火电厂软测量

2024-08-19

火电厂软测量（共7篇）

火电厂软测量篇1

0 引言

火电厂作为我国电力发展的主力军,其发电量仍在我国总发电量中占有很高的份额。电厂的经济运行与锅炉燃烧效率的高低有直接关系,判断锅炉燃烧效率的方法,一般是通过过剩空气系数来确定的,但是直接测量过剩空气系数目前比较困难,一般来说是通过测量与过剩空气系数密切相关的烟气中氧气的含量来间接确定。

软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个部分组成,而建模方法的选择是重点。

本文所采用的建模方法为数据成组处理法,它是一种以多层神经网络原理和自组织结构思想为指导,适用于复杂非线性系统的启发式自组织建模方法。由前苏联学者A.G.Ivaknenko在60年代末提出。该方法对于复杂系统的建模、预测表现出良好的效果,因此很快就受到了各国学者的重视,并对其进行了许多改进和发展研究。此方法在烟气含氧量的软测量方面目前还没有应用。

1 辅助变量的选取及数据预处理

a)辅助变量的选取

本文所采用的辅助变量选取方法是:先计算出各个变量与烟气含氧量的相关系数,再用主元分析法确定主元的个数k。一般情况下,选择累积贡献率超过85%的k个主元。经分析前8个主元的累积贡献率达到了88.311%,则可确定主元个数为8个。

b)数据预处理

数据中的误差分为随机误差和过失误差,本文采用滑动平均法对数据进行平滑处理,去除了随机误差。再用Grubbs检验法来检验过失误差,确定数据中的误差后将其剔除,得到适合建模的数据。

2 GMDH建模

c) GMDH算法的基本原理

对于一个未知的非线性系统,GMDH算法常用高阶Kolmorgorov-Gaber多项式(式(1)来描述。经过多层筛选,利用局部简单的参考函数不断逼近式(1),从而得到足够复杂的模型。

GMDH算法所采用的数据结构与多元回归模型相类似。通常将所获得的数据分成两个子集:训练集和检验集。这么做的目的是为了对模型进行交叉验证以防止过拟合,使模型保持正则化。传统的GMDH网络利用如下所示的式子建立每一层的输入输出关系,用以进行逐次逼近得到最终模型:

其中ai为系数,i∈{0,1,2,…,5},上式为二次项形式的参考方程,当然也可根据系统的复杂程度选择更复杂的形式。

b) GMDH算法建模步骤

(1)将用于建模的数据分成两组:训练组和测试组。

(2)根据式(2),利用训练组数据计算每一对输入数据(x,xj)的参考方程参数和相应的输出,所有数输入数据对计算得出的输出构成第一层的中间变量;

(3)在测试集上利用式(3)计算第一层的中间变量的准则值e。选取一个阈值R,若中间变量的准则值e<R,则保留该变量。所有变量都经过筛选之后,将保留的变量作为新的输入计算出下一层的变量;

(4)记录每层变量所得最小准则值emin,当网络训练到第k层时,若则训练停止,第K-1层得到最小准则值的方程为最终最优方程。将方程中的各项回溯至最初始变量,即用x1,x2,x3,…,xm来表示最终方程。

3 仿真实验结果

建模所用数据总数为500个,将分成两组,其中前400个数据归入训练组,后100个数据归入测试组,分别导入GMDH网络和BP神经网络进行建模。BP神经网络的学习因子设置为μ=0.9,学习速率η=0.05目标误差为ε=0.0001。

对比两种方法所得结果的均方根误差(RMSE),平均绝对误差(MAE)以及最大正负误差,如表1所示。可见,GMDH预测结果的各项误差均优于BP神经网络,说明GMDH网络建模效果很好。

4 结论

本文所采用的GMDH网络,在软测量建模中目前应用的还比较少,利用电厂实际运行数据对烟气含氧量进行建模预测,所得的结果与应用较多的BP神经网络相比误差更小,预测精度更高,在软测量建模中有很大的应用潜力。

参考文献

[1]陈敏.火电厂锅炉烟气含氧量预测及燃烧系统优化研究[硕士学位论文].北京:北京交通大学,2011

[2]俞金寿.软测量技术及其应用[J].自动化仪表,2008,29(1):1~7

[3]Dong-hyuk L,Sung-han L,Man-gyun N.Smart Soft-sensing for Feedwater Flowrate at PWRs Using a GMDH Algorithm[C].IEEE Transactions on Nuclear Science,2010,57(1):340~347

火电厂软测量篇2

为了解决传统传感器技术的不足,软测量技术成为火电厂锅炉烟气含氧量控制的重要技术之一［2，3］。卢洪波等对电站锅炉飞灰含碳量进行建模估计［4，5］,李少华等对锅炉烟气中CO的含量基于神经网络进行建模［6］; 在锅炉烟气含氧量软测量方面,湛腾西、袁俊文及韩璞等分别提出改进的神经网络方法进行建模,并取得了一定的成果［7 ～ 9］; 王刚等采用差分进化和序列最小优化算法( Sequential Minimal Optimization,SMO) 相结合的方法实现烟气含氧量的软测量［10］。文献[11 ~14]分别设计了基于支持向量机和最小二乘支持向量机的软测量方法。这些方法虽然都取得了一定的成果,但在测量精度方面仍有改进空间。

为此,笔者提出一种基于差分进化算法的自校正LS-SVM算法建立软测量模型,首先根据已有经验和实际数据分析选取适当的过程变量,并考虑含氧量变化的时序特点建立建模数据库; 然后根据问题特点,采用差分进化算法校正LS-SVM参数; 对差分进化算法进行改进,改善算法局部寻优能力,获取更高的测量精度; 最后对该方法进行了验证。

1 建模数据选取1

1. 1 电厂锅炉生产过程

电厂锅炉生产过程具有强非线性及时变性等特点,其生产过程可以简单概括为进料、燃烧和废气排放3 个部分,如图1 所示。在进料过程中,被磨煤机研磨成的煤粉经一次风机通过管道送入给粉机,煤粉经过给煤机送入炉膛燃烧。燃烧过程产生的热量将炉内水冷壁中的水加热形成水蒸气。燃烧结束后产生的烟气经引风机排出。

1. 2 烟气含氧量数据分析

电厂锅炉生产过程复杂,通过机理分析可知对烟气含氧量影响较大的因素有给水流量、燃料量、主蒸汽流量、主蒸汽压力、送风量、引风量、送风机电流、引风机电流、机组负荷、再热蒸汽温度及排烟温度等。由于炉况和实际生产环境的不同,这些影响因素与烟气含氧量在实际生产过程中的相互关系也不稳定。

针对不同炉况,用现场采集数据进行相关性分析,采用Pearson相关性分析法对影响因素和烟气含氧量之间的相关性进行分析,同时对实际生产数据进行相关性分析,从分析结果中选取0. 01和0. 05 水平显著相关的变量作为建模输入量。选取主蒸汽压力、机组负荷、排烟温度、引风机电流、送风量、给水流量、炉膛负压、炉膛温度和再热器温度作为所研究锅炉的主要影响因素; 由于温度变化具有时序特征,某一时刻温度与前N时刻的温度相关,经过相关性分析,在实验中选取N为5。在此共选取了14 个参数作为输入变量构造锅炉烟气含氧量软测量模型。

2 烟气含氧量数据解析建模

2. 1 数据预处理

实际生产中获取的数据存在噪声数据和数据缺失现象,为此采取相应的处理方法:

a. 对数据中的噪声进行处理。对建模时间段内不同参数的数据进行统计分析,计算各参数的期望 μ 和标准差 σ。根据拉依达准则,将数值中在[μ - 3σ,μ + 3σ]区间之外的数据删除,根据含氧量数据连续变化的特征,用删除时刻前后两个时刻的平均值代替该数据。

b. 对数据缺失进行处理。由于检测设备故障或信号传输异常,实际获取的数据常有数据缺失的情况,对缺失数据采用均值插补法进行处理,将缺失时刻前后两个时刻的平均值填补缺失数据。

2. 2 算法整体结构

基于DE优化的自校正LS-SVM算法中的LS-SVM算法根据DE粒子信息设定计算参数,采用建模数据库数据建立预测模型,并计算所得模型预测值的相对误差,该误差作为相应粒子的适应度函数值。

2. 3 算法实现

基于DE优化的自校正LS-SVM算法流程如图2 所示,具体实施步骤如下:

a. 将建模数据读入内存,采用2. 1 节所述方法对建模数据进行预处理。

b. 初始化差分进化算法,首先随机生成种群个数为NP、粒子维数为ND的种群( ND为所需优化参数的个数) ,然后初始化DE算法参数F =0. 4( F为缩放因子,控制搜索速度,其值越大搜索速度越快) 。

c. 计算粒子适应度函数值,将预测误差作为对应粒子的适应度值,首先根据粒子信息为LS-SVM参数赋值; 然后采用5 -fold方法计算对应模型的平均测量误差,将建模数据分为5 份,用其中的4 份建立软测量模型,剩余一份作为检验数据,根据所建模型计算得到测量误差,重复进行5 次并计算5 次测量误差的平均值作为对应粒子的适应度函数值。

d. 如果粒子适应度值即所建立模型的测量误差达到终止条件,则停止算法,输出模型参数信息; 如果没有达到终止条件,则进行粒子交叉、变异、选择操作,执行步骤c。

步骤d中,算法达到最大迭代次数NLOOP;算法最优解在指定代数NNF内不更新; 算法计算时间达到指定时间NMAXT,3 个条件满足其一就停止算法。

3 实验与结果分析

采用国内某电厂的实际数据来验证算法的有效性,选取其中160 组数据进行实验。计算机硬件配置: CPU T5870 2. 00GHz,内存1. 96GByte。相关算法程序采用VC ++ 6. 0 编写。算法参数设定: 种群数NP为50 个,种群粒子维数ND为2,算法最大循环次数NLOOP为1 000,最优解最大不更新次数NNF为20,算法最大运行时间NMAXT为30min。实验用不同算法对相同时间段内的锅炉烟气含氧量进行软测量,结果与误差如图3、4 所示。

由图3 可以看出,笔者提出的软测量方法与其他算法对比,均能较好地跟随烟气含氧量的变化,反映其变化趋势; 由图4 可以看出,笔者所提算法与其他算法相对比,其最大测量误差绝对值低于0. 07,相对误差低于3%,满足实际生产需要。

4 结束语

软测量建模软件的设计与开发篇3

就苯乙烯、丙烯腈、乙烯及丁二烯抽提等化工装置而言,产品质量数据主要是产品的纯度。针对这一特点,本软件采用基于数据驱动的建模方法,并考虑到实际的工业过程对象复杂多变,软件采用了线性回归建模和非线性神经网络建模两种方法来设计软测量软件。最后,根据工艺机理,我们通过建立苯乙烯装置乙苯塔塔顶乙苯含量软测量数学模型,完成了对塔顶乙苯含量的准确预测。

1 乙苯含量软测量模型的建立

1.1 软测量

软测量的工作原理(见图1),就是在常规检测的基础上,利用辅助变量与主导变量的关系,通过软件计算,得到主导变量的测量值。软测量技术的核心是建立用来预测主导变量的可靠的软测量模型。初始软测量模型是对过程变量的历史数据进行辨识而来的。在应用过程中,软测量模型的参数和结构并不是一成不变的,随时间迁移工况和操作点可能发生改变,需要对它进行在线或离线修正,以得到更适合当前状况的软测量模型,提高模型的适合范围。因此,软测量结构可分为历史数据处理、离线建模、在线运行(包括校正)三大模块。

1.2 辅助变量的选择

通过对苯乙烯装置乙苯塔工艺机理研究,我们选择通过DCS收集的1000组过程参数作为建模样本集,300组过程数据作为校验样本集,运用统计学方法将样本数据中隐含的对象信息进行浓缩和提取,通过工程师的经验以及多元回归分析方法,寻找最优变量来建模,从而建立主导变量和辅助变量之间的数学模型,见表1。

2 软测量建模软件的实现

2.1 软件框架

选用微软VC++6.0开发环境[6],软件的整体设计采用面向对象的程序设计方法,考虑到软测量仪表本身侧重于数值计算和参数的频繁传递,因此选用基于对话框的应用程序框架。该软件框架结构简单,易于人机参数传递。从程序的角度来说,软件总共分四个主要模块:主对话框模块、算法模块、矩阵运算模块、图形编辑模块。如图2所示。

1)主对话框模块:即人机界面UI,提供基本的人机交流界面,以及数据文件操作。

2)算法模块:是整个软件的核心,包括了软件中所有的算法程序,并且留有扩充借口,可随时根据软件的升级增加新的算法。软件在调用算法时需要用户传递的参数和算法结果的返回利用子对话框来传递。该模块分为三个子模块:(1)数据归一化模块:主要功能是对原始样本数据进行归一化处理;(2)样本数据分析模块:主要功能是对辅助变量进行相关性分析和主元分析;(3)建模算法模块:偏最小二乘法建模、神经网络建模。

3)矩阵运算模块:主要功能是为算法模块提供必需的矩阵运算支持。软件中数据归一化、样本分析、建模的大多数算法在数学上表现为大量的矩阵运算,微软MFC基础类库并没有提供可以直接使用的矩阵运算类。为了使得建模算法代码更为简洁,易于修改。矩阵运算模块将常用的矩阵运算操作写成一个类———矩阵类,供算法程序调用。

4)图形编辑模块:主要功能是按照需要对工作空间中的数据进行曲线图形显示。作用是当离线建模完成后,需要对所建立的模型进行拟合试验,将试验结果以曲线的形式表现出来,软件允许用户自己设定坐标范围和图形标题。

2.2 偏最小二乘回归法

偏最小二乘回归是建立在主元分析原理上的化学计量学方法。它通过多元投影变换的方法,分析两个不同矩阵间的相互关系。在主元分析中,提取主元的过程只是强调了主元对辅助变量信息的最大综合能力,并没有考虑主导变量。偏最小二乘法不仅利用对系统中的数据进行分析和筛选的方式辨识系统中的信息和噪声,从而克服变量的多重线性相关性对建模的影响,而且在提取主元时还考虑主元和因变量的相关性,即主元对主导变量的解释作用。因此,偏最小二乘回归可以集多元线性回归,主元分析,典型相关分析的基本功能为一体。

该算法原理如下:

假设有两个数据矩阵X和Y,其中X∈Rn×m,Y∈Rn×1,X和Y之间的关系表示如下:

式中:e表示残差;β表示自适应因子。

自适应因子β的估计值β赞可以用最小二乘法得到,即:

如果数据矩阵X具有较强的相关性,则式(2)中存在病态矩阵的求逆,结果误差较大,而部分最小二乘法可以避免对病态矩阵求逆。其基本原理是将式(1)中的X和Y的关系分解为两个内部关系和一个外部关系:式(3)、(4)和(5)。

其中,矩阵T=[t1t2…tα],U=[u1u2…uα];分别称为X和Y的得分矩阵,而th和uh分别称为矩阵X和Y的第h主元。P=[p1p2…pα]和Q=[Q1Q2…Qα]称为荷载矩阵,U和T之间的关系表示如下:

式中:E、F、R为残差矩阵。

该算法将高维空间信息投影到由几个隐含变量组成的低维信息空间中,隐含变量包含了原始数据的重要信息,且隐含变量间是互相独立的。

2.3神经网络法

基于人工神经网络(Artificial Neural Network,ANN)的软测量建模方法是近年来研究最多、发展很快和应用范围很广泛的一种软测量建模方法[7,8]。能适用于高度非线性和严重不确定性系统,因此它为解决复杂系统过程参数的软测量问题提供了一条有效途径。

化工装置产品含量预测建模通常处理的是非线性建模问题,而多层前向网络已被证明具有以任意精确度进行复杂非线性函数的拟合能力[7],因此选择前向网络结构。网络层数方面,除了网络必须包含的输入输出层外,对于化工装置产品含量预测这类软测量建模,问题的复杂程度一般要求隐层数目为1。因此,软件中采用包含一个隐含层的三层结构前馈网络。

确定好网络结构后,神经网络用于软测量建模实际上就是利用产品的历史数据经过一定的算法来确定网络的连接权值和阈值。BP算法是应用较早的学习算法,它充分利用了前向网络的结构优势,在正反传播过程中的每一层计算都是并行的。但BP算法存在两个缺点,即训练时间长和容易陷入局部最小。针对此缺陷,本软件在设计时采用了带动量因子的改进方法来加快网络训练速度。改进的BP神经网络的网络设置和参数设置如图3所示。

神经网络建模算法采用BP算法,算法不再是简单的矩阵操作。根据前馈神经网络的结构将神经网络用两个类来描述,即神经网络类和神经网络层类。经过处理后,主程序算法简洁,可读性强。如果要改进BP算法,代码的修改只需在类的方法中修改即可,不必修改主程序。神经网络类的设计和神经网络层类的设计主要代码如下:

神经网络类

2.4 软测量模型的在线校正

由于软测量对象的时变性、非线性及模型的不完整性等因素,必须经过模型的在线校正才能适应新工况。根据被估计变量的离线测量值与软测量估计值的误差,对软测量模型进行在线修正,使软测量仪表能跟踪系统特性的缓慢变化,提高静态自适应能力。一般采用在线校正算法为常数项修正法,即通过化验值或分析值计算新的偏差,并把新的偏差写入软测量仪表,修正偏差。即:

新偏差=(采样时刻计算值-化验值)×偏差权重+旧偏差×(1-偏差权重)

3 工业应用

乙苯含量是乙苯精馏塔塔釜采出产品中一个十分重要的质量控制指标[9],通过辅助变量塔顶压力、塔顶温度、塔灵敏板温度、回流量及塔釜温度来预测乙苯含量变化趋势。通过本软件进行仿真,乙苯含量软测量偏最小二乘建模数据拟合图如图4所示。其中,红线为实际值,绿线为拟合值。误差平方和:0.765762856683714,均方误差:0.0033294037247118。

针对某装置淀粉含量预测问题选择神经网络方法进行仿真研究,均方误差:9.14971253690028e-009;拟合曲线:红线为化验值,绿线为拟合值。淀粉含量软测量神经网络建模数据拟合图如图5所示。

4 结束语

本文采用了微软基础类库(MFC)提供的基于对话框的应用程序框架实现了软测量建模软件的开发。软件主要是从数学的角度分别研究了线性和非线性软测量建模算法,重点强调了建模算法对给定历史数据的拟合和泛化能力。在具体的应用中,根据工艺知识对软测量问题进行初步数学抽象,然后以本软件作为一种工具建模,辅以必要的工艺机理分析检验模型的合理性。通过对实际中两个化工过程进行的仿真表明,该软件基本具备了软测量建模预测产品含量变化趋势的能力,可以得到较好的效果。

参考文献

[1]王树青.先进控制技术及应用[M].北京:化学工业出版社,2005.

[2]Morris A J,Montague G A,Tham M T.Soft-sensors in industrial process control[C].London,UK:Applied developments in process control,1989.

[3]王跃宣.先进控制策略与软件实现及应用研究[D].杭州:浙江大学,2003.

[4]俞金寿.软测量技术及其在石油化工中的应用[M].北京:化学工业出版社,2000.

[5]马勇,黄德先,金以慧.动态软测量建模方法初探[J].化工学报,2005,56(8):1516-1519.

[6]侯俊杰.深入浅出MFC[M].2版.武汉:华中科技大学出版社,2001.

[7]薄翠梅,张湜,李俊,等.基于神经网络的软测量技术在精馏塔上的应用[J].过程工程学报,2003,3(4):371-375.

[8]尚长军,陈曦,钱积新.基于PCA-BP神经网络的精馏塔产品组成软测量模型[J].工业仪表与自动化装置,2003(4):33-36.

火电厂凝汽器水位测量篇4

1 凝汽器水位测试原理

目前大多数火电厂凝汽器水位测量都是采用的变压变送器来开展液位的准确测量, 这是一种使用次数最多、应用效果较好、经济实惠的一种水位测量方法。变压测量法安装方法很多, 例如河北邯峰发电有限责任公司使用了单室平衡容器装置, 其测量原理是正压测压力根据单室平衡容器有有恒定水柱而维持不变, 负压侧压力随容器内水位变化而变化, 变送器两侧的差压值也就随着容器水位的变化而变化。但是在使用以来常常出现水位测量不正确的情况, 尤其是在机组启停期间, 凝汽器水位出现错误的测试的情况尤为明显。这严重干扰了工作人员对凝水器水位的分析, 也加大了检修人员的工作量, 更给机组的安全、经济运行造成了严重的影响。

2 干扰凝汽器水位测量的因素

2.1 系统泄漏点过多影响水位测量精度

凝汽器本身装备上有正负两个取压口, 并在取样管和排污管上安装了八个阀门, 若按照每个阀门有三个泄漏点计算, 还有那么多的焊点, 整个水位测量系统的泄漏点可能超过25处。然而, 凝汽器水位测量是在真空环境下开展的, 所以如此多的泄漏点肯定会大大降低水位测量的正确度。

2.2 变送器安装位置偏低, 易引水受损

许多火电厂的凝汽器水位测量系统中变送器都安装在低于凝汽器底部1m左右的坑渠, 此坑渠又与附近的凝结水泵相通, 凝结水泵坑内的积水时常回流到变送器所在的坑道内, 加大了坑道内的湿度。水分含量大的空气经过测量电缆引线孔到达变器内, 侵蚀线路端口, 影响了测量精度, 更导致了变送器的损坏。

2.3 凝汽器自身缺陷

当凝汽器在测量水位时, 因凝汽器自身系统为负压, 并且温度很高, 导致平衡容器中的水不能冷凝, 又接收不到补充, 极易因为高温度和负压而蒸发, 最终破坏了测量装置的正压头, 导致了水位测量的不正确, 有时甚至完全测试不到水位。

3 克服干扰因素的改进措辞

3.1 水位测量元件的正确选用

根据以上的分析, 测量元件的选用应注意避免多管阀接口的系统和改变元件安装的位置。管阀系统可选用远传膜片密封系统, 该系统含有1个压力变送器、1个远传膜片密封, 1种填充液, 另外还有毛细管远程连接。在系统运行过程中华, 具有弹性的膜片和填充液将压力变送器中的压敏元件与过程介质分开。膜片经过毛细管或法兰将变送器连接起来, 因此大大降低了系统的泄露情况。另外必须注意远传膜片密封系统的安装, 依据本系统只能在真空中运行, 为了确保变送器的正向压力, 需将变送器放置于平齐或低于凝汽器底部位置。这个原理是因为当变送器置于取压口的上方时, 变送器填充液将受到负压力头的压力而气化, 从而将有助于变送器读数的正确性。

3.2 改进水位测量系统

积极引进德国KROHN公司推出的MICROFLEXBM102智能化二线制非接触式物位测量仪, 这系统主要采用TDE原理 (采用光速发射电磁脉冲, 然后被介质表面反射后回到信号转换器) , 使用这一系统可以不受介质的改变影响测量精度, 并可手动操作。该系统安装方式灵活多变, 可以用法兰、螺纹连接都能很好地克服系统泄漏情形, 为此可彻底解决以前凝汽器测量水位系统中漏处多, 导致测量正确度的问题。改进后的水位测量系统运行中被测介质与外界没有任何接触, 被测介质物理特性也不会发生什么变化, 更不会破坏转换器本身及电缆。因此在改进水位测量系统中采用MICROFLEXBM102测量仪。

3.3 克服凝汽器自身缺陷

为了确保正压测一直处于有水的状态, 需要不断通过补水装置为平衡容器补水。所以, 对凝汽器自身装置的改造刻不容缓, 下面是对凝水器水位测量系统改造的示意图 (增加了辅助给水系统) :

综上所述, 现在使用的凝汽器水位测量系统存在许多的问题, 从根本上解决的方法是采用先进的元件、改进测量系统、增加辅助的给水系统, 凝汽器水位测量系统不精确的问题将得到彻底的解决, 进一步减轻了维护工作, 大大提高了工作效率并切实保证了机组的安全、经济运行。

参考文献

[1]王全育.凝汽器水位测量系统的改进[J].电力与安全, 2008.

浅谈软测量技术实现多相流计量篇5

关键词：多相流,计量,软测量

一、多相流

(一) 多相流简介

多相流中的“相”, 在物理学中是指一个宏观物理系统所具有的一组状态, 在化学中是根据系统中物质存在的形态和分布不同, 将系统分为相。相是指在没有外力作用下, 物理、化学性质完全相同、成分相同的均匀物质的聚集态。而多相流常见于各种形态的两相流。 (1) 气-固两相流, 如气流输送 (喷吹) 粉料, 含尘埃的大气流动等; (2) 气-液两相流, 如:泄水建筑中的掺气水流等; (3) 液-固两相流, 如天然河道中的含沙水流等。由于多相流中的各相间有相对速度, 流动的同时各相之间是随时变化的, 导致了多相流的流动特性、特征参数及计量要比单相流复杂。

(二) 多相流存在的特点

多相流的流型复杂多变, 相与相之间相互作用强, 相界面之间存在界面扰动。由此造成多相流存在参数多、流型复杂多样、各相间存在相对流动、影响流动因素多、各相间存在传热和传质及化学反应等特点。因此, 我们可以把多相流认为是存在变动分界面的多种独立物质系统组成的物体的流动。

(三) 难于计量多相流的原因

多相流计量难度很大主要有以下几个原因: (1) 多相流中含有多种不相溶混的相且个向组分之间是不均匀混合的, 他们各自具有一组流动变量。即使两相流, 也可划分为气液、气固、液液、液固四种, 描述多相流的参数要比单相流的参数多。 (2) 多相流中各相的体积百分数以及分散相的颗粒大小变化范围宽, 各组分之间存在相互作用, 引起流动性质及流动结构变化大。 (3) 多相流中有多种流动形式, 流型的不同及各相间相对速度不同也会引起流动状况的很大改变。例如气固流化床中气流速度对流动结构影响很大。 (4) 多相流中各相的物理性质及相与相之间界面的表面现象都是影响多相流的重要因素及各相的性质、含量及流动参数决定了流动形态, 不同的流型可用不同的方法来处理。

二、通过现代技术手段和信号处理技术相结合的方法实现多相流计量

(一) 通过软测量技术实现多相流计量

软测量是一种利用较容易在线测量的的过程变量 (称为辅助变量) 和离线分析信息去估计不可测或难以直接测量的待测变量 (称为主导变量) 的方法。软测量一般情况下是在成熟的硬件传感器基础上, 以计算机技术为支撑平台, 通过应用数学模型运算处理而完成的。因此, 也可把实现软测量功能的实体看成是一种软仪表, 它可利用多种易测变量传感器信息和先验分析信息, 通过软测量模型计算处理得到所需检测的难测或不可测参数的信息。通过软测量技术实现多相流的计量主要包括以下四个步骤: (1) 选取辅助变量:正确选取辅助变量是能够准确、简洁计算各相流量的基本; (2) 处理辅助变量的相关数据:数据的处理直接决定了流量计算的准确性; (3) 建立软测量模型:基于多种模型的存在, 正确选择软测量模型才能保证简单、快捷、准确的计量; (4) 软测量模型的在线校正。

(二) 实现多相流计量的软测量建模方法

目前, 在多相流检测领域存在多种软测量建模的方法, 其常用的方法主要有以下几种: (1) 基于工艺机理分析的软测量建模; (2) 基于回归分析的软测量建模; (3) 基于人工神经网络的软测量建模; (4) 基于模式识别的软测量建模; (5) 基于模糊数学的软测量建模; (6) 基于支持向量机 (Support Vector Machines, Sv Ms) 的方法; (7) 基于现代非线性信息处理技术的软测量建模; (8) 基于多传感器数据融合技术的测量方法; (9) 基于虚拟仪器技术的测量方法。

结语

软测量计量技术为解决多相流计量这一技术难题提供了一条有效途径, 近年来得到了迅速发展, 国内外很多机构也积极探索研究将软测量技术完全应用于工业生产技术中, 从而实现多相流计量的计量准确、稳定、适应性强、成本低。但是虽然经过多年的发展形成了一定的理论体系, 也达到了一定的技术水平, 但距离将软测量技术应用到实际计量中, 尚有很长的路。相信随着科技的发展及多相流体力学的深入研究, 将软测量的理论技术应用到实际的诸多问题终将得以克服, 使软测量技术完全应用于多相流的计量领域。

参考文献

[1]徐济鋆.沸腾传热和气液两相流[M].北京:原子能出版社, 2001.

[2]林宗虎.变幻流动的科学一多相流体力学[M].北京:清华大学出版社, 2000.

[3]孔珑主.两相流体力学[M].北京:高等教育出版社, 2004.

[4]纪纲.流量测量仪表应用技巧[M].北京:化学工业出版社, 2003.

[5]吴浩江, 李斌.水平管内油气水三相流流型的实验研究[J].油气储运, 1999.

火电厂软测量篇6

支持向量机最初是由Vapnik[1]提出的一种新兴的基于统计学习理论的学习机。支持向量机基本思想是把训练数据集从输入空间非线性地映射到一个高维特征空间(Hilbert空间),然后在此空间中求解凸优化问题(典型二次规划问题)。SVMs的最优求解基于结构风险最小化思想,因此比其他非线性函数逼近方法具有更强的泛化能力。

笔者在研究软测量技术的基础上[2,3,4]提出利用小波支持向量回归机与参数特性混合建模的方法,实现了对污水处理过程中BOD浓度与COD浓度的软测量。

1 软测量技术的基本原理

软测量技术是依据某种最优化准则,利用由辅助变量构成的可测信息通过软件计算实现对主导变量的测量[5]。软仪表的核心是表征辅助变量和主导变量之间的数学关系的软测量模型。软测量技术原理基本框架图如图1所示。因此构造软仪表的本质就是如何建立软测量模型,即数学建模问题。软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计,而不是强调过程各输入/输出变量彼此之间的关系。软测量模型本质上是要完成由辅助变量构成的可测信息集θ到主导变量估计Y的映射,用数学公式表示即为:Y=f(θ)。

2 基于小波核函数的支持向量机(WSVM)

支持向量机的非线性处理能力都是通过“核映射”的方法实现的[6]。已有的如RBF函数就是一种普遍使用的核函数,SVM在软测量中表现出了良好的映像性能[7,8,9]。但在应用中发现,对于目前已有的核函数,支持向量机不可能逼近某一L 2(R)(平方可积空间)子空间上的任意函数,因为已有的核函数通过平移不可能生成该子空间上的一组完备的基。这种基的不完备性导致了回归支持向量机不能逼近任意的目标函数。基于以上考虑,需要寻找一种核函数,这种核函数仅通过平移伸缩便能生成L 2(R)空间上的一组完备的基。这样的函数在小波分解理论中已给出,就是小波函数。

小波函数φ(x)通常由尺度函数(x)生成,它们之间满足如下的尺度方程:

式中:{hk}和{gk}—一对离散的滤波器。

且它们之间存在下述的关系:

式中:—h的共轭。

参考小波分解理论和支持向量机核函数的构造要求[10,11,12],经过分析这里选择的母小波函数为Morlet小波。因为该母小波函数是复数形式,取实数Morlet小波函数为:

所以这里小波核函数的形式为:

3 函数仿真研究

已知函数sinc(x-10)在均匀分布点x=-10+40/165·k,k=0,1,…,165上的函数值为y=sinc(xk),k=0,1,…,165。设总集合为:T={(x0,y0),(x1,y1),…,(x165,y165)}是根据单变量函数sinc(x-10)在受到噪声的干扰下产生的,也就是说x0,x1,…,x165是在[-10,30]上均匀分布的166个点,而yk=sinc(xk)+ξk,k=0,1,…,165。其中噪声ξk服从正态分布,且Ekξ2=σ2,Eξi=0,这里σ2=0.3,ω0=5。实验中小波核SVM的平均预测误差为1.60%,RBF核SVM的平均预测误差为3.04%。仿真图形如图2所示。

仿真结果表明,本研究构造的核函数支持向量机模型方法不但逼近精度高,而且泛化能力强。这说明了式(5)核函数的有效性和可行性。

4 WSVM在污水处理软测量中的应用

工业污水由于成分复杂,有害污染物多,处理难度大,一直是企业发展壮大的瓶颈。由于污水处理过程的生产条件恶劣,随机干扰严重,具有强非线性、时变、大滞后等特点,建立的传统的数学模型对水质关键参数在线监测效果不理想[13,14]。本研究利用小波支持向量回归机与参数特性混合建模的方法,从而实现对BOD浓度与COD浓度的软测量。

经过分析后,笔者选择进水的COD浓度、温度T、PH值、流量Q以及污泥浓度SS、好氧反应区溶解氧DO浓度6个对污水处理效果有重要影响的变量作为模型的辅助变量,用来对出水水质参数BOD浓度、COD浓度在线预估[15],软测量模型结构如图3所示。

根据厂方提供的系统正常运行时采集的200组数据,本研究选择其中进水的COD浓度、温度T、PH值、流量Q、污泥浓度SS、好氧反应区溶解氧DO浓度数据组成模型输入向量X,出水的BOD浓度和COD浓度作为模型的输出向量Y1和Y2,即:

模型的输入向量X实际上是一个200×6的矩阵,输出向量Y1和Y2都是200×1的矩阵。且两个输出向量之间满足理论线性关系,即:

在确定了重要辅助变量后,需要对其进行预处理和尺度变换。尺度变换常常将它们变换为[-1,1]或[0,1]的范围。本设计利用公式:

模型将数据变化为[0,1]范围内,其中D′i为变换后得到的归一化值,Di为实际值,Dmin为实际值最小值,Dmax为实际值最大值。

这些工作将使得数据对于支持向量机更容易学习和训练。经过小波支持向量机处理后,将得到的数据经过反归一化处理(如下式所示)后,就得到了真正的处理结果。

随机选择处理好的200组数据中的150组作为训练样本,剩余的50组数据作为测试样本。利用训练样本训练出一个计算速度快、拟合效果比较好的支持向量机模型后,预估BOD的浓度。

风量测量装置在火电厂的应用分析篇7

近日, 媒体报道天津有一家居民在自家范围内发电进行销售, 由此可见, 目前我国对于电力的需求量多么大, 不仅电器需要电能, 很多交通也需要电能, 如果电力缺乏, 将会对人们的生活造成不可估量的损失。而火电厂作为生产电能的工厂, 肩负着提供电力这样的重任, 因此, 大力发展火电厂及其相关设施是一项重要的工作, 本文主要就风量测量装置在火电厂的应用问题来进行介绍。

1 火电厂及风量测量装置概述

火力发电厂简称火电厂, 是利用煤、石油、天然气作为燃料生产电能的工厂[1]。目的是将燃料的能量经过一系列的加工转化使之转化为电能, 而这一转化过程是从在锅炉中燃烧燃料开始的, 如何使燃料能够高效的、安全的完成这一过程是值得我们进行研究的。而风量的测量对于该问题至关重要, 助燃空气能够提高燃料的燃烧效率, 此外, 还可以在进入锅炉时利用余热来升温, 这样不仅有助于燃料的燃烧, 还减少了排入空气中的烟尘等物, 而风速测量装置就针对助燃空气的不同条件对风量加以控制, 最大程度地提高锅炉的效率、减少有害物质的产生, 保护环境。

2 风量测量装置发展现状

由于我国地域与人口众多, 火电厂的数量与所需燃料量都很庞大, 因此, 如果提高一点火电厂的效率就会节省数量很可观的燃料, 并且减少对环境的污染, 目前, 在这一方面的研究已经进行过很多了, 虽然取得了很多成绩, 但是也依然存在着许多问题, 而风量测量装置的发展也是如此。主要的问题如下:

首先, 如何准确的测量风量是一大问题, 不论理论计算多么完善、正确, 如果不知道实际的进风量也是白费力气, 而目前传统应用的一些风量测量装置在这方面都或多或少存在着缺陷。

其次, 如何对炉膛四角的二次风量进行控制也是一大难题[2]。不同的形式与直径的管道进入的风量不同, 而二次风量的温度也难以控制, 这些指标基本都依靠机械装置的测量, 因此解决方法就是研究引进新型的装置, 有针对性地改善现有装置, 使测风量达到相对精准的精度。

最后, 要有针对性地选择风量测量装置, 火电厂的燃料多种多样, 这就要求对风量测量装置进行选型, 例如有些风量测量装置适用于以煤为主要燃料的火电厂中, 但是在以天然气为燃料的火电厂中效率也许就会降低, 因此要有针对性地进行选择。

以上三点只是较为主要的问题, 除此之外, 还有很多细小之处的处理都不是很完善, 这就要求相关工作人员在工作中小心谨慎、认真分析并发现问题。

3 风量测量装置在火电厂的应用

风量测量装置在火电厂的意义相信大家已经有所了解, 因此其在火电厂的应用也就得到了很多相关人员的关注, 应用中既取得一些成绩也存在一些问题, 我认为, 风量测量装置在火电厂的应用可以归纳为以下几点:

首先, 针对于传统装置而言, 需要加以改进、加强养护维修的力度, 这样才能更好地对风量测量装置进行应用。如机翼型测风装置, 是由多个全机翼、取样传压管及一段矩形风道构成, 当气流流经机翼测量装置时, 在翼型表面形成绕流, 产生压差[3]。而长时间使用后, 这样的绕流会使引出管口与感压孔处累积灰尘, 造成阻塞, 进而会使测量量不准确, 而其他的如差压原理流量计、容积式流量计经过使用也会容易发生损坏或者堵塞现象, 进而影响装置本身的精度, 从而对实际的进风量造成影响, 这一点既是问题也是挑战, 应当引起相关人员的重视。

其次, 目前应用上存在着不同的缺陷, 我们要不断分析完善这些问题, 提高效率, 可以从风量测量装置的生产、设计、选型、安装等不同角度进行改进。如要针对风量测量装置设计风道, 这既包括两者的布置方式, 也包括了两者设计的结合性, 并且在设计时要为风量测量装置预留足够长的直管道。除此之外, 风量测量装置在整个火电厂的测量装置中是较为难以控制的测量装置[4]。这是因为对该装置的影响因素较多, 并且因素之间也有影响, 因此在一个火电厂的选择中要注重统一性, 这样一来, 如果发生问题, 既方便找出原因, 又方便管理维修。

最后, 需要对风量测量装置的日常运行进行及时定期的检查、维护, 很多问题的产生都是由于人为的疏忽造成的, 相关的维修人员一定不能存在侥幸心理, 要定时对装置进行检查, 同时还应该加强自身的职业素养, 不断提高理论与实践的结合性, 在自己的工作岗位上兢兢业业, 争取提出关于改善风量测量装置的建设性意见。

风量测量装置在火电厂中的应用已经有了一段时间, 在这段时间里, 风量测量装置在不断地完善、改进, 越来越可以起到应有的理想作用, 而我们不能够止步于此, 应该不断的努力, 争取到更大的进步。

4 风量测量装置发展前景

风量测量装置虽然只是偌大的火电厂中的一小部分, 但是却肩负着至关重要的作用, 不仅对生产的安全性起到了控制作用, 更是对燃烧效率、环境保护做出了贡献。在今后的发展中, 风量测量装置要更加注重精度与耐久度, 并且要不断完善旧设备、不断研发新设备, 在安全可靠的前提下寻求经济性、智能化, 虽然在这条道路上还有很多困难, 但是我们的工作人员一定会再接再厉, 再创辉煌。

5 结论

火电厂对于我国而言意义重大, 由于我国人口众多, 因此用电量与用电荷载比其他国家都要大, 而风量测量装置对于提高火电厂的效率与安全有着重要的作用, 进行该方面的研究与分析具有很强的实践性, 我们要注重与其他国家进行交流、学习, 在提高发电效率的同时还要注重保护环境。随着世界的发展, 对于火电厂、风量测量装置而言, 相信还会有更多的新要求摆着我们面前, 我们把这些要求看作挑战的同时也要看作是机遇, 认真研究, 促进我国发电事业的前进!

摘要：风量测量工作对于火电厂而言意义重大, 不仅仅包括安全问题, 还涵盖了锅炉的燃烧效率、有害气体的排放等不同的方面, 因此, 关于风量测试装置在火电厂的应用问题的研究具有很大的现实意义, 以下主要就此问题进行简要讨论。

关键词：风量测量装置,燃烧效率,火电厂,应用,完善

参考文献

[1]曹长武.火电厂燃料质量检测及应用[D].北京:中国电力出版社, 2013.

[2]周强.新型风量测量装置在火电厂的应用[J].浙江电力, 2006 (3) .

[3]薛标文, 樊立云, 米广鹤.风量测量装置在火电厂中的应用[J].内蒙古科技与经济, 2011 (6) .

【火电厂软测量】推荐阅读：

火电厂凝汽器水位测量06-13

燃煤火电厂05-10

火电厂调试05-21

火电厂监控06-09

火电厂运行08-29