一种汽轮机机器学习方法及系统技术方案

本发明专利技术公开了一种汽轮机机器学习方法及系统，基于第一性原理或经验公式建立汽轮机传统模型，再结合已有汽轮机已有输入输出参数对传统模型进行修正；根据系统设计参数，基于第一性原理或经验公式建立对应汽轮机的发电系统模型，结合已有的发电系统运行数据修正，同时基于已有的发电系统、汽轮机数据训练机器学习模型，分别对修正后的发电系统、汽轮机传统模型与机器学习模型输入更宽的工况，用产生的数据根据数据来源给予不同的权重采用机器学习方法训练汽轮机机器学习伴生模型；本发明专利技术在同样高的精度下，对数据的质量依赖相对较小，需要的数据量更小，实现了更快的运行速度，更宽的工况范围。宽的工况范围。宽的工况范围。

【技术实现步骤摘要】
一种汽轮机机器学习方法及系统


[0001]本专利技术属于热力发电、热力发电控制、汽轮机控制、汽轮机安全运行
，具体涉及一种汽轮机机器学习方法及系统。

技术介绍

[0002]现有的汽轮机伴生仿真技术主要以下四类：
[0003]第一类，基于第一性原理的模型的技术。即基于能量守恒方程、质量守恒方程、动量守恒方程建立的物理仿真模型。优点是需要的数据少，只需要汽轮机相关的主要参数；适应的工况范围宽。缺点是精确度差；模型运行速度缓慢，在涉及时变参数时很难与汽轮机同步运行，难以实现伴生模型的所有主要目的。
[0004]第二类，基于经验公式的技术，往往与第一性原理技术组合使用。比起单纯的第一性原理技术，优点是模型运行速度较第一性原理技术更快，但适应的工况范围变窄。前两类一般称为汽轮机传统模型。
[0005]第三类，基于大数据训练的神经网络等机器学习技术。即使用已有运行数据采用机器学习模拟,预测其输入输出。优点是训练完成后运行速度快，在涉及时变参数的情况下仍然能与汽轮机同时运行，在已有数据范围内可以作为伴生模型使用。缺点是需要大量的已有数据才能使用；高度依赖数据质量；通用性相对较差，随汽轮机的不同变化较大；只能在已有工况数据范围内模拟，适应的工况范围窄。
[0006]第四类，基于三者的结合。主要分为两种，第一种用第一性原理或和经验公式模拟出结果，再用机器学习模拟，属于广义的代理模型。此种技术在保留第一类、第二类模型的优点情况下提高了时变模型的模拟速度，但其它缺点仍然存在。第二种技术以第三类技术为主，在数据范围外部分采用第一类、第二类技术产生的数据训练。此技术拓展了第三类技术可使用的工况范围，并具备一定的通用性。其他优缺点与第三类技术基本相同。
[0007]在发电厂的汽轮机运行中需要对汽轮机进行检测，以对汽轮机性能进行评估；提供性能优化方向，改善汽轮机变工况性能，提高机组效率；为汽轮机维护和检修提供数据。但在汽轮机实际运行中，很多关键参数点位无法布置传感器或布置传感器会造成功率、效率损失等，或因为可能出现故障的区域没有提前布置传感器，导致无法直接获得参数。此时伴生模型可以为汽轮机优化、维护、检修提供精细化分析数据，并且对汽轮机失效等事故进行预警。

技术实现思路

[0008]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种汽轮机机器学习方法及系统，用于解决已有的技术存在精确度差、模型运行速度缓慢，无法实现伴生模型所有功能的问题，或需要大量的已有数据才能使用、高度依赖数据质量、适应的工况范围窄，只能在已有工况数据范围内模拟的技术问题。
[0009]本专利技术采用以下技术方案：
[0010]一种汽轮机机器学习方法，包括以下步骤：
[0011]S1、建立包含时变参数或不包含时变参数的汽轮机传统模型，输入已有的汽轮机运行数据中的输入参数数据集A，得到输出参数数据集B；
[0012]S2、当步骤S1得到的输出参数数据集B与已有汽轮机运行输出参数数据集C的差距δ大于标准，对汽轮机传统模型进行修正，当δ满足标准后得到修正后的汽轮机汽轮机传统模型；
[0013]S3、向步骤S2修正后的汽轮机汽轮机传统模型注入输入参数数据集D，参数数据集D为全工况的汽轮机输入参数，获得输出参数数据集E；向汽轮机机器学习模型注入输入参数数据集D，生成输出参数数据集F；向汽轮机机器学习模型注入输入参数数据集A，生成输出参数数据集H；向修正后的汽轮机汽轮机传统模型注入汽轮机运行输入参数数据集A，获得对应输出参数数据集G；
[0014]S4、基于步骤S3得到的输入参数数据集A和G、A和H、D和E、D和F，使用机器学习方法训练汽轮机机器学习伴生模型，采用监督式学习方法、非监督式学习方法、强化学习或半监督式学习方法，经过参数调优完成机器学习。
[0015]具体的，步骤S1中，输入参数数据集A包括汽轮机进口、汽轮机出口、汽轮机测点和/或汽轮机关键点的流量、压力、温度、焓和干度。
[0016]进一步的，输出参数数据集B包括测点和/或关键点的压力、温度、流量、焓和干度。
[0017]具体的，步骤S2中，采用修正系数法、线性回归法、多项式拟合法对汽轮机传统模型进行修正。
[0018]具体的，步骤S3中，采用已有的汽轮机运行输入参数数据集A和输出参数数据集C，基于神经网络算法或强化学习方法建立汽轮机机器学习模型。
[0019]具体的，步骤S3中，参数数据集D对应的工况包括不在输入参数数据集A对应工况集的工况。
[0020]进一步的，参数数据集D的工况包括故障、失效和正常运行。
[0021]具体的，步骤S4中，输入参数数据集A和H的权重大于A和G的权重，输入参数数据集D和F的权重小于D和E的权重。
[0022]具体的，步骤S4中，向发电系统传统模型输入已有发电系统的输入数据，当输出参数数据集与已有输出参数数据集的差值大于标准，对发电系统传统模型进行修正，当差值满足标准后，输入宽工况参数推算得到汽轮机参数，当汽轮机参数在已有数据范围内时，使用小权重，反之使用大权重，使用机器学习方法训练汽轮机机器学习伴生模型时，分别给予发电系统、汽轮机机器学习模型数据、汽轮机传统模型数据、发电系统传统模型大权重、小权重和更小权重。
[0023]第二方面，本专利技术实施例提供了一种汽轮机机器学习伴生模型建立系统，包括：
[0024]数据模块，建立包含时变参数或不包含时变参数的汽轮机传统模型，输入已有的汽轮机运行数据中的输入参数数据集A，得到输出参数数据集B；
[0025]修正模块，当数据模块得到的输出参数数据集B与已有汽轮机运行输出参数数据集C的差距δ大于标准，对汽轮机传统模型进行修正，当δ满足标准后得到修正后的汽轮机汽轮机传统模型；
[0026]输入模块，向修正模块修正后的汽轮机汽轮机传统模型注入输入参数数据集D，参
数数据集D为全工况的汽轮机输入参数，获得输出参数数据集E；向汽轮机机器学习模型注入输入参数数据集D，生成输出参数数据集F；向汽轮机机器学习模型注入输入参数数据集A，生成输出参数数据集H；向修正后的汽轮机汽轮机传统模型注入汽轮机运行输入参数数据集A，获得对应输出参数数据集G；
[0027]建立模块，基于输入模块得到的输入参数数据集A和G、A和H、D和E、D和F，使用机器学习方法训练汽轮机机器学习伴生模型，采用监督式学习方法、非监督式学习方法、强化学习或半监督式学习方法，经过参数调优完成机器学习。
[0028]与现有技术相比，本专利技术至少具有以下有益效果：
[0029]一种汽轮机机器学习方法，由于基于传统模型生成了部分数据，所以相比单纯的机器学习模型，本模型方法需要的数据更少，对数据质量依赖更小，可以适应已有数据外的工况范围；由于本方法经过修正，较精确的传统模型降低了模型建立的复杂度同时保证了足够的精度，降低了模型建立难度；较采用近似的传统模型提高了精度；本方法采用了机器学习吸收传统模型后输出数据，提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽轮机机器学习方法，其特征在于，包括以下步骤：S1、建立包含时变参数或不包含时变参数的汽轮机传统模型，输入已有的汽轮机运行数据中的输入参数数据集A，得到输出参数数据集B；S2、当步骤S1得到的输出参数数据集B与已有汽轮机运行输出参数数据集C的差距δ大于标准，对汽轮机传统模型进行修正，当δ满足标准后得到修正后的汽轮机汽轮机传统模型；S3、向步骤S2修正后的汽轮机汽轮机传统模型注入输入参数数据集D，参数数据集D为全工况的汽轮机输入参数，获得输出参数数据集E；向汽轮机机器学习模型注入输入参数数据集D，生成输出参数数据集F；向汽轮机机器学习模型注入输入参数数据集A，生成输出参数数据集H；向修正后的汽轮机汽轮机传统模型注入汽轮机运行输入参数数据集A，获得对应输出参数数据集G；S4、基于步骤S3得到的输入参数数据集A和G、A和H、D和E、D和F，使用机器学习方法训练汽轮机机器学习伴生模型，采用监督式学习方法、非监督式学习方法、强化学习或半监督式学习方法，经过参数调优完成机器学习。2.根据权利要求1所述的汽轮机机器学习方法，其特征在于，步骤S1中，输入参数数据集A包括汽轮机进口、汽轮机出口、汽轮机测点和/或汽轮机关键点的流量、压力、温度、焓和干度。3.根据权利要求2所述的汽轮机机器学习方法，其特征在于，输出参数数据集B包括测点和/或关键点的压力、温度、流量、焓和干度。4.根据权利要求1所述的汽轮机机器学习方法，其特征在于，步骤S2中，采用修正系数法、线性回归法、多项式拟合法对汽轮机传统模型进行修正。5.根据权利要求1所述的汽轮机机器学习方法，其特征在于，步骤S3中，采用已有的汽轮机运行输入参数数据集A和输出参数数据集C，基于神经网络算法或强化学习方法建立汽轮机机器学习模型。6.根据权利要求1所述的汽轮机机器学习方法，其特征在于，步骤S3中，参数数据集D对应的工况包括不在输入参数数据集A对应工况集的工况。7.根据权利...

【专利技术属性】
技术研发人员：王江峰，程梓洋，王顺森，程上方，娄聚伟，王子彦，陈良奇，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：