CN101719230A - 大型汽轮机组主汽压力优化方法 - Google Patents

Abstract

本发明公开了一种大型汽轮机组主汽压力优化方法，属于机器学习建模及优化算法领域。该方法首先对机组性能试验获得的热耗特性样本集采用支持向量机方法进行学习和建模，获得机组热耗、主汽压力、主汽温度、环境温度和机组负荷的参数关系，然后取样本集中的一个子集进行学习、建立热耗模型并进行增量分析，再建立汽轮机组压力优化模型，采用遗传算法对其进行优化求解，得到主汽压力优化值和曲线及优化数据集，对该优化数据集进行二次建模，最终获得压力优化特性关系。本发明方法能根据机组当前的运行状况给出优化的主汽压力设定值，大大扩大优化范围，尤其有利于大型电站汽轮机组的节能减耗。

Description

大型汽轮机组主汽压力优化方法

技术领域

本发明涉及一种工业过程优化方法，尤其涉及一种大型汽轮机组主汽压力优化方法，属于机器学习建模及优化算法领域。

背景技术

人工智能技术在机器学习和优化算法领域得到了越来越广泛的应用，其已经成为工业过程建模和优化的重要研究对象。

机器学习(Machine Learning)是从已知样本数据或信息中通过挖掘、归纳、演绎、类比等方法获取知识的手段和机制；支持向量机(Support Vector Regression，SVR)是由Vapnik等人于20世纪90年代中期在统计学理论基础上发展并提出的一种新的机器学习算法，作为统计学习理论的核心内容，SVR能够较好的解决小样本学习问题，支持向量机已经成为机器学习建模领域的研究热点；遗传算法(Genetic Algorithms，GA)是一种基于生物自然选择与进化理论的随机搜索算法，从多个初始点开始寻优，沿多路径搜索实现全局或准全局最优，算法简单、通用，鲁棒性强，固有的并行性保证了算法的效率，已经成为复杂工业工程优化的重要方法之一。

大型汽轮机是火力发电厂的三大主要设备之一，也是影响电厂发电效率的重要环节。机组运行方式、蒸汽初参数优化对提高汽轮机组的经济性、安全性和环保性具有至关重要的意义，对于电力行业的节能减排乃至整个国民经济的可持续发展均具有重要的战略意义。大型汽轮机是一个典型的多输入、多输出时变系统，其运行工况受机组负荷指令、环境温度、回热系统以及锅炉出口蒸汽参数等因素的影响，特别是随着机组向大容量、高参数方向的不断发展，机组初参数对机组热耗的影响越来越大，但同时由于机组的动态性和时变性更加明显，使得机组初参数优化问题成为一项复杂而庞大的系统工程，涉及到参数测量、建模和优化等方面的研究。

除了采用制造厂的设计曲线外，机组性能试验是确定机组最优初压的常规手段，但是由于机组的实际运行工况、设计工况、试验工况均存在着明显的差别，机组主蒸汽温度、环境温度等外部因素均决定了汽轮机主汽压力的优化设定值具有时变性，常规技术手段无法实现高效实时对主汽压力优化值进行更新，所以需要在对汽轮机组特性建模的基础上加强压力优化方法的研究。

发明内容

本发明为解决大型汽轮机组主汽压力实时优化问题，而提出一种基于支持向量机和遗传算法的大型汽轮机组主汽压力优化方法。

本发明的大型汽轮机组主汽压力优化方法，包括如下步骤：

(1)通过机组性能试验获得典型负荷点和典型环境温度下汽轮机组热耗的特性样本集：

D＝{x₁，x₂，...，x_L}，下标L表示样本个数，

样本x_i∈D，样本x_i＝{HR_i，P_0i，T_0i，t_wi，N_i}，其中：HR为汽轮机组热耗，P₀为主汽压力，T₀为主汽温度，t_w为环境温度，N为机组负荷，下标i为样本编号，下同；

将特性样本集D作为初始训练样本集，采用支持向量机方法对其进行学习并构建模型；

(2)取上述特性样本集D中的一个子集采用支持向量机方法进行学习并建立汽轮机组热耗模型HR＝f(P_0i，T_0i，t_wi，N_i)，并对该模型进行增量分析，以确保模型变化关系符合汽轮机组的实际运行特性；

(3)建立汽轮机组压力优化模型：

min HR＝f(P₀，T₀，t_w，N)

P_0min≤P₀≤P_0max

s.t.t_wmin≤t_w≤t_wmax

N_min≤N≤N_max

采用遗传算法对该模型进行优化求解，得到机组运行参数在典型负荷点下主汽压力的优化值及优化曲线，从而得到优化结果数据集{P_0optimal，i，P_0i，T_0i，t_wi，N_i}；

(4)二次建模：

采用支持向量机方法对步骤(3)得到的优化结果数据集进行训练并构建模型，从而获得压力优化值特性关系P_0optimal＝g(P₀，T₀，t_w，N)；

所述典型负荷点即为大型火电机组正常运行方式对应的工况点；所述典型环境温度即为汽轮机组一年四季所经历的环境温度的取整值。

本发明方法具有如下有益效果：

1、大大拓展了机组试验数据的使用范围，使机组压力优化设定值随机组的外部条件实时变化，准确获得了各运行工况的优化结果，有利于降低机组的运行热耗；

2、采用支持向量机和人工智能方法，具有较强的小样本学习能力，学习效率高、模型泛化性好，具有很好的可操作性；

3、通过二次建模环节减少了实时优化的计算复杂度，使得优化结果能非常方便地集成到机组控制系统中，真正起到实时优化指导和控制作用。

附图说明

图1是本发明方法实施建模流程示意图。

具体实施方式

本发明的基于支持向量机(Support Vector Regression，SVR)和遗传算法(GeneticAlgorithms，GA)的大型汽轮机组主汽压力优化方法，包括如下步骤：

(1)通过机组性能试验获得典型负荷点和典型环境温度下汽轮机组热耗的特性样本集：

D＝{x₁，x₂，...，x_L}，下标L表示样本个数，

样本x_i∈D，样本x_i＝{HR_i，P_0i，T_0i，t_wi，N_i}，其中：HR为汽轮机组热耗，P₀为主汽压力，T₀为主汽温度，t_w为环境温度，N为机组负荷，下标i为样本编号，下同；

将特性样本集D作为初始训练样本集，采用支持向量机方法对其进行学习并构建模型；

(2)取上述特性样本集D中的一个子集采用支持向量机方法进行学习并建立汽轮机组热耗模型HR＝f(P_0i，T_0i，t_wi，N_i)，并对该模型进行增量分析，即在保持其他输入不变化的情况下研究单一输出变量与模型输出的变化趋势，以确保模型变化关系符合汽轮机组的实际运行特性；

(3)建立汽轮机组压力优化模型：

min HR＝f(P₀，T₀，t_w，N)

P_0min≤P₀≤P_0max

s.t.t_wmin≤t_w≤t_wmax

N_min≤N≤N_max

采用遗传算法(NSGA II)对该模型进行优化求解，即根据建立的优化模型的优化目标、各优化变量的约束条件与取值范围，采用随机搜索方法在寻优空间中找出最优值，得到机组运行参数在典型负荷点下主汽压力的优化值及优化曲线，从而得到优化结果数据集：

{P_0optimal，i，P_0i，T_0i，t_wi，N_i}；

(4)二次建模：

采用支持向量机方法对步骤(3)得到的优化结果数据集进行训练并构建模型，从而获得压力优化值特性关系P_0optimal＝g(P₀，T₀，t_w，N)；该关系式可以方便地集成到机组集散控制系统(DCS)软件中，以替代常规的滑压曲线设定值。

所述典型负荷点即为大型火电机组正常运行方式对应的工况点；所述典型环境温度即为汽轮机组一年四季所经历的环境温度的取整值，如根据运行规程在冬季常取5℃，夏季常取25℃。

下面以电厂监控信息系统结构为例来介绍本发明优化方法的具体实施步骤，整个实施步骤过程主要包括建立特征数据库、SVR特性建模、GA优化和SVR二次建模四个核心模块。

结合图1所示流程，步骤如下：

1、建立特征数据库

数据源可以是有针对性的机组性能试验、厂级监控信息系统(SIS)机组在线试验平台以及实时历史数据库等；

2、SVR特性建模

以特征数据库为基础，合理划分训练样本集和测试样本集，建立支持向量机模型，正确反映汽轮机组热耗与各运行参数之间的关系；

3、遗传算法(GA)优化

以所建立的SVR模型为基础，采用遗传算法进行优化计算，一方面获得机组运行典型工况的优化压力曲线，并集成到DCS的组态中，另一方面，在各参数的变化范围内获得相应的优化压力值，形成优化结果数据集；

4、SVR二次优化

以优化结果数据集为基础进行SVR二次建模，获得支持向量机模型，通过该模型根据机组实际运行数据计算出压力优化设定值，该模型可以通过组态作为一个功能模块集成到DCS中，也可以为SIS系统的应用软件提供指导；

5、各个阶段的计算结果及曲线可以通过DCS的监视画面或SIS系统客户端画面反映出来。

Claims (2)

1.一种大型汽轮机组主汽压力优化方法，其特征在于包括如下步骤：

(1)通过机组性能试验获得典型负荷点和典型环境温度下汽轮机组热耗的特性样本集：

D＝{x₁，x₂，...，x_L}，下标L表示样本个数，

样本x_i∈D，样本x_i＝{HR_i，P_0i，T_0i，t_wi，N_i}，其中：HR为汽轮机组热耗，P₀为主汽压力，T₀为主汽温度，t_w为环境温度，N为机组负荷，下标i为样本编号，下同；

将特性样本集D作为初始训练样本集，采用支持向量机方法对其进行学习并构建模型；

(2)取上述特性样本集D中的一个子集采用支持向量机方法进行学习并建立汽轮机组热耗模型HR＝f(P_0i，T_0i，t_wi，N_i)，并对该模型进行增量分析，以确保模型变化关系符合汽轮机组的实际运行特性；

(3)建立汽轮机组压力优化模型：

min HR＝f(P₀，T₀，t_w，N)

P_0min≤P₀≤P_0max

s.t.t_wmin≤t_w≤t_wmax

N_min≤N≤N_max

采用遗传算法对该模型进行优化求解，得到机组运行参数在典型负荷点下主汽压力的优化值及优化曲线，从而得到优化结果数据集{P_0optimal，i，P_0i，T_0i，t_wi，N_i}；

(4)二次建模：

采用支持向量机方法对步骤(3)得到的优化结果数据集进行训练并构建模型，从而获得压力优化值特性关系P_0optimal＝g(P₀，T₀，t_w，N)；

所述典型负荷点即为大型火电机组正常运行方式对应的工况点；所述典型环境温度即为汽轮机组一年四季所经历的环境温度的取整值。

2.根据权利要求1所述的大型汽轮机组主汽压力优化方法，其特征在于：所述步骤(3)中优化求解的方法为：根据步骤(3)建立的优化模型的优化目标、各优化变量的约束条件与取值范围，采用随机搜索方法在寻优空间中寻找最优值。