基于大数据的燃煤机组供电煤耗特性分析

齐敏芳，李晓恩，刘 潇，王艺霏

基于大数据的燃煤机组供电煤耗特性分析

齐敏芳1,2，李晓恩1，刘 潇1，王艺霏1

（1.北京低碳清洁能源研究院，北京 102211；2.北京科技大学土木与资源工程学院，北京 100083）

燃煤发电机组供电煤耗的高低是衡量机组节能降耗水平的主要指标。本文利用大数据分析技术对机组能耗相关历史数据进行分析，采用反向传播（BP）神经网络对不同负荷区间分别建立供电煤耗特性分析模型，计算各个负荷工况区间内各运行可控参数对供电煤耗的影响评价因子即敏感性系数，以及不同负荷区间内模型预测能力。结果表明：基于BP神经网络的供电煤耗特性分析模型的训练和预测精度均在±0.6%范围内，模型计算精度较高；各运行可控参数在不同负荷区间内对供电煤耗的影响存在差异，但具有一定规律；在实际运行中应重点调整敏感性系数大的特征参数。

大数据；燃煤机组；供电煤耗；神经网络；反向传播；评价因子；敏感性分析

近年来，燃煤发电机组面对全球大气污染治理及气候变化、新电改下发电企业直接参与市场竞争、新能源并网消纳频繁调峰等问题，节能减排降耗责任和压力巨大[1-2]。随着信息技术及大数据分析技术在发电厂的融合应用，以及发电厂运行监测水平智能管理水平的提高，建设数字化智慧型的智能电站已成为燃煤发电机组的发展方向。能耗特性分析与诊断是燃煤发电机组节能降耗工作的基础，在线实时计算燃煤发电机组的供电煤耗，可为机组的智能化、高效化、精准化控制提供依据。

随着机组硬件设备水平和在线监测水平逐年提高，我国燃煤发电机组供电煤耗逐年降低。燃煤发电机组能耗损失分为可控能耗损失与不可控能耗损失[3]。可控损失按运行中是否可控进一步分为设备维修可控损失和参数运行可控损失[4]。参数运行可控损失指机组在实际运行过程中，可以通过改善运行可控参数进行机组调整，以降低能损。在机组长期运行中，煤质特性和环境因素是不可控的，而机组硬件设备状态相对稳定，维修可控损失占比较小，因此主要关注参数运行可控损失。

能耗敏感特性分析则对不同运行工况、不同负荷范围下由实际运行可控参数与其设定值或设计值的偏差导致的能耗水平恶化程度进行定量分析，以确定其影响程度。目前，研究主要是从传统热力学系统机理出发，依据热力学方法、特性曲线法及实验法进行运行参数影响分析。传统热力学方法因其复杂的机理分析使在线应用受到限制[5]；热力学方法多方程组且迭代求解偏导数较难或不收敛；特性曲线法和实验法偏向理想情况，实际很难达到。由于机组环境及煤质边界条件多变、设备老化性能改变、热力系统非线性高维、运行参数多重高相关等原因，使得上述方法在一定程度上受到限制。部分学者对偏导数无法求解或迭代求解复杂或不收敛的问题采用变通方法，通常以某运行参数微小扰动量Δ与其导致的能耗指标变化量Δ的比值Δ/Δ来表征能耗指标对某可控参数的偏导数∂/∂，此即为耗差分析方法[6]。文献[7]通过状态空间构建可控参数与能耗指标之间的拓扑结构，以参数扰动导致的供电煤耗浮动值绘制能耗敏感因子曲线。文献[8]引入矩阵微分理论构建多因素扰动影响下的能效分析模型。文献[9]基于功率变工况，计算以微小偏差代替偏导数挖掘系统主要决策变量引起的能耗敏感性变化规律，通过机组实际运行状态与基准状态对比进行能损定位。

随着电厂数字化、智能化水平的提高，电厂存储了海量信息丰富的历史数据及大量的实时运行数据。大数据分析技术近年来发展迅速，其充分挖掘数据信息，将历史数据变为可用资源，为供电煤耗的偏导数求解提供了新思路。传统机理模型依赖于输入、输出参数之间的因果关系，而基于大数据的分析技术无需输入、输出参数间的因果关系，而是依据数据信息，挖掘输入、输出之间的内在隐含联系[10]。人工神经网络通过黑箱或灰箱训练来构建输入、输出之间的关系，输入与输出之间不必有直接的因果关 系[11]。本文利用机组历史运行数据，基于大数据分析方法如BP神经网络，建立供电煤耗与运行可控参数的特性分析模型，并基于BP神经网络算法进行偏导数求解，获取运行可控参数在不同负荷区间对供电煤耗影响评价因子即敏感性系数。

1 基于神经网络的敏感性分析

1.1 BP神经网络原理

神经网络是人工智能发展的一个主流方向，是由大量的、相对简单的处理单元（即神经元）通过广泛的网络节点连接而形成的多层网络结构。神经网络系统是一个高度复杂的非线性动力系统，具有高维非线性映射、自学习、自组织、自适应、大规模并行处理等能力，可在输入和输出之间函数关系未知的情况下，获取各输入参数复杂的非线性映射。1986年Rumelhart和McClelland等科学家首次提出BP神经网络，该网络是一种按照误差反向传播进行网络训练的多层前馈神经网络，是目前应用最广泛的神经网络。BP神经网络由正向和反向两个过程构成，包括数据流信号的正向传播和误差信号的反向传播，适合于多层神经元网络学习。图1为包括输入层、隐含层（可以是1层或多层）、输出层的3层BP神经网络结 构[12]。假设输入层和输出层分别有和个神经元节点，隐含层的神经元节点数为

式中t为1和10之间的随机数。

BP神经网络的基本结构若用函数式表示为[13]：

式中：为BP神经网络输出；为BP神经网络输入；1和2为输入层到隐含层和隐含层到输出层的连接权重；1和2为输入层到隐含层和隐含层到输出层的连接阈值；net1为隐含层输入；net2为输出层输入；out1为隐含层的输出；1(net1)为隐含层激活函数；2(net2)为输出层激活函数。

1.2 基于BP神经网络的敏感性分析算法

受神经网络多层感知器（multi-layer perceptron，MLP）的转化函数Sigmoid对参数计算范围的限制，模型输入、输出通常不直接作为BP网络输入及输出，必须先进行归一化处理进行神经网络映射。参数归一化过程为

式中，常系数矩阵、对应网络输入和输出的归一化矩阵，常系数矩阵、对应网络输入和输出的偏量矩阵。

基于BP神经网络的敏感性分析算法[20-21]中，相对于的敏感性系数关系式表达如下[22-24]：

结合式(5)和式(6)可知，模型输出相对于输入的敏感性系数矩阵为

通常情况下，隐含层激活函数1通常选择双曲正切函数tansig，输出层激活函数2通常选择线性purelin函数[12,21,25]：

2个激活函数的一阶偏导数为：

则基于该BP神经网络算法的模型输出相对于模型输入参数的敏感性系数的一般表述形式为

在网络训练完成后，1、2、1即为常系数矩阵，、、等归一化矩阵与偏量矩阵也为常系数矩阵。

偏导数计算得到的敏感性系数矩阵=[]由系统参数唯一确定，代表了每组输入、输出参数内在联系函数的瞬时斜率，可有效判定参数重要性。为了更便于对比参数的重要性，对敏感性系数矩阵*=[1,2,3,…,s,…,s]进行矩阵归一化处理：

以归一化后的敏感性系数作为衡量输入参数对输出参数影响的评价因子。

2 供电煤耗特性分析模型

供电煤耗是表征机组能耗水平、衡量机组运行经济性、机组对标考核的关键指标。常用的燃煤电站机组供电煤耗sn为

式中，b、i、m、g、p及∑i分别为锅炉效率、各级循环热效率、机械效率、发电机效率、管道效率以及厂用电率。

根据机组硬件设备的物理结构信息、系统关联性、物质平衡性、能量平衡关系、可控参数等多种因素，对供电煤耗敏感性分析模型的参数进行初选。机组供电煤耗与主蒸汽温度、给水温度、排烟温度、主蒸汽压力、排烟氧量、凝汽器真空等多个运行可控参数之间的高维非线性关系为

基于BP神经网络，以供电煤耗sn作为模型输出，以影响供电煤耗的运行可控参数作为模型的输入，构建供电煤耗与多维运行可控参数的非线性BP神经网络敏感性特性分析模型。该模型通过BP神经网络算法直接求解偏导数得到各运行可控参数敏感性系数，反映其对供电煤耗的影响程度。在机组实际运行过程中，根据不同机组负荷区间各可控运行参数敏感性系数的大小，决定参数调节的优先顺序以及调节幅度。

本文对全负荷工况进行区间划分，在各个负荷区间分别建立基于BP神经网络的供电煤耗预测模型，并进行敏感性分析和供电煤耗预测，从而构成全负荷范围的供电煤耗特性分析及预测模型，建模流程如图2所示。

图2 供电煤耗特性建模流程

3 研究对象

本文选取某600 MW燃煤发电机组作为分析案例。该机组采用单炉膛∏型布置的HG-2023/17.6-YM4型亚临界锅炉，带有一次中间再热、固态排渣系统；亚临界汽轮机为反动凝结式四缸四排汽，型号N600-16.7/537/537-I。在7个典型负荷工况300、350、400、450、500、550、600 MW下，分别建立供电煤耗的敏感性分析模型。依据负荷邻域区间Δ=2 MW进行典型负荷区间的选取。采用稳态判别及异常数据剔除及校正方法[26-28]，对机组能耗相关可控参数历史数据进行预处理[26-28]。数据采样周期为60 s，得到300 MW负荷样本数2 994组，350 MW负荷区间样本数2 299组，400 MW负荷区间样本数2 106组，450 MW负荷区间样本数619组，500 MW负荷区间样本数556组，550 MW负荷区间样本数434组，600 MW负荷区间样本数862组。

为了对模型性能进行评估，选择平均绝对误差（MAE），平均绝对相对误差（MARE），均方根误差（RMSE）以及决策系数（2）作为评价模型性能的评价标准。

4 敏感性分析结果

考虑到负荷的频繁波动、煤质取样频次低以及化验滞后等问题，煤质特性数据与实时运行数据难以建立实时的数据匹配。因此，本文尽量选取机组煤种来源单一煤质特性稳定的工况，削弱煤质不可控因素对供电煤耗的影响，主要分析运行可控因素对供电煤耗的影响。供电煤耗在线预测模型输入参数依次为主蒸汽压力、调节级压力、再热蒸汽压力、给水泵出口压力、再热减温水压力、主蒸汽温度、调节级温度、再热蒸汽温度、给水泵出口温度、再热减温水温度、凝结水温度、循环水入口温度、再热减温水总流量、过热减温水总流量、平均排烟氧量、平均排烟温度、主蒸汽流量、凝汽器真空度、厂用电率及循环水量共20个。输出参数为供电煤耗。表1给出了7个典型工况下该敏感性分析模型的特性比较结果。由表1可见，MAE指标均小于0.27 t/h，MARE小于 4×10–4，RMSE小于0.35 t/h，2均高于0.99，证明该模型预测精度较高，能够满足工程需求。

表1 不同负荷下供电煤耗敏感性特性比较

Tab.1 The sensitivity analysis for power supply coal consumption at different loads

图3—图6分别给出了300、400、500、600 MW工况区间训练样本及测试样本的相对误差分布。由图3可见：300 MW负荷区间内，模型训练样本最大相对误差0.457 6%，平均相对误差0.050 0%；测试样本最大相对误差0.400 0%，平均相对误差 0.054 5%。由图4可见：400 MW负荷区间内，模型训练样本最大相对误差0.432 1%，平均相对误差0.058 1%；测试样本最大相对误差0.547 4%，平均相对误差0.065 1。由图5可见：500 MW负荷区间内，训练样本最大相对误差0.593 3%，平均相对误差0.048 8%；测试样本最大相对误差0.574 1%，平均相对误差0.049 6%。由图6可见：600 MW负荷区间内，训练样本最大相对误差0.189 9%，平均相对误差0.041 4%，测试样本最大相对误差0.210 1%，平均相对误差0.052 1%。这4种负荷工况下，模型训练样本和测试样本相对误差均主要集中在±0.2%之间，训练样本和测试样本的最大相对误差均落入±0.6%范围内，故模型整体精度可控，精度较高。

图3 300 MW负荷区间相对误差分布

图4 400 MW负荷区间相对误差分布

图5 500 MW负荷区间相对误差分布

图6 600 MW负荷区间相对误差分布

表2进一步给出了7个典型工况下对供电煤耗影响较大的前10个运行可控参数的敏感性系 数具体值。

表2 不同负荷下运行参数的供电煤耗敏感性系数

Tab.2 The parameter sensitivity coefficients of various operation parameters at different loads

由表2可见：单一运行可控参数对供电煤耗的影响在不同负荷区间存在差异；在各负荷段供电煤耗对凝汽器真空度相对更敏感。实际运行过程中，需根据不同负荷区间各运行可控参数影响和可调节幅度，采取相应的调整措施，以降低供电煤耗。另外，在各个负荷段均应重点关注凝汽器真空度。

5 结 论

能耗机理分析模型依赖于参数之间的机理因果，对因果关系不明的参数不能覆盖，同时对于复杂关系不能显式表达或高维迭代难求解。对此，利用大数据不关心因果关系，注重相关关系的思维，本项目采用神经网络敏感性分析方法对影响供电煤耗的可控运行参数进行特性分析。该方法利用模型参数直接构建并求解偏导数，以偏导数形式表达可控参数对供电煤耗的影响大小，解决了能耗特性分析中偏导数求解难的问题，为燃煤发电机组能耗在线分析提供了一种新思路。

基于BP神经网络敏感性分析方法模型的训练和预测精度均在±0.6%范围内，计算精度较高。单一运行可控参数对供电煤耗的影响在不同负荷区间有差异，但在各个负荷区间内不同参数影响水平有一定的规律，其中凝汽器真空度在各个负荷区间内对供电煤耗的影响均最大，应重点关注该方法可为供电煤耗在线计算和机组快速调整提供支持。

［1］ 国家发展改革委员会. 煤电节能减排升级与改造行动计划(2014—2020年)[R]. 北京: 国家能源局, 2014: 1-8.

National Development and Reform Commission. Action plan for upgrading and renovation of coal and electricity energy conservation and emission reduction (2014—2020)[R]. Beijing: National Energy Agency, 2014: 1-8.

［2］ 曾鸣. 《电力发展“十三五”规划》解读[J]. 中国电力企业管理, 2017(1): 14-16.

ZENG Ming. Interpretation of 13th five-year plan for electric power development[J]. China Power Enterprise Management, 2017(1): 14-16.

［3］ 王宁玲. 基于数据挖掘的大型燃煤发电机组节能诊断优化理论与方法研究[D]. 北京: 华北电力大学, 2011: 89-97.

WANG Ningling. Theoretical research on data mining-based energy-saving diagnosis and optimization for large coal-fired power plants[D]. Beijing: North China Electric Power University, 2011: 89-97.

［4］ 朱龙飞. 基于混合模型的热力系统能耗基准状态确定方法研究[D]. 北京: 华北电力大学, 2015: 10-17.

ZHU Longfei. Method for determining energy-consumption benchmark state in the thermal system of coal-fired units based on hybrid model[D]. Beijing: North China Electric Power University, 2015: 10-17.

［5］ VALERO A, CORREAS L, ZALETA A, et al. On the thermoeconomic approach to the diagnosis of energy system malfunctions[J]. Energy, 2004, 29(2): 1889-1907.

［6］ 齐敏芳. 大数据技术及其在电站机组分析中的应 用[D]. 北京: 华北电力大学, 2016: 79-90.

QI Minfang. Big data technology and its application on the analysis of power plant units[D]. Beijing: North China Electric Power University, 2016: 79-90.

［7］ 王惠杰, 张春发, 宋之平. 火电机组运行参数能耗敏感性分析[J]. 中国电机工程学报, 2008, 28(29): 6-10.

WANG Huijie, ZHANG Chunfa, SONG Zhiping. Sensitive analysis of energy consumption of operating parameters for coal-fired unit[J]. Proceedings of the CSEE, 2008, 28(29): 6-10.

［8］ 闫顺林. 多元扰动下的热力系统能效分析模型及应用研究[D]. 北京: 华北电力大学, 2011: 30-70.

YAN Shunlin. Method for determining energy-consumption benchmark state in the thermal system of coal-fired units based on hybird model[D]. Beijing: North China Electric Power University, 2011: 30-70.

［9］ 杨志平. 大型燃煤发电机组能耗时空分布与节能研究[D]. 北京: 华北电力大学, 2013: 79-90.

YANG Zhiping. The temporal-spacial distribution of energy consumption and energy saving of large coal-fired power units[D]. Beijing: North China Electric Power University, 2013: 79-90.

［10］ 刘炳含, 付忠广, 王鹏凯, 等. 大数据挖据技术在燃煤电站机组能耗分析中的应用研究[J]. 中国电机工程学报, 2018, 38(12): 3578-3587.

LIU Binghan, FU Zhongguang, WANG Pengkai, et al. Big data mining technology application in energy consumption analysis of coal-fired power plant units[J]. Proceedings of the CSEE, 2018, 38(12): 3578-3587.

［11］ SMREKAR J, ASSADI M, FAST M, et al. Development of artificial neural network model for a coal-fired boiler using real plant data[J]. Energy, 2009, 34(2): 144-152.

［12］ LI J, ZHOU T, JU Z, et al. Sensitivity analysis of CHF parameters under flow instability by using a neural network method[J]. Annals of Nuclear Energy, 2014, 71: 211-216.

［13］ FARJAM A, OMID M, AKRAM A, et al. A neural network based modeling and sensitivity analysis of energy inputs for predicting seed and grain corn yields[J]. Journal of Agricultural Science & Technology, 2014, 16(4): 767-778.

［14］ MONTANO J, PALMER A. Numeric sensitivity analysis applied to feedforward neural networks[J]. Neural Computing & Applications, 2003, 12(2): 119-125.

［15］ PALMER A, MONTAÑO J, FRANCONETTI F. Sensitivity analysis applied to artificial neural networks for forecasting time series[J]. Methodology, 2008, 4(2): 80-86.

［16］ LOTUFO A D P, LOPES M L M, MINUSSI C R. Sensitivity analysis by neural networks applied to power systems transient stability[J]. Electric Power Systems Research, 2007, 77(7): 730-738.

［17］ YUSOFF A R B, AZIZ I A. Sensitivity analysis via artificial neural network of biomass boiler emission[J]. Journal Mekanikal, 2004, 18: 66-77.

［18］ REUTER U, MEHMOOD Z, GEBHARDT C. Efficient classification based methods for global sensitivity analysis[J]. Computers & Structures, 2012, 110/111(0): 79-92.

［19］ CORTEZ P, EMBRECHTS M J. Using sensitivity analysis and visualization techniques to open black box data mining models[J]. Information Sciences, 2013, 225: 1-17.

［20］ 唐文勇, 周佳, 朱荣成. 基于人工神经网络方法的舰船参数灵敏度分析[J]. 舰船科学技术, 2006, 28(6): 111-114.

TANG Wenyong, ZHOU Jia, ZHU Rongcheng. Parametric sensitivity analysis of ships based on artificial neural network method[J]. Ship Science and Technology, 2006, 28(6): 111-114.

［21］ HASHEM S. Sensitivity analysis for feedforward artificial neural networks with differentiable activation functions[C]. International Joint Conference on Neural Networks. 1992: 419-424.

［22］ LU M, ABOURIZK S, HERMANN U. Sensitivity analysis of neural networks in spool fabrication productivity studies[J]. Journal of Computing in Civil Engineering, 2001, 15(4): 299-308.

［23］ SHOJAEEFARD M H, AKBARI M, TAHANI M, et al. Sensitivity analysis of the artificial neural network outputs in friction stir lap joining of aluminum to brass[J]. Advances in Materials Science and Engineering, 2013, 2013(1): 1-7.

［24］ 陈太聪, 韩大建, 苏成. 参数灵敏度分析的神经网络方法及其工程应用[J]. 计算力学学报, 2004, 21(6): 752-756.

CHEN Taicong, HAN Dajian, SU Cheng. Neural network method in parameter sensitivity analysis and its application in engineering[J]. Chinese Journal of Computational Mechanics, 2004, 21(6): 752-756.

［25］ 肖宝兰, 俞小莉, 韩松, 等. 基于神经网络的换热器翅片参数灵敏度分析[J]. 浙江大学学报(工学版), 2011, 45(1): 122-125.

XIAO Baolan, YU Xiaoli, HAN Song, et al. Parameter sensitivity analysis of fin based on neural network in heat exchanger[J]. Journal of Zhejiang University (Engineering Science), 2011, 45(1): 122-125.

［26］ VGB PowerTech. Application of data reconciliation in accordance with VDI 2048: VGB-S-009-S-00[S]. Essen, Germany: VGB PowerTech e.V, 2012: 20.

［27］ GUO S S, LIU P, LI Z. Enhancement of performance monitoring of a coal-fired power plant via dynamic data reconciliation[J]. Energy, 2018, 151: 203-210.

［28］ QI M F, FU Z G, CHEN F. Outliers detection method of multiple measuring points of parameters in power plant units[J]. Applied Thermal Engineering, 2015, 85: 297-303.

Characteristics analysis of power supply coal consumption for coal-fired power units based on big data

QI Minfang1,2, LI Xiaoen1, LIU Xiao1, WANG Yifei1

(1. National Institute of Clean-and-Low-Carbon Energy, Beijing 102211, China; 2. Civil and Resources Engineering School, University of Science and Technology Beijing, Beijing 100083, China)

The value of power supply coal consumption of coal-fired power units is the main index to measure the level of energy saving and consumption reduction of the units. In this paper, big data analysis technology is used to analyze the historical data of energy consumption. Back-propagation (BP) neural network method is applied to respectively establish the sensitivity analysis models of power supply coal consumption at different load intervals. The impact evaluation factor (sensitivity coefficient) of operation controllable parameters to the power supply coal consumption and prediction ability of the model under different load conditions are calculated. The results show that, both the training and prediction accuracy of the model based on the sensitivity analysis method of BP neural network are within ±0.6%, and the calculation accuracy of the model is high. The sensitivity analysis coefficient of each operation controllable parameter to power supply coal consumption is different at different loads, but has certain regularity. In actual operation, the characteristic parameters with large sensitivity coefficient should be adjusted.

big data, coal-fired power unit, power supply coal consumption, neural network, back-propagation, evaluation factor, sensitivity analysis

TK16

A

10.19666/j.rlfd.201905126

2019-05-20

齐敏芳(1986—)，女，博士，主要研究方向为火电机组性能分析与优化、状态检测与诊断等技术，qiminfang1986@126.com。

齐敏芳, 李晓恩, 刘潇, 等. 基于大数据的燃煤机组供电煤耗特性分析[J]. 热力发电, 2019, 48(9): 51-57. QI Minfang, LI Xiaoen, LIU Xiao, et al. Characteristics analysis of power supply coal consumption for coal-fired power units based on big data[J]. Thermal Power Generation, 2019, 48(9): 51-57.

（责任编辑 杨嘉蕾）