CN114818470A - 一种关于燃机循环机组的冷端在线优化方法及装置 - Google Patents

一种关于燃机循环机组的冷端在线优化方法及装置 Download PDF

Info

Publication number
CN114818470A
CN114818470A CN202210302703.4A CN202210302703A CN114818470A CN 114818470 A CN114818470 A CN 114818470A CN 202210302703 A CN202210302703 A CN 202210302703A CN 114818470 A CN114818470 A CN 114818470A
Authority
CN
China
Prior art keywords
unit
parameters
equipment
cold end
state
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
CN202210302703.4A
Other languages
English (en)
Inventor
胡乐晨
陶刚
程平
冯景浩
张绍波
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.)
Guangzhou Zhujiang Natural Gas Power Generation Co ltd
Original Assignee
Guangzhou Zhujiang Natural Gas Power Generation 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 Guangzhou Zhujiang Natural Gas Power Generation Co ltd filed Critical Guangzhou Zhujiang Natural Gas Power Generation Co ltd
Priority to CN202210302703.4A priority Critical patent/CN114818470A/zh
Publication of CN114818470A publication Critical patent/CN114818470A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种关于燃机循环机组的冷端在线优化方法、装置、电子设备及计算机可读存储介质，所述方法包括：实时采集机组设备的运行特征参数；利用所述运行参数构建关于机组实时状态的目标函数；调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数；按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。本发明可以实时采集机组中各个不同冷却设备在运行时的特征参数，利用各个特征参数构建成代表冷端状态的目标函数，使用训练好的LSTM神经网络求解目标函数，最后基于求解结果对各个设备进行优化调整，实现实时优化调整的效果，使得各个设备能处于最优的冷却状态，从而能提高冷端的冷却效果。

Description

一种关于燃机循环机组的冷端在线优化方法及装置
技术领域
本发明涉及汽轮机冷端优化的技术领域，尤其涉及一种关于燃机循环机组的冷端在线优化方法及装置。
背景技术
燃机循环机组的冷端是相对于锅炉汽水循环的热端而言，具体是指循环冷却水所流经的各个设备及管路的总组成部分。其中燃机循环机组的冷端主要由以下五部分组成：即汽轮机低压缸末级组、凝汽器、真空泵、冷却塔以及循环水泵。
为了提高冷端的冷却能力，需要计算冷端的各个组成设备在协同工作时的最佳运行参数，以使各个设备能在最佳参数下进行冷却操作。目前常用的运行参数计算方法是把汽轮机功率增量与冷端设备用电功率增量的差值构建目标函数，通过求解目标函数的最大值就可以得到冷端设备的最佳结构参数及最佳运行参数。
但目前常用的计算方法有如下技术问题：目前计算最佳运行参数的方式是基于设备在先运行功率等参数计算得到，但在先运行功率所处的应用环境可能与当前的应用环境不同，一旦实时应用环境发生变化，先计算的运行参数可能与当前的应用环境不适配，进而降低了设备当前的冷却效率。
发明内容
本发明提出一种关于燃机循环机组的冷端在线优化方法及装置，所述方法通过冷却设备的多个不同实时运行特征参数构建目标函数，再利用已训练的 LSTM神经网络求解目标函数预测得到设备的优化参数，从而能根据优化参数调整设备的实时运行状态，以提高冷却效率。
本发明实施例的第一方面提供了一种关于燃机循环机组的冷端在线优化方法，所述方法包括：
实时采集机组设备的运行特征参数，所述运行特征参数包括：汽轮机特征参数、凝汽器特征参数、循环水泵特征参数；
利用所述运行参数构建关于机组实时状态的目标函数；
调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数；
按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。
在第一方面的一种可能的实现方式中，所述目标函数，具体如下式所示：
Max(ΔP)＝f(Pt，tw1，Dw)＝P-Np；
其中，ΔPt为机组微增出力，Pt为机组负荷，Dw为凝汽器的冷却水量，P为功率，Np为循环水泵的电耗。
在第一方面的一种可能的实现方式中，所述目标函数的约束条件如下：
ts＝tw1+Δt+δt；
Figure RE-GDA0003686752620000021
Figure RE-GDA0003686752620000022
pc＝g(ts)；
Np＝f2(Dw)；
其中，ts为蒸汽在凝汽器压力下的饱和温度，tw1为冷却水进口温度，Δt为冷却水温升，δt为凝汽器传热端差；hc为凝汽器中的蒸汽比焓，h′c为凝结水比焓，pc为凝汽器总压力。
在第一方面的一种可能的实现方式中，所述循环水泵的电耗Np的计算如下式：
Figure RE-GDA0003686752620000031
其中，ηh为水泵效率，ηt为传动效率，ηp为电机效率，p为功率，g为重力常数，H为扬程，qv是体积流量。
在第一方面的一种可能的实现方式中，所述预设的LSTM神经网络为采用机组设备的历史运行参数进行模型训练的神经网络；
其中，模型训练具体为：
采集设备的历史数据，所述历史数据包括：运行背压、机组负荷、循环水温度、循环水流量、循泵运行台数；
获取用户设定的自循环细胞参数，调用Adam算法控制待训练的LSTM神经网络采用所述自循环细胞参数进行训练，得到LSTM神经网络；
使用绝对平均温差值为损失函数，公式如下所示：
Figure RE-GDA0003686752620000032
上式中：q为时间序列长度；Zt为实测值；yt为模型在t时刻的预测值。
在第一方面的一种可能的实现方式中，所述自循环细胞参数，包括：遗忘门ft、输入门it和输出门ot，待更新的细胞状态At和细胞状态Ct；
ft＝σ(Wf.[ht-1，xt]+bf)；
it＝σ(Wi.[ht-1，xt]+bi)；
At＝tanh(Wc.[ht-1，xt]+bc)；
Ct＝ft*Ct-1+it*At-1；
ot＝σ(Wo.[ht-1，xt]+bo)；
上式中，xt为当前输入向量；ht-1为上一时刻细胞输入状态；ht为当前隐藏层向量；Wf、Wi、Wc、Wo为对应门的权重系数矩阵；bf、bi、bc、bo为对应门的偏置项；σ为sigmoid激活函数；
当前隐藏层向量如下式所示：
ht＝ot+tannh(Ct)。
在第一方面的一种可能的实现方式中，所述按照所述优化参数调整机组的设备运行状态，包括：
获取机组设备的当前运行数据，基于所述当前运行数据确定设备机组的当前工况；
若所述当前工况为异常时，则采用优化参数调整机组的设备运行状态，并发出预警提示。
本发明实施例的第二方面提供了一种关于燃机循环机组的冷端在线优化装置，所述装置包括：
采集模块，用于实时采集机组设备的运行特征参数，所述运行特征参数包括：汽轮机特征参数、凝汽器特征参数、循环水泵特征参数；
构建模块，用于利用所述运行参数构建关于机组实时状态的目标函数；
求解模块，用于调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数；
优化模块，用于按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。
相比于现有技术，本发明实施例提供的一种关于燃机循环机组的冷端在线优化方法及装置，其有益效果在于：本发明可以实时采集机组中各个不同冷却设备在运行时的特征参数，然后利用各个特征参数构建成代表冷端状态的目标函数，接着使用训练好的LSTM神经网络求解目标函数，最后基于求解结果对各个设备进行优化调整，实现实时优化调整的效果，使得各个设备能处于最优的冷却状态，从而能提高冷端的冷却效果，而且实时优化调整便于公司运维管控，能有效降低公司的运营管理成本。
附图说明
图1是本发明一实施例提供的一种关于燃机循环机组的冷端在线优化方法的流程示意图；
图2是本发明一实施例提供的一种关于燃机循环机组的冷端在线优化装置的结构示意图。
具体实施方式
下面将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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前常用的计算方法有如下技术问题：目前计算最佳运行参数的方式是基于设备在先运行功率等参数计算得到，但在先运行功率所处的应用环境可能与当前的应用环境不同，一旦实时应用环境发生变化，先计算的运行参数可能与当前的应用环境不适配，进而降低了设备当前的冷却效率。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种关于燃机循环机组的冷端在线优化方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种关于燃机循环机组的冷端在线优化方法的流程示意图。
其中，作为示例的，所述关于燃机循环机组的冷端在线优化方法，可以包括：
S11、实时采集机组设备的运行特征参数，所述运行特征参数包括：汽轮机特征参数、凝汽器特征参数、循环水泵特征参数。
其中，汽轮机特征参数可以包括汽轮机机组功率、负荷等设备实际运行时的参数，凝汽器特征参数可以包括凝汽器的功率、冷却水容量、温度等设备实际运行时的参数，循环水泵特征参数可以包括循环水泵的功率、水泵的容量等设备实际运行的参数。
通过上述各个参数，可以确定机组中各个参与冷却的设备其实际运行情况，从而能根据其实际运行情况确定设备是否处于最佳的冷却状态，进而能确定需要对设备进行优化调整。
S12、利用所述运行参数构建关于机组实时状态的目标函数。
在一实施例中，可以使用设备的运行参数构建机组内各个设备的目标函数，从而能基于目标函数为预测机组是否在最佳冷却状态。
在一可选的实施例中，所述目标函数，具体如下式所示：
Max(ΔP)＝f(Pt，tw1，Dw)＝P-Np；
其中，ΔPt为机组微增出力，Pt为机组负荷，Dw为凝汽器的冷却水量，P为功率，Np为循环水泵的电耗。
在一实施例中，在某一新蒸汽参数和流量条件下，汽轮机的输出功率受排汽压力影响。而汽轮机功率的增量是机组负荷和排汽压力共同的函数，ΔPt可以表示为：ΔPt＝f1(Pt，Pk)，可通过拟合厂家提供的低压末级性能曲线。
其中，pt为机组负荷，pk为排汽背压。
在一实施例中，所述目标函数的约束条件如下：
ts＝tw1+Δt+δt；
Figure RE-GDA0003686752620000071
Figure RE-GDA0003686752620000072
pc＝g(ts)；
Np＝f2(Dw)；
其中，ts为蒸汽在凝汽器压力下的饱和温度，tw1为冷却水进口温度，Δt为冷却水温升，δt为凝汽器传热端差；hc为凝汽器中的蒸汽比焓，hc′为凝结水比焓，pc为凝汽器总压力。
需要说明的是，在主凝结区，由于总压力pc与蒸汽分压力ps相差甚微，pc可以用ps代替。在计算出饱和温度ts后，可以求出ts所对应的饱和压力ps。
在实际计算时，循环水温升Δt可由凝汽器热平衡方程推导得到，其热平衡方程可以表示为：
Q＝1000Dc(hc-hc′)＝1000Dw(hw2-hw1)＝4187DwΔt；
上式中，Q为凝汽器的传热量，单位为kJ/h；Δt为冷却水温升，单位为K； Dc为进入凝汽器的蒸汽量，单位为t/h；Dw为与冷却水量，单位为t/h；hw2和hw1为冷却水流出和进入凝汽器的比焓，单位为kJ/kg。
由上式计算可得冷却水温升为：
Figure RE-GDA0003686752620000073
上述式中，m＝Dw/Dc称为凝汽器的冷却倍率或循环倍率。
同时，端差可由传热方程等公式推导求得。传热方程为：Q＝KAcΔtm；
其中，K为凝汽器的总体传热系数；Δtm为蒸汽和冷却水之间的对数平均传热温差。
由于空冷区传热面积较小，可以假设蒸汽凝结温度沿整个面积不变，这时Δtm为：
Figure RE-GDA0003686752620000081
求得到端差表达式为：
Figure RE-GDA0003686752620000082
在其中一种实施例中，所述循环水泵的电耗Np的计算如下式：
Figure RE-GDA0003686752620000083
其中，ηh为水泵效率，ηt为传动效率，ηp为电机效率，p为功率，g为重力常数， H为扬程，qv(VolumeFlowrate)为体积流量(公式：qv＝V/t)，是单位时间里通过过流断面的流体体积，简称流量。
在实际应用里，循环水泵的基本参数主要有流量Q、扬程H、功率P、转速n、转速比α、效率η和汽蚀余量NPSH，这些参数不仅能够反映泵的工作能力、结构特点、运行经济性和安全性，又能说明泵在运行过程中不同的工作状态。
具体地，可以使用循环水泵出厂时附带的特性报告，其中包含额定转速下循环水泵的扬程、功率、效率和流量之间的关系曲线图。对曲线进行拟合，即可得到各参数关于流量变化的关系式。循环水泵的变速调节是指在管路特性曲线不变的情况下，通过改变转速来改变泵的特性曲线，从而改变泵的工作点。当循泵特性报告中未做变转速性能试验时，可按照比例率原则，进行推导得到变转速后的各参数特性。以扬程特性为例，假设额定转速下，拟合得到的扬程- 流量关系式为：
Figure RE-GDA0003686752620000091
则变转速后的关系式为：
Figure RE-GDA0003686752620000092
式中z为转速比。
管道阻力特性可表示为：
Figure RE-GDA0003686752620000095
在实际运行中，可通过试验测得泵工作点的流量、扬程，拟合得到循环水系统管路特性系数Hst和
Figure RE-GDA0003686752620000093
循环水泵的运行工作点就是泵的特性曲线与管路特性曲线的交点，将以上两式联立即可求得单泵运行的工作点。循泵并联时的工作点的求取，应首先按照扬程不变，流量叠加的原则，求得水泵并联后的特性曲线，再求得与管道阻力曲线的交点，获得并联扬程后，再从单泵特性曲线上得到对应单泵的运行工作点。泵的运行工况点(流量、扬程)确定后，可由变速后的效率特性获得泵当前的效率，进而可获得泵的电耗Np。
S13、调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数。
在其中一种的实施例中，所述预设的LSTM神经网络为采用机组设备的历史运行参数进行模型训练的神经网络；
其中，模型训练具体为：
采集设备的历史数据，所述历史数据包括：运行背压、机组负荷、循环水温度、循环水流量、循泵运行台数；
获取用户设定的自循环细胞参数，调用Adam算法控制待训练的LSTM神经网络采用所述自循环细胞参数进行训练，得到LSTM神经网络；
使用绝对平均温差值为损失函数，公式如下所示：
Figure RE-GDA0003686752620000094
上式中：q为时间序列长度；Zt为实测值；yt为模型在t时刻的预测值。
为了提高LSTM神经网络的计算准确率，在一可选的实施例中，所述自循环细胞参数，包括：遗忘门ft、输入门it和输出门ot，待更新的细胞状态At和细胞状态Ct；
ft＝σ(Wf.[ht-1，xt]+bf)；
it＝σ(Wi.[ht-1，xt]+bi)；
At＝tanh(Wc.[ht-1，xt]+bc)；
Ct＝ft*Ct-1+it*At-1；
ot＝σ(Wo.[ht-1，xt]+bo)；
上式中，xt为当前输入向量；ht-1为上一时刻细胞输入状态；ht为当前隐藏层向量；Wf、Wi、Wc、Wo为对应门的权重系数矩阵；bf、bi、bc、bo为对应门的偏置项；σ为sigmoid激活函数；
当前隐藏层向量如下式所示：
ht＝ot+tannh(Ct)。
需要说明的是，自循环所使用的各个参数可以根据实际需要进行调整。
S14、按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。
在一实施例中，可以以目标函数的求解结果作为机组各个设备的权重，再基于其权重调整设备的运行功率或实际运行状态，以优化各个设备的运行状态，提高冷却效果。
为了准确调整各个设备的运行状态，在一实施例中，步骤S14可以包括以下子步骤：
子步骤S141、获取机组设备的当前运行数据，基于所述当前运行数据确定设备机组的当前工况。
子步骤S142、若所述当前工况为异常时，则采用优化参数调整机组的设备运行状态，并发出预警提示。
具体地，可以基于当前运行数据确定设备的工况并基于采用高斯分类方法计算该工况对应的置信度。判断置信度是否小于预设值，若置信度小于预设值，则确定设备的当前工作为异常，可以对设备进行优化调整，同时在确定为异常时，发出预警信号，以提醒用户。
在本实施例中，本发明实施例提供了一种关于燃机循环机组的冷端在线优化方法，其有益效果在于：本发明可以实时采集机组中各个不同冷却设备在运行时的特征参数，然后利用各个特征参数构建成代表冷端状态的目标函数，接着使用训练好的LSTM神经网络求解目标函数，最后基于求解结果对各个设备进行优化调整，实现实时优化调整的效果，使得各个设备能处于最优的冷却状态，从而能提高冷端的冷却效果，而且实时优化调整便于公司运维管控，能有效降低公司的运营管理成本。
本发明实施例还提供了一种关于燃机循环机组的冷端在线优化装置，参见图2，示出了本发明一实施例提供的一种关于燃机循环机组的冷端在线优化装置的结构示意图。
其中，作为示例的，所述关于燃机循环机组的冷端在线优化装置可以包括：
采集模块201，用于实时采集机组设备的运行特征参数，所述运行特征参数包括：汽轮机特征参数、凝汽器特征参数、循环水泵特征参数；
构建模块202，用于利用所述运行参数构建关于机组实时状态的目标函数；
求解模块203，用于调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数；
优化模块204，用于按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。
可选地，所述目标函数，具体如下式所示：
Max(ΔP)＝f(Pt，tw1，Dw)＝P-Np；
其中，ΔPt为机组微增出力，Pt为机组负荷，Dw为凝汽器的冷却水量，P为功率，Np为循环水泵的电耗。
可选地，所述目标函数的约束条件如下：
ts＝tw1+Δt+δt；
Figure RE-GDA0003686752620000121
Figure RE-GDA0003686752620000122
pc＝g(ts)；
Np＝f2(Dw)；
其中，ts为蒸汽在凝汽器压力下的饱和温度，tw1为冷却水进口温度，Δt为冷却水温升，δt为凝汽器传热端差；hc为凝汽器中的蒸汽比焓，hc′为凝结水比焓，pc为凝汽器总压力。
可选地，所述循环水泵的电耗Np的计算如下式：
Figure RE-GDA0003686752620000123
其中，ηh为水泵效率，ηt为传动效率，ηp为电机效率，p为功率，g为重力常数，H为扬程，qv是体积流量。
可选地，所述预设的LSTM神经网络为采用机组设备的历史运行参数进行模型训练的神经网络；
其中，模型训练具体为：
采集设备的历史数据，所述历史数据包括：运行背压、机组负荷、循环水温度、循环水流量、循泵运行台数；
获取用户设定的自循环细胞参数，调用Adam算法控制待训练的LSTM神经网络采用所述自循环细胞参数进行训练，得到LSTM神经网络；
使用绝对平均温差值为损失函数，公式如下所示：
Figure RE-GDA0003686752620000131
上式中：q为时间序列长度；Zt为实测值；yt为模型在t时刻的预测值。
可选地，所述自循环细胞参数，包括：遗忘门ft、输入门it和输出门ot，待更新的细胞状态At和细胞状态Ct；
ft＝σ(Wf.[ht-1，xt]+bf)；
it＝σ(Wi.[ht-1，xt]+bi)；
At＝tanh(Wc.[ht-1，xt]+bc)；
Ct＝ft*Ct-1+it*At-1；
ot＝σ(Wo.[ht-1，xt]+bo)；
上式中，xt为当前输入向量；ht-1为上一时刻细胞输入状态；ht为当前隐藏层向量；Wf、Wi、Wc、Wo为对应门的权重系数矩阵；bf、bi、bc、bo为对应门的偏置项；σ为sigmoid激活函数；
当前隐藏层向量如下式所示：
ht＝ot+tannh(Ct)。
可选地，所述优化模块还用于：
获取机组设备的当前运行数据，基于所述当前运行数据确定设备机组的当前工况；
若所述当前工况为异常时，则采用优化参数调整机组的设备运行状态，并发出预警提示。
所属技术领域的技术人员可以清楚地了解到，为方便的描述和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的关于燃机循环机组的冷端在线优化方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的关于燃机循环机组的冷端在线优化方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种关于燃机循环机组的冷端在线优化方法，其特征在于，所述方法包括：
实时采集机组设备的运行特征参数，所述运行特征参数包括：汽轮机特征参数、凝汽器特征参数、循环水泵特征参数；
利用所述运行参数构建关于机组实时状态的目标函数；
调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数；
按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。
2.根据权利要求1所述的关于燃机循环机组的冷端在线优化方法，其特征在于，所述目标函数，具体如下式所示：
Max(ΔP)＝f(Pt，tw1，Dw)＝P-Np；
其中，ΔPt为机组微增出力，Pt为机组负荷，Dw为凝汽器的冷却水量，P为功率，Np为循环水泵的电耗。
3.根据权利要求2所述的关于燃机循环机组的冷端在线优化方法，其特征在于，所述目标函数的约束条件如下：
ts＝tw1+Δt+δt；
Figure FDA0003566154160000011
Figure FDA0003566154160000012
pc＝g(ts)；
Np＝f2(Dw)；
其中，ts为蒸汽在凝汽器压力下的饱和温度，tw1为冷却水进口温度，Δt为冷却水温升，σt为凝汽器传热端差；hc为凝汽器中的蒸汽比焓，hc`为凝结水比焓，pc为凝汽器总压力。
4.根据权利要求1所述的关于燃机循环机组的冷端在线优化方法，其特征在于，所述循环水泵的电耗Np的计算如下式：
Figure FDA0003566154160000021
其中，ηh为水泵效率，ηt为传动效率，ηp为电机效率，p为功率，g为重力常数，H为扬程，qv是体积流量。
5.根据权利要求1-4任意一项所述的关于燃机循环机组的冷端在线优化方法，其特征在于，所述预设的LSTM神经网络为采用机组设备的历史运行参数进行模型训练的神经网络；
其中，模型训练具体为：
采集设备的历史数据，所述历史数据包括：运行背压、机组负荷、循环水温度、循环水流量、循泵运行台数；
获取用户设定的自循环细胞参数，调用Adam算法控制待训练的LSTM神经网络采用所述自循环细胞参数进行训练，得到LSTM神经网络；
使用绝对平均温差值为损失函数，公式如下所示：
Figure FDA0003566154160000022
上式中：q为时间序列长度；Zt为实测值；yt为模型在t时刻的预测值。
6.根据权利要求5所述的关于燃机循环机组的冷端在线优化方法，其特征在于，所述自循环细胞参数，包括：遗忘门ft、输入门it和输出门ot，待更新的细胞状态At和细胞状态Ct；
ft＝σ(Wf.[ht-1，xt]+bf)；
it＝σ(Wi.[ht-1，xt]+bi)；
At＝tanh(Wc.[ht-1，xt]+bc)；
Ct＝ft*Ct-1+it*At-1；
ot＝σ(Wo.[ht-1，xt]+bo)；
上式中，xt为当前输入向量；ht-1为上一时刻细胞输入状态；ht为当前隐藏层向量；Wf、Wi、Wc、Wo为对应门的权重系数矩阵；bf、bi、bc、bo为对应门的偏置项；σ为sigmoid激活函数；
当前隐藏层向量如下式所示：
ht＝ot+tannh(Ct)。
7.根据权利要求1所述的关于燃机循环机组的冷端在线优化方法，其特征在于，所述按照所述优化参数调整机组的设备运行状态，包括：
获取机组设备的当前运行数据，基于所述当前运行数据确定设备机组的当前工况；
若所述当前工况为异常时，则采用优化参数调整机组的设备运行状态，并发出预警提示。
8.一种关于燃机循环机组的冷端在线优化装置，其特征在于，所述装置包括：
采集模块，用于实时采集机组设备的运行特征参数，所述运行特征参数包括：汽轮机特征参数、凝汽器特征参数、循环水泵特征参数；
构建模块，用于利用所述运行参数构建关于机组实时状态的目标函数；
求解模块，用于调用预设的LSTM神经网络对所述目标函数进行求解，得到机组设备的优化参数；
优化模块，用于按照所述优化参数调整机组的设备运行状态，以优化机组设备的当前冷却效能。
9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任意一项所述的关于燃机循环机组的冷端在线优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-7任意一项所述的关于燃机循环机组的冷端在线优化方法。
CN202210302703.4A 2022-03-25 2022-03-25 一种关于燃机循环机组的冷端在线优化方法及装置 Pending CN114818470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210302703.4A CN114818470A (zh) 2022-03-25 2022-03-25 一种关于燃机循环机组的冷端在线优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210302703.4A CN114818470A (zh) 2022-03-25 2022-03-25 一种关于燃机循环机组的冷端在线优化方法及装置

Publications (1)

Publication Number Publication Date
CN114818470A true CN114818470A (zh) 2022-07-29

Family

ID=82530544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210302703.4A Pending CN114818470A (zh) 2022-03-25 2022-03-25 一种关于燃机循环机组的冷端在线优化方法及装置

Country Status (1)

Country Link
CN (1) CN114818470A (zh)

Similar Documents

Publication Publication Date Title
CN102135021B (zh) 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法
CN111780933B (zh) 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统
CN110618610A (zh) 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN111142381B (zh) 一种面向控制的ncb式汽轮机供热系统复合动态建模方法
Ping et al. Ensemble of self-organizing adaptive maps and dynamic multi-objective optimization for organic Rankine cycle (ORC) under transportation and driving environment
CN114818470A (zh) 一种关于燃机循环机组的冷端在线优化方法及装置
CN102880746B (zh) 汽轮机转子体积平均温度计算的惯性环节系数的确定方法
CN115857330A (zh) 基于深度强化学习的朗肯循环余热回收系统优化控制方法
CN113513746B (zh) 一种确定火电厂闭式循环水系统优化运行方式的方法
CN115014454A (zh) 一种火电机组主蒸汽流量软测量方法、系统、设备及介质
CN109655275B (zh) 一种基于敏感系数法的燃气轮机循环热经济性诊断方法
JPS6410722B2 (zh)
Wakui et al. On-line model-based performance monitoring of a shell-and-tube type heat exchanger using steam and water
CN111275320A (zh) 一种发电机组的性能调整数据处理方法、系统和存储介质
CN112446003A (zh) 基于特征通流面积准确评估汽轮机组蒸汽泄漏量的方法
CN118035929B (zh) 基于热力学和数据挖掘的电厂安全监测预警方法及系统
Chen et al. Dynamic optimization method for cleaning cycle of condenser of nuclear power plant
CN114321722B (zh) 蒸汽管网的压力平衡方法、装置、存储介质以及处理器
CN115390604B (zh) 基于增量pid控制算法的冷热水箱水位平衡方法
CN114942048A (zh) 一种供热抽汽流量软测量方法、系统、设备及介质
CN116502408A (zh) 一种基于动态模型的汽轮机级组经济性在线评价方法
CN112880761B (zh) 一种循环水流量的测量方法及系统
Liu et al. Operation Optimization of the Cold End System with Dual-Pressure Condenser of 1000 MW Coal-Fired Unit
CN111307493B (zh) 基于知识的塔式太阳能熔盐储热系统故障诊断方法
JP5790577B2 (ja) 水冷式ガス冷却装置の出口ガス温度推定装置

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