基于磷虾群算法和反馈快速学习网的汽轮机初压优化

摘要

近十年，伴随国民经济的快速发展，我国对能源的需求日益增加。以煤为主的能源格局决定了我国电力工业的发展将主要依靠火力发电。目前，我国火力发电量占电力工业总发电量的70％以上，且随着我国社会电力需求的不断增长，电网峰谷负荷差逐渐拉大，导致大型火电机组不得不参与电网的调峰运行。火电机组长期运行在部分负荷下，偏离设计工况，汽轮机的热经济性将严重受影响。
　　为此，本文围绕火电机组汽轮机变工况下最优运行初压的课题展开研究，以期通过最新技术和方法解决汽轮机运行初压优化中的主要问题，作了如下研究：
　　首先，对火电厂汽轮机热经济性分析方法作了深入研究，得出：分布式控制系统(Distributed Control Systems,DCS)数据中噪声信号和水蒸气焓值计算精度对热经济性分析具有重要影响。因此，在数据前处理阶段，引入改进的中值滤波算法(Minimum-Maximum Exclusive Mean filer,MMEM)有效的滤除了原始数据中的高斯噪声；其次，采用国际水和水蒸气性质计算公式(IAPWS Industrial Formulation1997for the Thermodynamic Properties of Water and Steam,IAPWS-IF97)，保证了热经济性分析中水蒸气焓值的精度。
　　其次，建模方法快速学习网(Fast Learning Network,FLN)是前馈型神经网络，网络结构紧凑、学习训练速度快，但是快速学习网忽略了系统的惯性延迟和时间连续性。因此，本文提出反馈型快速学习网(Feedback Fast Learning Network,B-FLN)，在原始的快速学习网的基础上增加从输出神经元到输入神经元的反馈通道。实验结果显示，B-FLN在建立周期多峰和惯性迟滞系统模型建模精度远优于FLN建模方法。
　　再次，通过对汽轮机热力系统各级抽汽加热器进行常规热平衡分析，建立基于质量平衡与能量平衡的热力系统分析模型，包括热平衡矩阵方程、吸热方程、功率方程。针对汽轮机变工况运行时热平衡分析方法的计算精度下降问题，引入神经网络建模技术，利用B-FLN建立汽轮机热耗率模型，提高了热经济分析模型的动态精度。
　　最后，以热平衡分析与B-FLN建立的汽轮机热耗率混合分析模型为基础，采用全局智能优化算法—磷虾群优化算法(Krill Herd Algorithm,KH)为寻优工具，优化600MW超临界汽轮机在各个负荷下主蒸汽压力值，得到了机组变工况下的最优运行初压曲线，降低了汽轮机热耗率，为火电厂节能降耗作出了指导。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究的背景

1.2 课题研究的目的和意义

1.3 国内外研究现状

1.4 论文的主要研究内容和研究方法

第2章 数据的采集与前处理

2.1分布式控制系统及汽轮机运行数据的采集

2.2 水和水蒸气热力学性质计算

2.3 在线数据滤波函数

2.4 本章小结

第3章 汽轮机热力系统状态监测模型

3.1 汽轮机热力系统结构

3.2 热力系统输入热量方程

3.3 热力系统输出功率方程

3.4 热力系统汽水分布方程

3.5 实验结果与数据分析

3.6 本章小结

第4章 改进快速学习网及汽轮机热耗率模型

4.1快速学习网的基本理论

4.2快速学习网的改进模型

4.3反馈快速学习网与快速学习网的实验对比

4.4 基于反馈快速学习网的汽轮机热耗率模型

4.5 本章小结

第5章 磷虾群算法在汽轮机初压优化中的应用

5.1 磷虾群优化算法简介

5.2 磷虾群优化算法的基本原理

5.3 磷虾群优化算法的主要步骤

5.4 汽轮机初压优化

5.5 优化问题的描述

5.6主蒸汽压力优化实验与结果分析

5.7本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢