一种机组负荷双重智能优化控制方法
一种机组负荷双重智能优化控制方法
【技术领域】
[0001] 本发明设及一种基于负荷预测模型和凝结水节流的机组负荷双重智能优化控制 方法，属于发电技术领域。
【背景技术】
[0002] 大容量超（超）临界燃煤机组因在节能、降耗和减少环境污染等方面具有明显的 优势已逐渐成为电网的主力机组。电网供电质量指标的不断提高，要求大容量超（超）临 界机组应具备一次调频、自动发电量控制（AGC)等功能，同时也对超临界机组的负荷响应 速率、调节精度等提出了很高的要求（希望每分钟的负荷变化量能够达到机组额定负荷的 1.5%到2%甚至更高）。由于协调控制系统肋巧需兼顾负荷、主汽压力的控制偏差，化及 锅炉本身的大惯性、大时延特性，使得机组负荷响应速率的提高十分困难，且容易引起主汽 压、主汽温等参数的大幅波动。因此如何满足电网对机组负荷调节的快速性要求，确保火电 机组长期安全可靠运行，就成为有关技术人员所面临的难题。
[0003] 此外，当超临界机组负荷较高，处于"直流"阶段运行时，现有的控制对象模型一般 将直流锅炉汽轮机组简化为一个3输入3输出的非线性对象，用于描述给水量W(t/h)、燃料 量B(t/h)、汽机调口开度y(%)S个控制输入与机组功率Ne(MW)、主汽压力Ps(MPa)及中 间点温度0rC)或洽值h(kj/kg)S个输出参数间的非线性强禪合关系。但该种模型存在 W下不足：
[0004] (a)与机组功率直接相关的热端参数为锅炉末级过热器出口汽温，并非中间点温 度，而超临界锅炉的末级过热器出口汽温除与水煤比（即；给水量W与燃料量B的比值）直 接相关外，动态变负荷过程中受各级过热器喷水减温量影响较大，该在上述模型中没有体 现；
[0005] 化）汽轮机组的中、低压缸做功份额约占到机组总功率的2/3,而中低压缸做功能 力与再热汽压、再热汽温两个初参数有很大关系，该在上述模型中也没有反映；
[0006] (C)凝汽器真空（背压）作为机组的重要冷端参数，受循环水累、真空累、机组轴封 运行情况等多种因素的影响，真空变化对机组出力和机组运行的经济性有很大影响，上述 模型中没有考虑；
[0007] (d)大型超临界汽轮机组的高、中、低压缸均设置了至少8段W上的回热抽汽，运 行中各种原因导致的各级回热循环抽汽量的突变（如高压加热器解列、凝结水流量突变 等），均会对汽轮机做功在较短时间产生影响，上述模型无法反映。
[0008] 也就是说，现有的简化模型忽略因素较多，使得模型输出的负荷预测值精度不高， 抗干扰能力较差，影响了模型在工程中的实际应用效果。因此，充分考虑大容量汽轮机的热 端、冷端及回热循环侧的相关可控参数，建立能够准确预测汽轮机组功率的数学模型，对提 高机组深度调峰能力，确保火电机组长期安全可靠运行具有重要意义。
【发明内容】
[0009] 本发明的目的在于针对现有技术之弊端，提供一种机组负荷双重智能优化控制方 法，W提高机组负荷的控制水平，保证火电机组安全可靠运行。
[0010] 本发明所述问题是W下述技术方案解决的：
[0011] 一种机组负荷双重智能优化控制方法，所述方法首先建立计及凝结水节流的超临 界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验 证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节 阀开度和汽轮机调口开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿 信号叠加至相应的控制信号上对机组实施优化控制。
[0012] 上述机组负荷双重智能优化控制方法，具体步骤如下：
[0013] a.建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤为：
[0014] ①选取模型输入和输出参数
[0015]模型的输入参数包括主汽压P,(MPa)、主汽温度L(°C)、再热汽压Pf(MPa)、再热汽 温Tf(°C)、给水流量W(tA)、凝汽器真空Vt(KPa)、汽机调口开度y(% )和除氧器水位调 节阀开度^。（％)，输出参数为机组负荷N,(MW);
[0016] ②确定模型结构
[0017] 建立具有j个输入参数（Ui，U2,…，Uj.)和一个输出参数y的非线性自回归滑动平 均（NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数Ui在k时 刻和过去n个时刻的值Ui化)、Ui化-1)，…，u^k-n)及输出参数y在过去m个时刻的值 y化-1),y化-2),…，y化-m)相关，其结构的具体表达式为；
[0018]y化）=g[y化-1),. . . ,y化-m)叫化)，Ui化-1).. .，UiGc-n).;UjG0,Uj化-1).. .，Uj化-n)];
[0019] ⑨模型训练样本的获取和数据的预处理
[0020] 提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入 参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所 有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：
[00引]Y = (Ymax-Ymin) * (X-Xmin) /^(Xmax-Xm J +Ymin
[0022]式中；X，Y分别为参数的实际值和标称值，Xmi。、Xm"分别为参数在机组升降负荷过 程中的最小值和最大值，Ymi。、Ym"分别为归一化处理后参数的最小值和最大值；
[0023] ④用训练样本对模型进行训练和验证；
[0024] b.用训练好的预测模型对机组负荷进行优化控制，具体步骤为：
[002引①对机组负荷设定值Nwt与目标值N 进行实时监测，若Nwt声Nt,wt，则利用 神经网络负荷预测模型，根据主汽压力Ps(MPa)、主汽温度L(°C)、再热汽压Pf(MPa)、再热 汽温Tt(°C)、给水流量W(t/h)、凝汽器真空Vt(KPa)、汽机调口开度y(% )的实时参数，对 除氧器水位调节阀口开度^。（％ )进行寻优计算，即将上述实时参数与除氧器水位调节阀 口开度^。（％)输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀口开度 y。（％ )的值，取其中模型输出的负荷预测值N'。与负荷设定值Nwt偏差最小的除氧器水位 调口控制指令为优化后的结果，然后将优化结果与原除氧器水位调口开度指令的差值作为 实时补偿信号叠加至原除氧器水位调节器输出上对调口施加控制；
[0026] ②当机组负荷设定值到达目标值（Nwt=NJ，且负荷偏差小于设定值时，时，再 次调用神经网络负荷预测模型，根据当前的主汽压力P,(MPa)、主汽温度L(°C)、再热汽压Pf(MPa)、再热汽温Tt(°C)、给水流量W(tA)、凝汽器真空Vt(KPa)、除氧器水位调节阀口开 度^。（％ )等实时参数，对汽机调口开度y(% )进行寻优计算，即将上述实时参数与汽机 调口开度y(% )输入预测模型的同时，采用定步长增减方法改变模型输入中汽机调口开 度y(%)的值，取其中模型输出的负荷预测值N'。与负荷设定值Nwt偏差最小的汽机调口 控制指令为优化后的结果，然后将汽机调口优化结果与原汽机主控输出（汽机调口开度指 令）的偏差作为补偿信号叠加至汽机主控输出送至汽机调口实施优化控制；
[0027] ⑨当除氧器水位设定值Lwt回到原始值L wt。，除氧器水位调节阀补偿信号回零，且 机组实际负 荷N。达到目标值Ntawt时，机组切回原控制。
[0028] 上述机组负荷双重智能优化控制方法，所述神经网络预测模型需要通过离线训练 和在线测试进行优化，具体步骤为；（1)分别针对不同输入、输出时延阶次n、m取值，通过比 较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数。
[0029] 依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、 训练方法、训练参数及最小均方误差（MS巧指标，分别对各模型进行训练，比较训练完成后 各模型输出在整个训练样本集的MSE。在满足MSE精度指标的前提下，选择隐层单元较少 的模型为优化的模型结构，最终建立满足MSE指标的n*m个模型；（2)在不同n、m取值的共 n*m个模型均训练完成后，将模型并入实际机组（或仿真系统），对机组（或仿真系统）施 加各种扰动（包括协调方式变负荷扰动、燃料量扰动，调口开度扰动、除氧器水位设定值扰 动及凝汽器真空扰动等），通过通讯接口程序按固定的采样周期实时获取机组各种扰动下 模型的输入数据，利用模型进行负荷实时预测，对不同扰动下模型的负荷预测值和机组实 际负荷值进行比较，采用预测时间段的均方误差（MS巧指标评估模型的预测性能，选取均 方误差（MS巧最小的模型的n、m取值作为最优时延阶次，从而找到最优的模型结构。
[0030] 上述机组负荷双重智能优化控制方法，在利用除氧器水位调节阀口开度^。（％ ) 的优化结果对调口施加控制的过程中，为防止除氧器水位实际值L与设定值Lwt偏差过大 导致水位调节切手动，应对除氧器水位设定值进行实时修正，使其自初始设定值Lwt。开始 始终有偏差地跟踪除氧器的实际水位L即Lwt=L+a，该里a可取正值和负值。
[0031] 上述机组负荷双重智能优化控制方法，在利用除氧器水位调节阀口开度^。（％ ) 的优化结果对调口施加控制的过程中，为防止除氧器水位超限威胁机组运行安全，应设置 除氧器水位上限Lm"和水位低限Lmi。，当除氧器水位上升到上限Lm"时，利用除氧器溢流阀 和紧急疏水阀把多余的凝结水排放到疏水扩容器；当除氧器水位下降到低限Lmi。时，通过 控制凝汽器储水箱的除氧器紧急补水阀口的开度，使除氧器水位不低于低限值，防止给水 累因除氧器水位低跳闽。
[0032] 本发明在充分考虑大容量汽轮机热端、冷端及回热循环侧的相关可控参数的基础 上建立了汽轮机组负荷的数学模型，并先后两次利用负荷预测模型分别对除氧器水位调节 阀开度和汽轮机调口开度进行优化，不仅可提高汽轮机在动态变负荷过程中的负荷响应速 率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程 中机组负荷的调节精度。将该方法应用于实际机组，可大大提高机组的深度调峰能力，确保 火电机组长期安全可靠运行。
【附图说明】
[0033] 下面结合附图对本发明作进一步详述。
[0034] 图1是本发明所设及的凝结水及低压回热抽汽系统的简化流程图；
[00巧]图2是负荷预测神经网络模型结构图；
[0036] 图3是基于模型的凝节水节流负荷双重智能优化控制流程图；
[0037] 图4是凝结水节流优化补偿控制方法实现原理图；
[0038] 图5a-图5d是600丽至570丽降负荷过程控制效果对比图；
[0039] 图6a-图6d是570丽至540丽降负荷过程控制效果对比图。
[0040]文中各符号为A(MPa)、主汽压，L(°C)、主汽温度，Pf(MPa)、再热汽压，Tt(°C)、再 热汽温，W(tA)、给水流量，Vt(KPa)、凝汽器真空，y(%)、汽机调口开度，^。（％)、除氧器 水位调节阀开度，N,(MW)、机组负荷，y、预测模型的输出参数，Ui，U2,…，Uj.、预测模型的输入 参数，X，Y分别为参数的实际值和标称值，Xmi。、Xm"分别为参数在机组升降负荷过程中的最 小值和最大值，Ymi。、Ym"分别为归一化处理后参数的最小值和最大值，Nwt为机组负荷设定 值N,et，Ntawt为机组负荷目标值，N为模型输出的负荷预测值，为除氧器水位上限，Lmi。 为除氧器水位低限。
【具体实施方式】
[0041] 针对【背景技术】提到的大型超临界机组中现有协调控制系统（CC巧难W满足电网 的负荷响应快速性要求、容易引起主汽压与主汽温等参数大幅波动的缺点，本发明建立了 计及凝结水节流的汽轮机组负荷预测神经网络模型，并进而提出一种基于智能模型的机组 负荷双重智能优化控制方法。本发明主要包括两部分内容。
[0042] 1.建立计及凝结水节流的汽轮机组负荷预测神经网络模型，包括W下具体步骤：
[0043] (1)选取模型输入、输出参数
[0044]采用除氧器水位调口开度来代替凝结水流量作为模型输入，选取主汽压P, (MPa)、 主汽温度L(°C)、再热汽压Pf(MPa)、再热汽温Tt(°C)、给水流量W(t/h)、凝汽器真空 Vc(KPa)、汽机调口开度y(%)及除氧器水位调节阀开度^。（％)共8个输入参数，机组负 荷N,(MW)共1个输出参数来建立汽轮机组的负荷预测模型。
[0045] (2)确定模型结构
[0046] 在建立机组神经网络负荷预测模型时，并非直接利用上述8个输入参数、1个输出 参数来建模，而是W前向多阶层神经网络（如BP神经网络）为基础，采用具有j个输入参 数（Ui，U2,…，Uj.)和1个输出参数y的非线性自回归滑动平均（NARMA)模型结构，且认为 模型在k时刻的输出参数y化）与模型各输入参数Ui在k时刻和过去n个时刻的值Ui化)、 Ui(k-1)，…，Ui化-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),…，y化-m)相关。 该非线性模型的具体表达式如下：
[0047] y 化）=g[y 化-1), . . . , y 化-m)叫化)，Ui 化-1). . . , Ui 化-n) . ;Uj 化)，Uj 化-1).. .，Uj(；k-n)] (1)
[0048] 上述模型采用神经网络具体实现时，建立的模型具有与被建模非线性系统相同的 结构，即；
[0049] .叫0=纯心仍-1)，.,如/(-丹?)典1(林巧(*-1).,.办脚-");...;?,.(0,1'如-：1).,.兴,咕-,?)] (2)
[0050] (3)模型训练样本获取和数据预处理
[0051] 在模型训练样本选取方面，为使负荷预测模型全面反映汽轮发电机组的负荷特 性，选取的样本数据应包含模型将来实际应用时的机组负荷调节范围，并能正确反映各种 输入扰动下的负荷变化特征。为此，本发明建模时提取的样本数据包括机组不同稳态负荷 点数据、变负荷动态过渡过程中的原始数据及各主要输入参数扰动下的负荷变化数据，W 确保获取的训练样本数据工况较为全面、各输入参数的激励较为充分。
[0052] 考虑模型验证W及实际应用时，数据的取值范围与训练数据范围可能不同，因此 结合各参数在机组升降负荷过程中可能的最大变化范围，人工确定各参数规整化的最大、 最小值，对所有模型离线训练及在线校验数据均W此为基准对数据进行规整。具体采用的 归一化公式为：
[005引Y= (Ymax-YmJ* (X-XmJ/^(Xmax-XmJ+Ymin 做
[0054] 式做中；[XmwXmJ为手工确定的参数实际取值范围，[Ymin，YmJ为标称化后 参 数取值范围，该里取[-1，+1] ;x，Y分别为参数实际值和标称值。
[0055] (4)模型训练和验证
[0056] 负荷预测模型训练的基本原理是基于误差反向传播炬巧算法。该算法分为正向 传播和反向传播两个阶段。正向传播阶段从样本集中取第i个样本[PwL，Pf，Tf，W，V。，y， y^Ne]i，将Xi= [P"Ts，P"T"W，V^y，yJi输入网络，计算相应的实际输出0i。反向传播 阶段计算实际输出0i与相应的样本输出N的差，并按极小化网络模型输出误差MSE的方 式调整神经网络权值矩阵。设模型样本集共包含S组输出输出样本对，则负荷预测模型在 整个样本集上的均方误差MSE定义如下：
[0057]
【主权项】
1. 一种机组负荷双重智能优化控制方法，其特征是，首先建立计及凝结水节流的超临 界机组负荷特性神经网络预测模型，利用机组历史运行数据对预测模型进行训练和验证， 然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀 开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信 号叠加至相应的控制信号上对机组实施优化控制。
2. 根据权利要求1所述的机组负荷双重智能优化控制方法，其特征是，所述方法按以 下步骤进行： a. 建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤如下： ① 选取模型输入和输出参数 模型的输入参数包括主汽压A(MPa)、主汽温度7； (°C)、再热汽压g (MPa)、再热汽温 7； (°C)、给水流量r(t/h)、凝汽器真空K。（KPa)、汽机调门开度# (%)和除氧器水位调节 阀开度A (%)，输出参数为机组负荷％ (丽）； ② 确定模型结构 建立具有j f输入参数（4，?2，…，％ )和一个输出参数70勺非线性自回归滑动平均 (NARMA)预测模型，且认为模型在邪寸刻的输出参数_F(k)与模型各输入参数^在邪寸刻 和过去/?个时刻的值4〇0、4&-1)，…，W iGi-Ii)及输出参数在过去V卜时刻的值 y(k-l), y(k-2),…，y(k-m)相关，其结构的具体表达式为：
③ 模型训练样本的获取和数据的预处理 提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数 扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数 据进行归一化处理，得到所需的训练样本，具体的归一化公式为：
式中：^，Γ分别为参数的实际值和标称值，分别为参数在机组升降负荷过程中 的最小值和最大值，U分别为归一化处理后参数的最小值和最大值； ④ 用训练样本对模型进行训练和验证； b. 用训练好的预测模型对机组负荷进行优化控制，具体步骤为： ① 对机组负荷设定值#^与目标值进行实时监测，若Aawt，则利用神经网 络负荷预测模型，根据主汽压力/(MPa)、主汽温度7； (°C)、再热汽压(MPa)、再热汽温7； (°0、给水流量#(^1!)、凝汽器真空^即&)、汽机调门开度#(%)的实时参数，对除氧器 水位调节阀门开度#。（％)进行寻优计算，即将上述实时参数与除氧器水位调节阀门开度 #。（％)输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀门开度#。（％) 的值，取其中模型输出的负荷预测值托与负荷设定值偏差最小的除氧器水位调门控制 指令为优化后的结果，然后将优化结果与原除氧器开度指令的差值作为实时补偿信号叠加 至原除氧器水位调节器输出上对调门施加控制； ② 当机组负荷设定值到达目标值#srt=Aawt，且负荷偏差小于设定值时，时，再次调 用神经网络负荷预测模型，根据当前的主汽压力A(MPa)、主汽温度7； (°C)、再热汽压g (MPa)、再热汽温7； (°C)、给水流量r(t/h)、凝汽器真空Ke (KPa)、除氧器水位调节阀门开 度#。（％)等实时参数，对汽机调门开度# (%)进行寻优计算，即将上述实时参数与汽机 调门开度#(%)输入预测模型的同时，采用定步长增减方法调节汽机调门开度#(%)的 值，取其中模型输出的负荷预测值^与负荷设定值偏差最小的汽机调门控制指令为优 化后的结果，然后将汽机调门优化结果与原汽机主控输出的偏差作为补偿信号叠加至汽机 主控输出送至汽机调门实施优化控制； ③当除氧器水位设定值Zsrt回到原始值Zsrttl，除氧器水位调节阀补偿信号回零，且机组 实际负荷义达到目标值^^_时，机组切回原控制。
3. 根据权利要求2所述的机组负荷双重智能优化控制方法，其特征是，所述神经网络 预测模型需要通过离线训练和在线测试进行优化，具体方法为：首先分别针对不同输入、输 出时延阶次取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层 神经元个数； 依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练 方法、训练参数及最小均方误差（MSE)指标，分别对各模型进行训练，比较训练完成后各模 型输出在整个训练样本集的MSE ;在满足MSE精度指标的前提下，选择隐层单元较少的模型 为优化的模型结构，建立满足MSE指标的n*m个模型；然后在不同n、m取值的共n*m个模型 均训练完成后，利用实际机组或仿真系统的实时数据，通过对机组施加各种扰动，对不同情 况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值。
4. 根据权利要求3所述的机组负荷双重智能优化控制方法，其特征是，在利用除氧器 水位调节阀门开度#。（％)的优化结果对调门施加控制的过程中，为防止除氧器水位实际 值Z与设定值Z srt偏差过大导致水位调节切手动，应对除氧器水位设定值进行实时修正，使 其自初始设定值Zsrt。开始始终有偏差地跟踪除氧器的实际水位A即这里a根据 负荷调节的方向可取正值和负值。
5. 根据权利要求4所述的机组负荷双重智能优化控制方法，其特征是，在利用除氧器 水位调节阀门开度#。（％)的优化结果对调门施加控制的过程中，为防止除氧器水位超限 威胁机组运行安全，应设置除氧器水位上限Z ta和水位低限4in，当除氧器水位上升到上限 4?时，利用除氧器溢流阀和紧急疏水阀把多余的凝结水排放到疏水扩容器；当除氧器水位 下降到低限/^时，通过控制凝汽器储水箱的除氧器紧急补水门的开度，使除氧器水位不低 于低限值，防止给水泵因除氧器水位低保护动作跳闸。
【专利摘要】一种机组负荷双重智能优化控制方法，首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。本发明不仅可提高汽轮机在动态变负荷过程中的负荷响应速率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程中机组负荷的调节精度，可大大提高机组的深度调峰能力，确保火电机组长期安全可靠运行。
【IPC分类】G05B13-04
【公开号】CN104865830
【申请号】CN201510212971
【发明人】马良玉, 成蕾, 刘婷, 李强, 宁福军, 刘卫亮, 刘长良, 陈文颖
【申请人】华北电力大学（保定）
【公开日】2015年8月26日
【申请日】2015年4月29日
【技术领域】
[0001] 本发明设及一种基于负荷预测模型和凝结水节流的机组负荷双重智能优化控制 方法，属于发电技术领域。
【背景技术】
[0002] 大容量超（超）临界燃煤机组因在节能、降耗和减少环境污染等方面具有明显的 优势已逐渐成为电网的主力机组。电网供电质量指标的不断提高，要求大容量超（超）临 界机组应具备一次调频、自动发电量控制（AGC)等功能，同时也对超临界机组的负荷响应 速率、调节精度等提出了很高的要求（希望每分钟的负荷变化量能够达到机组额定负荷的 1.5%到2%甚至更高）。由于协调控制系统肋巧需兼顾负荷、主汽压力的控制偏差，化及 锅炉本身的大惯性、大时延特性，使得机组负荷响应速率的提高十分困难，且容易引起主汽 压、主汽温等参数的大幅波动。因此如何满足电网对机组负荷调节的快速性要求，确保火电 机组长期安全可靠运行，就成为有关技术人员所面临的难题。
[0003] 此外，当超临界机组负荷较高，处于"直流"阶段运行时，现有的控制对象模型一般 将直流锅炉汽轮机组简化为一个3输入3输出的非线性对象，用于描述给水量W(t/h)、燃料 量B(t/h)、汽机调口开度y(%)S个控制输入与机组功率Ne(MW)、主汽压力Ps(MPa)及中 间点温度0rC)或洽值h(kj/kg)S个输出参数间的非线性强禪合关系。但该种模型存在 W下不足：
[0004] (a)与机组功率直接相关的热端参数为锅炉末级过热器出口汽温，并非中间点温 度，而超临界锅炉的末级过热器出口汽温除与水煤比（即；给水量W与燃料量B的比值）直 接相关外，动态变负荷过程中受各级过热器喷水减温量影响较大，该在上述模型中没有体 现；
[0005] 化）汽轮机组的中、低压缸做功份额约占到机组总功率的2/3,而中低压缸做功能 力与再热汽压、再热汽温两个初参数有很大关系，该在上述模型中也没有反映；
[0006] (C)凝汽器真空（背压）作为机组的重要冷端参数，受循环水累、真空累、机组轴封 运行情况等多种因素的影响，真空变化对机组出力和机组运行的经济性有很大影响，上述 模型中没有考虑；
[0007] (d)大型超临界汽轮机组的高、中、低压缸均设置了至少8段W上的回热抽汽，运 行中各种原因导致的各级回热循环抽汽量的突变（如高压加热器解列、凝结水流量突变 等），均会对汽轮机做功在较短时间产生影响，上述模型无法反映。
[0008] 也就是说，现有的简化模型忽略因素较多，使得模型输出的负荷预测值精度不高， 抗干扰能力较差，影响了模型在工程中的实际应用效果。因此，充分考虑大容量汽轮机的热 端、冷端及回热循环侧的相关可控参数，建立能够准确预测汽轮机组功率的数学模型，对提 高机组深度调峰能力，确保火电机组长期安全可靠运行具有重要意义。
【发明内容】
[0009] 本发明的目的在于针对现有技术之弊端，提供一种机组负荷双重智能优化控制方 法，W提高机组负荷的控制水平，保证火电机组安全可靠运行。
[0010] 本发明所述问题是W下述技术方案解决的：
[0011] 一种机组负荷双重智能优化控制方法，所述方法首先建立计及凝结水节流的超临 界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验 证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节 阀开度和汽轮机调口开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿 信号叠加至相应的控制信号上对机组实施优化控制。
[0012] 上述机组负荷双重智能优化控制方法，具体步骤如下：
[0013] a.建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤为：
[0014] ①选取模型输入和输出参数
[0015]模型的输入参数包括主汽压P,(MPa)、主汽温度L(°C)、再热汽压Pf(MPa)、再热汽 温Tf(°C)、给水流量W(tA)、凝汽器真空Vt(KPa)、汽机调口开度y(% )和除氧器水位调 节阀开度^。（％)，输出参数为机组负荷N,(MW);
[0016] ②确定模型结构
[0017] 建立具有j个输入参数（Ui，U2,…，Uj.)和一个输出参数y的非线性自回归滑动平 均（NARMA)预测模型，且认为模型在k时刻的输出参数y(k)与模型各输入参数Ui在k时 刻和过去n个时刻的值Ui化)、Ui化-1)，…，u^k-n)及输出参数y在过去m个时刻的值 y化-1),y化-2),…，y化-m)相关，其结构的具体表达式为；
[0018]y化）=g[y化-1),. . . ,y化-m)叫化)，Ui化-1).. .，UiGc-n).;UjG0,Uj化-1).. .，Uj化-n)];
[0019] ⑨模型训练样本的获取和数据的预处理
[0020] 提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入 参数扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所 有数据进行归一化处理，得到所需的训练样本，具体的归一化公式为：
[00引]Y = (Ymax-Ymin) * (X-Xmin) /^(Xmax-Xm J +Ymin
[0022]式中；X，Y分别为参数的实际值和标称值，Xmi。、Xm"分别为参数在机组升降负荷过 程中的最小值和最大值，Ymi。、Ym"分别为归一化处理后参数的最小值和最大值；
[0023] ④用训练样本对模型进行训练和验证；
[0024] b.用训练好的预测模型对机组负荷进行优化控制，具体步骤为：
[002引①对机组负荷设定值Nwt与目标值N 进行实时监测，若Nwt声Nt,wt，则利用 神经网络负荷预测模型，根据主汽压力Ps(MPa)、主汽温度L(°C)、再热汽压Pf(MPa)、再热 汽温Tt(°C)、给水流量W(t/h)、凝汽器真空Vt(KPa)、汽机调口开度y(% )的实时参数，对 除氧器水位调节阀口开度^。（％ )进行寻优计算，即将上述实时参数与除氧器水位调节阀 口开度^。（％)输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀口开度 y。（％ )的值，取其中模型输出的负荷预测值N'。与负荷设定值Nwt偏差最小的除氧器水位 调口控制指令为优化后的结果，然后将优化结果与原除氧器水位调口开度指令的差值作为 实时补偿信号叠加至原除氧器水位调节器输出上对调口施加控制；
[0026] ②当机组负荷设定值到达目标值（Nwt=NJ，且负荷偏差小于设定值时，时，再 次调用神经网络负荷预测模型，根据当前的主汽压力P,(MPa)、主汽温度L(°C)、再热汽压Pf(MPa)、再热汽温Tt(°C)、给水流量W(tA)、凝汽器真空Vt(KPa)、除氧器水位调节阀口开 度^。（％ )等实时参数，对汽机调口开度y(% )进行寻优计算，即将上述实时参数与汽机 调口开度y(% )输入预测模型的同时，采用定步长增减方法改变模型输入中汽机调口开 度y(%)的值，取其中模型输出的负荷预测值N'。与负荷设定值Nwt偏差最小的汽机调口 控制指令为优化后的结果，然后将汽机调口优化结果与原汽机主控输出（汽机调口开度指 令）的偏差作为补偿信号叠加至汽机主控输出送至汽机调口实施优化控制；
[0027] ⑨当除氧器水位设定值Lwt回到原始值L wt。，除氧器水位调节阀补偿信号回零，且 机组实际负 荷N。达到目标值Ntawt时，机组切回原控制。
[0028] 上述机组负荷双重智能优化控制方法，所述神经网络预测模型需要通过离线训练 和在线测试进行优化，具体步骤为；（1)分别针对不同输入、输出时延阶次n、m取值，通过比 较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数。
[0029] 依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、 训练方法、训练参数及最小均方误差（MS巧指标，分别对各模型进行训练，比较训练完成后 各模型输出在整个训练样本集的MSE。在满足MSE精度指标的前提下，选择隐层单元较少 的模型为优化的模型结构，最终建立满足MSE指标的n*m个模型；（2)在不同n、m取值的共 n*m个模型均训练完成后，将模型并入实际机组（或仿真系统），对机组（或仿真系统）施 加各种扰动（包括协调方式变负荷扰动、燃料量扰动，调口开度扰动、除氧器水位设定值扰 动及凝汽器真空扰动等），通过通讯接口程序按固定的采样周期实时获取机组各种扰动下 模型的输入数据，利用模型进行负荷实时预测，对不同扰动下模型的负荷预测值和机组实 际负荷值进行比较，采用预测时间段的均方误差（MS巧指标评估模型的预测性能，选取均 方误差（MS巧最小的模型的n、m取值作为最优时延阶次，从而找到最优的模型结构。
[0030] 上述机组负荷双重智能优化控制方法，在利用除氧器水位调节阀口开度^。（％ ) 的优化结果对调口施加控制的过程中，为防止除氧器水位实际值L与设定值Lwt偏差过大 导致水位调节切手动，应对除氧器水位设定值进行实时修正，使其自初始设定值Lwt。开始 始终有偏差地跟踪除氧器的实际水位L即Lwt=L+a，该里a可取正值和负值。
[0031] 上述机组负荷双重智能优化控制方法，在利用除氧器水位调节阀口开度^。（％ ) 的优化结果对调口施加控制的过程中，为防止除氧器水位超限威胁机组运行安全，应设置 除氧器水位上限Lm"和水位低限Lmi。，当除氧器水位上升到上限Lm"时，利用除氧器溢流阀 和紧急疏水阀把多余的凝结水排放到疏水扩容器；当除氧器水位下降到低限Lmi。时，通过 控制凝汽器储水箱的除氧器紧急补水阀口的开度，使除氧器水位不低于低限值，防止给水 累因除氧器水位低跳闽。
[0032] 本发明在充分考虑大容量汽轮机热端、冷端及回热循环侧的相关可控参数的基础 上建立了汽轮机组负荷的数学模型，并先后两次利用负荷预测模型分别对除氧器水位调节 阀开度和汽轮机调口开度进行优化，不仅可提高汽轮机在动态变负荷过程中的负荷响应速 率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程 中机组负荷的调节精度。将该方法应用于实际机组，可大大提高机组的深度调峰能力，确保 火电机组长期安全可靠运行。
【附图说明】
[0033] 下面结合附图对本发明作进一步详述。
[0034] 图1是本发明所设及的凝结水及低压回热抽汽系统的简化流程图；
[00巧]图2是负荷预测神经网络模型结构图；
[0036] 图3是基于模型的凝节水节流负荷双重智能优化控制流程图；
[0037] 图4是凝结水节流优化补偿控制方法实现原理图；
[0038] 图5a-图5d是600丽至570丽降负荷过程控制效果对比图；
[0039] 图6a-图6d是570丽至540丽降负荷过程控制效果对比图。
[0040]文中各符号为A(MPa)、主汽压，L(°C)、主汽温度，Pf(MPa)、再热汽压，Tt(°C)、再 热汽温，W(tA)、给水流量，Vt(KPa)、凝汽器真空，y(%)、汽机调口开度，^。（％)、除氧器 水位调节阀开度，N,(MW)、机组负荷，y、预测模型的输出参数，Ui，U2,…，Uj.、预测模型的输入 参数，X，Y分别为参数的实际值和标称值，Xmi。、Xm"分别为参数在机组升降负荷过程中的最 小值和最大值，Ymi。、Ym"分别为归一化处理后参数的最小值和最大值，Nwt为机组负荷设定 值N,et，Ntawt为机组负荷目标值，N为模型输出的负荷预测值，为除氧器水位上限，Lmi。 为除氧器水位低限。
【具体实施方式】
[0041] 针对【背景技术】提到的大型超临界机组中现有协调控制系统（CC巧难W满足电网 的负荷响应快速性要求、容易引起主汽压与主汽温等参数大幅波动的缺点，本发明建立了 计及凝结水节流的汽轮机组负荷预测神经网络模型，并进而提出一种基于智能模型的机组 负荷双重智能优化控制方法。本发明主要包括两部分内容。
[0042] 1.建立计及凝结水节流的汽轮机组负荷预测神经网络模型，包括W下具体步骤：
[0043] (1)选取模型输入、输出参数
[0044]采用除氧器水位调口开度来代替凝结水流量作为模型输入，选取主汽压P, (MPa)、 主汽温度L(°C)、再热汽压Pf(MPa)、再热汽温Tt(°C)、给水流量W(t/h)、凝汽器真空 Vc(KPa)、汽机调口开度y(%)及除氧器水位调节阀开度^。（％)共8个输入参数，机组负 荷N,(MW)共1个输出参数来建立汽轮机组的负荷预测模型。
[0045] (2)确定模型结构
[0046] 在建立机组神经网络负荷预测模型时，并非直接利用上述8个输入参数、1个输出 参数来建模，而是W前向多阶层神经网络（如BP神经网络）为基础，采用具有j个输入参 数（Ui，U2,…，Uj.)和1个输出参数y的非线性自回归滑动平均（NARMA)模型结构，且认为 模型在k时刻的输出参数y化）与模型各输入参数Ui在k时刻和过去n个时刻的值Ui化)、 Ui(k-1)，…，Ui化-n)及输出参数y在过去m个时刻的值y(k-1),y(k-2),…，y化-m)相关。 该非线性模型的具体表达式如下：
[0047] y 化）=g[y 化-1), . . . , y 化-m)叫化)，Ui 化-1). . . , Ui 化-n) . ;Uj 化)，Uj 化-1).. .，Uj(；k-n)] (1)
[0048] 上述模型采用神经网络具体实现时，建立的模型具有与被建模非线性系统相同的 结构，即；
[0049] .叫0=纯心仍-1)，.,如/(-丹?)典1(林巧(*-1).,.办脚-");...;?,.(0,1'如-：1).,.兴,咕-,?)] (2)
[0050] (3)模型训练样本获取和数据预处理
[0051] 在模型训练样本选取方面，为使负荷预测模型全面反映汽轮发电机组的负荷特 性，选取的样本数据应包含模型将来实际应用时的机组负荷调节范围，并能正确反映各种 输入扰动下的负荷变化特征。为此，本发明建模时提取的样本数据包括机组不同稳态负荷 点数据、变负荷动态过渡过程中的原始数据及各主要输入参数扰动下的负荷变化数据，W 确保获取的训练样本数据工况较为全面、各输入参数的激励较为充分。
[0052] 考虑模型验证W及实际应用时，数据的取值范围与训练数据范围可能不同，因此 结合各参数在机组升降负荷过程中可能的最大变化范围，人工确定各参数规整化的最大、 最小值，对所有模型离线训练及在线校验数据均W此为基准对数据进行规整。具体采用的 归一化公式为：
[005引Y= (Ymax-YmJ* (X-XmJ/^(Xmax-XmJ+Ymin 做
[0054] 式做中；[XmwXmJ为手工确定的参数实际取值范围，[Ymin，YmJ为标称化后 参 数取值范围，该里取[-1，+1] ;x，Y分别为参数实际值和标称值。
[0055] (4)模型训练和验证
[0056] 负荷预测模型训练的基本原理是基于误差反向传播炬巧算法。该算法分为正向 传播和反向传播两个阶段。正向传播阶段从样本集中取第i个样本[PwL，Pf，Tf，W，V。，y， y^Ne]i，将Xi= [P"Ts，P"T"W，V^y，yJi输入网络，计算相应的实际输出0i。反向传播 阶段计算实际输出0i与相应的样本输出N的差，并按极小化网络模型输出误差MSE的方 式调整神经网络权值矩阵。设模型样本集共包含S组输出输出样本对，则负荷预测模型在 整个样本集上的均方误差MSE定义如下：
[0057]
【主权项】
1. 一种机组负荷双重智能优化控制方法，其特征是，首先建立计及凝结水节流的超临 界机组负荷特性神经网络预测模型，利用机组历史运行数据对预测模型进行训练和验证， 然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀 开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信 号叠加至相应的控制信号上对机组实施优化控制。
2. 根据权利要求1所述的机组负荷双重智能优化控制方法，其特征是，所述方法按以 下步骤进行： a. 建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，具体步骤如下： ① 选取模型输入和输出参数 模型的输入参数包括主汽压A(MPa)、主汽温度7； (°C)、再热汽压g (MPa)、再热汽温 7； (°C)、给水流量r(t/h)、凝汽器真空K。（KPa)、汽机调门开度# (%)和除氧器水位调节 阀开度A (%)，输出参数为机组负荷％ (丽）； ② 确定模型结构 建立具有j f输入参数（4，?2，…，％ )和一个输出参数70勺非线性自回归滑动平均 (NARMA)预测模型，且认为模型在邪寸刻的输出参数_F(k)与模型各输入参数^在邪寸刻 和过去/?个时刻的值4〇0、4&-1)，…，W iGi-Ii)及输出参数在过去V卜时刻的值 y(k-l), y(k-2),…，y(k-m)相关，其结构的具体表达式为：
③ 模型训练样本的获取和数据的预处理 提取机组的不同稳态负荷点数据、变负荷动态过渡过程中的原始数据及部分输入参数 扰动下的负荷变化数据，并根据各参数在机组升降负荷过程中的最大变化范围，对所有数 据进行归一化处理，得到所需的训练样本，具体的归一化公式为：
式中：^，Γ分别为参数的实际值和标称值，分别为参数在机组升降负荷过程中 的最小值和最大值，U分别为归一化处理后参数的最小值和最大值； ④ 用训练样本对模型进行训练和验证； b. 用训练好的预测模型对机组负荷进行优化控制，具体步骤为： ① 对机组负荷设定值#^与目标值进行实时监测，若Aawt，则利用神经网 络负荷预测模型，根据主汽压力/(MPa)、主汽温度7； (°C)、再热汽压(MPa)、再热汽温7； (°0、给水流量#(^1!)、凝汽器真空^即&)、汽机调门开度#(%)的实时参数，对除氧器 水位调节阀门开度#。（％)进行寻优计算，即将上述实时参数与除氧器水位调节阀门开度 #。（％)输入预测模型的同时，采用定步长增减方法调节除氧器水位调节阀门开度#。（％) 的值，取其中模型输出的负荷预测值托与负荷设定值偏差最小的除氧器水位调门控制 指令为优化后的结果，然后将优化结果与原除氧器开度指令的差值作为实时补偿信号叠加 至原除氧器水位调节器输出上对调门施加控制； ② 当机组负荷设定值到达目标值#srt=Aawt，且负荷偏差小于设定值时，时，再次调 用神经网络负荷预测模型，根据当前的主汽压力A(MPa)、主汽温度7； (°C)、再热汽压g (MPa)、再热汽温7； (°C)、给水流量r(t/h)、凝汽器真空Ke (KPa)、除氧器水位调节阀门开 度#。（％)等实时参数，对汽机调门开度# (%)进行寻优计算，即将上述实时参数与汽机 调门开度#(%)输入预测模型的同时，采用定步长增减方法调节汽机调门开度#(%)的 值，取其中模型输出的负荷预测值^与负荷设定值偏差最小的汽机调门控制指令为优 化后的结果，然后将汽机调门优化结果与原汽机主控输出的偏差作为补偿信号叠加至汽机 主控输出送至汽机调门实施优化控制； ③当除氧器水位设定值Zsrt回到原始值Zsrttl，除氧器水位调节阀补偿信号回零，且机组 实际负荷义达到目标值^^_时，机组切回原控制。
3. 根据权利要求2所述的机组负荷双重智能优化控制方法，其特征是，所述神经网络 预测模型需要通过离线训练和在线测试进行优化，具体方法为：首先分别针对不同输入、输 出时延阶次取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层 神经元个数； 依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练 方法、训练参数及最小均方误差（MSE)指标，分别对各模型进行训练，比较训练完成后各模 型输出在整个训练样本集的MSE ;在满足MSE精度指标的前提下，选择隐层单元较少的模型 为优化的模型结构，建立满足MSE指标的n*m个模型；然后在不同n、m取值的共n*m个模型 均训练完成后，利用实际机组或仿真系统的实时数据，通过对机组施加各种扰动，对不同情 况下模型的预测精度进行实时比较，确定模型的最优时延阶次n、m取值。
4. 根据权利要求3所述的机组负荷双重智能优化控制方法，其特征是，在利用除氧器 水位调节阀门开度#。（％)的优化结果对调门施加控制的过程中，为防止除氧器水位实际 值Z与设定值Z srt偏差过大导致水位调节切手动，应对除氧器水位设定值进行实时修正，使 其自初始设定值Zsrt。开始始终有偏差地跟踪除氧器的实际水位A即这里a根据 负荷调节的方向可取正值和负值。
5. 根据权利要求4所述的机组负荷双重智能优化控制方法，其特征是，在利用除氧器 水位调节阀门开度#。（％)的优化结果对调门施加控制的过程中，为防止除氧器水位超限 威胁机组运行安全，应设置除氧器水位上限Z ta和水位低限4in，当除氧器水位上升到上限 4?时，利用除氧器溢流阀和紧急疏水阀把多余的凝结水排放到疏水扩容器；当除氧器水位 下降到低限/^时，通过控制凝汽器储水箱的除氧器紧急补水门的开度，使除氧器水位不低 于低限值，防止给水泵因除氧器水位低保护动作跳闸。
【专利摘要】一种机组负荷双重智能优化控制方法，首先建立计及凝结水节流的超临界机组负荷特性神经网络预测模型，并利用机组历史运行数据对预测模型进行训练和验证，然后利用该预测模型在机组的动态变负荷阶段和负荷趋稳阶段分别对除氧器水位调节阀开度和汽轮机调门开度进行预测和优化，再将各优化结果与原控制指令的偏差作为补偿信号叠加至相应的控制信号上对机组实施优化控制。本发明不仅可提高汽轮机在动态变负荷过程中的负荷响应速率，确保除氧器水位处于机组安全运行范围，还可保证负荷趋稳阶段凝结水流量恢复过程中机组负荷的调节精度，可大大提高机组的深度调峰能力，确保火电机组长期安全可靠运行。
【IPC分类】G05B13-04
【公开号】CN104865830
【申请号】CN201510212971
【发明人】马良玉, 成蕾, 刘婷, 李强, 宁福军, 刘卫亮, 刘长良, 陈文颖
【申请人】华北电力大学（保定）
【公开日】2015年8月26日
【申请日】2015年4月29日
最新回复(0)