一种基于灰色预测模型的高压转子温度软测量方法及系统

技术领域

本发明属于电厂设备技术领域，涉及一种基于灰色预测模型的高压转子温度软测量方法及系统。

背景技术

汽轮机的启动过程是将转子由静止或者盘车状态加速至额定转速并带负荷正常运行的过程。在高温高压蒸汽进入汽轮机后，汽轮机高压转子的温度不会立即升高至蒸汽温度，这是要经过一段时间的加热。汽轮机高压转子在加热过程中，金属部件内部的温度是不均匀的，零件各部分的膨胀或者收缩也不相等，由此导致热应力。一旦金属部件表面和内部存在温差，就会产生热应力。在汽轮机的启动过程中，热应力是造成设备损坏的主要原因之一，尤其对于高参数、大容量汽轮机，往往会因为暖机不充分或蒸汽参数不合适，造成热应力过大而产生汽缸裂纹、螺栓断裂、转子裂纹和弯曲等设备损坏事故。所以在启动过程中的热应力监视和控制相当重要，热应力控制得当，既可以实现汽轮机安全、快速地启动，又可以减少寿命损耗，延长使用期限。

西门子汽轮机组的热应力评估器中，首先用测得的高压内缸温度近似表示高压转子表面的温度，转子体积平均温度则通过高压转子表面温度的3个不同权重的一阶惯性环节累加来间接计算，转子表面温度和转子体积平均温度的差值就代表转子应力的大小。因此，热应力监控中使用的转子表面温度值测量是否准确，直接影响热应力值的准确性，是保证汽轮机的热应力控制的关键。但是由于转子的旋转，无法安装测温元件进行直接测量其温度，目前采用的用测得的高压内缸温度近似表示高压转子表面的温度，存在高压内缸温度测点的测温元件容易损坏、机组运行时不便于检修和更换的问题。

现有技术中，申请号为201711498840.5、公开日期为2018年6月22日的中国发明专利申请《一种基于深度学习的预测模型软测量方法》公开了一种基于深度学习的预测模型软测量方法，包括：获得历史数据；根据时间窗对历史数据进行规整；使用平稳小波变换提取规整之后的历史数据的多尺度信息；将多尺度信息与每个时间点对应的当前可观测变量数据进行组合，以形成样本数据集；根据样本数据集形成训练集和测试集；使用训练集和测试集对具有注意力机制的深度模型进行训练和测试，以形成完整模型；根据当前可观测数据和完整模型获得预测值。

虽然上述技术方案针对化工生产过程之中的一些重要变量难以直接测量的特点，本发明提供的基于深度学习的预测模型软测量方法实现对化工生产过程之中的不可观测变量的精确预测，为后续的能效分析提供参考指标，从而提高产能和降低能耗。但是并未解决在高压内缸温度变为坏点后，如何能够提供可靠预测值来监控机组运行的问题。

发明内容

本发明的目的在于如何设计一种基于灰色预测模型的高压转子温度软测量方法及系统，实现在高压内缸温度变为坏点后，提供可靠预测值来监控机组运行。

本发明是通过以下技术方案解决上述技术问题的：

一种基于灰色预测模型的高压转子温度软测量方法，包括以下步骤：

S1、输入不同比例的额定负荷工况的多组参数，根据灰色预测模型计算出对应的不同比例的额定负荷工况的预测模型的参数值，并将其存储在单输入多输出函数转换器中；

S2、在高压内缸温度变为坏点后，在线检测并输入机组实际负荷工况参数，从单输入多输出函数转换器中调用对应的不同比例的额定负荷工况的预测模型的参数值，将其输入到灰色预测模型中，计算并输出该机组实际负荷工况下的高压转子表面温度预测值；

S3、将步骤S2中输出的高压转子表面温度预测值与实际高压内缸温度进行差值比较，若偏差在设定的阈值范围内，则进行步骤S4，否则返回步骤S2；

S4、输出高压转子表面温度预测值及灰色模型的参数值。

作为本发明技术方案的进一步改进，步骤S1中所述的不同比例的额定负荷包括50％-100％额定负荷。

作为本发明技术方案的进一步改进，步骤S1中所述的多组参数包括高压内缸温度、汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力以及高压缸排汽压力。

作为本发明技术方案的进一步改进，所述的灰色预测模型的白化微分方程如下：

其中，

作为本发明技术方案的进一步改进，步骤S3中所述的设定的阈值为：(-3，+3)℃。

一种基于灰色预测模型的高压转子温度软测量系统，包括：

参数存储模块，所述的参数存储模块用于输入不同比例的额定负荷工况的多组参数，根据灰色预测模型计算出对应的不同比例的额定负荷工况的预测模型的参数值，并将其存储在单输入多输出函数转换器中；

计算模块，所述的计算模块在高压内缸温度变为坏点后，在线检测并输入机组实际负荷工况参数，从单输入多输出函数转换器中调用对应的不同比例的额定负荷工况的预测模型的参数值，将其输入到灰色预测模型中，计算并输出该机组实际负荷工况下的高压转子表面温度预测值；

比较输出模块，所述的比较输出模块将计算模块中输出的高压转子表面温度预测值与实际高压内缸温度进行差值比较，若偏差在设定的阈值范围内，则输出高压转子表面温度预测值及灰色模型的参数值，否则返回计算模块，重新计算并输出该机组实际负荷工况下的高压转子表面温度预测值。

作为本发明技术方案的进一步改进，参数存储模块中所述的不同比例的额定负荷包括50％-100％额定负荷。

作为本发明技术方案的进一步改进，参数存储模块中所述的多组参数包括高压内缸温度、汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力以及高压缸排汽压力。

作为本发明技术方案的进一步改进，参数存储模块以及计算模块中所述的灰色预测模型的白化微分方程如下：

其中，

作为本发明技术方案的进一步改进，比较输出模块中所述的设定的阈值为：(-3，+3)℃。

本发明的优点在于：本发明的一种基于灰色预测模型的高压转子温度软测量方法及系统，在高压内缸温度变为坏点后，通过在线检测并输入机组实际负荷工况参数，从单输入多输出函数转换器中调用对应的不同比例的额定负荷工况的预测模型的参数值，将其输入到灰色预测模型中，计算并输出该机组实际负荷工况下的高压转子表面温度预测值，准确的预测高压转子温度，提供可靠预测值来监控机组运行的。

附图说明

图1是本发明实施例的基于灰色预测模型的高压转子温度软测量方法的原理图；

图2是本发明实施例的基于灰色预测模型的高压转子温度软测量方法的灰色模型创建流程图；

图3是本发明实施例的基于灰色预测模型的高压转子温度软测量系统结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：

1、如图1所示，通过在线检测的汽轮机发电机组电功率(I1)、主蒸汽温度(I2)、主蒸汽压力(I3)、高压缸第1级抽汽压力(I4)和高压缸排汽压力(I5)5个参数，建立灰色预测模型。灰色预测模型P(Predict)原理如下：

灰色系统理论是基于关联空间、平滑离散函数等概念定义的灰色导数和灰色微分方程，模型是近似且非唯一的，记为GM(Grey Model)。灰色模型是通过使用离散随机数经过生成变为随机性减弱且较有规律的生成数，这使得描述其变化过程更为准确。

本发明中的灰色预测模型采用灰色GM(1,N)模型，生成方法是累加生成。共有6个元素的数列：

其中

灰色GM(1,N)建模原理如下。

设有6个数列：

记

记

可以得到GM(1,N)的灰色微分方程：

我们将数列

这个微分方程模型记为GM(1,N)。a,b

2、转子温度预测模型创建流程图，如图2所示。

步骤1：分别导入50％-100％额定负荷工况下参数(高压内缸温度、汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力)11组，分别为50％，55％，60％，65％，70％，75％，80％，85％，90％，95％，100％额定工况下参数。

步骤2：11组数据依次进行灰色预测模型计算。

步骤3：依次获得11组模型参数值。

步骤4：通过11组模型参数值计算得出各工况下的高压转子表面温度预测值，并与实际高压内缸温度进行差值比较，偏差小于±3℃进行下一步。否则返回步骤2。

步骤5：输出高压转子表面温度预测值及灰色模型的参数值P(X)。

3、如图3所示，单输入多输出函数转换器T(Transform)中记录了11组灰色模型的参数值P(X)。当前负荷经过单输入多输出函数转换器T，输出对应的灰色模型参数值，经过模型运算，计算得出高压转子表面温度预测值。

利用汽轮机发电机组电功率(I

目前用测得的高压内缸温度近似表示高压转子表面的温度。高压内缸温度测点的测温元件容易损坏，机组运行时不便于检修和更换。本发明设计的基于灰色预测模型的高压转子温度软测量方法，在高压内缸温度变为坏点后，能够提供可靠预测值来监控机组运行，对机组启动过程中的热应力监视和控制相当重要。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。