基于双层聚类与GSA-LSSVM的汽轮机热耗率多模型预测

针对单模型难以精确描述具有复杂非线性特性的汽轮机热耗率的问题,提出一种新的热耗率多模型建模方法。首先应用GK算法分析出最优聚类个数以及初始聚类中心,避免了聚类数确定的盲目性;然后利用核模糊C均值算法对热耗率样本集做出聚类划分,在每个子空间中利用最小二乘支持向量机(LSSVM)辨识出相应子模型,同时,为了保证子模型精确度,采用引力搜索算法来解决LSSVM参数优化问题;最后,将子模型通过隶属度值加权融合得到精确的热耗率预测模型。以某600MW超临界汽轮机组为研究对象,基于现场数据建立汽轮机热耗率预报模型,仿真结果验证了提出的多模型建模方法具有较高的预报精确度和泛化能力。     

汽轮机热耗率的实用简捷计算

根据最小二乘法的原理,推导出电厂汽轮机在实用范围内,由压力Ｐ与温度ｔ表示的水和水蒸汽比空ｖ、焓ｈ的函数表达式,不用查水和水蒸汽性质图表,就能方便地求解汽轮机的热耗率。该函数表达式可用于机组热力性能试验、热力统计计算、现场热力小指标竞赛,具有计算精度高,简捷、方便、实用的特点。     

火电厂汽轮机组影响热耗率计算的因素

通过对热耗计算式的讨论,介绍了运用反平衡方法计算热耗率的步骤。对影响热耗率计算准确性的主要因素及参数进行了分析,并以300 MW机组为计算分析例,进行了定量的计算与分析,为发电厂实施发电成本实时核算体系提供理论基础。     

汽轮机通流效率与机组热耗率关系的计算

建立汽轮机组变工况热力计算程序,并给出各缸效率与热耗率关系的数学模型,对上海汽轮机厂600 MW超临界汽轮机进行热力计算,分析通流性能变化与热耗率的关系。计算结果显示:级组效率变化与热耗率及本缸效率变化量成线性关系;级组承担功率越大、越靠近排汽端,则级组效率变化对热耗率与本缸效率的影响越大;低压缸效率改变对热耗率的影响最大,高压缸其次,中压缸最低;基于数学模型的计算结果与变工况热力计算基本一致,表明该数学模型计算精度很高。     

火电厂汽轮机组热耗率计算影响因素的分析

通过对热耗计算式的讨论,归纳分析了影响机组热耗率的因素,简要介绍了运用反平衡方法计算热耗率的步骤。对影响热耗率计算准确性的主要因素及主要参数进行了分析,以300MW机组为计算分析对象,对机组热耗率的影响因素进行了定量的计算与分析,为发电厂实施发电成本实时核算体系提供了理论分析基础。     

基于VMD-IGWO-LSSVM的覆冰预测模型研究

精确的输电线路覆冰厚度预测,可以对线路除冰工作进行科学指导,及时调整电力系统除冰计划.覆冰厚度容易受到温度、湿度和风速等气候因素影响而具有不确定性和非线性.提出一种基于历史统计数据的输电线路覆冰厚度预测模型,使用变分模态分解(VMD)对覆冰厚度数据进行分解,得到具有不同中心频率的子分量;采用改进灰狼算法(IGWO)对最...     

CPSO-FLN模型在汽轮机热耗率预测中的应用研究

热耗率是汽轮机重要的热经济性指标之一。针对热耗率难以准确计算的问题,提出一种基于云粒子群算法（CPSO）优化快速学习网（FLN）的热耗率短期预测模型。在粒子群算法（PSO）中引入了云模型自适应权值策略,利用云滴的随机性和稳定倾向性特点自适应地调整粒子群算法的权值以提升PSO算法的全局优化性能。采用CPSO算法调整FLN的模型参数并建立CPSO-FLN热耗率预测模型。最后,将CPSO-FLN模型应用于某汽轮机的热耗率预测,输入参数为12个强相关性的可控变量,将热耗率预测结果与标准的FLN模型和PSO-FLN模型预测结果进行对比。结果表明,CPSO-FLN模型具有更高的预测精度和泛化能力,是一种有效的预测方法。     

基于最小二乘支持向量机的风力发电机组风速软测量

风力发电机组的有效风速无法直接测得.依据辅助变量与主导变量之间的数学关系,建立风力机有效风速最小二乘支持向量机软测量模型:通过对辅助变量的测量和计算,可得到风力机有效风速的估计值.实现风力发电机组的有效风速软测量.计算机仿真结果表明.最小二乘支持向量机软测量模型具有泛化能力强和计算效率高的优点:能够满足风速的大范围变化和风力发电机组控制实时性的要求.     

基于在线支持向量回归算法的电站热耗率模型

利用在线支持向量回归算法（AOSVR）,建立了机组热耗率的在线回归模型。介绍了模型的更新过程,包括增加新样本的递增和冗余样本的删除。对某1 000 MW机组的热耗率计算进行了建模,并与常用的离线式模型SVR和LS-SVR进行了对比,结果表明AOSVR模型能够根据新样本对模型不断进行更新,具有较强的自适应能力和泛化性能,适合在线应用。进一步通过输入参数扰动分析得出AOSVR具有较强的鲁棒性,能够克服输入参数的非正常波动,保证热耗率计算的可靠性。     

汽轮机性能试验热耗率不确定度的分析计算

介绍了汽轮机性能试验不确定度的主要来源和评定方法,对测量参数的测量不确定度、影响系数和热耗不确定度进行了分析探讨,并给出了一台315 MW机组汽轮机性能试验热耗率不确定度的分析计算实例,对解析微分法和小扰动分析法求影响系数进行了比较,并指出了影响热耗率不确定度的主要因素和解决办法。     

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-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。     

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。     

基于混沌优化支持向量机的火电厂NO_x排放量预测

在传统支持向量机的基础上,建立了基于混沌优化算法优化的支持向量机预测模型,提高了支持向量机的预测精度。根据1995~2009年的NOx统计数据,对2010年的NOx排放量进行了预测,验证了预测模型的合理性。     

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。     

基于LSSVM的汽轮机阀门流量特性辨识及应用

阀门流量特性的准确辨识对于汽轮机控制至关重要。提出了一种基于最小二乘支持向量机（LSSVM）的汽轮机阀门流量特性辨识方法：通过对机组的历史运行数据进行筛选,获得其处于稳定工况下的运行数据;利用LSSVM辨识由综合阀位指令、主蒸汽压力、调节级压力等构成的主要参数向量与计算获得的汽轮机实际进汽流量之间的关系;最后利用已建立的LSSVM模型,并通过改变主要参数向量值来模拟汽轮机阀门流量特性试验的工况,进而实现对汽轮机阀门流量特性的辨识。该方法不需要进行汽轮机阀门流量特性试验,减轻了工作量,避免了试验方法对机组安全稳定运行带来的不利影响。     

基于LSSVM的汽轮机阀门流量特性辨识及应用

阀门流量特性的准确辨识对于汽轮机控制至关重要。提出了一种基于最小二乘支持向量机（LSSVM）的汽轮机阀门流量特性辨识方法：通过对机组的历史运行数据进行筛选,获得其处于稳定工况下的运行数据;利用LSSVM辨识由综合阀位指令、主蒸汽压力、调节级压力等构成的主要参数向量与计算获得的汽轮机实际进汽流量之间的关系;最后利用已建立的LSSVM模型,并通过改变主要参数向量值来模拟汽轮机阀门流量特性试验的工况,进而实现对汽轮机阀门流量特性的辨识。该方法不需要进行汽轮机阀门流量特性试验,减轻了工作量,避免了试验方法对机组安全稳定运行带来的不利影响。