數據驅動下汽輪機流量特性動態測量技術研究

李 勇,雷志偉

(1.安徽淮南洛能發電有限責任公司,安徽 淮南 232000;2.中國大唐集團科學技術研究總院有限公司華東電力試驗研究院,安徽 合肥 230031)

0 引言

汽輪機高調門作為燃煤機組負荷、壓力控制的重要執行結構之一,其特性優劣影響著機組一次調頻性能、AGC性能以及安全性和經濟性[1-2]。

因此,如能實時掌握機組汽輪機流量特性,有助于在線指導和優化機組運行。通常汽輪機流量特性采用定期人工試驗的手段獲取,由于試驗過程十分復雜,且影響機組帶負荷運行。本項目根據機組實時運行數據,利用數據驅動的動態建模方法,建立汽輪機流量特性實時模型,具備實時在線監測汽輪機調門流量特性的能力。

1 數據驅動建模法

1.1 汽輪機進汽相對流量計算

汽輪機進汽流量通常采用質量流量或相對流量表示,由于相對流量計算條件相對簡單,計算精度受參數誤差影響較小,因此本文將其作為汽輪機流量特性的計算依據。汽輪機進汽相對流量是指機組流量指令與通過汽輪機高調門的蒸汽流量占機組所有高調門全開時總流量的百分比。根據弗留格爾近似公式[3-4],汽輪機進汽相對流量與主蒸汽壓力、主蒸汽溫度、排汽壓力等相關,計算見式(1)。

(1)

式中：G、G′分別為背壓變化前、后總流量;P01、P0,T01、T0和Pg1、Pg分別為背壓變化前、后級壓力、溫度和高壓缸排汽壓力。對于超(超)臨界機組,高調門蒸汽溫度變化較大,應加以修正。

根據式(1)可計算不同流量指令下對應的進汽流量,并建立汽輪機調門流量特性。

1.2 數據驅動建模

結合相對流量計算法,建立數據驅動模型,采集機組汽輪機流量特性實時數據,數據包括主蒸汽壓力、高調門開度、排汽壓力、機組流量指令等。由于機組運行實時數據中存在大量噪聲和干擾數據,為了剔除這些干擾項,利用數據預處理剔除冗余數據和不準確值,根據最小絕對誤差準則對數據中值進行濾波;通過工況篩選,選取適合建模的工況數據,最后建立汽輪機流量特性模型。本文采用數據驅動建模方法包括數據預處理、特征挖掘、數據建模3部分。

1.2.1 數據預處理

由于實時數據具有樣本體量大、數據價值密度低等特點,在進行數學建模前,必須對實時數據進行預處理,以減小噪聲對建模的影響。

a.剔除冗余數據及不準確值

實際生產運行中的大數據往往存在許多重復、冗余的數據或不準確值,為了減少計算量,提高計算精度,將這些數據濾除,濾除規則如下：以機組流量指令測點為依據,當相鄰2個樣本間的機組流量指令偏差絕對值小于閾值時,視為2個樣本相同,刪除其中1個。

b.中值濾波降噪

大數據中往往包含了許多噪聲和脈沖信號,若不進行數據處理,對信息深度挖掘將會產生較大影響,會陷入局部極值點。中值濾波[5]是基于排序統計理論的一種能有效抑制噪聲的非線性信號處理技術,其基本原理是把數字序列中1點的值用該點的1個鄰域中各點值的中值代替,讓周圍數值接近真實值,從而消除孤立噪聲點。

對于汽輪機流量特性大數據中,涉及壓力、負荷、開度、溫度等大量模擬信號。應用中值濾波進行數據平滑化處理,取長度為3的數據序列,計算見式(2)。

y(i)=med{x(i-N), …,x(i), …,x(i+N)},i∈3

(2)

式中：med{·}為中值函數。

1.2.2 特征挖掘

汽輪機流量特性涉及的參數包括主蒸汽壓力、各調門開度、級后壓力、機組流量指令等[6-7]。由于大數據中數據量大、價值低,若直接從大數據中提取這些參數,所測量的流量特性失真嚴重,無法利用。因此,需要進一步通過特征挖掘的方式,提取關鍵數據,提升數據價值。

將分類思想應用于特征挖掘,在不同運行工況下,對數據樣本的核心參數進行分段分類篩選,同時引入干擾項,如對負荷起一定作用的一次調頻量[8-9]。特征篩選時將存在干擾項的工況數據剔除,提高數據精確度。按照機組負荷的變化工況分類,篩選出適合建模的樣本數據。機組負荷的變化工況主要依據當前機組的主蒸汽壓力、機組負荷、機組負荷指令的變化情況進行判斷。通過上述特征挖掘技術,可獲取大數據樣本信息。

1.2.3 數學建模

根據式(2)閥門流量計算公式,建立相應的流量特性數學模型F,則有：

F={G,D|E|L}

(3)

式中：G為根據式(1)計算得到的相對流量;D為機組流量指令;E為一次調頻功率的干擾項;L為機組負荷。

機組運行工況一般分為穩態和動態,汽輪機流量特性需要采集機組連續變負荷工況的數據,因此根據機組負荷變化情況,實時篩選出機組在連續變負荷工況的數據作為建模樣本,分別建立起高調門流量特性和汽輪機流量特性數學模型。影響流量特性測量的因素有很多,一次調頻量往往疊加在大數據中的負荷參數,因此數學模型需要將其扣除。

2 流量特性動態測量技術應用

該機組汽輪機為東方汽輪機有限責任公司制造的N1000-26.25/600/600型超超臨界參數、一次中間再熱、四缸四排汽、單軸、雙背壓、八級回熱抽汽凝汽式汽輪機。應用本文數據驅動下的汽輪機流量特性動態測量技術,通過機組實時運行數據,對汽輪機單閥流量特性和順序閥流量特性進行挖掘和分析。實時數據采集周期為1 s,實時動態測量機組高調門流量特性采集參數包括機組負荷指令、綜合閥位指令、主蒸汽壓力設定值、主蒸汽溫度、高壓調門后蒸汽壓力、高壓調門開度指令及反饋、機組負荷等。

2.1 高調門流量特性測量結果

采集機組一段時間的運行數據,基于數據驅動建模法動態測量高調門CV1和CV2的流量特性[10],數據驅動建模測量結果如圖1、圖2所示。為了對比數據驅動建模算法計算結果的準確性,測得CV1、CV2在30%～100%調門開度區間的流量特性見圖1、圖2。數據驅動建模法的結果存在一定噪聲信號影響,高調門流量特性曲線總體特性趨勢完整,能夠反映調門全行程整體特性,與試驗曲線基本吻合。

圖1 CV1流量特性對比

圖2 CV2流量特性對比

由圖1、圖2可知,當CV1和CV2調門開度在0%～15%時,流量基本為0,調門死區較大;當CV1和CV2調門開度在60%以上時,流量基本達到上限;當調門開度在20%～45%時,流量特性線性度較好。

2.2 汽輪機流量特性測量結果

根據機組一段時間的運行數據,采用數據驅動建模法獲取的汽輪機流量特性如圖3所示。由于機組工況較多,且存在數據噪聲,數據驅動法測量的汽輪機流量特性曲線存在毛刺現象,但總體特性趨勢完整,與該機組在常規試驗工況下獲得的測試曲線基本匹配,并且能夠深度測量機組在低負荷區間的流量特性,較常規方法測取的范圍更廣。

圖3 汽輪機流量特性對比

由圖3可見,當機組流量指令在75%～93%時,整體線性度較好;當機組流量指令在93%以上或75%以下時,流量特性整體較為平緩,不利于機組一次調頻和AGC負荷響應。

3 結語

本文提出數據驅動建模的汽輪機流量特性動態測量技術,有效拓寬了流量特性的測取區間,特別是在低負荷甚至是深度調峰區間,仍能測取機組流量特性,通過數據驅動模型計算,可實時在線監測發電機組汽輪機流量特性,測量結果與實際試驗結果相吻合。該方法無需向電網調度部門申請試驗負荷,減少了運行人員頻繁操作調整等步驟,為汽輪機流量特性優化提供了可靠測量結果。