CN109523139B - 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 - Google Patents

基于机器学习模型与智能优化算法的汽轮机调峰控制方法 Download PDF

Info

Publication number
CN109523139B
CN109523139B CN201811279235.3A CN201811279235A CN109523139B CN 109523139 B CN109523139 B CN 109523139B CN 201811279235 A CN201811279235 A CN 201811279235A CN 109523139 B CN109523139 B CN 109523139B
Authority
CN
China
Prior art keywords
unit
model
turbine
power
peak shaving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811279235.3A
Other languages
English (en)
Other versions
CN109523139A (zh
Inventor
谢永慧
孙磊
刘天源
张荻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nuclear Power Operation Research Shanghai Co ltd
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201811279235.3A priority Critical patent/CN109523139B/zh
Publication of CN109523139A publication Critical patent/CN109523139A/zh
Application granted granted Critical
Publication of CN109523139B publication Critical patent/CN109523139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Control Of Turbines (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，步骤包括：基于机器学习模型的机组工况预测；在确定所要调节得到的功率需求以及各安全参数的约束范围后，使用遗传算法对一定时期内的阀门控制指令优化；基于得到的阀门控制指令优化结果，获得当前机组状态以及调峰发电功率指标到机组最佳调节阀门控制指令串的映射；根据获得训练参数训练BP神经网络获得最优控制指令决策模型，通过获得的最优控制指令决策模型实现汽轮机调峰控制。本发明的方法能够使汽轮机组在接到调峰发电功率指标时快速动作并保证机组安全，可节约机组调峰时间与运行成本。

Description

基于机器学习模型与智能优化算法的汽轮机调峰控制方法
技术领域
本发明属于汽轮机发电技术领域，涉及一种汽轮机调峰控制方法，特别涉及一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法。
背景技术
电力的生产是一个连续的过程且很难得到有效的存储，用户对于电能的需求是一个不断变化的随机过程，因此电力的生产量需要与用户的使用量相平衡。当昼夜、星期以及季节发生改变而出现电力需求的高峰和低谷时，电厂就需要改变自身的发电功率以适应电网需要。此时的发电机组将不再是额定工况，而是调峰运行工况。汽轮机调峰控制的核心在于保证汽轮机组安全的前提下尽可能地缩短调峰时间，而其难点在于真实汽轮机组运行过程中控制指令对运行工况的影响不能提前预知。现有的汽轮机调峰控制方法大多依赖经验或者出厂时的实验曲线；现有的调峰方法为了确保安全，调峰效率较低；由于调峰运行的特殊性，现有的方法如果盲目缩短调峰时间，机组极容易出现安全故障。但是电厂需要调峰作业时间尽可能短，且消除调峰安全隐患，现有的调峰方法不能满足需要，亟需一种新的汽轮机调峰控制方法。
发明内容
本发明的目的在于提供一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，以解决上述存在的技术问题。本发明的汽轮机调峰控制方法，能够使汽轮机组在调峰时快速动作并保证机组安全，能够减少机组调峰时间与运行成本。
为达到上述目的，本发明采用以下技术方案：
一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，具体步骤包括：
步骤1，基于机器学习模型建立汽轮机机组工况预测模型；机器学习模型为XG-Boosting模型，通过电厂DCS系统的历史数据对XG-Boosting模型进行训练，获得基于XG-Boosting模型的汽轮机机组工况预测模型f；
步骤2，根据确定的所要调节得到的汽轮机功率需求以及安全参数的约束范围，基于步骤1获得的基于XG-Boosting模型的汽轮机机组工况预测模型f，通过遗传算法对选定时期内的机组阀门控制指令优化，达到预设收敛条件后停止，获得优化后的机组阀门控制指令；
步骤3，基于步骤2获得的优化后的机组阀门控制指令，获得当前机组状态以及所需调峰发电功率指标到机组最佳调节阀门控制指令串的映射；
步骤4，选取不同的机组状态以及不同的调峰发电功率指标，重复步骤2和步骤3，获得训练数据；
步骤5，通过步骤4获得训练数据对BP神经网络模型进行训练，获得基于BP神经网络的最优控制指令决策模型，通过获得的基于BP神经网络的最优控制指令决策模型进行汽轮机调峰控制。
进一步的，步骤1中，通过电厂DCS系统的历史数据对XG-Boosting模型进行训练具体是指：通过电厂DCS系统的历史数据中的与汽轮机输出功率相关以及对汽轮机组安全影响较大的参数数据，包括：调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力以及高中压缸差胀。
进一步的，电厂DCS系统的历史数据是指：一个月以上的汽轮机机组历史运行原始数据。
进一步的，步骤1中还包括对原始数据的预处理；具体步骤为：
首先对原始数据进行清洗和扩展；其次在保留调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力以及高中压缸差胀的基础上，对原始数据中的其他数据做PCA主成分分析，选取对调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力以及高中压缸差胀贡献率前90％的参数；
将调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力、高中压缸差胀以及对以上参数贡献率前90％的参数作为XG-Boosting模型的训练参数。
进一步的，步骤1具体包括：
步骤1.1，采集获取一个月以上的汽轮机机组历史运行原始数据，筛选出与汽轮机输出功率相关以及对汽轮机组安全影响较大的参数数据；参数数据包括调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力和高中压缸差胀；
步骤1.2，对步骤1.1中筛选出的参数数据进行预处理；预处理包括：对参数数据进行清洗和扩展；在保留调节阀门控制指令、机组发电功率以及机组安全参数数据的基础上对其余数据做PCA主成分分析，选取对以上参数贡献率前90％的参数；
步骤1.3，采用步骤1.2预处理后的参数数据对XG-Boosting模型进行训练，获得基于XG-Boosting模型的机组工况预测模型f；
通过公式表示，t时刻的机组状态值计算公式为：
xt＝f(xt-1,xt-2,…,xt-m,θt) (1)
式(1)中，xt为t时刻的机组状态值，θt为t时刻的调节阀门控制指令，xt-m为前m时刻的机组状态值，f为基于XG-Boosting模型的机组工况预测模型；
t时刻的机组状态值xt包括以下参数，用公式表示为：
xt＝{Pwt,Tt,Pt,Mt,δt,…,A0,…,Al,…}T (2)
式(2)中，Pwt,Tt,Pt,Mt,δt依次为t时刻的机组功率、各部分测点温度及压力、各级蒸汽流量、最大差胀，Al为经过PCA主成分分析后贡献率在前90％的第l个主成分；
根据公式(1)和公式(2)获得基于XG-Boosting模型的机组工况预测模型f。
进一步的，步骤2具体步骤包括：
步骤2.1，通过步骤1获得的基于XG-Boosting模型的汽轮机机组工况预测模型f，由选定时期内的阀门控制指令预测出若干时刻的机组状态；以公式表示为：
Figure BDA0001847703180000041
式中，xt为t时刻的机组状态值，θt为t时刻的调节阀门控制指令，xt-m为前m时刻的机组状态值，f为基于XG-Boosting模型的机组工况预测模型；xt+n为t+n时刻的机组状态值；xt+n-m为前m-n时刻的机组状态值；θt+n为t+n时刻的调节阀门控制指令；
步骤2.2，根据步骤2.1获得的历史时刻的状态值以及选定时期内的调节阀门控制指令串预测出未来若干时刻的状态值，以公式表示为：
[xt,xt+1,…xt+n]＝F(xt-1,xt-2,…,xt-m,[θt,θt+1,…,θt+n])，
式中，F为基于XG-Boosting模型的机组工况预测组合函数；
步骤2.3，通过函数F优化机组的调峰时间；优化方法选择遗传算法，优化自变量为选定时期内的调节阀门控制指令串[θt,θt+1,…,θt+n]，优化代价函数为函数F，优化目标为调峰时间n；
优化过程中需要保证的安全约束为：n时刻的机组功率已经稳定在所需功率，公式表示为Pt＝Pneed，式中Pneed为电网给出的调峰发电功率指标；从t时刻开始到t+n时刻中的状态变化均满足机组的安全约束。
进一步的，步骤4具体步骤为：
选取k套不同的机组状态以及不同的电网调峰发电功率指标参数，重复步骤2和步骤3获得k套参数下互相对应的最优调峰时间以及相应的控制指令串；以公式表示为：
Figure BDA0001847703180000051
式中，noptim为电网给出的调峰发电功率指令Pneed下最快的调峰时间；
Figure BDA0001847703180000052
为调峰时间为noptim时的调节阀门控制指令；
进一步的，步骤5具体为：基于获得的k套互相对应的最优调峰时间以及相应的控制指令串，对BP神经网络模型进行训练，获得基于BP神经网络的最优控制指令决策模型；以公式表示为：
Figure BDA0001847703180000053
式中，g为基于BP神经网络的最优控制指令决策模型；通过基于BP神经网络的最优控制指令决策模型进行汽轮机调峰控制。
进一步的，k的取值范围为100-500。
与现有技术相比，本发明具有以下有益效果：
本发明的基于机器学习模型与智能优化算法的汽轮机调峰控制方法，考虑了DCS数据的历史依赖性，以XG-Boosting模型形成的机组工况预测模型具有精度高、预测速度快等特点；使用遗传算法对一定时期内的阀门控制指令优化，能够规避传统算法陷入局部最优的弊端，并且加入了机组安全约束即可保证优化结果能够保证机组安全运行；采用BP神经网络的学习方式能够使得在具体实施过程中绕过优化过程直接获得最佳的控制指令，从而减少调峰时的反应时间。本发明能够实现量化控制，能够使汽轮机组在调峰时快速动作并保证机组安全，能够减少机组调峰时间与运行成本。
进一步的，在原始DCS数据的基础上进行预处理，采用了主成分分析以减少分析成本。
进一步的，本发明相比于现有的控制方法，由于没有进行实验以及未使用经验公式，因此无需使用任何的修正系数来帮助建立模型以及指导控制方法，从而避免人为干扰。
进一步的，本发明使用BP神经网络获得了最优控制指令决策模型，因此其占用空间小，反应速度快，能够在接到调峰时刻时快速动作并保证机组安全，可以节约机组调峰时间与运行成本。
附图说明
图1是本发明的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法的流程示意框图；
图2是本发明的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法中基于机器学习模型机组工况预测的流程示意框图；
图3是本发明的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法中基于智能优化算法阀门控制指令优化的流程示意框图；
图4是本发明的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法中基于机器学习模型确定机组调峰指令的流程示意框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
请参阅图1，本发明的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，包括以下步骤：
第一步：基于机器学习模型的机组工况预测。即利用电厂DCS系统的历史数据，采用XG-Boosting模型完成控制指令变化后对机组各参数的预测。
请参阅图2，第一步具体包括：
获得至少一个月以上的汽轮机机组历史运行原始数据，并筛选出与汽轮机输出功率相关以及对汽轮机组安全影响较大的参数数据，主要包括调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力、高中压缸差胀等运行数据；
基于这些数据，做原始数据的预处理工作，即首先完成数据的清洗、扩展，其次在保留调节阀门控制指令、机组发电功率以及机组安全参数数据的基础上对其余数据做PCA主成分分析，选取对以上参数贡献率前90％的参数进行模型的训练；
根据处理后的相关数据类型，完成机器学习模型的构建，该模型输入变量包括当前的调节阀门控制指令，以及历史的状态值即机组发电功率、机组安全参数数据和主要成分参数等，其中安全参数数据采集的测点的数量及位置可由用户自行选择设定，输出变量为当前时刻的状态值，以公式表示为：
xt＝f(xt-1,xt-2,…,xt-m,θt)
式中，θt为t时刻的调节阀门控制指令，xt-m为前m时刻的机组状态值，f为基于
XG-Boosting模型的机组工况预测模型。
机组状态值又可以下式详细解释：
xt＝{Pwt,Tt,Pt,Mt,δt,…,A0,…,Al,…}T
式中，Pwt,Tt,Pt,Mt,δt依次为t时刻的机组功率、各部分测点温度及压力、各级蒸汽流量、最大差胀，Al为经过PCA主成分分析后的第l个主成分，其中t时刻的功率是模型主要的输出指标。
根据处理后的相关数据，在模型构建完成后即可使用这些数据进行训练，从而获得精确的预测模型。
第二步：基于第一步训练得到的机组工况预测模型，在确定所要调节得到的功率需求以及各安全参数的约束范围后，使用遗传算法对一定预设时期内的阀门控制指令优化，以获得机组最快且安全的控制指令。
请参阅图3，第二步具体包括：
根据第一步的机组工况预测模型，我们可以由选定时期内的阀门控制指令预测出若干时刻的机组状态，以公式表示为：
Figure BDA0001847703180000081
而由上式可以看出，仅根据历史时刻的状态值以及一定时期内的调节阀门控制指令串即可预测出未来若干时刻的状态值，以公式表示为：
[xt,xt+1,…xt+n]＝F(xt-1,xt-2,…,xt-m,[θt,θt+1,…,θt+n])
式中，F——基于XG-Boosting模型的机组工况预测组合函数。F是由n个f所构成的。
由此我们可以利用这一函数优化机组的调峰时间，其中优化方法选择遗传算法，优化自变量为一定时期内的调节阀门控制指令串即[θt,θt+1,…,θt+n]，优化代价函数即为上述函数F，优化目标为调峰时间n，此外还需要保证以下约束：
n时刻的机组功率已经稳定在所需功率，即Pt＝Pneed，其中Pneed为电网给出的调峰发电功率指标；
从t时刻开始到t+n时刻中的状态变化均满足机组的安全约束，安全约束的阈值可由用户的安全级别确定。
实施例：过程中主汽温度变化不大于5℃/min、过程中最大差胀不大于5mm、过程中主汽压力变化不超过1.5MPa/min等；控制指令θ是随时间单调增加或减少的，即该指令在控制过程中不会出现往复，此外，允许其保持不变。经过基于遗传算法的有约束单目标优化，可以获得在当前时刻机组状态xt和电网给出的调峰发电功率指令Pneed下最快的调峰时间noptim以及该时间段内的调节阀门控制指令串[θt,θt+1,…,θt+n]optim，此时完成优化。
第三步：基于第二步得到的阀门控制指令优化结果，获得当前机组状态以及调峰发电功率指标到机组最佳调节阀门控制指令串的映射，不断改变参数并重复第二步以获得训练数据，此后采用BP神经网络学习这一映射关系获得最优控制指令决策模型，并根据这一决策模型实现机组安全的快速调峰。
请参阅图4，第三步具体包括：
选取不同的状态以及不同的电网调峰发电功率指标，并重复第二步以获得k套参数下的最优调峰时间以及相应的控制指令串(k一般取100-500)，以公式表示为：
Figure BDA0001847703180000091
Figure BDA0001847703180000092
Figure BDA0001847703180000093
Figure BDA0001847703180000094
基于这k套互相对应的参数可以采用BP神经网络对其进行学习，最终获得基于BP神经网络的最优控制指令决策模型，以公式表示为：
Figure BDA0001847703180000095
式中，g——基于BP神经网络的最优控制指令决策模型。
此后，在机组运行过程中可采用这一决策模型，在收到电网调峰发电功率指标后获得最佳的调节阀门控制指令串，从而减少调峰时间且能确保机组安全稳定运行。
综上具体实施例，本发明的基于机器学习模型与智能优化算法的汽轮机调峰控制方法，包括：基于机器学习模型的机组工况预测。即利用电厂DCS系统的历史数据，采用XG-Boosting模型完成控制指令变化后对机组各参数的预测；基于第一步训练得到的机组工况预测模型，在确定所要调节得到的功率需求以及各安全参数的约束范围后，使用遗传算法对一定时期内的阀门控制指令优化，以获得机组最快且安全的控制指令；基于第二步得到的阀门控制指令优化结果，获得当前机组状态以及调峰发电功率指标到机组最佳调节阀门控制指令串的映射，不断改变参数并重复第二步以获得训练数据，此后采用BP神经网络学习这一映射关系获得最优控制指令决策模型，并根据这一决策模型实现机组安全的快速调峰。本发明能够使得汽轮机组在接到调峰发电功率指标时快速动作并保证机组安全，可节约机组调峰时间与运行成本。本发明利用机器学习模型与智能优化算法建立更便捷快速、更具自适应性的汽轮机调峰控制方法。本发明的方法采用机器学习模型以及智能优化算法，基于汽轮机组历史的运行数据，建立一套获得最优控制指令的决策模型，最终得到的决策模型存储方便、运算快，能够在接到调峰时刻时快速动作并保证机组安全，可以节约机组调峰时间与运行成本。

Claims (8)

1.一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，具体步骤包括：
步骤1，基于机器学习模型建立汽轮机机组工况预测模型；机器学习模型为XG-Boosting模型，通过电厂DCS系统的历史数据对XG-Boosting模型进行训练，获得基于XG-Boosting模型的汽轮机机组工况预测模型f；
步骤2，根据确定的所要调节得到的汽轮机功率需求以及安全参数的约束范围，基于步骤1获得的基于XG-Boosting模型的汽轮机机组工况预测模型f，通过遗传算法对选定时期内的机组调节阀门控制指令串进行优化，达到预设收敛条件后停止，获得优化后的机组调节阀门控制指令串；
步骤3，基于步骤2获得的优化后的机组调节阀门控制指令串，获得当前机组状态以及所需调峰发电功率指标到机组最佳调节阀门控制指令串的映射；
步骤4，选取不同的机组状态以及不同的调峰发电功率指标，重复步骤2和步骤3，获得训练数据；
步骤5，通过步骤4获得的训练数据对BP神经网络模型进行训练，获得基于BP神经网络的最优控制指令串决策模型，通过获得的基于BP神经网络的最优控制指令串决策模型进行汽轮机调峰控制；
步骤2具体步骤包括：
步骤2.1，通过步骤1获得的基于XG-Boosting模型的汽轮机机组工况预测模型f，由选定时期内的调节阀门控制指令预测出若干时刻的机组状态；以公式表示为：
Figure FDA0002738399630000021
式中，xt为t时刻的机组状态值，θt为t时刻的调节阀门控制指令，xt-m为前m时刻的机组状态值，f为基于XG-Boosting模型的机组工况预测模型；xt+n为t+n时刻的机组状态值；xt+n-m为前m-n时刻的机组状态值；θt+n为t+n时刻的调节阀门控制指令；
步骤2.2，根据步骤2.1获得的历史时刻的状态值以及选定时期内的调节阀门控制指令串预测出未来若干时刻的状态值，以公式表示为：
[xt,xt+1,…xt+n]＝F(xt-1,xt-2,…,xt-m,[θt,θt+1,…,θt+n])，
式中，F为基于XG-Boosting模型的机组工况预测组合函数；
步骤2.3，通过函数F优化机组的调峰时间；优化方法选择遗传算法，优化自变量为选定时期内的调节阀门控制指令串[θt,θt+1,…,θt+n]，优化代价函数为函数F，优化目标为调峰时间n；
优化过程中需要保证的安全约束为：t+n时刻的机组功率已经稳定在所需功率，公式表示为Pt+n＝Pneed，式中Pneed为电网给出的调峰发电功率指标；从t时刻开始到t+n时刻中的状态变化均满足机组的安全约束。
2.根据权利要求1所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，步骤1中，通过电厂DCS系统的历史数据对XG-Boosting模型进行训练具体是指：通过电厂DCS系统的历史数据中的与汽轮机输出功率相关以及对汽轮机组安全影响较大的参数数据对模型进行训练，参数数据包括：调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点及压力以及高中压缸差胀。
3.根据权利要求1或2所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，电厂DCS系统的历史数据是指：一个月以上的汽轮机机组历史运行原始数据。
4.根据权利要求2所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，步骤1中还包括对原始数据的预处理；具体步骤为：
首先对原始数据进行清洗和扩展；其次在保留调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力以及高中压缸差胀的基础上，对原始数据中的其他数据做PCA主成分分析，选取对调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点温度及压力以及高中压缸差胀贡献率前90％的参数；
将调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点及压力、高中压缸差胀以及对以上参数贡献率前90％的参数作为XG-Boosting模型的训练参数。
5.根据权利要求1所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，步骤1具体包括：
步骤1.1，采集获取一个月以上的汽轮机机组历史运行原始数据，筛选出与汽轮机输出功率相关以及对汽轮机组安全影响较大的参数数据；参数数据包括调节阀门控制指令、机组发电功率、各级蒸汽流量、各部分测点及压力和高中压缸差胀；
步骤1.2，对步骤1.1中筛选出的参数数据进行预处理；预处理包括：对参数数据进行清洗和扩展；在保留调节阀门控制指令、机组发电功率以及机组安全参数数据的基础上对其余数据做PCA主成分分析，选取对以上参数贡献率前90％的参数；
步骤1.3，采用步骤1.2预处理后的参数数据对XG-Boosting模型进行训练，获得基于XG-Boosting模型的机组工况预测模型f；
通过公式表示，t时刻的机组状态值计算公式为：
xt＝f(xt-1,xt-2,…,xt-m,θt) (1)
式(1)中，xt为t时刻的机组状态值，θt为t时刻的调节阀门控制指令，xt-m为前m时刻的机组状态值，f为基于XG-Boosting模型的机组工况预测模型；
t时刻的机组状态值xt包括以下参数，用公式表示为：
xt＝{Pwt,Tt,Pt,Mt,δt,…,A0,…,Al,…}T (2)
式(2)中，Pwt,Tt,Pt,Mt,δt依次为t时刻的机组功率、各部分测点温度及压力、各级蒸汽流量、最大差胀，Al为经过PCA主成分分析后贡献率在前90％的第l个主成分；
根据公式(1)和公式(2)获得基于XG-Boosting模型的机组工况预测模型f。
6.根据权利要求1所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，步骤4具体步骤为：
选取k套不同的机组状态以及不同的电网调峰发电功率指标参数，重复步骤2和步骤3获得k套参数下互相对应的最优调峰时间以及相应的控制指令串；以公式表示为：
Figure FDA0002738399630000041
式中，noptim为电网给出的调峰发电功率指令Pneed下最快的调峰时间；
Figure FDA0002738399630000042
为调峰时间为noptim时的调节阀门控制指令；
θ1及θ2分别为1时刻及2时刻的调节阀门控制指令，xt为t时刻的机组状态值。
7.根据权利要求6所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，步骤5具体为：基于获得的k套互相对应的最优调峰时间以及相应的控制指令串，对BP神经网络模型进行训练，获得基于BP神经网络的最优控制指令决策模型；以公式表示为：
Figure FDA0002738399630000051
式中，g为基于BP神经网络的最优控制指令决策模型；通过基于BP神经网络的最优控制指令决策模型进行汽轮机调峰控制。
8.根据权利要求6或7所述的一种基于机器学习模型与智能优化算法的汽轮机调峰控制方法，其特征在于，k的取值范围为100-500。
CN201811279235.3A 2018-10-30 2018-10-30 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 Active CN109523139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811279235.3A CN109523139B (zh) 2018-10-30 2018-10-30 基于机器学习模型与智能优化算法的汽轮机调峰控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811279235.3A CN109523139B (zh) 2018-10-30 2018-10-30 基于机器学习模型与智能优化算法的汽轮机调峰控制方法

Publications (2)

Publication Number Publication Date
CN109523139A CN109523139A (zh) 2019-03-26
CN109523139B true CN109523139B (zh) 2021-01-19

Family

ID=65773260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811279235.3A Active CN109523139B (zh) 2018-10-30 2018-10-30 基于机器学习模型与智能优化算法的汽轮机调峰控制方法

Country Status (1)

Country Link
CN (1) CN109523139B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110017184B (zh) * 2019-04-01 2024-02-27 华电电力科学研究院有限公司 一种基于强化学习算法的分布式余压发电系统及其控制方法
CN110704964B (zh) * 2019-09-16 2022-11-25 中国神华能源股份有限公司国华电力分公司 汽轮机运行状态诊断方法、装置及电子设备、存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719230A (zh) * 2009-12-18 2010-06-02 东南大学 大型汽轮机组主汽压力优化方法
CN104865830A (zh) * 2015-04-29 2015-08-26 华北电力大学（保定） 一种机组负荷双重智能优化控制方法
CN107908865A (zh) * 2017-11-14 2018-04-13 西安热工研究院有限公司 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法
CN108594663A (zh) * 2018-05-22 2018-09-28 马鞍山当涂发电有限公司 一种深度调峰下660mw超临界机组agc控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719230A (zh) * 2009-12-18 2010-06-02 东南大学 大型汽轮机组主汽压力优化方法
CN104865830A (zh) * 2015-04-29 2015-08-26 华北电力大学（保定） 一种机组负荷双重智能优化控制方法
CN107908865A (zh) * 2017-11-14 2018-04-13 西安热工研究院有限公司 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法
CN108594663A (zh) * 2018-05-22 2018-09-28 马鞍山当涂发电有限公司 一种深度调峰下660mw超临界机组agc控制方法

Also Published As

Publication number Publication date
CN109523139A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN104865830B (zh) 一种机组负荷双重智能优化控制方法
CN103590969B (zh) 基于多工况时域响应的pid水轮机调速器参数优化方法
CN110148956B (zh) 一种基于mpc的电池储能系统辅助agc控制方法
CN109523139B (zh) 基于机器学习模型与智能优化算法的汽轮机调峰控制方法
CN113122879B (zh) 一种制氢控制方法及制氢系统
CN113325712A (zh) 一种电解制氢系统中的自适应响应控制方法、系统及装置
CN105207253A (zh) 考虑风电及频率不确定性的agc随机动态优化调度方法
CN117093823B (zh) 基于数据分析的工厂能源消耗管理方法
CN109376426B (zh) 一种风电并网功率调度方法及装置
CN111245032B (zh) 一种计及风电场集电线路降损优化的电压预测控制方法
CN111555363B (zh) 大数据环境下基于深度学习的agc实时控制策略
CN112865108A (zh) 一种基于连续潮流仿真的电网自动电压控制仿真方法
CN114722693A (zh) 一种水轮机调节系统二型模糊控制参数的优化方法
CN106355297B (zh) 一种基于电解铝负荷特性的电网降损优化方法
CN116592417A (zh) 基于负荷预测的集中供热系统优化控制方法及系统
CN110850710A (zh) 基于无模型自适应控制的水电机组控制优化方法
CN111953247B (zh) 一种水电机组功率精细调节控制方法及装置
CN115549118A (zh) 配电网无功补偿设备出力平滑指数预测方法
CN105095999A (zh) 一种基于改进轻鲁棒模型的分布式发电站规划方法
CN114326395A (zh) 一种基于工况判别的智能发电机组控制模型在线更新方法
CN104300544A (zh) 一种基于指令编码的风电场自动电压控制方法
CN112215720A (zh) 一种基于可再生能源发电的智能电网控制系统的控制方法
CN105758028A (zh) 一种应用于太阳能中央热水系统的热水储量控制方法
CN112000017B (zh) 一种分数阶水轮机调节系统的全局镇定控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240102

Address after: 200126, 6th Floor, No. 50 Expo Hall Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee after: Nuclear power operation research (Shanghai) Co.,Ltd.

Patentee after: XI'AN JIAOTONG University

Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28

Patentee before: XI'AN JIAOTONG University