利用人工神经网络和电路设计提高火电厂汽轮机性能

摘要

为了提高蒸汽动力装置的性能，采用了电路设计和安装以及人工神经网络技术来控制汽轮机。人工神经网络技术被应用于许多工业模型的实际控制。人工神经网络已应用于控制巴格达AL–Dura电厂汽轮机的重要变量，如压力、温度、转速和湿度。本研究采用人工神经网络（ANN）将Simulink模型应用于MATLAB程序（v 2014 a）。控制模型的方法是使用NARMA生成数据和训练网络。安离线了。ANN需要数据来获得结果并与实际电厂进行比较。输入变量的取值对神经网络的节点数和时间有很大的影响，在神经网络的隐层中，输入变量的取值也会影响神经网络的性能。传感器电路由变压器、直流电桥和电压调节器组成。将神经网络和电路的建模结果与实验数据进行比较，结果表明两者吻合良好，实验数据与神经网络和电路设计的预测结果的最大偏差小于1%。本文的创新之处在于采用NARMA控制器以提高汽轮机性能。

1.介绍

本工程使用AL-Dura电厂的蒸汽轮机(160MW)，蒸汽轮机用于将加压蒸汽中的热能转化为有用的机械功。汽轮机由高、中、低压三段组成;第一段为高压段，由两个水平劈裂套管组成;内胆置于内，轴向固定，外壳体各方向均有膨胀范围。第二段为中低压段，水平分拆，由三部分通过垂直法兰连接而成。出口分支与冷凝器刚性连接，冷凝器由弹簧支撑。在中间套管中安装了第1、2低压加热器的管巢。套管之间通过导向键相互连接，轴向固定点位于低压套管的中心部位[1.］.在本研究中，我们提出了电厂汽轮机腐蚀的基本问题、解决方案和解决方法。材料的化学和力学性能影响涡轮叶片的使用寿命。汽轮机转子和盘的应力腐蚀和开裂是汽轮机的主要问题。在本研究中，我们讨论了蒸汽发生器部件的修复焊接历史，特别强调了裂纹汽轮机叶片的修复焊接细节[2.］.本文采用有限元计算程序计算了1000mw超超临界汽轮机转子在冷态下的应力和温度，并采用一般斜率法和局部应力应变法估算了转子的低周疲劳寿命损失。3.］.在本研究中，我们使用人工神经网络建立了汽轮机转子的数学模型，利用非线性自回归与外源性输入(NARX)，得到汽轮机临界转子位置的温度和应力在线预测。电厂的测量是汽轮机转子高压级、转速、负荷、温度和汽轮机控制阀前的压力。我们使用训练神经网络的有限元转子模型，它不仅具有与汽轮机膨胀的非线性有关的非线性，而且还包括有限元精度、涡轮内部作为热交换的瞬态条件的非线性，以及转子的材料特性。在涡轮算法中，采用神经网络作为控制器实现。在工业发电厂中，汽轮机应力神经网络应用于控制[4.］.本研究使用自适应神经模糊推理系统(ANFIS)模型来预测台湾国盛核电厂1号机组水轮机循环功率。使用95%置信区间的线性回归模型对2006年至2011年期间收集的工厂运行信息进行了验证。ANFIS的输入是汽轮机循环模型的节流压力、给水流量、给水温度和凝汽器压力。结果表明，所提出的ANFIS能够准确、可靠地演示涡轮循环模型，并将计算结果与热力涡轮循环模型进行比较。利用商业软件PEPSE对模型进行了应用。利用国生核电厂的实际运行数据建立的汽轮机循环模型是有效的，具有较好的示范作用。5.］.

本文的目的是通过控制压力、温度、速度和湿度等参数，利用人工神经网络(ANN)来提高AL-Dura电厂的性能。

2.人工神经网络

人工神经网络试图模拟人类神经系统的某些特征。神经网络的起源可以追溯到20世纪40年代，当时Mc Culloch和Pitts建立了第一个生物神经元的数学模型。通过神经网络来创建一个模型，是利用最初用于人类大脑认知功能的分析工具。最普遍的形式是，神经网络是一个系统或机器，它被设计用来模拟大脑执行特定功能的方式;在数字计算机上通过软件仿真实现了人工神经网络的建模。人工神经网络采用大量简单计算单元(称为“神经元”)的相互连接来获得良好的性能。人工神经网络是一个在表示问题的输入和输出模式之间执行映射的系统。经过多次迭代，神经网络在训练过程中学习信息。当学习过程结束时，人工神经网络就可以对新的信息进行分类，预测新的行为，或估计非线性函数问题。它的结构由一组神经元(以功能表示)组成，这些神经元相互连接，按层排列[6.–9］.

2．1．人工神经网络基础

人工神经网络可以定义为一个计算系统，它根据外界输入的动态状态来处理数据。它由许多简单的、高度相互关联的处理元素组成。数字1.展示了人工神经网络的组成部分。

网络类型可以使用级联前馈来创建多层网络。层的输出是下一层的输入。通过将输出值与期望输出值进行比较，可以使用误差信号；这称为反向传播，用于调整网络权重。对于不包含在训练模式中的输入，可以推广反向传播[10］.

3.汽轮机控制系统仿真

汽轮机由于其容量、应用和期望性能方面的成本效率而被广泛应用于电厂;对汽轮机的结构提供了不同程度的复杂性，以提高热效率，使汽轮机由高压、中压、而低压级由于汽轮机结构的复杂性，采用人工神经网络来研究汽轮机的性能，较难预测所提出的控制系统对电厂汽轮机的影响，因此，发展非线性分析模型。设计、综合和执行实时仿真和监测所需的状态，这些模型可以用于电厂控制系统[11–17］.160MW电厂的汽轮机由蒸汽抽汽器、给水加热器、水分分离器及相关动机组成。汽轮机配置和抽汽条件。本研究中的重要变量影响AL-Dura电厂汽轮机的诸如温度、压力、速度、和湿度,通过建模、模拟使用MATLAB程序(2014年版)根据结构控制语言,已被证明在操作确定基于获得的数据与实际电厂。

4.人工神经网络的输入变量

影响电厂运行的变量包括:

(a)温度输入变量．AL-Dura电厂汽轮机温度安全运行，为避免汽轮机叶片损坏，汽轮机产生的温度和进入汽轮机的温度必须小于550℃。

(b)压力输入变量。汽轮机的安全运行，压力小于140巴，从实际发电厂获得。

(c)速度输入变量．速度是AL-Dura电厂影响汽轮机的一个重要变量，因为它影响机械功率，从而提高效率;对于涡轮轴，速度必须大于3500转/分

(d)湿度输入变量．湿度是危害和影响涡轮内部叶片旋转的重要变量。湿度值应小于0.12;实验数据中用于神经网络训练的数据范围输入和输出参数如表所示1.．这些数据分为50%用于训练，50%用于测试。

5.实验装置

实验设备由接口部分、个人计算机、I/P用户和控制器组成。本研究包括硬件和软件两部分。硬件部分用于温度、湿度、速度和压力传感器。对这些信号的等效电路进行处理，然后传送到接口单元。在接口单元中，信号被处理后进入计算机，然后控制一个根据系统要求设计的应用程序，并因此向操作员提供信息，供您作出正确的选择。每个传感器包括变压器能够增加或减少电压和电流的供应水平,直流桥用于信号转换为连续电压信号来获取信号的逻辑价值由1和0,其中一个代表5伏,0代表零伏。连续电压信号被插入到7805型电压调节器(5伏或零伏)。它的作用是提供稳定的电压，它作为稳定器的用途可能仅限于确保输出保持在一定的范围内。当传感器读数高时，模拟信号转换为数字信号。数字2.给出了传感电路图和传感电路图，软件部分包括流程图和用MATLAB（2014a）程序编写的算法。

6.基于神经网络的汽轮机模型

该方法采用的神经网络控制器类型为非线性自回归移动平均(NARMA)，该控制器被设计用于控制汽轮机的压力、湿度、速度和温度。神经网络工具箱提供了一个演示模型来演示NARMA-L2控制器;NARMA的目标是控制悬浮在电磁铁上方的磁铁的位置，磁铁受到限制，使它只能在垂直方向移动;NARMA在MATLAB仿真的神经网络工具箱中实现。在系统辨识中，建立了被控对象的神经网络模型。NARMA的控制器模块如图所示3.．

涡轮模型NARMA的植物识别框图通过调整参数工作，通过插入、最小值和最大值生成植物输入和输出数据，最小值和最大值的间隔值为0.1秒和1秒。隐层的大小，延迟的植物输入和输出的数量，采样间隔，最后训练函数为trainlm。然后根据得到的植物模型的响应选择训练网络。图中显示了验证数据、训练数据和测试数据的单独图4.（a） 及4.（b） 说明运行NARMA的流程图。

7.结果和讨论

本文在建立汽轮机模型的基础上，根据实验设置的数据对神经网络进行训练和测试，并利用MATLAB对基于神经网络的模型进行了仿真．为了平衡训练效率受到隐层神经元数量的限制，通过试错神经网络训练过程，增加隐层节点的数量来获得较好的网络精度．本文研究的神经网络有两层(隐层)，3-14个神经元，均方误差结果如表所示2.．

训练的目的是寻找神经网络的最优解。数字5.结果显示，经过300个纪元后，开发出2层隐层神经网络的训练效果最好。数字6.说明了用于训练的实验数据和NN预测之间的良好一致性。在程序中，我们使用了两个隐藏层，但每个变量在NARMA中使用14个隐藏层进行控制。隐藏层的数量给出了最低的错误率。

8.AL Dura电厂汽轮机的Simulink模型

为了控制AL-Dura电厂汽轮机的输入变量(温度、压力、速度、湿度)，设计了汽轮机的simulink模型。数字7.显示了使用NARMA的汽轮机模型。在该控制图中，我们建议分别为每个信号设计和建立一个ANN模型，然后对中央过程中的所有信号求和，以减少作出决定所需的时间。该建议系统代表了发电厂的汽轮机，包括压力、温度、，湿度、湿度和速度。在一个系统中处理所有信号需要很长时间，因为这需要对所有系统重复使用ANN的权重，并进行训练和学习，直到做出决定。因此，该模型在稳态下工作；当某个信号发生问题或意外事故或变化时，通过忽略此c来解决问题ase，处理时间短，系统中所有部件保持稳定状态。

9.模型的结果

(1)温度．电厂水轮机温度应在550℃，以保证水轮机叶片和水轮机设计在520℃~ 550℃的温度下工作。数字8.显示输入温度变量。

(2)速度．涡轮稳态运行时转速为2500 ~ 3000转/分8.显示输入速度可变。

（3） 湿度．汽轮机稳态时允许工作的湿度为0 ~ 0.12。数字8.显示输入湿度变量。

(4)压力．涡轮各部分的工作压力从140 bar开始，然后下降到进入冷凝器的6 bar。数字8.显示AL-Dura电厂压力输入变量。

10.实验电路的结果

数字9显示了从实验装置测得的实际压力信号。该信号解释了汽轮机在稳态下工作的允许极限。压力随着温度的升高而升高。

它还显示了从实验电路测量的实际温度信号和汽轮机的工作极限在500 - 550°C之间，以保护汽轮机不爆炸和熔化。

此外，还从实验装置中提取了湿度信号。涡轮在正常工况下的最大工作极限为0.12。当温度和压力增加时，湿度降低，保护涡轮叶片免受腐蚀和侵蚀，并显示从实验装置采集的实际速度信号。汽轮机在安全状态下运行的允许极限为2500转/分至3000转/分。

数字10以汽轮机湿度为例，给出了人工神经网络与电路设计的比较结果；两者之间的误差为1%。该电路在百事巴格达公司实际应用，在工厂控制中取得了良好的效果。

11.结论

人工神经网络的应用过程控制是一个最好的方法治疗任何复杂的问题,准备足够的训练数据和节点数来表示的内部特征和关系,连接输入和输出变量的自动化工程师构建控制器根据他在工厂的信息和经验;人工神经网络的训练取决于输入变量的值的数量影响时代的双曲正切函数的神经网络由于减少训练时间通过使用最大和最小输入和目标值之间的归一化法与其他标准化方法。采用反向传播算法对神经网络进行训练;该技术控制从实际工厂(140 bar, 550C,0.12, 300转/分)获得的实际数据的最佳值．

命名法

变量

维琪:	连接的重量
X:	神经网络输入
Yj:	计算单元的输出。

希腊符号

Θ:

阈值。

数据可用性

用于支持本研究结果的数据可根据要求从相应作者处获得。

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. Amanraj，“汽轮机研究的研究论文”，国际技术创新研究杂志，第2卷，第6期，文章ID 142775，2015年。视图:谷歌学者
2. A. D. Kushwaha, A. Soni, L. Garewal，“汽轮机叶片腐蚀及其解决方案的评论论文”，国际科学研究与工程趋势杂志，第3卷，第2期。4、2014。视图:谷歌学者
3. 卞顺，李伟，“1000mw汽轮机转子热应力和疲劳寿命的计算”，国际能源与动力工程杂志，第05卷，第5期4, pp. 1484-1489, 2013。视图:出版商网站|谷歌学者
4. K. Dominiczak, R. Rzadkowski，和W. Radulski，“使用NARX神经网络的汽轮机应力控制”，开放工程，第5卷，第5期。1, pp. 421-428, 2015。视图:谷歌学者
5. Y.-K。陈和J.-C。Gu，“利用基于神经模糊的方法对核电站涡轮发电机输出进行建模”，能量，第5卷，第5期。1, pp. 101-118, 2012。视图:出版商网站|谷歌学者
6. p·皮克顿,神经网络，帕尔格雷夫·麦克米伦，第二版，2000。
7. D. Pallarès和F. Johnsson，“大型循环流化床流体动力学的宏观模型”，能源与燃烧科学进展，第32卷，第5-6号，第539-569页，2006年。视图:出版商网站|谷歌学者
8. 段丽，孙辉，赵超，周伟，陈旭东，“含氧循环流化床燃烧室热烟气循环燃烧特性研究”，燃料，第127卷，第47-51页，2014。视图:出版商网站|谷歌学者
9. U. Kesgin，“用于发动机效率和氮氧化物排放优化的遗传算法和人工神经网络”，燃料，第83卷，第83期7-8，页885-895,2004。视图:出版商网站|谷歌学者
10. j . m . Zurada人工神经系统导论， jico West出版社，1992年。
11. 观测。蔡,陈宗柏。Tsao和C. Chyn，“涡轮发电机振动分析的非线性模型，包括飞轮阻尼器的设计，”国际电力与能源系统杂志第19卷第2期7，第469-479页，1997。视图:出版商网站|谷歌学者
12. J.Krzywanski，W.Nowak和J.Krzywański，“预测空气燃烧和富氧大气中CFBC NOx排放的神经计算方法，”电力技术杂志第97卷第1期2, pp. 75-84, 2017。视图:谷歌学者
13. 王琪，“基于遗传算法和神经网络的FB和CFB气化炉中吸附剂的H2产量优化”，《中国机械工程》，能源转换与管理，第171卷，第1651-16612018页。视图:出版商网站|谷歌学者
14. Z. N. S. Vanini, K. Khorasani，和N. Meskin，“使用动态神经网络和多模型方法的双轴燃气轮机故障检测和隔离”，信息科学，第259卷，第234-251页，2014。视图:出版商网站|谷歌学者
15. S. Hosham, F. Anead Khalid，和J. Raheel，“用人工神经网络评估和改进火电厂锅炉性能”，工程技术杂志，第36卷，A部分，第2号6、2018。视图:谷歌学者
16. Z. N. Sadough Vanini, N. Meskin，和K. Khorasani，“使用自关联神经网络的燃气轮机多模型传感器和部件故障诊断”，燃气轮机与动力工程学报，第136卷，2014年第9期。视图:谷歌学者
17. S. S. Tayarani-Bathaie, Z. N. Sadough Vanini，和K. Khorasani，“使用动态神经网络的燃气轮机故障检测”2012第25届IEEE加拿大电气与计算机工程会议论文集，CCECE 2012加拿大，2012年5月。视图:谷歌学者

版权

版权所有©2018 Hosham Salim等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。