[發明專利]一種汽輪機末級排汽焓軟測量方法

在審

• 申請號: 202110710390.1
• 申請日: 2021-06-25
• 公開（公告）號: CN113553760A
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 徐婧;趙貫甲;崔智鵬;馬素霞;劉文浩
• 申請（專利權）人: 太原理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/15;G06K9/62;G06N3/00;G06F111/10
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 王軍

本發明公開了一種汽輪機末級排汽焓軟測量方法，該方法通過對影響汽輪機組末級排汽焓值的關鍵特征變量歷史運行數據采集，存儲，進行離群點剔除及穩態工況篩選，結合經過粒子群優化（Particle Swarm Optimization,PSO）的XGBoost(eXtreme Gradient Boosting,XGBoost)算法，來確定汽輪機末級排汽比焓值。本發明提出的汽輪機末級排汽焓軟測量模型可實現機組末級排汽焓值的在線準確測量，對于汽輪機經濟性能的在線實時監測具有重要的意義。

技術領域

本發明涉及熱力設備數據預測技術領域，尤其涉及一種汽輪機末級排汽焓軟測量方法。

背景技術

汽輪機末級排汽焓的計算的準確性，會直接影響到低壓缸效率和機組經濟性的核算。然而，汽輪機末級排汽處于濕蒸汽區，其焓值的除受排汽溫度、排汽壓力的影響外，還受排汽濕度的影響，然而排汽濕度無法實現在線的實時監測，這為汽輪機的排汽焓值的確定帶來了一定的困難。因此，基于歷史數據的方法，構建一種汽輪機排汽焓軟測量模型，對于汽輪機經濟性能的在線實時監測具有重要的意義。

目前，我國學者對汽輪機排汽焓值的在線計算的研究主要依賴基于熱力學第一定律的變工況計算法(如擬合外推法、能量守恒法)和基于數據的軟測量方法(如最小二乘支持向量機、神經網絡)。這些方法針對特定運行工況時表現出良好的性能，但當實時計算時，計算精度和模型泛化能力會受到一定的限制。

發明內容

本發明要解決的技術問題在于，針對現有技術的上述缺陷，提供了一種汽輪機末級排汽焓軟測量方法。

本發明解決其技術問題所采用的技術方案是：構造一種汽輪機末級排汽焓軟測量方法，包括：

獲取影響汽輪機組末級排汽焓值關鍵特征變量的歷史運行數據，標記汽輪機組末級排汽焓值關鍵特征變量對應的汽輪機末級排汽比焓值并進行預處理；

構建XGBoost回歸模型，采用PSO算法優化XGBoost模型參數，將預處理后的汽輪機組末級排汽焓值關鍵特征變量劃分訓練集和測試集，將訓練集輸入至構建的XGBoost回歸模型，通過調節XGBoost回歸模型的函數和參數，直至XGBoost回歸模型輸出的汽輪機末級排汽比焓值與標記的汽輪機末級排汽比焓值結果一致；

通過作為測試集的汽輪機組末級排汽焓值關鍵特征變量對訓練完成的XGBoost回歸模型的預測準確性進行驗證；

將實時獲取的影響汽輪機組末級排汽焓值的關鍵特征變量輸入至XGBoost回歸模型，輸出結果作為對應輸入的汽輪機末級排汽比焓值。

其中，影響汽輪機組末級排汽焓值的關鍵特征變量至少包括：機組負荷、環境溫度、主蒸汽流量、主蒸汽溫度、主蒸汽壓力、調節級溫度、調節級壓力、再熱蒸汽溫度、再熱蒸汽壓力、各級抽汽溫度、各級抽汽壓力。

其中，預處理的步驟包括：

歷史數據離群點剔除：根據機組設計資料及熱力性能試驗，設置關鍵特征變量的正常運行范圍區間，當運行參數超過該區間時，則將其視為異常點并剔除；

穩態工況篩選：采用滑動窗口法對歷史運行數據進行穩態工況篩選。

其中，在采用PSO算法優化XGBoost模型參數的步驟中，包括對決策樹樹葉的節點個數T、決策樹最大深度d、學習率r和最小葉子節點樣本權重ω的優化。

其中，設置XGBoost回歸模型的目標函數為：

其中，l為可微的凸損失函數，用于表示預測值和真實值y_i之間的誤差，n表示樣本數量，Ω(f)表示最小正則化項，T_k和ω分別表示樹中的葉子節點個數和葉子的權重值，γ表示懲罰系數，λ是正則項系數，C表示常數；

設XGBoost回歸模型預測值為：