CN104573170A - 汽轮机最优运行初压的确定方法 - Google Patents
汽轮机最优运行初压的确定方法 Download PDFInfo
- Publication number
- CN104573170A CN104573170A CN201410535720.8A CN201410535720A CN104573170A CN 104573170 A CN104573170 A CN 104573170A CN 201410535720 A CN201410535720 A CN 201410535720A CN 104573170 A CN104573170 A CN 104573170A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- basis function
- radial basis
- parameter
- 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
- Feedback Control In General (AREA)
Abstract
本发明涉及涉及一种汽轮机最优运行初压的确定方法,属于汽轮机发电机组运行技术领域,该方法步骤包括:步骤一、建立机组滑压运行特性的参数数据库;步骤二、建立基于灰色系统的径向基函数神经网络模型,利用试验数据进行训练模型;步骤三、基于灰度的径向基函数神经网络的模型建立,输入汽轮机的各工况参数数据,得出汽轮机热耗率最小时对应的主蒸汽压力即最优运行初压。本发明中使用灰色神经网络处理初始数据,可以获得具有规律性的新数据,同时利用灰色模型对数据的累加生成运算,预测选择数据方便还减少输入数据的随机性,解决由于实际运行导致运行参数偏离设计值引起的运行初压不准确的问题和现有方法中通过试验确定初压的费时费力问题。
Description
技术领域
本发明涉及汽轮机发电机组运行技术领域,特别涉及一种汽轮机最优运行初压的确定方法。
背景技术
由于电力需求峰谷差距,使得汽轮发电机组长期处于调峰运行状态。部分负荷下汽轮机运行方式的选择直接关系到机组的热经济性与安全性。机组在非额定工况下运行时,经济性和安全性都会受到一定的影响。定压运行喷嘴配汽汽轮机调峰时,在高压缸各级,特别是调节级会引起过大的温度变化和热应力,从而限制了机组调峰的灵活性,影响机组安全可靠运行;定压运行节流配汽汽轮机调峰时,高压缸各级温度变化虽然不大,但节流损失较大,热经济性较低。因此,滑压运行是最适宜于调峰的运行方式。但是,并不是只要采取滑压运行,机组在任何负荷下的经济性都可以得到提高。例如,在高负荷区滑压运行就不经济。
目前,汽轮机组的运行初压多参照厂家提供的设计值或是通过热力计算确定。由于机组实际运行参数常偏离设计值,因机组装配等原因,实际热力系统与设计参数也存在较大差异,因此厂家提供的初压设计值或根据汽轮机设计值进行热力计算得到的最优运行初压均不尽合理,往往与实际最优值偏离较大。主汽压力寻优试验是获取机组最优初压的另外一种有效途径,所获得数据较好地反映了机组的实际运行情况,可利用插值和线性回归等方法获得最优运行初压,具有比设计值更大的参考价值,但是由于机组试验费时费力,往往仅能获取有限的典型工况数据,因此对试验数据进行常规处理时,难以考虑更多的影响因素,不能完全反映汽轮机组运行参数间复杂的非线性关系。
发明内容
本发明提供一种汽轮机最优运行初压的确定方法,本方法能够根据汽轮机实际运行参数确定机组的最优运行初压,克服由于实际运行导致运行参数偏离设计值引起的运行初压不准确的问题和现有方法中通过试验确定初压的费时费力问题。
本发明的技术方案是:一种汽轮机最优运行初压的确定方法,该方法步骤包括:
步骤一、建立机组滑压运行特性的参数数据库,包括试验中的各供电电荷参数、主蒸汽压力参数和循环进水口温度参数下的多组机组的热耗率,数据库中的数据均需进行首次归一化预处理;
步骤二、建立基于灰色系统的径向基函数神经网络模型,利用试验数据进行训练模型;
步骤三、基于灰度的径向基函数神经网络的模型建立,输入汽轮机的各工况参数数据,得出汽轮机热耗率最小时对应的主蒸汽压力即最优运行初压。
所述步骤一中数据进行归一化处理,归一化处理公式(1)为: ,i=1,2,…,N,式中,表示经过归一化处理后的第i个数据xi是第i个数据参数。
所述步骤二中的建立基于灰色系统的径向基函数神经网络模型的步骤为:
1)选取各工况条件数据建立灰色神经网络 (1,N)维数为n的信息模型,经过首次归一化处理的数据输入到灰色神经网络中;
2)将输入样本数据进行一次累加生成操作,再次归一化后,设置基于灰色系统的径向基函数神经网络组合模型寻找汽轮机机组最小热耗率的工况条件。
3)以处理后的输入样本作为径向基函数神经网络输入向量,系统热耗率作为径向基函数神经网络模型的输出值,对该网络开展训练,其节点数能在训练中自动获取最佳值,以获得相应网络参数。
4)分析训练结果数据与实测数据,进行调整,直至得到符合精度要求的模型参数值,从而建立基于灰色系统的径向基函数神经网络模型确定汽轮机最小热耗率时对应的主蒸汽压力即最优运行初压。
所述步骤二中的基于灰色系统的径向基函数神经网络模型的径向基函数神经网络的基函数选用的是高斯函数,公式(2)为:,i=1,2,…,m,式中ci为第i个基函数的中心;为第i个感知的变量;为向量(x-ci)的范数,表示x与ci间的距离;径向基函数神经网络的输出层函数公式(3)为: ,k=1,2,…,p,式中p为输出节点数,wik是突触权值。
所述径向基函数神经网络是带有开关权值的神经网络模型。
本发明有如下积极效果:本发明中使用灰色神经网络处理初始数据,可以获得具有规律性的新数据,同时利用灰色模型对数据的累加生成运算,预测选择数据方便还减少输入数据的随机性,结合径向基函数神经网络具有良好的自适应、自学习能力,加快收敛速度,提高了处理数据的精度。本发明能够根据汽轮机实际运行参数确定机组的最小热耗率时对应的主蒸汽压力即最优运行初压,能够在很大程度上解决由于实际运行导致运行参数偏离设计值引起的运行初压不准确的问题和现有方法中通过试验确定初压的费时费力问题。
附图说明
图1 是本发明中汽轮机最优运行初压的确定方法的工作流程图;
图2 是本发明中径向基函数神经网络模型的结构示意图;
图3 是本发明中建立基于灰色系统的径向基函数神经网络模型的流程图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种汽轮机最优运行初压的确定方法,如图1所示,该方法步骤包括:
步骤一、建立机组滑压运行特性的参数数据库,包括试验中的各供电电荷参数、主蒸汽压力参数和循环进水口温度参数下的多组机组的热耗率,数据库中的数据均需进行首次归一化预处理。归一化可以加快训练网络的收敛性,归一化可以归纳统一样本的统计分布性,数据进行归一化处理的处理公式为:
式中i=1,2,…,N,表示经过归一化处理后的第i个数据,xi是第i个数据参数。
步骤二、建立基于灰色系统的径向基函数神经网络模型,利用试验数据进行训练模型。
灰色预测模型是运用序列算子对无规律的样本数据经生成、处理,获得具有规律性的新数据,降低数据随机性,再对得到的新数据进行建模,灰色预测方法采用AGO,并建立微分方程模型,通过求解可以得到预测结果,在本文中主要利用的是其降低数据随机性的功能,从而协助预测出最优运行初压。
径向基函数(radial basis function, RBF)神经网络模型具有良好的非线性信息处理能力,可以逼近任何复杂非线性函数,但由于只分析输入和输出,随机性大。本文利用灰色预测模型和RBF神经网络模型的优点,提出基于灰色系统的径向基神经网络组合预测模型。利用灰色预测模型对输入数据的累加生成运算(accumulated generating operation, AGO),减少输入数据的随机性,结合 RBF神经网络具有良好的自适应、自学习能力,加快预测收敛速度,提高预测精度。实现汽轮机机组的最优运行初压的确定。
径向基函数神经网络的结构示意图如图2所示,径向基函数神经网络模型是以函数逼近为基础的一类前向局部神经网络,主要由输入层、隐含层和输出层组成,X=(x1,x2,…,xm)为m维输入向量;R; (x)为基函数;wik是突触权值;Y=(y1,y2,…,yp)为网络输出向量;输入层到隐含层为非线性映射,而隐层到输出层神经元为线性映射。由于高斯基函数具有表不简单、径向对称和光滑性好等优点,通常基函数选用高斯函数,公式为:
式中i=1,2,…,m, ci为第i个基函数的中心;为第i个感知的变量;为向量(x-ci)的范数,表示x与ci间的距离;径向基函数神经网络的输出层函数公式为:
式中k=1,2,…,p, p为输出节点数,wik是突触权值。
径向基函数神经网络还可以选择带有开关权值的神经网络模型,建立的神经网络模型为带开关权值的径向基神经网络模型。在经典的神经网络理论中,网络结构在初始化后便不再变动,仅通过权值的变化来计算产生结果,这种算法增加了神经网络的结构复杂性,在实际应用中增加了计算结果的代价。带开关权值的神经网络通过调整开关的通断就能调整神经网络的结构和连接数量,从而减少计算代价。
基于灰色系统的径向基函数神经网络模型的建立流程图如图3所示,其步骤为:
1)选取各工况条件数据建立灰色神经网络 (1,N)维数为n的信息模型,经过首次归一化处理的数据输入到灰色神经网络中。
2)将输入样本数据进行一次累加生成操作,再次归一化后,设置基于灰色系统的径向基函数神经网络组合模型寻找汽轮机机组最小热耗率的工况条件。
3)以处理后的输入样本作为径向基函数神经网络输入向量,系统热耗率作为径向基函数神经网络模型的输出值,对该网络开展训练,其节点数能在训练中自动获取最佳值,以获得相应网络参数。
4)分析训练结果数据与实测数据,进行调整,直至得到符合精度要求的模型参数值,从而建立基于灰色系统的径向基函数神经网络模型确定汽轮机最小热耗率时对应的主蒸汽压力即最优运行初压。
步骤三、基于灰度的径向基函数神经网络的模型建立,输入汽轮机的各工况参数数据,得出汽轮机热耗率最小时对应的主蒸汽压力即最优运行初压。
基于灰色系统的径向基函数神经网络模型的建立,首先对数据库中输入变量序列数据和期望输出的数据进行归一化,然后对归一化的输入数据开展累加生成和再处理,得到的数据作为径向基神经网络的输入数据,而前述得到的归一化输出数据作为期望数据执行训练,训练结果的预测值与实际归一化值进行比较,计算误差,逆向调整径向基神经网络相关参数,直至达到系统精度要求,最后经反归一化得到接近最小热耗率时对应的主蒸汽压力即最优运行初压。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (5)
1.一种汽轮机最优运行初压的确定方法,其特征在于,该方法步骤包括:
步骤一、建立机组滑压运行特性的参数数据库,包括试验中的各供电电荷参数、主蒸汽压力参数和循环进水口温度参数下的多组机组的热耗率,数据库中的数据均需进行首次归一化预处理;
步骤二、建立基于灰色系统的径向基函数神经网络模型,利用试验数据进行训练模型;
步骤三、基于灰度系统的径向基函数神经网络的模型建立,输入汽轮机的各工况参数数据,得出汽轮机热耗率最小时对应的主蒸汽压力即最优运行初压。
2.根据权利要求1所述的汽轮机最优运行初压的确定方法,其特征在于,所述步骤一中数据进行归一化处理,归一化处理公式(1)为: ,i=1,2,…,N,式中,表示经过归一化处理后的第i个数据,xi是第i个数据参数。
3.根据权利要求1所述的汽轮机最优运行初压的确定方法,其特征在于,所述步骤二中的建立基于灰色系统的径向基函数神经网络模型的步骤为:
1)选取各工况条件数据建立灰色预测模型 (1,N)维数为n的信息模型,经过首次归一化处理的数据输入到灰色神经网络中;
2)将输入样本数据进行一次累加生成操作,再次归一化后,设置基于灰色系统的径向基函数神经网络组合模型寻找汽轮机机组最小热耗率的工况条件;
3)以处理后的输入样本作为径向基函数神经网络输入向量,系统热耗率作为径向基函数神经网络模型的输出值,对该网络开展训练,其节点数能在训练中自动获取最佳值,以获得相应网络参数;
4)分析训练结果数据与实测数据,进行调整,直至得到符合精度要求的模型参数值,从而建立基于灰色系统的径向基函数神经网络模型确定汽轮机最小热耗率时对应的主蒸汽压力即最优运行初压。
4.根据权利要求1所述的汽轮机最优运行初压的确定方法,其特征在于,所述步骤二中的基于灰色系统的径向基函数神经网络模型的径向基函数神经网络的基函数选用的是高斯函数,公式(2)为:,i=1,2,…,m,式中ci为第i个基函数的中心;为第i个感知的变量;为向量(x-ci)的范数,表示x与ci间的距离;径向基函数神经网络的输出层函数公式(3)为: ,k=1,2,…,p,式中p为输出节点数,wik是突触权值。
5.根据权利要求1所述的汽轮机最优运行初压的确定方法,其特征在于,所述径向基函数神经网络是带有开关权值的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535720.8A CN104573170A (zh) | 2014-10-13 | 2014-10-13 | 汽轮机最优运行初压的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535720.8A CN104573170A (zh) | 2014-10-13 | 2014-10-13 | 汽轮机最优运行初压的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573170A true CN104573170A (zh) | 2015-04-29 |
Family
ID=53089224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410535720.8A Pending CN104573170A (zh) | 2014-10-13 | 2014-10-13 | 汽轮机最优运行初压的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573170A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106765520A (zh) * | 2016-12-02 | 2017-05-31 | 南京电力设备质量性能检验中心 | 一种实现供热机组最优初压运行的自动控制方法 |
CN107368680A (zh) * | 2017-07-14 | 2017-11-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种汽轮机最佳真空实时计算方法 |
CN108700854A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于根据控制模块来控制技术系统的方法和设备 |
CN111859807A (zh) * | 2020-07-23 | 2020-10-30 | 润电能源科学技术有限公司 | 汽轮机初压寻优方法、装置、设备及存储介质 |
CN113095551A (zh) * | 2021-03-26 | 2021-07-09 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种基于灰色预测模型的高压转子温度软测量方法及系统 |
CN115140685A (zh) * | 2022-05-16 | 2022-10-04 | 安徽合力股份有限公司 | 一种叉车数据驱动稳定控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030115165A1 (en) * | 2001-09-25 | 2003-06-19 | Tetsuya Hoya | Memory system for use of modeling psychological functions of the brain |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
-
2014
- 2014-10-13 CN CN201410535720.8A patent/CN104573170A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030115165A1 (en) * | 2001-09-25 | 2003-06-19 | Tetsuya Hoya | Memory system for use of modeling psychological functions of the brain |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
孟鑫: "智能方法在火电机组运行中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
祁浩等: "基于量子免疫克隆算法的神经网络优化方法", 《计算机应用》 * |
胡冰等: "应用BP神经网络确定汽轮机组滑压运行的最优初压", 《热力发电》 * |
韩晓娟: "多源信息融合技术在火电厂热力系统故障诊断中的应用研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108700854A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于根据控制模块来控制技术系统的方法和设备 |
US11269297B2 (en) | 2016-03-09 | 2022-03-08 | Siemens Aktiengesellschaft | Method and device for controlling a technical system by means of control models |
CN106765520A (zh) * | 2016-12-02 | 2017-05-31 | 南京电力设备质量性能检验中心 | 一种实现供热机组最优初压运行的自动控制方法 |
CN106765520B (zh) * | 2016-12-02 | 2020-03-17 | 国电南京电力试验研究有限公司 | 一种实现供热机组最优初压运行的自动控制方法 |
CN107368680A (zh) * | 2017-07-14 | 2017-11-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种汽轮机最佳真空实时计算方法 |
CN111859807A (zh) * | 2020-07-23 | 2020-10-30 | 润电能源科学技术有限公司 | 汽轮机初压寻优方法、装置、设备及存储介质 |
CN113095551A (zh) * | 2021-03-26 | 2021-07-09 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种基于灰色预测模型的高压转子温度软测量方法及系统 |
CN115140685A (zh) * | 2022-05-16 | 2022-10-04 | 安徽合力股份有限公司 | 一种叉车数据驱动稳定控制方法 |
CN115140685B (zh) * | 2022-05-16 | 2024-02-13 | 安徽合力股份有限公司 | 一种叉车数据驱动稳定控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Gas turbine performance prediction via machine learning | |
CN104573170A (zh) | 汽轮机最优运行初压的确定方法 | |
Gomes et al. | Wind speed and wind power forecasting using statistical models: autoregressive moving average (ARMA) and artificial neural networks (ANN) | |
Idowu et al. | Forecasting heat load for smart district heating systems: A machine learning approach | |
Dhillon et al. | Multi area load frequency control using particle swarm optimization and fuzzy rules | |
Hou et al. | Novel fuzzy modeling and energy-saving predictive control of coordinated control system in 1000 MW ultra-supercritical unit | |
CN112377985B (zh) | 基于反馈神经网络的供热机组调峰下限评估方法及系统 | |
CN101788789A (zh) | 基于混沌混合优化算法的单元机组非线性预测控制方法 | |
Baghsheikhi et al. | Real-time exergoeconomic optimization of a steam power plant using a soft computing-fuzzy inference system | |
CN106058863A (zh) | 一种基于随机响应面法的随机最优潮流计算方法 | |
CN105244870A (zh) | 一种快速计算电网风电场弃风率及机组发电量的方法 | |
Chen et al. | Benchmark value determination of energy efficiency indexes for coal-fired power units based on data mining methods | |
CN109375503B (zh) | 一种蒸汽余热梯级利用优化控制方法 | |
Manke et al. | Application of back propagation neural network to drum level control in thermal power plants | |
Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
Fu et al. | Thermal load prediction considering solar radiation and weather | |
Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
Ma et al. | Prediction of thermal system parameters based on PSO-ELM hybrid algorithm | |
Zhang et al. | Integrating physical and data-driven system frequency response modelling for wind-PV-thermal power systems | |
Sayyaadi et al. | Retrofit of a steam power plant using the adaptive neuro-fuzzy inference system in response to the load variation | |
Abdalisousan et al. | Multi-objective thermoeconomic optimisation for combined-cycle power plant using particle swarm optimisation and compared with two approaches: an application | |
Kaewprapha et al. | Predicting Full Load, Partial Load Efficiency of a Combined Cycle Power Plant Using Machine Learning Methods | |
Chaibakhsh | Modelling and long-term simulation of a heat recovery steam generator | |
Rodriguez et al. | Modeling of a Combined Cycle Gas Turbine (CCGT) Using an Adaptive Neuro-Fuzzy System | |
Isa et al. | Review on optimal wind farm control techniques and prospects of artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |