您当前的位置：首页>论文资料>热电厂汽轮机故障检修关键技术浅析
内容简介
2017年第10期 2017 No.10运行与维护
Operation And Mainternance
热电厂汽轮机故障检修关键技术浅析
吕家臣
（大唐洛阳热电有限责任公司，河南洛阳471039）
电力系统装备
Electric Power System Equipment
【摘要］在电厂机组运行过程中，汽轮机发挥着不可替代的作用，能够保证运行的安全与经济。而汽轮机的正确维修对于热电厂经济效益而言将产生极大的影响。在发电企业中，安全生产十分关键，必须在事故中积极地总结经验并吸取教训，对于降低一般事故与重大事故的客观性规律予以全面探究，合理地采用其有针对性的检修与防范措施，只有这样，才能够确保热电厂汽轮机设备的检修更加安全，并始终处于良性循环状态。基于此，本文将热电广汽轮机作为重点研究对象，阐速对其故障检修的关键技术，
【关键词】热电厂；汽轮机：故障检修：关键技术：浅析
【中图分类号】TK267
【文献标志码】A
【文章编号】1001-523X（2017）100132-02
BriefAnalysis ofKeyTechnology ofSteamTurbine
TroubleshootinginThermalPowerPlant
Lv Jia-chen
[ Abstract ] as we all know, steam turbine plays an irreplaceable role in the operation of power plant units, and it can guarantee the safety and economy of operation.The correct maintenance of the turbine will have a great impact on the economic benefits of the thermal eeaesaeeasaesoaseaaoa the corresponding lessons in the accident, to reduce accidents and the general rules of objectivity of major accidents to a comprehensive inquiry, reasonable use of targeted maintenance and preventive measures, the only way to ensure the maintenance of steam turbine in thermal power plant equipment more secure, and always in a virtuous circle.Based on this, the thermal power plant steam turbine as the key research object, expounds the key technology of troubleshooting
[Keywords ] thermal power plant : steam turbine ; troubleshooting ; key technology ; analysis
要确保热电厂汽轮机组运行的正常，就必须保证运行工作人员熟练掌握专业的技术知识，能够深入领悟各项操作调
大多数径向基函数满足可逆的条件，如高斯函数，因此输入与输出关系可表示为式（5)。
el-
y,-≥, exp
20
(5)
因此，着确定径向基函数的中心点C，则可确定隐含层的输出，此时网络输出与隐含层输出呈线性关系，极大地提高了训练速度并避免了局部最优缺陷，提高了拟合精度
综上所述，RBF神经网络的训骞谭治讲健５谝徊饺范ň断蚧闹行牡悖ü匝痉羌喽骄劾嗟玫剑旱诙酵ü喽椒椒ㄈ范ㄒ愕绞涑霾愕娜ㄖ稻卣螅赏ü�
梯度下降法求得。 4算例分析
选择青海省某风电场2016年运行数据进行算例分析，通过对风速日进行聚类的对比，验证本文算法的有效性。
首先对全年日风速进行无监督聚类，得到四类风速相似日，与青海省2016年晴/阴/雨/雪四种天气种类比较相符，然后采用径向基神经网络算法对2017年3月某日进行提前4h 的超短期风速预测，并与不经聚类的直接预测相比较，对比结果如图2所示。
18
16
12 10+
6SEEII
采样点数
超短期风速预测结果圈2
132|电力系统装备2017.10 万方数据
整与规程规定的本质。但同时，作为运行工作人员，也应当在实践过程中，对事故处理经验和教训予以积累以及全面总
图2中，实线为实际风速，虚线与点线分别为无聚类法和聚类法。按最广泛应用的方均根误差统计，无聚类法误差 14.37%，聚类法误差9.89%，较前者提高精度4.48%。因此，
对风电进行风速相似日聚类能够提高风速预测精度。 5结束语
本章提出了基于聚类的小波包-神经网络风速预测算法，通过对历史数据进行连续时间段无监督聚类和小波包分解，增强了建模数据的规律性、提高了神经网络建模的精度，从而提高了风速预测精度。采用海南省某风电场2016年历史数据进行数据预处理并建模，通过对2017年3月某日进行短期/ 超短期风速预测并与两种方法对比，验证了本文所提算法的有效性。
参考文献
[1]李俊峰，中国风电发展报告2012[R].北京：中国环境科学出版社， 2012.
[2]李俊峰等.中国风电发展报告2013[R].北京市：中国资源综合利用
协会可再生能源专业委员会，2013.
[3]连文莉，黄成辰，吕昌需，采用时间序列预测风电场出力[].电网
与清洁能源，2011，27（12）：112-117.
[4]范高锋，王伟胜，刘纯.基于人工神经网络的风电功率短期预测系统[J].电网技术，2008（22）：72-76
[5]师洪涛，杨静玲，丁茂生，基于小波BP神经阿络的短期风电功率预测方法[J].电力系统自动化，2011，35（16）：44-48
[6]王丽婕，冬雷，廖晓钟，等.基于小波分析的风电场短期发电功率预测[].中国电机工程学报，2009，29（28）：30-33.