基于耗差分析的火电机组运行优化方法及装置制造方法
【专利摘要】本发明提供了一种基于耗差分析的火电机组运行优化方法及装置，该方法包括以下步骤：基于改进的最小二乘支持向量机算法建立火电机组做功过程模型；采用改进的粒子群算法对火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值；根据全局最优值对应的参数变量数据指导火电机组的运行，以使火电机组在最优供电煤耗率下工作。本发明运用改进的最小二乘支持向量机算法的建模方法将蒸汽在火电机组内做功的非线性问题转化为了高维平面内的线性问题，并最终获得了最优决策变量，并用最优决策变量指导火电机组的运行，以使火电机组在最优供电煤耗率下工作，从而提高了火电机组的能源利用率和经济效益。
【专利说明】基于耗差分析的火电机组运行优化方法及装置
【技术领域】
[0001]本发明涉及火电机组运行控制技术，特别是涉及一种基于耗差分析的火电机组运行优化方法及装置。
【背景技术】
[0002]耗差分析作为火电机组运行优化的基础性研究工作，是火电机组优化运行、节能降耗的基础。其是通过对火电机组运行中的关键参数连续的进行监督分析，并将这些参数的实际运行值与优化目标值进行比较，按照一定的耗差分析模型计算出这些参数偏离优化目标值时对火电机组煤耗的影响，从而优化火电机组运行管理，确定影响火电机组设备运行经济性的原因、部位及火电机组节能潜力。耗差分析的准确性取决于优化目标值的确定是否准确。目前关于耗差分析的理论研究主要集中在:优化目标值确定问题的研究，准确的优化目标值是运行指导科学、可信的支撑。
[0003]通过对国内五大发电企业调研，得到我国目前对于火电机组耗差分析优化目标值的确定方法主要有以下几种:
[0004](I)采用制造厂提供的设计值；
[0005](2)采用火电机组热力试验的结果；
[0006](3)采用变工况热力计算结果；
[0007](4)采用历史数据的统计值；
[0008](5)自动寻优确定；
[0009](6)数据挖掘技术；
[0010]定压运行时，对于主蒸汽压力、主蒸汽温度、再热蒸汽温度等一类参数的优化目标值，各电厂均采用方制造厂提供的设计值来确定；当火电机组滑压运行时，一般采用热力试验的方法或变工况热力计算来得到不同负荷(或主蒸汽流量)下主蒸汽压力的优化目标值。其它如排烟温度、飞灰含碳率、汽水损失、汽机真空、给水温度、主减温水量、厂用电率、锅炉效率参数的确定，各采用不同的方法，在调研的电厂中，有两家电厂采用方法(I)和(2)，方法(3)、(4)和(5)各有一家电厂米用。
[0011]采用方法(2)，在系统运行初期效果较好，但是随着运行时间的延长，火电机组的状态发生改变，优化目标值也应有所变化，但是，发电厂不可能经常进行大量的试热力试验，使得优化目标值和火电机组实际运行状态不符合。采用方法(3)，一方面计算结果受到变工况热力计算模型的影响，另一方面，计算得到的优化目标值是理论值，在实际运行中较难实现，影响了对运行的指导作用。采用方法(4)，一方面，统计数据繁琐费时，另一方面，原始数据需经过验证，才具有可信性，因此，统计要经过典型数据选择，数据验证，边界条件分析，最终得出优化目标值，由于这一过程繁琐，采用这种方法的系统一般也不对优化目标值进行经常性的更新，使得优化目标值和火电机组状态不符合。方法(5 )由于边界条件众多，导致优化目标值的曲线在较短的时间内难以统计完成。因此，确定运行指标的优化目标值应考虑它的准确性、实时性及可行性。如果得出的优化目标值在运行中不符合设备的实际状态或在实际运行中不能达到，就不能对运行起到很好的指导作用。
[0012]本质上，火电机组耗差分析化目标值的确定应该是对以下优化问题的求解过程:
[0013].
【权利要求】
1.一种基于耗差分析的火电机组运行优化方法，其特征在于，包括以下步骤: 基于改进的最小二乘支持向量机算法建立火电机组做功过程模型； 采用改进的粒子群算法对所述火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值； 根据所述全局最优值对应的参数变量数据指导所述火电机组的运行，以使所述火电机组在最优供电煤耗率下工作。
2.根据权利要求1所述的方法，其特征在于，所述基于改进的最小二乘支持向量机算法建立火电机组做功过程模型，具体包括: 选取若干个影响供电煤耗率的第一参数变量作为模型输入，并选取若干个影响所述供电煤耗率的第二参数变量作为模型输出； 获取所述模型输入和所述模型输出的样本点数据，组建数据样本集； 对所述数据样本集进行归一化处理； 运用改进的PSO算法对欲建立的火电机组做功过程模型进行模型参数优化，得到优化的模型参数； 根据所述优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型。
3.根据权利要求2所述的方法，其特征在于，在所述根据优化的模型参数选定核函数以及惩罚因子C，并据此训.练归一化处理后的数据样本集，建立火电机组做功过程模型之后,还包括: 去除一小部分误差小于设定阈值的样本点，重建所述火电机组做功过程模型，使所述火电机组做功过程模型重获稀疏特性。
4.根据权利要求2所述的方法，其特征在于，所述核函数包括Gauss径向基函数。
5.根据权利要求2所述的方法，其特征在于，在所述对数据样本集进行归一化处理之后,还包括: 按照设定比例将所述归一化处理后的数据样本集分成训练样本和测试样本两部分；所述训练样本用于提供构建所述火电机组做功过程模型所需的训练样本；所述测试样本用于在所述重建火电机组做功过程模型后根据所述测试样本对重建后的火电机组做功过程模型进行测试检验。
6.根据权利要求5所述的方法，其特征在于，所述设定比例包括2:1。
7.根据权利要求1所述的方法，其特征在于，所述采用改进的粒子群算法对所述火电机组做功过程模型中影响所述供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值，具体包括: 对改进的粒子群算法进行初始化设置，包括设置粒子群体规模、迭代次数、随机给出所述整个粒子群体中每个粒子的位置和速度，所述粒子即为影响所述供电煤耗率的参数变量; 初始化整个粒子群体当前全局最优值Pg和所述每个粒子的当前个体最优值Pi,根据所述当前个体最优值Pi求出当前平均最优位置Pmd，并计算所述每个粒子的适应值； 判断当前一代所求的最优适应值的迭代次数是否超过设定的早熟因子fa，如超过，则根据公式mbest’=mbest[l+W(.)]对所述当前平均最优位置Pmd进行小波变异，其中，mbest为当前平均最优位置pmd, mbest’为mbest变异后的结果，Ψ (.)为MORLET小波概率分布的随机变量对平均最优位置进行小波变异； 更新所述每个粒子的速度和位置； 更新所述整个群体的当前全局最优值Pg和各个粒子的当前个体最优值Pi ; 根据更新后的当前个体最优值Pi求出新的平均最优位置Pmd ; 计算所述每个粒子的新适应值，并将其与前一代适应值相比较，求出新的当前最优适应值； 判断所述新的当前最优适应值是否满足要求，若满足要求或达到设定迭代次数，则停止迭代，输出最优解。
8.根据权利要求2所述的方法，其特征在于，所述第一参数变量包括主蒸汽压力、主蒸汽温度、背压、排汽温度、给水温度、系统明漏量、系统不明漏量、过热减温水量、再热减温水量、排烟温度和飞灰含碳量，所述第二参数变量包括汽轮机热耗率、锅炉效率和厂用电率，所述供电煤耗率为
9.一种基于耗差分析的火电机组运行优化装置，其特征在于，包括: 模型构建模块，用于基于改进的最小二乘支持向量机算法建立火电机组做功过程模型； 模型优化模块，用于采用改进的粒子群算法对所述火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值； 优化控制模块，用于根据所述全局最优值下对应的参数变量数据指导所述火电机组的运行，以使所述火电机组在最优供电煤耗率下工作。
10.根据权利要求9所述的装置，其特征在于，所述模型构建模块的具体实现步骤如下: 选取若干个影响供电煤耗率的第一参数变量作为模型输入，并选取若干个影响所述供电煤耗率的第二参数变量作为模型输出； 获取所述模型输入和所述模型输出的样本点数据，组建数据样本集； 对所述数据样本集进行归一化处理； 运用改进的PSO算法对欲建立的火电机组做功过程模型进行模型参数优化，得到优化的模型参数； 根据所述优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型。
11.根据权利要求10所述的装置，其特征在于，在所述根据优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型之后,还包括: 去除一小部分误差小于设定阈值的样本点，重建所述火电机组做功过程模型，使所述火电机组做功过程模型重获稀疏特性。
12.根据权利要求10所述的装置，其特征在于，所述核函数包括Gauss径向基函数。
13.根据权利要求10所述的装置，其特征在于，所述在对数据样本集进行归一化处理之后，还包括: 按照设定比例将所述归一化处理后的数据样本集分成训练样本和测试样本两部分；所述训练样本用于提供构建所述火电机组做功过程模型所需的训练样本；所述测试样本用于在所述重建火电机组做功过程模型后根据所述测试样本对重建后的火电机组做功过程模型进行测试检验。
14.根据权利要13所述的装置，其特征在于，所述设定比例包括2:1。
15.根据权利要求9所述的装置，其特征在于，所述模型优化模块的具体实现步骤如下: 对改进的粒子群算法进行初始化设置，包括设置粒子群体规模、迭代次数、随机给出所述整个粒子群体中每个粒子的位置和速度，所述粒子即为影响所述供电煤耗率的参数变量; 初始化整个粒子群体当前全局最优值Pg和所述每个粒子的当前个体最优值Pi,根据所述当前个体最优值Pi求出当前平均最优位置Pmd，并计算所述每个粒子的适应值； 判断当前一代所求的最优适应值的迭代次数是否超过设定的早熟因子fa，如超过，则根据公式mbest’=mbest[l+W(.)]对所述当前平均最优位置Pmd进行小波变异，其中，mbest为当前平均最优位置pmd, mbest’为mbest变异后的结果，Ψ (.)为MORLET小波概率分布的随机变量对平均最优位置进行小波变异； 更新所述每个粒子的速度和位置； 更新所述整个群体的当前全局最优值Pg和各个粒子的当前个体最优值Pi ; 根据更新后的当前个体最优值Pi求出新的平均最优位置Pmd ; 计算所述每个粒子的新适应值，并将其与前一代适应值相比较，求出新的当前最优适应值； 判断所述新的当前最优适应值是否满足要求，若满足要求或达到设定迭代次数，则停止迭代，输出最优解。
16.根据权利要求10所述的装置，其特征在于，所述第一参数变量包括主蒸汽压力、主蒸汽温度、背压、排汽温度、给水温度、系统明漏量、系统不明漏量、过热减温水量、再热减温水量、排烟温度和飞灰含碳量，所述第二参数变量包括汽轮机热耗率、锅炉效率和厂用电率，所述供电煤耗率为 中，bg为供电煤耗率，q为汽轮机热耗率，Ilgl为锅炉效率，Iap为厂用电率，Π gd为管道效率。
【文档编号】G06Q10/04GK103440528SQ201310349205
【公开日】2013年12月11日 申请日期:2013年8月12日 优先权日:2013年8月12日
【发明者】王玮, 黄葆华, 刘双白, 吕炜, 刘蔚蔚, 仇晓智, 王凯, 任彦 申请人:国家电网公司, 华北电力科学研究院有限责任公司