神经网络算法在汽轮机排汽焓估算中的应用

在线机组热力系统性能计算中,汽轮机的排汽通常处于湿蒸汽区,排汽干度目前无法实现直接测量。对此,将神经网络方法应用于汽轮机排汽焓的估算,通过分析汽轮机排汽焓的影响因素,并对数据进行无量纲化处理,对BP神经网络在不同训练函数下的计算精度与速度,以及BP神经网络与RBF神经网络计算排汽焓的准确度进行比较。结果表明:BP神经网络对训练函数的依赖程度较大,部分函数在计算中随机性较强、计算时间较长;traingdx、trainscg和trainoss 3个函数计算时间较短、计算精度较高,可作为训练函数;RBF神经网络的计算误差较BP神经网络大,但其自适应能力强,对训练函数的依赖程度较小,在训练样本足够多时,可以减小其计算误差。     

汽轮机排汽焓计算模型的研究与应用

汽轮机低压缸排汽焓的计算是火电机组性能监测的重要环节.针对现有汽轮机低压缸排汽焓计算模型存在的局限性,提出一种排汽焓的热力学近似计算模型.该模型将低压缸、凝汽器及相对应的回热加热器视为开口热力系,根据开口热力系的能量平衡方程计算出低压缸的排汽焓.该方法避开了对低压缸湿蒸汽区的计算,具有较高的计算精度.     

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。     

基于SVR和GA的汽轮机排汽焓在线预测计算

针对汽轮机排汽焓的计算是火电机组热经济性在线分析的难点,提出了采用遗传算法(GA)对基于支持向量回归机(SVR)的预测模型参数进行优化,利用优化后的模型(GA-SVR)对汽轮机排汽焓进行预测研究。以某300 MW汽轮机组为例进行了排汽焓的在线计算,并与常规SVR模型和BP-ANN模型进行对比。结果表明,该方法能够较为准确地在线预测汽轮机排汽焓值,可为火电机组的在线性能监测提供有效的手段。     

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.     

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。     

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.     

数据协调在燃气-蒸汽联合循环机组汽轮机排汽焓计算中的应用

以某联合循环蒸汽轮机侧为研究对象,基于不同的测量仪表精度,通过数据协调对测量数据进行处理,提出了功率法和凝汽器循环冷却水质量流量法计算排汽焓。结果表明:数据协调能有效提高测量数据精度,凝结水质量流量的标准偏差从2.460 t/h降低到0.775 t/h;排汽焓的计算精度与测量仪表精度有关,功率法比循环冷却水质量流量法计算得到的排汽焓精度要高,且比较稳定。     

汽轮机低压缸排汽焓在线计算新模型的研究及应用

针对现有汽轮机低压缸排汽焓在线计算模型的缺点,提出一种排汽焓在线计算新模型.通过对不同容量汽轮机组的额度工况点和特定机组的不同工况点进行实例计算,结果表明:该计算模型不必对汽轮机回热系统和低压缸湿蒸汽区进行计算,计算模型简单,计算量小;所需测点少,测点积累误差小,计算精度高.     

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。     

基于核主元分析和多级神经网络集成的汽轮机故障诊断

提出一种基于核主元分析(KPCA)和多级神经网络集成的汽轮机故障诊断方法.该方法首先采用KPCA对汽轮机故障样本数据进行特征提取;然后计算相互独立训练出的多个神经网络个体在验证样本集上的泛化误差,并选择其中精确度较高的子神经网络作为集成的个体;最后采用基于正交最小二乘算法的径向基函数神经网络来集成各个子网的输出并得到最终的诊断结果.在某汽轮发电机组故障诊断中的应用表明,该方法具有较高的精确度和稳定性.     

基于主成分分析法的BP神经网络的应用

对基本的BP神经网络分析法与BP神经网络主成分分析法进行了分析,并给出了应用实例。     

基于KPCA和BP神经网络的短期负荷预测

为了提高电力系统短期负荷预测的精度,文中提出了一种基于核主成分分析(KPCA)和BP神经网络的负荷预测方法。影响负荷的因素作为神经网络的输入变量,太多输入变量会加大神经网络的训练负担,运用核主成分分析的方法对初始神经网络输入变量进行非线性降维,将降维后的数据作为神经网络新的输入变量,并对神经网络的训练算法进行改进,以加快收敛速度,最后在每一个时刻点上建立模型进行预测。采用文中提出的方法对甘肃某地区2014年的负荷进行预测,并与已有的BP神经网络方法和PCA-BP神经网络方法进行对比,结果表明该方法可提高负荷预测的精度。     

基于主成分分析与前向反馈传播神经网络的风电场输出功率预测

为了解决单一的传统预测方法在风电场输出功率预测中存在的问题,提出了基于主成分前向反馈神经网络的预测方法。首先采用K-S方法对样本进行选取;然后用主成分分析法提取样本有效信息,求解出主成分,构建神经网络模型进行输出功率预测。结果表明,主成分分析后的神经网络模型消除了输入因子的相关性并简化了网络结构,使网络加速收敛。实例验证,与单一的神经网络模型相比,预测精度有所提高,为风电场输出功率预测提供了一种有效的方法。     

基于主成分分析与人工神经网络的风电功率预测

提出了主成分分析与前馈神经网络相结合的风电功率预测模型.采用主成分分析法对原始多维输入变量进行预处理,选择输入变量的主成分作为神经网络的输入,既减少了输入变量的维数,又消除了各输入变量的相关性,从而简化了网络的结构,提高了网络收敛性和稳定性.仿真结果表明,相对于一般神经网络模型,基于主成分分析的神经网络模型预测精度更高...     

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。     

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。     

基于主成分和小波神经网络的绝缘子污秽放电发展阶段识别

针对绝缘子污秽放电模式识别过程中声发射信号的特征参量维数过高的问题,采用主成分分析法对特征参量降维,利用提取到的绝缘子污秽放电声发射信号的特征参数构成原始特征参量矩阵,通过对原始特征参量矩阵进行K-L正交变换,产生了包含原始特征参量矩阵主要信息的K个主成分,最后利用小波神经网络进行绝缘子污秽放电的模式识别。结果表明:利用主成分分析法降低特征参量的维数,使分类器的结构更简单,小波神经网络比传统的BP神经网络具有更高的识别率和更优的识别效果。