基于BP神經網絡的汽輪機調閥流量特性校正

鄒包產，趙 宇，李 云，熊 峰，李金拓，劉衛亮

(1.中國大唐集團科學技術研究院有限公司 西北分公司，陜西 西安 710065)(2.華北電力大學 控制與計算機工程學院， 河北 保定 071003)

基于BP神經網絡的汽輪機調閥流量特性校正

鄒包產1，趙 宇1，李 云1，熊 峰2，李金拓2，劉衛亮2

(1.中國大唐集團科學技術研究院有限公司 西北分公司，陜西 西安 710065)(2.華北電力大學 控制與計算機工程學院， 河北 保定 071003)

汽輪機調閥實際流量特性與理想流量特性偏差大，將直接影響機組一次調頻和負荷控制能力，甚至影響機組運行穩定性和安全性。傳統調閥流量特性的校正多依靠技術人員的經驗，校正效果不理想。為了獲得更好的校正效果，基于試驗測得的實際調閥流量特性，運用最小二乘法對實測數據進行辨識建模，確定最優調閥流量特性曲線，并利用BP神經網絡模型預測出修正量，以對綜合閥位進行校正。試驗結果表明，校正后的汽輪機調閥流量曲線具有良好的線性度，從而可提高機組網源協調能力。

調閥；流量特性；神經網絡；校正

0 引言

汽輪機調閥流量特性是指汽輪機高壓調節閥閥門開度與流經蒸汽流量的對應關系。如果汽輪機調閥流量實際特性與理想特性相差較大，會導致調閥晃動、節流損失加大、一次調頻調整能力差、機組自動發電控制(AGC，Automatic Generation Control)響應能力差、配汽方式切換時負荷波動大等情況發生，最終影響機組運行安全性、穩定性和經濟性[1-3]。

汽輪發電機組經長時間運行或大修后安裝調整容易導致閥門的實際流量特性發生變化，因此應該對汽輪機閥門流量特性進行試驗校正，以保證機組運行的安全性和經濟性。現有的汽輪機調閥流量特性校正方法均通過人為修正單個調閥流量曲線，最終完成汽輪機綜合閥位對主蒸汽流量線性化要求。此種方法雖從汽輪機閥門流量機理和電液調節控制(DEH，Digital Electric Hydraulic Control System)方案出發，但修改過程復雜，對試驗人員經驗要求高，常常出現一兩次校正不到位，只能通過多次試驗來逐步完善閥門流量特性；同時試驗過程中人為修改不確定性因素增加了試驗安全風險。

1 DEH閥門管理

汽輪機高壓調節閥通常設置4個或者6個，每個調節閥均通過獨立伺服系統控制。閥門的調節方式包括單閥調節方式和順閥調節方式兩種。單閥調節適用于節流調節、全周進汽，其特點為所有高壓調節閥同時開關，以控制機組的轉速或負荷。該方式優點為可使汽輪機第一級汽室內溫度分布均勻，負荷變化時減小汽輪機轉子和靜子之間的溫差，機組能承受較大的負荷變化率。該方式的缺點為經濟性較差，由于主蒸汽通過調節閥時存在較大的節流損失，降低了機組的效率。順閥調節方式的特點是按照順序開或關調節閥，隨著機組負荷的改變，只有一個調節閥處于半開啟的調節狀態，其它調節閥處于全開狀態或處于全關狀態，該調節方式的優點為汽輪機效率較高，缺點為機組所能承受的負荷變化率較小[4]。

在DEH的控制邏輯中，為了實現閥門管理，一般分別設置單閥和順閥曲線，通過切換來實現兩種方式控制，其邏輯流程如圖1。

圖1 DEH閥門管理邏輯流程圖

圖1中：GV為汽輪機綜合閥位，GV(1)、GV(2)、GV(3)、GV(4)分別為4個調閥順閥流量分配曲線，GV(5)單閥流量曲線，F(1)、F(2)、F(3)、F(4)分別為4個調閥開度對應實際流量曲線。

2 試驗方法研究

汽輪機單閥流量特性測試較為簡單，通過分別測試單個閥門開度對應流量曲線，對其曲線橫軸和縱軸坐標進行互換即可得出單閥流量特性曲線。順閥流量特性受每個閥門流量特性、流量分配、重疊度等因素影響，較為復雜，因此本文針對順閥方式下的流量特性校正進行闡述。

2.1 閥門重疊度確定

順閥方式下，相鄰順序開啟的兩個閥門設置有一定的重疊度。重疊度的選取對機組變負荷過程中的穩定性與經濟性有較大影響[5]。由于調閥之間的特性存在差異，重疊度的選取通常經過多種方案的實驗比較，一般認為，當前一個閥門的閥后壓力與閥前壓力之比為0.85～0.9時，去開啟后一個閥門較為合適[6-9]。

2.2 試驗流程

閥門重疊度確定后，根據每個閥門流量特性設置好重疊度后進行順閥流量曲線優化試驗，本文提出的基于建模仿真技術的汽輪機調閥流量特性校正方法，其步驟包括：

(1)維持機組主蒸汽溫度、背壓等參數穩定，投入機組定壓模式，機組由最低穩燃負荷升至額定負荷。

(2)對機組升負荷過程中主蒸汽流量、主蒸汽壓力、調節級壓力、主蒸汽溫度、綜合閥位、負荷、背壓等參數進行采集。

(3)通過最小二乘法對試驗測試數據進行辨識建模，建立汽輪機綜合閥位指令與校核流量模型。

(4)通過MATLAB平臺建立BP神經網絡仿真預測模型，最終預測出綜合閥位指令修正量。

(5)將得到的綜合閥位指令修正量增加至DEH調閥流量管理綜合閥位，對系統進行修正。

3 流量特性試驗

某廠汽輪機為上海汽輪機廠CCZK330-16.7/1.0/0.4/538/538型，亞臨界、單軸、一次中間再熱、三缸兩排汽、雙可調整抽汽、空冷凝汽式汽輪機。采用數字電液調節系統，既可供熱網抽汽，可調整的壓力范圍為0.4～0.6 MPa，又可供工業抽汽用汽，可調整的壓力范圍為0.8～1.3 MPa。高、中壓部分采用分缸結構，低壓部分采用雙流反向結構。順閥方式下閥門流量特性試驗的主要步驟如下：

(1)機組帶額定負荷，調整主蒸汽壓力使調閥至全開位，維持機組主蒸汽壓力穩定。

(2)機組負荷、主蒸汽壓力等參數穩定后，退出協調控制系統，鍋爐、汽輪機主控均為手動方式。

(3)按照2%階躍開度手動逐步關小汽輪機綜合閥位，直到機組負荷至鍋爐最低穩燃負荷。

(4)按照2%階躍開度手動逐步開大汽輪機綜合閥位，直到機組帶額定負荷。

(5)機組負荷變化過程中，運行人員需及時調整保證主蒸汽壓力和溫度穩定。記錄試驗測試數據。

(6)基于試驗數據計算不同閥門開度下的校核流量，即實際閥門流量，常見的計算方法包括直接測量法、給水流量法、凝結水流量法以及弗留格爾公式法。鑒于弗留格爾公式法具有簡單、精確的優點，本文采用其計算校核流量，如公式(1)所示：

(1)

式中：Pim為調節級試驗壓力；Pim,r為調節級額定壓力；Pt,r為主蒸汽額定壓力值；Pt為主蒸汽試驗壓力。

記錄的順閥方式下部分試驗數據與校核流量如表1所示。

表1 順閥方式流量特性部分試驗數據與校核流量

4 基于BP神經網絡的校正方法

在測得實際流量特性的基礎上，本文運用最小二乘法對實測數據進行辨識建模，以確定最優流量特性曲線，進而利用神經網絡方法對實際流量特性進行校正。

4.1 基于最小二乘法的辨識建模

最小二乘法是工程上進行曲線擬合的最簡單和直觀的方法。其原理為：對于給定的樣本集合{(xi,yi)} (i=0,1,2…m)，在給定的擬合函數類φ中，求取擬合函數p(x)∈φ，使得其在樣本集合上誤差的平方和E2=∑[p(xi)-yi]2最小。從幾何意義上講，即尋求與給定樣本集{(xi,yi)}(i=0,1,2…m)的距離平方和為最小的曲線y=p(x)。本文運用最小二乘法進行系統辨識，以確定綜合閥位指令與校核流量之間的理想線性關系，得到的擬合函數如式(2)所示：

y=1.405 7x-24.223 4

(2)

式中：x為綜合閥位指令；y為校核流量；擬合可決系數R2=0.991 4。繪制最小二乘擬合曲線，如圖2所示。

圖2 最小二乘擬合曲線圖

很顯然，實際綜合閥門開度與校核流量之間的關系并不滿足最小二乘擬合的線性關系，需要進行綜合閥位指令的修正。

4.2 基于BP神經網絡的綜合閥位修正量預測

BP神經網絡是基于誤差反向傳播算法的多層前饋神經網絡，其學習過程包括正向傳播輸出和反向傳播調整，具有強大的非線性映射能力與較好的泛化能力，因而廣泛應用于各種預測問題[10-12]。

本文選取綜合閥位指令為輸入，綜合閥位指令修正量為輸出，利用MATLAB工具箱創建3層BP神經網絡，并對網絡進行初始化和訓練，主要步驟包括數據歸一化，隱含層及輸出層激勵函數類型選取，隱含層神經元個數選取，訓練算法選擇，最大迭代次數設置等。

根據經驗，本文采用試探方法對神經元個數進行選擇確定，選取tansig函數為隱含層以及輸出層的激勵函數，隨機初始化網絡權值和閾值，最大迭代次數設置為10 000次，迭代誤差為10-5，采用trainlm函數為訓練算法在樣本上進行重復訓練5次，并計算5次訓練結果的均方差MSE平均值，如表2所示。可知，當隱含層神經元個數為11時，均方差平均值最小，故選擇隱含層神經元個數為11。

表2 不同神經元個數

確定隱含層神經元后，進行深度訓練實驗，對綜合閥位指令修正量進行預測，結果如圖3所示，可知BP神經網絡預測的修正量與實際綜合閥位修正量一致，說明了其精確性和實用性。

圖3 基于BP神經網絡的綜合閥位修正量預測

4.3 應用效果

根據神經網絡模型估計得出修正量，修改DEH邏輯組態校正參數，然后進行校正后流量特性測試，部分現場調試數據如表3所示。

表3 校正后順閥方式流量特性部分調試數據

經過神經網絡校正前后現場汽輪機順閥流量特性曲線對比如圖4，圖5所示。可知，與校正前相比，校正后的汽輪機實際主蒸汽流量以及校核主蒸汽流量與綜合閥位之間具有良好線性度，校正結果滿足要求。

圖4 校正前后汽輪機實際主蒸汽流量-綜合閥位特性曲線

圖5 校正前后汽輪機校核主蒸汽流量-綜合閥位特性曲線

5 結論

汽輪機調閥初始流量特性曲線一般由汽輪機廠家給出，受機組運行以及閥門制造、安裝、檢修等多個因素影響，閥門實際流量特性與原理想特性存在一定偏差。汽輪機調閥流量特性校正工作是提高發電機組變負荷能力和一次調頻性能的基礎，本文提供了一種基于最小二乘辨識和神經網絡預測模型的校正方法，并通過試驗證明，該方法能夠對調閥流量特性進行有效校正，從而提高機組工作效率，加強機組網源協調能力。

[1] 譚金,金格,蔡筍.閥門流量特性對功率振蕩影響的仿真分析[J].電力系統自動化,2015,39(23):172-175.

[2] 楊彥波, 胡婷婷. 基于帶死區投影分段線性化方法建模的汽輪機調門流量特性優化[J]. 中國電力, 2016, 49(5):87-90.

[3] 萬忠海,晏濤, 楊輝，等.汽輪機流量特性試驗原理及偏差、要點分析[J].汽輪機技術,2015, 57(4):285-288.

[4] 畢貞福.火力發電廠熱工自動控制實用技術[M].北京:中國電力出版社,2007,163-164.

[5] 劉勁柏,劉復平.汽輪機閥門流量特性函數優化和對機組安全性經濟性的影響[J].中國電力，2008,41(12):50-53.

[6] 張曦,黃衛劍,朱亞清,等.汽輪機閥門流量特性分析與優化[J].南方電網技術,2010,4(S1):72-75.

[7] 趙永林,秦占峰,范培華,等. 600 MW汽輪機調節閥單閥切換順序閥運行的安全性及經濟性[J]. 熱力發電,2007,36(5):52-55.

[8] 李前敏,柏毅輝.汽輪機閥門流量特性優化分析[J].電力科學與工程,2012,28(9):47-52.

[9] 史嘯曦,王培毅,李慧君.火電機組汽動給水泵最佳運行方式研究[J].電力科學與工程,2015, 31(1):10-14.

[10] 丁明,王磊,畢銳.基于改進BP神經網絡的光伏發電系統輸出功率短期預測模型[J].電力系統保護與控制,2012,40(11):93-99.

[11] 楊建國,翁善勇,趙虹,等.采用遺傳算法優化的煤粉著火特性BP神經網絡預測模型[J].動力工程學報,2006,26(1):81-83.

[12] 楊明玉,毛王清.基于遺傳算法優化神經網絡的直流輸電線路故障測距算法[J].華北電力大學學報(自然科學版),2015,42(1):34-38.

Correction of Flow Characteristic of Steam Turbine Governing Valve Based on BP Neural Network

ZOU Baochan1, ZHAO Yu1, LI Yun1, XIONG Feng2, LI Jintuo2, LIU Weiliang2

(1.China Datang Group Science and Technology Research Institute Co., Ltd., Northwest Branch, XI’AN 710065; 2. School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

There is a big deviation in the flow characteristics between the adjusted valve of a turbine and actual situation, which can directly affect the unit primary frequency regulation, load control ability, and even stability and safety of the unit operation. Traditional optimization methods to adjust valve flow characteristics mainly rely on the experience of professional technicians, but the effect is not satisfactory. In order to obtain better results of correction, based on the actual flow characteristics, the least-square method is applied to identify the measured data and determine the optimal curve. And then the integrated valve position can be adjusted according to the corrections predicted by the BP neural network. The optimized flow curve of the adjusted turbine valve has a good linearity, which can greatly improve the network-source coordination ability of the unit.

adjusting valve, flow optimization, neural network, correction

李巍巍(1984-)，女，博士研究生，從事電氣設備狀態監測評估，電力電纜擊穿、老化及故障診斷技術等方面研究。

10.3969/j.ISSN.1672-0792.2017.05.012

2016-12-12。

TM73

A

1672-0792(2017)05-0060-05