基于深度學(xué)習(xí)及混沌優(yōu)化的燃機電站機組 熱電負(fù)荷優(yōu)化分配

劉 鋼，金軼群，曹 旭，賴 菲，柴勝凱，吳 濤， 何 新，王智微，褚貴宏

（1.國家電投四會熱電有限公司，廣東 肇慶 519000；2.西安熱工研究院有限公司，陜西 西安 710054）

燃?xì)鈾C組（燃機）電站熱電負(fù)荷優(yōu)化分配指在全廠總的調(diào)度電負(fù)荷和用戶需求的熱負(fù)荷條件下，根據(jù)各臺機組的運行能耗確定各機組應(yīng)承擔(dān)的最優(yōu)電負(fù)荷及熱負(fù)荷，從而使整個燃機電站的耗氣量最小。即已知全廠實時總發(fā)電負(fù)荷、全廠實時總供熱負(fù)荷、環(huán)境溫度、壓力、濕度等參數(shù)，利用機組能耗特性方程，在全廠實時總發(fā)電負(fù)荷、全廠實時總供熱負(fù)荷保持不變的情況下，實時計算各機組最優(yōu)發(fā)電負(fù)荷及最優(yōu)供熱負(fù)荷。

熱電負(fù)荷優(yōu)化分配可以給燃機電站帶來直接的經(jīng)濟效益[1-2]，所以對此類問題的研究較多。常用的方法有二次規(guī)劃法[3]、拉格朗日松弛法[4]、動態(tài)規(guī)劃法[5]和啟發(fā)式搜索方法[6-7]等。二次規(guī)劃法對機組能耗特性曲線有嚴(yán)格的要求。拉格朗日松弛法借助拉格朗日乘子建立增廣目標(biāo)函數(shù)，按照等耗量微增率及Kuhn-Tucker條件確定各機組的有功功率及供熱負(fù)荷，但這種方法要求機組的耗量特性曲線單調(diào)增加。動態(tài)規(guī)劃法容易導(dǎo)致“維數(shù)災(zāi)難”。啟發(fā)式搜索方法雖然求解快速簡便，但往往得到的次優(yōu)解和最優(yōu)解相對偏差較大。目前對熱電負(fù)荷優(yōu)化分配研究比較常見的有遺傳算法[8-10]和粒子群算法[11]等人工智能方法。遺傳算法和粒子群算法求解較費時，而且依賴具體求解中各類參數(shù)的選取。

本文采用對時間序列問題的預(yù)測有一定優(yōu)勢的深度學(xué)習(xí)方法中長短時記憶（LSTM）神經(jīng)網(wǎng)絡(luò)[12]及混沌優(yōu)化[13]相結(jié)合的方法對燃機電站熱電負(fù)荷優(yōu)化分配進(jìn)行求解。通過LSTM神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練學(xué)習(xí)得到機組能耗和電負(fù)荷、熱負(fù)荷、環(huán)境參數(shù)之間相對準(zhǔn)確的非解析函數(shù)關(guān)系，采用混沌優(yōu)化算法對訓(xùn)練得到的模型進(jìn)行負(fù)荷優(yōu)化分配。

1 燃機電站熱電負(fù)荷分配數(shù)學(xué)模型

假設(shè)需要經(jīng)濟分配的機組共有I臺，則燃機電站負(fù)荷優(yōu)化分配問題的數(shù)學(xué)模型可以描述如下。

目標(biāo)函數(shù)：

機組發(fā)電功率與供熱功率耦合約束：

式中：J為全廠氣耗量；Pi為第i臺機組的發(fā)電功率，i=1, 2,…,I；qi為第i臺機組供熱功率；Ci(Pi,qi,t,s,h)為第i臺機組的耗氣量函數(shù)，其中t、s、h分別為這一時刻環(huán)境溫度、壓力及濕度；Pd為總的發(fā)電功率；Qd為總的供熱需求量；η為第i臺燃機機組循環(huán)效率；Gi,e為第i臺機組的額定耗氣量；Qdw為燃?xì)獾臀话l(fā)熱量；由于機組功率爬升約束的存在，設(shè)為發(fā)電功率下限，為發(fā)電功率上限，為供熱功率下限，為供熱功率上限。

需要說明的是，由于要解決的是燃機電站實時負(fù)荷經(jīng)濟分配問題，所以在具體的求解過程中，有：

式中：pi,0為第i臺機組上一優(yōu)化周期的實時發(fā)電功率；pi,min為第i臺機組的最小發(fā)電功率；pi,max為第i臺機組的最大發(fā)電功率；Δpi為第i臺機組的爬升約束。

本文提出的燃機電站負(fù)荷優(yōu)化具體流程如圖1所示。

圖1 燃機電站負(fù)荷優(yōu)化具體流程Fig.1 Specific process of load optimization for gas turbine power plant

2 機組運行能耗特性LSTM模型

燃機電站機組的能耗除與電負(fù)荷及熱負(fù)荷有關(guān)以外，還與環(huán)境的溫度、壓力及濕度有關(guān)。即燃機電站第i臺機組的能耗Ci為：

傳統(tǒng)的處理方法認(rèn)為Ci接近于Pi及qi二次交叉函數(shù)，擬合為式(10)，具體應(yīng)用時再結(jié)合環(huán)境的溫度、壓力及濕度對Ci進(jìn)行修正。

但這樣的處理結(jié)果使得擬合函數(shù)值和實際得到的數(shù)值偏差較大，而且這種偏差沒有明顯的規(guī)律性，以至于很難找到一種較好的方式來對其進(jìn)行修正?；诖?，采用深度學(xué)習(xí)中的LSTM神經(jīng)網(wǎng)絡(luò)對機組的能耗和電負(fù)荷、熱負(fù)荷及環(huán)境參數(shù)之間的關(guān)系進(jìn)行訓(xùn)練建模。

LSTM神經(jīng)網(wǎng)絡(luò)是對循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的改進(jìn)。相比于淺層的神經(jīng)網(wǎng)絡(luò)或其他機器學(xué)習(xí)算法，RNN在處理時間序列問題時性能更優(yōu)良，但RNN在訓(xùn)練過程中常出現(xiàn)梯度爆炸或梯度消失問題，即長期依賴問題。為此，Reiter和Schmidhuber在RNN的基礎(chǔ)上提出了LSTM神經(jīng)網(wǎng)絡(luò)，研究與應(yīng)用表明，LSTM在具有大樣本求解預(yù)測問題時比其他深度學(xué)習(xí)算法更有效。

LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，1套機組部分訓(xùn)練參數(shù)見表1，2套機組部分訓(xùn)練參數(shù)見表2。以1套機組為例，共選取7009條數(shù)據(jù)，其中訓(xùn)練集數(shù)據(jù)5999條，測試數(shù)據(jù)集1010條。LSTM神經(jīng)網(wǎng)絡(luò)建模時，編譯環(huán)境為Anaconda組件Spyder，語言采用Python 3.6，LSTM函數(shù)引用TensorFlow深度學(xué)習(xí)算法平臺。圖3為LSTM神經(jīng)網(wǎng)絡(luò)算法測試效果。由圖3和1010個測試數(shù)據(jù)的均方差1.495及平均絕對誤差0.996可見：采用LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的進(jìn)行機組能耗曲線準(zhǔn)確率較高。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 Schematic diagram of the LSTM neural network structure

圖3 LSTM神經(jīng)網(wǎng)絡(luò)算法測試效果Fig.3 The test result of LSTM algorithm

表1 1套機組神經(jīng)網(wǎng)絡(luò)輸入輸出參數(shù)Tab.1 The input and output parameters of the neural network of set 1 unit

表2 2套機組神經(jīng)網(wǎng)絡(luò)輸入輸出參數(shù)Tab.2 The input and output parameters of the neural network of set 2 unit

表3為機組在不同電負(fù)荷和熱負(fù)荷功率時，二元二次函數(shù)和本文LSTM神經(jīng)網(wǎng)絡(luò)2種方法氣耗量計算結(jié)果準(zhǔn)確性對比。

由表3可見，與傳統(tǒng)的二元二次函數(shù)及修正后的實際氣耗量相比，LSTM神經(jīng)網(wǎng)絡(luò)方法在氣耗量計算的準(zhǔn)確性上具有明顯優(yōu)勢。

表3 2種方法氣耗量計算結(jié)果對比Tab.3 The gas consumptions calculated by two methods

3 混沌優(yōu)化算法求解負(fù)荷優(yōu)化分配

混沌優(yōu)化算法是利用混沌變量的隨機性、遍歷性及規(guī)律性對負(fù)荷分配所求解的變量在全區(qū)間內(nèi)進(jìn)行優(yōu)化搜索，該算法本身雖難得到問題的最優(yōu)解，但也不會陷入局部最優(yōu)解。其基本原理為考慮Logistic映射：

式中：i=1, …, 4；n=0, 1, 2, …；∈(0,1)；μ為控制參量，當(dāng)μ=4時，Logistic映射為[0, 1]區(qū)間上的滿映射，且系統(tǒng)處于完全的混沌狀態(tài)，稱式(11)產(chǎn)生的序列為混沌變量。

將1套機組電負(fù)荷變量p1代入x1，熱負(fù)荷變量q1代入x2，將2套機組電負(fù)荷變量p2代入x3，熱負(fù)荷變量q2代入x4。結(jié)合本文中燃機熱電機組有2套機組的特點，可以令p2=Pd-p1，q2=Qd-q1，減少混沌變量個數(shù)，增加算法求解速度。

混沌優(yōu)化算法求解負(fù)荷優(yōu)化分配具體步驟為：1）選取初始變量設(shè)置循環(huán)迭代次數(shù)N。

4 實際算例

某燃機電站為2臺400 MW級（F級改進(jìn)型）燃?xì)庹羝?lián)合循環(huán)熱電聯(lián)產(chǎn)一拖一機組，AE94.3A型燃?xì)廨啓C，余熱鍋爐按照三壓、再熱、自然循環(huán)、無補燃、臥式余熱鍋爐設(shè)計。燃機電站2套機組實際參數(shù)見表4。

表4 燃機電站2套機組實際參數(shù) 單位：MWTab.4 Actual parameters of the gas turbine units

以燃機電站1天24個時段的真實數(shù)據(jù)做負(fù)荷優(yōu)化分配結(jié)果對比，部分負(fù)荷優(yōu)化結(jié)果見表5。從表5可以看出，本文方法得到的燃機電站最優(yōu)熱電負(fù)荷分配結(jié)果具有更優(yōu)的運行經(jīng)濟性。

表5 部分負(fù)荷優(yōu)化結(jié)果Tab.5 Part of the load optimization results

5 結(jié) 語

本文提出一種新的燃機電站機組能耗計算方法，并結(jié)合混沌優(yōu)化算法對燃機電站熱電負(fù)荷優(yōu)化分配進(jìn)行求解。實際算例表明了方法的有效性。

在后續(xù)的研究里，燃機電站機組的電負(fù)荷和熱負(fù)荷的耦合關(guān)系還需要更準(zhǔn)確地描述。同時，燃?xì)庹羝?lián)合循環(huán)機組發(fā)電及供熱耦合工況條件下的能耗特性還與汽輪機排汽壓力、燃料特性，甚至燃機水洗后的運行時長均有較強的關(guān)聯(lián)性，也需要在以后算法模型中加以考慮。