超超臨界汽輪機fcb工況下除氧器水位的預測方法
2023-06-03 01:46:11 1
超超臨界汽輪機fcb工況下除氧器水位的預測方法
【專利摘要】一種超超臨界汽輪機FCB工況下除氧器水位預測方法:以除氧器水位的RBF神經網絡模型為基礎,由不同FCB工況下的實際數據出發,整理得到除氧器水位數據樣本,利用該樣本訓練RBF神經網絡,經過多次迭代計算後得到除氧器水位RBF神經網絡模型,RBF神經模型採用三層網絡結構,徑向基函數採用高斯函數,利用RBF神經網絡模型進行FCB工況下除氧器水位的預測,得到實際工況下的除氧器水位變化情況。本發明計算結果與實測值非常接近,具有理想的計算精度,同時該模型結構簡單、計算迅速,能夠達到FCB工況下除氧器水位預測的目的,防止除氧器水位過低,幫助機組運行人員了解機組運行狀態,維持汽輪機安全、經濟運行。
【專利說明】超超臨界汽輪機FCB工況下除氧器水位的預測方法
【技術領域】
[0001]本發明涉及一種基於RBF (徑向基函數)神經網絡的超超臨界汽輪機FCB (快速甩負荷)工況下除氧器水位的預測方法。
【背景技術】
[0002]超超臨界汽輪機除氧器的水箱是為保證鍋爐具有一定的給水儲備而設置的,超超臨界機組採用直流鍋爐,由於沒有汽包,除氧器是其唯一的出水容器,要求其容量一般應不小於鍋爐額定負荷下連續運行15~20min所需的給水量,除氧器水位過低,儲水量不足有可能危及鍋爐的安全運行;此外還有可能造成給水泵入口汽化,而大型超超臨界汽輪機在FCB工況下除氧器水位會出現較大下降,嚴重影響機組運行的安全性。
[0003]現有的超超臨界汽輪機FCB工況下除氧器水位的預測方法計算精度低、速度慢、模型複雜,難以準確而實時地監測除氧器水位的數值。目前未見有利用RBF神經網絡對除氧器水位預測的相關研究成果。
【發明內容】
[0004]本發明所要解決的技術問題,就是提供一種計算精度高、速度快、模型簡單、從而能夠準確而實時地監測除氧器水位的數值,防止除氧器水位過低,維持機組的安全運行的超超臨界汽輪機FCB工況下除氧器水位的預測方法。
[0005]解決上述技術問題,本發明採用如下的技術方案:
[0006]一種超超臨界汽輪機FCB工況下除氧器水位的預測方法,其特徵是包括以下步驟:
[0007]SI以高斯函數作為徑向基函數對網絡進行訓練
[0008]RBF神經網絡的結構與學習算法
[0009]RBF神經網絡採用徑向基函數神經元,徑向基函數一般採用高斯函數,該函數(徑向基函數)以輸入向量和權值向量之間的距離作為自變量,隨著權值和輸入向量之間距離的減小,網絡輸出是遞增的,當輸入向量和權值向量一致時,神經元輸出I ;採用三層網絡結構:由輸入層、隱含層和輸出層構成;輸入層和隱含層之間看作連接權值為I的連接,輸出層和隱含層所完成的任務不同,因而它們的學習策略也不相同,輸出層對線性權進行調整,採用線性優化策略,學習速度快;隱含層對高斯函數的參數進行調整,採用非線性優化策略;
[0010]採用自組織選取中心的RBF神經網絡學習法;RBF神經網絡採用高斯函數作為徑向基函數,因此RBF神經網絡的激活函數可表示為:
[0011]
【權利要求】
1.一種超超臨界汽輪機FCB工況下除氧器水位的預測方法,其特徵是包括以下步驟:SI採用自組織選取中心的三層RBF神經網絡學習法,RBF神經網絡採用高斯函數作為徑向基函數; RBF神經網絡的激活函數為:
【文檔編號】G06N3/08GK103544527SQ201310472779
【公開日】2014年1月29日 申請日期:2013年10月11日 優先權日:2013年10月11日
【發明者】鄧少翔, 馮永新, 陳暢, 謝誕梅, 鄧小文, 熊揚恆, 李千軍, 鄭李坤 申請人:廣東電網公司電力科學研究院, 武漢大學