• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      汽輪機(jī)溫度智能預(yù)測方法的探討

      2022-03-24 00:36:04李瀟瀟
      熱力透平 2022年1期
      關(guān)鍵詞:訓(xùn)練樣本汽輪機(jī)神經(jīng)網(wǎng)絡(luò)

      趙 鵬,李瀟瀟

      (1.陜西能源麟北發(fā)電有限公司,寶雞 721599;2.上海電氣電站設(shè)備有限公司汽輪機(jī)廠,上海 200240)

      汽輪機(jī)運(yùn)行過程中承受著復(fù)雜的熱力機(jī)械載荷。在啟動(dòng)、沖轉(zhuǎn)、變負(fù)荷過程中機(jī)組的熱力邊界顯著不同,不同工況所需要的處理方法各異,因此,預(yù)測未來幾十分鐘內(nèi)機(jī)組的狀態(tài)能夠?yàn)檫\(yùn)行人員提供有效參考,起到良好的輔助作用。

      隨著計(jì)算能力的提升,人工智能技術(shù)得到發(fā)展,作為人工智能的一種實(shí)現(xiàn)手段,機(jī)器學(xué)習(xí)基于實(shí)際數(shù)據(jù)樣本集建立起計(jì)算模型,可實(shí)現(xiàn)在線預(yù)測。在電站設(shè)備領(lǐng)域,GE、Alstom等企業(yè)已經(jīng)對(duì)汽輪機(jī)在線預(yù)測領(lǐng)域進(jìn)行了相關(guān)研究。比如Alstom研究了基于非線性自回歸神經(jīng)網(wǎng)絡(luò)算法(NARX)在汽輪機(jī)轉(zhuǎn)子表面溫度與應(yīng)力預(yù)測領(lǐng)域的應(yīng)用[1],該方法本身網(wǎng)絡(luò)結(jié)構(gòu)簡單,對(duì)于長時(shí)序的序列預(yù)測往往只能保留有緩慢變化趨勢的特征,而對(duì)于長時(shí)序中某一局部的變化,往往不能進(jìn)行有效的預(yù)測。因此為實(shí)現(xiàn)有效的在線預(yù)測,須研究新的智能算法模型。

      陜西麟北電廠350 MW超臨界機(jī)組采用上海汽輪機(jī)廠制造的高中壓合缸多級(jí)汽輪機(jī),在汽輪機(jī)運(yùn)行控制方面,采用以溫度為主的控制策略,通過各關(guān)鍵部件監(jiān)測測點(diǎn)的溫度反映出機(jī)組運(yùn)行的熱應(yīng)力、蠕變疲勞損傷等。

      經(jīng)過多年的運(yùn)行,麟北電廠已獲得豐富的機(jī)組運(yùn)行數(shù)據(jù),為機(jī)器學(xué)習(xí)算法研究提供了堅(jiān)實(shí)的基礎(chǔ)。本文以麟北電廠歷史運(yùn)行數(shù)據(jù)為基礎(chǔ),采用成熟的卷積神經(jīng)網(wǎng)絡(luò)算法(CNN)和長短記憶神經(jīng)網(wǎng)絡(luò)算法(LSTM),研發(fā)汽輪機(jī)轉(zhuǎn)子關(guān)鍵監(jiān)測點(diǎn)的溫度預(yù)測模型,探索汽輪機(jī)智能運(yùn)維的可行性。

      1 機(jī)器學(xué)習(xí)算法

      CNN和LSTM作為機(jī)器學(xué)習(xí)的經(jīng)典算法,在人臉識(shí)別、圖像分類、交通標(biāo)志識(shí)別、物體檢測、圖片語音處理、工業(yè)預(yù)測等多方面得到應(yīng)用[2-3]。

      CNN的原理示意圖如圖1所示,受到動(dòng)物視覺皮層相關(guān)研究的啟發(fā),其工作原理類似于濾波器,在第k層神經(jīng)網(wǎng)絡(luò)的神經(jīng)元上按一定規(guī)則滑動(dòng),采用激活函數(shù)在神經(jīng)元上進(jìn)行運(yùn)算,激活k+1層某個(gè)神經(jīng)元,激活函數(shù)如式(1)所示。在CNN中,各卷積層的數(shù)據(jù)與卷積核可視為二維或更高維度的張量。

      圖1 卷積神經(jīng)網(wǎng)絡(luò)原理示意圖

      (1)

      式中:l為網(wǎng)絡(luò)層數(shù)編號(hào);m為卷積核尺寸;w為權(quán)重;b為偏置。

      LSTM克服了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和CNN的計(jì)算成本高、長時(shí)序無法傳遞有效信息等缺陷,原理如圖2所示,從圖2中可以看出,隱藏狀態(tài)h(t)由x(t)和h(t-1)得到,LSTM對(duì)序列索引位置t的隱藏結(jié)構(gòu)進(jìn)行了改進(jìn),通過一定的技術(shù)讓隱藏結(jié)構(gòu)變得復(fù)雜,避免梯度消失的問題。并且通過引進(jìn)“更新門”,如公式(2)至(5)所示,將單元格狀態(tài)和隱藏狀態(tài)合并,獲得更加簡單的模型。

      圖2 長短記憶神經(jīng)網(wǎng)絡(luò)原理示意圖

      zt=σ(Wz·[ht-1,xt])

      (2)

      rt=σ(Wr·[ht-1,xt])

      (3)

      (4)

      (5)

      CNN和LSTM兩種方法均存在著優(yōu)缺點(diǎn),如表1所示。因此本文采用兩種方法結(jié)合的方式構(gòu)建溫度預(yù)測模型——CNN-LSTM算法,使模型預(yù)測精度高、魯棒性強(qiáng),模型如圖3所示。

      表1 CNN與LSTM算法優(yōu)缺點(diǎn)

      圖3 基于CNN-LSTM的溫度預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)

      2 模型訓(xùn)練樣本

      麟北電廠汽輪機(jī)外形如圖4所示。高中壓合缸機(jī)組中轉(zhuǎn)子高壓部分工作環(huán)境相比中壓部分更加惡劣,高壓部分監(jiān)控測點(diǎn)更多,因此以轉(zhuǎn)子高壓部分作為機(jī)器學(xué)習(xí)算法研究對(duì)象,具有更好的實(shí)際應(yīng)用意義。

      圖4 麟北電廠350 MW汽輪機(jī)三維示意圖

      機(jī)器學(xué)習(xí)算法模型建立時(shí)需要選擇和控制與輸出參數(shù)高度相關(guān)的變量。經(jīng)過相關(guān)性分析,與轉(zhuǎn)子高相關(guān)性的測點(diǎn)共有11組:3個(gè)溫度參數(shù),即高壓進(jìn)汽溫度、高壓排汽溫度、監(jiān)測測點(diǎn)溫度;2個(gè)狀態(tài)參數(shù),即機(jī)組轉(zhuǎn)速和輸出功率;6組控制參數(shù),即2個(gè)高壓主門開度控制和4個(gè)高壓調(diào)門開度控制。原始數(shù)據(jù)的量綱不同對(duì)訓(xùn)練模型誤差有較大影響,因此采用Z-score方法進(jìn)行標(biāo)準(zhǔn)化處理,處理流程如圖5所示,計(jì)算公式如(6)。

      圖5 Z-score標(biāo)準(zhǔn)化處理

      (6)

      選取麟北電廠某段時(shí)間內(nèi)的典型運(yùn)行工況作為訓(xùn)練樣本,標(biāo)準(zhǔn)化后的數(shù)據(jù)如圖6至圖9所示。

      圖6 溫度參數(shù)訓(xùn)練樣本

      圖7 功率參數(shù)訓(xùn)練樣本

      圖8 轉(zhuǎn)速參數(shù)訓(xùn)練樣本

      圖9 閥門開度參數(shù)訓(xùn)練樣本

      經(jīng)過多次測試后,獲得模型參數(shù)如表2所示。

      表2 訓(xùn)練模型構(gòu)造參數(shù)

      3 預(yù)測結(jié)果

      圖10 CNN-LSTM模型預(yù)測結(jié)果

      由于模型的預(yù)測性能除了受訓(xùn)練數(shù)據(jù)本身的特征影響外,還依賴于機(jī)器學(xué)習(xí)模型參數(shù)的選擇,因此,針對(duì)本模型,通過人為的調(diào)整,另外構(gòu)造了2組參數(shù),預(yù)測結(jié)果如圖11所示。

      圖11 不同超參數(shù)組合下模型預(yù)測結(jié)果

      表3為3種超參數(shù)組合下的預(yù)測結(jié)果,對(duì)比圖11和表3的結(jié)果可以看出,3種參數(shù)組合均能夠有效預(yù)測、捕捉運(yùn)行工況特征。經(jīng)過參數(shù)調(diào)整后,預(yù)測準(zhǔn)確率得到提升,最大誤差明顯減小,參數(shù)組合3的結(jié)果最佳,最大誤差降至33.21 ℃。

      表3 3種超參數(shù)組合的預(yù)測結(jié)果

      從上述結(jié)果中可以看出,采用CNN-LSTM模型能夠有效捕捉轉(zhuǎn)子運(yùn)行過程中溫度變化。目前的訓(xùn)練模型在啟動(dòng)運(yùn)行階段的預(yù)測性能良好,但是在停機(jī)階段誤差相對(duì)較大,調(diào)整后的模型參數(shù)能夠有效降低誤差。由于目前采用的訓(xùn)練模型中,典型工況較少,后續(xù)可對(duì)訓(xùn)練樣本庫進(jìn)行豐富完善,得到的新模型,這樣可以進(jìn)一步提高預(yù)測準(zhǔn)確率,降低最大誤差。

      4 結(jié) 論

      本文介紹了智能算法在汽輪機(jī)關(guān)鍵部件溫度預(yù)測領(lǐng)域的應(yīng)用。基于麟北電廠的歷史運(yùn)行數(shù)據(jù),采用CNN-LSTM算法建立轉(zhuǎn)子溫度預(yù)測模型,能夠有效預(yù)測未來一段時(shí)間內(nèi)的溫度趨勢,為機(jī)組運(yùn)行人員提供參考。但由于目前訓(xùn)練樣本數(shù)據(jù)較少,準(zhǔn)確率尚有較大的提升空間。根據(jù)神經(jīng)網(wǎng)絡(luò)模型的基本特點(diǎn),可以預(yù)見預(yù)測的準(zhǔn)確度將能通過豐富的訓(xùn)練數(shù)據(jù)得到進(jìn)一步提升。

      猜你喜歡
      訓(xùn)練樣本汽輪機(jī)神經(jīng)網(wǎng)絡(luò)
      東汽百萬等級(jí)汽輪機(jī)低壓軸承偏載治理研究
      能源工程(2020年5期)2021-01-04 01:29:00
      人工智能
      神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
      電子制作(2019年19期)2019-11-23 08:42:00
      寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
      融合原始樣本和虛擬樣本的人臉識(shí)別算法
      基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
      淺析給水泵汽輪機(jī)跳閘回路改造
      廣西電力(2016年4期)2016-07-10 10:23:38
      汽輪機(jī)排汽缸噴水量計(jì)算
      基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
      復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
      库车县| 太湖县| 剑阁县| 岳普湖县| 大同市| 榆树市| 彭山县| 河东区| 德清县| 田阳县| 甘肃省| 太谷县| 驻马店市| 甘谷县| 搜索| 柳林县| 屏东县| 和平区| 弥勒县| 循化| 壤塘县| 永州市| 油尖旺区| 滦南县| 珲春市| 灵宝市| 罗甸县| 安顺市| 信宜市| 吕梁市| 咸宁市| 永顺县| 旅游| 拉萨市| 永济市| 分宜县| 法库县| 兰州市| 永清县| 防城港市| 宁南县|