超超临界汽轮机FCB工况下除氧器水位的预测方法

摘要

一种超超临界汽轮机FCB工况下除氧器水位预测方法：以除氧器水位的RBF神经网络模型为基础，由不同FCB工况下的实际数据出发，整理得到除氧器水位数据样本，利用该样本训练RBF神经网络，经过多次迭代计算后得到除氧器水位RBF神经网络模型，RBF神经模型采用三层网络结构，径向基函数采用高斯函数，利用RBF神经网络模型进行FCB工况下除氧器水位的预测，得到实际工况下的除氧器水位变化情况。本发明计算结果与实测值非常接近，具有理想的计算精度，同时该模型结构简单、计算迅速，能够达到FCB工况下除氧器水位预测的目的，防止除氧器水位过低，帮助机组运行人员了解机组运行状态，维持汽轮机安全、经济运行。

主权项

一种超超临界汽轮机FCB工况下除氧器水位的预测方法，其特征是包括以下步骤：S1采用自组织选取中心的三层RBF神经网络学习法，RBF神经网络采用高斯函数作为径向基函数；RBF神经网络的激活函数为：$R(x_p-c_i)=\exp \left(\frac{1}{2{\sigma }^2}\right||x_p-c_i|{|}^2);$式中：||x_p‑c_i||——欧式范数；c——高斯函数的中心；σ——高斯函数的方差；RBF神经网络的输出为：$y_j=\underset{i=1}{\overset{h}{\Sigma }}{w}_{ij}\exp \left(\frac{1}{2{\sigma }^2}\right||x_p-c_i|{|}^2);$式中：$x_p={(x_1^p,x_2^p,...,x_m^p)}^T$——第p个输入样本；p＝1,2,…,P——P表示样本总数；c_i——网络隐含层节点的中心；w_ij——隐含层到输出层的连接权值；i＝1,2,…,h——隐含层的节点数；y_j——与输入样本对应的网络的第j个输出节点的实际输出；设d是样本的期望输出值，那么基函数的方差表示为：$\sigma =\frac{1}{P}\underset{j}{\overset{m}{\Sigma }}\left|\right|d_j-y_j{c}_i|{|}^2;$S2除氧器水位RBF神经网络模型的结构和参数设置输入层：六个节点：机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量；输出层：一个节点：除氧器水位；隐含层：10个节点；径向基函数分布密度：0.5；网络目标：0.000001；S3训练样本和预测样本的整理由50％和75％FCB工况下的实际数据出发，按输入变量和输出变量之间的关系整理得到除氧器水位数据样本，并对样本进行归一化处理；利用整理并归一化后的50％FCB的数据作为RBF神经网络的训练样本，训练该神经网络，得到一个FCB工况下除氧器水位的神经网络模型；利用75％FCB的数据作为该神经网络的预测样本，对训练好的神经网络进行预测，检查网络的外推性能；如预测误差在允许范围以内，认为该神经网络能够正确的对FCB工况下的除氧器水位进行预测；如预测误差过大，则需要重新整理样本，再对神经网络进行训练和预测，直到预测误差在允许范围以内；S4利用RBF神经网络模型进行FCB工况下除氧器水位的预测，得到实际工况下的除氧器水位变化情况；具体步骤如下：1、调入训练样本的输入变量bfP，输出变量bfT；2、进行归一化处理得到输入样本P，输出样本T；3、建立RBF神经网络模型，网络目标0.000001，径向基函数分布密度为0.5；4、利用输入样本P和输出样本T对网络进行训练；5、利用训练好的神经网络模型，计算输入样本为P的情况下此时网络的输出，反归一化处理后得到输出t，计算误差error＝t‑T，并绘制成曲线；6、调入预测样本，归一化处理后输入P_test,输出T_test；7、利用训练好的神经网络，计算输入样本为P_test的情况下此时的输出，归一化后得到预测输出t_test，计算误差error_test＝t_test‑T_test，绘制成曲线；8.输出此时的网络权值、阈值矩阵；网络的部分代码如下：％归一化处理for i＝1:1:6P(i,:)＝(bfP(i,:)‑min(bfP(i,:)))/(max(bfP(i,:))‑min(bfP(i,:)))；endT＝(bfT‑min(bfT))/(max(bfT)‑min(bfT))；net＝newrb(P,T,0.000001,0.5)；T_1＝sim(net,P)；％反归一化afT＝T_1*(max(bfT)‑min(bfT))+min(bfT)；error＝afT‑bfT；error_re＝error./bfT；网络训练好后，该网络可根据具体的输入参数：机组负荷、主蒸汽流量、凝汽器真空、主给水流量、4段抽汽压力、凝结水流量；在线输出某FCB工况下除氧器的水位。