基于BP和RBF神经网络的机组能耗特性研究.pdf

基于BP和RBF神经网络的机组能耗特性研究.pdf

ID:52477568

大小:1.67 MB

页数:4页

时间:2020-03-28

基于BP和RBF神经网络的机组能耗特性研究.pdf_第1页
基于BP和RBF神经网络的机组能耗特性研究.pdf_第2页
基于BP和RBF神经网络的机组能耗特性研究.pdf_第3页
基于BP和RBF神经网络的机组能耗特性研究.pdf_第4页
资源描述:

《基于BP和RBF神经网络的机组能耗特性研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第59卷第5期汽轮机技术Vol.59No.52017年10月TURBINETECHNOLOGYOct.2017基于BP和RBF神经网络的机组能耗特性研究122王惠杰,古月,李鑫鑫(1华北电力大学能源动力与机械工程学院,保定071003;2国电怀安热电有限公司,张家口076150)摘要:火电机组在运行过程中不仅产生大量的历史数据,同时这些边界参数还与热耗率之间存在复杂的非线性关系。针对某电厂的实时数据,首先利用敏感性分析,从大量的机组运行参数中筛选出对机组能耗影响较大的重要参数:负荷、循环水入口温度

2、、主蒸汽温度、再热蒸汽温度、主蒸汽压力、循环水流量。然后,对BP和RBF神经网络在热耗率与机组边界参数的应用进行了对比分析。训练和预测结果表明,BP和RBF神经网络都能对此进行分析研究,但RBF比BP神经网络的训练和预测的相对误差较小些,可以更准确地对机组热耗进行预测。为今后的可控参数优化提供了有效的模型,具有一定指导意义。关键词:热耗率;敏感因子;BP神经网络;RBF神经网络分类号:TK113文献标识码:A文章编号:1001-5884(2017)05-0371-04StudyofOptimalI

3、nitialPressureBasedonBPNeuralNetworkandRBFNeuralNetwork122WANGHui-jie,GUYue,LIXin-xin(1SchoolofEnergyandPowerEngineering,NorthChinaElectricPowerUniversity,Baoding071003,China;2GuodianHuai'anPowerCogenerationCompanyLimited,Zhangjiakou076150,China)Abstr

4、act:Thermalpowerunitnotonlyproducesalargeamountofhistoricaldataintheoperationprocess,thenonlinearrelationshipatthesametimetheseparametersandboundaryheatratebetweencomplex.Accordingtothereal-timedataofapowerplant,firstlybyusingsensitivityanalysis,froma

5、largenumberofoperatingparametersintheunittofindouttheimportantparametersinfluenceonunitenergyconsumption:load,circulatingwaterentrancetemperature,mainsteamtemperature,reheatsteamtemperature,steampressure,circulatingwaterflow.Then,theapplicationofBPand

6、RBFneuralnetworkparametersandunitconsumptionrateinthermalboundaryareanalyzed.ThetrainingandpredictionresultsshowthattheBPandRBFneuralnetworkcanconductanalysisandstudy,buttheratioofRBFBPneuralnetworktrainingandpredictionoftherelativeerrorissmaller,weca

7、npredicttheunitheatconsumptionmoreaccurately.Thisprovidesaneffectivemodelforoptimizationofcontrollableparametersinthefuture,hasacertainsignificance.Keywords:heatconsumptionrate;sensitivityfactor;BPneuralnetwork;RBFneuralnetwork更复杂、更细致的节能任务。目前,电厂常用热耗率这

8、一重0前言要指标研究和衡量电厂热经济性,电厂运行人员希望对可控边界参数优化得到最佳的运行状态参数。传统的统计分析电厂机组在复杂的运行过程中会产生大量的历史数据,方法和线性预测方法都有一定的局限性,难以对机组热耗与而这些数据背后不仅蕴含着大量丰富的信息和知识,同时还其运行边界参数这一复杂的非线形关系进行处理分析,从而具有维数高、复杂非线性和强耦合性等特点。单单影响机组导致预测精度低[4-6]。人工神经网络是20世纪80年代后能耗指标的因素就有几十个甚至上百个,并且这些影响因素期迅速发

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。