一种发电机组高调阀特性优化方法及系统与流程

本发明涉及发电机组，特别是涉及一种发电机组高调阀特性优化方法及系统。

背景技术：

1、发电机组在生产过程中，由于长时间持续运行磨损、设备检修改造、高温高压蒸汽对调节阀的持续冲刷、机组opc动作、非停造成机械冲击等原因，均会导致汽轮机组高压调节阀（简称高调阀）实际性能发生变化，使当前采用的调阀特性函数与调阀实际流量特性产生偏差，机组的最佳效率点发生偏离，影响机组运行效率和运行稳定性。

2、目前，针对发电机组高压调节阀特性函数偏离实际高调阀特性的问题，主要采用阀特性函数人工采集试验进行数据采集。由于部分数据存在一定的波动，因此存在读取误差。另外，人工试验往往会占用机组的生产时间，且采集的数据量有限。对于阀特性函数优化，目前往往采用最小二乘方法求取拟合曲线，但对于阀特性函数发生严重偏离的曲线没有较好的拟合效果。

3、因此，亟需一种能够高效、准确地对发电机组高调阀特性进行优化，提高机组运行效率和稳定性的方法。

技术实现思路

1、本发明所要解决的技术问题是，克服现有技术的缺点，提供一种发电机组高调阀特性优化方法及系统。

2、为了解决以上技术问题，本发明的技术方案如下：

3、一种发电机组高调阀特性优化方法，包括：

4、从集散控制系统历史运行数据库中采集发电机组的历史运行数据，并对所述历史运行数据进行预处理，划分生成目标训练数据集和目标测试集；

5、根据采集的数据与优化目标确定待训练的bp神经网络模型的拓扑结构；

6、利用预设的群智能优化算法优化所述bp神经网络模型的初始权值、阈值和隐藏层神经元个数，以构建目标bp神经网络模型；

7、利用所述目标训练数据集对所述目标bp神经网络模型进行模型训练，并利用所述目标测试集对训练后的模型进行测试，利用测试通过的bp神经网络模型对阀门开度指令和主蒸汽流量的映射关系进行寻优处理，生成最优的高调阀特性函数曲线。

8、作为本发明所述发电机组高调阀特性优化方法的一种优选方案，其中：对所述历史运行数据进行预处理，生成目标训练数据集包括：

9、剔除所述历史运行数据中的异常数据，并利用如下归一化公式对剩余数据进行处理：，其中，为归一化处理后的数据，和分别为待处理数据中的最大值与最小值。

10、作为本发明所述发电机组高调阀特性优化方法的一种优选方案，其中：所述确定待训练的bp神经网络模型的拓扑结构包括：

11、确定所述拓扑结构的输入层变量为主蒸汽温度、主蒸汽压力、调节级压力以及各阀门开度指令，确定输出层变量为主蒸汽流量；

12、其中，若所述发电机组处于单阀运行模式，则在所述输入层变量中将所述各阀门开度指令简化为单一阀门开度参数以减少输入层神经元数量。

13、作为本发明所述发电机组高调阀特性优化方法的一种优选方案，其中：所述群智能优化算法采用麻雀算法，具体优化步骤包括：

14、初始化由n只麻雀组成的种群、迭代次数、以及探索者与追随者的比例；

15、以所述目标测试集中的真实值与模型预测值之间的均方误差作为适应度函数，计算种群个体的适应度值；

16、在迭代过程中，分别利用探索者位置更新公式、追随者位置更新公式和预警者位置更新公式对所述种群的位置进行迭代更新；

17、当满足预设的迭代停止条件时，输出全局最优位置对应的初始权值、阈值和隐藏层神经元数量，以构建所述目标bp神经网络模型。

18、作为本发明所述发电机组高调阀特性优化方法的一种优选方案，其中：所述探索者位置更新公式、追随者位置更新公式以及预警者位置更新公式如下：

19、探索者位置更新公式为：；

20、追随者位置更新公式为：

21、预警者位置更新公式为：；

22、其中，为第t+1代的第i个麻雀在第j维中的位置信息；为t代的全局最优位置；st为安全值，范围为[0.5,1]；为预警值，范围为[0,1]；α为随机数，范围为(0,1]；为最大迭代次数；q为服从正态分布的随机数；l为元素全为1的1*d的矩阵；为当前全局最差位置，为t+1时刻探索者最优位置；，a为元素随机为1或-1的1*d的矩阵，为步长控制参数；k为随机数，范围为[-1,1]；、、分别为当前个体、全局最优与最差适应度值；为常数。

23、作为本发明所述发电机组高调阀特性优化方法的一种优选方案，其中：所述对阀门开度指令和主蒸汽流量的映射关系进行寻优处理，生成最优的高调阀特性函数曲线包括：

24、若所述发电机组处于单阀运行模式，则利用所述目标训练数据集对单阀bp神经网络模型进行训练和拟合度测试，在拟合误差满足要求时生成单阀阀特性函数曲线；

25、若所述发电机组处于顺阀运行模式，则通过调节各阀门之间的重叠度，并采用最小二乘法评价输出样本的线性度，选取线性度最佳对应的重叠度作为最优重叠度，以生成最优顺阀流量特性曲线。

26、作为本发明所述发电机组高调阀特性优化方法的一种优选方案，其中：所述顺阀流量特性曲线的生成步骤包括：

27、确定合理的重叠度调整范围，按预设阶跃量在重叠区间内取值，并将当前阀门开度指令及对应的主蒸汽状态参数输入至训练好的顺阀bp神经网络模型中；

28、利用如下评价公式计算输出样本的线性度l：，其中，为所述顺阀bp神经网络模型输出的样本点，为拟合函数。

29、本发明还提供了一种发电机组高调阀特性优化系统，用于执行上述的方法，所述系统包括：

30、数据预处理模块，用于从dcs系统历史运行数据库中采集历史运行数据，并对所述历史运行数据进行预处理，划分生成目标训练数据集和目标测试集；

31、拓扑结构确定模块，用于根据优化目标确定bp神经网络模型的拓扑结构；

32、参数寻优模块，用于利用群智能优化算法获取bp神经网络的最优初始权值、阈值和隐藏层神经元个数，以构建目标bp神经网络模型；

33、特性优化模块，用于利用所述目标训练数据集对所述目标bp神经网络模型进行模型训练，并利用所述目标测试集对训练后的模型进行测试以及对阀门开度指令和主蒸汽流量的映射关系进行寻优处理，生成最优的高调阀特性函数曲线。

34、本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述优化方法的步骤。

35、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述优化方法的步骤。

36、本发明的有益效果是：

37、（1）本发明采用麻雀算法（ssa）对bp神经网络的初始权值、阈值及隐藏层神经元个数进行全局优化。传统bp神经网络初始参数随机设置，容易陷入局部最优且收敛速度慢。麻雀算法通过模拟麻雀种群的觅食行为（探索者、追随者、预警者分工协作），能够快速搜索到全局最优的参数组合。将该最优参数作为bp神经网络的初始状态，从根本上避免了因初始参数不当导致的训练振荡、收敛缓慢或陷入局部极值的问题，从而显著提升了模型的训练速度以及对阀门开度-主蒸汽流量映射关系的预测精度。

38、（2）本发明利用训练完成的bp神经网络模型，针对两种典型运行模式（单阀模式和顺阀模式）分别进行阀特性函数优化。在单阀模式下，通过神经网络直接拟合出贴合汽轮机实际特性的单阀阀特性曲线；在顺阀模式下，通过调整各阀门之间的重叠度，并采用最小二乘法评价流量曲线的线性度，选取线性度最佳的重叠度作为最优值。最优重叠度能够有效避免因重叠度过大引起的节流损失和机组震动，也能避免因重叠度过小导致的流量特性线性度变差和调节不平滑。因此，优化后的阀特性函数能够使机组在不同工况下均保持平滑、稳定的调节，显著提升了机组运行的稳定性。

39、（3）本发明完全基于dcs系统历史运行数据进行建模和优化，无需人工停机试验，不占用机组生产时间，且数据量充足、覆盖工况全面。利用经过麻雀算法优化的bp神经网络模型，能够精准捕捉当前高调阀的实际流量特性，生成与阀门实际状态高度契合的特性函数曲线。机组采用该优化后的特性曲线进行调节，能够使阀门开度指令与实际蒸汽流量精确匹配，使机组的最佳效率点得以恢复和保持，从而有效提升机组的热经济性和整体运行效率。