基于神经网络的热电联产机组热负荷和电负荷预测

骆小满，皇甫成，阮江军，周灵杰

基于神经网络的热电联产机组热负荷和电负荷预测

骆小满1，皇甫成2，阮江军1，周灵杰1

（1.武汉大学电气与自动化学院，湖北 武汉 430072；2.国网冀北电力有限公司，北京 100053）

针对热电联产机组每年发电计划制定及调整期间，地方电厂以满足供热为由频繁要求调整计划的现象，本文提出一种以热定电的电负荷预测方法。该方法基于地方热负荷，对要求调整发电计划的电厂进行热负荷假设检验提取，并用Elman神经网络方法预测热负荷，最后采用灰色神经网络方法来确定电厂发电量。该方法对于确定热电联产机组发电计划、控制购电成本具有重要的意义。

热电联产；以热定电；热负荷；电负荷；Elman神经网络；灰色神经网络；假设检验

热电联产具有节约能源、改善环境、提高供电质量、增加电力供应等综合效益。目前，冀北地区共有8家地方电厂均属于热电联产机组，装机容量60万kW，主要供热对象为工业和生活用热。每年发电计划制定及调整期间，这些电厂频繁以满足供热为由要求调整发电计划。有些热电厂假借热电联产的名义，让双抽汽凝汽式机组以凝汽工况运行发电，导致能源效率低下的同时加大了电网调峰压力。因此，研究冀北地区热电联产机组热电负荷关系，分析地方电厂供热负荷，对于确定电厂提出的供热需求和发电计划、节约能源、控制购电成本有着至关重要的意义。

目前，国内外均进行了对于热电联产机组的电负荷预测方面的研究。倪景峰[1]通过对京津唐地区热电联产机组建立相关数学模型，编写了一款提供机组各工况参数以及以热定电负荷曲线的软件。朱誉等[2]通过数据采集分析单元从电厂DCS采集机组运行数据，利用聚类分析法和连续函数最优平方逼近法，建立了以热定电原则下大型热电联产机组运行区间的计算系统。迟世国等[3]通过建立和省调计划系统同步的热电负荷数据接收、监控通道，对热电联产机组进行实时的以热定电分析，以控制热电联产机组的发电量。徐博[4]通过对各种热电联产机组进行建模、运行数据分析和调峰能力计算，对于改善热电调峰技术提供重要的思路。

上述发电量计算方法都是已知热负荷之后的计算思路，而热负荷的确定才是解决热电联产机组发电计划调整的源头。然而，由于各种热负荷形式、种类、性质的多样性，简单地比较不同种类热负荷毫无意义。本文提出一种通过筛选出同种类型热负荷并进行比较，然后依据概率论中假设检验的思想，在设定置信度后筛选出不符合条件的热负荷，最后依此来预测热电联产机组发电量的方法。

1 热负荷预测模型

1.1 热负荷假设检验提取

依据热负荷来预测发电量，首先需要判断电厂提供的热负荷数据是否正确，再依据热负荷来推演电负荷。本文通过概率论假设检验的思想来衡量电厂热负荷数据。

通过电厂提供的各用户热负荷需求报告，编写软件筛选，将类似的热负荷归为一类比较，并假设在其他条件相同的情况下，用极大似然估计的思想确定均值和方差，再通过设定置信度计算得到置信区间，筛选出不符合条件的热负荷。以典型居民区供热负荷为例来阐述该解决思路。唐山万浦热电厂供暖居民区热量统计数据见表1。

表1 某典型居民区1月供热量统计

Tab.1 The residential district heating statistics in January

假设分布服从正态分布，居民区1月单位面积供热量的概率密度函数为

根据最大似然估计，解得：

可以计算得到：

式中，为样本均值，2为样本方差。

确定样本的均值和方差。依据所定义的置信区间，0.2确定相关的范围，选择单侧置信区间（因为有些老居民区楼层比较少，相应的居民户数也比较少，所以单位面积供热量也较小），筛选出置信区间外电厂提供的居民区热负荷数据，并重新考虑这几个居民区的热负荷可信度，从而提高热负荷的可靠度。该居民区样本的均值和方差为=1.73，2=0.018 4，筛选得到超出置信区间的是E和G居民区。图1为概率密度分布曲线。

图1 各居民区1月份单位面积供热量正态分布曲线

对供暖期间内的其他月份进行相应分析，亦可得到相同结果。为了合理预测所需供热量，对于超出置信区间的相关居民区，加入惩罚系数，即超出置信区间的相关居民区单位面积供热量为

通过该方法，可以对虚报负荷、多报负荷的情况予以处理，达到惩戒的目的。

1.2 Elman神经网络法预测热负荷

Elman神经网络结构如图2所示，主要有输入层、隐含层、承接层和输出层这4个结构层[5-6]。其中，输入层、隐含层、输出层的连接类似于前馈式网络。输入层单元起信号传输的作用；输出层单元起线性加权的作用；隐含层单元中的传递函数包括线性或者非线性函数；承接层又称为状态层或上下文层，主要用来储存隐含层单元中前一时刻的输出值，并在最后返回给网络的输入端，可以将它看作是一个延时算子。

图2 Elman网络结构

Elman网络非线性状态空间表达式为：

式中：输出为维输出节点向量；为维中间层结点单元向量；为维输入向量；c为维反馈状态向量；1为中间层和承接层的连接权值；2为输入层到中间层连接权值；3为输出层和中间层的连接权值；(*)是中间层输出的线性组合，即输出单元的传递函数；(*)常采用函数，为中间层神经元的传递函数。

对于热负荷进行假设检验提取后，需要重新确定热负荷[7-9]。本文主要针对11、12、1、2、3月份供暖期间的热负荷进行预测。利用2010—2017年 8年的数据作为网络的训练样本，每3年的负荷作为输入向量，第4年的负荷作为目标向量，从而得到5组训练样本；将2018年的热负荷数据作为网络的测试样本，验证网络能否合理地预测出当年的负荷数据。图3为万浦电厂2018年供暖期间实际热负荷与中间神经元分别为7、11、14、18个的网络热负荷预测误差。由图3可知，Elman神经网络方法热负荷预测误差较小，平均误差在4.2%，当中间神经元为14个时，网络的预测误差最小，预测性能最好。调度部门审核批准热负荷的申请时，首先通过假设检验方法筛选出电厂申请数据中虚报、多报的热负荷，再通过Elman神经网络方法进行热负荷预测。

图3 Elman神经网络热负荷预测误差

2 热电联产机组电负荷预测

2.1 灰色神经网络方法

本文采用灰色神经网络方法对热电联产机组电负荷进行预测[10-12]。灰色问题是指对灰色的不确定系统行为特征值的发展变化进行预测的问题，该不确定系统特征值的原始数列(0)(),=0, 1, 2, …,–1经过一次累加后得到的数列(0)()呈现指数增长规律。(1)为(1)的紧邻均值生成序列：

为此，灰微分方程为

式中，为发展系数，为灰色作用量。

若=[,]T为参考序列，且有

(0)的模拟值为

最后，对模型的预测值进行检验，设残差()为

2.2 发电量预测模型

万浦电厂1号、2号机组采用双抽汽凝汽式汽轮机，型号为CC58-8.83/1.27/0.294。双抽汽凝式汽轮机由高压、中压、低压3部分组成[13-16]。机组电功率的计算式为：

建立关于灰色神经网络方法的电负荷预测模型。

1）模型的输入、输出参数的选择 本文采用MATLAB 2015a软件进行神经网络的训练。由于机组在每月中运行状态基本稳定，所以高、中、低压3部分的理想焓降和效率在当月保持不变。因此，将双抽汽凝汽式机组每月的供热负荷、总进汽量、工业抽汽量，采暖抽汽量、高中低压3部分的理想焓降和效率总共10个指标作为输入层。为了比较供热负荷这个因素对于机组发电量预测的影响，加1组不含供热负荷即仅9个指标的输入层作为对照组。输出层为机组每月的发电负荷。

2）模型结构设计 本文灰色神经网络模型采用3层网络模型，输入的参数为2010—2018年与机组发电负荷相关的10个因子（对照组为9个因子）。为选择隐含层节点数，采用不同隐含节点数的网络进行训练，由各层网络的误差对阈值和权值修正，训练后发现16个隐含节点的网络结构拟合效果最好。所以，确定网络拓扑结构为10（输入层）×16（隐含层）×1（输出层）（对照组结构为9×16×1）。整个训练过程中，输入层与隐含层的传递函数为tansig函数，隐含层与输出层的传递函数为purelin函数，训练函数为trainbr函数，网络学习函数为learngdm函数。

3）模型网络参数的设定 设置网络训练的最大次数为10 000，每25轮计算显示1次，训练误差为5×10–10。通过MATLAB软件进行灰色神经网络训练，选取2010—2017年的相关数据作为训练集，2018年的数据为预测集。

2.3 发电量预测结果分析

通过灰色神经网络方法进行计算分析，得到该双抽汽凝汽式汽轮机发电量预测数据与真实值对比如图4所示，模型残差如图5所示。

图4 机组发电量真实值与预测值对比

图5 模型残差

由图4和图5可知：灰色神经网络计算得到的预测值和机组实际发电量误差很小，均在3%以内，表明建立的模型是有效的；输入层含有热负荷的灰色神经网络明显比不含热负荷的输入层的预测结果更准确；在残差较大的年份如2015年和2017年，考虑了热负荷因素预测精度将会提升接近50%。这也间接印证了论文在1.1和1.2节中提前进行热负荷预测的重要性。

3 结 论

本文将热电联产电厂每年申请的热负荷用概率论中假设检验的思想加以甄别，提取出可信度相对较高的热负荷，再通过Elman神经网络方法进行检验；然后建立基于灰色神经网络的模型来预测机组的发电量。模拟计算表明，该方法能够合理确定电厂的供热需求和发电计划，达到节约能源，控制购电成本的目的。

［1］ 倪景峰. 热电联产机组以热定电运行的研究及软件实施[D]. 北京: 华北电力大学, 2004: 12. NI Jingfeng. Research and software implementation of heat and power cogeneration unit[D]. Beijing: North China Electric Power University, 2004: 12.

［2］ 朱誉，李千军，冯永新, 等. 热电联产机组以热定电下可行运行区间的计算系统及方法: 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］ 迟世国, 李晓, 孔凡平, 等. 热电机组热电联产发电量的控制方法: 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. 大型热电联产机组调峰能力计算软件的设计与实现[D]. 北京: 北京交通大学, 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］ 文乐, 王伟锋, 薛志恒, 等. 基于Elman神经网络的汽轮机组热力性能在线计算[J]. 热力发电, 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］ 张利平, 陈浩天, 王伟锋, 等. 应用PSO算法改进Elman神经网络的双压凝汽器真空预测[J]. 热力发电, 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］ 庞明月. 集中供热系统的热负荷预测与规划[D]. 大连: 大连海事大学, 2018: 42. PANG Mingyue. Thermal load forecasting and planning of central heating system[D]. Dalian: Dalian Maritime University, 2018: 42.

［8］ 成渫畏. 基于双转子双背压供热改造技术的热电联产汽轮机组供热期调峰灵活性研究[D]. 济南: 山东大学, 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］ 冯亦武, 孙士恩. 互联网+热电联产机组智慧供热技术研究及应用[C]//2017年电站热工自动化技术交流会论文集. 北京: 华电电力科学研究院, 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］ 王建国, 汪勇华. 基于灰色神经网络的凝汽器水侧清洁系数预测[J]. 热力发电, 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］ 吕凯, 王红宇, 周佳, 等. 热电联产机组电热煤特性研究[J]. 热力发电, 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］ 王玮, 孙阳, 刘吉臻, 等. 适应电网快速调频的热电联产机组新型变负荷控制策略[J]. 电力系统自动化, 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］ 许可, 李蔚, 李明超, 等. 燃气-蒸汽联合循环热电联产机组供热特性分析[J]. 热力发电, 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, 罗宁. 燃气蒸汽联合循环热电联产机组热经济性分析[J]. 热力发电, 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］ 杨承, 黄志峰, 马晓茜. 联合循环热电联产机组变工况性能分析[J]. 中国电机工程学报, 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］ 宋晓玮, 张国强, 李永毅, 等. 燃气轮机联合循环热电联产供热供电量优化分配研究[J]. 热力发电, 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

骆小满(1996—)，男，硕士研究生，主要研究方向为电工电能新技术及新能源发电技术，719481750@qq.com。

骆小满, 皇甫成, 阮江军, 等. 基于神经网络的热电联产机组热负荷和电负荷预测[J]. 热力发电, 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.

（责任编辑 杨嘉蕾）