基于PSO-SVM的快速甩負(fù)荷工況下過熱蒸汽溫度預(yù)測建模

孫靈芳 董學(xué)曼 邢 宇 宮遠(yuǎn)洋

(東北電力大學(xué)自動化工程學(xué)院,吉林 吉林 132012)

基于PSO-SVM的快速甩負(fù)荷工況下過熱蒸汽溫度預(yù)測建模

孫靈芳 董學(xué)曼 邢 宇 宮遠(yuǎn)洋

(東北電力大學(xué)自動化工程學(xué)院,吉林 吉林 132012)

結(jié)合海防電廠300MW機(jī)組100%負(fù)荷下的快速甩負(fù)荷試驗(yàn)，采用粒子群優(yōu)化算法(PSO)對支持向量機(jī)(SVM)的參數(shù)進(jìn)行優(yōu)化，并建立PSO-SVM過熱蒸汽溫度預(yù)測模型。在分析試驗(yàn)時機(jī)組燃料量、高旁閥位開度及溫度等主要參數(shù)變化過程的基礎(chǔ)上，對過熱蒸汽溫度預(yù)測模型進(jìn)行仿真分析。結(jié)果表明：建立的PSO-SVM過熱蒸汽溫度模型具有較高的預(yù)測精度，能夠?qū)崿F(xiàn)快速甩負(fù)荷工況下過熱蒸汽溫度的預(yù)測，維持機(jī)組安全穩(wěn)定運(yùn)行。

過熱蒸汽溫度預(yù)測 火電300MW機(jī)組 快速甩負(fù)荷工況 PSO-SVM算法 建模

快速甩負(fù)荷(Fast Cut Back,FCB)工況是火電機(jī)組最惡劣的一種工況，會引起機(jī)組各主要運(yùn)行參數(shù)(如過熱蒸汽溫度、主汽壓力及汽包水位等)的劇烈波動。過熱蒸汽溫度是鍋爐運(yùn)行中一個重要的參數(shù)，若汽溫過高，則易燒壞過熱器，嚴(yán)重影響機(jī)組安全運(yùn)行；若汽溫過低，則影響全廠熱效率，引起汽輪機(jī)末級蒸汽濕度增加，嚴(yán)重影響汽輪機(jī)安全運(yùn)行[1～3]。一般地，過熱蒸汽溫度暫時偏差不允許超過±10℃，長期偏差不允許超過±5℃。為了充分了解FCB工況下鍋爐的運(yùn)行狀態(tài)，維持機(jī)組安全穩(wěn)定運(yùn)行，對FCB工況下過熱蒸汽溫度進(jìn)行精準(zhǔn)預(yù)測是十分必要的。

隨著智能算法的研究和發(fā)展，神經(jīng)網(wǎng)絡(luò)及模糊神經(jīng)等非線性系統(tǒng)模型不斷被應(yīng)用到溫度預(yù)測中。文獻(xiàn)[4]基于現(xiàn)場數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)對過熱器進(jìn)行了建模；文獻(xiàn)[5]提出一種基于粗糙集理論的RBF神經(jīng)網(wǎng)絡(luò)，用于構(gòu)造過熱汽溫模型。但神經(jīng)網(wǎng)絡(luò)自身存在在訓(xùn)練過程中易陷入局部極值、采用的經(jīng)驗(yàn)風(fēng)險最小化準(zhǔn)則泛化能力不強(qiáng)及無法控制其收斂速度等缺陷[6]。

支持向量機(jī)(Support Vector Machines,SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)的機(jī)器學(xué)習(xí)方法，與BP網(wǎng)絡(luò)相比具有良好的泛化能力和非線性辨識能力，適用于解決小樣本、大滯后及強(qiáng)耦合等實(shí)際問題[7]，但SVM需要選擇最優(yōu)參數(shù)以提高其學(xué)習(xí)和泛化能力。粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是一種基于群體智能的尋優(yōu)算法，可利用其全局搜索功能對模型參數(shù)進(jìn)行優(yōu)化[8]。在此，筆者利用 PSO優(yōu)化SVM中的參數(shù)，建立2×300MW亞臨界燃煤機(jī)組鍋爐過熱蒸汽溫度預(yù)測模型，以避免人為選擇參數(shù)帶來的誤差，從而提高預(yù)測模型的訓(xùn)練速度和推廣能力。

SVM通過非線性變換將訓(xùn)練數(shù)據(jù)集從輸入空間X映射到高維特征空間，構(gòu)造出最優(yōu)決策函數(shù)，并找到一個原空間的核函數(shù)取代高維空間的點(diǎn)積運(yùn)算，最后獲得全局最優(yōu)解[9,10]。

給定數(shù)據(jù)集T={(xi,yi),i=1,…,l}∈(Rn×R)，則SVR函數(shù)為：

y=ω1φ(x)+b

(1)

式中b——閾值；

ω1——最優(yōu)超平面的權(quán)系數(shù)。

利用不敏感損失函數(shù)將回歸函數(shù)轉(zhuǎn)換為原始最優(yōu)化問題：

(2)

s.t.ω1φ(xi)+b-yi≤ε+ξi

式中C——懲罰因子；

ε——精度；

通過引入Lagrange函數(shù)構(gòu)造并求解凸二次規(guī)劃問題：

(3)

(4)

2 PSO

PSO最早是在1995年由Kennedy J提出的[11]。PSO是從生物種群行為特征中得到啟發(fā)并用于求解優(yōu)化問題的。算法中每個粒子代表優(yōu)化問題的一個解，每個粒子以一定的速度飛行，粒子的優(yōu)劣由適應(yīng)度函數(shù)決定的適應(yīng)度值來衡量。粒子的速度決定粒子移動的方向和距離，粒子根據(jù)自己和其他粒子的飛行經(jīng)驗(yàn)不斷地更新速度，并向種群中最好的粒子位置飛行，從而實(shí)現(xiàn)個體在可解空間中的尋優(yōu)。

假設(shè)在D維搜索空間中，由n個粒子組成種群X=(X1,X2,…,Xn)，其中第i個粒子的D維向量Xi=(Xi1,Xi2,…,XiD)T代表第i個粒子在D維搜索空間中的位置，也代表問題的一個潛在解。根據(jù)目標(biāo)函數(shù)即可計(jì)算出每個粒子位置Xi對應(yīng)的適應(yīng)度值。第i個粒子的速度Vi=(Vi1,Vi2,…,ViD)T,其個體極值Pi=(Pi1,Pi2,…,PiD)T，種群的群體極值Pg=(Pg1,Pg2,…,PgD)T。

每次迭代過程中，粒子通過個體極值和群體極值更新自身的速度和位置，即：

(5)

(6)

式中c1、c2——加速度因子，為非負(fù)常數(shù)；

k——當(dāng)前迭代次數(shù)；

Pgd——種群極值；

Pid——個體極值；

r1、r2——分布于[0,1]的隨機(jī)數(shù)；

Vid——粒子速度；

Xid——個體向量；

ω2——慣性權(quán)重。

為防止粒子盲目搜索，一般將其位置和速度限制在一定的區(qū)間上。

3 基于PSO-SVM的過熱蒸汽溫度預(yù)測模型

3.1機(jī)組設(shè)備配置

越南海防2×300MW亞臨界燃煤機(jī)組鍋爐為自然循環(huán)，W型火焰燃燒方式，尾部雙煙道結(jié)構(gòu)，采用擋板調(diào)節(jié)再熱汽溫，全懸吊、平衡通風(fēng)的汽包鍋爐。汽輪機(jī)型式為亞臨界、一次中間再熱、三缸雙排汽、凝汽型反動式。汽輪機(jī)的高中壓缸各設(shè)置4個調(diào)節(jié)閥和兩個控制閥，設(shè)置3臺電動給水泵。最大連續(xù)蒸發(fā)量(Maximum Continuous Rating,MCR)工況下最大連續(xù)功率為315MW。發(fā)電機(jī)為雙極型三相同步發(fā)電機(jī)，采用星型接線，靜態(tài)勵磁。本機(jī)組采用60%BMCR容量高壓旁路、2×60%BMCR容量低壓兩級串聯(lián)旁路系統(tǒng)。

3.2FCB試驗(yàn)時機(jī)組主要參數(shù)的變化

機(jī)組100%負(fù)荷FCB試驗(yàn)前，機(jī)組負(fù)荷為305MW，斷開發(fā)電機(jī)出口開關(guān)觸發(fā)FCB，機(jī)組快速甩負(fù)荷至帶廠用電(功率16MW)運(yùn)行，之后機(jī)組重新并網(wǎng)。機(jī)組100%負(fù)荷FCB試驗(yàn)中主要運(yùn)行參數(shù)變化如圖1所示。在發(fā)電機(jī)脫網(wǎng)后OPC動作，主汽閥門和所有調(diào)節(jié)閥快速關(guān)閉，所有抽汽逆止閥關(guān)閉，然后調(diào)節(jié)閥再逐漸開啟，汽輪機(jī)高壓缸調(diào)節(jié)閥最后穩(wěn)定在17%，中壓缸調(diào)節(jié)閥穩(wěn)定在10%，汽輪機(jī)轉(zhuǎn)速由3 020r/min飛升至最高的3 146r/min，最后穩(wěn)定在3 000r/min。

圖1 機(jī)組100%負(fù)荷FCB試驗(yàn)中各主要參數(shù)變化

FCB試驗(yàn)過程中，主汽壓力由16.2MPa最高飛升至17.0MPa，為了防止其大幅度飛升將高旁閥門快速全開，應(yīng)隨著主汽壓力的逐步減小，將高旁閥門關(guān)至20%，最后將主汽壓力穩(wěn)定在16.0MPa，使高旁減溫調(diào)節(jié)閥隨著高旁閥門的開啟而快速開啟。FCB動作后機(jī)爐協(xié)調(diào)控制切換為基本控制方式，燃料主控切換為手動控制方式，送風(fēng)、引風(fēng)機(jī)保持在自動控制方式，總?cè)剂狭坑?0t/h降至20t/h，總風(fēng)量隨著燃料量的減少而減少，爐膛負(fù)壓波動至-700Pa左右。試驗(yàn)中，汽包水位波動較劇烈，最高升至90mm，最低降至-180mm。同時，過熱蒸汽溫度由530℃最低降至460℃，再熱蒸汽溫度由537℃最低降至520℃后基本穩(wěn)定。

3.3建模數(shù)據(jù)預(yù)處理

從汽包出來的蒸汽，經(jīng)過鍋爐煙道中的過熱器同高溫?zé)煔膺M(jìn)行熱交換，在過熱器出口得到的蒸汽溫度被稱為過熱蒸汽溫度。機(jī)組FCB動作，為了適應(yīng)負(fù)荷的變化，機(jī)組需進(jìn)行一系列動作，如減少燃料量及開啟旁路等，如此會使過熱蒸汽溫度迅速降低。因此，F(xiàn)CB動作時影響過熱蒸汽溫度變化的因素有很多，如主蒸汽流量變化、爐膛燃燒工況變化、鍋爐給水流量變化、溫度變化及流經(jīng)過熱器的煙氣溫度和流速變化等[12]。通過對海防電廠300MW機(jī)組在100%負(fù)荷FCB工況下運(yùn)行機(jī)理的分析，確定建模過程中的主要影響因素有機(jī)組負(fù)荷、主汽壓、主蒸汽流量、給水流量、給水溫度、總風(fēng)量、總?cè)紵亢椭虚g點(diǎn)溫度。筆者選取FCB過程中的120組實(shí)際運(yùn)行數(shù)據(jù)，其中95組數(shù)據(jù)進(jìn)行訓(xùn)練，25組數(shù)據(jù)進(jìn)行測試。為了消除各維數(shù)據(jù)間不同量綱給建模帶來的誤差，統(tǒng)一對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行歸一化處理。

3.4PSO-SVM 預(yù)測模型

建立SVM的過熱蒸汽溫度預(yù)測模型，選擇核函數(shù)為高斯徑向基核函數(shù)，其中懲罰因子C與核參數(shù)σ的取值直接決定模型的預(yù)測精度。筆者采用PSO算法對懲罰因子C和核參數(shù)σ進(jìn)行優(yōu)化選擇，最終使模型的預(yù)測值與實(shí)際值的逼近程度達(dá)到預(yù)期目標(biāo)。PSO-SVM建模流程如圖2所示。

圖2 PSO-SVM建模流程

3.5PSO-SVM模型仿真與結(jié)果分析

建立基于PSO-SVM算法的FCB工況下過熱蒸汽溫度預(yù)測模型。采用Matlab編寫算法的運(yùn)行程序，設(shè)置 PSO-SVM 模型的參數(shù)如下：加速因子c1=1.5，c2=1.7；種群規(guī)模為20；迭代次數(shù)500次。通過PSO對懲罰因子C和核參數(shù)σ進(jìn)行優(yōu)化，最終選擇C=10.765，σ=0.23。訓(xùn)練樣本輸出擬合曲線如圖3所示，可見采用 PSO-SVM 算法進(jìn)行訓(xùn)練具有較高的擬合能力，證明了該算法的正確性。測試樣本輸出擬合曲線如圖4所示，將汽溫預(yù)測值與實(shí)際值相比，得到如圖5、6所示的測試樣本誤差和相對誤差曲線?？梢姕y試樣本的最大誤差為2.8℃，最大相對誤差為0.57%，證明該算法具有較好的泛化性。

圖3 訓(xùn)練樣本輸出擬合曲線

圖4 測試樣本輸出擬合曲線

圖5 測試值與實(shí)際值的誤差曲線

圖6 測試值與實(shí)際值的相對誤差曲線

分別采用SVM、PSO-SVM和BP算法對過熱蒸汽溫度進(jìn)行建模預(yù)測，3種算法的預(yù)測值與實(shí)際值對比曲線如圖7所示。可以看出，采用BP網(wǎng)絡(luò)預(yù)測時測試樣本最大誤差為10.6℃，最大相對誤差為1.70%；SVM預(yù)測測試樣本的最大誤差為6.2℃，最大相對誤差為1.20%。BP和SVM雖然具有一定的仿真預(yù)測能力，但從預(yù)測精度和擬合效果來看PSO-SVM算法優(yōu)于 BP和SVM。

圖7 3種算法的預(yù)測值與實(shí)際值對比曲線

4 結(jié)束語

筆者基于PSO和SVM，以海防電廠300MW機(jī)組在100%負(fù)荷FCB工況下的實(shí)際運(yùn)行數(shù)據(jù)為背景，對機(jī)組過熱蒸汽溫度進(jìn)行預(yù)測建模。仿真結(jié)果表明，利用PSO優(yōu)化SVM參數(shù)的方法對機(jī)組過熱蒸汽溫度進(jìn)行預(yù)測建模是可行、有效的，且模型具有較高的預(yù)測精度和較好的泛化性。能夠?qū)崿F(xiàn)對FCB工況下過熱蒸汽溫度預(yù)測的目的，幫助機(jī)組運(yùn)行人員更好地了解機(jī)組鍋爐的運(yùn)行狀態(tài)，維持機(jī)組安全穩(wěn)定運(yùn)行，進(jìn)而為機(jī)組在FCB工況下的溫度控制系統(tǒng)設(shè)計(jì)優(yōu)化奠定基礎(chǔ)。

[1] 王建國,孫靈芳,張利輝.電廠熱工過程自動控制[M].北京:中國電力出版社,2009.

[2] 張明.煤制天然氣項(xiàng)目甲烷化廢熱鍋爐系統(tǒng)的技術(shù)探討[J].化工機(jī)械，2012，39(2)：121～123，161.

[3] 宣進(jìn)，劉曉宇.循環(huán)流化床鍋爐吊掛管短期爆管原因分析[J].化工機(jī)械，2012，39(1)：91～95.

[4] 黃寶海,韓璞,葛忠真,等.基于現(xiàn)場數(shù)據(jù)的電站過熱器神經(jīng)網(wǎng)絡(luò)建模[J].華北電力大學(xué)學(xué)報,2008,35(2):66～69.

[5] 于紅霞.基于神經(jīng)網(wǎng)絡(luò)過熱汽溫模型辨識[J].鍋爐制造,2008,(4):66～68.

[6] Sun Z H,Sun Y X.Fuzzy Support Vector Machine for Regression Estimation[C].IEEE International Conference on Systems,Man and Cybernetics. Washington:IEEE,2003:3336～3341.

[7] Chen R,Liang C Y,Hong W C,et al.Forecasting Holiday Daily Tourist Flow Based on Seasonal Support Vector Regression with Adaptive Genetic Algorithm[J]. Applied Soft Computing,2015,26:435～443.

[8] 宋志宇,李俊杰.基于微粒群算法的大壩材料參數(shù)反分析研究[J].巖土力學(xué),2007,28(5):991～994.

[9] 劉瑞蘭,牟盛靜,蘇宏業(yè),等.基于支持向量機(jī)和粒子群算法的軟測量建模[J].控制理論與應(yīng)用,2006,23(6):895～899.

[10] 鄧乃揚(yáng),田英杰.支持向量機(jī)——理論、算法與拓展[M].北京:科學(xué)出版社,2009.

[11] Kennedy J，Eberhart R.Particle Swarm Optimization[J].IEEE International Conference on Neural Networks,1995, 4(8):1942～1948.

[12] 孫靈芳,邵萌萌,劉旭穎.基于改進(jìn)的BP算法的過熱汽溫建模[J].自動化技術(shù)與應(yīng)用,2010,29(4):1～3.

SuperheatedSteamTemperatureModelingBasedonPSO-SVMAlgorithmunderFCBCondition

SUN Ling-fang, DONG Xue-man, XING Yu, GONG Yuan-yang

(SchoolofAutomationEngineering,NortheastDianliUniversity,Jilin132012,China)

Combining with the FCB tests under a 300MW unit’s 100% load conditions in Haifang Power Plant, making use of PSO algorithm to optimize SVM parameters and to establish a PSO-SVM-based prediction model of the superheated steam was implemented. Having the changing process of main parameters like the unit’s fuel amount, valve opening and the temperature analyzed and the prediction model of the superheated steam temperature simulated shows that this PSO-SVM-based prediction model has higher accuracy in quickly predicting the superheated steam temperature under FCB conditions and it can maintain the unit’s safe and stable operation.

superheated steam temperature prediction, 300MW unit in thermal power plant, FCB condition, PSO-SVM algorithm, modeling

TH862+.3

A

1000-3932(2016)02-0159-05

2015-12-10(修改稿)