【作者】 ；
【导师】 ；
【作者基本信息】 东南大学， 热能工程， 2004， 博士
【摘要】 为提高我国火电厂生产管理水平和整体经济效益,火电厂厂级监控信息系统(SIS)的出现成为必然,与SIS系统相关的各类问题已成为一类热门研究课题。因火电厂各研究对象的复杂性、非线性、各参数间耦合关系的复杂,在火电厂SIS系统功能模块的开发、建模上存在模型不准确、甚至难以建模的问题。本文以SIS系统中高级应用软件“机组性能在线监测与能损分析系统”和“全厂机组负荷优化分配系统”的开发为例,系统介绍了传统建模方法在解决火电厂机组性能计算、运行参数基准值和能损偏差分析等模型的建立方法,分析了这些方法的优缺点、适应对象和局限性。针对传统方法在SIS系统功能模块建模中存在的问题,我们首次采用以神经网络和遗传算法为代表的人工智能建模方法,在火电厂运行参数基准值的确定和能损偏差计算及带约束的优化问题的建模上引入人工智能的建模方法,同时为人工智能建模方法在SIS系统功能模块建模应用实现细节中存在的问题、解决方案作了详细的介绍。首次采用自组织映射网络(SOM)结合BP神经网络方法建立了汽轮机功率模型,采用SOM网络的聚类功能,解决了传统样本提取方法正交性和完备性差的局限性。仿真结果表明该模型的预测计算结果与实际数据误差在1.5%之内,大部分误差不超1%。利用该模型和循环水系统功耗模型可确定不同工况下的真空运行最优值,为凝汽器真空运行最优值(基准值)的确定提供了一个全新的方法,同时利用该模型计算几个主参数偏离基准值的能损偏差,同传统的运行参数基准值模型和能损偏差分析方法相比,该模型具有明确的设备针对性。在遗传算法应用于火电厂机组负荷优化分配问题中,首次提出部分解约束结合惩罚函数的改进实数遗传算法,在约束条件的处理、变异策略、初始化等多方面针对该问题的特点对实数遗
