考虑天气影响的火电机组空冷系统性能预测方法

doi:10.12096/j.2096-4528.pgt.22151

发电技术 ›› 2024, Vol. 45 ›› Issue (6): 1105-1113.DOI: 10.12096/j.2096-4528.pgt.22151

• 发电及环境保护 • 上一篇

考虑天气影响的火电机组空冷系统性能预测方法

董建宁, 安吉振, 陈衡, 潘佩媛, 徐钢, 王修彦

华北电力大学能源动力与机械工程学院，北京市昌平区 102206

收稿日期:2023-09-06 修回日期:2023-10-26 出版日期:2024-12-31 发布日期:2024-12-30
通讯作者: 陈衡
作者简介:董建宁(1999)，男，硕士，主要研究方向为电站大数据分析和智能预警，realdjn@126.com；
安吉振(1997)，男，硕士，主要研究方向为电站空冷系统优化与大数据分析，120202202033@ncepu.edu.cn；
陈衡(1989)，男，博士，副教授，主要研究方向为电站大数据分析和智能预警，本文通信作者，heng@ncepu.edu.cn；
潘佩媛(1992)，女，博士，副教授，主要研究方向为烟气低温受热面积灰腐蚀耦合机理、高温受热面热腐蚀机理、多相烟气组分反应动力学机制，peiyuanpan@necpu.edu.cn；
徐钢(1978)，男，博士，教授，主要研究方向为能源动力系统优化与节能、污染物控制及温室气体减排，xgncepu@163.com。
基金资助:
国家自然科学基金项目(52106008)

Performance Prediction Method for Air Cooling System of Thermal Power Unit Considering Weather Effect

Jianning DONG, Jizhen AN, Heng CHEN, Peiyuan PAN, Gang XU, Xiuyan WANG

School of Energy Power and Mechanical Engineering, North China Electric Power University, Changping District, Beijing 102206, China

Received:2023-09-06 Revised:2023-10-26 Published:2024-12-31 Online:2024-12-30
Contact: Heng CHEN
Supported by:
National Natural Science Foundation of China(52106008)

摘要/Abstract

摘要：

目的直接空冷机组是一部分缺水地区常用的火力发电形式，由于其采用空气作为冷却介质，因此运行受到诸多限制。为解决直接空冷机组受环境影响大和耗煤量高的问题，对空冷岛换热性能进行预测研究。方法基于河北省某超临界2×600 MW机组的历史运行数据，利用MATLAB软件计算历史空冷岛性能，将历史数据作为训练集和测试集，通过长短期记忆(long short-term memory，LSTM)神经网络机器学习算法，实现对未来一段时间内的空冷岛性能预测。在不改变模型参数的条件下，通过去除各项特征的方式确定特征重要性排名，基于此确定最佳特征选择策略，进一步优化模型。考虑到空冷岛性能受天气影响大，为提升模型在特殊天气下的预测能力，将原数据集结合历史天气预报数据，编写考虑天气因素的预测程序，以预测空冷岛未来一段时间性能，并对预测结果进行可视化分析。结果所采用的预测模型预测准确度明显高于传统自回归移动平均模型(autoregressive integrated moving average model，ARIMA)，对未来1 h以内的直接空冷机组换热性能预测拟合优度均在0.90以上。结论模型所采用的数据特征及算法可以为直接空冷机组的稳定运行提供数据支撑，为智慧电厂的建设提供技术基础。

关键词: 火力发电, 火电机组, 空冷系统, 直接空冷机组, 长短期记忆(LSTM)神经网络, 性能预测, 特征重要性, 天气因素

Abstract:

Objectives Direct air-cooled unit is a common equipment of thermal power generation in some water-deficient areas. The operation is subject to many restrictions because it uses air as its cooling medium. Heat transfer performance of air-cooled island was studied to solve these problems that direct air-cooled units are greatly affected by the environment and have high coal consumption. Methods Based on history-data of a supercritical 2×600 MW unit in Hebei Province, the performance of its air-cooled island was calculated with MATLAB software, this study considered the acquired data as the training set and the test set,which were used to predict future performance in virtue of long short-term memory (LSTM) neural network machine learning algorithm. Under the condition that the model parameters were not changed, the feature importance ranking was determined by removing all features, based on which the best feature selection strategy was determined to further optimize the model. Considering the great impact from the weather, a prediction procedure, taking into account weather factors, was written to improve the accuracy of predicting air-cooled island performance, by combining the original data set with historical weather data. Accordingly prediction results were subjected to visualization and analyzation. Results The prediction accuracy of the adopted prediction model is significantly higher than that of the traditional autoregressive integrated moving average model (ARIMA), and the goodness of fit of the direct air-cooled unit heat transfer performance prediction within the next hour is above 0.90. Conclusions The data characteristics and algorithms used in the model can provide data support for the stable operation of the direct air-cooled unit and provide a technical basis for the construction of intelligent power plants.

Key words: thermal power generation, thermal power units, air cooling system, direct air cooling unit, long and short-term memory (LSTM) neural network, performance prediction, feature importance, weather factor

中图分类号:

TK 264

董建宁, 安吉振, 陈衡, 潘佩媛, 徐钢, 王修彦. 考虑天气影响的火电机组空冷系统性能预测方法[J]. 发电技术, 2024, 45(6): 1105-1113.

Jianning DONG, Jizhen AN, Heng CHEN, Peiyuan PAN, Gang XU, Xiuyan WANG. Performance Prediction Method for Air Cooling System of Thermal Power Unit Considering Weather Effect[J]. Power Generation Technology, 2024, 45(6): 1105-1113.

图/表 11

参考文献 24

1	肖金平，郭民臣．发电厂直接空冷技术研究现状及展望[J]．中国电力教育，2009(S1)：383-385．
	XIAO J P， GUO M C ．Research status and prospect of direct air cooling technology in power plants[J]．China Electric Power Education，2009(S1)：383-385．
2	王河，李跃东，秦志国，等．基于空冷岛性能在线监测的风机优化调节[J]．中国电力，2018，51(8)：154-161．
	WANG H， LI Y D， QIN Z G，et al ．Optimization and regulation of fans based on online monitoring of air-cooled island[J]．Electric Power，2018，51(8)：154-161．
3	曾宇川．基于大数据与人工智能的燃煤电站直接空冷系统状态评估和运行优化[D]．北京：华北电力大学，2021．
	ZENG Y C ．State evaluation and operation optimization of direct air-cooling system in coal-fired power plant based on big data and artificial intelligence[D]．Beijing：North China Electric Power University，2021．
4	刘晓雄，蔺红．基于模型预测控制的源荷储低碳经济调度[J]．电测与仪表，2024，61(7)：153-160．
	LIU X X， LIN H ．Low-carbon economic dispatching of source，load and storage based on model predictive control[J]．Electrical Measurement & Instrumentation，2024，61(7)：153-160．
5	李高扬，王宁，高若田，等．面向新型电力系统智能化提效的多源异构数据融合技术研究[J]．电测与仪表，2024，61(11)：116-121．
	LI G Y， WANG N， GAO R T，et al ．Research on multi-source heterogeneous data integration technology for smart efficiency improvement in novel power system[J]．Electrical Measurement & Instrumentation，2024，61(11)：116-121．
6	朱继忠，苗雨旺，董朝阳，等．基于Attention-LSTM与多模型集成的短期负荷预测方法[J]．电力工程技术，2023，42(5)：138-147．
	ZHU J Z， MIAO Y W， DONG C Y，et al ．Short-term load forecasting method based on Attention-LSTM and multi-model integration[J]．Electric Power Engineering Technology，2023，42(5)：138-147．
7	马文忠，管增嘉，张奎同，等．基于模型预测的VSC-MTDC协调控制策略[J]．电力工程技术，2022，41(6)：75-81．
	MA W Z， GUAN Z J， ZHANG K T，et al ．Coordinate control strategy of VSC-MTDC based on model predictive control[J]．Electric Power Engineering Technology，2022，41(6)：75-81．
8	李永斌．短期电力负荷预测模型的建立与应用[J]．计算机仿真，2011，28(10)：316-319．
	LI Y B ．Establishment and application of short-term power load forecasting[J]．Computer Simulation，2011，28(10)：316-319．
9	陈卓，孙龙祥．基于深度学习LSTM网络的短期电力负荷预测方法[J]．电子技术，2018，47(1)：39-41．
	CHEN Z， SUN L X ．Short-term electrical load forecasting based on deep learning LSTM networks[J]．Electronic Technology，2018，47(1)：39-41．
10	杨国田，张涛，王英男，等．基于长短期记忆神经网络的火电厂NO _x 排放预测模型[J]．热力发电，2018，47(10)：12-17．
	YANG G T， ZHANG T， WANG Y N，et al ．Prediction model for NO_x emissions from thermal power plants based on long-short-term memory neural network[J]．Thermal Power Generation，2018，47(10)：12-17．
11	HOCHREITER S， SCHMIDHUBER J ．Long short-term memory[J]．Oral Oncology，1997，9(8)：1735-1780． doi:10.1162/neco.1997.9.8.1735
12	GRAVES A， MOHAMED A R， HINTON G ．Speech recognition with deep recurrent neural networks[C]//IEEE International Conference on Acoustics．IEEE， 2013． doi:10.1109/icassp.2013.6638947
13	邵宜祥，刘剑，胡丽萍，等．一种改进组合神经网络的超短期风速预测方法研究[J]．发电技术，2024，45(2)：323-330．
	SHAO Y X， LIU J， HU L P，et al ．Research on an ultra-short-term wind speed prediction method based on improved combined neural networks[J]．Power Generation Technology，2024，45(2)：323-330．
14	苏创世．基于优化ELM算法的电站凝汽器故障诊断[D]．北京：华北电力大学，2019．
	SU C S ．Fault diagnosis for power plant condenser based on optimized ELM algorithm[D]．Beijing：North China Electric Power University，2019．
15	何川，郭立君．泵与风机[M]．4版．北京：中国电力出版社，2008．
	HE C， GUO L J ．Thermal energy & power[M]．4th ed．Beijing：China Electric Power Press，2008．
16	谢勤岚．图像降噪的自适应高斯平滑滤波器[J]．计算机工程与应用，2009，45(16)：182-184．
	XIE Q L ．Adaptive Gaussian smoothing filter for image denoising[J]．Computer Engineering and Applications，2009，45(16)：182-184．
17	LI Y， LI Z， WANG H，et al ．CaO carbonation kinetics determined using micro-fluidized bed thermogravimetric analysis[J]．Fuel，2020，264：116823． doi:10.1016/j.fuel.2019.116823
18	章敏敏，徐和平，王晓洁，等．谷歌TensorFlow机器学习框架及应用[J]．微型机与应用，2017，36(10)：58-60．
	ZHANG M M， XU H P， WANG X J，et al ．Application of Google TensorFlow machine learning framework[J]．Microcomputer&Its Applications，2017，36(10)：58-60．
19	周飞燕，金林鹏，董军．卷积神经网络研究综述[J]．计算机学报，2017，40(6)：1229-1251． doi:10.11897/SP.J.1016.2017.01229
	ZHOU F Y， JIN L P， DONG J ．Review of convolutional neural network[J]．Chinese Journal of Computers，2017，40(6)：1229-1251． doi:10.11897/SP.J.1016.2017.01229
20	陈代俊，陈里里，李阳涛．联合循环发电站电力输出预测[J]．发电技术，2024，45(1)：99-105．
	CHEN D J， CHEN L L， LI Y T ．Electrical power output prediction of combined cycle power station[J]．Power Generation Technology，2024，45(1)：99-105．
21	卢泓宇，张敏，刘奕群，等．卷积神经网络特征重要性分析及增强特征选择模型[J]．软件学报，2017，28(11)：2879-2890．
	LU H Y， ZHANG M， LIU Y Q，et al ．Convolution neural network feature importance analysis and feature selection enhanced model[J]．Journal of Software，2017，28(11)：2879-2890．
22	黄树帮，陈耀，金宇清．碳中和背景下多通道特征组合超短期风电功率预测[J]．发电技术，2021，42(1)：60-68． doi:10.12096/j.2096-4528.pgt.20103
	HUANG S B， CHEN Y， JIN Y Q ．A multi-channel feature combination model for Ultra-short-term wind power prediction under carbon neutral background[J]．Power Generation Technology，2021，42(1)：60-68． doi:10.12096/j.2096-4528.pgt.20103
23	BOX G， JENKINS G M， REINSEL G C. Time series analysis forecasting and control-rev.ed.[J].Journal of Time，1976，31(2)：238-242.
24	DURBIN J， KOOPMAN S J ．Time series analysis by state space methods[M]．2nd ed．Oxford：Oxford University Press，2012． doi:10.1093/acprof:oso/9780199641178.001.0001

参数	时间/min
参数	5	10	15	20	25	30	35	40	45	50	55	60
原测试集	0.95	0.95	0.94	0.93	0.92	0.91	0.89	0.87	0.85	0.83	0.81	0.78
去大气压	0.97	0.97	0.96	0.96	0.95	0.93	0.92	0.90	0.89	0.87	0.85	0.82
去温度	0.94	0.93	0.91	0.90	0.89	0.88	0.87	0.85	0.85	0.83	0.82	0.80
去风速	0.94	0.94	0.92	0.92	0.91	0.89	0.87	0.85	0.83	0.81	0.78	0.76
去风向	0.96	0.95	0.94	0.94	0.92	0.91	0.89	0.87	0.86	0.83	0.81	0.78
去排汽压力	0.90	0.90	0.87	0.86	0.85	0.82	0.78	0.76	0.73	0.70	0.66	0.63
去排汽温度	0.94	0.93	0.91	0.90	0.88	0.86	0.83	0.81	0.77	0.75	0.72	0.68
去主汽压力	0.94	0.94	0.93	0.93	0.92	0.91	0.89	0.88	0.86	0.84	0.82	0.80
去主汽温度	0.96	0.95	0.94	0.94	0.92	0.91	0.89	0.88	0.86	0.83	0.81	0.79
去风机转速	0.93	0.93	0.92	0.92	0.91	0.89	0.87	0.86	0.85	0.83	0.81	0.79
去主汽流量	0.96	0.96	0.95	0.94	0.93	0.92	0.91	0.89	0.88	0.85	0.83	0.81
去给水流量	0.96	0.96	0.94	0.94	0.93	0.91	0.89	0.88	0.86	0.84	0.82	0.79
去凝器真空	0.87	0.88	0.87	0.87	0.86	0.85	0.85	0.83	0.83	0.80	0.78	0.77
去凝结水流量	0.94	0.94	0.93	0.92	0.91	0.90	0.88	0.87	0.85	0.83	0.81	0.79
去凝结水温度	0.94	0.93	0.92	0.92	0.91	0.90	0.88	0.86	0.85	0.83	0.80	0.78

参数	时间/min
参数	5	10	15	20	25	30	35	40	45	50	55	60
原测试集	0.95	0.95	0.94	0.93	0.92	0.91	0.89	0.87	0.85	0.83	0.81	0.78
去大气压	0.97	0.97	0.96	0.96	0.95	0.93	0.92	0.90	0.89	0.87	0.85	0.82
去温度	0.94	0.93	0.91	0.90	0.89	0.88	0.87	0.85	0.85	0.83	0.82	0.80
去风速	0.94	0.94	0.92	0.92	0.91	0.89	0.87	0.85	0.83	0.81	0.78	0.76
去风向	0.96	0.95	0.94	0.94	0.92	0.91	0.89	0.87	0.86	0.83	0.81	0.78
去排汽压力	0.90	0.90	0.87	0.86	0.85	0.82	0.78	0.76	0.73	0.70	0.66	0.63
去排汽温度	0.94	0.93	0.91	0.90	0.88	0.86	0.83	0.81	0.77	0.75	0.72	0.68
去主汽压力	0.94	0.94	0.93	0.93	0.92	0.91	0.89	0.88	0.86	0.84	0.82	0.80
去主汽温度	0.96	0.95	0.94	0.94	0.92	0.91	0.89	0.88	0.86	0.83	0.81	0.79
去风机转速	0.93	0.93	0.92	0.92	0.91	0.89	0.87	0.86	0.85	0.83	0.81	0.79
去主汽流量	0.96	0.96	0.95	0.94	0.93	0.92	0.91	0.89	0.88	0.85	0.83	0.81
去给水流量	0.96	0.96	0.94	0.94	0.93	0.91	0.89	0.88	0.86	0.84	0.82	0.79
去凝器真空	0.87	0.88	0.87	0.87	0.86	0.85	0.85	0.83	0.83	0.80	0.78	0.77
去凝结水流量	0.94	0.94	0.93	0.92	0.91	0.90	0.88	0.87	0.85	0.83	0.81	0.79
去凝结水温度	0.94	0.93	0.92	0.92	0.91	0.90	0.88	0.86	0.85	0.83	0.80	0.78

[1]	解婷婷, 孙友源, 郭振, 宋明光. 火电机组碳排放连续监测技术研究与应用综述[J]. 发电技术, 2024, 45(5): 919-928.
[2]	郑淇薇, 赵欣悦, 卢荻, 陈衡, 潘佩媛, 刘彤. 多类型小容量火电机组热电解耦潜力与经济性对比评估[J]. 发电技术, 2024, 45(5): 929-940.
[3]	刘旺, 陈连, 龚高阳, 李智华, 薛文华, 石金刚, 谢军, 李雷雷, 姚荣财, 王召鹏, 杨延西, 邓毅, 张晨辉. 基于数字孪生的空气预热器预测性维护模式研究[J]. 发电技术, 2024, 45(4): 622-632.
[4]	陈晓峰, 左川, 赵宁, 黄凯, 王惠杰. 集成蓄热装置的火电机组调峰特性分析[J]. 发电技术, 2024, 45(3): 392-400.
[5]	郑淇薇, 王华霆, 陈衡, 潘佩媛, 徐钢. 深度调峰背景下火电机组热电解耦技术路径对比分析[J]. 发电技术, 2024, 45(2): 207-215.
[6]	张思海, 李超然, 万广亮, 刘印学, 徐海楠, 黄中, 杨海瑞. 330 MW 循环流化床锅炉深度调峰技术[J]. 发电技术, 2024, 45(2): 199-206.
[7]	王放放, 杨鹏威, 赵光金, 李琦, 刘晓娜, 马双忱. 新型电力系统下火电机组灵活性运行技术发展及挑战[J]. 发电技术, 2024, 45(2): 189-198.
[8]	贾志军, 范伟, 任少君, 魏唐斌. 600 MW亚临界机组长时间深度调峰燃烧稳定性研究[J]. 发电技术, 2024, 45(2): 216-225.
[9]	李展, 杨振勇, 刘磊, 陈振山, 季卫鸣, 洪烽. 火电机组深度调峰工况下炉侧蓄热系数对一次调频能力的影响分析[J]. 发电技术, 2024, 45(2): 226-232.
[10]	杨正, 孙亦鹏, 温志强, 程亮, 李战国. 深度调峰工况下超临界机组的干湿态转换策略研究[J]. 发电技术, 2024, 45(2): 233-239.
[11]	蒋海威, 高明明, 李杰, 于浩洋, 岳光溪, 黄中. 生物质振动炉排炉燃烧过程建模及动态特性分析[J]. 发电技术, 2024, 45(2): 250-259.
[12]	邵宜祥, 刘剑, 胡丽萍, 过亮, 方渊, 李睿. 一种改进组合神经网络的超短期风速预测方法研究[J]. 发电技术, 2024, 45(2): 323-330.
[13]	郭滔, 于海洋, 冯海波, 袁汉川, 田兵, 杨玉杰, 赵元宾, 赵倩. 气侧均流装置对冷却三角单元流动传热特性影响的实验研究[J]. 发电技术, 2024, 45(1): 79-89.
[14]	李延兵, 贾树旺, 张军亮, 符悦, 刘明, 严俊杰. 汽轮机高位布置超超临界燃煤发电系统变工况㶲经济性分析[J]. 发电技术, 2024, 45(1): 69-78.
[15]	安吉振, 郑福豪, 刘一帆, 陈衡, 徐钢. 基于大数据分析的火电机组引风机故障预警研究[J]. 发电技术, 2023, 44(4): 557-564.

考虑天气影响的火电机组空冷系统性能预测方法

Performance Prediction Method for Air Cooling System of Thermal Power Unit Considering Weather Effect

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 11

参考文献 24

相关文章 15

编辑推荐

Metrics