基于bp神经网络的电厂厂用电率计算方法
【专利摘要】本发明公开了一种基于BP神经网络的电厂厂用电率计算方法，其通过建立用于计算电厂厂用电总负荷的BP神经网络初始模型,BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型，输入设计电厂设备数据，通过BP神经网络最终模型计算出设计电厂厂用电总负荷，将计电厂厂用电总负荷转换成设计电厂厂用电率。其具有计算工作自动完成、计算误差小，计算效率高、设计成本低等特点。
【专利说明】基于BP神经网络的电厂厂用电率计算方法
【技术领域】
[0001]本发明涉及管理数据处理【技术领域】，具体涉及一种基于BP神经网络的电厂厂用电率计算方法。
【背景技术】
[0002]在电厂设计时，需要根据电厂装机容量选择电厂工艺和发电设备，首先进行设备参数初次选型，在此基础上再进行二次组合匹配选型，从而获得技术先进、生产效能优良、好运营效益良好的电力生产系统。电厂厂用电率是二次组合匹配选型所采用的一个重要评价指标。
[0003]电厂通常包括多个发电机组，发电机组包括发动机、发电机、控制系统，发电机组的类型有多种，不同的发电机组的设计系统存在较大的差异，锅炉辅机形式也会不同，电机功率和轴功率的匹配关系也不同。发电机组还包括电动给水泵、凝结水泵、一次风机、二次风机、引风机等辅助设备，这些设备都需要消耗电能。同时电厂还包括数量庞大的用电负荷单元，不同用电负荷单元的用电时间均存在差异，且很难界定具体的用电时间。显而易见，要精确计算电厂厂用电率非常困难，只能采用估算的方式来确定电厂厂用电率，估算的准确性直接关系到电厂设计的科学性和投产后电厂的经济效益的高低。
[0004]目前，电厂厂用电率的计算方法为人工统计计算法，也即电厂工艺设计人员根据电厂的装机容量进行电厂设备的初次选择，得到发电机组及其辅助设备的设计参数，如发电机组功率，电厂工艺设计人员将电机组功率乘以电厂厂用电系数得到电厂厂用电率。
[0005]电厂厂用电系数电厂运营人员通过对现有电厂的运营数据进行统计得到，电厂运营人员以自己运营的电厂的运营数据为历史样本进行统计计算，得到现有电厂的厂用电系数，显而易见，运营人员运营的电厂的数量较少，作为历史样本的运营数据也很少，通过现有几个电厂统计得到的电厂厂用电系数具有很大的局限性。同时，由于新设计电厂的生产工艺和现有电厂的生产工艺存在较大的不同，及时生产工艺一样的两个电厂由于装机容量的不同，设备选型和设备组合方式也存在较大的不同，因此，电厂工艺设计人员采用现有电厂的厂用电系进行设计电厂厂用电率计算时，需要进行厂用电系数的修正。
[0006]电厂厂用电系数进行修正，可通过对新电厂发电机组及辅助设备进行工程实测，通过得到的实测数据对现有电厂厂用电系数进行修正。不过新电厂工程实测能测试的项目少、实测工程量大，测试周期长、测试费用高。同时由于测试项目较少，测试效果受到工程实施情况的限制，所获得的电厂厂用电系数同样很难反映新电厂生产设备的厂用电系数。因此，实测修正在实际应用中基本不采用。
[0007]目前，电厂工艺设计人员根据电厂运营人员提供的电厂厂用电系数按照经验进行推理修正，计算出电厂厂用电率进。这种修正方法缺乏对比校核的手段，因此计算结果准确性低、可靠性差、受人为因素影响较大，影响到电厂设计的先进性和经济性。
[0008]BP神经网络是人工智能神经网络中应用最为广泛的神经网络模型，其网络模型拓扑结构包括输入层、隐层和输出层。BP神经网络由非线性传递函数神经元构成的，能学习和存贮大量的输入-输出模式映射关系，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的连接权值和阈值，使神经网络的误差平方和最小。BP神经网络广泛用于自动控制、优化设计、模式识别、预测等领域。BP神经网络的样本通常用数据库来存储。
【发明内容】
[0009]本发明所要解决的技术问题是提供一种非人工统计计算的基于BP神经网络的电厂厂用电率计算方法。
[0010]本发明解决技术问题所采用的技术方案是:
[0011]基于BP神经网络的电厂厂用电率计算方法，建立用于计算电厂厂用电总负荷的BP神经网络初始模型，BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型，输入设计电厂设备数据，通过BP神经网络最终模型计算出设计电厂厂用电总负荷，将计电厂厂用电总负荷转换成设计电厂厂用电率，包括以下步骤:
[0012]步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型:按照电厂厂用电总负荷计算要求，确定电厂厂用电总负荷的影响变量，以影响变量为输入变量，电厂厂用
电总负荷为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层
及输出层的BP神经网络初始模型；
[0013]步骤2、初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值，对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置；
[0014]步骤3、采集计算现有电厂厂用电总负荷的影响变量数据:BP神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据；
[0015]步骤4、通过网络学习训练得到BP神经网络最终模型:对输入变量数据进行归一化处理得到历史数据样本，采用历史数据样本进行网络学习训练，将通过历史数据样本计算出的电厂厂用电总负荷和实测电厂厂用电总负荷进行对比，直到网络学习训练的均方误差达到要求，确定BP神经网络的连接权值和阀值，得到BP神经网络最终模型；
[0016]步骤5、计算设计电厂厂用电率:将设计电厂厂用电总负荷的影响变量数据作为输入变量数据输入到BP神经网络最终模型，通过计算得出设计电厂厂用电总负荷，将计电厂厂用电总负荷转换成设计电厂厂用电率。
[0017]进一步，步骤I中电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵功率、凝结水泵功率、一次风机功率、二次风机功率、引风机功率、单台发电机组低压总负荷。
[0018]进一步，步骤3现有电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、弓I风机铭牌功率、单台发电机组低压总负荷。
[0019]进一步，步骤5设计电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵选型功率、凝结水泵选型功率、一次风机选型功率、二次风机选型功率、引风机选型功率、单台发电机组低压总负荷。[0020]进一步，步骤I前还包括建立现有电厂设备运营数据库:现有电厂设备运营数据库包括发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷、实测电厂厂用电总负荷数据项。
[0021]进一步，采集计算现有电厂厂用电总负荷的影响变量数据为BP神经网络初始模型从现有电厂设备运营数据库采集数据项作为输入变量数据。
[0022]本发明的基于BP神经网络的电厂厂用电率计算方法同样适用于设计电厂的其他设计参数的计算。
[0023]与现有技术相比，本发明的有益效果是:
[0024]1、本发明的基于BP神经网络的电厂厂用电率计算方法，利用现有电厂设备运营数据库存储、管理现有电厂设备运营数据，以便能提供尽可能多的历史样本数据，通过具有机器学习能力的BP神经网络实现电厂厂用电率的自动计算；由于网络训练样本足够多，具有较强的校准复核能力，得出的电厂厂用电率误差较小；这种具有机器学习能力的基于BP神经网络的电厂厂用电率计算方法，数据处理和管理能力强，工作效率高，工作质量好，设计成本低。
[0025]2、本发明的基于BP神经网络的电厂厂用电率计算方法，由于直接使用大量实测数据来预测最接近实际运行情况的计算结果，很大程度上降低了计算误差，提高了数据的准确性。
【专利附图】
【附图说明】
[0026]图1为本发明的基于BP神经网络的电厂厂用电计算方法流程图。
[0027]图2为本发明的BP神经网络初始模型示意图。
[0028]图3为本发明的实施方式的BP神经网络预测与预期结果比较图。
[0029]图4为本发明的实施方式的BP神经网络预测误差图。
[0030]图5为本发明的实施方式的BP神经网络预测误差百分比图。
【具体实施方式】
[0031]下面结合附图和实施例对本发明进一步说明。
[0032]本发明采用公知的神经网络计算机作为运行环境，其中，神经网络计算机的神经网络采用BP神经网络。
[0033]本发明的基于BP神经网络的电厂厂用电率计算方法，如图1所示，处理过程包括五个步骤:建立用于计算电厂厂用电总负荷的BP神经网络初始模型，初始化BP神经网络初始模型并进行参数设置，采集计算现有电厂厂用电总负荷的影响变量数据，通过网络学习训练得到BP神经网络最终模型，计算设计电厂厂用电率，具体实现步骤如下:
[0034]步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型:按照电厂厂用电总负荷计算要求，确定电厂厂用电总负荷的影响变量，以影响变量为输入变量，电厂厂用
电总负荷为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层
及输出层的BP神经网络初始模型。[0035]其中，BP神经网络拓扑结构为含有输入层、一层隐层和输出层的前馈型神经网络结构，层与层之间采用全互连方式连接，同一层结点之间无连接，隐层节点数根据计算的需要确定，通常为5至15之间的数字；电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵功率、凝结水泵功率、一次风机功率、二次风机功率、引风机功率、单台发电机组低压总负荷；实际应用中，电厂厂用电总负荷的影响变量可根据电厂厂用电总负荷的计算需要做相应的调整，如将其中的几项合并成一个输入变量；输出变量为电厂厂用电总负荷，实际应用中，不局限于电厂厂用电总负荷，还可以是电厂设计的其他设计参数。
[0036]显而易见，用于计算电厂厂用电总负荷的BP神经网络初始模型具有自动网络学习训练能力，通过网络学习训练得出最佳的电厂厂用电总负荷计算模型。
[0037]步骤2、初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值，对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置。
[0038]对BP神经网络初始模型进行初始化连接权值和阀值，其中，初始连接权值取(-1，I)间的随机数，设置BP神经网络初始模型的学习速率η、期望误差、最大步数参数，其他参数根据计算精度和速度的需要进行设置。
[0039]步骤3、 采集计算现有电厂厂用电总负荷的影响变量数据:ΒΡ神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据。
[0040]其中，现有电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷。实际应用中，现有电厂厂用电总负荷的影响变量可根据现有电厂厂用电总负荷的计算需要做相应调整，如将其中的几项合并成一个输入变量。
[0041]步骤4、通过网络学习训练得到BP神经网络最终模型:对输入变量数据进行归一化处理得到历史数据样本，采用历史数据样本进行网络学习训练，将通过历史数据样本计算出的电厂厂用电总负荷和实测电厂厂用电总负荷进行对比，直到网络学习训练的均方误差达到要求，确定BP神经网络的连接权值和阀值，得到BP神经网络最终模型。
[0042]如图1、图2所示，BP神经网络初始模型采用BP神经网络算法。算法包括前向运算、反向运算和权值调整3部分。BP神经网络初始模型将采集到的多组现有电厂影响变量
数据，应用
【权利要求】
1.基于BP神经网络的电厂厂用电率计算方法，其特征在于，建立用于计算电厂厂用电总负荷的BP神经网络初始模型，BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型，输入设计电厂设备数据，通过BP神经网络最终模型计算出设计电厂厂用电总负荷，将计电厂厂用电总负荷转换成设计电厂厂用电率，包括以下步骤: 步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型:按照电厂厂用电总负荷计算要求，确定电厂厂用电总负荷的影响变量，以影响变量为输入变量，电厂厂用电总负荷为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层及输
1+ e出层的BP神经网络初始模型； 步骤2、初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值，对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置； 步骤3、采集计算现有电厂厂用电总负荷的影响变量数据:BP神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据； 步骤4、通过网络学习训练得到BP神经网络最终模型:对输入变量数据进行归一化处理得到历史数据 样本， 采用历史数据样本进行网络学习训练，将通过历史数据样本计算出的电厂厂用电总负荷和实测电厂厂用电总负荷进行对比，直到网络学习训练的均方误差达到要求，确定BP神经网络的连接权值和阀值，得到BP神经网络最终模型； 步骤5、计算设计电厂厂用电率:将设计电厂厂用电总负荷的影响变量数据作为输入变量数据输入到BP神经网络最终模型，通过计算得出设计电厂厂用电总负荷，将计电厂厂用电总负荷转换成设计电厂厂用电率。
2.根据权利要求1所述的基于BP神经网络的电厂厂用电率计算方法，其特征在于，步骤I中所述电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵功率、凝结水泵功率、一次风机功率、二次风机功率、引风机功率、单台发电机组低压总负荷。
3.根据权利要求1所述的基于BP神经网络的电厂厂用电率计算方法，其特征在于，步骤3所述现有电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷。
4.根据权利要求1至3中任意一项权利要求所述的基于BP神经网络的电厂厂用电率计算方法，其特征在于，步骤5所述设计电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵选型功率、凝结水泵选型功率、一次风机选型功率、二次风机选型功率、引风机选型功率、单台发电机组低压总负荷。
5.根据权利要求根据权利要求1至3中任意一项权利要求所述的基于BP神经网络的电厂厂用电率计算方法，其特征在于，步骤I前还包括建立现有电厂设备运营数据库:现有电厂设备运营数据库包括发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷、实测电厂厂用电总负荷数据项。
6.根据权利要求5所述基于BP神经网络的电厂厂用电率计算方法，其特征在于，所述采集计算现有电厂厂用电总负荷的影响变量数据为BP神经网络初始模型从现有电厂设备运营数据库采集数据 项作为输入变量数据。
【文档编号】G06N3/02GK104021315SQ201410300022
【公开日】2014年9月3日 申请日期:2014年6月27日 优先权日:2014年6月27日
【发明者】孙周, 秦海, 周再举 申请人:四川电力设计咨询有限责任公司