（热能工程专业论文）660mw机组监测与诊断技术的研究.pdf

学号 独创性声明 y 6 8 0 2 8 3 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得逝、江太堂或其他教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 己在论文中作了明确的说明并表示谢意。 学位论文作者签名：别嘭巧签字日期：卯尹年月7 7 日 学位论文版权使用授权书 本学位论文作者完全了解逝江太堂有关保留、使用学位论文的规定，有 权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借 阅。本人授权逝堑盔堂可以将学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：葫1 易轧 导师签名 签字日期：吖年。月7 日 学位论文作者毕业后去向 工作单位： 通讯地址： 磅妒 签字日期：扎睁z 月9 日 电话： 邮编： 浙江大学硕士学位论文 摘要 发电机组性能监测与优化系统对于发电企业节能降耗有重要意义。论文深入 研究了神经网络技术、免疫算法和专家系统技术在该系统中的应用。全文共六章。 第一章论述了课题研究的意义、国内外发展情况和研究思路。 第二章研究基于人工神经网络技术的数据预测验证方法。提出对影响性能指 标计算的测量值采用延时网络模型，相关量作为输入，被预测量作为输出，该模 型鲁棒性强，但计算量较大。对用于系统监测的测量值采用回归网络模型，被预 测量的历史值作为输入，被预测量作为输出，该模型简单且计算量小。采用多点 均值法进行在线样本数据的选择，训练方法根据预测模型确定。 第三章提出用免疫算法和禁忌搜索算法解决机组优化组合问题。在详细阐述 免疫算法和禁忌搜索算法原理的基础上，提出用运行状态持续时间进行抗体编 码；用单时段最优组合中运行状态有变化的机组所有组合作为搜索范围：用递归 微增率法进行机组间的负荷分配。在免疫算法中引入禁忌搜索算法，提高了免疫 算法的局部搜索能力，增强了其收敛性。 第四章对应用c l i p s 专家系统工具开发凝汽器故障诊断专家系统进行了深 入探讨。针对对分式凝汽器对故障集和故障征兆集进行了总结和细化，给出征兆 的隶属函数和适用于模糊推理的产生式推理规则，开发了基于c l i p s 的诊断知 识库，并用v c + + 开发了w i n d o w s 平台下的专家系统动态链接库。 第五章结合沙角某电厂的优化系统，探讨了基于i n t r a n e t 性能优化系统的构 建与开发，提出采用简单a c t i v e x 控件加复杂小程序的方式可以解决复杂控件受 客户端影响易出错误的问题。 最后一章对本文的研究内容做了总结，并且对进一步的研究工作进行展望。 浙江大学硕士学位论文 a b s t r a c t o n 1 i n ep e r f o r m a n c em o n i t o r i n ga n do p e r a t i o n a lo p t i m i z i n gs y s t e mi so fg r e a t i m p o r t a n c e f o re c o n o m i co p e r a t i o ni n p o w e rp l a n t t h et e c h n o l o g ya b o u ta n n i m m u n ea l g o r i t h ma n de x p e r ts y s t e m ，a p p l i c a t e di nt h i sk i n do fs y s t e mi ss t u d i e di n d e t a i l t h i sd i s s e r t a t i o nc o n s i s t so f s i xc h a p t e r s c h a p t e r i g i v e sc o m p r e h e n s i v ed e s c r i p t i o n a b o u tt h er e s e a c hw o r ka n dt h e c u r r e n tr e s e a r c hs t a t u s t h er e s e a r c ho r i e n t a t i o no f t h i sd i s s e r t a t i o ni sa l s og i v e n c h a p t e r2s t u d i e st h ep r e e s t i m a t ea n dv a l i d a t i o nm e t h o do f m e a s u r e dd a t ab a s e d t h ea n n t e c h n o l o g y t i m ed e l a ya n n m o d e li su s e df o rt h em e a s u r e dd a t at h a ti s r e l a t i v et oc o m p u t e dv a l u e i nt h i sm o d e l ，t h em e a s u r e dd a t ac o r r e l a t i v ew i t ht h e p r e e s t i m a t ed a t ai si n p u ta n d t h ep r e e s t i m a t ed a t ai so u t p u t t h i sm o d e li sv e r yr u d e b u tn e e dm u c ht i m et oc o m p u t e r e c u r r e n ta n nm o d e li su s e df o r t h em e a s u r e dd a t a t h a ti so n l yi n s p e c t e di nt h es y s t e m i nt h i sm o d e l ，t h eh i s t o r yd a t ao ft h ep r e e s t i m a t e d a t ai si n p u ta n dt h ep r e e s t i m a t ed a t ai so u t p u t t h i sm o d e li ss i m p l ea n dh a sar a p i d c o m p u t i n gs p e e d m e a s u r e d d a t ai sa v e r a g e dt ob es a m p l ed a t a c h a p t e r3p r o p o s e s ah y b r i da l g o r i t h mb a s e do nt h e i n t e g r a t i o no fi m m u n e a l g o r i t h ma n dt a b us e a r c ha l g o r i t h mt o s o l v et h eu n i tc o m m i t m e n tp r o b l e m 1 1 1 e p r i n c i p l eo f i m m u n ea l g o r i t h ma n dt a b us e a r c ha l g o r i t h mi sp r e s e n t e di nd e t a i l t h e d u r a t i o no f o p e r a t i o ns t a t u si se n c o d e d t of o r m a n t i b o b y ；t h es e a r c hs c o p ei sa u n i ts e t o fw h i c hu n i ts t a t u si sv a r i b l ei no p t i m a lc o m b i n a t i o no fs i n g l ep e r i o d ；r e c u r r e n c e m i c r o g r o w t hr a t ei su s e d f o rd i s t r i b u t i n gl o a da m o n gu n i t s t a b us e a r c ha l g o r i t h ma s o n es t e po fi m m u n ea l g o r i t h m ，i m p r o v e si t sl o c a ls e a r c h i n ga b i l i t ya n de n h a n c e si t s a s t r i n g e n c y c h a p t e r4d i s c u s s e st h ed e v e l o p m e n to ft h e c o n d e n s e rf a u l td i a g n o s i se x p e r t s y s t e m w i t hc l i p s 功e t y p i c a l f a u l t s s y m p t o m s o ft h e l a r g ep o w e r - s t a t i o n h a l v i n g s t y l ec o n d e n s e r a r ea b s t r a c t e da n dt h es y m p t o m ss e ta l ec o m p l e t e d a l s ot h e f u z z ys u b o r d i n a t i v ef u n c t i o na n dt h ep r o d u c t i o nr u l e a r es t u d i e d b a s e do nt h e s e s t u d i e st h em l eb a s ei sd e v e l o p e da n dp a c k e di n t oad y n a m i cl i n kl i b r a r yf o rw i n d o w s o p e r a t i o ns y s t e m c h a p t e r5p r e s e n t st h ed e v e l o p m e n to f o n - l i n ep e r f o r m a n c eo p t i m i z i n gs y s t e m b a s e do nt h ei n t r a n e ti np o w e rp l a n t ，a n dp r o p o s e st h ew a yo ft h es i m p l ea c t i v e x c o m p o n e n tw i t hc o m p l e x s m a l l a p p l i c a t i o n t os o l v et h ed o w n l o a dp r o b l e mo f c o m p l e x a c t i v e x c o m p o n e n t i nc l i e n t t h el a s t c h a p t e rs u m m a r i z e st h em a i nr e s e a r c h c o n c l u s i o n sw i t hw h i c ht h i s d i s s e r t a t i o nc o n c e r n s t h ep r o s p e c to f f u r t h e rr e s e a r c hw o r ki sa l s om a d e 2 浙江大学硕士学位论文 第一章绪论 第一节课题的意义 在我国，火力发电行业是消费一次能源的大户。我国一次能源以煤为主，目 前发电燃煤在全国的煤炭消费中约占6 1 ，其发电量占总发电量的8 0 以上。 根据最新统计资料表明，我国火力发电厂平均供电煤耗率为3 7 0 9 ( k w h ) ，比世 界发达国家同类指标高出5 0 9 0 c w _ h ) 以上，这表明我国火电机组的节能潜力巨 大。国家电力公司以“节能降耗，可持续发展”为主题，规划了十五期间的节能 目标，即供电煤耗平均每年降低2 3 9 ( k w h ) ，到2 0 0 5 年，公司供电煤耗降低 到3 5 5 - - 3 6 0 9 ( k w h ) 。这要求，一方面新建机组要向高参数、大容量方向发展： 另一方面要大大提高现有机组的热经济性，降低煤耗率，节约能源消耗。因此， 火力机组性能监测与优化运行等系统已经在众多电厂被广泛采用。 另外，随着电力市场的不断发展，行业竞争日益激烈，降低发电成本和提高 经济效益已成为各发电企业的迫切需要。在电厂及单元机组运行中，厂长、经理 关心的问题已不仅是安全、满发，还有电厂的各项经济指标，用最少的成本带来 最多的效益，同时对设备损害最少。火电厂优化软件的应用将为管理者实现这个 目标提供最有力的工具，因为它符合信息时代企业盈利的公式和法则：把信息变 成知识，把知识变成决策，把决策变成利润。火电厂运行优化系统作为指导电厂 优化运行的主要工具同益显示出其重要性，其主要作用如下： 1 提供决策有力工具目前国内多数3 0 0 m w 以上的燃煤机组均配置d c s ， 包括一些管理软件功能( 机组性能计算等) ，但仅限于给出计算结果，不具有偏 差分析和指导运行功能。优化软件则提供了多种供生产管理人员分析、管理生产 过程的手段和工具。 2 是m i s 和e r p 的基础国内很多电厂都已建设或正在筹建m i s 。从实 际应用情况看，各家m i s 供应商的软件覆盖范围和功能差异较大，但共同特点 是：有优化管理软件支持的m i s 效果更好，否则无法充分发挥m i s 作用。 3 最大限度地发挥d c s 作用在流程系统中采用d c s 使整个系统达到最 优，比采用常规仪表约增加7 0 一8 0 的投资；而不采用智能控制软件优化过 浙江大学硕士学位论文 程，增加的效益只有系统最优的1 0 一2 0 ，即d c s 真正的优势并未完全发挥 出来，性价比较低。在此基础上只要增加很少的投资，如2 0 ，就可得到约全 部收益的7 0 ，大大提高其性价比。 4 提高专家资源利用率目前许多优化软件都支持远程通信方式，使远程 设备故障诊断、机组性能分析及信息监控功能成为可能。它可充分发挥火电厂及 电力系统专家的作用，在机组运行中依靠优化软件提供的功能，对机组性能和设 备状态进行异地远程监控和故障分析。专家可在短期内同时处理多个电厂的性能 故障分析，对于偏远地区电厂的重大事故分析具有重要意义呓“如。 目前，国内研究开发电厂运行优化系统的单位不少，并且已有一些产品在运 行。在对这些产品的使用情况调研中发现使用情况并不令人满意，究其原因，主 要有以下几点： 1 系统计算使用的数据常常采集不正确，其原因主要有数据传输闲络异常、 测点异常及干扰等，从而导致系统计算结果出现较大偏差。 现有系统中的数据验证方法一般采用根据设计值设定一个范围，超出该范围 即认为是坏数据，发现坏数据后，即用设计值替代进行计算。这种方法对一部分 变化范围很小的参数是有效的，而对那些变化范围很大的参数效果则不好。由于 数据变化范围大，设定范围也大，发现错误的机会就少了，用设计值代替坏数据， 由于设计值与当前工况的实际值偏差较大，使计算结果误差较大，可信度下降。 2 不具备在线故障诊断与决策功能通过性能计算和能损分析，可以得到 设备的经济性能情况。对于经济性下降较大的设备，分析其原因、发展趋势和采 取措施，对电厂运行和管理人员有重要意义。如某加热器性能下降严重，通过近 期数据分析，找出各参数变化的趋势，根据故障诊断模型，判断可能的故障和产 生的原因。如果严重故障，考虑到经济性和安全性，给出是停机检修还是切除运 行至下次大修。由于机组设备众多且关系复杂，在线判断有一定的难度。而运行 决策则涉及机组负荷预测和机组在任意工况下设备故障运行( 包括隔离运行) ， 与健康运行的经济性比较。目前投入运行的优化系统没有该功能。 另外，机组负荷优化分配的功能也越来越得到电厂的重视。由于电网峰谷差 日趋增大，大多数大、中型机组不得不承担调峰任务，机组的负荷增减相当频繁。 研究如何通过机组负荷优化分配，在满足机组运行安全和供电需求的前提下，实 浙江大学硕士学位论文 现发电厂在整个调度周期内总的燃料耗量达到最小，对于电厂的经济运行具有重 要的现实意义。有文献表明，通过机组负荷优化分配相对效率可提高l 2 5 “1 ， 其效益相当可观，所以机组的负荷优化分配问题一直是电力系统的研究热点。 针对这些需求，论文在开发沙角c 电厂运行优化指导系统的过程中，完善以 前版本系统的同时，增加实时数据预处理模块，机组优化负荷分配模块和性能渗 断模块，使优化运行系统发挥更大的作用。 第二节国内外发展情况 从2 0 世纪8 0 年代开始，随着计算机技术和控制理论不断发展，国外火电厂 优化软件逐步开始应用，经多年试验、使用、总结和完善，很多软件包已比较成 熟，经济效益显著。9 0 年代，计算机软硬件发展及更新速度加快，不仅人机界 面友好，系统互换性增强，而且随着数据库功能不断完善和开发，各种高级应用 软件层出不穷。尤其是近几年，企业管理信息系统( m i s ) 和企业资源计划( e r p ) 系统的普遍应用，使得应用于火电厂的优化管理软件有了很大发展和更多应用： 迄今为止，国外大部分d c s 供货商均开发了数量不等的火电厂优化管理软件， 其中功能较完善并有较多应用的软件包有德国s i e m e n s 公司的s i e n e r g y 系统、美 国e l a g hb a i l e y 公司的p e r f o r m e r 系统及瑞士a b b 公司的0 p t i m a x 系统等。这些 软件可整包提供，也可按不同需要分包供应，并在国外近几年投产的大型火电厂 中均有不同程度的应用t s l 。 德国s i e m e n s 公司的优化软件包s i e n e r g y 是用于电厂运行管理一体化的软件 包，其s i e n e r g y 含义具有s i e m e n s 的e n e r g y 系统之意。特点是整个电厂运行和管 理全部以降低成本为核心，从燃料、设备运行费用、机组效率及主要部件寿命损 耗等多个角度出发，进行综合优化管理。该软件包有很多小的分包，涵盖了机组 实时优化控制、系统优化管理、设备维护管理、项目管理、文件管理和各种接口 软件。其中的机组效率分析优化模块( s i h ) 主要用于机组性能和效率分析。它 采用对锅炉、汽轮机、热力系统、汽水系统和烟风系统的数学模型进行仿真，从 整个电厂运行角度动态分析各设备或系统效率，并考虑了电厂各设备问的热力关 系，以图形方式显示设备或系统效率是否降低，并以货币形式反映对运行成本的 影响，为运行和管理人员提供了直观、清晰的故障标识。该软件包已在德国l u n e n 浙江大学硕士学位论文 电站( 5 0 0 m w 本生锅炉) 和b e n b u r e n 电站( 7 5 0 m w 本生锅炉) 应用”1 。 a b b 公司的优化软件o p t i m a x 是在线的电厂效率计算优化软件包。o p t i m a x 是o p t i m u m 和m a x i m u m 的缩写，即最大限度地优化电厂过程，实质是以成本为 核心，将机组或整个电厂置于最优状态下运行”1 。 e 1 前，国内火电厂优化软件的开发和应用还处于初级阶段。国内有能力开发 这类软件的单位不少，有些已做了相当工作，并且已经有些类似软件在使用中， 但其使用效果还需进一步考查和验证，所以并未形成真正的产品。火电厂优化运 行系统以性能计算和能损分析为基础，通过对运行参数的计算，确定机组运行状 态和部件性能对机组经济性的影响，从而揭示出使机组经济性降低的各种因素； 通过对设备性能状态分析和运行参数分析，给出最优经济运行指导：通过对机组 运行参数和重要指标的统计和计算，对运行中的设备进行在线故障分析妇”7 盯。 能损分析是用来计算运行参数偏离应达值而引起的能量损失，目前主要采用 的方法是等效焓降法和偏差分析法。具体计算应该根据不同参数的特点选用不同 的方法。 1 热偏差法对于机组效率影响较大的一类参数，如主蒸汽压力、主蒸汽温 度、再热蒸汽温度等，一般采用热偏差法。首先计算该参数对效率的影响度，然 后计算运行参数偏离应达值的程度，最后计算由此引起的能量损失。 2 等效焓降法等效焓降法主要用来分析蒸汽动力装置和热力系统的经济 性，它是基于热力学的热变功原理，考虑到设备质量、热力系统结构和参数的特 点，经过严密的理论推演，导出几个热力分析参量h i 、n j 等，用以研究热工转 换及能量利用程度的一种方法。该方法用来对热力系统局部进行定量分析，如对 加热器端差、加热器非正常运行等引起的煤耗，它只计算和系统变化有关的部分， 计算简洁，速度快哼”f i l l 。 而应达值的确定目前主要由制造厂提供的设计值、最佳运行试验的方法、变 工况计算结果、历史数据的统计值、自动寻优确定等方法确定2 川3 1 1 4 1 , 优化运行指导是基于性能计算和能损分析的结果，找出可控损失项及这些损 失对机组经济性造成的影响，进而给出减少这些损失的指导意见，提高机组的运 行水平。目前，这类系统的应用主要在吹灰、真空和可控参数的优化指导上，是 局部系统的应用。可控损失是由于可控参数偏离应达值造成的。可控参数主要包 浙江大学硕士学位论文 括主蒸汽温度、主蒸汽压力、过热器减温水、再热蒸汽温度、再热器减温水、送 引风机功率、循泵功率等。对可控参数，给出如何调整该参数和与之相关的参数， 使其达到运行应达值，将对机组优化运行起到良好的指导作用。目前，国内的该 类系统都只是把应达值和实际运行值做对比，指出由此造成的能量损失，对于如 何减少该损失的指导则涉及很少。 第三节课题的研究思路 本论文在广东沙角a 厂运行优化系统的基础上，针对广东沙角c 厂6 6 0 m w 机组，对原系统进行全面的升级改造，增加数据预测验证模块，机组优化组合模 块和在线故障诊断模块，同时针对全厂三台6 6 0 m w 机组，对系统进行整合，使 系统成为一个完善、紧凑的系统。另外针对控件下载经常出现异常，控件有改动 客户要重新下载控件的问题，采用了一个新方法来处理，使其下载方便，容错性 强。数据预测验证功能对系统通过网络采集到的机组数据进行预测验证，采用神 经网络方法，利用其强大的非线性映射能力、联想、记忆能力，根据机组当前的 状态预测出一些重要参数值，检验采集数据的合法性。机组负荷优化分配是对一 个总负荷在多台机组间进行最优分配，使总耗费最少，其中要根据实际情况考虑 到系统的各种约束条件。论文采用免疫算法和禁忌搜索算法相结合的方法进行进 行机组优化组合计算，采用等微增率方法对确定的机组组合进行负荷优化分配。 在线故障诊断功能是根据当前机组的运行状态、现象及各设备的运行经济性对经 济性下降较大或有异常现象的设备系统进行在线诊断。本模块采用专家系统的方 式开发，经过长时间使用，知识积累变得越来越丰富，通过完善知识库，系统的 功能将越来越完善。 课题研究的主要内容如下： 1 、应用b p 神经网络进行数据预测验证。采集数据在系统中的重要性不同， 参与计算的数据重要性大；那些用来显示和判断超限情况的数据其重要性就差一 些。不同的数据间关联性也不一样，关联性强的数据可以相互验证其正确性。针 对不同的数据采用不同的网络模型进行预测。 2 、机组组合优化分配的研究。建立机组组合优化问题的数学模型和约束条 件，采用免疫算法和禁忌搜索算法进行机组组合优化的寻优计算，计算结果与遗 浙江大学硕士学位论文 传算法进行对比分析。 3 、在线故障诊断的研究。通过性能计算和能损分析，可以得到设备的经济 性能情况。对于经济性下降较大的设备，分析其原因、发展趋势和采取的措施， 根据故障诊断模型，判断可能的故障和产生原因。本模块采用c l i p s 专家系统 工具进行开发。开发好的知识库符合c l i p s 语法规则的文本文件。维护方便。 4 、系统采用b s 和c s 相结合的模式构建，面向用户部分采用当前流行的 b s 模式，所有信息可以通过w e b 浏览器进行访问。对网页中a c t i v e x 控件进行 升级，采用一种全新的模式，方便下载和更新。 通过研究数据的预测验证、机组的负荷优化分配和在线性能诊断，达到完善 火电厂运行优化系统的目的，并根据沙角c 厂的具体情况，对系统进行彻底升 级，使其成为一个结构合理，具有在线监测、性能分析、优化指导、数据验证、 机组负荷分配和在线性能诊断的功能齐全的系统。该系统采用i n t r a n e t 模式，为 电厂节能管理和电厂领导随时了解机组运行情况并作出决策提供了科学手段。 浙江大学硕士学位论文 第二章基于人工神经网络的数据预测验证 技术研究 随着信息技术的发展，电厂自动化水平的提高，性能分析、优化运行、故障 诊断等技术越来越多地得到应用，所有这些功能的实现都要求准确地采集现场实 时数据。 现代发电厂大多采用d c s ( 分散控制系统) ，来自d c s 的不良数据大体可以 分为两大类：一类是比较稳定的错误数据，如设备或传感器损坏引起的：另一类 是随机的错误数据，它往往由线路干扰、网络异常等原因引起的。 常用的检测不良数据的方法有： 1 、粗检测法。测量数据是否超过规定的限值，或变化速度是否超过可能的 极限值。这些方法可以通过d c s 系统的硬件技术实现，但投资大。 2 、参差型检测法。可以分为加权参差检测法和标准参差检测法，测量数据 的参差是否超过加权或标准参差检测法的门槛值。 3 、突变检测法。测量数据近两次测量值之间的变化量是否超过可能的极限 值 1 7 1 。 但是这些方法均为粗糙检测，当数据检查出为不良数据时，不能给出正确的 数据。因此，有必要研究一种针对实时数据的预测一验证模型。 近年来，人工神经网络技术在故障诊断和过程控制等领域的研究非常活跃。 神经网络强大的非线性映射能力，联想、记忆能力对于电厂优化系统中的数据验 证也特别适用。利用训练好的神经网络，不仅能验证数据的好坏，而且可以根据 上次好的数据预测出正确数据，其误差甚小。神经网络的自学习功能，可以使验 证系统始终和机组实际运行状态相适应。 第一节神经网络的基本理论 以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象，并建立某 种简化模型，称为人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，缩写a n n ) 。人工 9 浙江大学硕士学位论文 神经网络远不是人脑生物神经网络的真实写照，而只是对它的简化、抽象与模拟。 目前已提出上百种人工神经网络模型，它们在模式识别、系统辨识、信号处理、 自动控制、组合优化、预测预估、故障诊断、医学与经济学等领域已成功地解决 了许多现代计算机难以解决的实际问题，表现出良好的智能特性和潜在的应用前 景1 黝 1 9 1 。 综合人工神经网络的来源和特点，可以将其表述为：人工神经网络是一种旨 在模仿人脑结构及其功能的信息处理系统。 1 、人工神经网络的基本结构 x l x 2 如 图21 人工神经网络 图2 1 为常用的3 层人工神经网络的基本结构。 隐层共有m 个节点，其中第j 个节点的输入为 ， i ，= _ ，o ，= w ，x ，( 2 1 ) 卢l i 一1 输出为 0 ，= 丸( 1 ) + b ( 2 2 式中，w 为输入层第i 个节点与隐层第j 个节点之间的连接权；b j 为隐层第j 个 节点的闺值；九( ) 为隐层节点激励函数，j l ，2 ，3 ，m 。 输出层共有n 个节点，其中第k 个节点的输入为 输出为 ， = w “d j ( 2 | 3 ) d 5 痧o ( i k ) + b k ( 2 4 ) 1 0 浙江大学硕士学位论文 式中，w k , 为隐层第j 个节点与输出层第k 个节点问的连接权：b k 为输出层第k 个节点的闽值：丸( 。) 为输出层节点的激励函数，k = 1 ，2 ，3 ，m 。 2 、反向传播学习算法 神经元网络的学习算法多采用反向传播学习算法，即b p 算法。其基本思想 是：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播时， 输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输 出与期望的输出( 教师信号) 不符，则转入误差的反向传播阶段。误差反向传播 是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所 有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依 据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行 的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络 输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。 在正向传播过程中，输入信号由输入层经隐层逐层经过式( 2 2 ) ( 2 4 ) 的处 理，传向输出层。 记输出层第k 个节点的目标值输出为“，输出误差为 唧= “一o 女 ( 2 5 ) 平方误差为 蠢= 盹一d 。】2 ( 2 6 ) 输出层各节点输出误差平方和为 占2 = 2 ( 2 7 ) 反向传播学习的目的是通过不断修正各连接权，逐步使误差平方和达到最 小。 反向传播学习采用w i n r o w - - h o f fd e l t a 学习规则，根据d e l t a 规则， 对连接权的修正量与平方误差相对于该连接权的变化量成比例。 因此，隐层与输出层节点间的连接权修正量为 咄叫。蔷叫罢s ， 浙江大学预士学位论文 因( - o k j 只影响第k 个节点的平方误差，所以 幽严瑟 旺” 输入层与隐层节点间的连接权修正量为 峨岛，望o o ) j j = - r l j 。嘉筹弦 幽旷叩，一 备西毒 心1 0 式中，帕和协为学习常数，饰一般等于伯。 3 、s i g m o i d 激发函数下的b p 算法 由于b p 网络要求采用非线形的连续可导的激发函数，经过多年试验研究， 现多采用s 型( s i g m o i d ) 函数作为激发函数： f ( n e f 削) = 专( 2 1 ) 式中，n e t k j 为网络单元u j 的状态： 则单元输出为 n e t 盯= c o 鼽，+ 巳( 2 1 2 ) i o l j 2 1 + e x p ( - z c o 舳一8 j 1 1 + e - n e | 目 ， 其中，0 j 为单于u j 的嘲僵。在运种、般发函数p ，有： f j ( u e 2 鲁氇( 1 - - 0 口) 故对输出层单元： = ( t k j 一0 j ) o k j ( 1 0 茸) 对隐层单元： 岛= d 茸( 1 - o 可) 瓦 权值调整为 a c o j i ( t + 1 ) = 印d 耐 ( 2 1 3 ) ( 2 1 4 ) ( 2 1 5 ) ( 2 1 6 ) ( 2 1 7 ) 浙江大学硕士学位论文 在实际的学习过程中，学习速率口对学习过程的影响很大。_ 是按梯度搜索 的步长。目越大，权值的变化越剧烈。在实际应用中，通常是以不导致振荡的前 提下取尽量大的”值。为了使学习速度足够快而不易产生振荡，往往在d 规则中 加上一个“势态项”，即： 哆f 0 + 1 ) = 7 7 岛。茸+ 岱哆f 0 ) ( 2 1 8 ) 式中，a 是一个常数，它决定过去权重的变化对目前权值变化的影响程度。 4 、s i g m o i d 激发函数下的b p 算法步骤 ( i ) 置各权值或阈值的初始值：，i ( o ) ，研( o ) 为小的随机数值。 ( 2 ) 提供训练样本：输入矢量皿，k = - i ，2 ，p 对每个输八样本进行 下面( 3 ) 到( 5 ) 的迭代。 ( 3 ) 计算网络的实际输出及隐层单元的状态：o 灯= 乃( o ) j i o “+ 嘭) 。 i ( 4 ) 计算训练函数： 如= ( 一o k j ) o k j ( 1 一d 村) ( 输出层) 霸= ( 1 一) 瓯。( 隐含层) ( 5 ) 修正权值和阙僵： c o j , ( t + 1 ) = c o j , ( t ) + r s j o 肼+ a c o j , ( t ) 一( o j i ( t 一1 ) 】 o t + 1 ) = o j ( t ) + 7 7 s j + a o j ( t ) 一o j ( t 1 ) ( 6 ) 当七每经历1 至p 后，判断指标是否满足精度要求： e 占；占：精度。 ( 7 ) 结柬。 第二节基于神经网络的数据预测验证模型 来自d c s 的数据按其对优化系统的影响，可以分为三类：第一类数据在优 化系统中，参与经济指标、能损指标的计算，一旦数据有错误，将导致计算数据 错误，对系统使用造成很大的影响：第二类数据在优化系统中，仅参与超温、超 浙江大学硕士学位论文 限的统计，不参与计算，该类数据有误对系统的应用影响较小；第三类数据在优 化系统中仅参与实时显示，不参与任何的计算与统计，该类数据出错，对系统应 用影响很小。 对于第一、二类数据，鉴于其对运行系统的重要影响，采用合适的数据预测 验证模型进行处理，对于第三类数据，则不进行处理，以节省计算时间。对第一、 二类数据将选用不同的网络模型。 一、基于神经网络的数据预测验证模型 l 、回归网络模型 过程参数不可能出现突变，只要采样周期足够短，就可认为系统的当前输出 只取决于其过去的输出，即y ( k ) 与u ) 无关。这种对象称之为动态对象，可用以 建立动态模型”。 删中： 回7 a n n p 闰2 2 回归神经网络模型 2 、延时网络模型 如果系统的当前输出只取决于当前输入和过去的输入，则可以用延时网络模 型来处理。 俐“ 同 a n n 矿 圈2 3 延时神经网络樽 二、基于回归网络模型的数据验证 除氧器入口凝结水流量在一个足够短的时间内，不会发生较大的跳跃，可以 采用基于回归神经元网络模型，网络的输入则是预测数据的历史数据，利用过去 1 4 浙江大学硕士学位论文 若干时刻的流量测量值作为网络的输入，来建立预测模型。当采集到的数据值和 预测值差别较大时，则认为采集到的数据有误，在计算中可以采用预测值替换测 量值，以取得较好的准确度。 l 、样本数据的选择 样本数据的好坏直接影响到神经网络的性能。样本数据必须具有代表性，能 体现原数据集的整体特征，否则训练出的网络泛化能力就不理想。 这里，针对除氧器入口凝结水流量来具体说明样本数据的选择。优化系统数 据采集的的速率为每6 秒一次，考虑到大型热力发电机组的惯性很大，除氧器入 口凝结水流量的变化比较缓慢，如果把采集到的数据都作为样本数据，必然造成 样本太多，网络训练速度慢，网络难以收敛。论文中采用了这样的策略： 初始的样本数据通过人为验证保证其正确性，训练好网络后，采集到的数据 首先与网络预测值比较，如差值在可以接受的范围内，则认为采集到的数据正确。 对每相连的l o 个正确采集数据求算术平均值，作为下次训练的一个样本。当样 本超过5 个时，网络进行训练。由于网络是在线训练，无人干预，因此有可能出 现网络不收敛的情况( 虽然使用真实数据的测试结果表明网络不收敛的可能性非 常小) ，这时网络退回这次训练前的状态，重新选择训练样本。采用这种方法， 尽量减少了实时数据中噪声的影响，使样本数据尽可能地接近参数的变化趋势。 2 、神经网络结构的确定 ( 1 ) 网络层数的确定。理论上，如果b p 网络中隐层单位可以根据需要自由 设定，那么一个三层网络可以实现以任意精度近似任何连续函数。因此为了避免 网络的复杂化，选用三层网络结构。 ( 2 ) 节点激励函数的选择。由于b p 网络要求采用非线性的连续可导的激发 函数，经过多年该领域专家的试验研究，通常采用s 型( s i g m o i d ) 函数作为激 发函数。因此，选用s i g m o i d 函数作为激发函数，网络具有非线形映射能力和较 】 稿的密错性乃鲁墟十牛s i函新中 ( 2r _ 了g m o i d e 强的容错性及鲁棒性。函数 l + “。 ( 3 ) 确定隐层节点数和输入输出层节点数的确定。到目前为止，隐层节点数 目的确定尚没有理论的方法，只能通过试验确定。针对除氧器入口凝结水流量这 个例子，试验发现隐层节点选用1 2 个，有很好的收敛性能。输入层节点数和输 浙江大学硕士学位论文 出层节点数与网络输入输出参数个数相同。 3 、计算实例 按照上述方法，输入层节点数选5 ，输出层节点数选1 ，隐层节点数选1 2 ， 激励函数选s i g m o i d 函数。样本数据按上述方法选择如下： 表2 1 除氧器入口凝结水流量样本数据 输入数据教师信号 1 3 1 3 3 1 2 8 6 3 1 3 0 6 9 1 2 5 0 5 1 3 2 6 9 1 2 6 2 8 1 2 4 9 6 1 3 1 3 9 1 2 5 0 5 1 2 8 6 9 1 2 6 2 8 1 1 9 8 5 1 3 1 3 9 1 2 8 6 9 训练出的网络如图2 4 所示。曲线1 为网络预测数据的趋势，曲线2 为输入 数据的趋势，可以看出，网络具有较好的泛化性能。 图2 4 回归网络的模拟曲线 三、基于延时网络模型的数据验证 基于回归网络模型的数据预测验证方法网络结构简单，计算速度快，是一种 有效的数据验证方法，但也有其不足之处：它只能根据预测值与测量值直接的误 差来判断数据的正确性。当某个测点数据由于某种原因长期错误或受到较大的噪 1 6 浙江大学硕士学位论文 声干扰，网络得不到及时训练，难以保证判断的精度。 实际上。在优化系统中用到的大多数参数，除了与其历史值有关外，还和其 它的参数有关。如主蒸汽流量和功率、主蒸汽压力、给水流量等就存在着内在的 联系。为了避免历史值存在错误而导致预钡4 失败，可以采用与预测参数相关性很 大的一个或几个参数作为输入来预测该参数，这时选用的神经网络模型就是延时 网络模型。 由于延时网络模型中输入参数可能多个，所以网络结构比较复杂，计算速度 较慢，但鲁棒性更强。如果多个输入中，有一个存在较大误差，网络仍能较好的 进行预测验证。 这里以主蒸汽流量的预测验证为例，说明延时网络模型的应用。 1 、样本的选择。网络以功率和给水流量为输入，主蒸汽流量为输出，输入 输出间有内在的函数关系，在机组状态和环境一定的情况下，由功率和给水流量 基本可以唯一的确定主蒸汽流量。因此，样本在机组的最低负荷和最高负荷间均 匀的选取，训练好的网络将能在较长的一段时间内较好的进行数据预测验证。 2 、网络结构的确定。网络采用3 层结构，输入层选取2 个节点，输出层选 取1 个节点，隐层选用1 5 个节点，激励函数采用8 i g m o i d 函数。 选取样本数据如表2 2 所示。测试样本和测试结果如表2 3 所示。图2 5 中， 曲线1 表示的是预测值，曲线2 表示的是实际测量值，可以看出预测结果和实际 测量值能较好地吻合。 表2 2 主燕汽流量样本数据 浙江大学硕士学位论文 5 9 2 l 6 0 3 0 6 2 0 4 6 4 3 2 6 4 - 3 2 6 5 9 2 6 6 9 1 6 9 1 2 6 9 6 3 7 1 2 0 7 4 0 9 7 3 9 9 7 6 3 4 7 6 5 4 7 7 7 0 7 9 2 3 8 1 3 8 8 0 4 3 8 3 3 5 8 5 5 0 8 8 2 2 8 8 6 0 9 1 1 9 9 3 3 7 9 4 3 8 4 2 0 6 4 4 3 0 4 5 4 4 1 1 2 4 5 3 5 5 4 6 0 5 5 4 7 0 5 5 4 8 3 8 4 4 9 4 0 0 5 0 5 2 0 5 1 0 8 1 5 2 0 9 5 5 3 0 2 2 5 4 0 5 6 5 5 0 7 2 5 6 0 3 4 5 7 1 5 6 5 引3 8 5 9 0 0 5 6 0 0 4 4 6 1 1 1 4 6 2 1 9 8 6 3 1 3 4 6 4 0 5 5 6 4 9 9 8 6 6 0 8 6 6 2 1 3 6 4 8 6 6 4 2 2 6 6 7 0 6 7 9 0 7 1 5 6 6 8 3 4 7 1 4 6 7 0 9 4 7 5 4 1 8 0 9 9 7 9 6 3 8 3 5 9 8 3 1 6 8 0 5 4 8 2 6 4 8 8 3 1 8 5 5 9 8 9 6 4 9 3 8 8 9 7 8 6 9 6 4 7 9 6 6 5 9 9 3 5 1 0 0 9 8 3 79 6 2 96 7 0 6 61 0 4 4 7 表2 3 主蒸汽流量预测值 1 8 挖b hm他侈甜舱m笛拍”船凹弛弘弘 堂塾查堂堡主堂堡堡苎 1 44 5 6 5 5 6 8 2 86 4 2 9 6 4 1 6o 0 0 2 4 6 3 5 5 4 7 3 5 5 4 8 6 8 4 5 0 8 2 5 1 3 8 1 5 2 3 9 5 5 3 3 2 2 5 4 3 5 6 5 5 3 7 2 5 6 3 3 4 5 7 4 5 6 5 8 4 3 8 5 9 3 0 5 6 0 3 4 4 6 1 4 1 4 6 2 4 9 8 6 3 4 3 4 6 4 3 5