一种基于bp神经网络的汽动引风机全工况在线监测方法
【专利摘要】本发明公开了一种基于BP神经网络的汽动引风机全工况在线监测方法，包括以下步骤：(1)将汽动引风机的厂家设计数据进行分析处理，通过对数据的训练BP神经网络，从而得到该汽动引风机的静态特性模型；(2)结合转速变量，在上述的静态特性模型基础上训练得到汽动引风机的全工况模型；(3)将上述全工况模型结合网页编程技术以在线网站的形式发布，以实现汽动引风机工作点的在线确定；(4)结合SIS系统获得汽动引风机的实际运行数据并对所建模型进行实时在线修正。所述方法可以对对汽动引风机的转速、静叶角度调节提出指导建议；并且当引风机运行偏离设计工况时，可以从SIS系统中重新选取数据对模型进行修正。
【专利说明】一种基于BP神经网络的汽动引风机全工况在线监测方法
【技术领域】
[0001]本发明涉及一种基于BP神经网络的汽动引风机全工况在线监测方法。
【背景技术】
[0002]目前，火电厂给水泵采用汽轮机驱动后，引风机已成为耗电量最大的辅机。在电动机驱动的模式下，1036MW机组的单台引风机电机最大电功率达到7400kW，占单机发电量的
1.48%。且电动机驱动模式下，引风机采用静叶调节，电动机功率不变，在机组负荷变动时，电动机造成的额外厂用电损失很大，能源浪费严重。采用汽轮机代替电机驱动引风机是可以彻底解决以上问题极佳方案。采用汽动引风机方案，一方面可以减少电机启动时对厂用电系统的冲击；另外，采用变转速调节从而变工况运行时也能保证较高的效率。由于汽动引风机采用静叶-转速结合的调节方式，其全工况性能比定转速引风机复杂的多。为了使引风机高效工作必须能够监测引风机的工作点。但是目前并没有能够使用的汽动引风机在线监测模型。
【发明内容】
[0003]发明目的:本发明的发明目的是针对现有技术的不足而公开了一种基于BP神经网络的汽动引风机全工况在线监测方法，通过神经网络应用于非线性系统的辨识和预测实现对汽动引风机工作点的实时监测，从而使得工作人员更加直观的了解到引风机的工作状况；另外，由于，当引风机运行偏离设计工况时还能够实现模型的自我修正。
[0004]技术方案:为了实现发明的发明目的，本发明公开了 一种基于BP神经网络的汽动引风机全工况在线监测方法，包括以下步骤:
[0005](I)将汽动引风机的厂家设计数据进行分析处理，通过对数据的训练BP神经网络，从而得到该汽动引风机的静态特性模型；
[0006](2)结合转速变量，在上述的静态特性模型基础上训练得到汽动引风机的全工况模型；
[0007](3)将上述全工况模型结合网页编程技术以在线网站的形式发布，以实现汽动引风机工作点的在线确定；
[0008](4)结合SIS系统获得汽动引风机的实际运行数据并对所建模型进行实时在线修正。
[0009]作为优选，为了使得原始模型更加准确并且能够更快的通过学习逼近任意非线性映射，步骤(I)包括以下步骤:
[0010](1.1)将汽动引风机的厂家设计数据进行分析处理，选取能够确定引风机特性曲线的数据点，将每个数据点的比压Y(p/p)、容积流量Q、叶片角度β和风机转速η划分为训练数据、测试数据两组；
[0011](1.2)将步骤(1.1)中训练数据的比压Υ(ρ/ρ)、容积流量Q和叶片角度β分别归一化，比压Υ(ρ/ρ )和叶片角度β作为输入，容积流量Q作为输出建立静态模型；设定隐藏层数目和各层神经元个数，得到BP网络模型，利用步骤(1.1)的测试数据检测该BP网络模型的精度网络模型的网络参数进行修改，并且通过反复训练直至达到精度要求，得到Q: f(Y，β)模型;
[0012](1.3)通过步骤(1.1)中训练数据，采用步骤(1.2)中的方法训练得到风机效率模型 Π: f(Y, β)。
[0013]作为优选，为了使得全工况模型更加完善，步骤(2)在步骤(1.2)的Q: f(Y,β)模型和步骤(1.3) η: f(Y, β)模型基础上，增加转速变量n，通过重新的训练，得到Q: f(Y，β，n)的全工况模型。
[0014]作为优选，为了更好地、更简单地且更灵活地实现全工况模型结合网页编程技术以在线网站的形式发布，步骤(3)中所使用的网页编程技术为ASP.NET网页编程技术。
[0015]有益效果:本发明与现有技术相比:神经网络具有通过学习逼近任意非线性映射的能力，将神经网络应用于非线性系统的辨识和预测，可以不受非线性模型的限制，便于给出工程上易于实现的学习算法；使用引风机设计数据训练BP神经网络模型，经验证后可以对汽动引风机的运行工作点有更加直观的了解，从而对汽动引风机的转速、静叶角度调节提出指导建议；另外，由于神经网络模型仅由训练数据确定，所以，当引风机运行偏离设计工况时，可以从SIS系统中重新选取数据对模型进行修正。
【专利附图】
【附图说明】
[0016]图1为本发明监测方法的结构图；
[0017]图2为本发明BP神经网络的结构示意图；
[0018]图3为本发明监测方法的仿真结果图。
【具体实施方式】
[0019]下面结合图对本发明作更进一步的说明。
[0020]如图1和图2所示，将汽动引风机的厂家设计数据进行分析处理，选取能够确定引风机特性曲线的数据点，将每个数据点的比压Y(p/p)、容积流量Q、叶片角度β和风机转速n划分为训练数据、测试数据两组；然后将训练数据的比压Y(p/p )、容积流量Q和叶片角度β分别归一化，比压Υ(ρ/ρ)和叶片角度β作为输入，容积流量Q作为输出建立静态模型；设定隐藏层数目和各层神经元个数，得到BP网络模型，利用步骤(1.1)的测试数据检测该BP网络模型的精度网络模型的网络参数进行修改，并且通过反复训练直至达到精度要求，得到Q: f (Y，β)模型；再通过训练得到风机效率模型H: f(Y, β);结合转速变量，在上述的静态特性模型基础上训练得到汽动引风机的全工况模型；将上述全工况模型结合网页编程技术以在线网站的形式发布，以实现汽动引风机工作点的在线确定；最后结合SIS系统获得汽动引风机的实际运行数据并对所建模型进行实时在线修正。
[0021]下面结合实施例对本发明作更进一步的说明。
[0022]以某电站660MW机组汽动引风机在线监测模型为例，得到风机厂家提供的风机运行特性数据，包括995r / min各个开度时的数据以及部分其他转速下的数据:首先将设计厂家提供的995r / min特性数据进行筛选分析选取230个数据，分成训练数据和测试数据两组，每组各115个；然后利用训练数据训练BP网络模型，确定隐藏层为I层，输出层I层，输出为单输出，隐藏层的神经元个数取6个，输出层的神经元个数为I个，具体结构如图2所示，利用训练所得模型作出风机特性曲线，利用测试数据测试模型准确性，此过程的结果如图3所示，图中横坐标为引风机的流量，纵坐标为比压Y(p/p )，图中曲线是基于模型计算得出的风机特性曲线；图中的点是实际测得的数据分布情况，从图中可以看出模型具有很高的精度；在以上模型的基础上，结合厂家提供的变转速数据以及部分根据风机相似定律计算得到的数据，训练汽动引风机全工况模型，得到各层权值和阈值矩阵；再将所建模型结合编程技术以网站形式发布，实现对汽动引风机的在线监测；最后将网站中得到的引风机工作点信息与SIS系统中的实际运行数据相比较，若精度不符合要求则采用实际运行数据代替设计数据重新训练BP网络进行修正。
【权利要求】
1.一种基于BP神经网络的汽动引风机全工况在线监测方法，其特征在于，包括以下步骤: (1)将汽动引风机的厂家设计 数据进行分析处理，通过对数据的训练BP神经网络，从而得到该汽动引风机的静态特性模型； (2)结合转速变量，在上述的静态特性模型基础上训练得到汽动引风机的全工况模型； (3)将上述全工况模型结合网页编程技术以在线网站的形式发布，以实现汽动引风机工作点的在线确定； (4)结合SIS系统获得汽动引风机的实际运行数据并对所建模型进行实时在线修正。
2.如权利要求1所述的一种基于BP神经网络的汽动引风机全工况在线监测方法，其特征在于，步骤(1)包括以下步骤: (1.D将汽动引风机的厂家设计数据进行分析处理，选取能够确定引风机特性曲线的数据点，将每个数据点的比压Y(p/p)、容积流量Q、叶片角度β和风机转速η划分为训练数据、测试数据两组； (1.2)将步骤(1.1)中训练数据的比压Y(p/p)、容积流量Q和叶片角度β分别归一化，比压Y(p/p)和叶片角度β作为输入，容积流量Q作为输出建立静态模型；设定隐藏层数目和各层神经元个数，得到BP网络模型，利用步骤(1.1)的测试数据检测该BP网络模型的精度网络模型的网络参数进行修改，并且通过反复训练直至达到精度要求，得到Q: f(Y，β)模型; (1.3)通过步骤(1.1)中训练数据，采用步骤(1.2)中的方法训练得到风机效率模型η: f(Y, β)。
3.如权利要求2所述的一种基于BP神经网络的汽动引风机全工况在线监测方法，其特征在于，步骤⑵在步骤(1.2)的Q: f(Y，β)模型和步骤(1.3) η: f(Y，β)模型基础上，增加转速变量η，通过重新的训练，得到Q: f(Y，β，η)的全工况模型。
4.如权利要求1所述的一种基于BP神经网络的汽动引风机全工况在线监测方法，其特征在于，步骤(3)中所使用的网页编程技术为ASP.NET网页编程技术。
【文档编号】G06N3/02GK103903087SQ201410081739
【公开日】2014年7月2日 申请日期:2014年3月6日 优先权日:2014年3月6日
【发明者】司风琪, 郭俊山, 邵壮, 祝康平 申请人:东南大学, 中电神头发电有限责任公司