基于BP神经网络的汽轮机调阀流量特性校正

邹包产，赵 宇，李 云，熊 峰，李金拓，刘卫亮

(1.中国大唐集团科学技术研究院有限公司 西北分公司，陕西 西安 710065)(2.华北电力大学 控制与计算机工程学院， 河北 保定 071003)

基于BP神经网络的汽轮机调阀流量特性校正

邹包产1，赵 宇1，李 云1，熊 峰2，李金拓2，刘卫亮2

(1.中国大唐集团科学技术研究院有限公司 西北分公司，陕西 西安 710065)(2.华北电力大学 控制与计算机工程学院， 河北 保定 071003)

汽轮机调阀实际流量特性与理想流量特性偏差大，将直接影响机组一次调频和负荷控制能力，甚至影响机组运行稳定性和安全性。传统调阀流量特性的校正多依靠技术人员的经验，校正效果不理想。为了获得更好的校正效果，基于试验测得的实际调阀流量特性，运用最小二乘法对实测数据进行辨识建模，确定最优调阀流量特性曲线，并利用BP神经网络模型预测出修正量，以对综合阀位进行校正。试验结果表明，校正后的汽轮机调阀流量曲线具有良好的线性度，从而可提高机组网源协调能力。

调阀；流量特性；神经网络；校正

0 引言

汽轮机调阀流量特性是指汽轮机高压调节阀阀门开度与流经蒸汽流量的对应关系。如果汽轮机调阀流量实际特性与理想特性相差较大，会导致调阀晃动、节流损失加大、一次调频调整能力差、机组自动发电控制(AGC，Automatic Generation Control)响应能力差、配汽方式切换时负荷波动大等情况发生，最终影响机组运行安全性、稳定性和经济性[1-3]。

汽轮发电机组经长时间运行或大修后安装调整容易导致阀门的实际流量特性发生变化，因此应该对汽轮机阀门流量特性进行试验校正，以保证机组运行的安全性和经济性。现有的汽轮机调阀流量特性校正方法均通过人为修正单个调阀流量曲线，最终完成汽轮机综合阀位对主蒸汽流量线性化要求。此种方法虽从汽轮机阀门流量机理和电液调节控制(DEH，Digital Electric Hydraulic Control System)方案出发，但修改过程复杂，对试验人员经验要求高，常常出现一两次校正不到位，只能通过多次试验来逐步完善阀门流量特性；同时试验过程中人为修改不确定性因素增加了试验安全风险。

1 DEH阀门管理

汽轮机高压调节阀通常设置4个或者6个，每个调节阀均通过独立伺服系统控制。阀门的调节方式包括单阀调节方式和顺阀调节方式两种。单阀调节适用于节流调节、全周进汽，其特点为所有高压调节阀同时开关，以控制机组的转速或负荷。该方式优点为可使汽轮机第一级汽室内温度分布均匀，负荷变化时减小汽轮机转子和静子之间的温差，机组能承受较大的负荷变化率。该方式的缺点为经济性较差，由于主蒸汽通过调节阀时存在较大的节流损失，降低了机组的效率。顺阀调节方式的特点是按照顺序开或关调节阀，随着机组负荷的改变，只有一个调节阀处于半开启的调节状态，其它调节阀处于全开状态或处于全关状态，该调节方式的优点为汽轮机效率较高，缺点为机组所能承受的负荷变化率较小[4]。

在DEH的控制逻辑中，为了实现阀门管理，一般分别设置单阀和顺阀曲线，通过切换来实现两种方式控制，其逻辑流程如图1。

图1 DEH阀门管理逻辑流程图

图1中：GV为汽轮机综合阀位，GV(1)、GV(2)、GV(3)、GV(4)分别为4个调阀顺阀流量分配曲线，GV(5)单阀流量曲线，F(1)、F(2)、F(3)、F(4)分别为4个调阀开度对应实际流量曲线。

2 试验方法研究

汽轮机单阀流量特性测试较为简单，通过分别测试单个阀门开度对应流量曲线，对其曲线横轴和纵轴坐标进行互换即可得出单阀流量特性曲线。顺阀流量特性受每个阀门流量特性、流量分配、重叠度等因素影响，较为复杂，因此本文针对顺阀方式下的流量特性校正进行阐述。

2.1 阀门重叠度确定

顺阀方式下，相邻顺序开启的两个阀门设置有一定的重叠度。重叠度的选取对机组变负荷过程中的稳定性与经济性有较大影响[5]。由于调阀之间的特性存在差异，重叠度的选取通常经过多种方案的实验比较，一般认为，当前一个阀门的阀后压力与阀前压力之比为0.85～0.9时，去开启后一个阀门较为合适[6-9]。

2.2 试验流程

阀门重叠度确定后，根据每个阀门流量特性设置好重叠度后进行顺阀流量曲线优化试验，本文提出的基于建模仿真技术的汽轮机调阀流量特性校正方法，其步骤包括：

(1)维持机组主蒸汽温度、背压等参数稳定，投入机组定压模式，机组由最低稳燃负荷升至额定负荷。

(2)对机组升负荷过程中主蒸汽流量、主蒸汽压力、调节级压力、主蒸汽温度、综合阀位、负荷、背压等参数进行采集。

(3)通过最小二乘法对试验测试数据进行辨识建模，建立汽轮机综合阀位指令与校核流量模型。

(4)通过MATLAB平台建立BP神经网络仿真预测模型，最终预测出综合阀位指令修正量。

(5)将得到的综合阀位指令修正量增加至DEH调阀流量管理综合阀位，对系统进行修正。

3 流量特性试验

某厂汽轮机为上海汽轮机厂CCZK330-16.7/1.0/0.4/538/538型，亚临界、单轴、一次中间再热、三缸两排汽、双可调整抽汽、空冷凝汽式汽轮机。采用数字电液调节系统，既可供热网抽汽，可调整的压力范围为0.4～0.6 MPa，又可供工业抽汽用汽，可调整的压力范围为0.8～1.3 MPa。高、中压部分采用分缸结构，低压部分采用双流反向结构。顺阀方式下阀门流量特性试验的主要步骤如下：

(1)机组带额定负荷，调整主蒸汽压力使调阀至全开位，维持机组主蒸汽压力稳定。

(2)机组负荷、主蒸汽压力等参数稳定后，退出协调控制系统，锅炉、汽轮机主控均为手动方式。

(3)按照2%阶跃开度手动逐步关小汽轮机综合阀位，直到机组负荷至锅炉最低稳燃负荷。

(4)按照2%阶跃开度手动逐步开大汽轮机综合阀位，直到机组带额定负荷。

(5)机组负荷变化过程中，运行人员需及时调整保证主蒸汽压力和温度稳定。记录试验测试数据。

(6)基于试验数据计算不同阀门开度下的校核流量，即实际阀门流量，常见的计算方法包括直接测量法、给水流量法、凝结水流量法以及弗留格尔公式法。鉴于弗留格尔公式法具有简单、精确的优点，本文采用其计算校核流量，如公式(1)所示：

(1)

式中：Pim为调节级试验压力；Pim,r为调节级额定压力；Pt,r为主蒸汽额定压力值；Pt为主蒸汽试验压力。

记录的顺阀方式下部分试验数据与校核流量如表1所示。

表1 顺阀方式流量特性部分试验数据与校核流量

4 基于BP神经网络的校正方法

在测得实际流量特性的基础上，本文运用最小二乘法对实测数据进行辨识建模，以确定最优流量特性曲线，进而利用神经网络方法对实际流量特性进行校正。

4.1 基于最小二乘法的辨识建模

最小二乘法是工程上进行曲线拟合的最简单和直观的方法。其原理为：对于给定的样本集合{(xi,yi)} (i=0,1,2…m)，在给定的拟合函数类φ中，求取拟合函数p(x)∈φ，使得其在样本集合上误差的平方和E2=∑[p(xi)-yi]2最小。从几何意义上讲，即寻求与给定样本集{(xi,yi)}(i=0,1,2…m)的距离平方和为最小的曲线y=p(x)。本文运用最小二乘法进行系统辨识，以确定综合阀位指令与校核流量之间的理想线性关系，得到的拟合函数如式(2)所示：

y=1.405 7x-24.223 4

(2)

式中：x为综合阀位指令；y为校核流量；拟合可决系数R2=0.991 4。绘制最小二乘拟合曲线，如图2所示。

图2 最小二乘拟合曲线图

很显然，实际综合阀门开度与校核流量之间的关系并不满足最小二乘拟合的线性关系，需要进行综合阀位指令的修正。

4.2 基于BP神经网络的综合阀位修正量预测

BP神经网络是基于误差反向传播算法的多层前馈神经网络，其学习过程包括正向传播输出和反向传播调整，具有强大的非线性映射能力与较好的泛化能力，因而广泛应用于各种预测问题[10-12]。

本文选取综合阀位指令为输入，综合阀位指令修正量为输出，利用MATLAB工具箱创建3层BP神经网络，并对网络进行初始化和训练，主要步骤包括数据归一化，隐含层及输出层激励函数类型选取，隐含层神经元个数选取，训练算法选择，最大迭代次数设置等。

根据经验，本文采用试探方法对神经元个数进行选择确定，选取tansig函数为隐含层以及输出层的激励函数，随机初始化网络权值和阈值，最大迭代次数设置为10 000次，迭代误差为10-5，采用trainlm函数为训练算法在样本上进行重复训练5次，并计算5次训练结果的均方差MSE平均值，如表2所示。可知，当隐含层神经元个数为11时，均方差平均值最小，故选择隐含层神经元个数为11。

表2 不同神经元个数

确定隐含层神经元后，进行深度训练实验，对综合阀位指令修正量进行预测，结果如图3所示，可知BP神经网络预测的修正量与实际综合阀位修正量一致，说明了其精确性和实用性。

图3 基于BP神经网络的综合阀位修正量预测

4.3 应用效果

根据神经网络模型估计得出修正量，修改DEH逻辑组态校正参数，然后进行校正后流量特性测试，部分现场调试数据如表3所示。

表3 校正后顺阀方式流量特性部分调试数据

经过神经网络校正前后现场汽轮机顺阀流量特性曲线对比如图4，图5所示。可知，与校正前相比，校正后的汽轮机实际主蒸汽流量以及校核主蒸汽流量与综合阀位之间具有良好线性度，校正结果满足要求。

图4 校正前后汽轮机实际主蒸汽流量-综合阀位特性曲线

图5 校正前后汽轮机校核主蒸汽流量-综合阀位特性曲线

5 结论

汽轮机调阀初始流量特性曲线一般由汽轮机厂家给出，受机组运行以及阀门制造、安装、检修等多个因素影响，阀门实际流量特性与原理想特性存在一定偏差。汽轮机调阀流量特性校正工作是提高发电机组变负荷能力和一次调频性能的基础，本文提供了一种基于最小二乘辨识和神经网络预测模型的校正方法，并通过试验证明，该方法能够对调阀流量特性进行有效校正，从而提高机组工作效率，加强机组网源协调能力。

[1] 谭金,金格,蔡笋.阀门流量特性对功率振荡影响的仿真分析[J].电力系统自动化,2015,39(23):172-175.

[2] 杨彦波, 胡婷婷. 基于带死区投影分段线性化方法建模的汽轮机调门流量特性优化[J]. 中国电力, 2016, 49(5):87-90.

[3] 万忠海,晏涛, 杨辉，等.汽轮机流量特性试验原理及偏差、要点分析[J].汽轮机技术,2015, 57(4):285-288.

[4] 毕贞福.火力发电厂热工自动控制实用技术[M].北京:中国电力出版社,2007,163-164.

[5] 刘劲柏,刘复平.汽轮机阀门流量特性函数优化和对机组安全性经济性的影响[J].中国电力，2008,41(12):50-53.

[6] 张曦,黄卫剑,朱亚清,等.汽轮机阀门流量特性分析与优化[J].南方电网技术,2010,4(S1):72-75.

[7] 赵永林,秦占峰,范培华,等. 600 MW汽轮机调节阀单阀切换顺序阀运行的安全性及经济性[J]. 热力发电,2007,36(5):52-55.

[8] 李前敏,柏毅辉.汽轮机阀门流量特性优化分析[J].电力科学与工程,2012,28(9):47-52.

[9] 史啸曦,王培毅,李慧君.火电机组汽动给水泵最佳运行方式研究[J].电力科学与工程,2015, 31(1):10-14.

[10] 丁明,王磊,毕锐.基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J].电力系统保护与控制,2012,40(11):93-99.

[11] 杨建国,翁善勇,赵虹,等.采用遗传算法优化的煤粉着火特性BP神经网络预测模型[J].动力工程学报,2006,26(1):81-83.

[12] 杨明玉,毛王清.基于遗传算法优化神经网络的直流输电线路故障测距算法[J].华北电力大学学报(自然科学版),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，从事电气设备状态监测评估，电力电缆击穿、老化及故障诊断技术等方面研究。

10.3969/j.ISSN.1672-0792.2017.05.012

2016-12-12。

TM73

A

1672-0792(2017)05-0060-05