华能海南昌江核电有限公司 海南昌江 572733
摘要:汽轮发电机组是核电站的主要辅助设备之一,其输出功率的大小对机组运行的安全性和经济性有重要影响。分析了现有汽轮发电机组功率预测方法的特点,提出一种基于神经网络和支持向量机的核电汽轮发电机组输出功率预测方法,并将该方法应用于某核电站的实际运行数据进行预测。结果表明,该方法对样本数据要求不高,对输入参数要求少,能够较准确地预测汽轮发电机组输出功率。该方法可用于核电站辅助设备的状态监测和实时控制。
关键词:核电;汽轮发电机组;输出功率;预测
一、引言
汽轮发电机组作为核电站的主要辅助设备,其性能优劣直接影响到核电站的安全、经济和环保。汽轮发电机组的功率主要由汽轮机转速和蒸汽压力决定,汽轮机转速由控制系统根据设计值进行调节,蒸汽压力则受运行参数调节。由于核电厂的运行方式较为复杂,加上电厂设备及人员对机组运行的不了解,致使电厂系统设备发生故障后对机组功率的变化难以做出正确的判断,造成机组停机、重大经济损失或人员伤亡事故。因此,通过对汽轮机转速和蒸汽压力进行准确预测,进而实现机组功率的实时控制具有重要意义。
在核电站汽轮发电机组中,汽轮机转速主要通过调节级压力来控制。当调节级压力较小时,调节级入口蒸汽温度较高,导致凝汽器真空度下降,凝汽器蒸汽出口温度上升,导致凝汽器背压上升。因此在对汽轮机转速进行控制时,一般应尽量避免调节级压力过低或过高。当调节级压力较高时,则需要调节级入口蒸汽温度以保证凝汽器蒸汽出口温度不会升高到过低的位置。若调节级入口蒸汽温度偏低或偏高,则会导致凝汽器背压上升过快或过低,甚至导致凝汽器汽水分离再热器后管道破裂或蒸汽管道爆破。因此在对汽轮机转速和蒸汽压力进行控制时必须保证机组输出功率的平稳。目前,对核电汽轮发电机组输出功率预测方法主要有历史数据分析法、专家知识经验法和机器学习算法法等。本文所提出的预测方法主要基于神经网络和支持向量机。
二、功率预测方法
汽轮发电机组的运行工况复杂多变,机组的状态监测数据主要有以下几种:(1)直接测量设备的实时运行状态,包括汽轮机转速、主汽压力、主汽温度等;(2)机组运行工况的历史数据,包括燃料消耗曲线、水力学数据等;(3)机组的在线监测设备采集到的运行数据,包括汽轮机流量、主蒸汽压力、主汽温度等。以上几种数据均可作为建模与预测的输入参数。
由于核电汽轮发电机组的运行工况变化快,影响因素多,可预测性较差,且难以找到一种普遍适用于所有工况的有效算法,所以在实际应用中存在诸多问题:(1)由于设备故障等原因导致停机时,无法准确判断何时停机;(2)由于缺乏准确的预测算法和数据库,在实际应用中不能实现快速实时预测;(3)由于无法找到一种普遍适用于所有工况的有效算法,所以实际应用中存在多种预测算法相互结合的情况。
鉴于上述问题,本文采用神经网络和支持向量机方法相结合的方式来预测核电汽轮发电机组输出功率。该方法采用神经网络对机组运行数据进行学习与预测,然后将预测结果与实际功率进行比较。由于该方法具有学习速度快、泛化能力强、能够适应各种工况、预测结果精确等特点,所以得到了广泛应用。
三、预测模型结构
考虑到汽轮发电机组的主要参数和输入参数与机组功率的关系较为复杂,采用神经网络对汽轮发电机组的输出功率进行预测。神经网络是一种由多个隐含层神经元组成的非线性映射网络,能够处理非线性问题,适用于解决具有多个变量、多个约束条件的问题。本文采用3层 BP神经网络作为汽轮发电机组的输出功率预测模型,输入参数包括汽轮机的原始工况点和当前运行状态点;输出参数包括汽轮机实际输出功率、主蒸汽温度、主汽阀开度、给水流量和给水温度等。在训练过程中,按照一定的训练次数,将样本数据输入到网络中,反复训练网络参数,直至模型能够较好地拟合输出参数。输出参数用支持向量机进行预测,其预测结果作为神经网络的输入。为了降低模型复杂度和提高预测精度,将 BP神经网络与支持向量机相结合,构建了一种基于 BP神经网络和支持向量机的核电汽轮发电机组输出功率预测模型。该模型具有较好的泛化能力和较强的非线性拟合能力,可以较准确地预测汽轮发电机组的输出功率。
四、实例分析
以某核电站汽轮发电机组为研究对象,通过该核电站实际运行数据进行预测,研究预测模型的预测性能。该核电站汽轮发电机组参数如表1所示。本节以实际运行数据为例进行模型训练和预测,并与其他模型进行对比。模型输入为:汽轮机功率、机组的进汽量、汽轮机的排汽压力、机组的进汽温度和机组的蒸汽温度。其中,每组数据都有具体的参数,以保证数据间的可比性。训练和预测均使用R软件完成。为了减少样本数,提高计算效率,将训练时间缩短为12h/d。为了提高模型预测性能,提高模型泛化能力,采用交叉验证方法对所训练的模型进行评估。交叉验证指标定义如下:交叉验证指标为测试样本与预测样本之间最小误差平方和的平方根,其中误差越小说明预测效果越好;交叉验证指标为预测样本与测试样本之间最小误差平方和的平方根,其值越小说明预测效果越好。为减少计算量,提高计算速度,采用 LM算法对上述交叉验证指标进行优化。采用优化后的交叉验证指标对训练后的模型进行评估。根据数据选取结果,对所选择的模型进行了检验和对比。为了保证测试数据能够反映实际运行情况,将测试样本与实际运行数据进行了对比分析。
五、结论
本文基于 BP神经网络和支持向量机理论,提出了一种核电汽轮发电机组输出功率预测方法,并将该方法应用于某核电站实际运行数据进行预测。结果表明,该方法预测的输出功率与实际值相对误差均在10%以内,具有较高的预测精度。
由于采用神经网络和支持向量机方法进行汽轮发电机组输出功率预测,其前提是要对样本数据进行预处理,但在实际应用过程中,数据的获取较为困难。为了解决这一问题,本文提出了基于多项式插值的样本数据预处理方法,并将该方法应用于核电汽轮发电机组输出功率的预测,取得了较好的效果。下一步工作将考虑进一步的数据预处理方法以提高预测精度。
参考文献
[1]鲍旭东,蔡超,司先国等.核电汽轮发电机组输出功率预测方法研究[J].发电设备,2022,36(02):126-130.
[2]王红福,王春财,徐艳凤等. 某核电机组夏季工况出力预测模型分析[C]//中国核学会.中国核科学技术进展报告(第七卷)——中国核学会2021年学术年会论文集第2册(核能动力分卷).[出版者不详],2021:6.
[3]周轩,袁言言,王漠.基于仿真数据的核电厂事故工况预测研究[J].工业控制计算机,2019,32(03):42-44.
[4]吴恺逾. 基于机器学习算法的核电机组出力优化研究[D].浙江大学,2021.
[5]谢飞. 核动力装置运行趋势预测技术研究[D].哈尔滨工程大学,2015.
[6]王建国,邵会福.核电汽轮机组出力特性浅析[J].内蒙古科技与经济,2017,No.382(12):78-79+81.
[7]米兰,王文斌.基于支持向量回归机的汽轮机排汽焓预测研究[J].热能动力工程,2016,31(11):38-42+119-120.
[8]王世勇,徐乔,严庆云等.某核电厂汽轮机组功率偏低原因分析[J].汽轮机技术,2017,59(03):196-198+202.