CN105201565B - 一种基于母管制的多机组汽轮机蒸汽流量实时分配方法 - Google Patents

Abstract

一种基于母管制的多机组汽轮机蒸汽流量实时分配方法，利用数据挖掘技术处理母管制机组在各台汽轮机单独运行时的历史稳态数据，建立各台汽轮机的功率和进汽热流量函数关系计算模型，在机组多台汽轮机同时运行时，将实时采集到的各台汽轮机的负荷、母管蒸汽压力、蒸汽温度数据输入计算模型，计算模型会输出对应当前控制边界条件下各台汽轮机进汽热流量，以计算出各台汽轮机需要分配的蒸汽流量；同时以定期更新计算模型的方式考虑各台汽轮机随运行时间变化其特性变化的影响。

Description

一种基于母管制的多机组汽轮机蒸汽流量实时分配方法

技术领域

本发明属于汽轮机蒸汽流量实时分配技术领域，具体涉及一种基于母管制的多机组汽轮机蒸汽流量实时分配方法。

背景技术

母管制运行系统是指发电厂所有锅炉产生的蒸汽集中引至一根蒸汽母管，再由蒸汽母管分别引导至各个汽轮机和其他需要使用蒸汽处的运行系统，一般只有在低参数发电厂采用这种系统。

我国单机容量为60MW以下机组的电厂和热电厂，例如许多大型工业企业自己建设的用来满足企业自身用电用汽需求的热电联产供热发电机组，我国北方城市的集中供热机组、垃圾电站等，其主蒸汽系统就常采用母管制运行系统。母管制机组虽然不像单元制机组的锅炉汽机发电机之间的关系紧密，但要提高其运行效率，增加其经济效益，也非常有必要考虑锅炉负荷分配、汽机负荷分配以及锅炉汽机之间的协调控制。母管制运行机组中，汽轮机是蒸汽的最主要使用设备，其流量分配是机组负荷分配和锅炉汽机之间协调控制的主要内容之一，对母管蒸汽压力产生很大影响。因此更精确地分配母管制实时运行机组的蒸汽流量对保障机组的安全经济运行有重要意义。

目前，母管制运行的机组一般在每台锅炉出口布置有流量计量装置，但每台汽轮机入口无流量计量装置，这样只能得到锅炉的总流量，无法得到去各台汽轮机的蒸汽流量。其多台汽轮机同时运行时，也一般采用按各汽轮机的实际负荷占额定负荷的百分比乘以该汽轮机额定负荷下的设计蒸汽流量的方法来确定各汽轮机应分配给的流量，这种线性处理的方法过于简单且没有科学依据，更没有考虑到汽轮机随着运行时间增加效率下降的不同因素，不能反应各汽轮机之间的性能差异，不利于母管蒸汽压力控制在允许的范围内和机组的节能运行。

如何科学分配母管制运行机组的蒸汽流量，以提高机组运行效率，增强机组运行安全，实现节能减排，增加机组经济效益是目前母管制运行机组优化运行中的技术难点。

发明内容

本发明的目的在于提供一种能够精确地分配母管制实时运行机组的蒸汽流量，以提高汽轮机实时性能指标的基于母管制的多机组汽轮机蒸汽流量实时分配方法。

为达到上述目的，本发明采用的技术方案是：

1)收集母管制机组单台汽轮机运行工况的历史稳态数据

设电厂总计n台汽轮机，在电厂的信息系统里查询第j台汽轮机单独运行的工况，其中1≤j≤n，导出第j台汽轮机的历史稳态运行数据，提取历史稳态运行数据中的负荷P_e ^j和该负荷下对应的母管蒸汽压力蒸汽温度每台锅炉出口蒸汽流量数据；

2)建立各台汽轮机功率和进汽热流量函数关系的计算模型，运用分类、回归数据挖掘技术，建立有监督的机器自学习模型，作为该台汽轮机功率和进汽热流量函数关系计算模型：

2-1)将提取出来的负荷P_e ^j和该负荷下对应的母管蒸汽压力蒸汽温度每台锅炉出口蒸汽流量数据随机分开，70％数据用作计算模型的自学习，30％数据作为检验，自学习数据记为P_e ^j，检验数据记为P_e ^j′，

2-2)对数据进一步处理，已知压力P、温度T和水蒸气热物性表计算出蒸汽焓值和第j台汽轮机在负荷P_e ^j下的进汽热流量

$Q_{\left(pe\right)}^j=h_{\left(pe\right)}^j\·\ΣD_{b,i}^{\left(Pe\right)}---\left(1\right)$

$Q_{\left(pe\right)}^{j^{\′}}=h_{\left(Pe\right)}^{j^{\′}}\·{\mathrm{\ΣD}}_{b,i}^{{\left(Pe\right)}^{\′}}---\left(2\right)$

2-3)建立结构为1-5-1的BP神经网络，即输入层有1个节点，隐含层有5个节点，输入层有1个节点，节点传递函数采用对数S型传递函数logsig，训练函数采用Levenberg_Marquardt的BP算法训练函数trainlm，网络学习函数采用带动量项的BP学习规则learngdm，性能分析函数采用均方差性能分析函数mse，将所有自学习数据使用最大最小法进行数据归一化，最大最小法函数形式如下：

x'k＝(x_k-x_min)/(x_max-x_min) (3)

式中：x'_k—归一化后的值；

x_k—归一化前的原始值；

x_min—原始值中的最小值；

x_max—原始值中的最大值；

将归一化后的自学习数据输入BP神经网络模型进行训练，设置训练终止条件为拟合结果误差小于等于0.0001，验证检查结果大于等于10，训练结束得到第j台汽轮机负荷和进汽热流量的输入输出函数关系，即第j台汽轮机负荷和热耗的计算模型：

$Q_{\left(pe\right)}^j=f^j\left(p_e\right)---\left(4\right)$

2-4)将检验数据使用自学习数据的归一化参数即自学习数据中的最大，最小值进行归一化处理，输入到第j台汽轮机负荷和进汽热流量的计算模型，得到第j台汽轮机在负荷为时进汽热流量的模型计算值 $Q_{\left(\mathrm{pe}\right)}^j,c:$

$Q_{\left(pe\right)}^j,c=f^j\left(p_e^{j^{\′}}\right)---\left(5\right)$

2-5)记事件K为：若P(K)≥95％，则称计算模型收敛正确；如果P(K)＜95％，则称计算模型收敛错误，调整BP神经网络的隐含层节点数，或者增加隐含层层数，以提高BP神将网络的非线性函数拟合能力，重新执行步骤2)即重新学习、检验，直至计算模型正确收敛；

3)多台汽轮机运行时实时计算应分配给的计算蒸汽流量

机组多台汽轮机运行时，将实时采集到的各台汽轮机的负荷P_e ^j数据归一化后输入计算模型，计算模型输出对应当前控制边界条件下各台汽轮机的进汽热流量计算值，已知母管蒸汽压力P、蒸汽温度T，计算出当前控制边界条件下各台汽轮机的计算蒸汽流量D_t,j,c；

4)根据计算蒸汽流量D_t,j,c分配各台汽轮机蒸汽流量

通过系统实时采集到的各台锅炉进入母管的蒸汽流量计算母管蒸汽的总流量然后利用模型输出的第j台汽轮机的计算蒸汽流量D_t,j,c占所有运行汽轮机计算蒸汽流量之和∑D_t,j,c的比例来得到第j台汽轮机实际分配到的蒸汽流量D_t,j：

$D_{t,j}=\frac{D_{t,j,c}}{{\mathrm{\ΣD}}_{t,j,c}}\·{\mathrm{\ΣD}}_{b,i}^{p_e}---\left(6\right).$

本发明利用数据挖掘技术处理母管制机组在各台汽轮机单独运行时的历史稳态数据，建立各台汽轮机的功率和进汽热流量函数关系模型，在机组多台汽轮机同时运行时，将实时采集到的各台汽轮机的负荷、母管蒸汽压力、蒸汽温度数据输入模型中，模型输出对应当前控制边界条件下各台汽轮机进汽热流量，以计算出各台汽轮机需要分配的蒸汽流量。同时以定期更新模型的方式考虑各台汽轮机随运行时间变化其特性变化的影响。另外采用本发明能够取消母管制运行机组各台汽轮机进汽管道上的蒸汽流量计量装置，减少机组设备采购、安装和维护费用，降低管道压损，提高机组经济性。

具体实施方式

1)收集母管制机组单台汽轮机运行工况的历史稳态数据

设电厂总计n台汽轮机，在电厂的信息系统里查询第j台(假设电厂总计n台汽轮机，1≤j≤n)汽轮机单独运行的工况，将其历史稳态(即摒除启停机等负荷变化率较大工况)运行数据导出，提取历史稳态运行数据中的负荷P_e ^j和该负荷下对应的母管蒸汽压力蒸汽温度蒸汽流量数据。这是建立汽轮机功率和进汽热流量函数关系计算模型的基础；

2)建立各台汽轮机功率和进汽热流量函数关系的计算模型，运用数据挖掘技术，建立有监督的机器自学习模型，作为该台汽轮机功率和进汽热流量函数关系计算模型：

2-1)将提取出来的负荷和该负荷P_e ^j下对应的母管蒸汽压力蒸汽温度蒸汽流量数据随机分开，70％数据用作计算模型的自学习，30％数据作为检验，自学习数据记为P_e ^j，检验数据记为P_e ^j'， $P_{\left(\mathrm{Pe}\right)}^{j^{\′}},T_{\left(\mathrm{Pe}\right)}^{j^{\′}},\mathrm{\Σ}{D}_{b,i}^{{\left(\mathrm{Pe}\right)}^{\′}};$

2-2)对数据进一步处理，已知压力P、温度T和水蒸气热物性表计算出蒸汽焓值和第j台汽轮机在负荷P_e ^j下的进汽热流量

$Q_{\left(pe\right)}^j=h_{\left(Pe\right)}^j\·{\mathrm{\ΣD}}_{b,i}^{\left(Pe\right)}---\left(1\right)$

$Q_{\left(pe\right)}^{j^{\′}}=h_{\left(Pe\right)}^{j^{\′}}\·{\mathrm{\ΣD}}_{b,i}^{{\left(Pe\right)}^{\′}}---\left(2\right)$

2-3)建立结构为1-5-1的BP神经网络，即输入层有1个节点，隐含层有5个节点，输入层有1个节点，节点传递函数采用对数S型传递函数logsig，训练函数采用Levenberg_Marquardt的BP算法训练函数trainlm，网络学习函数采用带动量项的BP学习规则learngdm，性能分析函数采用均方差性能分析函数mse，将所有自学习数据使用最大最小法进行数据归一化，最大最小法函数形式如下：

x_k＝(x_k-x_min)/(x_max-x_min) (3)

式中：x'_k—归一化后的值；

x_k—归一化前的原始值；

x_min—原始值中的最小值；

x_max—原始值中的最大值；

将归一化后的自学习数据输入BP神经网络模型进行训练，设置训练终止条件为拟合结果误差小于等于0.0001，验证检查结果大于等于10，训练结束得到第j台汽轮机负荷P_e ^j和热耗的输入输出函数关系，即第j台汽轮机负荷和热耗的计算模型：

$Q_{\left(pe\right)}^j=f^j\left(p_e\right)---\left(4\right)$

2-4)将检验数据使用自学习数据的归一化参数即自学习数据中的最大，最小值进行归一化处理，输输入到第j台汽轮机负荷和进汽热流量的计算模型，得到第j台汽轮机在负荷为P_e ^j'时进汽热流量的模型计算值 $Q_{\left(\mathrm{pe}\right)}^j,c:$

$Q_{\left(pe\right)}^j,c=f^j\left(p_e^{j^{\′}}\right)---\left(5\right)$

2-5)记事件K为：若P(K)≥95％，则称计算模型收敛正确；如果P(K)＜95％，则称计算模型收敛错误，调整BP神经网络的隐含层节点数，或者增加隐含层层数，以提高BP神将网络的非线性函数拟合能力，重新执行步骤2)即重新学习、检验，直至计算模型正确收敛；

3)多台汽轮机运行时实时计算应分配给的计算蒸汽流量

机组多台汽轮机运行时，将实时采集到的各台汽轮机的负荷P_e ^j数据归一化后输入计算模型，计算模型输出对应当前控制边界条件下各台汽轮机的进汽热流量计算值已知母管蒸汽压力P、蒸汽温度T，计算出当前控制边界条件下各台汽轮机的计算蒸汽流量D_t,j,c。

4)根据计算蒸汽流量D_t,j,c分配各台汽轮机蒸汽流量。

通过系统实时采集到的各台锅炉进入母管的蒸汽流量计算母管蒸汽的总流量然后利用模型输出的第j台汽轮机的计算蒸汽流量D_t,j,c占所有运行汽轮机计算蒸汽流量之和∑D_t,j,c的比例来计算第j台汽轮机实际分配到的蒸汽流量D_t,j：

$D_{t,j}=\frac{D_{t,j,c}}{{\mathrm{\ΣD}}_{t,j,c}}\·{\mathrm{\ΣD}}_{b,i}^{p_e}---\left(6\right).$

用以上数据建模仿真的技术方案得到第j台汽轮机实际分配到的蒸汽流量D_t,j，就解决了每台汽轮机入口无流量计量装置的母管制运行的机组只有锅炉流向母管的总流量，无法得到去各台汽轮机的蒸汽流量的问题。更精确地测算母管制机组各台汽轮机实际分配到的蒸汽流量对保障机组的安全经济运行，监控汽轮机性能等有重要意义。

Claims (1)

1.一种基于母管制的多机组汽轮机蒸汽流量实时分配方法，其特征在于，包括以下步骤：

1)收集母管制机组单台汽轮机运行工况的历史稳态数据

设电厂总计n台汽轮机，在电厂的信息系统里查询第j台汽轮机单独运行的工况，其中1≤j≤n，导出第j台汽轮机的历史稳态运行数据，提取历史稳态运行数据中的负荷和该负荷下对应的母管蒸汽压力蒸汽温度每台锅炉出口蒸汽流量数据；

2)建立各台汽轮机功率和进汽热流量函数关系的计算模型，运用分类、回归数据挖掘技术，建立有监督的机器自学习模型，作为该台汽轮机功率和进汽热流量函数关系计算模型：

2-1)将提取出来的负荷和该负荷下对应的母管蒸汽压力蒸汽温度每台锅炉出口蒸汽流量数据随机分开，70％数据用作计算模型的自学习，30％数据作为检验，自学习数据记为检验数据记为

2-2)对数据进一步处理，已知压力P、温度T和水蒸气热物性表计算出蒸汽焓值和第j台汽轮机在负荷下的进汽热流量

$Q_{\left(pe\right)}^j=h_{\left(Pe\right)}^j\·{\mathrm{\ΣD}}_{b,i}^{\left(Pe\right)}---\left(1\right)$

$Q_{\left(pe\right)}^{j^{\′}}=h_{\left(Pe\right)}^{j^{\′}}\·{\mathrm{\ΣD}}_{b,i}^{{\left(Pe\right)}^{\′}}---\left(2\right)$

2-3)建立结构为1-5-1的BP神经网络，即输入层有1个节点，隐含层有5个节点，输入层有1个节点，节点传递函数采用对数S型传递函数logsig，训练函数采用Levenberg_Marquardt的BP算法训练函数trainlm，网络学习函数采用带动量项的BP学习规则learngdm，性能分析函数采用均方差性能分析函数mse，将所有自学习数据使用最大最小法进行数据归一化，最大最小法函数形式如下：

x'k＝(x_k-x_min)/(x_max-x_min) (3)

式中：x'_k—归一化后的值；

x_k—归一化前的原始值；

x_min—原始值中的最小值；

x_max—原始值中的最大值；

将归一化后的自学习数据输入BP神经网络模型进行训练，设置训练终止条件为拟合结果误差小于等于0.0001，验证检查结果大于等于10，训练结束得到第j台汽轮机负荷和进汽热流量的输入输出函数关系，即第j台汽轮机负荷和热耗的计算模型：

$Q_{\left(pe\right)}^j=f^j\left(p_e\right)---\left(4\right)$

2-4)将检验数据使用自学习数据的归一化参数即自学习数据中的最大值及最小值进行归一化处理，输入到第j台汽轮机负荷和进汽热流量的计算模型，得到第j台汽轮机在负荷为时进汽热流量的模型计算值

$Q_{\left(pe\right)}^j,c=f^j\left(p_e^{j^{\′}}\right)---\left(5\right)$

2-5)记事件K为：若P(K)≥95％，则称计算模型收敛正确；如果P(K)＜95％，则称计算模型收敛错误，调整BP神经网络的隐含层节点数，或者增加隐含层层数，以提高BP神经网络的非线性函数拟合能力，重新执行步骤2)即重新学习、检验，直至计算模型正确收敛；

3)多台汽轮机运行时实时计算应分配给的计算蒸汽流量

机组多台汽轮机运行时，将实时采集到的各台汽轮机的负荷数据归一化后输入计算模型，计算模型输出对应当前控制边界条件下各台汽轮机的进汽热流量计算值已知母管蒸汽压力P、蒸汽温度T，计算出当前控制边界条件下各台汽轮机的计算蒸汽流量D_t,j,c；

4)根据计算蒸汽流量D_t,j,c分配各台汽轮机蒸汽流量

通过系统实时采集到的各台锅炉进入母管的蒸汽流量计算母管蒸汽的总流量然后利用模型输出的第j台汽轮机的计算蒸汽流量D_t,j,c占所有运行汽轮机计算蒸汽流量之和∑D_t,j,c的比例来得到第j台汽轮机实际分配到的蒸汽流量D_t,j：

$D_{t,j}=\frac{D_{t,j,c}}{{\mathrm{\ΣD}}_{t,j,c}}\·{\mathrm{\ΣD}}_{b,i}^{p_e}---\left(6\right).$