CN105971738B - 一种燃气轮机组烟气流量在线监测的方法 - Google Patents

Abstract

本发明公开了一种燃气轮机组烟气流量在线监测的方法，包括如下步骤：(1)读取机组历史运行数据，并对数据进行标准化处理；利用处理后的数据对鲁棒输入训练型神经网络模型进行训练，得到数据重构模型；(2)读取机组实时运行数据，将其输入数据重构模型求出数据重构值，并将残差值与设定的阈值进行比较，判定数据实际测量值是否异常；(3)利用燃料成分分析仪所测得的燃料组分以及修正后的测量数据，根据烷烃燃烧化学反应公式、实际空气系数等公式计算得出压气机出口流量以及透平出口流量。本发明所提出烟气流量算法计算量小、可靠性高、测量精确度高，能够避免传感器测量异常对计算过程造成的干扰，具有很大的工程应用前景。

Description

一种燃气轮机组烟气流量在线监测的方法

技术领域

本发明属于燃气轮机组技术领域，涉及一种燃气轮机组烟气流量在线监测的方法。

背景技术

空气经滤网过滤后被压气机压缩成高温高压的气体，所生成的高温高压气体接着与天然气在燃烧室中混合反生化学反应生成温度更高、压力更高的烟气混合物，烟气混合物进一步在燃气透平中膨胀做功带动电机发电，因此，较为准确的烟气流量测量值有助于对压气机、燃烧室以及透平设备实施更为有效的性能监测与运行状态评估，以提高机组运行的稳定性、安全性以及经济性。

另外，为了提高机组的循环热效率，燃气轮机组已经普遍配置了余热锅炉、蒸汽轮机等设备，形成燃气-蒸汽联合循环机组。在余热锅炉侧，无论是对其进行热力计算还是污染物排放特性分析，都对烟气流量测量值的准确性提出了更高的要求。

然而，目前燃气轮机及其联合循环机组的烟气流量测量还面临着诸多困难。首先，燃气轮机结构复杂，燃烧室与排气室数量多，烟气温度较高，不便于安装烟气流量测量装置，进而导致燃气轮机侧烟气流量值无法获得；其次，布置在燃气轮机组侧的传感器长期在高温高压等严苛环境下工作，易发生各种故障，对烟气流量的计算带来了极大的干扰；再次，布置在余热锅炉尾部烟道的烟气流量测量装置虽然可以得出烟气流量测量值，但是其布置在锅炉尾部烟道，测得的数值存在较大的延迟，另外在机组启机过程中，由于烟气挡板的调节作用，烟气流入余热锅炉的流量存在限制，针对燃机侧设备性能与变工况特性时，此流量装置并不总适用；最后，烟气流量测量装置为非标准节流装置，其流量系数需要现场标定，但是标定环境恶劣、费用高，并且只能冷态标定，标定准确度难以保证。因此，有必要寻求一种新的烟气流量在线监测方法，以提高烟气流量测量值的可靠性和准确性，对燃气机组设备运行状态评估有着重要的作用。

发明内容

发明目的：为了克服现有技术的不足，本发明提供了一种有效的燃气轮机组烟气流量在线监测的方法。

技术方案：本发明提供了一种燃气轮机组烟气流量在线监测的方法，包括以下步骤：

1)读取燃气轮机组负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、压气机进口可转导叶(下文简称IGV)开度测点、氧量测点组成的历史运行数据，并对历史数据进行标准化处理；利用经标准化处理后的历史数据对鲁棒输入训练型神经网络模型进行训练，得到数据重构模型；

(2)从厂级信息监控系统(下文简称，SIS系统)读取负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点组成的实时运行数据，将其输入数据重构模型求出数据重构值；定义数据重构值与实际值的差值为数据残差值，将数据残差值与设定的阈值进行比较判定数据实际测量值是否异常，若数据异常则选数据重构值作为修正后的测量数据，否则修正后的测量数据默认为数据实际测量值；

(3)利用燃料成分分析仪测得的燃料组分以及步骤(2)中获得的修正后的测量数据，根据烷烃燃烧化学反应式、过量空气系数公式计算得出压气机出口流量以及透平出口流量。

进一步，所述步骤(1)包括以下步骤：

(1.1)提取燃气轮机组最近几年稳态历史运行数据测量值，并根据机组负荷和环境温度作为特征进行工况划分，设定采样周期为1s，以滑动窗口平均思想获取各个工况的网络训练数据；

(1.2)使用主成分分析法(下文简称PCA)对负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点组成的数据训练集进行主成分分析，得到鲁棒输入训练型神经网络输入层个数为r；鲁棒输入训练型神经网络中间层个数介于输入层个数与输出层个数之间，采用遗传算法进行优化，获取最优个数；选取训练数据中的负荷、燃料量、压气机进口温度、压气机出口温度、压气机出口压力、压气机进气压差、排气温度、排气压力、IGV开度、氧量分别进行归一化处理，作为网络输出层；采用鲁棒输入训练型神经网络进行反复训练，直至均方根误差(下文简称RMSE)小于0.001，从而获得数据重构模型。

进一步，所述步骤(2)中阈值计算方法如下：

根据计算出若数据残差值超出范围，则认为数据异常。

其中，为平均相对误差；E_i为模型预测值与实测值的相对误差；σ为模型预测值与实测值的均方差；m为传感器的总数；为第i个传感器数据重构模型输出值；X_i为第i个传感器实际测量值，i表示传感器的编号。

进一步，所述步骤(3)中压气机出口流量以及透平出口流量的计算方法为：利用公式计算得出压气机出口流量G₂，并根据公式计算得出透平出口流量G₄；其中，P_bk、T_bk、n_bk、G_bk为标准状况下工质气体的压力、温度、物质的量以及体积，P_bk、T_bk、n_bk和G_bk的值为定值，分别取101000Pa、298K、1mol和0.0224m³；k_xs为过量空气系数；T₂为压气机出口温度，单位为K；P₂为压气机出口压力，单位为Pa；Per_O₂为氧气体积百分比，取定值0.21；G₂为压气机出口流量，单位为m³/s；T₄为透平出口温度，单位为K；P₄为透平排气压力，单位为Pa；G₄为透平出口流量，单位为m³/s；n_all为工质气体的物质的量，单位为mol/L；为工质气体中氧气组分的物质的量，单位为mol/L。

有益效果：与现有技术相比，本发明提供的方法计算量小、可靠性高、测量精确度高，能够避免传感器测量异常对计算过程造成的干扰，具有很大的工程应用前景。

附图说明

图1为本发明监测方法的流程图；

图2为本发明采用的鲁棒输入训练型神经网络结构示意图；

图3为本发明对余热锅炉尾部烟道氧量数据进行重构结果图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

实施例：

如图1所示，本发明提供的一种燃气轮机组烟气流量在线监测的方法，包括以下步骤：

(1)读取燃气轮机组负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点最近几年稳态历史运行数据，并对历史数据进行标准化处理；利用经标准化处理后的历史数据对鲁棒输入训练型神经网络模型进行训练，得到数据重构模型；

获得重构数据模型具体包括以下步骤：

(1.1)根据机组负荷和环境温度为特征进行工况划分，设定采样周期为1s，以滑动窗口平均思想获取各个工况的网络训练数据；

(1.2)使用PCA对负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点组成的数据训练集进行主成分分析，得到鲁棒输入训练型神经网络输入变量个数为r；鲁棒输入训练型神经网络中间层个数介于输入层个数与输出层个数之间，采用遗传算法进行优化，获取最优个数；选取r个变量的随机值作为网络输入层；选取训练数据中的负荷、燃料量、压气机进口温度、压气机出口温度、压气机出口压力、压气机进气压差、排气温度、排气压力、IGV开度、氧量分别进行归一化处理，作为网络输出层；采用鲁棒输入训练型神经网络进行反复训练，直至RMSE小于0.001，从而获得数据重构模型；

(2)从SIS系统读取负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点组成的实时运行数据，将其输入数据重构模型求出数据重构值；定义数据重构值与实际值的差值为数据残差值，将数据残差值与设定的阈值进行比较判定数据实际测量值是否处于异常状态，若数据异常则数据重构数据作为修正后的测量数据，否则修正后的测量数据默认为数据实际测量值；

其中，步骤(2)中阈值计算方法如下：

根据计算出若数据残差值超出范围，则认为数据异常；其中，为平均相对误差；E_i为模型预测值与实测值的相对误差；σ为模型预测值与实测值的均方差；m为传感器的总数；为第i个传感器数据重构模型输出值；X_i为第i个传感器实际测量值，i表示传感器的编号。

(3)利用燃料成分分析仪测得的燃料组分以及步骤(2)中获得的修正后的测量数据，根据烷烃燃烧化学反应式、过量空气系数公式等计算得出压气机出口流量以及透平出口流量。

其中，烷烃类通用化学反应方程式：式中n没有具体含义，仅表示标号，如表1所示。m_all1表示n＝1时所需的O2、生成的CO2、H2O以及总产物的系数，其他以次类推。

天然气摩尔质量M_g：

单位时间实际天然气物质的量n_g：

单位物质的量燃料完全燃烧所需的氧气O₂、生成的CO₂、H₂O以及总产物的物质的量分别为：

过量空气系数k_xs：

通过上述公式可以得出：压气机出口流量G₂：

透平出口流量G₄：

其中，M为天然气各成分的摩尔质量，比如，即表示天然气中CH₄的摩尔质量，即表示天然气中C₂H₆的摩尔质量等；k为天然气各组分所占比例系数，比如，表示天然气中CH₄所占比例系数，由燃料成分分析仪测出；G_f为天然气流量，单位为kg/s；为燃料各组分充分燃烧所需的O₂系数，如表1所示；为燃料各组分充分燃烧生成的CO₂、H₂O系数，m_alln表示总产物的系数；为余热锅炉尾部氧量；P_bk、T_bk、n_bk、G_bk为标准状况下压力、温度、物质的量以及体积，分别取101000Pa、298K、1mol、和0.0224m³；T₂为压气机出口温度，单位为K；P₂为压气机出口压力，单位为Pa；Per_O₂为氧气体积百分比，取0.21；G₂为压气机出口流量，单位为m³/s；T₄为透平出口温度，单位为K；P₄为透平出口压力，单位为Pa；G₄为透平出口流量，单位为m³/s。

表1：烷烃类反生化学反应计算公式系数表

下面结合实施例对本发明作更进一步的说明：

以某200MW燃气—蒸汽联合循环机组烟气流量在线监测为例，采集机组最近两年运行历史数据，采样周期为1s，以每分钟60次采集数据滑动平均值作为一组训练样本，从而获得机组运行特性：首先，根据机组的负荷和环境温度进行工况划分，以50％、60％、70％、80％、90％以及100％负荷段和0℃，10℃，20℃，30℃，35℃温度段为特征获取2000组样本作为模型的训练样本；选取不同于训练样本的600组样本作为测试样本；利用PCA对训练样本进行主成分分析，初步得到鲁棒输入训练型神经网络模型输入变量个数为3，采用遗传算法对鲁棒输入训练型神经网络模型中间层节点个数进行优化，确定中间层节点个数为5，选取负荷、燃料量、压气机进口温度、压气机出口温度、压气机出口压力、压气机进气压差、排气温度、排气压力、IGV开度、氧量作为鲁棒输入训练型神经网络模型输出层，网络结构如图2所示，利用训练样本对鲁棒输入训练型神经网络模型进行训练，得到数据重构模型，并利用测试数据验证了模型的准确性；紧接着，将现场实时运行数据输入重构模型，并判定数据是否超出阈值范围，若超出则对异常数据进行重构，如图3所示，图中为某段氧量测点运行数据采用鲁棒输入训练型神经网络模型进行检测并修正后的数据，从图中可以看出从762s开始至1227s处，传感器测量值与数据重构模型输出值明显不一致，故采用数据重构模型输出值作为修正后的测量数据；采用经修正过后的测量数据以及燃料成分分析仪所测得到数据进行计算得到过量空气系数、单位物质的量燃料完全燃烧所需的氧气O₂、生成的CO₂、H₂O以及总产物的物质的量，最终计算得出压气机出口流量以及透平出口流量，并存入数据库加以监视，表2为从数据库读出的部分计算结果，与设计值对比可知所述方法准确度较高。

表2：部分计算结果与设计值对比

Claims (3)

1.一种燃气轮机组烟气流量在线监测的方法，其特征在于，包括以下步骤：

(1)读取燃气轮机组负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、压气机进口可转导叶开度测点、氧量测点组成的历史运行数据，并对历史数据进行归一化处理；利用经标准化处理后的历史数据对鲁棒输入训练型神经网络模型进行训练，得到数据重构模型；

(2)从厂级信息监控系统读取负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点组成的实时运行数据，将其输入数据重构模型求出数据重构值；定义数据重构值与实际值的差值为数据残差值，将数据残差值与设定的阈值进行比较判定数据实际测量值是否异常，若数据异常则选数据重构值作为修正后的测量数据，否则数据实际测量值作为修正后的测量数据；

(3)利用燃料成分分析仪测得的燃料组分以及步骤(2)中获得的修正后的测量数据，根据烷烃燃烧化学反应式、过量空气系数公式计算得出压气机出口流量以及透平出口流量；

所述步骤(3)中压气机出口流量以及透平出口流量的计算方法为：利用公式计算得出压气机出口流量G₂，并根据公式计算得出透平出口流量G₄；其中，P_bk、T_bk、n_bk、G_bk为标准状况下工质气体的压力、温度、物质的量以及体积，P_bk、T_bk、n_bk和G_bk的值为定值，分别取101000Pa、298K、1mol和0.0224m³；k_xs为过量空气系数；T₂为压气机出口温度，单位为K；P₂为压气机出口压力，单位为Pa；Per_O₂为氧气体积百分比，取定值0.21；G₂为压气机出口流量，单位为m³/s；T₄为透平出口温度，单位为K；P₄为透平排气压力，单位为Pa；G₄为透平出口流量，单位为m³/s；n_all为工质气体的物质的量，单位为mol/L；为工质气体中氧气组分的物质的量，单位为mol/L。

2.根据权利要求1所述的燃气轮机组烟气流量在线监测的方法，其特征在于：所述步骤(1)包括以下步骤：

(1.1)提取燃气轮机组最近几年稳态历史运行数据测量值，并根据机组负荷和环境温度作为特征进行工况划分，设定采样周期为1s，以滑动窗口平均思想获取各个工况的网络训练数据；

(1.2)使用主成分分析法对负荷测点、燃料量测点、压气机进口温度测点、压气机出口温度测点、压气机出口压力测点、压气机进气压差测点、排气温度测点、排气压力测点、IGV开度测点、氧量测点组成的数据训练集进行主成分分析，得到鲁棒输入训练型神经网络输入层个数为r；鲁棒输入训练型神经网络中间层个数介于输入层个数与输出层个数之间，采用遗传算法进行优化，获取最优个数；选取训练数据中的负荷、燃料量、压气机进口温度、压气机出口温度、压气机出口压力、压气机进气压差、排气温度、排气压力、IGV开度、氧量分别进行归一化处理，作为网络输出层；采用鲁棒输入训练型神经网络进行反复训练，直至均方根误差小于0.001，从而获得数据重构模型。

3.根据权利要求1所述的燃气轮机组烟气流量在线监测的方法，其特征在于：所述步骤(2)中阈值计算方法如下：

根据计算出若数据残差值超出范围，则认为数据异常；其中，为平均相对误差；E_i为模型预测值与实测值的相对误差；σ为模型预测值与实测值的均方差；m为传感器的总数；为第i个传感器数据重构模型输出值；X_i为第i个传感器实际测量值，i表示传感器的编号。