基于大數(shù)據(jù)的燃煤機(jī)組供電煤耗特性分析

齊敏芳，李曉恩，劉 瀟，王藝霏

基于大數(shù)據(jù)的燃煤機(jī)組供電煤耗特性分析

齊敏芳1,2，李曉恩1，劉 瀟1，王藝霏1

（1.北京低碳清潔能源研究院，北京 102211；2.北京科技大學(xué)土木與資源工程學(xué)院，北京 100083）

燃煤發(fā)電機(jī)組供電煤耗的高低是衡量機(jī)組節(jié)能降耗水平的主要指標(biāo)。本文利用大數(shù)據(jù)分析技術(shù)對(duì)機(jī)組能耗相關(guān)歷史數(shù)據(jù)進(jìn)行分析，采用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)對(duì)不同負(fù)荷區(qū)間分別建立供電煤耗特性分析模型，計(jì)算各個(gè)負(fù)荷工況區(qū)間內(nèi)各運(yùn)行可控參數(shù)對(duì)供電煤耗的影響評(píng)價(jià)因子即敏感性系數(shù)，以及不同負(fù)荷區(qū)間內(nèi)模型預(yù)測(cè)能力。結(jié)果表明：基于BP神經(jīng)網(wǎng)絡(luò)的供電煤耗特性分析模型的訓(xùn)練和預(yù)測(cè)精度均在±0.6%范圍內(nèi)，模型計(jì)算精度較高；各運(yùn)行可控參數(shù)在不同負(fù)荷區(qū)間內(nèi)對(duì)供電煤耗的影響存在差異，但具有一定規(guī)律；在實(shí)際運(yùn)行中應(yīng)重點(diǎn)調(diào)整敏感性系數(shù)大的特征參數(shù)。

大數(shù)據(jù)；燃煤機(jī)組；供電煤耗；神經(jīng)網(wǎng)絡(luò)；反向傳播；評(píng)價(jià)因子；敏感性分析

近年來(lái)，燃煤發(fā)電機(jī)組面對(duì)全球大氣污染治理及氣候變化、新電改下發(fā)電企業(yè)直接參與市場(chǎng)競(jìng)爭(zhēng)、新能源并網(wǎng)消納頻繁調(diào)峰等問題，節(jié)能減排降耗責(zé)任和壓力巨大[1-2]。隨著信息技術(shù)及大數(shù)據(jù)分析技術(shù)在發(fā)電廠的融合應(yīng)用，以及發(fā)電廠運(yùn)行監(jiān)測(cè)水平智能管理水平的提高，建設(shè)數(shù)字化智慧型的智能電站已成為燃煤發(fā)電機(jī)組的發(fā)展方向。能耗特性分析與診斷是燃煤發(fā)電機(jī)組節(jié)能降耗工作的基礎(chǔ)，在線實(shí)時(shí)計(jì)算燃煤發(fā)電機(jī)組的供電煤耗，可為機(jī)組的智能化、高效化、精準(zhǔn)化控制提供依據(jù)。

隨著機(jī)組硬件設(shè)備水平和在線監(jiān)測(cè)水平逐年提高，我國(guó)燃煤發(fā)電機(jī)組供電煤耗逐年降低。燃煤發(fā)電機(jī)組能耗損失分為可控能耗損失與不可控能耗損失[3]。可控?fù)p失按運(yùn)行中是否可控進(jìn)一步分為設(shè)備維修可控?fù)p失和參數(shù)運(yùn)行可控?fù)p失[4]。參數(shù)運(yùn)行可控?fù)p失指機(jī)組在實(shí)際運(yùn)行過(guò)程中，可以通過(guò)改善運(yùn)行可控參數(shù)進(jìn)行機(jī)組調(diào)整，以降低能損。在機(jī)組長(zhǎng)期運(yùn)行中，煤質(zhì)特性和環(huán)境因素是不可控的，而機(jī)組硬件設(shè)備狀態(tài)相對(duì)穩(wěn)定，維修可控?fù)p失占比較小，因此主要關(guān)注參數(shù)運(yùn)行可控?fù)p失。

能耗敏感特性分析則對(duì)不同運(yùn)行工況、不同負(fù)荷范圍下由實(shí)際運(yùn)行可控參數(shù)與其設(shè)定值或設(shè)計(jì)值的偏差導(dǎo)致的能耗水平惡化程度進(jìn)行定量分析，以確定其影響程度。目前，研究主要是從傳統(tǒng)熱力學(xué)系統(tǒng)機(jī)理出發(fā)，依據(jù)熱力學(xué)方法、特性曲線法及實(shí)驗(yàn)法進(jìn)行運(yùn)行參數(shù)影響分析。傳統(tǒng)熱力學(xué)方法因其復(fù)雜的機(jī)理分析使在線應(yīng)用受到限制[5]；熱力學(xué)方法多方程組且迭代求解偏導(dǎo)數(shù)較難或不收斂；特性曲線法和實(shí)驗(yàn)法偏向理想情況，實(shí)際很難達(dá)到。由于機(jī)組環(huán)境及煤質(zhì)邊界條件多變、設(shè)備老化性能改變、熱力系統(tǒng)非線性高維、運(yùn)行參數(shù)多重高相關(guān)等原因，使得上述方法在一定程度上受到限制。部分學(xué)者對(duì)偏導(dǎo)數(shù)無(wú)法求解或迭代求解復(fù)雜或不收斂的問題采用變通方法，通常以某運(yùn)行參數(shù)微小擾動(dòng)量Δ與其導(dǎo)致的能耗指標(biāo)變化量Δ的比值Δ/Δ來(lái)表征能耗指標(biāo)對(duì)某可控參數(shù)的偏導(dǎo)數(shù)?/?，此即為耗差分析方法[6]。文獻(xiàn)[7]通過(guò)狀態(tài)空間構(gòu)建可控參數(shù)與能耗指標(biāo)之間的拓?fù)浣Y(jié)構(gòu)，以參數(shù)擾動(dòng)導(dǎo)致的供電煤耗浮動(dòng)值繪制能耗敏感因子曲線。文獻(xiàn)[8]引入矩陣微分理論構(gòu)建多因素?cái)_動(dòng)影響下的能效分析模型。文獻(xiàn)[9]基于功率變工況，計(jì)算以微小偏差代替偏導(dǎo)數(shù)挖掘系統(tǒng)主要決策變量引起的能耗敏感性變化規(guī)律，通過(guò)機(jī)組實(shí)際運(yùn)行狀態(tài)與基準(zhǔn)狀態(tài)對(duì)比進(jìn)行能損定位。

隨著電廠數(shù)字化、智能化水平的提高，電廠存儲(chǔ)了海量信息豐富的歷史數(shù)據(jù)及大量的實(shí)時(shí)運(yùn)行數(shù)據(jù)。大數(shù)據(jù)分析技術(shù)近年來(lái)發(fā)展迅速，其充分挖掘數(shù)據(jù)信息，將歷史數(shù)據(jù)變?yōu)榭捎觅Y源，為供電煤耗的偏導(dǎo)數(shù)求解提供了新思路。傳統(tǒng)機(jī)理模型依賴于輸入、輸出參數(shù)之間的因果關(guān)系，而基于大數(shù)據(jù)的分析技術(shù)無(wú)需輸入、輸出參數(shù)間的因果關(guān)系，而是依據(jù)數(shù)據(jù)信息，挖掘輸入、輸出之間的內(nèi)在隱含聯(lián)系[10]。人工神經(jīng)網(wǎng)絡(luò)通過(guò)黑箱或灰箱訓(xùn)練來(lái)構(gòu)建輸入、輸出之間的關(guān)系，輸入與輸出之間不必有直接的因果關(guān) 系[11]。本文利用機(jī)組歷史運(yùn)行數(shù)據(jù)，基于大數(shù)據(jù)分析方法如BP神經(jīng)網(wǎng)絡(luò)，建立供電煤耗與運(yùn)行可控參數(shù)的特性分析模型，并基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行偏導(dǎo)數(shù)求解，獲取運(yùn)行可控參數(shù)在不同負(fù)荷區(qū)間對(duì)供電煤耗影響評(píng)價(jià)因子即敏感性系數(shù)。

1 基于神經(jīng)網(wǎng)絡(luò)的敏感性分析

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

神經(jīng)網(wǎng)絡(luò)是人工智能發(fā)展的一個(gè)主流方向，是由大量的、相對(duì)簡(jiǎn)單的處理單元（即神經(jīng)元）通過(guò)廣泛的網(wǎng)絡(luò)節(jié)點(diǎn)連接而形成的多層網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一個(gè)高度復(fù)雜的非線性動(dòng)力系統(tǒng)，具有高維非線性映射、自學(xué)習(xí)、自組織、自適應(yīng)、大規(guī)模并行處理等能力，可在輸入和輸出之間函數(shù)關(guān)系未知的情況下，獲取各輸入?yún)?shù)復(fù)雜的非線性映射。1986年Rumelhart和McClelland等科學(xué)家首次提出BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)是一種按照誤差反向傳播進(jìn)行網(wǎng)絡(luò)訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)由正向和反向兩個(gè)過(guò)程構(gòu)成，包括數(shù)據(jù)流信號(hào)的正向傳播和誤差信號(hào)的反向傳播，適合于多層神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)。圖1為包括輸入層、隱含層（可以是1層或多層）、輸出層的3層BP神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)[12]。假設(shè)輸入層和輸出層分別有和個(gè)神經(jīng)元節(jié)點(diǎn)，隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)為

式中t為1和10之間的隨機(jī)數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)若用函數(shù)式表示為[13]：

式中：為BP神經(jīng)網(wǎng)絡(luò)輸出；為BP神經(jīng)網(wǎng)絡(luò)輸入；1和2為輸入層到隱含層和隱含層到輸出層的連接權(quán)重；1和2為輸入層到隱含層和隱含層到輸出層的連接閾值；net1為隱含層輸入；net2為輸出層輸入；out1為隱含層的輸出；1(net1)為隱含層激活函數(shù)；2(net2)為輸出層激活函數(shù)。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的敏感性分析算法

受神經(jīng)網(wǎng)絡(luò)多層感知器（multi-layer perceptron，MLP）的轉(zhuǎn)化函數(shù)Sigmoid對(duì)參數(shù)計(jì)算范圍的限制，模型輸入、輸出通常不直接作為BP網(wǎng)絡(luò)輸入及輸出，必須先進(jìn)行歸一化處理進(jìn)行神經(jīng)網(wǎng)絡(luò)映射。參數(shù)歸一化過(guò)程為

式中，常系數(shù)矩陣、對(duì)應(yīng)網(wǎng)絡(luò)輸入和輸出的歸一化矩陣，常系數(shù)矩陣、對(duì)應(yīng)網(wǎng)絡(luò)輸入和輸出的偏量矩陣。

基于BP神經(jīng)網(wǎng)絡(luò)的敏感性分析算法[20-21]中，相對(duì)于的敏感性系數(shù)關(guān)系式表達(dá)如下[22-24]：

結(jié)合式(5)和式(6)可知，模型輸出相對(duì)于輸入的敏感性系數(shù)矩陣為

通常情況下，隱含層激活函數(shù)1通常選擇雙曲正切函數(shù)tansig，輸出層激活函數(shù)2通常選擇線性purelin函數(shù)[12,21,25]：

2個(gè)激活函數(shù)的一階偏導(dǎo)數(shù)為：

則基于該BP神經(jīng)網(wǎng)絡(luò)算法的模型輸出相對(duì)于模型輸入?yún)?shù)的敏感性系數(shù)的一般表述形式為

在網(wǎng)絡(luò)訓(xùn)練完成后，1、2、1即為常系數(shù)矩陣，、、等歸一化矩陣與偏量矩陣也為常系數(shù)矩陣。

偏導(dǎo)數(shù)計(jì)算得到的敏感性系數(shù)矩陣=[]由系統(tǒng)參數(shù)唯一確定，代表了每組輸入、輸出參數(shù)內(nèi)在聯(lián)系函數(shù)的瞬時(shí)斜率，可有效判定參數(shù)重要性。為了更便于對(duì)比參數(shù)的重要性，對(duì)敏感性系數(shù)矩陣*=[1,2,3,…,s,…,s]進(jìn)行矩陣歸一化處理：

以歸一化后的敏感性系數(shù)作為衡量輸入?yún)?shù)對(duì)輸出參數(shù)影響的評(píng)價(jià)因子。

2 供電煤耗特性分析模型

供電煤耗是表征機(jī)組能耗水平、衡量機(jī)組運(yùn)行經(jīng)濟(jì)性、機(jī)組對(duì)標(biāo)考核的關(guān)鍵指標(biāo)。常用的燃煤電站機(jī)組供電煤耗sn為

式中，b、i、m、g、p及∑i分別為鍋爐效率、各級(jí)循環(huán)熱效率、機(jī)械效率、發(fā)電機(jī)效率、管道效率以及廠用電率。

根據(jù)機(jī)組硬件設(shè)備的物理結(jié)構(gòu)信息、系統(tǒng)關(guān)聯(lián)性、物質(zhì)平衡性、能量平衡關(guān)系、可控參數(shù)等多種因素，對(duì)供電煤耗敏感性分析模型的參數(shù)進(jìn)行初選。機(jī)組供電煤耗與主蒸汽溫度、給水溫度、排煙溫度、主蒸汽壓力、排煙氧量、凝汽器真空等多個(gè)運(yùn)行可控參數(shù)之間的高維非線性關(guān)系為

基于BP神經(jīng)網(wǎng)絡(luò)，以供電煤耗sn作為模型輸出，以影響供電煤耗的運(yùn)行可控參數(shù)作為模型的輸入，構(gòu)建供電煤耗與多維運(yùn)行可控參數(shù)的非線性BP神經(jīng)網(wǎng)絡(luò)敏感性特性分析模型。該模型通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法直接求解偏導(dǎo)數(shù)得到各運(yùn)行可控參數(shù)敏感性系數(shù)，反映其對(duì)供電煤耗的影響程度。在機(jī)組實(shí)際運(yùn)行過(guò)程中，根據(jù)不同機(jī)組負(fù)荷區(qū)間各可控運(yùn)行參數(shù)敏感性系數(shù)的大小，決定參數(shù)調(diào)節(jié)的優(yōu)先順序以及調(diào)節(jié)幅度。

本文對(duì)全負(fù)荷工況進(jìn)行區(qū)間劃分，在各個(gè)負(fù)荷區(qū)間分別建立基于BP神經(jīng)網(wǎng)絡(luò)的供電煤耗預(yù)測(cè)模型，并進(jìn)行敏感性分析和供電煤耗預(yù)測(cè)，從而構(gòu)成全負(fù)荷范圍的供電煤耗特性分析及預(yù)測(cè)模型，建模流程如圖2所示。

圖2 供電煤耗特性建模流程

3 研究對(duì)象

本文選取某600 MW燃煤發(fā)電機(jī)組作為分析案例。該機(jī)組采用單爐膛∏型布置的HG-2023/17.6-YM4型亞臨界鍋爐，帶有一次中間再熱、固態(tài)排渣系統(tǒng)；亞臨界汽輪機(jī)為反動(dòng)凝結(jié)式四缸四排汽，型號(hào)N600-16.7/537/537-I。在7個(gè)典型負(fù)荷工況300、350、400、450、500、550、600 MW下，分別建立供電煤耗的敏感性分析模型。依據(jù)負(fù)荷鄰域區(qū)間Δ=2 MW進(jìn)行典型負(fù)荷區(qū)間的選取。采用穩(wěn)態(tài)判別及異常數(shù)據(jù)剔除及校正方法[26-28]，對(duì)機(jī)組能耗相關(guān)可控參數(shù)歷史數(shù)據(jù)進(jìn)行預(yù)處理[26-28]。數(shù)據(jù)采樣周期為60 s，得到300 MW負(fù)荷樣本數(shù)2 994組，350 MW負(fù)荷區(qū)間樣本數(shù)2 299組，400 MW負(fù)荷區(qū)間樣本數(shù)2 106組，450 MW負(fù)荷區(qū)間樣本數(shù)619組，500 MW負(fù)荷區(qū)間樣本數(shù)556組，550 MW負(fù)荷區(qū)間樣本數(shù)434組，600 MW負(fù)荷區(qū)間樣本數(shù)862組。

為了對(duì)模型性能進(jìn)行評(píng)估，選擇平均絕對(duì)誤差（MAE），平均絕對(duì)相對(duì)誤差（MARE），均方根誤差（RMSE）以及決策系數(shù)（2）作為評(píng)價(jià)模型性能的評(píng)價(jià)標(biāo)準(zhǔn)。

4 敏感性分析結(jié)果

考慮到負(fù)荷的頻繁波動(dòng)、煤質(zhì)取樣頻次低以及化驗(yàn)滯后等問題，煤質(zhì)特性數(shù)據(jù)與實(shí)時(shí)運(yùn)行數(shù)據(jù)難以建立實(shí)時(shí)的數(shù)據(jù)匹配。因此，本文盡量選取機(jī)組煤種來(lái)源單一煤質(zhì)特性穩(wěn)定的工況，削弱煤質(zhì)不可控因素對(duì)供電煤耗的影響，主要分析運(yùn)行可控因素對(duì)供電煤耗的影響。供電煤耗在線預(yù)測(cè)模型輸入?yún)?shù)依次為主蒸汽壓力、調(diào)節(jié)級(jí)壓力、再熱蒸汽壓力、給水泵出口壓力、再熱減溫水壓力、主蒸汽溫度、調(diào)節(jié)級(jí)溫度、再熱蒸汽溫度、給水泵出口溫度、再熱減溫水溫度、凝結(jié)水溫度、循環(huán)水入口溫度、再熱減溫水總流量、過(guò)熱減溫水總流量、平均排煙氧量、平均排煙溫度、主蒸汽流量、凝汽器真空度、廠用電率及循環(huán)水量共20個(gè)。輸出參數(shù)為供電煤耗。表1給出了7個(gè)典型工況下該敏感性分析模型的特性比較結(jié)果。由表1可見，MAE指標(biāo)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，證明該模型預(yù)測(cè)精度較高，能夠滿足工程需求。

表1 不同負(fù)荷下供電煤耗敏感性特性比較

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

圖3—圖6分別給出了300、400、500、600 MW工況區(qū)間訓(xùn)練樣本及測(cè)試樣本的相對(duì)誤差分布。由圖3可見：300 MW負(fù)荷區(qū)間內(nèi)，模型訓(xùn)練樣本最大相對(duì)誤差0.457 6%，平均相對(duì)誤差0.050 0%；測(cè)試樣本最大相對(duì)誤差0.400 0%，平均相對(duì)誤差 0.054 5%。由圖4可見：400 MW負(fù)荷區(qū)間內(nèi)，模型訓(xùn)練樣本最大相對(duì)誤差0.432 1%，平均相對(duì)誤差0.058 1%；測(cè)試樣本最大相對(duì)誤差0.547 4%，平均相對(duì)誤差0.065 1。由圖5可見：500 MW負(fù)荷區(qū)間內(nèi)，訓(xùn)練樣本最大相對(duì)誤差0.593 3%，平均相對(duì)誤差0.048 8%；測(cè)試樣本最大相對(duì)誤差0.574 1%，平均相對(duì)誤差0.049 6%。由圖6可見：600 MW負(fù)荷區(qū)間內(nèi)，訓(xùn)練樣本最大相對(duì)誤差0.189 9%，平均相對(duì)誤差0.041 4%，測(cè)試樣本最大相對(duì)誤差0.210 1%，平均相對(duì)誤差0.052 1%。這4種負(fù)荷工況下，模型訓(xùn)練樣本和測(cè)試樣本相對(duì)誤差均主要集中在±0.2%之間，訓(xùn)練樣本和測(cè)試樣本的最大相對(duì)誤差均落入±0.6%范圍內(nèi)，故模型整體精度可控，精度較高。

圖3 300 MW負(fù)荷區(qū)間相對(duì)誤差分布

圖4 400 MW負(fù)荷區(qū)間相對(duì)誤差分布

圖5 500 MW負(fù)荷區(qū)間相對(duì)誤差分布

圖6 600 MW負(fù)荷區(qū)間相對(duì)誤差分布

表2進(jìn)一步給出了7個(gè)典型工況下對(duì)供電煤耗影響較大的前10個(gè)運(yùn)行可控參數(shù)的敏感性系 數(shù)具體值。

表2 不同負(fù)荷下運(yùn)行參數(shù)的供電煤耗敏感性系數(shù)

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

由表2可見：?jiǎn)我贿\(yùn)行可控參數(shù)對(duì)供電煤耗的影響在不同負(fù)荷區(qū)間存在差異；在各負(fù)荷段供電煤耗對(duì)凝汽器真空度相對(duì)更敏感。實(shí)際運(yùn)行過(guò)程中，需根據(jù)不同負(fù)荷區(qū)間各運(yùn)行可控參數(shù)影響和可調(diào)節(jié)幅度，采取相應(yīng)的調(diào)整措施，以降低供電煤耗。另外，在各個(gè)負(fù)荷段均應(yīng)重點(diǎn)關(guān)注凝汽器真空度。

5 結(jié) 論

能耗機(jī)理分析模型依賴于參數(shù)之間的機(jī)理因果，對(duì)因果關(guān)系不明的參數(shù)不能覆蓋，同時(shí)對(duì)于復(fù)雜關(guān)系不能顯式表達(dá)或高維迭代難求解。對(duì)此，利用大數(shù)據(jù)不關(guān)心因果關(guān)系，注重相關(guān)關(guān)系的思維，本項(xiàng)目采用神經(jīng)網(wǎng)絡(luò)敏感性分析方法對(duì)影響供電煤耗的可控運(yùn)行參數(shù)進(jìn)行特性分析。該方法利用模型參數(shù)直接構(gòu)建并求解偏導(dǎo)數(shù)，以偏導(dǎo)數(shù)形式表達(dá)可控參數(shù)對(duì)供電煤耗的影響大小，解決了能耗特性分析中偏導(dǎo)數(shù)求解難的問題，為燃煤發(fā)電機(jī)組能耗在線分析提供了一種新思路。

基于BP神經(jīng)網(wǎng)絡(luò)敏感性分析方法模型的訓(xùn)練和預(yù)測(cè)精度均在±0.6%范圍內(nèi)，計(jì)算精度較高。單一運(yùn)行可控參數(shù)對(duì)供電煤耗的影響在不同負(fù)荷區(qū)間有差異，但在各個(gè)負(fù)荷區(qū)間內(nèi)不同參數(shù)影響水平有一定的規(guī)律，其中凝汽器真空度在各個(gè)負(fù)荷區(qū)間內(nèi)對(duì)供電煤耗的影響均最大，應(yīng)重點(diǎn)關(guān)注該方法可為供電煤耗在線計(jì)算和機(jī)組快速調(diào)整提供支持。

［1］ 國(guó)家發(fā)展改革委員會(huì). 煤電節(jié)能減排升級(jí)與改造行動(dòng)計(jì)劃(2014—2020年)[R]. 北京: 國(guó)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］ 曾鳴. 《電力發(fā)展“十三五”規(guī)劃》解讀[J]. 中國(guó)電力企業(yè)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］ 王寧玲. 基于數(shù)據(jù)挖掘的大型燃煤發(fā)電機(jī)組節(jié)能診斷優(yōu)化理論與方法研究[D]. 北京: 華北電力大學(xué), 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］ 朱龍飛. 基于混合模型的熱力系統(tǒng)能耗基準(zhǔn)狀態(tài)確定方法研究[D]. 北京: 華北電力大學(xué), 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］ 齊敏芳. 大數(shù)據(jù)技術(shù)及其在電站機(jī)組分析中的應(yīng) 用[D]. 北京: 華北電力大學(xué), 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, 張春發(fā), 宋之平. 火電機(jī)組運(yùn)行參數(shù)能耗敏感性分析[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 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］ 閆順林. 多元擾動(dòng)下的熱力系統(tǒng)能效分析模型及應(yīng)用研究[D]. 北京: 華北電力大學(xué), 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］ 楊志平. 大型燃煤發(fā)電機(jī)組能耗時(shí)空分布與節(jié)能研究[D]. 北京: 華北電力大學(xué), 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］ 劉炳含, 付忠廣, 王鵬凱, 等. 大數(shù)據(jù)挖據(jù)技術(shù)在燃煤電站機(jī)組能耗分析中的應(yīng)用研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 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, MONTA?O 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, 朱榮成. 基于人工神經(jīng)網(wǎng)絡(luò)方法的艦船參數(shù)靈敏度分析[J]. 艦船科學(xué)技術(shù), 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］ 陳太聰, 韓大建, 蘇成. 參數(shù)靈敏度分析的神經(jīng)網(wǎng)絡(luò)方法及其工程應(yīng)用[J]. 計(jì)算力學(xué)學(xué)報(bào), 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］ 肖寶蘭, 俞小莉, 韓松, 等. 基于神經(jīng)網(wǎng)絡(luò)的換熱器翅片參數(shù)靈敏度分析[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)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

齊敏芳(1986—)，女，博士，主要研究方向?yàn)榛痣姍C(jī)組性能分析與優(yōu)化、狀態(tài)檢測(cè)與診斷等技術(shù)，qiminfang1986@126.com。

齊敏芳, 李曉恩, 劉瀟, 等. 基于大數(shù)據(jù)的燃煤機(jī)組供電煤耗特性分析[J]. 熱力發(fā)電, 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.

（責(zé)任編輯 楊嘉蕾）