[发明专利]一种火电机组调峰能力预测方法、装置及系统

说明书

本发明公开了一种火电机组调峰能力预测方法、装置及系统，方法包括以下步骤：从火电机组运行的历史数据中筛选出数据集；根据BIC值确定最优聚类个数；基于K‑means算法对数据集进行一次聚类；基于GMM算法对数据集进行二次聚类；将采集的实时数据在所有类簇中确定相似度最高的类簇，将相似度最高的类簇中寻优参数的最大值、以及所有类簇中寻优参数的最小值作为预测结果。本方法分别通过BIC值、K‑means算法确定样本集的最优聚类个数、GMM算法的初始参数，有效提升利用EM算法求解高斯分布参数的准确性，从而提升最终预测的准确性，本发明提供的火电机组调峰能力预测方法、装置及系统能够对火电机组调峰能力进行在线预测，能为电网编制负荷调度策略提供数据基础。

技术领域

本发明涉及火电厂发电技术领域，特别涉及一种火电机组调峰能力预测方法、装置及系统。

背景技术

火力发电是一个极为复杂的生产过程，在不同煤质和季节下，机组带负荷能力存在显著差异，要实现火电机组调峰能力监测和评估，采用传统方法很难取得较好效果，因此，如何对海量运行历史数据进行挖掘，自动划分机组运行工况，并预测出每个工况下的机组调峰能力是电网安全可靠调度、运行以及智能电网建设的要求，也是目前仍待研究的问题。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种火电机组调峰能力预测方法、装置及系统，对火电机组调峰能力进行在线预测，能为电网编制负荷调度策略提供数据基础。

本发明提供了一种火电机组调峰能力预测方法、装置及系统。

根据本发明实施例的一种火电机组调峰能力预测方法，包括以下步骤：

从火电机组正常运行的历史数据中筛选出包含若干个训练样本的数据集，所述训练样本中包含工况参数和寻优参数；

根据BIC值确定所述数据集的最优聚类个数；

基于K-means算法按照所述最优聚类个数对所述数据集进行一次聚类，得到一次聚类结果；

基于GMM算法并以所述最优聚类个数以及所述一次聚类结果作为输入参数对所述数据集进行二次聚类，得到二次聚类结果，并且在所述二次聚类结果中确定每个类簇中寻优参数的最大值、以及所有类簇中寻优参数的最小值；

将采集的实时数据在所有类簇中确定相似度最高的类簇，将所述相似度最高的类簇中寻优参数的最大值、以及所述所有类簇中寻优参数的最小值作为预测结果。

根据本发明的一些实施例，所述工况参数包括：入炉煤质参数、循环水入口温度和磨煤机给煤量，所述入炉煤质参数包括：收到基水分、收到基灰分、干燥无灰基挥发分以及低位发热量。

根据本发明的一些实施例，所述将采集的实时数据在所有类簇中确定相似度最高的类簇之前，还包括步骤：

基于软测量方法对所述入炉煤质参数进行实时预测。

根据本发明的一些实施例，所述软测量方法为三层BP神经网络算法。

根据本发明的一些实施例，所述在所有类簇中确定相似度最高的类簇，进一步包括：

设定最优聚类个数为K，将采集的实时数据与所述二次聚类结果中的K个高斯模型期望值进行相似度计算并选取相似度最高的类簇。

根据本发明实施例的一种火电机组调峰能力预测装置，包括：

样本数据获取组件、最优聚类个数确定组件、多重聚类计算组件、以及预测结果确定组件；

所述样本数据获取组件用于从火电机组正常运行的历史数据中筛选出包含若干个训练样本的数据集，所述训练样本中包含工况参数和寻优参数；

所述最优聚类个数确定组件用于根据BIC值确定所述数据集的最优聚类个数；