CN105952499A - 一种基于蚁群算法获取汽轮机高压调门组流量的方法 - Google Patents

Abstract

本发明公开了一种基于蚁群算法获取汽轮机高压调门组流量的方法，考虑了主汽阀后压力、调门组开度、调节级后压力以及调节级后汽轮机机组运行状态对高压调门组流量的影响，利用实验数据、汽轮机每组高压调门的开度分别对调节级后压力和每组调门后压力进行初始化；确定调节级后压力与调门组流量之间的关系；根据蚁群算法决定进入下一次迭代中的调节级后压力的初始值，迭代计算调节级后压力，最终计算出汽轮机高压调门组流量。该方法具有高求解精度、高求解速度、稳定等优点，克服了传统建模计算高压调门组流量实现难度大、计算速度缓慢的问题，对电厂在线监测汽轮机高压调门是否正常运行以及辅助开发相应变工况控制系统有重要的意义。

Description

一种基于蚁群算法获取汽轮机高压调门组流量的方法

技术领域

本发明涉及热电能中汽轮机高压调门领域，尤其涉及一种基于蚁群算法获取汽轮机高压调门组流量的方法。

背景技术

汽轮机是将蒸汽的热能转换成机械功的一种原动机，是电力生产的重要组成部分。汽轮机在运行时所发出的功率，需要根据电网的负荷指令而变化，喷嘴配气是调节汽轮机发出的功率的重要手段。汽轮机调节汽门在喷嘴配气当中负责调节汽轮机调节级流量，进而达到控制汽轮机功率的效果，调节级特性表示流经每组调门组的流量与主汽阀门后压力、每组调节气门开度、调节级后压力之间的关系。研究该特性对于电厂在线监测汽轮机高压调门是否正常运行以及辅助开发相应变工况控制系统有重要的意义。

图1表示在同一主汽阀后压力条件下，汽轮机单个调节气门组的流量与该组调节气门最大流量之比、调节气门开度、调节汽门前后压差与主汽阀后压力之比三者的关系。同一调节气门前后压差下，随着调门开度增加，通过调节气门的流量随之增大；同一调门开度下，随着调门前后压差增大，通过调节气门的流量随之增大。调节气门前后压差、调门开度和流量比三者之间的关系较为复杂。同时，调节级后汽轮机级组运行状态的变化会也对调节级后压力产生影响。因此，调节气门前后压差、调门开度、流量比三者之间存在复杂的耦合关系，导致对汽轮机高压调门组流量的计算非常困难。

目前，研究汽轮机调节级的特性主要有试验测量和理论建模两种方式。

试验测量方式需要精确测量汽轮机主汽阀门后压力，主蒸汽流量，每组高压调节汽门的开度，通过每组高压调门的流量，调节级后压力等参数，所需要测量数据点数目多，精度要求高，导致通过试验来测量特性所需要的测量系统复杂，测量步骤繁琐。在实际变工况运行时，主汽阀门后压力和所需要的流量受到许多参数的影响，与试验条件有一定的偏差。因此，通过试验所测量的高压调门特性并不能完全反映在实际变工况时的特性。

通过理论建模方式来研究汽轮机高压调门特性具有实现难度小，消耗经费少，研究周期短等优点。在电厂在线监测和辅助开发变工况控制系统中，对理论建模的模型有高精度，高求解速度以及优秀的模型稳定性三方面的要求。由于汽轮机调门特性以及汽轮机当中各个参数之间复杂的相关性，再加上低负荷时汽轮机调节级会存在超临界的情况。这导致了目前建立的汽轮机高压调门的模型中，对于汽轮机高压调门的流量特性都进行了一系列的简化。根据现有技术所建立的模型，分为简易模型和机理模型两种。

在简易模型当中没有考虑到调节级后压力对高压调节级流量的影响。这种技术在一些工况下会存在偏差，不能完全反应调节级后汽轮机组的特性，不能准确计算出通过调节级的流量。这对于根据模型计算高压缸效率，调节级焓降并且优化高压缸设计等现实需求会产生影响。因此，建立一个可以进行精准计算的高压调门模型是必要的。

机理模型根据完全根据汽轮机高压调门特性和调节级特性来建立模型，现有技术所建立的模型存在计算速度慢，收敛性差等缺点。在实际建模过程中，建立出来的模型计算速度缓慢，计算消耗时间长，无法满足实际当中对模型的高求解速度和优秀的模型稳定性的要求。

综上所述，开发一种具有高求解精度、高求解速度、稳定的高压调门组流量仿真算法对于电厂在线监测调节级是否正常运行，辅助开发变工况控制系统，提高机组变工况运行的安全性和经济性具有重要意义。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供基于蚁群算法获取汽轮机高压调门组流量的方法，根据给定的额定参数，主汽压力，调节级调门开度、汽轮机级组的运行状态迅速并且准确地计算出各个调节级流量，具有稳定、迅速、准确三方面的优点。

技术方案：为实现上述目的，本发明中基于蚁群算法获取汽轮机高压调门组流量的方法，包括以下步骤：

(1)利用汽轮机额定主汽阀门后压力额定调节级后压力额定主汽流量G₀、汽轮机高压调节级调门组数n和汽轮机变工况下主汽阀门后压力计算变工况下单个调门组的最大流量Gmaxf；

(2)将表征调节汽门压降Δp、开度x-流量因子Gf特性的曲线f₁进行分段处理，并利用变工况下单个调门组的最大流量Gmaxf和调门组开度{x₁,x₂,...,x_n}计算每组调门后压力的初始值，利用每组调门后压力的初始值计算每组调门流量的初始值并相加得到调门组流量的初始值ΣG_i，利用调门组流量的初始值ΣG_i计算调节级后压力的初始值；

(3)利用迭代算法，并根据蚁群算法获取每次迭代调节级后压力的初始值，反复迭代直至调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG小于给定的误差值，得到调门组流量ΣGx_i的最终值。

具体地，步骤(1)中，变工况下单个调门组的最大流量Gmaxf的表达式为：

$G\max f={\mathrm{Gmaxf}}_0^0\frac{p_0^1}{p_0^0},$

式中，为额定主汽阀门后压力下通过单个调门的最大蒸汽流量，

${\mathrm{Gmaxf}}_0^0=\frac{G_0}{n\mathrm{\β}},\mathrm{\β}=\left\{\begin{array}{cc}1& p_0^2/p_0^0\≤0.546\\ \sqrt{1-{\left(\frac{p_2^0/p_0^0-1}{0.546-1}\right)}^2}& p_0^2/p_0^0>0.546\end{array}\right..$

具体地，步骤(2)中计算每组调门后压力的初始值，包括以下步骤：

1)设调节汽门压降Δp的值为额定工况下的压降值Δp₀，根据的大小，将开度x分成j段，取每段的端点值构成开度数组；

2)设开度数组中每个开度x_j对应的流量G_j，得到相应数组A，

其中G_j＝Gmaxf*f₁(Δp₀,x_j)；

3)利用调门组开度{x₁,x₂,...,x_n}，计算每组调门后压力的初始值，计算公式如下：

$p_1^1\left(i\right)=(p_0^0-{\mathrm{\Δp}}_0)\frac{G_i}{G\max f}*\frac{p_0^1}{p_0^0},$

式中，G_i是每组调门流量的初始值，根据该组调门开度x_i在开度分段中的位置求出：

$G_i=G_{j-1}+(G_j-G_{j-1})\frac{x_i-x_{j-1}}{x_j-x_{j-1}},$

x_j-1≤x_i≤x_j；

4)将每组调门流量的初始值G_i相加，得到调门组流量的初始值ΣG_i，计算调节级后压力的初始值为：

具体地，步骤(3)中根据蚁群算法获取每次迭代调节级后压力的初始值，包括以下步骤：

1)在每次迭代中，对于任意第i组，利用该组调门后压力计算出通过该组调节汽门的流量Gx_i和通过该组喷嘴的流量nGx_i，不断改变进行内部迭代计算，使两者之间误差小于给定值后得到该组调节汽门的流量Gx_i在此次迭代中的值；

2)根据蚁群算法更新信息结点数组Jd(n)，所述信息节点数组Jd(n)是一个包含n个信息节点的三维数组，对于每个信息节点的数据对应数组中的一列，包含本次迭代中调节级后压力的初始值调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG和信息素浓度xxs(n)；

3)随机生成一个介于0～1之间的数r，在信息节点数组Jd(n)中，找到第i个节点数组，使其满足：同时利用确定的i值计算进入下一次迭代的调节级后压力的初始值。

其中，所述信息结点数组Jd(n)中节点排布顺序根据调节级后压力的初始值进行升序排布，所述信息结点数组Jd(n)在进行迭代之前被赋予两个信息节点的数据，其数组中一个信息节点的数据包括：调节级后压力的初始值为0、调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG为负的单个调门组的最大蒸汽流量Gmaxf和信息素浓度xxs(n)为0；另一个信息节点的数据包括：调节级后压力的初始值为汽轮机变工况下主汽阀门后压力调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG为正的单个调门组的最大蒸汽流量Gmaxf和信息素浓度xxs(n)为0。

进一步地，步骤2)中结点数组Jd(n)的更新包括以下步骤：

每次迭代计算完毕后，将本次迭代计算中调节级后压力的初始值调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG，以及信息素浓度xxs(n)存入信息节点数组当中；

当信息节点数组内包含的节点数超过限定值时，寻找一个信息节点，使得其误差满足：误差值并不是数组当中唯一的正值或唯一的负值，并且，误差的绝对值在剖除唯一正值或唯一负值后为最大值；

从信息节点数组中删除满足该条件的信息节点，使信息节点数组的节点数目保持在给定值之内。

有益效果：本发明中基于蚁群算法获取汽轮机高压调门组流量的方法充分考虑了高压调门流量与主汽阀后压力、调门组开度、调节级后压力的关系以及调节级后汽轮机机组运行状态对高压调门流量的影响，该方法通过分段处理开度来进行每组调门后压力初始迭代值的设定，保证了模型的精确，具有良好的收敛性。本发明迭代中所采用的蚁群算法通过记录相关信息节点和信息节点的信息素浓度来进行下次迭代初始值的选择。通过本发明方法，随着迭代次数地增多，误差越小的迭代初始值的信息素浓度就越大，同时最优解附近的节点数目和节点信息素浓度也会逐渐增大，选择最优解附近的可能性就会愈来愈多。所以本次发明方法具有强力的正反馈机制，在迭代过程中不断收敛，最终使误差低于给定值，从而计算稳定、迅速且准确。

附图说明

图1为汽轮机高压调门组流量与调门开度及前后压差之间的关系；

图2所示为常用的汽轮机喷嘴配气汽轮机中调节级示意图；

图3为本发明中基于蚁群算法获取汽轮机高压调门组流量的方法的流程图。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

图2所示为常用的汽轮机喷嘴配气汽轮机中调节级示意图，1为自动主汽门；2为调节汽门；3为喷嘴组间壁。蒸汽通过自动主汽门1后，分别通过每组调节气门2，在这组调节气门2所对应的调节级中做功后，在调节级后汇合。为建立其数学模型，做出如下简化：①蒸汽流经管道时压降较小，故忽略其他压力损失，②每组喷嘴组间壁3相互之间无漏气，蒸汽对汽轮机以及管道外无漏气。

图3中基于蚁群算法获取汽轮机高压调门组流量的方法包括以下步骤：

步骤一：已知汽轮机额定主汽阀门后压力额定调节级后压力额定主汽流量G₀，汽轮机高压调节级调门组数n，计算出额定主汽阀门后压力下通过单个调门的最大蒸汽流量其中

步骤二：根据已经计算的单个调门的最大蒸汽流量汽轮机额定主汽阀门后压力汽轮机变工况下主汽阀门后压力计算出变工况下单个调门组的最大蒸汽流量

步骤三：确定调节级后压力的初始值，具体包括以下步骤：

将表征调节汽门压降Δp、开度x-流量因子Gf特性的函数f₁进行分段处理，其中，Gf＝f₁(Δp,x)，假设压降Δp为额定工况下值Δp₀时，根据的大小，将开度分成j段，得到每段的端点的开度数组如下：{x_min,x₁,...,x_j,x_max}；

假设压降Δp为额定工况下值Δp₀，计开度数组中，每个开度对应的流量，得到相应数组A：

其中G_j＝Gmaxf*f₁(Δp₀,x_j)；

已知调节级调门组开度{x₁,x₂,...,x_n}，对每组调门后压力进行初始化，

式中G_i是根据该组调门开度x_i，该组调门开度x_i在开度分段中的位置求出：

$G_i=G_{j-1}+(G_j-G_{j-1})\frac{x_i-x_{j-1}}{x_j-x_{j-1}},$

x_j-1≤x_i≤x_j；

将每组调门的初始化流量相加，得到调门组的初始化流量ΣG_i，对调节级后压力进行初始化：

步骤四：假设本次迭代中，调节级后压力初始值为已知值，通过已知条件和每组调门后压力计算出通过该组调节汽门的流量Gx_i和通过该组喷嘴的流量nGx_i，根据两者间的误差，不断改变进行迭代计算，使两者之间误差小于给定值。其中：

${\mathrm{Gx}}_i=f_1(p_0^1-p_1^1(i),x_i)*G\max f;$

nGx_i＝βGmaxf；式中

步骤五：在步骤四的基础上，计算调门组流量ΣGx_i，同时求出通过汽轮机后续级的流量计算出两者之间的误差ΔnG＝ΣGx_i-Gs，根据以下规则更新信息结点数组Jd(n)，信息节点数组Jd(n)是一个包含n个信息节点的三维数组，对于每个信息节点的数据对应数组中的一列，包含本次迭代中调节级后压力的初始值调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG和信息素浓度xxs(n)，具体形式如下：

式中

信息结点数组Jd(n)中节点排布顺序根据调节级后压力的初始值进行升序排布。在进行迭代之前，先对信息结点数组Jd(n)进行初始化，对信息结点数组Jd(n)预先赋予两个信息节点的数据，其数组中一个信息节点的数据包括：调节级后压力的初始值为0、调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG为负的单个调门组的最大蒸汽流量Gmaxf和信息素浓度xxs(n)为0；另一个信息节点的数据包括：调节级后压力的初始值为汽轮机变工况下主汽阀门后压力调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG为正的单个调门组的最大蒸汽流量Gmaxf和信息素浓度xxs(n)为0。对信息节点数组进行初始化的目的是：在接下来的迭代计算中，让进入计算中的调节级后压力的初始值处于理论范围内，减少迭代次数，提高算法的稳定性。

为了提高迭代算法的计算速度以及稳定性，在每次迭代中对信息结点数组Jd(n)进行更新，更新规则如下：

每次迭代计算完毕后，将本次迭代计算中调节级后压力的初始值该次计算所计算出的调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG，以及根据上述调节级后的压力初始值和误差所计算出的对应的信息素浓度xxs(n)存入信息节点数组当中；

当信息节点数组内包含的节点数超过限定值时，寻找一个信息素节点，使得其误差满足：1)误差值并不是数组当中唯一的正值或唯一的负值；2)误差的绝对值在剖除唯一正值或唯一负值后，为最大值；

从信息节点数组中删除满足该条件的信息节点，使信息节点数组的节点数目保持在给定值之内。

步骤六：随机生成一个介于0～1之间的数r，在信息节点数组中，找到第i个节点数组，使其满足：同时

计算进入下一次迭代的调节级后压力的值：

$p_2^1=p_2^1\left(i\right)+\frac{-2xxs\left(i\right)+\sqrt{4xxs{\left(i\right)}^2-4r\[xxs\left(i\right)-xxs(i+1)\]}}{-2\[xxs\left(i\right)-xxs(i+1)\]}\[p_2^1(i+1)-p_2^1\left(i\right)\];$

步骤七：重复步骤五、六使调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差小于给定值，完成计算，此时调门组流量ΣGx_i的值为最终值。

下面结合实例对本发明做更进一步的说明。

以某电站600MW机组汽轮机高压缸调门模型建立为例，根据实验所得汽轮机高压调门特性。额定主汽阀后压力额定主蒸汽流量G₀＝1941.96kg/s，额定调节级后压力共有4个调节气门。

表1为采用本专利模型与传统模型分别对该汽轮机下，变工况主汽阀后压力为调节气门开度[x1 x2 x3 x4]＝[0.81 0.3 0.513 0.15]的条件1下建模结果。

表1条件1建模结果

由表1可以得出，本专利模型具有精确的特点，同时迭代次数大幅度减少，计算迅速。

表1为采用本专利模型与传统模型分别对该汽轮机下，变工况主汽阀后压力为调节气门开度[x1 x2 x3 x4]＝[1 0.9697 0.606 0.454]的条件2下建模结果。

表2条件2建模结果

由表2可以得出，本专利模型具有精确的特点，同时迭代次数大幅度减少，计算迅速。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (7)

1.一种基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，该方法包括以下步骤：

(1)利用汽轮机额定主汽阀门后压力额定调节级后压力额定主汽流量G₀、汽轮机高压调节级调门组数n和汽轮机变工况下主汽阀门后压力计算变工况下单个调门组的最大流量Gmaxf；

(2)将表征调节汽门压降Δp、开度x-流量因子Gf特性的曲线f₁进行分段处理，并利用变工况下单个调门组的最大流量Gmaxf和调门组开度{x₁,x₂,...,x_n}计算每组调门后压力的初始值，利用每组调门后压力的初始值计算每组调门流量的初始值并相加得到调门组流量的初始值∑G_i，利用调门组流量的初始值∑G_i计算调节级后压力的初始值；

(3)利用迭代算法，并根据蚁群算法获取每次迭代调节级后压力的初始值，反复迭代直至调门组流量∑Gx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG小于给定的误差值，得到调门组流量∑Gx_i的最终值。

2.根据权利要求1所述的基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，步骤(1)中，变工况下单个调门组的最大流量Gmaxf的表达式为：

$G\max f={\mathrm{Gmaxf}}_0^0\frac{p_0^1}{p_0^0},$

式中，为额定主汽阀门后压力下通过单个调门的最大蒸汽流量，

${\mathrm{Gmaxf}}_0^0=\frac{G_0}{n\mathrm{\β}},\mathrm{\β}=\left\{\begin{array}{cc}1& p_2^0/p_0^0\≤0.546\\ \sqrt{1-{\left(\frac{p_2^0/p_0^0-1}{0.546-1}\right)}^2}& p_2^0/p_0^0>0.546\end{array}\right..$

3.根据权利要求1所述的基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，步骤(2)中计算每组调门后压力的初始值，包括以下步骤：

1)设调节汽门压降Δp的值为额定工况下的压降值Δp₀，根据的大小，将开度x分成j段，取每段的端点值构成开度数组；

2)设开度数组中每个开度x_j对应的流量G_j，得到相应数组A，

其中G_j＝Gmaxf*f₁(Δp₀,x_j)；

3)利用调门组开度{x₁,x₂,...,x_n}，计算每组调门后压力的初始值，计算公式如下：

$p_1^1\left(i\right)=(p_0^0-{\mathrm{\Δp}}_0)\frac{G_i}{G\max f}*\frac{p_0^1}{p_0^0},$

式中，G_i是每组调门流量的初始值，根据该组调门开度x_i在开度分段中的位置求出：

$G_i=G_{j-1}+(G_j-G_{j-1})\frac{x_i-x_{j-1}}{x_j-x_{j-1}},$

x_j-1≤x_i≤x_j；

4)将每组调门流量的初始值G_i相加，得到调门组流量的初始值∑G_i，计算调节级后压力的初始值为：

4.根据权利要求1所述的基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，步骤(3)中根据蚁群算法获取每次迭代调节级后压力的初始值，包括以下步骤：

1)在每次迭代中，对于任意第i组，利用该组调门后压力计算出通过该组调节汽门的流量Gx_i和通过该组喷嘴的流量nGx_i，不断改变进行内部迭代计算，使两者之间误差小于给定值后得到该组调节汽门的流量Gx_i在此次迭代中的值；

2)根据蚁群算法更新信息结点数组Jd(n)，所述信息节点数组Jd(n)是一个包含n个信息节点的三维数组，对于每个信息节点的数据对应数组中的一列，包含本次迭代中调节级后压力的初始值调门组流量∑Gx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG和信息素浓度xxs(n)；

3)随机生成一个介于0～1之间的数r，在信息节点数组Jd(n)中，找到第i个节点数组，使其满足：同时利用确定的i值计算进入下一次迭代的调节级后压力的初始值。

5.根据权利要求4所述的基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，所述信息结点数组Jd(n)中节点排布顺序根据调节级后压力的初始值进行升序排布，所述信息结点数组Jd(n)在进行迭代之前被赋予两个信息节点的数据，其数组中一个信息节点的数据包括：调节级后压力的初始值为0、调门组流量∑Gx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG为负的单个调门组的最大蒸汽流量Gmaxf和信息素浓度xxs(n)为0；另一个信息节点的数据包括：调节级后压力的初始值为汽轮机变工况下主汽阀门后压力调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG为正的单个调门组的最大蒸汽流量Gmaxf和信息素浓度xxs(n)为0。

6.根据权利要求4所述的基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，步骤2)中结点数组Jd(n)的更新包括以下步骤：

每次迭代计算完毕后，将本次迭代计算中调节级后压力的初始值调门组流量ΣGx_i与通过汽轮机后续级的流量Gs之间的误差ΔnG，以及信息素浓度xxs(n)存入信息节点数组当中；

当信息节点数组内包含的节点数超过限定值时，寻找一个信息节点，使得其误差满足：误差值并不是数组当中唯一的正值或唯一的负值，并且，误差的绝对值在剖除唯一正值或唯一负值后为最大值；

从信息节点数组中删除满足该条件的信息节点，使信息节点数组的节点数目保持在给定值之内。

7.根据权利要求4所述的基于蚁群算法获取汽轮机高压调门组流量的方法，其特征在于，迭代过程中所述调节级后压力的计算公式为：

$p_2^1=p_2^1\left(i\right)+\frac{-2xxs\left(i\right)+\sqrt{4xxs{\left(i\right)}^2-4r\[xxs\left(i\right)-xxs(i+1)\]}}{-2\[xxs\left(i\right)-xxs(i+1)\]}\[p_2^1(i+1)-p_2^1\left(i\right)\].$