一种高压加热器系统端差煤耗优化调节方法技术方案

本发明专利技术公开了一种高压加热器系统端差煤耗优化调节方法，涉及热电设备技术领域，通过两个角度来改善高压加热器系统运行环境，一是通过人工智能算法自动避免高压加热器系统的非计划停运，从而间接的降低了煤耗量，提高整个机组的热经济性；二是通过人工智能算法自动化搜索最优的高压加热器系统调节方案，有效降低了整个高压加热器系统运行的煤耗，同时在高压加热器系统系统上实现自主调节，减少了不必要的专业人员配置，最大限度的提高了整个系统的热经济性，极大的满足了目前市场提倡的低碳经济。经济。经济。

【技术实现步骤摘要】
一种高压加热器系统端差煤耗优化调节方法


[0001]本专利技术涉及热电设备
，特别是涉及一种高压加热器系统端差煤耗优化调节方法。

技术介绍

[0002]当前高压加热器系统领域内，高压加热器非计划停运时，汽轮发电机组发电出力将降低8%
‑
12%，发电煤耗将上升3%
‑
5%，锅炉的水冷壁管也容易因超温而受到损伤，这将直接影响到发电机组出力以及整个发电厂的热经济性。
[0003]另外目前高压加热器系统主要通过系统经验来调节各项可控指标，以此来尽量保证系统安全、稳定的运行环境，但是在系统实际运行过程中，要想通过经验调节来最大限度提高系统热经济性，势必对高加系统管理配置人员的业务水平要求极高，耗费大量人力物力，且通过经验调节指标也不能真实保证较优的热经济性，针对目前全国提倡低碳经济现状，设计更有效控制系统和调节方案来打造真实的低碳经济势在必行。

技术实现思路

[0004]为了解决以上技术问题，本专利技术提供一种高压加热器系统端差煤耗优化调节方法，其特征在于：包括直接降低煤耗方法和间接降低煤耗方法，间接降低煤耗方法设置为智能化避免机组非计划停运方法，直接降低煤耗方法设置为智能化自动搜索最优调解方案方法，智能化避免机组非计划停运方法包括以下步骤A1、对工况数据进行采集，采用异常检测算法对工况数据进行多变量异常检测，将异常比例设置为5%，根据异常比例将工况数据筛分为正常数据集和异常数据集；A2、对正常数据和异常数据建立二分类模型，并针对异常数据建立异常数据关系模型；A3、结合工程师确定的经常故障点和异常数据关系模型，确定故障原因；A4、针对故障原因进行对应检修；智能化自动搜索最优调解方案方法包括以下步骤B1、针对步骤A2中的正常数据建立正常数据关系模型；B2、针对高压加热器各级上下端差与各输入指标建立关系模型；B3、针对高压加热器煤耗与各级上下端差建立关系模型；B4、针对高压加热器煤耗与各输入指标建立关系模型；B5、上述步骤B2、B3、B4同时进行，对步骤B2、B3、B4中建立的关系模型进行训练测试，直至高压加热器各级上下端差和高压加热器煤耗的均方误差均在固定范围内；B6、将上述步骤B2、B3、B4中建立的关系模型作为代理函数，建立多目标优化模型，确定需要调节的一组工况数据，对该组工况数据进行异常检测，采用遗传算法寻优，自动生成一系列调节方案；
B7、针对煤耗变化量与各输入指标变化量建立关系模型，利用随机森林算法实现二分类，分为降低煤耗和增加煤耗，从上一步骤中生成的一系列调节方案中筛选出降低煤耗的调节方案；B8、采用步骤A1中所述的异常检测算法对步骤B7中筛选出的调节方案进行异常检测；判断是否有近似的历史工况数据与该调节方案对应，预先设定最大距离间隔，将该调节方案与需要调节的工况数据附近几轮训练模型中的训练数据集进行欧式距离比对，判断其是否在最大距离间隔内；对该方案进行仿真机测试，测试该方案能否正常运行以及运行后的结果是否减少了煤耗；当调节方案同时被检测为正常数据、在最大距离间隔内以及通过仿真机测试时，则此调节方案为最优调节方案。
[0005]本专利技术进一步限定的技术方案是：进一步的，步骤A1中，异常检测算法设置为孤立森林异常检测算法。
[0006]前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B2、B3、B4中，均采用岭回归、滑动窗口以及数据加权方法进行建模。
[0007]前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B5中，输入指标设置为38个，且包括可控指标和不可控指标，关系模型的训练测试方法设置为：每30000个样本数据训练一个模型，相邻的100个样本数据作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动100个样本数据重新训练测试模型，直到训练测试完所有数据集。
[0008]前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B5中，在对步骤B2、B3、B4中建立的关系模型进行训练测试前，先对三者的关系模型进行降维，根据三组关系模型中参数的重要性排名，将输入指标设置为14个，且输入指标仅包括可控指标，相应的，关系模型的训练测试方法设置为：每2000个样本数据训练一个模型，相邻的20个样本作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动20个样本数据重新训练测试模型，直到训练测试完所有数据集。
[0009]前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B6中，采用步骤A1中所述的异常检测算法对多目标优化模型进行异常检测，预设有一高压加热器系统调动频率，根据此频率和历史数据在此调动间隔内，将最大调节上下限设置为输入指标的最大上下波动范围。
[0010]本专利技术的有益效果是：（1）本专利技术中，通过两个角度来改善高压加热器系统运行环境，一是通过人工智能算法自动避免高压加热器系统的非计划停运，从而间接的降低了煤耗量，提高整个机组的热经济性；二是通过人工智能算法自动化搜索最优的高压加热器系统调节方案，有效降低了整个高压加热器系统运行的煤耗，同时在高压加热器系统系统上实现自主调节，减少了不必要的专业人员配置，最大限度的提高了整个系统的热经济性，极大的满足了目前市场提倡的低碳经济；（2）本专利技术中，三组关系模型的训练测试方法中，样本数据的数量设置，一方面使得整个算法的运行速度更加快速，另一发面也不会影响其训练测试效果，提高了整个算法的及时性和准确性；（3）本专利技术中，岭回归、滑动窗口以及数据加权的建模方法可以进一步的消除高压加热器系统本身的连贯性、时间以及外界环境等设备的影响；三组关系模型的降维操作，使
得调节方案的实施更加顺利；（4）本专利技术中，将调节方案与训练数据集进行欧氏距离比对，由于两者处于同一时期，所以具有相同的环境温度等相同必要环境特征，从而可以有效的避免由于需要比较的数据量巨大而造成运行速度变慢的不利影响。
附图说明
[0011]图1为本专利技术的算法具体实施流程图。
具体实施方式
[0012]本实施例提供的一种高压加热器系统端差煤耗优化调节方法，结构如图1所示，包括直接降低煤耗方法和间接降低煤耗方法，间接降低煤耗方法设置为智能化避免机组非计划停运方法，直接降低煤耗方法设置为智能化自动搜索最优调解方案方法。
[0013]智能化避免机组非计划停运方法包括以下步骤A1、对工况数据进行采集，每一组工况数据包含45个指标特征，每间隔30s一次取数产生一组工况数据，取数时间为2020年3月初至12月底，总共数据集有700000条样本数据，采用异常检测算法对工况数据进行多变量异常检测，异常检测算法设置为孤立森林异常检测算法，异常比例设置为5%，将工况数据筛分为正常数据集和异常数据集；异常数据出现的时刻与高压加热器的停运时刻进行对比，由于异常数据（95%）出现在机组停运前后，所以基本可以确认异常数据的真实性。
[0014]A2、对正常数据和异常数据（95%）建立二分类模型，并针对异常数据建立异常数据关系模型。
[0015]A3、结合工程师确定的经常故障点和异常数据关系模型，确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高压加热器系统端差煤耗优化调节方法，其特征在于：包括直接降低煤耗方法和间接降低煤耗方法，间接降低煤耗方法设置为智能化避免机组非计划停运方法，直接降低煤耗方法设置为智能化自动搜索最优调解方案方法，智能化避免机组非计划停运方法包括以下步骤A1、对工况数据进行采集，采用异常检测算法对工况数据进行多变量异常检测，将异常比例设置为5%，根据异常比例将工况数据筛分为正常数据集和异常数据集；A2、对正常数据和异常数据建立二分类模型，并针对异常数据建立异常数据关系模型；A3、结合工程师确定的经常故障点和异常数据关系模型，确定故障原因；A4、针对故障原因进行对应检修；智能化自动搜索最优调解方案方法包括以下步骤B1、针对步骤A2中的正常数据建立正常数据关系模型；B2、针对高压加热器各级上下端差与各输入指标建立关系模型；B3、针对高压加热器煤耗与各级上下端差建立关系模型；B4、针对高压加热器煤耗与各输入指标建立关系模型；B5、上述步骤B2、B3、B4同时进行，对步骤B2、B3、B4中建立的关系模型进行训练测试，直至高压加热器各级上下端差和高压加热器煤耗的均方误差均在固定范围内；B6、将上述步骤B2、B3、B4中建立的关系模型作为代理函数，建立多目标优化模型，确定需要调节的一组工况数据，对该组工况数据进行异常检测，采用遗传算法寻优，自动生成一系列调节方案；B7、针对煤耗变化量与各输入指标变化量建立关系模型，利用随机森林算法实现二分类，分为降低煤耗和增加煤耗，从上一步骤中生成的一系列调节方案中筛选出降低煤耗的调节方案；B8、采用步骤A1中所述的异常检测算法对步骤B7中筛选出的调节方案进行异常检测；判断是否有近似的历史工况数据与该调节方案对应，预先设定最大距离间隔，将该调节方案与需要调节的工况数据附近几轮训练模型中的训练数据集进行欧式距离比对，判断其是否在最大距离间隔内...

【专利技术属性】
技术研发人员：项敏，宫照海，王凤雷，时春，
申请(专利权)人：江苏未来智慧信息科技有限公司，
类型：发明
国别省市：