专利名称：预测发电厂性能的方法和系统的制作方法
技术领域：
本文公开的主题涉及发电厂性能的预测建模，更具体地说，涉及鲁棒地预测发电厂性能、可用性和退化的方法和系统。
背景技术：
现代发电厂通常包含复杂的控制以帮助管理它们操作的各个方面。然而，因为控制变得更加复杂了，因此操作人员可能更加难以预料控制响应。因此，这种人员预测它们的发电设备的未来容量、能力和/或排放可能变得更加困难。虽然诸如基于物理学的模型等模型在预测新发电设备性能上可能是有用的工具， 但是这种模型利用的基础假设可能随时间偏离实际，使模型随时间越来越没用。也就是，当发电厂和设备变老，并且当应用新控制机制时，设备件的性能可偏离它是新的时的性能。因此，基于理想化性能的基于物理学的模型可能变得越来越不准确或不可靠。为了补偿随时间的这种退化以及预测模型的相关联不准确性，发电厂可定期重新定设备性能的基线，从而允许将相关联的基于物理学的模型调谐或校准到新基线。然而，这种调谐可能是费时的，并且可能需要有方法的实验，在此时间期间设备可能要离线，由此导致收入损失。
发明内容
在一个实施例中，提供了一种用于预测发电厂的所关注参数的方法。在一个实施例中，发电厂可包含一个或多个燃气涡轮机。该方法包含接收发电厂数据集和环境数据集作为处理器的输入的动作。环境数据集包括观测的或预计的环境数据中的至少一项。观测的环境数据可包含测量的天气数据。预计的环境数据可包含天气预报数据。在处理器上， 使用一个或多个混合预测模型处理发电厂数据集和环境数据集。使用一个或多个混合预测模型生成所关注参数的至少一个预测，作为处理器的输出。在另一实施例中，提供了一种用于开发混合预测模型的方法。该方法包含接收发电厂数据集和基于物理学的性能数据集的动作。在处理器上运行一个或多个例程，所述例程当运行时执行数据分段、数据去除或中值滤波中的一项或多项，以清理发电厂数据集或基于物理学的性能数据集之一或二者。在处理器上运行一个或多个例程，所述例程当运行时，训练至少一个至少包括静态组件和动态组件的混合预测模型。在另一实施例中，提供了一种处理器实现的预测模型。处理器实现的预测模型包含基于物理学的静态模型，其当运行在处理器上时生成基线输出。处理器实现的预测模型还包含基于数据的动态模型，其当运行在处理器上时接收基线输出作为输入并生成校正的输出。
当参考附图阅读如下详细说明时本发明的这些和其它特征、方面和优点将变得更好理解，整个附图中相似的字符表示相似的部分，附图中图1是根据本发明实施例可利用的代表性化石燃料发电厂的流程图；图2是示出在电气配电系统内如何交换信息的框图；图3是根据本公开的一个实施例用于实现本发明多种方面的示范性的基于处理器的系统；图4是根据某些公开的实施例用于生成发电厂性能、可用性或退化的至少一个预测的系统的图解；图5是用于生成至少一个预测输出的混合预测模型的框图；图6是至少一个混合预测模型的基于性能的重新训练和重新调谐的方法的流程图；以及图7是基于混合预测模型生成并传递至少一个预测输出的方法的流程图。
具体实施例方式本公开针对可在发电厂的整个生命周期应用于一个或多个发电厂预报未来发电能力和/或排放产量而无需定期重新定发电厂性能基线的预测建模法。具体地说，本法允许一个或多个发电厂的性能能力、可用性和/或退化的鲁棒而准确的预测。预测的变量的示例可包括但不限于峰值载荷、基本载荷、调低载荷(turn down load)、蒸汽涡轮机载荷和 /或排放值。预测值可用在与供电经销、供电管理和/或排放控制相关的基于市场的上下文中。此外，本法可用在与总发电厂管理和/或其中代替逐个地而是整体地评估和/或管理发电厂或发电厂群的其它情形相关的上下文中。在一个实施例中，采用作为数据驱动神经网络的混合模型。在一个此类实现中，对于模型准确操作不需要设备特定知识。由此，在此类实现中，可利用其中发电设备由任何源提供的混合模型。本文讨论的混合模型是自学习和自维护的，以一致地提供准确预报而无需人为干预。转到本公开的细节，一般而言，发电厂的性能部分地取决于设备能力(例如额定值、年龄和维护)、环境特性(例如周围温度、湿度和压力)、燃料特性(例如温度和能含量) 以及其它因素。电力提供商期望具有准确预测未来发电厂性能、可用性和/或退化的能力， 以便满足电力消费者的能量需求，而没有电力的产生过量或产生不足。如下面讨论的，用于预测发电厂或发电厂群性能的某些实现将这些相关因素中的一些或所有考虑进去了，并使用建模技术来开发可用于评估和/或管理一个或多个发电厂的准确而鲁棒的预测。一个此类公开的模型使用创建自调整和自监视系统的混合法，其最小化了设备停机时间和对与人互动的需要。具体地说，一个此类混合法基于使用人工神经网络(ANN)建模来提供有用的预测模型。这种数据驱动模型可以是可使用良好定义的数学算法(例如学习算法)训练的。也就是说，这种模型可通过训练它们基于测量(即观测)的或其它经验过程数据准确地将过程输入映射到过程输出而得到开发。这个训练通常利用与训练算法相关联的多个输入-输出数据向量记录的多样集合。训练模型然后可准确地表示基础过程的输入-输出行为。根据这种算法训练的预测模型、诸如ANN模型可用于对系统(诸如发电厂)的具体方面进行建模和/或预测。由此，本公开针对的发电厂可使用预测建模技术预测未来性能(即输出能力)、未来可用性和未来退化。例如，具体类型发电厂(诸如化石燃料发电厂、 风发电厂、核发电厂和/或太阳能发电厂)或此类发电厂群的性能可以这种方式建模，并相应地进行管理。作为示例，一个这种类型的发电厂是化石燃料发电厂，其将热能从诸如燃气、煤或油等燃料的燃烧变换成转动能，转动能进一步被转换成电能。转到附图，图1是包括一个或多个锅炉和涡轮机或发动机用于发电的代表性化石燃料发电厂10的流程图。如本文讨论的，发电厂10的性能以及发电厂中包含的相应组件的性能可建模成便于管理发电厂10 (或便于管理包含所描绘发电厂的发电厂10的更大群)和/或允许预测与发电厂、其构成组件和/或包含所描绘发电厂的发电厂群相关的性能相关变量。化石燃料发电厂10可以是单独的发电系统，或者可以是更大发电站或发电厂或发电站网络的一部分。例如，化石燃料发电厂10可以是属于城市或地区拥有的公用事业的具体发电站处的多个系统之一。那个具体发电站又可以只是也属于该城市或地区拥有的公用事业并支持该城市或地区的电力需求的网络中的多个发电站之一。在所描绘的实施例中，示范性化石燃料发电厂10采用蒸汽涡轮机观形式的原动机。在备选化石燃料发电厂设计中，原动机可以是燃气涡轮机或内燃机。化石燃料发电厂 10包含从燃料源12接收燃料14的锅炉20。燃料14可以是固体、液体或气体形式。例如， 燃料14可以是天然气、煤、气化煤或石油(油)及其它。值得注意的是，燃料类型及相关联的特性，诸如燃料温度和燃料低热值(LHV)，也称为能含量，对于根据某些实施例的准确发电厂预测可能是重要的。锅炉20可以是沿其壁具有高压钢管网的炉子。沿锅炉20壁的管传送给水16。如下面讨论的，给水16是将热能从烧着的燃料14转变成旋转的蒸汽涡轮机观的转动能的手段。给水16是高度净化和软化以最小化腐蚀的水。给水16来自于(通常是用于给水的箱或储存容器的)给水源18，并且在它到达锅炉20之前，可由给水加热器预加热。燃料14被馈送到锅炉20中并燃烧，在锅炉中心经常产生火球。这个火又加热沿锅炉20的壁穿过管网络行进的给水16。从燃料14的燃烧生成烟道气22，并且通过出口 M 将其释放到空气中。烟道气22可含有二氧化碳、水蒸气以及其它物质，诸如氮、氮氧化物 (NOx)和硫氧化物。在某些实现中，可处理烟道气22以去除或减少这些成分中的一些或所有。燃料14的燃烧将给水16变换成超热蒸汽26。超热蒸汽沈远离锅炉20行进，并流入蒸汽涡轮机观。蒸汽涡轮机观由多个附连到转子30的有角度的叶片行的系列构成。 当叶片与移动的超热蒸汽26接触时，叶片和转子30转动，类似于风车的动作。超热蒸汽沈当进入并穿过蒸汽涡轮机观行进时冷却并且膨胀，从而使超热蒸汽26的压力下降。在超热蒸汽沈通过蒸汽涡轮机观之后，它作为蒸汽32排出，并且在一些配置中，进入冷凝器34。 冷凝器34可以是含有在多个长管中循环的冷却水的热交换器。蒸汽32通过流经冷却管而冷凝。冷凝器34冷却蒸汽32并将它变换回返回给水36，以补充给水源18。蒸汽涡轮机28通过旋转的转子30连接到发电机38。在一些配置中，发电机38可由旋转的转子30、静止的定子和数英里缠绕的铜导线构成，以生成电力40。接下来，产生的电力40通过传输线被传送到供电网42。最后，由变压器和多个传输线构成的供电网42最终将电力40传送给消费者。
在其中原动机是燃气涡轮机而不是蒸汽涡轮机的备选化石燃料发电厂配置中，来自烧着的燃料14的燃烧燃气可以是用于移动相应涡轮机的可转动组件的原动力。在这种配置中，燃气涡轮机中的燃烧燃气相对于转子30的转动而言可供应类似于蒸汽涡轮机观中的超热蒸汽26的功能。本领域技术人员将认识到，发电厂的性能、可用性和退化部分地受到发电厂10中发现的不同设备件的多种特性的影响。这些设备特性可包含相应的一个或多个组件的能力、年龄、使用和维护。由此，随着多种组件的老化，或否则随着时间的使用，它们的相应性能特性可发生改变，通常是退化。此外，使用目前公开的模型生成的预测可能受发电厂10 处存在的特定操作特性的影响。例如，当生成对燃气涡轮机基本载荷的预测时，重要因素可包含入口导流叶片(IGV)角度，其是燃气进入涡轮机的角度；入口压力降，其是燃气进入涡轮机时经历的压力降；以及出口压力降，其是燃气离开涡轮机时的压力降。其它外部因素，诸如周围温度、周围湿度和大气压力，也可与准确发电厂预测有关。转到附图，发电厂产生的电力40可以作为被传递到指定点的服务出售。图2是示出用于分配电力40的电气配电系统50内的不同实体的交互作用的框图。电力生产商52 使用发电系统M发电，发电系统M例如包含化石燃料发电厂10、核发电厂56、地热发电厂 58、生物质发电厂60、太阳能热发电厂62、太阳能发电站64、风能站66、水力发电站68和其它电源70。电力生产商52可由单个发电厂、发电站或监管多个相同或不同类型发电厂或发电站的单个实体构成。监管实体可以是私有的公用事业、电力合作社或公有的公用事业，诸如城市或地区拥有的公用事业。发电系统M可具有可包含管理员55和操作员53的工作人员(例如现场人员)。管理员阳可执行可包含监管电力生产和监督其它工作人员(包括发电系统操作员53)的任务。发电系统管理员55还可称为发电厂管理员。发电系统操作员53可使用控制板或半自动设备执行包含操作或控制发电设备(包括锅炉、涡轮机、发电机和反应器)的任务。发电系统操作员53还可称为发电厂操作员。电力生产商52将电力馈送到一个或多个供电网42。如前面提到的，供电网42包含变压器和组织在国家电网74、地区网络76和/或本地网络78中的传输线。在大多数情况下，网络拥有者80拥有所有或部分供电网42。网络拥有者80负责从电力生产商52向电力消费者82传输电力40。包括从产业到住户的一切的电力消费者82从供电网42获取电力40并利用它。在配电系统50中还可涉及供电经销商84。供电经销商84可具有电力供应商86 和/或平衡提供商88的角色。此外，在相同或不同公司内两个角色都可存在。供电经销商 84可具有与消费者的供应协定，并且需要确保电力92的销售总是处于与电力94的购买平衡的状态，以覆盖消费。在一些情形下，电力生产商52通过投标和/或拍卖过程96将他们的电力94销售给电力经销商84。存在组织的市场用于投标和/或拍卖电力96，称为供电交换90。在供电交换90内，存在经纪人以便于交易。值得注意的是，任何一个公司在配电系统50内都可具有多重角色。例如，一个公用事业可充当电力生产商52(例如操作化石燃料发电厂)、(例如拥有本地网络的)网络拥有者80和/或电力消费者82的电力供应商86。从而，可能重要的是，这些方中的一个或多个能够预测单独发电系统和集体发电系统M的性能能力、可用性和退化。记住上述内容，图3描绘了用于对一个或多个发电系统的性能进行建模和预测的示范性的基于处理器的系统100。在一个实施例中，示范性的基于处理器的系统100是通用计算机，配置成运行多种软件，包括实现本公开的方面的算法。备选地，在其它实施例中，基于处理器的系统100除了其它的之外还可包括大型计算机、分布式计算系统或特别设计并配置成使用作为系统一部分提供的专门软件和/或硬件实现本公开的方面的应用特定计算机或工作站。另外，基于处理器的系统100可包含单个处理器或多个处理器以便于实现目前公开的功能性。一般而言，示范性的基于处理器的系统100包含微处理器102，诸如中央处理单元 (CPU)，其执行系统100的多种例程和处理功能。例如，微处理器102可执行存储在存储器 104(诸如个人计算机的随机存取存储器(RAM))或一个或多个大容量存储装置106(诸如内部或外部硬驱、CD-R0M、DVD或其它磁或光存储装置)中或由它们提供的多种操作系统指令以及软件例程和/或算法。此外，微处理器102处理作为多种例程、算法和/或软件程序的输入提供的数据，诸如在本公开的基于计算机的实现中提供的数据。这种数据可存储在存储器104或大容量存储装置106中，或由它们提供。备选地， 这种数据可经由一个或多个输入装置108提供给微处理器102。这种输入装置108可包含人工输入装置，诸如键盘、鼠标等。此外，输入装置108可包含诸如从基于处理器的远程系统或从另一个电子装置向微处理器102提供数据的网络或其它电子通信接口的装置。这种网络通信接口当然可以是双向的，使得该接口还便于通过网络从微处理器102向基于处理器的远程系统或其它电子装置传输数据。微处理器102生成的结果(诸如通过根据一个或多个存储的例程或算法处理数据所获得的结果)可经由一个或多个输出装置(诸如显示器110和/或打印机11 提供给操作员。基于显示或打印的输出，操作员可请求附加或备选处理，或提供附加或备选数据， 诸如经由输入装置108。基于处理器的系统100的多个组件之间的通信通常可经由相应芯片集和电连接系统100的组件的一个或多个总线或互连件(interconnect)完成。值得注意的是，在某些实施例中，示范性的基于处理器的系统100配置成根据本文所讨论的一个或多个算法处理发电厂数据，并运行一个或多个数学模型以产生对发电厂性能、可用性和/ 或退化的预测，如在下面相对于图4-7更详细讨论的。图4中例证了用于生成对发电厂性能、可用性或退化的预测的系统120的示例。在一些实施例中，系统120可以使用实际发电厂数据122结合一个或多个数学模型(即算法) 来模拟发电厂124的实际未来性能、可用性或退化。从而，多种当前操作数据1 和历史数据1 可从发电厂IM收集，并直接输入到一个或多个数学模型(诸如计算机模型130)，或者数据可被存储在发电厂数据库122中以便未来用于这种模型。在多种实施例中，系统120可适合于根据发电厂124的配置和操作使用大量当前操作数据126和历史数据128。例如，为了便于发电厂燃气涡轮机基本载荷的建模，当前操作数据可包含IGV角、入口压力降、出口压力降、燃料温度和/或燃料LHV。在这个示例中， 历史数据1 可包含一些或所有以上因素连同过去测量的基本载荷。数据1 和1 可由来自发电厂的操作员直接输入，并且可从发电厂数据库122 获取。在一些实施例中，计算机模型130可模拟一个或多个潜在可操作改变对发电厂的影响。换句话说，计算机模型130使发电厂操作员53、发电厂管理员55、供电经销商84或其它用户(在发电厂站点上或离开发电厂站点)能够模拟设备设置改变对发电厂性能的影响，无需在发电厂1 处实际改变任何设置。用户可具有与发电厂性能相关联的一个或多个所关注参数。在多种实施例中，计算机模型130可适合于接收基于物理学的性能数据132。基于物理学的性能数据132可包括使用发电厂的至少一个基于物理学的模型生成的数据，作为对来自发电厂的实际操作信息的替代或附加。在多种实施例中，计算机模型130可包含单独且截然不同的混合模型134的阵列以提供上述功能性。例如，基于正在建模的发电厂处所用的设备，混合模型134的阵列可包含用于多个燃气涡轮机或蒸汽涡轮机的基本载荷模型和峰值载荷模型。每一个模型作为由计算机模型130生成和更新的数学算法存在。在某些实施例中，计算机模型130可包含多个模块以实现每一个混合模型150的创建、维护和准确性。例如，计算机模型130可包含数据调节模块136、训练模块138、重新训练模块142和混合预测模块140。下面更详细描述这些模块中的每个模块。环境数据148还可由计算机模型130用于生成预测结果144。环境数据148可包含对于正在建模的相应设备或发电厂的站点观测的(即当前)和/或预计的(即未来)环境数据。如将认识到的一样，这种预计或预测的环境数据在期望前瞻性模型或预测的实现中可能是有用的，由此提供预计的或未来发电能力的洞察。环境数据148可包含但不限于正在建模的相应设备或发电厂的站点处的周围温度、相对湿度和/或大气压力。预测结果144 可从计算机模型130输出以由发电厂运营商、能量供应商、供电经销商以及其他人使用。另外，预测结果144以及混合模型134的阵列和环境数据148可存储在数据库146中，并用于更新当前计算机模型130。在某些实施例中，基于发电厂数据122和/或基于物理学的性能数据132的建模和预测利用清理了异常值和显著噪声的数据。数据调节模块136可包含数据分段和去除算法，使得完全一致的数据集可用于训练模块138。例如，数据调节136可包含使每一个输入变量平滑并去除数据中的许多异常值的中值滤波。训练模块138向混合预测模块140提供信息以便创建能用于预测的模型，如下面讨论的。另外，在某些实施例中，训练模块138可利用发电厂数据122或基于物理学的性能数据132和发电厂数据122的组合。在一种方法中，基于物理学的性能数据132和发电厂数据122可组合起来创建增大的模型训练和验证数据集。基于物理学的性能数据132可通过在一组相关的基于物理学的模型上执行的实验设计(DOE)生成。这个DOE法生成可在其上训练和验证混合预测模块140的输入-输出值矩阵。另外，在某些实施例中，域知识和数据驱动方法都用于选择输入到混合预测模块 140中的变量。例如，相关性测试可发生在训练模块138期间以便识别输入变量(X’)与目标(Y’ )之间的高相关性。随后使用高度相关的变量和目标可提供更准确的预测性能。一旦充分训练了，混合预测模块140就可生成混合模型150。图5是根据本发明实施例的示范性混合预测模块140的框图。参考图5，混合预测模块140利用基于物理学的 ANN模型152(诸如热动力学模型)连同基于发电厂数据的ANN模型154。如将认识到的一样，还可以采用不同于神经网络的其它模型。在某些实施例中，在混合预测模块140之前训练一次的基于物理学的ANN模型152用于生成用于进行预测的模型。在其它实施例中，基于物理学的ANN模型152在用于混合预测训练过程之前可能训练多于一次，诸如以迭代过程。在一个实现中，基于物理学的ANN模型152不随时间更新，并且从而，它被称为“静态” 模型。作为一个示例，可利用程序生成基于物理学的性能数据以训练用于燃气涡轮机基本载荷预测的静态模型152。可确定输入参数并将它们用于创建DOE测试矩阵。DOE测试矩阵被运行，并且输出变成静态模型训练数据集。可对于相同设备件或系统确定其它参数， 以便创建附加静态模型训练数据集。还可使用不同程序为不同发电厂设备件或系统生成静态模型训练数据。此外，如果没有基于物理学的性能数据可用，则可使用发电厂操作数据的大集合训练静态模型152。在这种情形下，理想上，训练数据集将覆盖大范围的输入参数，以获得操作空间的准确表示。由静态模型152生成的预测表示正在预测的参数的“基线”。根据所用的训练数据，基于静态模型152的预测可不同于实际性能。距基线的偏差可因为设备退化而随时间增大，需要对基线预测施加校正，因此需要基于发电厂数据的ANN模型，也称为“校正器”模型 154。可以用最近的发电厂操作数据来训练校正器模型154。到校正器模型154的输入 156可包含到静态模型152的所有输入158或所述输入的子集。此外，校正器模型IM接收静态模型152的输出159作为输入。因此，所施加的校正是静态预测的函数。由于校正器模型IM基于随时间从发电厂收集的实际最近数据来调整性能预测， 因此校正器模型1 使由混合预测模块140创建的混合模型150能够接近地反映实际性能，同时基线(静态模型152)保持不变。由此，使用校正器模型IM结合静态模型152降低或去除了对定期重新定基线并重新调谐静态模型152的需要，使得发电厂设备的停机时间最小。因而，混合建模法可比单纯基于物理学或单纯基于数据的神经网络法执行得更好。使用静态模型152最初允许建立预测基线，无需任何先前训练。此外，静态模型152可在操作条件的预计范围上训练，在整个操作包络上创建性能基线，由此最小化了所需的外插，并补偿了发电厂操作数据稀疏问题。转到图5，可将一对基于物理学的ANN 152和基于数据的ANN模型1 用于创建用于每个性能预测的混合模型150。例如，单对模型(即单个混合模型150)可用于进行如下预测燃气涡轮机载荷(MW)、燃气涡轮机燃料消耗、燃气涡轮机排放(N0X，CO)和/或蒸汽涡轮机载荷(MW)。然而，还可彼此连同地利用多对ANN模型(即多个混合模型150)，诸如用于创建用于一个预测的模型，或更有效地给复杂系统(诸如总发电厂性能)建模。的确，在一些实施例中，可能最好是使用多个混合模型给参数或总体(即整体)评估标准建模。例如，可以确定，不同混合模型更好地表示燃气涡轮机的基本载荷和部分载波操作模式。在这种情况下， 可使用利用混合预测模块140生成的两个单独的混合模型150进行燃气涡轮机基本载荷和部分载荷预测，但单独的混合模型150的组合结果可一起提供与燃气涡轮机操作模式相关的期望预测。另外，在更复杂的概念(诸如发电厂作为整体或在概念上可一起考虑的子系统的群的性能)可能是所关注的程度上，这种复杂结果可使用群(即两个或更多混合模型 150)建模。例如，这种模型群可以加权、不加权、分级和/或有条件的布置组合以适当地给讨论中的复杂参数(诸如总发电厂性能、总体发电机性能、总体涡轮机性能等等)建模。
通过重新训练并随后重新调谐校正器模型154来维护校正器模型154。来自图4 的重新训练模块142在计算机模型130内执行这个功能。重新训练142可基于性能触发 (例如监视准确性并当性能落在可接受阈限以下时触发训练)或基于时间间隔触发(例如每天、每周、每月、每年一次，诸如此类)。如果重新训练的触发是基于性能的，则当模型在它们的预测准确性方面可能退化时可利用统计测试进行诊断。退化的模型然后可被重新调谐以提供更准确的预测。这个过程实现了混合模型150的自监视和自更新。参考图6的流程图160可更好地理解用于重新训练142混合模型150的方法。应该注意，在流程图160中指示的一个或多个示范性步骤可由基于处理器的系统100通过运行设计成执行此类功能的软件应用的算法或例程来执行。备选地，可采用应用特定硬件、固件或电路提供相同功能性。方法160可开始于接收(框162)发电厂数据122的新窗口，其包含操作输入(X’) 以及输出(Y)。处理器102使用现有训练的混合模型150和发电厂数据122计算(框164) 预测输出(Y’)166。由实际输出(Y)与预测输出(Y’)166之间的差计算(框168)预测误差(Ei) 170。计算(框17 混合模型测试数据的预测误差，也称为基本预测误差(E。) 174，涉及使用总长度为(A) — Wc)的初始数据集。前Dtl个数据点用于训练和验证初始混合模型，而后 W0个数据点保留用于测试和获得基本预测误差174。接下来，处理器102对预测误差(Ei) 170和基本预测误差(E。)174执行(框176) 统计测试。任何假设测试都可用作统计测试。例如，基于其优点提出了 Wilcoxon秩和测试 (WRST)。如果统计测试结果指示(框178)预测误差E。和Ei在统计上并非显著不同184，则过程再次开始于接收(框16 新发电厂数据122。另一方面，如果在民与Ei之间在统计上存在显著差异186，则然后用发电厂数据122 (包括操作和输出数据)，重新训练(框180) 混合模型。然而，如果发电厂数据集122中数据点的数量过大，则可从数据集中去除某部分最老数据点。用于模型重新训练的数据量是重要因素；需要足够的数据以得到好的模型表示，但必要的是，避免使用未准确反映设备当前状态的老数据。在混合预测模型重新训练之后，网络参数和基本预测误差E。都被重新调谐(框18 ，并用于发电厂数据122的随后窗口。如可从上文认识到的一样，混合模型150当部署时在其预测性能方面被连续监视。值得注意的是，可对于针对要预测的不同参数(例如基本载荷、N0X、CO)存在的每一个混合模型150，单独执行重新训练方法160。参考图7的流程图190可更好地理解用于使用混合模型150生成发电厂性能、可用性或退化的预测144的方法。应该注意，在流程图190中指示的一个或多个示范性步骤可由基于处理器的系统100通过运行适合于执行此类功能的软件应用的算法或例程来执行。 备选地，可采用应用特定硬件、固件或电路来提供相同功能性。生成预测的方法190开始于处理器102接收(框19 发电厂数据122和环境数据148。如之前提到的，环境数据148可包括对于相关站点获得的气象学数据，诸如周围温度、相对湿度或/或大气压力。处理器102准备(框194)用于混合模型150的数据集196。 处理器102使用混合模型150计算(框198)预测结果144。然后，处理器102经由显示器 110或打印机112向系统用户传递(框200)预测结果144。在某些实施例中，图7的方法可用于预测通过连网环境互连的多个发电厂的能力、可用性和退化。预测输出94可用于动态地观测和分析各个发电厂、网络中的发电厂子集和/或整个发电厂网络的性能。本公开的技术效果包括生成和/或利用混合模型以预测与一个或多个发电厂相关联的一个或多个性能方面。一个或多个发电厂的操作或管理可基于一个或多个公开的混合模型的输出。混合模型可构成一个或多个神经网络。另外，混合模型可构成静态模型 (诸如可基于物理原理和因素)以及校正器或动态模型(诸如可基于测量或观测的发电厂数据)。在这种实施例中，静态模型的输出可以是校正器模型的输入。这个所写的说明书使用示例公开本发明，包括最佳模式，还使本领域的任何技术人员都能够实施本发明，包括制作和使用任何装置或系统，并执行任何结合的方法。如可认识到的一样，在提供示例或实施例便于说明本公开的程度上，这种示例和实施例即便未明确阐述也可组合，尽管未明确地彼此组合讨论。本发明的可专利范围由权利要求书定义，并且可包含本领域技术人员可想到的其它示例。这种其它示例在如下情况下试图在权利要求书的范围内它们具有与权利要求书字面语言并无不同的结构元素，或者它们包括具有与权利要求书的字面语言的非实质差别的等效结构元素。要素列表
10化石燃料发电厂
12燃料源
14燃料
16给水
18给水源
20锅炉
22烟道气
24出口
26超热蒸汽
28蒸汽涡轮机
30转子
32蒸汽
34冷凝器
36返回给水
38发电机
40电力
42供电网
44
46
48
50配电系统
52电力生产商
53发电厂操作员
54发电系统
55发电厂管理员
56核发电厂
58地热发电厂
60生物质发电厂
62太阳能热发电厂
64太阳能发电站
66风发电站
68水力发电站
70其它电源
72
74国家电网
76地区网络
78本地网络
80网络拥有者
82电力消费者
84供电经销商
86电力供应商
88平衡提供商
90电力交换
92电力销售
94电力购买
96在电力交换的购买
98
100计算机模型
102微处理器
104存储器
106大容量存储装置
108输入装置
110显不器
112打印机
114
116
118
120预测系统
122发电厂数据
124发电厂
126当前操作数据
128历史数据
130计算机模型
132基于物理学的性能数据
134混合模型阵列
136数据调节模块
138训练模块
140混合预测模块
142重新训练模块
144预测结果
146计算机模型更新存储装置
148环境数据
150混合模型
152基于物理学的ANN模型
154基于发电厂数据的ANN模型
156校正器模型的输入
158静态模型的输入
159输出
160用于重新训练的方法
162接收数据
164计算预测
166预测的输出
168计算误差
170预测误差
172计算基本预测误差
174基本预测误差
176执行测试
178测试结果？
180重新训练
182重新调谐
184非统计显著性
186统计上是显著的
190用于生成预测的方法
192接收数据
194准备数据
196准备的数据
198计算预测
200传递结果
权利要求
1.一种用于预测发电厂的所关注参数的方法，所述方法包括接收发电厂数据集(12 和环境数据集(148)作为处理器(10 的输入，其中所述环境数据集(148)包括观测的或预计的环境数据中的至少一项；在所述处理器(10 上，使用一个或多个混合预测模型(150)处理所述发电厂数据集 (122)和所述环境数据集(148)；以及使用所述一个或多个混合预测模型(150)生成所述所关注参数的至少一个预测(144) 作为所述处理器(10 的输出。
2.如权利要求1所述的方法，包括在随后处理之前，清理所述发电厂数据集(12 和所述环境数据集(148)。
3.如权利要求1所述的方法，包括向至少一个用户传递所述至少一个预测(144)。
4.如权利要求3所述的方法，其中所述至少一个用户包括发电厂操作员(53)、发电厂管理员(55)或供电经销商(84)中的一个或多个。
5.如权利要求1所述的方法，其中所述发电厂数据集(122)包括所述发电厂的操作数据(126)。
6.如权利要求1所述的方法，其中所述环境数据集(148)包括所述发电厂的周围温度、 相对湿度或大气压力中的一项或多项。
7.如权利要求1所述的方法，其中所述所关注参数包括所述发电厂或所述发电厂的组件的性能、可用性或退化的指示符。
8.如权利要求1所述的方法，其中所述所关注参数包括总发电厂性能的指示。
9.如权利要求1所述的方法，其中所述混合预测模型(150)包括静态模型(15 和校正器模型(154)。
10.如权利要求9所述的方法，其中所述静态模型(152)包括基于物理学的模型。
11.如权利要求9所述的方法，其中所述校正器模型(154)接收发电厂操作数据(126) 作为输入。
12.如权利要求9所述的方法，其中所述校正器模型(154)接收所述静态模型(152)的输出(159)作为输入。
13.—种处理器实现的预测模型(130)，包括基于物理学的静态模型(152)，其当运行在处理器(10 上时生成基线输出(159)；基于数据的动态模型(巧4)，其当运行在所述处理器(102)上时接收所述基线输出 (159)作为输入并生成校正的输出。
14.如权利要求13所述的处理器实现的预测模型(130)，其中所述基于物理学的静态模型(15 或所述基于数据的动态模型(154)之一或二者包括相应的人工神经网络。
15.如权利要求13所述的处理器实现的预测模型(130)，其中所述基线输出(159)表示发电厂或所述发电厂的组件的基线性能值，并且所述校正的输出表示基于当前操作数据 (126)的所述发电厂或所述发电厂的组件的预测性能值。
全文摘要
本发明的名称为预测发电厂性能的方法和系统，本公开涉及使用混合预测模型(150)预测发电厂或发电厂组件的性能、可用性或退化中的一项或多项。混合预测模型(150)包括至少两个模型组件，一个根据基于物理学的建模法(152)，并且一个根据观测的或基于数据的建模法(154)。当操作性能随时间改变时，混合预测模型(150)可自调谐或自校正。
文档编号G06Q50/06GK102446301SQ20111030591
公开日2012年5月9日 申请日期2011年9月28日 优先权日2010年9月30日
发明者L·M·富吉塔, N·D·厄勒, P·P·博尼索内, R·F·霍斯金, R·J·米切尔, R·V·苏布, 严卫中 申请人:通用电气公司