基于耗差分析的火電機組運行優(yōu)化方法及裝置制造方法
【專利摘要】本發(fā)明提供了一種基于耗差分析的火電機組運行優(yōu)化方法及裝置，該方法包括以下步驟：基于改進的最小二乘支持向量機算法建立火電機組做功過程模型；采用改進的粒子群算法對火電機組做功過程模型中影響供電煤耗率的參數(shù)變量進行優(yōu)化，輸出影響供電煤耗率的全局最優(yōu)值；根據(jù)全局最優(yōu)值對應的參數(shù)變量數(shù)據(jù)指導火電機組的運行，以使火電機組在最優(yōu)供電煤耗率下工作。本發(fā)明運用改進的最小二乘支持向量機算法的建模方法將蒸汽在火電機組內做功的非線性問題轉化為了高維平面內的線性問題，并最終獲得了最優(yōu)決策變量，并用最優(yōu)決策變量指導火電機組的運行，以使火電機組在最優(yōu)供電煤耗率下工作，從而提高了火電機組的能源利用率和經(jīng)濟效益。
【專利說明】基于耗差分析的火電機組運行優(yōu)化方法及裝置
【技術領域】
[0001]本發(fā)明涉及火電機組運行控制技術，特別是涉及一種基于耗差分析的火電機組運行優(yōu)化方法及裝置。
【背景技術】
[0002]耗差分析作為火電機組運行優(yōu)化的基礎性研究工作，是火電機組優(yōu)化運行、節(jié)能降耗的基礎。其是通過對火電機組運行中的關鍵參數(shù)連續(xù)的進行監(jiān)督分析，并將這些參數(shù)的實際運行值與優(yōu)化目標值進行比較，按照一定的耗差分析模型計算出這些參數(shù)偏離優(yōu)化目標值時對火電機組煤耗的影響，從而優(yōu)化火電機組運行管理，確定影響火電機組設備運行經(jīng)濟性的原因、部位及火電機組節(jié)能潛力。耗差分析的準確性取決于優(yōu)化目標值的確定是否準確。目前關于耗差分析的理論研究主要集中在:優(yōu)化目標值確定問題的研究，準確的優(yōu)化目標值是運行指導科學、可信的支撐。
[0003]通過對國內五大發(fā)電企業(yè)調研，得到我國目前對于火電機組耗差分析優(yōu)化目標值的確定方法主要有以下幾種:
[0004](I)采用制造廠提供的設計值；
[0005](2)采用火電機組熱力試驗的結果；
[0006](3)采用變工況熱力計算結果；
[0007](4)采用歷史數(shù)據(jù)的統(tǒng)計值；
[0008](5)自動尋優(yōu)確定；
[0009](6)數(shù)據(jù)挖掘技術；
[0010]定壓運行時，對于主蒸汽壓力、主蒸汽溫度、再熱蒸汽溫度等一類參數(shù)的優(yōu)化目標值，各電廠均采用方制造廠提供的設計值來確定；當火電機組滑壓運行時，一般采用熱力試驗的方法或變工況熱力計算來得到不同負荷(或主蒸汽流量)下主蒸汽壓力的優(yōu)化目標值。其它如排煙溫度、飛灰含碳率、汽水損失、汽機真空、給水溫度、主減溫水量、廠用電率、鍋爐效率參數(shù)的確定，各采用不同的方法，在調研的電廠中，有兩家電廠采用方法(I)和(2)，方法(3)、(4)和(5)各有一家電廠米用。
[0011]采用方法(2)，在系統(tǒng)運行初期效果較好，但是隨著運行時間的延長，火電機組的狀態(tài)發(fā)生改變，優(yōu)化目標值也應有所變化，但是，發(fā)電廠不可能經(jīng)常進行大量的試熱力試驗，使得優(yōu)化目標值和火電機組實際運行狀態(tài)不符合。采用方法(3)，一方面計算結果受到變工況熱力計算模型的影響，另一方面，計算得到的優(yōu)化目標值是理論值，在實際運行中較難實現(xiàn)，影響了對運行的指導作用。采用方法(4)，一方面，統(tǒng)計數(shù)據(jù)繁瑣費時，另一方面，原始數(shù)據(jù)需經(jīng)過驗證，才具有可信性，因此，統(tǒng)計要經(jīng)過典型數(shù)據(jù)選擇，數(shù)據(jù)驗證，邊界條件分析，最終得出優(yōu)化目標值，由于這一過程繁瑣，采用這種方法的系統(tǒng)一般也不對優(yōu)化目標值進行經(jīng)常性的更新，使得優(yōu)化目標值和火電機組狀態(tài)不符合。方法(5 )由于邊界條件眾多，導致優(yōu)化目標值的曲線在較短的時間內難以統(tǒng)計完成。因此，確定運行指標的優(yōu)化目標值應考慮它的準確性、實時性及可行性。如果得出的優(yōu)化目標值在運行中不符合設備的實際狀態(tài)或在實際運行中不能達到，就不能對運行起到很好的指導作用。
[0012]本質上，火電機組耗差分析化目標值的確定應該是對以下優(yōu)化問題的求解過程:

[0013].
【權利要求】
1.一種基于耗差分析的火電機組運行優(yōu)化方法，其特征在于，包括以下步驟: 基于改進的最小二乘支持向量機算法建立火電機組做功過程模型； 采用改進的粒子群算法對所述火電機組做功過程模型中影響供電煤耗率的參數(shù)變量進行優(yōu)化，輸出影響所述供電煤耗率的全局最優(yōu)值； 根據(jù)所述全局最優(yōu)值對應的參數(shù)變量數(shù)據(jù)指導所述火電機組的運行，以使所述火電機組在最優(yōu)供電煤耗率下工作。
2.根據(jù)權利要求1所述的方法，其特征在于，所述基于改進的最小二乘支持向量機算法建立火電機組做功過程模型，具體包括: 選取若干個影響供電煤耗率的第一參數(shù)變量作為模型輸入，并選取若干個影響所述供電煤耗率的第二參數(shù)變量作為模型輸出； 獲取所述模型輸入和所述模型輸出的樣本點數(shù)據(jù)，組建數(shù)據(jù)樣本集； 對所述數(shù)據(jù)樣本集進行歸一化處理； 運用改進的PSO算法對欲建立的火電機組做功過程模型進行模型參數(shù)優(yōu)化，得到優(yōu)化的模型參數(shù)； 根據(jù)所述優(yōu)化的模型參數(shù)選定核函數(shù)以及懲罰因子C，并據(jù)此訓練歸一化處理后的數(shù)據(jù)樣本集，建立火電機組做功過程模型。
3.根據(jù)權利要求2所述的方法，其特征在于，在所述根據(jù)優(yōu)化的模型參數(shù)選定核函數(shù)以及懲罰因子C，并據(jù)此訓.練歸一化處理后的數(shù)據(jù)樣本集，建立火電機組做功過程模型之后,還包括: 去除一小部分誤差小于設定閾值的樣本點，重建所述火電機組做功過程模型，使所述火電機組做功過程模型重獲稀疏特性。
4.根據(jù)權利要求2所述的方法，其特征在于，所述核函數(shù)包括Gauss徑向基函數(shù)。
5.根據(jù)權利要求2所述的方法，其特征在于，在所述對數(shù)據(jù)樣本集進行歸一化處理之后,還包括: 按照設定比例將所述歸一化處理后的數(shù)據(jù)樣本集分成訓練樣本和測試樣本兩部分；所述訓練樣本用于提供構建所述火電機組做功過程模型所需的訓練樣本；所述測試樣本用于在所述重建火電機組做功過程模型后根據(jù)所述測試樣本對重建后的火電機組做功過程模型進行測試檢驗。
6.根據(jù)權利要求5所述的方法，其特征在于，所述設定比例包括2:1。
7.根據(jù)權利要求1所述的方法，其特征在于，所述采用改進的粒子群算法對所述火電機組做功過程模型中影響所述供電煤耗率的參數(shù)變量進行優(yōu)化，輸出影響所述供電煤耗率的全局最優(yōu)值，具體包括: 對改進的粒子群算法進行初始化設置，包括設置粒子群體規(guī)模、迭代次數(shù)、隨機給出所述整個粒子群體中每個粒子的位置和速度，所述粒子即為影響所述供電煤耗率的參數(shù)變量; 初始化整個粒子群體當前全局最優(yōu)值Pg和所述每個粒子的當前個體最優(yōu)值Pi,根據(jù)所述當前個體最優(yōu)值Pi求出當前平均最優(yōu)位置Pmd，并計算所述每個粒子的適應值； 判斷當前一代所求的最優(yōu)適應值的迭代次數(shù)是否超過設定的早熟因子fa，如超過，則根據(jù)公式mbest’=mbest[l+W(.)]對所述當前平均最優(yōu)位置Pmd進行小波變異，其中，mbest為當前平均最優(yōu)位置pmd, mbest’為mbest變異后的結果，Ψ (.)為MORLET小波概率分布的隨機變量對平均最優(yōu)位置進行小波變異； 更新所述每個粒子的速度和位置； 更新所述整個群體的當前全局最優(yōu)值Pg和各個粒子的當前個體最優(yōu)值Pi ; 根據(jù)更新后的當前個體最優(yōu)值Pi求出新的平均最優(yōu)位置Pmd ; 計算所述每個粒子的新適應值，并將其與前一代適應值相比較，求出新的當前最優(yōu)適應值； 判斷所述新的當前最優(yōu)適應值是否滿足要求，若滿足要求或達到設定迭代次數(shù)，則停止迭代，輸出最優(yōu)解。
8.根據(jù)權利要求2所述的方法，其特征在于，所述第一參數(shù)變量包括主蒸汽壓力、主蒸汽溫度、背壓、排汽溫度、給水溫度、系統(tǒng)明漏量、系統(tǒng)不明漏量、過熱減溫水量、再熱減溫水量、排煙溫度和飛灰含碳量，所述第二參數(shù)變量包括汽輪機熱耗率、鍋爐效率和廠用電率，所述供電煤耗率為
9.一種基于耗差分析的火電機組運行優(yōu)化裝置，其特征在于，包括: 模型構建模塊，用于基于改進的最小二乘支持向量機算法建立火電機組做功過程模型； 模型優(yōu)化模塊，用于采用改進的粒子群算法對所述火電機組做功過程模型中影響供電煤耗率的參數(shù)變量進行優(yōu)化，輸出影響所述供電煤耗率的全局最優(yōu)值； 優(yōu)化控制模塊，用于根據(jù)所述全局最優(yōu)值下對應的參數(shù)變量數(shù)據(jù)指導所述火電機組的運行，以使所述火電機組在最優(yōu)供電煤耗率下工作。
10.根據(jù)權利要求9所述的裝置，其特征在于，所述模型構建模塊的具體實現(xiàn)步驟如下: 選取若干個影響供電煤耗率的第一參數(shù)變量作為模型輸入，并選取若干個影響所述供電煤耗率的第二參數(shù)變量作為模型輸出； 獲取所述模型輸入和所述模型輸出的樣本點數(shù)據(jù)，組建數(shù)據(jù)樣本集； 對所述數(shù)據(jù)樣本集進行歸一化處理； 運用改進的PSO算法對欲建立的火電機組做功過程模型進行模型參數(shù)優(yōu)化，得到優(yōu)化的模型參數(shù)； 根據(jù)所述優(yōu)化的模型參數(shù)選定核函數(shù)以及懲罰因子C，并據(jù)此訓練歸一化處理后的數(shù)據(jù)樣本集，建立火電機組做功過程模型。
11.根據(jù)權利要求10所述的裝置，其特征在于，在所述根據(jù)優(yōu)化的模型參數(shù)選定核函數(shù)以及懲罰因子C，并據(jù)此訓練歸一化處理后的數(shù)據(jù)樣本集，建立火電機組做功過程模型之后,還包括: 去除一小部分誤差小于設定閾值的樣本點，重建所述火電機組做功過程模型，使所述火電機組做功過程模型重獲稀疏特性。
12.根據(jù)權利要求10所述的裝置，其特征在于，所述核函數(shù)包括Gauss徑向基函數(shù)。
13.根據(jù)權利要求10所述的裝置，其特征在于，所述在對數(shù)據(jù)樣本集進行歸一化處理之后，還包括: 按照設定比例將所述歸一化處理后的數(shù)據(jù)樣本集分成訓練樣本和測試樣本兩部分；所述訓練樣本用于提供構建所述火電機組做功過程模型所需的訓練樣本；所述測試樣本用于在所述重建火電機組做功過程模型后根據(jù)所述測試樣本對重建后的火電機組做功過程模型進行測試檢驗。
14.根據(jù)權利要13所述的裝置，其特征在于，所述設定比例包括2:1。
15.根據(jù)權利要求9所述的裝置，其特征在于，所述模型優(yōu)化模塊的具體實現(xiàn)步驟如下: 對改進的粒子群算法進行初始化設置，包括設置粒子群體規(guī)模、迭代次數(shù)、隨機給出所述整個粒子群體中每個粒子的位置和速度，所述粒子即為影響所述供電煤耗率的參數(shù)變量; 初始化整個粒子群體當前全局最優(yōu)值Pg和所述每個粒子的當前個體最優(yōu)值Pi,根據(jù)所述當前個體最優(yōu)值Pi求出當前平均最優(yōu)位置Pmd，并計算所述每個粒子的適應值； 判斷當前一代所求的最優(yōu)適應值的迭代次數(shù)是否超過設定的早熟因子fa，如超過，則根據(jù)公式mbest’=mbest[l+W(.)]對所述當前平均最優(yōu)位置Pmd進行小波變異，其中，mbest為當前平均最優(yōu)位置pmd, mbest’為mbest變異后的結果，Ψ (.)為MORLET小波概率分布的隨機變量對平均最優(yōu)位置進行小波變異； 更新所述每個粒子的速度和位置； 更新所述整個群體的當前全局最優(yōu)值Pg和各個粒子的當前個體最優(yōu)值Pi ; 根據(jù)更新后的當前個體最優(yōu)值Pi求出新的平均最優(yōu)位置Pmd ; 計算所述每個粒子的新適應值，并將其與前一代適應值相比較，求出新的當前最優(yōu)適應值； 判斷所述新的當前最優(yōu)適應值是否滿足要求，若滿足要求或達到設定迭代次數(shù)，則停止迭代，輸出最優(yōu)解。
16.根據(jù)權利要求10所述的裝置，其特征在于，所述第一參數(shù)變量包括主蒸汽壓力、主蒸汽溫度、背壓、排汽溫度、給水溫度、系統(tǒng)明漏量、系統(tǒng)不明漏量、過熱減溫水量、再熱減溫水量、排煙溫度和飛灰含碳量，所述第二參數(shù)變量包括汽輪機熱耗率、鍋爐效率和廠用電率，所述供電煤耗率為 中，bg為供電煤耗率，q為汽輪機熱耗率，Ilgl為鍋爐效率，Iap為廠用電率，Π gd為管道效率。
【文檔編號】G06Q10/04GK103440528SQ201310349205
【公開日】2013年12月11日 申請日期:2013年8月12日 優(yōu)先權日:2013年8月12日
【發(fā)明者】王瑋, 黃葆華, 劉雙白, 呂煒, 劉蔚蔚, 仇曉智, 王凱, 任彥 申請人:國家電網(wǎng)公司, 華北電力科學研究院有限責任公司