CN103544527A - 超超临界汽轮机fcb工况下除氧器水位的预测方法 - Google Patents

超超临界汽轮机fcb工况下除氧器水位的预测方法 Download PDF

Info

Publication number
CN103544527A
CN103544527A CN201310472779.2A CN201310472779A CN103544527A CN 103544527 A CN103544527 A CN 103544527A CN 201310472779 A CN201310472779 A CN 201310472779A CN 103544527 A CN103544527 A CN 103544527A
Authority
CN
China
Prior art keywords
neural network
sample
output
network
fcb
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310472779.2A
Other languages
English (en)
Other versions
CN103544527B (zh
Inventor
邓少翔
冯永新
陈畅
谢诞梅
邓小文
熊扬恒
李千军
郑李坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Wuhan University WHU
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Wuhan University WHU
Priority to CN201310472779.2A priority Critical patent/CN103544527B/zh
Publication of CN103544527A publication Critical patent/CN103544527A/zh
Application granted granted Critical
Publication of CN103544527B publication Critical patent/CN103544527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

一种超超临界汽轮机FCB工况下除氧器水位预测方法:以除氧器水位的RBF神经网络模型为基础,由不同FCB工况下的实际数据出发,整理得到除氧器水位数据样本,利用该样本训练RBF神经网络,经过多次迭代计算后得到除氧器水位RBF神经网络模型,RBF神经模型采用三层网络结构,径向基函数采用高斯函数,利用RBF神经网络模型进行FCB工况下除氧器水位的预测,得到实际工况下的除氧器水位变化情况。本发明计算结果与实测值非常接近,具有理想的计算精度,同时该模型结构简单、计算迅速,能够达到FCB工况下除氧器水位预测的目的,防止除氧器水位过低,帮助机组运行人员了解机组运行状态,维持汽轮机安全、经济运行。

Description

超超临界汽轮机FCB工况下除氧器水位的预测方法
技术领域
本发明涉及一种基于RBF(径向基函数)神经网络的超超临界汽轮机FCB(快速甩负荷)工况下除氧器水位的预测方法。
背景技术
超超临界汽轮机除氧器的水箱是为保证锅炉具有一定的给水储备而设置的,超超临界机组采用直流锅炉,由于没有汽包,除氧器是其唯一的出水容器,要求其容量一般应不小于锅炉额定负荷下连续运行15~20min所需的给水量,除氧器水位过低,储水量不足有可能危及锅炉的安全运行;此外还有可能造成给水泵入口汽化,而大型超超临界汽轮机在FCB工况下除氧器水位会出现较大下降,严重影响机组运行的安全性。
现有的超超临界汽轮机FCB工况下除氧器水位的预测方法计算精度低、速度慢、模型复杂,难以准确而实时地监测除氧器水位的数值。目前未见有利用RBF神经网络对除氧器水位预测的相关研究成果。
发明内容
本发明所要解决的技术问题,就是提供一种计算精度高、速度快、模型简单、从而能够准确而实时地监测除氧器水位的数值,防止除氧器水位过低,维持机组的安全运行的超超临界汽轮机FCB工况下除氧器水位的预测方法。
解决上述技术问题,本发明采用如下的技术方案:
一种超超临界汽轮机FCB工况下除氧器水位的预测方法,其特征是包括以下步骤:
S1以高斯函数作为径向基函数对网络进行训练
RBF神经网络的结构与学习算法
RBF神经网络采用径向基函数神经元,径向基函数一般采用高斯函数,该函数(径向基函数)以输入向量和权值向量之间的距离作为自变量,随着权值和输入向量之间距离的减小,网络输出是递增的,当输入向量和权值向量一致时,神经元输出1;采用三层网络结构:由输入层、隐含层和输出层构成;输入层和隐含层之间看作连接权值为1的连接,输出层和隐含层所完成的任务不同,因而它们的学习策略也不相同,输出层对线性权进行调整,采用线性优化策略,学习速度快;隐含层对高斯函数的参数进行调整,采用非线性优化策略;
采用自组织选取中心的RBF神经网络学习法;RBF神经网络采用高斯函数作为径向基函数,因此RBF神经网络的激活函数可表示为:
R ( x p - c i ) = exp ( 1 2 σ 2 | | x p - c i | | 2 )
式中:||xp-ci||——欧式范数;
c——高斯函数的中心;
σ——高斯函数的方差;
得到RBF神经网络的输出为
y j = Σ i = 1 h w ij exp ( 1 2 σ 2 | | x p - c i | | 2 )
式中:——第p个输入样本;
p=1,2,...,P——P表示样本总数;
ci——网络隐含层节点的中心;
wij——隐含层到输出层的连接权值;
i=1,2,...,h——隐含层的节点数;
yj——与输入样本对应的网络的第j个输出节点的实际输出;
设d是样本的期望输出值,那么基函数的方差科表示为
σ = 1 P Σ j m | | d j - y j c i | | 2 ;
S2除氧器水位RBF神经网络模型的结构和参数设置
输入层:六个节点:机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量;
输出层:一个节点:除氧器水位;
隐含层:10个节点;
径向基函数分布密度:0.5;
网络目标:0.000001;
S3训练样本和预测样本的整理
由不同FCB工况(50%和75%)下的实际数据出发,按输入变量和输出变量之间的关系整理得到除氧器水位数据样本,并对样本进行归一化处理;
利用整理并归一化后的50%FCB的数据作为RBF神经网络的训练样本,训练该神经网络,得到一个FCB工况下除氧器水位的神经网络模型;
利用75%FCB的数据作为该神经网络的预测样本,对训练好的神经网络进行预测,检查网络的外推性能;
如预测误差在允许范围以内,可认为该神经网络能够正确的对FCB工况下的除氧器水位进行预测;
如预测误差过大,则需要重新整理样本,再对神经网络进行训练和预测,直到预测误差在允许范围以内;
S4利用RBF神经网络模型进行FCB工况下除氧器水位的预测,得到实际工况下的除氧器水位变化情况。
具体步骤如下:
1、调入训练样本的输入变量bfP(变量名),输出变量bfT(变量名);
2、进行归一化处理得到输入样本P,输出样本T;
3、建立RBF神经网络模型,网络目标0.000001,径向基函数分布密度为0.5;
4、利用输入样本P和输出样本T对网络进行训练;
5、利用训练好的神经网络模型,计算输入样本为P的情况下此时网络的输出,反归一化处理后得到输出t,计算误差error=t-T,并绘制成曲线;
6、调入预测样本,归一化处理后输入P_test,输出T_test;
7、利用训练好的神经网络,计算输入样本为P_test的情况下此时的输出,归一化后得到预测输出t_test,计算误差error_test=t_test-T_test,绘制成曲线;
8.输出此时的网络权值、阈值矩阵;
网络的部分代码如下:
Figure BDA0000393818650000031
Figure BDA0000393818650000041
网络训练好后,该网络可根据具体的输入参数(机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量)在线输出某FCB工况下除氧器的水位,并且可以查得该神经网络最终的权值矩阵和阈值矩阵,用于FCB工况下除氧器水位的离线预测,为机组运行人员提供一定的参考。
有益效果:本发明针对超超临界机组FCB工况下除氧器水位预测问题,提出一种基于RBF神经网络的除氧器水位预测方法,该方法能够根据影响除氧器水位的主要因素,快速、准确地预测出FCB工况下除氧器水位,得出的计算结果与实际运行值非常接近,具有计算精度理想、模型简单等特点,适合用于实时监测。
附图说明
图1为RBF神经网络结构图;
图2为RBF神经网络训练曲线图;
图3为除氧器水位的训练样本相对误差图;
图4为除氧器水位的预测样本相对误差图。
具体实施方式
如图1和图2所示,本发明的超超临界汽轮机FCB工况下除氧器水位的预测方法实施实例,包括以下步骤:
S1以高斯函数作为径向基函数对网络进行训练
RBF神经网络的结构与学习算法
RBF神经网络采用径向基函数神经元,径向基函数一般采用高斯函数,该函数以输入向量和权值向量之间的距离作为自变量,随着权值和输入向量之间距离的减小,网络输出是递增的,当输入向量和权值向量一致时,神经元输出1;采用三层网络结构:由输入层、隐含层和输出层构成;输入层和隐含层之间看作连接权值为1的连接,输出层和隐含层所完成的任务不同,因而它们的学习策略也不相同,输出层对线性权进行调整,采用线性优化策略,学习速度快;隐含层对高斯函数的参数进行调整,采用非线性优化策略;
采用自组织选取中心的RBF神经网络学习法;RBF神经网络采用高斯函数作为径向基函数,因此RBF神经网络的激活函数可表示为:
R ( x p - c i ) = exp ( 1 2 σ 2 | | x p - c i | | 2 )
式中:||xp-ci||——欧式范数;
c——高斯函数的中心;
σ——高斯函数的方差;
得到RBF神经网络的输出为
y j = Σ i = 1 h w ij exp ( 1 2 σ 2 | | x p - c i | | 2 )
式中:
Figure BDA0000393818650000052
——第p个输入样本;
p=1,2,...,P——P表示样本总数;
ci——网络隐含层节点的中心;
wij——隐含层到输出层的连接权值;
i=1,2,...,h——隐含层的节点数;
yj——与输入样本对应的网络的第j个输出节点的实际输出;
设d是样本的期望输出值,那么基函数的方差科表示为
σ = 1 P Σ j m | | d j - y j c i | | 2 ;
S2除氧器水位RBF神经网络模型的结构和参数设置
输入层:六个节点:机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量;
输出层:一个节点:除氧器水位;
隐含层:10个节点;
径向基函数分布密度:0.5;
网络目标:0.000001;
S3训练样本和预测样本的整理
利用50%FCB的数据作为训练样本,75%FCB的数据作为预测样本,以FCB开始时刻为0时刻,除氧器水位为0;
具体实施实例的训练样本和预测样本的整理如下表所示;
表1训练样本
Figure BDA0000393818650000061
表2预测样本
Figure BDA0000393818650000062
本发明利用Matlab神经网络工具箱进行FCB工况下除氧器水位预测的RBF神经网络建模,根据构建的RBF神经网络模型,编制相应的程序,利用训练样本对神经网络进行训练,利用预测样本对神经网络进行预测,检验神经网络的外推性能。
具体的步骤如下:
1、调入训练样本的输入变量bfP(变量名),输出变量bfT(变量名);
2、进行归一化处理得到输入样本P,输出样本T;
3、建立RBF神经网络模型,网络目标0.000001,径向基函数分布密度为0.5;
4、利用输入样本P和输出样本T对网络进行训练;
5、利用训练好的神经网络模型,计算输入样本为P的情况下此时网络的输出,反归一化处理后得到输出t,计算误差error=t-T,并绘制成曲线;
6、调入预测样本,归一化处理后输入P_test,输出T_test;
7、利用训练好的神经网络,计算输入样本为P_test的情况下此时的输出,归一化后得到预测输出t_test,计算误差error_test=t_test-T_test,绘制成曲线;
8.输出此时的网络权值、阈值矩阵;
网络的部分代码如下:
网络训练好后,该网络可根据具体的输入参数(机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量)在线输出某FCB工况下除氧器的水位,并且可以查得该神经网络最终的权值矩阵和阈值矩阵,用于FCB工况下除氧器水位的离线预测,为机组运行人员提供一定的参考。

Claims (1)

1.一种超超临界汽轮机FCB工况下除氧器水位的预测方法,其特征是包括以下步骤: 
S1采用自组织选取中心的三层RBF神经网络学习法,RBF神经网络采用高斯函数作为径向基函数; 
RBF神经网络的激活函数为: 
Figure FDA0000393818640000011
式中:||xp-ci||——欧式范数; 
c——高斯函数的中心; 
σ——高斯函数的方差; 
RBF神经网络的输出为: 
Figure FDA0000393818640000012
式中:——第p个输入样本; 
p=1,2,...,P——P表示样本总数; 
ci——网络隐含层节点的中心; 
wij——隐含层到输出层的连接权值; 
i=1,2,...,h——隐含层的节点数; 
yj——与输入样本对应的网络的第j个输出节点的实际输出; 
设d是样本的期望输出值,那么基函数的方差科表示为: 
Figure FDA0000393818640000014
S2除氧器水位RBF神经网络模型的结构和参数设置 
输入层:六个节点:机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量; 
输出层:一个节点:除氧器水位; 
隐含层:10个节点; 
径向基函数分布密度:0.5; 
网络目标:0.000001; 
S3训练样本和预测样本的整理 
由50%和75%FCB工况下的实际数据出发,按输入变量和输出变量之间的关系整理得到除氧器水位数据样本,并对样本进行归一化处理; 
利用整理并归一化后的50%FCB的数据作为RBF神经网络的训练样本,训练该神经网络,得到一个FCB工况下除氧器水位的神经网络模型; 
利用75%FCB的数据作为该神经网络的预测样本,对训练好的神经网络进行预测,检查网络的外推性能; 
如预测误差在允许范围以内,认为该神经网络能够正确的对FCB工况下的除氧器水位进行预测; 
如预测误差过大,则需要重新整理样本,再对神经网络进行训练和预测,直到预测误差在允许范围以内; 
S4利用RBF神经网络模型进行FCB工况下除氧器水位的预测,得到实际工况下的除氧器水位变化情况; 
具体步骤如下: 
(1)、调入训练样本的输入变量bfP,输出变量bfT; 
(2)、进行归一化处理得到输入样本P,输出样本T; 
(3)、建立RBF神经网络模型,网络目标0.000001,径向基函数分布密度为0.5; 
(4)、利用输入样本P和输出样本T对网络进行训练; 
(5)、利用训练好的神经网络模型,计算输入样本为P的情况下此时网络的输出,反归一化处理后得到输出t,计算误差error=t-T,并绘制成曲线; 
(6)、调入预测样本,归一化处理后输入P_test,输出T_test; 
(7)、利用训练好的神经网络,计算输入样本为P_test的情况下此时的输出,归一化后得到预测输出t_test,计算误差error_test=t_test-T_test,绘制成曲线; 
(8).输出此时的网络权值、阈值矩阵; 
网络的部分代码如下: 
Figure FDA0000393818640000021
Figure FDA0000393818640000031
网络训练好后,该网络可根据具体的输入参数:机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量; 
在线输出某FCB工况下除氧器的水位。 
CN201310472779.2A 2013-10-11 2013-10-11 超超临界汽轮机fcb工况下除氧器水位的预测方法 Active CN103544527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310472779.2A CN103544527B (zh) 2013-10-11 2013-10-11 超超临界汽轮机fcb工况下除氧器水位的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310472779.2A CN103544527B (zh) 2013-10-11 2013-10-11 超超临界汽轮机fcb工况下除氧器水位的预测方法

Publications (2)

Publication Number Publication Date
CN103544527A true CN103544527A (zh) 2014-01-29
CN103544527B CN103544527B (zh) 2016-06-08

Family

ID=49967961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310472779.2A Active CN103544527B (zh) 2013-10-11 2013-10-11 超超临界汽轮机fcb工况下除氧器水位的预测方法

Country Status (1)

Country Link
CN (1) CN103544527B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831652A (zh) * 2017-10-13 2018-03-23 国网河北能源技术服务有限公司 一种基于冷端系统储能的机组负荷智能优化控制方法
CN108647839A (zh) * 2018-06-28 2018-10-12 中国人民解放军陆军军事交通学院镇江校区 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN110531797A (zh) * 2019-05-31 2019-12-03 华电国际电力股份有限公司技术服务分公司 基于神经网络的超超临界机组高温过热器壁温预测方法
CN110928248A (zh) * 2018-09-19 2020-03-27 上海明华电力技术工程有限公司 一种确定燃气轮机性能劣化程度的方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
CN114707248A (zh) * 2022-04-14 2022-07-05 江苏恒力制动器制造有限公司 基于神经网络的ehb压力控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1952590A (zh) * 2006-11-10 2007-04-25 东北电力大学 汽轮机通流间隙变化在线监测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1952590A (zh) * 2006-11-10 2007-04-25 东北电力大学 汽轮机通流间隙变化在线监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶培治等: "《500MW》", 《汽轮机技术》 *
梁伟平等: "基于神经网络的除氧器水位解耦控制", 《华北电力大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831652A (zh) * 2017-10-13 2018-03-23 国网河北能源技术服务有限公司 一种基于冷端系统储能的机组负荷智能优化控制方法
CN108647839A (zh) * 2018-06-28 2018-10-12 中国人民解放军陆军军事交通学院镇江校区 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN110119854A (zh) * 2018-06-28 2019-08-13 中国人民解放军陆军军事交通学院镇江校区 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN110119854B (zh) * 2018-06-28 2020-04-21 中国人民解放军陆军军事交通学院镇江校区 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN110928248A (zh) * 2018-09-19 2020-03-27 上海明华电力技术工程有限公司 一种确定燃气轮机性能劣化程度的方法
CN110531797A (zh) * 2019-05-31 2019-12-03 华电国际电力股份有限公司技术服务分公司 基于神经网络的超超临界机组高温过热器壁温预测方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
CN114707248A (zh) * 2022-04-14 2022-07-05 江苏恒力制动器制造有限公司 基于神经网络的ehb压力控制方法
CN114707248B (zh) * 2022-04-14 2024-04-26 江苏恒力制动器制造有限公司 基于神经网络的ehb压力控制方法

Also Published As

Publication number Publication date
CN103544527B (zh) 2016-06-08

Similar Documents

Publication Publication Date Title
CN103544527A (zh) 超超临界汽轮机fcb工况下除氧器水位的预测方法
CN105260786B (zh) 一种电力推进系统仿真可信度评估模型综合优化方法
CN104732303A (zh) 一种基于动态径向基函数神经网络的油田产量预测方法
CN110363334B (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
CN104392143A (zh) 一种自适应量子神经网络汽轮机故障趋势预测方法
CN103558554A (zh) 一种新能源汽车动力电池soh在线估算的方法
CN105590144A (zh) 一种基于narx神经网络的风速预测方法及装置
CN107908865A (zh) 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法
CN103065202A (zh) 一种基于组合核函数的风电场超短期风速预测方法
CN104035037A (zh) 一种新能源汽车动力电池soh在线估算的方法
CN110148935A (zh) 一种基于长短期记忆神经网络的电网静态安全裕度评估方法
CN103353295B (zh) 一种精确预测大坝坝体垂直变形量的方法
Li et al. Tailings pond risk prediction using long short-term memory networks
Dao et al. Fault diagnosis of hydro-turbine via the incorporation of bayesian algorithm optimized CNN-LSTM neural network
CN106682312A (zh) 一种局部加权极限学习机模型的工业过程软测量建模方法
Xiaojuan et al. Short-time wind speed prediction for wind farm based on improved neural network
Yang et al. Application of fuzzy neural network PID algorithm in oil pump control
Wang et al. Continual deep residual reservoir computing for remaining useful life prediction
Xie et al. A method of flood forecasting of chaotic radial basis function neural network
CN104697585A (zh) 冷却塔塔筒强度预测控制系统及其方法
Haidar et al. An intelligent load shedding scheme using neural networks and neuro-fuzzy
Gao et al. Traffic flow forecasting based on wavelet neural network optimized by GA
Peng et al. A temporal convolutional network based method for fault diagnosis of DEH system
Li et al. Temperature prediction of multi—Factor rolling bearings based on RBF neural network
Ou et al. Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8

Co-patentee after: Wuhan University

Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD.

Address before: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8

Co-patentee before: Wuhan University

Patentee before: Electrical Power Research Institute of Guangdong Power Grid Corporation

CP01 Change in the name or title of a patent holder