汽轮机伴生模型建立方法技术

本发明专利技术涉及一种汽轮机伴生模型建立方法，包括：1)构建传统汽轮机模型；2)注入已有的汽轮机运行数据中的输入数据集A，得到输出数据集B；3)将输出数据集B和已有汽轮机输出数据集C进行比较，根据差距δ判断是否需要对传统汽轮机模型进行修正，若是，则修正后进行步骤4)；若否，则直接进行步骤4)；4)向传统汽轮机模型中或修正后的传统汽轮机模型中注入输入参数数据集D，得到输出参数数据集E；5)使用已有的汽轮机运行数据中的输入参数数据集A、已有汽轮机输出参数数据集C、输入参数数据集D以及输出参数数据集E在汽轮机机器学习模型中进行训练，最终得到汽轮机伴生模型。本发明专利技术在同等精度下运行速度更快、适应工况范围更宽。适应工况范围更宽。适应工况范围更宽。

【技术实现步骤摘要】
汽轮机伴生模型建立方法


[0001]本专利技术属于汽轮机安全运行领域，涉及一种汽轮机伴生模型建立方法，尤其涉及一种用于拓宽汽轮机仿真模型工况范围以及可提高运行速度的汽轮机伴生模型建立方法。

技术介绍

[0002]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。此时汽轮机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。
[0003]现有的汽轮机伴生仿真技术主要有三类。
[0004]一类是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。
[0005]第二类是主要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。前两类一般称为传统模型。
[0006]第三类是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；只能在已有工况数据范围内模拟，适应的工况范围窄。

技术实现思路

[0007]为了解决
技术介绍
中存在的上述技术问题，本专利技术提供了一种在同等精度下运行速度更快、适应工况范围更宽以及可在已有数据的工况条件下使用的汽轮机伴生模型建立方法。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]一种汽轮机伴生模型建立方法，其特征在于：所述汽轮机伴生模型建立方法包括以下步骤：
[0010]1)根据汽轮机设计参数构建传统汽轮机模型；
[0011]2)在步骤1)构建得到的传统汽轮机模型中注入已有的汽轮机运行数据中的输入数据集A，得到输出数据集B；
[0012]3)将步骤2)获取得到的输出数据集B和与已有的汽轮机运行数据中的输入数据集A所对应的已有汽轮机输出数据集C进行比较，根据输出数据集B和已有汽轮机输出数据集C
的差距δ判断是否需要对传统汽轮机模型进行修正，若需要修正，则将传统汽轮机模型进行修正，得到修正后的传统汽轮机模型的同时进行步骤4)；若非需要修正，则采用传统汽轮机模型并直接进行步骤4)；
[0013]4)向传统汽轮机模型中或修正后的传统汽轮机模型中注入输入参数数据集D，经过传统汽轮机模型或修正后的传统汽轮机模型后得到输出参数数据集E；所述输入参数数据集D比已有的汽轮机运行数据中的输入数据集A以及已有汽轮机输出数据集C所对应的工况具有更宽工况；
[0014]5)使用已有的汽轮机运行数据中的输入参数数据集A、已有汽轮机输出参数数据集C、输入参数数据集D以及步骤4)得到的输出参数数据集E在汽轮机机器学习模型中进行训练，最终得到汽轮机伴生模型。
[0015]上述步骤1)的具体实现方式是：根据汽轮机的设计参数以及第一性原理建立包含时变参数或非包含时变参数的传统汽轮机模型。
[0016]上述已有的汽轮机运行数据中的输入数据集A是直接测量的结果或由直接测量结果解算得到的参数；所述直接测量的结果是汽轮机进口流量、汽轮机进口压力和/或温度、汽轮机出口流量、汽轮机出口压力和/或温度、汽轮机监控点的流量以及汽轮机监控点的压力和/或温度；所述由直接测量结果解算得到的参数是焓、熵和/或干度。
[0017]上述输出数据集B是直接测量的结果或由直接测量结果解算得到的参数；所述直接测量的结果是某测点的压力、温度和/或流量；所述由直接测量结果解算得到的参数是焓、熵和/或干度。
[0018]上述步骤3)中的修正的具体方式是修正系数法、线性回归法和/或多项式拟合法。
[0019]上述输入参数数据集D包括汽轮机故障工况以及失效工况时的汽轮机输入参数。
[0020]上述步骤5)中训练的方式是监督式学习方法、非监督式学习方法、强化学习和/或半监督式学习方法。
[0021]本专利技术的优点是：
[0022]本专利技术公开了一种汽轮机伴生模型建立方法，包括：1)根据汽轮机设计参数构建传统汽轮机模型；2)在步骤1)构建得到的传统汽轮机模型中注入已有的汽轮机运行数据中的输入数据集A，得到输出数据集B；3)将步骤2)获取得到的输出数据集B和与已有的汽轮机运行数据中的输入数据集A所对应的已有汽轮机输出数据集C进行比较，根据输出数据集B和已有汽轮机输出数据集C的差距δ判断是否需要对传统汽轮机模型进行修正，若需要修正，则将传统汽轮机模型进行修正，得到修正后的传统汽轮机模型的同时进行步骤4)；若非需要修正，则采用传统汽轮机模型并直接进行步骤4)；4)向传统汽轮机模型中或修正后的传统汽轮机模型中注入输入参数数据集D，经过传统汽轮机模型或修正后的传统汽轮机模型后得到输出参数数据集E；输入参数数据集D比已有的汽轮机运行数据中的输入数据集A以及已有汽轮机输出数据集C所对应的工况具有更宽工况；5)使用已有的汽轮机运行数据中的输入参数数据集A、已有汽轮机输出参数数据集C、输入参数数据集D以及步骤4)得到的输出参数数据集E在汽轮机机器学习模型中进行训练，最终得到汽轮机伴生模型。本专利技术是先基于第一性原理或经验公式建立传统汽轮机模型，再结合已有汽轮机已有输入输出参数对模型进行修正。对修正后的传统汽轮机模型输入更宽工况范围的参数，获得对应的输出数据。使用汽轮机模型输入输出数据与汽轮机已有的真实运行数据基于机器学习算法建立
汽轮机伴生模型。本专利技术在同样高的精度下，采用本方法可以降低模型对数据的质量依赖，提高模型的运行速度，拓宽模型适应的工况范围。本专利技术相比于传统模型方法，本方法训练完成后精度高，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。相比于一般机器学习模型方法，本专利技术需要的数据更少，可以适应已有数据范围外的工况。总的来说在同样高的精度下，采用本方法可以降低模型对数据的质量依赖，需要的数据量更小；可以提高模型的运行速度，有助于建立伴生模型；能够拓宽模型适应的工况范围，可以在已有数据的工况范围外使用。本专利技术克服了已有的技术存在精确度差、模型运行速度缓慢，或需要大量的已有数据才能使用、适应的工况范围窄，只能在已有工况数据范围内模拟等问题。本专利技术综合了已有技术的优点，同时避免了主要缺点。在同样的精度下，实现了更快的运行速度；适应的工况范围宽，可以在已有数据的工况范围外使用。
附图说明
[0023]图1是本专利技术所提供的汽轮机伴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽轮机伴生模型建立方法，其特征在于：所述汽轮机伴生模型建立方法包括以下步骤：1)根据汽轮机设计参数构建传统汽轮机模型；2)在步骤1)构建得到的传统汽轮机模型中注入已有的汽轮机运行数据中的输入数据集A，得到输出数据集B；3)将步骤2)获取得到的输出数据集B和与已有的汽轮机运行数据中的输入数据集A所对应的已有汽轮机输出数据集C进行比较，根据输出数据集B和已有汽轮机输出数据集C的差距δ判断是否需要对传统汽轮机模型进行修正，若需要修正，则将传统汽轮机模型进行修正，得到修正后的传统汽轮机模型的同时进行步骤4)；若非需要修正，则采用传统汽轮机模型并直接进行步骤4)；4)向传统汽轮机模型中或修正后的传统汽轮机模型中注入输入参数数据集D，经过传统汽轮机模型或修正后的传统汽轮机模型后得到输出参数数据集E；所述输入参数数据集D比已有的汽轮机运行数据中的输入数据集A以及已有汽轮机输出数据集C所对应的工况具有更宽工况；5)使用已有的汽轮机运行数据中的输入参数数据集A、已有汽轮机输出参数数据集C、输入参数数据集D以及步骤4)得到的输出参数数据集E在汽轮机机器学习模型中进行训练，最终得到汽轮机伴生模型。2.根据权利要求1所述的汽轮机伴生模型建立方法，其特征在于：所述步骤1)的具体实现方式是：根据汽轮机...

【专利技术属性】
技术研发人员：张海军，李铭，刘超辉，程梓洋，王子彦，王顺森，程上方，王江峰，
申请(专利权)人：国能长源汉川发电有限公司，
类型：发明
国别省市：