CN113807196A - 一种获得热电联产机组热电耦合特性的方法 - Google Patents
一种获得热电联产机组热电耦合特性的方法 Download PDFInfo
- Publication number
- CN113807196A CN113807196A CN202110975832.5A CN202110975832A CN113807196A CN 113807196 A CN113807196 A CN 113807196A CN 202110975832 A CN202110975832 A CN 202110975832A CN 113807196 A CN113807196 A CN 113807196A
- Authority
- CN
- China
- Prior art keywords
- steam
- flow
- pressure
- extraction
- steam extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008878 coupling Effects 0.000 title claims abstract description 45
- 238000010168 coupling process Methods 0.000 title claims abstract description 45
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 150
- 238000010438 heat treatment Methods 0.000 claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000002411 adverse Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010977 unit operation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003303 reheating Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种获得热电联产机组热电耦合特性的方法，包括：获取需要计算的机组供暖季、非供暖季所有运行工况下的相关数据，并进行预处理；对预处理后的相关数据参数进行稳态识别，选取稳态工况，识别出非稳态的异常变化情况，进行排除；引入抽汽压力、抽汽流量，与相关数据参数进行数据训练回归，得到相关数据参数与有功功率的关系；将各压力参数按照目标工况的值进行设定；根据数据统计限定各流量参数合理范围，得到目标工况不同流量下的功率随主汽流量的变化关系，从而实现任意抽汽工况下机组热电耦合特性的确定。本公开所述方法简单高效，能够提升数据的准确性，为热电联产系统中综合能源供应能力及灵活性提供了一种分析方法。
Description
技术领域
本发明涉及热电联产机组生产、调度技术领域，具体涉及一种获得热电联产机组热电耦合特性的方法。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
近年来，我国的能源结构的调整不断推进，风电、光伏发电等新能源并网比重不断上升。面对风电、光伏发电等新能源具有的随机性和不可控性等特征，其装机容量占比的上升无疑增加了电源侧的扰动。而传统的火电在保障电力稳定供应、电力辅助服务和综合能源供应等方面发挥了重要作用。我国北方城市，火电机组中热电联产机组所占比重较大，供暖季存在以热定电的约束，制约了热电机组的调峰能力，而工业抽汽的引入，使得多种热负荷与功率的耦合关系更加复杂；机组在进行灵活性改造后，一定程度上提升了机组供暖季电负荷的可调空间，机组的热电耦合特性也会偏离原有的设计工况。对于电网调度部门，如能更准确的掌握机组的热电耦合特性，就可以更合理的安排调停计划，促进新能源消纳。
热电联产机组的热电耦合特性客观地反映了机组在一定热负荷下的调峰能力。热电耦合特性的确定，常用方法主要有工况图分析法、试验法、热力计算法。试验法适用范围广、结果准确，但是，需要现场试验，工作量大，试验期间不断调整电、热负荷，对电网和热网用户存在一定影响；与此同时，伴随着机组运行过程设备的老化及相关改造，需要重新试验测试才能反应机组的实际情况。工况图法快捷方便，但是，该方法基于设计工况获得，随着设备的安装、老化，以及设备改造，设计值与机组的实际运行值存在一定的偏差，并且由普通纯凝机组改造的供热机组，该方法有局限性。热力计算法的通用性强，适用于各种类型机组，但模型复杂、计算量大，并且随着机组运行时间的增加，机组实际运行状态与模型计算之间存在偏差，造成结果不准确。
另外，综合能源供应下热电联产机组的热力系统复杂，各系统之间存在耦合关系。目前多针对机组的典型设计工况进行研究，针对不同容量和特点的供热机组提出不同技术方案，研究受到机组差异与工况不同的制约，缺乏灵活性。机组的热电耦合特性取决于电、热负荷及其负荷需求参数的匹配程度，而发电、工业抽汽和供暖作为热电联产机组的综合能源供应形式，三者耦合复杂，也直接影响了各项负荷调整的灵活性。
因此，研究一种能够获得具有高适用性和准确性的热电联产机组热电耦合特性的方法具有重要意义。
发明内容
为了克服上述问题，本发明设计了一种获得热电联产机组热电耦合特性的方法，对于既有工业抽汽和供暖抽汽的机组，通过对历史运行数据进行数据预处理，消除数据干扰因素，提升辨识及预测的准确性，针对变量间复杂的关系，使用机器学习进行回归分析建模，建立有功功率和各工业抽汽压力工况下的工业抽汽流量、各供暖抽汽压力工况下的供暖抽汽量和各主蒸汽压力工况下主蒸汽流量的关系，获得考虑到工业抽汽、供暖抽汽与有功功率的热电耦合特性，克服了设计数据与实际运行数据存在偏差的问题，能够客观的给出机组当前运行工况下热、电负荷安全运行可用空间，本公开基于历史运行数据分析，不局限于典型运行工况，反映了任意运行工况下机组的热电耦合关系。
基于上述研究成果，本公开提供以下技术方案：
本公开第一方面提供了一种获得热电联产机组热电耦合特性的方法，包括以下步骤：
步骤1：获取需要计算的机组供暖季、非供暖季运行工况下机组的相关数据；
步骤2：对步骤1中获取的相关数据进行预处理；
步骤3：对步骤2中预处理后的相关数据参数进行稳态识别，选取稳态工况，识别出非稳态的异常变化情况，进行排除；
步骤4：引入抽汽压力、抽汽流量，与步骤3中的相关数据参数进行数据训练回归，得到相关抽汽数据参数与有功功率的关系；
步骤5：将各压力参数按照目标工况的值进行设定；
步骤6：根据数据统计限定各流量参数合理范围；
步骤7：通过步骤6的合理范围，得到目标工况不同流量下的有功功率随主汽流量的变化关系，从而实现任意抽汽工况下机组热电耦合特性的确定。
本公开第二方面，提供一种可以通过编写软件程序，安装于计算机设备终端或存储设备上，形成独立的分析平台，或者以分析模块的形式嵌入电厂的SIS系统中，实现上述一种获得热电联产机组热电耦合特性的方法的具体应用。
本公开一个或多个具体实施方式至少取得了以下技术效果：
(1)本公开从机组海量运行数据入手，利用MATLAB的Regression Learner工具对预处理后的数据，选择回归模型进行训练，建立机组有功功率和主蒸汽、供暖抽汽、工业抽汽之间的映射关系，根据历史数据设定边界条件后，可得任意运行工况下的机组有功功率可调空间上下限，反映了机组的热电耦合特性。
(2)本公开对机组的运行数据进行数据预处理，使用机器学习，进行数据回归建模，获得考虑到工业抽汽、供暖抽汽与有功功率的综合热电耦合特性模型更符合机组当前运行特征。同时，该方法通过定期更新用于处理训练的机组运行数据，得到的最新热电耦合特性将更符合实际运行的机组特性，能够更为准确的确定机组各工况下的调峰能力，有利于提升电网调度部门的核算与监管，合理安排调停计划，促进新能源消纳，具有广泛的应用价值。
(3)本公开适用于任意抽汽工况下机组热电耦合特性的确定，在一定程度上可以替代热力试验进行机组部分热电耦合特性的确定，或可作为试验确定热电耦合特性的补充。
(4)本公开所述方法简单高效，能够提升数据的准确性，为热电联产系统的综合能源供应能力的分析量化提供了一种可行的思路。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本发明实施例1机组有功功率的平滑去噪效果图；
图2是本发明实施例1机组稳态识别前后有功功率变化情况；
图3是本发明实施例1有功功率预测与真实值对比效果；
图4是本发明实施例1最大供暖抽汽流量与工业抽汽流量的关系图；
图5是本发明实施例1机组带工业抽汽的供热工况边界图；
图6是本发明实施例1最大工业抽汽工况下热电耦合特性图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景所介绍的，通过现有方法获得的热电联产机组热电耦合特性与机组实际运行状态存在偏差，造成结果不准确的问题，同时，灵活性和适应性差。因此，本公开提供了一种获得热电联产机组热电耦合特性的方法。
本公开第一方面提供一种获得热电联产机组热电耦合特性的方法，包括以下步骤：
步骤1：获取需要计算的机组供暖季、非供暖季运行工况下机组的相关数据；
步骤2：对步骤1中获取的相关数据进行预处理；
步骤3：对步骤2中预处理后的相关数据进行稳态识别，选取稳态工况，识别出非稳态的异常变化情况，进行排除；
步骤4：引入抽汽压力、抽汽流量，与步骤3中的相关数据参数进行数据训练回归，得到相关数据参数与有功功率的关系；
步骤5：将各压力参数按照目标工况的值进行设定；
步骤6：根据数据统计限定各流量参数合理范围；
步骤7：通过步骤6的合理范围，得到目标工况不同流量下的有功功率随主汽流量的变化关系，从而实现任意抽汽工况下机组热电耦合特性的确定。
在一种典型实施方式中，步骤1中，所述相关数据包括有功功率、主汽压力、主汽流量、主汽温度、再热蒸汽温度、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力，本公开经过相关性分析及不断筛选优化得到以上述参数作为研究对象，能够具有高准确性和科学性；
在一种典型实施方式中，步骤2中，所述预处理相关数据参数包括：有功功率、主汽压力、主汽流量、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力；进一步，所述预处理过程包括：野值的识别与剔除，以及利用MATLAB中medfiltl函数进行数据滤波处理，平滑去噪，消除不利因素对数据的干扰；之所以将上述数据参数进行野值识别和剔除，是由于发电系统的复杂性，传感器和数据采集系统不可避免地含有不确定的随机误差以及干扰。所述进行野值识别与剔除的具体方法为：在各组数据中依次对9个变量进行遍历，第i个测量值对应的残差为
当满足|vi|>3σ时，将该时刻的数据作为野值，进行剔除；式中，方差
n表示测量值的个数。现有技术中的野值剔除方法众多，包括均方值法、肖维涅法、一阶或二阶差分方法、时域微分方法等，各个方法均有自身的特点和适应对象，需要根据参数的自身特点选择相适应的野点剔除方法，才能够保证数据的完整性和处理的准确性。上述野值剔除方法适用性高，用于所取参数能够达到很好的野值剔除效果。进一步，所述不利因素包括电磁、噪声等，其对数据产生干扰，需要利用合适的方法进行去除，尽可能将不利影响降至最低，发明人发现MATLAB中medfilt1函数的处理方法能够很好的降低不良因素的干扰作用。
在一种典型实施方式中，步骤3中，根据有功功率，主汽温度、主汽压力、再热蒸汽温度四个关键参数的变化情况，识别出非稳态的异常变化情况，进行排除；上述四个关键参数变化是判断机组运行状况的重要依据，通过四个参数变化情况排除机组非稳态的异常变化情况；
进一步，具体步骤为：对有功功率，主汽温度、主汽压力、再热蒸汽温度依次进行遍历，设定十个小时内机组参数变化阈值
超过阈值的时刻进行排除。其中，
为[t-d,d]时间段内的均值，ξ表示设定的阈值。
在一种典型实施方式中，步骤4中，引入抽汽压力、抽汽流量，将上述步骤下的有功功率、主汽流量、主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力，7个变量进行数据训练回归，得到主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力与有功功率的关系；
具体步骤为：利用MATLAB中Regression Learner工具箱，将主汽流量、主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力7个变量作为预测变量，有功功率作为响应。针对变量间复杂的关系，机器学习回归模型选择高斯过程回归模型进行训练，高斯过程回归找到的不是单个的函数，而是找到的最优的函数的分布，通过采样该分布，能得到一系列的最优函数，使得到热电耦合特性模型趋于准确。
在一种典型实施方式中，步骤5中，将主汽压力、供暖抽汽压力、工业抽汽压力按照目标工况的值进行设定；步骤6中，根据历史数据统计限定主汽流量、供暖抽汽流量、工业抽汽流量合理范围；之所以进行上述步骤，是考虑到流量参数和压力参数是影响供热机组不同工况下功率误差的主要因素之一。
在一种典型实施方式中，步骤7中，通过步骤6给定主汽流量、供暖抽汽流量、工业抽汽流量边界范围，得到目标工况不同工业抽汽流量与供暖抽汽流量下的有功功率随主汽流量的变化关系；其中，每个抽汽流量对应着机组有功功率最大值与最小值，从而实现任意抽汽工况下机组热电耦合特性的确定。能够体现热负荷及其抽汽参数与电负荷之间的耦合关系，为热电联产系统的综合能源供应能力和灵活性提供了一种分析方法。
本公开第二方面，可以通过编写软件程序，安装于计算机设备终端或存储设备上，形成独立的分析平台，或者以分析模块的形式嵌入电厂的SIS系统中，实现上述一种获得热电联产机组热电耦合特性的方法的具体应用。
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比例详细说明本公开的技术方案。
实施例1
参考机组具体情况如下：亚临界、中间再热、抽汽凝汽式机组，型号为N330-16.67/537/537，工业抽汽位置为再热蒸汽冷段和热段，供暖抽汽为中压缸排汽。
利用本发明提出的运行数据分析确定机组热电耦合特性，其方法包括以下步骤：
步骤1：从数据库中获取机组一段时间内的运行数据，包括有功功率、主汽压力、主汽流量、主汽温度、再热蒸汽温度、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力，数据量大小基于所取数据时间跨度的长短；
步骤2：为排除数据采集过程中产生的误差，对步骤1获取的有功功率、主汽压力、主汽流量、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力数据进行野值的识别与剔除；具体步骤是在各组数据中依次对7个变量进行遍历，第i个测量值对应的残差为
当满足|vi|>3σ时将该时刻的数据作为野值，并进行剔除；式中，方差
n表示测量值的个数；再对有功功率、主汽压力、主汽流量、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力等7个参数利用MATLAB中medfilt1函数进行中值滤波处理进行平滑与去噪。有功功率的平滑、去噪效果，如图1所示，从中可以看出经过处理后消除了一些电磁噪声等不利因素产生的波形偏差，从而消除因电磁、噪声等因素对数据的干扰；
步骤3：对处理好的数据进行稳态识别，根据有功功率，主汽温度、主汽压力、再热蒸汽温度四个关键参数的变化情况，识别非稳态的异常变化情况，并进行排除；具体步骤是对有功功率，主汽温度、主汽压力、再热蒸汽温度依次进行遍历，设定十个小时内机组参数变化阈值
超过阈值的时刻进行排除。其中，
为[t-d,d]时间段内的均值，ξ表示设定的阈值，有功功率阈值10％，主汽压力阈值为2％，主汽温度阈值为10％，再热蒸汽温度阈值为10％。
上述预处理步骤前后有功功率变化情况如图2所示；经过稳态识别后的波形变得精简，去除的部分即为非稳态异常变化情况产生的波形。
步骤4：将上述步骤下的有功功率、主汽流量、主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力进行回归，回归模型选择高斯过程回归，核函数选择指数函数。具体步骤是利用MATLAB中Regression Learner工具箱，将主汽流量、主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力6个变量作为预测变量，有功功率作为响应。机器学习回归模型选择高斯过程回归模型进行训练，高斯过程回归找到的不是单个的函数，而是找到的最优的函数的分布，通过采样该分布，能得到一系列的最优函数，使得到热电耦合特性模型趋于准确。训练数据后输入实际预测参数，得到有功功率预测对比，得到主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力与有功功率的关系；如图3所示，从图中看出真实结果和预测结果的对比，可以反映出采用此训练方法的可行性，为热电耦合特性的确定建立基础。
步骤5：将主汽压力、供暖抽汽压力、工业抽汽压力按照目标工况的值进行设定；
步骤6：根据数据统计限定主汽流量、供暖抽汽流量、工业抽汽流量合理范围；各参数变化范围如表1所示；
表1主要参数变化范围
步骤7：通过步骤6给定主汽流量、供暖抽汽流量、工业抽汽流量变化范围，得到不同抽汽流量下有功功率随主汽流量的变化关系，限定边界条件后，每个抽汽量下都对应有最大与最小有功功率，故得到机组热电耦合特性；
已有热力试验对该机组在无供暖抽汽情况下，调整工业抽汽，试验数据中记录了不同工业抽汽工况下有功功率最大可调范围，反映了机组真实的无供暖抽汽，有工业抽汽下的热电耦合特性，该机组的部分试验数据在对应抽汽工况下如下表2所示：
表2各工业抽汽工况下机组数据
通过上述步骤得到预测的热电耦合特性，输入与试验数据相同的抽汽参数和上述相应的流量边界，得到的结果如下表3所示：
表3机组运行数据与试验数据效果对比表
由表3可以看出，利用本发明提出的方法获得的模型进行计算能够准确的获得机组无供暖抽汽，有工业抽汽下的热电耦合特性。
当工业抽汽与供暖抽汽同时存在时，最大供暖抽汽流量会受到工业抽汽流量的限制，热负荷变得复杂。如图4所示，其为在工业抽汽为变化时，机组最大供暖抽汽流量对应的情况。通过模型就可以计算在主蒸汽压力为16.3MPa，供暖抽汽压力为0.45Mpa，工业抽汽压力为2.25MPa下，工业抽汽流量从0t/h到最大150t/h，供暖抽汽流量0t/h到相应最大流量下的热电耦合特性，预测的热电耦合特性范围，即带有工业抽汽的供热工况边界如图5所示，其中最大工业抽汽工况下机组的热电耦合特性如图6所示，其为图5带有工业抽汽的供热工况边界最左侧的一部分，可见工业流量增加会使得机组的功率减小，同时相同主蒸汽流量下功率可调空间变小。
通过本发明提出的方法，可以获得各运行工况下的热电耦合特性，计算结果可以反映各运行工况下的机组热电耦合特性有明显差异。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种获得热电联产机组热电耦合特性的方法，其特征在于：包括以下步骤：
步骤1：获取需要计算的机组供暖季、非供暖季运行工况下相关数据；
步骤2：对步骤1中获取的相关数据进行预处理；
步骤3：对步骤2中预处理后的相关数据参数进行稳态识别，选取稳态工况，识别出非稳态的异常变化情况，进行排除；
步骤4：引入抽汽压力、抽汽流量，与步骤3中的相关数据参数进行数据训练回归，得到相关数据参数与有功功率的关系；
步骤5：将各压力参数按照目标工况的值进行设定；
步骤6：根据数据统计限定各流量参数合理范围；
步骤7：通过步骤6的合理范围，得到目标工况不同流量下的有功功率随主汽流量的变化关系，从而实现任意抽汽工况下机组热电耦合特性的确定。
2.根据权利要求1所述的方法，其特征在于：步骤1中，所述相关数据参数包括有功功率、主汽压力、主汽流量、主汽温度、再热蒸汽温度、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力：
或，步骤2中，所述预处理相关数据参数包括：有功功率、主汽压力、主汽流量、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力；
或，步骤2中，所述预处理过程包括：野值的识别与剔除以及利用MATLAB中medfiltl函数进行数据滤波处理，平滑去噪，消除不利因素对数据的干扰。
3.根据权利要求2所述的方法，其特征在于：步骤2中，所述进行野值识别与剔除的具体方法为：在各组数据中依次对7个变量进行遍历，第i个测量值对应的残差为
当满足|vi|＞3σ时，将该时刻的数据作为野值，进行剔除；式中，方差
n表示测量值的个数。
4.根据权利要求1所述的方法，其特征在于：步骤3中，根据有功功率，主汽温度、主汽压力、再热蒸汽温度四个关键参数的变化情况，识别出非稳态的异常变化情况，进行排除。
5.根据权利要求4所述的方法，其特征在于：具体步骤为：对有功功率，主汽温度、主汽压力、再热蒸汽温度依次进行遍历，设定十个小时内机组参数变化阈值
超过阈值的时刻进行排除；其中，
为[t-d，d]时间段内的均值，ξ表示设定的阈值。
6.根据权利要求1所述的方法，其特征在于：步骤4中，引入抽汽压力、抽汽流量，将上述步骤下的有功功率、主汽流量、主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力进行数据训练回归，得到主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力与有功功率的关系。
7.根据权利要求6所述的方法，其特征在于：具体步骤为：利用MATLAB中RegressionLearner工具箱，将主汽流量、主汽压力、供暖抽汽流量、供暖抽汽压力、工业抽汽流量、工业抽汽压力7个变量作为预测变量，有功功率作为响应。针对变量间复杂的关系，机器学习回归模型选择高斯过程回归模型进行训练。
8.根据权利要求1所述的方法，其特征在于：步骤5中，将主汽压力、供暖抽汽压力、工业抽汽压力按照目标工况的值进行设定。
9.根据权利要求1所述的方法，其特征在于：步骤6中，根据数据统计限定主汽流量、供暖抽汽流量、工业抽汽流量合理范围。
10.根据权利要求1所述的方法，其特征在于：步骤7中，通过步骤6给定主汽流量、供暖抽汽流量、工业抽汽流量边界范围，得到目标工况不同工业抽汽流量与供暖抽汽流量下的有功功率随主汽流量的变化关系；其中，每个抽汽流量对应着机组有功功率最大值与最小值，从而实现任意抽汽工况下机组热电耦合特性的确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975832.5A CN113807196A (zh) | 2021-08-24 | 2021-08-24 | 一种获得热电联产机组热电耦合特性的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975832.5A CN113807196A (zh) | 2021-08-24 | 2021-08-24 | 一种获得热电联产机组热电耦合特性的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807196A true CN113807196A (zh) | 2021-12-17 |
Family
ID=78941550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110975832.5A Pending CN113807196A (zh) | 2021-08-24 | 2021-08-24 | 一种获得热电联产机组热电耦合特性的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807196A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139314A (zh) * | 2021-12-02 | 2022-03-04 | 华能国际电力股份有限公司德州电厂 | 一种基于sis参数线性回归的发电机组运行分析方法 |
| CN115146470A (zh) * | 2022-07-08 | 2022-10-04 | 东南大学 | 一种热电联供系统解耦度的综合评价方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017050207A1 (zh) * | 2015-09-21 | 2017-03-30 | 华北电力科学研究院有限责任公司 | 发电机组能效分析方法 |
| CN108182206A (zh) * | 2017-12-14 | 2018-06-19 | 国电南瑞科技股份有限公司 | 一种热力机组热力特性监测分析方法 |
| CN108319131A (zh) * | 2017-12-27 | 2018-07-24 | 国网山东省电力公司电力科学研究院 | 基于数据挖掘的机组调峰能力评估方法 |
| CN109858664A (zh) * | 2018-11-23 | 2019-06-07 | 国网新疆电力有限公司电力科学研究院 | 基于相关向量机的供热机组热电关系预测方法及装置 |
| CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 基于飞机航迹特征的智能机型识别方法 |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| CN111680398A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 一种基于Holt-Winters模型的单机性能退化预测方法 |
| CN112348002A (zh) * | 2021-01-08 | 2021-02-09 | 成都云鼎智控科技有限公司 | 一种用于发动机测试的数据处理方法 |
| CN112377985A (zh) * | 2020-10-10 | 2021-02-19 | 湖南大唐先一科技有限公司 | 基于反馈神经网络的供热机组调峰下限评估方法及系统 |
| CN112507534A (zh) * | 2020-11-25 | 2021-03-16 | 山东电力研究院 | 一种热电联产机组供热期供电煤耗率折算方法及系统 |
| CN112685900A (zh) * | 2020-12-31 | 2021-04-20 | 国网浙江省电力有限公司营销服务中心 | 一种表征冲击负荷功率特性的电力负荷模拟方法 |
| CN112763648A (zh) * | 2020-11-25 | 2021-05-07 | 华能国际电力股份有限公司德州电厂 | 一种贫煤锅炉炉膛烟气气氛测量方法 |
| CN113095538A (zh) * | 2020-06-08 | 2021-07-09 | 华北电力大学 | 面向灵活性运行的热电联产机组宽负荷运行动态特性建模方法 |
| CN113250768A (zh) * | 2021-06-17 | 2021-08-13 | 汉谷云智(武汉)科技有限公司 | 一种热电联产供热机组热电负荷优化方法 |
-
2021
- 2021-08-24 CN CN202110975832.5A patent/CN113807196A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017050207A1 (zh) * | 2015-09-21 | 2017-03-30 | 华北电力科学研究院有限责任公司 | 发电机组能效分析方法 |
| CN108182206A (zh) * | 2017-12-14 | 2018-06-19 | 国电南瑞科技股份有限公司 | 一种热力机组热力特性监测分析方法 |
| CN108319131A (zh) * | 2017-12-27 | 2018-07-24 | 国网山东省电力公司电力科学研究院 | 基于数据挖掘的机组调峰能力评估方法 |
| CN109858664A (zh) * | 2018-11-23 | 2019-06-07 | 国网新疆电力有限公司电力科学研究院 | 基于相关向量机的供热机组热电关系预测方法及装置 |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 基于飞机航迹特征的智能机型识别方法 |
| CN111680398A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 一种基于Holt-Winters模型的单机性能退化预测方法 |
| CN113095538A (zh) * | 2020-06-08 | 2021-07-09 | 华北电力大学 | 面向灵活性运行的热电联产机组宽负荷运行动态特性建模方法 |
| CN112377985A (zh) * | 2020-10-10 | 2021-02-19 | 湖南大唐先一科技有限公司 | 基于反馈神经网络的供热机组调峰下限评估方法及系统 |
| CN112507534A (zh) * | 2020-11-25 | 2021-03-16 | 山东电力研究院 | 一种热电联产机组供热期供电煤耗率折算方法及系统 |
| CN112763648A (zh) * | 2020-11-25 | 2021-05-07 | 华能国际电力股份有限公司德州电厂 | 一种贫煤锅炉炉膛烟气气氛测量方法 |
| CN112685900A (zh) * | 2020-12-31 | 2021-04-20 | 国网浙江省电力有限公司营销服务中心 | 一种表征冲击负荷功率特性的电力负荷模拟方法 |
| CN112348002A (zh) * | 2021-01-08 | 2021-02-09 | 成都云鼎智控科技有限公司 | 一种用于发动机测试的数据处理方法 |
| CN113250768A (zh) * | 2021-06-17 | 2021-08-13 | 汉谷云智(武汉)科技有限公司 | 一种热电联产供热机组热电负荷优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹兴;赵金峰;曹丽华;李晓莉;姜铁骝;: "供热机组的调峰能力研究", 汽轮机技术, no. 04, 25 August 2018 (2018-08-25) * |
| 杨海生;向鹏;王兴国;李浩;朱霄珣: "基于LS-SVM的供热机组调峰能力预测方法研究", 汽轮机技术, no. 01, 25 February 2019 (2019-02-25), pages 0 - 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139314A (zh) * | 2021-12-02 | 2022-03-04 | 华能国际电力股份有限公司德州电厂 | 一种基于sis参数线性回归的发电机组运行分析方法 |
| CN115146470A (zh) * | 2022-07-08 | 2022-10-04 | 东南大学 | 一种热电联供系统解耦度的综合评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009938B (zh) | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 | |
| Li et al. | Midterm load forecasting: A multistep approach based on phase space reconstruction and support vector machine | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
| CN105317476B (zh) | 一种基于特征通流面积的汽轮机流量曲线辨识及优化方法 | |
| CN102566551A (zh) | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 | |
| CN113807196A (zh) | 一种获得热电联产机组热电耦合特性的方法 | |
| CN102930344A (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN113515049A (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
| CN110197296B (zh) | 一种基于时间序列相似性的机组负荷预测方法 | |
| CN116073436B (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
| CN104750973A (zh) | 基于数据平滑度函数的火电机组负荷(准)稳态工况聚类算法 | |
| CN115423158A (zh) | 一种水轮发电机组数据趋势的预测分析方法及系统 | |
| CN112186761A (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN105240058B (zh) | 一种基于喷嘴流量计算的汽轮机流量曲线辨识及优化方法 | |
| CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
| CN105320167B (zh) | 火电机组主汽压力在线优化方法 | |
| CN111445141B (zh) | 一种供热机组的负荷分配方法、系统和装置 | |
| CN118194607B (zh) | 一种用于锅炉机组数据动态建模方法及系统 | |
| CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及系统 | |
| CN113887116A (zh) | 一种电站锅炉动态运行主汽温延迟特性建模方法 | |
| CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
| CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
| CN116757078A (zh) | 一种基于作用力的煤粉流速测量方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |