CN104598664A - 火电机组的性能监测方法 - Google Patents

Abstract

本发明涉及一种火电机组的性能监测方法，属于火力发电领域，该方法步骤包括：步骤一、测量火电机组运行现场各监测点的数据参数；步骤二、建立数据校正模型，模型公式为（1）：，式中x,v,w表示待测参数，E表示数据校正模型的目标函数，l₀与d₀分别为等式与不等式约束的个数；步骤三、实时测量数据输入到数据校正模型，得到火电机组实时数据的校正值；步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类；步骤五、显示监测结果并存储进数据库。本发明能够对火电机组监测系统中产生的误差测量数据进行校正处理，解决了现有技术中火电机组监测系统中数据测量可能生成的误差数据问题。

Description

火电机组的性能监测方法

技术领域

本发明属于火力发电领域，特别涉及一种火电机组的性能监测方法。

背景技术

随着我国经济体制改革的不断深入，电力系统己逐步走向市场，实行厂网分开，竞价上网的竞争机制。作为发电单位，其任务己不再是简单地完成年度发电指标，而是要致力于提供优质、低耗的电能。提高热经济性、降低煤耗是火电厂节约一次能源的主要途径。电厂性能计算系统通过连续计算火电机组性能指标，把采集的大量数据处理为少量直观的性能结果，及时客观地反映火电厂所需的热经济性，更好的指导操作人员工作。

随着自动化信息技术在火电机组中的普遍应用，火电机组过程的监测、控制和诊断分析越来越多地依赖于机组自动控制和信息系统，而过程实时测量数据则是这些系统可靠运行的重要信息基础，其准确性对机组监控有着直接的影响。但是，由于受到各参数测量原理与方法、变送器及仪表精度等多种因素的影响，测量数据往往不能满足反映过程物理规律的平衡方程，传感器故障在测量数据中还可能出现大的异常值，因此必须对所测量数据进行必要的校正处理。

发明内容

为了克服现有技术中火电机组监测系统中数据测量可能生成的误差数据影响系统判断，本发明提供一种火电机组的性能监测方法，对火电机组监测系统中产生的误差测量数据进行校正处理。

本发明的技术方案是：一种火电机组的性能监测方法，该方法步骤包括：

步骤一、测量火电机组运行现场各监测点的数据参数，包括锅炉运行参数、汽轮机运行参数和供热机组参数，对测量的参数数据进行归一化处理；

步骤二、建立数据校正模型，模型公式为（1）：                                                ，式中x,v,w表示待测参数，E表示数据校正模型的目标函数，l₀与d₀分别为等式与不等式约束的个数；

步骤三、实时测量数据输入到数据校正模型，得到火电机组实时数据的校正值；

步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类；

步骤五、显示监测结果并存储进数据库。

所述步骤二中的数据校正模型的步骤为：

A.  建立系统平衡约束关系方程，约束方程公式（2）为：，式中x,v,w表示待测参数，l₀与d₀分别为等式与不等式约束的个数；

B.  建立网络训练目标函数：对于含有n个变量参数的m组训练样本数据经标准化处理后得到目标数据集｛t_pk｝，l≤p≤m，l≤k≤n，校正模型的目标训练函数公式（3）为：，式中x,v,w表示待测参数，z_pk为函数输出值，｛t_pk｝表示对于含有n个待测量变量参数的m组训练样本数据经标准化处理后得到的目标数据集，l≤p≤m，l≤k≤n；

C.  结合步骤A和步骤B建立数据校正模型，对模型进行训练，对数据校正模型进行训练的数据为历史测量数据。

所述步骤二所述步骤四中的径向基函数神经网络模型的建立包括三个部分：

网络构建：隐层节点的“基”构成隐层空间，确定径向基函数神经网络的中心和映射关系；

网络训练：以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正；

网络识别： 径向基函数神经网络模型输入测试数据。

本发明有如下积极效果：本发明提供的火电机组的性能监测方法，能够对火电机组监测系统中产生的误差测量数据进行校正处理，解决了现有技术中火电机组监测系统中数据测量可能生成的误差数据，避免了误差数据影响系统判断。本发明中的数据校正模型，将过程机理方程和网络目标函数想结合，使得本文所提出的数据校正模型估计值能更好地满足系统内在机理性的规律。具有较高的学习能力和良好的鲁棒性好。同时本发明中使用了径向基函数神经网络模型对实时数据的校正值进行整理和分类处理，从而清楚明了，由于测量数据和种类的繁多，处理难度大，使用径向基函数神经网络模型可以节省大量检查时间，提高工作效率。

附图说明

图1 是本发明中火电机组的性能监测方法的工作流程图；

图2 是本发明中数据校正模型的工作流程图；

图3 是本发明中径向基函数神经网络模型的工作流程图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种火电机组的性能监测方法，如图1所示，该方法步骤包括：

步骤一、测量火电机组运行现场各监测点的数据参数，包括锅炉运行参数、汽轮机运行参数和供热机组参数，对测量的参数数据进行归一化处理。锅炉运行参数包括排烟含氧量、原煤灰份、飞灰含碳量、排烟温度和环境温度，汽轮机运行参数包括流量、温度和压力参数，发电机组运行参数包括输出电流、输出电压、机油压力和内部水温等参数。对测量进行预处理，归一化可以加快训练网络的收敛性， 归一化的具体作用是归纳统一样本的统计分布性。

步骤二、建立数据校正模型，模型公式为（1）：，式中x,v,w表示待测参数，l₀与d₀分别为等式与不等式约束的个数。

数据校正模型的建立如图2所示，步骤为：

A.  建立系统平衡约束关系方程，约束方程公式（2）为：，式中x,v,w表示待测参数，l₀与d₀分别为等式与不等式约束的个数。

B.  建立网络训练目标函数：对于含有n个变量参数的m组训练样本数据经标准化处理后得到目标数据集｛t_pk｝，l≤p≤m，l≤k≤n，校正模型的目标训练函数公式（3）为：，式中x,v,w表示待测参数，z_pk为函数输出值，｛t_pk｝表示对于含有n个待测量变量参数的m组训练样本数据经标准化处理后得到的目标数据集，l≤p≤m，l≤k≤n。

C.  结合步骤A和步骤B建立数据校正模型，对模型进行训练，对数据校正模型进行训练的数据为历史测量数据。

步骤三、实时测量数据输入到数据校正模型，得到火电机组实时数据的校正值。通过基于机理特性和网络目标函数的混合建模方法，能够有效的检测出测量数据中的不良值，具有很好的鲁棒性，在多测点同时发生故障时，也能保证数据校正的准确性和可靠性。

步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类。

径向基函数神经网络(radial basis function neural network，简称RBF)是一种局部逼近网络，它能够以任意精度逼近任意连续函数，学习速度快，精度高，在逼近能力、分类能力和学习速度等方而均优于BP网络。径向基函数神经网络模型分为三个部分，网络构建、网络训练和网络识别。

径向基函数神经网络的结构和网络和构建：径向基函数神经网络是一种具有单隐层的3层前馈网络。它的基本思想是:用径向基函数神经网络作为隐层节点的“基”构成隐层空间，这样就可以将输入矢量不通过权值连接映射到隐层空间。当径向基函数神经网络的中心点确定后，这种映射关系也就确定了。其中，隐层节点的基函数采用距离函数，而激活函数采用径向基函数(如高斯函数)。

径向基函数神经网络的训练：径向基函数神经网络的训练算法以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正。在此，使用带有动量因子的梯度下降法对网络的各个参数进行修改。径向基函数神经网络网络的目标函数为：

 

式中式（4）中，为神经网络的输出与期望值的差值，m为训练样本的组数。根据径向基函数神经网络的目标函数，推导出更新输出层权值的公式为:

 

隐层节点中心点的计算公式为: 

 

隐层节点偏差值计算公式为: 

 

以上三式中，为学习速率，， 为动量因子， 。

其具体流程如图3所示：

1）      程序初始化；

2）      对试验数据进行归一化处理；

3）      创建RBF网络，并输入训练样本进行对网络进行训练；

4）      判断训练样本误差是否小于设定误差；

5）      如果小于设定误差则输出RBF模型结构系数，如果不小于设定误差，则修改训练网络参数后返回步骤3）；

6）      输入实时校正值，得到模型输出结果。

径向基函数神经网络的识别：测试数据经过径向基函数神经网络的预测模型输出最佳预测值，得到最逼近的函数。

步骤五、显示监测结果并存储进数据库。监测结果会显示在出来，方便工作人员查看，方便维修人员快速检查。监测结果存储在数据库中，方便系统调用和机器训练，达到更新已知数据库的目的，监测准确度更高，更加实用。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (4)

1.一种火电机组的性能监测方法，其特征在于，该方法步骤包括：

步骤一、测量火电机组运行现场各监测点的数据参数，包括锅炉运行参数、汽轮机运行参数和供热机组参数，对测量的参数数据进行归一化处理；

步骤二、建立数据校正模型，模型公式为（1）：                                                ，式中x,v,w表示待测参数，E表示数据校正模型的目标函数，l₀与d₀分别为等式与不等式约束的个数；

步骤三、实时测量数据输入到数据校正模型，得到火电机组实时数据的校正值；

步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类；

步骤五、显示监测结果并存储进数据库。

2.根据权利要求1所述的火电机组的性能监测方法，其特征在于，所述步骤二中的数据校正模型的步骤为：

建立系统平衡约束关系方程，约束方程公式（2）为：，式中x,v,w表示待测参数，l₀与d₀分别为等式与不等式约束的个数；

建立校正模型的目标函数：对于含有n个变量参数的m组训练样本数据经标准化处理后得到目标数据集｛t_pk｝，l≤p≤m，l≤k≤n，校正模型的目标训练函数公式（3）为：，式中x,v,w表示待测参数，z_pk为函数输出值，｛t_pk｝表示对于含有n个待测量变量参数的m组训练样本数据经标准化处理后得到的目标数据集，l≤p≤m，l≤k≤n；

结合步骤A和步骤B建立数据校正模型，对模型进行训练。

3.根据权利要求2所述的火电机组的性能监测方法，其特征在于，对数据校正模型进行训练的数据为历史测量数据。

4.根据权利要求1所述的火电机组的性能监测方法，其特征在于，所述步骤二所述步骤四中的径向基函数神经网络模型的建立包括三个部分：

网络构建：隐层节点的“基”构成隐层空间，确定径向基函数神经网络的中心和映射关系；

网络训练：以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正；

网络识别： 径向基函数神经网络模型输入测试数据。