CN110513336B - 一种电站燃气轮机离线水洗时间的确定方法 - Google Patents

Abstract

一种电站燃气轮机离线水洗时间的确定方法，属于电站燃气轮机离线水洗领域，本发明需要一种水洗时间合理、可以充分提高机组运行效率和设备利用率的电站燃气轮机离线水洗时间的确定方法。本发明中，从燃机电站数据库选取覆盖燃气轮机健康状态全工况集合A；对集合A稳态筛选得到运行数据集合B；建立压气机基准压比模型；利用集合C数据样本训练压气机基准压比模型；利用集合D数据样本计算压比残差；利用核密度估计法得到压比残差的上限值和下限值；将实时监测数据带入压气机基准压比模型得到压气机基准压比及其区间；计算实时压比降；设定水洗阈值；在对应的时间段内时进行离线水洗。本发明主要用于确定电站燃气轮机的离线水洗时间。

Description

一种电站燃气轮机离线水洗时间的确定方法

技术领域

本发明属于电站燃气轮机离线水洗领域，具体涉及一种电站燃气轮机离线水洗时间的确定方法。

背景技术

电站燃气轮机在运行时需要不断的吸入空气，空气中可能含有尘土、粉尘、昆虫等，在压气机中不断沉积，引起压比和效率降低，使压气机容易发生喘振等恶性事故，降低机组的安全性、可靠性和经济性。因此必须通过含有洗涤剂的水溶液对压气机进行离线水洗，保证联合循环机组功率和效率处于较高的水平。目前对于电站燃气轮机的离线水洗，一般根据其运行时间的长短定时进行，但该方法没有充分考虑燃气轮机的实际运行状态，由于受外界环境变化的影响，燃气轮机的性能退化不可能呈周期性，可能在某种因素的副作用下，其结垢速率大增，性能退化加快。

在实际离线水洗时间问题中，为了更好的进行离线水洗研究，需要考虑电站燃气轮机发生结垢故障的严重程度。现代化生产要求最大程度的保证燃机电厂的整体效益，现有的水洗方法是只要燃气轮机发生通流部分结垢故障就会立即采取离线水洗措施，但上述水洗方法不能依据电站燃气轮机运行中结垢的故障程度和发展趋势进行有目的离线水洗。且目前的水洗方法只是在某个固定的时间点，且不能结合电厂的实际运行管理，这样的离线水洗时间不科学合理，且机组运行效率、设备的利用率低。

因此，就需要一种水洗时间合理、可以充分提高机组运行效率和设备利用率的电站燃气轮机离线水洗时间的确定方法。

发明内容

本发明针对现有的水洗方法水洗时间不合理、机组运行效率、设备的利用率低的缺陷，提供了一种水洗时间合理、可以充分提高机组运行效率和设备利用率的电站燃气轮机离线水洗时间的确定方法。

本发明所涉及的一种电站燃气轮机离线水洗时间的确定方法的技术方案如下：

本发明所涉及的一种电站燃气轮机离线水洗时间的确定方法，它包括以下步骤：

步骤1、从燃机电站数据库选取覆盖电站燃气轮机全工况的历史健康数据；即集合A；

步骤2、对集合A进行稳态筛选，得到稳定工况下的运行数据，即集合B；将集合B分为集合C和集合D；

步骤3、分析影响压气机压比的边界条件和因素，确定基于支持向量机回归的压气机基准压比求取模型的输入变量和输出量，从而建立基于支持向量机回归的压气机基准压比模型；

步骤4、利用集合C的健康状态数据样本训练压气机基准压比模型；

步骤5、利用集合D的健康状态数据样本，将数据样本参数输入到训练后的压气机基准压比模型中，计算压比残差；

步骤6、利用核密度估计法对所述压比残差进行统计分析，进而得到显著性水平为α时的压比残差的上限值e_h和下限值e_l；

步骤7、实时监测燃气轮机得到一组工况参数，带入压气机基准压比模型，得到压气机基准压比的预测值π_c0、压比基准区间的上限π_c0+e_h、压比基准区间的下限π_c0+e_l和压气机压比基准区间[π_c0+e_l,π_c0+e_h]；

步骤8、利用压气机压比降来表征电站燃气轮机结垢的严重程度，计算实时压比降；

步骤9、根据燃机机组设定水洗阈值；

步骤10、当上限压比降δ_h达到水洗阈值时，对应的时间为t_a，发出水洗预警信号；当下限压比降δ_l达到水洗阈值时对应的时间为t_b，发出水洗报警信号；当在[t_a,t_b]时间段内时进行离线水洗。

进一步地：在步骤1中，所述历史健康数据包括压气机入口、出口的温度和压力，燃机功率、环境温度、IGV阀门开度。

进一步地：在步骤2中，所述对历史健康数据进行稳态筛选包括以下步骤：

步骤201：用一个统一模型表示稳态与非稳态过程，公式为：

式中，x_t表示t时刻功率的测量值，μ表示功率的真实值，m代表功率的变化速率；ε_t代表功率在t时刻的随机误差；

步骤202：所述稳态与非稳态过程的区别在于负荷响应速率是否等于0；采用相邻两个时刻参数的差值Δx作为特征统计量，公式为：

Δx＝x_t-x_t-1＝m+(ε_t-ε_t-1)

步骤203：所述特征统计量Δx的期望为m，根据时间序列的性质，用样本时间窗口内的特征统计量Δx的均值进行期望的估计，公式为：

式中，h表示判稳时间窗口内的样本数目，从燃机电站数据库1min采集一个数据，统计20min的数据进行筛选，故h＝20；

步骤204：采用置信区间估计的方法，

和

是由B集合中一段较长时间稳态数据确定的两个统计量，对于给定显著性水平α，满足：

若m＝0位于

区间内，则有(1-α)的置信度认为，该时间段内系统处于稳态；通过这样的方法将集合A稳态筛选成集合B，将集合B分为集合C、集合D两部分，进入步骤3。

进一步地：在步骤5中，所述参数包括燃机功率、大气温度、大气压力、大气湿度、压气机入口温度、压气机入口压力和IGV开度。

进一步地：在步骤5中，所述压比残差即为压气机压比实际观察值与支持向量机回归模型输出值之差。

进一步地：在步骤8中，当压气机基准压比取压比基准区间的上限π_c0+e_h时，计算压比降有：

当压气机基准压比取压比基准区间的下限π_c0+e_l时，计算压比降有：

式中：δ_h为压气机上限压比降，δ_l为压气机下限压比降，π_c为压气机实际观测压比，π_c0为支持向量机回归模型输出值，即压气机基准压比的预测值，e_h为压比残差的上限值，e_l为压比残差的下限值。

本发明所涉及的一种电站燃气轮机离线水洗时间的确定方法的有益效果是：

本发明所涉及的一种电站燃气轮机离线水洗时间的确定方法，利用数据挖掘、机器学习、统计理论等技术，提出实用化的水洗时间确定的方法。充分考虑电站燃气轮机实际运行状态，发生结垢故障的严重程度，从而确定离线水洗时间，规避潜在故障。本发明考虑了功率和环境因素等边界条件变化影响，提出支持向量机与核密度估计联合统计的方法，确定压气机基准压比模型，进而得到不同工况下压气机基准压比区间。本发明还考虑到单一离线水洗时刻不满足对于电厂现场实际决策需求，在压比基准区间基础上，结合离线水洗的经验标准，计算压比降上下限，并将压比降上、下限均达到水洗阈值时其对应的两个时间点，确定离线水洗的时间区间。这样的离线水洗时间更加科学合理，可以充分提高机组运行效率以及设备的利用率，进而增加企业效益和市场核心竞争力。本发明依据电站燃气轮机(燃料为天然气)发生结垢故障的严重程度，科学合理地确定电站燃气轮机离线水洗的时间区间，从而提高燃气轮机运行效率和企业的经济效益。

附图说明

图1为一种电站燃气轮机离线水洗时间的确定方法的流程示意图；

图2为原始数据的稳态筛选示例图；

图3为基于支持向量机回归的压气机基准压比模型示意图；

图4-a为C集合部分训练样本实际值与回归值对比示例图；

图4-b为C集合部分测试样本实际值与回归值对比示例图；

图5-a为D集合部分样本压比残差示例图；

图5-b为压比残差核密度分布曲线示例图。

具体实施方式

下面结合实施例对本发明的技术方案做进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

实施例1

结合图1、图2、图3和图4-a说明本实施例，在本实施例中，本实施例所涉及的一种电站燃气轮机离线水洗时间的确定方法，它包括以下步骤：

步骤1：首先从燃机电站数据库(如PI数据库)中选取覆盖电站燃气轮机运行全工况的历史健康数据，称为集合A。其中电站燃气轮机主要依据燃机功率、环境大气温度、燃料(如天然气)热值3个因素来确定运行工况。所述历史健康数据包括压气机入口、出口温度和压力，燃机功率、环境温度、IGV阀门开度等类型；

步骤2：在机组从一个稳定工况过渡到另一个稳定工况时，由于机组各特征变量的惯性延时程度不同，过程中的参数值不能真实地反映机组当前的输入输出特性，只有机组在稳定运行时才能反映机组的实际运行情况；考虑实际情况选择燃机功率作为系统稳态判别的唯一特征参数，对集合A中的数据进行稳态筛选，筛选后的稳态运行数据称为集合B。示例如图2所示。

步骤201：用一个统一模型表示稳态与非稳态过程，公式为：

式中，x_t表示t时刻功率的测量值，μ表示功率的真实值，m代表功率的变化速率。ε_t代表功率在t时刻的随机误差，一般是由机械振动、热运动、湍流、以及杂乱的电子信号污染等多因素引起的。

步骤202：假设随机误差服从正态分布，且不同时刻的随机误差相互独立。稳态与非稳态过程的区别在于负荷响应速率是否等于0。为了便于对m值大小进行估计，采用相邻两个时刻参数的差值Δx作为特征统计量，公式为：

Δx＝x_t-x_t-1＝m+(ε_t-ε_t-1)

步骤203：统计量Δx的期望为m，根据时间序列的性质，可以用样本时间窗口内的统计量Δx的均值进行期望的估计，公式为：

式中，h表示判稳时间窗口内的样本数目，从电厂数据库1min采集一个数据，统计20min的数据进行筛选，故h＝20。

步骤204：为了保证估计的可靠性，本文采用置信区间估计的方法。

和

是由B集合中一段较长时间稳态数据确定的两个统计量，对于给定显著性水平α(可以取值为0.05)，满足：

若m＝0位于

区间内，则有(1-α)的置信度认为，该时间段内系统处于稳态。通过这样的方法将集合A稳态筛选成集合B。与此同时将集合B分为集合C、集合D两部分，进入步骤3。

步骤3：分析影响压气机压比的边界条件和因素，确定基于支持向量机回归的压气机基准压比求取模型的输入变量和输出量；通过质量守恒、能量守恒原理、机组运行机制、机组控制系统及工艺流程来分析相关的辅助变量，兼顾燃机电站实际情况，本实施例选取燃机功率、大气温度、大气压力、大气湿度、压气机入口温度、压气机入口压力、IGV开度7个参数作为支持向量机回归模型输入变量，压气机基准压比作为支持向量机回归模型的输出值；如图3所示，建立了基于支持向量机回归的压气机基准压比求取模型。

步骤4：利用C集合健康状态样本数据来训练基于支持向量机回归的压气机基准压比求取模型，样本数据量越多，训练好的模型准确度越高。为了便于观察，展示500组数据实例如图4-b所示，健康状态历史数据压气机压比也就是压气机基准压比。

步骤5：利用集合D中的健康状态样本数据，将D集合中数据参数(包括燃机功率、大气温度、大气压力、大气湿度、压气机入口温度、压气机入口压力、IGV开度7个参数)输入到步骤4已经训练好的支持向量机回归模型中，计算D集合中压气机压比实际值与支持向量机回归模型输出值之差，称之为称为压比残差，数据实例如图5-a所示。

步骤6：步骤5中求取的压比残差样本的概率密度函数的具体形式并不明确，为保证求取压比基准值的准确性，此时利用核密度估计方法来对残差样本的密度函数进行估计，如图5-b所示，进而得到显著性水平为α(这里可以取值为0.01)时的压比残差的上下限值e_h、e_l。针对本实施例中利用的数据示例，e_h＝0.1064，e_l＝-0.0601。

步骤7：步骤1到步骤6进行的分析都在离线部分进行，可确定好压气机基准压比回归模型、核密度估计统计的压比残差；实时监测得到一组工况参数，带入支持向量机回归模型，便可得到压气机基准压比的预测值π_c0，压比基准区间的上、下限分别为π_c0+e_h和π_c0+e_l，故压气机压比基准区间为[π_c0+e_l,π_c0+e_h]；

步骤8：本实施例用压气机压比降来表征电站燃气轮机结垢的严重程度，计算实时压比降。当压气机基准压比取压比基准区间的上限计算压比降有：

当压气机基准压比取压比基准区间的下限计算压比降有：

式中：δ_h为压气机上限压比降，δ_l为压气机下限压比降，π_c为压气机实际观测压比，π_c0为支持向量机回归模型输出值，即压气机基准压比的预测值，e_h为压比残差的上限值，e_l为压比残差的下限值。

步骤9：确定水洗阈值。通过相关文献查询可知压气机压比每下降1％，燃气轮机功率下降约1.35％。引发的功率变化。当压气机压比下降3.7％时，对应燃气轮机功率下降5％。因此，在本实施例中将水洗阈值定为3.7％。不同类型的燃机机组情况不同，需要根据实际情况对水洗阈值进行修正，具体水洗阈值为k*3.7％，这里k为修正参数。

步骤10：当上限压比降δ_h达到水洗阈值时对应的时间为t_a，并发出水洗预警信号；当下限压比降δ_l达到水洗阈值时对应的时间为t_b，发出水洗报警信号。故在[t_a,t_b]时间段内，结合电厂实际运行情况采取水离线洗措施。

对于烧天然气燃气轮机的来说压气机比燃气透平积垢更敏感，压气机积垢占着主导地位，燃气机组在运行时透平上积垢很少，对出力影响也较小，机组出力的下降主要是压气机压比下降所致。对于压气机离线水洗，一般经验是以燃气轮机功率下降5％为依据，由于发电燃气轮机的功率由电网侧控制，不易监测其由于结垢引发的功率变化，除此之外机组出力与很多的因素相关，譬如环境状况、发电机效率、负荷齿轮箱效率、温控系统等，这些因素都可能干扰我们对机组真实情况的判断。因此与机组出力相比，压气机压比降更容易直观反映出机组积垢的实际程度。采用压气机压比降作为电站燃气轮机(燃料为天然气)发生结垢故障的严重程度指标以及离线水洗的特征指标。从压气机的角度合理选择好离线水洗频率也就保证了整个机组的除垢周期。

Claims (6)

1.一种电站燃气轮机离线水洗时间的确定方法，其特征在于，它包括以下步骤：

步骤1、从燃机电站数据库选取覆盖电站燃气轮机全工况的历史健康数据；即集合A；

步骤2、对集合A进行稳态筛选，得到稳定工况下的运行数据，即集合B；将集合B分为集合C和集合D；

步骤3、分析影响压气机压比的边界条件和因素，确定基于支持向量机回归的压气机基准压比求取模型的输入变量和输出量，从而建立基于支持向量机回归的压气机基准压比模型；

步骤4、利用集合C的健康状态数据样本训练和测试压气机基准压比模型；

步骤5、利用集合D的健康状态数据样本，将数据样本参数输入到训练后的压气机基准压比模型中，计算压比残差；

步骤6、利用核密度估计法对所述压比残差进行统计分析，进而得到显著性水平为α时的压比残差的上限值e_h和下限值e_l；

步骤7、实时监测燃气轮机得到一组工况参数，带入压气机基准压比模型，得到压气机基准压比的预测值π_c0、压比基准区间的上限π_c0+e_h、压比基准区间的下限π_c0+e_l和压气机压比基准区间[π_c0+e_l,π_c0+e_h]；

步骤8、利用压气机压比降来表征电站燃气轮机结垢的严重程度，计算实时压比降；

步骤9、根据燃机机组设定水洗阈值；

步骤10、当上限压比降δ_h达到水洗阈值时，对应的时间为t_a，发出水洗预警信号；当下限压比降δ_l达到水洗阈值时对应的时间为t_b，发出水洗报警信号；当在[t_a,t_b]时间段内时进行离线水洗。

2.根据权利要求1所述的一种电站燃气轮机离线水洗时间的确定方法，其特征在于，在步骤1中，所述历史健康数据包括压气机入口、出口的温度和压力、燃机功率、环境温度、IGV阀门开度。

3.根据权利要求1所述的一种电站燃气轮机离线水洗时间的确定方法，其特征在于，在步骤2中，所述对历史健康数据进行稳态筛选包括以下步骤：

步骤201：用一个统一模型表示稳态与非稳态过程，公式为：

式中，x_t表示t时刻功率的测量值，μ表示功率的真实值，m代表功率的变化速率；ε_t代表功率在t时刻的随机误差；

步骤202：所述稳态与非稳态过程的区别在于负荷响应速率是否等于0；采用相邻两个时刻参数的差值Δx作为特征统计量，公式为：

Δx＝x_t-x_t-1＝m+(ε_t-ε_t-1)

步骤203：所述特征统计量Δx的期望为m，根据时间序列的性质，用样本时间窗口内的特征统计量Δx的均值进行期望的估计，公式为：

式中，h表示判稳时间窗口内的样本数目，从燃机电站数据库1min采集一个数据，统计20min的数据进行筛选，故h＝20；

步骤204：采用置信区间估计的方法，

和

是由B集合中一段较长时间稳态数据确定的两个统计量，对于给定显著性水平α，满足：

若m＝0位于

区间内，则有(1-α)的置信度认为，该时间段内系统处于稳态；通过这样的方法将集合A稳态筛选成集合B，将集合B分为集合C、集合D两部分，进入步骤3。

4.根据权利要求1所述的一种电站燃气轮机离线水洗时间的确定方法，其特征在于，在步骤5中，所述参数包括燃机功率、大气温度、大气压力、大气湿度、压气机入口温度、压气机入口压力和IGV开度。

5.根据权利要求1所述的一种电站燃气轮机离线水洗时间的确定方法，其特征在于，在步骤5中，所述压比残差即为压气机压比实际观察值与支持向量机回归模型输出值之差。

6.根据权利要求1所述的一种电站燃气轮机离线水洗时间的确定方法，其特征在于，在步骤8中，当压气机基准压比取压比基准区间的上限π_c0+e_h时，计算压比降有：

当压气机基准压比取压比基准区间的下限π_c0+e_l时，计算压比降有：

式中：δ_h为压气机上限压比降，δ_l为压气机下限压比降，π_c为压气机实际观测压比，π_c0为支持向量机回归模型输出值，即压气机基准压比的预测值，e_h为压比残差的上限值，e_l为压比残差的下限值。

Images