一种汽轮机末级排汽焓软测量方法技术

本发明专利技术公开了一种汽轮机末级排汽焓软测量方法，该方法通过对影响汽轮机组末级排汽焓值的关键特征变量历史运行数据采集，存储，进行离群点剔除及稳态工况筛选，结合经过粒子群优化（Particle Swarm Optimization,PSO）的XGBoost(eXtreme Gradient Boosting,XGBoost)算法，来确定汽轮机末级排汽比焓值。本发明专利技术提出的汽轮机末级排汽焓软测量模型可实现机组末级排汽焓值的在线准确测量，对于汽轮机经济性能的在线实时监测具有重要的意义。轮机经济性能的在线实时监测具有重要的意义。轮机经济性能的在线实时监测具有重要的意义。

【技术实现步骤摘要】
一种汽轮机末级排汽焓软测量方法


[0001]本专利技术涉及热力设备数据预测
，尤其涉及一种汽轮机末级排汽焓软测量方法。

技术介绍

[0002]汽轮机末级排汽焓的计算的准确性，会直接影响到低压缸效率和机组经济性的核算。然而，汽轮机末级排汽处于湿蒸汽区，其焓值的除受排汽温度、排汽压力的影响外，还受排汽湿度的影响，然而排汽湿度无法实现在线的实时监测，这为汽轮机的排汽焓值的确定带来了一定的困难。因此，基于历史数据的方法，构建一种汽轮机排汽焓软测量模型，对于汽轮机经济性能的在线实时监测具有重要的意义。
[0003]目前，我国学者对汽轮机排汽焓值的在线计算的研究主要依赖基于热力学第一定律的变工况计算法(如拟合外推法、能量守恒法)和基于数据的软测量方法(如最小二乘支持向量机、神经网络)。这些方法针对特定运行工况时表现出良好的性能，但当实时计算时，计算精度和模型泛化能力会受到一定的限制。

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供了一种汽轮机末级排汽焓软测量方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：构造一种汽轮机末级排汽焓软测量方法，包括：
[0006]获取影响汽轮机组末级排汽焓值关键特征变量的历史运行数据，标记汽轮机组末级排汽焓值关键特征变量对应的汽轮机末级排汽比焓值并进行预处理；
[0007]构建XGBoost回归模型，采用PSO算法优化XGBoost模型参数，将预处理后的汽轮机组末级排汽焓值关键特征变量划分训练集和测试集，将训练集输入至构建的XGBoost回归模型，通过调节XGBoost回归模型的函数和参数，直至XGBoost回归模型输出的汽轮机末级排汽比焓值与标记的汽轮机末级排汽比焓值结果一致；
[0008]通过作为测试集的汽轮机组末级排汽焓值关键特征变量对训练完成的XGBoost回归模型的预测准确性进行验证；
[0009]将实时获取的影响汽轮机组末级排汽焓值的关键特征变量输入至XGBoost回归模型，输出结果作为对应输入的汽轮机末级排汽比焓值。
[0010]其中，影响汽轮机组末级排汽焓值的关键特征变量至少包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力。
[0011]其中，预处理的步骤包括：
[0012]历史数据离群点剔除：根据机组设计资料及热力性能试验，设置关键特征变量的正常运行范围区间，当运行参数超过该区间时，则将其视为异常点并剔除；
[0013]稳态工况筛选：采用滑动窗口法对历史运行数据进行稳态工况筛选。
[0014]其中，在采用PSO算法优化XGBoost模型参数的步骤中，包括对决策树树叶的节点个数T、决策树最大深度d、学习率r和最小叶子节点样本权重ω的优化。
[0015]其中，设置XGBoost回归模型的目标函数为：
[0016][0017]其中，l为可微的凸损失函数，用于表示预测值和真实值y
i
之间的误差，n表示样本数量，Ω(f)表示最小正则化项，T
k
和ω分别表示树中的叶子节点个数和叶子的权重值，γ表示惩罚系数，λ是正则项系数，C表示常数；
[0018]设XGBoost回归模型预测值为：
[0019][0020]其中，t为决策树的数量，f
k
对应结构为q
k
，叶子权重为ω
k
的第k棵独立树；
[0021]XGBoost回归模型按如下过程进行迭代：
[0022][0023][0024][0025]……
[0026][0027]其中，通过二阶泰勒展开，构建XGBoost回归模型的损失函数，表示为：
[0028][0029]其中，分别表示损失函数的一次偏微分和二次偏微分，I
j
＝{i|q(X
i
)＝j)}表示叶子j的样本集。
[0030]其中，稳态工况筛选包括步骤：
[0031]从汽轮机组末级排汽焓值关键特征变量的历史运行数据中，第一个数据开始向前选取长度为n的关键特征变量序列；
[0032]去除掉窗口数据中的最大值和最小值，计算并判断窗口中数据的平均值是否在对应的阈值区间内，若是则认为该窗口内的数据属于稳定工况数据，反之则认为是非稳态工况，将其剔除；
[0033]当递增步长为k时，得到新的数据窗口，重复前述操作，直到全部数据判断结束。
[0034]其中，采用PSO算法优化XGBoost模型参数的步骤包括：
[0035]粒子群参数初始化；设置最大迭代次数、粒子群数量、惯性因子、粒子维度参数；
[0036]计算每个粒子的适应度；假设其适应度服从其中yi和分别表示XGBoost模型的预测值和实测值，计算其适应度；
[0037]根据适应度更新粒子群的速度以及位置；
[0038]做终止条件的判断及检验；若达到最大迭代次数或全局最优位置满足最小界限则终止，否则继续计算粒子适应度。
[0039]区别于现有技术，本专利技术提出一种汽轮机末级排汽焓软测量模型，该方法通过对影响汽轮机组末级排汽焓值的关键特征变量历史运行数据采集，存储，进行离群点剔除及稳态工况筛选，结合经过PSO优化的XGBoost算法，来确定汽轮机末级排汽比焓值。本专利技术提出的汽轮机末级排汽焓软测量模型可实现机组末级排汽焓值的在线准确测量，对于汽轮机经济性能的在线实时监测具有重要的意义。
附图说明
[0040]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0041]图1是本专利技术提供的一种汽轮机末级排汽焓软测量方法的流程示意图。
[0042]图2是本专利技术提供的一种汽轮机末级排汽焓软测量方法中滑动窗口稳态筛选过程示意图。
[0043]图3是本专利技术提供的一种汽轮机末级排汽焓软测量方法中PSO优化XGBoost参数的流程示意图。
[0044]图4是本专利技术提供的一种汽轮机末级排汽焓软测量方法中离群点剔除与稳态工况筛选的示意图。
[0045]图5是本专利技术提供的一种汽轮机末级排汽焓软测量方法中PSO
‑
XGBosst软测量模型训练误差示意图。
具体实施方式
[0046]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术做进一步的详细说明。应当理解，此外所描述的具体实施例仅用以解释本专利技术，但并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都将属于本专利技术保护的范围。
[0047]参照附图1，本专利技术提供的一种汽轮机末级排汽焓软测量方法，包括：
[0048]获取影响汽轮机组末级排汽焓值关键特征变量的历史运行数据，标记汽轮机组末级排汽焓值关键特征变量对应的汽轮机末级排汽比焓值并进行预处理；
[0049]对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽轮机末级排汽焓软测量方法，其特征在于，包括：获取影响汽轮机组末级排汽焓值关键特征变量的历史运行数据，标记汽轮机组末级排汽焓值关键特征变量对应的汽轮机末级排汽比焓值并进行预处理；构建XGBoost回归模型，采用PSO算法优化XGBoost模型参数，将预处理后的汽轮机组末级排汽焓值关键特征变量划分训练集和测试集，将训练集输入至构建的XGBoost回归模型，通过调节XGBoost回归模型的函数和参数，直至XGBoost回归模型输出的汽轮机末级排汽比焓值与标记的汽轮机末级排汽比焓值结果一致；通过作为测试集的汽轮机组末级排汽焓值关键特征变量对训练完成的XGBoost回归模型的预测准确性进行验证；将实时获取的影响汽轮机组末级排汽焓值的关键特征变量输入至XGBoost回归模型，输出结果作为对应输入的汽轮机末级排汽比焓值。2.根据权利要求1所述的汽轮机末级排汽焓软测量方法，其特征在于，影响汽轮机组末级排汽焓值的关键特征变量至少包括：机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力。3.根据权利要求1所述的汽轮机末级排汽焓软测量方法，其特征在于，预处理的步骤包括：历史数据离群点剔除：根据机组设计资料及热力性能试验，设置关键特征变量的正常运行范围区间，当运行参数超过该区间时，则将其视为异常点并剔除；稳态工况筛选：采用滑动窗口法对历史运行数据进行稳态工况筛选。4.根据权利要求1所述的汽轮机末级排汽焓软测量方法，其特征在于，在采用PSO算法优化XGBoost模型参数的步骤中，包括对决策树树叶的节点个数T、决策树最大深度d、学习率r和最小叶子节点样本权重ω的优化。5.根据权利要求1所述的汽轮机末级排汽焓软测量方法，其特征在于，设置XGBoost回归模型的目标函数为：其中，l为可微的凸损失函数，用于表示预测值和真实值y
i<...

【专利技术属性】
技术研发人员：徐婧，赵贯甲，崔智鹏，马素霞，刘文浩，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：