一种机组负荷双重智能优化控制方法

摘要

一种机组负荷双重智能优化控制方法，首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。本发明不仅可提高汽轮机在动态变负荷过程中的负荷响应速率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程中机组负荷的调节精度，可大大提高机组的深度调峰能力，确保火电机组长期安全可靠运行。

主权项

一种机组负荷双重智能优化控制方法，其特征是，首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制；所述方法包括以下步骤：a.建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤如下：①选取模型输入和输出参数模型的输入参数包括主汽压P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽轮机调门开度μ(％)和除氧器水位调节阀开度μ_c(％)，输出参数为机组负荷N_e(MW)；②确定模型结构建立具有j个输入参数u₁，u₂,…,u_j和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数u_i在k时刻和过去n个时刻的值u_i(k)、u_i(k‑1)，…,u_i(k‑n)及输出参数y在过去m个时刻的值y(k‑1),y(k‑2),…,y(k‑m)相关，其结构的具体表达式为：y(k)＝g[y(k‑1),...,y(k‑m)；u₁(k),u₁(k‑1)...,u₁(k‑n)；...；u_j(k),u_j(k‑1)...,u_j(k‑n)]；③模型训练样本的获取和数据的预处理提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：Y＝(Y_max‑Y_min)*(x‑x_min)/(x_max‑x_min)+Y_min式中：x，Y分别为参数的实际值和标称值，x_min、x_max分别为参数在机组升降负荷过程中的最小值和最大值,Y_min、Y_max分别为归一化处理后参数的最小值和最大值；④用训练样本对模型进行训练和验证；b.用训练好的预测模型对机组负荷进行优化控制，具体步骤为：①对机组负荷设定值N_set与目标值N_target进行实时监测，若N_set≠N_target，则利用神经网络预测模型，根据主汽压力P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、汽轮机调门开度μ(％)的实时参数，对除氧器水位调节阀门开度μ_c(％)进行寻优计算，即将上述实时参数与除氧器水位调节阀门开度μ_c(％)输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀门开度μ_c(％)的值，取其中模型输出的负荷预测值N′_e与负荷设定值N_set偏差最小的除氧器水位调门控制指令为优化后的结果，然后将优化结果与原除氧器开度指令的差值作为实时补偿信号叠加至原除氧器水位调节器输出上对调门施加控制；②当机组负荷设定值到达目标值N_set＝N_target，且负荷偏差小于设定值时，再次调用神经网络预测模型，根据当前的主汽压力P_s(MPa)、主汽温度T_s(℃)、再热汽压P_r(MPa)、再热汽温T_r(℃)、给水流量W(t/h)、凝汽器真空V_c(KPa)、除氧器水位调节阀门开度μ_c(％)，对汽轮机调门开度μ(％)进行寻优计算，即将上述实时参数与汽轮机调门开度μ(％)输入预测模型的同时，采用定步长增减方法调节汽轮机调门开度μ(％)的值，取其中模型输出的负荷预测值N′_e与负荷设定值N_set偏差最小的汽轮机调门控制指令为优化后的结果，然后将汽轮机调门优化结果与原汽轮机主控输出的偏差作为补偿信号叠加至汽轮机主控输出送至汽轮机调门实施优化控制；③当除氧器水位设定值L_set回到原始值L_set0，除氧器水位调节阀补偿信号回零，且机组实际负荷N_e达到目标值N_target时，机组切回原控制。