CN107908865A - 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 - Google Patents
一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 Download PDFInfo
- Publication number
- CN107908865A CN107908865A CN201711124397.5A CN201711124397A CN107908865A CN 107908865 A CN107908865 A CN 107908865A CN 201711124397 A CN201711124397 A CN 201711124397A CN 107908865 A CN107908865 A CN 107908865A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- mtr
- msub
- steam
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/333—Design for testability [DFT], e.g. scan chain or built-in self-test [BIST]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，包括：选取机组负荷、主蒸汽流量、主汽压力、主汽温度、中压缸进汽压力和进汽温度等进汽参数作为输入变量，同时，选取低压缸排汽和排汽温度等排汽参数作为输入变量，此外，还选取汽轮机第一级到第八级抽汽压力和抽汽温度等抽汽参数作为输入变量，总计共28个参数作为输入变量，数据预处理后做主成分分析，得到了累计贡献值大于99.95％的n个主要成分，并以这n个主要成分作为BP神经网络的输入变量，汽轮机排汽焓作为输出变量，建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型，通过对模型的训练，得到了汽轮机排汽焓计算模型，便于在线监测中进行实时调用。
Description
技术领域
本发明属于动力行业领域，具体涉及一种基于机器算法的汽轮机低压缸排汽焓实时计算方法。
背景技术
现代大型火力发电汽轮机组往往需要在线计算机组的经济性，低压缸相对内效率的计算是制约汽轮机效率计算的一大难点，主要归结于低压缸的排汽焓难以在线计算。低压缸的排汽不同于高压缸以及中压缸的排汽，其处于湿蒸汽区，需要通过湿蒸汽干度、饱和蒸汽压力以及饱和蒸汽温度求得，但是，目前大多数机组没有装设低压缸排汽干度在线测量装置，这就制约着低压缸排汽焓的在线计算，从而影响了在线计算低压缸效率，进而影响了整个热力系统的在线经济分析。
传统的能量平衡法计算了汽轮机的排汽焓，计算繁琐、工作量大，所需数据多，实时性较差。单纯的人工神经网络算法，在排汽焓的在线计算中取得了一定的效果，但是输入变量类型太多或太少都影响学习的精度，无法确定合适的输入变量。
参数合理并且数量合适的输入变量，能够提高BP神经网络的训练精度和训练速度。如何确定合理人工神经网络算法计算汽轮机排汽焓的输入变量从而提高神经网络的计算精度和计算速度就成了技术难点。
发明内容
本发明的目的在于提供一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，该方法通过主成分分析等数据挖掘技术确定合理的神经网络输入变量个数，建立了基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型，通过对模型的训练得到基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型，便于在线监测中实时调用，从而在线计算汽轮机的排汽焓，从而在线分析热力系统的经济性。
为达到上述目的，本发明采用的技术方案是：
一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，包括以下步骤：
1)收集汽轮机运行工况的历史数据并进行数据预处理；
2)对输入变量做主成分分析，得到n个主要成分；
3)建立汽轮机低压缸排汽焓的神经网络预测模型；
4)基于主成分分析与神经网络复合模型对汽轮机低压缸排汽焓计算模型进行训练；
5)将训练好的模型储存起来，在实时计算时直接调用训练好的模型即可。
本发明进一步的改进在于，步骤1)的具体实现方法如下：
提取汽轮机运行工况下的历史数据，包括由机组负荷、主蒸汽流量、主汽压力、主汽温度、调节级后压力和温度、中压缸进汽压力和进汽温度组成的进汽参数，由高压缸排汽压力和排汽温度、低压缸排汽和排汽温度组成的排汽参数，由汽轮机第一级到第八级抽汽压力和抽汽温度组成的抽汽参数，以及汽轮机低压缸排汽焓试验数据，并对历史数据进行五阶不加权证实法数据预处理，剔除坏点。
本发明进一步的改进在于，步骤2)的具体实现方法如下：
主成分分析通过把分量相关的随机变量转换为分量不相关的新的随机变量，得到累计贡献值大于99.95％的n个主要成分，计算模型如下：
式中：为预测值；为原始数据；B为系数矩阵。
本发明进一步的改进在于，步骤3)中，用经过主成分分析后的n个主要成分作为BP神经网络的输入变量，汽轮机排汽焓作为输出变量，建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型。
本发明进一步的改进在于，步骤3)的具体实现方法如下：
(1)构造样本
式中：xij为第i组样本数据中的第j个变量的值，i＝1,2,3,…,n，j＝1,2,3,…,p；
(2)对样本矩阵X进行正指标变换得
(3)对Y做标准化变换得到标准化矩阵Z；
式中：为Y矩阵中第j列的均值，sj为Y矩阵中第j列的标准差；
(4)计算标准化矩阵Z的样本相关系数矩阵R；
(5)求矩阵R的特征值，解得P个特征值λ1≥λ2≥…≥λp≥0；
|R-λIp|＝0 (7)
(6)确定主成分的个数m，使信息的利用率达到99.95％以上，确定方法为：
对每个λj,j＝1,2,…,m，解方程组Rb＝λjb，得单位特征向量：
式中：b为矩阵R的特征向量；
(7)求出Zi＝(zi1,zi2,…,zip)T的m个主成分分量：得到决策矩阵U；
式中：ui表示第i个变量的主成份向量；
(8)样本矩阵X经主成分分析后的矩阵T＝XU；
将经过数据预处理后的原始数据做主成分分析，到累计贡献值大于99.95％的n个主要成分。
本发明进一步的改进在于，步骤4)的具体实现方法如下：
BP神经网络模型选取的函数如表1所示，训练步长为10，训练精度为10-5；
表1 BP神经网络函数表
BP神经网络经过50000步的训练，训练误差趋于平稳，达到工程要求值。
本发明具有如下的有益效果：
本发明通过主成分分析和人工神经网络的复合建模来计算汽轮机的排汽焓，首先对原始数据进行数据预处理，剔除其中的坏点，再对剔除坏点后的数据做主成分分析，准确提取到输入变量的特征成分，再利用提取的n个主要成分作为BP神经网络的输入变量，排汽焓作为BP神经网络的输出变量，来训练计算模型，再将训练好的模型储存起来，在实时计算时直接调用训练好的模型即可。概括来说，本发明具有以下优点：
(1)实现了人工智能算法对汽轮机排汽焓的计算，避免了传统算法的复杂性；
(2)主成分分析能够提取输入变量的主要成分，能够合理地确定神经网络的输入变量，提高了BP神经网络的预测精度；
(3)由预测结果可知，即使锅炉负荷变化时，汽轮机排汽焓的波动并不大。
附图说明
图1为主成分分析结构图；
图2为BP神经网络排汽焓计算模型。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
本发明提供的一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，包括以下步骤：
1)收集历史稳态数据
在电厂的信息系统里提取汽轮机运行工况下的历史数据(机组负荷、主蒸汽流量、主汽压力、主汽温度、调节级后压力和温度、中压缸进汽压力和进汽温度等进汽参数，高压缸排汽压力和排汽温度、低压缸排汽和排汽温度等排汽参数，汽轮机第一级到第八级抽汽压力和抽汽温度等抽汽参数，汽轮机低压缸排汽焓等试验数据)。
2)数据预处理
采用证实法对采集到的排汽焓、机组负荷等原始数据进行预处理。证实法认为每一个过程变量都是时间的函数，不存在突变的情况，每一个变量未来某个时刻的值都与过去时间段的值存在一定的联系。在合适的采样周期下，可以用过去的数据来计算出下一时刻的未知数据。将计算出的预测值与采集到的原始数据的进行对比，当偏差大于20％，就用预测值替代采集到的原始数据。这种算法具有占用内存小，计算量小的优点，避免了在线监测过程中同时对采集到的上百点的数据进行检验的庞大的复杂计算，计算模型如下。
式中：为预测值，m表示前m个数据；为原始数据；B为系数矩阵。
3)对输入变量做主成分分析，得到n个主要成分
主成分分析通过把分量相关的随机变量转换为分量不相关的新的随机变量，从而较高精度地实现将高维变量系统转换为新的低维变量系统，其基本原理如下。
(1)构造样本。
式中：xij为第i组样本数据中的第j个变量的值，i＝1,2,3,…,n，j＝1,2,3,…,p。
(2)对样本矩阵X进行正指标变换得
(3)对Y做标准化变换得到标准化矩阵Z。
式中：为Y矩阵中第j列的均值，sj为Y矩阵中第j列的标准差。
(4)计算标准化矩阵Z的样本相关系数矩阵R。
(5)求矩阵R的特征值，解得P个特征值λ1≥λ2≥…≥λp≥0。
|R-λIp|＝0 (7)
(6)确定主成分的个数m，使信息的利用率达到99.95％以上，确定方法为：
对每个λj,j＝1,2,…,m，解方程组Rb＝λjb，得单位特征向量：
式中：b为矩阵R的特征向量。
(7)求出Zi＝(zi1,zi2,…,zip)T的m个主成分分量：得到决策矩阵U。
式中：ui表示第i个变量的主成份向量。
(8)样本矩阵X经主成分分析后的矩阵T＝XU。
将经过数据预处理后的原始数据做主成分分析。到累计贡献值大于99.95％的n个主要成分，如图1所示。
4)建立汽轮机低压缸排汽焓的神经网络预测模型
用经过主成分分析后的n个主要成分作为BP神经网络的输入变量，汽轮机排汽焓作为输出变量，建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型，如图2所示。
5)基于主成分分析与神经网络复合模型的汽轮机低压缸排汽焓计算模型的训练
BP神经网络模型选取的函数如表2所示，训练步长为10，训练精度为10-5。
表2 BP神经网络函数表
BP神经网络经过50000步的训练，训练误差趋于平稳，达到了工程要求值。
6)模型的储存与调用
为了方便在线计算时调用训练好的汽轮机低压缸排汽焓计算模型，需要将训练好的模型储存起来，在实时计算时直接调用训练好的模型即可。
Claims (6)
1.一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，其特征在于，包括以下步骤：
1)收集汽轮机运行工况的历史数据并进行数据预处理；
2)对输入变量做主成分分析，得到n个主要成分；
3)建立汽轮机低压缸排汽焓的神经网络预测模型；
4)基于主成分分析与神经网络复合模型对汽轮机低压缸排汽焓计算模型进行训练；
5)将训练好的模型储存起来，在实时计算时直接调用训练好的模型即可。
2.根据权利要求1所述的一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，其特征在于，步骤1)的具体实现方法如下：
提取汽轮机运行工况下的历史数据，包括由机组负荷、主蒸汽流量、主汽压力、主汽温度、调节级后压力和温度、中压缸进汽压力和进汽温度组成的进汽参数，由高压缸排汽压力和排汽温度、低压缸排汽和排汽温度组成的排汽参数，由汽轮机第一级到第八级抽汽压力和抽汽温度组成的抽汽参数，以及汽轮机低压缸排汽焓试验数据，并对历史数据进行五阶不加权证实法数据预处理，剔除坏点。
3.根据权利要求2所述的一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，其特征在于，步骤2)的具体实现方法如下：
主成分分析通过把分量相关的随机变量转换为分量不相关的新的随机变量，得到累计贡献值大于99.95％的n个主要成分，计算模型如下：
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>B</mi>
<mo>&CenterDot;</mo>
<mover>
<mi>Y</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>Y</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：为预测值；为原始数据；B为系数矩阵。
4.根据权利要求3所述的一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，其特征在于，步骤3)中，用经过主成分分析后的n个主要成分作为BP神经网络的输入变量，汽轮机排汽焓作为输出变量，建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型。
5.根据权利要求4所述的一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，其特征在于，步骤3)的具体实现方法如下：
(1)构造样本
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mi>n</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：xij为第i组样本数据中的第j个变量的值，i＝1,2,3,…,n，j＝1,2,3,…,p；
(2)对样本矩阵X进行正指标变换得Y＝[yij]n×p；
(3)对Y做标准化变换得到标准化矩阵Z；
<mrow>
<mi>Z</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>z</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>z</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>z</mi>
<mi>n</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>z</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>z</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>z</mi>
<mrow>
<mn>1</mn>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>z</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>z</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>z</mi>
<mrow>
<mn>2</mn>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mi>p</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中： 为Y矩阵中第j列的均值，sj为Y矩阵中第j列的标准差；
(4)计算标准化矩阵Z的样本相关系数矩阵R；
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>z</mi>
<mi>T</mi>
</msup>
<mi>z</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
(5)求矩阵R的特征值，解得P个特征值λ1≥λ2≥…≥λp≥0；
|R-λIp|＝0 (7)
(6)确定主成分的个数m，使信息的利用率达到99.95％以上，确定方法为：
<mrow>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>&GreaterEqual;</mo>
<mn>0.9995</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
对每个λj,j＝1,2,…,m，解方程组Rb＝λjb，得单位特征向量：
<mrow>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mn>0</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：b为矩阵R的特征向量；
(7)求出Zi＝(zi1,zi2,…,zip)T的m个主成分分量：得到决策矩阵U；
<mrow>
<mi>U</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>u</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>u</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>u</mi>
<mi>p</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>p</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：ui表示第i个变量的主成份向量；
(8)样本矩阵X经主成分分析后的矩阵T＝XU；
将经过数据预处理后的原始数据做主成分分析，到累计贡献值大于99.95％的n个主要成分。
6.根据权利要求5所述的一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，其特征在于，步骤4)的具体实现方法如下：
BP神经网络模型选取的函数如表1所示，训练步长为10，训练精度为10-5；
表1 BP神经网络函数表
BP神经网络经过50000步的训练，训练误差趋于平稳，达到工程要求值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711124397.5A CN107908865A (zh) | 2017-11-14 | 2017-11-14 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711124397.5A CN107908865A (zh) | 2017-11-14 | 2017-11-14 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107908865A true CN107908865A (zh) | 2018-04-13 |
Family
ID=61844092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711124397.5A Pending CN107908865A (zh) | 2017-11-14 | 2017-11-14 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107908865A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
| CN109404069A (zh) * | 2018-12-13 | 2019-03-01 | 中国能源建设集团广东省电力设计研究院有限公司 | 汽轮机回热系统 |
| CN109523139A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 |
| CN109973159A (zh) * | 2019-04-03 | 2019-07-05 | 内蒙古国华呼伦贝尔发电有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
| CN110032791A (zh) * | 2019-04-08 | 2019-07-19 | 西安热工研究院有限公司 | 基于广义回归神经网络的汽轮机低压缸效率实时计算方法 |
| CN110188380A (zh) * | 2019-04-18 | 2019-08-30 | 中国神华能源股份有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
| CN110348053A (zh) * | 2019-06-10 | 2019-10-18 | 武汉市政工程设计研究院有限责任公司 | 一种汽轮机低压缸排汽焓确定方法、装置和存储介质 |
| CN111539154A (zh) * | 2020-04-16 | 2020-08-14 | 哈尔滨工业大学 | 一种汽轮机运行性能变化的定量评估方法 |
| CN113806346A (zh) * | 2021-08-25 | 2021-12-17 | 浙江浙能台州第二发电有限责任公司 | 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101813562A (zh) * | 2010-03-18 | 2010-08-25 | 华北电力大学 | 一种实时估计汽轮机低压缸排汽焓的方法 |
| CN101872181A (zh) * | 2009-04-22 | 2010-10-27 | 韩国电力公社 | 用于发电厂设备性能监测的预测方法 |
| CN106503312A (zh) * | 2016-10-10 | 2017-03-15 | 西安交通大学 | 一种基于神经网络算法的叶根应力分析方法 |
| CN106936627A (zh) * | 2016-09-28 | 2017-07-07 | 清华大学 | 一种基于大数据分析挖掘的火电设备性能监测方法 |
-
2017
- 2017-11-14 CN CN201711124397.5A patent/CN107908865A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101872181A (zh) * | 2009-04-22 | 2010-10-27 | 韩国电力公社 | 用于发电厂设备性能监测的预测方法 |
| US20100274745A1 (en) * | 2009-04-22 | 2010-10-28 | Korea Electric Power Corporation | Prediction method for monitoring performance of power plant instruments |
| CN101813562A (zh) * | 2010-03-18 | 2010-08-25 | 华北电力大学 | 一种实时估计汽轮机低压缸排汽焓的方法 |
| CN106936627A (zh) * | 2016-09-28 | 2017-07-07 | 清华大学 | 一种基于大数据分析挖掘的火电设备性能监测方法 |
| CN106503312A (zh) * | 2016-10-10 | 2017-03-15 | 西安交通大学 | 一种基于神经网络算法的叶根应力分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 董学育 等: "电站性能分析采样数据的可靠性检验方法", 《动力工程》 * |
| 郭江龙 等: "基于BP神经网络的汽轮机排汽焓在线计算方法", 《热能动力工程》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
| CN109523139A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 |
| CN109523139B (zh) * | 2018-10-30 | 2021-01-19 | 西安交通大学 | 基于机器学习模型与智能优化算法的汽轮机调峰控制方法 |
| CN109404069A (zh) * | 2018-12-13 | 2019-03-01 | 中国能源建设集团广东省电力设计研究院有限公司 | 汽轮机回热系统 |
| CN109404069B (zh) * | 2018-12-13 | 2021-07-16 | 广东天安项目管理有限公司 | 汽轮机回热系统 |
| CN109973159A (zh) * | 2019-04-03 | 2019-07-05 | 内蒙古国华呼伦贝尔发电有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
| CN110032791A (zh) * | 2019-04-08 | 2019-07-19 | 西安热工研究院有限公司 | 基于广义回归神经网络的汽轮机低压缸效率实时计算方法 |
| CN110032791B (zh) * | 2019-04-08 | 2023-04-07 | 西安热工研究院有限公司 | 基于广义回归神经网络的汽轮机低压缸效率实时计算方法 |
| CN110188380A (zh) * | 2019-04-18 | 2019-08-30 | 中国神华能源股份有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
| CN110348053A (zh) * | 2019-06-10 | 2019-10-18 | 武汉市政工程设计研究院有限责任公司 | 一种汽轮机低压缸排汽焓确定方法、装置和存储介质 |
| CN111539154A (zh) * | 2020-04-16 | 2020-08-14 | 哈尔滨工业大学 | 一种汽轮机运行性能变化的定量评估方法 |
| CN113806346A (zh) * | 2021-08-25 | 2021-12-17 | 浙江浙能台州第二发电有限责任公司 | 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108647809A (zh) | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 | |
| CN106682376B (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 | |
| CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
| CN108494021A (zh) | 电-热-气综合能源系统的稳定评估与静态控制方法 | |
| CN104778378B (zh) | 一种油气田产量递减影响因素分析方法 | |
| CN103401236B (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
| CN105303468A (zh) | 一种基于主成分聚类分析的智能电网建设综合评价方法 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN105201565B (zh) | 一种基于母管制的多机组汽轮机蒸汽流量实时分配方法 | |
| CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN109299507A (zh) | 一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法 | |
| CN106056235A (zh) | 基于古林法物元可拓模型的输电网效率效益检测方法 | |
| CN102135021A (zh) | 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN105846448A (zh) | 一种基于随机矩阵理论的配电网无功补偿容量确定方法 | |
| CN103544527B (zh) | 超超临界汽轮机fcb工况下除氧器水位的预测方法 | |
| CN107966600A (zh) | 一种基于深度学习算法的防窃电系统及其防窃电方法 | |
| CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
| CN102494895A (zh) | 对电站汽轮机组节能及优化的分析方法 | |
| CN107066770A (zh) | 基于gpu加速的工业装置蒸汽系统在线优化方法 | |
| Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
| CN108345726A (zh) | 基于互信息和软仪表误差的输入变量自动选择方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
| RJ01 | Rejection of invention patent application after publication |