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。     

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。     

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。     

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。     

考虑气象因素的PCA-BP神经网络短期负荷预测

为有效提高电力系统短期负荷预测精度及效率,提出一种基于主成分分析的BP神经网络短期负荷预测优化算法。利用主成分分析法将多个原始变量降维成少数彼此独立的变量作为输入,并根据各主成分的贡献率来确定网络的结构,有效解决BP网络预测精度与效率不高问题。在考虑气象因素的影响下通过对某地区历史负荷数据进行训练仿真,平均预测精度接近98%,预测程序运行效率提高两倍以上,仿真结果表明,该模型在效率和预测精度方面优于BP神经网络模型。     

数据–机理融合的汽轮机末级排汽焓在线测量EI北大核心CSCD

汽轮机末级排汽焓值的在线准确测量是机组智能监测与冷端系统节能优化的前提与关键。以机组历史运行数据为驱动,采用数据与机理融合的建模方法,结合深度学习算法,构建汽轮机末级排汽焓的在线测量模型。基于闭口能量平衡方程构建汽轮机排汽焓的机理模型;采用灰色关联分析选取影响排汽焓的关键特征变量,构建基于极端梯度提升算法的汽轮机排汽焓软测量模型;搜索可比历史条件下的排汽焓值,引入偏差系数修正软测量模型结果,通过实时数据与模型的数据交互,实现模型的动态演化。以某在役600MW亚临界直接空冷机组为研究对象进行分析,结果表明,构建的汽轮机末级排汽焓在线测量模型的相对误差在(-0.15%,0.15%)之间,可满足工程分析需要,且在机组深度调峰时,相比机理模型,提出的在线测量模型具有很好的泛化能力。     

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.     

基于主成分分析和正则化神经网络的电力负荷预测方法

为提高用电负荷预测的准确率,提出一种基于主成分分析(PCA)和正则化人工神经网络负荷预测方法.通过分析多个影响负荷变化的变量和因子,利用主成分分析法对变量进行线性降维,减少各变量之间的关联性,用得到的主成分作为BP神经网络的输入变量,同时增加正则化约束项优化神经网络训练过程,提高网络模型泛化能力.最后利用某售电公司所代...     

Double hidden layer RBF process neural network based online prediction of steam turbine exhaust enthalpy

In order to diagnose the unit economic performance online,the radial basis function(RBF)process neural network with two hidden layers was introduced to online prediction of steam turbine exhaust enthalpy.Thus,the model reflecting complicated relationship between the steam turbine exhaust enthalpy and the relative operation parameters was established.Moreover,the enthalpy of final stage extraction steam and exhaust from a 300 MW unit turbine was taken as the example to perform the online calculation.The results show that,the average relative error of this method is less than 1%,so the accuracy of this algorithm is higher than that of the BP neutral network.Furthermore,this method has advantages of high convergence rate,simple structure and high accuracy.     

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。     

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...     

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.     

人工神经网络在汽轮机热力参数在线仿真及故障识别中的应用

目前汽轮机组中一部分测点传感装置损坏率高，使得一些热经济性分析 的结果产生较大偏差。基于人工神经网络，作者对当前普遍使用的BP网络模型进行了某些改进、对网络中的一些参数作出了调整，以使模型具有较强的自适应能力并使得网络的收敛速度沿着最佳方向进行，还编制了相应的程序。作为实例，文中对某一实际机组的参数进行了仿真计算，绝大多数数据的相对误差在1.5%以内，可以满足工程实际的需要。文章对输入输出参数之间的关联程度，对影响输出结果的精度、收敛速度等因素进行的分析比较可供今后的热力参数在线仿真和负荷预测借鉴。用该模型对动力系统的热力参数进行在线仿真减少了传感的维护量，特别是对提高汽轮机组故障诊断技术水平有一定的意义，此外还改善了基于参数采集的应用软件的可靠性。     

等效热降法的改进计算方法

目前采用的汽轮机理想循环热效率受到相对内效率影响而不能准确反映汽轮机热力系统运行经济状态。同时，等效热降法计算中需要预先已知汽轮机排汽焓及回热抽汽状态点的焓值，而凝汽式汽轮机排汽焓及处于湿蒸汽区回热抽汽点焓值不能准确确定，从而导致等效热降法计算结果产生误差。针对上述问题，文中首先对理想循环热效率的定义方法进行了改进。然后，基于改进的理想循环热效率，提出了等效热降法的改进算法。该方法利用蒸汽等熵膨胀过程来确定等效热降，不仅避开了求解汽轮机排汽焓的难题，而且还可以分析引起热力系统经济性降低的原因和部位，从而为汽轮机热力系统经济性诊断提供了依据。通过与常规等效热降法计算结果的对比，证明了该改进方法的正确性。     

一种汽轮机组排汽干度的在线软测量方法

随着信息计算机技术的发展,对大型汽轮发电机组性能进行在线监测及分析成为可能。机组热耗率和干度是2个被监测的重要指标。通过对已往的汽轮机变工况计算的方法分析,该文提出以汽轮机末级抽汽或次末级抽汽(过热蒸汽状态)为计算起点的汽轮机的顺序变工况核算方法。根据初始假定的末级流量和现场实际的末级前热力状态和背压,用汽轮机变工况流型判别准则,判别级的流型,然后从末级前参数开始顺序进行一次级的变工况核算,得到新的排汽焓和排汽干度,最后算得机组热耗率和排汽焓(或排汽干度)。该方法不用测量流量,也不用测量排汽干度,就能比较准确地在线监测机组热耗率和排汽干度。     

加装低压省煤器对汽轮机排汽量的影响研究

为研究低压省煤器吸收的排烟余热的有效利用水平,基于等效焓降法的基本原理,建立了汽轮机低压加热系统中凝结水抽出与引入对其排汽量影响的通用计算模型,进而推导出低压省煤器在各种连接方式下投入运行后对汽轮机排汽量影响的通用计算模型。以某国产330 MW机组为例,利用所提出的计算模型得出两种不同工况下汽轮机排汽量和排汽损失的增加值,结果表明,低压省煤器吸收的排烟余热能用于汽轮机做功的仅为10%左右,其余热量最终都进入冷源损失。