CN113503750A - 一种直接空冷机组最佳背压确定方法 - Google Patents

Abstract

本发明公开了一种直接空冷机组最佳背压确定方法，该方法将机理分析与历史数据相结合，基于历史运行数据，结合粒子群优化（Particle Swarm Optimization,PSO）与XGBoost(eXtreme Gradient Boosting,XGBoost)组合算法确定汽轮机末级排汽比焓值；采用等效焓降法计算机组的微增功率特性；结合空冷风机变频特性计算风机耗功，当二者之差最大时，即为机组在该工况下的最佳背压。本发明提出的机组最佳背压的确定方法可提供多工况下机组的最佳背压值，辅助实现空冷机组冷端的节能优化运行，有助于深度挖掘直接空冷机组的节能潜力。

Description

一种直接空冷机组最佳背压确定方法

技术领域

本发明涉及热力设备数据预测技术领域，尤其涉及一种直接空冷机组最佳背压确定方法。

背景技术

直接空冷机组运行背压是机组节能运行的关键参数之一，虽然降低背压可增加机组的发电功率，但同时会引起空冷岛风机的电耗的增加。因此，机组最佳背压的确定，应在机组发电功率增量与空冷风机耗电增量之间寻求平衡。同时，直接空冷机组背压会机组负荷、迎面风速、环境温度等多个边界条件的影响，在不同的运行工况下，呈现出不同的特性。现今，煤电机组调峰运行已呈常态化，机组负荷多变，因此，确定不同工况下机组的最佳背压，有助于全面深度挖掘机组的运行节能潜力与节能空间。

现阶段我国学者对机组最佳背压确定研究，主要依赖变工况计算法、热力学仿真法和数据建模这三种方法，并取得了一定的研究成果。在基于等效焓降法计算机组的最佳背压时，机组排汽焓值的准确性是影响计算结果的关键因素。但受在线测量条件的影响，机组排汽焓值无法直接获得，现有研究方法多是认为机组末级排汽是饱和湿蒸汽，但这样的简化假设会影响模型的准确性，计算得到的最佳背压是理论值，在工程应用上受到一定的限制。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供了一种直接空冷机组最佳背压确定方法。

本发明解决其技术问题所采用的技术方案是：构造一种直接空冷机组最佳背压确定方法，包括：

获取影响直接空冷机组运行背压关键特征变量的历史运行数据，标记汽轮机组末级排汽焓值的关键特征变量对应的汽轮机末级排汽比焓值并进行预处理；

采用PSO-XGBoost组合算法，建立汽轮机末级排汽比焓的XGBoost回归模型，并以预处理后的标记汽轮机组末级排汽焓值的关键特征变量作为模型输入，输出结果作为汽轮机组末级排汽焓值；

采用等效焓降法计算当背压变化时机组发电功率的微增功率，得到机组微增功率特性曲线；

结合空冷风机变频特性与相似比例定律，计算不同背压下空冷风机的电耗量；

当直接空冷机组背压改变，机组的净功率增量最大时，对应的背压确定为汽轮机的在对应工况下的最佳背压；其中，所述净功率增量是背压改变时机组的微增功率和背压改变时空冷风机增加的电耗量的差值。

其中，建立汽轮机末级排汽比焓的XGBoost回归模型的步骤包括：

将预处理后的汽轮机组末级排汽焓值关键特征变量划分训练集和测试集，将训练集输入至构建的XGBoost回归模型，通过调节XGBoost回归模型的函数和参数，直至XGBoost回归模型输出的汽轮机末级排汽比焓值与标记的汽轮机末级排汽比焓值结果一致；

通过作为测试集的汽轮机组末级排汽焓值关键特征变量对训练完成的XGBoost回归模型的预测准确性进行验证；

将实时获取的影响汽轮机组末级排汽焓值的关键特征变量输入至XGBoost回归模型，输出结果作为对应输入的汽轮机末级排汽比焓值。

其中，影响直接空冷机组运行背压关键特征变量至少包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力。

其中，预处理的步骤包括：

离群点剔除：根据机组设计资料及热力性能试验，设置关键特征变量的正常运行范围区间，当运行参数超过该区间时，则将其视为异常点并剔除；

稳态工况筛选；采用滑动窗口法对历史运行数据进行稳态工况筛选，将数据序列划分为若干个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况；判断结束后，滑动步长k，进入下一窗口判断，直至全部数据判断结束。

其中，基于PSO-XGBoost组合算法，以采集到的影响直接空冷机组运行背压的关键特征变量作为输入，构建建立汽轮机末级排汽比焓的XGBoost回归模型，具体包括以下步骤：

设X＝[x₁,x₂,…,x_m]，X是影响机组运行背压的关键特征变量的历史运行数据向量，其中，x₁～x_m表示采集到的影响机组背压的关键特征变量，包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、各级抽汽温度、各级抽汽压力；

设置XGBoost回归模型的目标函数为：

其中，l为可微的凸损失函数，用于表示预测值

和真实值y_i之间的误差，n表示样本数量，Ω(f)表示最小正则化项，

T_k和ω分别表示树中的叶子节点个数和叶子的权重值，γ表示惩罚系数，λ是正则项系数，C表示常数；

XGBoost模型预测值

其中，t为决策树的数量，f_k对应结构为q_k，叶子权重为ω_k的第k棵独立树；

XGBoost模型按如下过程进行迭代：

……

通过二阶泰勒展开，构建损失函数：

其中，

分别表示损失函数的一次偏微分和二次偏微分，I_j＝{i|q(X_i)＝j)}表示叶子j的样本集。

其中，采用PSO算法优化XGBoost模型参数的步骤包括：

粒子群参数初始化；设置最大迭代次数、粒子群数量、惯性因子、粒子维度参数；

计算每个粒子的适应度；假设其适应度服从

其中y_i和

分别表示XGBoost模型的预测值和实测值，计算其适应度；

根据适应度更新粒子群的速度以及位置；

做终止条件的判断及检验；若达到最大迭代次数或全局最优位置满足最小界限则终止，否则继续计算粒子适应度。

其中，采用等效焓降法计算当背压变化时机组发电功率的微增功率的步骤包括：

计算汽轮机背压升高时，蒸汽在汽轮机内减少的放热量为：

ΔH₀₁＝α_nΔh_c＝α_n(h′_c-h_c)

其中，α_n表示进入空冷凝汽器的乏汽占比，Δh_c表示蒸汽焓降变化量，h_c表示背压改变前的汽轮机末级排汽焓值，h’_c表示背压改变后的汽轮机末级排汽焓值；

计算汽轮机机组背压升高时，新蒸汽焓降低的变化量：

ΔH₀₂＝η′₁α_nnΔτ_n

其中，η′₁表示背压改变后末级低压加热器的抽汽效率，α_nn表示流经低压加热器的凝结水份额，Δτ_n表示凝结水的焓升变化量；

计算由于汽轮机背压变化，1kg新蒸汽放热的变化量：

ΔH_i＝ΔH₀₂-ΔH₀₁＝η′₁α_nnΔτ_n-α_n(h′_c-h_c)

计算汽轮机背压发生变化时，直接空冷机组发电功率的变化量：

ΔP_e＝D₀ΔH_iη_mη_g

其中，D₀表示主蒸汽流量，η_m、η_g分别表示汽轮机的机械效率和发电机效率。

其中，任意转速条件下风机所耗电功率的计算公式为：

其中，N₀表示额定转速下的空冷风机所耗电功率，q_vi表示任意转速下空冷风机的风量，q_v0表示额定转速下空冷风机的风量，ρ_i和ρ₀分别表示实际空气密度与试验标定工况下的空气密度。

区别于现有技术，本发明提出一种直接空冷机组最佳背压确定方法，该方法将机理分析与历史数据相结合，基于历史运行数据，结合PSO-XGBoost组合算法确定汽轮机末级排汽比焓值；采用等效焓降法计算机组的微增功率特性；结合空冷风机变频特性计算风机耗功，当二者之差最大时，即为机组在该工况下的最佳背压。本发明提出的机组最佳背压的确定方法可提供多工况下机组的最佳背压值，辅助实现空冷机组冷端的节能优化运行，有助于深度挖掘直接空冷机组的节能潜力。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种直接空冷机组最佳背压确定方法的流程示意图。

图2是本发明提供的一种直接空冷机组最佳背压确定方法中基于PSO-XGBoost组合算法的汽轮机末级排汽焓的计算示意图。

图3是本发明提供的一种直接空冷机组最佳背压确定方法中PSO优化XGBoost参数的流程示意图。

图4是本发明提供的一种直接空冷机组最佳背压确定方法中离群点剔除与稳态工况筛选的示意图。

图5是本发明提供的一种直接空冷机组最佳背压确定方法中PSO-XGBosst软测量模型训练误差示意图。

图6是本发明提供的一种直接空冷机组最佳背压确定方法中典型工况下确定的直接空冷机组最佳背压示例图；

图7是本发明提供的一种直接空冷机组最佳背压确定方法中在不同工况下确定的直接空冷机组最佳背压示例图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步的详细说明。应当理解，此外所描述的具体实施例仅用以解释本发明，但并不用于限定本发明。基于本发明中的实施例，本领域普通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，都将属于本发明保护的范围。

参照附图1，本发明提供的一种直接空冷机组最佳背压确定方法，包括：

获取影响直接空冷机组运行背压关键特征变量的历史运行数据，标记汽轮机组末级排汽焓值的关键特征变量对应的汽轮机末级排汽比焓值并进行预处理；

对影响直接空冷机组背压的关键特征变量的历史运行数据进行同步采集，包括机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力，建立历史运行数据库；

本发明机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力等信号，是通过OPC通讯方式从PI数据库采集数据。在能够满足分析需要并尽可能节省存储空间的前提下，机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力等信号的数值每分钟采集并存储一个值。

对数据进行预处理的步骤包括：

离群点剔除：根据机组设计资料及热力性能试验，设置关键特征变量的正常运行范围区间，当运行参数超过该区间时，则将其视为异常点并剔除；

稳态工况筛选；采用滑动窗口法对历史运行数据进行稳态工况筛选，将数据序列划分为若干个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况；判断结束后，滑动步长k，进入下一窗口判断，直至全部数据判断结束。

如图2所示，采用PSO-XGBoost组合算法，建立汽轮机末级排汽比焓的XGBoost回归模型，并以预处理后的标记汽轮机组末级排汽焓值的关键特征变量作为模型输入，输出结果作为汽轮机组末级排汽焓值；

采用PSO-XGBoost组合算法，以关键特征变量作为模型输入，建立汽轮机末级排汽比焓的软测量模型。

最佳背压的确定的关键是汽轮机末级排汽焓的确定，本发明中，利用了机组的历史运行数据构建汽轮机排汽焓的软测量模型，相比传统的计算法，在实现在线计算的同时，提高了计算的精度。

基于PSO-XGBoost组合算法，以采集到的影响直接空冷机组运行背压的关键特征变量作为输入，构建建立汽轮机末级排汽比焓的XGBoost回归模型，具体包括以下步骤：

设X＝[x₁,x₂,…,x_m]，X是影响机组运行背压的关键特征变量的历史运行数据向量，其中，x₁～x_m表示采集到的影响机组背压的关键特征变量，包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、各级抽汽温度、各级抽汽压力；

设置XGBoost回归模型的目标函数为：

其中，l为可微的凸损失函数，用于表示预测值

和真实值y_i之间的误差，n表示样本数量，Ω(f)表示最小正则化项，

T_k和ω分别表示树中的叶子节点个数和叶子的权重值，γ表示惩罚系数，λ是正则项系数，C表示常数；

XGBoost模型预测值

其中，t为决策树的数量，f_k对应结构为q_k，叶子权重为ω_k的第k棵独立树；

XGBoost模型按如下过程进行迭代：

……

通过二阶泰勒展开，构建损失函数：

其中，

分别表示损失函数的一次偏微分和二次偏微分，I_j＝{i|q(X_i)＝j)}表示叶子j的样本集。

如图3所示，采用PSO算法优化XGBoost模型参数，包括：决策树树叶的节点个数T、决策树最大深度d、学习率r和最小叶子节点样本权重ω。

具体包括以下步骤：

粒子群参数初始化；设置最大迭代次数、粒子群数量、惯性因子、粒子维度参数；

计算每个粒子的适应度；假设其适应度服从

其中y_i和

分别表示XGBoost模型的预测值和实测值，计算其适应度；

根据适应度更新粒子群的速度以及位置；

做终止条件的判断及检验；若达到最大迭代次数或全局最优位置满足最小界限则终止，否则继续计算粒子适应度。

采用等效焓降法计算当背压变化时机组发电功率的微增功率，得到机组微增功率特性曲线；

包括步骤：

计算汽轮机背压升高时，蒸汽在汽轮机内减少的放热量为：

ΔH₀₁＝α_nΔh_c＝α_n(h′_c-h_c)

其中，α_n表示进入空冷凝汽器的乏汽占比，Δh_c表示蒸汽焓降变化量，h_c表示背压改变前的汽轮机末级排汽焓值，h’_c表示背压改变后的汽轮机末级排汽焓值；

计算汽轮机机组背压升高时，新蒸汽焓降低的变化量：

ΔH₀₂＝η′₁α_nnΔτ_n

其中，η′₁表示背压改变后末级低压加热器的抽汽效率，α_nn表示流经低压加热器的凝结水份额，Δτ_n表示凝结水的焓升变化量；

计算由于汽轮机背压变化，1kg新蒸汽放热的变化量：

ΔH_i＝ΔH₀₂-ΔH₀₁＝η′₁α_nnΔτ_n-α_n(h′_c-h_c)

计算汽轮机背压发生变化时，直接空冷机组发电功率的变化量：

ΔP_e＝D₀ΔH_iη_mη_g

其中，D₀表示主蒸汽流量，η_m、η_g分别表示汽轮机的机械效率和发电机效率。

结合空冷风机变频特性与相似比例定律，计算不同背压下空冷风机的电耗量；

任意转速条件下风机所耗电功功的计算公式为：

其中，N₀表示额定转速下的空冷风机所耗电功率，q_vi表示任意转速下空冷风机的风量，q_v0表示额定转速下空冷风机的风量，ρ_i和ρ₀分别表示实际空气密度与试验标定工况下的空气密度。

当直接空冷机组背压改变，机组的净功率增量最大时，即

所对应的背压即是汽轮机的在该工况下的最佳背压，式中，ΔP_c表示背压改变时机组的微增功率，ΔP_fan表示背压改变时空冷风机增加的电耗量。

本技术方案在北方某600MW亚临界直接空冷机组实施，空冷岛散热单元设计为8排7列，共配置56台风机。从机组PI数据库中选取2020年1月、4月、7月和12月的春、夏、秋、冬4个季节各一个月的历史运行数据，数据取样间隔为1min，共计169920组数据。通过对数据进行离群点剔除及稳态筛选，共有9532组数据存入稳态工况数据库，如图4所示。在其中随机抽取20％的数据集作为PSO-XGBoost模型的测试集，用于模型性能检验，其余80％数据集作为训练集，用于模型的迭代和训练，模型训练误差如图5所示。

图6所示的是当环境温度为22.73℃，当前机组运行负荷425.37MW时，该机组的最佳背压为9.20kPa，最佳迎面风速为1.95m/s，此时的风机转速为额定转速的93.60％。图7表示，在不同工况下，机组的最佳背压。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种直接空冷机组最佳背压确定方法，其特征在于，包括：

获取影响直接空冷机组运行背压关键特征变量的历史运行数据，标记汽轮机组末级排汽焓值的关键特征变量对应的汽轮机末级排汽比焓值并进行预处理；

采用PSO-XGBoost组合算法，建立汽轮机末级排汽比焓的XGBoost回归模型，并以预处理后的标记汽轮机组末级排汽焓值的关键特征变量作为模型输入，输出结果作为汽轮机组末级排汽焓值；

采用等效焓降法计算当背压变化时机组发电功率的微增功率，得到机组微增功率特性曲线；

结合空冷风机变频特性与相似比例定律，计算不同背压下空冷风机的电耗量；

当直接空冷机组背压改变，机组的净功率增量最大时，对应的背压确定为汽轮机的在对应工况下的最佳背压；其中，所述净功率增量是背压改变时机组的微增功率和背压改变时空冷风机增加的电耗量的差值。

2.根据权利要求1所述的直接空冷机组最佳背压确定方法，其特征在于，建立汽轮机末级排汽比焓的XGBoost回归模型的步骤包括：

将预处理后的汽轮机组末级排汽焓值关键特征变量划分训练集和测试集，将训练集输入至构建的XGBoost回归模型，通过调节XGBoost回归模型的函数和参数，直至XGBoost回归模型输出的汽轮机末级排汽比焓值与标记的汽轮机末级排汽比焓值结果一致；

通过作为测试集的汽轮机组末级排汽焓值关键特征变量对训练完成的XGBoost回归模型的预测准确性进行验证；

将实时获取的影响汽轮机组末级排汽焓值的关键特征变量输入至XGBoost回归模型，输出结果作为对应输入的汽轮机末级排汽比焓值。

3.根据权利要求1所述的直接空冷机组最佳背压确定方法，其特征在于，影响直接空冷机组运行背压关键特征变量至少包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力。

4.根据权利要求1所述的直接空冷机组最佳背压确定方法，其特征在于，预处理的步骤包括：

离群点剔除：根据机组设计资料及热力性能试验，设置关键特征变量的正常运行范围区间，当运行参数超过该区间时，则将其视为异常点并剔除；

稳态工况筛选；采用滑动窗口法对历史运行数据进行稳态工况筛选，将数据序列划分为若干个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况；判断结束后，滑动步长k，进入下一窗口判断，直至全部数据判断结束。

5.根据权利要求2所述的直接空冷机组最佳背压确定方法，其特征在于，基于PSO-XGBoost组合算法，以采集到的影响直接空冷机组运行背压的关键特征变量作为输入，构建建立汽轮机末级排汽比焓的XGBoost回归模型，具体包括以下步骤：

设X＝[x₁,x₂,…,x_m]，X是影响机组运行背压的关键特征变量的历史运行数据向量，其中，x_1～x_m表示采集到的影响机组背压的关键特征变量，包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、各级抽汽温度、各级抽汽压力；

设置XGBoost回归模型的目标函数为：

其中，l为可微的凸损失函数，用于表示预测值

和真实值y_i之间的误差，n表示样本数量，Ω(f)表示最小正则化项，

T_k和ω分别表示树中的叶子节点个数和叶子的权重值，γ表示惩罚系数，λ是正则项系数，C表示常数；

XGBoost模型预测值

其中，t为决策树的数量，f_k对应结构为q_k，叶子权重为ω_k的第k棵独立树；

XGBoost模型按如下过程进行迭代：

……

通过二阶泰勒展开，构建损失函数：

其中，

分别表示损失函数的一次偏微分和二次偏微分，I_j＝{i|q(X_i)＝j)}表示叶子j的样本集。

6.根据权利要求1所述的直接空冷机组最佳背压确定方法，其特征在于，采用PSO算法优化XGBoost模型参数的步骤包括：

粒子群参数初始化；设置最大迭代次数、粒子群数量、惯性因子、粒子维度参数；

计算每个粒子的适应度；假设其适应度服从

其中yi和

分别表示XGBoost模型的预测值和实测值，计算其适应度；

根据适应度更新粒子群的速度以及位置；

做终止条件的判断及检验；若达到最大迭代次数或全局最优位置满足最小界限则终止，否则继续计算粒子适应度。

7.根据权利要求1所述的直接空冷机组最佳背压确定方法，其特征在于，采用等效焓降法计算当背压变化时机组发电功率的微增功率的步骤包括：

计算汽轮机背压升高时，蒸汽在汽轮机内减少的放热量为：

ΔH₀₁＝α_nΔh_c＝α_n(h′_c-h_c)

其中，α_n表示进入空冷凝汽器的乏汽占比，Δh_c表示蒸汽焓降变化量，h_c表示背压改变前的汽轮机末级排汽焓值，h’_c表示背压改变后的汽轮机末级排汽焓值；

计算汽轮机机组背压升高时，新蒸汽焓降低的变化量：

ΔH₀₂＝η′₁α_nnΔτ_n

其中，η′₁表示背压改变后末级低压加热器的抽汽效率，α_nn表示流经低压加热器的凝结水份额，Δτ_n表示凝结水的焓升变化量；

计算由于汽轮机背压变化，1kg新蒸汽放热的变化量：

ΔH_i＝ΔH₀₂-ΔH₀₁＝η′₁α_nnΔτ_n-α_n(h′_c-h_c)

计算汽轮机背压发生变化时，直接空冷机组发电功率的变化量：

ΔP_e＝D₀ΔH_iη_mη_g

其中，D₀表示主蒸汽流量，η_m、η_g分别表示汽轮机的机械效率和发电机效率。

8.根据权利要求1所述的直接空冷机组最佳背压确定方法，其特征在于，任意转速条件下风机所耗电功率计算公式为：

其中，N₀表示额定转速下的空冷风机所耗电功率，q_vi表示任意转速下空冷风机的风量，q_v0表示额定转速下空冷风机的风量，ρ_i和ρ₀分别表示实际空气密度与试验标定工况下的空气密度。

Images