[發明專利]大型汽輪機組主汽壓力優化方法

無效

• 申請號: 200910263291.2
• 申請日: 2009-12-18
• 公開（公告）號: CN101719230A
• 公開（公告）日: 2010-06-02
• 發明（設計）人: 司風琪;汪軍;周建新;徐治皋
• 申請（專利權）人: 東南大學
• 主分類號: G06N99/00
• 分類號: G06N99/00;G06N3/12
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

技術領域

本發明涉及一種工業過程優化方法，尤其涉及一種大型汽輪機組主汽壓力優化方法，屬于機器學習建模及優化算法領域。

背景技術

人工智能技術在機器學習和優化算法領域得到了越來越廣泛的應用，其已經成為工業過程建模和優化的重要研究對象。

機器學習(Machine?Learning)是從已知樣本數據或信息中通過挖掘、歸納、演繹、類比等方法獲取知識的手段和機制；支持向量機(Support?Vector?Regression，SVR)是由Vapnik等人于20世紀90年代中期在統計學理論基礎上發展并提出的一種新的機器學習算法，作為統計學習理論的核心內容，SVR能夠較好的解決小樣本學習問題，支持向量機已經成為機器學習建模領域的研究熱點；遺傳算法(Genetic?Algorithms，GA)是一種基于生物自然選擇與進化理論的隨機搜索算法，從多個初始點開始尋優，沿多路徑搜索實現全局或準全局最優，算法簡單、通用，魯棒性強，固有的并行性保證了算法的效率，已經成為復雜工業工程優化的重要方法之一。

大型汽輪機是火力發電廠的三大主要設備之一，也是影響電廠發電效率的重要環節。機組運行方式、蒸汽初參數優化對提高汽輪機組的經濟性、安全性和環保性具有至關重要的意義，對于電力行業的節能減排乃至整個國民經濟的可持續發展均具有重要的戰略意義。大型汽輪機是一個典型的多輸入、多輸出時變系統，其運行工況受機組負荷指令、環境溫度、回熱系統以及鍋爐出口蒸汽參數等因素的影響，特別是隨著機組向大容量、高參數方向的不斷發展，機組初參數對機組熱耗的影響越來越大，但同時由于機組的動態性和時變性更加明顯，使得機組初參數優化問題成為一項復雜而龐大的系統工程，涉及到參數測量、建模和優化等方面的研究。

除了采用制造廠的設計曲線外，機組性能試驗是確定機組最優初壓的常規手段，但是由于機組的實際運行工況、設計工況、試驗工況均存在著明顯的差別，機組主蒸汽溫度、環境溫度等外部因素均決定了汽輪機主汽壓力的優化設定值具有時變性，常規技術手段無法實現高效實時對主汽壓力優化值進行更新，所以需要在對汽輪機組特性建模的基礎上加強壓力優化方法的研究。

發明內容

本發明為解決大型汽輪機組主汽壓力實時優化問題，而提出一種基于支持向量機和遺傳算法的大型汽輪機組主汽壓力優化方法。

本發明的大型汽輪機組主汽壓力優化方法，包括如下步驟：

(1)通過機組性能試驗獲得典型負荷點和典型環境溫度下汽輪機組熱耗的特性樣本集：

D＝{x₁，x₂，...，x_L}，下標L表示樣本個數，

樣本x_i∈D，樣本x_i＝{HR_i，P_0i，T_0i，t_wi，N_i}，其中：HR為汽輪機組熱耗，P₀為主汽壓力，T₀為主汽溫度，t_w為環境溫度，N為機組負荷，下標i為樣本編號，下同；

將特性樣本集D作為初始訓練樣本集，采用支持向量機方法對其進行學習并構建模型；

(2)取上述特性樣本集D中的一個子集采用支持向量機方法進行學習并建立汽輪機組熱耗模型HR＝f(P_0i，T_0i，t_wi，N_i)，并對該模型進行增量分析，以確保模型變化關系符合汽輪機組的實際運行特性；

(3)建立汽輪機組壓力優化模型：

min?HR＝f(P₀，T₀，t_w，N)

P_0min≤P₀≤P_0max

s.t.t_wmin≤t_w≤t_wmax

N_min≤N≤N_max

采用遺傳算法對該模型進行優化求解，得到機組運行參數在典型負荷點下主汽壓力的優化值及優化曲線，從而得到優化結果數據集{P_0optimal，i，P_0i，T_0i，t_wi，N_i}；

(4)二次建模：