阅读说明：本技术 基于数据驱动和机理建模状态监测的加热器经济调节方法 (Heater economic regulation method based on data driving and mechanism modeling state monitoring ) 是由 任少君 丁衡 曹越 司风琪 陈祎璠 张崇辉 于 2020-06-17 设计创作，主要内容包括：本发明提供了一种基于数据驱动和机理建模状态监测的加热器经济调节方法,首先通过PCA和R检验法对含有多个变量的回热系统运行数据进行稳态判定,提取特征指标,获得不同给水温度、抽汽压力下的端差运行稳态值,之后基于深度堆叠自编码方法建立一个能够在负荷变化时动态识别下端差超限值的模型,结合加热器机理分析建立的数值计算模型获得的端差和水位特性关系,从端差超限值获得水位偏差值,最后采用PID控制策略调节水位偏差,实现机组经济性运行。本发明实现了数据建模和机理建模的结合,既能建立满足运行过程特点的监测模型,又能体现机理模型对变量耦合关系的把握,补充数据方法在没有历史数据的情况下对模型预测的精确性。(The invention provides a heater economic regulation method based on data driving and mechanism modeling state monitoring, which comprises the steps of firstly carrying out steady state judgment on regenerative system operation data containing a plurality of variables through PCA and R inspection methods, extracting characteristic indexes, obtaining end difference operation steady state values under different water supply temperatures and steam extraction pressures, then establishing a model capable of dynamically identifying the lower end difference over-limit value during load change based on a deep stacking self-coding method, obtaining the end difference and water level characteristic relation by combining a numerical calculation model established by heater mechanism analysis, obtaining a water level deviation value from the end difference over-limit value, and finally adopting a PID control strategy to regulate the water level deviation to realize the economic operation of a unit. The invention realizes the combination of data modeling and mechanism modeling, can establish a monitoring model meeting the characteristics of the operation process, can embody the grasp of the mechanism model on the variable coupling relation, and supplements the accuracy of the model prediction by a data supplementing method under the condition of no historical data.)

基于数据驱动和机理建模状态监测的加热器经济调节方法

技术领域

本发明涉及人工智能数据驱动故障诊断领域，结合机理分析数值计算建模给出了一种基于数据驱动和机理建模状态监测的加热器经济调节方法。

背景技术

考虑到现代的工业过程大多存在三个以上的过程变量，有着复杂的模型结构、耦合关系，变量之间的关系是非线性，还可能存在多种采样频率等，无法依靠传统方法建立精确的物理模型进行分析。基于人工智能的数据驱动性能诊断方法可以实时检测工业过程中出现的异常状况，能够从历史数据中获取具有关联特性的系统特征参量。因而可以做到在不深入了解系统复杂的机理特性的情况下，满足热工过程系统的建模和诊断要求。

但是考虑到数据驱动建模分析需要建立在已有数据的基础上，而已有数据分布在一定的区间，在这个区间上使用历史数据训练出来的模型可以保证精确性。超出区间后模型的对系统变化趋势的预测未必符合实际。机理模型虽然建立过程比较复杂，但是由于模型把握了各个变量之间的耦合关系，通过一定的公式体现出来，能够在缺乏实际运行数据的情况下较为准确的预测系统的变化趋势。因而建立机理模型，能够在超出已有数据区间的地方对系统的进一步变化趋势进行研究。将机理模型与数据模型相结合，能够拓宽研究的区间，可以更为准确的预测系统的特性变化。

发明内容

本发明通过对电厂历史数据的分析处理，以加热器下端差为切入点，基于堆叠自动编码器以数据驱动的方法建立了加热器的经济性和安全性监测模型，可以动态识别出下端差在不同负荷下偏离最佳运行工况的偏差值。之后结合机理分析建立的数值计算模型获得的端差和水位特性关系，从端差偏差值获得水位变化值。实现了数据建模和机理建模的结合，既能使用数据驱动方法对大量历史数据进行分析，建立满足运行过程特点的监测模型，又能体现机理模型对变量耦合关系的把握，补充数据方法在没有历史数据的情况下对模型预测的精确性。

为了实现上述目的，本发明提供如下技术方案：

基于数据驱动和机理建模状态监测的加热器经济调节方法，体为：使用PCA分析方法对电厂历史数据进行降维处理，结合R检验法对数据的稳态性进行判定，获得不同给水温度、抽汽压力下的端差运行稳态值。之后基于Python编写程序，使用稳态数据以贪心逐层预训练的方式训练堆叠自编码器，建立端差的动态监测模型。机理模型建立在加热器三段式传热的基础上，根据文献资料的传热经验公式，使用MATLAB编程得到数值计算模型。代入不同工况下的数据进行计算，得到大量数值计算的系统结果，可以建立端差和水位的特性关系。最后在对高压加热器的特性分析基础上，通过阶跃扰动试验，获得最佳的PID控制调节参数，对水位偏差进行调节，实现加热器的经济性运行。

进一步的，历史数据处理在原有的PCA分析方法的基础上，结合R检验法判断多变量系统是否处于稳态。

进一步的，考虑到自编码网络对特征指标的学习有一定偏差，采用堆叠自编码器具有更加优异的特征学习能力。

进一步的，加热器三段式传热计算模型每一段选取1000个离散节点，能够满足模型精度的要求，同时计算量不至于过大。

进一步的，在高加水位的调整过程中，通过大量阶跃扰动试验获得最佳PID控制调节参数。

与现有技术相比，本发明的有益效果在于：

使用数据方法建立的状态监测模型只在一定区间内与系统的动态特性吻合较好，在没有训练数据的区间系统的变化趋势不一定准确；本发明结合数据与机理方法建立模型，以数据方法处理历史运行数据建立加热器端差动态监测模型，以数值计算方法建立机理模型，把握各个变量之间的耦合关系，结合数据方法的监测模型进行综合分析，得到加热器水位的变化值，从而实现加热器经济性调整。

附图说明

图1为本发明提供的基于数据驱动和机理建模状态监测的加热器经济调节方法流程图。

图2为使用PCA和R检验法处理电厂历史运行数据的流程图。

图3为基于历史数据使用堆叠自编码方法建立动态监测模型流程图。

图4为基于三段式传热模型使用机理分析方法建立数值计算模型流程图。

具体实施方式

下面结合附图对本发明进一步说明。

如图1所示，左侧虚框内为数据驱动方法处理历史数据，使用Python编程建立端差动态监测模型流程；中间虚框内为机理方法分析加热器各个部分传热方式，把握各个变量间耦合关系，通过离散节点迭代计算建立数值计算模型，得到端差水位特性关系；右侧虚框内为分析高压加热器特性，结合阶跃扰动试验，获得最优PID控制调节参数，实现加热器经济性调整。

本发明提供了一种基于数据驱动和机理建模状态监测的高压加热器经济调节方法，首先通过PCA和R检验法处理历史数据，对含有多个变量的回热系统运行数据进行稳态判定。之后使用稳态数据训练堆叠自编码器建立一个能够在负荷变化时动态识别下端差超限值的模型。结合加热器机理分析建立的数值计算模型获得的端差和水位特性关系，从端差超限值获得水位偏差值。最后采用PID控制策略调节水位偏差，实现机组经济性运行。

图2给出了历史数据的处理方法。首先进行数据预处理，对历史数据{x_i}进行归一化处理，消除指标量纲的影响。之后调用PCA，对归一化后的变量

使用PCA，得到变换后的变量{y_i}。接着选取降维数据，根据变量{y_i}每一维度的权重，保留分析的k维主元。最后使用R检验法判断，对加权后的变量进行稳态分析。通过处理历史数据，可以获得机组最佳稳定工况下的运行数据，作为训练数据来建立模型。

图3给出了基于稳态历史数据使用堆叠自编码方法建立动态监测模型的流程。根据稳态数据训练堆叠自编码器对端差的最优值进行学习，建立不同负荷下端差的动态监测模型，使用Python编程实现。堆叠自编码器训练后采用根均方误差(RMSE)进行评价。RMSE是表示输入数据与通过模型后得到的输出(预测)数据之间差异的一个参数。如式(1.1)所示。

式中：N为数据的组数，n为每组数据的维度，x_pk和x′_pk分别为输入的数据和经过堆叠自编码器后输出的预测数据。

图4给出了通过机理分析，在三段式传热模型的基础上通过选取离散节点迭代计算，建立加热器数值计算模型的流程。通过数值计算模型代入600MW机组的一号高加的设计数据进行仿真，在深入把握加热器特点的基础上，建立了性能指标(水位)和质量指标(下端差)之间的对应关系。补充了数据方法建立模型无法对系统变化趋势预测的缺陷。

高加水位PID控制系统的控制规律为式(1.2)：

式中：K_p是比例增益系数，T_i是积分时间常数，T_d是微分时间常数，u(t)是控制量，e(t)是设定值与实际值之差。在实际运行过程中，通过阶跃相应曲线进行控制仿真，确定调节参数K_p、T_i和T_d。即可对系统进行调节，实现水位的经济性调整。

综上所述，应用本发明所述的一种基于数据驱动和机理建模状态监测的高压加热器经济调节方法，可以既能使用数据驱动方法对大量历史数据进行分析，建立满足运行过程特点的监测模型，又能体现机理模型对变量耦合关系的把握，补充数据方法在没有历史数据的情况下对模型预测的精确性。

以上对本发明的方法与具体实施方法进行了详细的介绍，并给出了相应的实施流程。当然，除上述实例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明所要保护的范围之内。