CN115014454A - 一种火电机组主蒸汽流量软测量方法、系统、设备及介质 - Google Patents

一种火电机组主蒸汽流量软测量方法、系统、设备及介质 Download PDF

Info

Publication number
CN115014454A
CN115014454A CN202210565399.2A CN202210565399A CN115014454A CN 115014454 A CN115014454 A CN 115014454A CN 202210565399 A CN202210565399 A CN 202210565399A CN 115014454 A CN115014454 A CN 115014454A
Authority
CN
China
Prior art keywords
flow
main steam
pressure
steam
steam flow
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
CN202210565399.2A
Other languages
English (en)
Inventor
徐红伟
李崇晟
孙玺
高旭
杜军
吴智群
王博
马晨曦
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.)
Xian Thermal Power Research Institute Co Ltd
Xian TPRI Power Station Information Technology Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Xian TPRI Power Station Information Technology 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 Xian Thermal Power Research Institute Co Ltd, Xian TPRI Power Station Information Technology Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202210565399.2A priority Critical patent/CN115014454A/zh
Publication of CN115014454A publication Critical patent/CN115014454A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/76—Devices for measuring mass flow of a fluid or a fluent solid material
    • G01F1/86—Indirect mass flowmeters, e.g. measuring volume flow and density, temperature or pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • 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

Landscapes

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

Abstract

本发明公开了一种火电机组主蒸汽流量软测量方法、系统、设备及介质，所述方法包括以下步骤：获取待主蒸汽流量测量的汽轮机高压缸范围内预设蒸汽参数的实时测量值；将所述预设蒸汽参数的实时测量值输入预训练好的主蒸汽流量软测量模型中，通过所述主蒸汽流量软测量模型输出火电机组主蒸汽流量预测值。本发明以稳态工况下对上游的给水系统通过热量和流量平衡计算获取的主蒸汽流量作为软测量模型的目标值，将模型输入参数完全限制在下游的高压缸范围内，借助高压缸内蒸汽的高流速带来的参数零迟滞性，使得以稳态工况下的数据训练出的软测量模型可以直接扩展至非稳态工况下进行应用。

Description

一种火电机组主蒸汽流量软测量方法、系统、设备及介质
技术领域
本发明属于火电厂信息化与测量技术的交叉领域，特别涉及一种火电机组主蒸汽流量软测量方法、系统、设备及介质。
背景技术
主蒸汽流量是火电机组运行过程中的核心监测参数之一；然而，由于所处位置的特殊性，直接采用测量仪表来测量主蒸汽流量，蒸汽通过节流元件将会造成较大的压损，对机组整体经济性有较大影响。因此，目前普遍采用间接测量方式实现火电机组主蒸汽流量的测量。
目前主流的主蒸汽流量间接测量方法中，一种是采用汽轮机热力系统热平衡计算方法，通过各级加热器和除氧器的热平衡和流量平衡计算出最终给水流量，再考虑锅炉排污和过热减温水的影响，得到实际的主蒸汽流量，但该方法只能在整个热力系统处于稳态或接近稳态时进行，无法实现实时监测，一般用于汽轮机性能试验时的主蒸汽流量测量；另一种方法是利用汽轮机的变工况特性，通过弗留格尔公式间接计算主蒸汽流量，该法可实现实时的测量计算，但在实际应用中有一些限制(示例性解释的，如部分机组不具备调节级后蒸汽温度测点，需要用其他测点代替；采暖工况的大抽汽量对弗留格尔公式的计算精度造成影响；汽轮机通流部分由于结垢、腐蚀等发生变化时，导致弗留格尔公式需要及时进行分析修正等)，在限制因素的影响下，利用弗留格尔公式计算的主蒸汽流量与实际值的偏差较大，计算准确度的提升也很有限。
具体示例性的，申请号为CN201210360382.X的中国发明专利申请提供了一种基于公式的主蒸汽流量软测量方法，该方法需要通过实验对面积流量系数进行标定，且对锅炉出口与汽轮机入口间的蒸汽压差较为敏感，对压力传感器的精度要求较高，故对其实际应用有一些限制；另外，文献(芮嘉敏.火电机组运行性能在线计算方法研究及系统实现[D].东南大学,2017)和(周建新，王雷，吴海姬等.基于支持向量回归的大容量机组主蒸汽流量建模[J].热能动力工程，2008，23(2)：122-126.)均提出了一种基于回归模型的汽轮机主蒸汽流量的软测量方法，但该方法未能明确说明用于训练和测试的主蒸汽流量目标值的获取方法，且模型的输入参数包含了发电机功率、主给水流量、凝汽器压力、凝结水流量以及再热蒸汽温度等互相之间迟滞性较强的参数，从汽轮机热力系统运行原理角度分析，这样的模型仅可用于稳态下的主蒸汽流量软测量，而非稳态下并不适用。
综上所述，针对火电机组主蒸汽流量的测量亟需一种适用工况范围广且结果可靠的软测量方法。
发明内容
本发明的目的在于提供一种火电机组主蒸汽流量软测量方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本发明具体提供了一种基于火电厂DCS(分散控制系统)或SIS(厂级监控信息系统)的历史数据而实现的火电机组主蒸汽流量软测量方法，可用于稳态及非稳态工况下主蒸汽流量的实时测量。
为达到上述目的，本发明采用以下技术方案：
本发明第一方面提供的一种火电机组主蒸汽流量软测量方法，包括以下步骤：
获取待主蒸汽流量测量的汽轮机高压缸范围内预设蒸汽参数的实时测量值；其中，所述预设蒸汽参数包括主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度；
将所述预设蒸汽参数的实时测量值输入预训练好的主蒸汽流量软测量模型中，通过所述主蒸汽流量软测量模型输出主蒸汽流量预测值；
所述预训练好的主蒸汽流量软测量模型的获取步骤包括：
获取训练样本集；所述训练样本集中的每个训练样本均包括输入变量的样本值和输出变量的样本值，所述输入变量的样本值为预设蒸汽参数的样本值，所述输出变量的样本值为与输入变量的样本值所对应的主蒸汽流量目标值，目标值通过主蒸汽上游给水系统的热量和流量平衡计算得到；
选取主蒸汽流量软测量模型的具体类型；其中，模型满足2个基本条件：1)输入为多维连续变量，输出为一维连续变量；2)非线性回归模型；
基于所选主蒸汽流量软测量模型的具体类型，通过训练样本集中的样本数据拟合输入变量和输出变量的非线性关系，达到预设收敛条件后，获得所述预训练好的主蒸汽流量软测量模型。
本发明方法的进一步改进在于，所述训练样本集中，每个训练样本的获取步骤包括：
基于历史数据获取初始采样点集合；
基于所述初始采样点集合，筛选出满足预设条件的稳态工况下的采样点，获得筛选后的采样点集合；
将筛选后的采样点集合中，每个采样点的主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度以及高压缸排汽压力和温度的值作为输入变量的样本值；基于每个采样点中的除氧器进出水压力和温度、进汽压力和温度、进水流量，高压加热器进出水压力和温度、进汽压力和温度、疏水温度，给水泵出口去过热器的减温水流量，给水泵中间抽头去再热器的减温水流量以及锅炉连续排污流量的值，进行高压加热器和除氧器的联合热平衡计算，获得每个采样点对应的主蒸汽流量目标值，作为输出变量的样本值；每个采样点的输入变量的样本值和输出变量的样本值组成一个独立的训练样本。
本发明方法的进一步改进在于，所述基于所述初始采样点集合，筛选出满足预设条件的稳态工况下的采样点，获得筛选后的采样点集合中，在筛选出满足预设条件的稳态工况下的采样点之后，还包括：
对每个满足预设条件的稳态工况下的采样点，计算汽轮机一抽至二抽区段的特征通流面积；
通过基于断层区间识别的方法检测异常点，剔除异常点对应的采样点，获得筛选后的采样点集合；
其中，所述通过基于断层区间识别的方法检测异常点的步骤包括：
设置用于断层判别的区间长度L；
计算特征通流面积Fv数据集的最大值FvMAX和最小值FvMIN；将总区间[FvMIN，FvMAX]以设置的区间长度L划分为Nsub个子区间，
Figure BDA0003657962860000041
循环Fv数据集，当满足RMIN≤Fv＜RMAX时，将数据放置于该子区间，RMAX和RMIN分别代表该子区间的上、下限；将没有Fv数据的子区间设置为断层区间；
计算每两个相邻断层区间所包围的子区间所含Fv数据量的总和，数据量总和最大的区块予以保留，其余数据均判定为异常点。
本发明方法的进一步改进在于，所述汽轮机一抽至二抽区段的特征通流面积Fv的计算表达式为，
Figure BDA0003657962860000042
式中，ε为预设的漏汽系数，v0为一抽蒸汽比容，p0为一抽蒸汽压力，π为二抽蒸汽压力与一抽蒸汽压力的比值，G0为主蒸汽流量，Gc1为第一级抽汽流量，Gc1通过高压加热器和除氧器的热量和流量平衡计算得到。
本发明方法的进一步改进在于，所述基于所述初始采样点集合，筛选出满足预设条件的稳态工况下的采样点，获得筛选后的采样点集合中，所述满足预设条件的稳态工况的获取步骤包括：
(1)令tstart＝t0，tend＝tstart+T；式中，tstart和tend分别为每次进行稳态筛选时的开始时刻和结束时刻，t0为建模所用历史数据的初始时刻，T为预设的最短稳态时间长度；
(2)在tstart～tend区间内，分别计算调节级后压力采样数据的标准差σp、均值Np和除氧器进水流量采样数据的标准差σF、均值NF，当
Figure BDA0003657962860000043
且
Figure BDA0003657962860000044
时，将tstart～tend区间标记为该汽轮机热力系统运行的稳态区间；式中，
Figure BDA0003657962860000051
为预设的调节级压力稳态判断阈值，
Figure BDA0003657962860000052
为预设的除氧器进水流量稳态判断阈值；
(3)令tstart＝tstart+τ，tend＝tstart+T，如果tend≤t1，跳转执行步骤(2)，如果tend>t1，跳转执行步骤(4)；式中，τ为预设的数据采样间隔，t1为建模所用历史数据的结束时刻，τ与T满足T＝M·τ，M为正整数；
(4)在已筛选出的稳态区间中，若多个稳态区间相互重叠，则将其合并为一个单独的稳态区间，直到所有的稳态区间都完全独立为止；
(5)对每一个合并后的独立稳态区间，重新计算调节级后压力采样数据的标准差σp'、均值Np'和除氧器进水流量采样数据的标准差σF'、均值NF'，当
Figure BDA0003657962860000053
或
Figure BDA0003657962860000054
时，取消该区间的稳态标记，最终仍具有稳态标记的独立区间集合即为筛选得到的稳态工况。
本发明方法的进一步改进在于，所述基于每个采样点中的除氧器进出水压力和温度、进汽压力和温度、进水流量，高压加热器进出水压力和温度、进汽压力和温度、疏水温度，给水泵出口去过热器的减温水流量，给水泵中间抽头去再热器的减温水流量以及锅炉连续排污流量的值，进行高压加热器和除氧器的联合热平衡计算，获得每个采样点对应的主蒸汽流量目标值的步骤包括：
对每个高压加热器，建立热量平衡公式Ffw×(hfo-hfi)＝Fc×(hc-hdo)+Fdi×(hdi-hdo)；式中，Ffw为高压加热器进水流量，hfo为加热器出水焓，hfi为加热器进水焓，Fc为加热器进汽流量，hc为加热器进汽焓，hdo为加热器疏水焓，Fdi为由前一级加热器进入本级加热器的疏水流量，hdi为前一级加热器疏水进入本级加热器时的焓；
对除氧器，建立热量平衡公式Fm×hfo＝Fc×hc+Fdi×hdi+Fcw×hfi，以及流量平衡公式Fm＝Fc+Fdi+Fcw；式中，Fm为除氧器出水流量，Fcw为进入除氧器的凝结水流量；
给水与减温水流量平衡公式Ffw＝Fm-Fsh-Frh；式中，Fsh为从给水泵出口去过热器的减温水流量，Frh为从给水泵中间抽头去再热器的减温水流量；
最终的主蒸汽流量G0＝Ffw-Fbd+Fsh；式中，Fbd为连续排污流量。
本发明方法的进一步改进在于，所述主蒸汽流量软测量模型的具体类型是BP神经网络模型、支持向量机模型和随机森林模型中的一种或多种子模型的组合模型；
所述主蒸汽流量软测量模型为多个子模型的组合模型时，模型的组合方式为：各子模型的权重与子模型的预测均方根误差RMSE成反比，表达式为，
Figure BDA0003657962860000061
式中，a为组合模型的预测值，ai为第i个子模型的预测值，n为子模型个数，RMSEi为第i个子模型的预测均方根误差。
本发明第二方面提供的一种火电机组主蒸汽流量软测量系统，包括：
数据获取模块，用于获取待主蒸汽流量测量的汽轮机高压缸范围内预设蒸汽参数的实时测量值；其中，所述预设蒸汽参数包括主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度；
结果获取模块，用于将所述预设蒸汽参数的实时测量值输入预训练好的主蒸汽流量软测量模型中，通过所述主蒸汽流量软测量模型输出主蒸汽流量预测值；
所述预训练好的主蒸汽流量软测量模型中的每个的获取步骤包括：
获取训练样本集；所述训练样本集中的每个训练样本均包括输入变量的样本值和输出变量的样本值，所述输入变量的样本值为预设蒸汽参数的样本值，所述输出变量的样本值为与输入变量的样本值所对应的主蒸汽流量目标值，目标值通过主蒸汽上游给水系统的热量和流量平衡计算得到；
选取主蒸汽流量软测量模型的具体类型；其中，模型满足2个基本条件：1)输入为多维连续变量，输出为一维连续变量；2)非线性回归模型；
基于所选主蒸汽流量软测量模型的具体类型，通过训练样本集中的样本数据拟合输入变量和输出变量的非线性关系，达到预设收敛条件后，获得所述预训练好的主蒸汽流量软测量模型。
本发明第三方面提供的一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明任一项上述的火电机组主蒸汽流量软测量方法。
本发明第四方面提供的一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明中任一项上述的火电机组主蒸汽流量软测量方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供的火电机组主蒸汽流量软测量方法，以稳态工况下对上游的给水系统通过热量平衡和流量平衡计算的主蒸汽流量作为软测量模型的目标值，再将模型输入参数完全限制在下游的高压缸范围内，借助高压缸内蒸汽的高流速带来的参数零迟滞性，使得以稳态工况下的数据训练出的软测量模型可以直接扩展至非稳态工况下进行应用，解决了非稳态工况下主蒸汽流量的目标值无法获取的难题。具体的，相较于以热平衡法计算主蒸汽流量，本发明提供的方法的适用范围远大于前者，可满足稳态和非稳态所有工况下的测量计算；相较于弗留格尔公式法，本发明提供的方法对调节级后蒸汽温度测点没有严格要求；采暖工况的大抽汽量往往集中于中低压缸部分，对本发明方法中基于高压缸所建立的模型几乎没有影响；且由于模型生成的算法固定，可随时间方便快捷地更新，以适应高压缸内通流部分由于结垢、腐蚀等导致的变化，而不需要人工分析和修正。此外，本方法不需要进行任何现场试验或实验，对传感器的误差有一定的鲁棒性。总体上，本发明提供的方法不仅适用的工况范围大，且几乎不受其他因素影响，也免于人工干预，并具有相当高的预测精度，完全可满足工程实际要求。
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是本发明实施例的一种火电机组主蒸汽流量软测量方法的流程示意图；
图2是本发明实施例中，主蒸汽流量软测量模型建立和使用的流程示意图；
图3是本发明实施例中，稳态筛选时多个相互重叠的稳态区间合并示意图；
图4是本发明实施例中，调节级后压力和除氧器进水流量稳态判断阈值的不同组合对软测量模型泛化能力的影响示意图；
图5是本发明实施例中，稳态筛选后调节级后压力和除氧器进水流量的部分稳态曲线示意图；
图6是本发明实施例中，通过基于断层区间识别的方法检测异常点时各子区间所含Fv值的数量的示意图；
图7是本发明实施例中，筛除异常点前后的Fv数据对比示意图；
图8是本发明实施例中，任意工况下软测量模型与DCS计算所得的主蒸汽流量数据对比示意图；
图9是本发明实施例中，试验工况下软测量模型、DCS计算、试验结果三者所得的主蒸汽流量对比示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
请参阅图1和图2，本发明实施例的一种火电机组主蒸汽流量软测量方法，包括以下步骤：
获取汽轮机高压缸范围内的预设蒸汽参数(主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度)的实时测量值，经过数据归一化后，输入主蒸汽流量软测量模型，通过模型计算输出实时的主蒸汽流量；示例性的，所述主蒸汽流量软测量模型可由BP神经网络、支持向量机、随机森林或其他可达到同等拟合效果的非线性模型实现，模型应满足输入为多维连续属性，输出为一维连续属性。
其中，所述主蒸汽流量软测量模型的构建步骤主要包括：
(1)在汽轮机运行历史数据中筛选稳态工况；
(2)通过对稳态工况下汽轮机热力系统中高压加热器、除氧器的热平衡计算，获得各组采样数据对应的主蒸汽质量流量G0，同时获得第一级抽汽质量流量Gc1；
(3)对稳态工况下的各组采样数据，分别计算汽轮机一抽至二抽区段的特征通流面积Fv，通过基于断层区间识别的方法检测异常点，并剔除对应的工况点；所述Fv通过
Figure BDA0003657962860000101
计算；式中，ε为预设的漏汽系数，可通过汽机厂家提供的漏汽曲线确定；v0为一抽蒸汽比容，单位m3/kg，由一抽蒸汽压力和温度通过IAPWS-IF97公式计算；p0为一抽蒸汽压力，单位Pa；π为二抽蒸汽压力与一抽蒸汽压力的比值；G0和Gc1单位均取kg/s；进一步举例说明漏汽系数ε的获取：汽机厂家提供的漏汽曲线中包括主汽阀和高压前轴封漏汽量与主蒸汽流量的关系曲线，以漏汽量作为纵坐标，主蒸汽流量作为横坐标，采用最小二乘法将该曲线拟合为一条直线，直接的斜率即为所求的ε，截距部分数值较小，可忽略。
本发明实施例中，所述通过基于断层区间识别的方法检测异常点的步骤包括：
a)设置用于断层判别的区间长度L；b)计算特征通流面积Fv数据集的最大值FvMAX和最小值FvMIN；c)将总区间[FvMIN，FvMAX]以设置的区间长度L划分为Nsub个子区间，
Figure BDA0003657962860000102
d)循环Fv数据集，当满足RMIN≤Fv＜RMAX时，将数据放置于该子区间，RMAX和RMIN分别代表该子区间的上、下限；e)将没有Fv数据的子区间设置为断层区间；f)计算每两个相邻断层区间所包围的子区间所含Fv数据量的总和，数据量总和最大的区块予以保留，其余数据均判定为异常点。
举例说明通过基于断层区间识别的方法检测异常点：假设待检测数据集为“27.1，30.2，31.3，31.6，32.4，32.9，33.0，33.2，33.7，35.9”。a)设置L为1；b)数据集的最大值为35.9，最小值为27.1；c)将[27.1，35.9]以间隔L划分为9个子区间，分别为[27.1，28.1)、[28.1，29.1)、[29.1，30.1)、[30.1，31.1)、[31.1，32.1)、[32.1，33.1)、[33.1，34.1)、[34.1，35.1)、[35.1，36.1)；d)逐个循环数据集里的所有值，将其放置于所属子区间，这9个子区间获得的值数量分别为1、0、0、1、2、3、2、0、1；e)值数量为0的子区间2、3、8即为断层区间，第1区间前和第9区间后默认也视为断层区间；f)所有断层区间共将原数据集分为4个部分，每部分内所有子区间所含数据量总和分别为1、0、8、1，可见数据量总和最大的部分即为子区间3和子区间8这两个断层点所围成的区域，故将这部分数据视为正常数据，不在此范围的27.1和35.9视为异常点予以筛除。
(4)以稳态工况下汽轮机高压缸范围内具有测点的主要蒸汽参数(主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度)作为模型输入参数，步骤(2)中计算的主蒸汽流量作为模型输出参数，相应参数的历史运行数据或计算数据作为训练和测试数据，构建BP神经网络、支持向量机、随机森林或其他可达到同等拟合效果的非线性模型，构建模型前需对数据进行归一化处理。其中，支持向量机模型选取参数c和g时，可通过遗传算法进行寻优。
(5)通过评价指标对各模型的拟合和预测能力做出评价，挑选最优模型。示例性的，所述评价指标包括均方根误差RMSE、平均绝对误差MAE、可决系数R2。由于主蒸汽流量误差的大小往往与其绝对值大小相关，所以RMSE和MAE均以误差与目标值的比进行计算。
本发明实施例中，所述在汽轮机运行历史数据中筛选稳态工况的步骤如下：
(1)令tstart＝t0，tend＝tstart+T，式中，tstart和tend分别为每次进行稳态筛选时的开始时刻和结束时刻，t0为建模所用历史数据的初始时刻，T为预设的最短稳态时间长度；例如，t0取2021-07-01 00:00:00，T取30分钟，据此对tstart和tend进行初始化；
(2)在tstart～tend区间内，分别计算调节级后压力采样数据的标准差σp、均值Np和除氧器进水流量采样数据的标准差σF、均值NF，当
Figure BDA0003657962860000111
且
Figure BDA0003657962860000112
时，将tstart～tend区间标记为该汽轮机热力系统运行的稳态区间。式中，
Figure BDA0003657962860000113
为预设的调节级压力稳态判断阈值，
Figure BDA0003657962860000114
为预设的除氧器进水流量稳态判断阈值；当
Figure BDA0003657962860000115
取值过大时，会造成部分非稳态工况混入最终的筛选结果中，导致数据质量变差，模型的拟合误差和预测误差增大；当
Figure BDA0003657962860000116
取值过小时，会造成最终筛选到的稳态工况数据量较少，难以覆盖各类型的工况，容易引起模型过拟合，导致泛化能力降低。
Figure BDA0003657962860000117
选取时，可采用网格搜索结合交叉验证方法找出最优值；
(3)令tstart＝tstart+τ，tend＝tstart+T，如果tend≤t1，转步骤(2)，如果tend>t1，转步骤(4)。式中，τ为预设的数据采样间隔，t1为建模所用历史数据的结束时刻，τ与T应满足T＝M·τ，M为正整数；例如，t1取2021-12-31 23:59:59，τ取2分钟，则τ与T满足T＝M·τ，M为正整数的条件。本步即为tstart和tend向右滑动后的重新选取，滑动的长度为τ；
(4)在已筛选出的稳态区间中，若多个稳态区间相互重叠，则将其合并为一个单独的稳态区间，直到所有的稳态区间都完全独立为止；在进行稳态筛选时，由于每次tstart和tend向右滑动的长度为τ，所以初步筛选后的稳态区间必然有重叠区域，如附图3所示，第一区间、第二区间、第三区间、第四区间合并后，得到一个单独的稳态区间；
(5)对每一个合并后的独立稳态区间，重新计算调节级后压力采样数据的标准差σp'、均值Np'和除氧器进水流量采样数据的标准差σF'、均值NF'，当
Figure BDA0003657962860000121
或
Figure BDA0003657962860000122
时，取消该区间的稳态标记，最终仍具有稳态标记的独立区间集合即为筛选得到的稳态工况。
本发明实施例中，所述通过对稳态工况下汽轮机热力系统中高压加热器、除氧器的热平衡计算，获得各组采样数据对应的主蒸汽质量流量G0，同时获得第一级抽汽质量流量Gc1的具体计算方式如下：
对每个高压加热器，建立热量平衡公式Ffw×(hfo-hfi)＝Fc×(hc-hdo)+Fdi×(hdi-hdo)，式中：Ffw为高压加热器进水流量，hfo为加热器出水焓，hfi为加热器进水焓，Fc为加热器进汽流量，hc为加热器进汽焓，hdo为加热器疏水焓，Fdi为由前一级加热器进入本级加热器的疏水流量，hdi为前一级加热器疏水进入本级加热器时的焓。各高加的hfo、hfi、hc、hdo、hdi均可由相应的压力和温度测点数据经IAPWS-IF97公式计算获取；若该级高加为第一级高加，则Fdi＝0；
对除氧器，建立热量平衡公式Fm×hfo＝Fc×hc+Fdi×hdi+Fcw×hfi，以及流量平衡公式Fm＝Fc+Fdi+Fcw，式中：Fm为除氧器出水流量，Fcw为进入除氧器的凝结水流量，可由直接测点获取；hfo可由除氧器压力通过IAPWS-IF97公式计算饱和水焓；hc、hdi、hfi均可由相应的压力和温度测点数据经IAPWS-IF97公式计算获取；
给水与减温水流量平衡公式Ffw＝Fm-Fsh-Frh，式中：Fsh为从给水泵出口去过热器的减温水流量，Frh为从给水泵中间抽头去再热器的减温水流量，Fsh和Frh均可由直接测点获取；
对A个高压加热器和1个除氧器，可建立一个(A+3)元一次方程组，可求得(A+3)个未知参数，分别为Ffw、Fm以及A个高压加热器和1个除氧器的进汽流量。其余参数均可通过直接测点获取或由多个直接测点经IAPWS-IF97公式计算获取。一般大型火电机组包括3级高压加热器，则可建立一个6元一次方程组，求得Ffw、Fm以及3个高压加热器和1个除氧器的进汽流量；
最终的主蒸汽流量G0＝Ffw-Fbd+Fsh，式中，Fbd为连续排污流量，可通过直接测点获取。第一级抽汽流量Gc1即为计算出的1号高压加热器进汽流量。
本发明实施例中，可通过组合多个模型的方式形成一个新的软测量模型，模型的组合方式为，各子模型的权重与子模型的预测均方根误差成反比，如下式：
Figure BDA0003657962860000131
式中：a为组合模型的预测值，ai为第i个子模型的预测值，n为子模型个数，RMSEi为第i个子模型的预测均方根误差。
举例说明，如果组合模型由3个模型构成，3个模型的预测值ai分别为760.34、754.89、763.27，RMSE分别为0.974、1.053、1.185，则组合模型的预测值
Figure BDA0003657962860000132
本发明实施例提供方法的发明点及原理说明：根据物理机理可知，主蒸汽所在位置处于锅炉与汽轮机的交界点，主蒸汽一方面来自于给水系统、锅炉换热面这一侧，另一方面又直接作用于汽轮机，尤其与高压缸的各监测参数实时相关；基于此，本发明方法利用火电厂分散控制系统(简称DCS)或厂级监控信息系统(简称SIS)中存储的历史监测数据，筛选汽轮机热力系统运行的稳态工况，通过上游给水侧的热量平衡和流量平衡计算相应的主蒸汽流量值标记为目标值，以主蒸汽直接影响的下游高压缸诸监测参数作为输入参数，以此建立主蒸汽流量软测量模型。虽然用于模型训练的数据均来源于稳态工况，但由于建立模型所用的输入和输出参数均被限制于高压缸段，该段蒸汽流速较高，进出高压缸时间极短，各参数基本不存在延时、迟滞问题，可看作实时变化，故该模型完全可适用于非稳态工况下主蒸汽流量的实时计算。
下面以某电厂在役的350MW超临界、一次再热、双抽凝汽式汽轮机为例，进一步说明本发明方法的有效性，并以该机组性能试验期间的数据为参考，进行结果验证；本发明实施例的具体步骤包括：
(1)在汽轮机运行历史数据中筛选稳态工况。
以该机组2021年1～11月的运行数据为基础，最短稳态时间长度T取30分钟，数据采样间隔τ取2分钟，采用网格搜索结合交叉验证方法寻优后，将调节级压力稳态判断阈值
Figure BDA0003657962860000141
设置为0.0025，除氧器进水流量稳态判断阈值
Figure BDA0003657962860000142
设置为0.005。
Figure BDA0003657962860000143
和
Figure BDA0003657962860000144
的取值对模型泛化能力的影响如图4所示，图中以点画线和×号标记的为不同
Figure BDA0003657962860000145
和
Figure BDA0003657962860000146
取值对应的RMSE，以虚线和□号标记的为不同
Figure BDA0003657962860000147
和
Figure BDA0003657962860000148
取值对应的MAE，以实线和○号标记的为不同
Figure BDA0003657962860000149
和
Figure BDA00036579628600001410
取值对应的可决系数R2。横坐标1～7分别代表7组
Figure BDA00036579628600001411
和
Figure BDA00036579628600001412
组合，分别为“0.0015，0.003”、“0.0018，0.0036”、“0.002，0.004”、“0.0025，0.005”、“0.003，0.006”、“0.0035，0.007”、“0.004，0.008”。由图中可以看出，横坐标4处的RMSE和MAE值达到最低，R2值达到最高，故最终
Figure BDA00036579628600001413
取0.0025，
Figure BDA00036579628600001414
取0.005。
图5展示了稳态筛选后调节级后压力和除氧器进水流量稳态曲线的一小部分，图中黑色实线代表调节级后压力，对应左侧纵轴；灰色实线代表除氧器进水流量，对应右侧纵轴。
(2)通过对稳态工况下汽轮机热力系统中高压加热器、除氧器的热平衡计算，获得各组采样数据对应的主蒸汽质量流量G0、第一级抽汽质量流量Gc1。
(3)对稳态工况下的各组采样数据，分别计算汽轮机一抽至二抽区段的特征通流面积Fv，通过基于断层区间识别的方法检测异常点，并剔除对应的工况点。
这里设置用于断层判别的区间长度L为1.5，Fv数据中的最大值FvMAX为477.22cm2，最小值FvMIN为340.34cm2，将总区间[340.34，477.22]以设置的区间长度L划分为92个子区间。各子区间所含Fv值的数量如图6所示，图中上半部分为原始数据画成的柱状图，下半部分为对原始数据计算自然对数以后画成的柱状图。从对数柱状图中可以明显看出正常数据的聚集范围以及异常点数据的聚集范围。根据本发明中提出的基于断层区间识别的方法，最终确认的正常数据范围为子区间1至子区间27，其余均视为异常点数据。
筛除异常点前后的Fv数据对比如图7所示，由图可见，该方法显著地去除了明显偏离正常数据的异常点，提高了数据质量。
(4)以稳态工况下汽轮机高压缸范围内具有测点的主要蒸汽参数(主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度)作为模型输入参数，步骤(2)中获取的主蒸汽流量作为模型输出参数，相应参数的历史运行数据或计算数据作为训练和测试数据，构建支持向量机模型。构建模型前对数据进行了[0，1]归一化处理。通过不同的c、g参数或不同的核函数类型，可构建多个SVM模型。
(5)通过评价指标对构建的多个SVM模型的拟合和预测能力做出评价，挑选最优模型。评价指标包括均方根误差RMSE、平均绝对误差MAE、可决系数R2。由于主蒸汽流量误差的大小往往与其绝对值大小相关，所以RMSE和MAE均以误差与目标值的比进行计算。最终得到的模型在训练数据集中的RMSE＝0.9241％，MAE＝0.6758％，R2＝0.9982；在测试数据集中的RMSE＝0.9558％，MAE＝0.6984％，R2＝0.9980。可见，该主蒸汽流量软测量模型的拟合效果较好，泛化能力也很强，在训练集和测试集上表现都很优秀，且没有大的差异。
在训练数据集和测试数据集以外，任意寻找该机组另一段时间的数据，且应尽可能包含非稳态工况，将本发明所述软测量方法所得的主蒸汽流量预测结果与该厂DCS中计算的主蒸汽流量数据进行对比，如图8所示。从图8可以看出，无论在稳态还是非稳态下，本发明所述方法得到的主蒸汽流量与DCS中计算的主蒸汽流量的变化趋势几乎完全一致，但两者在数值上存在差异，故需进一步核实两者的准确性。
在该机组大修前进行的性能试验中，分别完成了3VWO、100％额定负荷、75％额定负荷、50％额定负荷这四个工况的性能考核试验。这里将性能试验期间以专用仪表测量和专业人士计算得到的主蒸汽流量、本发明所述方法得到的主蒸汽流量、DCS中计算得到的主蒸汽流量三者进行对比，如图9所示。性能试验的计算结果为该工况下采样数据的平均值，故图9中将每个工况下的性能试验计算的主蒸汽流量处理为一条直线。由图9可见，DCS中计算的主蒸汽流量与性能试验结果相比误差较大，在100％额定负荷以及3VWO工况下，误差甚至达到了85t/h的水平；在75％额定负荷下，误差在35t/h左右；在50％额定负荷下，误差也在20t/h以上。相对而言，本发明所述方法得到的主蒸汽流量与试验结果极为接近，在100％额定负荷以及3VWO工况下，误差在15t/h以内；在75％额定负荷下，误差在8t/h左右；在50％额定负荷下，误差基本保持在5t/h以内。
考虑到性能试验时所用的专用仪表精度高于实时测量所用仪表，实时测量的压力表数值未考虑仪表与测量点位的高度差造成的偏差，以及大气压力的变化等因素造成的诸多影响，本发明方法得到的结果与性能试验计算的结果基本可认为是一致的，且准确度远高于DCS中计算的主蒸汽流量。
综上所述，本发明提供的数据驱动的火电机组主蒸汽流量软测量方法，先通过稳态工况下基于热平衡和流量平衡计算的主蒸汽流量作为软测量模型的目标值，再将模型输入参数完全限制在高压缸范围内，借助高压缸内蒸汽的高流速带来的参数零迟滞性，使得以稳态工况下的数据训练出的软测量模型可以直接扩展至非稳态工况下进行应用，解决了建模时非稳态工况下主蒸汽流量的目标值无法获取的难题。此外，本发明为解决数据处理时的异常点检测问题，提出了以汽轮机一抽至二抽段的特征通流面积为基准，通过基于断层区间识别来检测异常点的方式，从而以单参数检测替代了多参数检测，大大提升了处理效率。本发明所述方法不仅适用的工况范围大，且几乎不受其他因素影响，也免于人工干预，并具有相当高的预测精度，完全可满足工程实际要求。在实际机组中的验证效果也证实了该方法的有效性。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种火电机组主蒸汽流量软测量系统，包括：
数据获取模块，用于获取待主蒸汽流量测量的火电机组的汽轮机高压缸范围内预设蒸汽参数测点的实时测量值并归一化处理，获得归一化处理后的测量值；其中，所述预设蒸汽参数测点包括主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度以及高压缸排汽压力和温度；
结果获取模块，用于将所述归一化处理后的测量值输入预训练好的主蒸汽流量软测量模型中，通过所述主蒸汽流量软测量模型输出火电机组主蒸汽流量；
其中，所述主蒸汽流量软测量模型为一个或多个非线性回归模型；所述预训练好的主蒸汽流量软测量模型的获取步骤包括：
获取训练样本集；所述训练样本集的每个训练样本均包括所述预设蒸汽参数测点的样本值和主蒸汽流量标签；
训练时，将选定训练样本中的预设蒸汽参数测点的样本值输入主蒸汽流量软测量模型中，输出主蒸汽流量预测值；基于选定训练样本中的主蒸汽流量标签和主蒸汽流量预测值的差值更新主蒸汽流量软测量模型的参数，达到预设收敛条件，获得所述预训练好的主蒸汽流量软测量模型。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于火电机组主蒸汽流量软测量方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关火电机组主蒸汽流量软测量方法的相应步骤。
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。
最后应当说明的是：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应当理解：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，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种火电机组主蒸汽流量软测量方法，其特征在于，包括以下步骤：
获取待主蒸汽流量测量的汽轮机高压缸范围内预设蒸汽参数的实时测量值；其中，所述预设蒸汽参数包括主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度；
将所述预设蒸汽参数的实时测量值输入预训练好的主蒸汽流量软测量模型中，通过所述主蒸汽流量软测量模型输出主蒸汽流量预测值；
所述预训练好的主蒸汽流量软测量模型的获取步骤包括：
获取训练样本集；所述训练样本集中的每个训练样本均包括输入变量的样本值和输出变量的样本值，所述输入变量的样本值为预设蒸汽参数的样本值，所述输出变量的样本值为与输入变量的样本值所对应的主蒸汽流量目标值，目标值通过主蒸汽上游给水系统的热量和流量平衡计算得到；
选取主蒸汽流量软测量模型的具体类型；其中，模型满足2个基本条件：1)输入为多维连续变量，输出为一维连续变量；2)非线性回归模型；
基于所选主蒸汽流量软测量模型的具体类型，通过训练样本集中的样本数据拟合输入变量和输出变量的非线性关系，达到预设收敛条件后，获得所述预训练好的主蒸汽流量软测量模型。
2.根据权利要求1所述的一种火电机组主蒸汽流量软测量方法，其特征在于，所述训练样本集中，每个训练样本的获取步骤包括：
基于历史数据获取初始采样点集合；
基于所述初始采样点集合，筛选出满足预设条件的稳态工况下的采样点，获得筛选后的采样点集合；
将筛选后的采样点集合中，每个采样点的主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度以及高压缸排汽压力和温度的值作为输入变量的样本值；基于每个采样点中的除氧器进出水压力和温度、进汽压力和温度、进水流量，高压加热器进出水压力和温度、进汽压力和温度、疏水温度，给水泵出口去过热器的减温水流量，给水泵中间抽头去再热器的减温水流量以及锅炉连续排污流量的值，进行高压加热器和除氧器的联合热平衡计算，获得每个采样点对应的主蒸汽流量目标值，作为输出变量的样本值；每个采样点的输入变量的样本值和输出变量的样本值组成一个独立的训练样本。
3.根据权利要求2所述的一种火电机组主蒸汽流量软测量方法，其特征在于，所述基于所述初始采样点集合，筛选出满足预设条件的稳态工况下的采样点，获得筛选后的采样点集合中，在筛选出满足预设条件的稳态工况下的采样点之后，还包括：
对每个满足预设条件的稳态工况下的采样点，计算汽轮机一抽至二抽区段的特征通流面积；
通过基于断层区间识别的方法检测异常点，剔除异常点对应的采样点，获得筛选后的采样点集合；
其中，所述通过基于断层区间识别的方法检测异常点的步骤包括：
设置用于断层判别的区间长度L；
计算特征通流面积Fν数据集的最大值FνMAX和最小值FνMIN；将总区间[FνMIN，FνMAX]以设置的区间长度L划分为Nsub个子区间，
Figure FDA0003657962850000021
循环Fν数据集，当满足RMIN≤Fv＜RMAX时，将数据放置于该子区间，RMAX和RMIN分别代表该子区间的上、下限；将没有Fν数据的子区间设置为断层区间；
计算每两个相邻断层区间所包围的子区间所含Fν数据量的总和，数据量总和最大的区块予以保留，其余数据均判定为异常点。
4.根据权利要求3所述的一种火电机组主蒸汽流量软测量方法，其特征在于，所述汽轮机一抽至二抽区段的特征通流面积Fν的计算表达式为，
Figure FDA0003657962850000022
式中，ε为预设的漏汽系数，ν0为一抽蒸汽比容，p0为一抽蒸汽压力，π为二抽蒸汽压力与一抽蒸汽压力的比值，G0为主蒸汽流量，Gc1为第一级抽汽流量，Gc1通过高压加热器和除氧器的热量和流量平衡计算得到。
5.根据权利要求2所述的一种火电机组主蒸汽流量软测量方法，其特征在于，所述基于所述初始采样点集合，筛选出满足预设条件的稳态工况下的采样点，获得筛选后的采样点集合中，所述满足预设条件的稳态工况的获取步骤包括：
(1)令tstart＝t0，tend＝tstart+T；式中，tstart和tend分别为每次进行稳态筛选时的开始时刻和结束时刻，t0为建模所用历史数据的初始时刻，T为预设的最短稳态时间长度；
(2)在tstart～tend区间内，分别计算调节级后压力采样数据的标准差σp、均值Np和除氧器进水流量采样数据的标准差σF、均值NF，当
Figure FDA0003657962850000031
且
Figure FDA0003657962850000032
时，将tstart～tend区间标记为该汽轮机热力系统运行的稳态区间；式中，
Figure FDA0003657962850000033
为预设的调节级压力稳态判断阈值，
Figure FDA0003657962850000034
为预设的除氧器进水流量稳态判断阈值；
(3)令tstart＝tstart+τ，tend＝tstart+T，如果tend≤t1，跳转执行步骤(2)，如果tend>t1，跳转执行步骤(4)；式中，τ为预设的数据采样间隔，t1为建模所用历史数据的结束时刻，τ与T满足T＝M·τ，M为正整数；
(4)在已筛选出的稳态区间中，若多个稳态区间相互重叠，则将其合并为一个单独的稳态区间，直到所有的稳态区间都完全独立为止；
(5)对每一个合并后的独立稳态区间，重新计算调节级后压力采样数据的标准差σp'、均值Np'和除氧器进水流量采样数据的标准差σF'、均值NF'，当
Figure FDA0003657962850000035
或
Figure FDA0003657962850000036
时，取消该区间的稳态标记，最终仍具有稳态标记的独立区间集合即为筛选得到的稳态工况。
6.根据权利要求2所述的一种火电机组主蒸汽流量软测量方法，其特征在于，所述基于每个采样点中的除氧器进出水压力和温度、进汽压力和温度、进水流量，高压加热器进出水压力和温度、进汽压力和温度、疏水温度，给水泵出口去过热器的减温水流量，给水泵中间抽头去再热器的减温水流量以及锅炉连续排污流量的值，进行高压加热器和除氧器的联合热平衡计算，获得每个采样点对应的主蒸汽流量目标值的步骤包括：
对每个高压加热器，建立热量平衡公式Ffw×(hfo-hfi)＝Fc×(hc-hdo)+Fdi×(hdi-hdo)；式中，Ffw为高压加热器进水流量，hfo为加热器出水焓，hfi为加热器进水焓，Fc为加热器进汽流量，hc为加热器进汽焓，hdo为加热器疏水焓，Fdi为由前一级加热器进入本级加热器的疏水流量，hdi为前一级加热器疏水进入本级加热器时的焓；
对除氧器，建立热量平衡公式Fm×hfo＝Fc×hc+Fdi×hdi+Fcw×hfi，以及流量平衡公式Fm＝Fc+Fdi+Fcw；式中，Fm为除氧器出水流量，Fcw为进入除氧器的凝结水流量；
给水与减温水流量平衡公式Ffw＝Fm-Fsh-Frh；式中，Fsh为从给水泵出口去过热器的减温水流量，Frh为从给水泵中间抽头去再热器的减温水流量；
最终的主蒸汽流量G0＝Ffw-Fbd+Fsh；式中，Fbd为连续排污流量。
7.根据权利要求1所述的一种火电机组主蒸汽流量软测量方法，其特征在于，所述主蒸汽流量软测量模型的具体类型是BP神经网络模型、支持向量机模型和随机森林模型中的一种或多种子模型的组合模型；
所述主蒸汽流量软测量模型为多个子模型的组合模型时，模型的组合方式为：各子模型的权重与子模型的预测均方根误差RMSE成反比，表达式为，
Figure FDA0003657962850000041
式中，a为组合模型的预测值，ai为第i个子模型的预测值，n为子模型个数，RMSEi为第i个子模型的预测均方根误差。
8.一种火电机组主蒸汽流量软测量系统，其特征在于，包括：
数据获取模块，用于获取待主蒸汽流量测量的汽轮机高压缸范围内预设蒸汽参数的实时测量值；其中，所述预设蒸汽参数包括主蒸汽压力、各调节阀后蒸汽压力、调节级后蒸汽压力、各抽汽口蒸汽压力和温度、高压缸排汽压力和温度；
结果获取模块，用于将所述预设蒸汽参数的实时测量值输入预训练好的主蒸汽流量软测量模型中，通过所述主蒸汽流量软测量模型输出主蒸汽流量预测值；
所述预训练好的主蒸汽流量软测量模型中的每个的获取步骤包括：
获取训练样本集；所述训练样本集中的每个训练样本均包括输入变量的样本值和输出变量的样本值，所述输入变量的样本值为预设蒸汽参数的样本值，所述输出变量的样本值为与输入变量的样本值所对应的主蒸汽流量目标值，目标值通过主蒸汽上游给水系统的热量和流量平衡计算得到；
选取主蒸汽流量软测量模型的具体类型；其中，模型满足2个基本条件：1)输入为多维连续变量，输出为一维连续变量；2)非线性回归模型；
基于所选主蒸汽流量软测量模型的具体类型，通过训练样本集中的样本数据拟合输入变量和输出变量的非线性关系，达到预设收敛条件后，获得所述预训练好的主蒸汽流量软测量模型。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的火电机组主蒸汽流量软测量方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的火电机组主蒸汽流量软测量方法。
CN202210565399.2A 2022-05-23 2022-05-23 一种火电机组主蒸汽流量软测量方法、系统、设备及介质 Pending CN115014454A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565399.2A CN115014454A (zh) 2022-05-23 2022-05-23 一种火电机组主蒸汽流量软测量方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565399.2A CN115014454A (zh) 2022-05-23 2022-05-23 一种火电机组主蒸汽流量软测量方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115014454A true CN115014454A (zh) 2022-09-06

Family

ID=83068319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565399.2A Pending CN115014454A (zh) 2022-05-23 2022-05-23 一种火电机组主蒸汽流量软测量方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115014454A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500898A (zh) * 2023-05-11 2023-07-28 华电国际电力股份有限公司莱城发电厂 基于特征流量辨识的火电机组agc负荷控制系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500898A (zh) * 2023-05-11 2023-07-28 华电国际电力股份有限公司莱城发电厂 基于特征流量辨识的火电机组agc负荷控制系统
CN116500898B (zh) * 2023-05-11 2024-03-19 华电国际电力股份有限公司莱城发电厂 基于特征流量辨识的火电机组agc负荷控制系统

Similar Documents

Publication Publication Date Title
US8219330B2 (en) Gas appliance judgment apparatus and method
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
US7987698B2 (en) Gas leak detection apparatus and method
CN110532674A (zh) 一种燃煤电站锅炉炉膛温度测量方法
CN113011010A (zh) 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统
CN112182479B (zh) 锅炉热效率在线计算方法、装置、可读介质及电子设备
CN116336400B (zh) 油气集输管道基线检测方法
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
CN109861310A (zh) 超临界火电机组一次调频系统辨识变量选择方法
CN115510904B (zh) 基于时序预测的锅炉受热面积灰监测方法
CN112417764A (zh) 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN115129005A (zh) 基于工业过程的控制、模型方法、设备和存储介质
CN114997309A (zh) 给水泵故障预警方法及装置
Li et al. A mechanism-data hybrid-driven framework for identifying dynamic characteristic of actual chemical processes
CN112052496B (zh) 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法
CN102967393B (zh) 一种超超临界机组锅炉分离器出口温度在线校准的方法
CN116029433A (zh) 基于灰色预测的能效基准值判定方法、系统、设备和介质
CN104460653B (zh) 一种加热炉监控系统评价方法
CN101949716A (zh) 火电机组能耗数据有效性识别及重构方法
CN112734158B (zh) 发电机组的热电负荷分配方法、装置及电子设备
CN114925529A (zh) 凝汽器数字孪生模型的状态校正方法、系统、设备及介质
CN115290218A (zh) 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统
You et al. Exploration on the comprehensive data reconciliation framework for unknown parameter inference in the nuclear power plant system
CN114321722B (zh) 蒸汽管网的压力平衡方法、装置、存储介质以及处理器
Hanna et al. Constrained minimum variance control using hybrid genetic algorithm–An industrial experience

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