技术领域
[0001] 本
申请实施例涉及火
力发电领域，具体涉及一种基于智能
优化算法的火电机组操作寻优方法及相关装置。
背景技术
[0002] 随着国家对火电厂节能降耗要求的逐步提高及智能电厂的高速发展，火电厂供电
煤耗的计算越来越受到关注。供电煤耗是指火力
发电厂每向外提供单位
电能的平均耗用的标准煤量，是发电厂生产经营的主要经济性指标之一。计算并降低火电厂的煤耗，有助于提高发电厂的机组经济性。
[0003] 而目前电厂经常以小指标竞赛作为运行人员考核的依据，小指标竞赛方法是目前被广泛使用的考核方法，鼓励发电厂员工通过耗差分析的方式，优化火电机组的中间变量，从而降低机组的供电煤耗。这种小指标竞赛的方式需要对机组进行热力试验，成本较高，且寻优过程复杂。
发明内容
[0004] 本申请实施例提供了基于智能优化算法的火电机组操作寻优方法及相关装置，用于对火电机组的操作组合进行优化，指导火电机组降低煤耗。
[0005] 本申请实施例第一方面提供了一种基于智能优化算法的火电机组操作寻优方法，包括：
[0006] 通过运行控制设备采集多组目标机组运行数据，每组所述目标机组运行数据包括所述目标机组在某一时刻的多个运行参数；
[0007] 按照预设的工况边界将所述多组目标机组运行数据划分为多个样本组，每个所述样本组内包括一种工况下的目标机组运行数据；
[0008] 从所述多个运行参数中选取输入参数和输出参数，其中所述输入参数是所述目标机组运行中的可操作量，所述输出参数是所述目标机组的中间状态量；
[0009] 根据所述样本组内的目标机组运行数据，为每个样本组对应的工况构建对应的神经网络模型；
[0010] 使用所述神经网络模型拟合所述工况下的输入输出关系，所述输入输出关系表示所述工况下所述可操作量与所述机组状态量之间的函数关系；
[0011] 设定设置操作量的上下限边界，作为寻优范围；使用智能算法智能寻优算法计算不同工况下的机组状态量对应的综合煤耗；
[0012] 根据所述机组状态量对应的综合煤耗所述最优解和各所述工况的输入输出关系，计算各所述工况下，综合煤耗最低时对应的可操作量组合作为最优解；
[0013] 添加所述不同工况的最优解下的可操作量到标杆值库。
[0014] 基于本申请实施例第一方面，本申请实施例第一方面的第一种实施方式中，在所述按照预设的工况边界将所述目标机组运行数据划分为多个样本组之前，所述方法还包括：
[0015] 对所述多组目标机组运行数据进行预处理，所述预处理包括对所述目标机组运行数据中异常、缺失的运行参数进行删除或插值处理。
[0016] 基于本申请实施例第一方面，或本申请实施例第一方面的第一种实施方式，在本申请实施例第一方面的第二种实施方式中，所述通过运行控制设备采集多组目标机组运行数据，每组所述目标机组运行数据包括所述目标机组在某一时刻的多个运行参数，包括：
[0017] 通过目标机组的DCS和/或SIS和/或PLC系统采集多组目标机组运行数据。
[0018] 基于本申请实施例第一方面，或本申请实施例第一方面的第一种实施方式，在本申请实施例第一方面的第三种实施方式中，所述按照预设的工况边界将所述多组目标机组运行数据划分为多个样本组，包括：
[0019] 使用
聚类分析或等距划分的方法，按照预设的工况边界将所述多组目标机组运行数据划分为多个样本组。
[0020] 对应于第一方面的方法，本申请实施例第二方面提供了一种基于智能优化算法的火电机组操作寻优装置，包括：
[0021] 采集单元，用于通过运行控制设备采集多组目标机组运行数据，每组所述目标机组运行数据包括所述目标机组在某一时刻的多个运行参数；
[0022] 分组单元，用于按照预设的工况边界将所述多组目标机组运行数据划分为多个样本组，每个所述样本组内包括一种工况下的目标机组运行数据；
[0023] 选取单元，用于从所述多个运行参数中选取输入参数和输出参数，其中所述输入参数是所述目标机组运行中的可操作量，所述输出参数是所述目标机组的中间状态量；
[0024] 构建单元，用于根据所述样本组内的机组运行样本，为每个样本组对应的工况构建对应的神经网络模型；
[0025] 拟合单元，用于使用所述神经网络模型拟合所述工况下的输入输出关系，所述输入输出关系表示所述工况下所述可操作量与所述机组状态量之间的函数关系；
[0026] 设定单元，用于设定设置操作量的上下限边界，作为寻优范围；计算单元，用于使用智能算法智能寻优算法计算不同工况下的机组状态量对应的综合煤耗；还用于根据所述机组状态量对应的综合煤耗和各所述工况的输入输出关系，计算各所述工况下综合煤耗最低时对应的可操作量组合作为最优解；
[0027] 添加单元，用于添加所述不同工况的最优解下的可操作量到标杆值库。
[0028] 基于本申请实施例第二方面，在本申请实施例第二方面的第一种实施方式中，还包括：
[0029] 预处理单元，用于对所述多组目标机组运行数据进行预处理，所述预处理包括对所述目标机组运行数据中异常、缺失的运行参数进行删除或插值处理。
[0030] 基于本申请实施例第二方面，或本申请实施例第二方面的第一种实施方式，在本申请实施例第二方面的第二种实施方式中，所述采集单元具体用于：
[0031] 通过目标机组的DCS和/或SIS和/或PLC系统采集多组目标机组运行数据。
[0032] 基于本申请实施例第二方面，或本申请实施例第二方面的第一种实施方式，在本申请实施例第二方面的第三种实施方式中，所述分组单元具体用于：
[0033] 使用聚类分析或等距划分的方法，按照预设的工况边界将所述多组目标机组运行数据划分为多个样本组。
[0034] 本申请第三方面提供了另一种基于智能优化算法的火电机组操作寻优装置的实施例，包括
中央处理器和
存储器，所述存储器为短暂存储存储器或持久存储存储器，所述中央处理器配置为与所述存储器通信，在所述计算机设备上执行所述存储器中的指令操作以执行前述第一方面中的任意一项所的方法。
[0035] 本申请第四方面提供了一种计算机存储介质，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行前述第一方面中的任一项所述的方法。
[0036] 从以上技术方案可以看出，本申请实施例具有以下优点：本申请提供的基于智能优化算法的火电机组操作寻优方法可以通过神经网络的建模、智能寻优算法的计算，对机组在多种工况下的运行进行寻优操作，不需要人工进行复杂的数学计算和昂贵的热力实验，减少了火电机组寻优的需要的人力和物力。
附图说明
[0037] 图1为本申请提供的基于智能优化算法的火电机组操作寻优方法一个
流程图；
[0038] 图2为本申请提供的基于智能优化算法的火电机组操作寻优方法另一流程图；
[0039] 图3为本申请提供的基于智能优化算法的火电机组操作寻优装置的一个示意图；
[0040] 图4为本申请提供的基于智能优化算法的火电机组操作寻优装置另一示意图。
具体实施方式
[0041] 本申请实施例提供了基于智能优化算法的火电机组操作寻优方法及相关装置，主要应用在
火力发电厂的机组优化中，旨在发掘机组最大运行潜力，优化机组运行，降低机组综合煤耗。
[0042] 下面结合附图，对本申请实施例中的基于智能优化算法的火电机组操作寻优方法进行详细说明，请参阅图1，本实施例中的方法包括：
[0043] 101、通过运行控制设备采集多组目标机组运行数据；
[0044] 通过机组的运行控制设备采集一台作为优化目标的目标机组的运行数据，通过在不同时间点进行采集，获得多组目标机组的运行数据，其中每组运行数据包括目标机组在某一时刻的多个运行参数。例如，从机组的运行控制设备读取过去一年内保存机组的运行状态，以1小时为间隔，采集机组每天整点时的运行参数，作为一组目标机组运行数据，共计8760组数据。可以理解的是，采集的目标机组运行数据次数应当较多，以便尽量
覆盖机组在过去不同情况下的运行状态。
[0045] 102、按照预设的工况边界将多组目标机组运行数据划分为多个样本组；
[0046] 事先设定多种划分条件，通过机器将大量的目标机组运行数据按照划分条件分到不同的数据样本组中，每个样本组内包括一种工况下的目标机组运行数据，划分条件可以根据预设具体的优化目标好工况分类情况而定。例如，可以按照负载大小对机组工况进行划分，或按机组
锅炉的燃烧煤质进行划分，具体此处不作限定。在一些具体的实施例中，还可以采用等距划分或聚类划分的方法对目标机组运行数据进行分类，使得每个工况下的样本分组具有更多的类似特征。
[0047] 103、选取输入参数和输出参数；
[0048] 从需要分析的火电机组的运行参数中选取构建神经网络模型输入和输出的参数，其中的输入参数通常是目标机组运行中的可操作量，例如进
风口开度、磨煤机组合方式和
燃烧器摆
角等；输出参数是因为改变的可操作量会发生变化的目标机组的中间状态量，例如主
蒸汽温度、再热汽温度和再热减温
水量等，具体输入量与输出量的组合可以根据机组优化需求和机组特性择优选取。需要说明的是，步骤103和步骤102并没有必然的先后执行顺序，也可以先执行步骤103，再执行步骤102。
[0049] 104、根据样本组内的目标机组运行数据，为每个样本组对应的工况构建对应的神经网络模型；
[0050] 使用步骤102中按照工况分组后的目标机组运行数据，构建多个神经网络模型，其中每个神经模型都使用对应的样本组内的目标机组运行数据作为样本进行训练，在训练中不断调整神经网络的参数，使得神经网络能够学习该工况下机组运行时可操作量与中间变量的对应关系。
[0051] 105、使用神经网络模型拟合每种工况下的输入输出关系；
[0052] 进过训练的神经网络能够较为准确地反映训练样本中输入与输出量之间潜在的关系，可以使用每个工况下的样本分组对应的神经网络拟合输入输出关系，即使用神经网络反映目标机组的可操作量与作为中间变量的机组状态量间的关系。该过程不需要人工计算，就可以较为准确的得到可操作量与中间变量的关系。
[0053] 106、设定设置操作量的上下限边界，作为寻优范围；
[0054] 每个机组的锅炉都有该工况下的可操控量，该可操控量的上下边界范围不同，不同机组和工况可能具有不同的上下边界，如果运行在上下限边外，可能无法达到最优解或损伤锅炉。因此限定上下限边界作为寻优范围，可以提高运算速度，降低算法中的计算量。可以理解的是，该操作也可以在其他时机进行，在步骤107之前执行即可。
[0055] 107、使用智能算法智能寻优算法计算不同工况下的机组状态量对应的综合煤耗；使用智能寻优算法，求解不同工况下机组状态量与综合煤耗的关系。即求解在不同工况下，目标机组的状态量对应的综合煤耗之间的对应关系，寻找在每个工况下机组煤耗最低时，中间变量的具体取值。常用的智能寻优算法可以是粒子群算法、拟
退火和
遗传算法等，具体此处不作限定，能有效求出最优解即可。
[0056] 108、计算各所述工况下，综合煤耗最低时对应的可操作量组合作为最优解；；
[0057] 每个样本分组都由一个对应的神经网络，且每个样本分组对应一种工况，根据每个样本分组所述的工况和神经网络的输入输出关系，计算该工况下，要达到最低综合煤耗对应的中间变量需要的可操作量组合，作为该工况下的最优解。
[0058] 109、添加不同工况的最优解下的可操作量组合到标杆值库。
[0059] 将不同工况下煤耗最低的可操作量组合分别添加到标杆值库进行保持，用来指导机组的控制系统或工人对机组进行控制，根据目标机组不同的工况对机组锅炉的可操作量进行
修改，使得机组煤耗达到最低，提高发电厂的经济性。
[0060] 本申请的另一实施例中，还可以对获取的目标机组运行数据进行更进一步地预处理，提高神经网络模型的训练样本
质量，让神经网络模型更好地拟合输入参数与输出参数的关系，该实施例的方法包括：
[0061] 201、通过目标机组的DCS和/或SIS和/或PLC系统采集多组目标机组运行数据；
[0062]
选定需要优化的一个目标火电机组后，从该机组的DCS、SIS和PLC系统中读取保存的运行记录，从中采集目标机组运行数据，目标机组运行数据可以来自于DCS、SIS或PLC系统中的任何一个系统，也可以来分别来自于其中两个系统或全部三个系统。可以理解的是，目标机组运行数据如果有其他来源，也可以从其他来源采集，能够获取到尽量多的目标机组运行数据即可。
[0063] 202、对多组目标机组运行数据进行预处理；
[0064] 对目标机组运行数据中异常、缺失的运行参数进行删除或插值处理。例如目标机组的某些
传感器可能在运行中失灵，未能采集到正确的参数，可以对该组目标机组运行数据直接删除，不再使用。或者通过插值处理，补目标机组运行数据中全异常或缺失的运行参数，使得目标机组运行数据可以用来作为神经网络模型的训练样本。
[0065] 203、按照预设的工况边界将多组目标机组运行数据划分为多个样本组，每个样本组内包括一种工况下的目标机组运行数据；
[0066] 204、选取输入参数和输出参数，
[0067] 205、根据样本组内的目标机组运行数据，为每个样本组对应的工况构建对应的神经网络模型；
[0068] 206、使用神经网络模型拟合每种工况下的输入输出关系；
[0069] 207、设定设置操作量的上下限边界，作为寻优范围；
[0070] 208、使用智能算法智能寻优算法计算不同工况下的机组状态量对应的综合煤耗；；
[0071] 209、计算各所述工况下，综合煤耗最低时对应的可操作量组合作为最优解；。
[0072] 210、添加不同工况的可操作量组合到标杆值库。
[0073] 请参阅图3，本申请实施例还提供了一种基于智能优化算法的火电机组操作寻优装置，包括：
[0074] 采集单元301，用于通过运行控制设备采集多组目标机组运行数据，每组目标机组运行数据包括目标机组在某一时刻的多个运行参数；
[0075] 分组单元302，用于按照预设的工况边界将多组目标机组运行数据划分为多个样本组，每个样本组内包括一种工况下的目标机组运行数据；
[0076] 选取单元303，用于从多个运行参数中选取输入参数和输出参数，其中输入参数是目标机组运行中的可操作量，输出参数是目标机组的中间状态量；
[0077] 构建单元304，用于根据样本组内的机组运行样本，为每个样本组对应的工况构建对应的神经网络模型；
[0078] 拟合单元305，用于使用神经网络模型拟合工况下的输入输出关系，输入输出关系表示工况下可操作量与机组状态量之间的函数关系；
[0079] 设定单元306，用于设定设置操作量的上下限边界，作为寻优范围；
[0080] 计算单元307，用于使用智能寻优算法计算不同工况下的机组状态量与煤耗的最优解；还用于根据最优解和每种工况的输入输出关系，计算不同工况的最优解下的可操作量；
[0081] 添加单元308，用于添加不同工况的最优解下的可操作量到标杆值库。
[0082] 在一些具体的实施方式中，还包括预处理单元309，预处理单元309用于对多组目标机组运行数据进行预处理，即对目标机组运行数据中异常、缺失的运行参数进行删除或插值处理。
[0083] 在一些具体的实施方式中，采集单元301具体用于：
[0084] 通过目标机组的DCS和/或SIS和/或PLC系统采集多组目标机组运行数据。
[0085] 在一些具体的实施方式中，分组单元302具体用于：
[0086] 使用聚类分析或等距划分的方法，按照预设的工况边界将多组目标机组运行数据划分为多个样本组。
[0087] 本申请实施例还提供了基于智能优化算法的火电机组操作寻优装置的另一实施例，请参阅图4，该装置可以包括一个或一个以上中央处理器(central processing units，CPU)401和存储器405，该存储器405中存储有一个或一个以上的应用程序或数据。
[0088] 其中，存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模
块，每个模块可以包括对业务
服务器中的一系列指令操作。更进一步地，中央处理器401可以设置为与存储器405通信，在业务服务器400上执行存储器405中的一系列指令操作。
[0089] 业务服务器400还可以包括一个或一个以上电源402，一个或一个以上有线或无线网络
接口403，一个或一个以上输入输出接口404，和/或，一个或一个以上
操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
[0090] 该中央处理器401可以执行前述1或图2所示实施例中的操作，具体此处不再赘述。
[0091] 本申请实施例还提供一种可读存储介质，用于保存
计算机程序，其中，所述计算机程序被处理器执行时实现前述任意实施例公开的方法，在此不再进行赘述。
[0092] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0093] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0094] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0095] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用
硬件的形式实现，也可以采用
软件功能单元的形式实现。
[0096] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对
现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动
硬盘、
只读存储器(ROM，read-only memory)、
随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
