CN107035430A - 一种基于大数据分析的汽轮机阀门流量特性参数优化方法 - Google Patents

Abstract

本发明公开了一种基于大数据分析的汽轮机阀门流量特性参数优化方法，步骤包括：通过DCS获取机组历史运行数据并经初步筛选获取稳定工况下的运行数据，然后再进行信息挖掘获取机组在各运行工况下的特征数据，采用改进型弗留格尔公式计算汽轮机的实际进汽流量；将计算获得的实际进汽流量代替DEH系统组态中原阀门流量特性参数中的综合阀位指令，完成对汽轮机阀门流量特性参数的优化。本发明不需要对汽轮机进行阀门流量特性试验，大大减轻了工作量，同时避免了该项试验对机组的安全稳定运行带来的不利影响；可以实现对机组最大历史运行区间的阀门流量特性参数的优化，消除了试验方法对参数的优化范围受试验时机组负荷变化范围限制的弊端。

Description

一种基于大数据分析的汽轮机阀门流量特性参数优化方法

技术领域

本发明涉及汽轮机自动控制技术，具体涉及一种基于大数据分析的汽轮机阀门流量特性参数优化方法。

背景技术

汽轮机阀门流量特性参数是指能够反映出进入汽轮机的蒸汽流量与汽轮机高压调门开度之间对应关系的一组参数。当汽轮机数字式电液控制系统(Digital Electro-hydraulic Control System,DEH)中设置的阀门流量特性参数与实际的阀门流量特性相匹配时，汽轮机将表现出良好的被控性能；否则，就可能出现诸如调阀晃动、单阀/顺序阀切换时负荷波动大、在机组变负荷和一次调频时，出现负荷突变或调节缓慢的问题，有时甚至还会造成电力系统振荡事故，使得机组控制困难，影响机组的安全稳定性及经济性能。在实际中，由于设备改造或运行老化等原因，DEH中设置的阀门流量特性参数常常会偏离其实际的流量特性，以至于上述异常情况时有发生。因此，在机组进行改造或长期运行后，对其进行阀门流量特性参数的优化是必要的。

目前，对汽轮机阀门流量特性参数的优化途经主要有两种：一种是理论计算辅以现代数学的方法，其需要获得精确的汽轮机阀门结构参数。对于已投产的机组来说，该条件通常难以实现，从而使得该方法难以实际应用；另一种是通过对汽轮机阀门流量特性进行试验，并经过技术人员对试验数据的分析和计算，来实现对汽轮机阀门流量特性参数的优化。该方法对参数的优化范围受试验时机组所能达到的负荷变化区间的限制，且该试验也可能影响机组的安全稳定运行。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于大数据分析的汽轮机阀门流量特性参数优化方法。该方法利用大数据思想，通过大量的机组历史运行数据，利用数据挖掘技术，获取机组在其历史工况范围内的运行信息，进而实现对汽轮机阀门流量特性参数的优化。该方法能够实现对机组最大历史运行区间的阀门流量特性参数的优化；不需要对汽轮机进行阀门流量特性试验，大大减轻了工作量，同时避免了该项试验对机组的安全稳定运行带来的不利影响。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于大数据分析的汽轮机阀门流量特性参数优化方法，实施步骤包括：

1)通过火力发电厂分散控制系统DCS获取机组历史运行数据；

2)通过对机组历史运行数据进行初步筛选，获取机组处于稳定工况下的运行数据；

3)通过对获得的稳定工况下的数据进行信息挖掘，获取机组在各运行工况下的特征数据；

4)对特征数据采用改进型弗留格尔公式计算汽轮机的实际进汽流量；

5)将计算获得的实际进汽流量代替DEH系统组态中原阀门流量特性参数中的综合阀位指令，实现对汽轮机阀门流量特性参数的优化。

优选地，步骤1)中获取机组历史运行数据时，数据的采样时间宜为1s～5s，时间跨度选取一周以上，获得的机组历史运行数据的采样数据包括综合阀位指令、机组负荷、主蒸汽压力、调节级压力、主蒸汽温度、高压调阀的指令及反馈。

优选地，步骤2)中进行初步筛选的逻辑语句如式(1)所示；

式(1)中，x_i表示机组历史运行数据的第i种采样数据，i＝1,2,…,N，N为机组历史运行数据的采样数据种数，x(k)＝(x₁(k),x₂(k),...,x_N(k))为一向量，其中k代表按照时间的前后顺序获得的第k种采样数据；代表获得的机组历史运行数据中第i种采样数据x_i的最大值和最小值，x′_i代表经过初筛后获得的机组处于稳定工况下的历史数据，x′(k)＝(x′₁(k),x′₂(k),...,x′_N(k))为一向量，a为正整数参数，δ为预设的百分数阈值。

优选地，步骤3)的详细步骤包括：

3.1)输入获得的稳定工况下的数据集Ω＝{x′(k),k＝1,2,...,M}，其中M为该数据集Ω中包含的样本总数；

3.2)将数据集Ω按照综合阀位指令从小到大的顺序依次排列，然后将数据集Ω划分为指定数量L个数据子集Ω_l，其中l＝1,2,…,L；

3.3)采用密度函数法获得数据子集Ω_l的特征数据其中，N为机组历史运行数据的采样数据种数。

优选地，步骤3.2)中将数据集Ω划分为指定数量个数据子集Ω_l的函数表达式如式(2)所示；

式(2)中，x′₁(l)为数据子集Ω_l中机组综合阀位指令的第l个界限值，分别为经过初筛后机组处于稳定工况下的综合阀位指令x′₁的最大值和最小值，L为数据子集数量。

优选地，步骤3.3)的详细步骤包括：

3.3.1)获取数据子集Ω_l中的样本点x′_l(k)处的密度函数D_k；

3.3.2)令D₁＝D_j＝max{D_k,i＝1,2,...,M_l}，取与D₁对应的x′(j)＝(x"₁(j),x"₂(j),...,x"_N(j))作为数据子集Ω_l的特征数据，获得数据子集Ω_l的特征数据其中，N为机组历史运行数据的采样数据种数。

优选地，步骤3.3.1)获取数据子集Ω_l中的样本点x′_l(k)处的密度函数的函数表达式如式(3)所示；

式(3)中，D_k为数据子集Ω_l中的样本点x′_l(k)处的密度函数，用于表示数据子集Ω_l中样本点的密集程度，样本点周围的样本点越密集，则D_k的值越大；M_l为数据子集Ω_l中包含的样本个数，x′_l(k)、x′_l(j)分别为第k、j个样本点，r_d为邻域密度的有效半径。

优选地，所述邻域密度的有效半径r_d的函数表达式如式(4)所示；

式(4)中，r_d为邻域密度的有效半径，M_l为数据子集Ω_l中包含的样本个数，x′_l(k)、x′_l(j)分别为第k、j个样本点。

优选地，步骤4)中的改进型弗留格尔公式的函数表达式如式(5)所示；

式(5)中，G_l表示由计算获取的汽轮机实际进汽流量的百分数，为特征数据中的汽轮机调节级压力，为特征数据中的汽轮机主蒸汽压力，分别为汽轮机的额定主蒸汽压力和额定调节级压力，根据机组满负荷且调阀全开时的历史运行数据获取。

本发明基于大数据分析的汽轮机阀门流量特性参数优化方法具有下述优点：本发明不需要对汽轮机进行阀门流量特性试验，大大减轻了工作量，同时避免了试验时对机组的安全稳定运行带来的不利影响；通过大量的机组历史运行数据通过数据挖掘获取机组运行信息，并据此实现对机组最大历史运行区间的阀门流量特性参数的优化，消除了试验方法对参数的优化范围受试验时机组负荷运行范围限制的弊端。

附图说明

图1为本发明实施例一方法的基本流程示意图。

图2为本发明实施例一中数据子集Ω_l划分示意图。

图3为本发明实施例一中计算实际进汽流量与综合阀位指令之间的关系曲线。

图4为本发明实施例一中优化后的阀门流量特性参数曲线与原参数曲线的对比。

具体实施方式

实施例一：

本实施例中的汽轮机2个调门，下文对本实施例基于大数据分析的汽轮机阀门流量特性参数优化方法进行进一步的详细说明。如图1所示，本实施例基于大数据分析的汽轮机阀门流量特性参数优化方法的实施步骤包括：

1)通过火力发电厂分散控制系统DCS(Distributed Control System，简称DCS)获取机组历史运行数据；

2)通过对机组历史运行数据进行初步筛选，获取机组处于稳定工况下的运行数据；

3)通过对获得的稳定工况下的数据进行信息挖掘，获取机组在各运行工况下的特征数据；

4)对特征数据采用改进型弗留格尔公式计算汽轮机的实际进汽流量；

5)将计算获得的实际进汽流量代替DEH系统组态中原阀门流量特性参数中的综合阀位指令，实现对汽轮机阀门流量特性参数的优化。

本实施例中，步骤1)中获取机组历史运行数据时，数据的采样时间宜为1s～5s，时间跨度选取一周以上，获得的机组历史运行数据的采样数据包括综合阀位指令、机组负荷、主蒸汽压力、调节级压力、主蒸汽温度、高压调阀的指令及反馈(高压调阀CV1和CV2的指令)。

本实施例中，步骤2)中进行初步筛选的逻辑语句如式(1)所示；

式(1)中，x_i表示机组历史运行数据的第i种采样数据，i＝1,2,…,N，N为机组历史运行数据的采样数据种数，x(k)＝(x₁(k),x₂(k),...,x_N(k))为一向量，其中k代表按照时间的前后顺序获得的第k种采样数据；代表获得的机组历史运行数据中第i种采样数据x_i的最大值和最小值，x′_i代表经过初筛后获得的机组处于稳定工况下的历史数据，x′(k)＝(x′₁(k),x′₂(k),...,x′_N(k))为一向量，a为正整数参数，δ为预设的百分数阈值。本实施例中，获得的机组历史运行数据的采样数据包括综合阀位指令、机组负荷、主蒸汽压力、调节级压力、主蒸汽温度、高压调阀的指令及反馈共7种采样数据，因此x_i(i＝1,2,…,7),分别代表综合阀位指令、机组负荷、主蒸汽压力、调节级压力、主蒸汽温度、CV1和CV2的指令等历史数据，此外本实施例中取a＝3，δ＝0.25％。

本实施例中，步骤3)的详细步骤包括：

3.1)输入获得的稳定工况下的数据集Ω＝{x′(k),k＝1,2,...,M}，其中M为该数据集Ω中包含的样本总数；

3.2)将数据集Ω按照综合阀位指令从小到大的顺序依次排列，然后将数据集Ω划分为指定数量L个数据子集Ω_l，其中l＝1,2,…,L；本实施例中，L取值200，将数据集Ω划分为200个数据子集Ω_l(l＝1,2,…,200)；

3.3)采用密度函数法获得数据子集Ω_l的特征数据其中，N为机组历史运行数据的采样数据种数。

本实施例中，步骤3.2)中将数据集Ω划分为指定数量个数据子集Ω_l的函数表达式如式(2)所示；

式(2)中，x′₁(l)为数据子集Ω_l中机组综合阀位指令的第l个界限值，分别为经过初筛后机组处于稳定工况下的综合阀位指令x′₁的最大值和最小值，L为数据子集数量。数据子集Ω_l中机组综合阀位指令的界限值x′₁(l)的示意图如附图2所示。

本实施例中，步骤3.3)的详细步骤包括：

3.3.1)获取数据子集Ω_l中的样本点x′_l(k)处的密度函数D_k；

3.3.2)令D₁＝D_j＝max{D_k,i＝1,2,...,M_l}，取与D₁对应的x′(j)＝(x"₁(j),x"₂(j),...,x"_N(j))作为数据子集Ω_l的特征数据，获得数据子集Ω_l的特征数据其中，N为机组历史运行数据的采样数据种数。

本实施例中，步骤3.3.1)获取数据子集Ω_l中的样本点x′_l(k)处的密度函数的函数表达式如式(3)所示；

式(3)中，D_k为数据子集Ω_l中的样本点x′_l(k)处的密度函数，用于表示数据子集Ω_l中样本点的密集程度，样本点周围的样本点越密集，则D_k的值越大；M_l为数据子集Ω_l中包含的样本个数，x′_l(k)、x′_l(j)分别为第k、j个样本点，r_d为邻域密度的有效半径。

邻域密度的有效半径r_d的选择应与数据分布的几何特性有关；本实施例中，邻域密度的有效半径r_d取值为M_l个样本的均方根距离的1/2，即所述邻域密度的有效半径r_d的函数表达式如式(4)所示；

式(4)中，r_d为邻域密度的有效半径，M_l为数据子集Ω_l中包含的样本个数，x′_l(k)、x′_l(j)分别为第k、j个样本点。

本实施例中，步骤4)中的改进型弗留格尔公式的函数表达式如式(5)所示；

式(5)中，G_l表示由计算获取的汽轮机实际进汽流量的百分数，为特征数据中的汽轮机调节级压力，为特征数据中的汽轮机主蒸汽压力，分别为汽轮机的额定主蒸汽压力和额定调节级压力，根据机组满负荷且调阀全开时的历史运行数据获取。本实施例中，经计算获得的汽轮机实际进汽流量与综合阀位指令如图3所示。

在得到由计算获取的汽轮机实际进汽流量的百分数G_l的基础上，根据G_l及特征数据中的各调阀的开度，可获得两者之间的对应关系f(x)。令G_l代替DEH系统组态中原阀门流量特性参数中的综合阀位指令，即完成了对汽轮机阀门流量特性参数的优化，本实施例中，优化后的阀门流量特性参数曲线和原阀门流量特性参数曲线如图4所示。

实施例二：

本实施例与实施例一基本相同，其主要不同点为：本实施例中的汽轮机共有4个调门，步骤与实施例一相同，在此不再赘述。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为实施步骤包括：

1)通过火力发电厂分散控制系统DCS获取机组历史运行数据；

2)通过对机组历史运行数据进行初步筛选，获取机组处于稳定工况下的运行数据；

3)通过对获得的稳定工况下的数据进行信息挖掘，获取机组在各运行工况下的特征数据；

4)对特征数据采用改进型弗留格尔公式计算汽轮机的实际进汽流量；

5)将计算获得的实际进汽流量代替DEH系统组态中原阀门流量特性参数中的综合阀位指令，实现对汽轮机阀门流量特性参数的优化。

2.根据权利要求1所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤1)中获取机组历史运行数据时，数据的采样时间宜为1s～5s，时间跨度选取一周以上，获得的机组历史运行数据的采样数据包括综合阀位指令、机组负荷、主蒸汽压力、调节级压力、主蒸汽温度、高压调阀的指令及反馈。

3.根据权利要求1所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤2)中进行初步筛选的逻辑语句如式(1)所示；

式(1)中，x_i表示机组历史运行数据的第i种采样数据，i＝1,2,…,N，N为机组历史运行数据的采样数据种数，x(k)＝(x₁(k),x₂(k),...,x_N(k))为一向量，其中k代表按照时间的前后顺序获得的第k种采样数据；代表获得的机组历史运行数据中第i种采样数据x_i的最大值和最小值，x′_i代表经过初筛后获得的机组处于稳定工况下的历史数据，x'(k)＝(x'₁(k),x'₂(k),...,x'_N(k))为一向量，a为正整数参数，δ为预设的百分数阈值。

4.根据权利要求1所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤3)的详细步骤包括：

3.1)输入获得的稳定工况下的数据集Ω＝{x'(k),k＝1,2,...,M}，其中M为该数据集Ω中包含的样本总数；

3.2)将数据集Ω按照综合阀位指令从小到大的顺序依次排列，然后将数据集Ω划分为指定数量L个数据子集Ω_l，其中l＝1,2,…,L；

3.3)采用密度函数法获得数据子集Ω_l的特征数据其中，N为机组历史运行数据的采样数据种数。

5.根据权利要求4所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤3.2)中将数据集Ω划分为指定数量个数据子集Ω_l的函数表达式如式(2)所示；

式(2)中，x′₁(l)为数据子集Ω_l中机组综合阀位指令的第l个界限值，分别为经过初筛后机组处于稳定工况下的综合阀位指令x′₁的最大值和最小值，L为数据子集数量。

6.根据权利要求4所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤3.3)的详细步骤包括：

3.3.1)获取数据子集Ω_l中的样本点x'_l(k)处的密度函数D_k；

3.3.2)令D₁＝D_j＝max{D_k,i＝1,2,...,M_l}，取与D₁对应的x'(j)＝(x"₁(j),x"₂(j),...,x"_N(j))作为数据子集Ω_l的特征数据，获得数据子集Ω_l的特征数据其中，N为机组历史运行数据的采样数据种数。

7.根据权利要求6所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤3.3.1)获取数据子集Ω_l中的样本点x'_l(k)处的密度函数的函数表达式如式(3)所示；

式(3)中，D_k为数据子集Ω_l中的样本点x'_l(k)处的密度函数，用于表示数据子集Ω_l中样本点的密集程度，样本点周围的样本点越密集，则D_k的值越大；M_l为数据子集Ω_l中包含的样本个数，x′_l(k)、x′_l(j)分别为第k、j个样本点，r_d为邻域密度的有效半径。

8.根据权利要求7所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，所述邻域密度的有效半径r_d的函数表达式如式(4)所示；

式(4)中，r_d为邻域密度的有效半径，M_l为数据子集Ω_l中包含的样本个数，x′_l(k)、x′_l(j)分别为第k、j个样本点。

9.根据权利要求1所述的基于大数据分析的汽轮机阀门流量特性参数优化方法，其特征为，步骤4)中的改进型弗留格尔公式的函数表达式如式(5)所示；

式(5)中，G_l表示由计算获取的汽轮机实际进汽流量的百分数，为特征数据中的汽轮机调节级压力，为特征数据中的汽轮机主蒸汽压力，分别为汽轮机的额定主蒸汽压力和额定调节级压力，根据机组满负荷且调阀全开时的历史运行数据获取。