一种燃气轮机压气机检测及水洗优化方法与流程

1.本发明涉及燃气蒸汽联合循环发电机组离线水洗领域，尤其涉及一种燃气轮机压气机检测及水洗优化方法。


背景技术：

2.燃气-蒸汽联合循环机组，凭借其热效率高、三废排放少，适于调峰等优点，近年来在我国飞速发展。燃气轮机作为联合循环发电机组的核心部件，其性能的好坏直接影响整台机组的运行状况。燃气轮机在运行时需要不断的吸入空气，被吸进的空气中可能含有尘土、粉尘、昆虫等。虽然它们中大部分在进入压气机前已经被进气过滤器除去，但也有少量的污染物微粒进入压气机中，在压气机中不断沉积，使压气机效率降低，严重时会引发喘振等恶性事故，降低机组的安全性、可靠性和经济性。为了保证机组的安全经济运行，电厂都会定期安排离线水洗恢复压气机性能。
3.目前对于电站燃气轮机的离线水洗，一般根据其运行小时数定期进行。但是由于环境因素以及机组变工况运行的影响，压气机的结垢程度与时间之间并不是简单的线性关系，周期性的离线水洗方式不能维持机组高效运行，如果水洗频繁会浪费大量的除盐水和厂用电；反之，水洗不及时又会导致压气机效率下降，导致发电成本升高。借助人工智能技术，开展状态监测与故障诊断，预测设备的运行状态，开发实用的视情维修技术，已成为一项意义深远的任务。燃气蒸汽联合循环机组由于受电网调度参与调峰，难以长期保持在额定工况下工作。因此，识别变工况下的压气机结垢程度，并结合水洗成本制定水洗策略具有节能降耗的现实意义。


技术实现要素：

4.本发明的目的在于克服现有技术问题，提供了一种燃气轮机压气机检测及水洗优化方法。
5.本发明的目的是通过以下技术方案来实现的：
6.一种燃气轮机压气机检测及水洗优化方法，包括以下具体步骤：
7.步骤一：利用fmea和fta分析工具构建燃气轮机压气机故障模型，得到影响压气机结垢的参数和监测参数的测点；
8.步骤二：根据影响压气机结垢的参数和监测参数的测点，采集燃气轮机的历史运行数据；
9.步骤三：采用滑窗算法对历史运行数据进行数据稳态筛选，并采用dbscan聚类算法获取不同工况下历史运行数据的健康基准；
10.步骤四：根据已获取的稳态数据集和健康基准，训练优化得到压气机状态预测模型；
11.步骤五：将燃气轮机压气机实时机组运行数据输入压气机状态预测模型，得出当前压气机结垢程度的评价，根据压气机结垢程度的评价提供合理的离线水洗决策。
12.步骤一具体为：首先对燃气轮机压气机设备进行分析，形成设备树；其次根据燃气电厂运维的知识积累和理论分析，形成关于压气机的设备故障分析，获得故障模式、发生部位、故障参数征兆和故障原因。
13.步骤二具体为：结合步骤一和实际经验分析，得到影响压气机结垢的多个参数类型和测点，并将采集后数据进行存储形成历史数据库。
14.步骤三中所述数据稳态筛选具体步骤为：通过对数据的线性规划确定滑窗算法中的滑窗长度和稳态数据稳定性指标；
15.线性规划的目标函数为：
[0016][0017]
约束条件为：
[0018][0019]
0≤w1≤10，
[0020]
0≤w1≤10，
[0021]
其中，εi为第i个参数的稳态稳定性指标；n表示当前筛选出的稳态数据量占总数据量的百分比；δl表示滑窗长度，单位为min；n＝f(δl)表示滑窗长度δl与n的函数关系；w1、w2为权重系数；
[0022]
给定迭代初值εi、δl和设定权重系数w1、w2；对每个参数采用基于cst的稳态筛选算法进行稳态筛选，筛选的结果为稳态或非稳态；将每个参数的稳态时间段求并集，得出总的稳态时间段，并对应时间段获取稳态数据；计算获得线性规划的目标函数；采用pso算法改变变量εi和δl，并最终通过迭代求解相关参数，得到稳态数据集。
[0023]
所述第i个参数的稳态稳定性指标εi，计算公式为：
[0024][0025]
其中，xi表示第i个参数按照当前给定的滑窗长度和稳态数据稳定性指标所筛选出来的稳态数据列；max指求数列的最大值；min指求取数列的最小值；average指求数列的平均值。
[0026]
所述当前筛选出的稳态数据量占总数据量的百分比n，计算方式为：
[0027][0028]
其中，n为当前筛选出的稳态数据的条数，n0为历史数据库中的数据条数总量。
[0029]
步骤三中计算所述健康基准的具体步骤为：
[0030]
以机组负荷为对象，基于密度对稳态数据集进行dbscan聚类，得到最佳聚类数s、聚类区间和机组负荷聚类簇；
[0031]
对于机组负荷聚类簇，以环境温度为对象，基于密度对每一机组负荷聚类簇的稳态数据集进行dbscan聚类，得到最佳聚类数k和聚类区间；
[0032]
机组负荷聚类簇的聚类区间即为工况划分单元，每一机组负荷聚类簇的聚类中心即为工况划分单元的机组健康基准。
[0033]
所述步骤四具体为：
[0034]
将机组稳态数据集输入压气机状态预测模型，利用去燥自编码器原理，进行模型训练；
[0035]
采用sgd算法对压气机状态预测模型进行优化迭代计算，当优化目标函数达到最小时，迭代终止，压气机状态预测模型训练完成。
[0036]
步骤五具体为：
[0037]
将燃气轮机压气机实时机组运行数据输入压气机状态预测模型，计算压气机健康指数，当压气机健康指数小于预设值时，即压气机出现结垢故障；
[0038]
结合机组的离线水洗收益和电厂的实际检修计划，制定离线水洗策略，对压气机进行离线水洗。
[0039]
所述离线水洗收益计算过程具体为：
[0040]
结合电厂历史数据，计算燃气蒸汽联合循环机组的单位附加成本和停机水洗成本；
[0041]
单位附加成本计算公式为：
[0042][0043]
其中，m
run
表示单位运行附加损失，δw1表示燃机发生结垢故障后在运行时间内少发的电量，w
run
表示结垢故障发生后机组发电量，δf1表示燃机发生结垢故障后多消耗天然气燃料量，ce表示上网电价，cf表示燃料的价格；
[0044]
停机水洗成本计算公式为:
[0045]mstop
＝δw2c
e-δf2cf mw，
[0046]
其中，δw2表示停机期间联合循环机组少发的电量，δf2表示停机期间节省的燃料量，mw表示水洗成本；
[0047]
结合单位运行附加损失和停机水洗成本，对离线水洗收益进行计算；
[0048]
离线水洗收益计算公式为：
[0049]
e＝m
run
×we-m
stop
，
[0050]
其中，e表示此次水洗带来的净收益，we表示该次水洗后距离下次停机时刻燃机发电量的期望。
[0051]
本发明的有益效果：
[0052]
本发明采用大数据及人工智能技术，通过对机组历史数据的挖掘和机组实时数据监测，能够实现对燃气轮机压气机的整体性能状态的预测和评估，识别当前变工况下压气机的结垢程度，并按照经济性制定合理的燃气轮机离线水洗策略，从而进一步促进燃气轮机的节能降耗。
附图说明
[0053]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0054]
图1是本发明的压气机状态监测及离线水洗总流程图；
[0055]
图2是本发明的数据稳态筛选流程图；
[0056]
图3是本发明的dbscan聚类算法流程图；
[0057]
图4是本发明的去噪编码器模型构建与健康监测流程图。
具体实施方式
[0058]
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0059]
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，所描述的实施例仅是本发明的一部分实施例，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。
[0060]
如图1-4所示，一种燃气轮机压气机检测及水洗优化方法，包括以下具体步骤：
[0061]
步骤一：利用fmea和fta分析工具构建燃气轮机压气机故障模型，得到影响压气机结垢的参数和监测参数的测点；
[0062]
步骤二：根据影响压气机结垢的参数和监测参数的测点，采集燃气轮机的历史运行数据；
[0063]
步骤三：采用滑窗算法对历史运行数据进行数据稳态筛选，并采用dbscan聚类算法获取不同工况下历史运行数据的健康基准；
[0064]
步骤四：根据已获取的稳态数据集和健康基准，训练优化得到压气机状态预测模型；
[0065]
步骤五：将燃气轮机压气机实时机组运行数据输入压气机状态预测模型，得出当前压气机结垢程度的评价，根据压气机结垢程度的评价提供合理的离线水洗决策。
[0066]
步骤一具体为：首先对燃气轮机压气机设备进行分析，形成设备树；其次根据燃气电厂运维的知识积累和理论分析，形成关于压气机的设备故障分析，获得故障模式、发生部位、故障参数征兆和故障原因。因为压气机结垢故障后对压气机进行离线水洗只是应对措施，还需要查找到相关故障原因以减少压气机发生结垢故障的频率，从而减少离线水洗所带来的成本。
[0067]
经过相关分析，结果如表1所示：
[0068]
表1
[0069]
[0070][0071]
表格中，相对应减小(降低)、正常、增加的含义是：相对于步骤求取的机组在一定工况下的健康基准的偏小、正常、偏高。
[0072]
其中压气机压比和压气机效率是需要进行实时计算的，其计算方式为：
[0073][0074]
其中，π表示压气机压比，p2表示压气机出口压力，p1为压气机入口压力。
[0075]
压气机效率的计算公式为：
[0076][0077]
其中，η表示压气机效率，t1表示压气机进口温度，t2表示压气机出口温度，t
2s
表示压气机出口等熵温度。
[0078]
步骤二具体为：结合步骤一和实际经验分析，得到影响压气机结垢的多个参数类型和测点，如表2所示，并将采集后数据进行存储形成历史数据库。
[0079]
表2
[0080][0081]
步骤三中所述数据稳态筛选具体步骤为：通过对数据的线性规划确定滑窗算法中的滑窗长度和稳态数据稳定性指标；
[0082]
线性规划的目标函数为：
[0083][0084]
约束条件为：
[0085][0086]
0≤w1≤10，
[0087]
0≤w1≤10，
[0088]
其中，εi为第i个参数的稳态稳定性指标；n表示当前筛选出的稳态数据量占总数据量的百分比；
[0089]
δl表示滑窗长度，单位为min，注意到约束条件25≤δl≤40的设定是为了防止滑窗长度过长而引起的优化问题求解不能收敛，而滑窗长度也不能过短，因为极短时间内的
机组数据稳态在机组的热力运行上没有意义，必须是较长时间内的燃气轮机压气机稳定运行才能反映机组当前处于稳定运行状态。
[0090]
n＝f(δl)表示滑窗长度δl与n的函数关系，但该函数关系是没有具体表达式的，只能在求解线性规划问题的迭代计算中改变滑窗长度，经过稳态筛选后计算出n。
[0091]
w1、w2为权重系数；该权重系数由人为根据经验给定，若是重视稳态数据的质量，则w1应尽量高于w2，反之w2应尽量高于w1。
[0092]
给定迭代初值εi＝0.1(i＝1，2，
…
，13)，δl＝30，设定权重系数w1、w2；对每个参数采用基于cst的稳态筛选算法进行稳态筛选，筛选的结果为稳态或非稳态；将每个参数的稳态时间段求并集，得出总的稳态时间段，并对应时间段获取稳态数据；计算获得线性规划的目标函数；采用pso算法改变变量εi和δl，并最终通过迭代求解相关参数，得到稳态数据集。
[0093]
所述第i个参数的稳态稳定性指标εi，计算公式为：
[0094][0095]
其中，xi表示第i个参数按照当前给定的滑窗长度和稳态数据稳定性指标所筛选出来的稳态数据列；max指求数列的最大值；min指求取数列的最小值；average指求数列的平均值。而第i个参数对应与表2序号一栏的参数。
[0096]
所述当前筛选出的稳态数据量占总数据量的百分比n，计算方式为：
[0097][0098]
其中，n为当前筛选出的稳态数据的条数，n0为历史数据库中的数据条数总量。
[0099]
步骤三中计算所述健康基准的具体步骤为：
[0100]
以机组负荷为对象，基于密度对稳态数据集进行dbscan聚类，得到最佳聚类数s和聚类区间；
[0101]
最佳聚类数s的计算方式为：
[0102][0103]
其中，n表示总的稳态样本数目，bi表示第i个样本点到其他类别样本点的最小距离，ai表示第i个样本点到同一类内其他样本点的平均距离。
[0104]
其中每一类的聚类区间的计算方式为记录每个聚类分类中机组负荷的最大值和最小值。
[0105]
对于机组负荷聚类簇，以环境温度为对象，基于密度对每一机组负荷聚类簇的稳态数据集进行dbscan聚类，得到最佳聚类数k和聚类区间；
[0106]
机组负荷聚类簇的聚类区间即为工况划分单元，每一机组负荷聚类簇的聚类中心即为工况划分单元的机组健康基准。
[0107]
为确定机组的实时运行状态，就需要获取每个工况下机组的健康基准数据，将之作为衡量标准。当机组当前运行数据显著偏离该健康基准时，就认为机组可能出现了某些问题。而机组的基准选取标准是在安全运行的条件下，热耗率最低的运行状态。因此本发明使用了基于密度的dbscan聚类算法，用于机组工况划分及健康基准获取。
[0108]
由于机组运行受制于机组所处环境和负荷需求，不可能每个工况都有大量的稳态
数据可供提取。那么采用简单的依据机组边界参数进行等距划分工况的方法就会产生大量无用的工况单元。
[0109]
基于密度的dbscan算法用于燃气轮机压气机运行健康基准获取，该方法基于参数的聚集程度聚类能够比其他聚类方法更能反映机组的运行，同时该聚类方法能够聚类高维数据而不用考虑不同数据的数量级，同时对异常数据点的敏感度较低。这使得其能够比k-means聚类算法在聚类高维且容易出现异常点的燃气轮机机组运行数据具有更好的适用性。通常如果机组稳态运行数据在某一块聚集程度越高，越能说明这一块数据是机组在该工况下的一种常见的运行状态。
[0110]
其次是针对产生大量无用工况单元的问题，本发明采用了多步dbscan算法，即首先以机组负荷为对象进行聚类，再对已经分类的每一类数据以环境温度为对象进行聚类，从而分类是依据现有机组的运行状态而不是人为划分，有效解决了这个问题。
[0111]
所述步骤四具体为：
[0112]
将机组稳态数据集输入压气机状态预测模型，利用去燥自编码器原理，进行模型训练；
[0113]
机组稳态运行参数，其表达式为：
[0114]
z＝(tc，δpe，θ，qf，p0，μ0，tr，qt，h，η，π，qc，p)
t
，
[0115]
其中，参数均为历史稳态数据，可详见表2。
[0116]
采用sgd算法对压气机状态预测模型进行优化迭代计算，当优化目标函数达到最小时，迭代终止，压气机状态预测模型训练完成。
[0117]
(1)对原始输入向量添加服从正态分布的高斯噪声，形成含噪声的数据(1)对原始输入向量添加服从正态分布的高斯噪声，形成含噪声的数据
[0118]
(2)将含噪声数据按照映射到低维隐变量空间，
[0119]
其中σ为自编码器神经网络中对应于编码器的激活函数，w为对应于编码器的权重矩阵，b为对应于编码器的偏差向量；
[0120]
(3)按照z
′
＝σ
′
(w
′
h b
′
)对低维隐变量空间进行解码，形成重构数据集z
′
，式中均为对应于解码器的参数。
[0121]
(4)计算残差：
[0122][0123]
采用sgd(随机梯度下降法)对该模型进行优化迭代计算，当优化目标函数(即残差)最小时，迭代终止，该模型训练完成。
[0124]
将该模型用于燃气轮机压气机的实时监测，设某时刻实时监测数据向量为x＝(tc，δpe，θ，qf，p0，μ0，tr，q
t
，h，η，π，qc，p)
t
，该时刻经过去噪编码器模型后的重构预测监测数据向量为而该时刻下实时监测向量所对应工况下的基准值为则计算健康指数：
[0125][0126]
通过实时计算该健康指数，可以衡量燃气轮机压气机当前的运行状况是否正常，当压气机的实时运行值与健康基准偏差过大时，就认为出现了结垢故障，应当计划进行离线水洗。
[0127]
由于用于判断机组当前其中对于数据稳态筛选的矛盾点在于如果筛选条件过于严格，则只会得到极少量的数据，不利于模型训练。若筛选条件过于宽松，又会导致稳态筛选后的数据波动幅度仍然过大，从而影响模型精度。
[0128]
而根据机组热力运行原理，稳态筛选中定义稳态所需的数据的变化幅度是确定的，因此，本发明采用了sgd算法用于求解该线性规划问题。
[0129]
步骤五具体为：
[0130]
将燃气轮机压气机实时机组运行数据输入压气机状态预测模型，计算压气机健康指数，当压气机健康指数小于预设值时，即压气机出现结垢故障；
[0131]
结合机组的离线水洗收益和电厂的实际检修计划，制定离线水洗策略，对压气机进行离线水洗。
[0132]
一般的预测模型如rnn-lstm、pso-svr等算法只能预测单一结果，压气机状态预测模型由于需要结合故障分析，可见不同参数的降低可能是由于不同结果导致，预测单一结果不能很好地涵盖不同故障情况。本发明预测模型能够通过实时机组运行数据的输入，对压气机的所有指标(包括压气机的重要状态指标压气机)进行趋势预测，从而更早的发现压气机结垢的异常状态，并且采用kde核密度估计法衡量预测与实际运行值的偏差，得出当前压气机结垢程度的评价，以便为离线水洗决策提供参考。
[0133]
所述离线水洗收益计算过程具体为：
[0134]
结合电厂历史数据，计算燃气蒸汽联合循环机组的单位附加成本和停机水洗成本；
[0135]
单位附加成本计算公式为：
[0136][0137]
其中，m
run
表示单位运行附加损失，δw1表示燃机发生结垢故障后在运行时间内少发的电量，w
run
表示结垢故障发生后机组发电量，δf1表示燃机发生结垢故障后多消耗天然气燃料量，ce表示上网电价，cf表示燃料的价格；
[0138]
停机水洗成本计算公式为：
[0139]mstop
＝δw2c
e-δf2cf mw，
[0140]
其中，δw2表示停机期间联合循环机组少发的电量，δf2表示停机期间节省的燃料量，mw表示水洗成本；
[0141]
结合单位运行附加损失和停机水洗成本，对离线水洗收益进行计算；
[0142]
离线水洗收益计算公式为：
[0143]
e＝m
run
×we-m
stop
，
[0144]
其中，e表示此次水洗带来的净收益，we表示该次水洗后距离下次停机时刻燃机发电量的期望。
[0145]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。