基于机器学习的循环流化床机组出力预测

摘要

煤电是电力系统清洁低碳转型中重要的支撑性和调节性电源,然而劣质煤掺烧等因素造成的煤电机组技术出力受阻,严重影响电网安全运行与新能源电力消纳。鉴于此,提出一种基于机理仿真与数据驱动深度融合的映射模型建立方法,利用机理仿真构造锅炉热力系统样本空间,基于数理映射进行机组出力预测。兼顾机理仿真的理论准确性和数理映射的强泛化深入性,实现多因素耦合条件下的循环流化床机组动态边界出力预测及出力受阻因素分析。经300 MWe级示范机组测试表明,考虑辅机受限、受热面参数超限、关键参数超限3方面影响因素,分别设置给煤机、引风机、冷渣器、床温、屏过壁温、流化风速等运行参数超限报警值,机理仿真最大偏差为3℃,误差率小于2%。基于主成分分析法筛选设计输入为7、输出为1的3层架构BP神经网络模型,经遗传算法完成网络优化后,采用32个训练样本与5个测试样本,进行网络训练与预测。模型训练相对误差在±1.2%内,模型预测相对误差在±1.5%内,具有较高的精确度和泛化能力。