韩 飙

(陕西能源麟北发电有限公司，宝鸡 721599)

阀门流量特性曲线是流经阀门的流量与阀门开度的曲线关系。理想情况下，阀门流量特性与实际机组阀门的流量特性是一致的，然而实际情况中，由于受到流体对阀体的冲刷和腐蚀、阀门的安装误差、机组的改造等因素的影响，阀门流量特性曲线将逐渐偏离设计值，并与实际机组阀门流量特性曲线出现较大的差距，需要调整和优化。

本文广泛查阅文献，分析了国内外研究者在此课题上的研究现状，并介绍了基于长短期记忆神经网络智能方法的优点，为后续研究提供参考。

1 传统研究方法简介

1.1 基于试验的方法

赵京雷等[1]利用阀门流量特性试验，结合试验数据优化了阀门流量特性曲线，优化解决了机组协调控制不足的问题，同时也提高了机组运行的稳定性。许斯顿等[2]对1台经过大修的600 MW超临界机组进行了单阀调节试验和顺序阀调节试验，重新优化了该机组的阀门流量特性曲线，同时优化了机组的滑压运行曲线。徐誉玮等[3]对1台330 MW的机组进行了单阀控制的阀门流量试验和顺序阀控制的流量试验，然后对试验数据进行了优化，获得了具有较好连续性和线性的优化曲线。张伟等[4]对1台改造后的330 MW机组的阀门流量特性进行了试验，并根据试验结果计算出与之相符合的阀门流量特性曲线。赵征等[5]对某超高压抽凝式汽轮发电机组进行了阀门特性优化试验，同时还设计了单阀和顺序阀的仿真计算，最后用仿真结果和试验数据对阀门特性曲线参数做了调整，从而达到优化目的。吴鹏等[6]通过实际阀门流量特性测试与仿真验证相结合的方法，对某300 MW机组的阀门流量特性曲线进行了全行程的优化修正。王玉辉[7]以某220 MW机组为例,对高压主汽阀流量特性曲线进行了实测,介绍了高压调阀流量特性曲线的实测方法及数据处理方法。

1.2 基于数值仿真分析的方法

除了上述的试验方法之外，部分学者也开展了基于数值仿真辅助分析的方法。李前敏等[8]利用Savitzky-Golay算法对测得的主蒸汽压力和温度进行了数据处理，然后采用传统的最小二乘法做数据拟合。针对1台300 MW的机组，通过仿真模拟了顺序阀运行下出现负荷突变的问题，并采用上述方式进行了优化，优化后获得了具有良好连续性和线性的流量特性曲线。赵卫正等[9]利用数值仿真技术研究了减少阀门流量-升程曲线的后端斜率的方法，结果表明这能有效减少阀门在调配流量时的开度变化，进而减小调配过程中阀门的晃动。盛锴等[10]建立了汽轮机阀门流量特性的调速器模型，通过数值仿真研究了阀门流量特性对机组波动的影响，最后提出了相关控制策略。研究结果表明，该方法能够提高机组的系统阻尼，从而迅速消除外部扰动，进而提升阀门调控中机组的稳定性。张曦等[11]针对目前机组阀门流量曲线优化存在的问题，提出了一种阀门重叠度的确定原则，基于阀门流量特性试验，通过特性参数来调整和优化顺序阀的流量特性曲线。

Yoo Y H等[12]通过测试装置以及自主开发的仿真软件，结合试验分析，进行了阀门的流量特性曲线优化的研究，探讨了将数值方法作为试验方法的替代方案的可行性。Gerta Zimmer等[13]提出了一种优化阀门升程-流量特性曲线的线性化方法，能够有效控制和预测机组功率的变化。将预测数据和调试数据进行了比较，结果证明了该方法的有效性。该方法已经被成功应用于多个发电厂。Chris Bolin等[14]为了进一步优化阀门流量曲线，从阀门不稳定流动的机理出发，研究了一种新式阀门，通过结构上的优化改进了阀门流量特性曲线。研究表明，相比于传统的阀门，该新型阀门具有更大的开度和更灵活的操作范围。Lisyanskii A S等[15]通过试验方式，对机组的阀门升程-流量曲线进行了优化，并通过优化曲线进一步获得了机组蒸汽流量与输出功率的正比对应关系。Halimi B等[16]利用空气作为工质进行了组合式气流调节运行试验，证实了联合阀布置的优越性，并为阀门流量特性曲线的优化提供了重要参考。

2 基于人工智能和机器学习的方法

2.1 研究现状

近年来，随着大数据挖掘技术和机器学习的发展，在大数据环境中，传统的数据技术和平台效率较低，表现出响应缓慢、缺乏可扩展性和准确性的特点。为了应对复杂的大数据挑战，部分学者开展了大量工作，开发了各种类型的工业大数据处理技术。目前电厂分布式控制系统(Distrib-uted Control System，DCS)每天都产生大量的数据，部分学者开展了基于人工智能和机器学习算法的阀门优化方法。

高亚杰等[17]提出通过分析DCS历史数据来辨识调阀流量特性，进而提出线性化汽轮机调阀流量曲线的思路。这是对机组运行大数据进行处理的一种尝试。付忠广等[18]基于关联规则挖掘技术对DCS数据进行了探索性挖掘。对挖掘结果的分析表明该技术可以用于电厂机组的性能分析、状态监测、故障诊断等，可为机组开展状态检修提供技术支持。文乐等[19]基于DCS数据，利用数据挖掘技术实现了阀门流量特性曲线的优化，实验与计算工况流量特性曲线对比图如图1所示。优化结果表明，相比于传统方法，新方法具有更高的精度。张勤[20]基于DCS数据，分别利用决策树、聚类分析等数据挖掘技术，从DCS系统的数据中研究了机组的性能，结果表明相比于传统分析技术， 采用机器学习方法可以有效提高分析精度。肖海涛[21]利用决策树等机器学习算法，提出了一种可基于DCS系统数据分析机组运行平稳度的方法。陈万青[22]利用改进的多层流模型(Multilevel Flow Modeling，MFM)建模方法，研究了基于DCS数据挖掘的核电厂可靠性分析。李存文[23]基于机组的历史DCS数据，提供了一种喷嘴流量计算方法，以及基于特征通流面积的辨识方法，能够识别和优化机组的流量特性。

(a) 各阀位值

(b) 总阀位值

从方法上讲，国内外学者的主要工作集中在寻找阀门升程与主蒸汽流量之间的关系，进而调节功率上。此外传统的机器学习方法仍然需要大量人工经验以及试验测试，例如文献[19]中提出的流量-升程曲线，需要对大量变工况经验系数进行测试，并不具备自适应性。

2.2 长短期记忆神经网络方法

刘天源等[24]提出了一种基于长短期记忆(Long Short Term Memory, LSTM)神经网络的阀门升程-功率预测方法，通过调节阀门升程指令，直接预测对汽轮机机组输出功率。该方法具有学习速度快、精度高以及自适应的特点，无需人为干预。不同学习样本模型预测误差分布图及预测结果如图2所示。通过两个电厂的实际运行数据进行验证，结果表明：对1号电厂DCS系统中半年的运行数据学习，耗时12 h，预测3个月阀门升程-功率误差平均值为0.63%；对2号电厂半年的运行数据学习，需要9 h，预测430天误差平均值为0.49%。同时训练的神经网络模型较小，仅1 Mb左右大小，预测10个工况的时间为1 ms级别，该神经网络可以迁移到电厂现场的小型计算机上进行控制，具有较高的工程实用价值。

图2 不同学习样本模型预测误差分布图及预测结果[24]

3 结 论

本文首先介绍了目前阀门流量特性曲线的研究进展，综述了现阶段的研究情况，然后介绍了一种基于LSTM神经网络的阀门升程-功率预测方法，得到以下主要结论：

1)目前阀门流量特性曲线的优化研究大多基于试验的方法，存在着操作周期长、经济效益差等缺点。

2)现阶段数值方法以仿真为主，同时需要辅以试验数据对阀门流量特性曲线进行优化，优化效果较差。

3)现阶段有部分学者开始关注利用机器学习领域的知识来解决阀门流量特性曲线优化的问题，然而相关研究依然很少。

4)基于LSTM神经网络的阀门升程-功率预测方法，具有学习速度快、精度高以及自适应的特点，两个电厂的实际运行数据的验证结果证明了该方法的有效性。