Der Kohleverbrauch, der von den Generatoreinheiten geliefert wird, ist der wichtigste Indikator für das Maß an Energieeinsparung und Verbrauchsreduzierung der Einheit. In diesem Artikel wird die Big-Data-Analysetechnologie zur Analyse von historischen Daten zum Energieverbrauch der Einheit verwendet und mit Hilfe von neuronalen Netzen analytische Modelle für das Kohleverbrauchsverhalten für jeden Lastbereich aufgestellt, die Bewertungsfaktoren für den Einfluss jeder steuerbaren Parameter in verschiedenen Betriebszuständen auf den Kohleverbrauch berechnet und die Vorhersagefähigkeit des Modells in verschiedenen Lastbereichen. Die Ergebnisse zeigen, dass die Genauigkeit des Trainings und der Vorhersage des Kohleverbrauchsanalysemodells auf Basis neuronaler Netze im Bereich von ±0,6% liegt, was auf eine hohe Berechnungsgenauigkeit hinweist; jeder steuerbare Parameter hat einen unterschiedlichen Einfluss auf den Kohleverbrauch in verschiedenen Lastbereichen, weist jedoch bestimmte Regelmäßigkeiten auf; im tatsächlichen Betrieb sollte der Fokus auf der Anpassung von Parametern mit hohem Bewertungsfaktor liegen.

Big Data, Generatoreinheiten, Kohleverbrauch, neuronale Netze, Rückwärtsverbreitung, Bewertungsfaktor, Sensitivitätsanalyse