毕业设计（论文）-基于层次径向基神经网络的汽轮机排汽焓计算.doc

基于层次径向基神经网络的汽轮机排汽焓计算摘 要随着当前电力行业日新月异的快速发展，许多其他领域的高新技术不断的被应用到电力设计和改造的实际工程当中。本文仅就变工况时200MW汽轮机组的烟汽参数测算方法作一讨论。利用层次径向基神经网络的便捷运算功能，对汽轮机末级抽汽和排汽焓进行计算，该方法利用汽轮机设计数据和实际监测数据对排汽焓值进行估算，利用该方法有着计算精确度较高，收敛速度快等显著特点，很易适于实际工程应用当中。经对典型末级的某热电厂200MW汽轮机组末级抽汽及排汽焓值的计算，初步得出了汽轮机的排汽焓变化规律，为在线性能监测及排汽焓的分析测算提供了一种较为行之有效的方法。关键词：排汽焓计算，层次径向基神经网络，200MW汽轮机， The calculation of the exhaust enthalpy based on the theory of hierarchical radial basis function networkAbstractAlong with the high and new technique of current electric power profession that the continuous changes and improvementss fast development, much the other realm is continuously of were apply toed the electric power design with the actual engineering that reform center. In this paper, a new method based on hierarchical radial basis function network is presented, which discusses how to calculate the exhaust enthalpy of a steam turbine. It is based on the actual on-line monitoring datum and constructional datum of turbine to calculate the exhaust enthalpy. The result with which has a higher precision and the speed of converging is faster. It is suitable to the engineering application. Using this method to calculate a 200MW unit with a typical last stage, the variational rule of exhaust enthalpy is concluded. It is an effective method in analyzing and calculating the exhaust enthalpy in on-line performance monitoring.Keywords: the calculation of exhaust enthalpy, hierarchical radial basis function network ，200MW turbine第1章 引言1.1绪论发电机组热力性指标对于汽轮机或电厂的设计、运行都非常重要。设计工况的指标是所有工况中最具有代表性的，因此设计工况下回热原则性热力系统计算最为普遍。而热电厂为确定其全年的热经济性，一般将选择全年中几个具有代表性的工况来进行计算，如冬季和夏季的平均工况等。而实际运行状态下汽轮机运行工况是在改变的，通过汽轮机的蒸汽流量和蒸汽参数都将发生改变，汽轮机的某些级或全部级的反动度、级效率也随之发生变化。这样设计当中不可避免的要面对的矛盾就是设计工况的指标是否能够准确的反映生产中工况的变动问题，代表实际运行当中变动的工况。再者，我们常用的指标（汽轮机的汽缸效率）是缸内实际焓降h与理想焓降ht之比即=h/ht 。各个缸的实际焓降h是可测参数（如温度、压力等）在焓熵图上求得，但对汽轮机的低压缸焓降进行计算时，由于其排汽工质可能处于湿蒸汽区，需要温度、压力和干度三个参数才能确定排气焓，虽然现在可以应用一些热力软件在已知温度、压力、干度的情况下能查出，但排汽干度目前还难以实现在线检测，湿蒸汽排气焓无法通过常规方法得到，这样第二个困难就是热力系统热经济性在线分析仅通过人工方法难以实现。而且汽轮机组在线计算要求具有很高的实时性，为避免出现计算的滞后现象这就对整个计算周期有更为严格的要求，它一定要小于数据采集的周期。就此我们设计小组学习并研究了两层RBF神经网络方法实现排气焓的在线计算。对于汽机排汽焓的计算，一般有两种方法：一种是电算迭代法，也即矩阵算法，是根据汽轮机总的输入、输出热量的平衡，即利用热平衡方程、物质平衡方程、汽轮机功率方程联立计算确定排汽焓，该方法最先假定一个排汽焓初值，然后得出相应湿抽汽点焓值进行迭代计算。 这种方法受收敛条件的限制，迭代次数会影响热经济性在线计算的时间周期。另一种方法是曲线外推法，即根据汽机在过热蒸汽区入口状态点和抽汽状态点作热力过程线，然后将此曲线平滑推到湿蒸汽区，由此得出处于湿蒸汽区的抽汽及排气焓，此法由于曲线拟合点的数目较少，精度较差。而两层RBF神经网络方法对排汽焓的计算则考虑第8级抽汽可能处于湿蒸汽区，并不直接进行复杂的计算，而是利用第一层RBF神经网络先拟合出在过热蒸汽区的1-7级抽汽点模型，预测出第8级抽汽焓值，并将预测的结果与前7级数据再作为第二层RBF神经网络的输入，进而求出排气焓值。采用这种方法不仅避免了上面提到的两大难题，而且其最大优点是能跟踪当前工况，由当前工况点的参数拟合一个模型，动态地求出当前工况下的第8级抽汽焓值和排气焓，提高了计算效率。1.2目的：学习并掌握利用Matilab设计和训练神经网络。建立RBF神经网络并完成对排汽焓值的计算。确定某实际工况下的热经济性指标和部分汽水流量。并利用常规热平衡的电算法计算汽焓值并与设计结果进行较核。手工绘出该200MW汽轮机组在该工况下的热力系统图。1.3基本根据：汽轮机排汽焓主要由两方面因素决定,即凝汽器的工况决定排汽温度,进而决定排汽压力;机组具体热力系统及其工作状况,决定了机组的热力过程线。但排汽焓的数值对机组某一确定状态而言,是唯一的。问题是现有理论水平与现场实际状况,只能够定性分析出影响排汽焓大小的因素,不能明确确定出排汽焓与这些影响因素之间的函数关系。但在热经济性在线分析计算中,我们不需要准确知晓这些因素的定量情况及影响过程,只要有办法获得它们的最终影响效果,就达到了我们的全部目的。在参考BP神经网络计算排汽焓的方法取得的良好的效果大胆借鉴并采用RBF神经网络方法对排气焓的计算。值得注意的是，末级抽汽许多情况下是处在湿蒸汽状态，湿蒸汽排气焓无法通过常规方法得到。所以就需通过两层RBF神经网络方法实现排气焓的计算。考虑第8级抽汽可能处于湿蒸汽区，利用第一层RBF神经网络先拟合出在过热蒸汽区的1-7级抽汽点模型，对第8级抽汽焓值进行预测，预测的结果与前7级数据再作为第二层RBF神经网络的输入，进行排气焓值计算。在完成对此的仿真和模拟后在用如下常规算法对其精确性进行检验。1.4计算方法简介：热力计算部分的主要内容是利用训练好的两层径向基神经网络，对实验所用数据进行计算，得到测算的排汽焓值之后，采用矩阵算法求得汽轮机各级抽汽量，计算比内功后代入功率方程求出排汽焓值，与测算得到的排汽焓值相比较，从而验证此法的准确性。回热（机组）原则性热力系统计算方法，有传统的常规计算法，以及等效焓降法和循环函数法等。矩阵法属于常规计算法。常规计算法求抽汽量时，实际上是对z个加热器的热平衡式组成的线性方程组求解，最终得到个抽汽量。当然这z个方程可以用绝对量，也可以用相对量来表示。用计算机计算时，将z个方程排成矩阵来计算，一次可获得z个抽汽量,故又称并联法；用手工计算时，则应依次计算每个方程式，此时为使计算的每个方程中只出现一个未知数，计算的次序，对于凝汽式机组是“由高到低”，即从抽汽压力最高的加热器算起，依次逐个算至抽汽压力最低的加热器，故又称串联法。为便于常规法的回热（机组）热力系统的计算，宜将加热器的蒸汽放热量，给水被加热焓升和疏水放热量整理成qj、j、rj，并将回热加热器分两种情况来处理：对面式加热器疏水是逐级自流的，称为疏水放流式加热器如图（a）所示，对混合式加热器和带疏水泵的面式加热器，称为汇集式加热器。如图所示（b）（c）所示。(a)(b)(c)对放流式加热器：qj=hj-hj kj/kgj=hj-hwj+1 kj/kgrj=hj-1-hj kg/kj对汇集式加热器：qj=hj-hwj+1 kj/kgj=hwj-hwj+1 kj/kgrj=hj-1-hwj-1 kj/kg算得各级rj具体数值，然后列出各级加热器的热平衡式，整理得：1q1-1=01r2+2q2-2=01r4+2r4+4q4-4=015+25+45+5q5-5=01r6+2r6+4r6+5r6+6q6-6=017+27+47+57+6r7+7q7-7=018+28+48+58+68+8q8-8=0写成矩阵方程A*X=T并有X=A-1*T再利用神经网络的矩阵计算工具求得X再由功率方程式3600Pe=Wi=D0w img （其中Pe为机组功率）和公式：wi=h0+rhqrh-jhj-chc (其中h0为初蒸汽焓值；rhqrh分别为再热抽汽系数和再热吸热量；chc分别为出口蒸汽系数和出口焓)最终求出排汽焓来。详细过程及结果见后文。第2章RBF神经网络2.1神经网络神经网络是单个并行处理元素的集合，从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络。 神经网络示意简图神经网络已经在各个领域中应用，以实现各种复杂的功能。这些领域包括：模式识别、鉴定、分类、语音、翻译和控制系统。经网络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经网络仍快速发展着。因此，它显然不同与控制系统和最优化系统领域，它们的术语、数学理论和设计过程都已牢固的建立和应用了好多年。说到神经网络我们不得不先介绍一下人工神经网络，人工神经网络（Artificial Neural Networks,简写成ANN）的基本理论及应用是近年来迅速发展起来的一个具有国际前沿的研究领域。2.1.1人工神经网络的历史回顾 人工神经网络发展是概念创新和实现开发的进步的过程，但是这些伟大成果的取得并非一帆风顺。（1） 起源（19世纪末20世纪初）神经网络领域研究的背景工作始于19世纪末20世纪初。他源于物理学，心理学，和神经心理学的跨学科研究。当时的主要代表人物有Herman von Helmholts ,Ernst Mach 和Ivan Pavlov。这些早期研究主要还是着重于有关学习，视觉，和条件反射等一般理论，并没有包含神经元工作的数学模型。（2） 第一次热潮（1943年至1969年）神经网络领域正式开始于Warren McCulloch 和Walter Pitts的工作McPi431943年，美国神经生理学家Warren McCulloch和数学家Walter Pitts合写了一篇名为“A Logical Calculus of Ideas Immanent in Nervous Activity”的论文，这是一篇神经元如何工作的开拓性文章，提出了简单的神经网络模型（MP）。1948年，Wiener在其控制论的著作中提出了伺服机反馈自稳定系统概念。1949年，心理学家Donald Hebb写了一本名为“The Organization of Behavior”的书，首次将学习功能引入人工神经网络系统，即Hebb规则。1957年，计算机学家Frank Rosenblatt首次引进了模拟人脑感知和学习能力的感知器(Perception)概模型，引起人们的注意，开创了人工智能网络的研究。1959年，Barnard Widrow 和Marcian Hahh开发了自适应单元(Adaline)网络模型，可成功的应用于抵消通信中的回波和噪声，成为第一个应用于实际的人工神经网络模型。1960年，Stephen Grossberg 从生理学角度来研究神经网络模型，并于1967年提出了一种叫雪崩的网络模型，这种模型可以执行连续语音识别和控制机器人手臂的运动。1961年，Caianiello发表了关于神经网络数学的理论著作。提出了神经网元方程，将神经元作为双态器件，对其技能的动力过程用布尔代数加以模拟，进而分析和研究了细胞有限自动机的理论模型。1962年，Frank Rosenblatt的一本名为的书出版了，它详述了感知其的功能。感知器有输入层、输出层、和中间层，可以模仿人的特性。他还断言，感知器可以学会它任何可以表达的功能。正是由于这些有识之士的工作及对神经网络的积极宣传，才激起了更多 人有兴趣投入到这一领域，并形成了人工神经网络研究的第一次热潮。1969年，Marvin Minsky 和Seymour Papert 在合著的一本Perceptrons的书中，分析了简单感知器，指出他有严重的局限性，不能解决人们感兴趣的问题，甚至连非常简单的问题它都无能为力。由于当时对此的批评声音的高涨，导致停止对ANN研究所需的大量投资，使ANN的研究陷入低潮。（3） 第二次热潮虽然受到影响，在此期间，仍有不少坚信神经网络的人继续着他们的工作，这集中表现在对各种不同的网络模型的提出和学习方法的研究上。Stephen Grossberg提出了自适应控制理论，Teuvo Kohonen 提出了自组织映射理论，Kunihik Fukushima 提出了神经认知机网络理论，John Hopfield提出了HNN模型，Rumelhart 和Werbos 等人提出了BP网络算法。由于这些大量研究成果及美国军方及美日两国科学界与企业界的高度重视，1982年，ANN的研究得以复苏，逐渐形成第二次研究高潮。ANN的研究主要分两方面，一方面在于研究新的网络模型计算法的改进，另一方面在于ANN的实际应用研究。近年来，ANN在自动控制、生物医学、质量检测、气象预报、信息处理、等诸多方面均有应用。2.2人工神经网络的基本原理简介2.2.1人脑和神经网络神经元是神经网络基本元素，只有了解神经元才能认识神经网络的本质。人的大脑是由大量神经细胞和神经元组成的，而神经元是由细胞体、树突、轴突和突触组成（如图）。每个神经元可看作是一个小小的信号处理单元。理论研究中经常应用到所谓数学上的神经元模型是和生物学上的神经细胞对应的。或者说，人工神经网络理论就是利用神经元这种抽象的数学模型来描述客观世界的生物细胞的。这些神经元网络中个神经元连接起来，形成大脑内部的神经元网络。这些神经元网络中各神经元连接的强弱，对外部的激励信号做自适应变化，而每个神经元有随着所接受的多个激励信号的综合大小而呈现兴奋或抑制状态。大脑的学习过程就是神经元间连接强度对外部激励信号做自适应变化的过程，而大脑处理信号的结果则由神经元的状态表现出来。 神经元细胞图按照大脑的工作原理，模仿生物大脑的功能和结构建立的信息处理系统成为人工神经网络。基于ANN原理的计算机被称为的六代计算机。为了更确切起见，美国神经网络学家Hecht Nielson 给出如下定义：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统是靠其状态对外不输入信号的动态响应来处理信息的。人工神经网络是由大量类似于神经元的简单处理单元广泛相互连接而成的复杂网络巨系统。它是在现代神经研究成果的基础上提出的，反映了人脑功能的若干特征，但并非大脑神经系统的真实描写，而只是其简化、抽象和模拟。人工神经网络模型由网络的拓扑结构、神经元特性和学习（或训练）规则这三要素所决定。2.2.2 人工神经网络的处理单元 处理单元（缩写为PE）就是人工神经元，也成为结点，通常用圆圈表示。就象大脑神经原有很到输入（激励）一样，PE也应有很多输入信号，并且同时加到PE上，PE以输出作为响应，同时也受到内部其他因素影响，这可用门限值等效，有时可用一额外输入代。PE的每一个输入都经过相关的加权，已影响输入的激励作用。这有些像大脑神经元中突触的可变强度，它确定了输入信号的强度，一般把它看作连接强度的测度。PE的初始加权可根据某确定的规则进行调节修正，这也像大脑神经元中的突触强度可以收到外界因素影响一样 。输入信号来自外部（输入点用黑色圆点表示）或别的处理单元的输入，在数学上表示为向量X X = （x1，x2，.xn） （1）其中x1为第i个输入的激励电平，n表示输入数目。连接到j结点的加权表示为加权向量 Wj =（w1j，w2j，.，wnj） （2）其中wij表示从结点i（或是第i个输入点）到结点j的加权或I与j 结点间的连接强度。另外，考虑到内部门限j，用x0 = -1 的固定输入点表示，其连接强度取w0j = j。于是，可得输入的加权和为 Sj = xiwij j （3）如果向量X和Wj分别包含了x0和w0j，则可重写（1）和（2）式如下 X = （x1，x2，.xn） （4） Wj =（w1j，w2j，.，wnj） （5）式（）可以表示为X和Wj的点积或内积Sj = X Wj（6）显然，这一结果是标量。PE的激励电平Sj通过一转移函数F（）而得到的处理单元的最后输出值F（Sj）F（X Wj）（7）2.2.3转移函数转移函数F（）也称激励函数、传输函数活限副函数。起作用就是将可能的无限域变换到一指定的有限范围之内。这类似于生物神经元具有的非线性转移特性。较常用的转移函数有：符号函数F（）函数双曲正切函数2.2.4人工神经网络的拓扑结构在建立人工神经元级处理单元PE时忽略了其生物原型，即忽略了生物神经元的许多特征。例如它没有考虑影响系统动态特性的时间延迟，而认为一个输入立即产生一个输出，更重要的是它没有包括同步机能和神经元的频率调制功能的影响，而这些特性是非常重要的。尽管如此我们建立的处理单元还算是生物神经元的近似，他在模仿生物神经网络时，已经具备了生物神经元的基本特征。虽然单个的处理单元可以执行简单的图形检测功能，但更强的识别处理能力却来自多个结点“连成”的网络，即人工神经网络。 单层网络：最简单的网络是把一组几个结点形成如图1。图1中左边的黑色圆圈只起分配输入信号的作用，没有计算作用。不看作网络的一层，右边用圆圈表示的一组结点看作一层。图1.单层神经元网络多层网络：一般大而复杂的网络能提供更强的 计算能力。目前已构成了很多网络，但它们的结点都是按层排列的，这点正是模仿了大脑皮层中的网络模块。构成多层网络，只要将单层网络进行叠加就可以了，既一层的输入作为下一层的输入，图2表示了二层网络。多层网络中接收信号的输入层不计入网络的层数，因为它只起分配信号缓冲器的作用，没有处理功能。产生信号的层为输出层。除此之外的中间层为隐蔽层，因为它们不直接与外部环境打交道。一般隐蔽层为零到数层。注意图2所示的网络为前反馈型网络。图2.多层神经元网络2.3 人工神经网络的训练（学习）及算法 人工神经网络的最有趣也是最主要的特征之一是它可以学习。任何一个ANN的模型要实现某种功能的操作，就必须先对它进行训练，即让它学会要做的事情，并把这些知识记忆（存储）在网络的加权中。所以，学习或训练的实质就是加权矩阵随外部激励（环境）作自适应变化。网络被训练后，它每加入一组输入就会产生一组要求的输出。这里的一组输入（或输出）就是所谓的向量或图形。训练就是相继加入输入向量，并按着预定的规则调节网络加权。在训练过程中，网络的加权都收敛到一确定值，以便每个输入向量都会产生一个要求的输出向量。调节加权所遵循的预定规则就是算法。在ANN中一般有两种算法：一类是有指导的训练，一类是无指导的训练。常用的算法有Hebb算法。&训练算法，梯度下降算法，误差反传训练算法（BP网络，是目前应用最为广泛模型之一）。简介如下：增加方式（应用与自适应网络和其他网络）虽然增加方式更普遍的应用于动态网络，比如自适应滤波，但是在静态和动态网络中都可以应用它。静态网络中的增加方式用增加方式来训练，这样每提交一次输入数据，网络权重和偏置都更新一次。假定我们要训练网络建立以下线性函数：t=2p1+p2我们以前用的输入是：目标输出是：t1=4,t2=5 ,t3=7 ,t4=7 首先用0初始化权重和偏置。为了显示增加方式的效果，我们把学习速度也设为0。net = newlin(-1 1;-1 1,1,0,0);net.IW1,1 = 0 0;net.b1 = 0;为了用增加方式，把输入和目标输出表示为以下序列：P = 1;2 2;1 2;3 3;1;T = 4 5 7 7;前面的讨论中，不论是作为一个同步向量矩阵输入还是作为一个异步向量细胞数组输入，模拟的输出值是一样的。而在训练网络时，这是不对的。当使用adapt函数时，如果输入是异步向量细胞数组，那么权重将在每一组输入提交的时候更新（就是增加方式），我们将在下一节看到，如果输入是同步向量矩阵，那么权重将只在所有输入提交的时候更新（就是批处理方式）。如果用增加方式训练网络：net,a,e,pf = adapt(net,P,T);由于学习速度为0，网络输出仍然为0，并且权重没有被更新。错误和目标输出相等。a = 0 0 0 0e = 4 5 7 7如果设置学习速度为0.1，那么就能够看到当每一组输入提交时，网络是怎么调整的了。net.inputWeights1,1.learnParam.lr=0.1;net.biases1,1.learnParam.lr=0.1;net,a,e,pf = adapt(net,P,T);a = 0 2 6.0 5.8e = 4 3 1.0 1.2由于在第一个输入数据提交前还没有更新，第一个输出和学习速率为0时一样。由于权重已更新，第二个输出就不一样了。每计算一次错误，权重都不断的修改。如果网络可行并且学习速率设置得当，错误将不断的趋向于0。动态网络中的增加方式增加方式同样也能训练动态网络。实际上，这是最普遍的情况。用有输入延迟的线性网络作为例子，我们将初始化权重为0，并把学习速率设为0.1。net = newlin(-1 1,1,0 1,0.1);net.IW1,1 = 0 0;net.biasConnect = 0;为了用增加方式，把输入和目标输出表示为细胞数组的元素：Pi = 1;P = 2 3 4;T = 3 5 7;这里再尝试训练网络把当前输入和前一次输入加起来作为当前输出。输入序列和以前使用sim的例子中用过的一样，除了指定了输入序列的第一组作为延迟的初始状态。现在就可以用adapt来训练网络了：net,a,e,pf = adapt(net,P,T,Pi);a = 0 2.4 7.98e = 3 2.6 -1.98由于权重没有更新，第一个输出是0。每一个序列步进，权重都改变一次。批处理方式在批处理方式中，仅仅当所有的输入数据都被提交以后，网络权重和偏置才被更新，它也可以应用于静态和动态网络。我们将在这一节讨论这两种类型。由于我们所采用的径向基神经网络所涉及的学习过程是同训练数据一起完成的所以在此不再对该部分做过多累述。2.4 Matilab神经网络工具箱应用2.4.1简介说到神经网络工具箱我们不得不先介绍一下其中的一些符号应用和表达问题，如下 ：变上标为细胞数组标号例如 变下标为圆括号标号例如 和 变圆括号标号为二维数组标号例如 变数学运算符为MATLAB 运算符和工具箱函数例如 其他可能涉及到的特殊问题将在文中另行标明。工具箱里包括了许多转移函数。在Transfer Function Graphs中找到它们的完全列表。下面仅列出了三个最常用的函数。他可以方便我们快速的理解神经网络的函数及模型等问题。阶跃转移函数图上图所示的阶跃转移函数限制了输出，使得输入参数小于0时输出为0，大于或等于0时输出为1。工具箱中有一个函数hardlim表示数学上的阶跃，如上图所示。我们可以输入以下代码 n = -5:0.1:5;plot(n,hardlim(n),c+:);它产生一张在-5到5之间的阶跃函数图。所有在工具箱中的数学转移函数都能够用同名的函数实现。线性转移函数如下图所示线性转移函数图而下图显示的曲线转移函数的输入参数是正负区间的任意值，而将输出值限定于0到1之间。 曲线转移函数图这种传递函数通常用于反向传播（BP）网络，这得益于函数的可微性。在上面所示的每一个转移函数图的右边方框中的符号代表了对应的函数，这些图表将替换网络图的方框中的f来表示所使用的特定的转移函数。一个有R个元素输入向量的神经元如下图所示。这里单个输入元素乘上权重得到加权值输入求和节点。它们的和是Wp，单行矩阵W和向量p的点乘。 这个神经元有一个偏置b，它加在加权的输入上得到网络输入n，和值n是转移函数f的参数。表达式自然可用MATLAB代码表示为：n =W*p + b而这些代码已经被建立到函数中来定义和模拟整个网络。上面所示的图包括了许多细节。当考虑有许多神经元和可能是许多神经元组成的多层网络时，可能会漏掉许多细节。因此，可以用一个简洁的符号代表单个神经元。这个符号如下图中所示。 例 图这里输入向量p用左边的黑色实心竖条代表，p的维数写在符号p下面，在图中是Rx1（注意这里用的是大写字母，正如在以前句子里R用来表示向量大小时一样）。因此，p是一个有R个输入元素的向量。这个输入列向量乘上R列单行矩阵W。和以前一样，常量1作为一个输入乘上偏置标量b，给转移函数的网络输入是n，它是偏置与乘积Wp的和这个和值传给转移函数f得到网络输出a，在这个例子中它是一个标量。注意如果有超一个神经元，网络输出就有可能是一个向量。上面图中定义了神经网络的一层。一层包括权重的组合，乘法和加法操作（这里就是向量乘积Wp），偏置b和转移函数f。输入数组，即向量p不包括在一层中。正如前面所讨论的，当特定的转移函数在一张图中被使用时，转移函数将用上面所示的符号代替。下面是几个例子：三个典型函数符号在这里还要再次重点介绍一下本文所涉及的径向基函数神经网络，他是以函数逼近理论为基础而构造的前向网络，此类网络的学习等同于在多维空间中找寻训练数据的最佳拟合曲面，其曲线如下图所示。径向基传递函数径向基函数神经网络的每个隐层神经元传递函数都构成拟合曲面的一个基函数，对于输入空间的某一局部区域只有部分神经元参与输出的调节，所以，径向基函数网络又称为局部逼近网络。本文讨论的径向基函数神经网络与一般BP神经网络比较，通常规模较大，但学习速度较快，函数逼近能力和模式识别能力也都优于BP神经网络。径向基函数神经网络由三层组成，其结构如图1所示，输入层节点只传递输入信号到隐含层，隐含层节点由高斯函数那样的辐射状传递函数构成，输出层节点是简单的线性函数。图1径向基神经网络结构图隐含层节点中的传递函数（高斯基函数）对输入信号将在局部产生响应，当输入信号靠近基函数的中央范围时，隐含层节点将产生较大的输出。本文采用的高斯基函数如下式所示：式中：x是n维输入向量；是第i个基函数的中心，与x具有相同维数的向量；决定了该基函数围绕中心点的宽度；m是隐含层节点数。是向量的范数，它通常表示x与之间在多维空间中距离。从图1可看出，输入层到隐含层实现从的非线性映射，隐含层到输出层实现从的线性映射。 ,p为输出节点数。使用径向基函数网络的关键是隐层节点基函数中心的选取。在实际使用中，可以采用k-均值聚类算法、模糊均值聚类算法1、减法聚类算法等将中心取为样本数据的某个子集。中心确定以后，可以根据中心内样本数据的某种测度关系得到相应的宽度。这样RBF网络中隐层基函数的中心和宽度在网络初始化时就可基本确定。对高斯基函数的隐层节点初始化时需要确定3类参数：隐层神经元基函数的中心、宽度以及权系数。由于本文算例训练数据样本只有15组，故采用k-均值聚类算法对初始化，将样本输入数据分类，每一类的聚类中心就作为相应隐单元基函数的中心。基函数中心找到以后，就可以求得其宽度，它们表示与每个中心相联系的数据散布的一种测度。可令它们等于聚类中心与训练样本之间的平均距离，即：是属于第i类的样本集合，是中样本个数。从输入层到隐层的权系数恒为l；隐层到输出层的权值需进行训练调整，通常采用监督学习方法进行训练。训练算法可采用最小二乘法、梯度算法及混合算法、遗传算法2等。本文采用最小二乘法。2.4.2仿真过程本设计所涉及到的只是一种静态的仿真网络（没有反馈或者延迟）是神经网络仿真最简单的一种。在这种情况中，我们不需要关心向量输入的时间顺序，可以认为它是同时发生的。另外，为了使问题更简单，一般假定开始网络仅有一个输入向量。为了建立这个网络我们可以用以下命令：net=newrb(p,t,GOAL,SPREAD)p 输入向量。t 目标输出向量。GOAL 网络均方误差目标值，缺省为0。SPREAD 径向基函数的分布系数，缺省值为1.0。函数newrb是通过自动加径向基神经元的方法，来不断地减小网络输出的均方误差，直到该误差达到参数GOAL的要求时，网络训练结束。(a)工作台示意图结果会建立如上图a所示的工作台，当然首先要定义的是p（如图b所示）和t（如图c所示）矩阵变量作为输入和输出。我们所用的是归一化后的某热电厂200MW机组(CC140/N200-12.7/535/535型)的原始数据（该数据见表1）。数据归一化处理方法见参考文献4基于BP神经网络的汽轮机排汽焓在线计算方法(b)输入数据p (c)输出数据t表1：纯凝汽工况下原始数据Table 1: constructional datum of fix steam status 工况参数最大工况额定工况90%工况80%工况70%工况60%工况50%工况主蒸汽流量t/h670610537.56472.49410.27352.69296.80发电量kW217899202054180000160000140000120000100000主蒸汽焓值kJ/kg3433.03433.03433.03433.03433.03433.03433.01段抽汽焓值kJ/kg3148.63133.53123.23113.33106.83113.33127.72段抽汽焓值kJ/kg3046.53033.13024.73016.33010.93017.13030.24段抽汽焓值kJ/kg3273.43274.73277.63279.93282.03284.13286.35段抽汽焓值kJ/kg3095.53096.33099.73101.83103.93106.03108.26段抽汽焓值kJ/kg2991.12991.42995.22997.32999.53001.53003.77段抽汽焓值kJ/kg2898.02898.32902.02904.12906.32908.42910.68段抽汽焓值kJ/kg2699.02698.72702.52704.32706.22708.12710.2排汽焓值kJ/kg2463.02461.82467.12469.82473.42477.82483.6再利用仿真命令y= sim(net,p)就会得到该第一层网络的基本模型如下图所示。第一层径向基神经网络结构图在完成对第一层的仿真后会得到一组权值如下图所示，紧接着的下一步工作就是把相应的一组前七抽实验数据用该网络来运算结果也就是第八抽的抽汽焓值。第一层径向基神经网络权值当完成第一层仿真任务后，将预测出第8级抽汽焓值与前7级数据再作为第二层RBF神经网络的输入，进而求出排气焓值。所进行的过程与上大致相似如下图首先完成对p、t的向量输入如图(a)、(b)所示。(a) 输入数据p(b)输出数据t再次利用仿真命令y= sim(net,p)就会得到该第二层网络的基本模型如下图所示。第二层径向基神经网络结构图在完成对第二层的仿真后会得到一组权值如下图所示，同样再次应用实验数据来对该神经网络进行检验，并得出排汽焓值这一最终结果。第二层径向基神经网络权值这一方法总的来说就是利用训练好的两层径向基神经网络，对31组(3月份)实验数据进行计算，得到测算的排汽焓值；然后采用矩阵算法求得汽轮机各级抽汽量,计算出比内功后代入功率方程式求出排汽焓值,与测算得到的排汽焓值相比较,从而验证此法的准确性。第3章 200MW机组给水回热加热系统简介4.1 200MW汽轮机组简介超高压中间再热凝汽式汽轮机的型号是N20012.75/535/535，“N”表示汽轮机为凝汽式，“200MW”表示机组容量为200MW；“12.75/535/535”表示进入高压缸的新蒸汽参数为12.75MPa、535，经再热后进入中压汽缸的再热蒸汽温度为535。N200型汽轮机的几种回热系统：本体定型前系统本体定型系统本体定型系统回热级数8 87高压加热器332外置式蒸汽冷却器数目012除氧器数目111低压加热器数目444抽汽位置高压加热器序号3号第9级叶轮后第9级叶轮后第9级叶轮后2号第12级叶轮后第12级叶轮后第12级叶轮后1号第15级叶轮后第15级叶轮后除氧器第17级叶轮后第18级叶轮后第17级叶轮后低压加热器序号4号第20级叶轮后第20级叶轮后第20级叶轮后3号第22级叶轮后第22级叶轮后第22级叶轮后2号第23级叶轮后第23级叶轮后第23级叶轮后1号第25级叶轮后第25级叶轮后第25级叶轮后汽轮机采用回热加热系统可以减小排汽在凝汽器中的冷源损失，提高装置循环的热效率。现在火电厂的汽轮机组都毫无例外的采用给水回热加热,回热系统既是汽轮机热力系统的基础,也是全厂热力系统的核心,它对机组和电厂的热经济性起决定性作用.回热原则性热力系统的实际选择(设计或拟订),是继蒸汽参数.机组类型后又一个影响机组热经济性的重要方面,它们三者共同决定着机组实际的热经济性,并用机组的热耗率q0来表示.现代大型汽轮机机组的mg较高均为99%左右.由机组热耗率q0=3600/img可知,如视mg为定值,则q0=f(i).所以,本书在定性分析各局部原则性热力系统的热经济性时,都用汽轮机绝对内效率(即实际内效率) i来说明.但实际系统的选择,必须妥善处理热经济性的安全可靠性及投资之前的矛盾,一般应通过综合的技术经济比较来进行合理选择.我们设计所涉及的国产200MW机组的回热原则性热力系统，其主要特点是：“三高四低一除氧”的八级回热抽汽系统；H1、H2高加间装有疏水冷却器一台；三段抽汽供H3高加，六段抽汽引至D3低加，同时还可作为厂用汽源，如生水加热器、采暖用热网等；汽轮机加热器和汽封冷却器均有到如八段抽汽的备用管道；低加加热器疏水采取逐级自流和疏水泵相结合的方式。其系统简图如下：回热原则性热力系统简图本机组有八段回热抽汽。根据抽汽段数，采用了一个混合式加热器作为除氧器和七台表面式加热器。其中低压加热器四台，高压加热器三台。在1、2号高加之间还装有疏水冷却器一台。 一段抽汽从第9级后抽出，流经高压缸的内外缸夹层间，从外缸引才引出到再热器冷段，定型后的汽轮机一段抽汽直接从第9级后抽出。二段抽汽从第12级后抽出，即从高压缸排汽管引出，除宫2号高压加热器外，还与四段抽汽相连。当负荷较低时，二段抽汽作为除氧器备用汽源。三段抽汽从第15级后抽出，供3号高压加热器。四段抽汽从第17级后抽出，供除氧器。五段抽汽从第19级后抽出，与高压缸轴端汽封的一次泄露同时引到4号低加。六段抽汽从第22级后抽出，引到3号低压加热器，同时还可作为厂用汽源，如生水加热器、采暖用热网加热器等。七段抽汽从第23（28、33）级后抽出，引到2号低压加热器。八段抽汽从第25（30、35）级后抽出，引到1号低压加热器。本机组额定工况下热平衡数据见下表：29加热器单位凝汽器1#低压加热器2#低