基於cpso-lssvm的汽動引風機全工況在線監測模型建模方法
2023-05-27 09:33:16 2
基於cpso-lssvm的汽動引風機全工況在線監測模型建模方法
【專利摘要】本發明公開了一種基於CPSO-LSSVM的汽動引風機全工況在線監測模型建模方法，包括如下步驟：首先對來自風機廠家的設計數據進行分析處理，選取實際工況點作為訓練數據；利用混沌粒子群算法進行建模參數的尋優、支持最小二乘支持向量機建模得到靜態模型；結合轉速變量，在已有靜態模型的基礎上訓練得到汽動引風機的全工況模型；將所建立的全工況模型結合網頁編程技術以在線網站的形式發布，以實現引風機工作點的在線確定；最後結合SIS系統獲得的風機實際運行數據對所建模型進行實時在線修正。利用本方法得到的模型可以準確地反映汽動引風機的全工況運行特性，並實現在線修正，保證風機特性發生變化後仍能正確運行，為實際運行提供指導。
【專利說明】基於CPSO-LSSVM的汽動引風機全工況在線監測模型建模方法
【技術領域】
[0001]本發明一種基於CPS0-LSSVM的汽動引風機全工況在線監測模型建模方法，涉及支持向量機模型，屬於機器學習建模領域。
【背景技術】
[0002]火電廠給水泵採用汽輪機驅動後，引風機已成為耗電量最大的輔機。在電動機驅動的模式下，1036麗機組的單臺引風機電機最大電功率達到7400kW，佔單機發電量的
1.48%。且電動機驅動模式下，引風機採用靜葉調節，電動機功率不變，在機組負荷變動時，電動機造成的額外廠用電損失很大，能源浪費嚴重。採用汽輪機代替電機驅動引風機是可以徹底解決以上問題極佳方案。採用汽動引風機方案，一方面可以減少電機啟動時對廠用電系統的衝擊；另外，採用變轉速調節從而變工況運行時也能保證較高的效率。[0003]由於汽動引風機採用靜葉一轉速結合的調節方式，其全工況性能比定轉速汽動引風機複雜的多。為了使汽動引風機高效工作必須能夠監測汽動引風機的工作點。但是目前並沒有能夠使用的汽動引風機在線監測模型。汽動引風機特性曲線是涉及比壓Y(p/p)、容積流量Q和葉片角度3個參數複雜的非線性模型，傳統的建模方法很難做到準確地確定汽動引風機工作點；而對於汽動引風機，由於增加了變轉速調節複雜度更進一步增加。
【發明內容】
[0004]發明目的:針對現有技術的不足，本發明提供一種基於CPS0-LSSVM的汽動引風機全工況在線監測模型建模方法，實現汽動引風機全工況在線監測，保證了汽動引風機高效工作。
[0005]技術方案:為了實現上述發明目的，本發明採用的技術方案為:
[0006]一種基於CPS0-LSSVM的汽動引風機全工況在線監測模型建模方法，包括如下步驟:
[0007](—)數據處理；對風機廠家給出的設計數據進行整理計算，選取足量的可以確定汽動引風機特性曲線的數據，整理得出下列參數，比壓Y、容積流量Q、葉片角度β和風機轉速η，其中比壓Y為流體全壓P與流體密度P的比值，即Υ=ρ/ρ ;在所有設計數據中選取適量作為訓練數據用於建模，所有設計數據都用來測試模型準確度；
[0008](二)最小二乘支持向量機訓練建模；葉片角度β和比壓Y作為訓練模型的輸入，容積流量Q作為輸出，利用混沌粒子群算法，建立關於最小二乘支持向量機建模參數Y與σ 2的尋優粒子群，利用訓練數據的葉片角度β和比壓Y以及粒子群個體Y與σ2參數進行試驗建模，以模型輸出容積流量Q與實際輸出容積流量Qm的誤差最小為目標，反覆迭代優化粒子群結構，得到最優支持向量機模型；利用測試數據檢測模型精度，得到精度符合標準的Q=f(Y，β)靜態模型；
[0009](三)重新訓練模型；在(^(Y，β)靜態模型的基礎上，增加變量風機轉速η，得到Q=f(Y, β，n)的全工況模型；
[0010](四)發布模型；利用訓練得到的全工況模型Q=f(Y，β，η)，結合ASP.NET網頁編程技術，將所建模型以可視化網站的形式發布，在線確定汽動引風機工作點；
[0011](五)修正模型；將步驟(四)所得汽動引風機工況點數據與SIS系統(Supervisory Information System inplant level)採集實際運行數據相比較,若存在誤差，則用實際運行數據代替設計數據按照上述步驟一至步驟四重新建立模型。
[0012]支持向量機(SVM)在解決小樣本、非線性、高維問題中具有明顯的優勢，結合了統計學習的VC維理論和結構風險最小理論，利用核函數，將樣本向量映射到高維特徵空間，使得原空間數據在高維空間線性可分，並且構造出最優分類面。支持向量機的算法複雜度與樣本維數無關，模型更多地決定於少數支持向量，因此魯棒性強，泛化能力強。最小二乘支持向量機(LSSVM)通過選取不同的損失函數,將標準支持向量機的二次規劃問題轉變為求解線性方程的問題，加快了收斂速度，更加適用於工程應用，可以更好地實現實時建模與模型修正。利用混沌粒子群算法(CPSO)進行建模參數尋優，使模型有了更強的可調節性，方便後期根據不同對象，確定不同建模策略，相比於其他尋優算法，大大加快了尋優速度和尋優精度。
[0013]使用汽動引風機設計數據訓練最小二乘支持向量機，經驗證後可以對汽動引風機的運行工作點有更加直觀的了解，從而對汽動引風機的轉速、靜葉角度調節提出指導建議；另外，當汽動引風機運行偏離設計工況時，可以從SIS系統(Supervisory InformationSystem in plant level)中重新選取數據對模型進行修正。
[0014]有益效果:1、本發明利用最小二乘支持向量機建立汽動引風機模型可以避免以往多項式建模準確度較差的問題，實現汽動弓I風機工作點的準確模擬。
[0015]2、本發明實現了汽動引風機全工況建模，對於汽動引風機實際運行過程中進行轉速調節提供了很好的指導作用。
[0016]3、由於採用機器學習建模方法，本發明模型的建立和修正僅依賴於訓練數據，當風機運行特性發生變化時，可以實現實時修正。
【專利附圖】
【附圖說明】
[0017]圖1為容積流量Q-比壓Y在不同靜葉開度β (-75°到30° )性能曲線組。
[0018]圖2為本發明的最小二乘支持向量機訓練建模實現流程圖。
【具體實施方式】
[0019]下面結合實施例對本發明的技術方案進行詳細說明，應當指出:以下所述僅是本發明的優選實施方式，但是本發明的保護範圍不局限於實施例，對於本【技術領域】的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護範圍。
[0020]實施例
[0021]以某電站660MW機組汽動引風機在線監測模型為例，得到風機廠家提供的汽動引風機運行特性數據，包括995r/min各個開度時的數據以及部分其他轉速下的數據。建模主要包括數據處理、最小二乘支持向量機訓練建模、重新訓練模型、發布模型和修正模型等核心模塊。
[0022](一 )數據處理；將設計廠家提供的995r/min特性數據進行篩選分析選取538個數據，確定數據的下列參數，比壓Y(p/p，其中P為流體全壓，P為流體密度)、容積流量Q、葉片角度β和風機轉速η，選取其中152個數據作為訓練數據，所有538個數據都作為測試數據。
[0023]( 二)最小二乘支持向量機訓練建模，具體流程如圖1和2所示，
[0024]a)初始化訓練參數、葉片角度β和比壓Y作為訓練模型的輸入，容積流量Q作為訓練模型的輸出。
[0025]b)確定LSSVM相關參數，其中選擇核函數類型為RBF kernel:
【權利要求】
1.一種基於CPSO-LSSVM的汽動引風機全工況在線監測模型建模方法，其特徵在於，包括如下步驟: (一)數據處理；對風機廠家給出的設計數據進行整理計算，選取足量的可以確定汽動引風機特性曲線的數據，整理得出下列參數，比壓Y、容積流量Q、葉片角度β和風機轉速Π，其中比壓Y為流體全壓P與流體密度P的比值，即Υ=ρ/ρ ;在所有設計數據中選取適量作為訓練數據用於建模，所有設計數據都用來測試模型準確度； (二)最小二乘支持向量機訓練建模；葉片角度β和比壓Y作為訓練模型的輸入，容積流量Q作為訓練模型的輸出，利用混沌粒子群算法，建立關於最小二乘支持向量機建模參數Y與σ 2的尋優粒子群，利用訓練數據的葉片角度β和比壓Y以及粒子群個體Y與σ 2參數進行試驗建模，以模型輸出容積流量Q與實際輸出容積流量Qm的誤差最小為目標，反覆迭代優化粒子群結構，得到最優支持向量機模型，利用測試數據檢測模型精度，得到精度符合標準的Q=f (Y，β )靜態模型； (三)重新訓練模型；在Q=f(Y，β)靜態模型的基礎上，增加變量風機轉速η，得到Q=f(Y, β，η)的全工況模型； (四)發布模型；利用訓練得到的全工況模型Q=f(Y，β，η)，結合ASP.NET網頁編程技術，將所建模型以可視化網站的形式發布，在線確定汽動引風機工作點； (五)修正模型；將步驟(四)所得汽動引風機工況點數據與SIS系統採集實際運行數據相比較，若存在較大誤差，則用實際運行數據代替設計數據，按照上述步驟一至步驟四重新建立模型。
2.根據權利要 求1所述的基於CPSO-LSSVM的汽動引風機全工況在線監測模型建模方法，其特徵在於，所述步驟(2)包括如下步驟: a)初始化訓練參數、葉片角度β和比壓Y作為訓練模型的輸入，容積流量Q作為訓練模型的輸出； b)確定LSSVM相關參數，其中選擇核函數類型為RBFkernel:
11—x.|p K(xr,i) = e^⑴其中& &為兩個樣本；σ 2為高斯內核的方差。 對於建模參數Y與σ2，利用混沌粒子群算法尋優確定:在較大範圍內，用混沌因子建立初始粒子群，粒子為二維向量，存儲當前粒子的建模參數Y與σ2，將模型輸出容積流量Qffl與實際輸出容積流量Q的誤差作為適應度函數 G = JfiQ-QJ2(2)
Sk=I 其中，Qm為以測試數據為輸入的模型輸出，Q為這些測試數據的實際輸出，N為數據數量，G為適應度； 以此適應度函數最小為優化目標，迭代公式為:
t, = /J '2 X (d 1! X V1i, + c\ X //, X (pbcsr- x'l,) + X h2 x (gbest:: - χ1:,)(3)
(4)其中
【文檔編號】G06F19/00GK103902813SQ201410081740
【公開日】2014年7月2日 申請日期:2014年3月6日 優先權日:2014年3月6日
【發明者】司風琪, 邵壯, 郭俊山, 閻文生 申請人:東南大學, 中電神頭髮電有限責任公司