CN113268921A - 凝汽器清洁系数预估方法、系统、电子设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种凝汽器清洁系数预估方法、系统、电子设备及可读存储介质，所述方法包括以下步骤：将获取的待预估DCS数据输入预先训练好的清洁系数预估模型，输出预估的瞬态清洁系数；其中，清洁系数预估模型训练所用的训练测试数据集的获取方法步骤包括：基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集；对样本数据集进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集；将最终样本数据集和实际清洁系数组合，获得清洁系数预估模型训练所用的训练测试数据集。本发明的方法通过挖掘机组数据得到凝汽器结垢信息的实时清洁系数，更加符合凝汽器实际的结垢劣化情况。

Description

凝汽器清洁系数预估方法、系统、电子设备及可读存储介质

技术领域

本发明属于燃煤机组数据挖掘技术领域，特别涉及一种凝汽器清洁系数预估方法、系统、电子设备及可读存储介质。

背景技术

燃煤机组冷端优化时需要计算假设循环水量下的机组背压，计算过程涉及的一个重要参数为凝汽器的清洁系数，该参数可反应换热管水侧的结垢脏污程度，用于修正凝汽器变工况计算时的传热系数。当前清洁系数主要根据传热系数计算标准如美国传热学会的HEI标准的建议估算为常数：直流冷却水与清洁水取0.80～0.85，循环冷却水和化学处理水取0.75～0.80，新管取0.80～0.85，具有连续清洗的凝汽器取0.85，钛冷却管取0.90。由于凝汽器运行时结垢导致的性能劣化，这样的估算方式与实际情况偏差较大，导致机组背压变工况计算结果不够准确。

电厂采用定速泵调节时，上述计算偏差对循环水泵运行方式影响并不大；但未来随着变频泵的推广，泵组可实现更精细和密集的工况点调节时，性能下降带来的计算偏差可能造成冷端优化的指导运行方式偏离最佳运行方式，使得机组处于不经济的运行状态。

机组的集散控制系统(Distributed Control System，简称DCS)记录有实时和大量历史运行数据，通过对其数据挖掘可获得隐含的实时运行信息；BP神经网络是一种解决回归预测问题的机器学习方法，在解决大样本、高维非线性问题具有显著优势。测点数据大量、持续更新的特点符合神经网络训练要求，可尝试挖掘运行数据的有效信息预估反应冷凝管结垢的实际清洁系数值，从而寻找符合机组实际状态的最佳变频泵运行方式，实现更准确的冷端优化。

当前清洁系数在参与变工况计算时一般主观估算为常数，当前无法采用神经网络等挖掘算法预估清洁系数的主要原因是：机组实际的清洁系数难以推算，无法获得清洁系数为输出值的神经网络训练集；其难以推算的原因是目前只能通过机理和标准推算传热系数修正系数，其表征了水侧结垢和汽侧漏空气对传热系数的综合影响，但无法进一步区分实际传热系数的下降多少由水侧结垢引起，多少由汽侧漏空气引起。因此，寻求一种方法剔除汽侧漏空气因素的干扰，生成数据挖掘可用的训练集，是采用BP神经网络预估清洁系数的关键。

发明内容

本发明的目的在于提供一种凝汽器清洁系数预估方法、系统、电子设备及可读存储介质，以解决上述存在的一个或多个技术问题。本发明的方法通过挖掘机组数据得到凝汽器结垢信息的实时清洁系数，相比于根据计算标准预估的清洁系数，更加符合凝汽器实际的结垢劣化情况，对凝汽器性能监测和检修具有指导价值。

为达到上述目的，本发明采用以下技术方案：

本发明的一种凝汽器清洁系数预估方法，包括以下步骤：

将获取的待预估DCS数据输入预先训练好的清洁系数预估模型，所述清洁系数预估模型输出预估的瞬态清洁系数；

其中，所述清洁系数预估模型训练所用的训练测试数据集的获取方法步骤包括：

基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀；其中，D₀＝{d₁,d₂,d₃,…,d_i,…,d_n,v_vacuum}，d_i为不同时刻的DCS数据样本，1≤i≤n；每个时刻的DCS数据样本均包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N；

对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集；

将最终样本数据集和实际清洁系数组合，获得所述清洁系数预估模型训练所用的训练测试数据集。

本发明的进一步改进在于，所述预先训练好的清洁系数预估模型的获取方法包括：

将所述训练测试数据集输入预构建的BP神经网络进行训练、验证，获得训练好的清洁系数预估模型。

本发明的进一步改进在于，基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀的步骤具体包括：对比不同真空严密性试验记录，当凝汽器压力上升为7kPa时计算之后3分钟的平均真空下降速度v_vacuum，若相邻两次试验的真空下降速度v_vacuum<50Pa/min，将这两次试验之间的数据判定为漏空气劣化程度一致数据集进行筛选。

本发明的进一步改进在于，所述对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集的步骤具体包括：

基于角度识别异常值，对样本数据集D₀进行异常值剔除，获得样本数据集D₁；

采用SG滤波器通过滑动窗口平滑样本数据集D₁进行除噪，获得样本数据集D₂；

计算样本数据集D₂滑动窗口数据的均值AVG和方差σ²，对样本数据集D₂进行稳态判别并剔除非稳工况数据，获得样本数据集D₃；

对样本数据集D₃采用min-max标准化，得到最终样本数据集D₄。

本发明的进一步改进在于，所述基于角度识别异常值，对样本数据集D₀进行异常值剔除，获得样本数据集D₁的步骤具体包括：

将时间相邻的数据点的测点数据角度θ定义为：

当θ大于预设阈值θ₀，则将时间偏后的数据点判定为异常并予以剔除；式中，i为样本数据集D₁中的第i个测点数据，x_i-1和x_i为样本数据集D₀中时间相邻的两个测点数据，x_i-1数据对应时刻为t_i-1，x_i数据对应时刻为t_i；

所述计算样本数据集D₂滑动窗口数据的均值AVG和方差σ²，对样本数据集D₂进行稳态判别并剔除非稳工况数据，获得样本数据集D₃的步骤包括：

D₂滑动窗口数据D_window＝{d_w1,d_w2,d_w3,…,d_wm}的均值AVG和方差σ²的计算表达式为：

式中，AVG为滑动窗口D_window内各数据的均值，m为滑动窗口的宽度，d_wi为滑动窗口内第i个数据，σ²为滑动窗口D_window内各数据的方差；

当相邻窗口的均值斜率和窗口内的方差均小于预先设定阈值时，判定为稳定工况，否则判定为非稳定工况；对判定为非稳工况数据予以剔除，剔除后得到样本数据集D₃；

所述对样本数据集D₃采用min-max标准化，得到最终样本数据集D₄的步骤包括：

采用min-max标准化将样本数据集D₃线性映射到[0，1]区间内，得到标准化后的最终样本数据集D₄，表达式为，

式中，x为D₃中的各数据，min为D₃中各数据的理论最小值，max为D₃中各数据的理论最大值，x'为x经过线性映射后的数据。

本发明的进一步改进在于，所述实际清洁系数的获取步骤包括：

式中，β_c为实际清洁系数，K为根据机组数据得到的实际传热系数，Δt为凝汽器循环水温升，δt为凝汽器端差，D_w为循环水流量，c_w为循环水比热，A为凝汽器有效换热面积，K'为根据HEI计算标准得到的计算传热系数，K₀为基本传热系数，β_t为循环水进口水温修正系数，β_m为管材规格修正系数。

本发明的进一步改进在于，在获得预估的瞬态清洁系数之后，还包括：

将预设时间内的瞬态清洁系数平均后作为机组的清洁系数。

本发明的一种凝汽器清洁系数预估系统，包括：

预估模块，用于将获取的待预估DCS数据输入预先训练好的清洁系数预估模型，所述清洁系数预估模型输出预估的瞬态清洁系数；

其中，所述清洁系数预估模型训练所用的训练测试数据集的获取方法包括：

基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀；其中，D₀＝{d₁,d₂,d₃,…,d_i,…,d_n,v_vacuum}，d_i为不同时刻的DCS数据样本，1≤i≤n；每个时刻的DCS数据样本均包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N；

对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集；

将最终样本数据集和实际清洁系数组合，获得所述清洁系数预估模型训练所用的训练测试数据集。

本发明的一种电子设备，包括：处理器；存储器，用于存储计算机程序指令；所述计算机程序指令由所述处理器加载并运行时，所述处理器执行本发明上所述的凝汽器清洁系数预估方法。

本发明的一种可读存储介质，所述可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器加载并运行时，所述处理器执行本发明上所述的凝汽器清洁系数预估方法。

与现有技术相比，本发明具有以下有益效果：

本发明构建了一种通过挖掘机组实时数据得到凝汽器结垢信息的清洁系数预估方法，首先对机组真空严密性试验数据进行分析，初步筛选出漏空气劣化程度一致的数据集；其次对初筛数据集进行深度清洗，作为BP神经网络的输入向量；间接计算剔除漏空气干扰后的清洁系数，作为神经网络的输出向量。最后通过BP神经网络训练数据集，得到剔除漏空气影响的清洁系数预估模型。本发明的方法通过处理剔除了凝汽器漏空气因素对模型训练的干扰，经筛选的输入向量与实际清洁系数具有强关联性；该预估模型可接收机组DCS实时数据预估机组实际清洁系数，对凝汽器性能监测和检修具有指导价值。

本发明中具体筛选了样本数据集D₀，原因具体在于：真空严密性试验的真空下降速度与漏空气量成正比、与真空系统容积成反比；对特定凝汽器，其仅取决于漏空气量，漏空气量取决于真空系统内外压比和漏气孔隙面积，漏气孔隙面积真正表征真空系统漏空气劣化情况；因此需保证真空系统内外压比为定值，即在保证凝汽器真空为一定条件下，真空下降速度可纯粹表征漏空气劣化情况。本发明中选择4个测点作为清洁系数模型输入的原因是：清洁系数主要和清洗后时长Δτ、结垢沉积速率相关；沉积速率和流体流速近似成正比、和循环水温升大小近似为线性关系，而循环水流速与循环水温升之积恰好与机组负荷高度相关，即清洁系数和当前清洗周期内机组负荷的平均值

高度相关；污垢积累速度还和循环水温有较明显关系，夏季由于循环水温高，结垢沉积快，同时藻类微生物生长快，微生物相比冬天生长更快，因此将清洁系数和当前清洗周期内凝汽器进口水温的平均值

相关联；考虑到同一污垢热阻在不同工况下对传热系数影响也不同，将凝汽器当前热负荷D_s作为变工况下的修正因子与清洁系数关联。

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是本发明实施例中，清洁系数预估方法的数据筛选和清洗流程示意图；

图2是本发明实施例中，机组负荷数据降噪效果示意图；

图3是本发明实施例中，机组负荷数据稳态判别效果示意图；

图4是本发明实施例中，本发明清洁系数预估方法的BP神经网络模型训练流程示意图；

图5是本发明实施例中，采用的BP神经网络模型训练界面示意图；

图6是本发明实施例中，清洁系数预估模型的预估流程示意图。

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。

本发明实施例的一种凝汽器清洁系数预估方法，包括以下步骤：

将获取的待预估DCS数据输入预先训练好的清洁系数预估模型，所述清洁系数预估模型输出预估的瞬态清洁系数；

其中，所述清洁系数预估模型训练所用的训练测试数据集的获取方法包括：

基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀；其中，D₀＝{d₁,d₂,d₃,…,d_i,…,d_n,v_vacuum}，d_i为不同时刻的DCS数据样本，1≤i≤n；每个时刻的DCS数据样本均包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N；

对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集；

将最终样本数据集和实际清洁系数组合，获得所述清洁系数预估模型训练所用的训练测试数据集。

基于当前凝汽器变工况计算时将清洁系数预估为常数，对凝汽器定期清洗的机组与实际情况偏差较大的技术问题。本发明构建了一种通过挖掘机组实时数据得到凝汽器结垢信息的清洁系数预估方法，相比将清洁系数预估为常数，本发明方法预估的清洁系数更加符合机组实际结垢情况，因此对凝汽器性能监测和检修具有指导价值。

请参阅图1，本发明实施例的一种基于燃煤机组数据挖掘的凝汽器清洁系数预估方法，具体包括以下步骤：

S1：根据历史的真空严密性试验记录，筛选漏空气劣化程度一致的数据集D₀＝{d₁,d₂,d₃,…,d_i,…,d_n,v_vacuum}，其中，d_i 1≤i≤n为不同时刻的DCS数据样本，每个数据样本包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N共4个数据，其中

和

为清洗周期内间隔单位时间取值，再通过平均得到的数值；

S2：对D₀数据集进行异常值剔除，得到数据集D₁，将时间相邻的测点数据角度θ定义为：

具体方法为当θ大于设定阈值θ₀，则将时间偏后的数据点判定为异常并予以剔除；

S3：采用SG滤波器通过滑动窗口平滑数据集D₁进行除噪，得到数据集D₂；

S4：对数据集D₂进行稳态判别，稳态判别目的是消除同一时刻各测点数据关系的迟延性因素，对数据集D₂进行稳态判别的方法为计算D₂滑动窗口数据D_window＝{d_w1,d_w2,d_w3,…,d_wm}的均值AVG和方差σ²，其中，

当相邻窗口的均值斜率和窗口内的方差均小于设定阈值，判定为稳定工况，对非稳工况予以剔除，剔除后得到数据集D₃；

S5：采用min-max标准化将数据集D₃线性映射到[0,1]区间内，其公式为

得到标准化后的数据集D₄；

S6：实际传热系数计算方法为：

计算传热系数K'根据传热系数计算标准计算，例如采用美国传热学会的HEI标准，计算公式为：

K'＝K₀β_tβ_m；

定义传热系数修正系数β_a用于修正计算传热系数和实际传热系数间的偏差，因此可表示为

同时该偏差β_a是由汽侧漏空气和水侧结垢共同引起，因此也可表示为：

β_a＝β_b·β_c；

其中，β_b为漏空气系数，β_c为表征水侧结垢程度的清洁系数。由于D₄前后的真空下降速度一致，因此β_b为常数，此时β_c和β_a呈线性关系，β_b具体取值对预估结果无影响，为方便，取β_b＝1。因此，清洁系数可表示为

S7：将数据集D₄和对应的实际清洁系数β_c组合为BP神经网络的训练测试数据集D₅；

S8：将D₅输入BP神经网络进行训练和验证，完成后可得到清洁系数的预估模型；

S9：机组在运行过程中，将实时的DCS数据送入清洗算法和清洁系数预估模型管道中，即可预估当前的瞬态清洁系数。

本发明实施例中，为了使实时预估的清洁系数稳定，将最近5min的瞬态清洁系数平均后作为机组的实时清洁系数。

步骤S1中，筛选数据集D₀的原因是：真空严密性试验的真空下降速度与漏空气量成正比、与真空系统容积成反比。对特定凝汽器，其仅取决于漏空气量，漏空气量取决于真空系统内外压比和漏气孔隙面积，漏气孔隙面积真正表征真空系统漏空气劣化情况。因此需保证真空系统内外压比为定值，即在保证凝汽器真空为一定条件下，真空下降速度可纯粹表征漏空气劣化情况。

步骤S1中，选择4个测点作为清洁系数模型输入的原因是：清洁系数主要和清洗后时长Δτ、结垢沉积速率相关；沉积速率和流体流速近似成正比、和循环水温升大小近似为线性关系，而循环水流速与循环水温升之积恰好与机组负荷高度相关，即清洁系数和当前清洗周期内机组负荷的平均值

高度相关；污垢积累速度还和循环水温有较明显关系，夏季由于循环水温高，结垢沉积快，同时藻类微生物生长快，微生物相比冬天生长更快，因此将清洁系数和当前清洗周期内凝汽器进口水温的平均值

相关联；考虑到同一污垢热阻在不同工况下对传热系数影响也不同，将凝汽器当前热负荷D_s作为变工况下的修正因子与清洁系数关联。

优选地，步骤S6中，K'根据美国传热学会HEI标准建议的参数选取方式，结合机组参数计算。

步骤S9中，由于清洁系数预估模型训练时已经剔除了漏空气量变化的干扰，因此该预估模型同样适用于预估漏空气系数可能发生变化的凝汽器清洁系数。

本发明通过上述步骤可根据凝汽器DCS数据预估实际清洁系数，对凝汽器性能监测和检修具有指导价值。

请参阅图1至图6，本发明实施例的一种预估方法，图1包括S1～S5，为DCS数据筛选和数据清洗流程示意图。

S1：根据历史的真空严密性试验记录，筛选漏空气劣化程度一致的数据集D₀＝{d₁,d₂,d₃,…,d_n,v_vacuum}，其中，d_i(1≤i≤n)为不同时刻的DCS数据样本，每个数据样本包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N共4个数据，其中

和

为清洗周期内间隔单位时间取值，再通过平均得到的数值；筛选D₀的具体方法如下：对比不同真空严密性试验记录，当凝汽器压力上升为7kPa时计算之后3分钟的平均真空下降速度v_vacuum，若相邻两次试验的真空下降速度v_vacuum<50Pa/min，将这两次试验之间的数据判定为漏空气劣化程度一致数据集进行筛选；

S2：对D₀数据集进行异常值剔除，得到数据集D₁，将时间相邻的测点数据角度θ定义为：

具体方法为当θ大于设定阈值θ₀，则将时间偏后的数据点判定为异常并予以剔除；

S3：采用SG滤波器通过滑动窗口平滑数据集D₁进行除噪，得到数据集D₂，图2为机组负荷数据除噪前后的对比，其中下半图为上半图的局部放大，可看出除噪效果良好；

S4：对数据集D₂进行稳态判别，稳态判别目的是消除同一时刻各测点数据关系的迟延性因素，对数据集D₂进行稳态判别的方法为计算D₂滑动窗口数据D_window＝{d_w1,d_w2,d_w3,…,d_wm}的均值AVG和方差σ²，其中，

当相邻窗口的均值斜率和窗口内的方差均小于设定阈值，判定为稳定工况，对非稳工况予以剔除，剔除后得到数据集D₃；图3为机组负荷数据稳态判别的效果图，可看出当相邻窗口斜率和窗口方差均小于设定阈值时，机组负荷基本处于稳态工况；

S5：采用min-max标准化将数据集D₃线性映射到[0,1]区间内，其公式为

得到标准化后的数据集D₄；

图4包括S6～S8，为训练集处理和清洁系数预估模型的训练流程图。

S6：实际传热系数K计算公式为：

计算传热系数K'根据美国传热学会的HEI标准，计算公式为：K'＝K₀β_c'β_tβ_m；

清洁系数计算公式为：

S7：将数据集D₄和对应的实际清洁系数β_c组合为BP神经网络的训练测试数据集D₅；

S8：将D₅输入BP神经网络进行训练和验证，完成后可得到清洁系数的预估模型，图5为根据需求所编写的BP神经网络程序，可用于训练预估模型；

S9：如图6所示，机组在运行过程中，将实时的DCS数据送入清洗算法和清洁系数预估模型管道中，即可预估当前的瞬态清洁系数。为了使实时预估的清洁系数稳定，将最近5min的瞬态清洁系数平均后作为机组的实时清洁系数。

本发明上述实施例公开了一种基于挖掘机组数据的凝汽器清洁系数预估方法及系统。所述方法包括：首先对机组真空严密性试验数据进行分析，初步筛选出漏空气劣化程度一致的数据集；其次对初筛数据集进行深度清洗，作为BP神经网络的输入向量；基于传热系数计算标准和凝汽器机理算法间接计算剔除漏空气干扰后的清洁系数，作为神经网络的输出向量。最后通过BP神经网络训练数据集，得到剔除漏空气影响的清洁系数预估模型。所述方法通过处理剔除了凝汽器漏空气因素对模型训练的干扰，经筛选的输入向量与实际清洁系数具有强关联性。该预估模型可接收机组DCS实时数据预估机组实际清洁系数，对凝汽器性能监测和检修具有指导价值。

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 (10)

1.一种凝汽器清洁系数预估方法，其特征在于，包括以下步骤：

将获取的待预估DCS数据输入预先训练好的清洁系数预估模型，所述清洁系数预估模型输出预估的瞬态清洁系数；

其中，所述清洁系数预估模型训练所用的训练测试数据集的获取方法步骤包括：

基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀；其中，D₀＝{d₁，d₂，d₃，…，d_i，…，d_n，v_vacuum}，d_i为不同时刻的DCS数据样本，1≤i≤n；每个时刻的DCS数据样本均包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N；

对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集；

将最终样本数据集和实际清洁系数组合，获得所述清洁系数预估模型训练所用的训练测试数据集。

2.根据权利要求1所述的一种凝汽器清洁系数预估方法，其特征在于，所述预先训练好的清洁系数预估模型的获取方法包括：

将所述训练测试数据集输入预构建的BP神经网络进行训练、验证，获得训练好的清洁系数预估模型。

3.根据权利要求1所述的一种凝汽器清洁系数预估方法，其特征在于，基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀的步骤具体包括：对比不同真空严密性试验记录，当凝汽器压力上升为7kPa时计算之后3分钟的平均真空下降速度v_vacuum，若相邻两次试验的真空下降速度v_vacuum<50Pa/min，将这两次试验之间的数据判定为漏空气劣化程度一致数据集进行筛选。

4.根据权利要求1所述的一种凝汽器清洁系数预估方法，其特征在于，所述对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集的步骤具体包括：

基于角度识别异常值，对样本数据集D₀进行异常值剔除，获得样本数据集D₁；

采用SG滤波器通过滑动窗口平滑样本数据集D₁进行除噪，获得样本数据集D₂；

计算样本数据集D₂滑动窗口数据的均值AVG和方差σ²，对样本数据集D₂进行稳态判别并剔除非稳工况数据，获得样本数据集D₃；

对样本数据集D₃采用min-max标准化，得到最终样本数据集D₄。

5.根据权利要求4所述的一种凝汽器清洁系数预估方法，其特征在于，所述基于角度识别异常值，对样本数据集D₀进行异常值剔除，获得样本数据集D₁的步骤具体包括：

将时间相邻的数据点的测点数据角度θ定义为：

当θ大于预设阈值θ₀，则将时间偏后的数据点判定为异常并予以剔除；式中，i为样本数据集D₁中的第i个测点数据，x_i-1和x_i为样本数据集D₀中时间相邻的两个测点数据，x_i-1数据对应时刻为t_i-1，x_i数据对应时刻为t_i；

所述计算样本数据集D₂滑动窗口数据的均值AVG和方差σ²，对样本数据集D₂进行稳态判别并剔除非稳工况数据，获得样本数据集D₃的步骤包括：

D₂滑动窗口数据D_window＝{d_w1,d_w2,d_w3,…,d_wm}的均值AVG和方差σ²的计算表达式为：

式中，AVG为滑动窗口D_window内各数据的均值，m为滑动窗口的宽度，d_wi为滑动窗口内第i个数据，σ²为滑动窗口D_window内各数据的方差；

当相邻窗口的均值斜率和窗口内的方差均小于预先设定阈值时，判定为稳定工况，否则判定为非稳定工况；对判定为非稳工况数据予以剔除，剔除后得到样本数据集D₃；

所述对样本数据集D₃采用min-max标准化，得到最终样本数据集D₄的步骤包括：

采用min-max标准化将样本数据集D₃线性映射到[0，1]区间内，得到标准化后的最终样本数据集D₄，表达式为，

式中，x为D₃中的各数据，min为D₃中各数据的理论最小值，max为D₃中各数据的理论最大值，x'为x经过线性映射后的数据。

6.根据权利要求1所述的一种凝汽器清洁系数预估方法，其特征在于，所述实际清洁系数的获取步骤包括：

K'＝K₀β_tβ_m；

式中，β_c为实际清洁系数，K为根据机组数据得到的实际传热系数，Δt为凝汽器循环水温升，δt为凝汽器端差，D_w为循环水流量，c_w为循环水比热，A为凝汽器有效换热面积，K'为根据HEI计算标准得到的计算传热系数，K₀为基本传热系数，β_t为循环水进口水温修正系数，β_m为管材规格修正系数。

7.根据权利要求1所述的一种凝汽器清洁系数预估方法，其特征在于，在获得预估的瞬态清洁系数之后，还包括：

将预设时间内的瞬态清洁系数平均后作为机组的清洁系数。

8.一种凝汽器清洁系数预估系统，其特征在于，包括：

预估模块，用于将获取的待预估DCS数据输入预先训练好的清洁系数预估模型，所述清洁系数预估模型输出预估的瞬态清洁系数；

其中，所述清洁系数预估模型训练所用的训练测试数据集的获取方法包括：

基于燃煤机组历史数据中的真空严密性试验记录，筛选获得漏空气劣化程度一致的样本数据集D₀；其中，D₀＝{d₁,d₂,d₃,…,d_i,…,d_n,v_vacuum}，d_i为不同时刻的DCS数据样本，1≤i≤n；每个时刻的DCS数据样本均包括上次清洗后时长Δτ、当前清洗周期内机组负荷的平均值

当前清洗周期内凝汽器进口水温的平均值

和机组当前负荷N；

对样本数据集D₀进行异常值剔除、除噪、剔除非稳工况数据和标准化处理，获得处理后的最终样本数据集；

将最终样本数据集和实际清洁系数组合，获得所述清洁系数预估模型训练所用的训练测试数据集。

9.一种电子设备，包括：处理器；存储器，用于存储计算机程序指令；其特征在于，

所述计算机程序指令由所述处理器加载并运行时，所述处理器执行权利要求1至7中任一项所述的凝汽器清洁系数预估方法。

10.一种可读存储介质，所述可读存储介质存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器加载并运行时，所述处理器执行权利要求1至7中任一项所述的凝汽器清洁系数预估方法。

Images