CN110544051A - 一种火电厂大型凝汽式汽轮机的经济性实时评估方法 - Google Patents

Abstract

一种火电厂大型凝汽式汽轮机的经济性实时评估方法，以大多数火电厂已配置的厂级监控信息系统为依托，通过对SIS数据库中与汽轮机经济性相关测点的历史数据的分析，以汽轮机历史运行期间的某段性能优良时期的状态为基准，通过数据预处理及多轮训练并利用深度信念网络算法实现了当前汽轮机经济性对比其基准状态的相对值，从而实现了汽轮机经济性状态的实时评估。本发明依托SIS系统使用方便，实用性强，可帮助火电厂运行人员及设备主人实时掌握汽轮机性能状态，并可为大型凝汽式汽轮机的大修时间安排提供参考，为火电厂海量数据的知识挖掘及相关设备的状态检修探索了新的方向。

Description

一种火电厂大型凝汽式汽轮机的经济性实时评估方法

技术领域

本发明涉及火电厂汽轮机技术领域，特别涉及一种火电厂大型凝汽式汽轮机的经济性实时评估方法。

背景技术

检修成本及其附加造成的其他成本是火电厂中除燃料成本之外的主要支出费用之一。在预防性检修中，主要有计划检修和状态检修，计划检修模式既消耗了大量的人力物力，降低了机组的产能，又可能造成设备的过维修或欠维修，导致设备总体故障率不降反升。状态检修根据先进的设备状态监测及评估技术，获取设备的实时状态，以考量设备是否需要进行检修、何时检修、检修何处，从而达到在不影响或少影响设备生产的情况下降低维修费用、降低设备总体故障率的效果。

大型凝汽式汽轮机作为火电厂最重要的主机设备，其经济运行程度关系着整个电厂的经济性指标。而传统的汽轮机性能试验方法不仅费用高，试验时需要申请负荷、安装诸多仪器仪表等，且一般仅在新机投运或大修前后进行，难以对其他时间汽轮机的经济性进行评价。因此，电厂运行和检修人员难以对汽轮机经济性做出实时的、合理的评价，状态检修也就无从谈起。

数据挖掘技术的兴起为火电厂大型凝汽式汽轮机的经济性实时评估带来了新的契机，新的数据处理手段可以在火电厂SIS系统中积累的大量数据中得到使用，进一步促进火电厂状态检修的深入研究和应用。

发明内容

为了解决以上技术问题，本发明的目的在于提供一种火电厂大型凝汽式汽轮机的经济性实时评估方法，使电厂运行和检修人员实时了解汽轮机的性能状态，合理调整运行并安排检修，从而提高汽轮机总体可用率，提高整个电厂经济效益。

为了实现上述目的，本发明采用的技术方案是：

一种火电厂大型凝汽式汽轮机的经济性实时评估方法，包括以下步骤；

1)收集统计与待评估汽轮机经济性相关的SIS测点；

2)确定可作为此汽轮机性能状态参照基准的时间段t₀及测试时间段t_test；

3)取t₀及t_test时间段内按步骤1)所选测点得到的数据，分别进行初处理，得到初处理数据InitialData₀和InitialData_test；

4)对InitialData₀和InitialData_test分别进行稳态筛选，得到t₀及t_test时间段内的稳态数据SteadyData₀和SteadyData_test；

5)建立2个叠加的受限玻尔兹曼机(RBM)模型，采用InitialData₀对叠加的2层RBM模型进行预训练；

6)在步骤5)中建立的2层RBM模型之后叠加一层输出层并初始化，形成一个3层的深度信念网络(DBN)；

7)使用InitialData₀对步骤6)中得到的3层DBN模型进行第一次参数微调，调整各层的权值和偏置；

8)使用SteadyData₀对步骤7)中得到的DBN模型进行第二次参数微调；

9)使用SteadyData_test对DBN模型的效果进行验证；

10)建立待评估汽轮机的经济性实时评估模型；

11)将汽轮机的实时SIS数据进行处理，得到实时稳态数据CurrentSteadyData，并输入步骤10)中建立的评估模型得到预测数据CurrentIdealOut；

12)将汽轮机当前的实时功率数据CurrentOut与步骤11)中得到的模型预测数据CurrentIdealOut进行对比，得到汽轮机的经济性相对指标。

所述步骤1)的凝汽式汽轮机经济性相关的SIS测点应包括但不限于如表1所示测点：

表1凝汽式汽轮机经济性相关的SIS测点

所述步骤2)的汽轮机性能状态参照基准的时间段t₀，需选取汽轮机新投运后、大修完正常投运后或其他性能相对较优的时间，为确保基准时间段内数据的数量足够建立评估模型，同时在此期间汽轮机性能并不发生过大变化，此基准时间段t₀取3～5个月为宜；所述步骤2)的测试时间段t_test取t₀之后的2年或以上为宜。

所述步骤3)的数据初处理，主要包括原始数据的插值处理，去除输出功率低于30％额定负荷以下的数据，及去除汽动给水泵未投入运行时的数据，并进行[0，1]区间归一化，其中，插值处理的插值时间间隔为1～2分钟，插值方式为线性插值。

所述步骤4)的稳态筛选，按汽轮机输出功率及给水泵出口水流量波动幅度均小于1.5％～2％，并且稳态持续时间大于或等于30分钟的原则进行筛选，如式(1)、(2)所示：

(P_max-P_min)_t＜(P_average)_t×P_range (1)

(F_max-F_min)_t＜(F_average)_t×F_range (2)

式中：P_max和P_min分别表示时间区间t内汽轮机输出功率的最大值和最小值；P_average表示时间区间t内汽轮机输出功率的平均值；P_range表示为筛选稳态设置的汽轮机输出功率的允许波动幅度，其取值应在1.5％～2％之间；F_max和F_min分别表示时间区间t内给水泵出口水流量的最大值和最小值；F_average表示时间区间t内给水泵出口水流量的平均值；F_range表示为筛选稳态设置的给水泵出口水流量的允许波动幅度，其取值应在1.5％～2％之间；t表示为筛选稳态设置的稳态持续最短时间，取为30分钟；

进行稳态筛选时，t从初始时刻到最末时刻之间连续滑动选取，如果所选取的稳态区间重叠，则将其合并，最终筛选出的稳态区间则均大于或等于30分钟。

所述步骤5)中建立的2个叠加的RBM模型，此2个RBM的显层均为实数数据，隐层均为0或1的二值数据，第一层RBM的显层神经元数量为步骤1)中得到的除发电机功率测点以外的测点数量；第二个RBM的输入层对应第一个RBM输出层的概率值，如式(3)所示：

式中：y_j表示第二个RBM的第j维输入值，σ表示函数b表示隐层的偏置向量，x_i表示第一个RBM的第i维输入值，w_ij表示显层的第i个神经元与隐层的第j个神经元之间的连接权值。

RBM隐层神经元数量的选取与显层神经元数量及训练样本数量有关，且一般凭经验选取，这里根据步骤1)中所选测点数量一般在100～150之间、步骤2)中选取的训练数据所在基准时间段t₀为3～5个月，将此2层RBM的隐层神经元数均取在10～20之间；

RBM的参数中，权值矩阵w通过N(0，0.01²)的高斯分布初始化为小的随机数，偏置向量a和b初始化为全零向量；

RBM训练时采用的训练数据为InitialData₀中除发电机功率测点以外的数据，训练时对数据进行小批量Mini-batch划分，每个Mini-batch的数据量大小在50～100为宜；

RBM的训练采用对比散度CD-1算法，具体如式(4)～(9)所示：

Δw_ij＝α(v1_ih1_j-v2_ih2_j) (7)

Δb_j＝α(h1_j-h2_j) (8)

Δa_i＝α(v1_i-v2_i) (9)

式中：v1表示显层输入数据，h1表示第一轮计算得到的隐层输出，v2表示由h1重构出的显层输入，h2表示第二轮计算得到的隐层输出，a表示显层的偏置向量，α表示学习率，Δw_ij表示一次训练中w_ij的学习量，Δb_j表示一次训练中b_j的学习量，Δa_i表示一次训练中a_i的学习量。sigmrnd函数的计算方式为，先产生一个[0，1]均匀分布中的随机数r，当输入x>r时，输出为1，其他情况输出为0。

所述步骤6)中2层RBM与一层输出层的叠加，是在2层RBM后加上一层仅包含一个神经元的输出层，作为整个网络的输出；初始化针对的是与输出层直接相连的权值和偏置。

所述步骤7)中的第一次参数微调，是使用初处理数据InitialData₀对DBN模型采用反向传播算法进行训练，输入数据为InitialData₀中除发电机功率测点以外的数据，输出数据为InitialData₀中的发电机功率测点数据。

所述步骤8)中的第二次参数微调，是使用稳态数据SteadyData₀对DBN模型采用反向传播算法进行训练，输入数据为SteadyData₀中除发电机功率测点以外的数据，输出数据为SteadyData₀中的发电机功率测点数据。

所述步骤9)中的模型验证，是将SteadyData_test按时间顺序由前到后分别输入DBN模型，根据步骤12)中所述汽轮机经济性相对指标随时间的变化程度，与汽轮机检修记录进行对比，验证模型的有效性。对比要点在于，有益于汽轮机经济性的检修会使经济性相对指标提升，而在长期运行过程中随着设备老化、磨损等，经济性相对指标会持续缓慢地下降。

所述步骤10)中建立评估模型的过程，需要将步骤5)、6)、7)、8)、9)重复进行多次，得到N个模型(N>3)，在每次预测时，将此N个模型的预测平均值作为最终预测值，如式(10)所示：

式中：Y_final表示最终预测值，Y_i表示第i个模型的预测值。

所述步骤11)中对汽轮机实时SIS数据进行的处理，即为与步骤3)和4)相同的初处理及稳态筛选，但在此次初处理中的[0，1]区间归一化环节，可能出现归一化后的数据不在[0，1]区间的情况，需进行如式(11)的处理：

式中：Data₁为归一化之后处理之前的数据，Data₂为处理后数据；

在计算预测数据CurrentIdealOut时，采用的输入数据是CurrentSteadyData中除发电机功率测点以外的数据。

所述步骤12)中汽轮机当前的实时功率数据CurrentOut，指CurrentSteadyData中的发电机功率测点数据，汽轮机的经济性相对指标，指短时间内(一周或至多一个月内)同一负荷等级(相差不超过10％额定负荷)情况下实时功率数据CurrentOut与模型预测数据CurrentIdealOut之比的平均值，即作为该负荷等级下汽轮机当前的经济性相对指标，如式(12)所示：

式中：C为所选负荷等级下汽轮机当前的经济性相对指标；N为所选时间内所选负荷等级下的分析数据点数量。

本发明的有益效果：

本发明以大多数火电厂已配置的厂级监控信息系统(SIS)为依托，通过对SIS数据库中与汽轮机经济性相关测点的历史数据的分析，以汽轮机历史运行期间的某段性能优良时期的状态为基准，通过数据预处理及多轮训练并利用深度信念网络算法实现了当前汽轮机经济性对比其基准状态的相对值，从而实现了汽轮机经济性状态的实时评估。本发明依托SIS系统使用方便，实用性强，可帮助火电厂运行人员及设备主人实时掌握汽轮机性能状态，并可为大型凝汽式汽轮机的大修时间安排提供参考，为火电厂海量数据的知识挖掘及相关设备的状态检修探索了新的方向。

附图说明

图1是火电厂大型凝汽式汽轮机的经济性实时评估方法流程图。

图2是H机经济性相对指标随时间的变化示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

下面结合附图及某电厂的1000MW凝汽式汽轮机(以下简称H机)为案例对本发明作进一步说明。本发明的汽轮机经济性实时评估方法流程如图1所示，各详细步骤如下：

1)收集统计与H机经济性相关的SIS测点，按照表1所示的清单选取，个别测点可能有多个，一并选取，一共取得105个测点；

2)由于H汽机于2009年投运，上次大修时间在2010年，距今较久，SIS数据缺失，该汽机现存有效SIS数据是2016年7月至今，这里选取2016年7月～2016年9月为基准时间段t₀，选取2016年10月～2018年9月为测试时间段t_test；

3)取t₀及t_test时间段内按步骤1)所选105个测点得到的数据，分别进行2分钟间隔的线性插值处理，去除输出功率低于300MW以下的数据，去除汽动给水泵未投入运行时的数据(此处判别标准为2台小汽轮机的进汽流量均大于30t/h)，并进行[0，1]区间归一化，得到初处理数据InitialData₀和InitialData_test；

4)对InitialData₀和InitialData_test按汽轮机输出功率及给水泵出口水流量波动幅度均小于1.5％，并且稳态持续时间大于或等于30分钟的原则分别进行稳态筛选，筛选公式如前所述式(1)、(2)所示，得到t₀及t_test时间段内的稳态数据SteadyData₀和SteadyData_test；

5)建立2个叠加的受限玻尔兹曼机(RBM)模型，第一层RBM的显层有104个(105个测点中去除发电机功率测点)神经元，第一层RBM的隐层神经元数(等于第二层RBM的显层神经元数)取12，第二层RBM的隐层神经元数亦取12，经过初始化后，采用InitialData₀中除发电机功率测点以外的数据，通过对比散度CD-1算法对叠加的2层RBM模型进行预训练；

6)在步骤5)中建立的2层RBM模型之后叠加一层仅包含一个神经元的输出层并初始化，形成一个3层的深度信念网络(DBN)；

7)使用InitialData₀对步骤6)中得到的3层DBN模型进行第一次参数微调，调整各层的权值和偏置；

8)使用SteadyData₀对步骤7)中得到的DBN模型进行第二次参数微调；

9)使用SteadyData_test对DBN模型的效果进行验证(见图1)；

10)建立H机的经济性实时评估模型，这里一共选取了7个子模型，在每次预测时，将此7个子模型的预测平均值作为最终预测值；

11)将H机2019年1月～2019年4月的实时SIS数据进行与步骤3)和4)相同的初处理及稳态筛选，得到稳态数据CurrentSteadyData，并输入步骤10)中建立的评估模型得到预测数据CurrentIdealOut；

12)将汽轮机当前的实时功率数据CurrentOut与步骤11)中得到的模型预测数据CurrentIdealOut进行对比，得到汽轮机的经济性相对指标。此处的汽轮机经济性相对指标，按月计算，负荷范围为900MW以上，取各月实时功率数据CurrentOut与模型预测数据CurrentIdealOut之比的平均值，作为该月该负荷等级下汽轮机经济性相对指标C。

通过以上各步骤，得到如图2所示的H机经济性相对指标随时间的变化。

图中t＝1的点为用于训练的t₀时间段的数据，此时C≈1，可知模型对训练数据的拟合非常好。图中t＝23与t＝24这两个点之间，H机进行了为期2个月的大修，从图中可清晰地看出，在t＝23及其之前的点，汽轮机经济性相对指标C一直处于缓慢的下降趋势中，这与汽轮机性能随时间的缓慢下降基本吻合；在t＝24的点，C突然快速上升，并在之后的4个月中维持高位，这与汽轮机大修后性能快速提升完全吻合。以上讨论说明，本方法在火电厂大型凝汽式汽轮机的经济性实时评估中是有效的。

Claims (6)

1.一种火电厂大型凝汽式汽轮机的经济性实时评估方法，包括以下步骤；

1)收集统计与待评估汽轮机经济性相关的SIS测点；

2)确定可作为此汽轮机性能状态参照基准的时间段t₀及测试时间段t_test；

3)取t₀及t_test时间段内按步骤1)所选测点得到的数据，分别进行初处理，得到初处理数据InitialData₀和InitialData_test；

4)对InitialData₀和InitialData_test分别进行稳态筛选，得到t₀及t_test时间段内的稳态数据SteadyData₀和SteadyData_test；

5)建立2个叠加的受限玻尔兹曼机(RBM)模型，采用InitialData₀对叠加的2层RBM模型进行预训练；

6)在步骤5)中建立的2层RBM模型之后叠加一层输出层并初始化，形成一个3层的深度信念网络(DBN)；

7)使用InitialData₀对步骤6)中得到的3层DBN模型进行第一次参数微调，调整各层的权值和偏置；

8)使用SteadyData₀对步骤7)中得到的DBN模型进行第二次参数微调；

9)使用SteadyData_test对DBN模型的效果进行验证；

10)建立待评估汽轮机的经济性实时评估模型；

11)将汽轮机的实时SIS数据进行处理，得到实时稳态数据CurrentSteadyData，并输入步骤10)中建立的评估模型得到预测数据CurrentIdealOut；

12)将汽轮机当前的实时功率数据CurrentOut与步骤11)中得到的模型预测数据CurrentIdealOut进行对比，得到汽轮机的经济性相对指标。

2.根据权利要求1所述的一种火电厂大型凝汽式汽轮机的经济性实时评估方法，其特征在于，所述步骤1)的凝汽式汽轮机经济性相关的SIS测点应包括但不限于如表1所示测点：

表1 凝汽式汽轮机经济性相关的SIS测点

3.根据权利要求1所述的一种火电厂大型凝汽式汽轮机的经济性实时评估方法，其特征在于，所述步骤2)的汽轮机性能状态参照基准的时间段t₀，需选取汽轮机新投运后、大修完正常投运后或其他性能相对较优的时间，为确保基准时间段内数据的数量足够建立评估模型，同时在此期间汽轮机性能并不发生过大变化，此基准时间段t₀取3～5个月为宜；所述步骤2)的测试时间段t_test取t₀之后的2年或以上为宜。

4.根据权利要求1所述的一种火电厂大型凝汽式汽轮机的经济性实时评估方法，其特征在于，所述步骤5)中建立的2个叠加的RBM模型，RBM隐层神经元数量的选取与显层神经元数量及训练样本数量有关，这里根据步骤1)中所选测点数量一般在100～150之间、步骤2)中选取的训练数据所在基准时间段t₀为3～5个月，将此2层RBM的隐层神经元数均取在10～20之间；RBM的参数中，权值矩阵w通过N(0，0.01²)的高斯分布初始化为小的随机数。

5.根据权利要求1所述的一种火电厂大型凝汽式汽轮机的经济性实时评估方法，其特征在于，所述步骤7)中的第一次参数微调，是使用初处理数据InitialData₀对DBN模型采用反向传播算法进行训练；所述步骤8)中的第二次参数微调，是使用稳态数据SteadyData₀对DBN模型采用反向传播算法进行训练。

6.根据权利要求1所述的一种火电厂大型凝汽式汽轮机的经济性实时评估方法，其特征在于，所述步骤12)中汽轮机的经济性相对指标，指短时间内(一周或至多一个月内)同一负荷等级(相差不超过10％额定负荷)情况下实时功率数据CurrentOut与模型预测数据CurrentIdealOut之比的平均值，即作为该负荷等级下汽轮机当前的经济性相对指标，如式(12)所示：

式中：C为所选负荷等级下汽轮机当前的经济性相对指标；N为所选时间内所选负荷等级下的分析数据点数量。