一种数据驱动的热力发电厂冷端优化方法

技术领域

本发明属于热力发电厂冷端优化技术领域，具体涉及一种数据驱动的热力发电厂冷端优化方法。

背景技术

随着人工智能技术的快速进步，近年来数据驱动算法已经广泛地应用于工业生产活动中，推动着下一代工程技术的发展。数据驱动的本质是通过对大量数据进行统计、分析与挖掘，并利用映射算法建立起不同变量间的代理关系，从而实现对未知数据的预测，其比复杂理论模型的建立与使用更为灵活、高效。

冷端系统主要由汽轮机低压缸、凝汽器、循环水系统和循环水泵组成，其中，凝汽器的作用是为汽轮机维持一定的背压。在热力发电厂的冷端系统中，汽轮机背压对于机组热力性能有着重要影响。背压的降低会提高机组朗肯循环的热效率，但也会导致汽轮机内效率的下降。同时，在某些运行工况下，当背压降低到一定的程度后，循环水泵功率的增加可能会大于机组发电功率的增加，对电厂发电经济性带来负面效应。因此，在机组运行过程中，适时调控汽轮机循环水泵功率和背压，确保冷端系统处于最佳状态，提高发电的经济性，是热力发电厂需要解决的重要问题。

依据相关经验已知，影响汽轮机背压的因素不仅仅有循环水泵功率，冷却水温度和取水液位也是影响背压的直接因素。目前，汽轮机及其成套设备制造厂在设计相关设备时只能考虑额定工况和标准环境条件，无法针对不同电厂的具体运行工况和运行环境条件进行针对性设计，造成机组发电功率损失。

发明内容

本发明的目的是提供一种数据驱动的热力发电厂冷端优化方法，可根据电厂运行工况和环境条件的变化，实时指导电厂调控循环水泵功率或汽轮机背压，有效解决了冷端设备因设计基准与运行工况不匹配造成的机组净发电功率损失问题。

本发明的技术方案如下：一种数据驱动的热力发电厂冷端优化方法，包括如下步骤：

步骤1：数据准备；

步骤2：机器学习模型训练；

步骤3：背压分析；

步骤4：净电功率敏感性分析。

所述的步骤1包括如下：

步骤11：获取电厂不同功率水平、不同季节和不同时段下的代表性成套测量数据，包括测量日期、机组电功率、热功率、蒸汽发生器出口压力、流量、汽轮机低压缸出口(凝汽器壳侧)压力、循环水泵功率、出口压头及其测点与泵前池液位间的相对高度、凝汽器管侧入口、出口温度等；

步骤12：对电厂成套测量数据进行状态分类，针对每类数据中异常值进行数据清洗；

步骤13：针对清洗后的电功率、热功率及蒸汽参数，利用数据挖掘方法，推算凝汽器壳侧蒸汽流量G

步骤14：针对清洗后的数据，利用数据挖掘方法，推算相应状态下的循环水泵流量G:

G ＝ (H

式中：G为循环水泵流量，H

利用数据挖掘方法，推算相应状态下凝汽器管侧换热系数

式中：

利用数据挖掘方法，推算相应状态下循环水泵电机及泵体综合机械效率ξ和循环水回路综合压头损失系数κ:

[N

式中：N

步骤15：采用随机抽样方法，将上述所有数据分为两组，即模型训练组和测试验证组。

所述的步骤2包括如下：

步骤21：基于模型训练组中的循环水泵功率N

H

步骤22：基于模型训练组中的凝汽器入口温度T

所述的步骤3包括如下：

步骤31：任意给定一组边界参数：循环水泵功率N

步骤32：利用机器学习评价模型H

步骤33：利用循环水泵功率N

[N

式中：N

步骤34：假定某一初始凝汽器管侧出口温度T

式中：G为循环水泵流量，

步骤35：基于凝汽器管侧换热系数评价模型

T

式中：G

步骤36：利用更新后的凝汽器管侧出口温度T

步骤37：根据湿蒸汽物性参数表，通过收敛后的汽化潜热值H

步骤38：根据凝汽器壳侧背压P

所述的步骤4包括如下：

步骤41：基于上述数据驱动方法，考察特定凝汽器入口冷却水温度T

步骤42：依据影响曲线，寻找最佳循泵功率工作点或凝汽器最佳背压，以满足发电功率增量ΔN

本发明的有益效果在于：本发明可根据热力发电厂运行工况和环境条件变化，利用数据驱动方法，实时指导电厂调控循环水泵功率或汽轮机背压，有效提高热力电厂机组的净电功率和发电效率，增加机组的经济效益。

附图说明

图1为热力发电厂冷端系统示意图；

图2为冷端系统最佳背压示意图；

图3为本发明所提供的一种数据驱动的热力发电厂冷端优化方法流程图。

图中：1回热系统，2汽轮机低压缸，3凝汽器，4循环水泵，5凝结水泵。

图2中：ΔN、冷端系统输出净电功率增量；ΔN

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图1所示，热力发电厂其冷端系统包括回热器1、汽轮机低压缸2、凝汽器3、循环水泵4和凝结水泵5。其中，回热器1的蒸汽入口与汽轮机2的抽汽口相连，回热器1的给水入口与凝结水泵5的凝结水出口相连，回热器1的出口与主给水入口相连，汽轮机低压缸2的进汽来自中压缸，汽轮机低压缸2的排汽口与凝汽器3的蒸汽入口相连，凝汽器3的凝结水出口与凝结水泵5的凝结水入口相连，凝汽器2的冷却水出口与循环水出口相连，循环水泵4的入口与循环水入口相连，循环水泵4的出口与凝汽器3的冷却水入口相连。

如图2所示，数据驱动冷端优化算法以发电机组输出的净电功率增量最大为目标函数进行冷端优化：

max ΔN ＝ max (ΔN

式中：ΔN为冷端系统输出的净电功率增量，ΔN

循环水泵4耗功增量ΔN

ΔN

式中：N

汽轮机发电功率增量ΔN

ΔN

式中：N

一种数据驱动的热力发电厂冷端优化方法，包括如下步骤：

步骤1：数据准备，包括如下：

步骤11：获取电厂不同功率水平、不同季节和不同时段下的代表性成套测量数据，包括测量日期、机组电功率、热功率、蒸汽发生器出口压力、流量、汽轮机低压缸出口(凝汽器壳侧)压力、循环水泵功率、出口压头及其测点与泵前池液位间的相对高度、凝汽器管侧入口、出口温度等；

步骤12：对电厂成套测量数据进行状态分类，针对每类数据中异常值进行数据清洗；

步骤13：针对清洗后的电功率、热功率及蒸汽参数，利用数据挖掘方法，推算凝汽器3壳侧蒸汽流量G

步骤14：针对清洗后的数据，利用数据挖掘方法，推算相应状态下的循环水泵流量G:

G ＝ (H

式中：G为循环水泵4流量，H

利用数据挖掘方法，推算相应状态下凝汽器3管侧换热系数

式中：

利用数据挖掘方法，推算相应状态下循环水泵4电机及泵体综合机械效率ξ和循环水回路综合压头损失系数κ:

[N

式中：N

在方程(7)中，除循环水泵4电机及泵体综合机械效率ξ和循环水回路综合压头损失系数κ外，其余物理量皆为已知测量数据，且存在大量成套测量数据，因而可以利用线性回归技术定解机械效率ξ和损失系数κ；

步骤15：采用随机抽样方法，将上述所有数据分为两组，即模型训练组和测试验证组。

步骤2：机器学习模型训练，包括如下：

步骤21：基于模型训练组中的循环水泵4功率N

H

步骤22：基于模型训练组中的凝汽器3入口温度T

步骤3：背压分析，包括如下：

步骤31：任意给定一组边界参数：循环水泵4功率N

步骤32：利用机器学习评价模型H

步骤33：利用循环水泵4功率N

[N

式中：N

步骤34：假定某一初始凝汽器3管侧出口温度T

式中：G为循环水泵4流量，

步骤35：基于凝汽器3管侧换热系数评价模型

T

式中：G

步骤36：利用更新后的凝汽器3管侧出口温度T

步骤37：根据湿蒸汽物性参数表，通过收敛后的汽化潜热值H

步骤38：根据凝汽器3壳侧背压P

步骤4：净电功率敏感性分析，包括如下：

步骤41：基于上述数据驱动方法，考察特定凝汽器3入口冷却水温度T

步骤42：依据影响曲线，寻找最佳循环水泵功率工作点或凝汽器最佳背压，以满足发电功率增量ΔN

根据不同时刻下凝汽器入口冷却水温度T