一种基于母管制的多机组汽轮机蒸汽流量实时分配方法

摘要

一种基于母管制的多机组汽轮机蒸汽流量实时分配方法，利用数据挖掘技术处理母管制机组在各台汽轮机单独运行时的历史稳态数据，建立各台汽轮机的功率和进汽热流量函数关系计算模型，在机组多台汽轮机同时运行时，将实时采集到的各台汽轮机的负荷、母管蒸汽压力、蒸汽温度数据输入计算模型，计算模型会输出对应当前控制边界条件下各台汽轮机进汽热流量，以计算出各台汽轮机需要分配的蒸汽流量；同时以定期更新计算模型的方式考虑各台汽轮机随运行时间变化其特性变化的影响。

主权项

一种基于母管制的多机组汽轮机蒸汽流量实时分配方法，其特征在于，包括以下步骤：1)收集母管制机组单台汽轮机运行工况的历史稳态数据设电厂总计n台汽轮机，在电厂的信息系统里查询第j台汽轮机单独运行的工况，其中1≤j≤n，导出第j台汽轮机的历史稳态运行数据，提取历史稳态运行数据中的负荷和该负荷下对应的母管蒸汽压力蒸汽温度每台锅炉出口蒸汽流量数据；2)建立各台汽轮机功率和进汽热流量函数关系的计算模型，运用分类、回归数据挖掘技术，建立有监督的机器自学习模型，作为该台汽轮机功率和进汽热流量函数关系计算模型：2‑1)将提取出来的负荷和该负荷下对应的母管蒸汽压力蒸汽温度每台锅炉出口蒸汽流量数据随机分开，70％数据用作计算模型的自学习，30％数据作为检验，自学习数据记为检验数据记为2‑2)对数据进一步处理，已知压力P、温度T和水蒸气热物性表计算出蒸汽焓值和第j台汽轮机在负荷下的进汽热流量$Q_{\left(pe\right)}^j=h_{\left(Pe\right)}^j·{\mathrm{\Sigma D}}_{b,i}^{\left(Pe\right)}---\left(1\right)$$Q_{\left(pe\right)}^{j^{\prime }}=h_{\left(Pe\right)}^{j^{\prime }}·{\mathrm{\Sigma D}}_{b,i}^{{\left(Pe\right)}^{\prime }}---\left(2\right)$2‑3)建立结构为1‑5‑1的BP神经网络，即输入层有1个节点，隐含层有5个节点，输入层有1个节点，节点传递函数采用对数S型传递函数logsig，训练函数采用Levenberg_Marquardt的BP算法训练函数trainlm，网络学习函数采用带动量项的BP学习规则learngdm，性能分析函数采用均方差性能分析函数mse，将所有自学习数据使用最大最小法进行数据归一化，最大最小法函数形式如下：x'_k＝(x_k‑x_min)/(x_max‑x_min)  (3)式中：x'_k—归一化后的值；x_k—归一化前的原始值；x_min—原始值中的最小值；x_max—原始值中的最大值；将归一化后的自学习数据输入BP神经网络模型进行训练，设置训练终止条件为拟合结果误差小于等于0.0001，验证检查结果大于等于10，训练结束得到第j台汽轮机负荷和进汽热流量的输入输出函数关系，即第j台汽轮机负荷和热耗的计算模型：$Q_{\left(pe\right)}^j=f^j\left(p_e\right)---\left(4\right)$2‑4)将检验数据使用自学习数据的归一化参数即自学习数据中的最大，最小值进行归一化处理，输入到第j台汽轮机负荷和进汽热流量的计算模型，得到第j台汽轮机在负荷为时进汽热流量的模型计算值$Q_{\left(pe\right)}^j,c=f^j\left(p_e^{j^{\prime }}\right)---\left(5\right)$2‑5)记事件K为：若P(K)≥95％，则称计算模型收敛正确；如果P(K)＜95％，则称计算模型收敛错误，调整BP神经网络的隐含层节点数，或者增加隐含层层数，以提高BP神将网络的非线性函数拟合能力，重新执行步骤2)即重新学习、检验，直至计算模型正确收敛；3)多台汽轮机运行时实时计算应分配给的计算蒸汽流量机组多台汽轮机运行时，将实时采集到的各台汽轮机的负荷数据归一化后输入计算模型，计算模型输出对应当前控制边界条件下各台汽轮机的进汽热流量计算值已知母管蒸汽压力P、蒸汽温度T，计算出当前控制边界条件下各台汽轮机的计算蒸汽流量D_t,j,c；4)根据计算蒸汽流量D_t,j,c分配各台汽轮机蒸汽流量通过系统实时采集到的各台锅炉进入母管的蒸汽流量计算母管蒸汽的总流量然后利用模型输出的第j台汽轮机的计算蒸汽流量D_t,j,c占所有运行汽轮机计算蒸汽流量之和∑D_t,j,c的比例来得到第j台汽轮机实际分配到的蒸汽流量D_t,j：$D_{t,j}=\frac{D_{t,j,c}}{{\mathrm{\Sigma D}}_{t,j,c}}·{\mathrm{\Sigma D}}_{b,i}^{p_e}---\left(6\right).$