CN103761420B - 一种火电设备性能逐步回归评测方法 - Google Patents

Abstract

本发明公开了一种火电设备性能逐步回归评测方法，用于解决不同工况条件下的设备难以建立最优化回归方程，自动获取设备性能最佳值，以及定量获取各影响条件对设备性能影响程度的问题。本发明利用火电厂实时/历史数据，通过多元逐步回归分析建模方法，建立了反映设备性能参数与影响条件的最优化预测模型，得到各工况条件下设备应达到的最佳性能值，以及各耦合关系不明确的相关参数对设备性能的独立影响程度。本发明的实现软件可嵌入到火电机组现有SIS系统中而无需增加硬件和成本，即可达到指导火电设备性能自动寻优，优化生产运行的目的。

Description

一种火电设备性能逐步回归评测方法

技术领域

本发明属于火电设备建模分析评测领域，具体是一种火电设备性能逐步回归评测方法，其利用机组稳定运行的数据，通过多元逐步回归分析方法建立设备最优化模型，自动获取最优值，该模型可用于指导机组生产运行。

背景技术

随着火电机组监视控制技术的不断发展，越来越多企业不再满足单纯的“保安全”控制体系，而是更多的希望能实现机组设备性能的自动寻优，进而指导生产运行，以确保机组各设备性能时刻处于最优状态。

在火电机组中，往往存在工况变化极其频繁，影响设备性能的参数众多，独立性不明确，以及各影响参数独立的对设备性能影响程度不明确等问题。也正是由于这些问题的存在，使得判断机组性能状况一直存在诸多问题，如选取影响参数过多，势必导致工况划分条件异常苛刻，工况重复性小，无实际意义；如选取影响参数过少，尽管工况重复性好，但由于模型不完善，使得寻优结果无意义。据此，确定各影响条件对性能的无量纲化独立影响程度是合理取舍影响条件的关键，而影响参数的选取则是建立设备最优化性能模型的基础。

本发明根据多元逐步回归分析建模方法，确定了无量纲化的各影响条件对设备性能的独立影响程度，完成了设备性能的最优化工况建模，得到了设备在各工况条件下的性能最优值，该结果可用于指导火电机组实际生产运行。

发明内容

本发明的目的在于提供一种火电设备性能逐步回归评测方法，该方法解决了机组在不同工况条件下，自动建立设备性能寻优模型的问题，以经稳定工况判断的实时/历史数据为基础，利用多元逐步回归分析方法，以性能指标为因变量，以影响条件为自变量，建立起多元最优值预测模型，获取设备各工况下的性能指标最优值，可用于指导实际生产运行，确定机组性能最佳；并利用标准回归系数来确定无量纲化的各影响条件对设备性能的独立影响程度。

为实现上述目的，本发明提供如下技术方案：

一种火电设备性能逐步回归评测方法，具体步骤为：

（1）确定纳入火电机组各设备的参数，并将最能反应各设备性能高低的参数定义为性能参数，用y表示，其余参数则认为是关联参数，用x_i表示；选取机组处于正常运行期间的一定时间段的数据组进行分析；

（2）稳定工况筛选模块：纳入火电机组各设备模块的所有参数都要先输送到稳定工况筛选模块；在稳定工况筛选模块中，当机组的发电机有功功率、主蒸汽流量、主蒸汽压力、主蒸汽温度、再热器温度、给水温度的最大绝对或相对离均差满足预设阀值时，则认为此时机组是处于稳定工况的，将符合稳定工况筛选标准的数据导入正态分布模块；

（3）正态分布模块：分别将数据进行线性、对数、幂次方变换，并用拟合经验法对其P值进行检验，将P值最大的变换值引入多元逐步回归分析模块，并定义性能参数y的变换值为Y，关联参数x_i的变换值为X_i；

（4）多元逐步回归分析模块：将符合正态分布的数据引入该模块，第一次计算相关系数矩阵R⁰；设定显著性水平a，则引入参数的F检验值应大于F_a（k，n-k-1），剔除参数的F检验值应小于F_a（k-1，n-k），其中n是观测数据组数，k是估计的可能入选影响条件个数；

（5）首先分别计算各自变量对因变量的贡献系数P_i ^(m)，其中，上标(m)表示第m轮计算，下标i表示是第i个自变量对因变量的贡献程度；其次，找出最大贡献系数P_max-i ^(m)，其中，下标max-i表示本轮中最大的贡献系数，并进行F检验，如大于引用阀值，则将该参数引入到回归方程；再次，找出最小贡献系数P_min-i ^(m)，其中，下标min-i表示本轮中最小的贡献系数，并进行F检验，如小于剔除阀值，则将该参数从回归方程中剔除；

（6）将上一步引入的自变量作为主元，采用相关系数矩阵变换公式，围绕主元对该矩阵进行变换，得到相关系数矩阵R¹，重复步骤（5）过程，直至无新的变量引入到回归方程或从回归方程中剔除；

（7）根据步骤（4）的数据，建立协方差矩阵，并根据步骤（6）最后获得的相关系数矩阵R^end，其中，上标end表示最后一次计算的相关系数矩阵，获得标准回归系数，建立了多元逐步回归分析模型；

（8）对步骤（7）获得的多元逐步回归分析模型进行显著性检验，如通过检验，则证明多元逐步回归分析模型效果良好，进而建立了火电设备最优化回归方程，获取机组设备在各工况条件下的性能最优值，标准回归系数则表征了各自变量对因变量的无量纲化独立影响程度；如未通过检验，则从步骤（4）开始进行重构模型。

作为本发明进一步的方案：步骤（1）所述x_i中的i为1～20。

作为本发明进一步的方案：步骤（4）设定显著性水平a=0.05。

作为本发明进一步的方案：步骤（5）中每次计算过程只能引入或剔除一个自变量。

与现有技术相比，本发明的有益效果是：

1）本发明针对火电机组影响设备性能条件众多且互不独立，影响程度不明确等问题，利用多元逐步回归分析方法，逐一确定引入火电设备性能寻优模型中的影响条件，并给出各影响条件对设备性能的无量纲化标准回归系数。

2）本发明实现了不同工况条件下的火电设备自动建立性能寻优模型的功能，该寻优结果可指导机组生产运行。

附图说明

图1为火电设备性能逐步回归评测方法的实现流程图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，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做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。

请参阅图1，本发明实施例中，一种火电设备性能逐步回归评测方法，具体步骤为：

（1）确定纳入火电机组各设备的参数，并将最能反应各设备性能高低的参数定义为性能参数，用y表示，其余参数则认为是关联参数，用x_i表示，其中i为1～20；选取机组处于正常运行期间的一定时间段的数据组进行分析；

（2）稳定工况筛选模块：纳入火电机组各设备模块的所有参数都要先输送到稳定工况筛选模块；在稳定工况筛选模块中，当机组的发电机有功功率、主蒸汽流量、主蒸汽压力、主蒸汽温度、再热器温度、给水温度的最大绝对或相对离均差满足预设阀值时，则认为此时机组是处于稳定工况的，将符合稳定工况筛选标准的数据导入正态分布模块；

（3）正态分布模块：分别将数据进行线性、对数、幂次方变换，并用拟合经验法对其P值进行检验，将P值最大的变换值引入多元逐步回归分析模块，并定义性能参数y的变换值为Y，关联参数x_i的变换值为X_i；

（4）多元逐步回归分析模块：将符合正态分布的数据引入该模块，第一次计算相关系数矩阵R⁰；设定显著性水平，一般最初可设显著性水平a=0.05，则引入参数的F检验值应大于F_a（k，n-k-1），剔除参数的F检验值应小于F_a（k-1，n-k），其中n是观测数据组数，k是估计的可能入选影响条件个数；

（5）首先分别计算各自变量对因变量的贡献系数P_i ^(m)，其中，上标(m)表示第m轮计算，下标i表示是第i个自变量对因变量的贡献程度；其次，找出最大贡献系数P_max-i ^(m)，其中，下标max-i表示本轮中最大的贡献系数，并进行F检验，如大于引用阀值，则将该参数引入到回归方程；再次，找出最小贡献系数P_min-i ^(m)，其中，下标min-i表示本轮中最小的贡献系数，并进行F检验，如小于剔除阀值，则将该参数从回归方程中剔除；每次计算过程只能引入/剔除一个自变量；

（6）将上一步引入的自变量作为主元，采用相关系数矩阵变换公式，围绕主元对该矩阵进行变换，得到相关系数矩阵R¹，重复步骤（5）过程，直至无新的变量引入到回归方程或从回归方程中剔除；

（7）根据步骤（4）的数据，建立协方差矩阵，并根据步骤（6）最后获得的相关系数矩阵R^end，其中，上标end表示最后一次计算的相关系数矩阵，获得标准回归系数，建立了多元逐步回归分析模型；

（8）对步骤（7）获得的多元逐步回归分析模型进行显著性检验，如通过检验，则证明多元逐步回归分析模型效果良好，进而建立了火电设备最优化回归方程，获取机组设备在各工况条件下的性能最优值；标准回归系数则表征了各自变量对因变量的无量纲化独立影响程度；如未通过检验，则从步骤（4）开始进行重构模型。

本发明是基于电厂现有SIS的二次开放，是基于Matlab、access数据库软件来实现开发的。数据提取和模型训练采用Matlab软件编写并形成.d11函数库，并通过C++编写的客户端调用.d11函数库进行Access数据库操作和运算结果显示。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种火电设备性能逐步回归评测方法，其特征在于，具体步骤为：

(1)确定纳入火电机组各设备的参数，并将最能反应各设备性能高低的参数定义为性能参数，用y表示，其余参数则认为是关联参数，用x_i表示；选取机组处于正常运行期间的一定时间段的数据组进行分析；

(2)纳入火电机组各设备模块的所有参数都要先输送到稳定工况筛选模块；在稳定工况筛选模块中，当机组的发电机有功功率、主蒸汽流量、主蒸汽压力、主蒸汽温度、再热器温度、给水温度的最大绝对或相对离均差满足预设阀值时，则认为此时机组是处于稳定工况的，将符合稳定工况筛选标准的数据导入正态分布模块；

(3)分别将数据进行线性、对数、幂次方变换，并用拟合经验法对其P值进行检验，将P值最大的变换值引入多元逐步回归分析模块，并定义性能参数y的变换值为Y，关联参数x_i的变换值为X_i；

(4)将符合正态分布的数据引入多元逐步回归分析模块，第一次计算相关系数矩阵R⁰；设定显著性水平a，则引入参数的F检验值应大于F_a(k，n-k-1)，剔除参数的F检验值应小于F_a(k-1，n-k)，其中n是观测数据组数，k是估计的可能入选影响条件个数；

(5)首先分别计算各自变量对因变量的贡献系数P_i ^(m)，其中，上标(m)表示第m轮计算，下标i表示是第i个自变量对因变量的贡献程度；其次，找出最大贡献系数P_max-i ^(m)，其中，下标max-i表示本轮中最大的贡献系数，并进行F检验，如大于引用阀值，则将该参数引入到回归方程；再次，找出最小贡献系数P_min-i ^(m)，其中，下标min-i表示本轮中最小的贡献系数，并进行F检验，如小于剔除阀值，则将该参数从回归方程中剔除；

(6)将上一步引入的自变量作为主元，采用相关系数矩阵变换公式，围绕主元对该矩阵进行变换，得到相关系数矩阵R¹，重复步骤(5)过程，直至无新的变量引入到回归方程或从回归方程中剔除；

(7)根据步骤(4)的数据，建立协方差矩阵，并根据步骤(6)最后获得的相关系数矩阵R^end，其中，上标end表示最后一次计算的相关系数矩阵，获得标准回归系数，建立了多元逐步回归分析模型；

(8)对步骤(7)获得的多元逐步回归分析模型进行显著性检验，如通过检验，则证明多元逐步回归分析模型效果良好，进而建立了火电设备最优化回归方程，获取机组设备在各工况条件下的性能最优值，标准回归系数则表征了各自变量对因变量的无量纲化独立影响程度；如未通过检验，则从步骤(4)开始进行重构模型。

2.根据权利要求1所述的火电设备性能逐步回归评测方法，其特征在于，步骤(1)所述x_i中的i为1～20。

3.根据权利要求1所述的火电设备性能逐步回归评测方法，其特征在于，步骤(4)设定显著性水平a＝0.05。

4.根据权利要求1所述的火电设备性能逐步回归评测方法，其特征在于，步骤(5)中每次计算过程只能引入或剔除一个自变量。