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。     

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。     

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.     

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。     

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。     

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.     

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。     

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。     

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。     

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。     

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。     

300MW机组供热蒸汽余压发电汽轮机选型研究

为解决热电联产机组供热蒸汽压力过高而造成高品质蒸汽能量浪费的问题,提出了增设功–热汽轮机以回收利用供热蒸汽中的高品质能量.针对某300 MW机组供热蒸汽余压发电改造方案,结合采暖期机组热网系统实际运行参数,在分析选取功?热汽轮机的进汽参数、排汽参数及进汽量时需考虑的主要影响因素基础上,通过核算确定了功?热汽轮机的主要技...     

基于动态数据挖掘的汽轮机调节门流量特性在线计算

为实现汽轮机调节门流量特性实时分析和在线监测,建立动态数据挖掘模型用于调节门流量特性计算,以某厂350 MW超临界汽轮机组为例检验该方法。研究结果表明：所建立的动态数据挖掘模型能够从实时运行数据中提取和更新计算样本,利用移动最小二乘法建立的数学模型很好地反映了输入参数与输出参数之间的映射关系,与汽轮机性能试验结果相比偏差在1.5%以内,是一种行之有效的在线计算方法。