CN102135021A - 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 - Google Patents

Abstract

一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法，此方法是以抽汽冷凝式蒸汽轮机的热力学模型为基础，考虑工业实际应用过程中，汽轮机受到环境温度，冷凝水流量和温度，以及其他众多未知因素的影响，根据实际的工业数据，引入冷却水的品质，主蒸汽的进汽品质，抽汽压力等参数的变化对抽汽凝汽式蒸汽轮机抽汽和排汽品质的影响，采用神经网络回归方法，求得抽汽凝汽式蒸汽轮机在工业应用中的实际凝汽压力和抽汽温度，再由水和蒸汽的工业化标准IAPWS-IF97计算得到抽凝式汽轮机的实际抽汽和排汽比焓值，然后应用热力学方法，计算得到汽轮机的实际轴功率输出。避免了对蒸汽轮机等熵效率的直接估算，提高了工业应用蒸汽轮机装置轴功率的预测精度，对公用工程系统的优化和改造等提供了基础和依据。

Description

一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法

技术领域

本发明涉及到一种轴功率预测方法，尤其是一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法。

背景技术

汽轮机是工业装置蒸汽管网系统的主要用汽设备，其轴功率的准确预测是评价蒸汽管网运行效率的基础，而蒸汽管网的能耗是工业装置能耗的主要组成部分之一，因此蒸汽轮机轴功率的准确预测是提高蒸汽管网管理水平和运行效率的基础，是实现降低装置能耗和节能减排的保障。

抽汽冷凝式蒸汽轮机是一种将蒸汽的动能转化成汽轮机转轴转动的动能的机械，根据蒸汽透过汽轮机组叶片时，蒸汽的相对速度是否变化又可以将其分为冲动式和反动式汽轮机两种，尽管这两种蒸汽轮机对叶片的做功方式有所差异，但是能量的转换过程基本相同。

图1是抽汽冷凝式汽轮机组的基本结构示意图，蒸汽由传输系统(蒸汽管网)将一定温度(T_i)和压力(P_i)的蒸汽通过进汽阀进入汽轮机带动汽轮机叶片旋转将蒸汽的动能转换成转子的旋转动能，抽凝式汽轮机允许在汽轮机的级之间将一定压力品质的蒸汽抽出，到相对较低等级管网系统，从而为工业过程提供不同等级的蒸汽。抽凝式汽轮机的排汽进入一个真空凝汽器，从而减低排汽温度，提高汽轮机的热效率。当汽轮机的进汽量，排汽量或者冷凝器的循环冷却水的流量或温度发生变化时都会引起冷凝器的真空度发生变化，汽轮机的排汽压力(P_o)也会随之改变，从而影响整个汽轮机的能量利用效率。汽轮机在实际工业的应用中由于受到运行环境，蒸汽的品质和负载等众多因素的影响，其实际运行曲线较设计曲线会有较大程度的偏移。

目前主要采用的汽轮机轴功率预测方法是在汽轮机设计曲线的基础上，考虑负荷变化，蒸汽品质变化等特定因素的影响，对理想曲线进行修正，从而得到实际的运行曲线。抽凝式蒸汽轮机能量转化的热力学模型可以表述如下：

$\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i^n-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_e^m-\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{F}_o^r=0\\ W_s={\mathrm{\η}}_{\mathrm{is}}\·{\mathrm{\η}}_m\·\mathrm{\Δ}{H}_{\mathrm{is}}\\ \mathrm{\Δ}{H}_{\mathrm{is}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i^n\·H_i(T_i,P_i)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_e^m\·H_{\mathrm{ie}}(S_i,P_e)-\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{F}_o^r\·H_{\mathrm{io}}(S_i,P_o)\end{array}\right.---\left(1\right)$

其中W_s是汽轮机实际输出的轴功率；

分别是汽轮机的入口，抽汽和出口流量；η_is和η_m是汽轮机的等熵效率和机械效率，等熵效率受汽轮机进汽，抽汽和排汽的蒸汽品质影响较大，机械效率的变化相对变化不大，通常把两者的积作为总效率考虑。ΔH_is是汽轮机的等熵焓变(理想焓变)，H_ie是理想抽汽比焓，H_io是理想的排汽比焓受到冷凝器冷凝水的流量和温度变化的影响较大。鉴于工业应用的汽轮机运行过程中影响因素众多，且较为复杂，上述传统的方法很难精确的预测抽凝式蒸汽轮机实际输出的轴功率。也有一部分学者采用支持向量机回归的方式，先对汽轮机的总效率进行拟合，再应用热力学方法求解凝汽式汽轮机的功率，取得了比较好的效果，但是这种方式也是只考虑了凝汽器冷却水温度和流量变化等因素的影响，并且是在对汽轮机的等熵效率进行估算的基础上，但是对于工业实际应用的汽轮机的等熵效率的估算存在一定的困难，在此基础上进行轴功率的预测必然存在较大的误差。目前尚缺少一种能够准确预测工业应用蒸汽轮机轴功率的方法，以提供蒸汽轮机的实时轴功率以便操作人员监控判断，在蒸汽轮机效率较低时，及时对汽轮机进行维修和改造或对其他参数进行调节，以提高蒸汽轮机的用能效率，降低装置能耗，实现节能减排。

发明内容

本发明提供了一种工业抽汽冷凝式蒸汽轮机轴功率的预测方法。此方法是以抽汽冷凝式蒸汽轮机能量转换的热力学模型为基础，考虑工业实际应用过程中，装置受到环境温度，冷凝水流量和温度，以及其他众多未知因素的影响，根据实际的工业数据，引入冷却水的品质，主蒸汽的进汽品质，抽汽压力等参数的变化对抽汽凝汽式蒸汽轮机抽汽和排汽品质的影响，采用神经网络回归方法，求得抽汽凝汽式蒸汽轮机在工业应用中的实际排汽压力和抽汽温度，再由水和蒸汽的工业化标准IAPWS-IF97计算得到抽凝式汽轮机的实际抽汽和排汽比焓值，然后应用热力学方法，计算得到汽轮机的实际轴功率输出。从而避免了对汽轮机等熵效率的直接估算，提高了轴功率预测的精准度，对公用工程系统的优化和设备改造等提供了基础和依据。

本发明所提供的方法是这样实现的：利用冷凝器的冷却水循环系统进入冷凝器的冷却水的流量(F_c，ton/h)和温度(T_c，℃)，和进入凝汽器的汽轮机排汽流量(F_o，ton/h)，由凝汽器压力神经网络模型预测在一定的冷却水流量，温度和汽轮机排汽流量时的排汽压力P_o，此压力即为凝汽器内的绝对压力。根据实际工业过程中的主蒸汽入口流量(F_i，ton/h)，压力(P_i，MPa)和温度(T_i，℃)，抽汽流量(F_e，ton/h)和压力(P_e，MPa)，应用抽汽温度T_e的预测模型，得到抽凝式汽轮机的实际抽汽温度，由水和蒸汽的工业化标准IAPWS-IF97计算蒸汽轮机入口、抽汽和排汽的实际比焓值(H_i、H_e和H_o，kJ/ton)。进而根据汽轮机做功过程的热力学模型求解汽轮机的实际轴功率输出。采用上述步骤可以求得不同的汽轮机进汽量、抽汽量、进汽压力、抽汽压力、冷却水温度、及冷却水流量下，抽凝式蒸汽轮机的轴功率输出，能够定量的了解汽轮机进汽品质和流量，抽汽的品质和流量、以及冷却水的品质和流量对汽轮机输出轴功率的影响，为公用工程系统的优化、设备改造、节能降耗等提供依据。

凝汽器内压力预测模型

在抽凝式汽轮机实际运行过程中，影响凝汽器内压力的主要因素有：换热器的传热系数(K)和传热面积(A)、冷却水的流量(F_c，ton/h)和温度(T_c，℃)、汽轮机的排汽流量(F_o，ton/h)，但是对于已经投入使用的设备，其传热面积基本固定，传热系数的变化也无法测量，因此这里预测凝汽器内压力的模型，选取F_c，T_c，F_o作为模型的自变量。

上述因素对凝汽器内压力的影响存在交互作用，并且凝汽器内的压力模型呈现高度非线性，并且凝汽器内压力的变化幅度相对较小，因此这里选用激活函数为径向基函数，具有一个隐含层节点的前馈神经网络来建立凝汽器内压力预测的神经网络模型。其中输入节点数为3，输出节点数为2，隐含层节点数采用动态增加的方式进行训练。

由于冷却水的温度随季节的变化幅度较大，同时为了能让模型覆盖到较大的负荷变化范围，为此历史数据的采集应该覆盖大部分的生产周期。为了能够有效的分析各个因素对模型输出的相对影响，首先用(2)式对变量进行归一化处理，消除数据单位差异对建模效果的不良影响。

$x_i^{\′}=\frac{x_i-{x^i}_{\min }}{{x^i}_{\max }-{x^i}_{\min }}---\left(2\right)$

其中

和分别是自变量x_i的最小值和最大值，x′_i是归一化后的结果，范围在(0～1)之间，将采集得到的变量[F_i，P_i，T_i，F_e，P_e，T_e，F_c，T_c，F_o，P_o]，以及由蒸汽轮机所带负载的变化，根据工艺预测所提供的轴功率W_s(对于带动发电机的汽轮机，其所提供的轴功率可以近似等于所提供的电能)，归一化后得到[F′_i，P′_i，T′_i，F′_e，P′_e，T′_e，F′_c，T′_c，F′_o，P′_o]，其中[F′_c，T′_c，F′_o，P′_o]构成凝汽器压力预测模型的训练样本，[F′_c，T′_c，F′_o]作为神经网络模型的输入，P_o作为神经网络模型的输出，模型的输出达到一定的精度要求时，网络模型收敛，得到凝汽器内压力预测模型。

抽汽温度预测模型

抽凝式汽轮机实际抽汽温度主要受到汽轮机进汽流量(F_i，ton/h)，压力(P_i，MPa)和温度(T_i，℃)，抽汽流量(F_e，ton/h)和压力(P_e，MPa)等因素的影响，选取F_i，P_i，T_i，F_e，P_e作为模型的输入变量。上述因素对汽轮机实际的抽汽温度的影响关系比较复杂，并且存在交互作用，同样采用基函数为径向基函数，具有一个隐含层节点的前馈神经网络来建立抽汽温度的神经网络预测模型。其中输入节点数为5，输出节点数为1，隐含层节点数采用动态增加的方式进行训练。

在经过归一化处理的变量中，选取变量[F′_i，P′_i，T′_i，F′_e，T_e，P′_e]构成汽轮机抽汽温度预测模型的训练样本，其中[F′_i，P′_i，T′_i，F′_e，P′_e]作为模型的输入变量，T_e作为模型的目标变量，调整模型隐含层节点的数目，当模型的预测误差达到一定精度时，停止训练，得到抽汽温度T_e的预测模型。

轴功率的预测模型

通常汽轮机操作变量的变化，对等熵效率η_is的影响不大。而机械效率则会随操作变量的变化而发生相对较大的变化。因此(1)式中的机械效率作为常数处理，这样可以把(1)式改写为：

$\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i^n-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_e^m-\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{F}_o^r=0\\ W_s={\mathrm{\η}}_m\·\mathrm{\ΔH}\\ \mathrm{\ΔH}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i^n\·H_i(T_i,P_i)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_e^m\·H_e(T_e,P_e)-\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{F}_o^r\·H_o\left(P_o\right)\end{array}\right.---\left(3\right)$

其中ΔH为蒸汽轮机的实际焓变，H_i(T_i，P_i)为汽轮机主蒸汽的入口比焓值，它是关于T_i，P_i的函数，H_e(T_e，P_e)为汽轮机的抽汽比焓值，它是关于T_e，P_e的函数，H_o(P_o)为排入凝汽器内饱和湿蒸汽的焓值，它是关于排汽压力P_o的函数。应用水和水蒸气性质的工业标准IAPWS-IF97所提供的公式，计算得到相应的比焓值。然后通过实际所采得的历史数据W_s，利用优化的方法确定η_m的值(对于输出轴功率不可测得设备，这里机械效率W_s的值可以依据不同情况取[0.9，1]之间的值，此估算值会一定程度的降低模型的预测精度，但是所引起的误差在允许的范围内)。

为了确定抽凝式蒸汽轮机的机械效率η_m，得到准确的轴功率预测模型，采集工业过程的实际运行数据：主蒸汽入口流量(F_i，ton/h)，压力(P_i，MPa)和温度(T_i，℃)，抽汽流量(F_e，ton/h)、压力(P_e，MPa)和温度(T_e，℃)，排入凝汽器的流量(F_o，ton/h)，以及所对应的汽轮机的轴功率输出W_s，选取n1组数据，则汽轮机的机械效率确定方法如下：

(1)将实际工业所采集的数据进行预处理，剔除含有显著误差的数据后，对这些数据进行归一化处理，得到n1组实际测量数据值，每组数据包括[F_i，P_i，T_i，F_e，P_e，T_e，F_c，T_c，F_o，P_o，W_s]；

(2)从n1组数据中提取第j组数据[F_i(j)，P_i(j)，T(j)_i，F(j)_e，P_e(j)，T_e(j)，F_c(j)，T(j)_c，F(j)_o，P_o(j)]，由热力学预测公式

(3)可以预测得到汽轮机运行时的实际比焓变ΔH(i)，此比焓变即为蒸汽向汽轮机提供的功率值；

(3)随机产生一个范围在[0.85，1]之间的η_m值，由公式(3)和(2)步骤所预测的比焓变ΔH(i)，可以预测得到轴功率值W′_s(j)；

(4)预测第j组实际工业的测量值W_s(j)与预测值W′_s(j)之间的偏差值E_j，则对于n1组数据的总偏差值E如下：

$E=\underset{j=1}{\overset{n1}{\mathrm{\Σ}}}{E}_j=\underset{j=1}{\overset{n1}{\mathrm{\Σ}}}{(W_s^{\′}\left(j\right)-W_s\left(j\right))}^2---\left(4\right)$

(5)调整η_m值，利用遗传算法，使得总偏差E最小，所得到的η_m即为该汽轮机的机械效率值。

确定了汽轮机的机械效率η_m以后，通过冷凝器压力神经网络模型和抽汽温度神经网络模型便可以确定蒸汽轮机的两个未知输出变量(T_e，P_o)，这样结合(3)式，就建立抽凝式蒸汽轮机的轴功率预测模型，预测出汽轮机功率W_s(j)。

本发明提出了一种工业抽凝式蒸汽轮机的轴功率预测方法，采用神经网络技术与热力学模型相结合的方法，轴功率预测过程中，避免了对等熵效率的估算；克服了传统预测方法中，由于对等熵效率的估算而导致的模型求解精度的下降。此种方法建立轴功率求解模型后，同样可以通过(1)式求解等熵效率，判断设备的工作状况。通过实验，轴功率输出的预测值与人工分析值之间的相对误差在10％以内，达到了比较好的精度，为设备操作监控人员提供了汽轮机功率及机械效率数据用以检测汽轮机是否正常工作。

本发明提出的是对抽汽冷凝式蒸汽轮机的轴功率预测方法。由于抽汽冷凝式汽轮机是一种比较复杂的蒸汽轮机，它的运行机理包括了背压式蒸汽轮机和凝汽式蒸汽轮机的运行特点，因此本发明同样适用于其他种类的蒸汽轮机轴功率的预测。

附图说明

图1是抽汽冷凝式蒸汽轮机的结构示意图；

图2为凝汽器压力预测的神经网络模型框图；

图3为抽汽温度预测的神经网络模型框图；

图4为本预测方法实施的硬件架构图。

具体实施方式

以下结合附图，通过具体的应用实例对本发明进行进一步说明：

如图4所示为本测量方法实施的硬件架构图，仪表从工业过程对象的各节点处，采集实时数据信息，数据库内存有历史数据信息，上位机通过数据总线对实时数据信息和历史数据信息进行处理。

本发明方法首先通过测量仪表采集抽凝式汽轮机运行过程中，主蒸汽入口流量、压力和温度；抽汽的流量、压力和温度；冷凝器的冷却水的流量和温度，进入凝汽器的汽轮机排汽流量，以及其所对应的轴功率(W_s，kw)和冷凝器内的压力(P_o，MPa)。上位机应用(2)式对变量：F_c变化范围[1338，1800]，T_c变化范围[13，33]，F_o变化范围[44，55]，P_o变化范围[0.0296，0.0707]，F_i变化范围[160，210]，F_e变化范围[98，152]进行归一化处理，使它们变化范围在[0，1]之间，共采集数据1000组，每组数据包括[F_i，P_i，T_i，F_e，P_e，T_e，F_c，T_c，F_o，P_o]。

其次，上位机进行以下操作：

建立冷凝器内压力预测的神经网络模型，该模型如图2所示，自变量为冷却水的流量(F_c，ton/h)和温度(T_c，℃)、汽轮机的排汽流量(F_o，ton/h)，经过归一化后作为网络的自变量输入，网络的输出为凝汽器内压力(P_o，MPa)。输入节点数为3，输出节点数为1，隐含层节点随所选设备和要求精度的不同而变化，范围在2～8之间。本实施例采用数据样本[F_c，T_c，F_o，P_o]，以[F_c，T_c，F_o]三个变量作为神经网络模型的输入变量，P_o作为目标变量，神经网络模型的输入节点数为3，输出层节点数为1，采用函数(5)作为隐含层的基函数，

$f\left(n\right)=e^{-n^2}---\left(5\right)$

依据径向基函数的特点，输入层到隐含层的权值训练采用无监督学习方法，隐含层到输出层的输出权值采用有导师学习算法，应用梯度下降法进行权值优化。以500组数据作为训练样本，网络收敛时，得到径向基神经网络的隐含层节点数为5，该径向基神经网络的权值和阈值如下：

$\mathrm{IW}(i,j)=\left[\begin{array}{ccccc}0.821& 0.806& -1& -0.902& 0.846\\ 0.856& 0.838& -1& -0.857& 0.868\\ 0.975& 0.070& -1& -0.976& 0.042\end{array}\right]$

b⁽¹⁾(i，j)＝0.4163，b⁽²⁾(i，j)＝0.4981

LW(j)＝[5.305 -17.799 -20.016 19.364 11.803]^T

其中IW(i，j)表示第i个节点到第j个隐含层节点的权值，LW(j)表示第j个隐含层节点到输出节点的权值，b⁽¹⁾和b⁽²⁾分别表示隐含层节点和输出层节点的阈值。

对于抽汽温度T_e神经网络模型，该模型如图3所示，自变量为主蒸汽入口流量(F_i，ton/h)，压力(P_i，MPa)和温度(T_i，℃)，抽汽流量(F_e，ton/h)和压力(P_e，MPa)，经过归一化后作为网络的自变量输入，网络的输出为抽汽温度(P_o，MPa)。输入节点数为5，输出节点数为1，隐含层节点随所选设备和要求精度的不同而变化，范围一般在2～15之间。本实施例选取变量[P_i，T_i，P_e，F_i，F_e]作为神经网络的输入变量，T_e作为神经网络的目标输出，网络的输入节点数为5，输出节点数为1，同样选择函数(5)作为隐层节点的基函数，采用输入层到隐含层的无监督学习方法，隐含层到输出层的权值和阈值采用有监督学习方法对网络进行训练，网络收敛时，隐含层节点数为10，相应的输入层到隐含层权值IW，隐含层到输出层的权值LW，隐含层的阈值b⁽¹⁾，以及输出层的阈值b⁽²⁾的值如下：

$\mathrm{IW}(i,j)=\left[\begin{array}{cccccccccc}0.437& 0.728& 0.800& 0.737& 0.458& 0.243& 0.572& 0.582& 0.577& 0.434\\ 0.849& 0.387& 0.440& -0.615& 0.028& 0.152& 0.002& -0.547& 0.409& 0.615\\ 0.282& -0.147& 0.126& -0.284& -0.023& -0.309& 0.162& -0.586& 0.553& -0.071\\ 0.798& -0.615& -0.284& -0.776& -0.840& -0.309& 0.162& -0.586& 0.553& -0.071\\ 0.786& 0.770& -0.840& -0.416& -0.495& -0.590& 0.165& 0.556& 0.553& 0.593\end{array}\right]$

b⁽¹⁾(i，j)＝0.2973，b⁽²⁾(i，j)＝0.1947

LW(j)＝[-24.446，-0.308，-10.162，7.722，67.090，-22.405，-53.100，-14.430，16.600，31.304]^T

确定上述网络参数值之后，利用训练好的神经网络模型预测抽凝式汽轮机的抽汽温度和排汽压力：

$n^1=\sqrt{{(\mathrm{IW}-P)}^2}*b^{\left(1\right)}$

a¹＝exp(-(n¹)²)                            (6)

ont＝purline(LW*a¹+b⁽²⁾)

其中P为神经网络的输入向量，n¹为神经网络隐含层的输入值，a¹为隐含层的输出值，purline为输出神经元的作用函数。选取上面的两组参数带入(6)式，可以预测得到凝汽器内汽轮机排汽压力(P_o)和抽汽温度(T_e)。选取其余的300组数据进行测试，可以得到对蒸汽轮机抽汽温度T_e，和排汽压力P_o预测的均方误差分别为0.0104和0.0092。达到了比较高的精度。选取同样的700组训练样本数据，采用机械效率η_m的确定算法，利用遗传算法，使总偏差达到最小时，得到该汽轮机的机械效率为0.942，通过公式(6)所预测得到的汽轮机轴功率输出与实际输出值的相对误差在5％以内。前述遗传算法包括以下步骤。

1)在(0.9，1)之间随机产生一组机械效率η_m的初始值，进行染色体二进制编码，编码精度为0.001。根据公式(3)计算的得到该汽轮机的轴功率输出W_s，将其与实际的轴功率输出进行比较，将实际值与预测值的均方误差的作为适应度函数。

2)对染色体进行交叉，变异，产生新的个体，计算每一个个体的适应度值，保留适应度值大于0.8的个体。形成新种群。

3)计算均方误差是否小于0.001，或者迭代次数是否到达300代，如果满足，则种群中个体适应度最高的个体即为最优个体。通过解码即为我们所要求解的机械效率η_m，否则进行步骤2。

如终端仪表采集一组汽轮机实时输入数据：主入口蒸汽流量(F_i＝189.84ton/h)、温度(T_i＝502.2℃)、压力(P_i＝11.149MPa)，抽汽压力(P_e＝4.15MPa)，排汽流量(F_o＝53.96ton/h)，冷却水流量(F_c＝1620ton/h)、温度为(T_c＝25.3℃)，上位机对相应数据进行归一化后带入(5)式所表示的抽汽温度预测模型和凝汽器内压力预测模型，得到该状态下的抽汽温度(T_e＝384.8113℃)，冷凝器压力为(P_o＝0.0483MPa)。通过比焓值预测，入口的比焓值为(H_i＝3366.56kJ/kg)，抽汽比焓值为(H_e＝3175.4kJ/kg)，排汽焓值(H_o＝2413kJ/kg)，由公式(3)可预测得出该汽轮机在此种状态，所提供的轴功率为W_s＝19873KW，实际的能量输出值为19795.3，测量误差为0.0039。取得比较好的测量精度。根据汽轮机的输入蒸汽的熵，可以得到汽轮机的等熵输出，从而利用(1)式，计算出该蒸汽轮机的等熵输出ΔH_is＝27391KW，进而能够得到汽轮机的等熵效率为：η_is＝0.77，则该汽轮机的总能量转化总效率为η＝η_is·η_m＝0.705，同预设的阈值0.65相比较，该效率大于阈值，可以判断该汽轮机的能量利用率较高，属于正常工作状态；若η低于阈值，则汽轮机工作不正常，发出报警信号。

上述抽凝式蒸汽轮机轴功率的预测方法，不仅适用于单抽汽蒸汽轮机组，同样适用于具有多个抽汽阀的蒸汽轮机轴功率的预测，对于背压式和凝汽式汽轮机也可以应用此方法进行预测，即该预测方法具有普遍性。

综上所述仅为发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应为本发明的技术范畴。

Claims (8)

1.一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法，其特征是，包括以下步骤：

步骤1仪表终端采集工业历史数据：汽轮机主蒸汽入口流量F_i、压力P_i、温度T_i、抽汽流量F_e和压力P_e，冷却水的流量F_c和温度T_c，并对所采集数据进行归一化处理；

步骤2上位机以冷凝器的冷却水循环系统进入冷凝器的冷却水的流量F_c、温度T_c和进入凝汽器的汽轮机排汽流量F_o，作为凝汽器压力神经网络模型输入，求解排汽压力P_o，即为凝汽器内的绝对压力；

步骤3上位机以主蒸汽入口流量F_i、压力P_i、温度T_i、抽汽流量F_e和压力P_e作为抽汽温度神经网络模型输入，得到抽凝式汽轮机的实际抽汽温度T_e；

步骤4上位机基于前述各量计算蒸汽轮机入口、抽汽和排汽的实际比焓值H_i、H_e和H_o，并结合修正后的汽轮机做功过程的热力学模型求解汽轮机的实际轴功率输出W_s，所述修正后的汽轮机做功过程的热力学模型如下所示：

$\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i^n-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_e^m-\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{F}_o^r=0\\ W_s={\mathrm{\η}}_m\·\mathrm{\Δ}H\\ \mathrm{\Δ}H=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i^n\·H_i(T_i,P_i)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_e^m\·H_e(T_e,P_e)-\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{F}_o^r\·H_o\left(P_o\right)\end{array}\right.,$

其中ΔH为蒸汽轮机的实际焓变，H_i(T_i，P_i)为汽轮机主蒸汽的入口比焓值，它是关于T_i，P_i的函数，H_e(T_e，P_e)为汽轮机的抽汽比焓值，它是关于T_e，P_e的函数，H_o(P_o)为排入凝汽器内饱和湿蒸汽的焓值，它是关于排汽压力P_o的函数，η_m是汽轮机机械效率。

2.如权利要求1所述的轴功率预测方法，其特征在于，所述的压力神经网络模型的输入节点数为3，隐含层节点数在2-8之间，输出节点数为1。

3.如权利要求1所述的轴功率预测方法，其特征在于，所述的抽汽温度神经网络模型的输入节点数为5，隐含层节点数为2-15之间，输出节点数为1。

4.如权利要求1所述的轴功率预测方法，其特征在于，所述神经网络模型输入层到隐含层的无监督学习方法。

5.如权利要求1所述的轴功率预测方法，其特征在于，所述神经网络模型隐含层到输出层的权值和阈值采用有监督学习方法对网络进行训练。

6.如权利要求1所述的轴功率预测方法，其特征在于，所述汽轮机机械效率η_m取值0.9～1之间的值。

7.如权利要求1所述的轴功率预测方法，其特征在于，所述汽轮机机械效率η_m为一预设值，该预设值为使多组汽轮机做功过程热力学模型计算所得轴功率预测值及其相应实际轴功率测量值偏差最小时的η_m值。

8.如权利要求1所述的轴功率预测方法，其特征在于，还包括步骤5，上位机基于汽轮机能量转化效率η，其中η＝η_m·η_is，和预先设定的阈值，判断汽轮机是否正常工作：若η低于阈值，则汽轮机工作不正常，上位机输出报警信号；若η大于等于阈值，则工作正常。

Images