数据驱动下汽轮机流量特性动态测量技术研究

李 勇,雷志伟

(1.安徽淮南洛能发电有限责任公司,安徽 淮南 232000;2.中国大唐集团科学技术研究总院有限公司华东电力试验研究院,安徽 合肥 230031)

0 引言

汽轮机高调门作为燃煤机组负荷、压力控制的重要执行结构之一,其特性优劣影响着机组一次调频性能、AGC性能以及安全性和经济性[1-2]。

因此,如能实时掌握机组汽轮机流量特性,有助于在线指导和优化机组运行。通常汽轮机流量特性采用定期人工试验的手段获取,由于试验过程十分复杂,且影响机组带负荷运行。本项目根据机组实时运行数据,利用数据驱动的动态建模方法,建立汽轮机流量特性实时模型,具备实时在线监测汽轮机调门流量特性的能力。

1 数据驱动建模法

1.1 汽轮机进汽相对流量计算

汽轮机进汽流量通常采用质量流量或相对流量表示,由于相对流量计算条件相对简单,计算精度受参数误差影响较小,因此本文将其作为汽轮机流量特性的计算依据。汽轮机进汽相对流量是指机组流量指令与通过汽轮机高调门的蒸汽流量占机组所有高调门全开时总流量的百分比。根据弗留格尔近似公式[3-4],汽轮机进汽相对流量与主蒸汽压力、主蒸汽温度、排汽压力等相关,计算见式(1)。

(1)

式中：G、G′分别为背压变化前、后总流量;P01、P0,T01、T0和Pg1、Pg分别为背压变化前、后级压力、温度和高压缸排汽压力。对于超(超)临界机组,高调门蒸汽温度变化较大,应加以修正。

根据式(1)可计算不同流量指令下对应的进汽流量,并建立汽轮机调门流量特性。

1.2 数据驱动建模

结合相对流量计算法,建立数据驱动模型,采集机组汽轮机流量特性实时数据,数据包括主蒸汽压力、高调门开度、排汽压力、机组流量指令等。由于机组运行实时数据中存在大量噪声和干扰数据,为了剔除这些干扰项,利用数据预处理剔除冗余数据和不准确值,根据最小绝对误差准则对数据中值进行滤波;通过工况筛选,选取适合建模的工况数据,最后建立汽轮机流量特性模型。本文采用数据驱动建模方法包括数据预处理、特征挖掘、数据建模3部分。

1.2.1 数据预处理

由于实时数据具有样本体量大、数据价值密度低等特点,在进行数学建模前,必须对实时数据进行预处理,以减小噪声对建模的影响。

a.剔除冗余数据及不准确值

实际生产运行中的大数据往往存在许多重复、冗余的数据或不准确值,为了减少计算量,提高计算精度,将这些数据滤除,滤除规则如下：以机组流量指令测点为依据,当相邻2个样本间的机组流量指令偏差绝对值小于阈值时,视为2个样本相同,删除其中1个。

b.中值滤波降噪

大数据中往往包含了许多噪声和脉冲信号,若不进行数据处理,对信息深度挖掘将会产生较大影响,会陷入局部极值点。中值滤波[5]是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,其基本原理是把数字序列中1点的值用该点的1个邻域中各点值的中值代替,让周围数值接近真实值,从而消除孤立噪声点。

对于汽轮机流量特性大数据中,涉及压力、负荷、开度、温度等大量模拟信号。应用中值滤波进行数据平滑化处理,取长度为3的数据序列,计算见式(2)。

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

(2)

式中：med{·}为中值函数。

1.2.2 特征挖掘

汽轮机流量特性涉及的参数包括主蒸汽压力、各调门开度、级后压力、机组流量指令等[6-7]。由于大数据中数据量大、价值低,若直接从大数据中提取这些参数,所测量的流量特性失真严重,无法利用。因此,需要进一步通过特征挖掘的方式,提取关键数据,提升数据价值。

将分类思想应用于特征挖掘,在不同运行工况下,对数据样本的核心参数进行分段分类筛选,同时引入干扰项,如对负荷起一定作用的一次调频量[8-9]。特征筛选时将存在干扰项的工况数据剔除,提高数据精确度。按照机组负荷的变化工况分类,筛选出适合建模的样本数据。机组负荷的变化工况主要依据当前机组的主蒸汽压力、机组负荷、机组负荷指令的变化情况进行判断。通过上述特征挖掘技术,可获取大数据样本信息。

1.2.3 数学建模

根据式(2)阀门流量计算公式,建立相应的流量特性数学模型F,则有：

F={G,D|E|L}

(3)

式中：G为根据式(1)计算得到的相对流量;D为机组流量指令;E为一次调频功率的干扰项;L为机组负荷。

机组运行工况一般分为稳态和动态,汽轮机流量特性需要采集机组连续变负荷工况的数据,因此根据机组负荷变化情况,实时筛选出机组在连续变负荷工况的数据作为建模样本,分别建立起高调门流量特性和汽轮机流量特性数学模型。影响流量特性测量的因素有很多,一次调频量往往叠加在大数据中的负荷参数,因此数学模型需要将其扣除。

2 流量特性动态测量技术应用

该机组汽轮机为东方汽轮机有限责任公司制造的N1000-26.25/600/600型超超临界参数、一次中间再热、四缸四排汽、单轴、双背压、八级回热抽汽凝汽式汽轮机。应用本文数据驱动下的汽轮机流量特性动态测量技术,通过机组实时运行数据,对汽轮机单阀流量特性和顺序阀流量特性进行挖掘和分析。实时数据采集周期为1 s,实时动态测量机组高调门流量特性采集参数包括机组负荷指令、综合阀位指令、主蒸汽压力设定值、主蒸汽温度、高压调门后蒸汽压力、高压调门开度指令及反馈、机组负荷等。

2.1 高调门流量特性测量结果

采集机组一段时间的运行数据,基于数据驱动建模法动态测量高调门CV1和CV2的流量特性[10],数据驱动建模测量结果如图1、图2所示。为了对比数据驱动建模算法计算结果的准确性,测得CV1、CV2在30%～100%调门开度区间的流量特性见图1、图2。数据驱动建模法的结果存在一定噪声信号影响,高调门流量特性曲线总体特性趋势完整,能够反映调门全行程整体特性,与试验曲线基本吻合。

图1 CV1流量特性对比

图2 CV2流量特性对比

由图1、图2可知,当CV1和CV2调门开度在0%～15%时,流量基本为0,调门死区较大;当CV1和CV2调门开度在60%以上时,流量基本达到上限;当调门开度在20%～45%时,流量特性线性度较好。

2.2 汽轮机流量特性测量结果

根据机组一段时间的运行数据,采用数据驱动建模法获取的汽轮机流量特性如图3所示。由于机组工况较多,且存在数据噪声,数据驱动法测量的汽轮机流量特性曲线存在毛刺现象,但总体特性趋势完整,与该机组在常规试验工况下获得的测试曲线基本匹配,并且能够深度测量机组在低负荷区间的流量特性,较常规方法测取的范围更广。

图3 汽轮机流量特性对比

由图3可见,当机组流量指令在75%～93%时,整体线性度较好;当机组流量指令在93%以上或75%以下时,流量特性整体较为平缓,不利于机组一次调频和AGC负荷响应。

3 结语

本文提出数据驱动建模的汽轮机流量特性动态测量技术,有效拓宽了流量特性的测取区间,特别是在低负荷甚至是深度调峰区间,仍能测取机组流量特性,通过数据驱动模型计算,可实时在线监测发电机组汽轮机流量特性,测量结果与实际试验结果相吻合。该方法无需向电网调度部门申请试验负荷,减少了运行人员频繁操作调整等步骤,为汽轮机流量特性优化提供了可靠测量结果。