基于RF與云粒子群的主汽溫系統(tǒng)能耗損失占比溯源研究

摘 要：通過對火電機(jī)組中主汽溫系統(tǒng)能耗損失占比溯源方法的研究，提升機(jī)組的熱經(jīng)濟(jì)性。采用隨機(jī)森林算法對主汽溫度的最優(yōu)影響因子進(jìn)行分析，系統(tǒng)探究各運(yùn)行參數(shù)對主汽溫度波動的貢獻(xiàn)度；并引入云粒子群算法辨識機(jī)組主汽溫模型的參數(shù)，以實(shí)現(xiàn)對主汽溫系統(tǒng)動態(tài)特性的精確建模，為能耗損失的量化分析提供有力工具。最終，結(jié)合隨機(jī)森林最優(yōu)影響因子分析與云粒子群算法的模型參數(shù)辨識，構(gòu)建主汽溫系統(tǒng)能耗損失占比的溯源框架，揭示能耗損失的主要來源，為火電機(jī)組的節(jié)能降耗提供科學(xué)依據(jù)和技術(shù)支持。

關(guān)鍵詞：火力發(fā)電；主汽溫系統(tǒng)；耗差分析；隨機(jī)森林算法；云粒子群算法

中圖分類號：TM621" " 文獻(xiàn)標(biāo)志碼：A" " 文章編號：1671-0797（2025）04-0001-07

DOI：10.19514/j.cnki.cn32-1628/tm.2025.04.001

0" " 引言

火電機(jī)組熱經(jīng)濟(jì)性診斷是指基于已知數(shù)據(jù)或運(yùn)行數(shù)據(jù)，利用智能算法或機(jī)理建模形式對火電機(jī)組進(jìn)行煤耗診斷溯源分析。對于火力發(fā)電機(jī)組來說，能耗診斷指的是在機(jī)組運(yùn)行穩(wěn)定工況下，利用機(jī)組運(yùn)行參數(shù)來分析和確定機(jī)組煤耗，從而提高全廠的熱經(jīng)濟(jì)性。

火電機(jī)組設(shè)備眾多，長期運(yùn)行情況下部分設(shè)備老化、材料受損以及積灰結(jié)垢等原因，將導(dǎo)致實(shí)際工況下機(jī)組的運(yùn)行參數(shù)偏離出廠預(yù)設(shè)值，一定程度上會造成機(jī)組運(yùn)行班組誤判某些關(guān)鍵參數(shù)配置。如果仍按照預(yù)先設(shè)定參數(shù)進(jìn)行控制，會增加機(jī)組煤耗，導(dǎo)致熱經(jīng)濟(jì)性降低，這就需要引入熱經(jīng)濟(jì)性診斷方法。目前對火電廠熱力系統(tǒng)分析主要有熱平衡法、等效焓降法、循環(huán)函數(shù)法、矩陣法以及（火用）分析法等。其中，熱平衡法[1]計算工作量很大，而且對于大多數(shù)電廠來說，由于設(shè)備不同，經(jīng)濟(jì)指標(biāo)方程有所不同，并沒有通用的表達(dá)形式，所以該方法主要用于驗證其他診斷方法是否正確、合理。等效焓降法[2]簡單易懂，有利于問題的正確解決；但缺乏具備可復(fù)制性的通用模型，因此目前并未被電廠廣泛采用。循環(huán)函數(shù)法[3]應(yīng)用較廣，目前已得到國內(nèi)很多學(xué)者的完善。閆水保、白尊亮等人[4-5]對循環(huán)函數(shù)法進(jìn)行改進(jìn)，引入了逆向加熱單元并對通式進(jìn)行整理推導(dǎo)，這使得流量計算規(guī)范簡潔，循環(huán)函數(shù)法應(yīng)用更加廣泛。矩陣法比較簡單，易于移植使用，相對于其他方法來說其直接將循環(huán)計算交給計算機(jī)，省略了大量循環(huán)計算，使得計算形式更加便捷[6]。（火用）分析法最早由德國學(xué)者Tsatsaronis應(yīng)用在火電機(jī)組經(jīng)濟(jì)性診斷方面，其不僅能夠計算熱經(jīng)濟(jì)性，也能與經(jīng)濟(jì)成本相結(jié)合進(jìn)行分析計算[7-8]。（火用）分析法對參數(shù)的準(zhǔn)確度依賴較大，目前該方法并未大范圍推廣應(yīng)用于實(shí)際電力生產(chǎn)[9]。

本文針對以往研究得到的火電機(jī)組耗差情況，對機(jī)組耗差較大的部分進(jìn)行能損溯源分析，研究火電機(jī)組熱端、冷端及水側(cè)數(shù)據(jù)，利用現(xiàn)場數(shù)據(jù)溯源探究機(jī)組能耗損失占比，分析造成機(jī)組經(jīng)濟(jì)性較低的原因，從而推動進(jìn)一步降低機(jī)組煤耗，提升全廠熱效率。

1" " 火電機(jī)組主汽溫度能耗數(shù)學(xué)模型建立

在火電機(jī)組中，主蒸汽溫度是整個電廠溫度最高的環(huán)節(jié)，同時也是機(jī)組熱經(jīng)濟(jì)性指標(biāo)的重要表征參數(shù)[10]。根據(jù)能量平衡、利用朗肯循環(huán)及弗留格爾公式，建立機(jī)組主汽溫度與其影響因素的關(guān)系式，根據(jù)該關(guān)系式利用智能算法進(jìn)行數(shù)據(jù)分析，得出各影響因素對主汽溫的影響程度。下面列出主蒸汽溫度及其影響因素的關(guān)系推導(dǎo)過程[11]。模型圖如圖1所示，平衡方程如式（1）所示。

BQtotalηb=W（hgr″-hfw）+Dps1（hgr″-hps1）+Dps2（hgr″-hps2）+

Drs（hzr′-hrs）+Dzr（hzr′-hzr）+Dyqcyq（tyq′-tyq）" "（1）

式中：hgr″為主蒸汽焓值（kJ/kg）；hrs為再熱減溫水焓值（kJ/kg）；Dyq為煙氣氧量（kg/s）；cyq為煙氣比熱[kJ/（kg·K）]；tyq′為入壁煙氣溫度（K）；tyq為出壁煙氣溫度（K）。

為方便分析，引入熱量份額系數(shù)ri，故每千克燃料的噴水吸熱量份額系數(shù)可以表示為rpsr1、rpsr2和rrs，每千克燃料的再熱蒸汽吸熱量份額系數(shù)rzr和每千克燃料的煙氣熱量份額系數(shù)ryq。故根據(jù)式（1）有：

通過對主汽溫主要影響因素進(jìn)行分析，影響主汽溫的大致有上述15個主要參數(shù)。對于這15個參數(shù)而言，一方面由于每個參數(shù)對主汽溫的影響是各不相同的，而且僅適用于計算某一時刻的影響情況，當(dāng)數(shù)據(jù)較多時，由于參數(shù)變化頻繁，每次計算出的數(shù)值就相差較大，其準(zhǔn)確性也相應(yīng)降低。另一方面，如參數(shù)較少，利用常規(guī)數(shù)學(xué)工具計算Ci尚可，但隨著特征參數(shù)增加，Ci的計算就變得十分復(fù)雜，利用常規(guī)的計算方法很難科學(xué)地選擇出機(jī)組主要影響因子，因此引入智能算法來對主汽溫度關(guān)鍵影響因子進(jìn)行降維判斷是比較良好的方法。

2.1" " 隨機(jī)森林算法基本原理

由于隨機(jī)森林算法的優(yōu)越性，對電廠主汽溫度的預(yù)測較為適配，本節(jié)采用隨機(jī)森林算法選擇最優(yōu)關(guān)鍵影響因子。隨機(jī)森林（Random Forest，RF）回歸是一種基于集成學(xué)習(xí)的算法，其基本思想是基于CART回歸樹原理[12]?；貧w樹原理的本質(zhì)主要是對原來的特征空間不斷進(jìn)行二分叉，在滿足不同的特征分叉情況下，會得到多個空間，最后所屬空間樣本均值作為該空間的預(yù)測值[13]?；貧w樹基本結(jié)構(gòu)如圖2所示。

對于火電機(jī)組，數(shù)據(jù)集形式為？追=[X|y]，其中X為系統(tǒng)的輸入變量，本節(jié)中主要為各個影響因子；y為輸出變量，本節(jié)中為機(jī)組主汽溫度。機(jī)組數(shù)據(jù)集如下：

2.2" " 基于隨機(jī)森林回歸算法選取主汽溫系統(tǒng)影響因子

以某電廠2023年11月1日數(shù)據(jù)為數(shù)據(jù)庫樣本，采用隨機(jī)森林算法進(jìn)行預(yù)測。數(shù)據(jù)處理后，選擇7 850個數(shù)據(jù)列作為隨機(jī)森林算法所需數(shù)據(jù)存入數(shù)據(jù)變量中，取機(jī)組前80%數(shù)據(jù)作為訓(xùn)練集，后20%數(shù)據(jù)作為測試集，隨機(jī)森林樹數(shù)量選擇為100，數(shù)據(jù)包括所選18個主汽溫特征因子。進(jìn)行隨機(jī)森林算法分析，得到影響因子重要度如圖3所示。

根據(jù)主汽溫影響因子重要性估計結(jié)果分析，選擇出重要性估計較大的因子：煙氣氧量、總減溫水溫度、總減溫水流量、給煤量、給水量、給水溫度、二過減溫水流量作為機(jī)組主要影響因子。由于總減溫水流量主要包含兩級減溫水流量，因此可以選擇總減溫水流量代表一級、二級減溫水流量。

最終選擇了重要性較高的減溫水流量、減溫水溫度、給水流量、給水溫度、給煤量以及煙氣氧量等6個影響因子，簡化后其表達(dá)式如下：

3" " 基于云粒子群算法辨識機(jī)組主汽溫模型參數(shù)

目前常見的參數(shù)辨識方法有很多，但各種方法應(yīng)用領(lǐng)域有所不同，因此選擇合適的參數(shù)辨識方法對于主汽溫模型分析顯得尤為重要。如今的智能優(yōu)化算法諸如麻雀搜索算法[14]和粒子群算法[15]采用尋優(yōu)形式，模擬麻雀搜食和魚群的行為，通過迭代得到最優(yōu)粒子，從而得到最優(yōu)參數(shù)。

對于本文中火電機(jī)組主汽溫模型參數(shù)辨識而言，采用優(yōu)化算法進(jìn)行辨識得到最優(yōu)參數(shù)，是一種較為契合的方法。

3.1" " 機(jī)組不同工況下主汽溫模型參數(shù)辨識分析

由于不同工況下主汽溫度各個參數(shù)影響因素各不相同，且不同工況下減溫水流量及給煤量均不相同，因此對于主汽溫模型來說不同工況下參數(shù)有所不同。下面以實(shí)際電廠數(shù)據(jù)為例，對機(jī)組各個工況數(shù)據(jù)進(jìn)行主汽溫模型參數(shù)辨識。在辨識參數(shù)時，需要知道參數(shù)收斂區(qū)間，從而得到主汽溫系統(tǒng)各個影響因子與主汽溫之間的相關(guān)性。利用皮爾遜系數(shù)法來分析參數(shù)之間的相關(guān)性。

皮爾遜相關(guān)系數(shù)分析法主要原理為：對于m個對象、n個指標(biāo)，可以構(gòu)成數(shù)據(jù)矩陣X=（xij）m×n，假設(shè)選取第a列元素xa和第b列元素xb分析，通過計算其相關(guān)系數(shù)rho（a，b）等式來判斷相關(guān)性。rho（a，b）為-1表示完全負(fù)相關(guān)，為1表示完全正相關(guān)，rho（a，b）∈[-1，1]。

通過計算出各個參數(shù)之間的相關(guān)系數(shù)即可得到兩者之間的相關(guān)性。對于主汽溫系統(tǒng)各個影響因素之間相關(guān)性如圖4所示，根據(jù)圖4可以看出，主汽溫與減溫水流量以及給水量之間為負(fù)相關(guān)，兩個參數(shù)的收斂域設(shè)置為負(fù)，而給水焓、噴水焓、給煤量和煙氣氧量則設(shè)為正。

3.1.1" " 100%THA工況模型參數(shù)

將實(shí)際電廠數(shù)據(jù)中100%THA工況的數(shù)據(jù)篩選出來，利用所得模型對機(jī)組主汽溫模型進(jìn)行參數(shù)辨識分析，利用粒子群算法，100%THA工況下，得到對應(yīng)的辨識結(jié)果如圖5所示。

由辨識結(jié)果可以看出，模型輸出與實(shí)際值誤差較小，100%THA工況得到參數(shù)：a1、a2、a3、a4、a5和a6分別為-0.58、0.77、-0.936、0.720 7、1.622和0.002 1。

3.1.2" " 35%THA～90%THA工況模型參數(shù)

對于其他工況，由于不同負(fù)荷主汽溫系統(tǒng)下，不同子系統(tǒng)參數(shù)有所不同，采用35%THA～90%THA四個典型工況數(shù)據(jù)參數(shù)，所得辨識結(jié)果如圖6～9所示。

由圖6～9可以看出，除90%THA工況外，其他三個工況下擬合值和實(shí)際值誤差均維持在1 ℃以內(nèi)，預(yù)測結(jié)果基本能跟蹤上實(shí)際值趨勢，預(yù)測結(jié)果相對準(zhǔn)確。

3.2" " 機(jī)組主汽溫影響因子辨識結(jié)果分析

由3.1可知5種不同工況下機(jī)組參數(shù)辨識結(jié)果如表1所示。

由表1可知，減溫水流量和給水流量對主汽溫的負(fù)影響較大，兩者影響基分別維持在-0.79～-0.57和-1.32～-0.94；對于減溫水焓和給水焓，由于該電廠減溫水來自省煤器出口水，減溫水焓和鍋爐給水焓變化基本接近，其影響基均在0.67～0.83。對于煙氣氧量來說，無論何種工況下影響基都較小，其在主汽溫能耗損失占比中相對其他五個部分來說較小。燃料量對主汽溫的影響基在1.62～1.82。

4" " 基于隨機(jī)森林與云粒子群算法的主汽溫系統(tǒng)能耗損失占比溯源

結(jié)合基于隨機(jī)森林算法的主汽溫度最優(yōu)影響因子分析和基于云粒子群算法的機(jī)組主汽溫模型參數(shù)辨識結(jié)果，計算可得100%THA工況下，機(jī)組主汽溫系統(tǒng)的耗差為0.785 22 g/（kW·h）。造成主汽溫系統(tǒng)耗差變大的原因有很多，最終表征到主汽溫度上的顯性耗差為0.789 7 g/（kW·h），其中各個部分耗差如圖10所示。

由于實(shí)際煤質(zhì)和設(shè)計煤質(zhì)存在一定差距，鍋爐低位發(fā)熱量難以達(dá)到設(shè)計基準(zhǔn)，因此燃料量耗差是0.796 6 g/（kW·h），占比最大；減溫水溫度耗差為0.378 16 g/（kW·h）；給水溫度耗差為0.353 9 g/（kW·h）；煙氣氧量帶來的耗差則為0.001 035 4 g/（kW·h）；對于影響為負(fù)的影響因子減溫水流量和給水流量來說，其值分別為-0.28 g/（kW·h）和-0.46 g/（kW·h），最終表征到主汽溫煤耗為0.789 7 g/（kW·h）。

5" " 結(jié)論

主蒸汽溫度作為火電廠中溫度最高的環(huán)節(jié)，其穩(wěn)定性與準(zhǔn)確性直接關(guān)系到機(jī)組的運(yùn)行效率與能耗水平，是評估機(jī)組熱經(jīng)濟(jì)性指標(biāo)的關(guān)鍵參數(shù)。本文對機(jī)組耗差較大的部分進(jìn)行能損溯源分析，利用人工智能方法從火電機(jī)組熱端、冷端及水側(cè)進(jìn)行數(shù)據(jù)分析，基于某電廠運(yùn)行數(shù)據(jù)，計算機(jī)組能耗損失占比，分析造成機(jī)組經(jīng)濟(jì)性較低的原因，從而推動進(jìn)一步降低機(jī)組煤耗，提升全廠熱效率。

[參考文獻(xiàn)]

[1] 白亞平，楊伊琳，李鵬，等.300 MW超臨界二氧化碳燃煤發(fā)電機(jī)組熱經(jīng)濟(jì)性分析[J].動力工程學(xué)報，2024，44（2）：307-316.

[2] LI Y Y，CHENG T R，ZHAO Z N，et al.Compare the Calcu-

lations of Steam Extraction Efficiency of Power Plant Turbine by Simple Heat Balance Method and Equivalent Enthalpy Drop Method[C]// E3S Web of Conferences，2020：20402011.

[3] 馬芳禮，張建.供暖汽輪機(jī)采用兩級抽汽加熱器的節(jié)能效益[J].電力建設(shè)，1990（11）：1-4.

[4] 閆水保，徐治皋.循環(huán)函數(shù)法的改進(jìn)[J].中國電機(jī)工程學(xué)報，2001，21（10）：40-42.

[5] 白尊亮.基于循環(huán)函數(shù)法的火電機(jī)組耗差分析模型及軟件的研究[D].上海：上海交通大學(xué)，2010.

[6] 閆順林，徐鴻.火電機(jī)組熱力系統(tǒng)的自適應(yīng)汽水分布狀態(tài)方程[J].中國電機(jī)工程學(xué)報，2007，27（8）：54-58.

[7] TSATSARONIS G，WINHOLD M.Exergoeconomic analysis and evaluation of energy-conversion plants-I.A new general methodology[J].Energy，1985，10（1）：69-80.

[8] TSATSARONIS G.Thermoeconomic analysis and optimi-

zation of energy systems[J].Progress in Energy and Combustion Science，1993，19（3）：227-257.

[9] 于淑梅，曾慶華，張向輝，等.基于熵分析法的回?zé)嵯到y(tǒng)通用損分布矩陣[J].汽輪機(jī)技術(shù)，2009，51（2）：88-90.

[10] LIU Y H，LI Q L，DUAN X L，et al.Thermodynamic analysis of a modified system for a 1000 MW single reheat ultra-supercritical thermal power plant[J].Energy，2018，145（15）：25-37.

[11] 閆順林，梁明仁.超超臨界鍋爐主汽溫度影響因素的敏感度分析[J].電力科學(xué)與工程，2013，29（6）：67-72.

[12] GRZEGORZ D.A Comprehensive Study of Random Forest for Short-Term Load Forecasting[J].Energies，2022，15（20）：15207547.

[13] 伍乙杰，黃文灝，賴仕達(dá)，等.基于隨機(jī)森林和雙向長短期記憶網(wǎng)絡(luò)的超短期負(fù)荷預(yù)測研究[J].電氣自動化，2022，44（5）：35-37.

[14] 何國松，董澤，孫明.基于混合量子麻雀算法的過熱汽溫模型參數(shù)辨識[J].華北電力大學(xué)學(xué)報（自然科學(xué)版），2023，50（1）：92-100.

[15] ZHENG Y X，LIAO Y.Parameter identification of nonlinear dynamic systems using an improved particle swarm optimization[J].Optik，2016，127（19）：7865-7874.

收稿日期：2024-10-30

作者簡介：張文亮（1989—），男，山西介休人，工程師，智能化數(shù)字化信息化專業(yè)研究員，研究方向：火電智能化。