大型軸流式風機的建模

武廣富 莊 劼上海明華電力技術工程有限公司許 競 楊世華上海外高橋發電有限責任公司

?

大型軸流式風機的建模

武廣富 莊 劼
上海明華電力技術工程有限公司
許 競 楊世華
上海外高橋發電有限責任公司

摘要：軸流式風機因良好的經濟性而成為大型電站鍋爐的常用風機，根據軸流式風機的工作特點，通過神經網絡優化算法，以全壓開度、煙氣流量、電流等參數為輸入輸出單元，建立了軸流式風機仿真模型，為該類風機的參數預測和經濟性評估提供技術途徑。

關鍵詞：軸流式風機；神經網絡；建模；靜態特性

目前新建機組在風機選型上基本擯棄了擋板節流式通風機，轉而選擇靜葉可調式或動葉可調式軸流式風機，風機電耗較傳統配置有明顯優勢。國內對軸流式風機的研究主要集中于風機選型、風機內部流場數值模擬上，文獻［1］～［4］詳細地介紹了風機選型的主要考慮因素，對風機的選型計算進行了深入討論，形成了完整的選型計算方法。多所大學的研究人員在風機流場的數值模擬方面進行了深入的研究和模擬仿真［5～7］，但對于成型的風機來說，如何推算風機的運行工況點，從而對風機在不同條件下的運行參數進行預測，仍是有待研究的課題。本文通過神經網絡優化算法，建立了軸流式風機仿真模型，為該類風機的參數預測和經濟性評估提供技術途徑。

圖1　軸流式風機性能曲線圖

1 軸流式風機工作特點

軸流風機的工作原理與透平壓縮機基本相同，只是由于氣體流速較低，壓力變化不大，一般不需要考慮氣體比容的變化，即把氣體作為不可壓縮流體處理。

軸流風機靜態性能曲線由不同角度β對應的性能曲線族構成，如圖1所示，各曲線縱坐標為全壓p0，橫坐標為體積流量Q0。所有葉片角度對應的性能曲線可表達為流量Q0與全壓p0及葉片角度β的關系式，其具體形式可由神經網絡擬合實現。

但由于風機全壓p0包含動壓項，與流量Q0有直接關系，即：

2 神經網絡結構

人工神經網絡是模擬生物腦神經系統的信息處理機制建立起來的一種智能信息處理模型，具有很強的適應于復雜環境和多目標控制要求的自學習能力，并具有可以任意精度逼近任意非線性連續函數的特性，為非線性系統的辨識提供了一種有力的工具，同時也為計算機系統仿真建模提供了一種通用模式，而且神經網絡本身就是一種數學模型，可作為實際系統的仿真實現。

神經網絡以其拓撲結構的不同，可實現不同功能。目前，在神經網絡的實際應用中，絕大部分模型是采用反向誤差傳播（Back-propagation，簡稱Bp）網絡及其變化形式，它也是前向網絡的核心。Bp網絡是一種多層前饋型神經網絡，其神經元的傳遞函數S型函數，輸出量為0到1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。

圖2　Bp網絡神經元的一般模型

圖3　BP網絡結構

圖2給出一個基本的Bp神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值w和下一層相連，網絡輸入可以表示為：

Bp前饋神經網絡通常有一個或多個隱層，隱層中的神經元均采用S型傳遞函數，輸出層的神經元采用線性傳遞函數。圖3是一個典型的Bp網絡結構，有一個隱層，隱層神經元數目為S，隱層采用S型神經元函數logsig（），具有R個輸入。

Bp網絡的算法如下。

假設三層Bp網絡，輸入節點xi，隱層節點yi，輸出節點zi。輸入節點與隱層節點間的網絡權值為wj，隱層節點與輸出節點間的網絡權值為vlj。當輸出節點的期望值為t1時，模型的計算公式如下：

隱層節點的輸出：

輸出節點的計算輸出：

輸出節點的誤差：

3 靜態網絡模型建立

根據神經網絡訓練學習要求和軸流式風機的工作特點，建立軸流式風機靜態神經網絡模型，以個別特征量的變化預測風機運行狀態。以同類型風機歷史運行數據為樣本，查取p0、Q0、I及β的數據樣本，并由式（1）將p0換算為Pst0，為神經網絡提供足夠的訓練樣本，選取Pst0和β經過歸一化處理后作為輸入，流量p0、I作為輸出，其網絡模型如圖4所示。

圖4　神經網絡模型

為提高模型精度和學習速率，該網絡模型采用有動量的自適應學習速率梯度下降法，并根據風機的設計參數選擇初始權值。

（1）學習算法

該算法公式為：

其中，m、n為常數，0

研究表明，有動量的自適應學習速率梯度下降法占用內存小，神經元個數變化對仿真運行影響不大，但初始權值的選取對誤差收斂性的影響較大。

（2）初始權值

通常情況下采取比較法選取初始權值，訓練時隨機產生多個初始權值，選連后選擇一個最佳值作為初始權值。研究發現，初始權值在輸入累加時，使每個神經元的狀態值接近于零，可以保證每個神經元在一開始就在它們激活函數變化最大的地方，這樣能夠加快收斂速度。

4 仿真實例

根據神經網絡的建模思想，利用MATLAB仿真工具，對引風機A進行了參數仿真模擬。模型采用雙曲正切S型（Tan-Sigmoid）和線性傳輸函數，訓練函數采用有動量的自適應學習速率梯度下降法，最大訓練次數50次，初始學習速率0.05，允許誤差0.001，輸入參數為引風機進出口煙氣壓力和出口煙氣溫度，輸出參數為引風機煙氣流量和電動機電流，建立軸流式風機仿真模型。

以230～300 MW負荷段引風機A的134組運行數據為訓練樣本，對該模型進行仿真訓練，以經過訓練的神經網絡模型對一組數據進行仿真計算，并將仿真計算的結果與實際數據進行比對，結果如圖5所示。

圖5　仿真計算結果與實際數據比對結果

參考文獻

［1］ 袁泉，姚斌．羅茨鼓風機選型中風量和風壓計算方法的探討［J］．風機技術，2006，（6）：23-26．

［2］ 聶志剛，黃發菁．大型干法煙氣脫硫的引風機選型探討［J］．電力建設，2005，（10）：59-61

［3］ 段成杰，孔林．濕法煙氣脫硫工藝中增壓風機的選型分析［J］．華電技術，2008，（7）：54-57．

［4］ 陳泗水．試論羅茨鼓風機的選型設計［J］．風機技術，1998，（2）：8-11．

［5］ 劉飛，吳克啟．大型軸流風機來流條件對內流影響的數值分析［J］．工程熱物理學報，2006，（6）：145-148．

［6］ 陳晗，任鵬，任永泉．離心式風機邊界層流場計算［J］．石油化工設備，2008，（9）：51-52．

［7］ 陳慎宇，眭曦，王燦星．離心式通風機內部流場的數值模擬［J］．流體機械，2007，35（9）：22-24．

武廣富：（1984-），男，工程師，碩士研究生，從事熱力動力工程相關領域工作。

Large Scale Axial Flow Fan Modeling

Wu Guangfu， Zhuang Jie
Shanghai Minghua Electric Power Technology Engineering Co.，Ltd
Xu Jing， Yang Shihua
Shanghai Waigaoqiao Power Generation Co.，Ltd

Abstract：Axial flow fan is used to work for large power plant boilers due to its better economic benefits. According to axial flow fan working principle and characteristics， the article introduces how to build up simulation model of axial flow fan through neural network optimization algorithm based on full pressure， open degree， flue gas flow， current parameters as input and output unit， which provides technologic approaches for parameter prediction and economic evaluation of those types axial flow fans.

Key words：Axial Flow Fan， Neural Network， Modeling， Static Characteristics

DOI：10.13770/j.cnki.issn2095-705x.2016.05.009

［作者簡介］