基于徑向基網(wǎng)絡(luò)的1000MW汽輪機(jī)排汽焓預(yù)測(cè)計(jì)算獲獎(jiǎng)科研報(bào)告

基于徑向基網(wǎng)絡(luò)的1000MW汽輪機(jī)排汽焓預(yù)測(cè)計(jì)算獲獎(jiǎng)科研報(bào)告

摘

要：根據(jù)汽輪機(jī)排汽焓及其影響因素之間的關(guān)系，提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的排汽焓計(jì)算方法。介紹了徑向基函數(shù)算法，并將該算法應(yīng)用于某1000MW汽輪機(jī)的排汽焓焓值計(jì)算，同時(shí)與Elman神經(jīng)網(wǎng)絡(luò)模型所計(jì)算的結(jié)果進(jìn)行對(duì)比，結(jié)果表明基于徑向基網(wǎng)絡(luò)的計(jì)算模型可以對(duì)排汽焓進(jìn)行準(zhǔn)確地估算，具有更好的計(jì)算精度和泛化性能。

關(guān)鍵詞：汽輪機(jī);排汽焓;徑向基神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)

00TK262

000A

Abstract：Accordingtotherelationshipbetweenthesteamenthalpyoftheturbinesexhaustanditsinfluencefactors，amathematicalmodelisproposedbasedontheradialbasisfunctionnetwork.ThealgorithmofRBFisrepresentedinthepaper，andthecalculationmodelofthesteamturbineexhaustenthalpyfora1000MWsetisbuiltbyusingthisalgorithm，whichiscomparedwiththemodelbasedonElmanneuralnetwork.ItisindicatedthatthemodelbasedonRBFcanestimatethesteamturbineexhaustenthalpyaccuratelyandhasbettercalculationprecisionandgeneralization.

Keywords：SteamTurbine;steamturbineexhaustenthalpyradialbasisneuralnetwork;prediction

隨著大容量火力發(fā)電機(jī)組的不斷投入運(yùn)行以及用電結(jié)構(gòu)發(fā)生的巨大變化，電網(wǎng)中“峰谷差”的現(xiàn)象變得更加嚴(yán)重，原來承擔(dān)基本負(fù)荷的超（超）臨界發(fā)電機(jī)組也要參與電網(wǎng)調(diào)峰運(yùn)行，在這種形勢(shì)下，對(duì)大容量機(jī)組變工況運(yùn)行時(shí)的經(jīng)濟(jì)性進(jìn)行準(zhǔn)確分析顯得尤為重要。

汽輪機(jī)的汽缸效率是衡量汽輪機(jī)運(yùn)行經(jīng)濟(jì)狀態(tài)及通流部分運(yùn)行狀態(tài)的一項(xiàng)重要指標(biāo)。根據(jù)汽輪機(jī)原理，它等于蒸汽在汽缸內(nèi)的實(shí)際焓降與理想焓降之比：η=Δh/Δht。在對(duì)汽缸效率進(jìn)行計(jì)算時(shí)，高壓缸和中壓缸排汽的溫度和壓力較高，所以實(shí)際焓降Δh可以通過測(cè)得的溫度和壓力在焓熵圖得到確定，但是汽輪機(jī)低壓缸的排汽工質(zhì)工作于濕蒸汽區(qū)，需要溫度、壓力及干度三個(gè)參數(shù)才能確定低壓缸排汽焓，而低壓缸排汽干度目前還難以實(shí)現(xiàn)在線測(cè)量，蒸汽的焓值無法通過常規(guī)方法得到，汽輪機(jī)組實(shí)時(shí)性能計(jì)算、在線效率分析難以實(shí)現(xiàn)。

目前汽輪機(jī)排汽焓的計(jì)算方法主要有能量平衡法和余速損失法[1]。能量平衡法根據(jù)已知的過熱抽汽狀態(tài)點(diǎn)作出做功膨脹線，然后再將此線直接外推到濕蒸汽區(qū)，得出處于濕蒸汽區(qū)的各抽氣焓和排氣焓，利用熱平衡方程、物質(zhì)平衡方程和汽輪機(jī)的功率方程三個(gè)基本方程式，計(jì)算確汽輪機(jī)的排汽焓。但這種方法需要對(duì)機(jī)組的回?zé)嵯到y(tǒng)進(jìn)行計(jì)迭代計(jì)算，受到收斂條件的限制，耗時(shí)過長(zhǎng)，而且計(jì)算結(jié)果受到幾十個(gè)甚至上百個(gè)測(cè)量點(diǎn)的積累誤差的影響[2，3]。

余速損失法需要事先通過變工況計(jì)算確定“末級(jí)前后壓比-排汽余速損失”曲線，在實(shí)踐中不易把握，影響了其實(shí)用性[3]。

針對(duì)以上問題，本文應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)某超超臨界1000MW汽輪機(jī)的排汽焓進(jìn)行建模，該模型通過對(duì)一些典型工況的學(xué)習(xí)訓(xùn)練后，對(duì)汽輪機(jī)在不同工況運(yùn)行時(shí)的排汽焓進(jìn)行預(yù)測(cè)計(jì)算。結(jié)果表明：這種方法具有精度高、收斂快、泛化能力強(qiáng)等特點(diǎn)，能夠滿足汽輪機(jī)排汽焓計(jì)算的要求。

1徑向基函數(shù)網(wǎng)絡(luò)

徑向基函數(shù)網(wǎng)絡(luò)（RadialBasisFunction，RBF）是由J.MOODY和C.DARKEN于20世紀(jì)80年代末提出的一種網(wǎng)絡(luò)結(jié)構(gòu)，是一種以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的單隱層前饋網(wǎng)絡(luò)[4，5]。

1.1徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型

徑向基函數(shù)網(wǎng)絡(luò)是在借鑒生物局部調(diào)節(jié)和疊接受區(qū)域知識(shí)基礎(chǔ)上提出的一種采用局部接受域來執(zhí)行函數(shù)映射的人工神經(jīng)網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)最基本的構(gòu)成包括三層，結(jié)構(gòu)如圖1所示，其中每一層都有著完全不同的作用。輸入層由一些感知單元組成，它們將網(wǎng)絡(luò)與外界環(huán)境連接走來;第二層是網(wǎng)絡(luò)僅有的一個(gè)隱層，它的作用是進(jìn)行從輸入空間到隱層空間的非線性變換。隱層節(jié)點(diǎn)中的作用函數(shù)對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)，也就是說，當(dāng)輸入信號(hào)靠近基函數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大輸出，由此看出這種網(wǎng)絡(luò)具有局部逼近能力。輸出層是線性的，它為作用于輸入層的激活信號(hào)提供響應(yīng)。

設(shè)RBF網(wǎng)絡(luò)結(jié)構(gòu)如下：輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為n，徑向基層神經(jīng)元節(jié)點(diǎn)數(shù)r，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為m。設(shè)么向基層神經(jīng)元J與輸入層神經(jīng)元i之間的連接權(quán)為wji，徑向基層神經(jīng)元j與輸入層n個(gè)神經(jīng)元之間的連接權(quán)向量為：wj=（ωj1ωj1

ωj1）T

j=1，2，···，r則徑向基層神經(jīng)元與輸入層神經(jīng)元之間的連接權(quán)矩陣為W1=（w1w2···wr）T。徑向基層采用徑向基函數(shù)作為激活函數(shù);線性輸出層采用純線性函數(shù)作為激活函數(shù)。

RBF網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類前向網(wǎng)絡(luò)，擬合和插值都是函數(shù)逼近或者數(shù)值逼近的重是組成部分，從嚴(yán)格意義上說插值就是給定一個(gè)包含N個(gè)不同點(diǎn)的集合{xi∈Rn|i=1，2，···，N}和相應(yīng)的N個(gè)實(shí)數(shù)的一個(gè)集合{di∈R1|i=1，2，···，N}，尋找一個(gè)F：Rn→R1，滿足下述插值條件：F（xi）=di

i=1，2，···N。對(duì)于這里所述的嚴(yán)格插值來說，插值曲面必須通過所有的已知數(shù)據(jù)點(diǎn)。RBF網(wǎng)絡(luò)技術(shù)就是是選擇一個(gè)函數(shù)F具有下列形式：其中{φ（‖x-xi‖）|i=1，2，···N}是N個(gè)任意（一般是線性的）函數(shù)的集合，稱為徑向基函數(shù);‖·‖表示范數(shù)，通常是歐幾里德范數(shù)。已知數(shù)據(jù)xi∈Rn，i=1，2，···N定義為徑向基函數(shù)的中心。

1.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

對(duì)于網(wǎng)絡(luò)的學(xué)習(xí)算法，RBF網(wǎng)絡(luò)分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)兩部分。隱含層和輸入層之間的權(quán)值（中心及半徑）采用無導(dǎo)師聚類方法訓(xùn)練，輸出層和隱含層之間的權(quán)值采用有導(dǎo)師方法訓(xùn)練。學(xué)習(xí)過程包括以下步驟[5]：

中心Cj的確定;采用k--均值聚類分析技術(shù)確定Cj。找出有代表性的數(shù)據(jù)點(diǎn)作為RBF單元中心，可以極大減少隱RBF單元數(shù)目，降低網(wǎng)絡(luò)復(fù)雜化程度。獲得各個(gè)聚類中心后，

即可將之賦給各個(gè)RBF單元作為RBF的中心。

半徑σj的確定。半徑σj決定了RBF單元接受域的大小，對(duì)網(wǎng)絡(luò)的精度有極大的影響。半徑選擇的原則是使得所有RBF單元的接受域之和覆蓋整個(gè)訓(xùn)練樣本空間。

調(diào)節(jié)權(quán)W;這里權(quán)W是指輸出層和隱含層之間的權(quán)值，可以采用線性最小二乘法和梯度法來調(diào)節(jié)權(quán)矩陣W。

2基于徑向基網(wǎng)絡(luò)的1000MW汽輪機(jī)排汽焓預(yù)測(cè)模型

綜合以上分析，以某1000MW汽輪機(jī)為例，建立基于前向型RBF神經(jīng)網(wǎng)絡(luò)的排汽焓計(jì)算模型，對(duì)不同工況下機(jī)組的排汽焓進(jìn)行預(yù)測(cè)，并與反饋型ELMAN神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。

2.1機(jī)組簡(jiǎn)介

該汽輪機(jī)為一次中間再熱、單軸、四缸四排汽、八級(jí)回?zé)岢槠?、凝汽式汽輪機(jī)。額定工況運(yùn)行時(shí)：高壓主汽閥前蒸汽壓力為25.0MPa，中壓主汽閥前蒸汽壓力為4.25MPa，主蒸汽流量為2733t/h，主蒸汽溫度及再熱蒸汽溫度為600℃。

2.2模型輸入量與輸出量

模型的輸入量即目標(biāo)問題的影響因素，一般要選取與問題關(guān)聯(lián)程度較大的因素作為模型的輸入，這樣可以避免模型過于復(fù)雜，汽輪機(jī)排汽焓特性的影響因素比較多，為了便于進(jìn)行研究，所以選取與之關(guān)聯(lián)度強(qiáng)的因素作為模型的輸入，根據(jù)機(jī)組性能在線計(jì)算的要求選取機(jī)組的功率、主蒸汽流量、主蒸汽焓值、1至8段抽汽焓值等運(yùn)行參數(shù)作為模型的輸入量，汽輪機(jī)的排汽焓作為模型的輸出量[6，7]。

2.3樣本數(shù)據(jù)的選取及處理

樣本數(shù)據(jù)共有16組，以其中的13組作為模型的訓(xùn)練樣本，分別是：VWO工況、THA況、T-MCR工況、30%VWO工況（兩組）、TRL工況、THA+HPBP工況、低壓加熱器5號(hào)停用工況、低壓加熱器6號(hào)停用工況、低壓加熱器7號(hào)和8號(hào)停用工況、廠用汽工況（2段）、廠用汽工況（4段）、廠用汽工況（4段和5段）;以余下的3組作為模型的測(cè)試樣本來檢驗(yàn)?zāi)Ｐ偷木_度，分別是70%THA工況、50%THA工況、40%THA工況。由于篇副所限，這里僅列出測(cè)試樣本的原始數(shù)據(jù)，如表1所示。同時(shí)，為了避免在模型訓(xùn)練過程當(dāng)中發(fā)生數(shù)據(jù)溢出現(xiàn)象，需要對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，處理方法如下：

2.4模型的訓(xùn)練結(jié)果分析

對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，利用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，用訓(xùn)練后的最佳模型對(duì)70%THA、50%THA、40%THA工況下的排汽焓進(jìn)行預(yù)測(cè)，并與測(cè)試數(shù)據(jù)進(jìn)行對(duì)比。最終的計(jì)算結(jié)果如表2所示。從RBF模型及Elman模型的回歸結(jié)果可以看出兩種模型都很好地建立了汽輪機(jī)排汽焓特性與相關(guān)運(yùn)行參數(shù)之間的復(fù)雜關(guān)系模型，可以對(duì)汽輪機(jī)排汽焓進(jìn)行比較準(zhǔn)確地預(yù)測(cè)。從表3中可以看出在70%THA工況、50%THA工況、40%THA工況下，RBF模型的絕對(duì)誤差及相對(duì)誤差均小于Elman模型，前者的絕對(duì)誤差和相對(duì)誤差分別是后者的30.45%和30.37%，說明RBF模