程 波，盧緒祥，劉雨菲，丁海霞，王佳良，王雪如

（長沙理工大學能源與動力工程學院，湖南 長沙 410114）

0 引 言

在“中國制造2025”以及實現(xiàn)“雙碳”目標的號召下，越來越多的發(fā)電企業(yè)加入了智慧電廠的轉型實踐中，通過大數(shù)據(jù)、人工智能等技術來提升自身的智能化運行水平和對能源的利用效率.

汽輪機冷端系統(tǒng)是發(fā)電企業(yè)火電機組重要的輔助系統(tǒng).一般而言，機組的運行背壓越低，越有利于機組發(fā)電功率的增加，但這通常是以增加冷端設備（循環(huán)水泵）功耗為代價來實現(xiàn)的，存在一個最佳的冷端設備運行方式，使得機組的凈功率（機組負荷減去廠用電）達到最大.因此有必要加強對汽輪機冷端系統(tǒng)的運行優(yōu)化方面的研究，以促進火電機組的節(jié)能減排.

傳統(tǒng)的汽輪機冷端運行優(yōu)化方法主要基于熱力試驗和凝汽器變工況計算模型[1-3]，首先通過熱力試驗獲得機組微增功率與背壓、冷端設備不同運行方式下循環(huán)水流量與循環(huán)水泵耗功間的關系，然后根據(jù)凝汽器變工況計算模型，計算機組當前邊界條件（汽輪機進汽參數(shù)，循環(huán)水進口溫度等）下不同冷端設備運行方式所產(chǎn)生的凈功收益.目前該優(yōu)化方法已十分成熟，并被許多學者使用，但其優(yōu)化結果卻未必準確.不準確的主要原因在于機組在運行一段時間后，因凝汽器換熱面污染、設備老化等原因，機組的實際運行性能會發(fā)生改變，偏離試驗結果及計算模型，不能實時反應機組的實際運行情況[4]，并且熱力試驗費時費力，難以再次進行熱力試驗來進行修正.

針對傳統(tǒng)方法的不足，國內(nèi)外許多學者提出了采用智能建模來反映冷端系統(tǒng)運行特性的方法.葛曉霞等[5]基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡對某660 MW 火電機組凝汽器構建了背壓預測模型.王建國等[6]采用粒子群算法優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡參數(shù)建立了凝汽器背壓預測模型.吳偉等[7]基于粒子群算法優(yōu)化最小二乘支持向量機建立了某1 000 MW 機組的凝汽器背壓預測模型.S Jafarzadeh Ghoushchi[8]基于氣象條件和電廠參數(shù)采用粒子群算法及梯度下降算法實現(xiàn)了機組的功率預測.R Raidoo[9]采用遞歸神經(jīng)網(wǎng)絡預測了空冷機組凝汽器背壓及背壓變化對機組發(fā)電功率的影響.這些模型的建立為汽輪機的性能診斷、參數(shù)尋優(yōu)提供了有力的理論依據(jù).

本文利用機組運行歷史數(shù)據(jù)，基于遺傳算法（GA）優(yōu)化BP 神經(jīng)網(wǎng)絡分別建立機組的凈功率預測模型及背壓預測模型，并將兩者結合，尋找機組凈功最大時的循環(huán)水流量及背壓，以實現(xiàn)汽輪機冷端系統(tǒng)運行的智能優(yōu)化.

1 汽輪機冷端系統(tǒng)概述

火電機組冷端系統(tǒng)按冷卻水的來源可分為直流供水系統(tǒng)和循環(huán)供水系統(tǒng)，本文主要以循環(huán)供水系統(tǒng)為例進行研究.該系統(tǒng)主要由汽輪機、凝汽器、冷卻塔、循環(huán)水泵、凝結水泵等設備組成，具體如圖1 所示[10].

在該系統(tǒng)中，影響汽輪機背壓的最大可控因素是循環(huán)水流量，提高循環(huán)水流量能夠有效降低汽輪機背壓，增加汽輪機做功，但與此同時也會增加循環(huán)水泵的耗功量.因此，存在一個最佳的循環(huán)水流量（循環(huán)水泵運行方式）使得汽輪機功率增加值與循環(huán)水泵耗功的差值最大，機組運行經(jīng)濟性最佳，原理示意圖見圖2.

圖2 冷端系統(tǒng)功率特性示意圖

2 GA-BP 神經(jīng)網(wǎng)絡模型

2.1 基本理論

人工神經(jīng)網(wǎng)絡是一種模擬人腦結構及功能的信息處理系統(tǒng)[11].它的基本單元是人工神經(jīng)元，其結構模型如圖3 所示，反應了輸入到輸出的處理關系.

圖3 人工神經(jīng)元模型圖

BP 神經(jīng)網(wǎng)絡是一種按誤差逆向傳播算法訓練的多層前饋型網(wǎng)絡[12].它的結構如圖4所示，包含輸入層，隱含層和輸出層，根據(jù)實際輸出值與預測輸出值的誤差，修改網(wǎng)絡運算中的閥值和權值，使計算產(chǎn)生誤差平方和達到最小[13].

圖4 BP 神經(jīng)網(wǎng)絡結構圖

由于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡在訓練樣本時，其初始的權值和閥值是隨機生成的，這容易使神經(jīng)網(wǎng)絡的學習速率過慢而難以收斂或者陷入局部最優(yōu).遺傳算法（GA）是一種模擬自然進化的全局搜索和優(yōu)化方法，可以將BP 神經(jīng)網(wǎng)絡的初始權值和閥值作為遺傳算法中的染色體進行全局優(yōu)化調整，得到最優(yōu)的初始權值和閥值，使得BP 神經(jīng)網(wǎng)絡的預測結果更為精確[14-15].

2.2 應用模型

電廠SIS（廠級實時監(jiān)控信息）系統(tǒng)中記錄了汽輪機和冷端系統(tǒng)運行所積累的大量數(shù)據(jù)，這些數(shù)據(jù)中隱藏著機組發(fā)電功率、背壓以及冷端功耗等參數(shù)之間的關系，可通過神經(jīng)網(wǎng)絡等技術進行數(shù)據(jù)挖掘來獲取冷端系統(tǒng)運行優(yōu)化問題中相關設備的特性.

汽輪發(fā)電機組功率的大小同機組的進汽參數(shù)及背壓是密切相關的.其中，進汽參數(shù)包括汽輪機機前的主蒸汽與再熱蒸汽的流量、壓力與溫度，即公式（1）：

式中，N—機組發(fā)電功率，MW；D0—主蒸汽流量，t/h；P0—主蒸汽壓力，MPa；t0—主蒸汽溫度，℃；Dz—再熱蒸汽流量，t/h；Pz—再熱蒸汽壓力，MPa；tz—再熱蒸汽溫度，℃；Pc—汽輪機背壓，kPa.

對于汽輪機的背壓，根據(jù)凝汽器變工況計算模型及相關文獻[1-4]，可以認為存在以下關系.由于機組的排汽流量和進汽流量之間必然存在明顯的函數(shù)關系，故也可用主蒸汽流量來代替排汽流量，即公式（2）：

式中，Dc—汽輪機排汽流量，t/h；Dw—循環(huán)水流量，t/h；tw1—循環(huán)水進口溫度，℃.

循環(huán)水泵的功耗只取決于循環(huán)水流量，即公式（3），且該功耗的變化最終體現(xiàn)在機組廠用電的變化上.

式中，P—循環(huán)水泵功耗，MW.

定義汽輪機的凈功率為機組發(fā)電功率減去廠用電，其中循環(huán)水泵的功耗被包含在廠用電內(nèi)，即公式（4）：

式中，Nj—機組凈功率，MW；Nap—機組廠用電功率，MW.

結合以上分析，可建立如圖5 所示的神經(jīng)網(wǎng)絡來實現(xiàn)對汽輪機凈功率及背壓的預測，其中隱藏層的節(jié)點數(shù)由試湊法確定，在初始設定的節(jié)點個數(shù)上，逐步增加（減少）節(jié)點數(shù)，試探多少節(jié)點數(shù)擬合效果最佳.

圖5 汽輪機凈功及背壓預測神經(jīng)網(wǎng)絡模型圖

神經(jīng)網(wǎng)絡訓練過程中的數(shù)據(jù)來自于電廠SIS 系統(tǒng)，可能存在一些工況異?；蛱l數(shù)據(jù)，需要提前進行數(shù)據(jù)清理，以免對模型訓練產(chǎn)生干擾.同時，為了進一步提升神經(jīng)網(wǎng)絡的預測精度，還可對運行數(shù)據(jù)進行分季節(jié)、分負荷范圍訓練.

模型訓練完畢后，將機組當前的邊界條件輸入，改變循環(huán)水流量，得到汽輪機的凈功率.當機組凈功率最大時，此時的循環(huán)水流量就是最佳循環(huán)水流量，將其帶入背壓預測模型，可得到該工況的最佳背壓.

由于機組的上網(wǎng)電量一定，當機組的凈功率增加時，電廠ACG（自動發(fā)電量控制系統(tǒng)）將發(fā)出信號，CCS（系統(tǒng)指協(xié)調控制系統(tǒng)）和DEH（汽輪機數(shù)字電液控制系統(tǒng)）控制汽輪機調節(jié)閥門關小，進而主蒸汽流量減小，使得燃料量下降，機組供電煤耗下降，實現(xiàn)節(jié)能.

綜上所述，汽輪機冷端系統(tǒng)運行優(yōu)化過程可總結見圖6.

圖6 汽輪機冷端系統(tǒng)運行優(yōu)化流程圖

3 案例分析

3.1 參數(shù)信息

本文對某N630-24.2/566/566 機組進行分析，汽輪機及凝汽器部分參數(shù)見表1.獲取的機組實際運行數(shù)據(jù)，部分見表2.由于該機組的凝汽器為雙背壓凝汽器，采用高背壓凝汽器與低背壓凝汽器背壓的平均值作為汽輪機背壓.又由于該機組的循環(huán)水流量無測點，根據(jù)傳熱學理論及能量守恒定律進行估算，見公式（5）：

表1 某630 MW 汽輪機參數(shù)及凝汽器參數(shù)表

表2 機組變工況運行數(shù)據(jù)

式中，Δh—1kg 排汽凝結時放出的汽化潛熱，該值隨背壓變化不大，一般可取2 300，kJ/kg；cpw—循環(huán)水的比定壓比熱容，可直接取4.187，kJ/（kg·℃）；Δt—循環(huán)水溫升，℃.

3.2 模型訓練

根據(jù)機組變工況運行數(shù)據(jù)建立神經(jīng)網(wǎng)絡模型，訓練樣本數(shù)540 組，測試樣本數(shù)50組.汽輪機凈功率預測結果如圖7、圖8 所示，背壓預測結果如圖9、圖10 所示.

圖7 汽輪機凈功預測結果圖

圖8 汽輪機凈功預測誤差結果圖

圖9 汽輪機背壓預測結果圖

圖10 汽輪機背壓預測誤差結果圖

為了判別預測結果的精度，以平均絕對誤差（MAE）、均方誤差（MES）、均方誤差根（RMES）以及平均絕對百分比誤差（MAPE）進行衡量[4]，具體結果見表3.可見，通過GA優(yōu)化BP 神經(jīng)網(wǎng)絡，預測結果的精度得到了一定的提升，最終的結果具有一定的可信度.

表3 預測結果誤差表

3.3 優(yōu)化結果

模型建立后，將待優(yōu)化工況的邊界條件輸入，改變循環(huán)水流量，輸出機組凈功.當凈功最大時，得到最佳循環(huán)水流量，將其帶入汽輪機背壓預測模型中，得到該工況的最佳背壓.本文以表2 中的工況為例，進行優(yōu)化，優(yōu)化結果見表4.

其中工況1 的優(yōu)化過程如圖11 所示，汽輪機背壓隨循環(huán)水流量變化如圖12 所示.優(yōu)化后，機組凈功率增加0.47 MW，以機組額定熱耗7 556 kJ/kWh，管道效率99%，鍋爐效率94%，燃用熱值為230 23 kJ/kg 的動力煤，煤價750 元/ 噸進行粗略計算，可節(jié)省燃料成本約118 元/h.

圖11 工況1 凈功優(yōu)化過程圖

圖12 工況1 背壓隨循環(huán)水流量變化圖

4 結 論

通過GA-BP 神經(jīng)網(wǎng)絡對汽輪機冷端系統(tǒng)運行進行優(yōu)化，得到以下結論：

（1）基于GA-BP 神經(jīng)網(wǎng)絡構建了汽輪機凈功預測模型及背壓預測模型，通過對某630 MW 機組實際運行數(shù)據(jù)的訓練與預測，驗證了模型具有較好的精度，可以用來反映機組的部分運行特性，從而為機組的性能診斷及參數(shù)尋優(yōu)提供依據(jù).

（2）神經(jīng)網(wǎng)絡的預測精度直接決定了優(yōu)化效果.GA-BP 神經(jīng)網(wǎng)絡相較于單純的BP 神經(jīng)網(wǎng)絡，其預測精度確實得到了一定的提升，但為了進一步提升優(yōu)化效果，應采用新型算法并進行多種算法的比較，選取最優(yōu)算法.

（3）對汽輪機進行凈功最大尋優(yōu)，從優(yōu)化結果來看，目前的火電機組冷端系統(tǒng)仍具有較大的節(jié)能潛力.

（4）通過不斷更新機組最近的運行數(shù)據(jù)并將其帶入神經(jīng)網(wǎng)絡模型進行修正，就可以實時跟蹤機組的實際運行情況，有效解決了冷端系統(tǒng)運行優(yōu)化傳統(tǒng)方法不能實時反映機組實際運行情況的問題.