基于PSO-SVM的快速甩负荷工况下过热蒸汽温度预测建模

孙灵芳 董学曼 邢 宇 宫远洋

(东北电力大学自动化工程学院,吉林 吉林 132012)

基于PSO-SVM的快速甩负荷工况下过热蒸汽温度预测建模

孙灵芳 董学曼 邢 宇 宫远洋

(东北电力大学自动化工程学院,吉林 吉林 132012)

结合海防电厂300MW机组100%负荷下的快速甩负荷试验，采用粒子群优化算法(PSO)对支持向量机(SVM)的参数进行优化，并建立PSO-SVM过热蒸汽温度预测模型。在分析试验时机组燃料量、高旁阀位开度及温度等主要参数变化过程的基础上，对过热蒸汽温度预测模型进行仿真分析。结果表明：建立的PSO-SVM过热蒸汽温度模型具有较高的预测精度，能够实现快速甩负荷工况下过热蒸汽温度的预测，维持机组安全稳定运行。

过热蒸汽温度预测 火电300MW机组 快速甩负荷工况 PSO-SVM算法 建模

快速甩负荷(Fast Cut Back,FCB)工况是火电机组最恶劣的一种工况，会引起机组各主要运行参数(如过热蒸汽温度、主汽压力及汽包水位等)的剧烈波动。过热蒸汽温度是锅炉运行中一个重要的参数，若汽温过高，则易烧坏过热器，严重影响机组安全运行；若汽温过低，则影响全厂热效率，引起汽轮机末级蒸汽湿度增加，严重影响汽轮机安全运行[1～3]。一般地，过热蒸汽温度暂时偏差不允许超过±10℃，长期偏差不允许超过±5℃。为了充分了解FCB工况下锅炉的运行状态，维持机组安全稳定运行，对FCB工况下过热蒸汽温度进行精准预测是十分必要的。

随着智能算法的研究和发展，神经网络及模糊神经等非线性系统模型不断被应用到温度预测中。文献[4]基于现场数据和BP神经网络对过热器进行了建模；文献[5]提出一种基于粗糙集理论的RBF神经网络，用于构造过热汽温模型。但神经网络自身存在在训练过程中易陷入局部极值、采用的经验风险最小化准则泛化能力不强及无法控制其收敛速度等缺陷[6]。

支持向量机(Support Vector Machines,SVM)是一种基于统计学习的机器学习方法，与BP网络相比具有良好的泛化能力和非线性辨识能力，适用于解决小样本、大滞后及强耦合等实际问题[7]，但SVM需要选择最优参数以提高其学习和泛化能力。粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于群体智能的寻优算法，可利用其全局搜索功能对模型参数进行优化[8]。在此，笔者利用 PSO优化SVM中的参数，建立2×300MW亚临界燃煤机组锅炉过热蒸汽温度预测模型，以避免人为选择参数带来的误差，从而提高预测模型的训练速度和推广能力。

SVM通过非线性变换将训练数据集从输入空间X映射到高维特征空间，构造出最优决策函数，并找到一个原空间的核函数取代高维空间的点积运算，最后获得全局最优解[9,10]。

给定数据集T={(xi,yi),i=1,…,l}∈(Rn×R)，则SVR函数为：

y=ω1φ(x)+b

(1)

式中b——阈值；

ω1——最优超平面的权系数。

利用不敏感损失函数将回归函数转换为原始最优化问题：

(2)

s.t.ω1φ(xi)+b-yi≤ε+ξi

式中C——惩罚因子；

ε——精度；

通过引入Lagrange函数构造并求解凸二次规划问题：

(3)

(4)

2 PSO

PSO最早是在1995年由Kennedy J提出的[11]。PSO是从生物种群行为特征中得到启发并用于求解优化问题的。算法中每个粒子代表优化问题的一个解，每个粒子以一定的速度飞行，粒子的优劣由适应度函数决定的适应度值来衡量。粒子的速度决定粒子移动的方向和距离，粒子根据自己和其他粒子的飞行经验不断地更新速度，并向种群中最好的粒子位置飞行，从而实现个体在可解空间中的寻优。

假设在D维搜索空间中，由n个粒子组成种群X=(X1,X2,…,Xn)，其中第i个粒子的D维向量Xi=(Xi1,Xi2,…,XiD)T代表第i个粒子在D维搜索空间中的位置，也代表问题的一个潜在解。根据目标函数即可计算出每个粒子位置Xi对应的适应度值。第i个粒子的速度Vi=(Vi1,Vi2,…,ViD)T,其个体极值Pi=(Pi1,Pi2,…,PiD)T，种群的群体极值Pg=(Pg1,Pg2,…,PgD)T。

每次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置，即：

(5)

(6)

式中c1、c2——加速度因子，为非负常数；

k——当前迭代次数；

Pgd——种群极值；

Pid——个体极值；

r1、r2——分布于[0,1]的随机数；

Vid——粒子速度；

Xid——个体向量；

ω2——惯性权重。

为防止粒子盲目搜索，一般将其位置和速度限制在一定的区间上。

3 基于PSO-SVM的过热蒸汽温度预测模型

3.1机组设备配置

越南海防2×300MW亚临界燃煤机组锅炉为自然循环，W型火焰燃烧方式，尾部双烟道结构，采用挡板调节再热汽温，全悬吊、平衡通风的汽包锅炉。汽轮机型式为亚临界、一次中间再热、三缸双排汽、凝汽型反动式。汽轮机的高中压缸各设置4个调节阀和两个控制阀，设置3台电动给水泵。最大连续蒸发量(Maximum Continuous Rating,MCR)工况下最大连续功率为315MW。发电机为双极型三相同步发电机，采用星型接线，静态励磁。本机组采用60%BMCR容量高压旁路、2×60%BMCR容量低压两级串联旁路系统。

3.2FCB试验时机组主要参数的变化

机组100%负荷FCB试验前，机组负荷为305MW，断开发电机出口开关触发FCB，机组快速甩负荷至带厂用电(功率16MW)运行，之后机组重新并网。机组100%负荷FCB试验中主要运行参数变化如图1所示。在发电机脱网后OPC动作，主汽阀门和所有调节阀快速关闭，所有抽汽逆止阀关闭，然后调节阀再逐渐开启，汽轮机高压缸调节阀最后稳定在17%，中压缸调节阀稳定在10%，汽轮机转速由3 020r/min飞升至最高的3 146r/min，最后稳定在3 000r/min。

图1 机组100%负荷FCB试验中各主要参数变化

FCB试验过程中，主汽压力由16.2MPa最高飞升至17.0MPa，为了防止其大幅度飞升将高旁阀门快速全开，应随着主汽压力的逐步减小，将高旁阀门关至20%，最后将主汽压力稳定在16.0MPa，使高旁减温调节阀随着高旁阀门的开启而快速开启。FCB动作后机炉协调控制切换为基本控制方式，燃料主控切换为手动控制方式，送风、引风机保持在自动控制方式，总燃料量由80t/h降至20t/h，总风量随着燃料量的减少而减少，炉膛负压波动至-700Pa左右。试验中，汽包水位波动较剧烈，最高升至90mm，最低降至-180mm。同时，过热蒸汽温度由530℃最低降至460℃，再热蒸汽温度由537℃最低降至520℃后基本稳定。

3.3建模数据预处理

从汽包出来的蒸汽，经过锅炉烟道中的过热器同高温烟气进行热交换，在过热器出口得到的蒸汽温度被称为过热蒸汽温度。机组FCB动作，为了适应负荷的变化，机组需进行一系列动作，如减少燃料量及开启旁路等，如此会使过热蒸汽温度迅速降低。因此，FCB动作时影响过热蒸汽温度变化的因素有很多，如主蒸汽流量变化、炉膛燃烧工况变化、锅炉给水流量变化、温度变化及流经过热器的烟气温度和流速变化等[12]。通过对海防电厂300MW机组在100%负荷FCB工况下运行机理的分析，确定建模过程中的主要影响因素有机组负荷、主汽压、主蒸汽流量、给水流量、给水温度、总风量、总燃烧量和中间点温度。笔者选取FCB过程中的120组实际运行数据，其中95组数据进行训练，25组数据进行测试。为了消除各维数据间不同量纲给建模带来的误差，统一对训练数据和测试数据进行归一化处理。

3.4PSO-SVM 预测模型

建立SVM的过热蒸汽温度预测模型，选择核函数为高斯径向基核函数，其中惩罚因子C与核参数σ的取值直接决定模型的预测精度。笔者采用PSO算法对惩罚因子C和核参数σ进行优化选择，最终使模型的预测值与实际值的逼近程度达到预期目标。PSO-SVM建模流程如图2所示。

图2 PSO-SVM建模流程

3.5PSO-SVM模型仿真与结果分析

建立基于PSO-SVM算法的FCB工况下过热蒸汽温度预测模型。采用Matlab编写算法的运行程序，设置 PSO-SVM 模型的参数如下：加速因子c1=1.5，c2=1.7；种群规模为20；迭代次数500次。通过PSO对惩罚因子C和核参数σ进行优化，最终选择C=10.765，σ=0.23。训练样本输出拟合曲线如图3所示，可见采用 PSO-SVM 算法进行训练具有较高的拟合能力，证明了该算法的正确性。测试样本输出拟合曲线如图4所示，将汽温预测值与实际值相比，得到如图5、6所示的测试样本误差和相对误差曲线。可见测试样本的最大误差为2.8℃，最大相对误差为0.57%，证明该算法具有较好的泛化性。

图3 训练样本输出拟合曲线

图4 测试样本输出拟合曲线

图5 测试值与实际值的误差曲线

图6 测试值与实际值的相对误差曲线

分别采用SVM、PSO-SVM和BP算法对过热蒸汽温度进行建模预测，3种算法的预测值与实际值对比曲线如图7所示。可以看出，采用BP网络预测时测试样本最大误差为10.6℃，最大相对误差为1.70%；SVM预测测试样本的最大误差为6.2℃，最大相对误差为1.20%。BP和SVM虽然具有一定的仿真预测能力，但从预测精度和拟合效果来看PSO-SVM算法优于 BP和SVM。

图7 3种算法的预测值与实际值对比曲线

4 结束语

笔者基于PSO和SVM，以海防电厂300MW机组在100%负荷FCB工况下的实际运行数据为背景，对机组过热蒸汽温度进行预测建模。仿真结果表明，利用PSO优化SVM参数的方法对机组过热蒸汽温度进行预测建模是可行、有效的，且模型具有较高的预测精度和较好的泛化性。能够实现对FCB工况下过热蒸汽温度预测的目的，帮助机组运行人员更好地了解机组锅炉的运行状态，维持机组安全稳定运行，进而为机组在FCB工况下的温度控制系统设计优化奠定基础。

[1] 王建国,孙灵芳,张利辉.电厂热工过程自动控制[M].北京:中国电力出版社,2009.

[2] 张明.煤制天然气项目甲烷化废热锅炉系统的技术探讨[J].化工机械，2012，39(2)：121～123，161.

[3] 宣进，刘晓宇.循环流化床锅炉吊挂管短期爆管原因分析[J].化工机械，2012，39(1)：91～95.

[4] 黄宝海,韩璞,葛忠真,等.基于现场数据的电站过热器神经网络建模[J].华北电力大学学报,2008,35(2):66～69.

[5] 于红霞.基于神经网络过热汽温模型辨识[J].锅炉制造,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坝材料参数反分析研究[J].岩土力学,2007,28(5):991～994.

[9] 刘瑞兰,牟盛静,苏宏业,等.基于支持向量机和粒子群算法的软测量建模[J].控制理论与应用,2006,23(6):895～899.

[10] 邓乃扬,田英杰.支持向量机——理论、算法与拓展[M].北京:科学出版社,2009.

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

[12] 孙灵芳,邵萌萌,刘旭颖.基于改进的BP算法的过热汽温建模[J].自动化技术与应用,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)