《机器学习和数据驱动算法在智慧发电系统中的应用.docx》由会员分享，可在线阅读，更多相关《机器学习和数据驱动算法在智慧发电系统中的应用.docx（15页珍藏版）》请在第壹文秘上搜索。
1、一、引言几十年来,火力发电是造成环境污染和碳排放的主要因素之一。据报道,2018年发电行业的碳排放占碳排放增长的近三分之二，其中燃煤发电所占比重最大（约占总排放量的30%）O考虑到日益严重的气候变化问题，世界主要国家被迫确定“将全球平均气温的上升幅度控制在工业化前水平以上低于2。C之内的目标。为了实现这一目标，需要对发电行业进行改革，具体包括优化目前流行的火力发电的效率，扩大可持续能源（包括水电、太阳能和风能）的比例。控制和优化发电系统对于其高效和安全运行至关重要。由于发电系统中各部分存在多时间尺度的特征，发电系统通常采用分层控制框架，以完成各层的主要任务，如图1所示。在最低的测量过程层，必须
2、保证重要变量测量和监控的可见性。根据这些变量，将调节控制器放置在现场，以使每个单回路（如温度、压力和水位）控制在上级监控层指定的工作点上。基于此，本文将调节控制水平的性能称为“机动性，它描述了目标回路在需要时如何快速和稳定地行动。监控层采用先进的控制算法，在满足操作约束的同时，通过考虑多变量耦合，最大限度地提高许多交互回路的灵活性。在最高级别的经济规划中，制定和优化总体效率或利润指标,为较低层次的动态控制提供稳态工作点。除了自下而上的控制水平外,故障检测和诊断（FDD）对于安全运行和维持更长的发电厂寿命至关重要。图1中的层次结构可用于管理完整的发电系统（如燃料电池单元）或子系统（如燃煤发电厂的
3、锅炉燃烧炉）。ProfitabilrtyFlexibilityManeuverabilityVisibilrtySafetyEnvironmentuncertaintyModeluncertaintyDstufbareuncertaintyStocastcuncertaintyDeviceuncertainty图1发电系统或子系统的分层结构，用于监测、控制、优化和故障检测。一般图1中的每个层级都有一个精确的模型，这对于实现多个目标至关重要。监控层的内部变量通常由状态观测器或基于状态空间(SS)模型的卡尔曼滤波器实现，如电池芯温度估计。用于调节层的则是广泛使用的比例-积分-微分(PID)控制器一
4、一通常需要一个参数整定的过程模型。就灵活性层级而言，模型预测控制(MPC)占监控算法的最大份额。MPC采用基于模型的输出预测，将多变量约束优化问题转化为一个滚动时域二次优化框架。展示了在太阳能联合循环电厂中的MPC的典型应用。对于经济规划层，动态规划是一种非常流行的算法，用于调度不同电源之间的能量流需求，通常以每小时运行成本来计算，如复杂第三代发电厂的能量成本优化或混合发电厂的运行成本优化。故障检测通常使用的是先验模型，就像最近在燃料电池空气供给系统中的应用一样。近年来一个重要的发展趋势是基于经济模型预测控制(EMPC)框架，将经济性规划与监控水平结合形成集成EMPCo该框架能够根据系统模型和
5、各种约束条件直接制定经济指标，同时实现经济优化和动态运行。己有研究表明，可以利用EMPC减少锅炉-汽轮机机组的节流损失以及提高建筑物热电联产系统的舒适性。传统的基于模型的方法虽然有效，但其终将无法处理规模不断增长且具有各种不确定性的能源系统。本文总结了图1中每个层级上通常遇到的几种典型不确定性。这些不确定性将在下一节中逐一讨论。21世纪是机器学习（M1.）和数据科学蓬勃发展的时代；机器学习和数据科学的发展可能是解决可扩展性和不确定性方面困难的关键。在这个大数据时代，许多学科，如粒子物理学、材料学和过程系统工程，已经逐渐产生了研究方法从基于模型的分析到机器学习和基于数据驱动（DD）研究的巨大转变
6、。机器学习和基于数据驱动的研究技术彻底改变了现代能源系统的监测、控制和优化的方法，包括传统化石燃料发电厂和可再生能源系统。常见的机器学习算法包括无监督学习、监督学习和强化学习（R1.）,每一种算法都被应用于不同层次的能源系统，以解决不同的问题。数据驱动技术通常使用实时或历史数据直接控制过程，包括迭代反馈调节（IFT）、迭代学习控制（I1.C）和自抗扰控制（ADRC）。数据驱动方法通常比机器学习方法具有更大的适用范围和更快的运行速度，它能满足监管控制层级的高实时性要求，应用广泛。本文并不试图对所有能源系统应用中的每种方法进行全面的讨论，相反，本文旨在展示如何适当运用机器学习和基于数据驱动的方法，
7、以提高发电系统的可见性、机动性、灵活性、经济性和安全性（简称五性），来应对各个层级所出现的不确定性挑战。根据图1,“五性可定义如下：可见性一一可测量变量的测量和传输以及内部不可测量变量的估计。机动性一一底层调节控制响应的快速性和准确性，主要是在单回路过程中。 灵活性一一多变量协调在监督控制水平上可以达到的程度。 经济性一一整个系统或重要子系统的经济成本或效益。 安全性一一系统的FDD,防止对发电系统造成危险。在智慧发电中，可见性层级是其他层级的基础，因为它涉及感知用于控制、优化和诊断的内部参数。强大的机动性级别是实现灵活性和经济性的有力保证,而安全级别是保护整个系统安全的基本保障。本文全面回顾
8、了机器学习和数据驱动方法在电力行业的应用：从传统火力发电到新兴的可再生能源领域；从确定性场景到不确定性场景；从整个运行管理框架的底层到顶层。本文选择不确定性处理视角的原因如下： 不确定性广泛存在于发电系统的各个层面。正如RogerBrOCkett所说，如果系统、控制或环境中没有不确定性，那么反馈控制在很大程度上是不必要的J 不确定性的性质在不同层级上有所不同，所以需要各个层级单独考虑。例如，应估计并抵消灵活性层级上的干扰不确定性，而经济性上的环境不确定性应建模为随机过程，然后将其考虑在内在经济优化过程中。本文侧重于发电方面,将不讨论电网方面的文献。本文的其余部分组织如下：第2节讨论了底层可见性
9、和机动性，其中数据驱动和机器学习算法必须快速响应监管要求；第3节回顾了基于数据驱动模型的预测控制、在能源系统规划层面的监管灵活性以及各种无监管和R1.方法，计算时间从数分钟到数小时不等；第4节对发电系统的数据驱动的FDD方法进行了回顾，并与基于模型的方法进行了比较；第5节总结了调查结果，并阐述了智慧发电的未来研究方向。二、可见性和机动性可见性要求涉及变量测量、定量过程表征和隐藏变量软测量。测量信号中不可避免的随机噪声是在这一层级上的主要的不确定性。机动性是基于过程识别和可见性层级的测量或估计信号实现的，主要目标是抑制不确定性干扰。（一）动态特性系统辨识是一种用于动态系统的经典数据驱动的方法。由
10、于物理建模的困难,它通常被视为一个黑箱。自20世纪60年代以来，该学科受到了广泛关注并取得了巨大成功，甚至早于机器学习的兴盛。通过将某些激励作为控制输入，用于辨识发电过程输入/输出数据背后的基本结构和参数。基于经典阶跃响应的传递函数识别是发电厂中最常用的方法。阶跃响应识别在能源系统中的应用包括再热器中的水位控制、燃料电池的温度控制和多变量流化床燃烧室控制。己有研窕表明，经典的阶跃响应方法无法辨识存在测量噪声的高阶过程。为了缓解这一问题，参考文献33针对换热器（能源系统中常见的高阶设备）开发了一种混合时域和频域的辨识方法。传感器噪声是现代系统辨识方法需要解决的核心问题。加性高斯白噪声（AWGN）
11、主要来源于热噪声，是发电系统中最常见的传感器噪声。目前已经开发出多种成熟的数据驱动的方法来解决能源系统中的AWGN,最常用的方法是使用最小标准，如平方误差。对于单输入单输出系统（SISO）,参考文献35给出了一个示例，其中使用自适应递归最小二乘法（AR1.）实时识别燃料电池混合系统模型的回归参数，即具有AWGN的线性差分方程或具有额外输入的自回归（ARX）模型。该ARX模型基于递归最小二乘法（R1.S）识别方法，是几乎所有发电行业最常用的抵消AWGN的方法之一，包括风力发电行业、太阳能发电行业、火力发电行业和储能系统行业。而对于非高斯有色噪声，参考文献42中的电池参数识别研究引入了一种辅助变量
12、方法，该方法改进了最小二乘识别方法，优于传统R1.So当涉及SS模型描述的多状态系统时，噪声问题变得更加棘手。对于具有未知参数（即灰盒）的SS物理模型，Cramer-RaO界分析用于电池和混合储能系统的参数识别，以处理电池电压测量中的AWGN。为了避免理论解中的分析困难,启发式优化方法被广泛用于识别能源系统，如燃料电池、太阳能电池和水轮的SS模型参数。对于没有任何物理机制和SS模型的黑箱系统，通常采用子空间识别（SID）。此类系统的示例包括燃料电池、电厂再热器和流化床燃烧器。上述系统识别方法通常需要特定类型的输入激励信号，并且主要作用于线性系统。随着机器学习方法的发展，这一惯例发生了变化，机器
13、学习方法能够识别基于大量数据记录的复杂非线性系统。浅层神经网络（NN）是能源系统中最常用的方法之一，如燃料电池的动态建模、锅炉-涡轮机组和太阳能发电。为了降低结构风险，支持向量机（SVM）也广泛用于能源系统识别。在过去10年中，随着深度学习的重新兴起，长短期记忆网络（1.STM）变得越来越普遍，因为它能更好地处理发电系统的时间序列数据。（二）软测量由于能源系统中的一些关键变量可能无法直接测量，软测量技术，包括基于模型的状态估计和数据驱动的相关算法，可以有效地观测系统内部的情况，并为控制层提供反馈信号。基于模型的状态估计通常存在随机噪声的不确定性和传感器的不精确性等问题。一些数据驱动的方法己被用
14、来弥补这一不足，如基于状态增强和反馈校正的电池芯温度估计。基于数据驱动代数相关的软测量方法旨在通过测量次要变量来估计不可测量变量（也称为主要变量）。虽然在系统运行时无法直接测量，但主要变量可以脱机测量和（或）间歇性访问，每个样本的成本很高。所以，软测量的基本任务是根据有限的观测数据，确定主要变量和次要变量之间的关系。为此，可以使用回归或曲线拟合。例如，学习证据回归模型，将其作为软传感器来监测磨煤机中的粉末浓度；训练偏最小二乘（P1.S）回归来预测100OMW级发电厂中NOX的排放。（三）监管控制为了实现强大的灵活性，许多反馈控制器被部署在调节控制层级。该层级接收来自可见性层级的信号和来自上层的
15、参考命令。其主要目标是减轻不可测量和不确定性干扰的影响。对每个回路进行建模和设计单独的反馈控制器既十分耗时又很昂贵。因此，数据驱动的控制方法在工业调节控制中起着核心作用。本文回顾了PID控制、自抗扰控制和I1.C在一些典型扰动中的应用。PID控制仍然是发电系统中的主要控制器，因为它易于使用，在要求快速反应的环境中，计算时间可以忽略不计。PID控制使用比例、积分和实时误差数据推导的组合，而不是物理模型，来调整执行器并在最佳条件下保持设备运行。困难通常在于调整控制器参数。工程师有时采用机器学习技术来提高性能，如神经网络增强PID控制在火力发电厂、燃料电池、太阳能发电厂和风力涡轮机中的应用。此外，模
16、糊逻辑在风力涡轮机、燃料电池、太阳能发电和联合循环发电厂中非常流行，用于在线调整PID参数。为了能充分利用历史数据的潜力，还对IFT进行了研究，以调整锅炉-汽轮机机组的PID参数。IFT是一种有趣的方法，通过学习以前任务的性能来迭代地提高控制性能。由于PID控制在处理非线性和模型不确定性方面的局限性，自抗扰控制正在成为一种突破性的数据驱动控制技术。与PID控制相同，自抗扰控制器的设计不需要物理模型。与PID控制相比，自抗扰控制的主要优点在于它具有两个自由度，在设定点跟踪和干扰抑制方面都能产生令人满意的性能。自抗扰控制的数据驱动补偿机制如图2所示。首先设计一个扩展状态观测器来估计未知动态和外部干扰,然后通过分析输入和输出数据直接补偿控制输入中的未知动态和外部干扰。增强型设备，即图2中的灰色块，可以作为串级积分器过程进行近似补偿，从而可以容易地
