[发明专利]一种火电机组能效特征指标基准值的获取方法

说明书

本发明公开了一种火电机组能效特征指标基准值的获取方法，通过获取火电厂机组实测运行数据，对数据进行稳态筛选获取机组稳定工况下的数据；在此基础上，依据机组负荷、环境温度、煤质三个边界条件进行工况划分；利用主特征提取方法选取与供电碳排放强度相关的能效特征指标；利用聚类算法结合聚类评价函数对能效特征指标的历史数据进行多参数同步聚类，确定各工况下的能效特征指标基准值；利用深度学习网络建立能效特征指标与供电碳排放之间的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值。

专利领域

本发明涉及一种能效特征指标基准值的获取方法，具体涉及一种火电机组能效特征指标基准值的获取方法。

背景技术

近年来随着节能减排工作的进一步深入，火电机组提效运行面临更大的压力，加强火电机组节能降耗的任务迫在眉睫。因此，优化运行研究对火电机组的节能工作至关重要。

能效特征指标基准值的确定是节能诊断优化的基础和核心问题。基准值是衡量实际或实验样本值偏差而选取的一组参照值。能效指标的基准值是指机组在当前运行边界条件下，实际可达到的最低供电煤耗和碳排放强度对应下的参数值。只有在正确确定能效特征指标的基准值后，才能计算机组实际运行参数偏离基准值时所造成的各项经济损失，从而有效定位机组运行能耗的薄弱环节。但由于机组的能效指标具有高度非线性以及强耦合性的特点，通过建立特征指标的优化运行过程函数确定其基准值是非常困难的。此外，当机组边界条件发生改变时，需要对函数模型不断修正，很难实现机组能效运行的实时优化。此外，现阶段电厂对运行参数调整往往凭借运行人员的经验或者直接取机组运行的设定值，或采用优化实验值等。对于变负荷运行的机组，不适合取其设计值作为基准值；而通过实验的方法，需要通过对多个典型工况进行反复试验和调整，获取各运行工况下的基准值，但实验成本高昂且获得到的目标工况点有限，难以确定能效指标的基准值。

发明目的

本发明的目的在于针对现有技术中存在的问题与缺陷，提供一种基于数据挖掘的火电机组能效特征指标基准值的获取方法。

通过获取火电厂机组实测运行数据，通过对数据进行稳态筛选获取机组稳定工况下的数据。在此基础上，依据机组负荷、环境温度、煤质三个边界条件进行工况划分。利用主特征提取的方法选取与供电碳排放强度相关的能效特征指标。利用聚类算法结合聚类评价函数对能效特征指标的历史数据进行多参数同步聚类，确定各工况下的能效特征指标基准值。利用深度学习网络建立能效特征指标与供电碳排放之间的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值。在机组实际运行中，随着能效水平的不断提高，其能效特征指标的实际运行值与基准值的偏差逐渐缩小。根据新的采集数据来定期调整基准值工况库，以期接近机组当前运行状态下的理论目标值，从而对机组的优化运行进行指导。通过采用本发明对火电机组能效特征指标基准值的确定，为火电机组的节能和优化运行奠定了基础。

发明内容

本发明提供了一种火电机组能效特征指标基准值的获取方法,包括如下步骤:

步骤1、获取火电机组实测运行数据，按照一定采样时间完成数据采集及存储；

步骤2、基于火电运行过程特性，对采集的数据进行稳态筛选，获取机组稳定工况的数据；依据征火电机组外部约束条件的负荷、环境温度和煤质情况的三个边界条件对所述稳定工况进行划分，获取不同稳定工况下的分组数据；

步骤3、对每一稳定工况下的分组数据，分别采用主特征提取方法，选取与火电厂供电碳排放相关的能效特征指标；

步骤4、利用聚类方法，对能效特征指标的历史数据进行多参数同步聚类，确定各工况分组下的特征指标基准值；

步骤5、利用深度学习神经网络建立能效特征指标与供电碳排放的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值；