[发明专利]基于数据补全的汽轮机运行压力优化方法

说明书

基于数据补全的汽轮机运行压力优化方法，涉及汽轮机运行压力优化领域。解决了现有的汽轮机运行压力优化方法利用历史数据寻优，优化结论高度依赖于样本是否完备，若样本不完备无法获得运行压力的理论最优值的问题。本发明包括如下步骤：S1、计算每组历史运行数据所对应的机组热耗率Hr；S2、构建单层感知机模型；S3、将主蒸汽压力的平均值作为待修正主蒸汽压力x′的初始值；利用单层感知机模型计算出待修正机组热耗率Hr′；S4、利用lr对x′进行修正，得到修正后主蒸汽压力值x″；S5、判断Hr″是否小于Hr′，结果为是，令x′＝x″，执行S4；结果为否，执行S6；S6、判断lr是否被取过反，结果为是，输出x″，并将其作为最优运行压力；结果为否，对lr取反，使得lr＝‑lr，执行S4。

技术领域

本发明涉及汽轮机运行压力优化领域。

背景技术

为节能减排，火电机组需要配合更多新能源并网，这就需要汽轮机保持安全稳定的运行状态。而对运行压力的优化是提升汽轮机运行经济性的最直接方法。开展“滑压优化”任务是汽轮机运行压力优化的常用解决方案，但无论是传统的开展专有试验的方法，还是直接利用历史数据寻优的方法，本质上都是需要操作机组至指定的工况，再对主蒸汽压力进行微调，进而对比机组热耗率指标以寻求最优运行压力。然而，开展专有试验的滑压优化方法，时间成本和运行成本较高，无法适应机组大范围变工况的实际情况；利用历史数据寻优的方法，得出的滑压优化结论高度依赖于样本是否完备。换言之，若历史数据确实或者试验过程不完备，则直接导致样本中不存在运行压力的理论最优值。

有学者尝试利用“微增功”的方法尝试解决，但该方法单从理论层面对机组运行状态进行刻画，无法兼顾汽轮机的运行细节，若给出的运行压力值不符合机组运行实际情况，则可能破坏汽轮机的安全稳定性。有必要从“微增功”的思路出发，研究出兼顾汽轮机运行状态的解决方法。

多层感知机是机器学习的常用算法，常用于对复杂物理量进行拟合。现有众多多层感知机及其衍生算法(如多层神经网络)应用于汽轮机性能建模的案例，其核心思想都是利用海量历史数据建立基于数据驱动的模型，也存在“高度依赖于样本是否完备”的问题。若模型在训练过程中，出现由于超参数配置不合理的情况，则极易造成过拟合，导致模型几乎没有任何泛化能力，显然这对汽轮机的最优压力选取是不利的。

综上所述，有必要研究通过加入微小修正值，同时可以不影响机组稳定性的基础上，能够快速、高效、稳定地计算最优运行压力的方法。

发明内容

本发明目的是为了解决现有的汽轮机运行压力优化方法利用历史数据寻优，优化结论高度依赖于样本是否完备，若样本不完备无法获得运行压力的理论最优值的问题，本发明提供了一种基于数据补全的汽轮机运行压力优化方法。

基于数据补全的汽轮机运行压力优化方法，该运行压力优化方法包括如下步骤：

S1、通过DCS控制系统采集某一工况下的N组历史运行数据，并计算每组历史运行数据所对应的机组热耗率Hr；N为整数；

S2、利用N组历史运行数据中的主蒸汽压力x及N个机组热耗率Hr构建单层感知机模型；

S3、对N组历史运行数据中的主蒸汽压力x取均值，获得主蒸汽压力的平均值，并将作为待修正主蒸汽压力x′的初始值；待修正主蒸汽压力x′输入至单层感知机模型，单层感知机模型计算出待修正机组热耗率Hr′；

S4、利用给定压力修正值lr对待修正主蒸汽压力x′进行修正，得到修正后主蒸汽压力值x″；再将修正后主蒸汽压力值x″输入至单层感知机模型，单层感知机模型计算出修正后机组热耗率Hr″；

S5、判断Hr″是否小于Hr′，结果为是，更新x′，令x′＝x″，执行步骤S4；结果为否，执行步骤S6；

S6、判断lr是否被取过反，结果为是，输出修正后主蒸汽压力值x″，并将其作为最优运行压力；结果为否，更新lr，对lr取反，使得lr＝-lr，执行步骤S4。