一种发电机组的性能调整数据处理方法、系统和存储介质与流程

本发明涉及电气领域，尤其是一种发电机组的性能调整数据处理方法、系统和存储介质。

背景技术：

燃气-蒸汽联合循环发电机组在使用的过程中，容易受外部环境和机组内部的运行环境影响，导致压气机和燃气透平劣化，进而影响系统运行性能，出现供需不匹配的现象。影响部件劣化的外部因素包括恶劣的空气质量、飘浮在空气中的树胶、植物胶和花粉等；影响部件劣化的内部因素包括润滑油泄漏、过滤器密封不严和部件变形等。随着机组运行时间的增加，部件受到不同程度的劣化是在所难免的，特别是顶循环的压气机和燃气透平两大部件。

在传统的联合循环机组中，燃气轮机是在指定功率状态下运行的，各部件都随着燃气轮机的运行时间增加而不断劣化，为了在劣化的情况下也能达到指定功率的要求，通常人为地调节igv开度，在调节igv开度无法达到要求时，再从系统其它方面进行逐项排查。显然，这种传统的调节方式会消耗较多的时间和人力，影响联合循环发电机组的正常工作。

技术实现要素：

为解决上述技术问题，本发明的目的在于：提供一种发电机组的性能调整数据处理方法、系统和存储介质，其能节省调节和排查时间，提高联合循环发电机组的工作效率。

本发明实施例的第一方面提供了：

一种发电机组的性能调整数据处理方法，其包括以下步骤：

采集发电机组各部件的运行工况数据，计算发电机组各部件的性能参数；

根据所述采集到的运行工况数据构建bp神经网络模型；

基于所述bp神经网络模型构建物理模型；

通过所述物理模型对发电机组各部件进行运行工况预测；

根据所述运行工况预测结果和所述性能参数生成发电机组各部件的调节方案。

进一步地，所述根据所述采集到的运行工况数据构建bp神经网络模型，其具体包括：

将所述采集到的运行工况数据保存到以预设时间段构建的子集内；

从各个子集获取符合预设要求的运行工况数据作为目标数据；

将所述目标数据随机划分为训练集数据和测试集数据；

根据所述训练集数据进行神经网络训练，构建bp神经网络模型。

进一步地，所述bp神经网络模型还通过以下步骤进行校正：

获取所述目标数据内的测试集数据；

将所述测试集数据的输入变量输入到所述bp神经网络模型，得到测试集数据的输入变量对应的预测值；

计算所述输入变量对应的预测值与所述输入变量对应的输出变量的差值；

判断所述差值是否在工程接受范围内，若是，则判定bp神经网络模型的可靠性通过验证，反之，则修改训练集数据重新建模。

进一步地，所述基于所述bp神经网络模型构建物理模型，其具体包括：

根据所述第一个预设时间段构建的bp神经网络模型构建物理模型；

通过剩余预设时间段构建的bp神经网络模型分别预测各个剩余预设时间段内发电机组各部件性能劣化程度；

根据各个剩余预设时间段内发电机组各部件性能劣化程度依次对所述物理模型进行校正，依次得到各个剩余预设时间段内的物理模型。

进一步地，所述通过所述物理模型对发电机组各部件进行运行工况预测，其具体包括：

从预设时间段内的物理模型中获取最接近当前时间节点的物理模型；

通过最接近当前时间节点的物理模型预测发电机组各部件的劣化位置和劣化程度。

进一步地，所述根据所述运行工况预测结果和所述性能参数生成发电机组各部件的调节方案，其具体包括：

根据所述预测得到的发电机组各部件的劣化位置和劣化程度判断发电机组各部件的性能偏差状况；

在确定偏差状况大于预设范围后，根据发电机组各部件的劣化位置、劣化程度和性能参数生成调节方案。

进一步地，还包括以下步骤：

获取用户的历史用电需求量；

根据用户的历史用电需求量预测未来时刻的用电需求量；

根据未来时刻的用电需求量调整调节方案。

本发明实施例的第二方面提供了：

一种发电机组的性能调整数据处理系统，其包括：

采集模块，用于采集发电机组各部件的运行工况数据，计算发电机组各部件的性能参数；

模型构建模块，根据所述采集到的运行工况数据构建bp神经网络模型；基于所述bp神经网络模型构建物理模型；

预测模块，用于通过所述物理模型对发电机组各部件进行运行工况预测；

生成模块，用于根据所述运行工况预测结果和所述性能参数生成发电机组各部件的调节方案。

本发明实施例的第三方面提供了：

一种发电机组的性能调整数据处理系统，其包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行上述的一种发电机组的性能调整数据处理方法。

本发明实施例的第四方面提供了：

一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现上述的一种发电机组的性能调整数据处理方法。

本发明的有益效果是：本发明通过采集发电机组各部件的运行工况数据，根据运行工况数据构建bp神经网络模型，接着基于构建的bp神经网络模型构建物理模型，通过物理模型对发电机组各部件进行运行工况预测，然后根据预测结果与计算得到的性能参数生成发电机组各部件的调节方案，从而根据调节方案实现对发电机组各部件的运行工况进行自动调节的功能，同时，工作人员也可以根据调节方案快速确定需要调节的器件位置，以节省调节和排查时间，提高联合循环发电机组的工作效率。

附图说明

图1为本发明一种具体实施例的发电机组的性能调整数据处理方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1，本发明实施例提供了一种发电机组的性能调整数据处理方法，其包括以下步骤：

s110、采集发电机组各部件的运行工况数据，计算发电机组各部件的性能参数；本步骤具体是通过温度、压力、流量、功率传感器采集压气机进口和出口的空气状态参数、透平进口和出口的燃气状态参数、燃气轮机输出功率、蒸汽轮机各汽缸进汽参数、蒸汽轮机输出功率，接着根据压气机、透平进出口温度、压力参数，分别计算其多变指数，所述多变指数采用公式1进行计算：

其中，t为热力学温度，单位为k；p为绝对压力，单位为kpa；x为部件名称缩写，代表压气机c或者燃气透平t；in为部件进口流体；out为部件出口流体；k为多变指数。

s120、根据所述采集到的运行工况数据构建bp神经网络模型；本步骤具体是以年为单位，根据各个年度的运行工况数据分别创建各个年度的bp神经网络模型。

s130、基于所述bp神经网络模型构建物理模型；具体是以第一年度的bp神经网络模型构建物理模型，根据剩余年度的bp神经网络模型得到各运行年度的压气机、燃气透平的效率劣化程度，根据劣化程度对物理模型进行校正，得到符合不同运行年度的物理模型。例如，运行年度为2013-2015年，则以2013年度作为第一年，构建2013年度的物理模型，然后采用2014年度的bp神经网络模型得到2014年度的压气机、燃气透平的效率劣化程度，根据2014年度的劣化程度对2013年度的物理模型进行校正得到2014年度的物理模型；然后采用2015年度的bp神经网络模型得到2015年度的压气机、燃气透平的效率劣化程度，根据2015年度的劣化程度对2014年度的物理模型进行校正得到2015年度的物理模型。

s140、通过所述物理模型对发电机组各部件进行运行工况预测；预测发电机组各部件在未来时间发生劣化的位置和劣化的程度。

s150、根据所述运行工况预测结果和所述性能参数生成发电机组各部件的调节方案。所述性能参数是指步骤s110中计算得到的多变指数。根据发电机组各部件在未来时间发生劣化的位置和劣化的程度，以及多变指数对发电机组各个部件的工作状态进行调节或者更换，保证发电机组的稳定、有序运行。

本实施例通过采集发电机组各部件的运行工况数据，根据运行工况数据构建bp神经网络模型，接着基于构建的bp神经网络模型构建物理模型，通过物理模型对发电机组各部件进行运行工况预测，然后根据预测结果与计算得到的性能参数生成发电机组各部件的调节方案，从而根据调节方案实现对发电机组各部件的运行工况进行自动调节的功能，同时，工作人员也可以根据调节方案快速确定需要调节的器件位置，以节省调节和排查时间，提高联合循环发电机组的工作效率。

作为优选的实施方式，所述根据所述采集到的运行工况数据构建bp神经网络模型，其具体包括：

将所述采集到的运行工况数据保存到以预设时间段构建的子集内；所述预设时间段可以以年为单位，对时间进行分段。将采集到的运行工况数据分别保存在不同年度的子集内，便于数据的调用。当然，也可以以月为单位，对时间进行分段。具体根据实际需要调整。

从各个子集获取符合预设要求的运行工况数据作为目标数据，并将所述目标数据随机划分为训练集数据和测试集数据；所述预设要求是指发电机组稳定运行产生的数据。

根据所述训练集数据进行神经网络训练，构建bp神经网络模型。

而在将构建好的bp神经网络模型进行应用之前，需要对bp神经网络模型可靠性进行验证，所述验证过程包括以下步骤：

获取所述目标数据内的测试集数据；

将所述测试集数据的输入变量输入到所述bp神经网络模型，得到测试集数据的输入变量对应的预测值；

计算所述输入变量对应的预测值与所述输入变量对应的输出变量的差值；

判断所述差值是否在工程接受范围内，若是，则判定bp神经网络模型的可靠性通过验证，反之，则修改训练集数据重新建模。

在一些实施例中，以电厂年运行数据为单位，将所述采集到的数据进行有效筛选，选出合适的样本数据，以燃气轮机发电功率和蒸汽轮机发电功率作为输出变量，研究其与各输入变量的耦合关系，所述输入变量包括ta、pa、ma、δpin、mf、p2、p3、p4、t2、t3、t4、m4、igv、mhp、php、prh、thp、trh、tfw和pc，其中，m为质量流量，单位为kg/s；igv为进口可调导叶开度；a为环境；in为压气机进气道；f为燃料；1为压气机进口；2为压气机出口；3为燃气透平进口；4为燃气透平出口；hp为汽轮机主蒸汽进口；rh为汽轮机再热蒸汽；fw为余热锅炉主给水；c为凝汽器，由于透平进口温度t3不易直接获得，所以，t3通过余热锅炉热平衡及压气机进气特性计算得到。

将所述目标数据分为训练集数据和测试集数据；

将所述训练集数据的输入变量和输出变量进行神经网络训练，创建bp神经网络模型；

将所述测试集的输入变量导入到训练好的bp神经网络，得到燃气轮机输出功率和蒸汽轮机输出功率预测值；

将所述测试集的输出变量与预测值进行比较，判断误差值是否在工程接受范围；

若上述误差值在工程接受范围内，则验证了模型可信度。

本实施验证模型的可信度，提高模型输出量的准确度。

作为优选的实施方式，所述基于所述bp神经网络模型构建物理模型，其具体包括：

根据所述第一个预设时间段构建的bp神经网络模型构建物理模型；所述构建过程是采用仿真平台搭建系统构建未劣化全工况物理模型。所述仿真平台为thermoflow、ebsilon或者simulink。

通过剩余预设时间段构建的bp神经网络模型分别预测各个剩余预设时间段内发电机组各部件性能劣化程度；

根据各个剩余预设时间段内发电机组各部件性能劣化程度依次对所述物理模型进行校正，依次得到各个剩余预设时间段内的物理模型。

本实施例通过构建各个预设时间段内的物理模型，使得通过物理模型进行预测时，更加直观方便地进行性能预测。

作为优选的实施方式，所述通过所述物理模型对发电机组各部件进行运行工况预测，其具体包括：

从预设时间段内的物理模型中获取最接近当前时间节点的物理模型；

通过最接近当前时间节点的物理模型预测发电机组各部件的劣化位置和劣化程度。所述预测结果是预测未来时刻发电机组各部件的劣化位置和劣化程度。

本实施例通过物理模型预测发电机组各部件的劣化位置和劣化程度，从而采取相对应措施提高发电机组性能。

作为优选的实施方式，所述根据所述运行工况预测结果和所述性能参数生成发电机组各部件的调节方案，其具体包括：

根据所述预测得到的发电机组各部件的劣化位置和劣化程度判断发电机组各部件的性能偏差状况；

在确定偏差状况大于预设范围后，根据发电机组各部件的劣化位置、劣化程度和性能参数生成调节方案。所述预设范围是指电机组各部件的最大误差承受值。

本实施在确定偏差状况大于预设范围后，生成调节方案，以使控制端对发电机组进行自动调节或者提醒工作人员进行人为干预操作，从而保证发电机组的稳定运行。

作为优选的实施方式，还包括以下步骤：

获取用户的历史用电需求量；

根据用户的历史用电需求量预测未来时刻的用电需求量；

根据未来时刻的用电需求量调整调节方案。

本实施例是在用户未来时间段的用电量超过发电机组的最大供电量时，通过采取相对应措施，使得发电机组生成的电量能够满足用户未来时间段的用电需求。

在另一些实施例上，利用布置在燃气-蒸汽联合循环系统各点位的温度、压力、流量、功率传感器采集系统各部件的实时运行参数和计算相关性能参数，通过传输网络上传至数据云平台，然后筛选出稳定工况的机组运行数据，基于数据分析进行bp神经网络模型的建立，在训练好模型的基础上进行系统劣化仿真物理建模过程。利用建立好的物理模型，预测未来系统发生劣化的位置以及劣化程度，进一步地明确系统部件劣化带来的性能偏差，进行机组运行诊断。此外，还可以进行电厂智慧化升级改造，结合供需匹配动态记录为机组抗劣化运行提供建议和优化方案，使机组发电量满足外界负荷的需求，实现人机交互、全方位多层次感知信息、集成便捷高效特征的智慧服务系统。

而所述bp神经网络模型可通过以下方式进行构建：

以电厂年运行数据为单位，将所述采集到的数据进行有效筛选，选出合适的样本数据，以燃气轮机发电功率和蒸汽轮机发电功率作为输出变量，研究其与各输入变量的耦合关系，所述输入变量包括ta、pa、ma、δpin、mf、p2、p3、p4、t2、t3、t4、m4、igv、mhp、php、prh、thp、trh、tfw和pc，其中，m为质量流量，单位为kg/s；igv为进口可调导叶开度；a为环境；in为压气机进气道；f为燃料；1为压气机进口；2为压气机出口；3为燃气透平进口；4为燃气透平出口；hp为汽轮机主蒸汽进口；rh为汽轮机再热蒸汽；fw为余热锅炉主给水；c为凝汽器，由于透平进口温度t3不易直接获得，通过余热锅炉热平衡及压气机进气特性计算得到。

然后，将所述筛选后的90％有效数据样本分为训练集数据，剩余的10％样本归为测试集数据；将所述训练集数据的输入变量和输出变量进行神经网络训练，创建bp神经网络模型。

具体地，燃气轮机输出功率pgt对应的bp神经网络建模过程如下：

第一步、网络初始化；

确定网络输入层节点数n＝12，输出层节点数m＝1，初始化连接权值ωij、ωjk及隐含层阈值a、输出层阈值b，最佳隐含层节点数l参考公式2-公式4：

l＜n-1公式2

l＝log2n公式4

其中，c为0-10之间的常数。

第二步、隐含层输出h；

所述隐含层输出h采用公式5和公式6计算：

其中，ωij表示输入层和隐含层神经元之间的连接权值；aj为隐含层阈值；xi为输入变量，本步骤为ta、pa、ma、δpin、mf、p2、p3、p4、t2、t3、t4、m4和igv。

第三步、输出层ok；

所述输出层ok采用公式7计算得到：

其中，ωjk隐含层和输出层神经元之间的连接权值；bk为输出层阈值。

第四步、计算误差；

采用公式8计算误差值：

ek＝yk-okk＝1,2…m公式8

其中，ek为误差值，ok为输出层的输出，yk为各工况点对应的燃气轮机实际输出功率。

第五步、权值更新；

所述权值更新采用公式9和公式10：

ωjk＝ωjk+ηhjekj＝1,2…l；k＝1,2,…m公式10

其中，η为学习速率。

第六步、阈值更新；

所述阈值更新过程采用公式11和公式12：

bk＝bk+ekk＝1,2,…m公式12

第七步、判断计算的燃气轮机输出功率pgt是否在误差允许范围内，若超过误差允许范围，则返回到第二步循环执行。

同理，蒸汽轮机输出功率对应的bp神经网络建模过程如下：

第一步、网络初始化；

确定网络输入层节点数n＝10，输出层节点数m＝1，初始化连接权值ωij、ωjk及隐含层阈值a、输出层阈值b，最佳隐含层节点数l参考公式13-公式15：

l＜n-1公式13

l＝log2n公式15

其中，c为0-10之间的常数。

第二步、隐含层输出h；

所述隐含层输出h采用公式16和公式17计算：

其中，ωij表示输入层和隐含层神经元之间的连接权值；aj为隐含层阈值；xi为输入变量，本步骤为t4、p4、m4、mhp、php、thp、prh、trh、tfw和pc。

第三步、输出层ok；

所述输出层ok采用公式18计算得到：

其中，ωjk隐含层和输出层神经元之间的连接权值；bk为输出层阈值。

第四步、计算误差；

采用公式19计算误差值：

ek＝yk-okk＝1,2…m公式19

其中，ek为误差值，ok为输出层的输出，yk为各工况点对应的蒸汽轮机实际输出功率。

第五步、权值更新；

所述权值更新采用公式20和公式21：

ωjk＝ωjk+ηhjekj＝1,2…l；k＝1,2,…m公式21

其中，η为学习速率。

第六步、阈值更新；

所述阈值更新过程采用公式22和公式23：

bk＝bk+ekk＝1,2,…m公式23

第七步、判断计算的蒸汽轮机输出功率pgt是否在误差允许范围内，若超过误差允许范围，则返回到第二步循环执行。

当构建好各个年度的bp神经网络模型后，利用第一年的bp神经网络模型在仿真平台上建立未劣化系统全工况的物理模型，在之后几年的bp神经网络模型基础上，得出各运行年份压气机、燃气透平的效率劣化程度以及系统出力变化，根据部件劣化程度，在第一年物理模型的基础上进行修正，得出符合各年不同劣化程度的物理模型，基于动态物理模型即可预测未来系统全工况运行特性。

接着，通过分析供需匹配动态记录，判断未来供电与预期负荷是否匹配。当供电无法满足外界负荷要求时，就要对发电机组所属系统进行调节，若供电与负荷偏差超出了该系统的自调节能力，直接请求专家远程诊断与技术支持，否则系统启动设备预警进行自调节。为了使调节的过程更精确，引入一个反馈的过程。调节过程中根据压气机和透平的多变指数变化幅度，优先调节劣化程度大的部件。压气机的主要调节方法是调节igv的开度和对压气机进行在线清洗，透平的主要调节方法是结合燃料调节与改变igv的开度，通过重新调节透平排气温度来提高进口温度以维持较高出力。当透平排气参数变化时，利用蒸汽轮机输出功率与其相关输入变量的关系，调节蒸汽参数以获得更大出力。如此往复，直至系统的输出功率满足外界负荷需求。

本发明实施例还提供了一种与图1方法相对应的发电机组的性能调整数据处理系统，其包括：

采集模块，用于采集发电机组各部件的运行工况数据，计算发电机组各部件的性能参数；

模型构建模块，根据所述采集到的运行工况数据构建bp神经网络模型；基于所述bp神经网络模型构建物理模型；

预测模块，用于通过所述物理模型对发电机组各部件进行运行工况预测；

生成模块，用于根据所述运行工况预测结果和所述性能参数生成发电机组各部件的调节方案。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例还提供了一种发电机组的性能调整数据处理系统，其包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行上述的一种发电机组的性能调整数据处理方法。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现上述的一种发电机组的性能调整数据处理方法。

综上所述，本方法实施例通过采集发电机组各部件的运行工况数据，根据运行工况数据构建bp神经网络模型，接着基于构建的bp神经网络模型构建物理模型，通过物理模型对发电机组各部件进行运行工况预测，然后根据预测结果与计算得到的性能参数生成发电机组各部件的调节方案，从而根据调节方案实现对发电机组各部件的运行工况进行自动调节的功能，同时，工作人员也可以根据调节方案快速确定需要调节的器件位置，以节省调节和排查时间，提高联合循环发电机组的工作效率。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。