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

以某300 MW汽轮机为例,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。首先分析了主成分分析和人工神经网络计算原理,然后采集了影响汽轮机排汽焓的各个主要参数的历史数据,并对采集到的数据进行了数据预处理,对剔除坏点后的历史数据做主成分分析,得到了累计贡献值大于99.95%的4个主要成分,并以这4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,通过对模型的训练和验证,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。研究结果表明：主成分分析能够确定合理的BP神经网络输入变量个数,提高训练精度和训练速度;主成分分析与神经网络复合模型对排汽焓的计算精度符合工程要求;排汽焓在各个负荷工况下波动不大。     

基于双隐层径向基过程神经网络的汽轮机排汽焓在线预测

为实现机组经济性能在线诊断,将双隐层径向基神经网络方法引入汽轮机排汽焓在线预测计算,建立了汽轮机排汽焓特性与相关运行参数之间的复杂关系模型。并以某300MW机组汽轮机末级抽汽及排汽焓值为例进行了在线计算。结果表明:该方法在线预测汽轮机排汽焓值的平均相对误差小于1%,比BP神经网络的精度更高,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的预测方法。     

支持向量机在电站汽轮机排汽焓在线预测中的应用

为实现机组经济性能在线诊断,将支持向量机（SVM）方法引入电站汽轮机排汽焓在线预测领域。该预测方法很好地建立了电站汽轮机排汽焓特性与相关运行参数之间的复杂关系模型,并考虑到相关运行参数之间的耦合性,具有预测能力强、全局最优及泛化性能好等优点。将该SVM方法分别应用于某200 MW机组和300 MW机组中,对于200 MW机组,经过训练后的SVM模型对检验样本排汽焓进行预报,均方根误差和平均相对误差分别为0.110%和0.101%,相当于反向传播（BP）网络模型的38.87%和38.11%,径向基函数（RBF）网络模型的52.38%和49.75%;同理,对于300 MW机组,其均方根误差和平均相对误差分别为0.057%和0.069%,相当于BP网络模型的29.61%和25.45%,RBF网络模型的41.57%和34.97%。结果表明:SVM方法优于BP及RBF神经网络法,能很好地满足预测要求。     

提高汽轮机排汽焓在线预测精度的GA-Elman神经网络算法

利用遗传算法(GA)的良好寻优能力对汽轮机排汽焓动态递归(Elman)神经网络进行了优化,建立了GA-Elman神经网络预测模型,并以某电厂350MW机组为例进行了汽轮机排汽焓的在线计算。结果表明:GA-Elman神经网络预测模型克服了传统Elman神经网络利用梯度下降法进行训练所具有的易陷入局部极小值、收敛速度慢、精度低等缺点,提高了预测精度和收敛速度,较适合现场应用。     

基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型

排汽焓是汽轮发电机组热经济性诊断必不可少的一个参数。通过汽轮机功率方程与灰色关联分析(grey correlation analysis,GCA)理论确定了模型的输入变量,利用万有引力搜索算法(gravitational search algorithm,GSA)优化了最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子μ以及核径向范围σ2个参数。通过比较分析,选用RBF_kernel为LSSVM的核函数。以GCA-GSA-LSSVM为基础,建立了预测汽轮机排汽焓的数学模型,并将其与BP神经网络、RBF神经网络进行对比,同时分析了该数学模型的鲁棒性。结果表明基于GCA-GSA-LSSVM的汽轮机排汽焓预测模型具有精度高、泛化能力强、鲁棒性强等优点,该方法为精确预测机组节能潜力提供了一种有力的工具。     

基于最小二乘支持向量机的汽轮机低压缸排汽焓计算

为了在线计算汽轮发电机组的经济性,基于LSSVM(最小二乘支持向量机)建立了一种汽轮机低压缸排汽焓在线计算模型。首先分析汽轮机低压缸排汽焓影响因素,确定LSSVM模型的输入变量与输出变量,采集历史数据,数据预处理后剔除明显坏点,再对各参数进行归一化,将其转化为无量纲量,最后将归一化处理后的数据用于LSSVM模型的训练,再用性能试验的数据对模型进行验证,得到基于LSSVM的汽轮机低压缸排汽焓计算模型。结果表明:基于LSSVM的汽轮机低压缸排汽焓计算模型能够有效预测低压缸排汽焓,误差范围在1%以内,低压缸排汽焓的预测值比试验值平均小约5 kJ/kg。低压缸排汽焓的预测值与试验值保持着相同的变化规律。     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。     

多层径向基网络模型在汽轮机末级排汽比焓计算中的应用

现有的汽轮机末级排汽比焓计算模型存在一定的局限性,对此提出了一种改进的径向基(RBF)网络模型来计算汽轮机的排汽比焓值.计算结果表明,该模型收敛速度快,运算简便,预测精度较高,具有良好的实时性和有效性.采用此模型对某电厂的一台300MW机组汽轮机末级排汽比焓进行计算,其预测值分别为2 366.8 kJ/kg和2 377.2kJ/kg,而试验值分别为2 370.5 kJ/kg和2 375.1 kJ/kg,绝对误差分别为3.7 kJ/kg和2.1 kJ/kg,完全满足应用要求.     

汽轮机排汽焓在线计算方法的研究及应用

汽轮机排汽焓的在线计算是火电机组热力性能试验及机组性能在线监测中的重要环节,而现有的汽轮机排汽焓在线计算方法在不同程度上存在一定的局限性。采用几种常用排汽焓计算方法(能量平衡法、曲线外推法、等效焓降法、弗留格尔公式法、相对内效率法),对某电厂220MW汽轮机组的排汽焓进行了计算。通过对计算结果的分析比较,得出上述几种计算方法各自的适用条件及其改进措施。     

汽轮机排汽比焓在线计算方法的选择

汽轮机排汽比焓的在线计算是火电机组热力性能试验及性能在线监测中的重要环节,而现有的汽轮机排汽比焓在线计算方法均在不同程度上存在一定的局限性.采用常用的排汽比焓计算方法,即能量平衡法、曲线外推法、等效焓降法、弗留格尔公式法、相对内效率法分别对某台N220-12.7型汽轮机的排汽比焓进行了实例计算.通过对计算结果的分析比较,得出这几种计算方法各自的适用条件及其改进措施.     

神经网络的柔性改进及其在开关磁阻电机控制中的应用

提出三自由度柔性双极性神经网络的结构、原理以及算法,由于网络多自由度学习的特点,使得其学习能力较传统神经网络大为增强。为了全面研究网络柔性对学习能力及复杂性的影响,将三自由度网络与单自由度网络及两自由度网络进行了比较。在学习逼近开关磁阻电机非线性磁化曲线过程中,基于三自由度的神经网络表现出优良的性能,和传统神经网络及两自由度网络比,其更加柔性的特点可以使网络具有更少的神经元、更快的学习速率。基于所提三自由度神经网络,建立了开关磁阻电机转矩逆模型和磁链模型,构建了电机控制系统,有效补偿了电机的非线性特性。仿真结果表明,基于柔性神经网络的开关磁阻电机控制系统有效降低了转矩脉动,系统运行平滑。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于多分辨正交多小波的神经网络研究

根据多小波空间中函数的多分辨率分解思想,构造了一种基于正交多小波的神经网络.该网络和小波网络结构相似,只是用同时具有紧支撑集、对称性、正交性和高阶消失矩的多尺度函数和多小波函数代替单尺度和单小波函数作为网络的激励函数.从理论上分析可得,多小波网络比单小波网络的收敛速度要快.为了比较这两种网络,对两种网络进行了对比仿真.仿真表明,实验结果和理论相吻合,另外多小波网络比单小波网络有更好的测试能力.     

BP神经网络在弹簧快速设计中的应用

无初拉力圆柱螺旋拉伸弹簧（以下简称弹簧）的没计通常采用试凑法。本文提出的神经网络应用方法，只要对多组已有弹簧设计方案的结果进行学习训练，就能得到同类弹簧快速设计的神经网络模型。通过实例的检验，证实了该设计方法的正确性和有效性。     

CNN理论应用于连通片检测器研究

本文在细胞神经网络原理的基础上,设计实现单细胞电路,研究了连通片检测器在细胞神经网络中的应用。     

神经网络在水轮机建模中的应用

讨论了各种水轮机特性曲线的处理方法,提出了利用神经网络技术建立水轮机非线性数字模型的新方法,所建立的水轮机特性神经网络模型能真实地表达水轮机的特性,解决了插值法的导数不连续问题,改善了水击计算的收敛性.     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

多层SPDS神经网络式电流保护

提出了一种基于SPDS神经网络的全新的电流保护方式。该网络采用的是3层SPDS神经网络模型，由三部分构成：故障类型与相别判断子网络ANN1、故障方向判别子网络ANN2、振荡识别子网络ANN3。通过大量的Matlab和EMTP仿真实验，对该模型进行了各种故障状态的训练和测试，并与BP网络进行比较，发现SPDS网络训练速度快，且证实了基于SPDS网络的电流保护的可行性。     

双重BP神经网络组合模型在实时数据预测中的应用

在回归和延时神经网络的基础上，利用非线性组合预测方法的优点，提出一种新的预测模型--双重BP神经网络组合模型模型，选用某660MW机组的主蒸汽流量数据进行学习训练，实例计算结果表明双重BP神经网络组合模型可提高单项预测模型的精度，校核样本的平均相对误差为1.5%，而单独采用回归神经网络和延时神经网络进行预测的平均相对误差分别为2.7%和1.9%，证明双重BP神经网络组合模型具有很高的预测精度，可应用于火电厂实时数据的有效性验证。     

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动，根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络，并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型，该模型在结构上为神经网络，具有混沌特性，在功能上是模糊系统；确定了模型的输出函数，并推导了模型的学习算法，仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。