CN110032791B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110032791B
CN110032791B CN201910276279.9A CN201910276279A CN110032791B CN 110032791 B CN110032791 B CN 110032791B CN 201910276279 A CN201910276279 A CN 201910276279A CN 110032791 B CN110032791 B CN 110032791B
Authority
CN
China
Prior art keywords
neural network
pressure cylinder
low
efficiency
generalized regression
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
Application number
CN201910276279.9A
Other languages
English (en)
Other versions
CN110032791A (zh
Inventor
何欣欣
薛志恒
陈会勇
雷少博
付昶
王伟锋
吴涛
裴东升
赵杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN201910276279.9A priority Critical patent/CN110032791B/zh
Publication of CN110032791A publication Critical patent/CN110032791A/zh
Application granted granted Critical
Publication of CN110032791B publication Critical patent/CN110032791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种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，该方法首先收集汽轮机热力性能试验报告中的试验数据，通过主成分分析方法对原始数据进行分析得到对低压缸效率产生主要影响的N个主要成分，然后将这N个主要成分作为广义回归神经网络的输入数据，低压缸效率作为输出数据，建立基于广义回归神经网络的汽轮机低压缸效率实时计算模型，同时利用性能试验数据对模型进行训练得到模型参数，最后通过实时读取DCS系统中的运行数据并输入模型计算低压缸效率。本发明通过采用热力性能试验数据和主成分分析方法相结合，大幅提高了汽轮机低压缸效率实时计算的精度和速度。

Description

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
技术领域
本发明属于火电机组汽轮机发电技术领域，尤其涉及一种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。
背景技术
随着发电行业逐步向智能化方向发展，对汽轮机组在线性能监测结果的准确性提出了更高的要求。
汽轮机低压缸效率的变化对汽轮机经济性有重大影响。低压缸排汽往往处于湿蒸汽区域，目前尚不具备测量蒸汽湿度的有效手段，因此无法利用仪器直接测量其焓值，从而制约了低压缸效率的实时计算，进而影响汽轮机组性能的在线监测。
现有的汽轮机低压缸效率计算方法在不同程度上存在一定的局限性。能量平衡法计算过程复杂、所需要的输入数据多，导致计算量大，实时性差。曲线外推法计算低压缸排汽焓，在低负荷时计算精度差。等效焓降法不适用于负荷变化较大的工况。
发明内容
本发明的目的在于提供一种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，该方法通过主成分分析方法，合理确定广义回归神经网络的输入变量，建立了基于广义回归神经网络的低压缸效率实时计算模型；通过使用热力性能试验的数据对模型进行训练获得模型参数，从而实现对汽轮机低压缸效率的准确计算；通过实时获取DCS系统的运行数据，从而实现汽轮机低压缸效率，进而实现汽轮机组的在线性能监测。
本发明采用如下技术方案来实现的：
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，包括以下步骤：
1)收集汽轮机热力性能试验报告中的试验数据；
2)对试验数据进行主成分分析，获取N个主要成分；
3)建立基于广义回归神经网络的低压缸效率计算模型；
4)对低压缸效率计算模型进行训练并存储；
5)从DCS系统中实时读取运行数据；
6)计算低压缸效率。
本发明进一步的改进在于，在步骤1)中，收集相同生产厂家、相同型号的汽轮机热力性能试验报告，提取性能试验数据，参数包括机组负荷、主蒸汽流量、主蒸汽压力和温度、调节级后压力和温度、高压缸进汽压力和温度、中压缸进汽压力和温度、低压缸进汽压力和温度、汽轮机各级的抽汽压力和温度，以及通过热力计算得到的低压缸效率。
本发明进一步的改进在于，在步骤2)中，对步骤1)收集的原始数据进行主成分分析，得到贡献值达到95％的N个主要成分。
本发明进一步的改进在于，步骤2)的具体实现方法如下：
201)对步骤1)中收集的原始数据进行标准化：
Figure BDA0002020138580000021
式中：Xi为第i个样本的值，Xavg为第i个样本的平均值，S为样本的方差；
202)计算相关系数矩阵R：
Figure BDA0002020138580000022
式中：rij为xi与xj之间的相关系数，i,j＝1,2,...,p，且满足rij＝rij，rij的计算公式为：
Figure BDA0002020138580000031
203)计算矩阵R的p个特征值并按照大小顺序排列：
λ1≥λ2≥…≥λp≥0
式中：λi为矩阵R的特征值；
204)计算累积贡献率：
Figure BDA0002020138580000032
205)确定主成分的个数N，使得累计贡献率达到95％：
Figure BDA0002020138580000033
本发明进一步的改进在于，在步骤3)中，依照步骤2)中确定的对低压缸效率产生主要影响的N个主要成分，将步骤1)中提取的N个主要成分的试验数据作为广义回归神经网络的输入数据，将低压缸效率的试验数据作为广义回归神经网络的输出数据，建立基于广义回归神经网络计算模型的低压缸效率计算模型。
本发明进一步的改进在于，步骤4)的具体实现方法如下：
401)在MATLAB工具箱中，广义回归神经网络的函数调用格式为：
net＝newgrnn(P,T,SPREAD)
式中：netgrnn为创建并训练广义回归神经网络的函数指令，P为输入数据矩阵，T为输出数据矩阵，SPREAD为径向基函数扩展函数，默认值为1.0；
402)保存神经网络的函数调用格式为：
save example net
式中：save为保存神经网络的函数指令，example为神经网络的名称，net为创建并训练好的广义回归神经网络。
本发明进一步的改进在于，在步骤5)中，依照步骤2)中确定的对低压缸效率产生主要影响的N个主要成分，从DCS系统中实时读取N个主要成分的运行数据。
本发明进一步的改进在于，步骤5)的具体实现方法如下：
501)载入已存储神经网络的函数调用格式为：
load example net
式中：load为载入神经网络的函数指令，example已存储的神经网络名称；
502)调用神经网络的函数调用格式为：
Tcal＝sim(net,Pcal)
式中：sim为调用神经网络的函数指令，Pcal为输入的运行数据，Tcal为计算得到低压缸效率。
本发明进一步的改进在于，在步骤6)中，选择与运行机组相同生产厂家、相同型号的低压缸效率计算模型并载入，将步骤5)中读取的运行数据输入步骤3)中建立的低压缸效率计算模型得到机组实时运行的低压缸效率。
本发明具有如下有益的技术效果：
1、实现了神经网络算法对低压缸效率的计算，避免了传统算法的局限性；
2、通过主成分分析提取对低压缸效率产生主要影响的成分，能够合理地确定神经网络的输入变量，提高了计算速度；
3、采用热力性能试验的数据对模型进行训练，提高了计算精度。
附图说明
图1为本发明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的流程图；
图2为相主成分分析的原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
如图1所示，本发明提供的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，包括以下步骤。
1、收集相同生产厂家、相同型号的汽轮机热力性能试验报告，提取性能试验数据，参数包括机组负荷、主蒸汽流量、主蒸汽压力和温度、调节级后压力和温度、高压缸进汽压力和温度、中压缸进汽压力和温度、低压缸进汽压力和温度、汽轮机各级的抽汽压力和温度，以及通过热力计算得到的低压缸效率。
2、对步骤1收集的原始数据进行主成分分析，得到贡献值达到95％的N个主要成分。具体步骤如下：
201)对步骤1中收集的原始数据进行标准化：
Figure BDA0002020138580000051
式中：Xi为第i个样本的值，Xavg为第i个样本的平均值，S为样本的方差。
202)计算相关系数矩阵R：
Figure BDA0002020138580000052
式中：rij(i,j＝1,2,...,p)为xi与xj之间的相关系数，且满足rij＝rij，rij的计算公式为：
Figure BDA0002020138580000061
203)计算矩阵R的p个特征值并按照大小顺序排列：
λ1≥λ2≥…≥λp≥0
式中：λi(i＝1,2,…,p)为矩阵R的特征值。
204)计算累积贡献率：
Figure BDA0002020138580000062
205)确定主成分的个数N，使得累计贡献率达到95％：
Figure BDA0002020138580000063
3、依照步骤2中确定的对低压缸效率产生主要影响的N个主要成分，将步骤1中提取的N个主要成分的试验数据作为广义回归神经网络的输入数据，将低压缸效率的试验数据作为广义回归神经网络的输出数据，建立基于广义回归神经网络计算模型的低压缸效率计算模型。
4、对步骤3中建立的低压缸效率计算模型进行训练并存储。具体步骤如下：
401)在MATLAB工具箱中，广义回归神经网络的函数调用格式为：
net＝newgrnn(P,T,SPREAD)
式中：netgrnn为创建并训练广义回归神经网络的函数指令，P为输入数据矩阵，T为输出数据矩阵，SPREAD为径向基函数扩展函数，默认值为1.0。
402)保存神经网络的函数调用格式为：
save example net
式中：save为保存神经网络的函数指令，example为神经网络的名称，net为创建并训练好的广义回归神经网络。
4、依照步骤2中确定的对低压缸效率产生主要影响的N个主要成分，从DCS系统中实时读取N个主要成分的运行数据。
5、选择与运行机组相同生产厂家、相同型号的低压缸效率计算模型并载入，将步骤4中读取的运行数据输入步骤3中建立的低压缸效率计算模型得到机组实时运行的低压缸效率。具体步骤如下：
501)载入已存储神经网络的函数调用格式为：
load example net
式中：load为载入神经网络的函数指令，example已存储的神经网络名称。
502)调用神经网络的函数调用格式为：
Tcal＝sim(net,Pcal)
式中：sim为调用神经网络的函数指令，Pcal为输入的运行数据，Tcal为计算得到低压缸效率。

Claims (5)

1.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，其特征在于，包括以下步骤：
1)收集汽轮机热力性能试验报告中的试验数据；收集相同生产厂家、相同型号的汽轮机热力性能试验报告，提取性能试验数据，参数包括机组负荷、主蒸汽流量、主蒸汽压力和温度、调节级后压力和温度、高压缸进汽压力和温度、中压缸进汽压力和温度、低压缸进汽压力和温度、汽轮机各级的抽汽压力和温度，以及通过热力计算得到的低压缸效率；
2)对步骤1)收集的原始数据进行主成分分析，得到贡献值达到95％的N个主要成分；具体实现方法如下：
201)对步骤1)中收集的原始数据进行标准化：
Figure FDA0003925340660000011
式中：Xi为第i个样本的值，Xavg为第i个样本的平均值，S为样本的方差；
202)计算相关系数矩阵R：
Figure FDA0003925340660000012
式中：rij为xi与xj之间的相关系数，i,j＝1,2,...,p，且满足rij＝rij，rij的计算公式为：
Figure FDA0003925340660000013
203)计算矩阵R的p个特征值并按照大小顺序排列：
λ1≥λ2≥…≥λp≥0
式中：λi为矩阵R的特征值；
204)计算累积贡献率：
Figure FDA0003925340660000021
205)确定主成分的个数N，使得累计贡献率达到95％：
Figure FDA0003925340660000022
3)建立基于广义回归神经网络的低压缸效率计算模型；依照步骤2)中确定的对低压缸效率产生主要影响的N个主要成分，将步骤1)中提取的N个主要成分的试验数据作为广义回归神经网络的输入数据，将低压缸效率的试验数据作为广义回归神经网络的输出数据，建立基于广义回归神经网络计算模型的低压缸效率计算模型；
4)对低压缸效率计算模型进行训练并存储；
5)从DCS系统中实时读取运行数据；
6)计算低压缸效率。
2.根据权利要求1所述的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，其特征在于，步骤4)的具体实现方法如下：
401)在MATLAB工具箱中，广义回归神经网络的函数调用格式为：
net＝newgrnn(P,T,SPREAD)
式中：netgrnn为创建并训练广义回归神经网络的函数指令，P为输入数据矩阵，T为输出数据矩阵，SPREAD为径向基函数扩展函数，默认值为1.0；
402)保存神经网络的函数调用格式为：
save example net
式中：save为保存神经网络的函数指令，example为神经网络的名称，net为创建并训练好的广义回归神经网络。
3.根据权利要求2所述的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，其特征在于，在步骤5)中，依照步骤2)中确定的对低压缸效率产生主要影响的N个主要成分，从DCS系统中实时读取N个主要成分的运行数据。
4.根据权利要求3所述的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，其特征在于，步骤5)的具体实现方法如下：
501)载入已存储神经网络的函数调用格式为：
load example net
式中：load为载入神经网络的函数指令，example已存储的神经网络名称；
502)调用神经网络的函数调用格式为：
Tcal＝sim(net,Pcal)
式中：sim为调用神经网络的函数指令，Pcal为输入的运行数据，Tcal为计算得到低压缸效率。
5.根据权利要求4所述的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，其特征在于，在步骤6)中，选择与运行机组相同生产厂家、相同型号的低压缸效率计算模型并载入，将步骤5)中读取的运行数据输入步骤3)中建立的低压缸效率计算模型得到机组实时运行的低压缸效率。
CN201910276279.9A 2019-04-08 2019-04-08 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 Active CN110032791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910276279.9A CN110032791B (zh) 2019-04-08 2019-04-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910276279.9A CN110032791B (zh) 2019-04-08 2019-04-08 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

Publications (2)

Publication Number Publication Date
CN110032791A CN110032791A (zh) 2019-07-19
CN110032791B true CN110032791B (zh) 2023-04-07

Family

ID=67237754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910276279.9A Active CN110032791B (zh) 2019-04-08 2019-04-08 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

Country Status (1)

Country Link
CN (1) CN110032791B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099029B (zh) * 2022-06-21 2024-03-12 上海电气集团股份有限公司 一种超临界火电机组缸效率变化对热耗率影响的计算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN107704958A (zh) * 2017-09-30 2018-02-16 渤海大学 一种多变量建模的火电厂发电量预测方法
CN107908865A (zh) * 2017-11-14 2018-04-13 西安热工研究院有限公司 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) * 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN107704958A (zh) * 2017-09-30 2018-02-16 渤海大学 一种多变量建模的火电厂发电量预测方法
CN107908865A (zh) * 2017-11-14 2018-04-13 西安热工研究院有限公司 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) * 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
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;杨斌等;《中国电力》;20180105(第01期);全文 *

Also Published As

Publication number Publication date
CN110032791A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
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
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
US7890296B2 (en) Method of analyzing the performance of gas turbine engines
CN111581821B (zh) 一种基于实测性能参数的供热机组调峰能力确定方法
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
CN104794297A (zh) 一种消除汽轮机调速系统模型中失真的方法
CN114577484B (zh) 一种核心机试验性能修正方法
CN108960492A (zh) 一种基于pso-svr软测量模型的汽轮机排汽焓预测方法
CN110032791B (zh) 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
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN118194607B (zh) 一种用于锅炉机组数据动态建模方法及系统
CN116109019A (zh) 一种基于随机森林的气井日产气量预测方法及设备
CN113107675B (zh) 一种基于功率平衡的核心机涡轮前温度确定方法
CN113191071B (zh) 一种虚拟标定发动机模型的方法及其相关装置
CN116702373A (zh) 一种汽轮机在线寻优及分析系统
CN101949716B (zh) 火电机组能耗数据有效性识别及重构方法
CN105740559A (zh) 一种燃气轮机实时能效寻优方法
CN201477446U (zh) 汽轮机数字电液控制系统试验装置
KR100752765B1 (ko) 복합화력 발전소의 운전제어가능 파라미터의 실시간영향산출 시스템 및 방법
CN115450710B (zh) 汽轮机滑压运行优化方法
CN116090648A (zh) 一种直接空冷机组背压优化方法、系统、终端及存储介质
CN100366876C (zh) 燃气-蒸汽联合循环发电站运行效率在线解析方法和系统
CN114444394B (zh) 一种基于数据驱动的压气机性能退化预测算法
CN116257943A (zh) 一种核电汽轮机压力参数仿真方法
CN111720178B (zh) 一种基于供电煤耗和投资收益率关联性的燃煤发电机组冷端优化统计分析方法

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