以下技術(shù)方案：
[0005] 本發(fā)明所述的一種基于小波神經(jīng)網(wǎng)絡(luò)的火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法，包括以下 的步驟：
[0006] S1 :從火力發(fā)電廠DCS系統(tǒng)選取在一個(gè)負(fù)荷變動(dòng)時(shí)刻能夠反映火電機(jī)組運(yùn)行狀態(tài) 的數(shù)據(jù)Xl，x2, . . .，xk，. . .，Xm作為輸入數(shù)據(jù)，根據(jù)該變負(fù)荷時(shí)刻火電機(jī)組實(shí)際的負(fù)荷曲線 得到變負(fù)荷速率屯作為預(yù)測(cè)輸出數(shù)據(jù)，并將R組（x ^ x2, . . .，xk，. . .，xm，dl，（Xp x2,...， Xk，???，Xm，di)2，?"???，（Xi，Xg，???，Xk，???，X m，di)r作為 R 組子習(xí)樣本，將 Q 組（x i，X2，? ? ?， Xk，???，Xm，di)i，（Xi，X2，???，Xk，???，Xm，di)2，??????，（Xi，X2，???，Xk，???，X m，di)qI乍Q 連L 測(cè)試樣本；設(shè)定期望誤差或者最大訓(xùn)練次數(shù)，設(shè)定小波神經(jīng)網(wǎng)絡(luò)精度；其中，m多1，R多1， Q ^ 1 ；
[0007] S2 :根據(jù)步驟S1中的輸入數(shù)據(jù)和預(yù)測(cè)輸出數(shù)據(jù)確定輸入層個(gè)數(shù)為m、隱含層個(gè)數(shù) 為n和輸出層個(gè)數(shù)為1，其中n= 2m+5 ;用學(xué)習(xí)樣本訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，如果誤差小于期望 誤差或者訓(xùn)練次數(shù)達(dá)到最大訓(xùn)練次數(shù)，則停止訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)；
[0008] S3 :用測(cè)試樣本對(duì)步驟S2中得到的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，判斷小波神經(jīng)網(wǎng)絡(luò)是 否達(dá)到步驟S1中設(shè)定的小波神經(jīng)網(wǎng)絡(luò)精度；如果達(dá)不到，則調(diào)整隱含層個(gè)數(shù)n、期望誤差或 者最大訓(xùn)練次數(shù)后，返回步驟S2 ;如果達(dá)到，則得到了一個(gè)訓(xùn)練合格的小波神經(jīng)網(wǎng)絡(luò)，繼續(xù) 進(jìn)行步驟S4 ;
[0009] S4 :利用步驟S3中得到的訓(xùn)練合格的小波神經(jīng)網(wǎng)絡(luò)對(duì)火電機(jī)組的變負(fù)荷速率進(jìn) 行預(yù)測(cè)，得到小波神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，將輸出結(jié)果反歸一化之后得到最終預(yù)測(cè)結(jié)果。
[0010] 進(jìn)一步，所述步驟S2包括以下的步驟：
[0011] S2. 1 :初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)：用[-0. 1 0. 1]區(qū)間內(nèi)的隨機(jī)值初始化第k輸入 層到第j隱含層的連接權(quán)值％k、第j隱含層到第i輸出層的連接權(quán)值第j層的小波尺 度參數(shù)a』和第j層的小波位移參數(shù)b j;
[0012] S2. 2 :將所述步驟S1中的輸入數(shù)據(jù)和預(yù)測(cè)輸出數(shù)據(jù)采用以下的歸一化公式進(jìn)行 歸一化：
[0013] 11
[0014] 其中，ViS需要?dú)w一化的數(shù)組，minV i為需要?dú)w一化的數(shù)組中最小的元素值，max \為需要?dú)w一化的數(shù)組中最大的元素值；
[0015] S2. 3:依次輸入R組學(xué)習(xí)樣本，進(jìn)行訓(xùn)練；設(shè)當(dāng)前輸入為第p組學(xué)習(xí)樣本，其中， 1 ^ p ^ R ；
[0016] S2. 4:經(jīng)過(guò)小波神經(jīng)網(wǎng)絡(luò)的計(jì)算后得到第i個(gè)輸出層的輸出數(shù)據(jù)：
[0017] J-V
[0018] 其中，yjt)為第i個(gè)輸出層的輸出數(shù)據(jù)，i=N=l，

為當(dāng)前訓(xùn)練的次數(shù)，1 < t <最大訓(xùn)練次 數(shù)；
[0019] S2. 5:記錄已學(xué)習(xí)的學(xué)習(xí)樣本個(gè)數(shù)p;如果p < R，則返回步驟S2. 3繼續(xù)進(jìn)行第t 次訓(xùn)練；如果P = R，則繼續(xù)進(jìn)行步驟S2. 6 ;
[0020]S2. 6 :計(jì)算步驟S2. 4中得到的神經(jīng)網(wǎng)絡(luò)輸出層的輸出數(shù)據(jù)[y^ y2,. . .，yp...， yN]與預(yù)測(cè)輸出數(shù)據(jù)[屯，d2,...，屯，...，dN]的誤差E :
[0021]
[0022] 其中，i = N = 1 ;
[0023] S2. 7:如果步驟S2. 6中得到的誤差E滿足期望誤差或者步驟S2. 3中的t等于最 大訓(xùn)練次數(shù)，則終止學(xué)習(xí)；否則，繼續(xù)進(jìn)行步驟S2. 8;
[0024] S2. 8:用步驟S2. 6中得到的誤差E修正和b」，修正后的和b』 為：
[0025]
[0026]
[0034] 其中，ita,b'為函數(shù)Kb的導(dǎo)函數(shù)；將修正后的wJk、和bj的值替換原來(lái)的 值，然后返回步驟S2. 3進(jìn)行第t+1次訓(xùn)練。
[0035] 有益效果：本發(fā)明提供的基于小波神經(jīng)網(wǎng)絡(luò)的火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法，通 過(guò)建立小波神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)火電機(jī)組變負(fù)荷速率的及時(shí)、有效、主動(dòng)的預(yù)測(cè)，且預(yù)測(cè)方 法非常智能化，預(yù)測(cè)精度較高。
【附圖說(shuō)明】
[0036] 圖1為本發(fā)明的小波神經(jīng)網(wǎng)絡(luò)的模型圖；
[0037] 圖2為本發(fā)明的步驟S2的流程圖。
【具體實(shí)施方式】
[0038] 下面結(jié)合【具體實(shí)施方式】對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的介紹。
[0039] 本發(fā)明提供了一種基于小波神經(jīng)網(wǎng)絡(luò)的火電機(jī)組變負(fù)荷速率預(yù)測(cè)方法，包括以下 的步驟：
[0040] S1 :從火力發(fā)電廠DCS系統(tǒng)選取在一個(gè)負(fù)荷變動(dòng)時(shí)刻的變負(fù)荷目標(biāo)指令、當(dāng)前負(fù) 荷量、當(dāng)前主蒸汽壓力值和BTU煤質(zhì)校正系數(shù)這四個(gè)數(shù)據(jù)作為輸入數(shù)據(jù)，選取時(shí)間間隔為l〇s，并根據(jù)該變負(fù)荷時(shí)刻火電機(jī)組實(shí)際的負(fù)荷曲線得到變負(fù)荷速率屯作為預(yù)測(cè)輸出數(shù)據(jù)， 并將R 200 組（Xi，X2，X3，X4，di)i，（Xi，X2，X3，X4，di)2，?"???，（Xi，X2，X3，X4，di)r作為子習(xí) 樣本，將Q20 組（Xi，X2，X3，X4，di)i，（Xi，X2，X3，X4，di)2，?"???，（Xi，X2，X3，X4，di)q作為/則 試樣本；設(shè)定期望誤差或者最大訓(xùn)練次數(shù)，設(shè)定小波神經(jīng)網(wǎng)絡(luò)精度；
[0041] S2 :根據(jù)步驟S1中的輸入數(shù)據(jù)和預(yù)測(cè)輸出數(shù)據(jù)確定輸入層個(gè)數(shù)為m= 4,輸出層 個(gè)數(shù)為1，根據(jù)經(jīng)驗(yàn)公式n= 2m+5確定隱含層個(gè)數(shù)為n= 13 ;用學(xué)習(xí)樣本訓(xùn)練小波神經(jīng)網(wǎng) 絡(luò)，如果誤差小于期望誤差或者訓(xùn)練次數(shù)達(dá)到最大訓(xùn)練次數(shù)，則停止訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)；小 波神經(jīng)網(wǎng)絡(luò)模型如圖1所示；
[0042] S3 :用測(cè)試樣本對(duì)步驟S2中得到的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，判斷小波神經(jīng)網(wǎng)絡(luò)是 否達(dá)到步驟S1中設(shè)定的小波神經(jīng)網(wǎng)絡(luò)精度；如果達(dá)不到，則調(diào)整隱含層個(gè)數(shù)n、期望誤差或 者最大訓(xùn)練次數(shù)后，返回步驟S2 ;如果達(dá)到，則得到了一個(gè)訓(xùn)練合格的小波神經(jīng)網(wǎng)絡(luò)，繼續(xù) 進(jìn)行步驟S4 ;
[0