本發(fā)明涉及一種asca和rbf神經(jīng)網(wǎng)絡(luò)模型的汽輪機(jī)閥門流量特性分析方法，具體地，本發(fā)明可以實(shí)現(xiàn)歷史數(shù)據(jù)驅(qū)動(dòng)的汽輪機(jī)高壓調(diào)節(jié)閥門(簡(jiǎn)稱高調(diào)門)流量特性計(jì)算方法，屬于汽輪機(jī)控制領(lǐng)域。

背景技術(shù)：

汽輪機(jī)調(diào)節(jié)系統(tǒng)閥門流量特性曲線就是汽輪機(jī)進(jìn)汽調(diào)節(jié)閥門的開度與通過(guò)閥門的蒸汽流量之間對(duì)應(yīng)關(guān)系。在生產(chǎn)過(guò)程中，汽輪機(jī)長(zhǎng)時(shí)間運(yùn)行后或高調(diào)門解體檢修后，高調(diào)門的流量特性將會(huì)發(fā)生改變，與原調(diào)門流量開度修正函數(shù)產(chǎn)生偏差。汽輪機(jī)調(diào)節(jié)系統(tǒng)閥門流量特性曲線如果與實(shí)際閥門流量相差較大，在機(jī)組變負(fù)荷和一次調(diào)頻時(shí)，可能出現(xiàn)負(fù)荷突變和調(diào)節(jié)緩慢等問(wèn)題，造成機(jī)組控制性能變差，影響機(jī)組的安全性和變負(fù)荷能力，嚴(yán)重時(shí)會(huì)導(dǎo)致汽輪機(jī)軸系劇烈振蕩。在順序閥方式下，如果調(diào)節(jié)閥門重疊度設(shè)置不合理，也會(huì)影響機(jī)組投入順序閥的經(jīng)濟(jì)性。

測(cè)定汽輪機(jī)閥門流量特性曲線需要進(jìn)行汽輪機(jī)閥門流量特性試驗(yàn)，但傳統(tǒng)的試驗(yàn)方法操作較復(fù)雜，耗時(shí)較長(zhǎng)，容易影響機(jī)組運(yùn)行，而常用的優(yōu)化計(jì)算方式效率較低、準(zhǔn)確性欠佳。本方法采用基于正弦余弦算法(asca)和徑向基(rbf)神經(jīng)網(wǎng)絡(luò)綜合建模的汽輪機(jī)閥門流量預(yù)測(cè)模型來(lái)研究汽輪機(jī)實(shí)際閥門流量特性，實(shí)現(xiàn)了歷史數(shù)據(jù)驅(qū)動(dòng)的汽輪機(jī)調(diào)節(jié)閥門流量特性發(fā)掘方法，節(jié)省了人力物力。

本專利采用正弦余弦算法與徑向基神經(jīng)網(wǎng)絡(luò)綜合建模的方法，rbf神經(jīng)網(wǎng)絡(luò)是一個(gè)兩層的前饋神經(jīng)網(wǎng)絡(luò)。

采用asca算法，對(duì)影響神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)性能的輸入權(quán)值、隱層閾值和初始擴(kuò)展常數(shù)等結(jié)構(gòu)參數(shù)的取值進(jìn)行優(yōu)化，使用汽輪機(jī)歷史運(yùn)行數(shù)據(jù)對(duì)具有最優(yōu)結(jié)構(gòu)參數(shù)的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后使用該預(yù)測(cè)模型計(jì)算在模擬單閥試驗(yàn)工況下的汽輪機(jī)閥門流量，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的汽輪機(jī)高壓調(diào)節(jié)閥門流量特性分析方法。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明提供一種asca和rbf神經(jīng)網(wǎng)絡(luò)模型的汽輪機(jī)閥門流量特性分析方法，將歷史數(shù)據(jù)應(yīng)用于閥門流量特性的發(fā)現(xiàn)，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽輪機(jī)調(diào)節(jié)級(jí)壓力的預(yù)測(cè)，從而在無(wú)需進(jìn)行運(yùn)行試驗(yàn)的情況下得到汽輪機(jī)高壓調(diào)節(jié)閥的單閥流量特性曲線。

本發(fā)明的提供的技術(shù)方案為提供一種asca和rbf神經(jīng)網(wǎng)絡(luò)模型的汽輪機(jī)閥門流量特性分析方法，包括如下步驟。

第一步、建立使用正交最小二乘算法訓(xùn)練的rbf神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，即將具有m個(gè)數(shù)據(jù)中心的rbf神經(jīng)網(wǎng)絡(luò)視為具有n組樣本，m個(gè)回歸因子的特殊回歸模型，使用添加人工噪聲的標(biāo)準(zhǔn)訓(xùn)練樣本確定所建立神經(jīng)網(wǎng)絡(luò)合適的初始擴(kuò)展常數(shù)和訓(xùn)練時(shí)間。

第二步、建立asca算法并將其應(yīng)用到不同的基準(zhǔn)優(yōu)化問(wèn)題上，比較該算法與其它優(yōu)化算法對(duì)于不同的高維單峰標(biāo)準(zhǔn)函數(shù)和高維多峰標(biāo)準(zhǔn)函數(shù)的優(yōu)化效果，以驗(yàn)證該算法的有效性。

第三步、基于步驟(一)和步驟(二)，建立asca算法和rbf神經(jīng)網(wǎng)絡(luò)的綜合模型以提高預(yù)測(cè)模型的計(jì)算精度和建模速度，使用asca算法對(duì)rbf神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值、隱層閾值和初始擴(kuò)展常數(shù)進(jìn)行優(yōu)化，并以目標(biāo)函數(shù)適應(yīng)度值最小為原則，確定最優(yōu)的模型結(jié)構(gòu)參數(shù)并應(yīng)用于rbf神經(jīng)網(wǎng)絡(luò)，即完成asca算法和rbf神經(jīng)網(wǎng)絡(luò)的模型建立。

第四步、采集汽輪機(jī)組的歷史運(yùn)行數(shù)據(jù)，并對(duì)其進(jìn)行篩選、清洗以獲得最能代表機(jī)組運(yùn)行狀況的一組代表性數(shù)據(jù)，并將這部分?jǐn)?shù)據(jù)分為訓(xùn)練樣本和測(cè)試樣本。

第五步、使用步驟(四)中得到的樣本數(shù)據(jù)應(yīng)用于步驟(三)建立的asca算法和rbf神經(jīng)網(wǎng)絡(luò)的綜合模型，訓(xùn)練得到汽輪機(jī)閥門流量預(yù)測(cè)模型。

第六步、使用步驟(五)中得到的汽輪機(jī)閥門流量預(yù)測(cè)模型，進(jìn)行模擬的汽輪機(jī)單閥流量特性試驗(yàn)，即設(shè)置某一閥門的開度數(shù)據(jù)從0到100，其它輸入數(shù)據(jù)的值保持不變，得到汽輪機(jī)流量預(yù)測(cè)模型的輸出變量即調(diào)節(jié)級(jí)壓力，再進(jìn)行相關(guān)計(jì)算得到該閥門的單閥流量特性。

所述的正交最小二乘算法訓(xùn)練的rbf神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法為假設(shè)有n組樣本，m個(gè)回歸因子，建立回歸方程，其回歸方程的數(shù)學(xué)表達(dá)式為：

pi＝[pi(1),pi(2),…,pi(n)]^t

θ＝[θ1,θ1，...θm]

式中d(t)為期望輸出，pi＝[pi(1),pi(2),…,pi(n)]^t是1≤i≤m是一組基向量的集合，與神經(jīng)網(wǎng)絡(luò)中的徑向基相對(duì)應(yīng)，θ＝[θ1,θ2，...θm]是待求參數(shù)，ε(t)是噪聲誤差。

然后選擇隱層數(shù)據(jù)中心的問(wèn)題轉(zhuǎn)化為從候選集合選擇一組回歸算子，使得對(duì)于期望輸出有最大的貢獻(xiàn)，使用最小二乘算法從所有的候選回歸算子中選擇適當(dāng)?shù)囊粋€(gè)子集作為數(shù)據(jù)中心，依次選擇數(shù)據(jù)中心，在滿足誤差容許范圍時(shí)結(jié)束算法，誤差控制條件為：

式中ρ是預(yù)設(shè)的容忍誤差，ms數(shù)據(jù)中心點(diǎn)個(gè)數(shù)，[err]j為加入第j個(gè)數(shù)據(jù)中心而引起的誤差下降比例，其中1<j<ms。

本方法的主要思想是使用asca-rbf神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了使用主蒸汽壓力，各調(diào)節(jié)閥后壓力等參數(shù)對(duì)調(diào)節(jié)級(jí)壓力的預(yù)測(cè)，也即實(shí)現(xiàn)了在已知主蒸汽壓力和各調(diào)節(jié)閥開度情況下對(duì)于主蒸汽流量的預(yù)測(cè)。本方法使用了機(jī)組歷史運(yùn)行數(shù)據(jù)作為rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本以得到汽輪機(jī)閥門流量預(yù)測(cè)模型，并采用了asca算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化以提高預(yù)測(cè)模型的精度和泛化能力。

在得到的汽輪機(jī)閥門流量預(yù)測(cè)模型中輸入對(duì)應(yīng)單閥試驗(yàn)工況下的主蒸汽壓力、各調(diào)節(jié)閥后壓力等參數(shù)值，計(jì)算在目標(biāo)調(diào)節(jié)閥從全開到全關(guān)過(guò)程中的調(diào)節(jié)級(jí)壓力變化情況，再應(yīng)用閥門流量特性計(jì)算方法就可以得到目標(biāo)調(diào)節(jié)閥門的流量特性曲線。

附圖說(shuō)明

圖1asca-rbf網(wǎng)絡(luò)建模模塊流程圖；

圖2徑向基神經(jīng)網(wǎng)絡(luò)的模型圖。

具體實(shí)施方式

下面結(jié)合附圖及具體的實(shí)施例對(duì)發(fā)明進(jìn)行進(jìn)一步介紹：

本實(shí)例中使用某超臨界汽輪機(jī)組n660-24.2/566/566的歷史運(yùn)行數(shù)據(jù)通過(guò)asca-rbf神經(jīng)網(wǎng)絡(luò)來(lái)計(jì)算高壓調(diào)節(jié)閥門的流量特性曲線。

1.收集汽輪機(jī)近期一段時(shí)間內(nèi)的歷史運(yùn)行數(shù)據(jù)。由于需選取目標(biāo)調(diào)節(jié)閥門全開度范圍內(nèi)的運(yùn)行數(shù)據(jù)，采集了汽輪機(jī)組順序閥配汽方式下一段時(shí)間內(nèi)的運(yùn)行數(shù)據(jù)，順序閥的開啟閥序?yàn)?/2-3-4，該段時(shí)間內(nèi)機(jī)組的綜合閥位指令從100％減小到72％，高壓調(diào)節(jié)閥gv3的開度從100％到0％，采用這段時(shí)間內(nèi)的數(shù)據(jù)對(duì)高壓調(diào)節(jié)閥的流量特性進(jìn)行分析，歷史運(yùn)行數(shù)據(jù)列于表1。

表1機(jī)組gv3全開到關(guān)閉的歷史運(yùn)行數(shù)據(jù)

2.選擇調(diào)節(jié)級(jí)壓力作為預(yù)測(cè)模型的輸出變量，選擇主汽壓力、gv1閥后壓力、gv2閥后壓力、gv3閥后壓力、gv4閥后壓力作為預(yù)測(cè)模型的輸入變量。

3.建立使用正交最小二乘算法訓(xùn)練的rbf神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，選擇隱層數(shù)據(jù)中心的等同于選擇一組回歸算子，使得對(duì)于期望輸出有最大的貢獻(xiàn)。實(shí)際計(jì)算時(shí)，使用最小二乘算法從所有的候選回歸算子中選擇適當(dāng)?shù)囊粋€(gè)子集作為數(shù)據(jù)中心，依次選擇數(shù)據(jù)中心，在第一步，對(duì)1≤i≤m，計(jì)算

w1⁽ⁱ⁾＝pi

g1⁽ⁱ⁾＝(w1⁽ⁱ⁾)^td/((w1^(i)tw1⁽ⁱ⁾)

[err]1⁽ⁱ⁾＝(g1⁽ⁱ⁾)²(w1⁽ⁱ⁾)^tw1⁽ⁱ⁾w1⁽ⁱ⁾/(d^td)

式中w1⁽ⁱ⁾為第一個(gè)正交列向量，pi為第i個(gè)基向量，g1⁽ⁱ⁾為正交最小二乘解向量，d為期望輸出，[err]1⁽ⁱ⁾為第一個(gè)數(shù)據(jù)中心點(diǎn)引起的誤差下降比例。

從中尋找比率最大的值：

[err]1⁽ⁱ¹⁾＝max{[err]1⁽ⁱ⁾,1≤i≤m}

選擇第一個(gè)列向量，即為第一個(gè)數(shù)據(jù)中心

w1＝w1(ⁱ)＝pi1

確定下一個(gè)數(shù)據(jù)中心，當(dāng)滿足誤差控制條件時(shí)結(jié)束算法，不滿足時(shí)繼續(xù)增加下一個(gè)數(shù)據(jù)中心。其中誤差控制條件為：

式中ρ是預(yù)設(shè)的容忍誤差，ms數(shù)據(jù)中心點(diǎn)個(gè)數(shù)，[err]j為加入第j個(gè)數(shù)據(jù)中心而引起的誤差下降比例，其中1<j<ms。通過(guò)對(duì)容忍誤差的控制,可以使得數(shù)據(jù)中心點(diǎn)個(gè)數(shù)更少，即容忍誤差可以控制神經(jīng)網(wǎng)絡(luò)隱層數(shù)目，平衡神經(jīng)網(wǎng)絡(luò)的復(fù)雜性和精確性，使得rbf神經(jīng)網(wǎng)絡(luò)具有較高的精度和泛化能力。

4.建立正弦余弦(asca)算法。初始化算法參數(shù)：設(shè)置群體規(guī)模大小50，最大迭代次數(shù)200，慣性權(quán)重的最大值0.09和最小值0.02；采用量子位bloch球面對(duì)每個(gè)候選解進(jìn)行編碼，最后映射到優(yōu)化問(wèn)題的解空間，然后計(jì)算群體中每個(gè)個(gè)體的適應(yīng)度值，根據(jù)適應(yīng)度值的大小排序，最后選取初始群體；計(jì)算初始群體中的個(gè)體適應(yīng)度，并且以適應(yīng)度最小的個(gè)體位置作為最優(yōu)位置；使用正弦或余弦模型來(lái)更新下一代的位置，位置更新公式如下：

式中，表示當(dāng)前解的第i維第t次迭代的空間位置；pi表示第i維目標(biāo)點(diǎn)的空間位置。r1＝a-a×t/tmax，t表示當(dāng)前迭代次數(shù)，tmax為最大迭代次數(shù)；r2表示[0,2π]中的隨機(jī)數(shù)；r3表示[0,2]中的隨機(jī)數(shù)。

建立asca算法和rbf神經(jīng)網(wǎng)絡(luò)的綜合模型以提高預(yù)測(cè)模型的計(jì)算精度和建模速度。采用asca算法對(duì)rbf神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值、隱層閾值和初始擴(kuò)展常數(shù)進(jìn)行優(yōu)化，以目標(biāo)適應(yīng)度值最小為原則，通過(guò)判斷是否達(dá)到最大循環(huán)迭代次數(shù)為循環(huán)中止條件，使用asca算法優(yōu)化后的結(jié)構(gòu)參數(shù)設(shè)置rbf神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，輸入權(quán)值、隱層閾值和隱節(jié)點(diǎn)的數(shù)據(jù)寬度的尋優(yōu)范圍均為[0,1]，最大迭代次數(shù)為200次。完成asca算法和rbf神經(jīng)網(wǎng)絡(luò)綜合模型的建立。

5.使用asca算法和rbf神經(jīng)網(wǎng)絡(luò)的綜合模型訓(xùn)練得到汽輪機(jī)閥門流量預(yù)測(cè)模型。將一部分樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)用于rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，另一部分?jǐn)?shù)據(jù)作為測(cè)試樣本驗(yàn)證rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性，并使用汽輪機(jī)閥門流量預(yù)測(cè)模型，進(jìn)行模擬的汽輪機(jī)單閥流量特性試驗(yàn)，即設(shè)置某一閥門的開度數(shù)據(jù)從0到100，其它輸入數(shù)據(jù)的值保持不變，得到汽輪機(jī)單閥流量特性，并將其與實(shí)際的調(diào)閥流量特性曲線進(jìn)行比較以評(píng)價(jià)該預(yù)測(cè)模型的精確性，也可考慮增加汽輪機(jī)閥門流量影響變量以增加rbf神經(jīng)網(wǎng)絡(luò)的復(fù)雜性和精度。

以上僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)該視為本發(fā)明的保護(hù)范圍。