潘秉超，王文歡，潘衛(wèi)國，何明福

(上海電力學院能源與機械工程學院，上海 200090)

1 支持向量機算法簡介

1.1 基本結(jié)構(gòu)

SVM方法是統(tǒng)計學習理論的一種通用學習方法，是一種很有潛力的數(shù)據(jù)分類和回歸工具.該算法［9］的目的是建立待測變量與其他一些可測或易測的過程變量之間的關(guān)系，通過對可測變量的檢測、變換和計算，間接得到待測變量的估計值.軟測量模型的輸出可作為過程控制系統(tǒng)狀態(tài)變量或輸出變量的估計值，送入控制裝置，參與反饋控制.通過SVM軟測量模型對待測變量進行最優(yōu)估計，將估計值作為控制系統(tǒng)的反饋變量，參與對控制對象的控制，這樣，SVM軟測量模型就可以看成一個非線性映射，而不必關(guān)心對象的具體結(jié)構(gòu)以及機理.基于LS-SVM的軟測量模型屬于黑盒子一類的模型，只關(guān)心對象的輸入與輸出，而不關(guān)心對象的具體結(jié)構(gòu)，輸入與輸出的映射關(guān)系由最小二乘支持向量機來完成.其基本結(jié)構(gòu)如圖1所示.

圖1 LS-SVM軟測量模型結(jié)構(gòu)

1.2 LS-SVM 算法

LS-SVM 算法的目標函數(shù)為［10］:

式中:ei——誤差變量;

γ——可調(diào)函數(shù)，又稱正規(guī)化參數(shù).

式中:ω——權(quán)矢量;

b——偏差量.

其Lagrange函數(shù)為:

式中:αi——拉格朗日乘子.

化學實驗能力作為學生的一種特殊心理能力，它的形成和發(fā)展以一定的化學實驗知識為基礎(chǔ)，經(jīng)歷由簡單到復雜、由低級到高級的過程，符合思維心理學的要求。本文以思維心理學為理論依據(jù)，以思維品質(zhì)為突破口，建構(gòu)化學實驗能力體系。

求解的優(yōu)化問題可轉(zhuǎn)化為求解線性方程，即:

軟測量的模型為:

等式約束將求解優(yōu)化問題轉(zhuǎn)化成求解線性方程，優(yōu)化問題用線性方程求解顯然可以大大減少算法的復雜度.其建模過程需要選取正確的正規(guī)化參數(shù)集和核函數(shù)，常用的核函數(shù)有以下3個:

(1)線性核，K(x，y)=x·y;

(2)多項式核，K(x，y)=(x·y+1)d(d 為多項式核的階次);

(3)RBF 核，K(x，y)=exp［－(x－ y)2/2σ2］(σ為核函數(shù)寬度參數(shù))，而最小二乘支持向量機的函數(shù)估計精度和收斂速度受(γ，σ)選擇的影響［11-13］.

2 SVM在電廠中的具體應(yīng)用

2.1 在電廠運行優(yōu)化中的應(yīng)用

飛灰含碳量和鍋爐入爐煤質(zhì)都是影響鍋爐燃燒效率的重要指標，對機組的經(jīng)濟和安全運行有著重要的影響.目前，電站鍋爐飛灰含碳量的在線測量大都采用在鍋爐水平煙道上安裝微波測碳儀來實現(xiàn)，但該方法在技術(shù)及保養(yǎng)維修方面均存在問題.張貴煒等人［14］引入最小二乘支持向量機算法，對河北邯鄲熱電股份有限公司的鍋爐進行了分析，采集了近一個月的數(shù)據(jù)進行模型驗證和分析，為火電廠實時監(jiān)測飛灰含碳量提供了一種新的有效的測量手段.范誠豪等人［15］根據(jù)現(xiàn)場鍋爐運行數(shù)據(jù)，用支持向量機方法對入爐煤質(zhì)進行預測，并將結(jié)果與基于煙氣信息與工業(yè)分析的機理模型推導得出的入爐煤質(zhì)數(shù)據(jù)進行對比分析，結(jié)果表明，支持向量機預測模型的精度能夠滿足工程實際應(yīng)用.

煙氣含氧量可以通過電廠實時數(shù)據(jù)測得，但運行中熱力參數(shù)波動會影響最終鍋爐效率的計算精度.目前一種可行的方法是引入支持向量機進行模型的回歸預測，以提高實測數(shù)據(jù)的準確性.熊志化等人［16］提出了一種基于支持向量機的煙氣含氧量的軟測量建模方法;張炎欣等人［17］提出了一種基于即時學習策略的改進支持向量機預測建模方法;而王宏志等人［18］則通過粒子群算法(PSO)進行參數(shù)優(yōu)化后再進行支持向量機的預測建模.3種方法都能滿足鍋爐燃燒過程中煙氣含氧量預測的實時性要求，為火電廠的安全和經(jīng)濟運行提供了強有力的保障.

在分析系統(tǒng)流程的基礎(chǔ)上，本文從某電廠600 MW機組DCS數(shù)據(jù)中選取主蒸汽流量、入爐煤量、排煙溫度、送風量、送風機電流、引風量、引風機電流共7組屬性作為二次變量，其中100組數(shù)據(jù)作為訓練集，20組數(shù)據(jù)作為測試集，使用支持向量機方法對其進行回歸建模，得到的結(jié)果如圖2所示.

圖2 實際和預測的煙氣含氧量對比

通過計算可得到這20組數(shù)據(jù)最小絕對誤差為0.177%，最大絕對誤差為20.67%，而平均絕對誤差為9.403%.實驗結(jié)果證明了支持向量機方法用來預測煙氣含氧量的能力，模型得到的結(jié)果令人滿意.

同時，周建新、王雷等人［19-21］在主蒸汽流量和汽機熱耗率建模中也使用了支持向量回歸算法，為實際生產(chǎn)過程提供了一種新的測量方法.

2.2 在電廠清潔生產(chǎn)中的應(yīng)用

目前，我國的污染物排放量很大，大氣污染相當嚴重，而電廠向大氣排放的煙氣就是一個不可忽視的污染源.如何減少NOx和SO2的排放量是電廠一直以來所要面對的重要難題.周建國和王春林等人［22，23］對不同工況下的 NOx排放進行了支持向量機的預測，從理論上保證了模型的泛化能力，具有更加可靠的推廣性.洪文鵬等人［24］采用支持向量機模型，預測了氨法煙氣脫硫裝置的脫硫效率，較好地解決了復雜的非線性模型的預測，提高了在實際工程中實時監(jiān)測方面的準確性.同時，王雷等人［25］提出采用支持向量回歸時間序列預測法來預測凝汽器清潔系數(shù)，該指標反映了凝汽器水側(cè)管壁的臟污程度，直接關(guān)系到凝汽器傳熱性能的好壞.在電廠化學水處理結(jié)垢量的研究方面，何兆云［26］通過預測模型迭代預算找出成垢的規(guī)律性，從而為發(fā)電廠的安全穩(wěn)定運行提供了數(shù)據(jù)支持.此外，徐志明等人［27］將燃煤鍋爐受熱面結(jié)渣程度的預測問題轉(zhuǎn)化為一個函數(shù)估計問題，利用非線性支持向量回歸機方法進行燃煤結(jié)渣預測，為鍋爐安全性與經(jīng)濟性運行提供了可靠的技術(shù)依據(jù).

2.3 在電廠故障診斷及其他方面的應(yīng)用

由于設(shè)備結(jié)構(gòu)的復雜性和運行環(huán)境的特殊性，汽輪機在電力生產(chǎn)中的故障率較高，因此對機組進行故障診斷是保證其穩(wěn)定安全運行的重要前提.汽輪機常見的故障有:轉(zhuǎn)子質(zhì)量不平衡;轉(zhuǎn)子動靜碰磨;裂紋;油膜渦動;油膜振蕩等［28］.司娟寧等人［29］通過主要成分分析法進行數(shù)據(jù)降維和特征提取后，利用支持向量機對樣本進行測試分類，正確且有效地診斷了多類汽輪機故障.宮喚春［30］對凝汽式汽輪機的凝汽設(shè)備故障診斷進行仿真，證明了基于支持向量機診斷的準確性和快速性，為汽輪機故障診斷的發(fā)展提供了一個新的思路.

此外，劉定平等人［31］將支持向量機和遺傳算法應(yīng)用于電廠制粉系統(tǒng)的優(yōu)化控制，對已經(jīng)使用支持向量機訓練后的制粉單耗模型進行遺傳算法的系統(tǒng)優(yōu)化，克服了最小二乘支持向量機建立的模型所存在的高度非線性特性的缺陷，提供了一套節(jié)能降耗的火電廠制粉系統(tǒng)優(yōu)化調(diào)整方案.

3 結(jié)語

本文主要介紹了支持向量機方法在火電廠中的應(yīng)用現(xiàn)狀，同時將電廠煙氣含氧量作為目標值對其進行建模預測，得到的最終預測模型滿足了在線診斷的需要，用實驗驗證了SVM算法在電廠軟測量方面的可靠性，對實現(xiàn)火電廠運行優(yōu)化和清潔生產(chǎn)具有重要意義.

目前，SVM算法在電廠各個領(lǐng)域中展現(xiàn)出良好的應(yīng)用前景，我們相信SVM的應(yīng)用研究還有很大的潛力可挖，如果將其與其他算法(如神經(jīng)網(wǎng)絡(luò)、遺傳算法)結(jié)合起來研究，最終會得到比較準確的預測模型，從而為電廠的DCS系統(tǒng)數(shù)據(jù)的有效挖掘提供依據(jù).

［1］VAPNIK V.The nature of statistical learning theory［M］.New York:Springer Verlag，1999:211-219.

［2］SYUKENS Jak，VANDEWALLDE J.Least squares support vector machine classifiers［J］.Neural Processing Letters，1999，9(3):293-300.

［3］SUYKENS Johan A K， VAN GESTEL Tony， De BRABANTER Jos.Least squares support vector machines［M］.World Scientific，2002:147-155.

［4］LAVABYA S，ARYA S S.An approach for measuring semantic similarity between words using SVM and LS-SVM［C］∥Proceeding of International Conference on Computer Communication and Informatics(ICCCI)，Coimbatore，2012:1-4.

［5］顧燕萍，趙文杰，吳占松.最小二乘支持向量機的算法研究［J］.清華大學學報:自然科學版，2010，50(7):1 063-1 066.

［6］SANGITAB Patil，DESHMUKH Surekha R.Use of support vector machine for wind speed prediction［C］∥Proceeding of International Conference on Power and Energy Systems(ICPS)，Chennai，2011:1-8.

［7］LYDIA M，KUMAR S Suresh.A comprehensive overview on wind power forecasting［C］∥Proceeding of IPEC Conference，Coimbatore，2011:268-273.

［8］徐金良，陳五星，唐耀陽.基于粗糙集理論和支持向量機算法的核電廠故障診斷方法［J］.核動力工程，2009，30(4):52-54.

［9］BRAUN Andreas Ch，WEIDNER Uwe，HINZ Stefan.Support vector machines，import vector machines and relevance vector machines for eyperspectral classification-a Comparison［J］.The Journal of Machine Learning Research，2011，6(3):101-120.

［11］吳東垠，盛宏至.燃煤鍋爐制粉系統(tǒng)的優(yōu)化運行試驗［J］.中國電機工程學報，2004，24(12):218-221.

［12］KAHRAMAN F，CAPAR A.Comparison of SVM and ANN performance for handwritten character classification［C］//Proceedings of the IEEE 12th Conference，2004:615-618.

［13］DEB K，AGRAWAL S，PRATAP A，et al.A fast elitist nondominated sorting genetic algorithm for multi-objective optimization［C］//Proceedings of IEEE Transactions on Evolutionary Computation，2002，6(2):182-197.

［14］張貴煒，鮑琳，李奇?zhèn)?一種實用的火電廠飛灰含碳量軟測量建模方法［J］.自動化與儀器儀表，2010(6):112-115.

［15］范誠豪，韋紅旗.基于支持向量機的鍋爐煤質(zhì)預測模型［J］.華東電力，2008，36(10):123-127.

［16］熊志化，邵惠鶴，張衛(wèi)慶.基于支持向量機的火電廠煙氣含氧量軟測量［J］.測控技術(shù)，2004，23(8):15-16.

［17］張炎欣，張航，王偉.基于即時學習策略的火電廠煙氣含氧量軟測量［J］.裝備制造技術(shù)，2010(4):47-51.

［18］王宏志，陳帥，侍洪波.基于最小二乘支持向量機和PSO算法的電廠煙氣含氧量軟測量［J］.熱力發(fā)電，2008，37(3):35-38.

［19］周建新，王雷，吳海姬，等.基于支持向量回歸的大容量機組主蒸汽流量建模［J］.熱能動力工程，2008，23(2):122-126.

［20］王雷，張欣剛，王洪躍，等.基于支持向量回歸算法的汽輪機熱耗率模型［J］.動力工程，2007，27(1):19-23.

［21］王雷，張瑞青，肖增弘，等.基于SVM的主蒸汽流量回歸估計［J］.華東電力，2008，36(12):89-92.

［22］ZHOU Jianguo，AN Yuanyuan.Forecasting NOxemissions in power plant using rough set and QGA-based SVM［C］∥Proceedings of 3rd International Conference on Advanced Computer Theory and Engineering(ICACTE)，2010(4):553-556.

［23］王春林，周昊，李國，等.大型電廠鍋爐NOx排放特性的支持向量機模型［J］.浙江大學學報:工學版，2006，40(10):1 787-1 791.

［24］洪文鵬，劉廣林.基于最小二乘支持向量機的氨法煙氣脫硫裝置脫硫效率預測［J］.動力工程學報，2011，31(11):846-850.

［25］王雷，徐志皋，司風琪.基于支持向量回歸的凝汽器清潔系數(shù)時間序列預測［J］.中國電機工程學報，2007，27(14):62-66.

［26］何兆云.基于支持向量機的電廠化學水處理結(jié)垢量預測研究［J］.能源與環(huán)境，2008(31):129.

［27］徐志明，文孝強，孫媛媛，等.基于最小二乘支持向量回歸機的燃煤鍋爐結(jié)渣特性預測［J］.中國電機工程學報，2009，29(17):8-12.

［28］韓璞.火電廠計算機監(jiān)控與檢測［M］.北京:中國水利出版社，2005:379-413.

［29］司娟寧，劉金園，董澤，等.基于主成分分析與支持向量機的汽輪機故障診斷［J］.汽輪機技術(shù)，2011，53(2):139-142.

［30］宮喚春.基于支持向量機的凝汽器故障診斷研究［J］.熱力透平，2009，38(1):57-60.

［31］劉定平，肖蔚然.應(yīng)用最小二乘支持向量機和混合遺傳算法的制粉系統(tǒng)優(yōu)化控制［J］.動力工程，2007，27(5):728-731.