基于RF與云粒子群的主汽溫系統能耗損失占比溯源研究

摘 要：通過對火電機組中主汽溫系統能耗損失占比溯源方法的研究，提升機組的熱經濟性。采用隨機森林算法對主汽溫度的最優影響因子進行分析，系統探究各運行參數對主汽溫度波動的貢獻度；并引入云粒子群算法辨識機組主汽溫模型的參數，以實現對主汽溫系統動態特性的精確建模，為能耗損失的量化分析提供有力工具。最終，結合隨機森林最優影響因子分析與云粒子群算法的模型參數辨識，構建主汽溫系統能耗損失占比的溯源框架，揭示能耗損失的主要來源，為火電機組的節能降耗提供科學依據和技術支持。

關鍵詞：火力發電；主汽溫系統；耗差分析；隨機森林算法；云粒子群算法

中圖分類號：TM621" " 文獻標志碼：A" " 文章編號：1671-0797（2025）04-0001-07

DOI：10.19514/j.cnki.cn32-1628/tm.2025.04.001

0" " 引言

火電機組熱經濟性診斷是指基于已知數據或運行數據，利用智能算法或機理建模形式對火電機組進行煤耗診斷溯源分析。對于火力發電機組來說，能耗診斷指的是在機組運行穩定工況下，利用機組運行參數來分析和確定機組煤耗，從而提高全廠的熱經濟性。

火電機組設備眾多，長期運行情況下部分設備老化、材料受損以及積灰結垢等原因，將導致實際工況下機組的運行參數偏離出廠預設值，一定程度上會造成機組運行班組誤判某些關鍵參數配置。如果仍按照預先設定參數進行控制，會增加機組煤耗，導致熱經濟性降低，這就需要引入熱經濟性診斷方法。目前對火電廠熱力系統分析主要有熱平衡法、等效焓降法、循環函數法、矩陣法以及（火用）分析法等。其中，熱平衡法[1]計算工作量很大，而且對于大多數電廠來說，由于設備不同，經濟指標方程有所不同，并沒有通用的表達形式，所以該方法主要用于驗證其他診斷方法是否正確、合理。等效焓降法[2]簡單易懂，有利于問題的正確解決；但缺乏具備可復制性的通用模型，因此目前并未被電廠廣泛采用。循環函數法[3]應用較廣，目前已得到國內很多學者的完善。閆水保、白尊亮等人[4-5]對循環函數法進行改進，引入了逆向加熱單元并對通式進行整理推導，這使得流量計算規范簡潔，循環函數法應用更加廣泛。矩陣法比較簡單，易于移植使用，相對于其他方法來說其直接將循環計算交給計算機，省略了大量循環計算，使得計算形式更加便捷[6]。（火用）分析法最早由德國學者Tsatsaronis應用在火電機組經濟性診斷方面，其不僅能夠計算熱經濟性，也能與經濟成本相結合進行分析計算[7-8]。（火用）分析法對參數的準確度依賴較大，目前該方法并未大范圍推廣應用于實際電力生產[9]。

本文針對以往研究得到的火電機組耗差情況，對機組耗差較大的部分進行能損溯源分析，研究火電機組熱端、冷端及水側數據，利用現場數據溯源探究機組能耗損失占比，分析造成機組經濟性較低的原因，從而推動進一步降低機組煤耗，提升全廠熱效率。

1" " 火電機組主汽溫度能耗數學模型建立

在火電機組中，主蒸汽溫度是整個電廠溫度最高的環節，同時也是機組熱經濟性指標的重要表征參數[10]。根據能量平衡、利用朗肯循環及弗留格爾公式，建立機組主汽溫度與其影響因素的關系式，根據該關系式利用智能算法進行數據分析，得出各影響因素對主汽溫的影響程度。下面列出主蒸汽溫度及其影響因素的關系推導過程[11]。模型圖如圖1所示，平衡方程如式（1）所示。

BQtotalηb=W（hgr″-hfw）+Dps1（hgr″-hps1）+Dps2（hgr″-hps2）+

Drs（hzr′-hrs）+Dzr（hzr′-hzr）+Dyqcyq（tyq′-tyq）" "（1）

式中：hgr″為主蒸汽焓值（kJ/kg）；hrs為再熱減溫水焓值（kJ/kg）；Dyq為煙氣氧量（kg/s）；cyq為煙氣比熱[kJ/（kg·K）]；tyq′為入壁煙氣溫度（K）；tyq為出壁煙氣溫度（K）。

為方便分析，引入熱量份額系數ri，故每千克燃料的噴水吸熱量份額系數可以表示為rpsr1、rpsr2和rrs，每千克燃料的再熱蒸汽吸熱量份額系數rzr和每千克燃料的煙氣熱量份額系數ryq。故根據式（1）有：

通過對主汽溫主要影響因素進行分析，影響主汽溫的大致有上述15個主要參數。對于這15個參數而言，一方面由于每個參數對主汽溫的影響是各不相同的，而且僅適用于計算某一時刻的影響情況，當數據較多時，由于參數變化頻繁，每次計算出的數值就相差較大，其準確性也相應降低。另一方面，如參數較少，利用常規數學工具計算Ci尚可，但隨著特征參數增加，Ci的計算就變得十分復雜，利用常規的計算方法很難科學地選擇出機組主要影響因子，因此引入智能算法來對主汽溫度關鍵影響因子進行降維判斷是比較良好的方法。

2.1" " 隨機森林算法基本原理

由于隨機森林算法的優越性，對電廠主汽溫度的預測較為適配，本節采用隨機森林算法選擇最優關鍵影響因子。隨機森林（Random Forest，RF）回歸是一種基于集成學習的算法，其基本思想是基于CART回歸樹原理[12]。回歸樹原理的本質主要是對原來的特征空間不斷進行二分叉，在滿足不同的特征分叉情況下，會得到多個空間，最后所屬空間樣本均值作為該空間的預測值[13]。回歸樹基本結構如圖2所示。

對于火電機組，數據集形式為？追=[X|y]，其中X為系統的輸入變量，本節中主要為各個影響因子；y為輸出變量，本節中為機組主汽溫度。機組數據集如下：

2.2" " 基于隨機森林回歸算法選取主汽溫系統影響因子

以某電廠2023年11月1日數據為數據庫樣本，采用隨機森林算法進行預測。數據處理后，選擇7 850個數據列作為隨機森林算法所需數據存入數據變量中，取機組前80%數據作為訓練集，后20%數據作為測試集，隨機森林樹數量選擇為100，數據包括所選18個主汽溫特征因子。進行隨機森林算法分析，得到影響因子重要度如圖3所示。

根據主汽溫影響因子重要性估計結果分析，選擇出重要性估計較大的因子：煙氣氧量、總減溫水溫度、總減溫水流量、給煤量、給水量、給水溫度、二過減溫水流量作為機組主要影響因子。由于總減溫水流量主要包含兩級減溫水流量，因此可以選擇總減溫水流量代表一級、二級減溫水流量。

最終選擇了重要性較高的減溫水流量、減溫水溫度、給水流量、給水溫度、給煤量以及煙氣氧量等6個影響因子，簡化后其表達式如下：

3" " 基于云粒子群算法辨識機組主汽溫模型參數

目前常見的參數辨識方法有很多，但各種方法應用領域有所不同，因此選擇合適的參數辨識方法對于主汽溫模型分析顯得尤為重要。如今的智能優化算法諸如麻雀搜索算法[14]和粒子群算法[15]采用尋優形式，模擬麻雀搜食和魚群的行為，通過迭代得到最優粒子，從而得到最優參數。

對于本文中火電機組主汽溫模型參數辨識而言，采用優化算法進行辨識得到最優參數，是一種較為契合的方法。

3.1" " 機組不同工況下主汽溫模型參數辨識分析

由于不同工況下主汽溫度各個參數影響因素各不相同，且不同工況下減溫水流量及給煤量均不相同，因此對于主汽溫模型來說不同工況下參數有所不同。下面以實際電廠數據為例，對機組各個工況數據進行主汽溫模型參數辨識。在辨識參數時，需要知道參數收斂區間，從而得到主汽溫系統各個影響因子與主汽溫之間的相關性。利用皮爾遜系數法來分析參數之間的相關性。

皮爾遜相關系數分析法主要原理為：對于m個對象、n個指標，可以構成數據矩陣X=（xij）m×n，假設選取第a列元素xa和第b列元素xb分析，通過計算其相關系數rho（a，b）等式來判斷相關性。rho（a，b）為-1表示完全負相關，為1表示完全正相關，rho（a，b）∈[-1，1]。

通過計算出各個參數之間的相關系數即可得到兩者之間的相關性。對于主汽溫系統各個影響因素之間相關性如圖4所示，根據圖4可以看出，主汽溫與減溫水流量以及給水量之間為負相關，兩個參數的收斂域設置為負，而給水焓、噴水焓、給煤量和煙氣氧量則設為正。

3.1.1" " 100%THA工況模型參數

將實際電廠數據中100%THA工況的數據篩選出來，利用所得模型對機組主汽溫模型進行參數辨識分析，利用粒子群算法，100%THA工況下，得到對應的辨識結果如圖5所示。

由辨識結果可以看出，模型輸出與實際值誤差較小，100%THA工況得到參數：a1、a2、a3、a4、a5和a6分別為-0.58、0.77、-0.936、0.720 7、1.622和0.002 1。

3.1.2" " 35%THA～90%THA工況模型參數

對于其他工況，由于不同負荷主汽溫系統下，不同子系統參數有所不同，采用35%THA～90%THA四個典型工況數據參數，所得辨識結果如圖6～9所示。

由圖6～9可以看出，除90%THA工況外，其他三個工況下擬合值和實際值誤差均維持在1 ℃以內，預測結果基本能跟蹤上實際值趨勢，預測結果相對準確。

3.2" " 機組主汽溫影響因子辨識結果分析

由3.1可知5種不同工況下機組參數辨識結果如表1所示。

由表1可知，減溫水流量和給水流量對主汽溫的負影響較大，兩者影響基分別維持在-0.79～-0.57和-1.32～-0.94；對于減溫水焓和給水焓，由于該電廠減溫水來自省煤器出口水，減溫水焓和鍋爐給水焓變化基本接近，其影響基均在0.67～0.83。對于煙氣氧量來說，無論何種工況下影響基都較小，其在主汽溫能耗損失占比中相對其他五個部分來說較小。燃料量對主汽溫的影響基在1.62～1.82。

4" " 基于隨機森林與云粒子群算法的主汽溫系統能耗損失占比溯源

結合基于隨機森林算法的主汽溫度最優影響因子分析和基于云粒子群算法的機組主汽溫模型參數辨識結果，計算可得100%THA工況下，機組主汽溫系統的耗差為0.785 22 g/（kW·h）。造成主汽溫系統耗差變大的原因有很多，最終表征到主汽溫度上的顯性耗差為0.789 7 g/（kW·h），其中各個部分耗差如圖10所示。

由于實際煤質和設計煤質存在一定差距，鍋爐低位發熱量難以達到設計基準，因此燃料量耗差是0.796 6 g/（kW·h），占比最大；減溫水溫度耗差為0.378 16 g/（kW·h）；給水溫度耗差為0.353 9 g/（kW·h）；煙氣氧量帶來的耗差則為0.001 035 4 g/（kW·h）；對于影響為負的影響因子減溫水流量和給水流量來說，其值分別為-0.28 g/（kW·h）和-0.46 g/（kW·h），最終表征到主汽溫煤耗為0.789 7 g/（kW·h）。

5" " 結論

主蒸汽溫度作為火電廠中溫度最高的環節，其穩定性與準確性直接關系到機組的運行效率與能耗水平，是評估機組熱經濟性指標的關鍵參數。本文對機組耗差較大的部分進行能損溯源分析，利用人工智能方法從火電機組熱端、冷端及水側進行數據分析，基于某電廠運行數據，計算機組能耗損失占比，分析造成機組經濟性較低的原因，從而推動進一步降低機組煤耗，提升全廠熱效率。

[參考文獻]

[1] 白亞平，楊伊琳，李鵬，等.300 MW超臨界二氧化碳燃煤發電機組熱經濟性分析[J].動力工程學報，2024，44（2）：307-316.

[2] LI Y Y，CHENG T R，ZHAO Z N，et al.Compare the Calcu-

lations of Steam Extraction Efficiency of Power Plant Turbine by Simple Heat Balance Method and Equivalent Enthalpy Drop Method[C]// E3S Web of Conferences，2020：20402011.

[3] 馬芳禮，張建.供暖汽輪機采用兩級抽汽加熱器的節能效益[J].電力建設，1990（11）：1-4.

[4] 閆水保，徐治皋.循環函數法的改進[J].中國電機工程學報，2001，21（10）：40-42.

[5] 白尊亮.基于循環函數法的火電機組耗差分析模型及軟件的研究[D].上海：上海交通大學，2010.

[6] 閆順林，徐鴻.火電機組熱力系統的自適應汽水分布狀態方程[J].中國電機工程學報，2007，27（8）：54-58.

[7] TSATSARONIS G，WINHOLD M.Exergoeconomic analysis and evaluation of energy-conversion plants-I.A new general methodology[J].Energy，1985，10（1）：69-80.

[8] TSATSARONIS G.Thermoeconomic analysis and optimi-

zation of energy systems[J].Progress in Energy and Combustion Science，1993，19（3）：227-257.

[9] 于淑梅，曾慶華，張向輝，等.基于熵分析法的回熱系統通用損分布矩陣[J].汽輪機技術，2009，51（2）：88-90.

[10] LIU Y H，LI Q L，DUAN X L，et al.Thermodynamic analysis of a modified system for a 1000 MW single reheat ultra-supercritical thermal power plant[J].Energy，2018，145（15）：25-37.

[11] 閆順林，梁明仁.超超臨界鍋爐主汽溫度影響因素的敏感度分析[J].電力科學與工程，2013，29（6）：67-72.

[12] GRZEGORZ D.A Comprehensive Study of Random Forest for Short-Term Load Forecasting[J].Energies，2022，15（20）：15207547.

[13] 伍乙杰，黃文灝，賴仕達，等.基于隨機森林和雙向長短期記憶網絡的超短期負荷預測研究[J].電氣自動化，2022，44（5）：35-37.

[14] 何國松，董澤，孫明.基于混合量子麻雀算法的過熱汽溫模型參數辨識[J].華北電力大學學報（自然科學版），2023，50（1）：92-100.

[15] ZHENG Y X，LIAO Y.Parameter identification of nonlinear dynamic systems using an improved particle swarm optimization[J].Optik，2016，127（19）：7865-7874.

收稿日期：2024-10-30

作者簡介：張文亮（1989—），男，山西介休人，工程師，智能化數字化信息化專業研究員，研究方向：火電智能化。