基于工业数据和工艺机理的汽轮机热耗率优化方法与流程

1.本发明属于汽轮机控制技术领域，具体涉及一种基于工业数据和工艺机理的汽轮机热耗率优化方法。


背景技术：

2.汽轮机是将蒸汽的内能转换成机械能的高速旋转做功设备，蒸汽在汽轮机中释放能量推动汽轮机带动发电机产生电能。汽轮机本体系统分为高压缸、中压缸和低压缸三个典型对象。
3.现有汽机的控制方法是在满足锅炉生产安全的前提下，由工程师将控制参数范围写在集控运行规程中，规定关键操作参数(例如：焓值、温度、压力等热力学参数等)的控制范围。在生产工况发生改变时，由操作工人根据运行的实际情况进行调整，满足参数在控制范围内，以达到最优汽机热耗率作为优化目标。
4.目前，仅基于关键控制参数范围调整生产的方法，在实际运行过程中常遇到以下几个问题：
5.1、发电厂中与汽轮机组相关设备的内在性能，设备性能的高低、损耗的变化大小直接或间地也可能会大大影响驱动机组热耗率另外高新技术比如先进的多台大容量柴油汽轮驱动机组、超临界增压技术、通流部分全三维整流结构设计和高效率的叶型、高效率燃烧也是会影响汽轮驱动机组热耗率的一个重要影响因素。
6.2、汽机运行属于动态连续过程，其受到多种不确定因素影响。对汽轮机的乏汽温度，循环水泵的频率和凝汽器真空三者之间应存在最经济参数，使汽轮机热耗和厂用电达到经济最优，但不同班组的操作人员会根据个人经验调整参数。产线未在最优工艺运行。因此生产成本与操作工人的技术、经验和专注程度等条件密切相关，且工人操作属于多年积累经验，并非是该工艺所有生产参数的最佳动态组合，其生产效益存在较高的优化和提升空间。


技术实现要素：

7.针对上过技术问题，本发明提供一种基于工业数据和工艺机理的汽轮机热耗率优化方法，基于汽机的生产工艺，拟以汽轮机系统为对象，研究其复合模型建立方法，首先建立对象的机理模型，然后建立高维近似模型，再根据火电机组在不同工况下的运行数据，对模型进行训练。基于训练好的汽机热耗率预测模型，以及实时生产数据，对各汽机关键参数进行联调优化，在保证工艺安全的前提下，实现热耗率最优的成本控制目标。
8.该方法首先将海量的工业历史数据进行预处理，剔除历史数据中的异常样本。随后，选取汽机工艺的关键影响参数，提出高维数据训练方法，建立与实际汽机运行高度吻合的热耗率预测模型。通过建立汽机生产优化模型，提出最优算法寻找各控制参数的最优解指导生产，保证热耗率最优，并摆脱对工人经验的依赖。
9.具体的技术方案为：
10.基于工业数据和工艺机理的汽轮机热耗率优化方法，包括以下步骤：
11.步骤s100：基于汽机的热工机理对历史生产数据预处理，去除异常样本，将健康数据用于模型训练；
12.数据的预处理过程主要包括：
13.在实际的生产过程中，可能会发生短时间内传感器失灵或者采集数据装置失灵的意外情况发生，这时采集的数据有可能会大于实际信号，误差也会很大，所以要剔除掉这些野值，否则会对模型的准确度造成影响。
14.由于模型各输入参数的取值范围差别较大，如果直接使用原始数据，会导致模型的输出误差很大。为此，结合各参数在机组升降负荷过程中可能的最大变化范围，人工确定各参数规整化的最大、最小值，对所有数据进行归一化处理。
15.汽机的关键控制点往往安装多个测点(例如主汽压力，主汽温度等)，需要对这些测点取平均值。
16.将历史生产数据预处理后，用于汽机热耗率模型的训练。
17.步骤s200：基于工艺机理分析的汽机热耗率模型训练；
18.采用高维模型表征多项式建模训练方法，基于步骤s100清洗后的生产数据样本，训练出热耗率y与发电负荷x1、主蒸汽压力x2、主蒸汽温度x3、再热器出口蒸汽压力x4、再热器出口蒸汽温度x5、再热器入口蒸汽温度x6、再热器入口蒸汽压力x7、再热减温水流量x8、过热减温水流量x9、汽轮机背压x10、循环水进水口温度x11、给水流量x12的高维近似模型；
19.输出变量y的高维近似模型为：
[0020][0021]
式(1)中，k为输入变量x的最大阶数，i和i’表示每一个具体变量x，k和k’表示每变量x的阶数，模型参数包括：c、a
i,k
和b
i,i’,k,k’，其中，c表示对输出变量y的零阶响应；a
i,k
指输入变量x
i
单独作用时对输出变量y的影响；b
i,i’,k,k’是输入变量x
i
和x
i’耦合作用时对输出变量y的影响。
[0022]
还包括：
[0023]
步骤s210：建立基于式(1)高维近似模型的输出变量预测值y与输入变量x之间的计算关系，如式(2)，其中下标m表示每一组数据，m为数据的组数，其他符号同式(1)：
[0024]
步骤s220：约束高维近似模型的误差范围σ，引入两个不小于0的变量ya
m
和yb
m
，建立式(3)
‑
(6)，y
*m
为输出变量的样本值；
[0025][0026][0027]
0≤ya
m
≤σ，m∈m
ꢀꢀꢀ
(5)
[0028]
0≤yb
m
≤σ，m∈m
ꢀꢀꢀ
(6)
[0029]
步骤s230：建立线性优化的目标值r，使预测值与数据样本值的误差ya
m
yb
m
最小，如式(7)；
[0030][0031]
步骤s240：设置误差范围σ，输入变量x的初始阶数k＝1；
[0032]
步骤s250：线性优化问题求解。针对步骤s210
‑
s240建立的线性优化问题，利用数学编程技术，采用经典的对偶单纯形算法可对其进行高效地求解；
[0033]
步骤s260：判断线性优化问题是否有解；有解，输出结果，算法停止；无解，则进入步骤s270；
[0034]
步骤s270：增加输入变量x的阶数，k＝k 1；返回步骤s250，求解更新变量x阶数后的线性优化问题；通过不断增加变量x的阶数k，反复执行步骤s250
‑
s270，得到高维近似模型在误差范围σ内的所有参数c、a
i,k
和b
i,i’,k,k’。
[0035]
步骤s300：建立基于高维近似模型的优化控制模型；
[0036]
热耗率的控制目标取max(y)
ꢀꢀꢀ
(8)；
[0037]
由热耗率的式(1)训练方程，以及式(8)目标函数，组成了热耗率优化数学规划模型。
[0038]
步骤s400：热耗率非线性优化问题求解。
[0039]
针对步骤s300建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近(successive convex approximation)算法可对其进行高效地求解。
[0040]
本发明具有的技术效果：
[0041]
(1)基于汽机的热工原理，对工业历史生产数据进行分析和清洗，去除异常数据样本，为后续工艺模型训练提供健康的训练样本数据。
[0042]
(2)基于汽机的热工原理，确定影响热耗率的关键生产参数。并提出高维表征近似模型训练算法，采用清洗后的工业历史生产数据，训练出汽机热耗率模型来对热耗率进行精准预测。
[0043]
(3)采用训练得到的汽机热耗率预测模型，建立热耗率优化控制数学模型，寻找最优热耗率控制生产条件，最终制定出生产成本最优的各生产参数联调策略。
附图说明
[0044]
图1为本发明的方法示意图；
[0045]
图2为发明的求解热耗率高维近似模型参数的方法示意图；
[0046]
图3为实施例近似模型的预测结果。
具体实施方式
[0047]
结合实施例说明本发明的具体技术方案。
[0048]
某热电厂汽机为亚临界、中间再热式、高中压合缸、双缸双排汽单轴凝汽式，工厂的锅炉主蒸汽在经过汽机做功发电后变为两路给客户供气，一级供气为汽轮机高压缸的2级抽气，二级供热在正常运行时选择四抽供气或再热供气之一进行供气。汽机集控规程要
求作为约束条件一，如表1所示。
[0049]
约束条件一：
[0050]
表1某热电厂汽机运行过程中主要参数和控制范围控制范围
[0051][0052][0053]
约束条件二：所有控制参数的变化均在工艺所允许的操作范围内。
[0054]
约束条件三：所有控制参数的调整均在当前操作水平的 /
‑
2％范围内，以保证生产调整的连续性和稳定性。
[0055]
基于以上条件使用该新方法进行部署实施。
[0056]
步骤s100：汽机过程工业数据分析及清洗；
[0057]
基于汽机的热工机理，确定影响热耗率的因素。按照每1分钟采数一次进行记录。因此，在工厂连续生产状态下，每天会产生1440组生产数据与一组实验数据的对应样本。对每1分钟采集的数据样本进行滚动求15分钟平均值，取得每天96组数据。去除异常样本后，得到健康样本属于用于汽机热耗率预测模型的训练。
[0058]
步骤s200：针对影响热耗率的12种参数历史数据来确定汽机热耗率预测模型。热耗率y的高维近似模型结构。
[0059][0060]
如图2所示，采用步骤s210
‑
s270建立的线性优化方法，求解步骤s200中主汽流量y高维近似模型的参数。近似模型的训练结果见表2，预测结果如图3所示。
[0061]
表2近似模型的预测结果
[0062]
[0063]
步骤s300：建立基于高维近似模型的优化控制模型；
[0064]
热耗率优化的目标为：max(y)；
[0065]
最终，热耗率预测方程和操作目标函数组成了汽机热耗率优化控制数学规划模型。
[0066]
步骤s400：基于步骤s300建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近(successive convex approximation)算法可对其进行高效地求解。
[0067]
优化结果：取工厂2个月的历史数据对比，优化后的热耗率从原有的8350kj/kw.h提高降低到8136kj/kw.h，可以实现2.25％的降低。