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。     

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。     

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。     

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.     

基于FOA-Elman神经网络的光伏发电功率预测模型

光伏发电功率对光伏发电的可靠性起着决定性作用。针对Elman神经网络收敛速度慢、训练时间较长的问题,利用果蝇算法(FOA)来优化Elman神经网络的权值和阈值,从而提高运行效率。建立了基于FOA-Elman神经网络的光伏发电功率预测模型,并给出了算法设计及编码方案。仿真实验结果表明,FOA-Elman模型预测精度比传统Elman神经网络模型预测精度高,更适合于光伏发电功率预测。     

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。     

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。     

基于粗糙集理论-主成分分析的Elman神经网络短期风速预测

为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。     

一种短期风电功率组合预测方法

为提高风电功率的短期预测精度,对组合预测进行了研究。选用差分自回归移动平均模型(ARIMA)与埃尔曼神经网络(Elman)模型,建立新的组合预测模型。首先,用单一的ARIMA预测模型和Elman预测模型对风电功率进行预测;然后,在单独模型预测的结果上,再次利用Elman神经网络进行预测;最后,将组合预测的结果与两单一模型的预测结果进行分析比较。结果表明,组合预测模型比各自单一预测模型有更高的预测精度。     

用PC—1500计算机求汽轮机排汽焓程序

汽轮机排汽焓的确定因受到试验条件的限制不能直接得到,目前,常常是通过对汽轮机进行热量平衡计算出徘汽焓,这种方法是试算法和绘制机内膨胀过程线同时进行的,因此工作量大,又易出错,为了提高效益,我们试编制了一个容量为25000瓩汽轮机求排汽终焓的程序,由PC—1500计算机完成,既迅速,精度也高,下面介绍这个程序的内容。     

凝汽式汽轮机相对内效率在线测定新方法

在线监测凝汽式汽轮机相对内效率时 ,难以得到准确的排汽焓 ,使在线确定汽轮机相对内效率比较麻烦。提出了一种基于发电厂现有监测参数基础上的在线监测凝汽式汽轮机相对内效率的新方法 ,该方法避开了确定排汽焓的困难 ,还可计入各漏汽、厂用汽的影响 ,使计算精度满足工程应用需要 ,在佳木斯电厂、华能大连电厂等应用效果良好     

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。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

基于神经网络的短期电力负荷预测仿真研究

为了提高短期电力负荷预测精度,分别建立了基于BP神经网络和Elman神经网络的短期负荷预测模型。采用附加动量法优化BP神经网络以提高其收敛速度;针对Elman神经网络易陷入局部极值的缺点,改进其激励函数并采用LM算法优化学习算法。Matlab仿真结果表明,改进后的Elman神经网络模型比BP神经网络模型的预测精度高,收敛速度快,更适合处理动态问题。     

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.     

火电机组排汽焓在线计算方法的研究

根据火电机组热经济性在线监测的特点 ,利用熵增原理 ,结合温熵图、热力单元矩阵分析法和等效热降理论对汽轮机排汽焓的计算方法进行探讨 ,实现了火电机组在线监测系统中汽轮机排汽焓的在线计算 ,为机组实时热经济性分析提供了依据。图 3表 2参 9。