论文部分内容阅读
火力发电是我国重要的发电模式,在我国能源结构中具有重要的地位。随着时代的进步,大数据技术正在被越来越多的关注。大数据技术在处理火电机组参数预测、故障诊断、安全监测、性能优化方面得到越来越多的应用。本文根据火电机组对火电机组主要运行参数预测的要求,从大数据建模的角度出发,通过数据参数提取、特征提取、模型构建、自动化部署几个方面开展。论文主要工作如下:首先,数据参数提取。本文通过火电大数据建模,通过分析火电机组的机理模型,阐述了火电机组各个流程之间的关系,分析了火电机组各个参数之间的关系,通过机理模型因素选取模型构建可能需求的模型参数68列。并通过相关度分析的方法,筛选机理模型中挑选出来的参数24列,其中指令型参数(负荷指令)1列,待构建模型参数4列,模型输入参数19列。其次,特征提取。根据负荷指令,本文提出一种将火电机组进行稳态区间划分的算法,得到一段较长时间实际负荷稳定下火电机组工作区间;本文模型构建在各个划分好的稳态区间下,对于每一个稳态区间,本文使用了7个点平滑的方法,对测量参数进行平滑处理,以降低测量参数之间的噪声,再进行参数间时间延迟计算,通过计算延迟的结果进行滑窗法模型参数拼接,生成模型训练和测试的特征向量。再次,模型构建。对各个负荷段进行单独建模,对于每个负荷指令区间,首先进行数据标准化处理,通过构建的全连接方式深度学习模型,对网络进行主蒸汽压力、再热蒸汽压力、冷再进口蒸汽压力三个参数进行联合建模,得到各个负荷段,各个参数的预测结果误差均小于0.2个大气压。再根据实时预测得到3个参数的预测结果,与输入参数之间进行数据融合,构建实际负荷预测模型的特征向量,并构建预测实际负荷的全连接式的深度学习模型,训练得到的模型对1008MW负荷段的预测误差为0.148MW(误差为0.015%),其他负荷段的预测误差均小于0.07MW,可以满足了参数预测的要求。最后,自动化部署。为了减少人为干预,本文构建定时任务引擎实现模型各个子模块的定时,引入模型批量训练的方法实现了模型自动调优,引入了一种模型服务的方法实现了模型的定时更新,从而完成了一套完整的火电机组模型部署系统。该系统可是实现在参数抽取、模型构建、模型调优、模型部署完全自动化工作。