用于发电厂负荷控制的压力/负荷关系的基于模型的表征的制作方法

概括地说，本公开内容涉及对发电装置的控制，更具体地说，本公开内容涉及实现对用于在滑压控制模式下操作的蒸汽涡轮发电过程和系统的涡轮蒸汽入口压力与电能负荷之间的关系的基于模型的表征。
背景技术：
：多种工业的以及非工业的应用使用燃料燃烧锅炉，其中燃料燃烧锅炉通常操作为通过燃烧各种类型的燃料(例如，煤、燃气、石油、废料等等)中的一种，将化学能转换成热能。燃料燃烧锅炉的示例性使用可以在热发电机中，其中燃料燃烧炉膛通过穿过锅炉内的多个管道(pipe)和管路(tube)的水来生成蒸汽，并且所生成的蒸汽然后可以用于操作一个或多个蒸汽涡轮机以便发电。热发电机的电能负荷(或功率输出)可以是锅炉中所生成的热量的函数，其中热量可以例如直接由每小时消耗(例如，燃烧)的燃料的数量确定。在许多情况下，发电系统包括具有炉膛的锅炉，其中炉膛燃烧或者以其它方式使用燃料来生成热量，该热量转而被传递至流经锅炉的各个区段内的管道或管路的水。典型的蒸汽生成系统包括具有过热器区段(具有一个或多个子区段)的锅炉，其中产生蒸汽并且然后蒸汽被提供给第一、通常高压的蒸汽涡轮机并在该蒸汽涡轮机内使用。虽然基于热的发电机的效率在很大程度上依赖于用于燃烧燃料并将热量传递至在锅炉的过热器区段或任何额外的一个或多个区段内流动的蒸汽的特定炉膛/锅炉组合的传热效率，但该效率还依赖于用于控制锅炉的过热器区段或任何额外的一个或多个区段中的蒸汽的温度的控制技术。为了增加系统的效率，离开第一蒸汽涡轮机的蒸汽可以在锅炉的再热器区段(其可以包括一个或多个子区段)中进行再热，并且经再热的蒸汽然后可以提供给第二、通常较低压的蒸汽涡轮机。然而，必须以协调的方式来控制功率系统的炉膛/锅炉区段以及功率系统的涡轮机区段二者，以产生期望的功率量。此外，发电厂的蒸汽涡轮机通常在不同的时间以不同的操作水平运行，以便基于向发电厂提供的可变的能量或负荷需求来产生不同数量的电力或功率。例如，在许多情况下，发电厂可以关联到电力传输和分配网络(有时被称为电网)中，并且向电网提供指定数量的功率。在该情况下，电网管理器或控制(调度)机构通常对电网进行管理，以使得电网上的电压电平保持在恒定或近似恒定的电平(其可以在额定电平内)，并基于电力用户向电网施加的电力(功率)的当前需求而提供一致的功率供应。当然，电网管理器通常在一天中的某些时间期间计划比一天中的其它时间期间更重度的使用(以及因此更大的功率要求)，并且在一周和一年中的某些天期间计划比一周和一年中的其它天期间更重度的时间(以及因此更大的功率要求)，并且可以运行一个或多个优化例程，以确定由连接到电网的各个发电厂在任何特定的时间为了满足对电网的当前或期望的整体功率需求而需要生成的功率的最佳量和类型。作为该过程的一部分，电网管理器通常将功率或负荷需求要求(还被称为负荷需求设定点或电能负荷设定点)发送给向电网供电的发电厂中的每个发电厂，其中电能负荷设定点指定在任何特定的时间可以要求每个特定的发电厂提供到电网上的功率量。当然，为了实现对电网的恰当控制，电网管理器可以针对在任何时间连接到电网的不同发电厂发送新的电能负荷设定点，以考虑供应给电网的或者从电网中消耗的功率的预期/或意外的改变。例如，电网管理器可以响应于需求(与晚上和周末相比，需求在正常营业时间期间和在工作日通常会更高)的预期或意外的变化而针对特定发电厂改变电能负荷设定点。类似地，电网管理器可以响应于电网上的功率供应的意外或预期减少(例如，因特定发电厂处的一个或多个功率单元意外地发生故障或者脱机以进行常规或安排的维修而引起的)而针对特定发电厂改变电能负荷设定点。蒸汽涡轮机发电过程可以被视为具有两个主输入过程变量：燃料(能量)和涡轮机节流阀，以及两个主输出过程变量：电能负荷(兆瓦或MW)和涡轮机蒸汽入口压力。出于实现高效率的目的，许多发电厂在滑压模式下操作。即，涡轮机蒸汽入口压力和电能负荷在给定的操作点(例如，额定条件)处具有直接的一对一关系，以使得控制涡轮机蒸汽入口压力被视为等同于控制电能负荷。通常，该关系可以用曲线来表示，其中，当电能负荷低于40％时，涡轮蒸汽入口压力保持恒定，并且随着电能负荷增加到高于40％而逐渐增加。在滑压模式下，位于至蒸汽涡轮机的入口处的涡轮机节流阀保持全开(例如，100％开启)，而锅炉主控(燃料)用于将入口压力(还被称为涡轮机节流压力或涡轮机蒸汽入口压力)控制为期望的电能负荷设定点。发电厂将涡轮机蒸汽入口压力控制为主输出变量而非电能负荷，这是因为尽管发电厂希望尽可能快速和高效地达到电能负荷设定点，但电能负荷的快速和/或任意移动使得蒸汽压力变量因一对一关系而剧烈摇摆且无法控制，从而造成安全问题。控制涡轮机蒸汽入口压力呈现了控制电能负荷的较可靠和稳定的方式，这被认为比速度更重要，即使涡轮机蒸汽入口压力被视为目的是电能负荷的次佳输出控制变量。在实际操作中，调度中心通过人工呼叫或者通过经由自动发电控制(AGC)机制连接需求信号来向发电厂发送电能负荷需求信号(例如，MW目标设定点)。该电能负荷设定点转换为分布式控制系统中的涡轮机蒸汽入口压力设定点，并且分布式控制系统将涡轮机蒸汽入口中的压力控制为该设定点。如果电能负荷(MW)和涡轮机蒸汽入口压力关系完美地成线性(lineup)，则实际电能负荷将被控制为其目标。然而，实际过程并非总是在额定条件或者任何其它固定条件下操作。例如，蒸汽温度和涡轮机排放压力可以显著地偏离制造商设计(即，额定条件)。因此，为了保持准确的电能负荷和涡轮机蒸汽入口压力关系，涡轮机制造商通常提供校正公式/曲线，该公式/曲线可以用于修改涡轮机蒸汽入口压力设定点以达到电能负荷设定点。这些公式通常用线性和多项式方程来表征，并且主要是根据实验确定的。然而，这些校正公式/曲线是基于制造和/或安装时的固定的数据集来获得的。经过一段时间，单元过程特征会稍微改变，并且电能负荷和涡轮机蒸汽入口压力关系需要随时(也许在各个操作点处)重新校准。已经与蒸汽涡轮机发电过程一起实时地使用涡轮机蒸汽入口压力与电能负荷之间的关系的多元线性回归模型，以更好地跟踪该关系以及该关系随时间如何变化。这在大部分条件下运行良好，但是在某些条件下，实际电能负荷偏离电能负荷设定点多达2MW。这种差异是由于线性多元回归方法所获得的不准确的电能负荷和涡轮机蒸汽入口压力关系而引起的。技术实现要素：一种控制方案使用前馈神经网络模型，以比仅使用多元线性回归模型或制造商提供的校正函数的控制方案更有效和准确的方式，来执行对滑压模式下的蒸汽涡轮机发电过程和系统的控制。滑压模式下的蒸汽涡轮机功率系统的涡轮机入口蒸汽压力与蒸汽涡轮机功率系统的电能负荷(输出)具有直接的一对一关系。这种新的控制方案被视为提供了对涡轮机入口蒸汽压力的更准确的表示，以使得发电厂所生成的功率被更接近地控制为目标(需求)。更具体而言，对涡轮入口蒸汽压力的前馈神经网络模型预测以非常小的误差与实际涡轮机入口蒸汽压力更接近地拟合，并且从而提供对电能负荷的更佳的控制。这种控制方案还可以应用于使用滑压模式的其它类型的功率单元。另外，这种控制方案可以应用于对与发电系统的电能负荷具有直接的一对一关系的过程变量进行控制的发电系统。因此，这种控制方案可以应用于对包括发电硬件的过程或工厂硬件进行控制的控制系统中。在一种情况下，一种发电系统包括多个互连的或相互关联的发电装置的部件，这些部件包括蒸汽涡轮机发电单元、电能生成单元、控制系统和前馈神经网络模型。所述蒸汽涡轮机发电单元可以具有涡轮机蒸汽入口系统、耦合到所述涡轮机蒸汽入口系统的蒸汽涡轮机、以及蒸汽出口。此外，所述蒸汽涡轮可以由来自所述涡轮机蒸汽入口系统的蒸汽提供动力。在该情况下，所述电能生成单元和所述蒸汽涡轮机互连，以使得所述电能生成单元机械地耦合到所述蒸汽涡轮机，以基于所述蒸汽涡轮机的移动来产生电能负荷。所述控制系统产生过程控制信号以控制所述涡轮机蒸汽入口系统中的压力，从而对由所述电能生成单元产生的电能负荷进行控制。所述前馈神经网络模型所述涡轮机蒸汽入口压力与所述电能负荷之间的关系进行建模。所述前馈神经网络模型的输入包括电能负荷设定点，以产生涡轮机蒸汽入口压力设定点，并且所述压力设定点耦合到下游控制系统的输入。如果期望的话，所述发电系统还包括燃烧器系统，所述燃烧器系统燃烧燃料以生成所述涡轮机蒸汽入口系统的蒸汽输入，并且所述控制系统包括控制器输入生成单元以及操作地耦合到所述控制器输入生成单元的控制器。所述前馈神经网络模型的输出耦合到所述控制器输入信号生成单元的输入，并且所述控制器输入信号生成单元产生用于所述控制器的控制器输入信号。所述控制器响应于所述控制器输入信号而产生所述过程控制信号以控制所述燃烧器系统，从而控制所述涡轮机蒸汽入口系统中的压力。另外，所述控制器输入信号可以包括用于所述控制器的控制器阀输入信号以控制涡轮机阀，从而控制所述涡轮机蒸汽入口系统的蒸汽的输入。所述控制器阀输入信号可以包括用于使至所述涡轮机蒸汽入口系统的蒸汽的输入最大化的值，以使得所述发电系统处于滑压模式下。如果期望的话，所述发电系统还包括再热器和冷凝器，所述再热器操作地耦合到所述蒸汽涡轮机发电单元，所述冷凝器操作地耦合到所述蒸汽涡轮机发电单元的所述蒸汽出口。所述再热器对离开所述蒸汽涡轮机发电单元的蒸汽进行再热，并将经再热的蒸汽提供回至所述蒸汽涡轮机发电单元的较低压力区段。所述冷凝器接收从所述蒸汽涡轮机发电单元排放的蒸汽。在该情况下，所述前馈神经网络模型可以包括多元输入，所述多元输入包括所述电能负荷设定点、再热蒸汽温度偏差、主蒸汽温度偏差(在涡轮机入口处)、涡轮机节流压力偏差、冷凝器背压偏差、和辅助蒸汽流。所述再热温度偏差、所述涡轮机蒸汽入口温度偏差、所述冷凝器背压偏差、和所述辅助蒸汽流中的每一个都对所述电能负荷有影响。此外，所述前馈神经网络模型可以包括具有sigmoid型神经元的一个隐藏层的神经网络。如果期望的话，所述发电系统可以包括模型适配单元，所述模型适配单元模型进行适配以产生压力设定点控制系统输出。在该情况下，所述模型适配单元操作地耦合到所述电能生成单元，以使得所述模型适配单元的输入包括所述电能负荷设定点和所述电能负荷。所述模型适配单元基于所述电能负荷设定点与所述电能负荷之间的差异来对所述模型进行适配。此外，如果所述发电系统在稳定状态下操作并且所述电能负荷设定点与所述电能负荷之间的差异超过阈值，则所述模型适配单元可以对所述模型进行适配。另外，所述模型适配单元可以使用来自所述发电系统的过程数据作为训练数据，来训练所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的新的前馈神经网络模型。所述模型适配单元还可以使用所述训练数据来训练所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的多元线性回归模型。此外，所述模型适配单元可以使用来自所述发电系统的过程数据作为测试数据，来针对所述新的前馈神经网络模型和所述多元线性回归模型中的每个模型计算均方根误差。所述模型适配单元还可以使用所述测试数据来针对以下各模型中的每个模型计算均方根误差：操作地耦合到所述控制系统的所述前馈神经网络模型、所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的先前的多元线性回归模型、以及所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的设计模型。所述模型适配单元可以选择所述新的前馈神经网络模型和所述多元线性回归模型中的具有最小的均方根误差的一个模型。此外，所述模型适配单元可以选择所述新的前馈神经网络模型和所述多元线性回归模型、操作地耦合到所述控制系统的所述前馈神经网络模型、所述先前的多元线性回归模型和所述设计模型中的具有最小的均方根误差的一个模型。所述模型适配单元适于：如果所选择的模型是所述新的前馈神经网络模型、所述新的多元线性回归模型、旧的多元线性回归模型或所述设计模型，则代替操作地耦合到所述控制系统的所述前馈神经网络模型。在另一个例子中，一种发电系统包括多个互连的或相互关联的发电装置的部件，这些部件包括蒸汽涡轮机发电单元、电能生成单元、控制系统和模型适配单元。所述蒸汽涡轮机发电单元可以具有涡轮机蒸汽入口系统、耦合到所述涡轮机蒸汽入口系统的蒸汽涡轮机、以及蒸汽出口。此外，所述蒸汽涡轮机可以由来自所述涡轮机蒸汽入口系统的蒸汽来提供动力。所述电能生成单元和所述蒸汽涡轮机互连，以使得所述电能生成单元机械地耦合到所述蒸汽涡轮机，以基于所述蒸汽涡轮机的移动来产生电能负荷。所述控制系统产生过程控制信号以控制所述涡轮机蒸汽入口系统中的压力，从而对由所述电能生成单元产生的所述电能负荷进行控制。在该情况下，所述模型适配单元和所述电能生成单元互连，以使得所述模型适配单元使用来自所述发电系统的过程数据作为训练数据，来对涡轮机蒸汽入口压力与所述电能负荷之间的关系的前馈神经网络模型进行适配。所述前馈神经网络模型可以根据用于所述控制系统的电能负荷设定点来产生压力设定点控制系统输出。如果期望的话，所述模型适配单元操作地耦合到所述电能生成单元，以使得所述模型适配单元的输入包括所述电能负荷设定点和所述电能负荷。在该情况下，所述模型适配单元可以基于所述电能负荷设定点与所述电能负荷之间的差异来对模型进行适配。另外，如果所述发电系统在稳定状态下操作并且所述电能负荷设定点与所述电能负荷之间的差异超过阈值，则所述模型适配单元可以对模型进行适配。此外，所述模型适配单元使用所述训练数据来训练所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的多元线性回归模型，和/或使用来自所述发电系统的过程数据作为测试数据，来针对所述前馈神经网络模型和所述多元线性回归模型中的每个模型计算均方根误差。所述模型适配单元可以选择所述前馈神经网络模型和所述多元线性回归模型中的具有最小均方根误差的一个模型，以使得所选择的模型的输入包括电能负荷设定点以产生压力设定点控制系统输出，并且所选择的模型的所述压力设定点控制系统输出耦合到所述控制系统的输入。此外，所述模型适配单元可以使用所述测试数据来针对以下各模型计算均方根误差：所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的先前的前馈神经网络模型、所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的先前的多元线性回归模型、以及所述涡轮机蒸汽入口压力与所述电能负荷之间的关系的设计模型。所述模型适配单元可以基于针对每个模型的均方根误差，来选择所述前馈神经网络模型、所述多元线性回归模型、所述先前的前馈神经网络模型、所述先前的多元线性回归模型和所述设计模型中的具有最小均方根误差的一个模型，以使得所选择的模型的输入包括电能负荷设定点以产生压力设定点控制系统输出，并且所选择的模型的所述压力设定点控制系统输出耦合到所述控制系统的输入。如果期望的话，所述发电系统还包括：燃烧器系统，所述燃烧器系统燃烧燃料以生成所述涡轮机蒸汽入口系统的蒸汽输入，并且所述控制系统包括控制器输入生成单元以及操作地耦合到所述控制器输入生成单元的控制器。所述前馈神经网络模型的输出耦合到所述控制器输入信号生成单元的输入，并且所述控制器输入信号生成单元产生用于所述控制器的控制器输入信号。所述控制器响应于所述控制器输入信号而产生过程控制信号以控制所述燃烧器系统，从而控制所述涡轮机蒸汽入口系统中的压力。另外，所述控制器输入信号可以包括用于所述控制器的控制器阀输入信号以控制涡轮机阀，从而控制所述涡轮机蒸汽入口系统的蒸汽的输入。此外，所述控制器阀输入信号可以包括用于使至所述涡轮机蒸汽入口系统的蒸汽输入最大化的值，以使得所述发电系统处于滑压模式下。如果期望的话，所述发电系统还包括再热器和冷凝器，所述再热器操作地耦合到所述蒸汽涡轮机发电单元，所述冷凝器操作地耦合到所述蒸汽涡轮机发电单元的所述蒸汽出口。所述再热器对离开所述蒸汽涡轮机发电单元的蒸汽进行再热，并将经再热的蒸汽提供回至所述蒸汽涡轮机发电单元。所述冷凝器接收从所述蒸汽涡轮机发电单元排放的蒸汽。在该情况下，所述前馈神经网络模型可以包括多元输入，所述多元输入包括所述电能负荷设定点、再热温度偏差、涡轮机蒸汽入口温度偏差、冷凝器背压偏差、和辅助蒸汽流，其中，所述再热温度偏差、所述涡轮机蒸汽入口温度偏差、所述冷凝器背压偏差、和所述辅助蒸汽流中的每一个都对所述电能负荷有影响。另外，所述前馈神经网络模型可以包括具有sigmoid型神经元的至少一个隐藏层的神经网络。在另一个例子中，一种对在滑压模式下的发电过程进行控制的方法，所述发电过程具有蒸汽涡轮机发电单元和电能生成单元，所述方法包括：接收指示所述电能生成单元的期望输出的设定点。所述方法响应于指示所述期望输出的所述设定点，经由神经网络模型对所述电能生成单元的输出与至所述蒸汽涡轮机发电单元的涡轮机蒸汽入口系统内的压力之间的关系进行建模，以产生经预测的压力设定点控制系统输出。所述方法然后基于所预测的压力设定点控制系统输出，执行确定用于控制所述蒸汽涡轮机发电单元的操作的控制信号的控制例程。如果期望的话，所述发电过程可以具有燃烧器系统，所述燃烧器系统燃烧燃料以生成所述涡轮机蒸汽入口系统的蒸汽输入。在该情况下，执行确定用于控制所述蒸汽涡轮机发电单元的操作的控制信号的控制例程包括：执行确定用于控制所述燃烧器系统的控制信号的控制例程，从而控制所述涡轮机蒸汽入口系统中的压力。执行所述控制例程还可以包括：执行确定用于控制涡轮机阀的操作的阀控制信号的控制例程，从而控制所述涡轮机蒸汽入口系统的蒸汽的输入。所述阀控制信号可以包括用于使至所述涡轮机蒸汽入口系统的所述阀的开口最大化的值，以使得所述发电过程处于滑压模式下。如果期望的话，响应于指示所述期望输出的所述设定点，经由所述神经网络模型对所述电能生成单元的输出与至所述蒸汽涡轮机发电单元的涡轮机蒸汽入口系统内的压力之间的关系进行建模还包括：响应于再热温度偏差、涡轮机蒸汽入口温度偏差、冷凝器背压偏差、和辅助蒸汽流，经由所述神经网络模型对所述电能生成单元的输出与至所述蒸汽涡轮机发电单元的涡轮机蒸汽入口系统内的压力之间的关系进行建模。如果期望的话，所述方法还可以包括：测量所述电能生成单元的电能负荷输出；以及基于指示所述期望输出的所述设定点与所测量到的电能负荷输出之间的差异，来对所述电能生成单元的输出与所述涡轮机入口处的压力之间的关系的模型进行适配。在该情况下，对所述电能生成单元的输出与所述涡轮机蒸汽入口系统内的压力之间的关系的所述模型进行适配可以包括：如果所述发电过程在稳定状态下操作并且指示所述期望输出的所述设定点与所测量到的电能负荷输出之间的差异超过阈值，则对所述电能生成单元的输出与所述涡轮机入口处压力之间的关系的所述模型进行适配。另外，对所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的所述模型进行适配可以包括：训练所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的神经网络模型。训练所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的神经网络模型可以包括：使用来自所述发电过程的过程数据作为训练数据，来训练所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的神经网络模型。对所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的所述模型进行适配还可以包括：训练所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的多元线性回归模型。训练所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的多元线性回归模型可以包括：使用来自所述发电过程的过程数据作为训练数据，来训练所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的多元线性回归模型。如果期望的话，所述方法可以包括：针对所述神经网络模型和所述多元线性回归模型中的每个模型确定均方根误差。针对所述神经网络模型和所述多元线性回归模型中的每个模型确定所述均方根误差可以包括：使用来自所述发电过程的过程数据作为测试数据，来针对所述神经网络模型和所述多元线性回归模型中的每个模型确定所述均方根误差。另外，所述方法可以包括针对以下各模型中的每个模型确定均方根误差：所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的先前的神经网络模型、所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的先前的多元线性回归模型、以及所述电能生成单元的输出与所述涡轮机系统入口处的压力之间的关系的设计模型；以及选择所述神经网络模型、所述多元线性回归模型、所述先前的神经网络模型、所述先前的多元线性回归模型和所述设计模型中的具有最小的均方根误差的一个模型以用于所述发电过程。针对所述神经网络模型、所述多元线性回归模型、所述先前的神经网络模型、所述先前的多元线性回归模型和所述设计模型中的每个模型确定所述均方根误差可以包括：使用来自所述发电过程的过程数据作为测试数据，来针对所述神经网络模型、所述多元线性回归模型、所述先前的神经网络模型、所述先前的多元线性回归模型和所述设计模型中的每个模型确定所述均方根误差。如果期望的话，经由所述神经网络模型对所述电能生成单元的输出与至所述蒸汽涡轮机发电单元的涡轮机系统入口处的压力之间的关系进行建模可以包括实现前馈神经网络模型，所述前馈神经网络模型响应于被提供给所述控制例程的所预测的设定点控制系统输出，来对所述电能生成单元的所述负荷输出进行建模。在另一个例子中，一种对用于在滑压模式下的蒸汽涡轮机发电过程的模型进行适配的方法，在所述发电过程中，具有蒸汽涡轮机发电单元和电能生成单元，所述方法包括：接收指示所述电能生成单元的期望输出的设定点。所述方法基于由所述电能生成单元的输出与所述蒸汽涡轮机发电单元的涡轮机蒸汽入口系统内的压力之间的关系的第一神经网络模型所预测的压力设定点控制系统输出，来执行确定用于控制所述蒸汽涡轮机发电单元的操作的控制信号的控制例程，所述第一神经网络模型响应于指示所述期望输出的所述设定点来产生经预测的压力设定点控制系统输出；以及响应于指示在所述发电过程的稳定状态操作期间的所述电能生成单元的期望输出的所述设定点，测量所述电能生成单元的实际输出。如果所述电能生成单元的实际输出与指示所述电能生成单元的期望输出的所述设定点之间的差异大于预定的阈值，则所述方法然后可以对所述电能生成单元的输出与所述蒸汽涡轮机发电单元的所述入口处的压力之间的关系的第二神经网络模型进行适配。如果期望的话，对所述第二神经网络模型进行适配可以包括：使用来自所述发电过程的过程数据作为训练数据来训练所述第二神经网络模型。在该情况下，所述方法还可以包括：使用所述训练数据来训练所述电能生成单元的输出与所述蒸汽涡轮机发电单元的所述涡轮机系统入口处的压力之间的关系的第一多元线性回归模型。另外，所述方法可以包括：使用来自所述发电过程的过程数据作为测试数据，来针对所述第二神经网络模型和所述第一多元线性回归模型中的每个模型计算均方根误差。此外，所述方法可以包括：选择所述第二神经网络模型和所述第一多元线性回归模型中的具有最小均方根误差的一个模型；以及将所选择的模型操作地耦合到所述发电过程的控制系统，以产生压力设定点控制系统输出，其中，所选择的模型的输入包括指示所述电能生成单元的所述期望输出的所述设定点，并且所述压力设定点控制系统输出耦合到所述控制系统的输入。此外，所述方法可以包括针对以下各模型中的每个模型计算均方根误差：所述第一神经网络模型、所述电能生成单元的输出与所述蒸汽涡轮机发电单元的所述涡轮机入口处的压力之间的关系的第二多元线性回归模型、以及所述电能生成单元的输出与所述蒸汽涡轮机发电单元的所述涡轮机系统入口处的压力之间的关系的设计模型。所述方法然后可以选择所述第一神经网络模型、第二神经网络模型、所述第一多元线性回归模型、所述第二多元线性回归模型和所述设计模型中的具有最小均方根误差的一个模型；以及将所选择的模型操作地耦合到所述发电过程的控制系统，以产生压力设定点控制系统输出，其中，所选择的模型的输入包括指示所述电能生成单元的所述期望输出的所述设定点，并且所述压力设定点控制系统输出耦合到所述控制系统的输入。附图说明图1示出了包括蒸汽涡轮机发电装置的发电厂的框图；图2示出了使用内部模型控制和适配来控制过程的闭环控制系统的框图；图3示出了可以用在图2中的闭环控制系统中以提供对包括蒸汽涡轮机发电装置的发电厂的增强控制的控制例程的框图；图4示出了可以与图3中的控制例程一起使用以提供涡轮机蒸汽入口压力与电能负荷之间的增强的曲线拟合方法的模型适配例程的框图；图5示出了可以与图3中的控制例程一起使用和/或作为图4中的模型适配例程的一部分的多层前馈神经网络模型；图6示出了制造商提供的在额定条件(设计)下涡轮机节流压力偏差与电能负荷偏差之间的相关性的校正曲线的例子；图7示出了制造商提供的在额定条件(设计)下过热温度偏差与电能负荷之间的相关性的校正曲线的例子；图8示出了制造商提供的在额定条件(设计)下再热蒸汽温度偏差与电能负荷偏差之间的相关性的校正曲线的例子；图9示出了制造商提供的在额定条件(设计)下排放蒸汽压力与电能负荷偏差之间的相关性的校正曲线的例子；图10示出了根据滑压控制模式下的操作需求的节流压力与电能负荷之间的关系曲线随时间的变化的例子；图11示出了如根据制造商提供的校正函数和多元线性回归模型确定的经预测的涡轮机蒸汽入口压力(节流压力)相对于实际蒸汽压力的比较结果；图12示出了如根据神经网络模型确定的经预测的涡轮机蒸汽入口压力相对于实际蒸汽压力的比较结果；以及图13示出了对于制造商提供的校正函数、多元线性回归模型和神经网络模型，与实际蒸汽压力的拟合误差的比较结果。具体实施方式现在参考图1，基于蒸汽涡轮机的发电系统和过程10(其中可以使用本文中更详细描述的控制例程)包括一组蒸汽涡轮机发电装置12(例如，蒸汽涡轮机系统或蒸汽涡轮机发电单元)、蒸汽压力设定点模型和适配单元14以及控制器16，其中控制器16运行为：经由蒸汽涡轮机节流控制阀18来控制蒸汽涡轮机发电装置12的操作，以便基于提供给设定点模型和适配单元14的负荷需求信号20(MW)来产生输出负荷。设定点模型和适配单元14转而基于提供给控制器16的负荷需求信号20，来产生涡轮机蒸汽入口压力设定点信号22。如将理解的，蒸汽涡轮机发电装置12可以包括任意组的发电装置，例如冷凝器24、用于从蒸汽中产生动力(旋转力)的蒸汽涡轮机26、28、用于从动力中产生功率的发电机30、诸如锅炉32之类的热源、以及管道和导管、以及将冷凝器24、蒸汽涡轮机26、28和锅炉32进行互连的其它装置。在该特定例子中，蒸汽涡轮机26、28包括第一、通常高压的蒸汽涡轮机26和第二、通常低压的蒸汽涡轮机28。离开第一蒸汽涡轮机26的蒸汽可以在再热器34(其可以包括一个或多个子区段)中进行再热，并且经再热的蒸汽然后可以提供给第二蒸汽涡轮机28。如将理解的，蒸汽涡轮机26、28上游的装置可以被认为是涡轮机蒸汽入口装置36(还被称为节流阀)，并且蒸汽可以从蒸汽涡轮机26、28经由蒸汽出口装置38排放到一个或多个冷凝器24。类似地，如本领域普通技术人员理解的，蒸汽涡轮机发电装置12可以包括各种阀、喷洒器等等，这些阀和喷洒器可以连接至控制器16，并且由控制器16使用来控制涡轮机节流阀18、蒸汽涡轮机26、28、再热器34、冷凝器24等等的操作。当然，用于该系统中的锅炉32的燃料流控制器(例如，燃气阀或给煤机)也可以连接到控制器16并由控制器16进行控制，并且因此锅炉32是可变控制设备。例如，锅炉32可以包括耦合到燃料流控制阀的燃烧室，其中燃料流控制阀由控制器16进行控制，以便控制进入燃烧室中的燃料流(例如，天然气)，从而控制蒸汽涡轮机26、28的功率输出。如将理解的，控制器16可以实现为任意期望类型的过程控制器硬件和/或软件。具体而言，控制器16可以被配置或编程为以任何期望的方式实现本文中所描述的控制例程、方案或技术。在一种情况下，控制器16可以包括通用处理器40和存储器42，其中在存储器42中将一个或多个控制例程44储存为待由处理器38执行或实现的控制或编程模块。处理器38然后可以实现一个或多个控制或编程模块44，以变成以本文中所描述的方式进行操作的特定处理器，以实现对基于蒸汽涡轮机的发电系统和过程10的控制。在另一种情况下，处理器40可以具有专用集成电路(ASIC)的形式并且编程有如储存在ASIC的存储器42中的程序模块44，以实现本文中所描述的控制技术。在用于基于蒸汽涡轮机的发电系统和过程的标准控制系统(例如，具有图1中所示出的形式的控制系统)中，蒸汽涡轮机发电装置的蒸汽阀(例如，涡轮机节流阀18)通常在全开(完全打开)条件下运行或置于全开(完全打开)条件下，以使得蒸汽涡轮机循环中的效率损失最小化。这被理解为滑压模式，由此控制器16不使用这些控制阀来控制蒸汽涡轮机26、28的操作，而是替代地控制进入锅炉燃烧室的燃料流，以控制或影响蒸汽涡轮机循环的操作。因此，对许多发电厂的负荷控制往往使用回路控制系统来实现，其中电能负荷需求的变化被直接发送给控制器。更具体地说，负荷需求的变化使得控制器16控制燃料输入，以便将涡轮机蒸汽入口压力(还被称为节流压力)控制到期望的设定点。初始地根据针对基于蒸汽涡轮机的发电系统和过程的设计条件来校准控制器，并且在给定的操作点(即，额定条件)，由于涡轮机蒸汽入口压力与电能负荷之间的一对一关系，控制涡轮机蒸汽入口压力被视为等同于控制电能负荷。然而，实际过程并非总是在额定条件(或者任何其它固定条件)下操作，这是因为涡轮机蒸汽入口温度和涡轮机排放压力可以显著地偏离设计条件。为了讨论这些变化，可以使用设定点模型和适配单元14来修改原始的涡轮机蒸汽入口压力/电能负荷曲线(还被称为“压力-MW曲线”)，该曲线表示涡轮机蒸汽入口压力与电能负荷之间的关系。设定点模型和适配单元14可以使用来自涡轮机制造商的校正公式(还被称为制造商提供的校正函数或曲线)、多元线性回归模型或神经网络模型来修改原始的压力-MW曲线。具体而言，与制造商提供的校正函数或多元线性回归模型相比，神经网络模型通常为实际的压力-MW关系提供更准确的曲线拟合方法。使用这三种技术中的一种技术，设定点模型和适配单元14根据电能负荷设定点20推导出期望的涡轮机蒸汽入口压力设定点22，并将压力设定点22提供给控制器16，其中控制器16使用压力设定点22来控制燃烧器32的燃烧室，从而控制涡轮机蒸汽入口36处的蒸汽压力，并且转而控制电能负荷。设定点模型和适配单元14对来自一个或多个发电机30的实际电能负荷(MW)46与电能负荷需求20(例如，电能负荷设定点)之间的稳定状态差(steady-statedifference)进行监控。稳定状态可以被视为如下操作点：在该操作点处，实际电能负荷达到目标电能负荷并保持在恒定值处达特定的时间量。实际电能负荷46与电能负荷设定点20之间的稳定状态差可以被视为涡轮机蒸汽入口压力与电能负荷之间的关系已经变化的程度。如果稳定状态差大于预定义的阈值，则设定点模型和适配单元14可以训练、测试并选择新的模型，以基于电能负荷设定点20、涡轮机蒸汽入口36处的涡轮机蒸汽入口温度50(还被称为过热温度)偏差、再热器34处的再热温度52偏差、冷凝器24处的排放压力(还被称为冷凝器背压)54偏差、以及辅助蒸汽流48来计算用于控制器16的期望的涡轮机蒸汽入口压力设定点22。涡轮机蒸汽入口温度50、再热温度52和排放压力54都可以通过系统10使用本领域普通技术人员公知的传感器来测量。电能负荷设定点20、实际电能负荷46、涡轮机蒸汽入口温度50偏差、再热温度52偏差、排放压力54偏差、和辅助蒸汽流48也被提供为所选择的模型的输入，以便预测为了达到电能负荷设定点20而需要的涡轮机蒸汽入口压力，并推导出用于控制器16的涡轮机蒸汽入口压力设定点。图2-图4示出了一组设定点模型和控制系统、例程、方案和技术，这些设定点模型和控制系统、例程、方案和技术可以用于：响应于控制涡轮机蒸汽入口32处的蒸汽压力，以如下方式来控制在滑压模式下的图1中的基于蒸汽涡轮机的发电系统和过程10：相对于(asitrelatesto)电能设定点，该方式提供了对电能输出负荷的更佳和更准确的控制。图2中所描绘的闭合回路控制系统100示出了设定点模型和控制系统的通用形式。具体而言，图2中的控制系统100包括产生设定点信号R(s)(例如，涡轮机蒸汽入口压力设定点22)的设定点模型和适配单元102(其可以是图1中的设定点模型和适配单元14)。设定点信号R(s)操作为：基于用于过程106(其可以与图1中的基于蒸汽涡轮机的发电系统和过程10相同)的目标过程变量(例如，负荷需求20)来影响控制器104(其可以是图1中的控制器16)。控制器104产生控制信号U(s)(例如，至锅炉32的燃料流控制阀的控制器输入信号)，其中控制信号U(s)操作为对过程106进行控制。具体而言，控制信号U(s)控制过程106内的某个或某些设备，以影响并从而控制过程变量Y(s)(例如，实际电能负荷)。求和单元108在向设定点模型和适配单元102输入时确定过程变量Y(s)与目标过程变量之间的误差D(s)。然后将误差D(s)(其是设定点模型中的建模误差的函数(并且表示该建模误差))馈送回到设定点模型和适配单元102。如果设定点模型和适配单元102的模型是对设定点R(s)与过程变量Y(s)之间的关系的完美表示，则求和器108的输出D(s)将等于零，并且图2中的控制回路简单地减小到理想的开环控制系统。然而，由于这种情况很少出现，因此可以如下面所讨论的来对模型进行适配，以便更准确地表示涡轮机蒸汽入口压力与电能负荷之间的关系。图3描绘了新的负荷控制方案200的框图。由基于蒸汽涡轮机的发电系统和过程所输出的实际电能负荷(MW)202是图2中的过程变量Y(s)(即，控制方案的受控变量)，燃料输入设定点(SPFUEL)204(即，至锅炉32的燃料流控制阀的信号)是图2中的控制器输出U(s)，涡轮机蒸汽入口压力设定点(SPp)206是图2中的设定点R(s)，并且电能负荷设定点(SPMW)208(即，电能负荷需求)是图2中的目标过程变量如将理解的，电能负荷设定点208是将由一个或多个涡轮(例如，图1中的涡轮26、28)所生成的总MW(功率)。在具有多个涡轮机的单元上，该需求可以针对组合的涡轮机MW(功率)以任何已知的或期望的方式分布。如还将理解的，实际电能负荷202输出是如可以在发电机30处测量到的、一个或多个蒸汽涡轮机的所测量的瞬时输出。控制方案200使用一个或多个蒸汽涡轮机的所测量到的瞬时输出202作为输入。另外，控制方案使用电能负荷设定点208作为输入，连同辅助蒸汽流(AUX)210、涡轮机蒸汽入口温度校正/偏差(ΔTT)212、再热温度校正/偏差(ΔRT)214和排放压力校正/偏差(ΔEP)216。此外，图3中的控制方案200包括：具有控制器的控制系统218，其中控制器可以是任何期望类型的通用控制器(例如，模型预测控制器、比例-积分-微分(PID)控制器等等)；以及具有设定点模型单元220的模型系统，其中设定点模型单元220实现了实际电能负荷202的预测模型。设定点模型单元220对实际电能负荷202与涡轮机蒸汽入口压力之间的关系进行建模，以便基于电能负荷设定点208、辅助蒸汽流(AUX)210、涡轮机蒸汽入口温度校正/偏差212、再热温度校正/偏差214和排放压力校正/偏差216来计算涡轮机蒸汽入口压力设定点206。因此，模型系统(并且具体而言，设定点模型单元220)操作为：响应于涡轮机蒸汽入口压力的变化而预测蒸汽涡轮机过程222的电能负荷。在一个例子中，涡轮机蒸汽入口压力设定点206是涡轮机蒸汽入口压力偏差(即，涡轮机蒸汽入口压力的期望变化以调节实际电能负荷202)。如下面进一步讨论的，在设定点模型单元220中所使用的模型可以涉及人工神经网络、多元线性回归、制造商提供的校正函数、或者其它期望的技术。在操作期间，图3中的控制方案200可以连续地监控实际电能负荷202(框224)以确定操作点是否在稳定状态下，其中在稳定状态下，实际电能负荷202达到电能负荷设定点(SPMW)208并且保持在恒定值处达给定的时间量。如果系统在稳定状态下，则控制方案100可以连续地监控实际电能负荷202与电能负荷设定点208之间的稳定状态差(框226)。实际电能负荷202与电能负荷设定点208之间的差异可以指示过程222的变化，以使得设定点模型单元220的所选择的设定点模型不再准确地对实际电能负荷与涡轮机蒸汽入口压力之间的关系进行建模。因此，如果差异大于预定义的阈值(例如，1MW或任何其它可接受的差异)，则可以激活设定点模型适配过程(框222)，以便训练、测试并选择新的设定点模型，以基于电能负荷设定点208、辅助蒸汽流210、涡轮机蒸汽入口温度校正/偏差212、再热温度校正/偏差214以及排放压力校正/偏差216来计算用于控制系统218的期望的涡轮机蒸汽入口压力设定点206。否则，设定点模型保持有效，并且控制方案200可以继续收集关于电能负荷、涡轮机蒸汽入口压力、辅助蒸汽流210、涡轮机蒸汽入口压力校正/偏差212、再热温度校正/偏差214、排放压力校正/偏差216的数据以及其它过程控制数据(框230)，以便在模型适配过程228期间训练并测试模型。在该例子中，设定点模型单元220执行模型适配过程228。图4描绘了示例性的新的模型适配例程300的框图。当实际电能负荷202与电能负荷设定点208之间的差异大于预定义的阈值时，对模型适配例程300进行实例化，这是因为这种差异可以指示设定点模型单元220中的所选择的设定点模型不再准确地对电能负荷与涡轮机蒸汽入口压力之间的关系进行建模。通常来说，模型适配方案300训练并测试不同的模型，以判断哪种模型最佳地近似/预测作为输出过程变量的实际电能负荷与作为输入过程变量的涡轮机蒸汽入口压力之间的关系，并且然后选择该模型，以基于控制方案200中的给定的电能负荷设定点(SPMW)208来产生涡轮机蒸汽入口压力设定点(SPp)以便输入到控制系统218。更具体地说，除了更常规的多元线性回归模型和制造商提供的校正函数之外，模型适配例程300还训练并测试神经网络模型。本领域普通技术人员将理解的是，可以使用作为多元线性回归模型的替代或者除了多元线性回归模型之外的其它模型。在框302处开始，为了训练并测试模型，模型适配例程300从过程222收集数据，其中数据可以来自控制方案200的数据集合230。新获得的过程数据可以是组合的或者以其它方式与较早的过程数据混合在一起，以便形成新的数据集。组合的数据集可以被划分成两个子集：一个子集用于训练新模型，并且另一个子集用于测试新模型和当前模型二者，以识别最佳地近似于涡轮机蒸汽入口压力与实际电能负荷之间的关系的模型。分别在框304和306处，模型适配例程300使用用于训练的过程数据的子集来训练新的多元线性回归模型和新的神经网络模型。然而，通常来说，涡轮机蒸汽入口压力与实际电能负荷之间的关系的新的神经网络模型被视为最准确(并且因此被视为最佳)，如下面进一步说明的。然而，存在以下情况：其中，另一种模型可以更准确地描述这种关系，并且因此产生更佳的涡轮机蒸汽入口压力设定点(SPp)以便输入到控制系统218。因此，模型适配例程300不仅训练新的神经网络模型306，还训练新的多元线性回归模型304。另外，模型适配例程300不仅测试新的神经网络模型和新的多元线性回归模型的准确性，而且还测试当前的(先前的)神经网络模型、当前的(先前的)多元线性回归模型以及制造商提供的校正函数的准确性。具体而言，分别参考框308、310、312、314、316，使用用于测试的过程数据的子集来测试当前的多元线性回归模型、制造商提供的校正函数、当前的神经网络模型、新的多元线性回归模型以及新的神经网络模型中的每一个。虽然可以使用不同的误差方法，但在该例子中应用均方根误差(RMSE)，其中测量每个模型所预测的值与实际测量到的值之间的差异。在框318处，产生最小均方根误差的模型被选择用于设定点模型单元220。如提到的，虽然涡轮机蒸汽入口压力与实际电能负荷之间的关系的神经网络模型被视为比制造商提供的校正函数和多元线性回归模型更准确，并且由于利用较新的过程数据进行训练而被假定为比当前的神经网络模型更准确，但存在着其它模型中的一个模型具有较低的RMSE的情况。例如，用于训练的过程数据的子集可能不覆盖过程的操作的完整范围(频谱)。因此，在框306处的用于训练新的神经网络模型的过程数据被视为是不完整的。因此，即使与多元线性回归模型和制造商提供的校正函数相比，神经网络模型将几乎总是与训练数据更好地拟合，也未恰当地训练新的神经网络模型。更具体地说，与例如利用相同数据来训练的新的多元线性回归模型相比，神经网络几乎总是更佳的模型。即，神经网络比多元线性回归模型更接近地与训练数据拟合。然而，如果训练数据并未覆盖过程的足够的操作状态，则新的神经网络在框306处的训练期间实际上过度拟合到训练数据。当使用新的神经网络模型来预测涡轮机蒸汽入口压力与电能负荷之间的关系时，这可能不是最佳的，因为训练数据是不完整的(因为训练数据并未覆盖过程的所有操作状态)。因此，新的神经网络模型对于测试数据可能不一定是更佳的，这在RMSE的情况下揭示。因此，新的多元线性回归模型、当前的神经网络模型、当前多元线性回归模型和/或制造商提供的校正函数可能具有比新的神经网络模型更低的RMSE。例如，如果过程仍然接近额定条件并且装置操作点未显著地漂移，则即使制造商提供的校正函数也可能是对涡轮机蒸汽入口压力与实际电能负荷之间的关系的更佳表示。图5描绘了使用三层人工神经网络的示例性多层神经网络模型400的结构。神经网络中的每个神经元是人工节点(还被理解为计算单元或处理单元)，该人工节点接收一个或多个输入，对输入进行求和，并将总和传递通过传递函数以产生输出。取决于所使用的传递函数(还被称为激活函数)的类型，传递函数增强或简化包含神经元的网络。神经元的传递函数可以是例如阶跃函数、线性组合(例如，输出是加权输入加上偏置的总和)或者sigmoid。每个神经元被偏置，并且每个连接(例如，至神经元的输入)被加权，其中偏置和权重是可调整的，以使得能够通过学习/训练算法(例如，反向传播算法)来调谐偏置和权重。例如，当在图4中的步骤306处训练神经网络模型400时，每个神经元的输出值都可以与实际的、正确的值进行比较以确定误差，并且通过神经网络馈送回误差。学习算法调节连接的权重以减小误差值，并且在足够数量的训练循环之后，神经网络接近如下状态：在该状态下，误差足够小以使得神经网络被视为“经训练的”。如从图5中描绘连接的方向性箭头中看到的，人工神经网络是前馈神经网络，这意味着一层中的每个神经元都具有至后续层的神经元的方向性连接。因此，与其它神经网络(例如，递归神经网络)不同，前馈神经网络中的信息仅在一个方向上从输入层移动到输出层，而不会在网络内形成方向性循环或回路。多层前馈神经网络模型可以用于拟合任意且连续的非线性函数。因此，图5中的多层前馈神经网络模型400可以用于表示动态过程系统，并且具体而言，表示涡轮机入口蒸汽压力与电能负荷之间的关系。虽然下面是具有两个隐藏层的三层前馈神经网络模型的例子，但本领域普通技术人员将理解的是，可以使用具有更多或更少层(并且具体而言，更多或更少的隐藏层)的神经网络模型。例如，当使用双层模型结构时，第二层变成输出层，其中对于输出层中的每个神经元都具有线性传递函数。此外，本领域普通技术人员将理解的是，可以使用除了前馈神经网络之外的神经网络，并且可以使用不同的学习技术。参考图5，多层前馈神经网络模型400包括输入层402(第一隐藏层)、隐藏层404(第二隐藏层)和输出层406。每一层402、404、406都可以包括多个神经元408-418。在图5中所示出的例子中，第一(输入)层402包括n个神经元、第二(隐藏)层404包括h个神经元，并且第三(输出)层406包括p个神经元。第一(输入)层402和第二(隐藏)层404的神经元是正切双曲线sigmoid，并且第三层(即，输出层406)神经元是线性的。因此，第一和第二层神经元408-414的每个神经元1-n和1-h应用如下表示的sigmoid传递函数：其中，x是至神经元的输入。第三(输出)层神经元416、418中的每个神经元1-p应用线性传递函数。假定至第一(输入)层402的输入的数量是m，并且神经网络的输出的数量与第三(输出)层406中的神经元的数量(即，h)相同。分别用Wi和Bi来表示第i层中的权重和偏置，并且用Zi来表示第i层的输出。再次，连接的权重Wi和神经元的偏置Bi是可调整的，以使得能够通过学习/训练算法来调谐这些权重和偏置，以便在训练期间增量地调节权重和偏置，以逐渐减小神经元的输出与实际值之间的误差。基于上述内容，三个层402-406的人工神经网络输出如下进行计算：第一(输入)层402：其中第二(隐藏)层404：其中第三(输出)层406：Z3j＝X3j(j＝1,...,p)其中如图5中看到的，利用相应的权重将输入U1-Um提供给第一(输入)层402中的神经元中的每个神经元。相应的偏置被提供给第一(输入)层402中的每个神经元。每个神经元1-n根据用于的方程对加权的输入U1-Um进行求和并加入到偏置中。加权的总和(加上偏置)然后被传递通过sigmoid传递函数以产生输出每个神经元1-n的输出都被示出为至第二(隐藏)层404中的神经元1-h中的每个神经元的输入。利用相应的权重对至第二(隐藏)层404中的每一层的输入(连接)进行加权。相应的偏置被提供给第二(隐藏)层404中的每个神经元。每个神经元1-h根据用于的方程对加权的输入进行求和并加入到偏置中。加权的总和(加上偏置)被传递通过sigmoid传递函数以产生输出。每个神经元1-h的输出被示出为至第三(输出)层404中的神经元1-p中的每个神经元的输入。利用相应的权重对至第三(输出)层404中的神经元中的每个神经元的输入(连接)进行加权。相应的偏置被提供给第三(输出)层406中的每个神经元。每个神经元1-p根据用于的方程对加权的输入进行求和并加入到偏置中。加权的总和(加上偏置)然后被传递通过线性传递函数以产生输出Y1-Yp。再次，由于这是前馈神经网络，因此输入流和输出流经由第二(隐藏)层404在一个方向上从第一(输入)层402行进到第三(输出)层406。如前面提到的，涡轮机制造商提供校正公式或曲线，以基于制造和/或安装(即，还被称为额定条件或设计)时的信息来修改电能负荷/蒸汽压力曲线。图6-图9描绘了制造商提供的在额定条件下各个过程变量(即，涡轮机蒸汽入口压力、涡轮机蒸汽入口温度、再热蒸汽温度、排放蒸汽压力)与一个或多个涡轮机的电能负荷之间的相关性的校正曲线的例子。更具体而言，图6-图9描绘了这些变量的偏差与对一个或多个涡轮机的电能负荷的百分比校正之间的关系。因此，图6-图9中所示出的过程变量可以与图3中所示出的辅助蒸汽流(AUX)210、涡轮机蒸汽入口温度校正/偏差(ΔTT)212、再热温度校正/偏差(ΔRT)214和排放压力校正/偏差(ΔEP)216相对应。可以在发电系统内的相应点处测量过程变量。例如，可以使用置于图1中的涡轮机蒸汽入口装置36处的一个或多个传感器来测量涡轮机蒸汽入口压力和涡轮机蒸汽入口温度。类似地，可以使用置于再热器34处的一个或多个传感器来测量再热蒸汽温度，并且可以使用图1中的冷凝器24处的一个或多个传感器来测量排放蒸汽压力。可以使用发电机30处的一个或多个传感器来测量电能负荷。涡轮机蒸汽入口压力、涡轮机蒸汽入口温度、再热蒸汽温度、排放蒸汽压力可以被提供为原始值，由此基于相对于在额定条件下假定的设计值(理想值)的比较结果来计算偏差。替代地，可以在传感器自身处计算偏差。参考图6，涡轮机蒸汽入口压力偏差与对电能负荷的校正之间的理想关系与归零校正(zero-to-zerocorrection)成线性，这意味着，如果涡轮机蒸汽入口压力不存在偏差，则不存在对电能负荷的校正。类似地，如果不需要对电能负荷的校正，则不需要改变涡轮机蒸汽入口压力(例如，利用新的设定点值)。下表描绘了图6中绘制的涡轮机蒸汽入口压力(以每平方英寸绝对磅数为单位)、涡轮机蒸汽入口压力偏差(以每平方英寸绝对磅数为单位)和电能负荷校正(百分比)的值：基于上面的表以及图6中所示出的制造商提供的校正曲线，涡轮机蒸汽入口压力与电能负荷之间的关系可以被表达为下面线性的制造商提供的校正函数：MWCORR＝4.11880209×10-2×ΔTP+8.07434927×10-17其中，MWCORR是电能负荷校正，并且ΔTP是涡轮机蒸汽入口压力偏差。参考图7，涡轮机蒸汽入口温度偏差与对电能负荷的校正之间的理想关系基本上与归零校正成线性，这意味着，如果涡轮机蒸汽入口温度不存在偏差，则不存在对电能负荷的校正。下表描绘了图7中所绘制的涡轮机蒸汽入口温度(以华氏度为单位)、涡轮机蒸汽入口压力偏差(以华氏度为单位)和电能负荷校正(百分比)的值：基于上面的表以及图7中所示出的制造商提供的曲线，节流蒸汽温度与电能负荷之间的关系可以表示为下面的二次多项式的制造商提供的校正函数：MWCORR＝3.2279474400×10-5×ΔTT2-7.5806764350×10-3×ΔTT+2.7061686225×10-16其中，MWCORR是电能负荷校正，并且ΔTT是涡轮机蒸汽入口温度偏差。参考图8，再热温度偏差与对电能负荷的校正之间的理想关系与归零校正成线性，这意味着，如果再热温度不存在偏差，则不存在对电能负荷的校正。类似地，如果不需要对电能负荷进行校正，则不需要改变再热温度。下面的表描绘了图8中所绘制的再热温度(以华氏度为单位)、再热温度偏差(以华氏度为单位)和电能负荷校正(百分比)的值：基于上面的表以及图8中所示出的制造商提供的曲线，再热温度与电能负荷之间的关系可以被表达为下面线性的制造商提供的校正函数：MWCORR＝4.7144866112×10-2×ΔRT其中，MWCORR是电能负荷校正，并且ΔRT是再热温度偏差。参考图9，排放压力偏差与对电能负荷的校正之间的理想关系与非归零校正不成线性，这意味着，如果排放压力存在2HgA的偏差，则将存在对电能负荷的校正。下面的表描绘了图9中所绘制的排放压力(以绝对水银柱英寸为单位)、排放压力偏差(以绝对水银柱英寸为单位)和电能负荷校正(百分比)的值：基于上面的表以及图9中所示出的制造商提供的校正曲线，排放压力与电能负荷之间的关系可以表达为两个多项式的制造商提供的校正函数：针对小于1.8或大于2.2的ΔEP(排放压力偏差)的所有值的7阶多项式，以及针对在1.8至2.2之间的ΔEP(排放压力偏差)的所有值的二次多项式：(<1.8或>2.2)：MWCORR＝1.47319648×10-2×ΔEP6-2.54188394×10-1×ΔEP5+1.68473428×ΔEP4-5.36131007×ΔEP3+7.93422272×ΔEP2-5.17916170×ΔEP+1.77192554(1.8至2.2)：MWCORR＝-1.92996710×10-1×ΔEP2--6.84832910×10-1×ΔEP+2.14131652经过一段时间，单元过程特征会稍微改变，以使得上面的制造商提供的校正曲线和相对应的函数不再适用或表示各个过程变量(即，涡轮机蒸汽入口压力、涡轮机蒸汽入口温度、再热蒸汽温度、排放蒸汽压力)与一个或多个涡轮机的电能负荷之间的关系。例如，图10示出了根据滑压控制模式下的操作需求的涡轮机蒸汽入口压力与电能负荷之间的关系曲线随时间的变化。在该例子中，蒸汽涡轮机节流控制阀18保持全开(100％)，而锅炉32(燃料输入)用于将涡轮机蒸汽入口压力控制到期望的设定点(该期望的设定点是电能负荷的函数)。由于涡轮机蒸汽入口压力和电能负荷在如图6中所示出的给定操作点处具有直接的一对一关系，因此控制涡轮机蒸汽入口压力等同于控制电能负荷，如图10中的曲线所表示的。如从图10中看到的，当电能负荷低于大约40-45％时，涡轮机蒸汽入口压力保持恒定，并且涡轮机蒸汽入口压力随着电能负荷增加到高于40-45％而逐渐增加。曲线的该部分是滑压曲线，并且可以利用校准来向左或向右移动，以反映涡轮机蒸汽入口压力与电能输出之间的关系随时间的变化，如用三条线所描绘的。因此，滑压曲线的斜率可以根据操作需求而稍微向左或向右偏移，并且电能负荷和涡轮机蒸汽入口压力关系需要随时进行重新校准。训练根据上面的公开内容的原型神经网络模型并将该模型用于对涡轮机蒸汽入口压力与电能负荷之间的关系进行建模。具体而言，神经网络模型涉及三层的前馈神经网络(即，输入层、一个隐藏层和输出层，其中信息仅在一个方向上经由隐藏层从输入层流动到输出层)，其中隐藏层包括六个sigmoid型神经元。在一年的时间段上从基于450MW蒸汽涡轮机的发电系统和过程中选择代表数据，从而为神经网络模型提供充足的训练数据，以便覆盖过程的完整操作范围(频谱)。类似地利用相同的过程数据来训练多元线性回归模型。根据对基于蒸汽涡轮机的发电系统和过程的设计，将神经网络模型的数据拟合结果与多元线性回归模型和制造商提供的校正函数的数据拟合结果进行比较。图11-13中示出了数据拟合结果。参考图11，将根据制造商提供的校正函数的经预测的涡轮机蒸汽入口压力502(示出为具有菱形绘图点的图)和根据多元线性回归模型的经预测的涡轮机蒸汽入口压力504(示出为具有圆形绘图点的图)与实际的涡轮机蒸汽入口压力506(示出为具有方形绘图点的图)进行比较。如在其中看到的，制造商提供的校正函数没有很好地拟合实际的涡轮机蒸汽入口压力，但是该校正函数确实大致跟踪涡轮机蒸汽入口压力的变化，如斜率的变化所表示的。然而，制造商提供的对涡轮机蒸汽入口压力的校正函数预测显著地偏离实际的涡轮机蒸汽入口压力，从而导致大的拟合误差。例如，在给定的操作点处涡轮机蒸汽入口压力和电能负荷具有直接的一对一关系的情况下，可以看到的是，实际的涡轮机蒸汽入口压力506和根据制造商提供的校正函数的经预测的压力502相差多达6个百分点，这意味着，电能输出相差多达6个百分点。在基于450MW涡轮机的发电系统和过程中，这可以解释为多达27MW的差异，这意味着，如果电能负荷需求是418.5MW(即，电能负荷设定点(SPMW)为418.5MW)，则由制造商提供的校正函数所预测的涡轮机蒸汽入口压力设定点502将得到仅391.5MW的电能负荷。另一方面，多元线性回归模型预测非常接近地拟合实际的涡轮机蒸汽入口压力，这意味着多元线性回归模型提供了对实际的涡轮机蒸汽入口压力的大致准确的预测。然而，在对涡轮机蒸汽入口压力的多元线性回归预测与实际的涡轮机蒸汽入口压力之间存在某种差异，这导致在统计上显著的拟合误差。再次，在给定的操作点处涡轮机蒸汽入口压力和电能负荷具有直接的一对一关系的情况下，可以看到，实际的涡轮机蒸汽入口压力506和根据多元线性回归模型的经预测的压力504相差多达0.5个百分点，这意味着电能输出相差多达0.5个百分点。在基于450MW涡轮机的发电系统和过程中，这可以解释为多达大致2.25MW的差异，这意味着，如果电能负荷需求是418.5MW，则由多元线性回归模型所预测的涡轮机蒸汽入口压力504引起416.25MW的电能负荷，这仍然达不到电能负荷需求。参考图12，将根据前馈神经网络模型508的经预测的涡轮机蒸汽入口压力(示出为具有圆形绘图点的图)与实际的涡轮机蒸汽入口压力506(示出为具有方形绘图点的图)进行比较。如在其中看到的，前馈神经网络模型508非常好地拟合实际的涡轮机蒸汽入口压力，几乎没有可辨别的差异，从而得到可忽略的拟合误差。因此，在基于450MW涡轮机的发电系统和过程的例子中，这可以解释为几乎没有差异，这意味着，如果电能负荷需求是418.5MW，则由前馈神经网络模型所预测的涡轮机蒸汽入口压力引起几乎近似相等的418.5MW的电能负荷。因此，可以容易地观察到，前馈神经网络模型具有针对所有模型的最小拟合误差，例如平均误差、均方根误差(RMSE)、最大和最小绝对误差。图13中描绘了制造商提供的校正函数、多元线性回归模型和前馈神经网络模型中的每个模型的拟合误差。如在其中看到的，制造商提供的校正函数的拟合误差510是显著的，与实际的涡轮机蒸汽入口压力(0％误差)相比，大约从-2％到-6％变化。多元线性回归模型的拟合误差512较佳，但在统计上仍然是显著的，与实际的涡轮机蒸汽入口压力相比，从大约+0.5％到-0.5％变化。另一方面，前馈神经网络模型的拟合误差514几乎是零，并且比制造商提供的校正函数的拟合误差510和多元线性回归模型的拟合误差512显著更佳。在下表中提供了对图13中的数据范围的拟合误差统计数据的数值比较结果：回归模型设计模型神经网络模型平均误差0.00274-4.527-0.0000435RMSE0.3420.8750.0351最小绝对误差0.03022.5360.003最大绝对误差0.5395.9140.093如从上面的表中看到的，前馈神经网络模型具有比多元线性回归模型和制造商提供的校正函数二者显著更小的平均误差。具体而言，前馈神经网络模型具有比下一个最接近的平均误差(即，多元线性回归模型)好60倍以上的平均误差。类似地，前馈神经网络模型的均方根误差比多元线性回归模型和制造商提供的校正函数二者显著更佳。具体而言，前馈神经网络模型具有比下一个最接近的均方根误差(即，多元线性回归模型)好大约10倍的均方根误差。相对于图4中的模型适配例程300，在框318处对均方根误差的比较结果(至少涉及新训练的多元线性回归模型、新训练的前馈神经网络模型和制造商提供的校正函数)将得到对用于设定点模型单元220的新训练的前馈神经网络模型的选择。假设新训练的前馈神经网络模型具有一年价值的训练数据，则很可能会是这种情况，除非出于某种原因，先前训练的(即，当前的)神经网络模型和/或先前训练的(即，当前的)多元线性回归模型具有更小的RMSE。虽然前述文字阐述了对本发明的多个不同实施例的具体实施方式，但应当理解的是，本发明的范围可以由本专利申请的开始所阐述的权利要求的文字及其等同形式来限定。具体实施方式仅被解释为是示例性的，而并不描述本发明的每个可能的实施例，这是因为描述每个可能的实施例如果可能的话也是不实际的。可以使用当前的技术或者在本专利申请的递交日之后开发的技术来实现多个替代的实施例，这些替代的实施例将仍然落入限定本发明的权利要求的范围内。因此，在不脱离本发明的精神和范围的情况下，可以对本文中所描述和所示出的技术和结构做出许多修改和变型。因此，应当理解的是，本文中所描述的方法和装置仅是说明性的，并非限制本发明的范围。当前第1页1 2 3