潘秉超，王文歡，潘衛(wèi)國(guó)，何明福

(上海電力學(xué)院能源與機(jī)械工程學(xué)院，上海 200090)

1 支持向量機(jī)算法簡(jiǎn)介

1.1 基本結(jié)構(gòu)

SVM方法是統(tǒng)計(jì)學(xué)習(xí)理論的一種通用學(xué)習(xí)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(cè)變量與其他一些可測(cè)或易測(cè)的過程變量之間的關(guān)系，通過對(duì)可測(cè)變量的檢測(cè)、變換和計(jì)算，間接得到待測(cè)變量的估計(jì)值.軟測(cè)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(jì)值，送入控制裝置，參與反饋控制.通過SVM軟測(cè)量模型對(duì)待測(cè)變量進(jìn)行最優(yōu)估計(jì)，將估計(jì)值作為控制系統(tǒng)的反饋?zhàn)兞?，參與對(duì)控制對(duì)象的控制，這樣，SVM軟測(cè)量模型就可以看成一個(gè)非線性映射，而不必關(guān)心對(duì)象的具體結(jié)構(gòu)以及機(jī)理.基于LS-SVM的軟測(cè)量模型屬于黑盒子一類的模型，只關(guān)心對(duì)象的輸入與輸出，而不關(guān)心對(duì)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(jī)來完成.其基本結(jié)構(gòu)如圖1所示.

圖1 LS-SVM軟測(cè)量模型結(jié)構(gòu)

1.2 LS-SVM 算法

LS-SVM 算法的目標(biāo)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(xué)實(shí)驗(yàn)?zāi)芰ψ鳛閷W(xué)生的一種特殊心理能力，它的形成和發(fā)展以一定的化學(xué)實(shí)驗(yàn)知識(shí)為基礎(chǔ)，經(jīng)歷由簡(jiǎn)單到復(fù)雜、由低級(jí)到高級(jí)的過程，符合思維心理學(xué)的要求。本文以思維心理學(xué)為理論依據(jù)，以思維品質(zhì)為突破口，建構(gòu)化學(xué)實(shí)驗(yàn)?zāi)芰w系。

求解的優(yōu)化問題可轉(zhuǎn)化為求解線性方程，即:

軟測(cè)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(fù)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(gè):

(1)線性核，K(x，y)=x·y;

(2)多項(xiàng)式核，K(x，y)=(x·y+1)d(d 為多項(xiàng)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(jī)的函數(shù)估計(jì)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(yùn)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(biāo)，對(duì)機(jī)組的經(jīng)濟(jì)和安全運(yùn)行有著重要的影響.目前，電站鍋爐飛灰含碳量的在線測(cè)量大都采用在鍋爐水平煙道上安裝微波測(cè)碳儀來實(shí)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(jī)算法，對(duì)河北邯鄲熱電股份有限公司的鍋爐進(jìn)行了分析，采集了近一個(gè)月的數(shù)據(jù)進(jìn)行模型驗(yàn)證和分析，為火電廠實(shí)時(shí)監(jiān)測(cè)飛灰含碳量提供了一種新的有效的測(cè)量手段.范誠(chéng)豪等人［15］根據(jù)現(xiàn)場(chǎng)鍋爐運(yùn)行數(shù)據(jù)，用支持向量機(jī)方法對(duì)入爐煤質(zhì)進(jìn)行預(yù)測(cè)，并將結(jié)果與基于煙氣信息與工業(yè)分析的機(jī)理模型推導(dǎo)得出的入爐煤質(zhì)數(shù)據(jù)進(jìn)行對(duì)比分析，結(jié)果表明，支持向量機(jī)預(yù)測(cè)模型的精度能夠滿足工程實(shí)際應(yīng)用.

煙氣含氧量可以通過電廠實(shí)時(shí)數(shù)據(jù)測(cè)得，但運(yùn)行中熱力參數(shù)波動(dòng)會(huì)影響最終鍋爐效率的計(jì)算精度.目前一種可行的方法是引入支持向量機(jī)進(jìn)行模型的回歸預(yù)測(cè)，以提高實(shí)測(cè)數(shù)據(jù)的準(zhǔn)確性.熊志化等人［16］提出了一種基于支持向量機(jī)的煙氣含氧量的軟測(cè)量建模方法;張炎欣等人［17］提出了一種基于即時(shí)學(xué)習(xí)策略的改進(jìn)支持向量機(jī)預(yù)測(cè)建模方法;而王宏志等人［18］則通過粒子群算法(PSO)進(jìn)行參數(shù)優(yōu)化后再進(jìn)行支持向量機(jī)的預(yù)測(cè)建模.3種方法都能滿足鍋爐燃燒過程中煙氣含氧量預(yù)測(cè)的實(shí)時(shí)性要求，為火電廠的安全和經(jīng)濟(jì)運(yùn)行提供了強(qiáng)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(jī)組DCS數(shù)據(jù)中選取主蒸汽流量、入爐煤量、排煙溫度、送風(fēng)量、送風(fēng)機(jī)電流、引風(fēng)量、引風(fēng)機(jī)電流共7組屬性作為二次變量，其中100組數(shù)據(jù)作為訓(xùn)練集，20組數(shù)據(jù)作為測(cè)試集，使用支持向量機(jī)方法對(duì)其進(jìn)行回歸建模，得到的結(jié)果如圖2所示.

圖2 實(shí)際和預(yù)測(cè)的煙氣含氧量對(duì)比

通過計(jì)算可得到這20組數(shù)據(jù)最小絕對(duì)誤差為0.177%，最大絕對(duì)誤差為20.67%，而平均絕對(duì)誤差為9.403%.實(shí)驗(yàn)結(jié)果證明了支持向量機(jī)方法用來預(yù)測(cè)煙氣含氧量的能力，模型得到的結(jié)果令人滿意.

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

2.2 在電廠清潔生產(chǎn)中的應(yīng)用

目前，我國(guó)的污染物排放量很大，大氣污染相當(dāng)嚴(yán)重，而電廠向大氣排放的煙氣就是一個(gè)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(duì)的重要難題.周建國(guó)和王春林等人［22，23］對(duì)不同工況下的 NOx排放進(jìn)行了支持向量機(jī)的預(yù)測(cè)，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(jī)模型，預(yù)測(cè)了氨法煙氣脫硫裝置的脫硫效率，較好地解決了復(fù)雜的非線性模型的預(yù)測(cè)，提高了在實(shí)際工程中實(shí)時(shí)監(jiān)測(cè)方面的準(zhǔn)確性.同時(shí)，王雷等人［25］提出采用支持向量回歸時(shí)間序列預(yù)測(cè)法來預(yù)測(cè)凝汽器清潔系數(shù)，該指標(biāo)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(xué)水處理結(jié)垢量的研究方面，何兆云［26］通過預(yù)測(cè)模型迭代預(yù)算找出成垢的規(guī)律性，從而為發(fā)電廠的安全穩(wěn)定運(yùn)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(yù)測(cè)問題轉(zhuǎn)化為一個(gè)函數(shù)估計(jì)問題，利用非線性支持向量回歸機(jī)方法進(jìn)行燃煤結(jié)渣預(yù)測(cè)，為鍋爐安全性與經(jīng)濟(jì)性運(yùn)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(fù)雜性和運(yùn)行環(huán)境的特殊性，汽輪機(jī)在電力生產(chǎn)中的故障率較高，因此對(duì)機(jī)組進(jìn)行故障診斷是保證其穩(wěn)定安全運(yùn)行的重要前提.汽輪機(jī)常見的故障有:轉(zhuǎn)子質(zhì)量不平衡;轉(zhuǎn)子動(dòng)靜碰磨;裂紋;油膜渦動(dòng);油膜振蕩等［28］.司娟寧等人［29］通過主要成分分析法進(jìn)行數(shù)據(jù)降維和特征提取后，利用支持向量機(jī)對(duì)樣本進(jìn)行測(cè)試分類，正確且有效地診斷了多類汽輪機(jī)故障.宮喚春［30］對(duì)凝汽式汽輪機(jī)的凝汽設(shè)備故障診斷進(jìn)行仿真，證明了基于支持向量機(jī)診斷的準(zhǔn)確性和快速性，為汽輪機(jī)故障診斷的發(fā)展提供了一個(gè)新的思路.

此外，劉定平等人［31］將支持向量機(jī)和遺傳算法應(yīng)用于電廠制粉系統(tǒng)的優(yōu)化控制，對(duì)已經(jīng)使用支持向量機(jī)訓(xùn)練后的制粉單耗模型進(jìn)行遺傳算法的系統(tǒng)優(yōu)化，克服了最小二乘支持向量機(jī)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(yǔ)

本文主要介紹了支持向量機(jī)方法在火電廠中的應(yīng)用現(xiàn)狀，同時(shí)將電廠煙氣含氧量作為目標(biāo)值對(duì)其進(jìn)行建模預(yù)測(cè)，得到的最終預(yù)測(cè)模型滿足了在線診斷的需要，用實(shí)驗(yàn)驗(yàn)證了SVM算法在電廠軟測(cè)量方面的可靠性，對(duì)實(shí)現(xiàn)火電廠運(yùn)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(gè)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(huì)得到比較準(zhǔn)確的預(yù)測(cè)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(jī)的算法研究［J］.清華大學(xué)學(xué)報(bào):自然科學(xué)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(yáng).基于粗糙集理論和支持向量機(jī)算法的核電廠故障診斷方法［J］.核動(dòng)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(yùn)行試驗(yàn)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，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(shí)用的火電廠飛灰含碳量軟測(cè)量建模方法［J］.自動(dòng)化與儀器儀表，2010(6):112-115.

［15］范誠(chéng)豪，韋紅旗.基于支持向量機(jī)的鍋爐煤質(zhì)預(yù)測(cè)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(jī)的火電廠煙氣含氧量軟測(cè)量［J］.測(cè)控技術(shù)，2004，23(8):15-16.

［17］張炎欣，張航，王偉.基于即時(shí)學(xué)習(xí)策略的火電廠煙氣含氧量軟測(cè)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(jī)和PSO算法的電廠煙氣含氧量軟測(cè)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(jī)組主蒸汽流量建模［J］.熱能動(dòng)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(jī)熱耗率模型［J］.動(dòng)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(jì)［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(guó)，等.大型電廠鍋爐NOx排放特性的支持向量機(jī)模型［J］.浙江大學(xué)學(xué)報(bào):工學(xué)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(jī)的氨法煙氣脫硫裝置脫硫效率預(yù)測(cè)［J］.動(dòng)力工程學(xué)報(bào)，2011，31(11):846-850.

［25］王雷，徐志皋，司風(fēng)琪.基于支持向量回歸的凝汽器清潔系數(shù)時(shí)間序列預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2007，27(14):62-66.

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

［27］徐志明，文孝強(qiáng)，孫媛媛，等.基于最小二乘支持向量回歸機(jī)的燃煤鍋爐結(jié)渣特性預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2009，29(17):8-12.

［28］韓璞.火電廠計(jì)算機(jī)監(jiān)控與檢測(cè)［M］.北京:中國(guó)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(jī)的汽輪機(jī)故障診斷［J］.汽輪機(jī)技術(shù)，2011，53(2):139-142.

［30］宮喚春.基于支持向量機(jī)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(jī)和混合遺傳算法的制粉系統(tǒng)優(yōu)化控制［J］.動(dòng)力工程，2007，27(5):728-731.