CN114139439A - 基于模拟退火粒子群算法的汽轮机最优初压确定方法 - Google Patents

基于模拟退火粒子群算法的汽轮机最优初压确定方法 Download PDF

Info

Publication number
CN114139439A
CN114139439A CN202111270988.XA CN202111270988A CN114139439A CN 114139439 A CN114139439 A CN 114139439A CN 202111270988 A CN202111270988 A CN 202111270988A CN 114139439 A CN114139439 A CN 114139439A
Authority
CN
China
Prior art keywords
pressure
data
steam
steam turbine
value
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.)
Pending
Application number
CN202111270988.XA
Other languages
English (en)
Inventor
金飞
郝晓光
王斌
包建东
杨春来
李剑锋
侯倩
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111270988.XA priority Critical patent/CN114139439A/zh
Publication of CN114139439A publication Critical patent/CN114139439A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

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

Abstract

本发明涉及一种基于模拟退火粒子群算法的汽轮机最优初压确定方法，通过利用汽轮机组的历史运行数据，确定影响汽轮机组热耗率的变量因素，确定滑压运行时最优初压数学模型，通过构建LSTM神经网络模型，对热耗率进行精准预测，得到热耗率与负荷、温度等影响因素之间的非线性关系然后按照滑压运行时最优初压数学模型，使用模拟退火粒子群算法遍历整个可行压力区间进行热耗率优化计算，得到热耗率最小时所对应的主蒸汽压力值，即得到最优初压值。

Description

基于模拟退火粒子群算法的汽轮机最优初压确定方法
技术领域
本发明涉及一种基于模拟退火粒子群算法的汽轮机最优初压确定方法。
背景技术
近年来我国电力需求的急剧增加及产业结构的改变，电网负荷的峰谷差逐渐变大，使得我国的发电机组调峰任务逐渐加剧。然而发电机组在进行深度调峰时，机组的热经济性明显降低，能耗加大。同时，随着我国环保、能源形势的发展，火电机组的节能降耗已经成为火电企业面临的最急迫的问题之一。因此在确保机组安全稳定运行的前提下，改善机组在低负荷时的运行状态，保障机组节能稳定运行，这对我国能源工业的发展有着重大的意义。
随着人工智能技术的不断发展，长短期记忆(Long Short-Term Memory,LSTM)作为一种深度学习算法，LSTM神经网络可以通过对历史数据学习挖据出数据与数据之间的联系。LSTM在循环神经网络(Recurrent neural network，RNN)的基础上进行了改进，为解决经典RNN算法存在梯度消失问题，LSTM使用了三个“门”结构来控制不同时刻的状态和输出，即“输入门”“输出门”和“遗忘门”。通过“门”结构将短期记忆与长期记忆结合起来，较好的解决了长时间序列的依赖问题。当采集数据存在长期依赖时，采用LSTM网络对数据进行预测和学习有着很好的效果。
为避免因传统LSTM网络模型多使用经验确定网络超参数而造成预测精度较低等问题，使用模拟退火粒子群算法(SAPSO)对LSTM网络模型参数进行寻优，进而建立精度较高的热耗率预测模型。粒子群优化算法(Particle Swarm Optimization,PSO)是从随机解出发，通过迭代寻找最优解，也通过适应度来评价解的品质，但容易陷入局部最优。模拟退火算法的思想起源于固体物质退火过程，在温度下降过程中利用概率突跳特性随机寻找优化函数的全局最优解，可以有效地避免搜索过程中陷入局部极值。因此使用模拟退火的思想改进PSO算法，可以保证算法跳出局部机制区域，从而增加全局所有能力。使用它对LSTM网络超参数进行优化，可以使建立的模型更加精确和更好的预测水平。
发明内容
本发明所要解决的技术问题是提供一种基于模拟退火粒子群算法的汽轮机最优初压确定方法，对热耗率进行精准预测，得到热耗率与负荷、温度等影响因素之间的非线性关系然后按照滑压运行时最优初压数学模型，使用模拟退火粒子群算法遍历整个可行压力区间进行热耗率优化计算，得到热耗率最小时所对应的主蒸汽压力值。
本发明所采用的技术方案是：
一种基于模拟退火粒子群算法的汽轮机最优初压确定方法，其包括如下步骤：步骤1：从汽轮机组集散控制系统当中采集历史运行数据S；步骤2：对采集到的数据进行预处理，计算汽轮机组的热耗率，将数据集S与算出的汽轮机热耗率HR合并构成数据集S*；步骤3：将数据集S*的80％作为训练集
Figure BDA0003327986450000021
剩余的20％数据作为测试集
Figure BDA0003327986450000022
将训练集
Figure BDA0003327986450000023
中的数据作为LSTM模型的输入变量，将热耗率作为模型的输出变量，通过构建LSTM模型对输入变量和输出变量求解出映射关系；步骤4：构造LSTM神经网络的模型，建立汽轮机热耗率预测模型；步骤5：寻找汽轮机滑压运行的最优初压，以机组热耗率最小为优化目标，使用模拟退火粒子群算法对其寻优；步骤6：在步骤5确定的滑压运行最优初压数学模型的基础上，使用模拟退火粒子群算法进行初压优化。
进一步的，步骤2中汽轮机组的热耗率计算方法包括：
步骤2-1：热耗率为外界加入系统的热量与机组输出功率之比，通过式(1)计算得到：
Figure BDA0003327986450000024
式(1)中HR表示热耗率、D0为主蒸汽流量、h0主蒸汽焓值、Dh0再热器热端蒸汽流量、hh0再热器热端蒸汽焓值、Qe给水流量、he给水焓值、Dl再热器冷端蒸汽流量、hl再热器冷端蒸汽焓值、Pb过热减温水流量、hb过热减温水焓值、Qo再热减温水流量、ho再热减温水焓值、Pe发电机输出功率，上述焓值通过水和水蒸汽热力性质图表进行查询计算；
步骤2-2：将步骤1中采集得到的数据集S与步骤2-1算出的汽轮机热耗率HR合并构成数据集
Figure BDA0003327986450000026
并将建立起来的数据集
Figure BDA0003327986450000027
进行归一化处理，使用mapminmax函数将数据归一化至0-1之间，其mapminmax函数表达式如下：
Figure BDA0003327986450000025
式(2)中ymin是期望归一化后矩阵每行的最小值，ymax是期望归一化后矩阵每行的最大值；xmin、xmax分别对应数据集S*中每行的最小值与最大值。
进一步的，在步骤3中，将训练集
Figure BDA0003327986450000031
中的发电负荷Ne、主蒸汽压力P0、主蒸汽温度T0、再热器出口蒸汽压力Pr、再热器出口蒸汽温度Tr、再热减温水流量Qo、过热减温水流量Qx、过热减温水流量Pb、循环水进水口温度Tc、再热器入口蒸汽温度T0、再热器入口蒸汽压力Ph、给水流量Qe作为LSTM模型的输入变量，即输入变量X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]，将热耗率作为模型的输出变量，即输出变量Y(k)＝[HR]，通过构建LSTM模型对输入变量和输出变量求解出映射关系。
进一步的，在步骤4中的模型构建步骤包括：
步骤4-1：初始化LSTM神经网络的初始网络结构、确定隐藏层层数，初始化训练步长，设置单元状态激活函数为tanh函数，设置输入门it、输出门ot、遗忘门ft的激活函数为sigmoid函数，其各个单元门控的计算公式具体如下：
Figure BDA0003327986450000032
其中，it为输入门主要决定保留多少当前信息输入到当前时刻的单元中，ot为输出门主要用来决定当前时刻的单元状态有多少的输出，ft为遗忘门主要用于决定保留上一时刻的单元状态ct-1信息到当前时刻单元状态ct中，
Figure BDA0003327986450000033
为当前输入的单元状态，wi,wo,wf,wc分别为相对应的权重矩阵，bi,bo,bf,bc分别为相对应的偏置项；ht表示为网络的最终输出；
步骤4-2：对上述构建的初始化LSTM网络模型导入数据进行训练，将步骤3确定训练集数据
Figure BDA0003327986450000034
中的X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]作为模型的输入变量数据导入LSTM网络当中，训练集数据
Figure BDA0003327986450000035
中的热耗率HR作为LSTM网络模型的输出变量Y(k)＝[HR]导入到LSTM网络模型当中，建立起12个输入变量参数X(k)与热耗率HR之间的映射关系HR＝f(X(k))，进而得到汽轮机组的热耗率预测模型；
步骤4-3：为衡量汽轮机组热耗率预测模型精度，使用测试集数据
Figure BDA0003327986450000036
对网络模型精度进行评价，将测试集数据
Figure BDA0003327986450000041
中的输入变量X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]导入模型当中，得到网络模型的热耗率预测值
Figure BDA0003327986450000042
使用均方根误差(Root MeanSquare Error,RMSE)来评价模型的精度，其均方根误差值越小说明模型精度越高。其RMSE计算公式如下：
Figure BDA0003327986450000043
其中yi表示测试集数据
Figure BDA0003327986450000044
中的实际热耗率值，
Figure BDA0003327986450000045
表示模型热耗率预测值，n为测试集数据
Figure BDA0003327986450000046
的样本总数。
进一步的，步骤5的具体步骤如下：
步骤5-1：首先确定机组的可行压力区间范围[POmin,Pod],POmin是确定负荷下最低主蒸汽压力，Pod为机组的额定主蒸汽压力，对于给定好的汽轮机负荷，一定存在一个可以运行的主蒸汽压力范围区间[POmin,Pod]，其中最优运行初压一定存在于这个区间当中，其最低主蒸汽压力POmin计算公式如下：
Figure BDA0003327986450000047
其中，POmin为确定负荷下最低主蒸汽压力，Pod为机组额定主蒸汽压力，Ne为发电负荷，Ned为机组额定负荷。
步骤5-2：在步骤5和步骤5-1所提出的汽轮机初压优化总策略下，以机组的运行经济性最优为评判标准，在给定负荷可行压力变化范围内必存在一个使机组热耗率达到最小的主蒸汽运行压力值；确定最佳初压时，选取汽轮机热耗率最小为优化目标函数，建立滑压运行最优初压数学模型，其优化目标函数表达式如下：
Figure BDA0003327986450000048
其中，f为步骤4训练好的映射关系，即HR＝f(X(k))；Ne、P0、X*为步骤3所确定输入变量X(k)中的变量名称其中Ne为发电负荷；P0为主蒸汽压力；X*为输入变量X(k)中除发电负荷Ne和主蒸汽压力P0外的其他变量集合，即X*＝[T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]；Nemin、Nemax分别为机组允许的最低负荷和最高负荷；Pod为机组额定主蒸汽压力。
进一步的，步骤6的基本思路为：以步骤4所建立热耗率预测模型的输出值作为目标值，在某一给定负荷Ne下的可行运行初压范围内，即公式6中的POmin≤P0≤Pod，使用模拟退火粒子群算法遍历整个可运行压力区间，得到机组热耗率HR最小时所对应的的主蒸汽压力P0。
进一步的，其具体步骤包括：
步骤6-1：初始化粒子群算法参数，确定粒子群的群体大小N、最大迭代次数max_d、惯性权重的最小值wmin与惯性权重的最大值wmax、加速因子c1和c2、初始温度T0和终止温度Td，其寻优函数表达式为步骤5-2所建立的函数表达式；
步骤6-2：给定某一负荷Ne根据步骤5中建立公式计算主蒸汽压力范围区间POmin≤P0≤Pod，将步骤5中建立的优化目标函数表达式定义为适应度函数，即适应度函数fi＝HR，根据步骤6-1初始化参数，计算每个粒子的适应度值fi并与个体的极值pbest＝(p1,p2,p3,p4,……pi-1,pi),i＝1,2,3……,N进行比较，如果fi<pi，则用fi替换掉pi；再对每一个粒子用定义的适应度值fi和全局的极值gbest＝(g1,g2,g3,g4,……gi-1,gi),i＝1,2,3……,N进行比较，如果fi<gi，则用fi替换掉gi；
步骤6-3：使用公式7和公式8对粒子的速度和位置进行迭代更新，方法公式具体如下：
vid＝w*vid+c1r1(pid-xid)+c2r2(pgd-xid) (7)
xid＝xid+vid (8)
式中c1、c2为学习因子，r1和r2为[0，1]范围内的均匀随机数，vid表示粒子的速度，pid为个体局部最优解，pgd为粒子的全局最优解，xid为粒子的位置；
步骤6-4：对步骤6-3更新过后的粒子进行模拟退火，在粒子xid领域产生新的可行解x′id，其中x′id＝xid+Δx，Δx是一个很小的均匀分布随机扰动，计算新的可行解x′id的适应度函数值fi′，并与粒子xid的适应度函数值fi相比，两个位置的适应度值变化量为Δf＝fi′-fi。如果Δf<0,则接受新产生的可行解x′id为当前解，否则如果概率
Figure BDA0003327986450000051
则也接受x′id为当前解，其中random[0,1]是[0,1]区间的随机数；否则返回步骤6-2；
步骤6-5：接受x′id为当前解后进行退火操作，进行降温，Ti逐渐减小，其中退火机制方法如下：
Ti＝αT0 (9)
其中α表示退火速度，α取值范围为[0.8,0.9999]，T0初始温度。若Ti到达终止温度Td或达到最大迭代次数，则输出最优结果，否则返回步骤6-2继续寻优；
步骤6-6：根据步骤6-5寻优结束可得到机组热耗率HR最小所对应的主蒸汽压力值P0，对不同工况负荷Ne下重复步骤6-1到步骤6-5，即可确定机组在不同运行工况下的最优初压，从而实现机组最优运行初压确定。
进一步的，步骤1中采集历史数据时，在每个季度选择随机选择10天，共计40天，作为机组运行的历史数据S，避免因季度自然原因造成的用电量不同所带来的误差。
进一步的，数据每隔2h采集一次，每天12组数据集，共采集480组，且在采集数据范围内包含多种工况运行数据，同时机组均处于正常运行状态。
进一步的，采集的数据点包括发电负荷Ne、主蒸汽压力P0、调节阀开度C、主蒸汽温度T0、再热器出口蒸汽压力Pr、再热器出口蒸汽温度Tr、再热减温水流量Qo、过热减温水流量Qx、过热减温水流量Pb、循环水进水口温度Tc、再热器入口蒸汽温度T0、再热器入口蒸汽压力Ph、给水流量Qe、主蒸汽流量D0、再热器热端蒸汽流量Dh0、再热器冷端蒸汽流量Dl、发电机输出功率Pe。
本发明的积极效果为：
本发明主要包含历史运行数据的采集、数据的预处理、输入输出变量集合确定、LSTM网络模型构建、汽轮机组热耗率预测和汽轮机组最优初压确定七部分。提出通过利用汽轮机组的历史运行数据，确定影响汽轮机组热耗率的变量因素，确定滑压运行时最优初压数学模型，通过构建LSTM神经网络模型，对热耗率进行精准预测，得到热耗率与负荷、温度等影响因素之间的非线性关系然后按照滑压运行时最优初压数学模型，使用模拟退火粒子群算法遍历整个可行压力区间进行热耗率优化计算，得到热耗率最小时所对应的主蒸汽压力值，即得到最优初压值。
本发明对机组的安全、经济运行提供有效的技术支持。
附图说明
图1为本发明步骤框图；
图2为本发明系统流程图。
具体实施方式
如附图1、2所示，本发明包括如下步骤：
步骤1：从汽轮机组集散控制系统(DCS)当中采集历史运行数据，在全年选择40天(每个季度选择随机选择10天)作为机组运行的历史数据S，避免因季度自然原因造成的用电量不同所带来的误差。数据每隔2h采集一次，每天12组数据集，共采集480组，且在采集数据范围内包含多种工况运行数据，同时机组均处于正常运行状态；采集的数据点包括发电负荷Ne、主蒸汽压力P0、调节阀开度C、主蒸汽温度T0、再热器出口蒸汽压力Pr、再热器出口蒸汽温度Tr、再热减温水流量Qo、过热减温水流量Qx、过热减温水流量Pb、循环水进水口温度Tc、再热器入口蒸汽温度T0、再热器入口蒸汽压力Ph、给水流量Qe、主蒸汽流量D0、再热器热端蒸汽流量Dh0、再热器冷端蒸汽流量Dl、发电机输出功率Pe。
步骤2：对采集到的数据进行预处理，计算汽轮机组的热耗率。其具体步骤如下：
步骤2-1：汽轮机的热耗率是指机组每发出1kW·h的电所消耗的热量，其大小体现了机组能量转换过程中的一项重要热经济性能指标。热耗率为外界加入系统的热量与机组输出功率之比，可以通过式(1)计算得到：
Figure BDA0003327986450000071
式(1)中HR表示热耗率、D0为主蒸汽流量、h0主蒸汽焓值、Dh0再热器热端蒸汽流量、hh0再热器热端蒸汽焓值、Qe给水流量、he给水焓值、Dl再热器冷端蒸汽流量、hl再热器冷端蒸汽焓值、Pb过热减温水流量、hb过热减温水焓值、Qo再热减温水流量、ho再热减温水焓值、Pe发电机输出功率，上述焓值通过水和水蒸汽热力性质图表进行查询计算。
步骤2-2：将步骤1中采集得到的数据集S与步骤2-1算出的汽轮机热耗率HR合并构成数据集
Figure BDA0003327986450000073
并将建立起来的数据集
Figure BDA0003327986450000074
进行归一化处理，使用mapminmax函数将数据归一化至0-1之间。其mapminmax函数表达式如下：
Figure BDA0003327986450000072
式(2)中ymin是我们期望归一化后矩阵每行的最小值，ymax是我们期望归一化后矩阵每行的最大值；xmin、xmax分别对应数据集
Figure BDA0003327986450000088
中每行的最小值与最大值。
步骤3：将数据集
Figure BDA00033279864500000810
划分为训练集和测试集，其中数据集
Figure BDA0003327986450000089
的80％作为训练集
Figure BDA0003327986450000081
剩余的20％数据作为测试集
Figure BDA0003327986450000082
将训练集
Figure BDA0003327986450000083
中的发电负荷Ne、主蒸汽压力P0、主蒸汽温度T0、再热器出口蒸汽压力Pr、再热器出口蒸汽温度Tr、再热减温水流量Qo、过热减温水流量Qx、过热减温水流量Pb、循环水进水口温度Tc、再热器入口蒸汽温度T0、再热器入口蒸汽压力Ph、给水流量Qe作为LSTM模型的输入变量，即输入变量X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]，将热耗率作为模型的输出变量，即输出变量Y(k)＝[HR]，通过构建LSTM模型对输入变量和输出变量求解出映射关系。
步骤4：构造LSTM神经网络的模型，建立汽轮机热耗率预测模型。其具体模型构建步骤如下：
步骤4-1：初始化LSTM神经网络的初始网络结构、确定隐藏层层数，初始化训练步长。设置单元状态激活函数为tanh函数，设置输入门it、输出门ot、遗忘门ft的激活函数为sigmoid函数，其各个单元门控的计算公式具体如下：
Figure BDA0003327986450000084
其中，it为输入门主要决定保留多少当前信息输入到当前时刻的单元中，ot为输出门主要用来决定当前时刻的单元状态有多少的输出，ft为遗忘门主要用于决定保留上一时刻的单元状态ct-1信息到当前时刻单元状态ct中，
Figure BDA0003327986450000085
为当前输入的单元状态，wi,wo,wf,wc分别为相对应的权重矩阵，bi,bo,bf,bc分别为相对应的偏置项；ht表示为网络的最终输出；
步骤4-2：对上述构建的初始化LSTM网络模型导入数据进行训练，将步骤3确定训练集数据
Figure BDA0003327986450000086
中的X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]作为模型的输入变量数据导入LSTM网络当中，训练集数据
Figure BDA0003327986450000087
中的热耗率HR作为LSTM网络模型的输出变量Y(k)＝[HR]导入到LSTM网络模型当中，建立起12个输入变量参数X(k)与热耗率HR之间的映射关系HR＝f(X(k))，进而得到汽轮机组的热耗率预测模型。
步骤4-3：为衡量汽轮机组热耗率预测模型精度，使用测试集数据
Figure BDA0003327986450000091
对网络模型精度进行评价，将测试集数据
Figure BDA0003327986450000092
中的输入变量X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]导入模型当中，得到网络模型的热耗率预测值
Figure BDA0003327986450000093
使用均方根误差(Root MeanSquare Error,RMSE)来评价模型的精度，其均方根误差值越小说明模型精度越高。其RMSE计算公式如下：
Figure BDA0003327986450000094
其中yi表示测试集数据
Figure BDA0003327986450000095
中的实际热耗率值，
Figure BDA0003327986450000096
表示模型热耗率预测值，n为测试集数据
Figure BDA0003327986450000097
的样本总数。
步骤5：为了寻找汽轮机滑压运行的最优初压，应当先建立滑压运行机组的数学模型。最优运行初压的确定过程实际上是一个优化求解过程，该过程以机组热耗率最小为优化目标，使用模拟退火粒子群算法对其寻优。汽轮机初压优化的总策略是：寻找和确定汽轮机热耗率最低时的主蒸汽压力，即最优初压。其具体步骤如下：
步骤5-1：为确定滑压运行机组的数学模型，首先应确定机组的可行压力区间范围[POmin,Pod],POmin是确定负荷下最低主蒸汽压力，Pod为机组的额定主蒸汽压力。对于给定好的汽轮机负荷，一定存在一个可以运行的主蒸汽压力范围区间[POmin,Pod]，其中最优运行初压一定存在与这个区间当中，其最低主蒸汽压力POmin计算公式如下：
Figure BDA0003327986450000098
其中，POmin为确定负荷下最低主蒸汽压力，Pod为机组额定主蒸汽压力，Ne为发电负荷，Ned为机组额定负荷。
步骤5-2：在步骤5和步骤5-1所提出的汽轮机初压优化总策略下，以机组的运行经济性最优为评判标准，在给定负荷可行压力变化范围内必存在一个使机组热耗率达到最小的主蒸汽运行压力值。确定最佳初压时，选取汽轮机热耗率最小为优化目标函数，建立滑压运行最优初压数学模型，其优化目标函数表达式如下：
Figure BDA0003327986450000101
其中，f为步骤4训练好的映射关系，即HR＝f(X(k))；Ne、P0、X*为步骤3所确定输入变量X(k)中的变量名称其中Ne为发电负荷；P0为主蒸汽压力；X*为输入变量X(k)中除发电负荷Ne和主蒸汽压力P0外的其他变量集合，即X*＝[T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]；Nemin、Nemax分别为机组允许的最低负荷和最高负荷；Pod为机组额定主蒸汽压力。
步骤6：在步骤5确定的滑压运行最优初压数学模型的基础上，使用模拟退火粒子群算法进行初压优化，其基本思路为：以步骤4所建立热耗率预测模型的输出值作为目标值，在某一给定负荷Ne下的可行运行初压范围内，即公式6中的POmin≤P0≤Pod，使用模拟退火粒子群算法遍历整个可运行压力区间(POmin≤P0≤Pod)，得到机组热耗率HR最小时所对应的的主蒸汽压力P0。其具体步骤如下：
步骤6-1：初始化粒子群算法参数，确定粒子群的群体大小N、最大迭代次数max_d、惯性权重的最小值wmin与惯性权重的最大值wmax、加速因子c1和c2、初始温度T0和终止温度Td，其寻优函数表达式为步骤5-2所建立的函数表达式；
步骤6-2：给定某一负荷Ne根据步骤5-1所建立公式计算主蒸汽压力范围区间POmin≤P0≤Pod。将步骤5-2所建立的式(6)定义为适应度函数，即适应度函数fi＝HR。根据步骤6-1初始化参数，计算每个粒子的适应度值fi并与个体的极值pbest＝(p1,p2,p3,p4,……pi-1,pi),i＝1,2,3……,N进行比较，如果fi<pi，则用fi替换掉pi；再对每一个粒子用定义的适应度值fi和全局的极值gbest＝(g1,g2,g3,g4,……gi-1,gi),i＝1,2,3……,N进行比较，如果fi<gi，则用fi替换掉gi；
步骤6-3：使用公式7和公式8对粒子的速度和位置进行迭代更新，方法公式具体如下：
vid＝w*vid+c1r1(pid-xid)+c2r2(pgd-xid) (7)
xid＝xid+vid (8)
式中c1、c2为学习因子，r1和r2为[0，1]范围内的均匀随机数，vid表示粒子的速度，pid为个体局部最优解，pgd为粒子的全局最优解，xid为粒子的位置；
步骤6-4：对步骤6-3更新过后的粒子进行模拟退火，在粒子xid领域产生新的可行解x′id，其中x′id＝xid+Δx，Δx是一个很小的均匀分布随机扰动，计算新的可行解x′id的适应度函数值fi′，并与粒子xid的适应度函数值fi相比，两个位置的适应度值变化量为Δf＝fi′-fi。如果Δf<0,则接受新产生的可行解x′id为当前解，否则如果概率
Figure BDA0003327986450000111
则也接受x′id为当前解，其中random[0,1]是[0,1]区间的随机数；否则返回步骤6-2。
步骤6-5：接受x′id为当前解后进行退火操作，进行降温，Ti逐渐减小，其中退火机制方法如下：
Ti＝αT0 (9)
其中α表示退火速度，α取值范围为[0.8,0.9999]，T0初始温度。若Ti到达终止温度Td或达到最大迭代次数，则输出最优结果，否则返回步骤6-2继续寻优。
步骤6-6：根据步骤6-5寻优结束可得到机组热耗率HR最小所对应的主蒸汽压力值P0，对不同工况负荷Ne下重复步骤6-1到步骤6-5，即可确定机组在不同运行工况下的最优初压，从而实现机组最优运行初压确定。
随着我国能源的日益紧张，资源结构的调整，使得用电量大幅提升，火电厂也在日益扩大机组规模。越来越多的大型发电机组为了更好地适应社会的发展，参与到电网的调峰工作中。为了汽轮机组机能够在不同负荷下仍然保持较低的热耗率，机组的每一个负荷下都存在一个最优的主蒸汽压力使热耗率最低。所以最优初压的确定能提升电厂的经济效益。
传统的最优初压优化办法就是使用理论计算方法和试验参数实验法。理论计算方法通过在确定负荷下，对可行的主蒸汽压力利用穷举的方法，通过热力学计算得到对应压力下的热耗率，当计算得到的热耗率最小时所对应的压力就是最优压力。但这种方法需要的计算量较大，会导致整个过程繁杂。试验参数实验法则是从现场抽出几组正常数据对不同的主蒸汽压力进行试验，计算出相对应的热耗率值，比较得出最优运行初压，这种方法准确度较低。本发明通过利用汽轮机组的历史运行数据来构建LSTM神经网络模型，对热耗率进行精准预测，得到热耗率与负荷、温度等影响因素之间的非线性关系然后按照滑压运行时最优初压数学模型，使用模拟退火粒子群算法遍历整个可行压力区间进行热耗率优化计算，得到热耗率最小时所对应的主蒸汽压力值，较传统方法计算快捷，可以更加准确的确定汽轮机最优初压。这对提高机组的经济效益和促进企业的能源转换有着重要的意义。

Claims (10)

1.一种基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于其包括如下步骤：步骤1：从汽轮机组集散控制系统当中采集历史运行数据S；步骤2：对采集到的数据进行预处理，计算汽轮机组的热耗率，将数据集S与算出的汽轮机热耗率HR合并构成数据集
Figure FDA0003327986440000017
步骤3：将数据集
Figure FDA0003327986440000018
的80％作为训练集
Figure FDA0003327986440000011
剩余的20％数据作为测试集
Figure FDA0003327986440000012
将训练集
Figure FDA0003327986440000013
中的数据作为LSTM模型的输入变量，将热耗率作为模型的输出变量，通过构建LSTM模型对输入变量和输出变量求解出映射关系；步骤4：构造LSTM神经网络的模型，建立汽轮机热耗率预测模型；步骤5：寻找汽轮机滑压运行的最优初压，以机组热耗率最小为优化目标，使用模拟退火粒子群算法对其寻优；步骤6：在步骤5确定的滑压运行最优初压数学模型的基础上，使用模拟退火粒子群算法进行初压优化。
2.根据权利要求1所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于步骤2中汽轮机组的热耗率计算方法包括：
步骤2-1：热耗率为外界加入系统的热量与机组输出功率之比，通过式(1)计算得到：
Figure FDA0003327986440000014
式(1)中HR表示热耗率、D0为主蒸汽流量、h0主蒸汽焓值、Dh0再热器热端蒸汽流量、hh0再热器热端蒸汽焓值、Qe给水流量、he给水焓值、Dl再热器冷端蒸汽流量、hl再热器冷端蒸汽焓值、Pb过热减温水流量、hb过热减温水焓值、Qo再热减温水流量、ho再热减温水焓值、Pe发电机输出功率，上述焓值通过水和水蒸汽热力性质图表进行查询计算；
步骤2-2：将步骤1中采集得到的数据集S与步骤2-1算出的汽轮机热耗率HR合并构成数据集
Figure FDA0003327986440000019
并将建立起来的数据集S*进行归一化处理，使用mapminmax函数将数据归一化至0-1之间，其mapminmax函数表达式如下：
Figure FDA0003327986440000015
式(2)中ymin是期望归一化后矩阵每行的最小值，ymax是期望归一化后矩阵每行的最大值；xmin、xmax分别对应数据集S*中每行的最小值与最大值。
3.根据权利要求1所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于在步骤3中，将训练集
Figure FDA0003327986440000016
中的发电负荷Ne、主蒸汽压力P0、主蒸汽温度T0、再热器出口蒸汽压力Pr、再热器出口蒸汽温度Tr、再热减温水流量Qo、过热减温水流量Qx、过热减温水流量Pb、循环水进水口温度Tc、再热器入口蒸汽温度T0、再热器入口蒸汽压力Ph、给水流量Qe作为LSTM模型的输入变量，即输入变量X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]，将热耗率作为模型的输出变量，即输出变量Y(k)＝[HR]，通过构建LSTM模型对输入变量和输出变量求解出映射关系。
4.根据权利要求1所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于在步骤4中的模型构建步骤包括：
步骤4-1：初始化LSTM神经网络的初始网络结构、确定隐藏层层数，初始化训练步长，设置单元状态激活函数为tanh函数，设置输入门it、输出门ot、遗忘门ft的激活函数为sigmoid函数，其各个单元门控的计算公式具体如下：
Figure FDA0003327986440000021
其中，it为输入门主要决定保留多少当前信息输入到当前时刻的单元中，ot为输出门主要用来决定当前时刻的单元状态有多少的输出，ft为遗忘门主要用于决定保留上一时刻的单元状态ct-1信息到当前时刻单元状态ct中，
Figure FDA0003327986440000022
为当前输入的单元状态，wi,wo,wf,wc分别为相对应的权重矩阵，bi,bo,bf,bc分别为相对应的偏置项；ht表示为网络的最终输出；
步骤4-2：对上述构建的初始化LSTM网络模型导入数据进行训练，将步骤3确定训练集数据
Figure FDA0003327986440000023
中的X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]作为模型的输入变量数据导入LSTM网络当中，训练集数据
Figure FDA0003327986440000024
中的热耗率HR作为LSTM网络模型的输出变量Y(k)＝[HR]导入到LSTM网络模型当中，建立起12个输入变量参数X(k)与热耗率HR之间的映射关系HR＝f(X(k))，进而得到汽轮机组的热耗率预测模型；
步骤4-3：为衡量汽轮机组热耗率预测模型精度，使用测试集数据
Figure FDA0003327986440000025
对网络模型精度进行评价，将测试集数据
Figure FDA0003327986440000026
中的输入变量X(k)＝[Ne,P0,T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]导入模型当中，得到网络模型的热耗率预测值
Figure FDA0003327986440000027
使用均方根误差来评价模型的精度，其均方根误差值越小说明模型精度越高，其RMSE计算公式如下：
Figure FDA0003327986440000031
其中yi表示测试集数据
Figure FDA0003327986440000032
中的实际热耗率值，
Figure FDA0003327986440000033
表示模型热耗率预测值，n为测试集数据
Figure FDA0003327986440000034
的样本总数。
5.根据权利要求1所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于步骤5的具体步骤如下：
步骤5-1：首先确定机组的可行压力区间范围[POmin,Pod],POmin是确定负荷下最低主蒸汽压力，Pod为机组的额定主蒸汽压力，对于给定好的汽轮机负荷，一定存在一个可以运行的主蒸汽压力范围区间[POmin,Pod]，其中最优运行初压一定存在于这个区间当中，其最低主蒸汽压力POmin计算公式如下：
Figure FDA0003327986440000035
其中，POmin为确定负荷下最低主蒸汽压力，Pod为机组额定主蒸汽压力，Ne为发电负荷，Ned为机组额定负荷；
步骤5-2：在步骤5和步骤5-1所提出的汽轮机初压优化总策略下，以机组的运行经济性最优为评判标准，在给定负荷可行压力变化范围内必存在一个使机组热耗率达到最小的主蒸汽运行压力值；确定最佳初压时，选取汽轮机热耗率最小为优化目标函数，建立滑压运行最优初压数学模型，其优化目标函数表达式如下：
Figure FDA0003327986440000036
其中，f为步骤4训练好的映射关系，即HR＝f(X(k))；Ne、P0、X*为步骤3所确定输入变量X(k)中的变量名称其中Ne为发电负荷；P0为主蒸汽压力；X*为输入变量X(k)中除发电负荷Ne和主蒸汽压力P0外的其他变量集合，即X*＝[T0,Pr,Tr,Qo,Qx,Pb,Tc,T0,Ph,Qe]；Nemin、Nemax分别为机组允许的最低负荷和最高负荷；Pod为机组额定主蒸汽压力。
6.根据权利要求1所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于步骤6的基本思路为：以步骤4所建立热耗率预测模型的输出值作为目标值，在某一给定负荷Ne下的可行运行初压范围内，即公式6中的POmin≤P0≤Pod，使用模拟退火粒子群算法遍历整个可运行压力区间，得到机组热耗率HR最小时所对应的的主蒸汽压力P0。
7.根据权利要求6所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于其具体步骤包括：
步骤6-1：初始化粒子群算法参数，确定粒子群的群体大小N、最大迭代次数max_d、惯性权重的最小值wmin与惯性权重的最大值wmax、加速因子c1和c2、初始温度T0和终止温度Td，其寻优函数表达式为步骤5-2所建立的函数表达式；
步骤6-2：给定某一负荷Ne根据步骤5中建立公式计算主蒸汽压力范围区间POmin≤P0≤Pod，将步骤5中建立的优化目标函数表达式定义为适应度函数，即适应度函数fi＝HR，根据步骤6-1初始化参数，计算每个粒子的适应度值fi并与个体的极值pbest＝(p1,p2,p3,p4,……pi-1,pi),i＝1,2,3……,N进行比较，如果fi<pi，则用fi替换掉pi；再对每一个粒子用定义的适应度值fi和全局的极值gbest＝(g1,g2,g3,g4,……gi-1,gi),i＝1,2,3……,N进行比较，如果fi<gi，则用fi替换掉gi；
步骤6-3：使用公式7和公式8对粒子的速度和位置进行迭代更新，方法公式具体如下：
vid＝w*vid+c1r1(pid-xid)+c2r2(pgd-xid) (7)
xid＝xid+vid (8)
式中c1、c2为学习因子，r1和r2为[0，1]范围内的均匀随机数，vid表示粒子的速度，pid为个体局部最优解，pgd为粒子的全局最优解，xid为粒子的位置；
步骤6-4：对步骤6-3更新过后的粒子进行模拟退火，在粒子xid领域产生新的可行解x′id，其中x′id＝xid+Δx，Δx是一个很小的均匀分布随机扰动，计算新的可行解x′id的适应度函数值fi′，并与粒子xid的适应度函数值fi相比，两个位置的适应度值变化量为Δf＝fi′-fi；如果Δf<0,则接受新产生的可行解x′id为当前解，否则如果概率
Figure FDA0003327986440000041
则也接受x′id为当前解，其中random[0,1]是[0,1]区间的随机数；否则返回步骤6-2；
步骤6-5：接受x′id为当前解后进行退火操作，进行降温，Ti逐渐减小，其中退火机制方法如下：
Ti＝αT0 (9)
其中α表示退火速度，α取值范围为[0.8,0.9999]，T0初始温度；若Ti到达终止温度Td或达到最大迭代次数，则输出最优结果，否则返回步骤6-2继续寻优；
步骤6-6：根据步骤6-5寻优结束可得到机组热耗率HR最小所对应的主蒸汽压力值P0，对不同工况负荷Ne下重复步骤6-1到步骤6-5，即可确定机组在不同运行工况下的最优初压，从而实现机组最优运行初压确定。
8.根据权利要求1所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于步骤1中采集历史数据时，在每个季度选择随机选择10天，共计40天，作为机组运行的历史数据S，避免因季度自然原因造成的用电量不同所带来的误差。
9.根据权利要求8所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于数据每隔2h采集一次，每天12组数据集，共采集480组，且在采集数据范围内包含多种工况运行数据，同时机组均处于正常运行状态。
10.根据权利要求9所述的基于模拟退火粒子群算法的汽轮机最优初压确定方法，其特征在于采集的数据点包括发电负荷Ne、主蒸汽压力P0、调节阀开度C、主蒸汽温度T0、再热器出口蒸汽压力Pr、再热器出口蒸汽温度Tr、再热减温水流量Qo、过热减温水流量Qx、过热减温水流量Pb、循环水进水口温度Tc、再热器入口蒸汽温度T0、再热器入口蒸汽压力Ph、给水流量Qe、主蒸汽流量D0、再热器热端蒸汽流量Dh0、再热器冷端蒸汽流量Dl、发电机输出功率Pe。
CN202111270988.XA 2021-10-29 2021-10-29 基于模拟退火粒子群算法的汽轮机最优初压确定方法 Pending CN114139439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111270988.XA CN114139439A (zh) 2021-10-29 2021-10-29 基于模拟退火粒子群算法的汽轮机最优初压确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111270988.XA CN114139439A (zh) 2021-10-29 2021-10-29 基于模拟退火粒子群算法的汽轮机最优初压确定方法

Publications (1)

Publication Number Publication Date
CN114139439A true CN114139439A (zh) 2022-03-04

Family

ID=80394869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111270988.XA Pending CN114139439A (zh) 2021-10-29 2021-10-29 基于模拟退火粒子群算法的汽轮机最优初压确定方法

Country Status (1)

Country Link
CN (1) CN114139439A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757023A (zh) * 2022-03-29 2022-07-15 国能蚌埠发电有限公司 汽轮机的数据处理方法、装置、存储介质及电子设备
CN116227367A (zh) * 2023-05-10 2023-06-06 广东电网有限责任公司珠海供电局 直接空冷系统的背压预测模型构建方法、预测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757023A (zh) * 2022-03-29 2022-07-15 国能蚌埠发电有限公司 汽轮机的数据处理方法、装置、存储介质及电子设备
CN116227367A (zh) * 2023-05-10 2023-06-06 广东电网有限责任公司珠海供电局 直接空冷系统的背压预测模型构建方法、预测方法及装置
CN116227367B (zh) * 2023-05-10 2023-07-21 广东电网有限责任公司珠海供电局 直接空冷系统的背压预测模型构建方法、预测方法及装置

Similar Documents

Publication Publication Date Title
Niu et al. Evaluating the performances of several artificial intelligence methods in forecasting daily streamflow time series for sustainable water resources management
CN113822496B (zh) 一种多机组热电厂供热模式及参数在线寻优方法
Huang et al. A novel energy demand prediction strategy for residential buildings based on ensemble learning
CN114139439A (zh) 基于模拟退火粒子群算法的汽轮机最优初压确定方法
CN110739726B (zh) 一种考虑海上风电接入的多类型电源容量长期规划方法
CN106682810A (zh) 巨型水电站动态投产下跨流域梯级水电站群长期运行方法
CN110009135B (zh) 一种基于宽度学习的风电功率预测方法
CN112052570A (zh) 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法
CN109978276A (zh) 火电厂机群多台供热机组热电负荷分配的在线优化方法
Chaowen et al. Prediction on hourly cooling load of buildings based on neural networks
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN115333168A (zh) 一种基于分布式滚动优化的海上风电场场级控制策略
CN110207094A (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN114547987B (zh) 一种基于改进人工神经网络的离心泵作透平性能预测方法
CN116258055A (zh) 一种自动发电控制中机组负荷及动态调节能力在线预测方法
CN117031950A (zh) 深度调峰火电机组控制系统建模的方法及装置
CN113962140A (zh) 基于ga-lstm的汽轮机阀门流量特性函数的优化方法
Ansari et al. Wind power forecasting using artificial neural network
CN116796645A (zh) 一种基于igwo-svm的超低负荷下汽轮机初压优化方法
CN112990674A (zh) 一种海上浮式风电场多目标运行调度方法
CN115081726A (zh) 一种基于预测的低碳调度方法
CN113503750B (zh) 一种直接空冷机组最佳背压确定方法
CN113836819B (zh) 一种基于时序关注的床温预测方法
CN110414734A (zh) 一种计及风资源利用率预测评估的方法
CN115656439A (zh) 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法

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