基于神經(jīng)網(wǎng)絡(luò)的熱電聯(lián)產(chǎn)機(jī)組熱負(fù)荷和電負(fù)荷預(yù)測(cè)

駱小滿，皇甫成，阮江軍，周靈杰

基于神經(jīng)網(wǎng)絡(luò)的熱電聯(lián)產(chǎn)機(jī)組熱負(fù)荷和電負(fù)荷預(yù)測(cè)

駱小滿1，皇甫成2，阮江軍1，周靈杰1

（1.武漢大學(xué)電氣與自動(dòng)化學(xué)院，湖北 武漢 430072；2.國網(wǎng)冀北電力有限公司，北京 100053）

針對(duì)熱電聯(lián)產(chǎn)機(jī)組每年發(fā)電計(jì)劃制定及調(diào)整期間，地方電廠以滿足供熱為由頻繁要求調(diào)整計(jì)劃的現(xiàn)象，本文提出一種以熱定電的電負(fù)荷預(yù)測(cè)方法。該方法基于地方熱負(fù)荷，對(duì)要求調(diào)整發(fā)電計(jì)劃的電廠進(jìn)行熱負(fù)荷假設(shè)檢驗(yàn)提取，并用Elman神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)熱負(fù)荷，最后采用灰色神經(jīng)網(wǎng)絡(luò)方法來確定電廠發(fā)電量。該方法對(duì)于確定熱電聯(lián)產(chǎn)機(jī)組發(fā)電計(jì)劃、控制購電成本具有重要的意義。

熱電聯(lián)產(chǎn)；以熱定電；熱負(fù)荷；電負(fù)荷；Elman神經(jīng)網(wǎng)絡(luò)；灰色神經(jīng)網(wǎng)絡(luò)；假設(shè)檢驗(yàn)

熱電聯(lián)產(chǎn)具有節(jié)約能源、改善環(huán)境、提高供電質(zhì)量、增加電力供應(yīng)等綜合效益。目前，冀北地區(qū)共有8家地方電廠均屬于熱電聯(lián)產(chǎn)機(jī)組，裝機(jī)容量60萬kW，主要供熱對(duì)象為工業(yè)和生活用熱。每年發(fā)電計(jì)劃制定及調(diào)整期間，這些電廠頻繁以滿足供熱為由要求調(diào)整發(fā)電計(jì)劃。有些熱電廠假借熱電聯(lián)產(chǎn)的名義，讓雙抽汽凝汽式機(jī)組以凝汽工況運(yùn)行發(fā)電，導(dǎo)致能源效率低下的同時(shí)加大了電網(wǎng)調(diào)峰壓力。因此，研究冀北地區(qū)熱電聯(lián)產(chǎn)機(jī)組熱電負(fù)荷關(guān)系，分析地方電廠供熱負(fù)荷，對(duì)于確定電廠提出的供熱需求和發(fā)電計(jì)劃、節(jié)約能源、控制購電成本有著至關(guān)重要的意義。

目前，國內(nèi)外均進(jìn)行了對(duì)于熱電聯(lián)產(chǎn)機(jī)組的電負(fù)荷預(yù)測(cè)方面的研究。倪景峰[1]通過對(duì)京津唐地區(qū)熱電聯(lián)產(chǎn)機(jī)組建立相關(guān)數(shù)學(xué)模型，編寫了一款提供機(jī)組各工況參數(shù)以及以熱定電負(fù)荷曲線的軟件。朱譽(yù)等[2]通過數(shù)據(jù)采集分析單元從電廠DCS采集機(jī)組運(yùn)行數(shù)據(jù)，利用聚類分析法和連續(xù)函數(shù)最優(yōu)平方逼近法，建立了以熱定電原則下大型熱電聯(lián)產(chǎn)機(jī)組運(yùn)行區(qū)間的計(jì)算系統(tǒng)。遲世國等[3]通過建立和省調(diào)計(jì)劃系統(tǒng)同步的熱電負(fù)荷數(shù)據(jù)接收、監(jiān)控通道，對(duì)熱電聯(lián)產(chǎn)機(jī)組進(jìn)行實(shí)時(shí)的以熱定電分析，以控制熱電聯(lián)產(chǎn)機(jī)組的發(fā)電量。徐博[4]通過對(duì)各種熱電聯(lián)產(chǎn)機(jī)組進(jìn)行建模、運(yùn)行數(shù)據(jù)分析和調(diào)峰能力計(jì)算，對(duì)于改善熱電調(diào)峰技術(shù)提供重要的思路。

上述發(fā)電量計(jì)算方法都是已知熱負(fù)荷之后的計(jì)算思路，而熱負(fù)荷的確定才是解決熱電聯(lián)產(chǎn)機(jī)組發(fā)電計(jì)劃調(diào)整的源頭。然而，由于各種熱負(fù)荷形式、種類、性質(zhì)的多樣性，簡單地比較不同種類熱負(fù)荷毫無意義。本文提出一種通過篩選出同種類型熱負(fù)荷并進(jìn)行比較，然后依據(jù)概率論中假設(shè)檢驗(yàn)的思想，在設(shè)定置信度后篩選出不符合條件的熱負(fù)荷，最后依此來預(yù)測(cè)熱電聯(lián)產(chǎn)機(jī)組發(fā)電量的方法。

1 熱負(fù)荷預(yù)測(cè)模型

1.1 熱負(fù)荷假設(shè)檢驗(yàn)提取

依據(jù)熱負(fù)荷來預(yù)測(cè)發(fā)電量，首先需要判斷電廠提供的熱負(fù)荷數(shù)據(jù)是否正確，再依據(jù)熱負(fù)荷來推演電負(fù)荷。本文通過概率論假設(shè)檢驗(yàn)的思想來衡量電廠熱負(fù)荷數(shù)據(jù)。

通過電廠提供的各用戶熱負(fù)荷需求報(bào)告，編寫軟件篩選，將類似的熱負(fù)荷歸為一類比較，并假設(shè)在其他條件相同的情況下，用極大似然估計(jì)的思想確定均值和方差，再通過設(shè)定置信度計(jì)算得到置信區(qū)間，篩選出不符合條件的熱負(fù)荷。以典型居民區(qū)供熱負(fù)荷為例來闡述該解決思路。唐山萬浦熱電廠供暖居民區(qū)熱量統(tǒng)計(jì)數(shù)據(jù)見表1。

表1 某典型居民區(qū)1月供熱量統(tǒng)計(jì)

Tab.1 The residential district heating statistics in January

假設(shè)分布服從正態(tài)分布，居民區(qū)1月單位面積供熱量的概率密度函數(shù)為

根據(jù)最大似然估計(jì)，解得：

可以計(jì)算得到：

式中，為樣本均值，2為樣本方差。

確定樣本的均值和方差。依據(jù)所定義的置信區(qū)間，0.2確定相關(guān)的范圍，選擇單側(cè)置信區(qū)間（因?yàn)橛行├暇用駞^(qū)樓層比較少，相應(yīng)的居民戶數(shù)也比較少，所以單位面積供熱量也較?。Y選出置信區(qū)間外電廠提供的居民區(qū)熱負(fù)荷數(shù)據(jù)，并重新考慮這幾個(gè)居民區(qū)的熱負(fù)荷可信度，從而提高熱負(fù)荷的可靠度。該居民區(qū)樣本的均值和方差為=1.73，2=0.018 4，篩選得到超出置信區(qū)間的是E和G居民區(qū)。圖1為概率密度分布曲線。

圖1 各居民區(qū)1月份單位面積供熱量正態(tài)分布曲線

對(duì)供暖期間內(nèi)的其他月份進(jìn)行相應(yīng)分析，亦可得到相同結(jié)果。為了合理預(yù)測(cè)所需供熱量，對(duì)于超出置信區(qū)間的相關(guān)居民區(qū)，加入懲罰系數(shù)，即超出置信區(qū)間的相關(guān)居民區(qū)單位面積供熱量為

通過該方法，可以對(duì)虛報(bào)負(fù)荷、多報(bào)負(fù)荷的情況予以處理，達(dá)到懲戒的目的。

1.2 Elman神經(jīng)網(wǎng)絡(luò)法預(yù)測(cè)熱負(fù)荷

Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主要有輸入層、隱含層、承接層和輸出層這4個(gè)結(jié)構(gòu)層[5-6]。其中，輸入層、隱含層、輸出層的連接類似于前饋式網(wǎng)絡(luò)。輸入層單元起信號(hào)傳輸?shù)淖饔?；輸出層單元起線性加權(quán)的作用；隱含層單元中的傳遞函數(shù)包括線性或者非線性函數(shù)；承接層又稱為狀態(tài)層或上下文層，主要用來儲(chǔ)存隱含層單元中前一時(shí)刻的輸出值，并在最后返回給網(wǎng)絡(luò)的輸入端，可以將它看作是一個(gè)延時(shí)算子。

圖2 Elman網(wǎng)絡(luò)結(jié)構(gòu)

Elman網(wǎng)絡(luò)非線性狀態(tài)空間表達(dá)式為：

式中：輸出為維輸出節(jié)點(diǎn)向量；為維中間層結(jié)點(diǎn)單元向量；為維輸入向量；c為維反饋狀態(tài)向量；1為中間層和承接層的連接權(quán)值；2為輸入層到中間層連接權(quán)值；3為輸出層和中間層的連接權(quán)值；(*)是中間層輸出的線性組合，即輸出單元的傳遞函數(shù)；(*)常采用函數(shù)，為中間層神經(jīng)元的傳遞函數(shù)。

對(duì)于熱負(fù)荷進(jìn)行假設(shè)檢驗(yàn)提取后，需要重新確定熱負(fù)荷[7-9]。本文主要針對(duì)11、12、1、2、3月份供暖期間的熱負(fù)荷進(jìn)行預(yù)測(cè)。利用2010—2017年 8年的數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，每3年的負(fù)荷作為輸入向量，第4年的負(fù)荷作為目標(biāo)向量，從而得到5組訓(xùn)練樣本；將2018年的熱負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試樣本，驗(yàn)證網(wǎng)絡(luò)能否合理地預(yù)測(cè)出當(dāng)年的負(fù)荷數(shù)據(jù)。圖3為萬浦電廠2018年供暖期間實(shí)際熱負(fù)荷與中間神經(jīng)元分別為7、11、14、18個(gè)的網(wǎng)絡(luò)熱負(fù)荷預(yù)測(cè)誤差。由圖3可知，Elman神經(jīng)網(wǎng)絡(luò)方法熱負(fù)荷預(yù)測(cè)誤差較小，平均誤差在4.2%，當(dāng)中間神經(jīng)元為14個(gè)時(shí)，網(wǎng)絡(luò)的預(yù)測(cè)誤差最小，預(yù)測(cè)性能最好。調(diào)度部門審核批準(zhǔn)熱負(fù)荷的申請(qǐng)時(shí)，首先通過假設(shè)檢驗(yàn)方法篩選出電廠申請(qǐng)數(shù)據(jù)中虛報(bào)、多報(bào)的熱負(fù)荷，再通過Elman神經(jīng)網(wǎng)絡(luò)方法進(jìn)行熱負(fù)荷預(yù)測(cè)。

圖3 Elman神經(jīng)網(wǎng)絡(luò)熱負(fù)荷預(yù)測(cè)誤差

2 熱電聯(lián)產(chǎn)機(jī)組電負(fù)荷預(yù)測(cè)

2.1 灰色神經(jīng)網(wǎng)絡(luò)方法

本文采用灰色神經(jīng)網(wǎng)絡(luò)方法對(duì)熱電聯(lián)產(chǎn)機(jī)組電負(fù)荷進(jìn)行預(yù)測(cè)[10-12]?；疑珕栴}是指對(duì)灰色的不確定系統(tǒng)行為特征值的發(fā)展變化進(jìn)行預(yù)測(cè)的問題，該不確定系統(tǒng)特征值的原始數(shù)列(0)(),=0, 1, 2, …,–1經(jīng)過一次累加后得到的數(shù)列(0)()呈現(xiàn)指數(shù)增長規(guī)律。(1)為(1)的緊鄰均值生成序列：

為此，灰微分方程為

式中，為發(fā)展系數(shù)，為灰色作用量。

若=[,]T為參考序列，且有

(0)的模擬值為

最后，對(duì)模型的預(yù)測(cè)值進(jìn)行檢驗(yàn)，設(shè)殘差()為

2.2 發(fā)電量預(yù)測(cè)模型

萬浦電廠1號(hào)、2號(hào)機(jī)組采用雙抽汽凝汽式汽輪機(jī)，型號(hào)為CC58-8.83/1.27/0.294。雙抽汽凝式汽輪機(jī)由高壓、中壓、低壓3部分組成[13-16]。機(jī)組電功率的計(jì)算式為：

建立關(guān)于灰色神經(jīng)網(wǎng)絡(luò)方法的電負(fù)荷預(yù)測(cè)模型。

1）模型的輸入、輸出參數(shù)的選擇 本文采用MATLAB 2015a軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。由于機(jī)組在每月中運(yùn)行狀態(tài)基本穩(wěn)定，所以高、中、低壓3部分的理想焓降和效率在當(dāng)月保持不變。因此，將雙抽汽凝汽式機(jī)組每月的供熱負(fù)荷、總進(jìn)汽量、工業(yè)抽汽量，采暖抽汽量、高中低壓3部分的理想焓降和效率總共10個(gè)指標(biāo)作為輸入層。為了比較供熱負(fù)荷這個(gè)因素對(duì)于機(jī)組發(fā)電量預(yù)測(cè)的影響，加1組不含供熱負(fù)荷即僅9個(gè)指標(biāo)的輸入層作為對(duì)照組。輸出層為機(jī)組每月的發(fā)電負(fù)荷。

2）模型結(jié)構(gòu)設(shè)計(jì) 本文灰色神經(jīng)網(wǎng)絡(luò)模型采用3層網(wǎng)絡(luò)模型，輸入的參數(shù)為2010—2018年與機(jī)組發(fā)電負(fù)荷相關(guān)的10個(gè)因子（對(duì)照組為9個(gè)因子）。為選擇隱含層節(jié)點(diǎn)數(shù)，采用不同隱含節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，由各層網(wǎng)絡(luò)的誤差對(duì)閾值和權(quán)值修正，訓(xùn)練后發(fā)現(xiàn)16個(gè)隱含節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)擬合效果最好。所以，確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為10（輸入層）×16（隱含層）×1（輸出層）（對(duì)照組結(jié)構(gòu)為9×16×1）。整個(gè)訓(xùn)練過程中，輸入層與隱含層的傳遞函數(shù)為tansig函數(shù)，隱含層與輸出層的傳遞函數(shù)為purelin函數(shù)，訓(xùn)練函數(shù)為trainbr函數(shù)，網(wǎng)絡(luò)學(xué)習(xí)函數(shù)為learngdm函數(shù)。

3）模型網(wǎng)絡(luò)參數(shù)的設(shè)定 設(shè)置網(wǎng)絡(luò)訓(xùn)練的最大次數(shù)為10 000，每25輪計(jì)算顯示1次，訓(xùn)練誤差為5×10–10。通過MATLAB軟件進(jìn)行灰色神經(jīng)網(wǎng)絡(luò)訓(xùn)練，選取2010—2017年的相關(guān)數(shù)據(jù)作為訓(xùn)練集，2018年的數(shù)據(jù)為預(yù)測(cè)集。

2.3 發(fā)電量預(yù)測(cè)結(jié)果分析

通過灰色神經(jīng)網(wǎng)絡(luò)方法進(jìn)行計(jì)算分析，得到該雙抽汽凝汽式汽輪機(jī)發(fā)電量預(yù)測(cè)數(shù)據(jù)與真實(shí)值對(duì)比如圖4所示，模型殘差如圖5所示。

圖4 機(jī)組發(fā)電量真實(shí)值與預(yù)測(cè)值對(duì)比

圖5 模型殘差

由圖4和圖5可知：灰色神經(jīng)網(wǎng)絡(luò)計(jì)算得到的預(yù)測(cè)值和機(jī)組實(shí)際發(fā)電量誤差很小，均在3%以內(nèi)，表明建立的模型是有效的；輸入層含有熱負(fù)荷的灰色神經(jīng)網(wǎng)絡(luò)明顯比不含熱負(fù)荷的輸入層的預(yù)測(cè)結(jié)果更準(zhǔn)確；在殘差較大的年份如2015年和2017年，考慮了熱負(fù)荷因素預(yù)測(cè)精度將會(huì)提升接近50%。這也間接印證了論文在1.1和1.2節(jié)中提前進(jìn)行熱負(fù)荷預(yù)測(cè)的重要性。

3 結(jié) 論

本文將熱電聯(lián)產(chǎn)電廠每年申請(qǐng)的熱負(fù)荷用概率論中假設(shè)檢驗(yàn)的思想加以甄別，提取出可信度相對(duì)較高的熱負(fù)荷，再通過Elman神經(jīng)網(wǎng)絡(luò)方法進(jìn)行檢驗(yàn)；然后建立基于灰色神經(jīng)網(wǎng)絡(luò)的模型來預(yù)測(cè)機(jī)組的發(fā)電量。模擬計(jì)算表明，該方法能夠合理確定電廠的供熱需求和發(fā)電計(jì)劃，達(dá)到節(jié)約能源，控制購電成本的目的。

［1］ 倪景峰. 熱電聯(lián)產(chǎn)機(jī)組以熱定電運(yùn)行的研究及軟件實(shí)施[D]. 北京: 華北電力大學(xué), 2004: 12. NI Jingfeng. Research and software implementation of heat and power cogeneration unit[D]. Beijing: North China Electric Power University, 2004: 12.

［2］ 朱譽(yù)，李千軍，馮永新, 等. 熱電聯(lián)產(chǎn)機(jī)組以熱定電下可行運(yùn)行區(qū)間的計(jì)算系統(tǒng)及方法: 201310451205.7[P]. 2014-01-22. ZHU Yu, LI Qianjun, FENG Yongxin. The calculation system and method of feasible operating range of cogeneration unit under fixed temperature and electricity: 201310451205.7[P]. 2014-01-22.

［3］ 遲世國, 李曉, 孔凡平, 等. 熱電機(jī)組熱電聯(lián)產(chǎn)發(fā)電量的控制方法: 201610468079.X[P]. 2017-02-01. CHI Shiguo, LI Xiao, KONG Fanping, et al. The control method of cogeneration of thermal power unit: 201610468079.X[P]. 2017-02-01.

［4］ 徐博. 大型熱電聯(lián)產(chǎn)機(jī)組調(diào)峰能力計(jì)算軟件的設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京: 北京交通大學(xué), 2013: 34. XU Bo. Design and implementation of large-scale cogeneration unit’s peaking capacity processing soft- ware[D]. Beijing: Beijing: Jiaotong University, 2013: 34.

［5］ 文樂, 王偉鋒, 薛志恒, 等. 基于Elman神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)組熱力性能在線計(jì)算[J]. 熱力發(fā)電, 2015, 44(11): 62-67. WEN Le, WANG Weifeng, XUE Zhiheng, et al. Online calculation of steam turbine thermal performance based on Elman neural network[J]. Thermal Power Generation, 2015, 44(11): 62-67.

［6］ 張利平, 陳浩天, 王偉鋒, 等. 應(yīng)用PSO算法改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的雙壓凝汽器真空預(yù)測(cè)[J]. 熱力發(fā)電, 2015, 44(3): 53-57. ZHANG Liping, CHEN Haotian, WANG Weifeng, et al. Application of PSO algorithm-modified Elman neural network in vacuum prediction for dual-pressure condensers[J]. Thermal Power Generation, 2015, 44(3): 53-57.

［7］ 龐明月. 集中供熱系統(tǒng)的熱負(fù)荷預(yù)測(cè)與規(guī)劃[D]. 大連: 大連海事大學(xué), 2018: 42. PANG Mingyue. Thermal load forecasting and planning of central heating system[D]. Dalian: Dalian Maritime University, 2018: 42.

［8］ 成渫畏. 基于雙轉(zhuǎn)子雙背壓供熱改造技術(shù)的熱電聯(lián)產(chǎn)汽輪機(jī)組供熱期調(diào)峰靈活性研究[D]. 濟(jì)南: 山東大學(xué), 2017: 51. CHENG Xiewei. Peak-adjusting flexibility research of combined steam turbine based on double back pressure heating reconstruction technology during heating period[D]. Ji’nan: Shangdong University, 2017: 51.

［9］ 馮亦武, 孫士恩. 互聯(lián)網(wǎng)+熱電聯(lián)產(chǎn)機(jī)組智慧供熱技術(shù)研究及應(yīng)用[C]//2017年電站熱工自動(dòng)化技術(shù)交流會(huì)論文集. 北京: 華電電力科學(xué)研究院, 2017: 284-286.

FENG Yiwu, SUN Shien. Research and application of intelligent heating technology for the Internet+ cogeneration unit[C]//Proceedings of the 2017 Power Station Thermal Automation Technology Exchange Conference. Beijing: Huadian Institute of Electric Power Science, 2017: 284-286.

［10］ 王建國, 汪勇華. 基于灰色神經(jīng)網(wǎng)絡(luò)的凝汽器水側(cè)清潔系數(shù)預(yù)測(cè)[J]. 熱力發(fā)電, 2013, 42(9): 95-99. WANG Jianguo, WANG Yonghua. Gray neural network based prediction of water side clean coefficient of the condenser tubes[J]. Thermal Power Generation, 2013, 42(9): 95-99.

［11］ 呂凱, 王紅宇, 周佳, 等. 熱電聯(lián)產(chǎn)機(jī)組電熱煤特性研究[J]. 熱力發(fā)電, 2018, 47(5): 42-48. LYU Kai, WANG Hongyu, ZHOU Jia, et al. Study on characteristics of power-heat-coal of cogeneration units[J]. Thermal Power Generation, 2018, 47(5): 42-48.

［12］ 王瑋, 孫陽, 劉吉臻, 等. 適應(yīng)電網(wǎng)快速調(diào)頻的熱電聯(lián)產(chǎn)機(jī)組新型變負(fù)荷控制策略[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(21): 63-69. WANG Wei, SUN Yang, LIU Jizhen, et al. Load-change control strategy for combined heat and power units adapted to rapid frequency regulation of power grid[J]. Automation of Electric Power Systems, 2018, 42(21): 63-69.

［13］ 許可, 李蔚, 李明超, 等. 燃?xì)?蒸汽聯(lián)合循環(huán)熱電聯(lián)產(chǎn)機(jī)組供熱特性分析[J]. 熱力發(fā)電, 2019, 48(5): 1-7. XU Ke, LI Wei, LI Mingchao, et al. Analysis on heat supply performance of gas-steam combined cycle cogeneration units[J]. Thermal Power Generation, 2019, 48(5):1-7.

［14］ 何青, 羅寧. 燃?xì)庹羝?lián)合循環(huán)熱電聯(lián)產(chǎn)機(jī)組熱經(jīng)濟(jì)性分析[J]. 熱力發(fā)電, 2018, 47(5): 49-56. HE Qing, LUO Ning. Thermal-economic analysis of combined heat and power generation unit of gas-steam combined cycle[J]. Thermal Power Generation, 2018, 47(5): 49-56.

［15］ 楊承, 黃志峰, 馬曉茜. 聯(lián)合循環(huán)熱電聯(lián)產(chǎn)機(jī)組變工況性能分析[J]. 中國電機(jī)工程學(xué)報(bào), 2017, 37(12): 3514-3524. YANG Cheng, HUANG Zhifeng, MA Xiaoqian. Study on off-design characteristics of combined heat and power based on combined cycle gas turbine units[J]. Proceedings of the CSEE, 2017, 37(12): 3514-3524.

［16］ 宋曉瑋, 張國強(qiáng), 李永毅, 等. 燃?xì)廨啓C(jī)聯(lián)合循環(huán)熱電聯(lián)產(chǎn)供熱供電量優(yōu)化分配研究[J]. 熱力發(fā)電, 2019, 48(3): 47-54. SONG Xiaowei, ZHANG Guoqiang, LI Yongyi, et al. Research on optimal distribution of heating and power supply in gas turbine combined cycle cogeneration[J]. Thermal Power Generation, 2019, 48(3): 47-54.

Prediction of heat and electric load of cogeneration unit based on neural network

LUO Xiaoman1, HUANG Fucheng2, RUAN Jiangjun1, ZHOU Lingjie1

(1. School of Electrical Engineering and Automation, Wuhan University, Wuhan 430072, China; 2. State Grid Jibei Electric Power Company Limited, Beijing 100053, China)

During the formulation and adjustment of the annual power generation plan of cogeneration units, the local power plants frequently require adjusting the plan to meet the heating requirements. To solve this problem, this paper proposes a method for predicting the electric load. On the basis of the local thermal load, this method uses hypothesis test method to extract the thermal load of the power plant that needs to regulate the power generation plan, and forecast the thermal load by the improved Elman neural network method, then determines the generating capacity of the power plant via the grey neural network method. This method is of vital significance to reasonably determine the power generation plan and control the purchase cost according to the heating demand put forward by the power plant.

cogeneration, fixing power based on heat, thermal load, electric load, Elman neural network, grey neural network, hypothesis testing

TM611.1; TP183

A

10.19666/j.rlfd.201904049

2019-04-07

駱小滿(1996—)，男，碩士研究生，主要研究方向?yàn)殡姽る娔苄录夹g(shù)及新能源發(fā)電技術(shù)，719481750@qq.com。

駱小滿, 皇甫成, 阮江軍, 等. 基于神經(jīng)網(wǎng)絡(luò)的熱電聯(lián)產(chǎn)機(jī)組熱負(fù)荷和電負(fù)荷預(yù)測(cè)[J]. 熱力發(fā)電, 2019, 48(9): 46-50. LUO Xiaoman, HUANG Fucheng, RUAN Jiangjun, et al. Prediction of heat and electric load of cogeneration unit based on neural network[J]. Thermal Power Generation, 2019, 48(9): 46-50.

（責(zé)任編輯 楊嘉蕾）