張國斌 劉永江 董竹林 趙煒 霍紅巖 殷建華

摘要：汽輪機(jī)在進(jìn)行改造或長期運(yùn)行以后，其閥門實(shí)際流量特性會偏離DEH系統(tǒng)中設(shè)置的流量特性參數(shù)，這將對機(jī)組的安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行帶來不利影響。因此，本文基于歷史運(yùn)行數(shù)據(jù)，提出了一種數(shù)據(jù)挖掘算法來獲取汽輪機(jī)在混合閥模式下調(diào)節(jié)閥組的實(shí)際流量特性曲線，并對其進(jìn)行了線性度分析，對非線性區(qū)域進(jìn)行了線性優(yōu)化，最終實(shí)現(xiàn)對閥門管理曲線的優(yōu)化調(diào)整。該方法效率高，耗時(shí)少，克服了傳統(tǒng)試驗(yàn)法的缺點(diǎn)。

關(guān)鍵詞：汽輪機(jī);閥門流量特性;數(shù)據(jù)挖掘;參數(shù)辨識;線性優(yōu)化

中圖分類號：TP3 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）30-0233-04

汽輪機(jī)調(diào)節(jié)閥的流量特性是指總閥位指令與機(jī)組進(jìn)汽量的一一對應(yīng)關(guān)系，它是由DEH系統(tǒng)中的配汽函數(shù)來進(jìn)行數(shù)值表征，只有當(dāng)兩者相一致時(shí)汽輪機(jī)才具備良好的控制性能和運(yùn)行穩(wěn)定性，而其配汽函數(shù)的原始參數(shù)一般是由汽輪機(jī)廠家設(shè)計(jì)而來。在實(shí)際應(yīng)用中，由于設(shè)備安裝偏差、通流部分改造、DEH改造、運(yùn)行老化等原因，會使調(diào)節(jié)閥組的實(shí)際流量特性偏離控制系統(tǒng)中設(shè)置的閥門流量特性參數(shù)，以至于引發(fā)諸如單閥順序閥切換時(shí)負(fù)荷波動(dòng)大、機(jī)組變負(fù)荷和一次調(diào)頻期間機(jī)組協(xié)調(diào)能力不足的問題，造成機(jī)組控制困難，影響機(jī)組的安全穩(wěn)定運(yùn)行。因此，在機(jī)組進(jìn)行改造或長期運(yùn)行后，對其進(jìn)行閥門流量特性參數(shù)的優(yōu)化就具有非常重要的意義。目前，最常用的優(yōu)化方法是進(jìn)行汽輪機(jī)閥門流量特性試驗(yàn)，對試驗(yàn)數(shù)據(jù)進(jìn)行分析和計(jì)算得到機(jī)組的實(shí)際流量特性曲線。但傳統(tǒng)的試驗(yàn)法過程復(fù)雜、工作量大、試驗(yàn)條件苛刻，不僅耗時(shí)還消耗大量的人力、物力，而且試驗(yàn)過程還可能對機(jī)組的安全穩(wěn)定運(yùn)行帶來不利影響。因此文獻(xiàn)[5]運(yùn)用機(jī)組歷史數(shù)據(jù)建立單個(gè)閥門的實(shí)際流量特性曲線，對調(diào)節(jié)閥配汽過程進(jìn)行仿真，通過改變重疊度對閥門流量特性曲線進(jìn)行線性優(yōu)化。優(yōu)化后的閥門管理曲線提高了負(fù)荷的控制精度，改善了機(jī)組的一次調(diào)頻能力。文獻(xiàn)[7][8]采用數(shù)據(jù)挖掘算法求出順序閥運(yùn)行方式下調(diào)節(jié)閥組的實(shí)際流量特性曲線，基于給定的目標(biāo)曲線得到優(yōu)化后的閥門管理曲線。這種基于大數(shù)據(jù)分析的閥門流量特性優(yōu)化方法效率高，耗時(shí)少，計(jì)算過程簡便。

因此，本文基于機(jī)組運(yùn)行的歷史數(shù)據(jù)，采用數(shù)據(jù)挖掘算法求取汽輪機(jī)在混合閥模式下調(diào)節(jié)閥組的實(shí)際流量特性曲線，并對高壓調(diào)節(jié)閥門管理曲線進(jìn)行優(yōu)化。

1汽輪機(jī)調(diào)節(jié)閥實(shí)際流量特性辨識方法

1.1模型參數(shù)選取

在DCS系統(tǒng)中選取與閥門流量特性相關(guān)的參數(shù)，如表1所示。

1.2穩(wěn)定工況選取

機(jī)組DCS系統(tǒng)中不僅包括穩(wěn)定工況運(yùn)行的數(shù)據(jù)，還存在大量動(dòng)態(tài)過程以及異常情況的數(shù)據(jù)，在運(yùn)用歷史數(shù)據(jù)進(jìn)行調(diào)節(jié)閥組流量特性曲線辨識之前應(yīng)對數(shù)據(jù)進(jìn)行預(yù)處理，篩選出穩(wěn)定工況的數(shù)據(jù)，確保獲取的數(shù)據(jù)能反映機(jī)組的實(shí)際特性。判斷機(jī)組是否處于熱力穩(wěn)定的原則是將數(shù)據(jù)嚴(yán)格按照采樣時(shí)間的先后順序，若重要參數(shù)至少穩(wěn)定3～4個(gè)采樣周期（即10s）則認(rèn)為處于熱力穩(wěn)定。因此，采用下式的邏輯語句進(jìn)行穩(wěn)定工況的判定：

其中，yi（k）表示第i個(gè)歷史數(shù)據(jù);k表示采樣時(shí)刻;yi，max和yi.min表示yi（k）在獲得的歷史數(shù)據(jù)中的最大值和最小值;a表示穩(wěn)定時(shí)間;占一般取0.05%-0.25%。重要參數(shù)主要選取總閥位指令、機(jī)組負(fù)荷和主蒸汽壓力。

1.3異常數(shù)據(jù)剔除

文獻(xiàn)【7】【8】[9】均采用格拉布斯法來剔除同一工況的異常數(shù)據(jù)，該方法需對每個(gè)工況下的所有數(shù)據(jù)進(jìn)行偏離值計(jì)算，并與臨界值進(jìn)行比較以此來判斷是否為異常值。本文數(shù)據(jù)量大，若采用格拉布斯方法則計(jì)算量大，效率較低。而孤立森林算法fIsolation Forestl是一種非監(jiān)督異常數(shù)據(jù)檢測方法，算法效率高，效果好，使用簡便，能有效處理高維數(shù)據(jù)和海量數(shù)據(jù)。算法的基本思想是用一個(gè)隨機(jī)超平面來切割數(shù)據(jù)空間，切一次可以產(chǎn)生兩個(gè)子空間，然后繼續(xù)用一個(gè)隨機(jī)超平面來切割每個(gè)子空間，循環(huán)以上操作直到每個(gè)子空間里只有一個(gè)數(shù)據(jù)點(diǎn)為止。直觀上來看，那些異常點(diǎn)因?yàn)槊芏鹊秃芸炀蜁恼w中被分割出來，而正常點(diǎn)即密度高的簇要切割多次才能停止。

孤立森林由iTree組成，采用多次迭代方式構(gòu)建二叉搜索樹，并將這些二叉樹組成森林。其構(gòu)建過程如下：首先，從n個(gè)數(shù)據(jù)空間中隨機(jī)抽取m個(gè)樣本，隨機(jī)選取一個(gè)特征作為起始節(jié)點(diǎn)，并在該特征的值域里隨機(jī)選擇一個(gè)值，對m個(gè)樣本進(jìn)行二叉劃分，將樣本中小于該值的數(shù)據(jù)劃分到左分支，剩余的值劃分到右分支。然后對左右兩個(gè)分支分別重復(fù)進(jìn)行以上二叉劃分操作，直到節(jié)點(diǎn)上只有一個(gè)樣本點(diǎn)或者樹的高度達(dá)到了限制值。當(dāng)二叉森林構(gòu)建完成后，記錄每個(gè)數(shù)據(jù)從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的路徑長度h（x），以此來計(jì)算該數(shù)據(jù)的異常指數(shù)s（x，n）。

經(jīng)過上述方法計(jì)算，可獲得某主蒸汽壓力下機(jī)組總閥位指令與實(shí)際進(jìn)汽量之間的關(guān)系，也就是汽輪機(jī)調(diào)節(jié)閥組的實(shí)際流量特性曲線。

1.5聚類分析

聚類算法是根據(jù)數(shù)據(jù)集之間的相似程度進(jìn)行合理歸類的一種方法，在同一類別中的數(shù)據(jù)比不在同一類別中的數(shù)據(jù)具有更多的相似性?，F(xiàn)有文獻(xiàn)均采用k-means算法，它是基于距離來衡量數(shù)據(jù)之間的相似程度，適用于類球形的數(shù)據(jù)集，而且算法需要預(yù)先估計(jì)聚類數(shù)量，初始中心點(diǎn)的選取不同會直接導(dǎo)致結(jié)果的不同。因此本文采用密度峰值（Density Peak）的聚類算法，該算法將距離和密度巧妙地結(jié)合起來，假設(shè)聚類中心周圍都是密度比其低的點(diǎn)，同時(shí)這些點(diǎn)與該聚類中心的距離相比于其他聚類中心是最近的，以此來克服基于距離的算法只能發(fā)現(xiàn)類圓形聚類的缺點(diǎn)，并且Density peak算法無須提前設(shè)定聚類中心數(shù)目，算法通用性更強(qiáng)。算法流程如下：

（1）計(jì)算每個(gè)點(diǎn)的局部密度p;：本文采用高斯核函數(shù)來表征點(diǎn)的局部密度：

其中，dij表示點(diǎn)i與點(diǎn)j之間的距離;dc表示鄰域半徑，需人工設(shè)定，可選擇為平均每個(gè)點(diǎn)的局部密度為數(shù)據(jù)總數(shù)的1-2%。

（2）計(jì)算每個(gè)點(diǎn)的聚類中心聚類δi：將每個(gè)點(diǎn)的局部密度值降序排列，密度最大點(diǎn)的聚類中心距離等于與該點(diǎn)距離最遠(yuǎn)的點(diǎn)之間的距離;而其他點(diǎn)的聚類中心距離等于在密度大于該點(diǎn)的點(diǎn)集合中，與該點(diǎn)距離最近的點(diǎn)之間的距離。我們可以認(rèn)為，局部密度和聚類中心距離值都較大的點(diǎn)極有可能是聚類的核心點(diǎn)，而周圍密度小且距離其他點(diǎn)遠(yuǎn)的點(diǎn)就屬于噪聲點(diǎn)。

（3）確定聚類中心：定義ri=pi*δi，由（2）可知，ri越大，該點(diǎn)就是聚類中心，因此對ri進(jìn)行降序排列并對其求導(dǎo)，變化最明顯處就作為選取聚類中心的分界點(diǎn)。

（4）確定其他點(diǎn)所屬類別：聚類中心確定后，當(dāng)前點(diǎn)的類別標(biāo)簽與高于當(dāng)前點(diǎn)密度且距離最近的點(diǎn)的標(biāo)簽一致。

2汽輪機(jī)混合閥模式下調(diào)節(jié)閥組流量特性辨識結(jié)果

按照表1的相關(guān)參數(shù)，以3s為采樣周期選取600MW機(jī)組2019年6月連續(xù)一周的歷史數(shù)據(jù)。

首先，按照式（1）篩選出穩(wěn)定工況的數(shù)據(jù)，然后采用孤立森林算法剔除異常數(shù)據(jù)，進(jìn)一步減少數(shù)據(jù)量。數(shù)據(jù)初篩結(jié)果如圖1所示，機(jī)組各參數(shù)曲線的走向趨勢以及曲線形狀未出現(xiàn)失真情況，基本得到了重現(xiàn)，證明本文采用的數(shù)據(jù)篩選方法科學(xué)可行、可靠有效。

其次，按照公式（3）（4）計(jì)算汽輪機(jī)的實(shí)際進(jìn)汽量和修正后的進(jìn)汽量，得到調(diào)節(jié)閥組實(shí)際流量特性曲線，如圖2所示，對其進(jìn)行DensiIy peak聚類，結(jié)果如圖3所示。

對比圖2、圖3可知，聚類后曲線完全復(fù)現(xiàn)了原有曲線的特征形態(tài)，在減小數(shù)據(jù)量的同時(shí)有效去掉了噪聲數(shù)據(jù)，提取了最能反映機(jī)組實(shí)際特性的目標(biāo)數(shù)據(jù)，提高了辨識結(jié)果的精確度，驗(yàn)證了本文聚類方法的可行性。圖3中藍(lán)色直線是依據(jù)最小方差原則擬合出的線段以分析實(shí)際流量特性曲線的線性度。從圖中可知，曲線在總閥位指令80%-100%之間總體線性度較好，只有在88%-90%之間時(shí)曲線局部線性度較差且曲線斜率過小，這將導(dǎo)致一次調(diào)頻調(diào)節(jié)時(shí)負(fù)荷響應(yīng)不足的問題。

為了使AGC響應(yīng)速率以及一次調(diào)頻品質(zhì)滿足要求，調(diào)節(jié)閥組流量特性曲線必須為線性。因此，將圖4中直線作為流量特性曲線的優(yōu)化目標(biāo)曲線，通過計(jì)算得到圖5所示的閥門管理曲線。

從圖5可知，四個(gè)高壓調(diào)節(jié)閥門管理曲線在總閥位指令88%-90%之間進(jìn)行了一定的調(diào)整，而在其他總閥位指令下基本保持不變，以解決流量特性曲線在此區(qū)間斜率過小的問題。

3總結(jié)

本文基于機(jī)組運(yùn)行的歷史數(shù)據(jù)，提出了一種數(shù)據(jù)挖掘算法來獲取汽輪機(jī)混合閥模式下調(diào)節(jié)閥組的實(shí)際流量特性曲線。數(shù)據(jù)挖掘過程利用無監(jiān)督異常值檢測算法、Density Peak聚類算法以及變工況流量計(jì)算來獲取調(diào)節(jié)閥組的實(shí)際流量特性曲線，最終實(shí)現(xiàn)對閥門管理曲線的優(yōu)化。

該方法克服了傳統(tǒng)試驗(yàn)法的缺點(diǎn)，減輕了工作量。但該方法依賴于歷史數(shù)據(jù)，機(jī)組在實(shí)際運(yùn)行過程中基本無法實(shí)現(xiàn)全工況運(yùn)行，因此部分工況的數(shù)據(jù)會存在缺失，無法得到全工況范圍內(nèi)的調(diào)節(jié)閥實(shí)際流量特性曲線。