CN106089328A - 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 - Google Patents

Abstract

本发明公开了一种通过DCS数据挖掘技术辨识汽轮机调门流量特性曲线的方法：a、选取与调门流量特性分析相关的采样点，获得DCS数据；b、DCS数据划分为数据挖掘对象，审核其中的异常值，并计算数据挖掘对象的各采样点的均值、极差和斜率；c、应用主成分分析法对各数据挖掘对象的极差和斜率进行维归约；d、应用基于密度的聚类算法DBSCAN对调门的运行状态进行聚类；e、应用汽轮机变工况特性和一、二类修正曲线将数据挖掘对象修正到额定边界参数；f、应用移动最小二乘法拟合数据挖掘对象以获得汽轮机组调门流量特性曲线；本发明能够辨识汽轮机调门在额定边界参数下的流量特性曲线，可用于控制器参数整定和优化，以保证发电机组安全、稳定、经济运行。

Description

基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法

技术领域

本发明涉及汽轮机发电技术领域，尤其涉及一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法

背景技术

近年来，分布式控制系统(Distributed Control System,简称DCS)在绝大多数火电机组上得以应用，同时形成了大量设备运行的DCS数据流。尽管DCS数据流蕴涵着丰富而有价值的信息，但是因其存在海量性、多元性、动态性、交连性，使得对DCS数据的分析以及知识获取成为棘手的问题，得不到充分利用的海量数据，反而带来了越来越严重的数据灾难和资源荒废。

汽轮机调门由于长期受主蒸汽冲刷，处于经常活动的运行状态，以及受机组通流结构的老化、变形、改造等影响，汽轮机组调门的实际流量特性曲线已经偏离设计值。调门是平衡汽轮机和锅炉的能量供给环节，是DEH、CCS、AGC、一次调频等控制的主要执行机构，如果调门重叠度、相关控制器参数等未能跟随当前调门流量特性变化，会导致如下问题。一方面，机组在不同负荷下的定-滑压曲线发生改变，调门节流损失增大等，影响机组经济性；另一方面，调节过程中机组负荷响应速度和幅度无法达到电网要求，动、静态响应特性变差，参数波动加剧等，影响机组安全性。

发明内容

本发明的目的在于提供一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，能够辨识汽轮机调门在额定边界参数下的实际流量特性曲线，并与调门流量特性试验的结果进行对比，证明该方法在获得汽轮机流量特性曲线有足够的工程应用精度。

为实现上述目的，本发明采用的技术方案是：

一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于，包括以下步骤：

A、从汽轮机组的历史DCS数据库中，选取与调门流量特性辨识相关的采样点，设置采样周期和采样时长，从DCS数据库获得原始数据后，进入步骤B；

B、将原始数据按照时间发生顺序排列，采用定长度时间间隔将原始数据划分为若干数据挖掘对象，审查定长度时间间隔内的原始数据，如果异常值达到设定阈值，则舍弃该数据挖掘对象；将所有数据挖掘对象在时间间隔内的采样点数据进行均值操作，同时将极差Range和斜率Slope也纳入对象的属性中，衡量与界定该对象数据在时间间隔内是否稳定，进入步骤C；

C、主成分分析法能够建立原属性的线性组合而形成新属性，并且新属性捕获了数据的最大变差；应用主成分分析法将数据挖掘对象的极差Range和斜率Slope进行维归约，获得分别衡量极差Range和斜率Slope的综合指标，使得极差Range和斜率Slope仅有单一属性，进入步骤D；

D、在机组正常运行、起停机、阀序切换工况下，调门呈现出不同状态，为了分析调门的流量特性，必须将调门的不同状态加以区分；由于数据挖掘对象属性中的阀位值与主蒸汽流量的分布为非凸型簇，运用基于密度的聚类算法DBSCAN；该算法的各目标簇由一群稠密的对象组成，而不同簇之间被低密度区域所分割，将阀门状态聚类完成后，进入步骤E；

E、数据挖掘对象的边界参数修正：给水流量与过热器减温水流量之和作为主蒸汽流量，并根据汽轮机的变工况特性和喷嘴流量计算原理，将对象的主蒸汽流量修正到额定主蒸汽压力和温度；根据汽轮机性能简化试验第一类修正曲线和制造厂提供的第二类修正曲线对汽轮机输出功率进行参数修正；进入步骤F；

F、应用移动最小二乘法MLS对各调门阀位值、总阀位值、修正后的主蒸汽流量与汽轮机输出功率进行拟合，即得到在额定边界参数下的各阀位值-主蒸汽流量，以及总阀位值-汽轮机输出功率之间的关系，即汽轮机调门流量特性曲线。

所述的步骤A中，与调门流量特性辨识相关的采样点包括主蒸汽压力、主蒸汽温度、调节级压力、调节级温度、再热蒸汽压力、再热蒸汽温度、调门开度、主给水流量、过热器减温水流量、再热器减温水流量、汽轮机输出功率和低压缸排汽压力，设定采样周期小于或等于30秒，采样时长能涵盖机组运行的全负荷范围。

所述的步骤B中，设定划分数据挖掘对象的定长度时间间隔大于或等于10分钟；如果数据挖掘对象存在异常值，则舍弃该数据挖掘对象；极差Range和斜率Slope的公式如下：

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}{x}_i/n\\ Range=\max \left(x_i\right)-\min \left(x_i\right)\\ Slope=\underset{i=n-1}{\overset{n}{\Σ}}{x}_i-\underset{i=1}{\overset{10}{\Σ}}{x}_i\end{array}\right.---\left(1\right)$

数据挖掘对象表示定长度时间间隔内所包含的n组原始数据(x1,x2,...,xn)的均值；极差反映了所包含的不同采样点在时间间隔内的波动情况；斜率反映了所包含的不同采样点在时间间隔内的递增或递减；极差和斜率的属性个数和数据挖掘对象一致，如果直接合并，会导致数据挖掘对象属性个数升至三倍，因此需要对极差和斜率进行维归约。

所述的步骤C中，运用主成分分析法将极差Range和斜率Slope进行维归约，主成分分析之前需要先对数据进行标准化处理，通过函数变换将不同属性映射到一定数值区间范围内；而后计算标准化矩阵的相关系数矩阵R以及R的_p个特征根，以特征根为降序排序，从高到低累积计算不同主成分的方差贡献率α_j，如果前m个指标的累积方差贡献率满足阈值85％，则认为这m个主成分能够综合体现p个指标；由主成分M_j和方差贡献率α_j加权求和，得到综合指标F，即为极差属性F_R和斜率属性F_S，并定义稳定半径R_s来界定“稳定工况”，即在稳定半径R_s范围内的数据挖掘对象参与随后的数据挖掘工作；主成分分析公式如下：

$\left\{\begin{array}{c}\left|R-\mathrm{\λ}I\right|=0\\ {\mathrm{\α}}_j={\mathrm{\λ}}_j/\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k\\ {\mathrm{\α}}_{sum}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\α}}_k\≥85\%\\ F=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\α}}_j{M}_j\\ {F_R}^2+{F_S}^2\≤{R_s}^2\end{array}\right.---\left(2\right)$

式中：λ为特征根对角矩阵，I为单位矩阵，α_sum表示前m个指标的累积方差贡献率。

所述的步骤D中，聚类算法DBSCAN对调门的运行状态聚为四类，分别是顺序阀类、单阀类、阀点类和无簇类；相对于单阀运行状态，机组在顺序阀运行状态下具有部分负荷节流损失小，经济性好的优点；阀点类是指为了获得准确的热耗率和缸效率，机组在两阀全开、三阀全开、四阀全开的同时强制关闭其它调门的运行状态；无簇类是指未被归入前三种类的对象，涵盖了阀序切换、调门消缺和手动操作的调门特殊运行状态；单阀类、阀点类和无簇类属于机组的在起机和试验工况下的短暂运行状态，因而仅对顺序阀类进行分析。

所述的步骤E中，为获得调门流量特性曲线，主蒸汽流量与汽轮机输出功率需要进行修正，修正项目包括随负荷非线性变化的系统参数和影响机组出力的边界条件；热力系统方面，忽略系统内漏、外漏、回热系统性能、汽动给水泵小机性能、轴封系统和凝汽器性能的影响；边界条件方面，忽略再热器压损和给水温度的影响；因此，修正项目囊括主蒸汽压力、主蒸汽温度、过热器减温水流量、再热器减温水流量、再热蒸汽温度和低压缸排汽压力这六个方面；实际运行的主蒸汽流量和汽轮机输出功率成正比，修正后的汽轮机输出功率和修正后的主蒸汽流量亦成正比，根据修正的项目，则有：

$\left\{\begin{array}{c}{P}_t=k_t\·f_t\\ P_c=k_c\·f_c=(k_{shsp}\·k_{rhsp}\·k_{hrh}\·k_{cv}\·k_t)\·(k_{ms}\·f_t)\\ P_c/P_t=k_{shsp}\·k_{rhsp}\·k_{hrh}\·k_{cv}\·k_{ms}\end{array}\right.---\left(3\right)$

式中：k_t为实际运行流量-功率比例系数；f_t为实际运行的主蒸汽流量；P_t为实际运行的汽轮机输出功率；k_c为修正后的流量-功率比例系数；f_c为修正后的主蒸汽流量；P_c为修正后的汽轮机输出功率；k_shsp、k_rhsp分别为过热器减温水流量、再热器减温水流量修正系数，从汽轮机性能简化试验的一类修正曲线可以得到；k_hrh、k_cv分别为再热蒸汽温度、低压缸排汽压力修正系数，从制造厂提供的二类修正曲线能够得到；k_ms为主蒸汽压力、主蒸汽温度的联合修正系数，由汽轮机变工况特性可得：

$k_{ms}=f_t/f_c=\sqrt{P_{ms,t}\·V(P_{ms,c},T_{ms,c})/(P_{ms,c}\·V(P_{ms,t},T_{ms,t}\left)\right)}---\left(4\right)$

式中：P_ms、T_ms分别为主蒸汽压力、主蒸汽温度；V为主蒸汽的比容，是P_ms、T_ms函数；角标t、c分别表示实际工况和修正工况。

所述的步骤F中，移动最小二乘法MLS更适用于大量数据、复杂形状的拟合；首先，移动最小二乘法MLS是无网格法的一种，它根据自变量的分布特点划分了多个逼近节点；其次，逼近函数u(x)是由与节点相关的基函数P^T(x_i)和与自变量相关的待定系数a(x)构成的，避免传统的多项式或其它函数结构的单一性和泛化能力差；再次，引入了自变量领域内紧支的概念，划分支持域后只考虑域内的采样点取值影响；另外，在支持域内引入了权函数ω(x,x_i)，其定义了每个自变量影响的权重；移动最小二乘法MLS公式如下：

$\left\{\begin{array}{c}u\left(x\right)=p^T\left(x_i\right)\·a\left(x\right)\\ p^T\left(x_i\right)=(1,x_i,{x_i}^2)\\ J=\underset{i=1}{\overset{n}{\Σ}}\mathrm{\ω}(x,x_i)\·{\[u\left(x\right)-y_i\]}^2\\ \∂J/\∂a\left(x\right)=0\end{array}\right.---\left(5\right)$

式中：x_i，y_i为节点坐标；x为待求因变量的自变量坐标，n为求解区域内的节点数目；J为残差的离散加权范式，为了使J达到最小，令J取极值而对a(x)求偏导；

根据DCS数据特点和拟合要求，基函数P^T(x_i)选取二次型：一方面，选择一次型会造成拟合曲线在节点处形成明显的拐点；另一方面，选择三次型以上的基函数对提高拟合的精度有限，反而还会过拟合；

节点确定的过程是，先将所有数据挖掘对象的各阀位值以1％为单位划分成100个不同阀位区域，而后取不同阀位区域内数据挖掘对象的主蒸汽流量或汽轮机输出功率的中位数，该中位数所对应的阀位值即为节点；如果区域内的对象少于3个，则需要观察散点图，选择合适的一个对象作为该区域内的节点；

支持域的范围是动态的，随着节点密集程度而变化，节点越密集，支持域范围越小，一个支持域范围包含的节点数目不超过10个，该大小应既能保证支持域内有足够的采样点来满足待定系数精确性和连续性的需要，又能突出邻近节点的函数相关性不受距离过大的节点影响，形成局部逼近；

权函数ω(x,x_i)选择高斯函数，能够体现采样点在同一阀位区域内的分布特性，并且在支持域内满足非负性、连续影响和单调递减的必要条件；

对式(5)进行求解，可得到：

$\left\{\begin{array}{c}u\left(x\right)=\mathrm{\Φ}\left(x\right)u^{*}\\ \mathrm{\Φ}\left(x\right)=p^T\left(x_i\right)A^{-1}\left(x\right)B\left(x\right)\\ A\left(x\right)=p^T\left(x_i\right)\mathrm{\ω}(x,x_i)p\left(x_i\right)\\ B\left(x\right)=p^T\left(x_i\right)\mathrm{\ω}(x,x_i)\end{array}\right.---\left(6\right)$

式中:Φ(x)为只考虑节点信息，不考虑节点之间拓扑关系的无网格法形函数矩阵；u^*为节点处的因变量矩阵，u(x)为待求自变量x坐标下的因变量矩阵；A(x)、B(x)分别为由基函数P^T(x_i)和权函数ω(x,x_i)计算得来的中间计算矩阵。

本发明通过对汽轮机组历史DCS数据的采集和挖掘，开发涵盖主成分分析、密度聚类、移动最小二乘拟合等一套完整的数据挖掘技术方案，最终辨识出汽轮机组调门在额定边界参数下的流量特性曲线，该流量特性曲线包括各调门阀位值与主蒸汽流量关系曲线、总阀位值与汽轮机输出功率曲线。本发明具有较广的适用性和较高的精度，可以迁移到多种类型的机组，为控制器的参数整定和汽轮机的优化运行提供理论依据和数据支持。

附图说明

图1为本发明的流程示意图。

图2为DBSCAN密度聚类算法流程图。

图3为主成分分析后所有对象的散度和斜率图。

图4为调门运行状态聚类图。

图5为各阀位值的流量特性曲线。

图6为总阀位值的流量特性曲线。

具体实施方式

下面结合附图和实例对本发明的基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法作进一步的详细说明。

1、从汽轮机组的历史DCS数据库中，选取与调门流量特性曲线辨识相关的采样点，采样点包括主蒸汽压力、主蒸汽温度、调节级压力、调节级温度、再热蒸汽压力、再热蒸汽温度、调门开度、主给水流量、过热器减温水流量、再热器减温水流量、汽轮机输出功率和低压缸排汽压力，设定采样周期小于或等于30秒，采样时长能涵盖机组运行的全负荷范围。

2、将原始数据按照时间发生顺序排列，采用定长度时间间隔将原始数据划分若干数据挖掘对象。审查定长度时间间隔内的原始数据，如果对象存在异常值，则舍弃该数据挖掘对象。将所有数据挖掘对象在时间间隔内的采样点数据进行均值操作，同时将极差Range和斜率Slope也纳入对象的属性中，衡量与界定该对象数据在时间间隔内是否稳定，极差Range和斜率Slope的公式如下：

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}{x}_i/n\\ Range=max\left(x_i\right)-min\left(x_i\right)\\ Slope=\underset{i=n-1}{\overset{n}{\Σ}}{x}_i-\underset{i=1}{\overset{10}{\Σ}}{x}_i\end{array}\right.---\left(1\right)$

数据挖掘对象表示定长度时间间隔内所包含的n组原始数据(x₁,x₂,...,x_n)的均值；极差反映了所包含的不同采样点在时间间隔内的波动情况；斜率反映了所包含的不同采样点在时间间隔内的递增或递减；极差和斜率的属性个数和数据挖掘对象一致，如果直接合并，会导致数据挖掘对象属性个数升至三倍，因此需要对极差和斜率进行维归约。

3、主成分分析法可以建立原属性的线性组合而形成新属性，并且新属性捕获了数据的最大变差。运用主成分分析法对极差Range和斜率Slope进行维归约，主成分分析之前需要先对数据进行标准化处理，通过函数变换将不同属性映射到一定数值区间范围内。而后计算标准化矩阵的相关系数矩阵R以及R的_p个特征根，以特征根为降序排序，从高到低累积计算不同主成分的方差贡献率α_j，如果前m个指标的累积方差贡献率满足阈值85％，则认为这m个主成分可以综合体现p个指标。由主成分M_j和贡献率α_j加权求和，可得到综合指标F，即为极差属性F_R和斜率属性F_S，并定义稳定半径R_s来界定“稳定工况”，即在R_s范围内的数据挖掘对象参与随后的数据挖掘工作。主成分分析公式如下：

$\left\{\begin{array}{c}\left|R-\mathrm{\λ}I\right|=0\\ {\mathrm{\α}}_j={\mathrm{\λ}}_j/\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k\\ {\mathrm{\α}}_{sum}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\α}}_k\≥85\%\\ F=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\α}}_j{M}_j\\ {F_R}^2+{F_S}^2\≤{R_s}^2\end{array}\right.---\left(2\right)$

式中：λ为特征根对角矩阵，I为单位矩阵，α_sum表示前m个指标的累积方差贡献率。

4、在机组正常运行、起停机、阀序切换等工况下，调门呈现出不同状态，为了分析调门的流量特性，必须将调门的不同状态加以区分。由于数据挖掘对象属性中的阀位值与主蒸汽流量的分布为非凸型簇，运用基于密度的聚类算法DBSCAN。该算法的各目标簇是由一群稠密的数据挖掘对象组成的，而不同簇之间被低密度区域所分割。DBSCAN算法对四个调门的运行状态聚为四类，分别是顺序阀类、单阀类、阀点类、无簇类。相对于单阀状态，机组在顺序阀运行状态下具有部分负荷节流损失小，经济性好等优点。阀点类是指为了获得较为准确的热耗率和缸效率，机组在两阀全开、三阀全开、四阀全开的同时强制关闭其它调门的运行状态。无簇类是指未被归入前三种类的对象，涵盖了阀序切换、调门消缺、手动操作等的调门特殊运行状态。单阀类、阀点类和无簇类属于机组的在起机、试验等工况下的短暂运行状态，因而仅对顺序阀类进行分析。DBSCAN算法流程图如图2所示，算法步骤为：首先，扫描整个数据集，找到任意一个核心点，对该核心点进行扩充；其次，寻找核心对象，遍历该核心点的邻域内的所有核心点，寻找与这些数据点密度相连的点，直到没有可以扩充的数据点为止；最后，聚成类的边界节点都是非核心数据点，数据集中没有包含在任何类中的数据点就构成异常点。

5、数据挖掘对象的边界参数修正。给水流量与过热器减温水流量之和作为主蒸汽流量，并根据汽轮机的变工况特性和喷嘴流量计算原理，将对象的主蒸汽流量修正到额定主蒸汽压力和温度；根据汽轮机性能简化试验第一类修正曲线和制造厂提供的第二类修正曲线对汽轮机输出功率进行参数修正。修正项目应包括随负荷非线性变化的系统参数和影响机组出力的边界条件，因此囊括主蒸汽压力、主蒸汽温度、过热器减温水流量、再热器减温水流量、再热蒸汽温度、低压缸排汽压力这六个方面。实际运行的主蒸汽流量和汽轮机输出功率成正比，修正后的汽轮机输出功率和修正后的主蒸汽流量亦成正比，根据修正的项目，则有：

$\left\{\begin{array}{c}{P}_t=k_t\·f_t\\ P_c=k_c\·f_c=(k_{shsp}\·k_{rhsp}\·k_{hrh}\·k_{cv}\·k_t)\·(k_{ms}\·f_t)\\ P_c/P_t=k_{shsp}\·k_{rhsp}\·k_{hrh}\·k_{cv}\·k_{ms}\end{array}\right.---\left(3\right)$

式中：k_t为实际运行流量-功率比例系数；f_t为实际运行的主蒸汽流量；P_t为实际运行的汽轮机输出功率；k_c为修正后的流量-功率比例系数；f_c为修正后的主蒸汽流量；P_c为修正后的汽轮机输出功率；k_shsp、k_rhsp分别为过热器减温水流量、再热器减温水流量修正系数，从汽轮机性能简化试验的一类修正曲线可以得到；k_hrh、k_cv分别为再热蒸汽温度、低压缸排汽压力修正系数，从制造厂提供的二类修正曲线能够得到；k_ms为主蒸汽压力、主蒸汽温度的联合修正系数，由汽轮机变工况特性可得：

$k_{ms}=f_t/f_c=\sqrt{P_{ms,t}\·V(P_{ms,c},T_{ms,c})/(P_{ms,c}\·V(P_{ms,t},T_{ms,t}\left)\right)}---\left(4\right)$

式中：P_ms、T_ms分别为主蒸汽压力、主蒸汽温度；V为主蒸汽的比容，是P_ms、T_ms函数；角标t、c分别表示实际工况和修正工况。

6、如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤F中，移动最小二乘法MLS更适用于大量数据、复杂形状的拟合；首先，移动最小二乘法MLS是无网格法的一种，它根据自变量的分布特点划分了多个逼近节点；其次，逼近函数u(x)是由与节点相关的基函数P^T(x_i)和与自变量相关的待定系数a(x)构成的，避免传统的多项式或其它函数结构的单一性和泛化能力差；再次，引入了自变量领域内紧支的概念，划分支持域后只考虑域内的采样点取值影响；另外，在支持域内引入了权函数ω(x,x_i)，其定义了每个自变量影响的权重；移动最小二乘法MLS公式如下：

$\left\{\begin{array}{c}u\left(x\right)=p^T\left(x_i\right)\·a\left(x\right)\\ p^T\left(x_i\right)=(1,x_i,{x_i}^2)\\ J=\underset{i=1}{\overset{n}{\Σ}}\mathrm{\ω}(x,x_i)\·{\[u\left(x\right)-y_i\]}^2\\ \∂J/\∂a\left(x\right)=0\end{array}\right.---\left(5\right)$

式中：x_i，y_i为节点坐标；x为待求因变量的自变量坐标，n为求解区域内的节点数目；J为残差的离散加权范式，为了使J达到最小，令J取极值而对a(x)求偏导；

根据DCS数据特点和拟合要求，基函数P^T(x)选取二次型：一方面，选择一次型会造成拟合曲线在节点处形成明显的拐点；另一方面，选择三次型以上的基函数对提高拟合的精度有限，反而还会过拟合；

节点确定的过程是，先将所有数据挖掘对象的各阀位值以1％为单位划分成100个不同阀位区域，而后取不同阀位区域内数据挖掘对象的主蒸汽流量或汽轮机输出功率的中位数，该中位数所对应的阀位值即为节点；如果区域内的对象少于3个，则需要观察散点图，选择合适的一个对象作为该区域内的节点；

支持域的范围是动态的，随着节点密集程度而变化，节点越密集，支持域范围越小，一个支持域范围包含的节点数目不超过10个，该大小应既能保证支持域内有足够的采样点来满足待定系数精确性和连续性的需要，又能突出邻近节点的函数相关性不受距离过大的节点影响，形成局部逼近；

权函数ω(x,x_i)选择高斯函数，能够体现采样点在同一阀位区域内的分布特性，并且在支持域内满足非负性、连续影响和单调递减的必要条件；

对式(5)进行求解，可得到：

$\left\{\begin{array}{c}u\left(x\right)=\mathrm{\Φ}\left(x\right)u^{*}\\ \mathrm{\Φ}\left(x\right)=p^T\left(x_i\right)A^{-1}\left(x\right)B\left(x\right)\\ A\left(x\right)=p^T\left(x_i\right)\mathrm{\ω}(x,x_i)p\left(x_i\right)\\ B\left(x\right)=p^T\left(x_i\right)\mathrm{\ω}(x,x_i)\end{array}\right.---\left(6\right)$

式中:Φ(x)为只考虑节点信息，不考虑节点之间拓扑关系的无网格法形函数矩阵；u^*为节点处的因变量矩阵，u(x)为待求自变量x坐标下的因变量矩阵；A(x)、B(x)分别为由基函数P^T(x_i)和权函数ω(x,x_i)计算得来的中间计算矩阵。

下面结合工程实例，对本发明实施技术方案作进一步描述。以某电厂的亚临界、一次中间再热、三缸四排汽、双背压凝汽式的600MW机组为例，设置20个采样点，采样周期为10秒，采样时长为从2015年12月9日到2016年1月31日。设置时间间隔为10分钟划分原始数据，计算对象在该时间间隔内的均值、极差、斜率，同时剔除存在异常值的对象，最终所得对象共7746个。对不同对象的极差、斜率进行主成分分析，累积4个特征根的方差贡献率超过85％，将4个特征根与其贡献率的乘积相累加，得到衡量极差的综合指标F_R和衡量斜率的综合指标F_S，并定义稳定半径稳定半径R_s以内的对象参与随后的计算过程，如图3所示。应用基于密度的聚类算法DBSCAN对汽轮机调门运行状态进行聚类，如图4所示。DBSCAN算法对四个调门的运行状态聚为四类，分别是顺序阀类、单阀类、阀点类、无簇类，选择顺序阀类的对象参与随后的计算过程。经过筛选后，能够参与后续计算的对象共3820个。

机组的额定边界参数是：主蒸汽压力—16.7MPa，主蒸汽温度—538℃，再热蒸汽温度—538℃，过热器减温水流量—0t/h，再热器减温水流量—0t/h，低压缸排汽压力—4.9kPa。采用对象的主蒸汽压力值与主蒸汽温度值，以及额定的主蒸汽压力值与主蒸汽温度值，计算每个对象的k_ms，并得到修正后的主蒸汽流量f_c。由每个对象的过热器减温水流量和再热器减温水流量，在汽轮机性能简化试验的一类修正曲线中，查到过热器减温水流量对功率的修正系数k_shsp和再热器减温水流量对功率的修正系数k_rhsp；由每个对象的再热蒸汽温度和低压缸排汽压力，在制造厂提供的二类修正曲线中，查到再热蒸汽温度对功率的修正系数k_hrh和低压缸排汽压力对功率的修正系数k_cv。已知以上的修正系数，既可以得到每个对象修正到额定边界参数下的汽轮机输出功率。

应用移动最小二乘法MLS对各调门阀位值、总阀位值、修正后的主蒸汽流量与汽轮机输出功率进行拟合，即可得到在额定边界参数下的各阀位值-主蒸汽流量，以及总阀位值-汽轮机输出功率之间的关系，即汽轮机调门流量特性曲线。移动最小二乘法中，根据DCS数据特点和拟合要求，选取的基函数为二次型。将所有对象的各阀位值以1％为单位划分成100个不同阀位区域，而后取不同阀位区域内对象的主蒸汽流量或汽轮机输出功率的中位数，该中位数所对应的阀位值即为节点。如果区域内的对象少于3个，则需要观察散点图，选择合适的一个对象作为该区域内的节点。支持域的范围是动态的，随着节点密集程度而变化，节点越密集，支持域范围越小，一个支持域范围包含的节点数目不超过10个，该大小应既能保证支持域内有足够的采样点来满足待定系数精确性和连续性的需要，又能突出邻近节点的函数相关性不受距离过大的节点影响，形成局部逼近。权函数选择为高斯函数，能够体现采样点在同一阀位区域内的分布特性，并且在支持域内满足非负性、连续影响、单调递减等必要条件。通过移动最小二乘法拟合汽轮机调门流量特性曲线如图5和图6所示。从图5可以看出，#1阀和#2阀的动作一致，因而其流量特性曲线重叠，通过本发明获得的各阀位值与主蒸汽流量的关系曲线与汽轮机调门特性性能试验结果非常接近，误差在1％以内。

电网对于机组负荷响应的快速性和稳定性有明确要求以及考核指标，最理想的状态是，总阀位值与汽轮机输出功率之间是绝对的线性关系。从图6所示的汽轮机调门流量特性曲线可以看出，由于该机组经过通流改造后启动不足两个月，控制器参数并没有根据改造后的机组通流与出力特性进行重新整定，所以总阀位值与汽轮机输出功率之间的线性度并不好。总阀位值在70％至82％之间区段的线性度较好；总阀位值在70％以下区段的线性度较好，但是斜率偏大，负荷调节响应较快，需要注意机组在该区段内调节过程中的参数稳定性；总阀位值在82％以上区段的呈明显的非线性，顺序阀的重叠度设置不合理，调节过程容易引起阀门晃振、参数大幅波动、影响调频响应质量；总阀位值在82％至87％之间区段的斜率过大，但在89％以上区段的斜率过小，负荷调节响应缓慢，影响调频响应质量。

本发明通过对汽轮机组历史DCS数据的采集和挖掘，开发涵盖主成分分析、密度聚类、移动最小二乘拟合等一套完整的数据挖掘技术方案，最终辨识出汽轮机组调门在额定边界参数下的流量特性曲线，该流量特性曲线包括各调门阀位值与主蒸汽流量关系曲线、总阀位值与汽轮机输出功率曲线。本发明具有较广的适用性和较高的精度，可以迁移到多种类型的机组，为控制器的参数整定和汽轮机的优化运行提供理论依据和数据支持。

Claims (7)

1.一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于，包括以下步骤：

A、从汽轮机组的历史DCS数据库中，选取与调门流量特性辨识相关的采样点，设置采样周期和采样时长，从DCS数据库获得原始数据后，进入步骤B；

B、将原始数据按照时间发生顺序排列，采用定长度时间间隔将原始数据划分为若干数据挖掘对象，审查定长度时间间隔内的原始数据，如果异常值达到设定阈值，则舍弃该数据挖掘对象；将所有数据挖掘对象在时间间隔内的采样点数据进行均值操作，同时将极差Range和斜率Slope也纳入对象的属性中，衡量与界定该对象数据在时间间隔内是否稳定，进入步骤C；

C、主成分分析法能够建立原属性的线性组合而形成新属性，并且新属性捕获了数据的最大变差；应用主成分分析法将数据挖掘对象的极差Range和斜率Slope进行维归约，获得分别衡量极差Range和斜率Slope的综合指标，使得极差Range和斜率Slope仅有单一属性，进入步骤D；

D、在机组正常运行、起停机、阀序切换工况下，调门呈现出不同状态，为了分析调门的流量特性，必须将调门的不同状态加以区分；由于数据挖掘对象属性中的阀位值与主蒸汽流量的分布为非凸型簇，运用基于密度的聚类算法DBSCAN；该算法的各目标簇由一群稠密的对象组成，而不同簇之间被低密度区域所分割，将阀门状态聚类完成后，进入步骤E；

E、数据挖掘对象的边界参数修正：给水流量与过热器减温水流量之和作为主蒸汽流量，并根据汽轮机的变工况特性和喷嘴流量计算原理，将对象的主蒸汽流量修正到额定主蒸汽压力和温度；根据汽轮机性能简化试验第一类修正曲线和制造厂提供的第二类修正曲线对汽轮机输出功率进行参数修正；进入步骤F；

F、应用移动最小二乘法MLS对各调门阀位值、总阀位值、修正后的主蒸汽流量与汽轮机输出功率进行拟合，即得到在额定边界参数下的各阀位值-主蒸汽流量，以及总阀位值-汽轮机输出功率之间的关系，即汽轮机调门流量特性曲线。

2.如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤A中，与调门流量特性辨识相关的采样点包括主蒸汽压力、主蒸汽温度、调节级压力、调节级温度、再热蒸汽压力、再热蒸汽温度、调门开度、主给水流量、过热器减温水流量、再热器减温水流量、汽轮机输出功率和低压缸排汽压力，设定采样周期小于或等于30秒，采样时长能涵盖机组运行的全负荷范围。

3.如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤B中，设定划分数据挖掘对象的定长度时间间隔大于或等于10分钟；如果数据挖掘对象存在异常值，则舍弃该数据挖掘对象；数据挖掘对象极差Range和斜率Slope的公式如下：

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i/n\\ Range=max\left(x_i\right)-min\left(x_i\right)\\ Slope=\underset{i=n-1}{\overset{n}{\mathrm{\Σ}}}{x}_i-\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{x}_i\end{array}\right.---\left(1\right)$

数据挖掘对象表示定长度时间间隔内所包含的n组原始数据(x₁,x₂,...,x_n)的均值；极差反映了所包含的不同采样点在定长度时间间隔内的波动情况；斜率反映了所包含的不同采样点在定长度时间间隔内的递增或递减；极差和斜率的属性个数和数据挖掘对象一致，如果直接合并，会导致数据挖掘对象属性个数升至三倍，因此需要对极差和斜率进行维归约。

4.如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤C中，运用主成分分析法将极差Range和斜率Slope进行维归约，主成分分析之前需要先对数据进行标准化处理，通过函数变换将不同属性映射到一定数值区间范围内；而后计算标准化矩阵的相关系数矩阵R以及R的p个特征根，以特征根为降序排序，从高到低累积计算不同主成分的方差贡献率α_j，如果前m个指标的累积方差贡献率满足阈值85％，则认为这m个主成分能够综合体现p个指标；由主成分M_j和方差贡献率α_j加权求和，得到综合指标F，即为极差属性F_R和斜率属性F_S，并定义稳定半径R_s来界定“稳定工况”，即在稳定半径R_s范围内的数据挖掘对象参与随后的数据挖掘工作；主成分分析公式如下：

$\left\{\begin{array}{c}|R-\mathrm{\λ}I|=0\\ {\mathrm{\α}}_j={\mathrm{\λ}}_j/\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_k\\ {\mathrm{\α}}_{sum}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_k\≥85\%\\ F=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_j{M}_j\\ {F_R}^2+{F_S}^2\≤{R_s}^2\end{array}\right.---\left(2\right)$

式中：λ为特征根对角矩阵，I为单位矩阵，α_sum表示前m个指标的累积方差贡献率。

5.如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤D中，聚类算法DBSCAN对调门的运行状态聚为四类，分别是顺序阀类、单阀类、阀点类和无簇类；相对于单阀运行状态，机组在顺序阀运行状态下具有部分负荷节流损失小，经济性好的优点；阀点类是指为了获得准确的热耗率和缸效率，机组在两阀全开、三阀全开、四阀全开的同时强制关闭其它调门的运行状态；无簇类是指未被归入前三种类的对象，涵盖了阀序切换、调门消缺和手动操作的调门特殊运行状态；单阀类、阀点类和无簇类属于机组在起停机、切换阀序和设备缺陷工况下的短暂运行状态，因而仅对顺序阀类进行分析。

6.如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤E中，为获得调门流量特性曲线，主蒸汽流量与汽轮机输出功率需要进行修正，修正项目包括随负荷非线性变化的系统参数和影响机组出力的边界条件；热力系统方面，忽略系统内漏、外漏、回热系统性能、汽动给水泵小机性能、轴封系统和凝汽器性能的影响；边界条件方面，忽略再热器压损和给水温度的影响；因此，修正项目囊括主蒸汽压力、主蒸汽温度、过热器减温水流量、再热器减温水流量、再热蒸汽温度和低压缸排汽压力这六个方面；实际运行的主蒸汽流量和汽轮机输出功率成正比，修正后的汽轮机输出功率和修正后的主蒸汽流量亦成正比，根据修正的项目，则有：

$\left\{\begin{array}{c}{P}_t=k_t\·f_t\\ P_c=k_c\·f_c=(k_{shsp}\·k_{rhsp}\·k_{hrh}\·k_{cv}\·k_t)\·(k_{ms}\·f_t)\\ P_c/P_t=k_{shsp}\·k_{rhsp}\·k_{hrh}\·k_{cv}\·k_{ms}\end{array}\right.---\left(3\right)$

式中：k_t为实际运行流量-功率比例系数；f_t为实际运行的主蒸汽流量；P_t为实际运行的汽轮机输出功率；k_c为修正后的流量-功率比例系数；f_c为修正后的主蒸汽流量；P_c为修正后的汽轮机输出功率；k_shsp、k_rhsp分别为过热器减温水流量、再热器减温水流量修正系数，从汽轮机性能简化试验的一类修正曲线可以得到；k_hrh、k_cv分别为再热蒸汽温度、低压缸排汽压力修正系数，从制造厂提供的二类修正曲线能够得到；k_ms为主蒸汽压力、主蒸汽温度的联合修正系数，由汽轮机变工况特性可得：

$k_{ms}=f_t/f_c=\sqrt{P_{ms,t}\·V(P_{ms,c},T_{ms,c})/(P_{ms,c}\·V(P_{ms,t},T_{ms,t}\left)\right)}---\left(4\right)$

式中：P_ms、T_ms分别为主蒸汽压力、主蒸汽温度；V为主蒸汽的比容，是P_ms、T_ms函数；角标t、c分别表示实际工况和修正工况。

7.如权利要求1所述的一种基于DCS数据挖掘的汽轮机调门流量特性曲线辨识方法，其特征在于：所述的步骤F中，移动最小二乘法MLS更适用于大量数据、复杂形状的拟合；首先，移动最小二乘法MLS是无网格法的一种，它根据自变量的分布特点划分了多个逼近节点；其次，逼近函数u(x)是由与节点相关的基函数P^T(x_i)和与自变量相关的待定系数a(x)构成的，避免传统的多项式或其它函数结构的单一性和泛化能力差；再次，引入了自变量领域内紧支的概念，划分支持域后只考虑域内的采样点取值影响；另外，在支持域内引入了权函数ω(x,x_i)，其定义了每个自变量影响的权重；移动最小二乘法MLS公式如下：

$\left\{\begin{array}{c}u\left(x\right)=p^T\left(x_i\right)\·a\left(x\right)\\ p^T\left(x_i\right)=\left(1,x_i,{x_i}^2\right)\\ J=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\ω}(x,x_i)\·{\[u\left(x\right)-y_i\]}^2\\ \∂J/\∂a\left(x\right)=0\end{array}\right.---\left(5\right)$

式中：x_i，y_i为节点坐标；x为待求因变量的自变量坐标，n为求解区域内的节点数目；J为残差的离散加权范式，为了使J达到最小，令J取极值而对a(x)求偏导；

根据DCS数据特点和拟合要求，基函数P^T(x)选取二次型：一方面，选择一次型会造成拟合曲线在节点处形成明显的拐点；另一方面，选择三次型以上的基函数对提高拟合的精度有限，反而还会过拟合；

节点确定的过程是，先将所有数据挖掘对象的各阀位值以1％为单位划分成100个不同阀位区域，而后取不同阀位区域内数据挖掘对象的主蒸汽流量或汽轮机输出功率的中位数，该中位数所对应的阀位值即为节点；如果区域内的对象少于3个，则需要观察散点图，选择合适的一个对象作为该区域内的节点；

支持域的范围是动态的，随着节点密集程度而变化，节点越密集，支持域范围越小，一个支持域范围包含的节点数目不超过10个，该大小应既能保证支持域内有足够的采样点来满足待定系数精确性和连续性的需要，又能突出邻近节点的函数相关性不受距离过大的节点影响，形成局部逼近；

权函数ω(x,x_i)选择高斯函数，能够体现采样点在同一阀位区域内的分布特性，并且在支持域内满足非负性、连续影响和单调递减的必要条件；

对式(5)进行求解，可得到：

$\left\{\begin{array}{c}u\left(x\right)=\mathrm{\Φ}\left(x\right)u^{*}\\ \mathrm{\Φ}\left(x\right)=p^T\left(x_i\right)A^{-1}\left(x\right)B\left(x\right)\\ A\left(x\right)=p^T\left(x_i\right)\mathrm{\ω}(x,x_i)p\left(x_i\right)\\ B\left(x\right)=p^T\left(x_i\right)\mathrm{\ω}(x,x_i)\end{array}\right.---\left(6\right)$

式中:Φ(x)为只考虑节点信息，不考虑节点之间拓扑关系的无网格法形函数矩阵；u^*为节点处的因变量矩阵，u(x)为待求自变量x坐标下的因变量矩阵；A(x)、B(x)分别为由基函数P^T(x_i)和权函数ω(x,x_i)构造的中间矩阵算子。