董亞明，李 輝，謝曉龍

?

基于遺傳算法與支持向量回歸的發(fā)電機(jī)運(yùn)行參數(shù)趨勢(shì)預(yù)測(cè)

董亞明，李 輝，謝曉龍

（上海電氣集團(tuán)股份有限公司中央研究院，上海 200070）

針對(duì)支持向量回歸（SVR）模型在設(shè)備運(yùn)行參數(shù)趨勢(shì)預(yù)測(cè)中。根據(jù)人為經(jīng)驗(yàn)選取模型參數(shù)導(dǎo)致預(yù)測(cè)精度不高的問題，提出了一種使用遺傳算法（GA）優(yōu)化SVR模型參數(shù)的方法（GA-SVR）。將該方法應(yīng)用于發(fā)電機(jī)定子線圈出水溫度的實(shí)時(shí)趨勢(shì)預(yù)測(cè)中。結(jié)果表明，相較于SVR模型，GA-SVR具有更高的預(yù)測(cè)精度，能夠滿足電廠對(duì)發(fā)電機(jī)運(yùn)行參數(shù)變化的趨勢(shì)預(yù)測(cè)精度要求。

發(fā)電機(jī)；遺傳算法；支持向量回歸；趨勢(shì)預(yù)測(cè)；運(yùn)行參數(shù)；定子線圈出水溫度

0 前言

發(fā)電機(jī)運(yùn)行參數(shù)趨勢(shì)預(yù)測(cè)主要是基于發(fā)電機(jī)的多種實(shí)時(shí)運(yùn)行參數(shù)，綜合其他因素，對(duì)影響發(fā)電機(jī)健康狀況的重要參數(shù)進(jìn)行實(shí)時(shí)預(yù)測(cè)與分析?，F(xiàn)代火電廠的安全運(yùn)行意義重大，如電廠不能安全運(yùn)行，可能會(huì)造成人員傷亡、設(shè)備損壞和事故，并且不能連續(xù)向用戶供電，造成重大經(jīng)濟(jì)損失[1]。為了保證發(fā)電設(shè)備的安全可靠運(yùn)行，減少設(shè)備故障的發(fā)生，提早發(fā)現(xiàn)設(shè)備運(yùn)行狀態(tài)的異常和故障，監(jiān)測(cè)和預(yù)測(cè)設(shè)備主要運(yùn)行參數(shù)的變化趨勢(shì)是非常必要的[2]。因此提高發(fā)電設(shè)備運(yùn)行參數(shù)趨勢(shì)預(yù)測(cè)的準(zhǔn)確度具有重要意義?，F(xiàn)有的發(fā)電機(jī)運(yùn)行參數(shù)趨勢(shì)預(yù)測(cè)方法主要分為兩類。其中一類是基于時(shí)間序列模型的預(yù)測(cè)方法[3]，該類方法主要基于設(shè)備參數(shù)在過去一段時(shí)間內(nèi)的運(yùn)行變化規(guī)律來預(yù)測(cè)參數(shù)未來的變化趨勢(shì)，因?yàn)槠渲豢紤]參數(shù)自身的影響因素而忽略了其他可能的因素，因此模型相對(duì)簡(jiǎn)單，運(yùn)算速度快，但是由于模型忽略了其他可能的影響變量，因此對(duì)模型預(yù)測(cè)精度有較大影響。另一類是基于智能模型的預(yù)測(cè)方法，該類方法主要基于智能模型（如人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN）[4-6]、支持向量回歸（Support Vector Regression，簡(jiǎn)稱SVR）[7-9]，通過建立設(shè)備多種實(shí)時(shí)運(yùn)行參數(shù)與重要運(yùn)行參數(shù)之間的關(guān)聯(lián)模型，以此來預(yù)測(cè)重要參數(shù)的運(yùn)行變化趨勢(shì)。該類方法的模型較為復(fù)雜，可以較好地?cái)M合變量間的非線性關(guān)系，具有較高的預(yù)測(cè)精度。但是由于多數(shù)智能模型中包含需要預(yù)先選取的未知參數(shù)，例如SVR模型中的懲罰參數(shù)、核參數(shù)等需要預(yù)先選取，目前一般通過人工經(jīng)驗(yàn)進(jìn)行選取，容易增加預(yù)測(cè)誤差[10, 11]。為了提高SVR模型的預(yù)測(cè)精度，本文提出基于遺傳算法（Genetic Algorithm，簡(jiǎn)稱GA）優(yōu)化SVR模型參數(shù)的方法（GA-SVR），即使用GA來優(yōu)化SVR的模型參數(shù)，以及核參數(shù)，最終采用最優(yōu)的參數(shù)來進(jìn)行SVR模型構(gòu)建。將此方法應(yīng)用于發(fā)電機(jī)定子線圈出水溫度的趨勢(shì)預(yù)測(cè)，實(shí)際數(shù)據(jù)表明，GA-SVR方法預(yù)測(cè)精度高，可滿足實(shí)際工程應(yīng)用。

1 SVR模型

基于統(tǒng)計(jì)學(xué)習(xí)理論，Vapnik[12,13]提出了SVR模型，對(duì)于具有個(gè)輸入輸出數(shù)據(jù)的訓(xùn)練樣本集，是一個(gè)維的輸入變量，是輸入變量對(duì)應(yīng)的一維輸出變量。SVR的目標(biāo)是建立一個(gè)模型[13]來滿足回歸函數(shù)，使模型的輸出可以準(zhǔn)確地對(duì)應(yīng)經(jīng)過映射后的輸入變量。模型的數(shù)學(xué)形式可以寫成一個(gè)凸優(yōu)化問題：

以上凸優(yōu)化問題可以轉(zhuǎn)化為較簡(jiǎn)單的對(duì)偶問題來進(jìn)行求解[13,14]。轉(zhuǎn)化后的對(duì)偶問題如下：

常用的核函數(shù)有線性核，多項(xiàng)式核和高斯核。高斯核函數(shù)（RBF）的形式見以下公式：

式（3）中，表示RBF的核寬度。在本文中，使用高斯核作為SVR的核函數(shù)。

求解出拉格朗日乘子之后，SVR回歸方程可以寫成如下形式：

其中，偏置值可以通過Karush-Kuhn-Tucker（KKT）條件進(jìn)行計(jì)算得出：

2 GA-SVR算法

GA[15]是由美國的Holland教授于1975年首次提出的，算法通過借鑒生物界自然選擇和自然遺傳機(jī)制，采用人工進(jìn)化的方式對(duì)目標(biāo)進(jìn)行隨機(jī)優(yōu)化搜索，啟發(fā)式地搜索全局最優(yōu)解。使用GA進(jìn)行啟發(fā)式搜索，主要包括初始種群確定、編碼、遺傳操作（選擇、交叉、變異）、適應(yīng)度函數(shù)等步驟[16]。

針對(duì)SVR模型的三個(gè)參數(shù)、和，首先進(jìn)行參數(shù)初始化，對(duì)參數(shù)進(jìn)行二進(jìn)制編碼形成初始種群。確定好初始種群個(gè)數(shù)以及迭代次數(shù)。之后對(duì)SVR模型進(jìn)行訓(xùn)練?；谟?xùn)練后的模型，計(jì)算適應(yīng)度函數(shù)值，判斷是否滿足要求。如果符合要求，則、和為最終優(yōu)化得到的最優(yōu)參數(shù)；如果適應(yīng)度函數(shù)值不符合要求，則算法進(jìn)行選擇、交叉、變異以及種群再生等操作，繼續(xù)迭代，直至滿足算法終止條件。

GA-SVR模型的算法流程圖如圖1所示。

圖1 GA-SVR模型算法流程圖

3 試驗(yàn)結(jié)果與分析

3.1 樣本選擇

使用某電廠發(fā)電機(jī)運(yùn)行參數(shù)DCS數(shù)據(jù)進(jìn)行分析，選取2016年4月1日至2016年5月31日兩個(gè)月的數(shù)據(jù)進(jìn)行模型訓(xùn)練及驗(yàn)證。從電廠拿到的數(shù)據(jù)時(shí)間間隔為10min，即每10min獲取一條數(shù)據(jù)，數(shù)據(jù)總數(shù)為8784條?？紤]到部分時(shí)間機(jī)組停機(jī)或不在額定工況等原因，最終獲取數(shù)據(jù)條數(shù)為8770條，其中4月份為4319條，5月份為4451條?？紤]到定子線圈出水溫度在發(fā)電機(jī)運(yùn)行狀態(tài)監(jiān)控中的顯著作用，使用GA-SVR模型來預(yù)測(cè)發(fā)電機(jī)定子線圈出水溫度的趨勢(shì)變化情況，選取發(fā)電機(jī)有功功率、發(fā)電機(jī)定子線圈進(jìn)水溫度、發(fā)電機(jī)定子線圈冷卻水流量、發(fā)電機(jī)勵(lì)端空側(cè)密封油回油溫度、定子邊端鐵心及端部結(jié)構(gòu)件溫度、發(fā)電機(jī)鐵心中部齒和軛部溫度、汽端冷氫溫度、勵(lì)端冷氫溫度8個(gè)變量作為模型的輸入變量。使用4月份的數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)集，5月份的數(shù)據(jù)作為測(cè)試數(shù)據(jù)集。

數(shù)據(jù)在進(jìn)行建模和預(yù)測(cè)之前，首先使用下式進(jìn)行標(biāo)準(zhǔn)化處理：

3.2 模型參數(shù)選取

選用均方誤差（Mean Squared Error，MSE）作為GA的適應(yīng)度函數(shù)：

3.3 預(yù)測(cè)結(jié)果分析

選用MSE和平方相關(guān)系數(shù)（Squared Correlation Coefficient，2）作為模型性能的最終評(píng)估指標(biāo)。

使用GA對(duì)SVR模型的參數(shù)進(jìn)行優(yōu)化，適應(yīng)度函數(shù)值隨進(jìn)化代數(shù)的變化情況如圖2所示。從圖2中可以看出，最佳適應(yīng)度函數(shù)值大約在50代以后降到最小。經(jīng)過優(yōu)化后的SVR參數(shù)值為：=99.1597，=0.0082，=0.0394。

使用GA-SVR對(duì)發(fā)電機(jī)定子線圈出水溫度4月份數(shù)據(jù)進(jìn)行訓(xùn)練建模，訓(xùn)練結(jié)果如圖3所示。圖3展示了定子線圈出水溫度的預(yù)測(cè)值與真實(shí)值之間的分布關(guān)系。經(jīng)過訓(xùn)練，模型對(duì)4月份的擬合結(jié)果是MSE=0.0157，2=0.9969?？梢钥闯?，模型的擬合誤差較小。

圖2 GA的適應(yīng)度函數(shù)值隨進(jìn)化代數(shù)變化曲線

圖3 GA-SVR模型的訓(xùn)練結(jié)果

使用訓(xùn)練好的模型對(duì)5月份定子線圈出水溫度值進(jìn)行預(yù)測(cè)，挑選5月1日、5月8日、5月23日結(jié)果進(jìn)行展示，預(yù)測(cè)結(jié)果如圖4~6所示。模型對(duì)5月份的預(yù)測(cè)結(jié)果是MSE=0.0718，2=0.9862，預(yù)測(cè)精度較高。

圖4 GA-SVR模型對(duì)定子線圈出水溫度5月1日的預(yù)測(cè)結(jié)果

圖5 GA-SVR模型對(duì)定子線圈出水溫度5月8日的預(yù)測(cè)結(jié)果

圖6 GA-SVR模型對(duì)定子線圈出水溫度5月23日的預(yù)測(cè)結(jié)果

選用未經(jīng)參數(shù)優(yōu)化的SVR模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，模型的訓(xùn)練結(jié)果是MSE=0.0489，2=0.9903，模型的預(yù)測(cè)結(jié)果是MSE=0.4831，2=0.9263。SVR和GA-SVR模型對(duì)5月份31天的預(yù)測(cè)MSE值對(duì)比結(jié)果見表1。通過結(jié)果對(duì)比可以看出，GA-SVR模型預(yù)測(cè)效果優(yōu)于SVR模型，其預(yù)測(cè)效果好，精度高，可以滿足正常工程需求。

4 結(jié)論

本文提出了一種基于GA與SVR相結(jié)合的預(yù)測(cè)模型，使用GA來優(yōu)化SVR模型的三個(gè)參數(shù)、和，然后使用最優(yōu)的模型參數(shù)進(jìn)行SVR建模。將此方法應(yīng)用于發(fā)電機(jī)定子線圈出水溫度的趨勢(shì)預(yù)測(cè)，預(yù)測(cè)效果好，預(yù)測(cè)精度高，與傳統(tǒng)的SVR模型相比較，效果優(yōu)于未經(jīng)參數(shù)優(yōu)化的SVR模型。GA-SVR模型預(yù)測(cè)結(jié)果滿足正常的發(fā)電廠運(yùn)行需求，可以用來預(yù)測(cè)電廠發(fā)電機(jī)定子線圈出水溫度的趨勢(shì)變化情況。

表1 SVR及GA-SVR模型預(yù)測(cè)的MSE結(jié)果對(duì)比

[1] 張淑艷, 盧國斌. 發(fā)電設(shè)備安全可靠性分析及治理措施[J]. 黑龍江科技信息, 2009(35):39-39.

[2] 符曉, 劉超, 蔣東翔. 發(fā)電設(shè)備運(yùn)行參數(shù)預(yù)測(cè)方法研究[C]//第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集.沈陽, 2010: 69-71.

[3] 李輝, 郭雙全, 張夢(mèng)航. 基于時(shí)間序列的發(fā)電機(jī)溫升趨勢(shì)分析方法[J]. 上海電氣技術(shù), 2016, 9(1): 49-52+58.

[4] 許允之, 韓麗, 方永麗, 等. 基于神經(jīng)網(wǎng)絡(luò)算法的感應(yīng)電機(jī)故障診斷方法[J]. 大電機(jī)技術(shù), 2013(1):15-18.

[5] 田質(zhì)廣, 張慧芬, 郎立國. 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)在發(fā)電機(jī)定子超高頻局部放電模式識(shí)別中的應(yīng)用[J]. 大電機(jī)技術(shù), 2006(1):36-40.

[6] 田錄林, 韓彬, 田亞奇. 基于核主元分析與模糊神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)振動(dòng)故障診斷方法[J]. 大電機(jī)技術(shù), 2016(6):16-21.

[7] 仲亞飛, 韋紅旗, 姚衛(wèi)剛, 等.基于粒子群算法和支持向量機(jī)的鍋爐排煙溫度建模[J]. 熱力發(fā)電, 2016, 45(1):32-36.

[8] 朱永祥. 基于支持向量機(jī)的多噴嘴斜擊式水輪機(jī)性能預(yù)測(cè)研究[J]. 大電機(jī)技術(shù), 2013(6):55-58.

[9] 王莉, 李偉偉, 張強(qiáng). 基于AACA-LSSVM的同步發(fā)電機(jī)滾動(dòng)軸承故障分類[J]. 大電機(jī)技術(shù), 2015(1):21-23.

[10] 曾勍煒, 徐知海, 吳鍵. 基于粒子群優(yōu)化和支持向量機(jī)的電力負(fù)荷預(yù)測(cè)[J]. 微電子學(xué)與計(jì)算機(jī), 2011, 28(1):147-149.

[11] 梁妮曉. 基于改進(jìn)果蠅算法優(yōu)化支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[D]. 南寧:廣西大學(xué), 2014.

[12] Cortes, C., V. Vapnik. Support-vector networks[J]. Machine learning, 1995, 20(3):273-297.

[13] V. Vapnik. The nature of statistical learning theory[M]. Springer Science & Business Media, 2013.

[14] Smola, A. J., B. A tutorial on support vector regression[J]. Statistics and computing, 2004, 14(3):199-222.

[15] Holland, J. H., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence[J]. The Quarterly Review of Biology, 1994, 6:126-137.

[16] 臧淑英, 張策, 張麗娟, 等. 遺傳算法優(yōu)化的支持向量機(jī)濕地遙感分類——以洪河國家級(jí)自然保護(hù)區(qū)為例[J]. 地理科學(xué), 2012, 32(4): 434-441.

Trend Prediction of Generator Operating Parameters Based on Genetic Algorithm and Support Vector Regression

DONG Yaming, LI Hui, XIE Xiaolong

(Shanghai Electric Group Co., Ltd., Central Academe, Shanghai 200070, China)

In the trend prediction of equipment operating parameters, the prediction accuracy will descend with the empirical parameters selection in support vector regression (SVR). A method that genetic algorithm (GA) uses to optimize the parameters of SVR (GA-SVR) is proposed in this paper. This method was used for the real time trend prediction of stator coil outlet temperature of the generator, results show that the prediction accuracy of GA-SVR was higher than SVR, and it can meet the requirement of generator operating parameters trend prediction accuracy in power plant.

generator; genetic algorithm; support vector regression; trend prediction; operating parameters; stator coil outlet temperature

TM301

A

1000-3983(2018)02-0022-05

2017-05-15

上海市科委企業(yè)合作專項(xiàng)項(xiàng)目（15dz1180400）

董亞明（1987-），2016年1月畢業(yè)于華東理工大學(xué)信息學(xué)院控制科學(xué)與工程專業(yè)，博士，主要研究方向：工業(yè)數(shù)據(jù)分析，大型設(shè)備狀態(tài)監(jiān)控及故障診斷，復(fù)雜過程建模，工程師。