一种超临界火电机组缸效率变化对热耗率影响的计算方法技术

本发明专利技术公开了一种超临界火电机组缸效率变化对热耗率影响的计算方法，包括：1)采集试验数据；2)对采集的试验数据进行归一化处理；3)依据归一化处理后的试验数据，确定高压缸效率η

【技术实现步骤摘要】
一种超临界火电机组缸效率变化对热耗率影响的计算方法


[0001]本专利技术属于火电机组性能分析领域，特别涉及一种超临界火电机组缸效率变化对热耗率影响的计算方法。

技术介绍

[0002]根据汽轮机原理，对于中间再热机组，当汽轮机高压缸的相对内效率发生变化时，将改变冷再蒸汽在再热器中的吸热量，从而导致汽轮机的理想循环热效率发生变化，通常热再汽温受锅炉控制，在假定再热汽温维持不变的前提下，高压缸相对内效率变化对中、低压缸的相对内效率、理想热降及整个汽轮机的重热系数不产生影响。当中压缸的相对内效率变化时，势必改变低压缸进汽参数，因此低压缸膨胀过程曲线将发生相应变化。由此可见，汽轮机单缸效率变化，并不是一个孤立的热力过程。
[0003]同时，对于带有回热抽汽的汽轮机，当缸本体相对内效率发生变化时，各压力级级后参数将发生变化。若假定各对应加热器抽汽管道阻力系数基本不变，则各加热器对应的汽侧饱和压力和其对应下的饱和水焓也发生变化；在主蒸汽参数一定的情况下，使蒸汽在过热器内的吸热量发生变化，从而使汽轮机的理想循环热效率发生变化。因此，单缸效率变化是涉及到其它汽缸并与各自所连接的回热系统相互耦合的一个复杂的热力过程。
[0004]目前，已有许多学者对汽轮机排汽焓的计算问题进行过研究，理论上的计算方法有能量平衡法、余速损失法、曲线迭代法、熵增法和BP神经网络法等。虽然这些方法各有其特点，但也有一定的局限性最好的方法就是直接测取汽轮机的排汽湿度。但由于该测量装置的研制尚处于试验阶段。因此在现有条件下，必须提出汽轮机低压缸相对内效率的新计算方法，用以分析汽轮机缸效率变化对机组热耗率的影响。传统的缸效率对热耗影响的分析方法由于较为复杂，且计算精度低，往往忽略了分析诊断中的误差。

技术实现思路

[0005]本专利技术的目的在于提供一种超临界火电机组缸效率变化对热耗率影响的计算方法，以克服了传统热力学分析方法带来的复杂性，并降低汽轮机热经济性分析诊断中的误差。
[0006]为达到上述目的，本专利技术采用以下技术方案：
[0007]一种超临界火电机组缸效率变化对热耗率影响的计算方法，包括以下步骤：
[0008]1)采集试验数据；
[0009]2)对采集的试验数据进行归一化处理；
[0010]3)依据归一化处理后的试验数据，确定高压缸效率η
HP
、中压缸效率η
IP
，并基于RBF神经网络预测算法，确定低压缸效率η
LP
；
[0011]4)分别改变高压缸效率η
HP
、中压缸效率η
IP
和低压缸效率η
LP
，各缸效率降低1％；
[0012]5)计算各缸效率降低1％情况下，得出对应的热耗率，对比分析，确定各缸热效率变化对热损耗的影响。
[0013]本专利技术进一步的改进在于，步骤1)中，试验数据包含各试验点的温度、压力和流量。
[0014]本专利技术进一步的改进在于，步骤3)中，低压缸的缸效率基于RBF神经网络预测算法，通过利用第1层RBF神经网络先拟合出在过热区的1～6段抽汽点模型，对第7段的抽汽焓进行预测；
[0015]将预测的数据与第1层的输入数据作为第2层RBF神经网络的输入数据，对第8段抽汽焓进行预测；
[0016]再将预测的数据与第2层的输入数据作为第3层RBF神经网络的输入数据，对末级排汽焓进行预测，从而计算出汽轮机低压缸的缸效率。
[0017]本专利技术进一步的改进在于，RBF神经网络预测算法的计算步骤包括：
[0018](1)根据问题确定输入和输出层节点数目，形成中心集样本；
[0019](2)从中心集中随机选择预定数目的样本，对应输入向量作为隐层单元中心，所选样本的个数作为隐层单元数，如此随机产生初始种群；
[0020](3)进化操作，包括变异和交叉算子操作；
[0021](4)先利用已选定的样本构造网络的隐层结构，再用梯度法确定从隐层到输出层的权重，并计算网络的总误差，如果未达到初始设定的最大网络结构，执行步骤(3)，否则执行步骤(5)；
[0022](5)计算各个抗体的适应度，适应函数取为：
[0023][0024]式中：c为常数；e
i
为迭代误差；f(i)为适应度函数；
[0025](6)对抗体进行基于浓度的免疫调节，产生新的个体，并转入步骤(3)；其中，抗体适应度越大，选择概率越大；抗体浓度越大，选择概率则越小；在保留高适应度抗体的同时，进一步确保抗体多样性，即可改善未成熟收敛的现象。
[0026]本专利技术进一步的改进在于，高压缸效率变化对热耗的影响推导得出，高压缸效率的变化导致高压缸的内功率变化以及锅炉再热器吸热量的变化，高压缸效率变化使得高压缸排汽焓变化量可由下式来计算：
[0027][0028]式中：δh
HPE
为高压缸排汽焓的变化量，kJ/kg；h
HPE
和h'
HPE
分别为变化前、后高压缸排汽焓，kJ/kg；Δη
HP
和η
HP
分别为高压缸效率变化的绝对值和高压缸效率；
[0029][0030][0031]式中：G
RH
为锅炉的再热流量，kg/s；R
HP
为高压缸名义内功率占总发电功率的百分比，q为汽轮机热耗率，kJ/(kW.s)；Δq为汽轮机热耗率变化量，kJ/(kW.s)；kJ/s；P为发电功率，kW。
[0032]本专利技术进一步的改进在于，汽轮机热耗率q的定义公式：
[0033][0034]式中：Q为系热量，kJ/s。
[0035]本专利技术进一步的改进在于，中压缸效率变化对热耗率的影响推导得出，中压缸效率的变化一方面导致中压缸的内功率变化，另一方面影响到低压缸的内功率变化；中压缸效率变化采用如下公式来计算：
[0036][0037][0038][0039][0040]式中：R
IP
为中压缸名义内功率占总发电功率的百分比；LF为耗散因子；
[0041]损耗因子LF实际上即是低压缸进汽等压焓增未被有效利用而造成的损失比例，而(1
‑
LF)则是被有效利用的比例；R
IP
为中压缸名义功率占总功率的百分比。
[0042]本专利技术进一步的改进在于，低压缸效率变化对热耗率的影响推导得出，低压缸效率的变化对热耗率的影响为：
[0043][0044]与现有技术相比，本专利技术至少具有以下有益的技术效果：
[0045]本专利技术提供的一种超临界火电机组缸效率变化对热耗率影响的计算方法，该方法基于径向基函数网络(RBF神经网络)算法，采用预测模型确定了低压缸的效率，采用预测模型，通过利用第1层RBF网络先拟合出在过热区的1～6段抽汽点模型，对第7段的抽汽焓进行预测；将预测的数据与第1层的输入数据作为第2层RBF神经网络的输入数据，对第8段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超临界火电机组缸效率变化对热耗率影响的计算方法，其特征在于，包括以下步骤：1)采集试验数据；2)对采集的试验数据进行归一化处理；3)依据归一化处理后的试验数据，确定高压缸效率η
HP
、中压缸效率η
IP
，并基于RBF神经网络预测算法，确定低压缸效率η
LP
；4)分别改变高压缸效率η
HP
、中压缸效率η
IP
和低压缸效率η
LP
，各缸效率降低1％；5)计算各缸效率降低1％情况下，得出对应的热耗率，对比分析，确定各缸热效率变化对热损耗的影响。2.根据权利要求1所述的一种超临界火电机组缸效率变化对热耗率影响的计算方法，其特征在于，步骤1)中，试验数据包含各试验点的温度、压力和流量。3.根据权利要求1所述的一种超临界火电机组缸效率变化对热耗率影响的计算方法，其特征在于，步骤3)中，低压缸的缸效率基于RBF神经网络预测算法，通过利用第1层RBF神经网络先拟合出在过热区的1～6段抽汽点模型，对第7段的抽汽焓进行预测；将预测的数据与第1层的输入数据作为第2层RBF神经网络的输入数据，对第8段抽汽焓进行预测；再将预测的数据与第2层的输入数据作为第3层RBF神经网络的输入数据，对末级排汽焓进行预测，从而计算出汽轮机低压缸的缸效率。4.根据权利要求3所述的一种超临界火电机组缸效率变化对热耗率影响的计算方法，其特征在于，RBF神经网络预测算法的计算步骤包括：(1)根据问题确定输入和输出层节点数目，形成中心集样本；(2)从中心集中随机选择预定数目的样本，对应输入向量作为隐层单元中心，所选样本的个数作为隐层单元数，如此随机产生初始种群；(3)进化操作，包括变异和交叉算子操作；(4)先利用已选定的样本构造网络的隐层结构，再用梯度法确定从隐层到输出层的权重，并计算网络的总误差，如果未达到初始设定的最大网络结构，执行步骤(3)，否则执行步骤(5)；(5)计算各个抗体的适应度，适应函数取为：式中：c为常数；e
i
为迭代误差；f(i)为适应度函数；(6)对抗体进行基于浓度的免疫调节，产生新的个体，并转入步骤...

【专利技术属性】
技术研发人员：周勇，郑少雄，李立伟，陈会勇，李春峰，薛志恒，陈鹏帅，张朋飞，许镔，王伟峰，高佳颖，孟勇，葛高峰，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：