大型轴流式风机的建模

武广富 庄 劼上海明华电力技术工程有限公司许 竞 杨世华上海外高桥发电有限责任公司



大型轴流式风机的建模

武广富 庄 劼
上海明华电力技术工程有限公司
许 竞 杨世华
上海外高桥发电有限责任公司

摘要：轴流式风机因良好的经济性而成为大型电站锅炉的常用风机，根据轴流式风机的工作特点，通过神经网络优化算法，以全压开度、烟气流量、电流等参数为输入输出单元，建立了轴流式风机仿真模型，为该类风机的参数预测和经济性评估提供技术途径。

关键词：轴流式风机；神经网络；建模；静态特性

目前新建机组在风机选型上基本摈弃了挡板节流式通风机，转而选择静叶可调式或动叶可调式轴流式风机，风机电耗较传统配置有明显优势。国内对轴流式风机的研究主要集中于风机选型、风机内部流场数值模拟上，文献［1］～［4］详细地介绍了风机选型的主要考虑因素，对风机的选型计算进行了深入讨论，形成了完整的选型计算方法。多所大学的研究人员在风机流场的数值模拟方面进行了深入的研究和模拟仿真［5～7］，但对于成型的风机来说，如何推算风机的运行工况点，从而对风机在不同条件下的运行参数进行预测，仍是有待研究的课题。本文通过神经网络优化算法，建立了轴流式风机仿真模型，为该类风机的参数预测和经济性评估提供技术途径。

图1　轴流式风机性能曲线图

1 轴流式风机工作特点

轴流风机的工作原理与透平压缩机基本相同，只是由于气体流速较低，压力变化不大，一般不需要考虑气体比容的变化，即把气体作为不可压缩流体处理。

轴流风机静态性能曲线由不同角度β对应的性能曲线族构成，如图1所示，各曲线纵坐标为全压p0，横坐标为体积流量Q0。所有叶片角度对应的性能曲线可表达为流量Q0与全压p0及叶片角度β的关系式，其具体形式可由神经网络拟合实现。

但由于风机全压p0包含动压项，与流量Q0有直接关系，即：

2 神经网络结构

人工神经网络是模拟生物脑神经系统的信息处理机制建立起来的一种智能信息处理模型，具有很强的适应于复杂环境和多目标控制要求的自学习能力，并具有可以任意精度逼近任意非线性连续函数的特性，为非线性系统的辨识提供了一种有力的工具，同时也为计算机系统仿真建模提供了一种通用模式，而且神经网络本身就是一种数学模型，可作为实际系统的仿真实现。

神经网络以其拓扑结构的不同，可实现不同功能。目前，在神经网络的实际应用中，绝大部分模型是采用反向误差传播（Back-propagation，简称Bp）网络及其变化形式，它也是前向网络的核心。Bp网络是一种多层前馈型神经网络，其神经元的传递函数S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。

图2　Bp网络神经元的一般模型

图3　BP网络结构

图2给出一个基本的Bp神经元模型，它具有R个输入，每个输入都通过一个适当的权值w和下一层相连，网络输入可以表示为：

Bp前馈神经网络通常有一个或多个隐层，隐层中的神经元均采用S型传递函数，输出层的神经元采用线性传递函数。图3是一个典型的Bp网络结构，有一个隐层，隐层神经元数目为S，隐层采用S型神经元函数logsig（），具有R个输入。

Bp网络的算法如下。

假设三层Bp网络，输入节点xi，隐层节点yi，输出节点zi。输入节点与隐层节点间的网络权值为wj，隐层节点与输出节点间的网络权值为vlj。当输出节点的期望值为t1时，模型的计算公式如下：

隐层节点的输出：

输出节点的计算输出：

输出节点的误差：

3 静态网络模型建立

根据神经网络训练学习要求和轴流式风机的工作特点，建立轴流式风机静态神经网络模型，以个别特征量的变化预测风机运行状态。以同类型风机历史运行数据为样本，查取p0、Q0、I及β的数据样本，并由式（1）将p0换算为Pst0，为神经网络提供足够的训练样本，选取Pst0和β经过归一化处理后作为输入，流量p0、I作为输出，其网络模型如图4所示。

图4　神经网络模型

为提高模型精度和学习速率，该网络模型采用有动量的自适应学习速率梯度下降法，并根据风机的设计参数选择初始权值。

（1）学习算法

该算法公式为：

其中，m、n为常数，0

研究表明，有动量的自适应学习速率梯度下降法占用内存小，神经元个数变化对仿真运行影响不大，但初始权值的选取对误差收敛性的影响较大。

（2）初始权值

通常情况下采取比较法选取初始权值，训练时随机产生多个初始权值，选连后选择一个最佳值作为初始权值。研究发现，初始权值在输入累加时，使每个神经元的状态值接近于零，可以保证每个神经元在一开始就在它们激活函数变化最大的地方，这样能够加快收敛速度。

4 仿真实例

根据神经网络的建模思想，利用MATLAB仿真工具，对引风机A进行了参数仿真模拟。模型采用双曲正切S型（Tan-Sigmoid）和线性传输函数，训练函数采用有动量的自适应学习速率梯度下降法，最大训练次数50次，初始学习速率0.05，允许误差0.001，输入参数为引风机进出口烟气压力和出口烟气温度，输出参数为引风机烟气流量和电动机电流，建立轴流式风机仿真模型。

以230～300 MW负荷段引风机A的134组运行数据为训练样本，对该模型进行仿真训练，以经过训练的神经网络模型对一组数据进行仿真计算，并将仿真计算的结果与实际数据进行比对，结果如图5所示。

图5　仿真计算结果与实际数据比对结果

参考文献

［1］ 袁泉，姚斌．罗茨鼓风机选型中风量和风压计算方法的探讨［J］．风机技术，2006，（6）：23-26．

［2］ 聂志刚，黄发菁．大型干法烟气脱硫的引风机选型探讨［J］．电力建设，2005，（10）：59-61

［3］ 段成杰，孔林．湿法烟气脱硫工艺中增压风机的选型分析［J］．华电技术，2008，（7）：54-57．

［4］ 陈泗水．试论罗茨鼓风机的选型设计［J］．风机技术，1998，（2）：8-11．

［5］ 刘飞，吴克启．大型轴流风机来流条件对内流影响的数值分析［J］．工程热物理学报，2006，（6）：145-148．

［6］ 陈晗，任鹏，任永泉．离心式风机边界层流场计算［J］．石油化工设备，2008，（9）：51-52．

［7］ 陈慎宇，眭曦，王灿星．离心式通风机内部流场的数值模拟［J］．流体机械，2007，35（9）：22-24．

武广富：（1984-），男，工程师，硕士研究生，从事热力动力工程相关领域工作。

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

［作者简介］