超超临界汽轮机FCB工况下除氧器水位的预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103544527103544527A(43)申请公布日2014.01.29(21)申请号201310472779.2(22)申请日2013.10.11(71)申请人广东电网公司电力科学研究院地址510080广东省广州市越秀区东风东路水均岗8号申请人武汉大学(72)发明人邓少翔冯永新陈畅谢诞梅邓小文熊扬恒李千军郑李坤(74)专利代理机构广州知友专利商标代理有限公司44104代理人周克佑(51)Int.Cl.G06N3/08(2006.01)权权利要求书2页利要求书2页说明书6页说明书6页附图3页附图3页(54)发明名称超超临界汽轮机FCB工况下除氧器水位的预测方法(57)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。CN103544527ACN1035427ACN103544527A权利要求书1/2页1.一种超超临界汽轮机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：式中：||xp-ci||——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：式中：——第p个输入样本；p=1,2,...,P——P表示样本总数；ci——网络隐含层节点的中心；wij——隐含层到输出层的连接权值；i=1,2,...,h——隐含层的节点数；yj——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，那么基函数的方差科表示为：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2CN103544527A权利要求书2/2页进行预测；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：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。3CN103544527A说明书1/6页超超临界汽轮机FCB工况下除氧器水位的预测方法技术领域[0001]本发明涉及一种基于RBF（径向基函数）神经网络的超超临界汽轮机FCB（快速甩负荷）工况下除氧器水位的预测方法。背景技术[0002]超超临界汽轮机除氧器的水箱是