基于機(jī)器學(xué)習(xí)的循環(huán)流化床機(jī)組出力預(yù)測(cè)

韓 義，張奇月，段倫博，王研凱，于英利，付旭晨，榮 俊，孫世超

(1.內(nèi)蒙古電力(集團(tuán))有限責(zé)任公司 內(nèi)蒙古電力科學(xué)研究院分公司，內(nèi)蒙古 呼和浩特 010020；2.東南大學(xué) 能源熱轉(zhuǎn)換及其過(guò)程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096)

0 引 言

隨著我國(guó)能源革命的推進(jìn)，清潔能源在電力結(jié)構(gòu)中的比重日益增加[1]，清潔能源發(fā)電裝機(jī)占比預(yù)計(jì)由2020年的44%提高到2025年的57.5%，2035年將達(dá)到75%。風(fēng)電和光伏等清潔能源的隨機(jī)波動(dòng)與間歇特性，為電網(wǎng)穩(wěn)定安全運(yùn)行帶來(lái)巨大挑戰(zhàn)。為此，電力十四五規(guī)劃明確煤電功能定位為新能源消納的重要調(diào)節(jié)手段?；痣姀S通過(guò)投產(chǎn)時(shí)最小及額定出力試驗(yàn)來(lái)確定機(jī)組邊界出力特性并上報(bào)電網(wǎng)調(diào)度參與電力系統(tǒng)調(diào)峰，然而由于劣質(zhì)煤摻燒、輔機(jī)受限及設(shè)備老化等原因，煤電機(jī)組邊界出力范圍呈動(dòng)態(tài)變化，運(yùn)行中存在出力受阻，無(wú)法達(dá)到設(shè)計(jì)額定工況[2]。電網(wǎng)調(diào)度無(wú)法準(zhǔn)確掌握機(jī)組調(diào)峰出力范圍，嚴(yán)重影響電力系統(tǒng)安全穩(wěn)定與新能源消納工作[3]。

數(shù)字革命與能源革命融合是大勢(shì)所趨，以現(xiàn)代網(wǎng)絡(luò)為載體的“云大物移智鏈”等信息技術(shù)成為火電機(jī)組發(fā)展重要方向，“數(shù)字孿生”作為關(guān)鍵技術(shù)，核心和難點(diǎn)在于如何在信息空間構(gòu)建與物理實(shí)體映射的高精度數(shù)字模型，從而進(jìn)行系統(tǒng)分析與預(yù)測(cè)[4]。

基于此，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究。付忠廣等[5]采用支持向量機(jī)算法建立機(jī)組能耗敏感性分析模型，指導(dǎo)機(jī)組節(jié)能優(yōu)化。徐游波[6]利用熱力計(jì)算方法對(duì)機(jī)組動(dòng)態(tài)調(diào)峰能力進(jìn)行深入分析。于浩洋等[7]通過(guò)分析機(jī)組深度調(diào)峰運(yùn)行數(shù)據(jù)，建立性能分析評(píng)價(jià)流程，計(jì)算深度調(diào)峰經(jīng)濟(jì)性。林正根等[8]建立了PCA-LMBP神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行煙氣脫硝催化劑性能檢測(cè)、質(zhì)量監(jiān)控預(yù)測(cè)。孫栓柱等[9]采用現(xiàn)場(chǎng)試驗(yàn)法和理論計(jì)算法建立燃煤機(jī)組出力監(jiān)測(cè)模型，提高機(jī)組調(diào)峰性能。

綜上，采用人工智能算法的數(shù)據(jù)建模預(yù)測(cè)研究較多，火電出力特性研究大多側(cè)重基于運(yùn)行機(jī)理開(kāi)展性能與預(yù)測(cè)分析，但單純的機(jī)理仿真或數(shù)據(jù)仿真很難實(shí)現(xiàn)高精度的建模預(yù)測(cè)。

筆者提出一種將機(jī)理仿真與數(shù)據(jù)驅(qū)動(dòng)深度融合的煤電出力特性映射模型構(gòu)建方法，綜合機(jī)理映射的理論準(zhǔn)確性與數(shù)據(jù)仿真的廣泛深入性，實(shí)現(xiàn)多因素耦合條件下的機(jī)組動(dòng)態(tài)邊界出力預(yù)測(cè)及出力受阻因素分析，對(duì)于拓展煤電調(diào)峰裕度、提高電力系統(tǒng)安全穩(wěn)定和新能源消納水平具有重要作用。

1 動(dòng)態(tài)邊界出力預(yù)測(cè)建模方法

1.1 技術(shù)路線

為有效解決機(jī)組摻燒效益與調(diào)峰需求間的矛盾，提升新能源消納水平，促進(jìn)電力系統(tǒng)安全穩(wěn)定運(yùn)行，將機(jī)理仿真與數(shù)據(jù)驅(qū)動(dòng)深度融合開(kāi)展火電機(jī)組動(dòng)態(tài)出力預(yù)測(cè)。首先，基于鍋爐物理結(jié)構(gòu)與系統(tǒng)工作原理建立機(jī)理仿真模型，利用設(shè)計(jì)及運(yùn)行的工況數(shù)據(jù)進(jìn)行模型辨識(shí)修正，確保機(jī)理模型的仿真精度。其次，利用機(jī)理模型進(jìn)行變工況迭代計(jì)算，通過(guò)監(jiān)測(cè)設(shè)備各子系統(tǒng)關(guān)鍵參數(shù)的有效性，追溯分析鍋爐最大工況預(yù)測(cè)與受阻因素。最后，利用模型全工況迭代獲取的工況數(shù)據(jù)及實(shí)際運(yùn)行工況數(shù)據(jù)構(gòu)造樣本空間，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建機(jī)組出力預(yù)測(cè)模型，將鍋爐迭代預(yù)測(cè)工況數(shù)據(jù)作為輸入進(jìn)行機(jī)組出力預(yù)測(cè)。

1.2 機(jī)理模型構(gòu)建

1.2.1機(jī)理模型建立

純凝機(jī)組出力主要受鍋爐出力影響，建立機(jī)組鍋爐模型意義重大。鍋爐是集燃燒、煙氣及水汽換熱于一體的復(fù)雜動(dòng)力設(shè)備，本文依據(jù)鍋爐設(shè)備燃燒換熱過(guò)程進(jìn)行模型單元?jiǎng)澐郑凇靶蜇災(zāi)K迭代”計(jì)算分析模式，建立爐膛及受熱面熱力性能分析模型和分區(qū)段物理傳熱模型，采用過(guò)程系統(tǒng)穩(wěn)態(tài)模擬計(jì)算分析理論進(jìn)行高精度仿真，構(gòu)建熱力系統(tǒng)機(jī)理仿真模型[10-11]?；驹矸匠贪芰科胶夥匠獭①|(zhì)量平衡方程、工質(zhì)特性方程、邊界約束方程[12]：

能量平衡方程：

(1)

質(zhì)量平衡方程：

(2)

工質(zhì)特性方程：

f(h，p，T)=0，

(3)

約束方程：

f(λ1，λ2，…,λn)=0，

(4)

式中，ρ為密度，kg/m3；c為比熱容，kJ/(kg·K)；V為體積，m3；T為溫度，K；τ為時(shí)間，s；qin為輸入能量，kJ；qout為輸出能量，kJ；Din為入口流量，kg/s；Dout為出口流量，kg/s；h為焓值，kJ/kg；p為壓力，MPa；λ1、λ2、λn為約束條件。

1.2.2模型辨識(shí)修正

基于熱力系統(tǒng)機(jī)理建立的仿真模型，在模型特征參數(shù)及系統(tǒng)關(guān)聯(lián)方面存在不確定性，為了驗(yàn)證提升機(jī)理仿真模型的精度，需要利用有限工況對(duì)其進(jìn)行辨識(shí)與修正。首先，機(jī)理模型應(yīng)滿足機(jī)組設(shè)計(jì)煤種條件下的參數(shù)特性，為此進(jìn)行設(shè)計(jì)工況的模型辨識(shí)，對(duì)偏差進(jìn)行特性系數(shù)的優(yōu)化修正。其次，機(jī)組運(yùn)行中煤種變化、設(shè)備老化，性能參數(shù)會(huì)有一定偏離，需進(jìn)行運(yùn)行工況的模型辨識(shí)與參數(shù)修正。通過(guò)設(shè)計(jì)與實(shí)際工況的2類修正，可確保機(jī)理模型對(duì)于機(jī)組特性仿真精度較高。

1.2.3鍋爐最大出力預(yù)測(cè)

燃用劣質(zhì)煤對(duì)鍋爐出力特性影響較大，針對(duì)機(jī)組實(shí)際燃用煤種，利用熱力系統(tǒng)機(jī)理仿真模型進(jìn)行變工況迭代計(jì)算，通過(guò)變煤種、遞增煤量計(jì)算進(jìn)行變工況鍋爐熱平衡特性與分段受熱面性能指標(biāo)仿真，基于寬步長(zhǎng)變出力鍋爐熱力系統(tǒng)靜態(tài)仿真計(jì)算，得到特定劣質(zhì)煤種下鍋爐關(guān)鍵熱力參數(shù)動(dòng)態(tài)特性。甄選煤量、煙氣量及各段受熱面特性參數(shù)，結(jié)合鍋爐運(yùn)行安全節(jié)能環(huán)保要求，從輔機(jī)出力特性、受熱面安全與關(guān)鍵參數(shù)指標(biāo)3方面，分析劣質(zhì)煤影響鍋爐出力的關(guān)聯(lián)性、校核鍋爐設(shè)備實(shí)際穩(wěn)定運(yùn)行的可行性。仿真性能參數(shù)超出機(jī)組實(shí)際運(yùn)行限制范圍時(shí)，說(shuō)明該煤種工況下鍋爐安全穩(wěn)定運(yùn)行平衡被打破，仿真系統(tǒng)迭代計(jì)算終止，終止前工況參數(shù)即為該煤種下鍋爐最大蒸發(fā)量出力預(yù)測(cè)值[13]。

1.3 數(shù)理模型構(gòu)建

面對(duì)復(fù)雜非線性關(guān)聯(lián)映射問(wèn)題，選用合理的人工智能算法建立輸入到輸出之間的數(shù)學(xué)模型，通過(guò)大量典型數(shù)據(jù)對(duì)數(shù)學(xué)模型進(jìn)行訓(xùn)練優(yōu)化，最終有效獲取輸入與輸出之間的非線性關(guān)系。

1.3.1樣本空間構(gòu)造

利用高精度熱力系統(tǒng)機(jī)理仿真模型，可以構(gòu)建用于數(shù)據(jù)仿真建模的樣本庫(kù)[14]。數(shù)據(jù)驅(qū)動(dòng)建模仿真的核心是篩選大量代表性好的樣本工況，采用運(yùn)行數(shù)據(jù)作為樣本時(shí)，運(yùn)行數(shù)據(jù)量大、重復(fù)率高且隨機(jī)性強(qiáng)。由于運(yùn)行安全要求，歷史運(yùn)行數(shù)據(jù)中設(shè)備故障工況數(shù)量有限、覆蓋面和代表性不足，使篩選有效比例的典型樣本工況較困難，直接影響數(shù)據(jù)建模仿真的有效性和精度。因此，有必要利用高精度機(jī)理仿真模型進(jìn)行樣本空間的針對(duì)性拓展。

采用高精度熱力系統(tǒng)機(jī)理仿真模型，進(jìn)行多維變輸入條件下的全工況仿真，通過(guò)變煤種、變邊界參數(shù)及變運(yùn)行方式的系統(tǒng)仿真，針對(duì)性獲取充足的典型樣本空間庫(kù)，達(dá)到數(shù)據(jù)仿真建模與狀態(tài)預(yù)警的數(shù)據(jù)需求。

1.3.2模型算法選擇

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，按照誤差反向傳播算法訓(xùn)練，能夠?qū)崿F(xiàn)輸入到輸出的黑盒非線性映射，具有較強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)性，預(yù)測(cè)精度高、泛化能力強(qiáng)[15]，結(jié)構(gòu)如圖1所示。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP network structure

典型BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成。輸入層為n個(gè)神經(jīng)元，用來(lái)接收輸入變量，輸出層為m個(gè)神經(jīng)元，用來(lái)輸出映射變量，中間隱藏層神經(jīng)元層數(shù)與數(shù)量可以根據(jù)實(shí)際需求設(shè)計(jì)，各層之間由權(quán)值ωij與閾值θj構(gòu)成關(guān)聯(lián)矩陣，非線性映射函數(shù)為y=f(ω,x)[16]。通過(guò)輸入到輸出的訓(xùn)練實(shí)現(xiàn)函數(shù)逼近，達(dá)到預(yù)測(cè)出力的效果。

1.3.3數(shù)理模型建立

改革開(kāi)放40年來(lái)，我國(guó)經(jīng)濟(jì)、政治、社會(huì)等各方面都經(jīng)歷了深刻變革，社會(huì)公共需求不斷變化，對(duì)應(yīng)的政府職能也應(yīng)隨之不斷地變化調(diào)整，而政府職能的變化必然要求政府機(jī)構(gòu)不斷深化改革與之適應(yīng)，我國(guó)歷次政府機(jī)構(gòu)改革都是在這樣的邏輯下進(jìn)行的[28]。如隨著老齡化現(xiàn)象對(duì)我國(guó)經(jīng)濟(jì)發(fā)展的影響，以及公眾對(duì)生活質(zhì)量與醫(yī)療需求的逐漸提高（圖3），2008年衛(wèi)生部歸口國(guó)家藥品食品監(jiān)督局，體現(xiàn)要落實(shí)相關(guān)的責(zé)任主體，切實(shí)保障公眾的人身安全權(quán)益；2013年與2018年的改組基于提高人口素質(zhì)和人民健康水平而開(kāi)展的。政府以職能整合與機(jī)構(gòu)變革的方式積極介入，以行政體制改革積極應(yīng)對(duì)社會(huì)需求，進(jìn)而深入推動(dòng)經(jīng)濟(jì)體制變革。

2 工程應(yīng)用分析

以300 MWe循環(huán)流化床機(jī)組為例，針對(duì)機(jī)組煤質(zhì)波動(dòng)、輔機(jī)出力受限等問(wèn)題，基于前文方法進(jìn)行機(jī)組出力預(yù)測(cè)。利用鍋爐熱力系統(tǒng)機(jī)理模型進(jìn)行鍋爐最大蒸發(fā)量仿真，將仿真結(jié)果輸入煤電機(jī)組數(shù)理模型實(shí)現(xiàn)機(jī)組出力預(yù)測(cè)分析。

2.1 機(jī)組特性

某電廠2×300 MWe空冷循環(huán)流化床機(jī)組配置循環(huán)流化床鍋爐、亞臨界中間再熱單軸雙缸雙排汽、直接空冷式汽輪發(fā)電機(jī)組。鍋爐由東方鍋爐(集團(tuán))股份有限公司制造，為亞臨界、循環(huán)流化床、一次中間再熱自然循環(huán)汽包爐。鍋爐基本參數(shù)見(jiàn)表1。

表1 鍋爐基本參數(shù)Table 1 Basic parameters of boiler

2.2 鍋爐熱力系統(tǒng)機(jī)理建模與仿真

2.2.1機(jī)理建模與驗(yàn)證

采用浙江大學(xué)熱工與動(dòng)力系統(tǒng)研究所開(kāi)發(fā)的通用鍋爐設(shè)計(jì)計(jì)算系統(tǒng)BESS5.0軟件進(jìn)行鍋爐機(jī)理建模，BESS5.0集成多類標(biāo)準(zhǔn)構(gòu)建豐富模塊庫(kù)，基于可視化圖形組態(tài)搭建系統(tǒng)模型，具有較強(qiáng)的仿真計(jì)算能力，機(jī)理仿真流程如圖2所示。

圖2 機(jī)理仿真流程Fig.2 Mechanism simulation process

為驗(yàn)證機(jī)理模型的準(zhǔn)確度和有效性，選取機(jī)組高中低3組已存在的典型工況進(jìn)行系統(tǒng)仿真驗(yàn)算，篩選鍋爐熱力系統(tǒng)重要的排煙溫度、分段蒸氣溫度及爐膛出口煙溫等核心參數(shù)作為驗(yàn)算指標(biāo)，對(duì)比系統(tǒng)仿真與已有工況參數(shù)之間的仿真誤差[21]。用于仿真驗(yàn)算的工況涵蓋了設(shè)計(jì)與實(shí)際運(yùn)行數(shù)據(jù)，涵蓋了高中低全工況段參數(shù)，具有很強(qiáng)的代表性，主要包括1組100%負(fù)荷設(shè)計(jì)工況及2組實(shí)際運(yùn)行工況，部分仿真比對(duì)數(shù)據(jù)見(jiàn)表2。由表2可知，3個(gè)工況下，仿真結(jié)果與已有設(shè)計(jì)及運(yùn)行工況數(shù)據(jù)各關(guān)鍵指標(biāo)最大偏差為3 ℃，誤差率均在2%內(nèi)，滿足實(shí)際應(yīng)用的精度要求，因此，本文搭建的鍋爐熱力系統(tǒng)機(jī)理模型具有較強(qiáng)的準(zhǔn)確度和有效性。

表2 典型工況仿真精度驗(yàn)證Table 2 Verification of simulation accuracy under typical working conditions

續(xù)表

2.2.2機(jī)理仿真

1)報(bào)警條件設(shè)計(jì)。依據(jù)機(jī)組運(yùn)行特性設(shè)計(jì)迭代預(yù)測(cè)報(bào)警條件，主要考慮輔機(jī)受限、受熱面參數(shù)超限、關(guān)鍵參數(shù)超限3方面影響因素。輔機(jī)受限主要包括給煤機(jī)受限、風(fēng)機(jī)受限、冷渣器受限等，給煤機(jī)實(shí)際出力直接影響鍋爐最大出力特性，通過(guò)給煤機(jī)最大出力試驗(yàn)，確定其出力上限報(bào)警值[22]。風(fēng)機(jī)流量及阻力特性影響鍋爐出力特性，利用風(fēng)機(jī)性能試驗(yàn)確定關(guān)鍵參數(shù)上限報(bào)警值。冷渣器的上限報(bào)警值結(jié)合設(shè)計(jì)值與試驗(yàn)值確定。受熱面參數(shù)超限方面，結(jié)合受熱面管材特性確定關(guān)鍵部件的壁溫報(bào)警值。其他關(guān)鍵參數(shù)包括機(jī)組流化風(fēng)速、床溫等報(bào)警值均根據(jù)機(jī)組特性選定，鍋爐迭代結(jié)束條件按蒸發(fā)量不超過(guò)105% BMCR設(shè)定。部分報(bào)警條件值見(jiàn)表3。

表3 報(bào)警條件值Table 3 Alarm condition value

針對(duì)不同配煤的4個(gè)工況進(jìn)行預(yù)測(cè)計(jì)算，結(jié)果見(jiàn)表4。除工況3外，工況1、2、4均未達(dá)到額定出力。工況1煤質(zhì)固定碳與發(fā)熱量較高，燃燒所需空氣量偏高，使得稀相區(qū)流化風(fēng)速上升，導(dǎo)致鍋爐主蒸氣流量由于流化風(fēng)速達(dá)到上限5.5 m/s而受限，受限率11%；工況2、4煤質(zhì)水分與灰分普遍偏高，固定碳與發(fā)熱量偏低，造成床溫低、燃煤量大、排渣量上升，使得主蒸氣流量由于給煤出力達(dá)到上限400 t/h而受限，且排渣量也接近受限報(bào)警值，受限率分別約為25%、13%；工況3煤質(zhì)發(fā)熱量介于工況1與2、揮發(fā)分較高，各項(xiàng)參數(shù)合適，能達(dá)到105% BMCR蒸發(fā)量。

表4 程序計(jì)算結(jié)果Table 4 Program calculation results

2.3 火電機(jī)組出力預(yù)測(cè)數(shù)理建模與仿真

2.3.1樣本空間構(gòu)建

綜合機(jī)組配煤方式，多組合進(jìn)行變煤種計(jì)算形成多煤質(zhì)樣本空間。綜合仿真數(shù)據(jù)和現(xiàn)場(chǎng)數(shù)據(jù)構(gòu)建樣本空間，對(duì)數(shù)據(jù)進(jìn)行歸一化降維及主成分分析(Principal Component Analysis,PCA)。經(jīng)分析得到主蒸氣流量對(duì)機(jī)組電負(fù)荷的影響占比為96.3%，主蒸氣溫度、壓力等參數(shù)也有一定影響，符合機(jī)理分析結(jié)論。依據(jù)輸出影響值選取鍋爐主蒸氣流量、床溫、主蒸氣溫度壓力、再熱器溫度壓力、給水溫度作為非線性映射模型輸入，影響比例總和超過(guò)99.9%，機(jī)組電負(fù)荷作為輸出。

2.3.2數(shù)據(jù)建模與仿真

基于遺傳算法(Genetic Algorithm,GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)原理建立火電機(jī)組出力預(yù)測(cè)數(shù)理模型，網(wǎng)絡(luò)結(jié)構(gòu)為3層，輸入層節(jié)點(diǎn)數(shù)為7，輸出層節(jié)點(diǎn)數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)按經(jīng)驗(yàn)計(jì)算選為12個(gè)。訓(xùn)練樣本數(shù)32個(gè)，測(cè)試樣本5個(gè)，為提高模型泛化能力，采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值。

經(jīng)過(guò)反向傳播算法與梯度下降權(quán)值學(xué)習(xí)算法的網(wǎng)絡(luò)訓(xùn)練，機(jī)組出力的仿真結(jié)果和誤差如圖3所示。

圖3 機(jī)組出力仿真結(jié)果及誤差Fig.3 Simulation results and error

由圖3可知，機(jī)組出力最大仿真偏差為3 MWe、最大相對(duì)偏差不超過(guò)1.2%，符合工程應(yīng)用精度。

2.3.3基于數(shù)理模型的出力預(yù)測(cè)

利用已構(gòu)建的數(shù)理模型，對(duì)現(xiàn)場(chǎng)運(yùn)行工況進(jìn)行仿真預(yù)測(cè)，仿真輸出與實(shí)際工況參數(shù)對(duì)比見(jiàn)表5，模型現(xiàn)場(chǎng)數(shù)據(jù)工況輸入?yún)?shù)見(jiàn)表6。數(shù)據(jù)映射模型的仿真效果與實(shí)際工況參數(shù)的絕對(duì)偏差均在4 MWe以內(nèi)，相對(duì)偏差均小于1.5%，仿真精度較高。

表5 預(yù)測(cè)值與實(shí)際值對(duì)比Table 5 Comparison of predicted value and actual value

表6 數(shù)理預(yù)測(cè)模型輸入工況參數(shù)Table 6 Input condition parameters of mathematical prediction model

3 結(jié) 論

1)提出一種基于機(jī)理仿真與數(shù)據(jù)驅(qū)動(dòng)深度融合的高精度映射模型建立方法，利用機(jī)理仿真構(gòu)造鍋爐熱力系統(tǒng)樣本空間，基于數(shù)理映射進(jìn)行機(jī)組出力預(yù)測(cè)。

2)利用本文提出的方法構(gòu)建了基于BESS軟件機(jī)理仿真與BP-GA數(shù)理映射深度融合的機(jī)組出力預(yù)測(cè)模型，模型兼顧了機(jī)理仿真的理論準(zhǔn)確性和數(shù)理映射的強(qiáng)泛化深入性，實(shí)現(xiàn)多因素耦合條件下的燃煤機(jī)組邊界出力預(yù)測(cè)及出力受阻因素分析。

3)經(jīng)300 MWe級(jí)示范循環(huán)流化床機(jī)組測(cè)試表明：模型訓(xùn)練相對(duì)誤差在±1.2%內(nèi)，預(yù)測(cè)相對(duì)誤差在±1.5%內(nèi)，具有較高的精確度和泛化能力。