孫靈芳 董學曼 邢 宇 宮遠洋

(東北電力大學自動化工程學院,吉林 吉林 132012)

基于PSO-SVM的快速甩負荷工況下過熱蒸汽溫度預測建模

孫靈芳 董學曼 邢 宇 宮遠洋

(東北電力大學自動化工程學院,吉林 吉林 132012)

結合海防電廠300MW機組100%負荷下的快速甩負荷試驗，采用粒子群優(yōu)化算法(PSO)對支持向量機(SVM)的參數進行優(yōu)化，并建立PSO-SVM過熱蒸汽溫度預測模型。在分析試驗時機組燃料量、高旁閥位開度及溫度等主要參數變化過程的基礎上，對過熱蒸汽溫度預測模型進行仿真分析。結果表明：建立的PSO-SVM過熱蒸汽溫度模型具有較高的預測精度，能夠實現(xiàn)快速甩負荷工況下過熱蒸汽溫度的預測，維持機組安全穩(wěn)定運行。

過熱蒸汽溫度預測 火電300MW機組 快速甩負荷工況 PSO-SVM算法 建模

快速甩負荷(Fast Cut Back,FCB)工況是火電機組最惡劣的一種工況，會引起機組各主要運行參數(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行中一個重要的參數，若汽溫過高，則易燒壞過熱器，嚴重影響機組安全運行；若汽溫過低，則影響全廠熱效率，引起汽輪機末級蒸汽濕度增加，嚴重影響汽輪機安全運行[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工況下鍋爐的運行狀態(tài)，維持機組安全穩(wěn)定運行，對FCB工況下過熱蒸汽溫度進行精準預測是十分必要的。

隨著智能算法的研究和發(fā)展，神經網絡及模糊神經等非線性系統(tǒng)模型不斷被應用到溫度預測中。文獻[4]基于現(xiàn)場數據和BP神經網絡對過熱器進行了建模；文獻[5]提出一種基于粗糙集理論的RBF神經網絡，用于構造過熱汽溫模型。但神經網絡自身存在在訓練過程中易陷入局部極值、采用的經驗風險最小化準則泛化能力不強及無法控制其收斂速度等缺陷[6]。

支持向量機(Support Vector Machines,SVM)是一種基于統(tǒng)計學習的機器學習方法，與BP網絡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、大滯后及強耦合等實際問題[7]，但SVM需要選擇最優(yōu)參數以提高其學習和泛化能力。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進行優(yōu)化[8]。在此，筆者利用 PSO優(yōu)化SVM中的參數，建立2×300MW亞臨界燃煤機組鍋爐過熱蒸汽溫度預測模型，以避免人為選擇參數帶來的誤差，從而提高預測模型的訓練速度和推廣能力。

SVM通過非線性變換將訓練數據集從輸入空間X映射到高維特征空間，構造出最優(yōu)決策函數，并找到一個原空間的核函數取代高維空間的點積運算，最后獲得全局最優(yōu)解[9,10]。

給定數據集T={(xi,yi),i=1,…,l}∈(Rn×R)，則SVR函數為：

y=ω1φ(x)+b

(1)

式中b——閾值；

ω1——最優(yōu)超平面的權系數。

利用不敏感損失函數將回歸函數轉換為原始最優(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函數構造并求解凸二次規(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)劣由適應度函數決定的適應度值來衡量。粒子的速度決定粒子移動的方向和距離，粒子根據自己和其他粒子的飛行經驗不斷地更新速度，并向種群中最好的粒子位置飛行，從而實現(xiàn)個體在可解空間中的尋優(yōu)。

假設在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。根據目標函數即可計算出每個粒子位置Xi對應的適應度值。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，為非負常數；

k——當前迭代次數；

Pgd——種群極值；

Pid——個體極值；

r1、r2——分布于[0,1]的隨機數；

Vid——粒子速度；

Xid——個體向量；

ω2——慣性權重。

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的過熱蒸汽溫度預測模型

3.1機組設備配置

越南海防2×300MW亞臨界燃煤機組鍋爐為自然循環(huán)，W型火焰燃燒方式，尾部雙煙道結構，采用擋板調節(jié)再熱汽溫，全懸吊、平衡通風的汽包鍋爐。汽輪機型式為亞臨界、一次中間再熱、三缸雙排汽、凝汽型反動式。汽輪機的高中壓缸各設置4個調節(jié)閥和兩個控制閥，設置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)電機為雙極型三相同步發(fā)電機，采用星型接線，靜態(tài)勵磁。本機組采用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試驗時機組主要參數的變化

機組100%負荷FCB試驗前，機組負荷為305MW，斷開發(fā)電機出口開關觸發(fā)FCB，機組快速甩負荷至帶廠用電(功率16MW)運行，之后機組重新并網。機組100%負荷FCB試驗中主要運行參數變化如圖1所示。在發(fā)電機脫網后OPC動作，主汽閥門和所有調節(jié)閥快速關閉，所有抽汽逆止閥關閉，然后調節(jié)閥再逐漸開啟，汽輪機高壓缸調節(jié)閥最后穩(wěn)定在17%，中壓缸調節(jié)閥穩(wěn)定在10%，汽輪機轉速由3 020r/min飛升至最高的3 146r/min，最后穩(wěn)定在3 000r/min。

圖1 機組100%負荷FCB試驗中各主要參數變化

FCB試驗過程中，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，應隨著主汽壓力的逐步減小，將高旁閥門關至20%，最后將主汽壓力穩(wěn)定在16.0MPa，使高旁減溫調節(jié)閥隨著高旁閥門的開啟而快速開啟。FCB動作后機爐協(xié)調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、引風機保持在自動控制方式，總燃料量由80t/h降至20t/h，總風量隨著燃料量的減少而減少，爐膛負壓波動至-700Pa左右。試驗中，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建模數據預處理

從汽包出來的蒸汽，經過鍋爐煙道中的過熱器同高溫煙氣進行熱交換，在過熱器出口得到的蒸汽溫度被稱為過熱蒸汽溫度。機組FCB動作，為了適應負荷的變化，機組需進行一系列動作，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、溫度變化及流經過熱器的煙氣溫度和流速變化等[12]。通過對海防電廠300MW機組在100%負荷FCB工況下運行機理的分析，確定建模過程中的主要影響因素有機組負荷、主汽壓、主蒸汽流量、給水流量、給水溫度、總風量、總燃燒量和中間點溫度。筆者選取FCB過程中的120組實際運行數據，其中95組數據進行訓練，25組數據進行測試。為了消除各維數據間不同量綱給建模帶來的誤差，統(tǒng)一對訓練數據和測試數據進行歸一化處理。

3.4PSO-SVM 預測模型

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

圖2 PSO-SVM建模流程

3.5PSO-SVM模型仿真與結果分析

建立基于PSO-SVM算法的FCB工況下過熱蒸汽溫度預測模型。采用Matlab編寫算法的運行程序，設置 PSO-SVM 模型的參數如下：加速因子c1=1.5，c2=1.7；種群規(guī)模為20；迭代次數500次。通過PSO對懲罰因子C和核參數σ進行優(yōu)化，最終選擇C=10.765，σ=0.23。訓練樣本輸出擬合曲線如圖3所示，可見采用 PSO-SVM 算法進行訓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，將汽溫預測值與實際值相比，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 測試值與實際值的誤差曲線

圖6 測試值與實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行建模預測，3種算法的預測值與實際值對比曲線如圖7所示。可以看出，采用BP網絡預測時測試樣本最大誤差為10.6℃，最大相對誤差為1.70%；SVM預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測能力，但從預測精度和擬合效果來看PSO-SVM算法優(yōu)于 BP和SVM。

圖7 3種算法的預測值與實際值對比曲線

4 結束語

筆者基于PSO和SVM，以海防電廠300MW機組在100%負荷FCB工況下的實際運行數據為背景，對機組過熱蒸汽溫度進行預測建模。仿真結果表明，利用PSO優(yōu)化SVM參數的方法對機組過熱蒸汽溫度進行預測建模是可行、有效的，且模型具有較高的預測精度和較好的泛化性。能夠實現(xiàn)對FCB工況下過熱蒸汽溫度預測的目的，幫助機組運行人員更好地了解機組鍋爐的運行狀態(tài)，維持機組安全穩(wěn)定運行，進而為機組在FCB工況下的溫度控制系統(tǒng)設計優(yōu)化奠定基礎。

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

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

[4] 黃寶海,韓璞,葛忠真,等.基于現(xiàn)場數據的電站過熱器神經網絡建模[J].華北電力大學學報,2008,35(2):66～69.

[5] 于紅霞.基于神經網絡過熱汽溫模型辨識[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反分析研究[J].巖土力學,2007,28(5):991～994.

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

[10] 鄧乃揚,田英杰.支持向量機——理論、算法與拓展[M].北京:科學出版社,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.基于改進的BP算法的過熱汽溫建模[J].自動化技術與應用,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)