[发明专利]一种基于机器算法的汽轮机低压缸排汽焓实时计算方法

说明书

技术领域

本发明属于动力行业领域，具体涉及一种基于机器算法的汽轮机低压缸排汽焓实时计算方法。

背景技术

现代大型火力发电汽轮机组往往需要在线计算机组的经济性，低压缸相对内效率的计算是制约汽轮机效率计算的一大难点，主要归结于低压缸的排汽焓难以在线计算。低压缸的排汽不同于高压缸以及中压缸的排汽，其处于湿蒸汽区，需要通过湿蒸汽干度、饱和蒸汽压力以及饱和蒸汽温度求得，但是，目前大多数机组没有装设低压缸排汽干度在线测量装置，这就制约着低压缸排汽焓的在线计算，从而影响了在线计算低压缸效率，进而影响了整个热力系统的在线经济分析。

传统的能量平衡法计算了汽轮机的排汽焓，计算繁琐、工作量大，所需数据多，实时性较差。单纯的人工神经网络算法，在排汽焓的在线计算中取得了一定的效果，但是输入变量类型太多或太少都影响学习的精度，无法确定合适的输入变量。

参数合理并且数量合适的输入变量，能够提高BP神经网络的训练精度和训练速度。如何确定合理人工神经网络算法计算汽轮机排汽焓的输入变量从而提高神经网络的计算精度和计算速度就成了技术难点。

发明内容

本发明的目的在于提供一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，该方法通过主成分分析等数据挖掘技术确定合理的神经网络输入变量个数，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，通过对模型的训练得到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，便于在线监测中实时调用，从而在线计算汽轮机的排汽焓，从而在线分析热力系统的经济性。

为达到上述目的，本发明采用的技术方案是：

一种基于机器算法的汽轮机低压缸排汽焓实时计算方法，包括以下步骤：

1)收集汽轮机运行工况的历史数据并进行数据预处理；

2)对输入变量做主成分分析，得到n个主要成分；

3)建立汽轮机低压缸排汽焓的神经网络预测模型；

4)基于主成分分析与神经网络复合模型对汽轮机低压缸排汽焓计算模型进行训练；

5)将训练好的模型储存起来，在实时计算时直接调用训练好的模型即可。

本发明进一步的改进在于，步骤1)的具体实现方法如下：

提取汽轮机运行工况下的历史数据，包括由机组负荷、主蒸汽流量、主汽压力、主汽温度、调节级后压力和温度、中压缸进汽压力和进汽温度组成的进汽参数，由高压缸排汽压力和排汽温度、低压缸排汽和排汽温度组成的排汽参数，由汽轮机第一级到第八级抽汽压力和抽汽温度组成的抽汽参数，以及汽轮机低压缸排汽焓试验数据，并对历史数据进行五阶不加权证实法数据预处理，剔除坏点。

本发明进一步的改进在于，步骤2)的具体实现方法如下：

主成分分析通过把分量相关的随机变量转换为分量不相关的新的随机变量，得到累计贡献值大于99.95％的n个主要成分，计算模型如下：

式中：为预测值；为原始数据；B为系数矩阵。

本发明进一步的改进在于，步骤3)中，用经过主成分分析后的n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。

本发明进一步的改进在于，步骤3)的具体实现方法如下：

(1)构造样本

式中：x^ij为第i组样本数据中的第j个变量的值，i＝1,2,3,…,n，j＝1,2,3,…,p；

(2)对样本矩阵X进行正指标变换得

(3)对Y做标准化变换得到标准化矩阵Z；

式中：为Y矩阵中第j列的均值，s_j为Y矩阵中第j列的标准差；

(4)计算标准化矩阵Z的样本相关系数矩阵R；

(5)求矩阵R的特征值，解得P个特征值λ₁≥λ₂≥…≥λ_p≥0；

|R-λI_p|＝0 (7)

(6)确定主成分的个数m，使信息的利用率达到99.95％以上，确定方法为：

对每个λ_j,j＝1,2,…,m，解方程组Rb＝λ_jb，得单位特征向量：

式中：b为矩阵R的特征向量；