CN114936516A - 一种汽轮机轴系振动的预测方法和设备 - Google Patents

一种汽轮机轴系振动的预测方法和设备 Download PDF

Info

Publication number
CN114936516A
CN114936516A CN202210459800.4A CN202210459800A CN114936516A CN 114936516 A CN114936516 A CN 114936516A CN 202210459800 A CN202210459800 A CN 202210459800A CN 114936516 A CN114936516 A CN 114936516A
Authority
CN
China
Prior art keywords
neural network
elman neural
network model
steam turbine
optimized
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
Application number
CN202210459800.4A
Other languages
English (en)
Inventor
李洪涛
李峰
江海兵
李允超
晁现军
王永江
郭英
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.)
Huaneng Qufu Thermal Power Co Ltd
Original Assignee
Huaneng Qufu Thermal Power 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 Huaneng Qufu Thermal Power Co Ltd filed Critical Huaneng Qufu Thermal Power Co Ltd
Priority to CN202210459800.4A priority Critical patent/CN114936516A/zh
Publication of CN114936516A publication Critical patent/CN114936516A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Turbines (AREA)

Abstract

本发明公开了一种汽轮机轴系振动的预测方法和设备，该方法包括：基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；将优化权值和优化阈值代入Elman神经网络模型，并基于BP算法对优化权值和优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；当接收到用户的预测指令时，将与输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果，从而更加高效和准确的对汽轮机轴系振动进行预测，进而提升了汽轮发电机组的安全性和稳定性。

Description

一种汽轮机轴系振动的预测方法和设备
技术领域
本申请涉及发电厂技术领域，更具体地，涉及一种汽轮机轴系振动的预测方法和设备。
背景技术
汽轮机是现代火力发电厂的主要设备。汽轮机振动监测及评价一直是保证电厂安全运行的关键。如果能够通过分析汽轮机振动情况，尽早发现导致机组异常振动的原因，指导运行人员采取措施，将会有效的保证设备安全稳定运行。
Elman神经网络属于一种具有局部记忆单元和局部反馈连接的递归神经网络，该网络结构能在有限时间内逼近任意函数，其动态记忆性使其具有时域和空域模式的学习能力，对于时序预测问题及复杂网络的数据处理具有很好的解决能力。如图2所示，Elman神经网络一般分为4层：输入层、隐层、承接层和输出层，隐层单元的传递函数可采用线性或非线性函数，承接层可当作一个一步延时算子，因此，可利用Elman神经网络对汽轮机轴系振动进行预测。
然而，Elman神经网络普遍采用基于梯度下降法的BP算法进行权值修正，这类算法存在网络的收敛速度较慢、训练结果存在一定的随机性、容易出现局部极小值等不足，难以使网络初始权值分布在一个较好的局部解空间内。
因此，如何提高对汽轮机轴系振动进行预测的效率和准确性，进而提升汽轮发电机组的安全性和稳定性，是目前有待解决的技术问题。
发明内容
本发明公开了一种汽轮机轴系振动的预测方法，用以解决现有技术中对汽轮机轴系振动进行预测时效率低，准确性差的技术问题。该方法包括：
构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点；
基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；
将所述优化权值和所述优化阈值代入Elman神经网络模型，并基于BP算法对所述优化权值和所述优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；
当接收到用户的预测指令时，将与所述输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果；
其中，所述预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的。
相应的，本发明还提出了一种汽轮机轴系振动的预测设备，所述设备包括：
建模单元，用于构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点；
训练单元，用于基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；
修正单元，用于将所述优化权值和所述优化阈值代入Elman神经网络模型，并基于BP算法对所述优化权值和所述优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；
预测单元，用于当接收到用户的预测指令时，将与所述输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果；
其中，所述预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的。
通过应用以上技术方案，用PSO算法对Elman神经网络的初始权值分布和初始阈值进行优化，在解空间中定位出一个较好的搜索空间，然后采用BP算法在该较好的搜索空间中搜索出最优解，提高了预测值的精度和泛化能力，从而更加高效和准确的对汽轮机轴系振动进行预测，进而提升了汽轮发电机组的安全性和稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种汽轮机轴系振动的预测方法的流程示意图；
图2示出了Elman神经网络结构示意图；
图3示出了本发明实施例中汽轮机轴系结构示意图；
图4示出了本发明实施例提出的一种汽轮机轴系振动的预测设备的结构示意图。
图3中，1、高中压转子；2、第一低压转子；3、第二低压转子；4、发电机转子；5、励磁机；6、#1号轴承；7、#2号轴承；8、#3号轴承；9、#4号轴承；10、#5号轴承；11、#6号轴承；12、#7号轴承；13、#8号轴承；14、#9号轴承。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种汽轮机轴系振动的预测方法，首先用PSO(Particle SwarmOptimization，粒子群优化)算法对Elman神经网络的初始权值分布和初始阈值进行优化，在解空间中定位出一个较好的搜索空间，然后采用BP(back propagation，反向传播)算法在该较好的搜索空间中搜索出最优解，提高了预测值的精度和泛化能力。如图1所示，该方法包括以下步骤：
步骤S101，构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点。
本实施例中，Elman神经网络模型的主要结构是前馈连接,包括输入层、隐层、输出层,其连接权值可以进行学习修正；反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值，其连接权值是固定的。其通过在隐层网络中增加了一个承接层，使其作为延时单元，将上一时刻的隐层状态进行记忆存储，并连同当前时刻的网络输入一并作为新的隐层输入，隐层的传递函数仍为某种非线性函数，输出层为线性函数,关联层也为线性函数。这一局部回归特点使得该网络对历史数据具有更好的敏感性。
Elman神经网络的主要模型公式可以表示为：
Figure BDA0003620144520000041
Figure BDA0003620144520000042
ci(t)＝hi(t-1) (3)
式(1)-(3)中：y表示输出层向量；xj表示输入层向量；hi表示隐层向量；ci表示承接层向量；G(·)F(·)分别为输出层和隐层的传递函数，w1w2w3为连接权值；t和t-1代表当前和上一时刻的神经网络状态。
汽轮机包括高压缸和中压缸，高调门用于调节汽轮机的高压缸进汽，中压调门用于调节中压缸的进汽。由于不同汽轮机的负荷值、各高调门开度值、各中调门开度值均会对汽轮机各轴承的振动产生影响，本实施例基于负荷值、各高调门开度值和各中调门开度值对汽轮机轴系上指定轴承的振动值进行预测，将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点。
为了得到更加准确的Elman神经网络模型，在本申请一些实施例中，各高调门开度值为4个高调门的开度值，各中调门开度值为4个中调门的开度值，所述指定轴承为汽轮机所属汽轮发电机组的9个轴承中的#1～#8号轴承，Elman神经网络模型的输入层节点为9个，隐层节点为14个，输出层节点为8个。
本实施例中，汽轮机包括4个高调门和4个中调门，汽轮机所属汽轮发电机组包括9个轴承，指定轴承为9个轴承中的#1～#8号轴承。因此，Elman分别取负荷值、4个高调门开度值(GV1、GV2、GV3、GV4的开度值)、4个中调门开度值(IV1、IV2、IV3、IV4的开度值)9个参数作为Elman神经网络的输入层节点，#1～#8号轴承的振动值8个参数作为Elman神经网络的输出层节点。
如图3所示，高中压转子1支撑在#1号轴承6和#2号轴承7上，第一低压转子2支撑在#3号轴承8和#4号轴承9上，第二低压转子3支撑在#5号轴承10和#6号轴承11上，发电机转子4支撑在#7号轴承12和#8号轴承13上，发电机转子4后部外伸端是励磁机5，励磁机5另一端是#9号轴承14。其中，高中压转子1、第一低压转子2和第二低压转子3之间为刚性对轮连接，#2号轴承为推力支持联合轴承，各轴承均采用椭圆瓦。
本实施例中，隐层节点的数量可通过经验公式与试验相结合的方式确定，在具体的应用场景中，先取隐层节点的数量为12、13、14、15个，经试验验证，发现隐层节点的数量为14时，网络的预测误差最小，预测性能最好，因此，在Elman神经网络模型中采用14个隐层节点。
本领域技术人员可根据实际需要对本申请实施例中各层节点进行增减来构建Elman神经网络模型，这并不影响本申请的保护范围。
步骤S102，基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值。
本实施例中，预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的，可选的，在本申请一些实施例中，以汽轮机在冲转工况、最大工况、额定工况、90％工况和80％工况下的历史运行数据作为网络训练样本，再以汽轮机在70％工况、60％工况、50％工况下的历史运行数据作为检验样本。
在训练神经网络时，其所有权值和阈值最初都设置为随机值。在训练期间，权值和阈值会不断调整，直到具有相同标签的训练数据始终产生相似的输出。
PSO算法采用速度—位置搜索模型，将每个微粒比做一个没有质量和体积但具有速度和位置的点，粒子在搜索空间以一定的速度飞行，飞行速度根据飞行经验进行动态调整。
假设在一个D维的目标搜索空间中，由m个粒子组成一个粒子群体，其中第i个粒子的空间位置表示为一个D维的向量Xi＝(xi1，xi2，...，xid)，第i个粒子的飞行速度记为Vi＝(vi1，vi2，...，vid)，i＝1，2，...，m，记第i个粒子迄今为止搜索到的最优值pbest的位置为Pi＝(pi1，pi2，...，pid)，整个粒子群迄今为止搜索到的最优值gbest的位置为Pg＝(pg1，pg2，...，pgd)，PSO算法采用下述公式(4)对粒子进行操作：
Figure BDA0003620144520000061
其中，i＝1，2，...，m；d＝1，2，...，D；c1和c2是学习因子，分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长，通常令c1＝c2＝2；两个rand( )是独立的介于[0，1]之间的随机数；第d维的位置xid∈[-xmaxd，xmaxd]，速度vid∈[-vmaxd，vmaxd]，迭代中若位置和速度超过边界范围则取边界值；迭代中止条件根据具体问题一般选为最大迭代次数或粒子群适应值最小标准误差。w为惯性权重，为非负数，常取0.4～1.2，但若w能随算法迭代的进行而线形减小将显著改善算法的收敛性能.令wmax为最大加权系数，wmin为最小加权系数，iter为当前迭代次数，itermax为算法总迭代次数，则有：
Figure BDA0003620144520000062
粒子群初始位置和速度随机产生，然后按式(4)进行迭代，直至找到满意解。
本实施例中，在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化，并得到优化后的优化权值和优化阈值，从而在解空间中定位出一个较好的搜索空间。
为了得到准确的优化权值和优化阈值，在本申请一些实施例中，在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值，具体为：
将所述初始权值和所述初始阈值作为参变量进行实数编码；
在实数编码的解空间中随机生成初始种群；
对所述初始种群中每个粒子进行适应度评价，并更新粒子个体最好位置和全局最好位置；
对每个粒子的速度和位置进行更新，产生下一代的粒子群；
在满足迭代停止条件时，在最后一代找到全局最优解的近似解；
对全局最优解的近似解进行解码后得到所述优化权值和所述优化阈值。
本实施例中，如果好于该粒子当前的最好位置的适应度，则更新该粒子个体最好位置；如果所有粒子中的最好位置的适应度好于当前全局最好位置的适应度，则更新全局最好位置。
可选的，迭代停止条件可以为达到预设最大迭代次数或达到预设粒子群适应值最小标准误差。在本申请具体的应用场景中，设定粒子数为100，预设最大迭代次数为1000，wmax＝0.9，wmin＝0.4，c1＝c2＝2。
为了更加准确的进行适应度评价，在本申请一些实施例中，适应度按以下公式得到：
Figure BDA0003620144520000071
其中，J为适应度值，N为所述预设训练样本的样本数，
Figure BDA0003620144520000072
为第i个样本的第j个输出层节点的理想输出值，yji为第i个样本的第j个输出层节点的实际输出值，C为所述输出层节点的个数。
可选的，若将#1～#8号轴承的振动值作为Elman神经网络的输出层节点，则C＝8。
步骤S103，将所述优化权值和所述优化阈值代入Elman神经网络模型，并基于BP算法对所述优化权值和所述优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型。
本实施例中，BP算法将输出以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有节点，从而获得各层节点的误差信号，此误差信号即作为修正各权值和阈值的依据。基于BP算法对经PSO算法优化后的优化权值和优化阈值进行修正，可以在较好的搜索空间中搜索出最优解，提高了预测值的精度和泛化能力。
为了提高预测的准确度，在本申请一些实施例中，Elman神经网络模型中所述输入层节点到隐层节点的激活函数为Tansig函数，所述隐层节点到所述输出层节点的激活函数为Purelin函数。
本领域技术人员可根据实际需要采用其他类型的激活函数，这并不影响本申请的保护范围。
可选的，在本申请具体的应用场景中，预设精度为0.001。
为了减小噪声影响，在本申请一些实施例中，在基于预设训练样本对Elman神经网络模型进行训练之前，所述方法还包括：
对所述预设训练样本进行归一化处理，即：
Figure BDA0003620144520000081
其中，Xmax，Xmin分别为预设训练样本Xi的上、下界值，X为归一化处理后得到的数值。
步骤S104，当接收到用户的预测指令时，将与所述输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果。
本实施例中，当接收到用户的预测指令时，将将与所述输入层节点对应的汽轮机参数(即负荷值、各高调门开度值、各中调门开度值)输入训练完成的Elman神经网络模型，并将训练完成的Elman神经网络模型输出的指定轴承的振动值作为汽轮机轴系振动的预测结果。
用户可根据该预测结果调整高中压调门阀位、阀序，从而抑制汽轮机轴系的振动。
通过应用以上技术方案，构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点；基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；将优化权值和优化阈值代入Elman神经网络模型，并基于BP算法对优化权值和优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；当接收到用户的预测指令时，将与输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果；其中，预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的，从而更加高效和准确的对汽轮机轴系振动进行预测，进而提升了汽轮发电机组的安全性和稳定性。
本申请实施例还提出了一种汽轮机轴系振动的预测设备，如图4所示，所述设备包括：
建模单元401，用于构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点；
训练单元402，用于基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；
修正单元403，用于将所述优化权值和所述优化阈值代入Elman神经网络模型，并基于BP算法对所述优化权值和所述优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；
预测单元404，用于当接收到用户的预测指令时，将与所述输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果；
其中，所述预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的。
在具体的应用场景中，训练单元402，具体用于：
将所述初始权值和所述初始阈值作为参变量进行实数编码；
在实数编码的解空间中随机生成初始种群；
对所述初始种群中每个粒子进行适应度评价，并更新粒子个体最好位置和全局最好位置；
对每个粒子的速度和位置进行更新，产生下一代的粒子群；
在满足迭代停止条件时，在最后一代找到全局最优解的近似解；
对全局最优解的近似解进行解码后得到所述优化权值和所述优化阈值。
在具体的应用场景中，适应度按以下公式得到：
Figure BDA0003620144520000091
其中，J为适应度值，N为所述预设训练样本的样本数，
Figure BDA0003620144520000092
为第i个样本的第j个输出层节点的理想输出值，yji为第i个样本的第j个输出层节点的实际输出值，C为所述输出层节点的个数。
在具体的应用场景中，Elman神经网络模型中所述输入层节点到隐层节点的激活函数为Tansig函数，所述隐层节点到所述输出层节点的激活函数为Purelin函数。
在具体的应用场景中，各高调门开度值为4个高调门的开度值，各中调门开度值为4个中调门的开度值，所述指定轴承为汽轮机所属汽轮发电机组的9个轴承中的#1～#8号轴承，Elman神经网络模型的输入层节点为9个，隐层节点为14个，输出层节点为8个。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种汽轮机轴系振动的预测方法，其特征在于，所述方法包括：
构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点；
基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；
将所述优化权值和所述优化阈值代入Elman神经网络模型，并基于BP算法对所述优化权值和所述优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；
当接收到用户的预测指令时，将与所述输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果；
其中，所述预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的。
2.如权利要求1所述的方法，其特征在于，在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值，具体为：
将所述初始权值和所述初始阈值作为参变量进行实数编码；
在实数编码的解空间中随机生成初始种群；
对所述初始种群中每个粒子进行适应度评价，并更新粒子个体最好位置和全局最好位置；
对每个粒子的速度和位置进行更新，产生下一代的粒子群；
在满足迭代停止条件时，在最后一代找到全局最优解的近似解；
对全局最优解的近似解进行解码后得到所述优化权值和所述优化阈值。
3.如权利要求2所述的方法，其特征在于，适应度按以下公式得到：
Figure FDA0003620144510000011
其中，J为适应度值，N为所述预设训练样本的样本数，
Figure FDA0003620144510000012
为第i个样本的第j个输出层节点的理想输出值，yji为第i个样本的第j个输出层节点的实际输出值，C为所述输出层节点的个数。
4.如权利要求1所述的方法，其特征在于，Elman神经网络模型中所述输入层节点到隐层节点的激活函数为Tansig函数，所述隐层节点到所述输出层节点的激活函数为Purelin函数。
5.如权利要求1所述的方法，其特征在于，各高调门开度值为4个高调门的开度值，各中调门开度值为4个中调门的开度值，所述指定轴承为汽轮机所属汽轮发电机组的9个轴承中的#1～#8号轴承，Elman神经网络模型的输入层节点为9个，隐层节点为14个，输出层节点为8个。
6.一种汽轮机轴系振动的预测设备，其特征在于，所述设备包括：
建模单元，用于构建包括输入层、隐层、承接层和输出层的Elman神经网络模型，并将负荷值、各高调门开度值、各中调门开度值作为Elman神经网络的输入层节点，将汽轮机轴系上指定轴承的振动值作为Elman神经网络的输出层节点；
训练单元，用于基于预设训练样本对Elman神经网络模型进行训练，并在训练时基于PSO算法对Elman神经网络模型的初始权值和初始阈值进行优化并得到优化后的优化权值和优化阈值；
修正单元，用于将所述优化权值和所述优化阈值代入Elman神经网络模型，并基于BP算法对所述优化权值和所述优化阈值进行修正，直至预测误差收敛到预设精度时得到训练完成的Elman神经网络模型；
预测单元，用于当接收到用户的预测指令时，将与所述输入层节点对应的汽轮机参数输入训练完成的Elman神经网络模型，并得到汽轮机轴系振动的预测结果；
其中，所述预设训练样本是根据汽轮机在多个预设工况下的历史运行数据生成的。
7.如权利要求6所述的设备，其特征在于，所述训练单元，具体用于：
将所述初始权值和所述初始阈值作为参变量进行实数编码；
在实数编码的解空间中随机生成初始种群；
对所述初始种群中每个粒子进行适应度评价，并更新粒子个体最好位置和全局最好位置；
对每个粒子的速度和位置进行更新，产生下一代的粒子群；
在满足迭代停止条件时，在最后一代找到全局最优解的近似解；
对全局最优解的近似解进行解码后得到所述优化权值和所述优化阈值。
8.如权利要求7所述的设备，其特征在于，适应度按以下公式得到：
Figure FDA0003620144510000031
其中，J为适应度值，N为所述预设训练样本的样本数，
Figure FDA0003620144510000032
为第i个样本的第j个输出层节点的理想输出值，yji为第i个样本的第j个输出层节点的实际输出值，C为所述输出层节点的个数。
9.如权利要求6所述的设备，其特征在于，Elman神经网络模型中所述输入层节点到隐层节点的激活函数为Tansig函数，所述隐层节点到所述输出层节点的激活函数为Purelin函数。
10.如权利要求6所述的设备，其特征在于，各高调门开度值为4个高调门的开度值，各中调门开度值为4个中调门的开度值，所述指定轴承为汽轮机所属汽轮发电机组的9个轴承中的#1～#8号轴承，Elman神经网络模型的输入层节点为9个，隐层节点为14个，输出层节点为8个。
CN202210459800.4A 2022-04-24 2022-04-24 一种汽轮机轴系振动的预测方法和设备 Pending CN114936516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210459800.4A CN114936516A (zh) 2022-04-24 2022-04-24 一种汽轮机轴系振动的预测方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210459800.4A CN114936516A (zh) 2022-04-24 2022-04-24 一种汽轮机轴系振动的预测方法和设备

Publications (1)

Publication Number Publication Date
CN114936516A true CN114936516A (zh) 2022-08-23

Family

ID=82862081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210459800.4A Pending CN114936516A (zh) 2022-04-24 2022-04-24 一种汽轮机轴系振动的预测方法和设备

Country Status (1)

Country Link
CN (1) CN114936516A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629624A (zh) * 2022-08-31 2023-01-20 华能曲阜热电有限公司 一种电厂给水溶氧智能控制方法及装置
CN116738689A (zh) * 2023-05-26 2023-09-12 中国长江电力股份有限公司 基于Elman模型的水轮发电机组状态健康评估系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629624A (zh) * 2022-08-31 2023-01-20 华能曲阜热电有限公司 一种电厂给水溶氧智能控制方法及装置
CN116738689A (zh) * 2023-05-26 2023-09-12 中国长江电力股份有限公司 基于Elman模型的水轮发电机组状态健康评估系统及方法
CN116738689B (zh) * 2023-05-26 2024-07-16 中国长江电力股份有限公司 基于Elman模型的水轮发电机组状态健康评估系统及方法

Similar Documents

Publication Publication Date Title
CN114936516A (zh) 一种汽轮机轴系振动的预测方法和设备
CN105046374B (zh) 一种基于核极限学习机模型的功率区间预测方法
Mohaghegi et al. A comparison of PSO and backpropagation for training RBF neural networks for identification of a power system with STATCOM
CN112865170B (zh) 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
CN113988481B (zh) 一种基于动态矩阵预测控制的风功率预测方法
CN103942434A (zh) 基于sspso-grnn的水电站厂坝结构振动响应预测方法
CN111404204A (zh) 一种利用改进狼群算法的含风电场电力系统优化调度方法
CN108921347A (zh) 一种风电变流器故障预测方法
Hou et al. A wind direction forecasting method based on Z_score normalization and long short_ term memory
CN116341717A (zh) 一种基于误差补偿的风速预测方法
Rajasingam et al. Optimized deep learning neural network model for doubly fed induction generator in wind energy conversion systems.
Chen et al. Distributed hierarchical deep reinforcement learning for large-scale grid emergency control
Bouhelal et al. Blade element momentum theory coupled with machine learning to predict wind turbine aerodynamic performances
CN113033012A (zh) 分层数据驱动的风电场发电功率优化方案
CN115347556A (zh) 一种促进新能源消纳的储能电站容量配置方法
Xiao et al. Deep learning for predicting the operation of under-frequency load shedding systems
KR102439311B1 (ko) 희소화된 웨이크 방향 그래프를 이용한 풍력 발전 단지의 조정 최적화 방법 및 이를 수행하는 장치
Krajinski et al. Implementation of an Advanced Operation Control for AI-based Wind Farm Power Maximization Using Wake Redirection and Artificial Neural Networks
KR102406851B1 (ko) 확장 가능한 웨이크 방향 그래프를 이용한 풍력 발전 단지의 전력 조정 최적화 방법 및 이를 수행하는 장치
Zhao et al. On predicting the pue with gated recurrent unit in data centers
Cancelliere et al. Neural networks for wind power generation forecasting: a case study
CN110518644B (zh) 风电场的无功优化方法、装置及风电场
Singla et al. Solar irradiance forecasting using elman neural network with different training algorithms
Chen et al. A method of frequency features prediction of post-disturbance power system based on XGBoost algorithm
CN111749847A (zh) 一种风力发电机桨距在线控制方法、系统和设备

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