[發(fā)明專(zhuān)利]基于BP神經(jīng)網(wǎng)絡(luò)的超超臨界汽輪機(jī)排汽干度計(jì)算方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310337186.5
• 申請(qǐng)日: 2013-08-05
• 公開(kāi)（公告）號(hào): CN103440366A
• 公開(kāi)（公告）日: 2013-12-11
• 發(fā)明（設(shè)計(jì)）人: 鄭李坤;陳暢;闞偉民;謝誕梅;馮永新;熊揚(yáng)恒;李千軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣東電網(wǎng)公司電力科學(xué)研究院;武漢大學(xué)
• 主分類(lèi)號(hào): G06F17/50
• 分類(lèi)號(hào): G06F17/50;G06N3/02
• 代理公司: 廣州知友專(zhuān)利商標(biāo)代理有限公司 44104
• 代理人: 周克佑

1.一種基于BP神經(jīng)網(wǎng)絡(luò)的超超臨界汽輪機(jī)排汽干度計(jì)算方法，其特征是包括以下步驟：S1、BP神經(jīng)網(wǎng)絡(luò)算法的部分公式

（1）BP網(wǎng)絡(luò)前向傳播計(jì)算

netij=Σk=1Ni-1O(i-1)kW(i-1)kj]]>

Oij=fs(netij)=11+exp(-(netij-θij))]]>

式中：netij為第i層第j個(gè)神經(jīng)元總輸入，Oij為第i層第j個(gè)神經(jīng)元輸出，Wijk為第i層第j個(gè)神經(jīng)元到第i+1層第k個(gè)神經(jīng)元連接權(quán)值，fs表示激活函數(shù)，θij表示第i層第j個(gè)神經(jīng)元的閾值；

（2）BP網(wǎng)絡(luò)后退算法

BP算法的權(quán)值調(diào)整公式權(quán)值調(diào)整公式：

△W_ijk=η(d_k-y_k)y_k(1-y_k)O_ij，i+1層為輸出層

ΔWijk=ηO(i+1)k(1-O(i+1)k)(Σh=1Ni+2δ(i+1)hw(i+1)kh)Oij,]]>i+1層為隱含層

式中：η為學(xué)習(xí)效率，dk為期望輸出，yk為網(wǎng)絡(luò)實(shí)際輸出；

第i層神經(jīng)元：

δ_ik=(d_k-y_k)y_k(1-y_k)，i+1層為輸出層

δik=O(i+1)k(1-O(i+1)k)(Σh=1Ni+2δ(i+1)hw(i+1)kh),]]>i+1層為隱含層

W_ijk(t+1)=W_ijk(t)+△W_ijk=W_ijk+ηδ_ikO_ij

閾值調(diào)整公式：

△θ_ik=η(d_k-y_k)y_k(1-y_k)，i+1層為輸出層

Δθik=ηO(i+1)k(1-O(i+1)k)(Σh=1Ni+2δ(i+1)hw(i+1)kh),]]>i+1層為隱含層；

S2、排汽干度BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和參數(shù)設(shè)置

輸入層：兩個(gè)節(jié)點(diǎn)：機(jī)組負(fù)荷，排汽壓力；

輸出層：一個(gè)節(jié)點(diǎn)：排汽干度；采用線性激活函數(shù)；

隱含層：5個(gè)節(jié)點(diǎn)，采用雙曲正切型S型激活函數(shù)；

學(xué)習(xí)函數(shù)：基于梯度下降法的學(xué)習(xí)函數(shù)；

網(wǎng)絡(luò)訓(xùn)練函數(shù)：Levenberg-Marquardt方法；

網(wǎng)絡(luò)目標(biāo)：0.0001；

學(xué)習(xí)效率：0.65；

訓(xùn)練次數(shù)：2000；

S3、訓(xùn)練樣本集的設(shè)計(jì)

利用各工況點(diǎn)的熱平衡圖，查詢(xún)得到不同負(fù)荷、不同排汽壓力下共42個(gè)工況的排汽比焓，并利用下式計(jì)算得出典型工況下的排汽干度值，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本：

x=h-h′h′′-h′]]>

式中：x為排汽干度；h為該工況下的排汽焓，kJ/kg；h′，h″為排氣壓力下的飽和液體焓和飽和蒸汽焓，kJ/kg；

S4、利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行排汽干度BP神經(jīng)網(wǎng)絡(luò)模型建模

根據(jù)模型，應(yīng)用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱，利用BP神經(jīng)網(wǎng)絡(luò)的非線性擬合特性，結(jié)合汽輪機(jī)實(shí)時(shí)運(yùn)行數(shù)據(jù)，利用基于梯度下降的BP算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的超超臨界汽輪機(jī)排汽干度計(jì)算方法，其特征是：所述的步驟S4具體包括以下子步驟：

S4-1、將訓(xùn)練樣本集整理為MATLAB神經(jīng)網(wǎng)絡(luò)工具箱可識(shí)別的矩陣形式，分別作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本P、輸出樣本T；

S4-2、利用BP網(wǎng)絡(luò)前向傳播計(jì)算公式計(jì)算得到網(wǎng)絡(luò)的實(shí)際輸出T’；

S4-3、根據(jù)輸出節(jié)點(diǎn)的誤差E=T’-T，利用BP網(wǎng)絡(luò)后退算法，得到權(quán)值、閾值的修正值，其中運(yùn)用基于梯度下降的BP算法，根據(jù)權(quán)值、閾值的學(xué)習(xí)速率來(lái)計(jì)算權(quán)值、閾值的修正值，加快網(wǎng)絡(luò)訓(xùn)練速度；

S4-4、重復(fù)2、3步驟，直到輸出節(jié)點(diǎn)的誤差E小于我們給定的網(wǎng)絡(luò)目標(biāo)或迭代次數(shù)大于我們給定的訓(xùn)練次數(shù)，則BP網(wǎng)絡(luò)訓(xùn)練完成；

S4-5、輸出此時(shí)的權(quán)值、閾值矩陣，即可完成排汽干度的BP神經(jīng)網(wǎng)絡(luò)模型。