一种多变量建模的火电厂发电量预测方法与流程

本发明属于火力发电技术领域，具体涉及一种多变量建模的火电厂发电量预测方法。

背景技术：

火电机组的实时数据记录了火电厂设备的运行和操作运行人员的操作过程，能够为机组运行、检修和事故处理提供决策依据，对提高火电厂的生产效率、故障诊断以及状态检修技术具有积极指导意义。热力系统由于受机组负荷、环境温度、燃料成分以及操作方式等多种因素的影响，设备运行参数之间存在耦合关系，给实际调节带来诸多不便。本发明针对火电厂机组运行参数进行知识提取和模型建模。

火电厂工业过程中存在着大量运行参数，研究变量之间的复杂关系和关联程度并建立模型，对于提升火电厂运行系统的安全运转至关重要。现有方案在利用神经网络进行建模和预测时，一般把所有因素变量输入给神经网络，模型的复杂度高。主成分分析具有参数降维和简化模型的作用，但只考虑变量间的相互作用，即相关性和耦合性，没有考虑因素变量对特征变量间的影响和贡献，因而仅仅依靠主成分分析是不够的。

技术实现要素：

针对现有技术存在的问题，本发明提供一种多变量建模的火电厂发电量预测方法。

本发明的技术方案如下：

一种多变量建模的火电厂发电量动态预测方法，包括：

步骤1、在线采集火电厂多个因素变量、特征变量；

步骤2、对在线采集的火电厂多个因素变量、特征变量进行降噪处理；

步骤3、对降噪处理后的电厂多变量数据进行灰色关联度分析，确定影响特征变量的主要因素变量；

步骤4、利用满足建模条件的特征变量和主成分建模变量建立灰色模型，再利用神经网络进行修正；

步骤5、将灰色模型数据结果进行修正，得到发电量预测结果，即n+1时刻的发电量。

所述步骤3，包括：

步骤3-1、将降噪处理后的电厂多变量数据进行预处理，使特征变量和每一个因素变量分别满足均值为0；

步骤3-2、利用步骤3-1中预处理后的数据，计算因素变量与特征变量的灰色关联度；

步骤3-3、根据步骤3-2中灰色关联度的数值，删去与特征变量关联度较低的m个不必要的因素变量，将其余因素变量确定为主要因素变量；

步骤3-4、利用降维找出主要因素变量中彼此之间互不相关的主成分。

所述步骤3-4，包括：

步骤3-4-1、根据标准化数据，计算出主要因素变量的相关系数矩阵及其特征值与特征向量；

步骤3-4-2、构造主成分建模变量：将主要因素变量重新组合成一组新的相互无关的主成分建模变量；

步骤3-4-3、计算第i主成分建模变量的贡献率和前k个主成分建模变量的累计贡献率；

步骤3-4-4、根据累计贡献率确定主成分建模变量，即主成分建模变量的个数满足累积贡献率≥80％。

所述步骤4，包括：

步骤4-1、判断特征变量和主成分建模变量能否满足建模条件：若特征变量和主成分建模变量分别为正数且呈递增趋势，则满足，否则不满足，如果不满足，采用①对数处理；②方根处理；③平移处理；④一阶累加生成数据中的任一或任意几个方法对特征变量和主成分变量进行数据变换，直到满足建模条件；

步骤4-2、建立灰色模型gm(1，n)，模型输入为步骤4-1中的满足建模条件的主成分建模变量，模型输出为特征变量，再利用神经网络修正。

所述步骤4-2，包括：

步骤4-2-1、建立灰色模型gm(1，n)的白化式微分方程；

步骤4-2-2、将步骤4-2-1中灰色模型gm(1，n)的白化式微分方程进行差分法离散，得到线性方程组；

步骤4-2-3、求取灰色模型gm(1，n)中参数；

步骤4-2-4、得到灰色模型gm(1，n)的近似时间响应式；

步骤4-2-5、计算特征变量在n+1时刻的预测值；

步骤4-2-6、得到灰色模型gm(1，n)的建模结果和预测结果；

步骤4-2-7、计算灰色模型gm(1，n)特征变量误差数据的建模值；

步骤4-2-8、建立神经网络，神经网络的输入为步骤4-1中满足建模条件的主成分建模变量，输出为灰色模型gm(1，n)的特征变量误差数据的建模值或预测值；

步骤4-2-9、对特征变量误差数据的模拟值和预测值进行反归一化处理。

所述因素变量，包括：alr设定负荷、汽机主控输出、选后炉侧主蒸汽温度值、总燃料量、过热减温水母管流量；

所述特征变量，包括：发电量。

有益效果：

本发明通过小波变换过滤火电厂数据中噪声等干扰信息，利用灰色关联度去掉不必要因素序列数据，再通过主成分分析方法，对剩余主要因素变量降维处理，既减少数据的维数，提高因素变量的利用率，又考虑了因素变量对特征变量的影响；将主成分变量和特征变量分别作为灰色gm(1，n)模型的输入和输出。利用灰色gm(1，n)模型对主成分变量和特征变量进行建模，再利用神经网络对灰色gm(1，n)模型中的主成分变量以及特征变量的误差数据进行训练和预测，其中输入变量为主成分变量，输出为特征变量的误差数据。由于通过主成分分析后，主成分建模变量较少且互为不相关，因而降低了计算量。此外为了改善灰色gm(1，n)模型，利用神经网络对灰色gm(1，n)模型的特征变量的建模误差数据进行训练，进而修正灰色gm(1，n)模型特征变量的预测误差，充分利用了神经网络的非线性函数逼近能力，以及不易陷入局部最优解的特点。

附图说明

图1是本发明具体实施方式中某热电厂机组实际运行数据曲线图，(a)为发电量曲线图，(b)为alr设定负荷曲线图，(c)为汽机主控输出曲线图，(d)为选后炉侧主蒸汽温度值曲线图，(e)为总燃料量，(f)为过热减温水母管流量；

图2是本发明具体实施方式中小波降噪后的电厂多变量数据曲线图，(a)为发电量曲线图，(b)为alr设定负荷曲线图，(c)为汽机主控输出曲线图，(d)为选后炉侧主蒸汽温度值曲线图，(e)为总燃料量，(f)为过热减温水母管流量；

图3是本发明具体实施方式中小波降噪及标准化处理数据后，因素变量x2(k)，…xn(k)与特征变量x1(k)的灰色关联度数据；

图4是本发明具体实施方式中多变量建模的火电厂发电量动态预测方法流程图。

图5是是本发明具体实施方式的步骤3的具体流程图；

图6是是本发明具体实施方式的步骤4的具体流程图；

图7是是本发明具体实施方式的步骤4-2的具体流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

一种多变量建模的火电厂发电量动态预测方法，如图4所示，包括：

步骤1、在线采集火电厂多个因素变量、特征变量；

因素变量，包括：alr(automaticloadregulator)设定负荷、汽机主控输出、选后炉侧主蒸汽温度值、总燃料量、过热减温水母管流量；

特征变量，包括：发电量；

特征变量x1＝(x1(1)，x1(2)，…，x1(n))；

因素变量xi＝(xi(1)，xi(2)，…，xi(n))i＝2，3，…，n，其中n为采样时刻，n为变量个数。

因素变量、特征变量数据来源于某热电厂机组实际运行数据，由于实际测量参数较多，本实施方式中仅选取6个因素变量进行说明，如图1(a)～(f)所示。其中：x1代表发电量为特征变量，xii＝2，…，6为因素变量，x2alr设定负荷，x3汽机主控输出，x4选后炉侧主蒸汽温度值，x5总燃料量，x6过热减温水母管流量。

步骤2、利用小波变换对在线采集的火电厂多个因素变量、特征变量进行降噪处理；

步骤2-1、选择一个小波并确定分解的层次，并进行分解计算；

步骤2-2、实现小波分解高频系数的阈值量化，对各个分解尺度下的高频系数进行阈值量化处理；

步骤2-3、一维小波重构，根据小波分解的最底层低频系数和各层高频系数进行一维小波重构；

小波降噪后的电厂多变量数据如图2(a)～(f)所示。

步骤3、对小波降噪处理后的电厂多变量数据进行灰色关联度分析，确定影响特征变量的主要因素变量；

具体流程如图5所示：

步骤3-1、将小波降噪后的电厂多变量数据进行预处理，使特征变量和每一个因素变量分别满足均值为0；

其中，为特征变量和每一个因素变量的均值。

步骤3-2、利用步骤3-1中预处理后的数据，计算因素变量与特征变量的灰色关联度；

设特征变量x1(k)为参考序列，因素变量x2(k)，…xn(k)为比较序列，其中k＝1，2，…，n。灰色关联系数的计算公式为

灰色关联度的计算公式为ρ的取值通常为0.5。

步骤3-2-1、计算求差序列|x1(k)-xi(k)|；

步骤3-2-2、计算两极最大差和最小差

步骤3-2-3、计算灰色关联系数；

灰色关联系数ρ的取值通常为0.5。

步骤3-2-4、计算灰色关联度

对步骤3-1中标准化处理数据，计算因素变量x2(k)，…xn(k)与特征变量x1(k)(k＝1，2，…，n)的灰色关联度分别为0.8691，0.8524，0.6920，0.8316，0.7434。

因素变量x2(k)，…xn(k)与特征变量x1(k)的灰色关联度数据如附图3所示。

步骤3-3、根据步骤3-2中灰色关联度的数值，删去与特征变量关联度较低的m(m≥0)个不必要的因素变量，将其余因素变量确定为主要因素变量；

步骤3-4、根据主成分分析，利用降维找出主要因素变量中彼此之间互不相关的主成分，尽可能地反映主要因素变量的信息量，从而达到简化的数据的目的；

步骤3-4-1、根据标准化数据，计算出主要因素变量的相关系数矩阵及其特征值与特征向量；

将主要因素变量建立观测样本矩阵为xqw(1≤q≤n，2≤w≤n-m-1)。做变换使得其中即得到标准化数据。

本实施方式中主要因素变量的相关系数矩阵可见表1所示，特征值可见表2所示。

表1主要因素变量的相关系数矩阵

表2主成分分析结果

步骤3-4-2、构造主成分建模变量；

将步骤3-4-1中主要因素变量进行线性组合，f1为选取的第一个线性组合，其方差var(f1)越大，表示f1包含的信息越多。由于f1方差最大，故f1为第一主成分建模变量。如果f1不足以代表原来n-m-1个指标的信息，再考虑选取f2即选第二个线性组合，为了有效地反映原来信息，要求cov(f1，f2)＝0，即f1已有的信息就不需要再出现在f2中，称f2为第二主成分建模变量。依此类推可以构造出第三、第四，……，第n-m-1主成分建模变量。即将原来主要因素变量重新组合成一组新的相互无关的主成分建模变量。

步骤3-4-3、计算第i主成分建模变量的贡献率和前k个主成分建模变量的累计贡献率；

第i主成分建模变量的贡献率为第i主成分建模变量的方差在全部方差中的比值前k个主成分建模变量的累计贡献率定义为

步骤3-4-4、根据累计贡献率确定主成分建模变量；

选定主成分建模变量的个数p(p＜n-m-1)应以能够反映原来变量80％以上的信息量为依据，即主成分建模变量的个数要满足累积贡献率≥80％。本实施方式中主成分建模变量的结果可见表2所示，由于第一主成分建模变量和第二主成分建模变量的累计贡献率已超过80％，因此，可以将第一和第二主成分建模变量应用于灰色模型，其中，第一主成分建模变量和第二主成分建模变量分别定义为和

步骤4、利用满足建模条件的特征变量和主成分建模变量建立灰色模型，再利用神经网络进行修正；

具体流程如图6所示：

步骤4-1、判断特征变量和主成分建模变量能否满足建模条件，其中，特征变量为步骤3-4-1中标准化后的数据，主成分建模变量为步骤3-4-4中若特征变量和主成分建模变量分别为正数且呈递增趋势，则满足，否则不满足，如果不满足，采用①对数处理；②方根处理；③平移处理；④一阶累加生成数据中的任一或任意几个方法对特征变量和主成分变量进行数据变换，直到满足建模条件。设为满足建模条件的时间序列，i＝1时表示满足建模条件的特征变量，i＝2时表示满足建模条件的第一主成分建模变量，i＝3时表示满足建模条件的第二主成分建模变量。

步骤4-2、建立灰色模型gm(1，n)，模型输入为步骤4-1中满足建模条件的主成分建模变量和模型输出为特征变量其中i＝1，2，…，n；再利用神经网络修正灰色模型gm(1，n)。

具体流程如图7所示：

步骤4-2-1、建立灰色模型gm(1，n)的白化式微分方程：

步骤4-2-2、将步骤4-2-1中灰色模型gm(1，n)的白化式微分方程进行差分法离散，可得到线性方程组其中待求参数列α＝(a，b1，b2，…bn-1)^t；

步骤4-2-3、求取灰色模型gm(1，n)中参数；

根据最小二乘法，有

步骤4-2-4、得到灰色模型gm(1，n)的近似时间响应式；

其中，为特征变量的模拟值。

步骤4-2-5、计算特征变量在n+1时刻的预测值

在线采集火电厂n+1时刻多个因素变量xi(n+1)；根据步骤3-4-1和步骤3-4-2，进行相同的线性组合，得到第一主成分预测变量和第二主成分预测变量根据步骤4-1，得到主成分预测变量和根据步骤4-2-2至步骤4-2-4，计算特征变量在n+1时刻的预测值

步骤4-2-6、得到灰色模型gm(1，n)的建模结果和预测结果；

将步骤4-2-4特征变量的模拟值和步骤4-2-5特征变量的预测值分别通过与步骤4-1和步骤3-4-1对应的数据逆变换，得到特征变量的模拟值和特征变量的预测值即为灰色模型gm(1，n)的建模结果和预测结果；

步骤4-2-7、计算灰色模型gm(1，n)特征变量误差数据的建模值；

灰色gm(1，n)模型特征变量误差数据的建模值

步骤4-2-8、建立神经网络，神经网络的输入为步骤4-1中的和输出为灰色模型gm(1，n)的特征变量误差数据的建模值或预测值；

步骤4-2-8-1、选择bp神经网络，对训练样本进行归一化，使输入神经网络的数据位于[0，1]区间；

步骤4-2-8-2、确定输入，输出和隐含层等信息，给出学习率，收敛率和均方误差等参数；

步骤4-2-8-3、对神经网络进行训练和测试，其中训练样本的输入为主成分建模变量和期望输出为灰色模型gm(1，n)特征变量误差数据的建模值测试样本的输入为主成分预测变量和输出为灰色模型gm(1，n)特征变量误差数据的预测值

步骤4-2-8-4、根据神经网络得到特征变量误差数据的模拟值和预测值；

神经网络直接得到特征变量误差数据的模拟值特征变量误差数据的预测值

步骤4-2-9、对步骤4-2-8-4得到的特征变量误差数据的模拟值和预测值进行与步骤4-2-8-1一致的反归一化处理；

反归一化处理后特征变量误差数据的模拟值特征变量误差数据的预测值

步骤5、将步骤4-2-5中灰色模型数据结果进行修正，得到发电量预测结果即n+1时刻的发电量。

修正方式如下：