一种火电机组AGC性能指标优化方法及其装置制造方法及图纸

本发明专利技术公开了一种火电机组AGC性能指标优化方法及其装置，涉及火力发电技术领域。针对待优化火电机组，获取火电机组中锅炉、电机在不同工况下的煤量指令、风量指令、有功功率等数据得到历史数据集；然后对历史数据进行预处理，得到与锅炉性能关联性最高的输入向量；将煤量指令、风量指令等特征向量输入多元线性回归和机器学习算法，计算得到锅炉燃烧性能模型；将锅炉的主蒸汽压力、主蒸汽温度等特征向量输入非线性回归模型，计算得到电机性能模型；在实际工况的限制条件下，基于数据驱动应用优化算法计算优化之后的电机性能指标，并求解该条件下的输入向量。应用本发明专利技术，能实现对火电机组AGC性能的优化，并找到最佳的控制器参数。参数。

【技术实现步骤摘要】
一种火电机组AGC性能指标优化方法及其装置


[0001]本专利技术涉及火力发电
，具体涉及一种火电机组AGC性能指标优化方法及其装置。

技术介绍

[0002]风电、太阳能等新型能源大规模应用于电力系统，但是我国缺乏大规模建设蓄能设备的条件，电网必须依靠火电机组的负荷调整能力，吸收这部分间隙性、强波动电源对电网的冲击，保证电网安全、稳定运行。随着自动发电控制(AGC)机组参与电网调节，使得大型燃煤发电机组发挥了参与电网深度调峰的作用，也使得火电机组经常于深度变负荷下运行。
[0003]目前制定了负荷调节的AGC性能指标，并将其折算成经济指标对发电机组实施奖惩。但是由于AGC性能指标是一个分段式、非线性的综合性指标，该指标与常用的性能指标之间无单调关系，常规的先进控制算法也无法找出其控制系统与该性能指标之间的直接关系，无法通过规律性的调整有针对性的改善AGC性能指标。因此亟需开发一种火电机组AGC性能指标优化方法，结合机组工况参数建立模型对AGC的性能指标进行预测和优化调节。
[0004]为有效改善AGC性能指标，应选择合适的工况点建立数据模型、建立输入数据和主蒸汽压力和温度之间的目标函数、建立主蒸汽压力和温度与机组负荷之间的目标函数、在约束条件下实施优化过程、计算AGC性能指标(调节速率、调节精度、调节时间等)。

技术实现思路

[0005]本专利技术的目的在于提供一种火电机组AGC性能指标优化方法及其装置，解决现有技术中难以建立火电机组工况参数与AGC性能指标的分析计算模型的问题，通过模型对AGC的性能指标进行预测和优化调节。
[0006]为解决上述的技术问题，本专利技术采用以下技术方案：一种火电机组AGC性能指标优化方法，其特征在于包括如下步骤：
[0007]S1、获取待优化火电机组历史数据；
[0008]S1
‑
1、获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL；其中，CV、WV、SP、ST、AL均为带时序数据值，均为浮点数；
[0009]S1
‑
2、使用数据获取模块按照时间间隔T将第S1
‑
1步骤中获取的数据收集汇总；
[0010]S1
‑
3、数据存储模块将数据以时间戳为主键存储在数据库中；
[0011]S2、数据预处理模块对历史数据进行预处理，使用随机森林算法得到影响锅炉性能的高关联度输入变量，对这些变量进行预处理，以时间戳为主键，建立锅炉性能特征输入向量v并存储在数据库中；
[0012]S3、将经过数据处理的锅炉性能特征输入向量v输入到多元线性回归和机器学习算法中，训练出锅炉性能模型，利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性；
[0013]S4、将锅炉主蒸汽压力SP和主蒸汽温度ST的数据输入到非线性回归和机器学习算法中，训练出火电机组电机性能模型，利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性；
[0014]S5、获取火电机组当前的生产参数，包括主蒸汽压力SP、主蒸汽温度ST、机组实际负荷AL，将其输入锅炉性能模型和火电机组电机性能模型，应用遗传算法计算煤量指令值CV、风量指令值WV值，获得最优的火电机组AGC调节性能综合指标Kp；将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组，指导锅炉下一个时间节点内的加煤量和供风量。
[0015]更进一步的技术方案是步骤S1所述时间间隔T不小于1800秒。
[0016]更进一步的技术方案是所述步骤S2的具体过程如下：
[0017]S2
‑
1、将获取的历史数据以秒为单位取值，遇到缺失值，采用插值方法补全；
[0018]S2
‑
2、采用随机森林算法，通过计算输入变量重要性评价指标值，找到与主蒸汽压力SP和主蒸汽温度ST关联性最高的输入变量为煤量指令值CV、风量指令值WV；
[0019]S2
‑
3、以时间戳为主键，构建锅炉性能特征输入向量v：
[0020]v＝(CV
t
，CV
t
‑1，...，CV
t
‑
T
，WV
t
，WV
t
‑1，...，WV
t
‑
T
，SP
t
，SP
t
‑1，...，SP
t
‑
T
，ST
t
，ST
t
‑1，...，ST
t
‑
T
)
[0021]其中，CV
t
是t时刻的煤量指令，CV
t
‑1是t时刻前1秒钟的煤量指令，CV
t
‑
T
是t时刻前T秒钟的煤量指令。WV
t
是t时刻的风量指令，WV
t
‑1是t时刻前1秒钟的风量指令。SP
t
是t时刻的主蒸汽压力值，SP
t
‑1是t时刻前1秒的主蒸汽压力值。ST
t
是t时刻的主蒸汽压力值，ST
t
‑1是t时刻前1秒的主蒸汽压力值。
[0022]S2
‑
4、对输入变量进行数据预处理；
[0023]S2
‑
5、将输入向量存储到数据库中。
[0024]更进一步的技术方案是所述步骤S3的具体过程如下，
[0025]S3
‑
1、从数据库中读取锅炉性能特征输入向量v；
[0026]S3
‑
2、将特征向量输入到多元线性回归和机器学习算法中，训练出锅炉性能模型，算法
[0027]回归模型为：
[0028]E1＝f(CV
t
，CV
t
‑1，...，CV
t
‑
T
，WV
t
，WV
t
‑1，...，WV
t
‑
T
，SP
t
，SP
t
‑1，...，SP
t
‑
T
，ST
t
，ST
t
‑1，...，ST
t
‑
T
)
[0029]其中，CV
t
是t时刻的煤量指令，CV
t
‑1是t时刻前1秒钟的煤量指令，CV
t
‑
T
是t时刻前T秒钟的煤量指令。WV
t
是t时刻的风量指令，WV
t
‑1是t时刻前1秒钟的风量指令。SP
t
是t时刻的主蒸汽压力值，SP
t
‑1是t时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火电机组AGC性能优化方法及其装置，其特征在于包括如下步骤：S1、获取待优化火电机组历史数据；S1
‑
1、获取火电机组中锅炉的煤量指令值CV、风量指令值WV、主蒸汽压力SP、主蒸汽温度ST、实际负荷AL；其中，CV、WV、SP、ST、AL均为带时序数据值，均为浮点数；S1
‑
2、使用数据获取模块按照时间间隔T将第S1
‑
1步骤中获取的数据收集汇总；S1
‑
3、数据存储模块将数据以时间戳为主键存储在数据库中；S2、数据预处理模块对历史数据进行预处理，使用随机森林算法得到影响锅炉性能的高关联度输入变量，对这些变量进行预处理，以时间戳为主键，建立锅炉性能特征输入向量v并存储在数据库中；S3、将经过数据处理的锅炉性能特征输入向量v输入到多元线性回归和机器学习算法中，训练出锅炉性能模型，利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性；S4、将锅炉主蒸汽压力SP和主蒸汽温度ST的数据输入到非线性回归和机器学习算法中，训练出火电机组电机性能模型，利用平均百分比误差MPE和加权平均绝对百分比误差WMAPE来衡量模型的准确性；S5、获取火电机组当前的生产参数，包括主蒸汽压力SP、主蒸汽温度ST、机组实际负荷AL，将其输入锅炉性能模型和火电机组电机性能模型，应用遗传算法计算输入变量煤量指令值CV、风量指令值WV，获得最优的火电机组AGC调节性能综合指标Kp；将计算得到的煤量指令值CV、风量指令值WV作为指令值发送到机组，指导锅炉下一个时间节点内的加煤量和供风量。2.根据权利要求1所述的一种火电机组AGC性能优化方法，其特征在于：步骤S1所述时间间隔T不小于1800秒。3.根据权利要求1所述的一种火电机组AGC性能优化方法，其特征在于：步骤S2的具体过程如下：S2
‑
1、将获取的历史数据以秒为单位取值，遇到缺失值，采用插值方法补全；S2
‑
2、采用随机森林算法，通过计算输入变量重要性评价指标值，找到与主蒸汽压力SP和主蒸汽温度ST关联性最高的输入变量为煤量指令值CV、风量指令值WV；S2
‑
3、以时间戳为主键，构建锅炉性能特征输入向量v：v＝(CV
t
，CV
t
‑1，...，CV
t
‑
T
，WV
t
，WV
t
‑1，...，WV
t
‑
T
，SP
t
，SP
t
‑1，...，SP
t
‑
T
，ST
t
，ST
t
‑1，...，ST
t
‑
T
)其中，CV
t
是t时刻的煤量指令，CV
t
‑1是t时刻前1秒钟的煤量指令，CV
t
‑
T
是t时刻前T秒钟的煤量指令；WV
t
是t时刻的风量指令，WV
t
‑1是t时刻前1秒钟的风量指令。SP
t
是t时刻的主蒸汽压力值，SP
t
‑1是t时刻前1秒的主蒸汽压力值。ST
t
是t时刻的主蒸汽压力值，ST
t
‑1是t时刻前1秒的主蒸汽压力值；S2
‑
4、对输入变量进行数据预处理；S2
‑
5、将输入向量存储到数据库中。4.根据权利要求1所述的一种火电机组AGC性能优化方法，其特征在于：步骤S3的具体过程如下：S3
‑
1、从数据库中读取全部锅炉性能特征输入向量v；
S3
‑
2、将特征向量输入到多元线性回归和机器学习算法中，训练出锅炉性能模型，算法回归模型为：E1＝f(CV
t
，CV
t
‑1，...，CV
t
‑
T
，WV
t
，WV
t
‑1，...，WV
t
‑
T
，SP
t
，SP
t
‑1，...，SP
t
‑
T
，ST
t
，ST
t
‑1，...，ST
t

【专利技术属性】
技术研发人员：陈宇，孙延贞，于忠清，
申请(专利权)人：青岛洪锦智慧能源技术有限公司，
类型：发明
国别省市：