WO2024087552A1 - 一种基于数据挖掘的风机运行状态实时在线预估方法 - Google Patents

Abstract

本申请公开了一种基于数据挖掘的风机运行状态实时在线预估方法，包括：获取得到机组及风机的历史运行状态参数；采提取多个正常稳定运行工况下的数据，构建样本集；获取得到风机入口流量随机组负荷或主蒸汽流量的变化关系预测模型，以及炉膛至引风机入口段的系统阻力及引风机出口至烟囱出口段的系统阻力随烟气量的变化关系预测模型；基于两个预测模型获取得到风机的状态运行参数；计算风机理论失速安全系数、压力裕量系数及流量裕量系数；通过比对理论失速安全系数、压力裕量系数及流量裕量系数与阈值间的偏差，评估烟气系统状态参数变化后风机的运行状态是否安全。本申请能够提高风机防失速调控策略的合理性，提高风机的运行安全性及经济性。

Description

一种基于数据挖掘的风机运行状态实时在线预估方法

相关申请的交叉引用

本申请要求在2022年10月28日提交中国专利局、申请号为202211337037.4、发明名称为“一种基于数据挖掘的风机运行状态实时在线预估方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及燃煤电厂烟气系统所使用的轴流式通风机(包括静叶可调式轴流风机和动叶可调式轴流风机等)，具体涉及一种基于数据挖掘的风机运行状态实时在线预估方法。

背景技术

目前，随着灵活性深调等政策的深入实施，电站风机面临着宽负荷频繁调节的需求，而在机组实施超低排放改造后，随着环保指标的要求越来越高，烟气系统中环保设备也越来越多，实际运行中，由于环保要求的提高，导致烟气系统氨逃逸量增加，烟气系统中各个设备由于硫酸氢铵存在而形成的设备异常堵塞的现象越来越严重，使得烟气系统运行参数偏离其设计参数，导致引风机频繁出现高负荷工况失速、机组带负荷能力下降的现象。针对引风机高负荷失速的现象，通常，电厂运行人员采用限制风机开度及电流方式来防止风机失速，然而，由于无法对烟气系统堵塞情况及引风机运行状态进行准确预估，而使得限制风机开度及电流的防风机失速方式过于保守，甚至在烟气系统检修清堵后，烟气系统阻力明显下降了，也由于风机的防失速运行策略而限制机组带负荷能力。而现有电站风机监测系统，已实时监测风机进出口压力、流量、电流和进口温度等状态参 数，可实时评估风机实时性能状态，因而，非常有必要建立一套基于电站风机历史状态参数的数据挖掘的电站风机运行状态的在线预估方法，准确评估烟气系统堵塞后风机运行状态，为风机防失速运行策略的制定及风机运行调整提供依据；针对烟气系统新增设备后烟气系统状态参数的变化，准确预测风机出力状态，为烟气系统相关技术改造方案的制定提供依据。

发明内容

本申请的目的在于提出一种基于数据挖掘的风机运行状态实时在线预估方法，以实现对烟气系统运行状态变化后的风机运行状态的准确预估。

本申请采用如下技术方案来实现的：

一种基于数据挖掘的风机运行状态实时在线预估方法，包括：

1)基于风机在线监测系统及DCS系统获取得到机组及风机的历史运行状态参数；

2)采用数据分析技术对风机的历史运行状态参数进行处理，提取多个正常稳定运行工况下的数据，构建样本集；

3)基于人工神经网络对提取的样本集进行训练，获取得到风机入口流量随机组负荷或主蒸汽流量的变化关系预测模型，以及炉膛至引风机入口段的系统阻力及引风机出口至烟囱出口段的系统阻力随烟气量的变化关系预测模型；

4)给定烟气系统状态参数的变化预测值，基于两个预测模型获取得到风机的状态运行参数；

5)基于风机性能曲线及风机运行参数预测值，计算风机理论失速安全系数、压力裕量系数及流量裕量系数；

6)基于历史失速工况分析及大量失速试验统计分析，设定各失速裕量系数 的阈值，通过比对理论失速安全系数、压力裕量系数及流量裕量系数与阈值间的偏差，评估烟气系统状态参数变化后风机的运行状态是否安全。

本申请进一步的改进在于，步骤1)中，机组及风机的历史运行状态参数包括：

机组负荷L、锅炉蒸发量D_b、风机进口温度T_in、风机入口体积流量Q_v、风机进口全压P_t,in、风机出口全压P_t,out、风机开度β、风机进口静压P_e,in和风机出口静压P_e,out，时间周期t为10～30天，时间间隔△t＝1min～5min。

本申请进一步的改进在于，步骤2)中，构建样本集时，具体如下：

根据锅炉蒸发量D_b与时间t的数据点集合{(t_j，D_b,j)}，以时间区间△t＝2h进行数据筛选，选择出在给定时间区间内所有数据点{D_i}满足以下条件的区间集合{(t_j，t _j+2h)}：

其中，j＝1,2,...,m，i＝1,2,…,k；

在筛选出的数据集合中，提出{(t_j+0.5h，t_j+1.5h)}时间段内的所有数据点，并进行均值计算，获取得到样本点集合：

本申请进一步的改进在于，步骤3)中，基于样本点集，采用人工神经网络分别进行训练，获取得到风机入口体积流量Q_v与主蒸汽流量D_b的变化关系模型Q_v＝f(D_b)、风机进口静压P_e,in与风机入口体积流量Q_v的变化关系模型P_e,in＝f(Q_v)、风机出口静压P_e,out与风机入口体积流量Q_v的变化关系模型P_e,out＝f(Q_v)、风机进口全压P_t,in与风机入口体积流量Q_v的变化关系模型P_t,in＝f(Q_v)以及风机出口全压P_t,out与风机入口体积流量Q_v的变化关系模型P_t,out＝f(Q_v)。

本申请进一步的改进在于，步骤3)中，对烟风系统状态变化进行预测，获取得到对应运行工况下引风机前后阻力的变化值，即(D’_b,ΔP_in)、(D’_b,ΔP_out)。

本申请进一步的改进在于，步骤4)中，风机的状态运行参数包括：

根据锅炉基础设计参数及机组实际运行工况，确定机组宽负荷调节范围内的锅炉蒸发量区间[D_b,min，D_b,BMCR]，在该区间内选取m个典型工况，获取锅炉蒸发量集合{D_b,i}，并根据各参数关系模型计算得到各个工况下的状态参数点集合，即{(D_b,T_in,Q_v,P_e,in,P_e,out,P_t,in,P_t,out,…)_i}，其中i＝1,2,3,..m，m>＝3；

基于烟气系统阻力变化值(D’_b,ΔP_in)、(D’_b,ΔP_out)，计算得到各个典型工况下的风机状态参数预估值，即{(Q_v，P_e,in-ΔP_in，P_e,out+ΔP_out，P_t,in+ΔP_in，P_t,in+ΔP_in)_i}(i＝1,2,3,…m)，其中：

根据风机进口烟温、静压的变化，对风机入口体积流量进行修正，并根据各个典型工况下的风机状态参数预估值，计算得到风机全压Pt及比压能Y，则风机运行预估参数为{(Q’_v,P’_t,Y’)_i}。

本申请进一步的改进在于，步骤5)中，根据风机运行预估点参数{(Q’_v,P’_t,Y’)_i}(i＝1,2,3,…m)，标示在风机性能曲线上，获取各个工况风机运行点对应的开度β_i，并识别得到等开度线与理论失速线的交点{(Q_v,s,P_t,s)_i}；

根据风机运行预估点及失速点，计算各失速裕量系数{(k_p,k_q,k_s)_i}；

风机失速压力裕量系数为：
k_p＝p_t,s/p'_t

风机失速流量裕量系数为：
k_q＝Q'_v/Q_v,s

风机失速安全系数为：

本申请进一步的改进在于，步骤6)中，为了保证风机的安全稳定运行，各工况点的风机运行参数均满足以下条件：

k_s≥1.35且k_p≥1.15、k_q≥1.08；

若各风机预估运行点参数不满足以上条件，则说明烟气系统阻力增加后风机无法满足全负荷范围条件，需进行风机防失速调控，并通过降低烟气系统阻力增加值ΔP_in及ΔP_out，重新进行评估，直至获取得到满足条件的运行状态参数，进而通过监测实际风机进出口静压差ΔP_e及风机开度β₀，制定防风机失速调控策略，即满足：
ΔP_e<(P_e,_out+ΔP_out)_BMCR–(P_e,in-ΔP_in)_BMCR；
β₀<0.8β_max。

本申请至少具有如下有益的技术效果：

本申请提供了一种基于数据挖掘的风机运行状态实时在线预估方法，通过对风机历史监测数据进行挖掘利用，构建各个状态参数的预测模型，获取典型工况下风机主要运行状态参数，进而，通过预估烟气系统阻力的变化值，可以准确预测烟气系统阻力变化后风机运行状态参数，并基于风机设计性能曲线，对多个工况下风机运行状态参数对应的失速安全系统、失速压力裕量系数及失速流量裕量系数进行计算，基于风机的失速裕量系数及开度，对风机运行安全性进行评估，判断风机能否安全稳定运行，为风机的运行调控提供依据，提高风机防失速 调控策略的合理性，提高风机的运行安全性及经济性。

附图说明

图1为本申请的原理示意图；

图2为本申请的风机运行点及对应失速点在风机性能曲线上的分布示意图。

图3为典型运行工况下实际风机运行点及预估运行点在其性能曲线上的分布示意图。

其中，图1中，L为机组发电负荷，单位kW，D_b为锅炉蒸发量，单位t/h，T_in为风机入口烟温，单位℃，Q_v为风机入口体积流量，单位m3/s，P_t,in为风机入口全压，单位Pa，P_t,out为风机出口全压，单位Pa，P_e,in为风机入口静压，单位Pa，P_e,out为风机出口全压，单位Pa，P_t为风机全压，单位Pa，Y为风机比压能，单位kJ/kg，β为DCS风机开度反馈值，单位°，l为数据点序号(l＝1,2,…,n)，j为时间区间(j＝1,2，…，n)，i为负荷工况数(i＝1,2，…，m)，S为标准方差，k_s为失速安全系数，kp为失速压力裕量系数，kq为失速流量裕量系数、β_min为风机最小开度值，单位°，β_max为风机最大开度值，单位°，β_BMCR为BMCR工况风机运行点对应开度值，单位°。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考 附图并结合实施例来详细说明本申请。

本申请提供的一种基于数据挖掘的风机运行状态实时在线预估方法，基于风机在线监测系统及DCS系统获取得到机组及风机的历史运行状态参数；采用数据分析技术对风机的历史运行状态参数进行处理，提取多个正常稳定运行工况下的数据，构建样本集；基于人工神经网络对提取的样本集进行训练，获取得到风机入口流量随机组负荷或主蒸汽流量的变化关系预测模型，以及炉膛至引风机入口段的系统阻力及引风机出口至烟囱出口段的系统阻力随烟气量的变化关系预测模型；给定烟气系统状态参数的变化预测值，基于两个预测模型获取得到风机的状态运行参数；基于风机性能曲线及风机运行参数预测值，计算风机理论失速安全系数、压力裕量系数及流量裕量系数；基于历史失速工况分析及大量失速试验统计分析，设定各失速裕量系数的阈值，通过比对理论失速安全系数、压力裕量系数及流量裕量系数与阈值间的偏差，评估烟气系统状态参数变化后风机的运行状态是否安全。本申请具体实施方法如下：

1、从电站风机在线监测系统及DCS系统，提取近期锅炉及风机的主要监测参数数据集，包括机组负荷L、锅炉蒸发量D_b、风机进口温度T_in、风机入口体积流量Q_v、风机进口全压P_t,in、风机出口全压P_t,out、风机开度β、风机进口静压P_e,in、风机出口静压P_e,out等参数，时间周期t为10～30天，时间间隔△t＝1min～5min，该数据集应涵盖大部分正常运行负荷区域。

2、对历史进行数据梳理，提出多个稳定负荷工况下的主要监测参数，构建样本集。

①根据锅炉蒸发量D_b与时间t的数据点集合{(t_j，D_b,j)}(j＝1,2,...,m)，以时间区间△t＝2h进行数据筛选，选择出在给定时间区间内所有数据点{D_i}(i＝1,2,…,k)满足以下条件的区间集合{(t_j，t_j+2h)}(j＝1,2,...,n)：

②在筛选出的数据集合中，提出{(t_j+0.5h，t_j+1.5h)}(j＝1,2,...,n)时间段内的所有数据点，并进行均值计算，获取得到样本点集合：

3、基于样本点集，采用人工神经网络分别进行训练，获取得到风机入口体积流量Q_v与主蒸汽流量D_b的变化关系模型Q_v＝f(D_b)、风机进口静压P_e,in与风机入口体积流量Q_v的变化关系模型P_e,in＝f(Q_v)、风机出口静压P_e,out与风机入口体积流量Q_v的变化关系模型P_e,out＝f(Q_v)、风机进口全压P_t,in与风机入口体积流量Q_v的变化关系模型P_t,in＝f(Q_v)以及风机出口全压P_t,out与风机入口体积流量Q_v的变化关系模型P_t,out＝f(Q_v)。

4、结合机组实际运行情况以及拟进行的改造方案，对烟风系统状态变化进行预测，获取得到对应运行工况下引风机前后阻力的变化值，即(D’_b,ΔP_in)、(D’_b,ΔP_out)。

5、基于烟气系统阻力变化值及各参数关系模型获取得到风机的状态运行参数。

①根据锅炉基础设计参数及机组实际运行工况，确定机组宽负荷调节范围内的锅炉蒸发量区间[D_b,min，D_b,BMCR]，在该区间内选取m个典型工况(其中m>＝3)，获取锅炉蒸发量集合{D_b,i}(i＝1,2,3,…m)，并根据各参数关系模型计算得到各个工况下的状态参数点集合，即{(D_b,T_in,Q_v,P_e,in,P_e,out,P_t,in,P_t,out,…)_i}(i＝1,2,3,..m)。

②基于烟气系统阻力变化值(D’_b,ΔP_in)、(D’_b,ΔP_out)，计算得到各个典型工况下的风机状态参数预估值，即{(Q_v，P_e,in-ΔP_in，P_e,out+ΔP_out，P_t,in+ΔP_in，P_t,in+ΔP_in)_i}(i＝1,2,3,…m)，其中：

③根据风机进口烟温、静压的变化，对风机入口体积流量进行修正，并根据各个典型工况下的风机状态参数预估值，计算得到风机全压Pt及比压能Y，则风机运行预估参数为{(Q’_v,P’_t,Y’)_i}(i＝1,2,3,…m)。

6、基于风机设计性能曲线及风机运行预估参数，计算各个典型工况下，风机运行点对应的失速安全系数、失速流量裕量系数及失速压力裕量系数。

①根据风机运行预估点参数{(Q’_v,P’_t,Y’)_i}(i＝1,2,3,…m)，标示在风机性能曲线上，获取各个工况风机运行点对应的开度β_i，并识别得到等开度线与理论失速线的交点{(Q_v,s,P_t,s)_i}(i＝1,2,3,…,m)。

②根据风机运行预估点及失速点，计算各失速裕量系数{(k_p,k_q,k_s)_i}(i＝1,2,3,…,m)。

风机失速压力裕量系数为：
k_p＝p_t,s/p'_t
风机失速流量裕量系数为：
k_q＝Q'_v/Q_v,s

风机失速安全系数为：

7、基于风机运行预估点及失速裕量系数及开度，评估风机的运行安全性。为了保证风机的安全稳定运行，各工况点的风机运行参数均满足以下条件：

1)k_s≥1.35且k_p≥1.15、k_q≥1.08

2)

若各风机预估运行点参数不满足以上条件，则说明烟气系统阻力增加后风机无法满足全负荷范围条件，需进行风机防失速调控，并通过降低烟气系统阻力增加值ΔP_in及ΔP_out，重新进行评估，直至获取得到满足条件的运行状态参数，进而通过监测实际风机进出口静压差ΔP_e及风机开度β₀，制定防风机失速调控策略，即满足：

1)ΔP_e<(P_e,_out+ΔP_out)_BMCR–(P_e,in-ΔP_in)_BMCR

2)β₀<0.8β_max。

5、本方法具有高效、可靠性高、鲁棒性强的特点，适用于大型燃煤机组引风机防失速监测及风机运行状态预估。

实施例

国内某300MW机组引风机为动叶可调式轴流风机，由于硫酸氢铵的存在导致的烟气系统各环保设备不同程度堵塞，使得高负荷工况下出现了失速情况，因而，为了保证机组安全稳定运行，电厂采用限制开度及电流方式进行了调控，机组带负荷能力受限，而在机组大修及清堵后，由于没有可靠的评估依据，机组仍按已制定的风机调控方式进行，限制了机组的出力。通过采用面向对象编程语言对本申请方法进行实现，并将该功能模块嵌入至引风机在线监测及故障预警系统中，实现了实时根据烟风系统阻力变化情况进行风机运行状态预估及运行安全性评估，提前进行预警，并根据该方法制定了更为可靠的风机调控方式，通过综合监测烟气系统主要易堵塞设备的阻力变化、风机进出口静压差及风机开度、电流等，为风机调控提供可靠依据，提高了风机出力及机组带负荷能力。本申请算法运行高效、可靠，典型运行工况下实际风机运行点及预估运行点在其性能曲 线上的分布如图3所示，各运行点的状态评估计算结果如表1所示。

表1各运行预估点的状态评估计算结果

虽然，上文中已经用一般性说明及具体实施方案对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (8)

1. 一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，包括：

   1)基于风机在线监测系统及DCS系统获取得到机组及风机的历史运行状态参数；

   2)采用数据分析技术对风机的历史运行状态参数进行处理，提取多个正常稳定运行工况下的数据，构建样本集；

   3)基于人工神经网络对提取的样本集进行训练，获取得到风机入口流量随机组负荷或主蒸汽流量的变化关系预测模型，以及炉膛至引风机入口段的系统阻力及引风机出口至烟囱出口段的系统阻力随烟气量的变化关系预测模型；

   4)给定烟气系统状态参数的变化预测值，基于两个预测模型获取得到风机的状态运行参数；

   5)基于风机性能曲线及风机运行参数预测值，计算风机理论失速安全系数、压力裕量系数及流量裕量系数；

   6)基于历史失速工况分析及大量失速试验统计分析，设定各失速裕量系数的阈值，通过比对理论失速安全系数、压力裕量系数及流量裕量系数与阈值间的偏差，评估烟气系统状态参数变化后风机的运行状态是否安全。
2. 根据权利要求1所述的一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，步骤1)中，机组及风机的历史运行状态参数包括：

   机组负荷L、锅炉蒸发量D_b、风机进口温度T_in、风机入口体积流量Q_v、风机进口全压P_t,in、风机出口全压P_t,out、风机开度β、风机进口静压P_e,in和风机出口静压P_e,out，时间周期t为10～30天，时间间隔△t＝1min～5min。
3. 根据权利要求2所述的一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，步骤2)中，构建样本集时，具体如下：

   根据锅炉蒸发量D_b与时间t的数据点集合{(t_j，D_b,j)}，以时间区间△t＝2h进行数据筛选，选择出在给定时间区间内所有数据点{D_i}满足以下条件的区间集合{(t_j，t_j+2h)}：
   

   其中，j＝1,2,...,m，i＝1,2,…,k；

   在筛选出的数据集合中，提出{(t_j+0.5h，t_j+1.5h)}时间段内的所有数据点，并进行均值计算，获取得到样本点集合：
   
4. 根据权利要求3所述的一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，步骤3)中，基于样本点集，采用人工神经网络分别进行训练，获取得到风机入口体积流量Q_v与主蒸汽流量D_b的变化关系模型Q_v＝f(D_b)、风机进口静压P_e,in与风机入口体积流量Q_v的变化关系模型P_e,in＝f(Q_v)、风机出口静压P_e,out与风机入口体积流量Q_v的变化关系模型P_e,out＝f(Q_v)、风机进口全压P_t,in与风机入口体积流量Q_v的变化关系模型P_t,in＝f(Q_v)以及风机出口全压P_t,out与风机入口体积流量Q_v的变化关系模型P_t,out＝f(Q_v)。
5. 根据权利要求4所述的一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，步骤3)中，对烟风系统状态变化进行预测，获取得到对应运行工况下引风机前后阻力的变化值，即(D’_b,ΔP_in)、(D’_b,ΔP_out)。
6. 根据权利要求5所述的一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，步骤4)中，风机的状态运行参数包括：

   根据锅炉基础设计参数及机组实际运行工况，确定机组宽负荷调节范围内的锅炉蒸发量区间[D_b,min，D_b,BMCR]，在该区间内选取m个典型工况，获取锅炉蒸 发量集合{D_b,i}，并根据各参数关系模型计算得到各个工况下的状态参数点集合，即{(D_b,T_in,Q_v,P_e,in,P_e,out,P_t,in,P_t,out,…)_i}，其中i＝1,2,3,..m，m>＝3；

   基于烟气系统阻力变化值(D’_b,ΔP_in)、(D’_b,ΔP_out)，计算得到各个典型工况下的风机状态参数预估值，即{(Q_v，P_e,in-ΔP_in，P_e,out+ΔP_out，P_t,in+ΔP_in，P_t,in+ΔP_in)_i}(i＝1,2,3,…m)，其中：
   
   

   根据风机进口烟温、静压的变化，对风机入口体积流量进行修正，并根据各个典型工况下的风机状态参数预估值，计算得到风机全压Pt及比压能Y，则风机运行预估参数为{(Q’_v,P’_t,Y’)_i}。
7. 根据权利要求6所述的一种基于数据挖掘的风机运行状态实时在线预估方法，其特征在于，步骤5)中，根据风机运行预估点参数{(Q’_v,P’_t,Y’)_i}(i＝1,2,3,…m)，标示在风机性能曲线上，获取各个工况风机运行点对应的开度β_i，并识别得到等开度线与理论失速线的交点{(Q_v,s,P_t,s)_i}；

   根据风机运行预估点及失速点，计算各失速裕量系数{(k_p,k_q,k_s)_i}；

   风机失速压力裕量系数为：
   k_p＝p_t,s/p'_t

   风机失速流量裕量系数为：
   k_q＝Q′_v/Q_v,s

   风机失速安全系数为：
   
8. 根据权利要求7所述的一种基于数据挖掘的风机运行状态实时在线预估 方法，其特征在于，步骤6)中，为了保证风机的安全稳定运行，各工况点的风机运行参数均满足以下条件：

   k_s≥1.35且k_p≥1.15、k_q≥1.08；
   

   若各风机预估运行点参数不满足以上条件，则说明烟气系统阻力增加后风机无法满足全负荷范围条件，需进行风机防失速调控，并通过降低烟气系统阻力增加值ΔP_in及ΔP_out，重新进行评估，直至获取得到满足条件的运行状态参数，进而通过监测实际风机进出口静压差ΔP_e及风机开度β₀，制定防风机失速调控策略，即满足：
   ΔP_e<(P_e,_out+ΔP_out)_BMCR–(P_e,in-ΔP_in)_BMCR；
   β₀<0.8β_max。