羅云，陳雪林，李瑞東，蘇永健，徐義巍，晁俊凱，李鵬竹，任海彬

?

汽輪機(jī)變工況下調(diào)節(jié)級(jí)壓力預(yù)測(cè)模型及應(yīng)用

羅云1,2，陳雪林1，李瑞東3，蘇永健1，徐義巍1，晁俊凱1，李鵬竹1，任海彬1

（1．寧夏京能寧東發(fā)電有限責(zé)任公司，寧夏回族自治區(qū) 銀川市 750001； 2．北京東方國(guó)信科技股份有限公司，北京市 朝陽(yáng)區(qū) 100012； 3．北京京能電力股份有限公司，北京市 朝陽(yáng)區(qū) 100025）

為監(jiān)視汽輪機(jī)通流部分的健康狀況和進(jìn)行故障早期診斷，以汽輪機(jī)變工況計(jì)算為理論基礎(chǔ)，基于弗留格爾公式和Weierstrass逼近定理，建立了調(diào)節(jié)級(jí)壓力的多元回歸模型。根據(jù)某660MW間接空冷機(jī)組大修后的運(yùn)行數(shù)據(jù)對(duì)模型進(jìn)行回歸分析和驗(yàn)證，結(jié)果表明：模型具有很高的擬合度，自變量對(duì)因變量影響顯著；穩(wěn)態(tài)工況時(shí)，預(yù)測(cè)結(jié)果與實(shí)測(cè)值趨勢(shì)一致，相對(duì)誤差約為1.2%，實(shí)現(xiàn)了變工況下調(diào)節(jié)級(jí)壓力軟測(cè)量。將模型應(yīng)用于電廠分布式控制系統(tǒng)中，建立了汽輪機(jī)通流部分故障的預(yù)警系統(tǒng)。

汽輪機(jī)；故障診斷；調(diào)節(jié)級(jí)壓力；預(yù)測(cè)模型；多元回歸分析；分布式控制系統(tǒng)(DCS)

0 引言

隨著電力體制改革不斷深入，超臨界600MW以上等級(jí)的機(jī)組已成為火力發(fā)電廠的主力機(jī)型，但超臨界機(jī)組在運(yùn)行過程中也存在一些問題。一方面，超臨界機(jī)組在運(yùn)行中不能通過有效的措施降低爐水中的雜質(zhì)，導(dǎo)致蒸汽鹽分含量高。含鹽蒸汽通過汽輪機(jī)做功后，壓力降低，溶解在蒸汽中的鹽類析出，會(huì)引起汽輪機(jī)通流部分結(jié)垢[1-2]。另一方面，在機(jī)組啟動(dòng)過程中，普遍存在爐管氧化皮生成和脫落現(xiàn)象，而氧化皮顆粒隨蒸汽進(jìn)入汽輪機(jī)后，會(huì)改變噴嘴和動(dòng)葉的線型，降低其空氣動(dòng)力性能；增加葉片表面的粗糙度，增大葉片的摩擦損失；增大汽封間隙，使級(jí)間漏汽量增 大[3]，從而造成機(jī)組運(yùn)行中效率降低，熱耗增加，調(diào)節(jié)級(jí)壓力不斷升高。因此，建立調(diào)節(jié)級(jí)壓力預(yù)測(cè)模型，進(jìn)行汽輪機(jī)通流部分健康狀態(tài)評(píng)估和故障早期診斷，對(duì)于保證機(jī)組安全、經(jīng)濟(jì)運(yùn)行具有重要意義。

目前，關(guān)于對(duì)火電廠運(yùn)行參數(shù)預(yù)測(cè)建模的文獻(xiàn)很多。依據(jù)BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意復(fù)雜非線性關(guān)系映射[4]的特點(diǎn)，大多都采用神經(jīng)網(wǎng)絡(luò)算法，如文獻(xiàn)[5]建立了凝汽器真空的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；文獻(xiàn)[6]建立了超臨界機(jī)組過熱器壁溫的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；文獻(xiàn)[7]建立了神經(jīng)網(wǎng)絡(luò)算法的鍋爐NO排放量預(yù)測(cè)模型。雖然這些模型通過樣本檢測(cè)，預(yù)測(cè)效果很好，但神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)很難寫入電廠的DCS系統(tǒng)中，因此，一般只用于離線預(yù)測(cè)，模型適用性不強(qiáng)。筆者嘗試通過理論計(jì)算得到汽輪機(jī)各工況下的調(diào)節(jié)級(jí)壓力，但計(jì)算過程也存在以下3個(gè)方面的問題：1）計(jì)算過程需要較多的原始數(shù)據(jù)，由于測(cè)點(diǎn)的測(cè)量精度影響不可避免的會(huì)產(chǎn)生觀測(cè)誤差。2）計(jì)算過程要求通過噴嘴和動(dòng)葉的蒸汽流量相等，但實(shí)際熱力過程中，通過噴嘴后的蒸汽分成3部分：第1部分(大部分)通過動(dòng)葉進(jìn)入下一級(jí)；第2部分通過噴嘴組與轉(zhuǎn)子之間的汽封(過橋汽封)漏入中壓缸；第3部分由動(dòng)葉頂部的汽封直接進(jìn)入下一級(jí)。3）全開閥門和部分開啟閥門噴嘴組的通流面積不能直接測(cè)量，只能查閱設(shè)計(jì)資料獲得。由于噴嘴組制造和安裝的誤差，設(shè)計(jì)通流面積與實(shí)際通流面積會(huì)有一定的偏差。因此，通過理論計(jì)算得到的調(diào)節(jié)級(jí)壓力并不是絕對(duì)準(zhǔn)確，只是近似準(zhǔn)確，而且計(jì)算過程復(fù)雜。

鑒于神經(jīng)網(wǎng)絡(luò)模型應(yīng)用的局限性和機(jī)理模型的復(fù)雜性，本文以汽輪機(jī)變工況計(jì)算為理論基礎(chǔ)，分析了機(jī)組運(yùn)行中調(diào)節(jié)級(jí)壓力的影響因素，基于弗留格爾公式[8-9]和Weierstrass逼近定理[10]，分別建立了調(diào)節(jié)級(jí)壓力對(duì)每個(gè)影響因素的數(shù)學(xué)模型，在此基礎(chǔ)上建立了調(diào)節(jié)級(jí)壓力的多元回歸模型。以某660MW機(jī)組大修后的運(yùn)行數(shù)據(jù)對(duì)模型進(jìn)行回歸分析和參數(shù)求解，得到了回歸方程，實(shí)現(xiàn)了該機(jī)組調(diào)節(jié)級(jí)壓力預(yù)測(cè)。

1 調(diào)節(jié)級(jí)壓力理論計(jì)算

由于調(diào)節(jié)級(jí)的通流面積在汽輪機(jī)變工況運(yùn)行中隨調(diào)節(jié)閥開啟的個(gè)數(shù)而改變，級(jí)組壓比也隨著通流面積變化而變化，因此調(diào)節(jié)級(jí)變工況計(jì)算時(shí)需要同時(shí)考慮通過全開調(diào)節(jié)閥的汽流和通過部分開啟閥的汽流。通過調(diào)節(jié)級(jí)變工況計(jì)算調(diào)節(jié)級(jí)后壓力時(shí)，需要借助調(diào)節(jié)級(jí)特性曲線。調(diào)節(jié)級(jí)特性曲線可直接查閱廠家資料或者通過調(diào)節(jié)級(jí)特性曲線快速計(jì)算法得到[7,11-12]，調(diào)節(jié)級(jí)后壓力具體計(jì)算步驟如下：

1）已知主蒸汽壓力0和溫度0，全開調(diào)節(jié)閥后和部分開啟調(diào)節(jié)閥后的壓力0?和0?，調(diào)節(jié)級(jí)后蒸汽溫度1(已知量直接測(cè)量得到)。

2）假設(shè)調(diào)節(jié)級(jí)后壓力為1，根據(jù)調(diào)節(jié)級(jí)后溫度1，調(diào)用水蒸氣特性計(jì)算程序，計(jì)算調(diào)節(jié)級(jí)后蒸汽比焓1。

3）調(diào)用=()特性曲線方程，由壓比?=1/￠0，查出對(duì)應(yīng)的?，利用式(1)、(2)計(jì)算全開調(diào)節(jié)閥的蒸汽流量￠：

式中：?為全開調(diào)節(jié)閥的蒸汽流量，kg/s；0、?0、1分別為主蒸汽壓力，全開調(diào)節(jié)閥后壓力和調(diào)節(jié)級(jí)后壓力，MPa；0為主蒸汽比容，m3/kg；?為噴嘴流量比；?為全開調(diào)節(jié)閥噴嘴組面積，cm2；?為系數(shù)；cr為噴嘴組的臨界壓比，過熱蒸汽為0.546。

4）調(diào)用=()特性曲線方程，由壓力比?=1/?0，查出對(duì)應(yīng)的2，利用式(1)計(jì)算部分開啟蒸汽調(diào)節(jié)閥流量2。

5）利用式(3)、(4)計(jì)算D?和D2：

式中：為等熵指數(shù)，=1.3；D?為通過全開調(diào)節(jié)閥蒸汽的理想比焓降，kJ/kg；D2為通過部分開啟調(diào)節(jié)閥蒸汽的理想比焓降，kJ/kg。

6）利用式(5)、(6)計(jì)算全開調(diào)節(jié)閥和部分開啟調(diào)節(jié)閥2部分蒸汽的速度比?和2：

式中為輪周速度，m/s。

7）調(diào)用調(diào)節(jié)級(jí)=(x)特性曲線，根據(jù)式(7)、 (8)分別計(jì)算通過全開調(diào)節(jié)閥和部分開啟調(diào)節(jié)閥2部分蒸汽在動(dòng)葉出口的實(shí)際比焓?1和21：

式中：0為主蒸汽比焓，kJ/kg ；?和2分別為全開調(diào)節(jié)閥和部分開啟調(diào)節(jié)閥調(diào)節(jié)級(jí)輪周效率。

8）根據(jù)式(9)計(jì)算2部分蒸汽在調(diào)節(jié)級(jí)室內(nèi)混合后的實(shí)際比焓值21：

9）當(dāng)1=21，認(rèn)為調(diào)節(jié)后壓力1假設(shè)成立，否則重復(fù)步驟1）—7），每次對(duì)1增加0.001進(jìn)行迭代計(jì)算，直到得到正確的1。

綜上所述，調(diào)節(jié)級(jí)壓力計(jì)算流程如圖1所示。

圖1 調(diào)節(jié)級(jí)壓力計(jì)算流程圖

2 調(diào)節(jié)級(jí)壓力數(shù)據(jù)建模

2.1 調(diào)節(jié)級(jí)壓力的特征變量選取

由調(diào)節(jié)級(jí)壓力的機(jī)理計(jì)算模型可知，調(diào)節(jié)級(jí)壓力由主蒸汽壓力、溫度、調(diào)節(jié)閥開度、調(diào)節(jié)級(jí)特性(特性曲線和調(diào)節(jié)級(jí)幾何尺寸)決定。對(duì)特定的機(jī)組，調(diào)節(jié)級(jí)特性是固定的；機(jī)組運(yùn)行中，主蒸汽溫度基本保持不變；主蒸汽壓力隨著負(fù)荷變化線性變化；調(diào)節(jié)閥開度受機(jī)組負(fù)荷和背壓影響；為避免自變量之間具有完全多重共線性關(guān)系，只選取負(fù)荷和背壓作為調(diào)節(jié)級(jí)壓力建模的自變量。

2.2 多元回歸分析

多元回歸分析(multiple regression analysis，MRA)是指在相關(guān)變量中將一個(gè)變量視為因變量，其他一個(gè)或多個(gè)變量視為自變量，建立多個(gè)變量之間線性或非線性數(shù)學(xué)模型數(shù)量關(guān)系式，并利用樣本數(shù)據(jù)進(jìn)行分析的統(tǒng)計(jì)分析方法。另外也有討論多個(gè)自變量與多個(gè)因變量線性依賴關(guān)系的多元回歸分析，稱為多元多重回歸分析模型[13]。多元線性回歸模型可表示為

式中：為因變量；1,…,x為自變量；0為回歸常數(shù)；1,…,為偏回歸系數(shù)；為隨機(jī)誤差。對(duì)1,…,x進(jìn)行變量轉(zhuǎn)換，式(10)可以轉(zhuǎn)化為多種形式的多元非線性回歸模型，如指數(shù)模型、對(duì)數(shù)模型、多項(xiàng)式回歸模型等。

2.3 確定調(diào)節(jié)級(jí)壓力多元回歸模型形式

2.3.1 調(diào)節(jié)級(jí)壓力與機(jī)組負(fù)荷的一元回歸模型

汽輪機(jī)變工況過程中，部分開啟的閥們未全開前，1/20大于1/?0，由公式(3)、(4)可知，通過全開閥門蒸汽理想比焓降D?大于通過部分開啟閥門蒸汽的理想比焓降D2。而2部分蒸汽在調(diào)節(jié)級(jí)室混合后的實(shí)際比焓值21一樣，所以，通過全開閥門蒸汽的有效比焓降大于通過部分開啟閥門蒸汽的有效比焓降。也就是說，在第1個(gè)調(diào)節(jié)閥全開后，隨著其他調(diào)節(jié)閥開啟，蒸汽流量增加的過程中，調(diào)節(jié)級(jí)的有效比焓降會(huì)減少。

而對(duì)于末級(jí)，如果背壓不變，隨著蒸汽流量增加，末級(jí)前后壓比減少，蒸汽有效比焓降增加。調(diào)節(jié)級(jí)和末級(jí)有效比焓降反向變化，增量相互抵消，加之中間各級(jí)組的壓比不變，各級(jí)的理想比焓降、效率、有效比焓降基本不變[8]，使得整機(jī)的有效比焓降基本保持不變。

綜合以上分析，由汽輪機(jī)功率方程式可知，背壓不變時(shí)，汽輪機(jī)功率與蒸汽流量成線性變化。

對(duì)于凝汽式汽輪機(jī)，將調(diào)節(jié)級(jí)后的所有壓力級(jí)取成一個(gè)級(jí)組，忽略調(diào)節(jié)級(jí)溫度變化，應(yīng)用弗留格爾公式[12]，則有

式中：、分別為變工況的主蒸汽流量、調(diào)節(jié)級(jí)后壓力；0、0分別為設(shè)計(jì)工況的主蒸汽流量、調(diào)節(jié)級(jí)后壓力。

對(duì)特定的機(jī)組，0/0為常數(shù)，根據(jù)式(11)可推導(dǎo)出

式中為常數(shù)。

建立調(diào)節(jié)級(jí)壓力與機(jī)組負(fù)荷的一元回歸模型為

式中：為調(diào)節(jié)級(jí)壓力，MPa；1為機(jī)組負(fù)荷，MW；?0為回歸常數(shù)；?1為偏回歸系數(shù)；為隨機(jī)誤差。

2.3.2 調(diào)節(jié)級(jí)壓力與背壓的一元回歸模型

機(jī)組運(yùn)行過程中，由于凝汽器循環(huán)水進(jìn)水流量或溫度變化導(dǎo)致背壓升高時(shí)，低壓缸末級(jí)焓降減少，為維持負(fù)荷不變，汽輪機(jī)開大調(diào)節(jié)閥增加蒸汽流量，蒸汽流量的增加，又會(huì)造成背壓升高，達(dá)到穩(wěn)態(tài)是一個(gè)非常復(fù)雜的熱力過程。因此，通過理論分析，建立調(diào)節(jié)級(jí)壓力與背壓的函數(shù)關(guān)系是很困難的。由Weierstrass逼近定理可知：任何函數(shù)在一定范圍內(nèi)都可用多項(xiàng)式以任意精度逼近。因此，機(jī)組負(fù)荷不變時(shí)，調(diào)節(jié)級(jí)壓力可由背壓的多項(xiàng)式表示：

式中：2為背壓，kPa；0為回歸常數(shù)；1,…,為偏回歸系數(shù)。

2.3.3 調(diào)節(jié)級(jí)壓力多元回歸模型

根據(jù)式(13)、(14)，建立調(diào)節(jié)級(jí)壓力的多元回歸模型為

式中：?1,1,…,為偏回歸系數(shù)；為多項(xiàng)式 次數(shù)。

3 案例分析

3.1 案例電廠數(shù)據(jù)樣本

以某超臨界660MW機(jī)組為研究對(duì)象，為使建模數(shù)據(jù)樣本包含各種工況，每間隔1min采集一次數(shù)據(jù)，采集了該機(jī)組連續(xù)運(yùn)行15天的負(fù)荷、調(diào)節(jié)級(jí)壓力、背壓數(shù)據(jù)，共計(jì)20165組，其中負(fù)荷變化范圍325~624MW，背壓變化范圍為11.2~39.8kPa。采用時(shí)窗公式法[13]，篩選了4900組準(zhǔn)穩(wěn)態(tài)過程數(shù)據(jù)，數(shù)據(jù)樣本如圖2所示。

圖2 數(shù)據(jù)樣本

3.2 回歸分析

3.2.1 模型擬合優(yōu)度檢驗(yàn)

擬合優(yōu)度用于檢測(cè)回歸模型對(duì)樣本數(shù)據(jù)的擬合程度。選擇不同的值，用數(shù)據(jù)樣本對(duì)模型(15)進(jìn)行回歸分析，判定系數(shù)2如表1所示。由表1可知，當(dāng)大于2時(shí)，2增加量減少；當(dāng)大于3時(shí)，2不再增加，為避免模型出現(xiàn)“過擬合”的問題和模型過于復(fù)雜，選擇=2。

表1 不同n值與判定系數(shù)R2

=2時(shí)，模型的擬合優(yōu)度指標(biāo)如表2所示，復(fù)相關(guān)系數(shù)=0.9988，接近于1，說明調(diào)節(jié)級(jí)壓力與自變量1、2、22高度正相關(guān)。判定系數(shù)2=0.9977，說明機(jī)組負(fù)荷和背壓可解釋調(diào)節(jié)級(jí)壓力變化的99.77%，0.23%由其他因素決定。標(biāo)準(zhǔn)誤差為0.1014，數(shù)值較小，模型精度較高。

表2 n=2模型擬合度指標(biāo)

3.2.2 模型整體顯著性檢驗(yàn)

回歸模型的整體顯著性檢驗(yàn)，就是檢驗(yàn)全部自變量對(duì)因變量的共同影響是否顯著。由表3模型方差分析表可看到，Significance(為顯著性統(tǒng)計(jì)量)的值為0，小于顯著性水平0.05 ，說明該回歸方程回歸效果顯著，且方程中至少有一個(gè)回歸系數(shù)顯著不為0。

表3 模型方差分析

3.2.3 回歸系數(shù)顯著性分析

模型整體顯著并不表示每個(gè)自變量對(duì)于因變量的影響都是顯著的[14-15]，故進(jìn)行回歸系數(shù)顯著性分析，檢驗(yàn)當(dāng)其他自變量不變時(shí)，該回歸系數(shù)對(duì)應(yīng)的自變量是否對(duì)因變量有顯著影響。由表4模型的偏回歸系數(shù)可看出，自變量統(tǒng)計(jì)量的顯著性值均小于0.05，通過檢測(cè)。

表4 回歸系數(shù)分析

3.2.4 回歸方程估算

3.3 模型驗(yàn)證

以該機(jī)組某日6:00—16:00的實(shí)際運(yùn)行參數(shù)為檢測(cè)樣本，每間隔1min采樣一次，對(duì)模型進(jìn)行檢測(cè)，模型預(yù)測(cè)曲線與實(shí)時(shí)曲線比較如圖3所示，誤差如圖4所示。由圖3和圖4可知，在穩(wěn)定工況時(shí)，調(diào)節(jié)級(jí)壓力預(yù)測(cè)值與實(shí)時(shí)值誤差絕對(duì)值小于0.2MPa，相對(duì)誤差約為1.6%，具有較高的精度。變工況時(shí)，由于機(jī)組背壓滯后負(fù)荷變化，預(yù)測(cè)值誤差稍大，但對(duì)整體預(yù)測(cè)效果沒有影響。

圖3 實(shí)測(cè)曲線與預(yù)測(cè)值曲線圖

Fig. 3 Measured curve vs. predicted value graph

圖4 預(yù)測(cè)值誤差散點(diǎn)圖

4 模型應(yīng)用

4.1 變工況下調(diào)節(jié)級(jí)壓力異常預(yù)警

DCS系統(tǒng)參數(shù)預(yù)警的傳統(tǒng)方法采用固定的最大值和最小值設(shè)置，而對(duì)于隨機(jī)組工況變化的參數(shù)，顯然不能達(dá)到監(jiān)視其是否偏離正常值的目的。如調(diào)節(jié)級(jí)壓力預(yù)警只根據(jù)設(shè)計(jì)閥門全開(VWO)工況的壓力值設(shè)置了超壓預(yù)警，即便是通流部分出現(xiàn)故障，調(diào)節(jié)級(jí)壓力也很難超過VWO工況的壓力，因此，這樣的預(yù)警設(shè)置沒有實(shí)質(zhì)性意義。

根據(jù)機(jī)組當(dāng)前負(fù)荷和背壓，由調(diào)節(jié)級(jí)壓力回歸模型計(jì)算得到預(yù)測(cè)值，與實(shí)時(shí)監(jiān)測(cè)值對(duì)比，建立變工況下調(diào)節(jié)級(jí)壓力異常預(yù)警系統(tǒng)，邏輯設(shè)計(jì)如圖5所示。

4.2 通流部分級(jí)組故障診斷

汽輪機(jī)通流部分故障最終會(huì)導(dǎo)致通流面積增加或減少[16]，通流部分結(jié)垢時(shí)，級(jí)組通流面積減少，級(jí)組壓比減少[17]；通流部分磨損時(shí)，級(jí)組通流面積增加，級(jí)組壓比增大。以該660MW機(jī)組為對(duì)象，將一段抽汽到二段抽汽中間各級(jí)取作一個(gè)級(jí)組，機(jī)組運(yùn)行中該級(jí)組壓比的變化范圍為0.665~0.705，為排除高壓加熱器故障造成調(diào)節(jié)級(jí)壓力和級(jí)組壓比變化，以高壓加熱器上、下端差值作為判斷回?zé)嵯到y(tǒng)運(yùn)行正常的邊界條件，建立通流級(jí)組故障預(yù)警系統(tǒng)。

圖5 調(diào)節(jié)級(jí)壓力異常和級(jí)組故障預(yù)警邏輯設(shè)計(jì)圖

5 結(jié)論

汽輪機(jī)調(diào)節(jié)級(jí)壓力一定程度上反應(yīng)了通流部分的健康狀態(tài)，是汽輪機(jī)運(yùn)行過程中的重要監(jiān)視參數(shù)。本文介紹了調(diào)節(jié)級(jí)壓力的理論計(jì)算方法，鑒于其計(jì)算的復(fù)雜性和存在較大的誤差，在數(shù)據(jù)驅(qū)動(dòng)下，結(jié)合機(jī)理分析和多元回歸分析建立了調(diào)節(jié)級(jí)壓力的回歸預(yù)測(cè)模型，并將模型應(yīng)用于電廠DCS系統(tǒng)中，建立了變工況下的調(diào)節(jié)級(jí)壓力異常和級(jí)組故障在線預(yù)警系統(tǒng)，該研究成果的特點(diǎn)和意義在于：

1）采用調(diào)節(jié)級(jí)壓力和級(jí)組壓比同時(shí)變化的方法對(duì)汽輪機(jī)通流部分故障進(jìn)行在線診斷，相對(duì)于模糊神經(jīng)網(wǎng)絡(luò)故障診斷法和特征(或者當(dāng)量)通流面積診斷法，具有快速診斷和故障精準(zhǔn)定位的 優(yōu)勢(shì)；

2）優(yōu)化了DCS系統(tǒng)的預(yù)警功能，實(shí)現(xiàn)了DCS系統(tǒng)智能預(yù)警，為重要參數(shù)變工況下的預(yù)警設(shè)置提供了一種新方法。

[1] 丁旭春，王毅，殷志龍，等．超臨界630MW機(jī)組汽輪機(jī)通流結(jié)垢診斷及處理[J]．熱力發(fā)電，2013，42(11)：138-140．

[2] 楊濤，胥建群，周克毅，等．汽輪機(jī)通流部分結(jié)垢與熱力參數(shù)變化的關(guān)系分析[J]．江蘇電機(jī)工程，2013，32(2)：71-74．

[3] 劉志江，李續(xù)軍，劉向民．超臨界壓力汽輪機(jī)固體顆粒侵蝕的表面硬化處理技術(shù)[J]．中國(guó)電力，1996，37(2)：25-28．

[4] 朱永利，尹金良．人工智能在電力系統(tǒng)中的應(yīng)用研究與實(shí)踐綜述[J]．發(fā)電技術(shù)，2018，39(2)：106-111．

[5] 王建國(guó)，孟娜，殷鑫．基于粒子群優(yōu)化算法的凝汽器真空預(yù)測(cè)模型[J]．動(dòng)力工程學(xué)報(bào)，2012，32(10)：815-820．

[6] 鄧博，徐鴻，郭鵬，等．變負(fù)荷下超臨界機(jī)組過熱器壁溫預(yù)測(cè)[J]．中國(guó)電力，2018，51(3)：13-20．

[7] 孫寶民，信晶，楊斌，等．基于獨(dú)立主成分預(yù)測(cè)電站鍋爐NO[J]．中國(guó)電力，2018，51(3)：39-43．

[8] 李維特，黃保海．汽輪機(jī)變工況熱力計(jì)算[M]．北京：中國(guó)電力出版社，2001：143-145．

[9] 靳智平．電廠汽輪機(jī)原理及系統(tǒng)[M]．北京：中國(guó)電力出版社，2004：88-92．

[10] 將爾雄，趙風(fēng)光．?dāng)?shù)值逼近[M]．上海：復(fù)旦大學(xué)出版社，1996：183-185．

[11] 李慧君，趙翔．汽輪機(jī)調(diào)節(jié)級(jí)特性曲線快速算法改進(jìn)[J]．熱力發(fā)電，2016，45(10)：94-98．

[12] 張利平，王夕陽(yáng)，王睿，等．基于MATLAB的汽輪機(jī)調(diào)節(jié)級(jí)變工況計(jì)算[J]．華北水利水電大學(xué)學(xué)報(bào)，2015，36(3)：72-72．

[13] 顏節(jié)禮，唐建榮．應(yīng)用統(tǒng)計(jì)學(xué)[M]．西安：西安電子科技大學(xué)出版社，2016：103-104．

[14] Jiang X，Liu P，Li Z．Data reconciliation and gross error detection for operational data in power plants [J]．Energy，2014(75)：14-23．

[15] 楊勇平，袁星，黃圣偉，等．火電機(jī)組濕法脫硫系統(tǒng)能耗的回歸分析[J]．工程熱物理學(xué)報(bào)，2012，33(11)：54-56．

[16] 楊勇平，楊昆．汽輪機(jī)通流部分故障的熱力判據(jù)[J]．熱能動(dòng)力工程，1999，14(5)：347-349．

[17] 李勇，徐君詔，黃萍力．凝汽式汽輪機(jī)通流部分結(jié)垢診斷方法研究[J]．汽輪機(jī)技術(shù)，2008，50(5)：286-287．

Prediction Model and Application of Turbine Regulating Stage Pressure Under Variable Conditions

LUO Yun1,2, CHEN Xuelin1, LI Ruidong2, SU Yongjian1, XU Yiwei1, CHAO Junkai1, LI Pengzhu1, REN Haibin1

(1. Ningxia Ningdong Power Generation Co., Ltd., Yinchuan 750001, Ningxia Hui Autonomous Region, China; 2. Beijing Jing Business-intelligence of Oriental Nations Corporation Ltd.,Chaoyang District, Beijing 100012, China; 3. Beijing Jingneng Power Co., Ltd., Chaoyang District, Beijing 100025, China)

Using the calculation of the variable conditions for steam turbines as the theoretical basis, a multivariate regression model for regulating pressure was established based on the Frugell formula and the Weierstrass approximation theorem. According to the historical operation data of a 660MW generating set, the model was subjected to regression analysis and verification. The results show that the model has a high degree of fit, and the independent variable has a significant influence on the dependent variable; When the steady state conditions are met, the predicted results are consistent with the measured values and the relative error is about 1.2%, which enable soft pressure measurement of the regulation stage. The model was applied to the distributed control system (DCS) of the power plant, and an on-line warning system was established to adjust the pressure anomaly and the partial flow malfunction in the turbine under variable conditions.

steam turbine;fault diagnosis; regulation stage pressure; predicted model; multiple regression analysis; distributed control system(DCS)

10.12096/j.2096-4528.pgt.18173

2018-12-11。

羅云(1981)，男，高級(jí)工程師，從事火力發(fā)電廠運(yùn)行管理和大數(shù)據(jù)應(yīng)用研究工作，ayunmeng@163.com；

羅云

蘇永健(1973)，男，教授級(jí)高級(jí)工程師，從事火力發(fā)電廠管理和技術(shù)研究工作，本文通訊作者，18609582009@163.com；

李瑞東(1974)，男，高級(jí)工程師，從事電力安全生產(chǎn)和技術(shù)管理工作，lird@sina.com；

陳雪林(1984)，男，工程師，從事火力發(fā)電廠運(yùn)行和數(shù)據(jù)建模工作，445752152@qq.com。

(責(zé)任編輯 車德競(jìng))