一种蒸汽压力和流量自动控制系统及其控制方法与流程

1.本发明涉及火电机组控制技术领域，尤其是一种蒸汽压力和流量自动控制系统及其控制方法。


背景技术：

2.我国是火力发电大国，提高火电机组的运行效率是本领域长期以来一直的研究热点之一。在火电机组众多运行参数中，蒸汽压力和流量是两个对于机组效率具有重要影响的参数。由于蒸汽压力和流量两个参数具有内在的耦合性，对其进行单独控制效果不佳。


技术实现要素：

3.本发明要解决的技术问题是提供一种蒸汽压力和流量自动控制系统及其控制方法，能够解决现有技术的不足，改善火电机组中蒸汽压力和流量的联合控制效果。
4.为解决上述技术问题，本发明所采取的技术方案如下。
5.一种蒸汽压力和流量自动控制系统，包括，蒸汽压力检测模块，用于检测蒸汽压力数据；蒸汽流量检测模块，用于检测蒸汽流量数据；机组热耗值计算模块，用于计算实时的机组热耗值；检测数据预处理模块，用于对蒸汽压力数据和蒸汽流量数据进行预处理；机组热耗值优化模块，通过调整蒸汽压力数据和蒸汽流量数据优化机组热耗值。
6.一种上述的蒸汽压力和流量自动控制系统的控制方法，包括以下步骤：a、蒸汽压力检测模块和蒸汽流量检测模块分别检测蒸汽压力数据和蒸汽流量数据，机组热耗值计算模块根据机组实际运行状态计算实时的机组热耗值；b、检测数据预处理模块分别对离散的蒸汽压力数据、蒸汽流量数据和机组热耗值进行曲线拟合，然后分别使用蒸汽压力曲线和蒸汽流量曲线与机组热耗值曲线进行比对，在机组热耗值曲线上标记出当前区域对应的高权重数据；c、机组热耗值优化模块建立神经网络模型，并使用历史数据对神经网络模型进行训练，然后输入当前的蒸汽压力数据和蒸汽流量数据以及其他机组参数约束条件，得到优化后的蒸汽压力数据和蒸汽流量数据。
7.作为优选，步骤b中，在机组热耗值曲线上标记出当前区域对应的高权重数据包括以下步骤，b1、预设滑动窗口，使用滑动窗口在蒸汽压力曲线、蒸汽流量曲线和机组热耗值曲线上进行同步滑动取值；b2、分别建立滑动窗口内的蒸汽压力曲线段和蒸汽流量曲线段与机组热耗值曲线段的映射关系；b3、将得到的映射关系根据线性相似度进行高斯分布拟合，取高斯分布的中点位置的映射关系作为参考映射关系；
b4、将滑动窗口内的蒸汽压力曲线段和蒸汽流量曲线段对应的映射关系与参考映射关系进行对比，若蒸汽压力曲线段和蒸汽流量曲线段的映射关系与参考映射关系的线性相似度均大于设定阈值，则取线性相似度较大的映射关系对应的数据作为高权重数据，若蒸汽压力曲线段或蒸汽流量曲线段的映射关系与参考映射关系的线性相似度大于设定阈值，则取映射关系对应的数据作为高权重数据，若蒸汽压力曲线段和蒸汽流量曲线段的映射关系与参考映射关系的线性相似度均小于等于设定阈值，则返回步骤b1，缩小滑动窗口的宽度后重新计算，直至将全部机组热耗值曲线进行标记后结束。
8.作为优选，步骤c中，神经网络模型包括一个输出层、三个隐藏层和一个输出层。
9.作为优选，步骤c中，对神经网络模型进行训练时，首先使用高权重数据对神经网络模型进行训练，确定神经网络模型参数调整范围，然后使用非高权重数据对神经网络模型进行训练，在神经网络模型参数调整范围内对神经网络模型参数进行二次调整。
10.作为优选，步骤c中，使用优化后的蒸汽压力数据和蒸汽流量数据对机组进行控制，根据机组的实际热耗值与理论热耗值的偏差对步骤b中的设定阈值进行调整。
11.采用上述技术方案所带来的有益效果在于：本发明采用神经网络模型对调控参数进行优化。由于针对具有耦合性的参数进行优化的神经网络模型在训练过程中损失函数在稳定值附近波动明显，导致训练的不稳定性较大。本发明针对这一问题专门对蒸汽压力数据和蒸汽流量数据进行了预处理，根据其与机组热耗值的关联，分段设定高权重数据，然后在神经网络训练过程中，将两个待调控参数解耦，进行两级训练，有效降低了训练过程中的不稳定性，提高了训练速度。另外，通过对设定阈值进行反馈调节，可以利用在神经网络模型使用过程中获得的数据实现对其未来进行的重新训练过程进行优化。
附图说明
12.图1是本发明一个具体实施方式的原理图。
13.图中：1、蒸汽压力检测模块；2、蒸汽流量检测模块；3、机组热耗值计算模块；4、检测数据预处理模块；5、机组热耗值优化模块。
具体实施方式
14.参照图1，本发明一个具体实施方式包括，蒸汽压力检测模块1，用于检测蒸汽压力数据；蒸汽流量检测模块2，用于检测蒸汽流量数据；机组热耗值计算模块3，用于计算实时的机组热耗值；检测数据预处理模块4，用于对蒸汽压力数据和蒸汽流量数据进行预处理；机组热耗值优化模块5，通过调整蒸汽压力数据和蒸汽流量数据优化机组热耗值。
15.一种上述的蒸汽压力和流量自动控制系统的控制方法，包括以下步骤：a、蒸汽压力检测模块1和蒸汽流量检测模块2分别检测蒸汽压力数据和蒸汽流量数据，机组热耗值计算模块3根据机组实际运行状态计算实时的机组热耗值；b、检测数据预处理模块4分别对离散的蒸汽压力数据、蒸汽流量数据和机组热耗值进行曲线拟合，然后分别使用蒸汽压力曲线和蒸汽流量曲线与机组热耗值曲线进行比对，在机组热耗值曲线上标记出当前区域对应的高权重数据；
c、机组热耗值优化模块5建立神经网络模型，并使用历史数据对神经网络模型进行训练，然后输入当前的蒸汽压力数据和蒸汽流量数据以及其他机组参数约束条件，得到优化后的蒸汽压力数据和蒸汽流量数据。
16.步骤b中，在机组热耗值曲线上标记出当前区域对应的高权重数据包括以下步骤，b1、预设滑动窗口，使用滑动窗口在蒸汽压力曲线、蒸汽流量曲线和机组热耗值曲线上进行同步滑动取值；b2、分别建立滑动窗口内的蒸汽压力曲线段和蒸汽流量曲线段与机组热耗值曲线段的映射关系；b3、将得到的映射关系根据线性相似度进行高斯分布拟合，取高斯分布的中点位置的映射关系作为参考映射关系；b4、将滑动窗口内的蒸汽压力曲线段和蒸汽流量曲线段对应的映射关系与参考映射关系进行对比，若蒸汽压力曲线段和蒸汽流量曲线段的映射关系与参考映射关系的线性相似度均大于设定阈值，则取线性相似度较大的映射关系对应的数据作为高权重数据，若蒸汽压力曲线段或蒸汽流量曲线段的映射关系与参考映射关系的线性相似度大于设定阈值，则取映射关系对应的数据作为高权重数据，若蒸汽压力曲线段和蒸汽流量曲线段的映射关系与参考映射关系的线性相似度均小于等于设定阈值，则返回步骤b1，缩小滑动窗口的宽度后重新计算，直至将全部机组热耗值曲线进行标记后结束。
17.步骤c中，神经网络模型包括一个输出层、三个隐藏层和一个输出层。
18.步骤c中，对神经网络模型进行训练时，首先使用高权重数据对神经网络模型进行训练，确定神经网络模型参数调整范围，然后使用非高权重数据对神经网络模型进行训练，在神经网络模型参数调整范围内对神经网络模型参数进行二次调整。
19.步骤c中，使用优化后的蒸汽压力数据和蒸汽流量数据对机组进行控制，根据机组的实际热耗值与理论热耗值的偏差对步骤b中的设定阈值进行调整。
20.本发明通过对建立神经网络模型，并对其训练过程进行优化，有效的提高了对于蒸汽压力和流量的联合控制效果。
21.以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。