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.     

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。     

热电联产机组在线热力性能试验研究

在火电深度调峰、竞价上网大背景下,热电联产汽轮机组热力性能的实时监测尤为重要。提出"在线热力性能试验"的概念,采用热平衡法计算供热机组热力性能,重点对低压缸排汽焓的在线计算进行探讨,并对某供热机组实例进行计算分析,结果表明采用的计算方法误差较小,在线热力性能试验可以为提高机组的经济性提供更及时准确的信息。     

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.     

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。     

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.     

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。     

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。     

关于热力计算矩阵法的两个问题的研究

对热力计算矩阵法的基准流量的选定和末几级抽汽湿蒸汽焓及排汽焓的确定两个问题进行研究。首次选用主凝结水流量作为矩阵法的基准流量,减少了因选用给水流量作为基准流量的计算误差;对于末几级抽汽焓及排汽焓的确定,综合了ASME PTC6A-1982的两种方法及矩阵理论,提出了自己的解决方法。这些方法已在在线分析软件中实现,并为实际计算所证明。     

凝汽式汽轮机相对内效率在线监测的一种近似计算方法

针对汽轮机热力试验条件与正常运行条件间的差别 ,指出正常运行中汽轮机并不具备热力试验所要求的完全隔离的条件 ,同一电厂中各机组间总有一定的汽 (水 )联系。因此 ,对于正常运行的汽轮机 ,无法采用常规热力试验所采用基金项目 :国家电力公司重点科技资助项目 (SPKJ0 13 0 7)。的求解汽轮机质量和能量平衡方程的方法在线求解排汽焓 ,从而使在线准确确定汽轮机相对内效率存在一定的困难。文中提出一种在线计算汽轮机相对内效率的热力学近似方法 ,该方法基于汽轮机热力循环的基本原理 ,采用一些容易测量的参数来推算汽轮机的相对内效率 ,避开了常规的求解排汽焓的难题。通过与汽轮机热力试验结果的比较 ,证明该方法足以满足工程上对计算精度的要求。最后给出该方法在某 10 0MW汽轮机相对内效率在线监测中的应用情况。     

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.     

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。     

汽轮机简化热力性能试验低压缸效率计算

在汽轮机简化热力性能试验获得的有限试验数据基础上，根据有效做功系数和功率平衡方程可算出低压缸排汽焓和低压缸效率。算例表明，当机组实际运行状态下的主要参数和回热系统与原设计差别不大时，该方法计算得出的低压缸效率能满足工程计算的要求。     

汽轮机热力性能的概率设计法

提出汽轮机热力性能的概率设计法。该方法以现有的汽轮机热力性能计算公式和方法为基础,考虑了设计量离散性的影响,使用概率论和统计学来分析制造工艺的离散性对额定参数下运行的汽轮机装置的电功率和热耗的影响。还介绍了汽轮机热力设计计算量离散性的产生原因和势和设计计算量的分布参数的确定方法。给出了汽轮机直叶片级和扭叶片级内功率的均值和标准差的计算公式以及汽机装置的电功率怕概率计算分析的方法和应用实例。     

Ways for Improving Efficiency and Reliability of Steam Turbines at Nuclear Power Stations

The current state and ways for improving the effectiveness of steam turbine units at nuclear power stations (NPS) are examined. The specifics of NPS turbines is described. The comparison of NPS steam turbine performance with the performance of steam turbines at thermal power stations (TPS) demonstrates that power units of NPSs are much poorer in effectiveness due to relatively low steam conditions at the inlet and the presence of wet steam already in the first stages of turbines. A decrease in the relative internal efficiency of NPS turbines results from the enhanced negative effect of wetness in the expansion process: in modern NPS turbines, more than two-thirds of the heat drop is spent in the two-phase region, while less than one fourth in TPS turbines. It is demonstrated that the effectiveness of NPS steam turbine units can be increased drastically in the future only through a considerable rise in the turbine inlet steam conditions. This can be achieved by using a heat carrier at supercritical conditions in the NPS reactor. The dependence of the effectiveness of NPS modern turbines on the turbine inlet steam conditions in the applicable pressure ranges of the saturated steam and vacuum in the condenser, as well as on the turbine exhaust area, is examined. For a 1000 MW turbine, increasing the inlet pressure from 6.0 to 8.0 MPa raises the turbine power and efficiency by 3.5%. At a condensing turbine outlet pressure ranging from 2.5 to 7.5 kPa and a constant velocity downstream of the last stage, the turbine power and efficiency can be increased by 7%. The importance of the exhaust area for the turbine effectiveness is revealed. Alternative designs of the flowpath in a low-pressure cylinder are analyzed. A unique configuration of a steam turbine unit with two-stage moisture separation is proposed. The comparison of high-speed turbines with low-speed ones was performed. It is demonstrated that the efficiency of the examined turbines is nearly the same within the accuracy of design calculations and the test results, and it is slightly higher for low-speed turbines due to lower losses with outlet velocity.     

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。