基于物理信息神经网络的超临界燃煤发电机炉协调系统动态建模研究OA

【目的】建立准确、高效的动态模型是优化控制策略、提升燃煤发电机组运行灵活性的关键。【方法】提出一种基于物理信息神经网络的超超临界燃煤机组机炉协调系统动态建模方法,用于预测主蒸汽压力、汽水分离器出口蒸汽焓值及发电功率等关键参数。该方法以常规前馈神经网络为基本框架,通过将机炉能质转换基本动态规律以损失函数形式嵌入神经网络的学习架构,使神经网络在学习数据特征的同时满足基本物理规律,实现模型准确性、可解释性与泛化能力的提升。【结果】仿真结果表明,数据充足场景下,所提物理信息神经网络方法单步和多步预测的决定性系数(R2)指标均高于0.99;数据稀缺场景下,其仍能维持较高的预测精度,主蒸汽压力多步预测的均方根误差(RMSE)指标相对误差低于1%,汽水分离器出口蒸汽焓值与发电功率多步预测的均方根误差指标相对误差低于0.75%。数据充足和稀缺2种场景下所提物理信息神经网络方法的预测效果都显著优于传统神经网络方法,证明了所提建模方法的有效性和优越性。【结论】研究成果为燃煤机组机炉协调控制优化提供了高效可靠的建模新思路,对机组控制性能提升与灵活运行优化具有重要意义。