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

技术特征：
1.基于工业数据和工艺机理的汽轮机热耗率优化方法，其特征在于，包括以下步骤：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；步骤s200：基于工艺机理分析的汽机热耗率模型训练；步骤s300：建立基于高维近似模型的优化控制模型；步骤s400：热耗率非线性优化问题求解。2.根据权利要求1所述的基于工业数据和工艺机理的汽轮机热耗率优化方法，其特征在于，步骤s100中，数据的预处理过程包括：剔除掉传感器失灵或者采集数据装置失灵的意外情况发生时采集的数据；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；汽机的关键控制点往往安装多个测点，对这些测点取平均值；将历史生产数据预处理后，用于汽机热耗率模型的训练。3.根据权利要求1所述的基于工业数据和工艺机理的汽轮机热耗率优化方法，其特征在于，步骤s200，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；输出变量y的高维近似模型为：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。4.根据权利要求3所述的基于工业数据和工艺机理的汽轮机热耗率优化方法，其特征在于，还包括：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)：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；
0≤ya
m
≤σ，m∈m
ꢀꢀꢀꢀ
(5)0≤yb
m
≤σ，m∈m
ꢀꢀꢀ
(6)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)；步骤s240：设置误差范围σ，输入变量x的初始阶数k＝1；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；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；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’。5.根据权利要求3所述的基于工业数据和工艺机理的汽轮机热耗率优化方法，其特征在于，步骤s300中，热耗率的控制目标取max(y)(8)；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。6.根据权利要求5所述的基于工业数据和工艺机理的汽轮机热耗率优化方法，其特征在于，步骤s400，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算法可对其进行高效地求解。

技术总结
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，包括以下步骤：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；步骤S200：基于工艺机理分析的汽机热耗率模型训练；步骤S300：建立基于高维近似模型的优化控制模型；步骤S400：热耗率非线性优化问题求解。本发明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。并摆脱对工人经验的依赖。并摆脱对工人经验的依赖。


技术研发人员：潘明 陶磊
受保护的技术使用者：工数科技（广州）有限公司
技术研发日：2021.08.09
技术公布日：2021/11/2