CN104048287A - 一种基于rbf网络的锅炉汽包水位报警方法 - Google Patents
一种基于rbf网络的锅炉汽包水位报警方法 Download PDFInfo
- Publication number
- CN104048287A CN104048287A CN201410238153.XA CN201410238153A CN104048287A CN 104048287 A CN104048287 A CN 104048287A CN 201410238153 A CN201410238153 A CN 201410238153A CN 104048287 A CN104048287 A CN 104048287A
- Authority
- CN
- China
- Prior art keywords
- level
- water level
- network
- boiler drum
- rbf network
- 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.)
- Pending
Links
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于RBF网络的锅炉汽包水位报警方法,将三套水位计的测量值作为输入参数,并将与其对应的水位计测量值报警等级作为输出参数,选取一定数量的训练数据用于构建RBF网络;给出水位计的测量值对不同报警等级的隶属度函数,对训练数据中作为样本输入的三个水位计的测量值进行模糊化;模糊化的三个水位计的测量值作为RBF网络的输入,取对应水位测量样本的报警值作为RBF网络的输出,送入RBF网络进行训练,得到RBF网络的训练结果;运用训练好的RBF网络进行锅炉汽包水位的报警等级判断。此方法提高锅炉汽包水位报警的准确性,保证锅炉的安全、高效运行。将RBF网络应用于水位报警判断,具有构建网络更加快速及更好抗干扰性,改善了目前报警方法的局限性。
Description
技术领域
本发明涉及一种电厂热工测量,特别涉及一种基于RBF网络的锅炉汽包水位报警方法。
背景技术
锅炉汽包水位是锅炉控制系统的一个重要参数,关系到电厂的安全经济运行,特别是对高参数、大容量的锅炉,随时准确监视汽包水位的变化十分重要。锅炉汽包水位过高会影响锅炉汽包内的汽水分离,使蒸汽带水过多,损坏汽轮机叶片;水位过低会致使锅炉内的汽水循环受到改变,造成锅炉水冷壁缺水,而使受热面爆破,引起重大操作事故。火力发电是我国主要的发电方式,电站锅炉作为火力电站的三大主机设备之一,是工业过程中不可缺少的动力设备,肩负着重大的使命。保证锅炉汽包水位在正常范围内工作,又是保证锅炉稳定高效运行的基础,具有相当的重要性和意义。因此,国家电力公司在2000年9月28日以国电发(2000)589号文下发的《防止电力生产重大事故的二十五项重点要求》(以下简称《二十五项反措》)中增加了第八项“防止锅炉汽包满水和缺水事故”,接着又于2001年12月20日以国电发(2001)95号文印发了《国家电力公司电站锅炉汽包水位测量系统配置、安装和使用若干规定(试行)》。
目前,对于锅炉汽包水位的监测大多采用三个差压水位计“三取二”的高低保护逻辑方案,同时将“三取中”信号作为汽包水位自动调节保护的逻辑方案。此汽包水位的逻辑方式,在实际运行中存在一定问题:锅炉启动初期和停炉过程中,汽包水位保护往往不能投入,因为差压变送器的参比水位不能可靠形成。同一机组不同水位计测量结果可能存在较大偏差。只要汽包水位差压变送器有一个存在问题,进行处理时,解列给水自动的同时,往往要解除汽包水位保护等。1990年1月25日,河南新乡电厂2号锅炉发生满水事故。在锅炉灭火后恢复过程中,给水调节门漏流大,未能有效检测控制水位,造成汽包满水,气温急剧下降,导致气缸等静止部件变形,汽机大轴弯曲断裂。由此可见,准确监测锅炉汽包水位,对汽包水位准确报警是锅炉保护的主要手段之一,具有重要的意义。
发明内容
本发明是针对电厂发电机组的锅炉汽包水位报警系统现存在的问题,提出了一种基于RBF网络的锅炉汽包水位报警方法,提高发电机组锅炉汽包水位报警的准确度和可靠性,确保机组安全和高效运行具有重要作用。
本发明的技术方案为:一种基于RBF网络的锅炉汽包水位报警方法,具体包括如下步骤:
1)运行数据的获取:采用三套压差水位计测量的方式测量锅炉汽包水位,将三套水位计的测量值作为输入参数,并将与其对应的水位计测量值报警等级作为输出参数,选取一定数量的训练数据用于构建RBF网络;
2)数据的处理:采用模糊集合给出水位计的测量值对应于不同报警等级的程度,即给出水位计的测量值对不同报警等级的隶属度函数,对训练数据中作为样本输入的三个水位计的测量值进行模糊化;
3)将步骤2)中模糊化的三个水位计的测量值作为RBF网络的输入,取对应水位测量样本的报警值作为RBF网络的输出,送入RBF网络进行训练,得到RBF网络的训练结果;
4)锅炉汽包水位的报警判断:将测试锅炉汽包水位数据根据步骤2)进行模糊化后,送入步骤3)训练好的RBF网络,可得锅炉汽包水位的报警等级。
本发明的有益效果在于:本发明基于RBF网络的锅炉汽包水位报警方法,可以提高锅炉汽包水位报警的准确性,可以帮助保护系统自动判别锅炉汽包水位的报警等级,做出相应的保护动作,并通知运行人员采取相应措施,保证锅炉的安全、高效运行。其更重要的意义在于将RBF网络应用于水位报警判断,具有构建网络更加快速及更好的抗干扰性能,有效改善了目前报警方法的局限性。
附图说明
图1为RBF网络的结构图;
图2为无监督学习框图;
图3为有监督学习框图;
图4为本发明RBF神经网络训练结果图。
具体实施方式
通过构建锅炉汽包水位报警的RBF(径向基函数)网络模型,在分析汽包水位实际运行数据,并对其进行数据处理的基础上,给出锅炉汽包水位报警的判断依据。
锅炉汽包水位报警是当汽包水位超过或低于设定阈值时,发出水位报警信号的系统。由于锅炉汽包水位测量的不确定性,该系统的输入与输出之间呈非线性映射关系,通过将RBF网络应用于锅炉汽包水位报警,可以使锅炉汽包水位报警具有准确度高,鲁棒性好,容错性好,反应速度快等优点。
发明内容主要包括了以下四点,具体如下所示:
1、运行数据的获取:
目前,电厂对于锅炉汽包水位大多采用三套压差水位计测量的方式测量。将三套水位计的测量值作为输入参数,并将与其对应的报警等级作为输出参数。
确定锅炉汽包水位报警系统的参数之后,就需要获取这些参数的运行数据。目前电厂数据一般都是统一通过DCS进行采集和保存的,可以通过相应的软件,实现从DCS系统采集数据的目的。
对采集的数据进行分析,选取一定数量的训练数据和一定数量的测试数据,训练数据用于构建RBF网络,再用测试数据验证其应用效果。
2、数据的处理:
由于每个报警等级对应于水位计测量值的一个范围,而锅炉汽包水位受多种因素的影响,有时水位计的测量值很难准确反映锅炉汽包的真实水位。因此为了能够更好的描述水位计所反映的信息,采用模糊集合给出水位计的测量值对应于不同报警等级的程度。
集合一般指具有某种属性的、确定的、彼此间可以区别的事物的全体。组成集合的事物称为集合的元素。被考虑对象的所有元素的全体称为论域,用大写字母U表示。
给定论域U,U到[0,1]闭区间的任一映射
: U→[0,1] (1)
都确定U的一个模糊集合A,称为模糊集合A的隶属函数,它反应了模糊集合中的元素属于该集合的程度。
隶属函数是对模糊概念的定量描述,是运用模糊集合理论解决实际问题的基础。它一般是根据经验或统计进行确定,也可以由专业、权威人士给出。
3、RBF网络的构建与训练
通过已确定的隶属度函数得到模糊化的输入数据之后,以此构建RBF网络。RBF网络的结构如图1所示。
构建RBF网络的基本思想是:用径向基函数作为隐单元的“基”构成隐含层空间,以便将输入矢量直接(即不通过权连接)映射到隐含层空间。当径向基函数的中心点确定后,这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的,即网络的输出是隐单元输出的线性加权和。此处的权即为网络可调参数。
设有N个训练样本,则系统对所有N个训练样本的总误差函数为:
J=== (2)
式(2)中,N为模式样本对数;表示在样本p作用下的系统误差;L为网络输出节点数;表示在样本p作用下的第k个神经元的期望输出;表示在样本p作用下的第k个神经元的实际输出;表示在样本p作用下的第k个神经元的误差。
RBF网络的学习过程分为两个阶段:
(1)无监督学习阶段,即仅根据网络输入调整网络参数,无目标输出,如图2所示。
1)给定各隐节点的初始中心向量(i=1,2….,q),学习速率(0<<1)和判定停止计算的阈值。
2)计算距离(欧式距离)并求出最小距离的节点。
,1≤i≤q
(3)
式(3)中,i为隐节点序号;j为样本序号;q为隐节点数目;表示输出x(j)与中心向量之间的欧式距离;r为中心向量与输出x(j)距离最近的隐节点序号;表示在样本j作用下最近的距离。(输出x(j)为隐节点的输出值,不同于公式2的期望输出。)
3)调整中心
,1≤i≤q
(4)
式(4)中,是学习速率,是距离最近隐节点的中心向量。
(5)
式(5)中,int(.)表示对(.)进行取整运算。
4)判定聚类质量
对于全部样本j(j=1,2…..,N)反复进行以上2)、3)步,直至满足式(6)的条件,则聚类结束。
(6)
(2)有监督学习阶段,即当输入作用于网络,网络的实际输出与目标输出进行比较,根据结果调整网络参数,使得网络的实际输出越来越接近目标输出,如图3所示。
类似于线性网络,RBF网络的隐含层至输出层之间的连接权值(k=1,2…..,s;i=1,2…..,q),s为样本输出个数,学习算法为:
(7)
式(7)中,E=[ , …… ];
为学习速率;为第k个神经元的期望输出;为第k个神经元的实际输出。
其中,
(i=1,2…q) (8)
式(8)中,是第i个隐节点的输出;是第i个隐节点的标准化常数;q是隐含层节点数,x= ,….. 是输入样本;是第i个隐节点高斯函数的中心向量。
4、锅炉汽包水位的报警判断
将模糊化后的锅炉汽包水位报警测试数据输入已训练好的RBF神经网络中,可以得到输出结果。该输出结果分别对应锅炉汽包水位的高I,高II,高III报警或低I,低II和低III报警,这里根据输出结果的数值大小,来判断锅炉汽包水位的报警等级,从而得到最终的锅炉汽包水位报警结果。
本部分给出以上发明内容的实施方案,对应分为以下四个步骤:
一、运行数据的获取
对某一规格(流量1025T,蒸汽温度535℃,蒸汽压力16MPa)的锅炉在符合大于80MW工况下的多次测量数据进行分析,通过数据采集平台得到相应的数据,并从中选择一定数量的训练数据和一定数量的测试数据,用于验证本发明提出的提高锅炉汽包水位报警准确性的方法。
二、数据的处理
本发明中根据已有的专家经验,采用如表1所示的水位计隶属函数对获取的某电厂机组锅炉汽包水位的差压水位计测量值进行模糊化。
表1
根据表1所示的隶属度函数,得到作为样本输入的三个水位计的模糊量,分别用X1,X2,X3表示,其中十次的测量结果模糊化后的数值如表2所示。
表2
三、RBF网络的构建与训练
在对锅炉汽包水位的差压水位计测量值模糊化后的结果,可以作为RBF网络的输入,如表3所示RBF网络样本输入。
表3
取对应水位测量样本的报警值(高I、高II、高III报警)作为RBF网络的输出,分别用Y1,Y2,Y3表示,如表4所示RBF神经网络样本输出。
表4
根据表3的样本输入X1,X2,X3与表4的样本输出Y1,Y2,Y3可以构建对应的RBF网络,并对该网络进行训练,训练中的最大误差为0.001,径向基函数的宽度是0.15,隐层元的个数是20。RBF网络的训练结果如图4所示,纵坐标表示误差精度,横坐标表示训练的步数。从图4中可以看到,只经过8步的训练,RBF网络误差即达到了设定的误差精度的要求。
四、锅炉汽包水位的报警判断
根据第3步中训练好的RBF网络,对以下一组锅炉汽包差压水位计的测量结果进行测试。水位计1的测量结果是195mm; 水位计2的测量结果是190mm;水位计3的测量结果是215mm。根据锅炉汽包水位报警“三选二”的规则,判断为高Ⅰ报警,但锅炉实际情况为高Ⅱ报警。
而将该次测量结果,根据表1模糊化后,将其输入第3步中训练好的RBF神经网络,得到表5所示一次锅炉汽包水位报警测试结果,由于对应高II报警的数值在三种报警类别中是最大的,根据该结果判断此时锅炉汽包水位的报警为高Ⅱ报警,与锅炉实际情况相符合。
表5
从表5的测试结果可以看到,利用本发明提出的方法可以提高锅炉汽包水位报警的准确性。为了充分验证本发明的效果,另外选取了10组测试数据,根据本发明提出的方法得到锅炉汽包水位报警的结果,并和“三选二”逻辑的判断结果及实际情况进行比较,如表6所示十组锅炉汽包水位报警测试结果。
表6
从表6中可以看出,采用本发明提出的锅炉汽包水位报警判断方法准确率达到90%以上,可以有效提高锅炉汽包水位报警的准确性。
Claims (1)
1.一种基于RBF网络的锅炉汽包水位报警方法,其特征在于,具体包括如下步骤:
1)运行数据的获取:采用三套压差水位计测量的方式测量锅炉汽包水位,将三套水位计的测量值作为输入参数,并将与其对应的水位计测量值报警等级作为输出参数,选取一定数量的训练数据用于构建RBF网络;
2)数据的处理:采用模糊集合给出水位计的测量值对应于不同报警等级的程度,即给出水位计的测量值对不同报警等级的隶属度函数,对训练数据中作为样本输入的三个水位计的测量值进行模糊化;
3)将步骤2)中模糊化的三个水位计的测量值作为RBF网络的输入,取对应水位测量样本的报警值作为RBF网络的输出,送入RBF网络进行训练,得到RBF网络的训练结果;
4)锅炉汽包水位的报警判断:将测试锅炉汽包水位数据根据步骤2)进行模糊化后,送入步骤3)训练好的RBF网络,可得锅炉汽包水位的报警等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410238153.XA CN104048287A (zh) | 2014-05-30 | 2014-05-30 | 一种基于rbf网络的锅炉汽包水位报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410238153.XA CN104048287A (zh) | 2014-05-30 | 2014-05-30 | 一种基于rbf网络的锅炉汽包水位报警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104048287A true CN104048287A (zh) | 2014-09-17 |
Family
ID=51501472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410238153.XA Pending CN104048287A (zh) | 2014-05-30 | 2014-05-30 | 一种基于rbf网络的锅炉汽包水位报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104048287A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457903A (zh) * | 2014-12-31 | 2015-03-25 | 上海电力学院 | 一种锅炉汽包水位保护方法 |
CN106920241A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学 | 一种汽包水位监控方法、装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1026551A (ja) * | 1996-07-11 | 1998-01-27 | Yamatake Honeywell Co Ltd | 流体検出方法、レベル検出回路および燃焼制御装置 |
CN2676034Y (zh) * | 2003-12-01 | 2005-02-02 | 刘吉川 | 汽包水位低偏差云母水位计 |
CN1758033A (zh) * | 2005-10-02 | 2006-04-12 | 高维信 | 汽包水位大量限全工况高精度电极传感器系统 |
-
2014
- 2014-05-30 CN CN201410238153.XA patent/CN104048287A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1026551A (ja) * | 1996-07-11 | 1998-01-27 | Yamatake Honeywell Co Ltd | 流体検出方法、レベル検出回路および燃焼制御装置 |
CN2676034Y (zh) * | 2003-12-01 | 2005-02-02 | 刘吉川 | 汽包水位低偏差云母水位计 |
CN1758033A (zh) * | 2005-10-02 | 2006-04-12 | 高维信 | 汽包水位大量限全工况高精度电极传感器系统 |
Non-Patent Citations (1)
Title |
---|
李平: "基于信息融合与智能诊断的锅炉汽包水位保护系统", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457903A (zh) * | 2014-12-31 | 2015-03-25 | 上海电力学院 | 一种锅炉汽包水位保护方法 |
CN106920241A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学 | 一种汽包水位监控方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
CN103868692B (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
CN105114348B (zh) | 基于电站运行数据的引风机故障预警装置和方法 | |
CN112179655B (zh) | 一种基于阈值分级的汽轮发电机故障预警方法 | |
CN105700518A (zh) | 一种工业过程故障诊断方法 | |
CN108460207A (zh) | 一种基于运行数据模型的发电机组的故障预警方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN114757380B (zh) | 一种火电厂故障预警系统、方法、电子设备及存储介质 | |
CN105138770B (zh) | 基于间接可靠性特征量的航天产品可靠性仿真评估方法 | |
US20150241304A1 (en) | Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation | |
CN103246279B (zh) | 一种存在执行阀粘滞特性的化工过程的控制性能评估方法 | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN111222247A (zh) | 一种旋转机械早期故障预警方法 | |
CN105318905A (zh) | 一种火电厂热力系统传感器故障诊断方法 | |
CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
CN103207567B (zh) | 一种低误报率的改进主元分析过程监测方法及其监测系统 | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
CN110472335A (zh) | 基于粒子群优化算法的传感器故障诊断阈值确定方法 | |
CN104048287A (zh) | 一种基于rbf网络的锅炉汽包水位报警方法 | |
CN103926079A (zh) | 一种混流式水电机组出力异常检测方法 | |
CN110462538B (zh) | 信息处理装置、信息处理方法以及存储介质 | |
CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
CN104457903A (zh) | 一种锅炉汽包水位保护方法 | |
CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140917 |