基于磷蝦群算法和反饋快速學習網(wǎng)的汽輪機初壓優(yōu)化.pdf

1、近十年，伴隨國民經(jīng)濟的快速發(fā)展，我國對能源的需求日益增加。以煤為主的能源格局決定了我國電力工業(yè)的發(fā)展將主要依靠火力發(fā)電。目前，我國火力發(fā)電量占電力工業(yè)總發(fā)電量的70％以上，且隨著我國社會電力需求的不斷增長，電網(wǎng)峰谷負荷差逐漸拉大，導致大型火電機組不得不參與電網(wǎng)的調(diào)峰運行?；痣姍C組長期運行在部分負荷下，偏離設計工況，汽輪機的熱經(jīng)濟性將嚴重受影響。
　　為此，本文圍繞火電機組汽輪機變工況下最優(yōu)運行初壓的課題展開研究，以期通過最新技術和

2、方法解決汽輪機運行初壓優(yōu)化中的主要問題，作了如下研究：
　　首先，對火電廠汽輪機熱經(jīng)濟性分析方法作了深入研究，得出：分布式控制系統(tǒng)(Distributed Control Systems,DCS)數(shù)據(jù)中噪聲信號和水蒸氣焓值計算精度對熱經(jīng)濟性分析具有重要影響。因此，在數(shù)據(jù)前處理階段，引入改進的中值濾波算法(Minimum-Maximum Exclusive Mean filer,MMEM)有效的濾除了原始數(shù)據(jù)中的高斯噪聲；其次，采用

3、國際水和水蒸氣性質(zhì)計算公式(IAPWS Industrial Formulation1997for the Thermodynamic Properties of Water and Steam,IAPWS-IF97)，保證了熱經(jīng)濟性分析中水蒸氣焓值的精度。
　　其次，建模方法快速學習網(wǎng)(Fast Learning Network,FLN)是前饋型神經(jīng)網(wǎng)絡，網(wǎng)絡結構緊湊、學習訓練速度快，但是快速學習網(wǎng)忽略了系統(tǒng)的慣性延遲和時間連續(xù)

4、性。因此，本文提出反饋型快速學習網(wǎng)(Feedback Fast Learning Network,B-FLN)，在原始的快速學習網(wǎng)的基礎上增加從輸出神經(jīng)元到輸入神經(jīng)元的反饋通道。實驗結果顯示，B-FLN在建立周期多峰和慣性遲滯系統(tǒng)模型建模精度遠優(yōu)于FLN建模方法。
　　再次，通過對汽輪機熱力系統(tǒng)各級抽汽加熱器進行常規(guī)熱平衡分析，建立基于質(zhì)量平衡與能量平衡的熱力系統(tǒng)分析模型，包括熱平衡矩陣方程、吸熱方程、功率方程。針對汽輪機變工況運

5、行時熱平衡分析方法的計算精度下降問題，引入神經(jīng)網(wǎng)絡建模技術，利用B-FLN建立汽輪機熱耗率模型，提高了熱經(jīng)濟分析模型的動態(tài)精度。
　　最后，以熱平衡分析與B-FLN建立的汽輪機熱耗率混合分析模型為基礎，采用全局智能優(yōu)化算法—磷蝦群優(yōu)化算法(Krill Herd Algorithm,KH)為尋優(yōu)工具，優(yōu)化600MW超臨界汽輪機在各個負荷下主蒸汽壓力值，得到了機組變工況下的最優(yōu)運行初壓曲線，降低了汽輪機熱耗率，為火電廠節(jié)能降耗作出了指