CN108549220A - 燃煤机组运行状态实时评估方法及其系统 - Google Patents

Abstract

本发明公开了一种电力工程领域的燃煤机组运行状态实时评估方法及其系统，包括：确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型；计算得到对应历史特征参数数据概率最大时高斯混合模型的参数，建立比对高斯混合模型；计算实时特征参数数据与比对高斯混合模型期望值的相似度，以相似度最大的相似值作为燃煤机组实时评估值。为调度提供判断燃煤机组实时运行状态的综合评价指标，可为电网制定调度策略提供依据，更好地实现了节能调度和安全调度。

Description

燃煤机组运行状态实时评估方法及其系统

技术领域

本发明涉及电力工程技术领域，具体公开了一种燃煤机组运行状态实时评估方法及其系统。

背景技术

电网调度部门对于发电侧重要设备状态了解甚少，无法预知所调度机组的设备可靠性情况，从而没法做好发电负荷预测和计划。传统调度方式因发电厂值长对于发电机组主辅设备异常等情况导致机组带负荷能力下降时的评估、沟通、解释一般都是事后汇报，存在较大滞后性，调度部门对于发电机组的非停和非计划降出力更多是在事后了解。

发明内容

本发明目的在提供于一种燃煤机组运行状态实时评估方法及其系统，以解决现有技术中存在的技术缺陷。

为实现上述目的，本发明提供了一种燃煤机组运行状态实时评估方法，包括以下步骤：

S1：确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

S2：对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型；

S3：求取得到历史特征参数数据概率最大时基于概率的高斯混合模型的参数，根据参数建立比对高斯混合模型；

S4：计算实时特征参数数据与比对高斯混合模型期望值的相似度，输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

优选地，S2中对历史特征参数数据进行聚类分析前先对参数数据进行预处理，预处理包括数据清洗和数据归约，数据归约采用主成分分析法。

优选地，聚类分析采用K-means算法。

优选地，高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子，T表示矩阵的转置，k是K-means算法得到的中心点的个数。

优选地，建立比对高斯混合模型的步骤为：

S301：参数初始化：对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

S302：E-step：依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；

S303：M-step：计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解。

依托于上述方法，本发明还提供了一种燃煤机组运行状态实时评估系统，包括：

第一模块：用于确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

第二模块：用于对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型；

第三模块：用于求取得到历史特征参数数据概率最大时基于概率的高斯混合模型的参数，根据参数建立比对高斯混合模型：

第四模块：用于计算实时特征参数数据与比对高斯混合模型期望值的相似度，输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

优选地，评估系统还包括第五模块，第二模块对历史特征参数数据进行聚类分析前先由第五模块对参数数据进行预处理，预处理包括数据清洗和数据归约，数据归约采用主成分分析法。

优选地，第二模块中聚类分析采用K-means算法。

优选地，第二模块建立的高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子，T表示矩阵的转置，k是K-means算法得到的中心点的个数。

优选地，第三模块建立比对高斯混合模型包括：

参数初始化单元：用于对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

E-step单元：用于依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；

M-step单元：用于计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解。

本发明具有以下有益效果：

1、本发明的关于燃煤机组运行状态实时评估的方法，为调度提供判断燃煤机组实时运行状态的综合评价指标，可为电网制定调度策略提供依据，更好地实现了节能调度和安全调度。

2、本发明的燃煤机组运行状态实时评估的方法综合考虑了燃煤机组锅炉、汽轮机本体、制粉、给水、送风和汽机系统的标志参数，计算简单快速，可靠性好，实用性强。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的燃煤机组运行状态实时评估方法流程图。

图2是本发明优选实施例的燃煤机组运行状态实时评估方法具体流程图。

图3是本发明优选实施例的计算结果分布图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

为实现上述目的，本发明提供了燃煤机组运行状态实时评估方法，参见图1和图2，包括以下步骤：

S1：确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据。

燃煤机组运行状态评估的特征参数包括：负荷、主汽压力、主汽温度、再热汽温度、给水流量、给水温度、给水压力、凝汽器真空、炉膛压力、烟气氧量、排烟温度、给煤量、磨煤机出口风温和总送风量。主汽压力、主汽温度和再热汽温度可综合评价锅炉炉膛、过热器以及再热器的状态；给水流量和给水压力评价了小汽轮机的运行情况；给水温度评价了高低压加热器的传热性能；凝汽器真空保证了高中压排汽温度在正常范围；炉膛压力、烟气氧量和排烟温度综合评价燃料的燃烧状况；给煤量、磨煤机出口风温和送风量评价了锅炉制粉以及送风系统的状态。

S2：对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型。

聚类分析采用K-means算法。运用K均值算法对对象集进行聚类分析，通过聚类分析可以得到K个组以及组中心。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。K均值计算得到的各中心点作为高斯模型初始期望μ₀；同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值。

多维变量X服从高斯分布时，它的单高斯概率密度函数为：

其中x是维度为d的列向量,μ₀是模型期望，Σ₀是模型均方差，d为每组特征参数的个数，μT表示矩阵的转置。

从而通过单高斯概率函数可以推断出混合数为K的高斯混合模型：

其中，a_k是权值因子，k是K-means算法得到的中心点的个数。

S3：求取得到历史特征参数数据概率最大时基于概率的高斯混合模型的参数，根据参数建立比对高斯混合模型。

对于历史数据对象集D＝{D₁,D₂,…,D_n}，需要找到一组参数θ(μ，∑)，使得生成这些数据点的概率最大，假设样本点x_i(i＝1……n)之间为互相独立事件，则发生X＝{x₁，x₂，……x_n}的概率为：

其中，n是数据组数，i代表其中某一组。

通过EM迭代更新高斯混合模型参数的方法,推算出这个高斯混合模型的最佳参数。代入最佳参数后得到比对高斯混合模型。

S4：计算实时特征参数数据与比对高斯混合模型期望值的相似度，输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

对于两个D维数据(x₁x₂,……,x_d),(y₁,y₂……，y_d)相似度计算方法如下：

其中，(x₁x₂,……，x_d)为实时特征参数，(y₁,y₂……，y_d)为期望值数组。取其中相似度最大值为燃煤机组实时评估值。实时评估值介于0到1之间，值越大表示机组运行状态越优良。

优选地，S2中对历史特征参数数据进行聚类分析前先对参数数据进行预处理，预处理包括数据清洗和数据归约，数据归约采用主成分分析法。

数据清洗；由于数据量大，对于某个元组含缺失值或者噪声较大的异常数据，直接忽略该元组；数据规约：由于燃煤机组运行状态评估的特征参数有些相互之间或存在一定的关联，或有一定的线性相关性，可对这个14维的数据集进行维度规约，降低属性或维度的数目至d维(d<14)。采用主成分分析法(PCA)进行维规约，统计软件(MATLAB，Python，SAS，SPSS，R语言等等)基本都会涵盖PCA已经封装好的接口，PCA大体步骤如下：

1、标准化：由于指标的量纲往往不同，所以在主成分分析计算之前应该先消除量纲的影响，一般采用将原始数据标准化的方法；

2、计算相关矩阵R(Correlation Matrix)：由于X是已经标准化的矩阵，故其协方差的矩阵就是相关矩阵R；

3、协方差矩阵的特征值及相应的特征向量求解；

4、选择主成分:在已确定的全部p个主成分中合理选择m个来实现最终的数据降维。

优选地，建立比对高斯混合模型的步骤为：

S301：参数初始化：对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值。

S302：E-step：依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K。

S303：M-step：计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解，且需要三组参数解均满足上述条件才能判定算法停止。

依托于上述方法，本发明还提供了一种燃煤机组运行状态实时评估系统，包括：

第一模块：用于确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

第二模块：用于对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型；

第三模块：用于求取得到历史特征参数数据概率最大时基于概率的高斯混合模型的参数，根据参数建立比对高斯混合模型：

第四模块：用于计算实时特征参数数据与比对高斯混合模型期望值的相似度，输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

优选地，评估系统还包括第五模块，第二模块对历史特征参数数据进行聚类分析前先由第五模块对参数数据进行预处理，预处理包括数据清洗和数据归约，数据归约采用主成分分析法。

优选地，第二模块中聚类分析采用K-means算法。

优选地，第二模块建立的高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子。

优选地，第三模块建立比对高斯混合模型包括：

参数初始化单元：用于对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

E-step单元：用于依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；

M-step单元：用于计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解。

以某电厂600MW等级火电机组2017年10月某日的数据为例，取其在一天内、每隔1分钟一组共1440组数据作为训练样本，其在第二天的一小时共60组数据作为实时测试数据，分别对这个120个工况进行燃煤机组运行状态评估。借助Matlab R2015进行数据处理，包括数据的导入，数据预处理，K均值算法，期望最大化求解高斯混合模型，相似度计算。

以下展示的是训练数据中的前10组样本参数；

经查证，图3中的点16和点40评估值偏低分别是因为再热汽温偏离了12℃、排烟温度偏离了8℃，评估结果与客观事实吻合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.燃煤机组运行状态实时评估方法，其特征在于，包括以下步骤：

S1：确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

S2：对所述历史特征参数数据进行聚类分析并根据聚类分析结果建立基于概率的高斯混合模型；

S3：通过迭代法更新所述基于概率的高斯混合模型的参数，根据所述参数建立比对高斯混合模型并记录比对高斯混合模型建立过程中每一次迭代时所述基于概率的高斯混合模型的期望值；

S4：计算实时特征参数数据与所述期望值的相似度，输出相似度最大的作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

2.根据权利要求1所述的燃煤机组运行状态实时评估方法，其特征在于，所述S2中对所述历史特征参数数据进行聚类分析前先对所述历史特征参数数据进行预处理，所述预处理包括数据清洗和数据归约，所述数据归约采用主成分分析法。

3.根据权利要求1所述的燃煤机组运行状态实时评估方法，其特征在于，所述聚类分析采用K-means算法。

4.根据权利要求3所述的燃煤机组运行状态实时评估方法，其特征在于，所述基于概率的高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子，T表示矩阵的转置，k是K-means算法得到的中心点的个数。

5.根据权利要求4所述的燃煤机组运行状态实时评估方法，其特征在于，所述建立比对高斯混合模型的步骤为：

S301：参数初始化：对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

S302：E-step：依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；j＝1,2,3…，N，N表示数据总数；

S303：M-step：计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<R，算法停止，其中θ_i表示第i次迭代得到的参数解,R为常数。

6.燃煤机组运行状态实时评估系统，其特征在于，包括：

第一模块：用于确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

第二模块：用于对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型；

第三模块：用于求取得到所述历史特征参数数据概率最大时所述基于概率的高斯混合模型的参数，根据所述参数建立比对高斯混合模型：

第四模块：用于计算实时特征参数数据与比对高斯混合模型期望值的相似度，输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

7.根据权利要求6所述的燃煤机组运行状态实时评估系统，其特征在于，所述评估系统还包括第五模块，所述第二模块对历史特征参数数据进行聚类分析前先由第五模块对参数数据进行预处理，所述预处理包括数据清洗和数据归约，所述数据归约采用主成分分析法。

8.根据权利要求6所述的燃煤机组运行状态实时评估系统，其特征在于，所述第二模块中聚类分析采用K-means算法。

9.根据权利要求8所述的燃煤机组运行状态实时评估系统，其特征在于，所述第二模块建立的高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子，T表示矩阵的转置，k是K-means算法得到的中心点的个数。

10.根据权利要求9所述的燃煤机组运行状态实时评估系统，其特征在于，所述第三模块建立比对高斯混合模型包括：

参数初始化单元：用于对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

E-step单元：用于依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；

M-step单元：用于计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解。