技术新讯 > 供热炉灶,通风,干燥设备的制造及其应用技术 > 一种直接空冷机组凝汽器温度场预测及防冻方法  >  正文

一种直接空冷机组凝汽器温度场预测及防冻方法

  • 国知局
  • 2024-08-01 00:41:07

本发明涉及冷端优化控制系统领域,具体是一种直接空冷机组凝汽器温度场预测及防冻方法。

背景技术:

1、在火力发电领域,直接空冷技术以其节约用水、占地面积少和运行灵活方便等诸多优点而广泛地应用于富煤缺水三北(华北、西北、东北)地区。这三个地区夏、冬季温差很大,且在不同季节,直接空冷系统运行状况也存在较大差异,运行安全性问题较为突出,特别是在冬季机组运行过程中,直接空冷凝汽器管束极有可能发生变形、冻损的现象。并且现役大部分煤电机组都参与调峰乃至深度调峰任务,负荷频繁变动且会长期处于低负荷运行工况。在这种状态下,直接空冷凝汽器温度场的预测有助于准确定位凝汽器内部温度异常点,发现潜在不可靠因素,精确实施凝汽器管束防冻保护,减少凝汽器管束冻结故障的风险,提高电厂整体经济效益。然而,直接空冷凝汽器温度场的预测一直以来都是一个技术难题,亟待解决。

2、由于直接空冷机组凝汽器体积较大,出于经济性考虑,温度传感器的安装数量一般是有限的,而直接空冷机组空冷凝汽器散热单元数量多,运行条件复杂,现有直接空冷机组冷端测点监测并不能全面准确的反映散热单元温度分布状态,导致直接空冷机组凝汽器防冻保护效果较差。如果要想能够有效反映散热单元的温度状态,就需要增加更多的温度测点,提升了系统的建设和运维成本。现阶段无论是物理公式或数值模拟反演方法,若仅采用边界少量信息是很难实现全温度场的预测,因此探索一种基于少量测点可实现温度散热单元温度场预测的数值方法尤为必要。

3、物理信息神经网络是一种在训练过程中施加了物理信息约束的神经网络,相较于传统的神经网络,物理信息神经网络能够用更少的数据样本获得较强的泛化能力。同时,物理信息神经网络方法又能充分利用数据信息,解决高维非线性、物理模型难以建立等问题。为此,本发明提出一种基于物理信息神经网络的直接空冷机组凝汽器温度场预测及防冻方法。

技术实现思路

1、本发明为了解决现有直接空冷机组冷端测点监测并不能全面准确的反映散热单元温度分布状态,导致直接空冷机组凝汽器防冻保护效果较差的问题,提供一种直接空冷机组凝汽器温度场预测及防冻方法。

2、本发明采取以下技术方案:一种直接空冷机组凝汽器温度场预测及防冻方法,包括:

3、s100:采集直接空冷机组凝汽器的温度数据并进行预处理;

4、s200:基于热传导问题的控制方程,利用初始条件和边界条件,建立总损失函数,由此构建物理信息神经网络;

5、s300:利用预处理后的温度数据对物理信息神经网络进行训练;

6、s400:利用训练好的物理信息神经网络,反演出直接空冷机组凝汽器的温度场;

7、s500:基于反演出的温度场结合模糊控制策略对直接空冷机组凝汽器进行防冻控制。

8、在一些实施例中,步骤s100中,温度数据通过直接空冷机组凝汽器上所布置的温度传感器进行采集,所述温度传感器的测点设在直接空冷机组凝汽器表面,布置位置为每个空冷单元中上部,每个空冷单元设置一个以上的测点。

9、在一些实施例中,步骤s200包括:

10、s201:构建全连接神经网络;

11、s202:确定直接空冷机组凝汽器满足的热传导方程、初始条件以及边界条件;

12、s203:计算热传导方程、初始条件以及边界条件构成的残差;

13、s204:计算总损失函数,总损失函数包括:热传导方程的残差、初始条件的残差、边界条件的残差以及温度传感器实际测得的凝汽器温度和物理信息神经网络求得的相应测点温度的误差。

14、在一些实施例中,步骤s202中,

15、直接空冷机组凝汽器满足的热传导方程为:

16、

17、其中,t为时间,x、y、z表示采样点的三维空间坐标,为直接空冷机组凝汽器某个时空坐标下对应的温度,k、和c分别为材料的热导率、密度和比热,表示直接空冷机组凝汽器的热源;

18、直接空冷机组凝汽器满足的初始条件为:

19、采样开始时刻的温度t0,即;

20、直接空冷机组凝汽器满足的边界条件为:

21、

22、式中:和满足,表示计算域ω的边界;和分别为指定边界上温度与热流;n为指示边界的外法线方向向量。

23、在一些实施例中,步骤s203中,

24、热传导方程构成的残差为:

25、

26、初始条件构成的残差为:

27、

28、边界条件构成的残差为:

29、

30、;

31、式中,表示热传导偏微分方程的残差,表示初始条件的残差,表示边界温度条件的残差,表示边界热流条件损失。为已知边界条件对应的数值。

32、在一些实施例中,步骤s204中,总损失函数通过以下公式计算:

33、

34、其中,;

35、;

36、;

37、;

38、式中,l代表物理信息神经网络总的损失函数,为偏微分方程的损失;为初始条件损失;为边界条件损失,包括温度和热流两类边界条件;为测量温度与计算温度的残差,即数值损失;n为测点个数;为凝汽器内数据点个数;和分别表示初始条件训练数据点数和边界条件训练数据点数;和分别为第j个测点的测量温度和计算温度;和分别表示第j个数据点的初始温度和边界温度。

39、在一些实施例中,步骤s300中,物理信息神经网络的输入为凝汽器上传感器的空间坐标和时间信息t,输出为该时刻下对应空间坐标处的温度。在训练过程中,网络通过反向传播算法计算损失函数对每个参数的梯度,然后根据梯度下降的原理不断更新网络参数以最小化总损失函数。

40、在一些实施例中,步骤s500包括:

41、s501:计算预测实时温度与期望温度的误差e以及误差变化率ec;

42、s502:当温度误差e>0时,降低风机转速;当温度误差e<0时,提高风机转速;

43、s503:根据误差e和误差变化率ec计算输出电压。

44、在一些实施例中,步骤s501中:

45、

46、

47、表示期望温度,表示预测实时温度。

48、在一些实施例中,步骤s503中,输出电压为三相调压模块的控制电压量化因子,包括、以及;

49、其中,

50、

51、

52、式中, m表示误差e的离散论域取值上限; n表示误差变化率ec的离散论域取值上限; l表示三相调压模块的控制电压离散论域取值上限;,分别表示误差连续取值范围上下限;,分别表示误差变化率连续取值范围上下限;、分别表示控制量连续取值范围上下限。

53、与现有技术相比,本发明采取以下技术方案:

54、本发明基于内嵌物理信息的神经网络,结合温度传感器的实测数据和空冷机组凝汽器满足的热传导方程,利用其物理特性,通过神经网络利用有限测点数据对温度场分布进行拟合。本发明节约了温度传感器布置的数量及物力成本,通过较少测点即可得到温度场的分布情况。在对问题进行分析时,避免了传统方法计算复杂度高、计算效率低的问题。在神经网络进行预测时,由于考虑了热传导的物理信息,充分利用了问题的先验知识,对观测数据的利用更充分,并且可以有效提高神经网络的运行效率和计算结果的精度,避免发生过拟合现象。本发明方法能够用于提高直接空冷机组凝汽器的温度场预测问题的计算效率,并提高温度场反演的准确性,为直接空冷机组凝汽器温度场的反演提供了一种新思路,同是也为直接空冷机组凝汽器防冻提供了一种精确有效的防冻方法。

本文地址:https://www.jishuxx.com/zhuanli/20240724/201941.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。