用于动态电力系统分析的蒸汽轮机模型的比较行为：多重分数阶与人工神经网络技术

这对日常用能为何重要

许多发电厂仍依赖蒸汽轮机发电——高压蒸汽冲过金属叶片使其旋转的装置。我们对这些轮机的理解与控制能力直接影响燃料消耗、电价，甚至影响机组检修和停机的频率。本研究提出了一个简单但关键的问题：是否可以构建更智能的数学与计算机模型，更忠实地反映蒸汽轮机的真实行为，从而让电厂运行得更高效、更可靠？

从沸水到旋转轴

蒸汽轮机将蒸汽的热能转化为驱动发电机的旋转动力。在许多工程研究中，轮机通常用较为简单的方程表示，这些方程把蒸汽进出口流量、压力变化与产生的功率联系起来。传统模型多假定轮机对变化即时响应，几乎不含对过去状态的“记忆”。作者首先回顾了一个标准方程，该方程将轮机内蒸汽质量的变化与入口和出口流量及压力联系起来。这个基本关系随后被用作更高级时间响应描述的骨架。

为机器的数学添加“记忆”

真实材料和流动的反应通常不仅取决于当前状态，还受过去一段时间发生情况的影响——类似于加热时间越长、煎锅冷却越慢的现象。为了捕捉这种历史依赖性，研究者使用了一类称为分数阶微积分的工具。他们不是只用常规导数，而是用四种不同类型的分数阶导数重构轮机方程，每种类型代表过去状态以不同方式影响现在。针对每种情况，他们利用两种强有力的变换方法推导出所谓的传递函数——将时间域方程转换为更易处理的代数形式，描述轮机输出对于输入扰动的响应。

教神经网络模仿轮机

仅靠方程并不能涵盖全部情形，尤其当有真实轮机数据可用时。因此团队构建了一个人工神经网络——一种受大脑神经元连接启发的计算模型——来学习轮机输出如何同时依赖若干关键量。这些量包括蒸汽压力、流量、运行时间，以及控制新模型中记忆效应强度的分数阶和“分形”参数。网络使用标准训练方法和常用激活函数，输入大量合成的工况与结果数据进行训练、验证与测试，以评估其对轮机输出/输入比率（动态性能度量）的预测能力。

比较结果揭示了什么

在获得分数阶方程与神经网络模型后，作者比较了不同建模选择在一系列压力、流量与运行时间下的行为。他们发现，当记忆强度（分数阶参数）较低时，轮机响应往往呈现强烈振荡——这表明稳态性较差。随着该参数增大，响应变得更平滑、更稳定。由“分形”参数引入的额外几何复杂性在较高压力下可导致不规则波动，提示在这些工况下轮机可能更难控制。总体而言，某些分数阶算子与变换技术的组合比传统的无记忆模型呈现出更有利、更稳定的响应。

更精准的预测与统一的视角

神经网络的表现为数学模型提供了现实检验。预测值与目标值之间的误差非常小，且在训练、验证与测试数据集上预测输出与目标高度一致。这表明分数阶模型与数据驱动神经网络的结合能在多种工况下高精度地跟踪轮机行为。当分数阶阶数退回到常规值时，所有先进模型都归约为经典轮机描述，表明新方法是对传统模型的扩展而非替代。通俗地说，赋予轮机模型“记忆”并用数据驱动的网络对其进行微调，可以为电厂运行者提供更可靠的工具，从现有设备中挤出更多的效率与稳定性。

引用: Abro, K.A., Souayeh, B. & Flah, A. Comparative behavior of steam turbine model for dynamical power system analyses by means of multiple fractional and artificial neural network techniques. Sci Rep 16, 10882 (2026). https://doi.org/10.1038/s41598-026-45449-6

关键词: 蒸汽轮机建模, 分数阶微积分, 神经网络, 发电厂动力学, 能源效率