CN112818595A - 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 - Google Patents
一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 Download PDFInfo
- Publication number
- CN112818595A CN112818595A CN202110120373.2A CN202110120373A CN112818595A CN 112818595 A CN112818595 A CN 112818595A CN 202110120373 A CN202110120373 A CN 202110120373A CN 112818595 A CN112818595 A CN 112818595A
- Authority
- CN
- China
- Prior art keywords
- data
- physical
- evaporation
- twin
- model
- 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
Links
- 238000001704 evaporation Methods 0.000 title claims abstract description 219
- 230000008020 evaporation Effects 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 24
- 229920006395 saturated elastomer Polymers 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000002184 metal Substances 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种火电厂蒸发区的数字孪生模型数据的修正方法及系统,所述修正方法包括以下步骤:获取蒸发区物理系统的运行物理数据,采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计,获得真实的运行物理数据;使用机理模型和神经网络构建获得蒸发区数字孪生体模型;将蒸发区物理系统和蒸发区数字孪生体模型同步运行,获得真实运行数据和孪生数据,基于真实运行数据对孪生数据进行修正。本发明结合自适应平方根无迹卡尔曼滤波、神经网络等方法,能够实现蒸发区数字孪生体的模型及数据的实时修正,以达到数字孪生体对蒸发区运行状况的一致性模拟。
Description
技术领域
本发明属于火电厂智能控制技术领域,特别涉及一种火电厂蒸发区的数字孪生模型数据的修正方法及系统。
背景技术
工业互联网、智能制造、人工智能以及大数据等技术的迅速发展推动着传统工业的产业升级,工业制造和生产正朝着智能化、数字化和信息化的方向发展,建设智能的工业系统已经成为了工业行业的共识。作为典型的流程工业行业之一,发电厂在社会生产生活当中扮演着重要的角色,其中火力发电厂更是在发电行业中占据着主导地位。如何实现智能高效的火力发电一直是发电行业密切关注的问题,火力发电厂作为复杂的工业大系统,其生产环节复杂,设备种类繁多,使得其生产控制十分的困难。作为火电厂产生蒸汽动力的源头,蒸发区在整个火电厂锅炉系统当中占据着相当重要的地位,蒸发区主要包括汽包、水冷壁和下降管等,蒸发区的运行工况好坏密切地影响着后续蒸汽的品质和发电系统,因此蒸发区的研究有着十分重要的意义。
目前对于蒸发区的建模和仿真研究主要从机理建模和数据建模的角度开展,机理建模主要从系统的物理机理出发,围绕相应的质量守恒和能量守恒关系以及辅助方程等,建立系统的仿真模型。数据建模即黑盒模型,不需要了解系统的内部原理,只需要从输入输出数据便可得出其间的逻辑关系,不过数据建模得到的系统模型局限性和普适性不高。目前的蒸发区计算机仿真研究可以为蒸发区的控制管理带来一定的指导作用,但是随着智能电厂时代的到来,之前单纯的蒸发区计算机仿真已经不能满足需求。
数字孪生技术作为具有广阔前景的新兴智能技术,受到了各行业广泛的关注,将数字孪生技术应用到工业生产中,可以提高工业系统的智能化,已经逐渐地引起了行业的重视。目前数字孪生技术在火电厂蒸发区的应用成果十分稀少,如何使用数字孪生技术去智能地指导和管理蒸发区的生产运行鲜有学者研究。数字孪生技术的关键在于建模和数据的映射,目前研究中的数字孪生体模型主要为简化的数学模型,难以精确地模拟真实系统的运行状况,所产生的孪生数据与真实物理数据差距较大。另外,即使在数字孪生模型十分精确的情况下,数字孪生体模拟产生的孪生数据也是会与真实数据存在不一致;孪生数据与真实物理数据的一致性问题是数字孪生的基础问题,然而数据的一致性问题一直没有有效地解决方案,相关的研究资料也是十分稀少。为了使构建的数字孪生体能有效准确地模拟蒸发区的运行工况,需要从孪生模型实时修正和孪生数据实时修正两方面去解决蒸发区孪生数据与真实数据的一致性问题。
发明内容
本发明的目的在于提供一种火电厂蒸发区的数字孪生模型数据的修正方法及系统,从孪生模型实时修正和孪生数据修正的角度出发,以解决蒸发区系统数字孪生体模拟产生的孪生数据与真实蒸发区运行数据的一致性问题。本发明结合自适应平方根无迹卡尔曼滤波、神经网络等方法,能够实现蒸发区数字孪生体的模型及数据的实时修正,以达到数字孪生体对蒸发区运行状况的一致性模拟。
为达到上述目的,本发明采用以下技术方案:
本发明的一种火电厂蒸发区的数字孪生模型数据的修正方法,包括以下步骤:
获取蒸发区物理系统的运行物理数据,将其作为蒸发区数字孪生物理系统的真实数据;基于获得的运行物理数据,采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计,获得真实的运行物理数据;
使用机理模型和神经网络构建获得蒸发区数字孪生体模型;
将蒸发区物理系统和蒸发区数字孪生体模型同步运行,二者使用相同的蒸发区输入,通过蒸发区数字孪生体模型模拟真实蒸发区物理系统的运行情况,获得真实运行数据和孪生数据,基于真实运行数据对孪生数据进行修正。
本发明的进一步改进在于,所述获取蒸发区物理系统的运行物理数据中,将火电厂仿真机的锅炉蒸发区作为所述蒸发区物理系统。
本发明的进一步改进在于,所述获取蒸发区物理系统的运行物理数据中,所述运行物理数据包括:
蒸发区输入物理量,包括:吸热量、锅炉给水量、给水温度、给水压力、过热蒸汽压力;
蒸发区状态量,包括:汽包压力、汽包水位;
蒸发区输出物理量,包括:饱和蒸汽流量、汽包压力、饱和蒸汽温度。
本发明的进一步改进在于,所述真实的运行物理数据包括:
蒸发区输入物理量,包括:吸热量、锅炉给水量、给水温度、给水压力、过热蒸汽压力;
蒸发区状态量,包括:汽包压力、汽包水位、上升管出口蒸汽质量分数、蒸发区水的总体积;
蒸发区输出物理量,包括:饱和蒸汽流量、汽包压力、饱和蒸汽温度。
本发明的进一步改进在于,所述采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计的具体步骤包括:
蒸发区物理系统为非线性多输入多输出系统,采用通用的非线性系统,表达式为,
式中,xk为估计的状态量,具体为汽包压力、汽包水位、上升管出口蒸汽质量分数、蒸发区水的总体积;uk为系统输入物理量;yk为系统量测值,具体为汽包压力、汽包水位;f()为系统的状态函数,h()为量测函数,wk和vk为系统噪声和量测噪声,其协方差矩阵分别为Q和R;
采用的滤波方法为:
λ=α2(n+κ)-n
其中,n为状态量的维度,α为可调参数,β根据状态量x的先验知识选取,当状态量服从高斯分布时,β取值为2,κ取值为0,为当前时刻的估计值,Sk为当前状态量协方差矩阵的平方根,为生成的sigma点,为在求解均值的时候第i个sigma点的权值,为求解方差的时候第i个sigma点的权值;
3)、时间修正:
其中,qr(·)为矩阵的QR分解,cholupdate(a,b,c)为矩阵的Cholesky分解,为第i个sigma点的一步预测值,为状态量的一步预测值,Sk+1|k为状态量协方差矩阵的平方根的预测值;
4)、量测更新:
5)、滤波更新:
U=Kk+1Syy,k+1
Sk+1=cholupdate(Sk+1|k,U,-1);
6)、噪声估计:
Γk+1=a·exp(ρ-(k+1))+c;
其中,Γk+1为遗忘因子,设计参数a、ρ和c根据具体仿真试验确定;
本发明的进一步改进在于,所述使用机理模型和神经网络构建获得蒸发区数字孪生体模型的具体步骤包括:
(1)根据蒸发区质量守恒、能量守恒及动量守恒的物理关系推导获得蒸发区的机理模型;
(2)基于机理模型,确定蒸发区的输入输出量以及系统内部参数,得到蒸发区的仿真模型,参数为,
(3)基于神经网络构建获得蒸发区的参数模型;其中,将多组蒸发区系统在不同工况的运行数据作为神经网络训练的输入样本,将采用优化算法得到的所述多组不同工况的运行数据对应的模型参数作为神经网络的输出样本,训练获得参数模块;
(4)将步骤(2)获得的仿真模型与步骤(3)获得的参数模型融合,获得蒸发区数字孪生体模型。
本发明的进一步改进在于,所述基于真实运行数据对孪生数据进行修正的步骤具体包括:
将真实运行数据与孪生数据进行统计比对,使用基于滑动窗口的方法,通过窗口内两组数据的相关性统计关系判断孪生数据是否需要修正。
本发明的进一步改进在于,所述基于真实运行数据对孪生数据进行修正的步骤具体包括:
1、选取均方根误差RMSE和皮尔森R相关系数作为评价指标来评判窗口内孪生数据与真实运行数据之间的偏差和吻合程度。
2、当某段时间窗口内两组数据的RMSE和R均小于各自的阈值时,则认为孪生数据与真实运行数据差异较小,孪生数据能够准确映射真实物理蒸发区;
3、当滑动窗口中的孪生数据和真实运行数据的RMSE和R任意一个大于等于其阈值时,认为窗口内的孪生数据出错,无法准确模拟真实运行情况,将当前时刻该孪生数据以及造成该孪生数据出错的根源原因孪生数据进行替换;其中,使用蒸发区物理系统相应物理量的ASR-UKF滤波值替换错误的孪生数据,并将之前滑动窗口的数据清除掉。
本发明的一种火电厂蒸发区的数字孪生模型数据的修正系统,包括:
真实的运行物理数据获取模块,用于获取蒸发区物理系统的运行物理数据,将其作为蒸发区数字孪生物理系统的真实数据;用于根据获得的运行物理数据,采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计,获得真实的运行物理数据;
蒸发区数字孪生体模型获取模块,用于使用机理模型和神经网络构建获得蒸发区数字孪生体模型;
修正模块,用于将蒸发区物理系统和蒸发区数字孪生体模型同步运行,二者使用相同的蒸发区输入,通过蒸发区数字孪生体模型模拟真实蒸发区物理系统的运行情况,获得真实运行数据和孪生数据,基于真实运行数据对孪生数据进行修正。
与现有技术相比,本发明具有以下有益效果:
本发明提出的基于自适应平方根无迹卡尔曼滤波、神经网络等技术的火电厂蒸发区数字孪生模型数据修正的方法,能够解决蒸发区数字孪生数据与真实运行数据的一致性问题,实现数字孪生体对蒸发区物理系统运行工况的准确模拟。具体地,首先本发明根据改进的无迹卡尔曼滤波算法,对蒸发区物理系统当中的关键特征物理量及内部不可测物理量进行估计,解决了由于量测不准确以及某些物理量无法测量的问题,并且得到比较理想的估计值作为蒸发区数字孪生系统的物理真实值;相比于直接将物理系统量测值当做物理真实值作为输入应用到数字孪生体模型当中以及直接使用量测值去修正数字孪生体的做法,本发明使用滤波值能更加接近真实运行数据。其次,本发明基于蒸发区物理机理构建蒸发区数字孪生体模型,并且实现了蒸发区物理系统与蒸发区数字孪生体的同步运行(可通过编写计算机程序实现),基于孪生体实时模拟产生的孪生数据与物理数据的实时误差情况,来判断孪生数据与真实数据的一致性。对于蒸发区数字孪生模型的修正,使用神经网络模型来获取模型的实时修正参数,对数字孪生模型参数进行实时的修正,该方法使得数字孪生模型能跟随物理蒸发区的运行状况进行实时的更新,避免了因为模型问题而导致孪生数据错误的问题。对于孪生数据的修正,使用物理蒸发区系统的滤波值替换导致数字孪生体输出数据出错的关键数据,从数据出错的源头进行数据纠正,从而实现将孪生数据调整回真实值。综上,本发明的数据修正方法,能够实时对孪生数据进行修正,实现蒸发区数字孪生体数据与物理数据的一致性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是现有的蒸发区系统的结构示意图;
图2是本发明实施例中,蒸发区的汽包压力估计曲线示意图;
图3是本发明实施例中,蒸发区的汽包水位估计曲线示意图;
图4是本发明实施例中,蒸发区的水的总体积估计曲线示意图;
图5是本发明实施例中,蒸发区上升管出口的蒸汽质量分数估计曲线示意图;
图6是本发明实施例中,蒸发区系统机理仿真模型示意图;
图7是本发明实施例中,蒸发区数字孪生体仿真模型示意图;
图8是本发明实施例中,蒸发区数字孪生系统孪生数据修正流程示意图;
图9是本发明实施例中,蒸发区数字孪生系统孪生汽包压力修正曲线示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
本发明实施例提供了一种火电厂蒸发区数字孪生模型的数据修正方法,从孪生模型实时修正和孪生数据修正的角度出发,以解决蒸发区系统数字孪生体模拟产生的孪生数据与真实蒸发区运行数据的一致性问题;具体地,本发明的方法结合自适应平方根无迹卡尔曼滤波、神经网络等方法,实现蒸发区数字孪生体的模型及数据的实时修正,以达到数字孪生体对蒸发区运行状况的一致性模拟。
本发明实施例的一种基于自适应无迹卡尔曼滤波及神经网络的火电厂蒸发区数字孪生模型数据修正的方法,能够实时的对孪生数据进行修正,实现蒸发区数字孪生体数据与物理数据的一致性。具体步骤如下:
S1、将已有的火电厂仿真机的锅炉蒸发区作为真实的物理蒸发区,实时获取其蒸发区运行数据来作为蒸发区数字孪生物理部分的真实数据。考虑真实锅炉蒸发区某些物理量的不可测性以及传感器采集的运行数据误差较大的问题,使用随机估计方法对蒸发区的运行物理数据进行滤波,以作为真实的蒸发区实时物理运行数据。
确定火电厂蒸发区系统的输入物理量、状态量以及输出物理量,选择蒸发区特征物理量作为状态被估量,确定相应的量测物理量,并构建相应的状态方程和量测方程。
蒸发区输入物理量包括:吸热量、锅炉给水量、给水温度、给水压力、过热蒸汽压力。
蒸发区状态量包括:汽包压力、汽包水位、上升管出口蒸汽质量分数、蒸发区水的总体积等。
蒸发区输出物理量包括:饱和蒸汽流量、汽包压力、饱和蒸汽温度等。
蒸发区系统结构及系统物理量如图1所示。
S2、考虑到电厂中噪声的复杂性和未知性,本发明设计相应的自适应平方根无迹卡尔曼滤波器(ASR-UKF)进行蒸发区物理量的估计。蒸发区系统为典型的非线性多输入多输出系统,对于通用的非线性系统
其中:xk为估计的状态量,在本发明中为汽包压力、汽包水位、上升管出口蒸汽质量分数和蒸发区水的总体积,uk为系统输入物理量,yk为系统量测值,即汽包压力和汽包水位,f()为系统的状态函数,h()为量测函数,wk和vk为系统噪声和量测噪声,其协方差矩阵分别为Q和R。
本发明所使用的ASR-UKF的滤波算法为:
λ=α2(n+κ)-n
其中:n为状态量的维度,α为可调参数(0≤α≤1),β根据状态量x的先验知识选取,当状态量服从高斯分布时,β的最优值为2,κ通常取为0,为当前时刻的估计值,Sk为当前状态量协方差矩阵的平方根,为生成的sigma点,为在求解均值的时候第i个sigma点的权值,为求解方差的时候第i个sigma点的权值。
3、时间修正:
其中,qr(·)为矩阵的QR分解,cholupdate(a,b,c)为矩阵的Cholesky分解,为第i个sigma点的一步预测值,为状态量的一步预测值,Sk+1|k为状态量协方差矩阵的平方根的预测值。
4、量测更新:
5、滤波更新:
U=Kk+1Syy,k+1
Sk+1=cholupdate(Sk+1|k,U,-1)
6、噪声估计:
Γk+1=a·exp(ρ-(k+1))+c
其中,Γk+1称为遗忘因子,设计参数a、ρ和c可根据具体仿真试验确定。
S3、将设计的自适应平方根无迹卡尔曼滤波应用到蒸发区的运行物理量估计当中,考虑到目前火电厂蒸发区主要使用的测量点为汽包压力和汽包水位,本发明选择汽包压力和汽包水位为量测量去估计其余物理量。选择汽包压力、蒸发区水的体积、汽包水位、上升管出口蒸汽质量分数作为被估量,其中汽包压力和汽包水位即作为量测量又作为估计量是因为实际测量得到的压力和水位具有一定的误差,通过估计可以降低该物理量自身测量带来的误差。对于蒸发区水的体积和上升管出口蒸汽质量分数而言,无法通过测量得到,只能通过其他量测来估计得到,并且这两个物理量作为蒸发区系统内部的关键特征物理量,准确的估计并且与数字孪生体的数据进行校对,对于实现蒸发区数字孪生系统的数据一致性而言是十分关键的。
请参阅图2至图5,由火电厂仿真机得到一段变工况运行下的蒸发区系统的仿真数据,对汽包压力和汽包水位这两项数据加入非固定的噪声项来构造成量测数据,使用自适应平方根无迹卡尔曼滤波对其进行估计,汽包压力估计值、真实值及量测值的曲线如图2所示,汽包水位估计值、真实值及量测值曲线如图3所示,蒸发区水的总体积估计值和真实值的曲线如图4所示,上升管出口蒸汽质量分数的估计值和真实值的曲线如图5所示。
从滤波结果可以看出,使用自适应平方根无迹卡尔曼滤波可以得到比较准确的蒸发区物理量的估计值,各物理量的滤波均方根误差如表1所示。
表1.蒸发区被估量的均方根误差
S4、构建蒸发区数字孪生体的仿真模型。目前对于火电厂系统建模的方法主要为机理建模法、数据试验建模法以及混合建模法。机理模型围绕物理系统的相应物理过程原理展开,深入剖析系统内部规律和本质,是应用最为广泛的建模方式,适合系统全工况的建模仿真。数据试验建模不需要了解复杂的系统机理,只需要通过输入输出数据就可以得到系统内部的函数关系。由于系统内部机理的复杂性,机理建模通常难以得到系统的准确描述,而且相应系统参数难以确定,导致机理模型精度不高。而数据试验模型只是根据某些具体数据得出的,其普适性不高。本发明使用机理模型和神经网络来构建蒸发区数字孪生体的仿真模型。
S401、根据蒸发区质量守恒、能量守恒及动量守恒等物理关系推导蒸发区的机理模型。
其中:We为锅炉给水流量,kg/s;Ws为汽包出口饱和蒸汽流量,kg/s;ρs为饱和蒸汽密度,kg/m3;ρw为饱和水密度,kg/m3;Vs为蒸发区蒸汽的总体积,m3;Vw为蒸发区水的总体积,m3。
其中:Qeva为蒸发区吸热量,J/s;he为省煤器给水焓值,J/kg;hs为饱和蒸汽焓值,J/kg;hw为饱和水焓值,J/kg;Pdrum为汽包压力,MPa;Vt为蒸发区的总体积,m3;Vt=Vs+Vw;mt为蒸发区金属总质量,kg;Cp为金属比热,J/(kg·℃);tm为金属温度,℃。
上升管能量守恒方程为
其中:αr为上升管出口蒸汽质量分数;hc=hs-hw;mr为上升管金属总质量,kg;mr为上升管金属总质量,kg;ts为饱和蒸汽温度,℃。
根据上述蒸发区的守恒关系、压力流量关系以及相应的饱和汽水特性关系便可以得到蒸发区系统的数学模型。
S402、确定蒸发区系统的输入输出量以及系统内部参数,可以得到蒸发区系统的计算机仿真模型,本发明确定的蒸发区系统模型的参数如表2所示。
表2.蒸发区模型参数
结合饱和蒸汽和水的热力特性关系,形成蒸发区的计算机机理仿真模型,蒸发区系统仿真模块见图6。
S403、使用一个包含两个隐藏层的前馈神经网络来得到蒸发区系统的参数模型,神经网络的隐层神经元经为10个,其中隐层采用sigmoid激活函数,输出层采用线性激活函数。采集3000组蒸发区系统在不同工况的运行数据作为神经网络训练的输入样本,采用优化算法得到这3000组不同工况下运行数据对应的模型参数,作为神经网络的输出样本,采用反向传播算法对神经网络进行训练,得到一个固定的网络结构,作为蒸发区系统的参数模型。
S404、见图7,将S403得到的参数模型与蒸发区机理模型融合,得到可以实时修正蒸发区模型参数的蒸发区仿真模型,将此模型作为蒸发区数字孪生体模型,实现孪生模型对蒸发区物理系统运行工况的准确反映。
S5、将蒸发区物理系统(用电厂仿真机作为物理电厂)和蒸发区数字孪生体仿真模型同步运行,使用相同的蒸发区输入作为两者的共同输入,使蒸发区数字孪生体模拟真实蒸发区的运行情况。在孪生模型准确且精度较高的情况下,由于某些孪生数据的微小误差积累形成大误差,从而使系统孪生数据出错等原因,使得孪生数据难以长期准确的反映物理数据,所以需要对孪生数据进行实时的修正。
S501、将实时生成的孪生运行数据和物理运行数据进行统计比对,使用基于滑动窗口的方法(窗口长度设为m),通过该窗口内两组数据的相关性等统计关系来判断孪生数据是否需要修正。这里选取均方根误差和皮尔森相关系数作为评价指标来评判窗口内孪生数据与真实数据之间的偏差和吻合程度。
均方根误差RMSE:
其中:xtrue,i为蒸发区物理运行数据,xtwin,i为对应的孪生数据。
皮尔森相关系数R:
S502、当某段时间窗口内两组数据的RMSE和R均小于各自的阈值时,则认为此时孪生数据与真实数据差异较小,孪生数据可以准确映射真实物理蒸发区,则将孪生数据实时存入孪生数据库之中,并使用此时的孪生数据继续后面的仿真模拟。
S503、当滑动窗口中的孪生数据和真实数据的RMSE和R任意一个大于其阈值,认为窗口内的孪生数据出错,无法继续准确模拟真实运行情况,因此将当前时刻该孪生数据以及造成该孪生数据出错的根源原因孪生数据等进行替换,使用物理蒸发区相应物理量的ASR-UKF滤波值将这些错误的孪生数据替换,并将之前滑动窗口的数据清除掉,即让窗口的左端和右端都为当前时刻(窗口长度变为0),之后窗口右端随仿真进行而向前推进,直到窗口回到原始长度m,再开始随仿真向前滑动。使用这些新的替换数据进行后面孪生体的仿真模拟,从而将之后的孪生数据纠正过来。
设当前仿真时刻为k,当前的孪生数据为向量X(k),当前物理系统相应物理量的真实值向量(滤波值)为x(k),则用于下一时刻仿真的孪生状态数据选择为
蒸发区系统孪生数据的修正流程见图8。
如图9所示,蒸发区孪生模型与蒸发区物理系统同步运行,在300s至400s之间,孪生数据的压力值与真实压力值发生不一致,孪生数据无法正常模拟真实系统数据,在此滑动窗口内孪生数据与真实数据的均方根误差RMSE和相关系数R超过了阈值,因此在400s时蒸发区数字孪生系统选择物理系统的真实值替换了此时的孪生数据,作为下一时刻的孪生状态数据以进行后续的模拟仿真,使得后续的孪生数据得到了纠正。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,包括以下步骤:
获取蒸发区物理系统的运行物理数据,将其作为蒸发区数字孪生物理系统的真实数据;基于获得的运行物理数据,采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计,获得真实的运行物理数据;
使用机理模型和神经网络构建获得蒸发区数字孪生体模型;
将蒸发区物理系统和蒸发区数字孪生体模型同步运行,二者使用相同的蒸发区输入,通过蒸发区数字孪生体模型模拟真实蒸发区物理系统的运行情况,获得真实运行数据和孪生数据,基于真实运行数据对孪生数据进行修正。
2.根据权利要求1所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述获取蒸发区物理系统的运行物理数据中,将火电厂仿真机的锅炉蒸发区作为所述蒸发区物理系统。
3.根据权利要求1所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述获取蒸发区物理系统的运行物理数据中,所述运行物理数据包括:
蒸发区输入物理量,包括:吸热量、锅炉给水量、给水温度、给水压力、过热蒸汽压力;
蒸发区状态量,包括:汽包压力、汽包水位;
蒸发区输出物理量,包括:饱和蒸汽流量、汽包压力、饱和蒸汽温度。
4.根据权利要求3所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述真实的运行物理数据包括:
蒸发区输入物理量,包括:吸热量、锅炉给水量、给水温度、给水压力、过热蒸汽压力;
蒸发区状态量,包括:汽包压力、汽包水位、上升管出口蒸汽质量分数、蒸发区水的总体积;
蒸发区输出物理量,包括:饱和蒸汽流量、汽包压力、饱和蒸汽温度。
5.根据权利要求4所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计的具体步骤包括:
蒸发区物理系统为非线性多输入多输出系统,采用通用的非线性系统,表达式为,
式中,xk为估计的状态量,具体为汽包压力、汽包水位、上升管出口蒸汽质量分数、蒸发区水的总体积;uk为系统输入物理量;yk为系统量测值,具体为汽包压力、汽包水位;f()为系统的状态函数,h()为量测函数,wk和vk为系统噪声和量测噪声,其协方差矩阵分别为Q和R;
采用的滤波方法为:
λ=α2(n+κ)-n
其中,n为状态量的维度,α为可调参数,β根据状态量x的先验知识选取,当状态量服从高斯分布时,β取值为2,κ取值为0,为当前时刻的估计值,Sk为当前状态量协方差矩阵的平方根,为生成的sigma点,为在求解均值的时候第i个sigma点的权值,为求解方差的时候第i个sigma点的权值;
3)、时间修正:
其中,qr(·)为矩阵的QR分解,cholupdate(a,b,c)为矩阵的Cholesky分解,为第i个sigma点的一步预测值,为状态量的一步预测值,Sk+1|k为状态量协方差矩阵的平方根的预测值;
4)、量测更新:
5)、滤波更新:
U=Kk+1Syy,k+1
Sk+1=cholupdate(Sk+1|k,U,-1);
6)、噪声估计:
Γk+1=a·exp(ρ-(k+1))+c;
其中,Γk+1为遗忘因子,设计参数a、ρ和c根据具体仿真试验确定;
6.根据权利要求5所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述使用机理模型和神经网络构建获得蒸发区数字孪生体模型的具体步骤包括:
(1)根据蒸发区质量守恒、能量守恒及动量守恒的物理关系推导获得蒸发区的机理模型;
(2)基于机理模型,确定蒸发区的输入输出量以及系统内部参数,得到蒸发区的仿真模型,参数为,
(3)基于神经网络构建获得蒸发区的参数模型;其中,将多组蒸发区系统在不同工况的运行数据作为神经网络训练的输入样本,将采用优化算法得到的所述多组不同工况的运行数据对应的模型参数作为神经网络的输出样本,训练获得参数模块;
(4)将步骤(2)获得的仿真模型与步骤(3)获得的参数模型融合,获得蒸发区数字孪生体模型。
7.根据权利要求6所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述基于真实运行数据对孪生数据进行修正的步骤具体包括:
将真实运行数据与孪生数据进行统计比对,使用基于滑动窗口的方法,通过窗口内两组数据的相关性统计关系判断孪生数据是否需要修正。
8.根据权利要求7所述的一种火电厂蒸发区的数字孪生模型数据的修正方法,其特征在于,所述基于真实运行数据对孪生数据进行修正的步骤具体包括:
1、选取均方根误差RMSE和皮尔森R相关系数作为评价指标来评判窗口内孪生数据与真实运行数据之间的偏差和吻合程度;
2、当某段时间窗口内两组数据的RMSE和R均小于各自的阈值时,则认为孪生数据与真实运行数据差异较小,孪生数据能够准确映射真实物理蒸发区;
3、当滑动窗口中的孪生数据和真实运行数据的RMSE和R任意一个大于等于其阈值时,认为窗口内的孪生数据出错,无法准确模拟真实运行情况,将当前时刻该孪生数据以及造成该孪生数据出错的根源原因孪生数据进行替换;其中,使用蒸发区物理系统相应物理量的ASR-UKF滤波值替换错误的孪生数据,并将之前滑动窗口的数据清除掉。
9.一种火电厂蒸发区的数字孪生模型数据的修正系统,其特征在于,包括:
真实的运行物理数据获取模块,用于获取蒸发区物理系统的运行物理数据,将其作为蒸发区数字孪生物理系统的真实数据;用于根据获得的运行物理数据,采用自适应平方根无迹卡尔曼滤波器进行蒸发区物理量的估计,获得真实的运行物理数据;
蒸发区数字孪生体模型获取模块,用于使用机理模型和神经网络构建获得蒸发区数字孪生体模型;
修正模块,用于将蒸发区物理系统和蒸发区数字孪生体模型同步运行,二者使用相同的蒸发区输入,通过蒸发区数字孪生体模型模拟真实蒸发区物理系统的运行情况,获得真实运行数据和孪生数据,基于真实运行数据对孪生数据进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110120373.2A CN112818595B (zh) | 2021-01-28 | 2021-01-28 | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110120373.2A CN112818595B (zh) | 2021-01-28 | 2021-01-28 | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818595A true CN112818595A (zh) | 2021-05-18 |
CN112818595B CN112818595B (zh) | 2024-04-05 |
Family
ID=75860228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110120373.2A Active CN112818595B (zh) | 2021-01-28 | 2021-01-28 | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818595B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435657A (zh) * | 2021-07-09 | 2021-09-24 | 清华四川能源互联网研究院 | 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质 |
CN113688519A (zh) * | 2021-08-20 | 2021-11-23 | 贵州电网有限责任公司 | 一种多能源系统数字孪生模型精度在线校验方法 |
CN113808727A (zh) * | 2021-09-17 | 2021-12-17 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
CN114442557A (zh) * | 2022-01-25 | 2022-05-06 | 西南交通大学 | 一种机床温度场快速辨识方法及系统 |
CN114638030A (zh) * | 2021-11-30 | 2022-06-17 | 国家电投集团科学技术研究院有限公司 | 基于专家知识库的热工水力模型修正方法及装置 |
CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
WO2020159564A1 (en) * | 2019-01-28 | 2020-08-06 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using ensemble kalman filter |
-
2021
- 2021-01-28 CN CN202110120373.2A patent/CN112818595B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020159564A1 (en) * | 2019-01-28 | 2020-08-06 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using ensemble kalman filter |
CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
Non-Patent Citations (2)
Title |
---|
肉鲜古力・阿不都吉力;孟亮;公雨;: "浅谈数字化移交成果在工厂运维阶段的应用", 信息系统工程, no. 08 * |
陈志鼎;梅李萍;: "基于数字孪生技术的水轮机虚实交互系统设计", 水电能源科学, no. 09 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435657A (zh) * | 2021-07-09 | 2021-09-24 | 清华四川能源互联网研究院 | 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质 |
CN113435657B (zh) * | 2021-07-09 | 2022-12-23 | 清华四川能源互联网研究院 | 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质 |
CN113688519A (zh) * | 2021-08-20 | 2021-11-23 | 贵州电网有限责任公司 | 一种多能源系统数字孪生模型精度在线校验方法 |
CN113688519B (zh) * | 2021-08-20 | 2023-11-21 | 贵州电网有限责任公司 | 一种多能源系统数字孪生模型精度在线校验方法 |
CN113808727A (zh) * | 2021-09-17 | 2021-12-17 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
CN113808727B (zh) * | 2021-09-17 | 2024-04-26 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
CN114638030A (zh) * | 2021-11-30 | 2022-06-17 | 国家电投集团科学技术研究院有限公司 | 基于专家知识库的热工水力模型修正方法及装置 |
CN114638030B (zh) * | 2021-11-30 | 2023-03-21 | 国家电投集团科学技术研究院有限公司 | 基于专家知识库的热工水力模型修正方法及装置 |
CN114442557A (zh) * | 2022-01-25 | 2022-05-06 | 西南交通大学 | 一种机床温度场快速辨识方法及系统 |
CN114442557B (zh) * | 2022-01-25 | 2023-05-12 | 西南交通大学 | 一种机床温度场快速辨识方法及系统 |
CN115577641A (zh) * | 2022-11-14 | 2023-01-06 | 成都飞机工业(集团)有限责任公司 | 一种数字孪生模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112818595B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818595B (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
EP3380948B1 (en) | Environmental monitoring systems, methods and media | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN115510904B (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
Fu et al. | Physics-data combined machine learning for parametric reduced-order modelling of nonlinear dynamical systems in small-data regimes | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN113505477A (zh) | 一种基于svae-wgan的过程工业软测量数据补充方法 | |
CN112131794A (zh) | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN112632802B (zh) | 基于自适应容积卡尔曼滤波的除氧器数字孪生模型数据校正方法及系统 | |
Wang et al. | Adaptive echo state network with a recursive inverse-free weight update algorithm | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN114186709A (zh) | 基于帝王蝶算法优化灰色模型关键参数的能源预测方法 | |
Zhang et al. | Deep fuzzy mapping nonparametric model for real-time demand estimation in water distribution systems: A new perspective | |
CN112464567A (zh) | 基于变分同化框架的智能资料同化方法 | |
CN113435089A (zh) | 一种基于高斯过程的板材折弯回弹预测方法 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
CN115326237A (zh) | 一种考虑锅炉过热器氧化皮影响的壁温测量方法与系统 | |
CN116341399A (zh) | 一种基于物理约束神经网络的热工水力换热系数预测方法 | |
CN112667957A (zh) | 一种基于深度神经网络的智能电能表失效率预测方法 | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 |
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 |