基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究

陈小强; 许仙珍; 蔡璐璐; 张江丰; 楼可炜

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究

热能科学研究 | 更新时间：2025-09-28

- 基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究
- GMDH neural network based predictive modeling and simulation for superheated steam temperature of 1000MW ultra-supercritical units
- 热力发电 2014年43卷第6期页码：102-107
- 作者机构：
  
  1. 国网浙江省电力公司电力科学研究院
  2. 浙江大学智能系统与控制研究所
  3. 安徽工程大学电气学院
- 作者简介：
- 基金信息：
- DOI：
  中图分类号： TP183;TK229.2
- 纸质出版日期：2014
- 稿件说明：
移动端阅览
陈小强, 许仙珍, 蔡璐璐, 等. 基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究[J]. 热力发电, 2014,43(6):102-107.

CHEN Xiaoqiang, XU Xianzhen, CAI Lulu, et al. GMDH neural network based predictive modeling and simulation for superheated steam temperature of 1000MW ultra-supercritical units[J]. Thermal power generation, 2014, 43(6): 102-107.
陈小强, 许仙珍, 蔡璐璐, 等. 基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究[J]. 热力发电, 2014,43(6):102-107. DOI：

CHEN Xiaoqiang, XU Xianzhen, CAI Lulu, et al. GMDH neural network based predictive modeling and simulation for superheated steam temperature of 1000MW ultra-supercritical units[J]. Thermal power generation, 2014, 43(6): 102-107. DOI：

摘要

由于超超临界1 000MW机组过热蒸汽温度控制对象具有大滞后、非线性、动态参数随工况变化大等特点

使得传统的控制方法难以适应过热蒸汽温度的控制

出现过热蒸汽温度波动大

甚至超温等问题。对此

采用数据处理群集方法(GMDH)神经网络建立了过热蒸汽温度动态预测模型

以预测过热蒸汽温度的变化趋势。仿真结果表明

基于GMDH神经网络的过热蒸汽温度预测效果优于线性神经网络和BP神经网络

具有较好的移植性和实用性。

Abstract

The superheated steam temperature(SST)of 1 000MW ultra-supercritical units has the characteristics of large time-delay

nonlinear and dynamic parameters heavily relying on the load.So the SST has a large fluctuation under the conventional control scheme

which causes over-temperature phenomenon frequently.In order to monitor the SST

the group method of data handling(GMDH)based prediction model was applied to predict the SST.The dynamic prediction model was established by taking previous inlet temperature and outlet temperature of the final superheater as input signal.The current outlet temperature was taken as expected signal

and the operational data was as training set.To verify the efficiency of the proposed prediction model

the line Network

BP and GMDH model were applied on the same operational data to get one-step-ahead prediction of the SST.The simulation results show that the GMDH model has a better predication than the others.

关键词

Keywords

references

浏览量

181

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

超超临界1000MW机组直流锅炉中间点温度建模

锅炉过热蒸汽温度动态预测PID控制算法

超超临界1000MW机组加热器对系统热耗率的影响

基于多任务不确定性损失的电站锅炉关键指标预测

一种预测煤灰粘温特性的数学模型