CN110110411A - 一种湿式冷却塔自适应建模方法 - Google Patents

一种湿式冷却塔自适应建模方法 Download PDF

Info

Publication number
CN110110411A
CN110110411A CN201910337902.7A CN201910337902A CN110110411A CN 110110411 A CN110110411 A CN 110110411A CN 201910337902 A CN201910337902 A CN 201910337902A CN 110110411 A CN110110411 A CN 110110411A
Authority
CN
China
Prior art keywords
modeling
data
cooling tower
model
pump
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.)
Granted
Application number
CN201910337902.7A
Other languages
English (en)
Other versions
CN110110411B (zh
Inventor
张震伟
童小忠
郑渭建
屠海彪
金炜
郭鼎
司风琪
肖晋飞
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.)
Zhejiang Co Ltd Of Zhe Neng Institute For Research And Technology
Southeast University
Original Assignee
Zhejiang Co Ltd Of Zhe Neng Institute For Research And Technology
Southeast 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 Zhejiang Co Ltd Of Zhe Neng Institute For Research And Technology, Southeast University filed Critical Zhejiang Co Ltd Of Zhe Neng Institute For Research And Technology
Priority to CN201910337902.7A priority Critical patent/CN110110411B/zh
Publication of CN110110411A publication Critical patent/CN110110411A/zh
Application granted granted Critical
Publication of CN110110411B publication Critical patent/CN110110411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Turbines (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种湿式冷却塔自适应建模方法，包括步骤1)：选择建模变量；步骤2)：获取建模数据，以1min‑5min采样间隔获取对象过程数据及现场试验数据并剔除负荷率小于30％的样本，以此为基础得到建模样本库D；步骤3)：建立出塔水温模型，使用建模样本库D，利用Matlab神经网络工具箱中的BP神经网络算法建立循环水泵组合变化对出塔水温变化温差影响模型Δt＝f(Pa,t,u,N,Dc,Dw,Mode)；步骤4)：模型自适应更新。本发明的有益效果是：本发明无需复杂的硬件设备就可实施，实施成本低廉；相较于传统的湿式冷却塔建模方法，本发明速度更快，可以做在线建模计算；并且预测精度高，满足工程实际使用需要。

Description

一种湿式冷却塔自适应建模方法
技术领域
本发明涉及自适应建模技术领域，特别涉及一种基于数据融合的湿式冷却塔自适应建模方法。
背景技术
作为汽轮机组重要的辅助系统，循环水系统的运行状况将直接影响到机组的安全性与经济性。湿式冷却塔是闭式循环水系统的重要组成部分，运行时做完功的汽轮机排汽进入凝汽器壳侧，被凝汽器管侧的循环水冷却，从而形成凝汽器真空，被加热后的循环水进入冷却塔被空气冷却，如此构成循环。冷却塔的冷却性能会影响汽轮机背压，从而决定循环水系统的运行状况，因此对湿式冷却塔作深入研究，实现湿式冷却塔的性能监测与诊断，对于提高汽轮机组的经济性至关重要。目前常用机理分析和数据驱动两种方法对湿式冷却塔进行建模，其中机理建模方法基于对象设计参数，但是复杂的系统结构和多变的换热过程会使机理模型与实际存在较大偏差，而且湿式冷却塔机理模型涉及大量的迭代计算，难以满足及时提供优化运行建议的使用需求。数据驱动建模以实际运行数据和现场试验数据为基础，能够很好地反映现场实际运行情况。
发明内容
本发明针对现有湿式冷却塔建模采用机理分析方法不能及时提供优化运行建议无法满足使用需求的问题，提供一种湿式冷却塔自适应建模方法，自适应建模方法以对象过程数据及现场试验数据为基础，建立湿式冷却塔特性模型，同时在模型中引入自适应更新策略匹配系统运行特性随时间变化的特点，进一步提高模型精度，实现湿式冷却塔运行参数的准确预测和循环水泵优化调度。
湿式冷却塔自适应建模方法，包括以下步骤：
1)选择建模变量
以大气压力Pa、环境温度t、环境湿度u、机组负荷N、汽轮机末级排汽量Dc、循环水流量Dw、循环水泵组合变换方式Mode为输入变量，以循环水泵组合变化前后的出塔水温变化温差Δt为输出变量；
2)获取建模数据
以1min-5min采样间隔获取对象过程数据及现场试验数据并剔除负荷率小于30％的样本，以此为基础得到建模样本库D；
3)建立出塔水温模型
使用建模样本库D，利用Matlab神经网络工具箱中的BP神经网络算法建立循环水泵组合变化对出塔水温变化温差影响模型Δt＝f(Pa,t,u,N,Dc,Dw,Mode)；
4)模型自适应更新
利用滑动时间窗的方法，随着机组的运行不断扩充循环水泵组变换数据集，更新建模样本，并定期从数据库剔除时间标签过旧的样本，从而实现模型的自适应更新，时间窗长度和推移步长可人为设定为1-2年。
作为优选：所述步骤2)还包括以下步骤：
2a)过程历史数据扫描
考虑到机组长期运行积累下的历史数据能够较真实地反映循环水泵组合变化对出塔水温变化的影响，通过程序对历史数据库进行扫描，筛选出正常运行时循环水泵组合变化前后步骤1)中选出的建模变量数据集S1，加入到建模样本库中；
2b)获取现场试验数据
如果目标对象存在现场试验数据，则获取现场试验数据，现场试验主要指冷端变换循环水泵运行方式试验，在该试验中主要进行不同循环水泵组合调整，测量机组热力系统、凝汽器、自然通风冷却塔、循环水泵等相关数据；将冷端变换循环水泵运行方式试验中循环水泵组合变换前后步骤1)中选出的建模变量数据集S2，存入建模样本库中。
作为优选：所述步骤3)还包括以下步骤：
3a)工况划分
不同循环水泵运行方式之间的变化对应着不同循环水流量的变化，将步骤2)中得到的建模数据集根据不同泵组合变化划分成子数据集D1,D2…Dn，每一个子数据集中的样本为循环水泵由一种组合变换到另一种组合的数据；
3b)建立模型
采用Matlab神经网络工具箱中的BP神经网络算法，分别对步骤3a)中的每个子数据集D1,D2…Dn建立其模型M1,M2…Mn，BP神经网络算法可用其它回归算法代替。
本发明的有益效果是：本发明无需复杂的硬件设备就可实施，实施成本低廉；相较于传统的湿式冷却塔建模方法，本发明速度更快，可以做在线建模计算；并且预测精度高，满足工程实际使用需要。
附图说明
图1是湿式冷却塔自适应建模方法流程图。
图2是#1冷却塔计算出塔水温与#1冷却塔实际出塔水温对比图(其中，直线代表计算出塔水温；圆圈代表实际出塔水温)。
图3是#2冷却塔计算出塔水温与#2冷却塔实际出塔水温对比图(其中，直线代表计算出塔水温；圆圈代表实际出塔水温)。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。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的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
如图1所示，所述的湿式冷却塔自适应建模方法，包括以下步骤：以大气压力Pa、环境温度t、环境湿度u、机组负荷N、汽轮机末级排汽量Dc、循环水流量Dw、循环水泵组合变换方式Mode为输入变量，以循环水泵组合变化前后的出塔水温变化温差Δt为输出变量。扫描过程历史数据，收集现场试验数据建立建模样本库；根据不同泵组合变化将建模样本库中的数据划分成不同子数据集，并利用Matlab神经网络工具箱中的BP神经网络算法建立循环水泵组合变化对出塔水温变化温差影响模型；采用滑动窗的方法，随着机组的运行不断加入新样本，并定期剔除过旧样本以更新模型。
以浙能台州第二发电有限公司火电机组湿式冷却塔为例来介绍本发明的具体实施步骤。对象循环水系统为两台1000MW燃煤机组所共用，每台机组各配3台立式混流定速循环水泵和一座13000m2自然通风海水冷却塔。两台机组的循环水系统通过循泵出口压力钢管上的电动联络阀组成扩大单元制方式运行。一般情况下，该电动联络阀处于开启状态。
整个建模过程主要有选择建模变量，获取建模数据，建立冷却塔出塔水温模型，自适应更新模型四个核心部分。结合图1所示流程，步骤如下:
(1)选择建模变量
以大气压力Pa、环境温度t、环境湿度u、机组负荷N、汽轮机末级排汽量Dc、循环水流量Dw、循环水泵组合变换方式Mode为输入变量，以循环水泵组合变化前后的出塔水温变化温差Δt为输出变量。
(2)获取建模数据
根据所确定的建模变量，从现场历史数据库中采集近1-2年里两台机组均正常运行数据；
(3)建立冷却塔出塔水温模型
两台机组均正常运行时，循环水泵共有5种运行方式，分别是一机三泵、两机五泵、一机两泵、两机三泵及一机一泵。出于对安全性和经济性的考虑，一般情况下一次只启停一台泵，循环水泵组合变换方式Mode只有八种，即一机三泵至两机五泵、两机五泵至一机两泵、一机两泵至两机三泵、两机三泵至一机一泵、一机一泵至两机三泵、两机三泵至一机两泵、一机两泵至两机五泵及两机五泵至一机三泵；因此，模型工况即分为上述八种工况；
针对以上八种工况，利用Matlab神经网络工具箱中的BP神经网络算法分别建立其模型。
(4)模型自适应更新
考虑到实际运行中循环水泵启停并不频繁，可将建模样本库的更新时间为1-2年，即每隔1-2年时间，对近1-2年的历史数据进行扫描并将新的样本加入建模样本库中，同时剔除时间标签过旧的样本；此处剔除的样本数量应保持不大于新加的样本数量，以保证样本数据库中的样本数量能满足建模的需要。
选取浙能台州第二发电有限公司近一年中两台机组均正常运行时循环水泵运行方式变换样本共251组有效数据分别对#1与#2冷却塔进行验证，其中包括22组变换循环水泵运行方式试验数据；模型验证结果如图2与图3所示；表1为模型计算结果的误差统计：
表1 冷却塔出塔水温模型误差统计

Claims (3)

1.一种湿式冷却塔自适应建模方法，其特征在于，包括以下步骤：
1)选择建模变量
以大气压力Pa、环境温度t、环境湿度u、机组负荷N、汽轮机末级排汽量Dc、循环水流量Dw、循环水泵组合变换方式Mode为输入变量，以循环水泵组合变化前后的出塔水温变化温差Δt为输出变量；
2)获取建模数据
以1min-5min采样间隔获取对象过程数据及现场试验数据并剔除负荷率小于30％的样本，以此为基础得到建模样本库D；
3)建立出塔水温模型
使用建模样本库D，利用Matlab神经网络工具箱中的BP神经网络算法建立循环水泵组合变化对出塔水温变化温差影响模型Δt＝f(Pa,t,u,N,Dc,Dw,Mode)；
4)模型自适应更新
利用滑动时间窗的方法，随着机组的运行不断扩充循环水泵组变换数据集，更新建模样本，并定期从数据库剔除时间标签过旧的样本，从而实现模型的自适应更新，时间窗长度和推移步长设定为1-2年。
2.根据权利要求1所述的湿式冷却塔自适应建模方法，其特征在于，所述步骤2)还包括以下步骤：
2a)过程历史数据扫描
通过程序对历史数据库进行扫描，筛选出正常运行时循环水泵组合变化前后步骤1)中选出的建模变量数据集S1，加入到建模样本库中；
2b)获取现场试验数据
如果目标对象存在现场试验数据，则获取现场试验数据，现场试验指冷端变换循环水泵运行方式试验，在该试验中进行不同循环水泵组合调整，测量机组热力系统、凝汽器、自然通风冷却塔、循环水泵等相关数据；将冷端变换循环水泵运行方式试验中循环水泵组合变换前后步骤1)中选出的建模变量数据集S2，存入建模样本库中。
3.根据权利要求1所述的湿式冷却塔自适应建模方法，其特征在于，所述步骤3)还包括以下步骤：
3a)工况划分
将步骤2)中得到的建模数据集根据不同泵组合变化划分成子数据集D1,D2…Dn，每一个子数据集中的样本为循环水泵由一种组合变换到另一种组合的数据；
3b)建立模型
采用Matlab神经网络工具箱中的BP神经网络算法，分别对步骤3a)中的每个子数据集D1,D2…Dn建立其模型M1,M2…Mn。
CN201910337902.7A 2019-04-25 2019-04-25 一种湿式冷却塔自适应建模方法 Active CN110110411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910337902.7A CN110110411B (zh) 2019-04-25 2019-04-25 一种湿式冷却塔自适应建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910337902.7A CN110110411B (zh) 2019-04-25 2019-04-25 一种湿式冷却塔自适应建模方法

Publications (2)

Publication Number Publication Date
CN110110411A true CN110110411A (zh) 2019-08-09
CN110110411B CN110110411B (zh) 2023-05-16

Family

ID=67486616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910337902.7A Active CN110110411B (zh) 2019-04-25 2019-04-25 一种湿式冷却塔自适应建模方法

Country Status (1)

Country Link
CN (1) CN110110411B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113404559A (zh) * 2021-07-07 2021-09-17 西安热工研究院有限公司 一种基于环境参数的发电机组闭式循环水系统的运行方法
CN114608856A (zh) * 2022-03-17 2022-06-10 华能桂林燃气分布式能源有限责任公司 一种机力通风冷却塔变工况性能计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700147A (zh) * 2015-03-17 2015-06-10 芜湖凯博实业股份有限公司 冷却塔出水温度预测方法
CN106248411A (zh) * 2016-07-20 2016-12-21 浙江浙能技术研究院有限公司 一种基于运行数据统计分析的凝汽器换热性能评价方法
US20190041811A1 (en) * 2017-08-03 2019-02-07 Johnson Controls Technology Company Building management system with augmented deep learning using combined regression and artificial neural network modeling

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700147A (zh) * 2015-03-17 2015-06-10 芜湖凯博实业股份有限公司 冷却塔出水温度预测方法
CN106248411A (zh) * 2016-07-20 2016-12-21 浙江浙能技术研究院有限公司 一种基于运行数据统计分析的凝汽器换热性能评价方法
US20190041811A1 (en) * 2017-08-03 2019-02-07 Johnson Controls Technology Company Building management system with augmented deep learning using combined regression and artificial neural network modeling

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ASAD DEHGHANI SAMANI: "Combined cycle power plant with indirect dry cooling tower forecasting using artificial neural network", 《DECISION SCIENCE LETTERS》 *
宋嘉梁: "基于神经网络模型的自然通风逆流湿式冷却塔热力性能研究", 《流体机械》 *
李启本等: "基于改进遗传算法的冷却塔出塔水温的预测", 《电力与能源》 *
黄宝海等: "基于现场数据的电站过热器神经网络建模", 《华北电力大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113404559A (zh) * 2021-07-07 2021-09-17 西安热工研究院有限公司 一种基于环境参数的发电机组闭式循环水系统的运行方法
CN114608856A (zh) * 2022-03-17 2022-06-10 华能桂林燃气分布式能源有限责任公司 一种机力通风冷却塔变工况性能计算方法
CN114608856B (zh) * 2022-03-17 2024-03-19 华能桂林燃气分布式能源有限责任公司 一种机力通风冷却塔变工况性能计算方法

Also Published As

Publication number Publication date
CN110110411B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN111275579B (zh) 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法
CN108446711A (zh) 一种基于迁移学习的软件缺陷预测方法
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN106936627B (zh) 一种基于大数据分析挖掘的火电设备性能监测方法
CN109508818B (zh) 一种基于LSSVM的在线NOx预测方法
CN104749999B (zh) 装配湿式冷却塔的汽轮发电机组冷端系统优化运行精确指导系统
CN110110411A (zh) 一种湿式冷却塔自适应建模方法
CN107168392B (zh) 一种锅炉汽包水位pid参数的整定方法
CN107944175A (zh) 一种考虑风湍流强度的风机真实功率曲线获取方法
CN104697704A (zh) 冷水机组排气压力故障检测方法
US20220335179A1 (en) System and Method for Calibrating a Model of Thermal Dynamics
CN109446028A (zh) 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法
CN115542824B (zh) 一种基于能耗管控的中央空调机组控制方法及系统
CN103235512B (zh) 一种发电机组运行的方法
CN105136510A (zh) 基于主成分分析的换热器网络能效评价方法
CN104700147A (zh) 冷却塔出水温度预测方法
CN115127192B (zh) 基于图神经网络的半监督的冷水机组故障诊断方法及系统
KR20200062848A (ko) 열교환기의 성능 평가 시스템 및 방법
CN114004374A (zh) 一种基于玻尔兹曼机投票的空调机组传感器故障诊断方法
CN109711049B (zh) 一种混合式的地铁空调冷水机组能效估计方法
CN110033024A (zh) 用于空冷供热机组变工况的汽轮机最优滑压曲线获取方法
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN116415394A (zh) 一种融合机器学习和机理模型的二回路设备模型仿真方法
CN113432247B (zh) 基于图神经网络的冷水机组能耗预测方法、系统及存储介质

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