一種調控冷卻塔出水溫度的方法
【技術領域】
[0001]本發明涉及冷卻塔領域，具體涉及一種調控冷卻塔出水溫度的方法。
【背景技術】
[0002]冷卻塔是發電廠生產發電過程中重要的傳熱傳質設備，其作用是通過熱質交換，將高溫冷卻水的熱量散入大氣中，將循環冷卻水的溫度降低。其冷卻水作用主要靠冷熱兩股流體在塔內混合接觸，借助兩股流體間的水蒸汽分壓力差，使熱流體部分蒸發并自身冷卻。
[0003]雙曲線自然通風冷卻塔的組成可分為塔筒結構和淋水裝置兩大部分。塔筒結構包括冷卻塔貯水池、斜支柱(冷卻塔進風口)、通風筒等；淋水裝置包括配水管和配水槽、噴濺裝置、淋水填料、除水器等。
[0004]冷卻塔的冷卻水溫度的變化完全依靠自然溫度、風速、大氣壓力所決定，在夏季冷卻水的實際溫度與設計的最佳溫度相差較大，經常出現冷卻塔出水溫度過大達不到要求的情況。
【發明內容】
[0005]為了解決現有技術中冷卻塔出水溫度過高的問題，本發明提供一種調控冷卻塔出水溫度的方法。
[0006]本發明的技術方案是:一種調控冷卻塔出水溫度的方法，該方法包括:
步驟一、檢測冷卻塔的出水溫度；
步驟二、利用遺傳優化的BP神經網絡模型對出水溫度數據進行處理；
步驟三、遺傳優化的BP神經網絡模型同時處理冷卻塔監測數據；
步驟四、網絡模型分析處理后的數據；
步驟五，輸出故障類型。
[0007]所述步驟二和三中的遺傳優化BP神經網絡模型中利用了遺傳優化BP神經網絡算法，該算法分為三部分:確定BP神經網絡結構，遺傳算法優化權值和閾值，BP神經網絡訓練及預測。
[0008]遺傳算法包括:
A.計算適應度；
B.選擇染色體進行復制；
C.交叉、變異過程；
D.產生新群體；
E.判斷是否滿足終止條件；
F.滿足終止條件則結束，不滿足則返回步驟A。
[0009]所述步驟三中的溫度傳感器檢測冷卻塔進出水溫度、室外的濕球溫度，水流量傳感器檢測冷卻塔布水管，轉速傳感器檢測冷卻塔風機轉速，風量傳感器檢測冷卻塔通風口的風量。
[0010]本發明有如下積極效果:本發明提供的調控冷卻塔出水溫度的方法，能夠實時檢測冷卻塔出水溫度，傳感器數據均經過算法處理篩選，刪除由于偶然因素產生的不穩定數據，現有技術中的不穩定數據經常會引發冷卻塔系統發出警報，而本發明中的傳感器數據經過處理后刪除不穩定數據就不會發生冷卻塔系統的誤報警情況。本發明中使用的基于遺傳優化BP神經網絡算法的模型，結合了遺傳算法和BP神經網絡的優點，簡單、適用、魯棒性強而且可以在在復雜而龐大的搜索空間中尋找最優或準最優數據解。同時本發明對冷卻塔各個部件的監測，可以準確檢測出出水溫度不正常的原因，并提供解決方案供檢測員參考和使用。
【附圖說明】
[0011]圖1是本發明中的調控冷卻塔出水溫度方法的工作流程圖；
圖2是本發明中的遺傳算法優化的BP神經網絡的流程圖；
圖3是本發明中的神經網絡算法的流程圖。
【具體實施方式】
[0012]下面對照附圖，通過對實施例的描述，本發明的【具體實施方式】如所涉及的各構件的形狀、構造、各部分之間的相互位置及連接關系、各部分的作用及工作原理、制造工藝及操作使用方法等，作進一步詳細的說明，以幫助本領域技術人員對本發明的發明構思、技術方案有更完整、準確和深入的理解。
[0013]一種調控冷卻塔出水溫度的方法，能夠實時檢測冷卻塔出水溫度，傳感器數據均經過算法處理篩選，刪除由于偶然因素產生的不穩定數據避免了誤報警的情況發生，同時對冷卻塔各個部件的監測，可以準確檢測出出水溫度不正常的原因，并提供解決方案供檢測員參考和使用。如圖1所示，該方法步驟包括:
SOl步驟一、檢測冷卻塔的出水溫度。溫度傳感器安裝在冷卻塔的出水口處，對冷卻塔的出水溫度進行實時監測，并發送到遺傳優化BP神經網絡模型進行數據處理和篩選。刪除由于偶然因素產生的不穩定數據，現有技術中的不穩定數據經常會引發冷卻塔系統發出警報。
[0014]S02步驟二、利用遺傳優化BP神經網絡模型對出水溫度數據進行處理，得到最佳的溫度測量數據，以便準確的進行下步步驟，避免了傳感器實時發送數據由于偶然誤差引起的數據差異和誤報警情況，而本發明中的傳感器數據經過算法處理后不會發生誤報警的情況。
[0015]首先對溫度數據進行預處理，預處理是對傳感器測得的數據進行歸一化處理，歸一化可以加快訓練網絡的收斂性，歸一化的具體作用是歸納統一樣本的統計分布性。無論是為了建模還是為了計算，首先基本度量單位要同一，方便下面遺傳BP神經網絡算法的使用。
[0016]遺傳BP神經網絡算法主要分為三部分:確定BP神經網絡結構；遺傳算法優化權值和閾值；BP神經網絡訓練及預測。其流程如圖2、圖3所示，首先確定神經網絡的拓撲結構，然后對神經網絡的權值和閾值進行編碼得到初始種群，經過神經網絡算法部分處理后進入遺傳算法處理部分，在遺傳算法中產生的新群體不能滿足終止條件時繼續從神經網絡算法部分運行，如果滿足終止條件則進行解碼處理得到最佳神經網絡權值和閾值。
[0017]遺傳優化BP神經網絡算法中的神經網絡部分流程圖如圖3所示，對神經網絡權值和閾值編碼得到初始種群后，解碼得到權值和閾值，將權值和閾值賦給新建的BP網絡，使用訓練樣本訓練網絡，而后使用測試樣本測試網絡，最后進行測試誤差，繼續進入遺傳算法流程中。網絡訓練是一個不斷修正權值和闌值的過程，通過訓練，使得網絡的輸出誤差越來越小。
[0018]BP神經網絡的學習算法是基于梯度下降的，因此容易局部極小值，同時存在收斂速度慢及網絡參數和訓練參數難以確定等缺點。遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的搜索算法，它能在復雜而龐大的搜索空間中尋找最優或準最優解，且有算法簡單、適用、魯棒性強等優點，它的應用目前很成熟。基于BP神經網絡和遺傳算法的優缺點，把二者結合起來使它們的優缺點互補，有很大的進步。
[0019]BP神經網絡結構是拓撲結構，是根據樣本的輸入/輸出參數個數確定的，這樣就可以確定遺傳算法優化參數的個數，從而確定種群個體的編碼長度