一种电站锅炉效率对标优化的数据分析方法与流程

1.本发明涉及电站锅炉效率优化分析的技术领域，尤其涉及一种电站锅炉效率对标优化的数据分析方法。


背景技术：

2.近年来燃煤火电发电机组由于负荷多变、煤种多变等原因使得锅炉燃烧偏离设计工况，往往使得电站燃煤锅炉效率长期处于相对较低的情况；目前主要依靠现场锅炉效率试验的方法来查找锅炉效率低的原因，根据查出的原因，指导运行调整，达到提效的目的。
3.由于采用现场试验的方法是一种离线的方法，并且受制于试验时获取的不同工况数据有限的现实情况，不能便捷地把试验得出的离线指导方案用于电站运行的实时指导；并且由于电站锅炉的工况多变，当工况与试验工况相差较大时，离线的试验指导方案极有可能效果不佳。
4.燃煤电厂对运行人员有运行指标考核，锅炉效率是重点考核指标，当锅炉效率低下时，及时提醒运行人员的同时，并告知是哪些参数的差异对锅炉效率的低下产生了主要影响，以便运行人员根据自身经验快速把相关差异参数调整至历史对标状态；本发明利用神经网络建立锅炉效率模型，模型以主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度，共11个参数为特征参数，以锅炉效率为标签参数，当发现锅炉效率低下时，分别计算出11个参数对锅炉效率低下的影响程度，从而解耦出哪些参数的差异对锅炉效率的低下产生了主要影响。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述现有存在的问题，提出了本发明。
7.因此，本发明提供了一种电站锅炉效率对标优化的数据分析方法，能够避免无法或很难找出锅炉效率低下的问题关联参数。
8.为解决上述技术问题，本发明提供如下技术方案：包括：建立机组的历史数据，每条历史数据包括：主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度和锅炉效率；且机组的历史数据的数量大于等于10000条；将机组的历史数据中的锅炉效率设为标签参数，剩余数据设为特征参数，将所述特征参数和标签参数输入bp神经网络模型进行训练，获得锅炉效率计算模型；以主蒸汽流量为基准，对机组的历史数据进行升序排序，且将其均分为n组，每组m条数据，m≥50；以锅炉效率为基准，对n组中的数据进行降序排序，分别从每组中的m条数据中选择一条数据作为最优锅炉效率的对标样本，得到最优锅炉效
率对标样本集；其中，选择一条数据的方法是，从每个数据组中，按照锅炉效率降序排列的顺序，向下取整，分别选择第[0.1*m/2]条数据作为最优锅炉效率的对标样本，得到最优锅炉效率对标样本集{d1，d2
…
dn}；以机组正常运行的的实时数据中的实时主蒸汽流量作为检索参数，找到最优锅炉效率对标样本集中主蒸汽流量与实时主蒸汽流量偏差最小的样本dk，计算dk样本中的锅炉效率ηb与实时锅炉效率ηg的差值δ，当差值δ大于或等于预设值时，启动对标优化程序，完成数据分析；其中，1≤k≤n；dk样本中主蒸汽流量与实时主蒸汽流量偏差最小；dk样本中的特征参数包括：主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度，dk样本中的标签参数为锅炉效率。
[0009]
作为本发明所述的电站锅炉效率对标优化的数据分析方法的一种优选方案，其中：所述bp神经网络模型包括：输入层、隐含层和输出层；其中，输入层的输入数据为主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量和排烟温度；隐含层包括隐含一层、隐含二层、隐含三层、隐含四层、隐含五层和隐含六层；输出层的输出数据为锅炉效率。
[0010]
作为本发明所述的电站锅炉效率对标优化的数据分析方法的一种优选方案，其中：隐含一层包括60个神经元节点，隐含二层包括50个神经元节点，隐含三层包括40个神经元节点，隐含四层包括30个神经元节点，隐含五层包括20个神经元节点，隐含六层包括10个神经元节点。
[0011]
作为本发明所述的电站锅炉效率对标优化的数据分析方法的一种优选方案，其中：启动对标优化程序包括：将dk样本中的特征参数输入锅炉效率计算模型，得到锅炉效率的模型计算值ηc；将机组正常运行的实时数据中的实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量、实时排烟温度，分别逐一地替换dk样本中对应的参数，而后分别带入锅炉效率计算模型，得到锅炉效率的模型计算值η
c1
、η
c2
…
η
c11
；分别计算出每个被替换参数对锅炉效率的影响程度，并找出对锅炉效率下降影响最大的参数。
[0012]
作为本发明所述的电站锅炉效率对标优化的数据分析方法的一种优选方案，其中：机组正常运行的实时数据包括：实时主蒸汽流量、实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量、实时排烟温度和实时锅炉效率。
[0013]
作为本发明所述的电站锅炉效率对标优化的数据分析方法的一种优选方案，其中：影响程度包括：δη1=η
c-η
c1
；δη2=η
c-η
c2
；δη3=η
c-η
c3
；δη4=η
c-η
c4
；δη5=η
c-η
c5
；δη6=η
c-η
c6
；δη7=η
c-η
c7
；
δη8=η
c-η
c8
；δη9=η
c-η
c9
；δη
10
=η
c-η
c10
；δη
11
=η
c-η
c11
；其中，δη1为主蒸汽压力对锅炉效率的影响程度；δη2为主蒸汽温度对锅炉效率的影响程度；δη3为主给水温度对锅炉效率的影响程度；δη4为再热蒸汽压力对锅炉效率的影响程度；δη5为再热蒸汽温度对锅炉效率的影响程度；δη6为环境温度对锅炉效率的影响程度；δη7为入炉煤质平均水分对锅炉效率的影响程度；δη8为锅炉总煤量对锅炉效率的影响程度；δη9为锅炉总风量对锅炉效率的影响程度；δη
10
为排烟氧量对锅炉效率的影响程度；δη
11
为排烟温度对锅炉效率的影响程度。
[0014]
作为本发明所述的电站锅炉效率对标优化的数据分析方法的一种优选方案，其中：包括：从δη1、δη2…
δη
11
中寻找最大值δη
t
，其中，1≤t≤11，从而找出最大值δη
t
对应的锅炉效率的模型计算值η
ct
，进而找出对锅炉效率的影响程度最大的参数。
[0015]
本发明的有益效果：本发明能够实时监督燃煤电厂的锅炉效率与最佳锅炉效率的偏差，实时解耦出对锅炉效率低影响最大运行参数，提醒运行人员及时进行调整，保证锅炉效率处于较高效率状态运行。
附图说明
[0016]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本发明第一个实施例所述的电站锅炉效率对标优化的数据分析方法的流程图；图2为本发明第一个实施例所述的电站锅炉效率对标优化的数据分析方法的历史数据示意图；图3为本发明第一个实施例所述的电站锅炉效率对标优化的数据分析方法的bp神经网络的锅炉效率计算模型配置示意图；图4为本发明第一个实施例所述的电站锅炉效率对标优化的数据分析方法的最优锅炉效率对标样本集示意图；图5为本发明第一个实施例所述的电站锅炉效率对标优化的数据分析方法的参数对锅炉效率影响程度的解耦结果示意图。
具体实施方式
[0017]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。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，都应当属于本发明的保护的范围。
[0018]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以
采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0019]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0020]
实施例1参照图1~5，为本发明的一个实施例，提供了一种电站锅炉效率对标优化的数据分析方法，包括：s1：建立机组的历史数据。
[0021]
需要说明的是，参照图2，通过厂级监控信息系统（sis系统）或dcs控制系统数据接口系统获取机组的历史数据包括：主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度和锅炉效率。
[0022]
样本越多，模型越准，本实施例要求机组的历史数据的数量大于等于10000条。
[0023]
s2：将历史数据中的锅炉效率设为标签参数，其他数据设为特征参数，利用bp神经网络模型训练出锅炉效率计算模型。
[0024]
①
特征参数包括：主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量和排烟温度。
[0025]
②
参照图3，以历史数据中的锅炉效率为标签参数，以主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度为特征参数，将特征参数和标签参数通过bp神经网络模型的输入层输入，其中，需要说明的是，bp神经网络模型包括输入层、隐含层和输出层；隐含层包括隐含一层、隐含二层、隐含三层、隐含四层、隐含五层和隐含六层（隐含一层包括60个神经元节点，隐含二层包括50个神经元节点，隐含三层包括40个神经元节点，隐含四层包括30个神经元节点，隐含五层包括20个神经元节点，隐含六层包括10个神经元节点）；输出层的输出数据为锅炉效率。
[0026]
特征参数输入后依次通过60、50、40、30、20和10个神经元节点，训练出锅炉效率计算模型。
[0027]
s3：以主蒸汽流量为基准，对历史数据进行升序排序，且对数据进行分组。
[0028]
需要说明的是，对历史数据进行排序，以主蒸汽流量为基准，升序进行排列；对完成排序的数据进行分组，第1条到第m（m≥50）条数据为第1组g1，第m+1条到第2m条数据为第2组g2，以此类推，每组m条数据；最终将数据分为n组（g1~gn）。
[0029]
s4：以锅炉效率为基准，对n组中的数据进行降序排序，分别从每组中的m条数据中选择一条数据作为最优锅炉效率的对标样本，得到最优锅炉效率对标样本集；选择一条数据的方法是，从每个数据组中,按照锅炉效率降序排列的顺序，向下取整，分别选择第[0.1*m/2]条数据作为最优锅炉效率的对标样本，得到最优锅炉效率对标样本集{d1，d2
…
dn}。
[0030]
具体的，参照图4，对第1组g1的数据进行排序，以锅炉效率为基准，降序进行排列，
向下取整，找出第[0.1*m/2]（取整函数）条数据作为最优锅炉效率对标样本集的第1条数据d1；对第2组g2的数据进行排序，以锅炉效率为基准，降序进行排列，找出第[0.1*m/2]条数据作为最优锅炉效率对标样本集的第2条数据d2；以此类推，直到对第n组gn的数据进行排序，以锅炉效率为基准，降序进行排列，找出第[0.1*m/2]条数据作为最优锅炉效率对标样本集的第n条数据dn；得到最优锅炉效率对标样本集{d1,d2
…
dn}。
[0031]
s5：以机组正常运行的实时主蒸汽流量作为检索参数，找到最优锅炉效率对标样本集中主蒸汽流量与实时主蒸汽流量偏差最小的样本dk，计算dk样本中锅炉效率与实时锅炉效率的差值，当差值大于或等于预设值时，启动对标优化程序。
[0032]
①
机组正常运行的实时数据包括：实时主蒸汽流量、实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量、实时排烟温度和实时锅炉效率。
[0033]
②
以实时主蒸汽流量为检索参数，找最优锅炉效率对标样本集中主蒸汽流量与实时主蒸汽流量偏差最小的样本dk（1≤k≤n），计算dk样本中锅炉效率ηb与实时锅炉效率ηg的差值δ，当δ≥预设值时，启动对标优化程序。
[0034]
s6：将dk样本中的特征参数作为输入参数，带入锅炉效率计算模型，得到锅炉效率的模型计算值，将机组正常运行的实时数据中的实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量、实时排烟温度，分别逐一地替换dk样本中对应的参数，然后分别带入锅炉效率计算模型，分别计算出每个被代替参数对锅炉效率的影响程度，并找出对锅炉效率下降影响最大的参数。
[0035]
①
锅炉效率的模型计算值ηc包括：将dk样本中的主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度作为输入参数，带入锅炉效率计算模型，得到锅炉效率的模型计算值ηc。
[0036]
②
将机组运行实时数据中的主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉煤质平均水分、锅炉总煤量、锅炉总风量、排烟氧量、排烟温度，分别逐一地替换样本dk样本中对应的参数，然后分别带入锅炉效率计算模型，得到锅炉效率的模型计算值η
c1
、η
c2
…
η
c11
；
③
参照图5，分别计算每个被替换参数对锅炉效率的影响程度：δη1=η
c-η
c1
；δη2=η
c-η
c2
；δη3=η
c-η
c3
；δη4=η
c-η
c4
；δη5=η
c-η
c5
；δη6=η
c-η
c6
；δη7=η
c-η
c7
；δη8=η
c-η
c8
；δη9=η
c-η
c9
；
δη
10
=η
c-η
c10
；δη
11
=η
c-η
c11
；其中，δη1为主蒸汽压力对锅炉效率的影响程度；δη2为主蒸汽温度对锅炉效率的影响程度；δη3为主给水温度对锅炉效率的影响程度；δη4为再热蒸汽压力对锅炉效率的影响程度；δη5为再热蒸汽温度对锅炉效率的影响程度；δη6为环境温度对锅炉效率的影响程度；δη7为入炉煤质平均水分对锅炉效率的影响程度；δη8为锅炉总煤量对锅炉效率的影响程度；δη9为锅炉总风量对锅炉效率的影响程度；δη
10
为排烟氧量对锅炉效率的影响程度；δη
11
为排烟温度对锅炉效率的影响程度。
[0037]
进一步的，找出δη1、δη2…
δη
11
中的最大值δη
t
（1≤t≤11），从而找出δη
t
对应的锅炉效率的模型计算值η
ct
（1≤t≤11），进而找出对锅炉效率的影响程度最大的参数。
[0038]
较佳的是，本发明通过利用锅炉效率计算模型，从而确定对锅炉效率的影响程度最大的参数，提醒运行人员及时进行调整，保证锅炉效率处于较高效率状态运行，避免了能量的浪费；及时找出影响锅炉效率低下的相关参数。
[0039]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。