基于非线性自回归神经网络和随机森林算法的核电汽轮机组出力优化

针对国内某核电站夏季工况出力不足的问题,提出一种基于非线性自回归神经网络和随机森林算法优化核电汽轮机组出力的方法。非线性自回归神经网络能实现季节性时间序列的准确预测;随机森林算法对异常值不敏感、具有较强的泛化能力,被广泛应用于分类和回归问题。文中应用非线性自回归神经网络建立海水温度时间序列预测模型,应用随机森林算法建立海水温度和电功率设定值对高压调节阀开度和热功率的影响关系的回归模型,将2个模型相结合,获得未来24h的电功率设定值优化曲线,机组运行人员可根据该优化曲线调整机组出力。通过该核电站的历史运行数据,验证了该方法的有效性,采用电功率设定值优化曲线设定机组出力,将在保证机组运行参数不超限的情况下,有效提升机组的夏季出力,提升机组经济性。

核电汽轮发电机组输出功率预测方法研究

采用先进的机器学习算法建立了机组运行重要状态参数的监测、时间序列预测和回归计算模型,开发了核电机组输出功率曲线优化软件。该软件在机组历史运行数据中提取特征参数,基于时间序列预测和随机森林算法建立计算模型,对采集的机组历史数据进行训练和回归计算,实现了核电机组运行参数状态的预测和超前预警,经上线测试验证在线监测功能正常并可获取未来12 h趋势预测,可为机组输出功率调整操作提供优化方案。