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

doi:10.11930/j.issn.1004-9649.201702049

中国电力 ›› 2018, Vol. 51 ›› Issue (1): 126-132.DOI: 10.11930/j.issn.1004-9649.201702049

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

杨斌, 杨永军, 张亚, 黄猛, 李昆仑, 邓新亮, 白欢庆

西安热工研究院有限公司, 陕西西安 710054

收稿日期:2017-02-15 修回日期:2017-03-20 出版日期:2018-01-05 发布日期:2018-02-28
作者简介:杨斌(1989-),男,重庆人,硕士,工程师,从事发电运行优化及能源大数据研究,E-mail:beyon.happy@163.com。

The Calculation of Turbine Exhaust Enthalpy Based on the Hybrid Model of the Principal Component Analysis and the BP Neural Network

YANG Bin, YANG Yongjun, ZHANG Ya, HUANG Meng, LI Kunlun, DENG Xinliang, BAI Huanqing

Xi'an Thermal Power Research Institute Co., Ltd., Xi'an 710054, China

Received:2017-02-15 Revised:2017-03-20 Online:2018-01-05 Published:2018-02-28

摘要/Abstract

摘要： 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。

关键词: 汽轮机, 排汽焓, 主成分分析, 神经网络

Abstract: Taking a 300 MW turbine as an example, in this paperthe calculation of turbine exhaust enthalpy based on the hybrid model of the principal component analysis and the BP neural network is established. The principal component analysis and the BP neural network are introduced at first. Then,the historical data are collected as the main parameters that affect the steam turbine exhaust enthalpy.The data pre-processing is applied to exclude the bad points. The four major components, with the cumulative contribution value greater than 99.95%, are identified. The calculation model of turbine exhaust enthalpy is established with the four identified components as the BP neural network input parameters and the steam turbine exhaust enthalpy as the output parameter. After being trained and tested, the calculation model of turbine exhaust enthalpy is obtained to facilitate the real-time online monitoring. The results show that the principal component analysis can help to determine the reasonable BP neural network input parameters and improve the accuracy and the speed of the training. The precision of the hybrid model meets the requirements of the project. The fluctuation of the exhaust steam enthalpy is not big in all working conditions.

Key words: steam turbine, exhaust enthalpy, principal component analysis, BP neural network

中图分类号:

TM621

杨斌, 杨永军, 张亚, 黄猛, 李昆仑, 邓新亮, 白欢庆. 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[J]. 中国电力, 2018, 51(1): 126-132.

YANG Bin, YANG Yongjun, ZHANG Ya, HUANG Meng, LI Kunlun, DENG Xinliang, BAI Huanqing. The Calculation of Turbine Exhaust Enthalpy Based on the Hybrid Model of the Principal Component Analysis and the BP Neural Network[J]. Electric Power, 2018, 51(1): 126-132.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.201702049

https://www.electricpower.com.cn/CN/Y2018/V51/I1/126

参考文献

[1] 韩中合,杨昆. 汽轮机中蒸汽湿度测量方法的研究现状[J]. 华北电力大学学报,2002,29(4):44-47. HAN Zhonghe, YANG Kun. Reviews on wetness measurement methods of wet steam in turbine[J]. Journal of North Electric Power University, 2002, 29(4):44-47.
[2] 曹祖庆. 汽轮机变工况特性[M]. 北京:水利电力出版社,1989.
[3] 朱明善. 工程热力学[M]. 北京:清华大学出版社,1995.
[4] 沈士一,庄贺庆,康松,等. 汽轮机原理[M]. 北京:水利电力出版社,1992.
[5] 任浩仁,盛德仁. 汽轮机在线性能计算中排汽焓的确定[J]. 动力工程,1998,18(6):1-4. REN Haoren, SHENG Deren. The enthalpy determining in the steam turbine online performance calculation[J]. Power Engineering, 1998, 18(6):1-4.
[6] 韩中合,杨昆. 凝汽式汽轮机排汽焓的简便算法与误差分析[J]. 汽轮机技术,2006,48(3):167-170. HAN Zhonghe, YANG Kun. A simple method of online calculation steam turbine exhaust enthalpy and error analysis[J]. Turbine Technology, 2006, 48(3):167-170.
[7] 郭江龙,张树芳,陈海平. 火电机组排汽焓在线计算方法的研究[J]. 发电设备,2001(6):11-14. GUO Jianglong, ZHANG Shufang, CHEN Haiping. On-line calculation of exhaust steam enthalpy in thermal power sets[J], Generating Equipment, 2001(6):11-14.
[8] 李慧君,孙定,张斌. 机组母管制给水系统分配方案的研究[J]. 华北电力大学学报,2003,30(3):57-61. LI Huijun, SUN Ding, ZHANG Bin. Research on feed-water distribution scheme in fossil-fired power station[J]. Journal of North Electric Power University, 2003, 30(3):57-61.
[9] 郭江龙,张树芳,陈海平. 基于BP神经网络的汽轮机排汽焓在线计算方法[J]. 热能动力工程,2004,19(2):179-181. GUO Jianglong, ZHANG Shufang, CHEN Haiping. The online calculation method of the steam turbine exhaust steam enthalpy based on the BP neural network[J]. Journal of Engineering for Thermal Energy and Power, 2004, 19(2):179-181.
[10] 吴俊杰,侯宏娟,杨勇平. 神经网络算法在汽轮机排汽焓估算中的应用[J]. 热力发电,2014(8):125-130. WU Junjie, HOU Hongjuan, YANG Yongping. Application of neural network algorithm in steam turbine's exhaust enthalpy estimation[J]. Thermal Power Generation, 2014(8):125-130.
[11] 高惠璇. 应用多元统计分析[M]. 北京:北京大学出版社,2005.
[12] 高隽. 人工神经网络原理及仿真实例[M]. 北京:机械工业出版社,2003.
[13] 黄德双. 神经网络模式识别系统理论[M]. 北京:电子工业出版社,1996.
[14] 张雨浓,杨逸文,肖秀春,等. 样条神经网络的权值直接确定法[J]. 系统工程与电子技术,2009,31(11):2685-2688. ZHANG Yunong, YANG Yiwen, XIAO Xiuchun, et al. Weights direct determination of a spline neural network[J]. System's Engineering and Electronics, 2009, 31(11):2685-2688.
[15] 黄青贵. 人工神经网络导论[M]. 北京:中国水利水电出版社,2004.
[16] 董学育,胡华进,徐治皋. 电站性能分析采样数据的可靠性检验方法[J]. 动力工程,1998,18(2):16-19. DONG Xueyu, HU Huajing, XU Zhigao. The reliability testing method of the sampling data for the power plant performance analysis[J]. Power Engineering, 1998, 18(2):16-19.

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

The Calculation of Turbine Exhaust Enthalpy Based on the Hybrid Model of the Principal Component Analysis and the BP Neural Network

RichHTML

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	吴小忠, 肖立华, 童超, 夏向阳, 袁翎, 甘星, 江志文, 黄湘源. 基于传递熵与JS-BP神经网络的锂离子电池容量预测模型[J]. 中国电力, 2025, 58(2): 186-192, 215.
[2]	王宇飞, 杜桐, 边伟国, 张钊, 刘慧婷, 杨丽君. 基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测[J]. 中国电力, 2024, 57(6): 121-130.
[3]	吴军英, 路欣, 刘宏, 张彬, 柴守亮, 刘蕴春, 王佳楠. 基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测[J]. 中国电力, 2024, 57(6): 131-140.
[4]	邵必林, 纪丹阳. 基于VMD-SE的电力负荷分量的多特征短期预测[J]. 中国电力, 2024, 57(4): 162-170.
[5]	陈巳阳, 韩利, 方济中, 丁五行, 成诚, 李文, 张源, 钱勇. 基于不确定参数的变电站碳储量预估方法[J]. 中国电力, 2024, 57(4): 200-210.
[6]	娄奇鹤, 李荣盛, 谭捷, 袁铁江. 基于卷积神经网络的暂稳极限功率计算[J]. 中国电力, 2024, 57(4): 211-219.
[7]	马汝括, 董杰, 王雅湉, 伊国鑫, 丁祥浩, 马乐. 基于神经网络的高寒地区CF₄和SF₆/CF₄检测[J]. 中国电力, 2024, 57(3): 103-112.
[8]	阎洁, 杨佳琳, 王航宇, 卢姣阳, 刘永前, 张磊. 基于风况预测误差自适应的海上风电场尾流偏转控制方法[J]. 中国电力, 2024, 57(3): 190-196.
[9]	李卓, 王胤喆, 叶林, 罗雅迪, 宋旭日, 张振宇. 从感知-预测-优化综述图神经网络在电力系统中的应用[J]. 中国电力, 2024, 57(12): 2-16.
[10]	陈庆斌, 杨耿煌, 耿丽清, 苏娟, 孙京生. 基于相似日选取和数据重构的短期光伏功率组合预测方法[J]. 中国电力, 2024, 57(12): 71-81.
[11]	陈来恩, 曾小勇, 曾子豪, 成采辰, 孙耀科. 基于物理信息与深度神经网络的锂离子电池温度预测[J]. 中国电力, 2024, 57(11): 18-25.
[12]	薛松萍, 高德荃, 赵子岩, 林彧茜, 广泽晶, 张大卫. 基于业务差异化传输需求下的电力通信网路由算法[J]. 中国电力, 2024, 57(11): 183-190.
[13]	周颖, 白雪峰, 王阳, 邱敏, 孙冲, 武亚杰, 李彬. 面向虚拟电厂运营的温度敏感负荷分析与演变趋势研判[J]. 中国电力, 2024, 57(1): 9-17.
[14]	王大兴, 宁妍, 汪敬培, 徐洋, 毕峻, 周铭标, 王鹏. 构建新型电力系统背景下的微电网鲁棒简化建模[J]. 中国电力, 2024, 57(1): 148-157.
[15]	皮志勇, 朱益, 廖玄, 李振兴, 方豪, 吴沛. 基于深度学习的智能变电站通信链路故障定位方法[J]. 中国电力, 2023, 56(7): 136-145.

模态框（Modal）标题

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

The Calculation of Turbine Exhaust Enthalpy Based on the Hybrid Model of the Principal Component Analysis and the BP Neural Network

RichHTML

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics