[发明专利]基于BP神经网络的电厂厂用电率计算方法

说明书

技术领域

本发明涉及管理数据处理技术领域，具体涉及一种基于BP神经网络的电厂厂用电率计算方法。

背景技术

在电厂设计时，需要根据电厂装机容量选择电厂工艺和发电设备，首先进行设备参数初次选型，在此基础上再进行二次组合匹配选型，从而获得技术先进、生产效能优良、好运营效益良好的电力生产系统。电厂厂用电率是二次组合匹配选型所采用的一个重要评价指标。

电厂通常包括多个发电机组，发电机组包括发动机、发电机、控制系统，发电机组的类型有多种，不同的发电机组的设计系统存在较大的差异，锅炉辅机形式也会不同，电机功率和轴功率的匹配关系也不同。发电机组还包括电动给水泵、凝结水泵、一次风机、二次风机、引风机等辅助设备，这些设备都需要消耗电能。同时电厂还包括数量庞大的用电负荷单元，不同用电负荷单元的用电时间均存在差异，且很难界定具体的用电时间。显而易见，要精确计算电厂厂用电率非常困难，只能采用估算的方式来确定电厂厂用电率，估算的准确性直接关系到电厂设计的科学性和投产后电厂的经济效益的高低。

目前，电厂厂用电率的计算方法为人工统计计算法，也即电厂工艺设计人员根据电厂的装机容量进行电厂设备的初次选择，得到发电机组及其辅助设备的设计参数，如发电机组功率，电厂工艺设计人员将电机组功率乘以电厂厂用电系数得到电厂厂用电率。

电厂厂用电系数电厂运营人员通过对现有电厂的运营数据进行统计得到，电厂运营人员以自己运营的电厂的运营数据为历史样本进行统计计算，得到现有电厂的厂用电系数，显而易见，运营人员运营的电厂的数量较少，作为历史样本的运营数据也很少，通过现有几个电厂统计得到的电厂厂用电系数具有很大的局限性。同时，由于新设计电厂的生产工艺和现有电厂的生产工艺存在较大的不同，及时生产工艺一样的两个电厂由于装机容量的不同，设备选型和设备组合方式也存在较大的不同，因此，电厂工艺设计人员采用现有电厂的厂用电系进行设计电厂厂用电率计算时，需要进行厂用电系数的修正。

电厂厂用电系数进行修正，可通过对新电厂发电机组及辅助设备进行工程实测,通过得到的实测数据对现有电厂厂用电系数进行修正。不过新电厂工程实测能测试的项目少、实测工程量大，测试周期长、测试费用高。同时由于测试项目较少，测试效果受到工程实施情况的限制，所获得的电厂厂用电系数同样很难反映新电厂生产设备的厂用电系数。因此，实测修正在实际应用中基本不采用。

目前，电厂工艺设计人员根据电厂运营人员提供的电厂厂用电系数按照经验进行推理修正,计算出电厂厂用电率进。这种修正方法缺乏对比校核的手段，因此计算结果准确性低、可靠性差、受人为因素影响较大，影响到电厂设计的先进性和经济性。

BP神经网络是人工智能神经网络中应用最为广泛的神经网络模型，其网络模型拓扑结构包括输入层、隐层和输出层。BP神经网络由非线性传递函数神经元构成的，能学习和存贮大量的输入-输出模式映射关系，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的连接权值和阈值，使神经网络的误差平方和最小。BP神经网络广泛用于自动控制、优化设计、模式识别、预测等领域。BP神经网络的样本通常用数据库来存储。

发明内容

本发明所要解决的技术问题是提供一种非人工统计计算的基于BP神经网络的电厂厂用电率计算方法。

本发明解决技术问题所采用的技术方案是：

基于BP神经网络的电厂厂用电率计算方法，建立用于计算电厂厂用电总负荷的BP神经网络初始模型,BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型，输入设计电厂设备数据，通过BP神经网络最终模型计算出设计电厂厂用电总负荷，将计电厂厂用电总负荷转换成设计电厂厂用电率，包括以下步骤：

步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型：按照电厂厂用电总负荷计算要求，确定电厂厂用电总负荷的影响变量，以影响变量为输入变量，电厂厂用电总负荷为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层及输出层的BP神经网络初始模型；

步骤2、初始化BP神经网络初始模型并进行参数设置：初始化BP神经网络初始模型的连接权值和阀值，对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置；

步骤3、采集计算现有电厂厂用电总负荷的影响变量数据：BP神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据；