汽轮机滑压运行优化方法

1.本发明属于火电厂汽轮机控制领域，具体涉及应用于汽轮机组滑压运行控制优化方面。

背景技术：

2.聚焦于火电机组滑压运行方案优化，有利于提升火电厂的经济性和安全稳定性。典型滑压优化方法在实施过程上主要分为两大类：一类是基于专有试验的最优运行压力确定方法；另一类是基于运行数据的滑压运行优化方法。
3.然而火电厂对于滑压优化方法的需求，主要体现在能够降低优化成本的前提下，尽可能的提高经济性。开展专有实验可以满足滑压优化的精准度要求，但优化过程的时间成本以及技术成本较大；而基于运行数据的滑压运行优化方法，可以最大限度的降低时间及技术成本，但火电机组运行过程中时常处于变负荷过程，导致数据样本中存在热惯性噪声。若未经处理直接使用，必然会使得优化结论精确度下降。此外，上述两种算法本质上都属于“离线”优化方法，无法根据机组运行状态自适应实时调整滑压运行控制策略。
4.现有有关利用运行数据开展滑压优化的研究中讨论了诸多有关样本去噪的方法，典型的如滤波法以及引入模糊集合方法等。但由于机组运行过程较为复杂，不能将全部数据集视为一个整体进行分析，需要对机组进行精细化的性能评估。而现有对于机组进行性能评估的方法，大多只是利用回归算法或者机器学习模型建立一个全局模型，无法针对各个工况的运行特征进行逐一分析并建立模型，因此，导致现有的利用运行数据开展滑压优化的精度差；另一方面，对机组进行性能评估主要应用于机组的故障诊断及老化程度的评估，而无法直接应用于定量指导滑压优化过程。因此，以上问题亟需解决。

技术实现要素：

5.本发明目的是为了解决现有汽轮机组滑压优化方法准确率低，且无法进行定量指导的问题；本发明提供了一种汽轮机滑压运行优化方法。
6.汽轮机滑压运行优化方法，该方法包括如下过程：
7.s1、在机组数据库中获取相应机组在预设时间段内的历史运行数据；
8.s2、对预设时间段内的历史运行数据进行聚类，从而分割成n种稳定运行工况下的数据集；其中，n为整数；
9.s3、利用n种稳定运行工况下的数据集，分别对n个相同的初始机组性能评估模型进行训练，获得适用于n种稳定运行工况下的机组性能评估模型；
10.s4、在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合n种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差，从而获得n个负荷偏差；取n个负荷偏差中的最小值作为性能退化偏差s；
11.s5、将性能退化偏差s转化为主汽压力控制量δpz，对机组的运行状态进行控制，从而完成对汽轮机滑压运行的优化。
12.优选的是，历史运行数据包括各采集时刻所采集的历史主汽压力pz、历史主汽温度tz、历史主汽流量fz、历史再热蒸汽压力f
hrh
、历史再热蒸汽温度t
hrh
、历史机组背压pb、历史机组供热抽汽流量fg、历史机组负荷e。
13.优选的是，s2、对预设时间段内的历史运行数据进行聚类，从而分割成n种稳定运行工况下的数据集的实现方式为：
14.s21、从预设时间段内的历史运行数据中提取各采集时刻下的历史主汽压力pz和历史机组负荷e，并绘制各采集时刻下的历史主汽压力pz和历史机组负荷e间的关系图；
15.s22、利用聚类算法对步骤s21中的关系图进行聚类分析，获得n个聚类区域；
16.s23、将每个聚类区域所对应的所有采集时刻下的历史运行数据，划分成一种稳定运行工况下的数据集，从而获得n种稳定运行工况下的数据集。
17.优选的是，步骤s3、利用n种稳定运行工况下的数据集，分别对n个相同的初始机组性能评估模型进行训练，获得适用于n种稳定运行工况下的机组性能评估模型的实现方式为：
18.将每种稳定运行工况下的数据集中各采集时刻下的历史主汽压力pz、历史主汽温度tz、历史主汽流量fz、历史再热蒸汽压力f
hrh
、历史再热蒸汽温度t
hrh
、历史机组背压pb和历史机组供热抽汽流量fg，作为该稳定运行工况下的数据集所对应的初始机组性能评估模型的输入；将每种稳定运行工况下的数据集中各采集时刻下的历史机组负荷e，作为该稳定运行工况下的数据集所对应的初始机组性能评估模型的输出；对每种稳定运行工况下的数据集所对应的初始机组性能评估模型进行训练，从而获得适用于n种稳定运行工况下的机组性能评估模型。
19.优选的是，步骤s4、在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合n种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差的实现方式为：
20.将当前时刻机组真实运行数据中的真实主汽压力pz′
、真实主汽温度tz′
、真实主汽流量fz′
、真实再热蒸汽压力f
′
hrh
、真实再热蒸汽温度t
′
hrh
、真实机组背压pb′
和真实机组供热抽汽流量fg′
，同时作为n种稳定运行工况下的机组性能评估模型的输入；
21.每种稳定运行工况下的机组性能评估模型根据接收的当前时刻机组真实运行数据进行机组负荷估计，输出机组负荷估计值ei″
；
22.再将机组负荷估计值ei″
与真实机组负荷e
′
作差，获得第i种稳定运行工况下的负荷偏差δei＝ei″‑e′
；
23.其中，ei″
为第i种稳定运行工况下的机组性能评估模型输出的机组负荷估计值。
24.优选的是，步骤s5中、将性能退化偏差s转化为主汽压力控制量δpz的实现方式为：
[0025][0026]
其中，hr为机组理想热耗，pz′
为机组真实运行数据中的真实主汽压力，fz′
为机组真实运行数据中的真实主汽流量，e
′
为机组真实运行数据中的真实机组负荷。
[0027]
优选的是，步骤s1中、预设时间段内的历史运行数据的采样时间间隔t的取值范围为10＜t＜20，t的单位为秒。
[0028]
优选的是，步骤s1中、预设时间段的时间长度为大于一周，且小于3年。
[0029]
优选的是，机组在预设时间段内的历史运行数据的负荷工况包括30％额定负荷、40％额定负荷、50％额定负荷、60％额定负荷、70％额定负荷、80％额定负荷和90％额定负荷。
[0030]
优选的是，步骤s1中、机组数据库为机组集散控制系统中的数据库。
[0031]
本发明带来的有益效果是：
[0032]
1)本发明利用聚类方法，消除历史运行数据中噪声的同时，将去噪后历史运行数据分割成n个稳定工况下的数据集；该种方式去除了训练样本中的噪声，提高样本数据的准确性，为后续模型训练提供准确的数据基础，提高后续滑压运行控制的准确性。
[0033]
2)对各个稳定工况分别建立各稳定运行工况下的机组性能评估模型，避免了直接建立全局模型的不准确，每一种稳定工况下对一个一种该稳定运行工况下的机组性能评估模型；
[0034]
3)通过计算实时运行数据中的真实机组负荷e
′
与各稳定运行工况下的机组性能评估模型输出的机组负荷估计值ei″
间的偏差，可确定性能退化偏差及当前机组滑压运行期间所处工况，并可将性能退化偏差转化为主汽压力控制量对机组的运行状态进行量化控制，从而实现对汽轮机滑压运行进行定量优化。
[0035]
本发明在定量评估的基础上，满足快速性、实时性以及精确性的滑压优化需求。
[0036]
本发明诣在量化机组运行性能下降的基础上，提供一套可用于在线指导机组滑压运行过程的优化。
附图说明
[0037]
图1是本发明所述的汽轮机滑压运行优化方法的流程图；
[0038]
图2是对初始机组性能评估模型进行训练时，模型输入、输出各量的描述图；
[0039]
图3是对各采集时刻下的历史主汽压力pz和历史机组负荷e间的关系图进行聚类分析后的效果图；
[0040]
图4是机组滑压运行的优化效果图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0043]
参见图1说明本实施例，本实施例所述的汽轮机滑压运行优化方法，该方法包括如下过程：
[0044]
s1、在机组数据库中获取相应机组在预设时间段内的历史运行数据；
[0045]
s2、对预设时间段内的历史运行数据进行聚类，从而分割成n种稳定运行工况下的数据集；其中，n个稳定运行工况各不相同，且n为整数；
[0046]
s3、利用n种稳定运行工况下的数据集，分别对n个相同的初始机组性能评估模型进行训练，获得适用于n种稳定运行工况下的机组性能评估模型；
[0047]
s4、在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合n种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差，从而获得n个负荷偏差；取n个负荷偏差中的最小值作为性能退化偏差s；
[0048]
s5、将性能退化偏差s转化为主汽压力控制量δpz，对机组的运行状态进行控制，从而完成对汽轮机滑压运行的优化。
[0049]
本实施方式中，利用聚类方法，消除历史运行数据中噪声的同时，将去噪后历史运行数据分割成n个稳定工况下的数据集；该种方式去除了训练样本中的噪声，提高样本数据的准确性，为后续模型训练提供准确的数据基础，提高后续监测的准确性。并且针对各个稳定工况分别建立各稳定运行工况下的机组性能评估模型，避免了直接建立全局模型的不准确，应用时，将n个负荷偏差中的最小值所对应的稳定运行工况，即作为当前机组运行的工况。
[0050]
应用时，初始机组性能评估模型为现有模型，其可为bp神经网络模型、cnn神经网络模型、lstm神经网络模型或cnn-gru神经网络模型。
[0051]
进一步的，具体参见图2，历史运行数据包括各采集时刻所采集的历史主汽压力pz、历史主汽温度tz、历史主汽流量fz、历史再热蒸汽压力f
hrh
、历史再热蒸汽温度t
hrh
、历史机组背压pb、历史机组供热抽汽流量fg、历史机组负荷e。
[0052]
更进一步的，具体参见图3，s2、对预设时间段内的历史运行数据进行聚类，从而分割成n种稳定运行工况下的数据集的实现方式为：
[0053]
s21、从预设时间段内的历史运行数据中提取各采集时刻下的历史主汽压力pz和历史机组负荷e，并绘制各采集时刻下的历史主汽压力pz和历史机组负荷e间的关系图；
[0054]
s22、利用聚类算法对步骤s21中的关系图进行聚类分析，获得n个聚类区域；
[0055]
s23、将每个聚类区域所对应的所有采集时刻下的历史运行数据，划分成一种稳定运行工况下的数据集，从而获得n种稳定运行工况下的数据集。
[0056]
本优选实施方式中，给出了一种获得n种稳定运行工况下的数据集的具体实现方式，具体应用时，聚类算法可采用fcm算法或dbscan算法实现。通过划分成不同稳定运行工况下的n个数据集，可将历史运行数据中的噪声去除。
[0057]
更进一步的，步骤s3、利用n种稳定运行工况下的数据集，分别对n个相同的初始机组性能评估模型进行训练，获得适用于n种稳定运行工况下的机组性能评估模型的实现方式为：
[0058]
将每种稳定运行工况下的数据集中各采集时刻下的历史主汽压力pz、历史主汽温度tz、历史主汽流量fz、历史再热蒸汽压力f
hrh
、历史再热蒸汽温度t
hrh
、历史机组背压pb和历史机组供热抽汽流量fg，作为该稳定运行工况下的数据集所对应的初始机组性能评估模型的输入；将每种稳定运行工况下的数据集中各采集时刻下的历史机组负荷e，作为该稳定运行工况下的数据集所对应的初始机组性能评估模型的输出；对每种稳定运行工况下的数据集所对应的初始机组性能评估模型进行训练，从而获得适用于n种稳定运行工况下的机组性能评估模型。
[0059]
本优选实施方式中，利用n种稳定运行工况下的数据集，分别对n个相同的初始机
组性能评估模型进行训练，从而得到每个稳定运行工况所对应的机组性能评估模型，从而精确的确定出当前时刻机组真实运行所对应的稳定运行工况，也即：n个负荷偏差中的最小值所对应的稳定运行工况。
[0060]
更进一步的，步骤s4、在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合n种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差的实现方式为：
[0061]
将当前时刻机组真实运行数据中的真实主汽压力pz′
、真实主汽温度tz′
、真实主汽流量fz′
、真实再热蒸汽压力f
′
hrh
、真实再热蒸汽温度t
′
hrh
、真实机组背压pb′
和真实机组供热抽汽流量fg′
，同时作为n种稳定运行工况下的机组性能评估模型的输入；
[0062]
每种稳定运行工况下的机组性能评估模型根据接收的当前时刻机组真实运行数据进行机组负荷估计，输出机组负荷估计值ei″
；
[0063]
再将机组负荷估计值ei″
与真实机组负荷e
′
作差，获得第i种稳定运行工况下的负荷偏差δei＝ei″‑e′
；
[0064]
其中，ei″
为第i种稳定运行工况下的机组性能评估模型输出的机组负荷估计值。
[0065]
本优选实施方式中，每种稳定运行工况下的机组性能评估模型，均为通过相应的稳定运行工况下的数据集对初始机组性能评估模型训练获得的。
[0066]
更进一步的，步骤s5中、将性能退化偏差s转化为主汽压力控制量δpz的实现方式为：
[0067][0068]
其中，hr为机组理想热耗，pz′
为机组真实运行数据中的真实主汽压力，fz′
为机组真实运行数据中的真实主汽流量，e
′
为机组真实运行数据中的真实机组负荷。
[0069]
本优选实施方式中，给出了将性能退化偏差s转化为主汽压力控制量δpz的具体实施方式，机组理想热耗hr可通过查阅机组热力说明书获取，δpz的计算公式为本发明特有。
[0070]
更进一步的，步骤s1中、预设时间段内的历史运行数据的采样时间间隔t的取值范围为10＜t＜20，t的单位为秒。
[0071]
更进一步的，步骤s1中、预设时间段的时间长度为大于一周，且小于3年。
[0072]
更进一步的，机组在预设时间段内的历史运行数据的负荷工况包括30％额定负荷、40％额定负荷、50％额定负荷、60％额定负荷、70％额定负荷、80％额定负荷和90％额定负荷。
[0073]
更进一步的，步骤s1中、机组数据库为机组集散控制系统中的数据库。
[0074]
通过图4可验证本发明的技术效果，图4是机组滑压运行的优化效果图；从图4中可看出主汽压力是跟随机组负荷移动的，在机组性能下降之后，为了达到相同的机组负荷，需要增加压力值，而为了调节该负荷偏差，量化的给出了主汽压力的调节量。
[0075]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权
利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

技术特征：

1.汽轮机滑压运行优化方法，其特征在于，该方法包括如下过程：s1、在机组数据库中获取相应机组在预设时间段内的历史运行数据；s2、对预设时间段内的历史运行数据进行聚类，从而分割成n种稳定运行工况下的数据集；其中，n为整数；s3、利用n种稳定运行工况下的数据集，分别对n个相同的初始机组性能评估模型进行训练，获得适用于n种稳定运行工况下的机组性能评估模型；s4、在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合n种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差，从而获得n个负荷偏差；取n个负荷偏差中的最小值作为性能退化偏差s；s5、将性能退化偏差s转化为主汽压力控制量δp
z
，对机组的运行状态进行控制，从而完成对汽轮机滑压运行的优化。2.根据权利要求1所述的汽轮机滑压运行优化方法，其特征在于，历史运行数据包括各采集时刻所采集的历史主汽压力p
z
、历史主汽温度t
z
、历史主汽流量f
z
、历史再热蒸汽压力f
hrh
、历史再热蒸汽温度t
hrh
、历史机组背压p
b
、历史机组供热抽汽流量f
g
、历史机组负荷e。3.根据权利要求2所述的汽轮机滑压运行优化方法，其特征在于，s2、对预设时间段内的历史运行数据进行聚类，从而分割成n种稳定运行工况下的数据集的实现方式为：s21、从预设时间段内的历史运行数据中提取各采集时刻下的历史主汽压力p
z
和历史机组负荷e，并绘制各采集时刻下的历史主汽压力p
z
和历史机组负荷e间的关系图；s22、利用聚类算法对步骤s21中的关系图进行聚类分析，获得n个聚类区域；s23、将每个聚类区域所对应的所有采集时刻下的历史运行数据，划分成一种稳定运行工况下的数据集，从而获得n种稳定运行工况下的数据集。4.根据权利要求2所述的汽轮机滑压运行优化方法，其特征在于，步骤s3、利用n种稳定运行工况下的数据集，分别对n个相同的初始机组性能评估模型进行训练，获得适用于n种稳定运行工况下的机组性能评估模型的实现方式为：将每种稳定运行工况下的数据集中各采集时刻下的历史主汽压力p
z
、历史主汽温度t
z
、历史主汽流量f
z
、历史再热蒸汽压力f
hrh
、历史再热蒸汽温度t
hrh
、历史机组背压p
b
和历史机组供热抽汽流量f
g
，作为该稳定运行工况下的数据集所对应的初始机组性能评估模型的输入；将每种稳定运行工况下的数据集中各采集时刻下的历史机组负荷e，作为该稳定运行工况下的数据集所对应的初始机组性能评估模型的输出；对每种稳定运行工况下的数据集所对应的初始机组性能评估模型进行训练，从而获得适用于n种稳定运行工况下的机组性能评估模型。5.根据权利要求2所述的汽轮机滑压运行优化方法，其特征在于，步骤s4、在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合n种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差的实现方式为：将当前时刻机组真实运行数据中的真实主汽压力p
z
′
、真实主汽温度t
z
′
、真实主汽流量f
z
′
、真实再热蒸汽压力f
′
hrh
、真实再热蒸汽温度t
′
hrh
、真实机组背压p
b
′
和真实机组供热抽汽流量f
g
′
，同时作为n种稳定运行工况下的机组性能评估模型的输入；每种稳定运行工况下的机组性能评估模型根据接收的当前时刻机组真实运行数据进行机组负荷估计，输出机组负荷估计值e
i
″
；
再将机组负荷估计值e
i
″
与真实机组负荷e
′
作差，获得第i种稳定运行工况下的负荷偏差δe
i
＝e
i
″‑
e
′
；其中，e
i
″
为第i种稳定运行工况下的机组性能评估模型输出的机组负荷估计值。6.根据权利要求1所述的汽轮机滑压运行优化方法，其特征在于，步骤s5中、将性能退化偏差s转化为主汽压力控制量δp
z
的实现方式为：其中，hr为机组理想热耗，p
z
′
为机组真实运行数据中的真实主汽压力，f
z
′
为机组真实运行数据中的真实主汽流量，e
′
为机组真实运行数据中的真实机组负荷。7.根据权利要求1所述的汽轮机滑压运行优化方法，其特征在于，步骤s1中、预设时间段内的历史运行数据的采样时间间隔t的取值范围为10＜t＜20，t的单位为秒。8.根据权利要求1所述的汽轮机滑压运行优化方法，其特征在于，步骤s1中、预设时间段的时间长度为大于一周，且小于3年。9.根据权利要求1所述的汽轮机滑压运行优化方法，其特征在于，步骤s1中、机组数据库为机组集散控制系统中的数据库。

技术总结

汽轮机滑压运行优化方法，属于火电厂汽轮机控制领域。解决了现有汽轮机组滑压优化方法准确率低，且无法进行定量指导的问题。本发明首先获取相应机组在预设时间段内的历史运行数据并进行聚类，从而分割成N种稳定运行工况下的数据集；利用N种稳定运行工况下的数据集，分别对N个相同的初始机组性能评估模型进行训练，获得适用于N种稳定运行工况下的机组性能评估模型；在机组滑压运行期间实时采集当前时刻机组真实运行数据，并结合N种稳定运行工况下的机组性能评估模型，计算在每种稳定运行工况下的负荷偏差，取N个负荷偏差中的最小值作为性能退化偏差s，并将其转化为主汽压力控制量ΔP