一种火电厂汽轮机组瞬态等效热应力在线软测量方法技术

本发明专利技术属于火电厂汽轮机组测量技术领域，尤其涉及一种火电厂汽轮机组瞬态等效热应力在线软测量方法。该软测量方法主要包括：通过OPC协议与电厂DCS系统实时数据库相连接；获取汽轮机组在线运行状态下的每个预先确定的特征变量所对应的测点的实时数据作为SVR软测量模型的输入值；输入值代入到预先训练的汽轮机组瞬态等效热应力软测量模型中，输出汽轮机组的瞬态等效热应力软测量结果，并对结果进行分析报警。该方法在离线训练SVR模型的过程中，通过引入K‑means算法和BP神经网络对离线数据进行处理，并通过BAS算法对SVR模型参数进行寻优，提高了测量结果的准确度，而且可以做到在线实时测量，为火电厂汽轮机组故障的发现与解决提供了技术支持。

An On-line Soft Measurement Method for Transient Equivalent Thermal Stress of Steam Turbine Unit in Thermal Power Plant

【技术实现步骤摘要】
一种火电厂汽轮机组瞬态等效热应力在线软测量方法
本专利技术属于火电厂汽轮机组测量
，尤其涉及一种火电厂汽轮机组瞬态等效热应力在线软测量方法。
技术介绍
火电厂汽轮机在工作参数不断提高和单机功率不断增大的同时，其寿命和可靠性管理问题也越来越为人们所关注。转子是汽轮机最重要的耐用部件，工作条件最恶劣。运行中，转子要承受叶片、叶轮和主轴等因高速旋转而产生的巨大离心应力、因高压蒸汽作用而产生的压应力、因传递扭矩而产生的剪应力以及因轴系振动而产生的动应力，还要承受因启动、停机和变工况等过程温度的大幅变动而引起的热应力。这些应力或多或少都影响转子的寿命，从而影响汽轮机的寿命和安全性。因此，要解决汽轮机的寿命和可靠性管理问题，首先必须解决其转子应力的瞬态应力分析与预测问题。然而，汽轮机转子由于工作时始终处在高速旋转中，结构复杂且工作条件恶劣，所以其直接应力目前还难以通过直接测量获得，多数情况下只能借助于计算来间接获取等效应力来对生产进行指导。对于影响转子寿命的关键部位，目前主要还是采用瞬态有限元计算方法获取其应力分布，还没有针对汽轮机转子关键部位瞬态等效热应力分析的在线高精度分析与预测方法。
技术实现思路
(一)要解决的技术问题针对现有存在的技术问题，本专利技术提供一种火电厂汽轮机组瞬态等效热应力在线软测量方法，解决当前电厂不能针对汽轮机转子关键部位瞬态应力实现在线高精度分析与测量的问题，为火电厂汽轮机组故障的及时发现与解决提供了技术支持。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种火电厂汽轮机组瞬态等效热应力在线软测量方法，包括以下步骤：101，通过OPC协议与电厂DCS系统实时数据库相连接；102，获取汽轮机组在线运行状态下的每个预先确定的特征变量所对应的测点的实时数据作为软测量模型的输入值；103，将软测量模型的输入值代入到预先训练的汽轮机组瞬态等效热应力软测量模型中，通过预先训练的汽轮机组瞬态等效热应力软测量模型输出汽轮机组的瞬态等效热应力软测量结果；104，将预先训练的汽轮机组瞬态等效热应力软测量模型输出的汽轮机组瞬态等效热应力值与预先设定好的等效热应力值上限、下限进行对比，若汽轮机组瞬态等效热应力值超出上、下限范围，则提示报警；其中，预先训练的汽轮机组瞬态等效热应力软测量模型为，使用BAS算法对以汽轮机组的剔除异常值并进行特征变量筛选的第一预设历史时间段内的正常运行状态数据作为训练数据的SVR进行优化之后得到的预先训练的汽轮机组瞬态等效热应力软测量模型。具体地，汽轮机组的运行状态数据包括主蒸汽温度、主蒸汽压力、主蒸汽流量、汽轮机功率、转速信号、高压缸排气温度、高压缸排气压力、高压缸内缸温度测点、中压缸排气温度、中压缸排气压力、1级抽气温度、1级抽气压力、3级抽气温度、3级抽气压力、4级抽气温度、4级抽气压力、5级抽气温度、5级抽气压力、6级抽气温度、6级抽气压力测点。具体地，在步骤101之前，火电厂汽轮机组瞬态等效热应力在线软测量方法还包括，获取预先训练的汽轮机瞬态等效热应力软测量模型，其包括以下步骤：101a-1，收集汽轮机组的第一预设历史时间段内的正常运行状态数据；101a-2，对收集的汽轮机组的第一预设历史时间段内的正常运行状态数据进行K-means聚类分析后筛选出异常值并剔除；101a-3，对进行K-means聚类分析筛选剔除异常值之后的汽轮机组的第一预设历史时间段内的正常运行状态数据通过BP神经网络的平均影响值(MIV)分析进行特征变量选择并筛选；101a-4，以剔除异常值并进行特征变量筛选的汽轮机组的第一预设历史时间段内的正常运行状态数据作为训练数据对SVR进行训练，在训练时通过使用天牛须(BAS)算法对SVR的惩罚因子c和核函数参数g进行优化寻优，经过优化惩罚因子c和核函数参数g之后获得的SVR即为预先训练的汽轮机瞬态等效热应力软测量模型。具体地，101a-2步骤中，K-means聚类分析后筛选出异常值并剔除的计算方法为，101a-2-1，从收集的第一预设历史时间段内的正常运行状态数据中随机确定K个初始聚类中心；101a-2-2，令K＝1，分别计算每个样本与K个聚类中心的相似度，即为样本到聚类中心的直线距离，使用J表示，根据距离J最近原则，将样本中相近的对象划分到相应的类中心，形成新的K个聚类中心；101a-2-3，计算所获得的新聚类中心位置，为每个聚类的样本均值；101a-2-4，重复步骤101a-2-2和101a-2-3，直至聚类中心的位置稳定不再发生大的变化，并对样本点进行归类；101a-2-5，计算每个聚类中心与该类样本之间的距离，并累加每个类的距离均值以得到总体距离Dis，将其作为K-means算法的代价函数；101a-2-6，由上述过程分别计算k＝1～20的情形，基于代价函数寻找最优的k值，随着k的增加，样本中各点总能被纳入距离更近的类中，总距离会不断减小，选取总体距离下降减缓处的k值作为最终聚类中心的数目；101a-2-7，分别计算样本数据点与该聚类中心之间的欧氏距离D，当D大于设定值时，则该数据点为异常点，将其剔除出数据集；其中N为第一预设历史时间段内的正常运行状态数据的维数，(x11,x12,…,x1N)为样本点坐标，(x1,x2,…,xN)为聚类中心坐标。具体地，101a-3步骤中，通过BP神经网络的平均影响值(MIV)分析进行特征变量选择并筛选具体包括以下步骤，101a-3-1，令自变量矩阵为X＝[x1,x2,x3,…,xm]T,其中xm＝[xm1,xm2,…,xmn]。xm代表第一预设历史时间段内的正常运行状态数据中的第m组数据，xmn代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据中的第n个特征变量值，Y＝[y1,y2,y3,…,ym]T,ym代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据对应的实际等效应力值；101a-3-2，构建神经网络，其中X作为输入变量，Y作为输出变量对神经网络进行训练，当神经网络模型迭代次数到达设定值或输出误差满足设定的允许范围时停止训练，得到神经网络模型；101a-3-3，将自变量矩阵X中每组数据的第i个特征变量值在原有的基础上分别增加、减少10％，得到新的训练样本Xi1,Xi2，xmi代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据的第i个特征变量的值；101a-3-4，将Xi1，Xi2代入步骤2中得到的神经网络模型进行仿真，分别得到输出矩阵Yi1,Yi2；Yi1＝[yi11yi12…yi1m]i＝1,2,……,nYi2＝[yi21yi22…yi2m]i＝1,2,……,n101a-3-5，将Yi1与Yi2做差，得到IVi,则可通过计算得到第i个变量对应平均影响值MIViIVi＝[yi11-yi21yi12-yi22…yi1m-yi2m]i＝1,2,……,n；101a-3-6，分别令i＝1,2,3,…,n，重复步骤101a-3-3,101a-3-4,101a-3-5，计算出每个特征变量对应输出的平均影响值MIV1,MIV2,…,MIVn，对MIVi的绝对值大小进行排序，删除影响值小于设定值的变量，完成特征变量的筛选。具体地，101a-4步骤中，使用天牛本文档来自技高网...

【技术保护点】
1.一种火电厂汽轮机组瞬态等效热应力在线软测量方法，其特征在于，所述方法，包括以下步骤：101，通过OPC协议与电厂DCS系统实时数据库相连接；102，获取所述汽轮机组在线运行状态下的每个所述预先确定的特征变量所对应的测点的实时数据作为软测量模型的输入值；103，将所述软测量模型的输入值代入到预先训练的汽轮机组瞬态等效热应力软测量模型中，通过所述预先训练的汽轮机组瞬态等效热应力软测量模型输出所述汽轮机组的瞬态等效热应力软测量结果；104，将所述预先训练的汽轮机组瞬态等效热应力软测量模型输出的汽轮机组瞬态等效热应力值与预先设定好的等效热应力值上限、下限进行对比，若所述汽轮机组瞬态等效热应力值超出上、下限范围，则提示报警；其中，所述预先训练的汽轮机组瞬态等效热应力软测量模型为，使用天牛须(BAS)算法对以所述汽轮机组的剔除异常值并进行特征变量筛选的第一预设历史时间段内的正常运行状态数据作为训练数据的SVR进行优化之后得到的所述预先训练的汽轮机组瞬态等效热应力软测量模型。

【技术特征摘要】
1.一种火电厂汽轮机组瞬态等效热应力在线软测量方法，其特征在于，所述方法，包括以下步骤：101，通过OPC协议与电厂DCS系统实时数据库相连接；102，获取所述汽轮机组在线运行状态下的每个所述预先确定的特征变量所对应的测点的实时数据作为软测量模型的输入值；103，将所述软测量模型的输入值代入到预先训练的汽轮机组瞬态等效热应力软测量模型中，通过所述预先训练的汽轮机组瞬态等效热应力软测量模型输出所述汽轮机组的瞬态等效热应力软测量结果；104，将所述预先训练的汽轮机组瞬态等效热应力软测量模型输出的汽轮机组瞬态等效热应力值与预先设定好的等效热应力值上限、下限进行对比，若所述汽轮机组瞬态等效热应力值超出上、下限范围，则提示报警；其中，所述预先训练的汽轮机组瞬态等效热应力软测量模型为，使用天牛须(BAS)算法对以所述汽轮机组的剔除异常值并进行特征变量筛选的第一预设历史时间段内的正常运行状态数据作为训练数据的SVR进行优化之后得到的所述预先训练的汽轮机组瞬态等效热应力软测量模型。2.根据权利要求1所述的火电厂汽轮机组瞬态等效热应力在线软测量方法，其特征在于，所述汽轮机组的运行状态数据包括主蒸汽温度、主蒸汽压力、主蒸汽流量、汽轮机功率、转速信号、高压缸排气温度、高压缸排气压力、高压缸内缸温度测点、中压缸排气温度、中压缸排气压力、1级抽气温度、1级抽气压力、3级抽气温度、3级抽气压力、4级抽气温度、4级抽气压力、5级抽气温度、5级抽气压力、6级抽气温度、6级抽气压力测点。3.根据权利要求1所述的火电厂汽轮机组瞬态等效热应力在线软测量方法，其特征在于，在所述步骤101之前，所述火电厂汽轮机组瞬态等效热应力在线软测量方法还包括，获取所述预先训练的汽轮机瞬态等效热应力软测量模型，其包括以下步骤：101a-1，收集所述汽轮机组的第一预设历史时间段内的正常运行状态数据；101a-2，对所述收集的汽轮机组的第一预设历史时间段内的正常运行状态数据进行K-means聚类分析后筛选出异常值并剔除；101a-3，对进行K-means聚类分析筛选剔除异常值之后的所述汽轮机组的第一预设历史时间段内的正常运行状态数据通过BP神经网络的平均影响值(MIV)分析进行特征变量选择并筛选；101a-4，以所述剔除异常值并进行特征变量筛选的汽轮机组的第一预设历史时间段内的正常运行状态数据作为训练数据对所述SVR进行训练，在所述训练时通过使用天牛须(BAS)算法对所述SVR的惩罚因子c和核函数参数g进行优化寻优，经过优化惩罚因子c和核函数参数g之后获得的所述SVR即为所述预先训练的汽轮机瞬态等效热应力软测量模型。4.根据权利要求3所述的火电厂汽轮机组瞬态等效热应力在线软测量方法，其特征在于，所述101a-2步骤中，所述K-means聚类分析后筛选出异常值并剔除的计算方法为，101a-2-1，从收集的第一预设历史时间段内的正常运行状态数据中随机确定K个初始聚类中心；101a-2-2，令K＝1，分别计算每个样本与K个聚类中心的相似度，即为样本到聚类中心的直线距离，使用J表示，根据距离J最近原则，将样本中相近的对象划分到相应的类中心，形成新的K个聚类中心；101a-2-3，计算所获得的新聚类中心位置，为每个聚类的样本均值；101a-2-4，重复所述步骤101a-2-2和101a-2-3，直至聚类中心的位置稳定不再发生大的变化，并对样本点进行归类；101a-2-5，计算每个聚类中心与该类样本之间的距离，并累加每个类的距离均值以得到总体距离Dis，将其作为K-means算法的代价函数；101a-2-6，由上述过程分别计算k＝1～20的情形，基于代价函数寻找最优的k值，随着k的增加，样本中各点总能被纳入距离更近的类中，总距离会不断减小，选取总体距离下降减缓处的k值作为最终聚类中心的数目；101a-2-7，分别计算样本数据点与该聚类中心之间的欧氏距离D，当D大于设定值时，则该数据点为异常点，将其剔除出数据集；其中N为第一预设历史时间段内的正常运行状态数据的维数，(x11,x12,…,x1N)为样本点坐标，(x1,x2,…,xN)为聚类中心坐标。5.根据权利要求4所述的火电厂汽轮机组瞬态等效热应力在线软测量方法，其特征在于，所述101a-3步骤中，通过BP神经网络的平均影响值(MIV)分析进行特征变量选择并筛选具体包...

【专利技术属性】
技术研发人员：梁涛，陈博，李宗琪，程立钦，崔洁，姜文，龚思远，王建辉，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津,12