CN103544527B - 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 PDFInfo
- Publication number
- CN103544527B CN103544527B CN201310472779.2A CN201310472779A CN103544527B CN 103544527 B CN103544527 B CN 103544527B CN 201310472779 A CN201310472779 A CN 201310472779A CN 103544527 B CN103544527 B CN 103544527B
- Authority
- CN
- China
- Prior art keywords
- network
- deaerator level
- sample
- operating mode
- rbf
- 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.)
- Active
Links
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
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:
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
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
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:
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:
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
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
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
表2预测样本
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:
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:
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,那么基函数的方差表示为:
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:
%归一化处理
fori=1:1:6
P(i,:)=(bfP(i,:)-min(bfP(i,:)))/(max(bfP(i,:))-min(bfP(i,:)));
end
T=(bfT-min(bfT))/(max(bfT)-min(bfT));
net=newrb(P,T,0.000001,0.5);
T_1=sim(net,P);
%反归一化
afT=T_1*(max(bfT)-min(bfT))+min(bfT);
error=afT-bfT;
error_re=error./bfT;
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。
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 CN103544527A (zh) | 2014-01-29 |
CN103544527B true 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) |
Families Citing this family (6)
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 |
CN110928248B (zh) * | 2018-09-19 | 2022-10-25 | 上海明华电力科技有限公司 | 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 |
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 |
Citations (1)
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 |
-
2013
- 2013-10-11 CN CN201310472779.2A patent/CN103544527B/zh active Active
Patent Citations (1)
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)
Title |
---|
《500MW》;叶培治等;《汽轮机技术》;20010228;第43卷(第1期);第56页-第58页 * |
基于神经网络的除氧器水位解耦控制;梁伟平等;《华北电力大学学报》;20050131;第32卷(第1期);第66页-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103544527A (zh) | 2014-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544527B (zh) | 超超临界汽轮机fcb工况下除氧器水位的预测方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN107301884A (zh) | 一种混合式核电站故障诊断方法 | |
CN106249728A (zh) | 一种基于部件特性的火力发电机组在线性能监测方法 | |
CN105955069A (zh) | 一种基于在线仿真的核电站系统级状态监测方法 | |
CN106786560A (zh) | 一种电力系统稳定特征自动提取方法及装置 | |
CN103530818B (zh) | 一种基于brb系统的供水管网建模方法 | |
CN106682376A (zh) | 参数随工况变化实际特性的全过程汽轮机建模及辨识方法 | |
CN111259607B (zh) | 一种河湖过渡区水文边界界定方法 | |
CN112183835B (zh) | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 | |
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 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
CN107045558A (zh) | 基于时变灵敏度分析的风力发电机组多学科稳健设计方法 | |
Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining | |
CN106444419B (zh) | 一种基于性能数据的自抗扰控制硬件在线闭环仿真控制方法 | |
CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
CN107124003A (zh) | 风力发电场风能预测方法和设备 | |
CN103337000A (zh) | 一种油气集输系统安全监测预警方法 | |
Parsaie et al. | Assessment of some famous empirical equation and artificial intelligent model (MLP, ANFIS) to predicting the side weir discharge coefficient | |
Haidar et al. | An intelligent load shedding scheme using neural networks and neuro-fuzzy | |
Gao et al. | A fault diagnosis method of rolling bearing of CNC machine tool based on improved convolutional 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 | ||
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 |