CN107016239B - 一种汽轮机阀门流量特性分析方法 - Google Patents
一种汽轮机阀门流量特性分析方法 Download PDFInfo
- Publication number
- CN107016239B CN107016239B CN201710202641.9A CN201710202641A CN107016239B CN 107016239 B CN107016239 B CN 107016239B CN 201710202641 A CN201710202641 A CN 201710202641A CN 107016239 B CN107016239 B CN 107016239B
- Authority
- CN
- China
- Prior art keywords
- neural network
- algorithm
- asca
- data
- rbf neural
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一个基于ASCA和RBF神经网络模型的汽轮机阀门流量特性分析方法,将历史数据应用于阀门流量特性的发现,将神经网络应用于汽轮机调节级压力的预测,从而在无需进行运行试验的情况下得到汽轮机高压调节阀的单阀流量特性曲线。
Description
技术领域
本发明涉及一种ASCA和RBF神经网络模型的汽轮机阀门流量特性分析方法,具体地,本发明可以实现历史数据驱动的汽轮机高压调节阀门(简称高调门) 流量特性计算方法,属于汽轮机控制领域。
背景技术
汽轮机调节系统阀门流量特性曲线就是汽轮机进汽调节阀门的开度与通过阀门的蒸汽流量之间对应关系。在生产过程中,汽轮机长时间运行后或高调门解体检修后,高调门的流量特性将会发生改变,与原调门流量开度修正函数产生偏差。汽轮机调节系统阀门流量特性曲线如果与实际阀门流量相差较大,在机组变负荷和一次调频时,可能出现负荷突变和调节缓慢等问题,造成机组控制性能变差,影响机组的安全性和变负荷能力,严重时会导致汽轮机轴系剧烈振荡。在顺序阀方式下,如果调节阀门重叠度设置不合理,也会影响机组投入顺序阀的经济性。
测定汽轮机阀门流量特性曲线需要进行汽轮机阀门流量特性试验,但传统的试验方法操作较复杂,耗时较长,容易影响机组运行,而常用的优化计算方式效率较低、准确性欠佳。本方法采用基于正弦余弦算法(ASCA)和径向基(RBF) 神经网络综合建模的汽轮机阀门流量预测模型来研究汽轮机实际阀门流量特性,实现了历史数据驱动的汽轮机调节阀门流量特性发掘方法,节省了人力物力。
本专利采用正弦余弦算法与径向基神经网络综合建模的方法,RBF神经网络是一个两层的前馈神经网络。
采用ASCA算法,对影响神经网络预测模型预测性能的输入权值、隐层阈值和初始扩展常数等结构参数的取值进行优化,使用汽轮机历史运行数据对具有最优结构参数的RBF神经网络进行训练,最后使用该预测模型计算在模拟单阀试验工况下的汽轮机阀门流量,实现数据驱动的汽轮机高压调节阀门流量特性分析方法。
发明内容
发明目的:本发明提供一种ASCA和RBF神经网络模型的汽轮机阀门流量特性分析方法,将历史数据应用于阀门流量特性的发现,将神经网络应用于汽轮机调节级压力的预测,从而在无需进行运行试验的情况下得到汽轮机高压调节阀的单阀流量特性曲线。
本发明的提供的技术方案为提供一种ASCA和RBF神经网络模型的汽轮机阀门流量特性分析方法,包括如下步骤。
第一步、建立使用正交最小二乘算法训练的RBF神经网络学习算法,即将具有M个数据中心的RBF神经网络视为具有N组样本,M个回归因子的特殊回归模型,使用添加人工噪声的标准训练样本确定所建立神经网络合适的初始扩展常数和训练时间。
第二步、建立ASCA算法并将其应用到不同的基准优化问题上,比较该算法与其它优化算法对于不同的高维单峰标准函数和高维多峰标准函数的优化效果,以验证该算法的有效性。
第三步、基于步骤(一)和步骤(二),建立ASCA算法和RBF神经网络的综合模型以提高预测模型的计算精度和建模速度,使用ASCA算法对RBF神经网络的输入权值、隐层阈值和初始扩展常数进行优化,并以目标函数适应度值最小为原则,确定最优的模型结构参数并应用于RBF神经网络,即完成ASCA算法和RBF神经网络的模型建立。
第四步、采集汽轮机组的历史运行数据,并对其进行筛选、清洗以获得最能代表机组运行状况的一组代表性数据,并将这部分数据分为训练样本和测试样本。
第五步、使用步骤(四)中得到的样本数据应用于步骤(三)建立的ASCA 算法和RBF神经网络的综合模型,训练得到汽轮机阀门流量预测模型。
第六步、使用步骤(五)中得到的汽轮机阀门流量预测模型,进行模拟的汽轮机单阀流量特性试验,即设置某一阀门的开度数据从0到100,其它输入数据的值保持不变,得到汽轮机流量预测模型的输出变量即调节级压力,再进行相关计算得到该阀门的单阀流量特性。
所述的正交最小二乘算法训练的RBF神经网络学习算法为假设有N组样本,M 个回归因子,建立回归方程,其回归方程的数学表达式为:
pi=[pi(1),pi(2),…,pi(N)]T
θ=[θ1,θ1,...θM]
式中d(t)为期望输出,pi=[pi(1),pi(2),…,pi(N)]T是1≤i≤M是一组基向量的集合,与神经网络中的径向基相对应,θ=[θ1,θ2,...θM]是待求参数,ε(t)是噪声误差。
然后选择隐层数据中心的问题转化为从候选集合选择一组回归算子,使得对于期望输出有最大的贡献,使用最小二乘算法从所有的候选回归算子中选择适当的一个子集作为数据中心,依次选择数据中心,在满足误差容许范围时结束算法,误差控制条件为:
式中ρ是预设的容忍误差,Ms数据中心点个数,[err]j为加入第j个数据中心而引起的误差下降比例,其中1<j<Ms。
本方法的主要思想是使用ASCA-RBF神经网络实现了使用主蒸汽压力,各调节阀后压力等参数对调节级压力的预测,也即实现了在已知主蒸汽压力和各调节阀开度情况下对于主蒸汽流量的预测。本方法使用了机组历史运行数据作为 RBF神经网络的训练样本以得到汽轮机阀门流量预测模型,并采用了ASCA算法对神经网络的初始结构参数进行优化以提高预测模型的精度和泛化能力。
在得到的汽轮机阀门流量预测模型中输入对应单阀试验工况下的主蒸汽压力、各调节阀后压力等参数值,计算在目标调节阀从全开到全关过程中的调节级压力变化情况,再应用阀门流量特性计算方法就可以得到目标调节阀门的流量特性曲线。
附图说明
图1 ASCA-RBF网络建模模块流程图;
图2径向基神经网络的模型图。
具体实施方式
下面结合附图及具体的实施例对发明进行进一步介绍:
本实例中使用某超临界汽轮机组N660-24.2/566/566的历史运行数据通过 ASCA-RBF神经网络来计算高压调节阀门的流量特性曲线。
1.收集汽轮机近期一段时间内的历史运行数据。由于需选取目标调节阀门全开度范围内的运行数据,采集了汽轮机组顺序阀配汽方式下一段时间内的运行数据,顺序阀的开启阀序为1/2-3-4,该段时间内机组的综合阀位指令从100%减小到72%,高压调节阀GV3的开度从100%到0%,采用这段时间内的数据对高压调节阀的流量特性进行分析,历史运行数据列于表1。
表1机组GV3全开到关闭的历史运行数据
2.选择调节级压力作为预测模型的输出变量,选择主汽压力、GV1阀后压力、GV2阀后压力、GV3阀后压力、GV4阀后压力作为预测模型的输入变量。
3.建立使用正交最小二乘算法训练的RBF神经网络学习算法,选择隐层数据中心的等同于选择一组回归算子,使得对于期望输出有最大的贡献。实际计算时,使用最小二乘算法从所有的候选回归算子中选择适当的一个子集作为数据中心,依次选择数据中心,在第一步,对1≤i≤M,计算
w1 (i)=pi
g1 (i)=(w1 (i))Td/((w1 (i)Tw1 (i))
[err]1 (i)=(g1 (i))2(w1 (i))Tw1 (i)w1 (i)/(dTd)
式中w1 (i)为第一个正交列向量,pi为第i个基向量,g1 (i)为正交最小二乘解向量, d为期望输出,[err]1 (i)为第一个数据中心点引起的误差下降比例。
从中寻找比率最大的值:
[err]1(i1)=max{[err]1(i),1≤i≤M}
选择第一个列向量,即为第一个数据中心
w1=w1(i)=pi1
确定下一个数据中心,当满足误差控制条件时结束算法,不满足时继续增加下一个数据中心。其中误差控制条件为:
式中ρ是预设的容忍误差,Ms数据中心点个数,[err]j为加入第j个数据中心而引起的误差下降比例,其中1<j<Ms。通过对容忍误差的控制,可以使得数据中心点个数更少,即容忍误差可以控制神经网络隐层数目,平衡神经网络的复杂性和精确性,使得RBF神经网络具有较高的精度和泛化能力。
4.建立正弦余弦(ASCA)算法。初始化算法参数:设置群体规模大小50,最大迭代次数200,惯性权重的最大值0.09和最小值0.02;采用量子位Bloch球面对每个候选解进行编码,最后映射到优化问题的解空间,然后计算群体中每个个体的适应度值,根据适应度值的大小排序,最后选取初始群体;计算初始群体中的个体适应度,并且以适应度最小的个体位置作为最优位置;使用正弦或余弦模型来更新下一代的位置,位置更新公式如下:
式中,表示当前解的第i维第t次迭代的空间位置;Pi表示第i维目标点的空间位置。r1=a-a×t/Tmax,t表示当前迭代次数,Tmax为最大迭代次数;r2表示 [0,2π]中的随机数;r3表示[0,2]中的随机数。
建立ASCA算法和RBF神经网络的综合模型以提高预测模型的计算精度和建模速度。采用ASCA算法对RBF神经网络的输入权值、隐层阈值和初始扩展常数进行优化,以目标适应度值最小为原则,通过判断是否达到最大循环迭代次数为循环中止条件,使用ASCA算法优化后的结构参数设置RBF神经网络的初始参数,输入权值、隐层阈值和隐节点的数据宽度的寻优范围均为[0,1],最大迭代次数为200次。完成ASCA算法和RBF神经网络综合模型的建立。
5.使用ASCA算法和RBF神经网络的综合模型训练得到汽轮机阀门流量预测模型。将一部分样本数据作为训练数据用于RBF神经网络的训练,另一部分数据作为测试样本验证RBF神经网络预测的准确性,并使用汽轮机阀门流量预测模型,进行模拟的汽轮机单阀流量特性试验,即设置某一阀门的开度数据从0到100,其它输入数据的值保持不变,得到汽轮机单阀流量特性,并将其与实际的调阀流量特性曲线进行比较以评价该预测模型的精确性,也可考虑增加汽轮机阀门流量影响变量以增加RBF神经网络的复杂性和精度。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应该视为本发明的保护范围。
Claims (2)
1.一种基于ASCA和RBF神经网络模型的汽轮机阀门流量特性分析方法,其特征在于:包括如下步骤:
步骤(一)、建立使用正交最小二乘算法训练的RBF神经网络学习算法,即将具有M个数据中心的RBF神经网络视为具有N组样本,M个回归因子的特殊回归模型,使用添加人工噪声的标准训练样本确定所建立神经网络合适的初始扩展常数和训练时间;
步骤(二)、建立ASCA算法并将其应用到不同的基准优化问题上,比较该算法与其它优化算法对于不同的高维单峰标准函数和高维多峰标准函数的优化效果,以验证该算法的有效性;
步骤(三)、基于步骤(一)和步骤(二),建立ASCA算法和RBF神经网络的综合模型以提高预测模型的计算精度和建模速度,使用ASCA算法对RBF神经网络的输入权值、隐层阈值和初始扩展常数进行优化,并以目标函数适应度值最小为原则,确定最优的模型结构参数并应用于RBF神经网络,即完成ASCA算法和RBF神经网络的模型建立;
步骤(四)、采集汽轮机组的历史运行数据,并对其进行筛选、清洗以获得最能代表机组运行状况的一组代表性数据,并将这部分数据分为训练样本和测试样本;
步骤(五)、使用步骤(四)中得到的样本数据应用于步骤(三)建立的ASCA算法和RBF神经网络的综合模型,训练得到汽轮机阀门流量预测模型;
步骤(六)、使用步骤(五)中得到的汽轮机阀门流量预测模型,进行模拟的汽轮机单阀流量特性试验,即设置某一阀门的开度数据从0-100%,其它输入数据的值保持不变,得到汽轮机流量预测模型的输出变量即调节级压力,再进行计算得到该阀门的单阀流量特性。
2.根据权利要求1所述的一种基于ASCA和RBF神经网络模型的汽轮机阀门流量特性分析方法,其特征在于:所述的正交最小二乘算法训练的RBF神经网络学习算法为假设有N组样本,M个回归因子,建立回归方程,其回归方程的数学表达式为:
式中d(t)为期望输出,pi=[pi(1),pi(2),…,pi(N)]T是1≤i≤M是一组基向量的集合,与神经网络中的径向基相对应,θ=[θ1,θ2,…θM]是待求参数,ε(t)是噪声误差;
然后将选择隐层数据中心的问题转化为从候选集合选择一组回归算子,使得对于期望输出有最大的贡献,使用最小二乘算法从所有的候选回归算子中选择适当的一个子集作为数据中心,依次选择数据中心,在满足误差容许范围时结束算法,误差控制条件为:
式中ρ是预设的容忍误差,Ms数据中心点个数,[err]j为加入第j个数据中心而引起的误差下降比例,其中1<j<Ms。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710202641.9A CN107016239B (zh) | 2017-03-30 | 2017-03-30 | 一种汽轮机阀门流量特性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710202641.9A CN107016239B (zh) | 2017-03-30 | 2017-03-30 | 一种汽轮机阀门流量特性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016239A CN107016239A (zh) | 2017-08-04 |
CN107016239B true CN107016239B (zh) | 2020-01-31 |
Family
ID=59445591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710202641.9A Active CN107016239B (zh) | 2017-03-30 | 2017-03-30 | 一种汽轮机阀门流量特性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016239B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766656A (zh) * | 2017-10-19 | 2018-03-06 | 贵州电网有限责任公司电力科学研究院 | 基于历史数据回归分析的汽轮机阀门流量特性分析方法 |
CN112149901B (zh) * | 2020-09-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN113091043B (zh) * | 2021-03-02 | 2023-03-21 | 杭州华电半山发电有限公司 | 一种余热锅炉汽包水位全程自动控制的方法 |
CN114371649A (zh) * | 2022-01-10 | 2022-04-19 | 江苏大学 | 一种基于卷积神经网络的喷雾流量调控系统与方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103670536A (zh) * | 2013-05-30 | 2014-03-26 | 甘肃大唐国际连城发电有限责任公司 | 一种火力发电厂汽轮机调门流量的调节方法 |
CN104200121A (zh) * | 2014-09-19 | 2014-12-10 | 国家电网公司 | 基于机组运行数据的阀门流量函数优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8215950B2 (en) * | 2009-04-07 | 2012-07-10 | Genral Electric Company | Low emission and flashback resistant burner tube and apparatus |
-
2017
- 2017-03-30 CN CN201710202641.9A patent/CN107016239B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103670536A (zh) * | 2013-05-30 | 2014-03-26 | 甘肃大唐国际连城发电有限责任公司 | 一种火力发电厂汽轮机调门流量的调节方法 |
CN104200121A (zh) * | 2014-09-19 | 2014-12-10 | 国家电网公司 | 基于机组运行数据的阀门流量函数优化方法 |
Non-Patent Citations (2)
Title |
---|
《Training Feedforward Neural Networks Using Sine-Cosine Algorithm to Improve the Prediction of Liver Enzymes on Fish Farmed on Nano-selenite》;Ahmed.T.Sahlol 等;《2016 12th International Computer Engineering Conference》;20161229;全文 * |
《基于BP神经网络的主蒸汽流量计算模型》;吴海姬 等;《汽轮机技术》;20070831;第49卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107016239A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016239B (zh) | 一种汽轮机阀门流量特性分析方法 | |
Kim et al. | Length-adaptive transformer: Train once with length drop, use anytime with search | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
WO2022156110A1 (zh) | 一种基于机器学习的蠕变疲劳寿命预测方法 | |
CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
CN114675535B (zh) | 一种基于强化学习的航空发动机过渡态寻优控制方法 | |
CN109522602A (zh) | 一种基于代理模型的Modelica模型参数优化方法 | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
CN114391150A (zh) | 基于逆向和前向建模机器学习的生成式设计 | |
KR101680055B1 (ko) | 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN105298734A (zh) | 一种水轮机调节系统的参数辨识方法 | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
Dornberger et al. | Multidisciplinary optimization in turbomachinery design | |
CN113204918B (zh) | 水泥窑生产能耗的建模方法 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
Ma et al. | Prediction of thermal system parameters based on PSO-ELM hybrid algorithm | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
CN114330119A (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
CN114357867A (zh) | 基于水轮机仿真智能求解的一次调频控制方法及装置 | |
CN108509684B (zh) | 舵机与动态负载模拟器匹配设计方法 | |
CN114943187B (zh) | 一种基于神经网络的阀门特性曲面构造方法 | |
CN113326665B (zh) | 一种基于遗传规划的酸性天然气水合物生成温度预测方法 | |
CN114282614B (zh) | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |