[发明专利]基于数据挖掘的机组调峰能力评估方法

说明书

本发明公开了基于数据挖掘的机组调峰能力评估方法，包括：获取原始数据：所述原始数据包括：采暖抽汽流量、主蒸汽流量和发电负荷；数据预处理：根据机组运行规程给定的原始数据正常范围，去除停机数据和错误数据；以采暖抽汽流量为基准进行工况划分，得到若干个采暖抽汽流量工况区间；对预处理得到的数据进行标准数据筛选；工况模型构建；根据得到的工况模型，绘制供热工况图；根据得到的工况模型，对不同采暖抽汽流量工况下发电功率和采暖抽汽流量分别进行区间估计。本发明不仅能实现以抽汽流量估算发电负荷区间的以热定电目标，还能实现以发电负荷估算抽汽流量区间的以电定热目标。

技术领域

本发明涉及供热机组调峰能力评估领域，特别是涉及基于数据挖掘的机组调峰能力评估方法。

背景技术

随着电网格局、电源结构的快速变化，国家电网面临着新的形势。新能源的接入比例逐年增高，随机电源的接入给电网的有功、无功调整带来了困难。电网调峰几乎全部由常规火电机组承担，同时可调机组所占比例逐渐降低。

火电机组稳定性、可控性高，是电网安全稳定运行的可靠支撑。但火电机组面临环保节能压力、超超临界二次再热机组运行等新形势，所以电网机组需要经常参与变负荷调峰运行，来协调机组发电与供暖需求之间的关系。在变工况运行状态下，电厂机组难以准确地按照设计的供热抽汽工况图进行调控。为了提升电厂机组调峰能力，迫切需要掌握电厂机组实际供热抽汽工况。

对于电厂机组调峰能力评估，当前主要有三大类：

一是现场试验法，针对确定的机组类型，通过控制变量的方式，调整机组不同工况条件下供热和发电功率参数值，从而确定机组在满足供热条件下，可以承受的发电功率调度区间。这种方法，以实际试验为依据，准确可靠，但是，为了得到完备的汽轮机组热、电负荷关系，需要对现场的每台机组的多种的典型工况以及工况点进行试验，工程量巨大，耗时过长，同时，在试验期间对热、电负荷的调整，势必对热用户和电网调度造成冲击，因此，这种方法在普遍操作性和经济适用性上都不适合推广应用。

二是供热工况图法，通过汽轮机制造厂家提供的工况图，可以得到额定工作参数下电功率与主蒸汽流量及抽汽量之间的关系曲线，确定不同供热条件下发电功率的可调范围。这种方法相比于现场试验法，避免了大量的热力试验，使用简单方便，但是也存在很大的不足。首先，目前发电企业采用的抽汽式供热机组多为纯凝汽式机组改造而成，汽轮机制造厂家并没有提供机组供热改造后的供热工况图，因而无法根据原始的工况图确定热、电负荷关系；其次，制造厂家提供的供热工况图反映的是额定工况下的热、电负荷的设计值，但是，实际中，汽轮机运行过程中各个参数要偏离设计值，因此，汽轮机制造厂家提供的工况图就不能准确表征热、电负荷关系。

三是数据分析法，基于数据分析的供热机组调峰能力分析方法，无需花费大量人力物力进行现场试验，同时也不需要设计相关的供热工况图，它通过分析挖掘机组大数据样本集，对机组运行工况从整体上梳理划分；然后挖掘机组供热、发电负荷的数据模型从而评估机组调峰能力，输出即符合机组安全运行又能反映机组实际生产能力的调峰区间。

当前此类方法应用不多，孙栓柱等人在《基于大数据的供热机组调峰能力研究与应用》一文中，使用Kmeans聚类的方法进行机组工况数据划分。并运用高斯分布概率密度函数工具按照设定的约束条件进行寻优遍历计算，评估特定工况下机组的调峰能力区间。首先该方法使用聚类方法划分工况方法难以保证工况划分的准确性。Kmeans聚类有其固有的缺点：需要人为设定聚类数目、对初始聚类中心敏感等。其次每个工况是否属于高斯分布需要验证，使用高斯分布概率密度函数的可靠性需要提前进行分布的验证。

发明内容