一种火电厂煤耗率经济性分析方法

摘要

一种火电厂煤耗率经济性分析方法，其特点是，包括的步骤有：通过相关热工测量元器件测量主汽流量、煤水比、再热器蒸汽压力、总风量、凝汽器真空、干渣温度、锅炉炉膛负压、给水流量、再热器温度及烟气含氧量等过程参量；通过现场的功率表读取火电机组实时发电功率，将测得的入炉总煤量除以火电机组实时发电功率，得单元机组实时煤耗率。以上述过程参量为输入，以单元机组实时煤耗率为输出，基于偏最小二乘理论提取主成分；接着以所提取的主成分为模型输入，以煤耗率为输出搭建煤耗率经济性分析模型。根据电力行业煤耗率评价标准对测试样本的经济性优劣进行评判。具有模型预测精度更高，预测偏差满足工程要求，实际工程应用价值高等优点。

说明书

技术领域

本发明涉及高耗能行业经济性分析领域，尤其涉及燃煤机组煤耗率经济性的分析，是一种火电厂煤耗率经济性分析方法。

背景技术

目前，在我国的电力市场中，出现了供过于求的局面。于是，出现了各大发电集团互相竞价上网的局面。这样以来，就对电厂运行的经济性提出了一个更高的要求。于是，各个火力发电厂的节能降耗被提到了一个前所未有的高度。而评价一个火电厂的经济性，直接的体现就是煤耗率。

所谓的煤耗率，指火力发电厂每生产或供应1千瓦小时电能所需消耗的燃煤量。通常用每千瓦时消耗多少克标准煤来表示。如果能利用智能信息处理理论知识，及时对火电厂煤耗率做出预测，提前做出机组运行调整，不但可以有效减小电厂煤耗，节约成本，而且对不可再生资源和环境的保护也起到了积极的意义。以一台额定负荷为350MW超临界火电机组为例，如果每度电能够减少消耗1克标准煤，按照每年单台机组运行300天，平均机组负荷300MW计算，一年下来，可节约标准煤2160吨，减少有害物(主要是粉尘、CO₂和SO₂)的排放38.3吨；按照每吨标煤700元计算，可节约成本150余万元。这仅是一台机组的核算结果。据官方统计，2014年我国全年总发电量为54638亿千瓦时，火电类按70％折算，则全国2014年度火电机组发电量为38246.6亿千瓦时，在每度电仍然节约1克标准煤的前提下，全年可节约标煤3,824,660吨，可节约成本约26.77亿元。如果这些煤用火车来运输，按每节车厢容量为60吨，每列火车40节车厢计算，总共需要约1600列火车，显然这一举措可以有效缓解铁路交通的压力。而对环境的影响，则已经无法用金钱来衡量。由此可见煤耗率对社会、经济、环境等的影响可见一斑。由于现行的煤耗率分析模型，准确率普遍不高。在此，拟通过实时测量机组运行数据，基于偏最小二乘算法和非线性回归向量机，提出一种评判准确率较高的火电厂煤耗率经济性分析方法。

发明内容

本发明所解决的技术问题是：提出了一种科学合理，适用性强，便于掌握，分析准确的基于偏最小二乘算法和非线性回归向量机的火电厂煤耗率经济性分析方法，该方法仅需要实时测量机组运行数据，代入训练好的分析模型，便可以直接预知机组煤耗率情况，为电厂经济性分析提供依据。

解决其技术问题的方案是：一种火电厂煤耗率经济性分析方法，其特征是，它包含如下步骤：

1)数据的采集：

通过相关热工测量元器件测量主汽流量、煤水比、再热器蒸汽压力、总风量、凝汽器真空、干渣温度、锅炉炉膛负压、给水流量、再热器温度及烟气含氧量10个过程参量，具体测量如下：

主蒸汽流量：采用HD-W插入型涡街流量仪表测得，t/h；

燃水比：分别通过AKS-LDC智能插入式电磁流量计测得锅炉给水量，赛摩F55耐压称重给煤机测得入炉煤量，然后通过计算前者与后者的比值获得，标量；

再热器蒸汽压力：采用PPM-T322B压力变送器测得，MPa；

总风量：采用FS-5C防堵型免吹扫风量测量装置测得，t/h；

凝汽器真空：采用PDM-520微型精密电阻真空计测得，KPa；

干渣温度：采用红外测温仪IS-CF1400AD测得，℃；

炉膛负压：采用BTS6800-SP负压变送装置测得，Pa；

给水流量：通过AKS-LDC智能插入式电磁流量计测得，t/h；

再热器蒸汽温度：采用WSSXP-401双金属温度计测得，℃；

烟气含氧量：采用XP-3180含氧量检测仪测得，％；

2)主成分的提取

①数据标准化

为了抽取主成分，首先将自变量矩阵

X＝(x_ij)_n×m(1)

式中，n表示所选取的训练样本用量，组；

m表示所选取的热工参量维数，在此m＝1,2,…,10；

i＝1,2,…,n；

j＝1,2,…,m

和因变量矩阵

Y＝(y_ij)_n×p(2)

式中，n表示所选取的训练样本用量；

p表示因变量维数，在此p＝1；

i＝1,2,…,n；

j＝1,2,…,p

采用如下公式(3)、(4)进行标准化处理，使样本点的集合重心与坐标原点重合：

$E_1=\frac{x_i-E\left(x_i\right)}{S_{x_i}}---\left(3\right)$

$F_1=\frac{y_i-E\left(y\right)}{S_y}---\left(4\right)$

式中，E₁、F₁分别为X和Y的标准化矩阵；

E(x_i)、E(y)分别为X、Y的均值；

S_y分别为X、Y的均方差；

②第一个成分提取t₁：

采用如下公式(5)计算第1步的组合系数w₁：

$w_1=\frac{E_1^T{F}_1}{\left|\right|E_1^{T}F\left|\right|}---\left(5\right)$

采用如下公式(6)提取第一个主成分t₁：

t₁＝E₁w₁(6)

③计算残差矩阵

采用如下公式(7)、(8)计算残差矩阵：

E₂＝E₁-t₁P₁^T(7)

F₂＝F₁-t₁r₁(8)

式中，为回归系数，向量；

r₁＝F₁^Tt₁/||t₁||²，为回归系数，标量；

④计算预报残差平方和PRESS

采用如下公式(9)计算预测误差：

${\mathrm{PRESS}}_1=\underset{i=1}{\overset{n}{\Sigma }}{\left[y_i-y_{1(-i)}\right]}^2---\left(9\right)$

式中，y_i为煤耗率真实值，g/kw·h；

y_1(-i)是在提取主成分t₁的前提下，利用去掉第i个样本(i＝1，2....n)的剩余样本，求回归方程，然后把第i个样本点代入该回归方程所得到的方程预测值，g/kw·h；

⑤利用残差矩阵E₂、F₂代替步骤②中的E₁、F₁，重复步骤②③④，继续提取主成分；

⑥采用直角坐标系绘制⑤中“每次循环所得到的预报残差平方和值——循环次数”曲线图，通过该坐标图，确定使得预报残差平方和PRESS取最小值时所对应的循环次数，也即最佳主成分提取个数q；

⑦按照最佳主成分提取个数，提取q个主成分，构成一个q×n维的矩阵A；

3)非线性回归向量机模型的搭建

以矩阵A_q×n为输入变量，以煤耗率为输出，搭建非线性回归向量机模型，具体过程如下：

(a)核函数的选取

在此，选择径向基核函数作为向量机的核函数，径向基核函数表达式为：

$K(x,x_k)=\exp \{-\frac{\left|\right|x-x_k|{|}^2}{2{\sigma }^2}\}---\left(10\right)$

式中，$\left|\right|x-x_k\left|\right|=\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{(x^k-x_i^k)}^2};$σ为核系数。

(b)训练误差公式

在采用样本对模型进行训练过程中，为保证模型的训练结束时间和训练误差最小，采用平均相对误差，其计算公式为：

$E=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\frac{|y_i-y_{i0}|}{y_{i0}},(i=1,2,...,n)---\left(11\right)$

式中，n为训练样本用量，组；

y_i为模型预测值，g/kw·h；

y_i0为实际煤耗率，g/kw·h；

(c)模型搭建步骤如下：

模型预测输出表达式为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i\Psi (x,x_i)+b---\left(12\right)$

式中，ψ(x,x_i)为支持向量机核函数，此处为径向基核函数；

$\alpha =B^{-1}(y-b\overrightarrow{1})---\left(13\right)$

式中，α为由式(12)中的α_i组成的矩阵向量；

$b=\frac{{\overrightarrow{1}}^T{B}^{-1}y}{{\overrightarrow{1}}^T{B}^{-1}\overrightarrow{1}}---\left(14\right)$

式中，$\overrightarrow{1}={[1,1,...,1]}^T.$

B＝Ω+γ^-1I(15)

式中，I为单位向量；γ为惩罚系数；矩阵向量Ω采用如下公式(16)计算得到：

Ω_kj＝Ψ(x_k,x_j)(k,j＝1,2,…,n)(16)

式中，ψ(x_k,x_j)为支持向量机核函数，此处为径向基核函数；n为训练样本用量，

将公式(13)-(16)代入公式(12)得最终模型预测输出；

4)模型的训练

为了提高模型训练速度，快速准确地确定模型的惩罚系数、核系数最优组合，达到模型的目标训练误差，在此，对惩罚系数和核系数进行寻优的过程中，采用以下具体步骤：

(1)在直角坐标系第一象限中任意确定一点M₁(a₁,b₁)，通常情况下取a₁、b₁>0；

(2)以M₁点为中心，以2c₁为短对角线、2d₁为长对角线，绘制一个菱形T₁，菱形T₁的对角线分别垂直于坐标轴横x、y轴或y、x轴，其中c₁<min(a₁,b₁)，d₁<max(a₁,b₁)；

(3)以菱形T₁的四个顶点连同点M的坐标作为惩罚系数-核系数的五个组合，分别代入模型进行训练；

(4)通过训练误差公式计算各点所对应的误差值e₁,e₂,…,e_i,令e＝min{e₁,e₂,…,e_i}(i＝1,2,…,5)；

(5)假设误差最小值为e时，所对应点的点为M₂(a₂,b₂)，且点M₂所在菱形T₁的对角线的长度为l，则以点M₂为中心，按照步骤②的方法，绘制另一个菱形T₂，其中a₂<l/2，b₂<l/2；

(6)以菱形T₂的四个顶点坐标为惩罚系数-核系数的四个组合，分别代入模型进行训练，计算各自的训练误差，并且与M₂点的误差进行对比；

(7)若四个点的误差皆大于M₂点的误差则改变菱形的对角线长度，重新绘制菱形，重复以上(2)-(6)步骤；若四个点的误差中有小于M₂点的，则以新的点为中心重复以上步骤(5)和(6)，如此往复，直至满足预设误差范围；

5)煤耗率预测及经济性分析

将待测试样本输入训练好的模型进行预测，并且按照按照电力行业的要求，将预测结果折算为标准煤煤耗率，根据电力行业煤耗率评价标准对该测试样本的经济性优劣进行评判。

本发明基于偏最小二乘算法和非线性回归向量机的火电厂煤耗率经济性分析方法，和众多国内外煤耗率分析模型相比，该耦合模型预测精度更高，预测偏差满足工程要求，因此所建模型有实际工程应用价值。具有科学合理，适用性强，便于掌握，分析准确等优点。

附图说明

图1为本发明所搭建的数据采集系统图；

图中：1HD-W插入型涡街流量仪，2AKS-LDC智能插入式电磁流量计，3赛摩F55耐压称重给煤机煤量测点，4PPM-T322B压力变送器，5FS-5C防堵型免吹扫风量测量装置，6PDM-520微型精密电阻真空计，7红外测温仪IS-CF1400AD，8BTS6800-SP负压变送装置，9WSSXP-401双金属温度计，10XP-3180含氧量检测仪，11研华PCI1710数据采集卡，12IBMX3800服务器，13火电厂煤耗率经济性分析系统。

图2为本发明所搭建的模型对部分测试样本的预测结果图；

图3为本发明所搭建的模型对入炉煤种掺烧比例经济性评价图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明的一种火电厂煤耗率经济性分析方法，它包含如下步骤：

1)启动火电厂数据采集系统，并通过HD-W插入型涡街流量仪1测得火电机组主蒸汽温度；通过AKS-LDC智能插入式电磁流量计2测得锅炉给水量，并通过赛摩F55耐压称重给煤机测点3测得入炉煤量，将该单元机组所有给煤机的煤量求和得入炉总煤量，之后用锅炉给水流量除以入炉总煤量，得出水煤比(俗称煤水比)；采用PPM-T322B压力变送器4测得再热蒸汽压力；采用FS-5C防堵型免吹扫风量测量装置5测得入炉总风量；采用PDM-520微型精密电阻真空计6测得凝汽器真空度；采用IS-CF1400AD红外测温仪7测得锅炉的干渣温度；采用BTS6800-SP负压变送装置8测得锅炉炉膛负压；采用WSSXP-401双金属温度计9测得再热器蒸汽的温度；采用XP-3180含氧量检测仪10测得锅炉尾部烟气含氧量。通过现场的功率表读取该火电机组实时发电功率，将通过赛摩F55耐压称重给煤机测点3测得的入炉总煤量除以该火电机组实时发电功率，即可得该单元机组实时煤耗率。将该单元机组实时煤耗率连同步骤1中通过研华PCI1710数据采集卡11所采集到的10个参数，都输送至IBMX3800服务器12，启动火电厂煤耗率经济性分析系统13。之后，以该10个参数为输入，以实时煤耗率为输出，提取主成分，具体过程如下：

2)主成分的提取

①数据标准化

为了抽取主成分，首先将自变量矩阵

X＝(x_ij)_n×m(1)

式中，n表示所选取的训练样本用量，组；

m表示所选取的热工参量维数，在此m＝1,2,…,10；

i＝1,2,…,n；

j＝1,2,…,m

和因变量矩阵

Y＝(y_ij)_n×p(2)

式中，n表示所选取的训练样本用量；

p表示因变量维数，在此p＝1；

i＝1,2,…,n；

j＝1,2,…,p

采用如下公式(3)、(4)进行标准化处理，使样本点的集合重心与坐标原点重合：

$E_1=\frac{x_i-E\left(x_i\right)}{S_{x_i}}---\left(3\right)$

$F_1=\frac{y_i-E\left(y\right)}{S_y}---\left(4\right)$

式中，E₁、F₁分别为X和Y的标准化矩阵；

E(x_i)、E(y)分别为X、Y的均值；

S_y分别为X、Y的均方差；

②第一个成分提取t₁：

采用如下公式(5)计算第1步的组合系数w₁：

$w_1=\frac{E_1^T{F}_1}{\left|\right|E_1^{T}F\left|\right|}---\left(5\right)$

采用如下公式(6)提取第一个主成分t₁：

t₁＝E₁w₁(6)

③计算残差矩阵

采用如下公式(7)、(8)计算残差矩阵：

E₂＝E₁-t₁P₁^T(7)

F₂＝F₁-t₁r₁(8)

式中，为回归系数，向量；

r₁＝F₁^Tt₁/||t₁||²，为回归系数，标量；

④计算预报残差平方和PRESS

采用如下公式(9)计算预测误差：

${\mathrm{PRESS}}_1=\underset{i=1}{\overset{n}{\Sigma }}{\left[y_i-y_{1(-i)}\right]}^2---\left(9\right)$

式中，y_i为煤耗率真实值，g/kw·h；

y_1(-i)是在提取主成分t₁的前提下，利用去掉第i个样本(i＝1，2....n)的剩余样本，求回归方程，然后把第i个样本点代入该回归方程所得到的方程预测值，g/kw·h；

⑤利用残差矩阵E₂、F₂代替步骤②中的E₁、F₁，重复步骤②③④，继续提取主成分；

⑥采用直角坐标系绘制⑤中“每次循环所得到的预报残差平方和值——循环次数”曲线图，通过该坐标图，确定使得预报残差平方和PRESS取最小值时所对应的循环次数，也即最佳主成分提取个数q；

⑦按照最佳主成分提取个数，提取q个主成分，构成一个q×n维的矩阵A；

3)非线性回归向量机模型的搭建

以矩阵A_q×n为输入变量，以煤耗率为输出，搭建非线性回归向量机模型，具体过程如下：

(a)核函数的选取

在此，选择径向基核函数作为向量机的核函数，径向基核函数表达式为：

$K(x,x_k)=\exp \{-\frac{\left|\right|x-x_k|{|}^2}{2{\sigma }^2}\}---\left(10\right)$

式中，$\left|\right|x-x_k\left|\right|=\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{(x^k-x_i^k)}^2};$σ为核系数。

(b)训练误差公式

在采用样本对模型进行训练过程中，为保证模型的训练结束时间和训练误差最小，采用平均相对误差，其计算公式为：

$E=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\frac{|y_i-y_{i0}|}{y_{i0}},(i=1,2,...,n)---\left(11\right)$

式中，n为训练样本用量，组；

y_i为模型预测值，g/kw·h；

y_i0为实际煤耗率，g/kw·h；

(c)模型搭建步骤如下：

模型预测输出表达式为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i\Psi (x,x_i)+b---\left(12\right)$

式中，ψ(x,x_i)为支持向量机核函数，此处为径向基核函数；

$\alpha =B^{-1}(y-b\overrightarrow{1})---\left(13\right)$

式中，α为由式(12)中的α_i组成的矩阵向量；

$b=\frac{{\overrightarrow{1}}^T{B}^{-1}y}{{\overrightarrow{1}}^T{B}^{-1}\overrightarrow{1}}---\left(14\right)$

式中，$\overrightarrow{1}={[1,1,...,1]}^T.$

B＝Ω+γ^-1I(15)

式中，I为单位向量；γ为惩罚系数；矩阵向量Ω采用如下公式(16)计算得到：

Ω_kj＝Ψ(x_k,x_j)(k,j＝1,2,…,n)(16)

式中，ψ(x_k,x_j)为支持向量机核函数，此处为径向基核函数；n为训练样本用量，

将公式(13)-(16)代入公式(12)得最终模型预测输出；

4)模型的训练

为了提高模型训练速度，快速准确地确定模型的惩罚系数、核系数最优组合，达到模型的目标训练误差，在此，对惩罚系数和核系数进行寻优的过程中，采用以下具体步骤：

(1)在直角坐标系第一象限中任意确定一点M₁(a₁,b₁)，通常情况下取a₁、b₁>0；

(2)以M₁点为中心，以2c₁为短对角线、2d₁为长对角线，绘制一个菱形T₁，菱形T₁的对角线分别垂直于坐标轴横x、y轴或y、x轴，其中c₁<min(a₁,b₁)，d₁<max(a₁,b₁)；

(3)以菱形T₁的四个顶点连同点M的坐标作为惩罚系数-核系数的五个组合，分别代入模型进行训练；

(4)通过训练误差公式计算各点所对应的误差值e₁,e₂,…,e_i,令e＝min{e₁,e₂,…,e_i}(i＝1,2,…,5)；

(5)假设误差最小值为e时，所对应点的点为M₂(a₂,b₂)，且点M₂所在菱形T₁的对角线的长度为l，则以点M₂为中心，按照步骤②的方法，绘制另一个菱形T₂，其中a₂<l/2，b₂<l/2；

(6)以菱形T₂的四个顶点坐标为惩罚系数-核系数的四个组合，分别代入模型进行训练，计算各自的训练误差，并且与M₂点的误差进行对比；

(7)若四个点的误差皆大于M₂点的误差则改变菱形的对角线长度，重新绘制菱形，重复以上(2)-(6)步骤；若四个点的误差中有小于M₂点的，则以新的点为中心重复以上步骤(5)和(6)，如此往复，直至满足预设误差范围；

5)煤耗率预测及经济性分析

将待测试样本输入训练好的模型进行预测，模型对部分测试样本预测结果如图2所示。模型最大误差-0.61g/kw·h，平均误差(取绝对值后)0.18g/kw·h。在当下全国的发电企业煤耗每克煤必争的大背景下，显然，耦合模型较其他两个单一模型具有更好的泛化能力，精确度满足工程实际要求，为所有电厂所青睐。

按照按照电力行业的要求，将预测结果折算为标准煤煤耗率。根据电力行业煤耗率评价标准对该测试样本的经济性优劣进行评判。对部分样本的经济性评判结果如图3所示。由图可知，为了获得好的经济性，校正煤种1和校正煤种2的掺烧比例应不小于5:1，最好能够控制在6:1以上。