基于大数据的空冷燃煤机组背压寻优方法及系统与流程

1.本发明涉及大数据技术领域，具体地说是一种基于大数据的空冷燃煤机组背压寻优方法及系统。


背景技术：

2.火电一直占据我国发电行业的支柱地位，根据冷却方式不同，火电厂发电机组分为水冷机组和空冷机组。对比水冷机组需要消耗大量水资源的特点，空冷技术为富煤缺水地区的电厂提供了有效的冷却手段。随着近年来节能理念及可持续发展理念的不断发展，给电厂的经济性和稳定性提出了更高的要求。降低空冷机组背压可以提高理论比焓，增加汽轮机出功，提升其循环效率。实际运行中，主要通过增加风机功耗来降低背压，可能会造成增加风机功耗所消耗的电量多于降低背压所多发的电量。
3.现有电厂一般通过现场热力测量得到的背压控制数据调控机组背压值，适配对应负荷，保障机组正常运行。
4.故如何获取最佳背压，提升机组发电效率，达到节能降耗的最优效果，进而提升电厂运行的经济性和稳定性是目前亟待解决的技术问题。


技术实现要素：

5.本发明的技术任务是提供一种基于大数据的空冷燃煤机组背压寻优方法及系统，来解决如何获取最佳背压，提升机组发电效率，达到节能降耗的最优效果，进而提升电厂运行的经济性和稳定性的问题。
6.本发明的技术任务是按以下方式实现的，一种基于大数据的空冷燃煤机组背压寻优方法，该方法具体如下：
7.数据提取和预处理；
8.建立模型：通过建立预测模型和评估数据模型获取最佳背压；其中，预测模型是针对目标数据集建立由历史最佳数据库训练所得模型，用于对背压进行预测优化；评估数据模型用于保证数据完整性及评估的真实性，对优化结果进行评估；
9.获取最佳背压：基于历史实际背压生成1个背压范围(例如背压最大偏置为
±
2kpa，可将背压偏置设置为
±
2kpa，背压间隔取0.01kpa)，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；
10.获取节电量：将最佳背压序列经高斯平滑后，输入数据评估模型进行评估，得到机组净发电功率为优化后机组净发电功率，与实际机组净发电功率比较即可得到节电量。
11.作为优选，数据提取和预处理具体如下：
12.从电厂分散控制系统(dcs)中提取任意年度机组历史运行数据，机组历史运行数据包括背压、机组负荷、环境风速、环境温度、主蒸汽参数、凝结水温、风机电流及风机转速；
将该年度1-10月数据作为训练集，11-12月数据作为测试集；
13.从提取出的数据中删除停机工况数据和无法读取数据的nan值(坏值)，并对数据按照比例映射[-1 1]进行归一化处理，用于建立数据评估模型；
[0014]
筛选相同负荷及环境温度下的工况点中净发电功率较大的前30％的点作为最佳数据库数据，用于建立预测模型；由于实际运行数据中负荷与环境温度测点数据没有精准的整数，所以设置负荷与环境温度偏置范围近似的运行工况点集中在1个集合，方便在其中进行最佳数据库的筛选；将筛选后的数据集作为历史最佳数据库，为预测模型提供运行工况较好的建模数据。
[0015]
更优地，负荷间隔1mw，环境温度间隔1k，负荷筛选偏置范围为0.5mw，环境温度筛选偏置范围为0.5k。
[0016]
更优地，建立模型具体如下：
[0017]
筛选所得的最佳数据库数据与测试集数据，分别建立以背压为自变量，环境温度、主蒸汽压力、主蒸汽温度、主蒸汽质量流量、凝结水质量流量、风机轴温、环境风速和给水质量流量的多种因素作为边界条件输入、机组净发电功率为输出的预测模型和数据评估模型；
[0018]
其中，预测模型和数据评估模型采用的机器学习方法为bp(error back propagation training)神经网络。
[0019]
更优地，bp神经网络分为前向传播和误差反向传播2个过程；计算误差时正向进行，反向调整权值和阈值，通过调整输入节点与隐藏层节点的权值以及隐藏层节点与输出节点的权值和阈值，使误差沿梯度方向下降经过反复训练，当误差最小时，确定各层对应的权值和阈值，并停止训练。
[0020]
一种基于大数据的空冷燃煤机组背压寻优系统，该系统包括：
[0021]
数据提取和预处理模块，用于获取历史运行数据，并对数据进行归一化处理后，再进行数据筛选，将筛选后的数据作为历史最佳数据；
[0022]
模型建立模块，用于通过筛选所得的最佳数据库数据与测试集数据，分别建立以背压为自变量，环境温度、主蒸汽压力、主蒸汽温度、主蒸汽质量流量、凝结水质量流量、风机轴温、环境风速和给水质量流量的多种因素作为边界条件输入、机组净发电功率为输出的预测模型和数据评估模型；
[0023]
预测模型和数据评估模型采用的机器学习方法为bp(error back propagation training)神经网络；
[0024]
最佳背压获取模块，用于基于历史实际背压生成1个背压范围(例如背压最大偏置为
±
2kpa，可将背压偏置设置为
±
2kpa，背压间隔取0.01kpa)，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；
[0025]
节电量获取模块，用于将最佳背压序列经高斯平滑后，输入数据评估模型进行评估，得到机组净发电功率为优化后机组净发电功率，与实际机组净发电功率比较即可得到节电量。
[0026]
作为优选，所述数据提取和预处理模块包括：
[0027]
提取子模块，用于从电厂分散控制系统(dcs)中提取任意年度机组历史运行数据，机组历史运行数据包括背压、机组负荷、环境风速、环境温度、主蒸汽参数、凝结水温、风机电流及风机转速；将该年度1-10月数据作为训练集，11-12月数据作为测试集；
[0028]
归一化子模块，用于从提取出的数据中删除停机工况数据和无法读取数据的nan值(坏值)，并对数据按照比例映射[-1 1]进行归一化处理，用于建立数据评估模型；
[0029]
筛选子模块，用于筛选相同负荷及环境温度下的工况点中净发电功率较大的前30％的点作为最佳数据库数据，用于建立预测模型；由于实际运行数据中负荷与环境温度测点数据没有精准的整数，所以设置负荷与环境温度偏置范围近似的运行工况点集中在1个集合，方便在其中进行最佳数据库的筛选；将筛选后的数据集作为历史最佳数据库，为预测模型提供运行工况较好的建模数据。
[0030]
更优地，bp神经网络分为前向传播和误差反向传播2个过程；计算误差时正向进行，反向调整权值和阈值，通过调整输入节点与隐藏层节点的权值以及隐藏层节点与输出节点的权值和阈值，使误差沿梯度方向下降经过反复训练，当误差最小时，确定各层对应的权值和阈值，并停止训练。
[0031]
一种电子设备，包括：存储器和至少一个处理器；
[0032]
其中，所述存储器上存储有计算机程序；
[0033]
所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如上述的基于大数据的空冷燃煤机组背压寻优方法。
[0034]
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如上述的基于大数据的空冷燃煤机组背压寻优方法。
[0035]
本发明的基于大数据的空冷燃煤机组背压寻优方法及系统具有以下优点：
[0036]
(一)本发明利用基于大数据分析的实时背压寻优模型，相较于通过现场热力测量得到的背压控制数据调控机组背压值的传统方法，寻优结果更准确，效果更明显，从数据上优化了背压寻优逻辑，使得最佳背压更符合提高机组净发电功率的要求，达到降低机组能耗目的；
[0037]
(二)本发明通过寻找最佳背压可以提升机组发电效率，达到节能降耗的最优效果，提升电厂运行的经济性和稳定性；
[0038]
(三)本发明提出基于大数据分析的实时背压寻优方法，充分利用历史数据中有价值的运行工况点，从数据上优化了背压寻优逻辑，使得最佳背压更符合提高机组净发电功率的要求，达到降低机组能耗目的。
附图说明
[0039]
下面结合附图对本发明进一步说明。
[0040]
附图1为基于大数据的空冷燃煤机组背压寻优方法的流程框图；
[0041]
附图2为bp神经网络原理示意图。
具体实施方式
[0042]
参照说明书附图和具体实施例对本发明的基于大数据的空冷燃煤机组背压寻优方法及系统作以下详细地说明。
[0043]
实施例1：
[0044]
本实施例提供了一种基于大数据的空冷燃煤机组背压寻优方法，该方法具体如下：
[0045]
s1、数据提取和预处理；
[0046]
s2、建立模型：通过建立预测模型和评估数据模型获取最佳背压；其中，预测模型是针对目标数据集建立由历史最佳数据库训练所得模型，用于对背压进行预测优化；评估数据模型用于保证数据完整性及评估的真实性，对优化结果进行评估；
[0047]
s3、获取最佳背压：基于历史实际背压生成1个背压范围(例如背压最大偏置为
±
2kpa，可将背压偏置设置为
±
2kpa，背压间隔取0.01kpa)，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；
[0048]
s4、获取节电量：将最佳背压序列经高斯平滑后，输入数据评估模型进行评估，得到机组净发电功率为优化后机组净发电功率，与实际机组净发电功率比较即可得到节电量。
[0049]
本实施例步骤s1中的数据提取和预处理具体如下：
[0050]
s101、从电厂分散控制系统(dcs)中提取任意年度机组历史运行数据，机组历史运行数据包括背压、机组负荷、环境风速、环境温度、主蒸汽参数、凝结水温、风机电流及风机转速；将该年度1-10月数据作为训练集，11-12月数据作为测试集；
[0051]
s102、从提取出的数据中删除停机工况数据和无法读取数据的nan值(坏值)，并对数据按照比例映射[-1 1]进行归一化处理，用于建立数据评估模型；
[0052]
s103、筛选相同负荷及环境温度下的工况点中净发电功率较大的前30％的点作为最佳数据库数据，用于建立预测模型；由于实际运行数据中负荷与环境温度测点数据没有精准的整数，所以设置负荷与环境温度偏置范围近似的运行工况点集中在1个集合，方便在其中进行最佳数据库的筛选；负荷间隔1mw，环境温度间隔1k，负荷筛选偏置范围为0.5mw，环境温度筛选偏置范围为0.5k。将筛选后的数据集作为历史最佳数据库，为预测模型提供运行工况较好的建模数据。
[0053]
本实施例步骤s2中的建立模型具体如下：
[0054]
筛选所得的最佳数据库数据与测试集数据，分别建立以背压为自变量，环境温度、主蒸汽压力、主蒸汽温度、主蒸汽质量流量、凝结水质量流量、风机轴温、环境风速和给水质量流量的多种因素作为边界条件输入、机组净发电功率为输出的预测模型和数据评估模型；
[0055]
其中，预测模型和数据评估模型采用的机器学习方法为bp(error back propagation training)神经网络。
[0056]
如附图2所示，bp神经网络分为前向传播和误差反向传播2个过程；计算误差时正向进行，反向调整权值和阈值，通过调整输入节点与隐藏层节点的权值以及隐藏层节点与输出节点的权值和阈值，使误差沿梯度方向下降经过反复训练，当误差最小时，确定各层对应的权值和阈值，并停止训练。
[0057]
其中，理论最佳背压即为当其他因素保持不变时，降低背压导致的机组电功率增
量δp
el
减去降低背压时风机群耗功增量δp
p
的值达到最大时的背压值，公式如下：
[0058]
maxδp＝max(δp
el-δp
p
)。
[0059]
实施例2：
[0060]
本实施例提供了一种基于大数据的空冷燃煤机组背压寻优系统，该系统包括：
[0061]
数据提取和预处理模块，用于获取历史运行数据，并对数据进行归一化处理后，再进行数据筛选，将筛选后的数据作为历史最佳数据；
[0062]
模型建立模块，用于通过筛选所得的最佳数据库数据与测试集数据，分别建立以背压为自变量，环境温度、主蒸汽压力、主蒸汽温度、主蒸汽质量流量、凝结水质量流量、风机轴温、环境风速和给水质量流量的多种因素作为边界条件输入、机组净发电功率为输出的预测模型和数据评估模型；
[0063]
预测模型和数据评估模型采用的机器学习方法为bp(error back propagation training)神经网络；
[0064]
最佳背压获取模块，用于基于历史实际背压生成1个背压范围(例如背压最大偏置为
±
2kpa，可将背压偏置设置为
±
2kpa，背压间隔取0.01kpa)，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；
[0065]
节电量获取模块，用于将最佳背压序列经高斯平滑后，输入数据评估模型进行评估，得到机组净发电功率为优化后机组净发电功率，与实际机组净发电功率比较即可得到节电量。
[0066]
本实施例中的数据提取和预处理模块包括：
[0067]
提取子模块，用于从电厂分散控制系统(dcs)中提取任意年度机组历史运行数据，机组历史运行数据包括背压、机组负荷、环境风速、环境温度、主蒸汽参数、凝结水温、风机电流及风机转速；将该年度1-10月数据作为训练集，11-12月数据作为测试集；
[0068]
归一化子模块，用于从提取出的数据中删除停机工况数据和无法读取数据的nan值(坏值)，并对数据按照比例映射[-1 1]进行归一化处理，用于建立数据评估模型；
[0069]
筛选子模块，用于筛选相同负荷及环境温度下的工况点中净发电功率较大的前30％的点作为最佳数据库数据，用于建立预测模型；由于实际运行数据中负荷与环境温度测点数据没有精准的整数，所以设置负荷与环境温度偏置范围近似的运行工况点集中在1个集合，方便在其中进行最佳数据库的筛选；将筛选后的数据集作为历史最佳数据库，为预测模型提供运行工况较好的建模数据。
[0070]
本实施例中的bp神经网络分为前向传播和误差反向传播2个过程；计算误差时正向进行，反向调整权值和阈值，通过调整输入节点与隐藏层节点的权值以及隐藏层节点与输出节点的权值和阈值，使误差沿梯度方向下降经过反复训练，当误差最小时，确定各层对应的权值和阈值，并停止训练。
[0071]
实施例3：
[0072]
本实施例还提供了一种电子设备，包括：存储器和处理器；
[0073]
其中，存储器存储计算机执行指令；
[0074]
处理器执行所述存储器存储的计算机执行指令，使得处理器执行本发明任一实施
例中的基于大数据的空冷燃煤机组背压寻优方法。
[0075]
处理器可以是中央处理单元(cpu)，还可以是其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通过处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0076]
存储器可用于储存计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现电子设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器还可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，只能存储卡(smc)，安全数字(sd)卡，闪存卡、至少一个磁盘存储期间、闪存器件、或其他易失性固态存储器件。
[0077]
实施例4：
[0078]
本实施例还提供了一种计算机可读存储介质，其中存储有多条指令，指令由处理器加载，使处理器执行本发明任一实施例中的基于大数据的空冷燃煤机组背压寻优方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0079]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0080]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-rym、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0081]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0082]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0083]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于大数据的空冷燃煤机组背压寻优方法，其特征在于，该方法具体如下：数据提取和预处理；建立模型：通过建立预测模型和评估数据模型获取最佳背压；其中，预测模型是针对目标数据集建立由历史最佳数据库训练所得模型，用于对背压进行预测优化；评估数据模型用于保证数据完整性及评估的真实性，对优化结果进行评估；获取最佳背压：基于历史实际背压生成1个背压范围，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；获取节电量：将最佳背压序列经高斯平滑后，输入数据评估模型进行评估，得到机组净发电功率为优化后机组净发电功率，与实际机组净发电功率比较即可得到节电量。2.根据权利要求1所述的基于大数据的空冷燃煤机组背压寻优方法，其特征在于，数据提取和预处理具体如下：从电厂分散控制系统中提取任意年度机组历史运行数据，机组历史运行数据包括背压、机组负荷、环境风速、环境温度、主蒸汽参数、凝结水温、风机电流及风机转速；将该年度1-10月数据作为训练集，11-12月数据作为测试集；从提取出的数据中删除停机工况数据和无法读取数据的nan值，并对数据按照比例映射[-1 1]进行归一化处理，用于建立数据评估模型；筛选相同负荷及环境温度下的工况点中净发电功率较大的前30％的点作为最佳数据库数据，用于建立预测模型；设置负荷与环境温度偏置范围近似的运行工况点集中在1个集合，方便在其中进行最佳数据库的筛选；将筛选后的数据集作为历史最佳数据库，为预测模型提供运行工况较好的建模数据。3.根据权利要求2所述的基于大数据的空冷燃煤机组背压寻优方法，其特征在于，负荷间隔1mw，环境温度间隔1k，负荷筛选偏置范围为0.5mw，环境温度筛选偏置范围为0.5k。4.根据权利要求3所述的基于大数据的空冷燃煤机组背压寻优方法，其特征在于，建立模型具体如下：筛选所得的最佳数据库数据与测试集数据，分别建立以背压为自变量，环境温度、主蒸汽压力、主蒸汽温度、主蒸汽质量流量、凝结水质量流量、风机轴温、环境风速和给水质量流量的多种因素作为边界条件输入、机组净发电功率为输出的预测模型和数据评估模型；其中，预测模型和数据评估模型采用的机器学习方法为bp神经网络。5.根据权利要求4所述的基于大数据的空冷燃煤机组背压寻优方法，其特征在于，bp神经网络分为前向传播和误差反向传播2个过程；计算误差时正向进行，反向调整权值和阈值，通过调整输入节点与隐藏层节点的权值以及隐藏层节点与输出节点的权值和阈值，使误差沿梯度方向下降经过反复训练，当误差最小时，确定各层对应的权值和阈值，并停止训练。6.一种基于大数据的空冷燃煤机组背压寻优系统，其特征在于，该系统包括：数据提取和预处理模块，用于获取历史运行数据，并对数据进行归一化处理后，再进行数据筛选，将筛选后的数据作为历史最佳数据；模型建立模块，用于通过筛选所得的最佳数据库数据与测试集数据，分别建立以背压
为自变量，环境温度、主蒸汽压力、主蒸汽温度、主蒸汽质量流量、凝结水质量流量、风机轴温、环境风速和给水质量流量的多种因素作为边界条件输入、机组净发电功率为输出的预测模型和数据评估模型；预测模型和数据评估模型采用的机器学习方法为bp神经网络；最佳背压获取模块，用于基于历史实际背压生成1个背压范围，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；节电量获取模块，用于将最佳背压序列经高斯平滑后，输入数据评估模型进行评估，得到机组净发电功率为优化后机组净发电功率，与实际机组净发电功率比较即可得到节电量。7.根据权利要求6所述的基于大数据的空冷燃煤机组背压寻优系统，其特征在于，所述数据提取和预处理模块包括：提取子模块，用于从电厂分散控制系统中提取任意年度机组历史运行数据，机组历史运行数据包括背压、机组负荷、环境风速、环境温度、主蒸汽参数、凝结水温、风机电流及风机转速；将该年度1-10月数据作为训练集，11-12月数据作为测试集；归一化子模块，用于从提取出的数据中删除停机工况数据和无法读取数据的nan值，并对数据按照比例映射[-1 1]进行归一化处理，用于建立数据评估模型；筛选子模块，用于筛选相同负荷及环境温度下的工况点中净发电功率较大的前30％的点作为最佳数据库数据，用于建立预测模型；设置负荷与环境温度偏置范围近似的运行工况点集中在1个集合，方便在其中进行最佳数据库的筛选；将筛选后的数据集作为历史最佳数据库，为预测模型提供运行工况较好的建模数据。8.根据权利要求6或7所述的基于大数据的空冷燃煤机组背压寻优系统，其特征在于，bp神经网络分为前向传播和误差反向传播2个过程；计算误差时正向进行，反向调整权值和阈值，通过调整输入节点与隐藏层节点的权值以及隐藏层节点与输出节点的权值和阈值，使误差沿梯度方向下降经过反复训练，当误差最小时，确定各层对应的权值和阈值，并停止训练。9.一种电子设备，其特征在于，包括：存储器和至少一个处理器；其中，所述存储器上存储有计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如权利要求1至5任一项所述的基于大数据的空冷燃煤机组背压寻优方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至5中任一项所述的基于大数据的空冷燃煤机组背压寻优方法。

技术总结
本发明公开了基于大数据的空冷燃煤机组背压寻优方法及系统，属于大数据技术领域，本发明要解决的技术问题为如何获取最佳背压，提升机组发电效率，达到节能降耗的最优效果，提升电厂运行的经济性和稳定性，技术方案为：该方法具体如下：数据提取和预处理；建立模型：通过建立预测模型和评估数据模型获取最佳背压；获取最佳背压：基于历史实际背压生成1个背压范围，其他数据不变；将边界条件与背压序列一同输入预测模型中，得到背压范围内的一系列机组净发电功率，将机组净发电功率与实际机组净发电功率进行比较，最大机组净发电功率对应的背压值即为最佳背压，当最大机组净发电功率是实际机组净发电功率时，实际背压即为最佳背压；获取节电量。获取节电量。获取节电量。


技术研发人员：王彪
受保护的技术使用者：山东浪潮数字能源科技有限公司
技术研发日：2023.05.24
技术公布日：2023/8/21