周保中

（華電電力科學(xué)研究院，浙江杭州310030）

基于支持向量機(jī)的超超臨界鍋爐受熱面污染監(jiān)測(cè)模型研究

周保中

（華電電力科學(xué)研究院，浙江杭州310030）

通過(guò)某發(fā)電集團(tuán)科技（創(chuàng)新基金）項(xiàng)目“超超臨界鍋爐吹灰優(yōu)化試驗(yàn)研究”，利用電廠已有的DCS采集系統(tǒng)，得到實(shí)時(shí)數(shù)據(jù)樣本，采用ε-支持向量機(jī)回歸機(jī)（ε-SVR）來(lái)進(jìn)行模型學(xué)習(xí)預(yù)測(cè)，結(jié)果表明基于支持向量機(jī)的預(yù)測(cè)模型的均方誤差很小，能夠準(zhǔn)確快速得跟蹤實(shí)際過(guò)程，取得了很好的預(yù)測(cè)效果。

支持向量機(jī)；鍋爐；污染監(jiān)測(cè)

0 引言

近年來(lái)，國(guó)內(nèi)外研究者對(duì)大型燃煤鍋爐受熱面灰污在線監(jiān)測(cè)和吹灰優(yōu)化開展了深入地研究，并作為節(jié)能與安全運(yùn)行的重要措施得到了廣泛的應(yīng)用和推廣。目前，基于熱平衡與傳熱計(jì)算原理開發(fā)的在線監(jiān)測(cè)系統(tǒng)，已經(jīng)在很多亞臨界和超臨界鍋爐中得到運(yùn)用。

但鍋爐是一個(gè)非常復(fù)雜的動(dòng)態(tài)系統(tǒng)，影響鍋爐受熱面積灰的因素很多，如受熱面布置、煙氣流速、負(fù)荷波動(dòng)、煤質(zhì)、有無(wú)吹灰等，這就使傳統(tǒng)的基于熱平衡和傳熱原理計(jì)算的結(jié)果與實(shí)際工況常有較大的出入。針對(duì)這些問(wèn)題，國(guó)內(nèi)外研究者開展了基于人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、專家系統(tǒng)等智能技術(shù)的污染監(jiān)測(cè)和智能吹灰研究，對(duì)優(yōu)化鍋爐吹灰方案提供了有益的幫助[1-5]。但由于人工神經(jīng)網(wǎng)絡(luò)這些非線性方法缺乏統(tǒng)一的數(shù)學(xué)理論基礎(chǔ)，特別是其中的結(jié)構(gòu)選擇和權(quán)重初值設(shè)定均需依賴經(jīng)驗(yàn)，得到的模型通常并非全局最優(yōu)，而是局部最優(yōu)解，并且容易出現(xiàn)“過(guò)學(xué)習(xí)”的現(xiàn)象。本文采用在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上發(fā)展起來(lái)的支持向量機(jī)（SVM）算法，對(duì)鍋爐受熱面污染監(jiān)測(cè)模型做回歸預(yù)測(cè)，SVM可以很好得解決神經(jīng)網(wǎng)絡(luò)“過(guò)學(xué)習(xí)”、網(wǎng)絡(luò)模型結(jié)構(gòu)難以確定以及局部最小點(diǎn)等問(wèn)題。

1 支持向量機(jī)回歸原理[6]

1.1支持向量機(jī)

1995年，Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出了支持向量機(jī)（SVM），其通過(guò)非線性變換（核函數(shù)）將輸入空間變換到高維空間，并在這個(gè)高維空間中求廣義的最優(yōu)分類面?；赩C維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的SVM根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，能夠盡量提高學(xué)習(xí)機(jī)的推廣能力并同時(shí)有效避免“過(guò)學(xué)習(xí)”現(xiàn)象，并保證找到的極值解就是最優(yōu)解。SVM在形式上如同神經(jīng)網(wǎng)絡(luò)，輸出s個(gè)中間節(jié)點(diǎn)的線性組合，其每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量。

1.2 ε-支持向量機(jī)回歸機(jī)（ε-SVR）

支持向量的方法應(yīng)用到回歸預(yù)測(cè)問(wèn)題中，就是要最小化一個(gè)凸函數(shù)，并且要求它的解是稀疏的。回歸算法就是要定義一個(gè)可以忽略真實(shí)值一定范圍內(nèi)誤差的損失函數(shù)，即ε不敏感損失函數(shù)。ε-支持向量機(jī)回歸機(jī)就是建立在使用ε不敏感損失函數(shù)上的，而在ε-支持向量機(jī)回歸機(jī)的基礎(chǔ)上又發(fā)展出了ν-支持向量回歸機(jī)。下面主要介紹ε-SVR的算法。

設(shè)已知訓(xùn)練集T={（x1，y1），…，（xl，yl）}∈（X×Y）l，其中xi∈X=Rn，yi∈Y=R，i=1，…l；

選擇適當(dāng)?shù)恼龜?shù)ε和C；選擇適當(dāng)?shù)暮薑=（x，x′）；

構(gòu)造并求解最優(yōu)化問(wèn)題：

構(gòu)造決策函數(shù)：

2 基于SVM的灰污監(jiān)測(cè)模型

2.1研究對(duì)象的介紹

某發(fā)電廠超超臨界鍋爐是本生直流鍋爐。根據(jù)鍋爐各級(jí)受熱面清潔需求，共安裝有82支爐膛吹灰器、40支長(zhǎng)伸縮式吹灰器以及12支半伸縮式吹灰器。爐內(nèi)主要受熱面包括：爐膛、屏式過(guò)熱器、高溫過(guò)熱器、高溫再熱器、低溫過(guò)熱器、低溫再熱器、省煤器和空氣預(yù)熱器，各受熱面在爐內(nèi)的布置如圖1所示。

2.2 樣本的選取

圖1 某發(fā)電廠超超臨界鍋爐受熱面布置示意圖

在基于熱平衡及傳熱原理計(jì)算的受熱面污染監(jiān)測(cè)模型中，定義受熱面的污染因子CF（Cleanliness Factor）為受熱面實(shí)際傳熱系數(shù)Ksj與理想狀態(tài)傳熱系數(shù)Klx的比值，直接反映受熱面的污染程度。當(dāng)受熱面清潔時(shí)，CF=0；CF越大則表明受熱面積灰結(jié)渣污染越嚴(yán)重。

作為輸出樣本點(diǎn)的灰污系數(shù)是綜合反應(yīng)受熱面污染狀態(tài)的參數(shù)，通過(guò)試驗(yàn)進(jìn)行長(zhǎng)時(shí)間積灰使受熱面積灰達(dá)到動(dòng)態(tài)平衡，作為灰污系數(shù)的上限，假定為0.9；吹灰器動(dòng)作后，灰污系數(shù)將快速下降，以吹灰器吹掃完畢時(shí)刻的灰污系數(shù)為下限，由于吹灰存在死角，沒(méi)有完全清潔的狀態(tài)，可以假定下限為0.2；根據(jù)積灰的規(guī)律，用多項(xiàng)式擬合積灰和吹灰過(guò)程中的灰污系數(shù)得到輸出樣本點(diǎn)。本文選取高再積灰試驗(yàn)的數(shù)據(jù)作為總樣本，選取總樣本的一半樣本點(diǎn)作為學(xué)習(xí)樣本，另一半作為檢驗(yàn)預(yù)測(cè)樣本，并在使用前先進(jìn)行歸一化處理。

2.3 參數(shù)和核函數(shù)的選取

采用ε-支持向量機(jī)回歸機(jī)（ε-SVR）來(lái)進(jìn)行模型學(xué)習(xí)預(yù)測(cè)。首先核函數(shù)選取徑向基函數(shù)：

為了獲得最佳的參數(shù)C和σ，并訓(xùn)練得到最優(yōu)支持向量回歸機(jī)，本文采用的尋優(yōu)方法的多次交叉驗(yàn)證。如根據(jù)數(shù)據(jù)情況將其拆分為3組，先用1和2來(lái)訓(xùn)練分類器，預(yù)測(cè)3以得到誤差率；再用1和3訓(xùn)練并預(yù)測(cè)2得到誤差率，最后用2跟3訓(xùn)練并預(yù)測(cè)1得到誤差率。在進(jìn)行交叉驗(yàn)證時(shí)，記錄不同參數(shù)所對(duì)應(yīng)的誤差率平均值，最終選取最小的誤差率平均值所對(duì)應(yīng)的C和σ作為最優(yōu)參數(shù)。通過(guò)LibSVM軟件采用此尋優(yōu)方法得到最優(yōu)參數(shù)C=2.0，σ=8.0和損失函數(shù)ε= 0.0009765625，將尋優(yōu)得到的參數(shù)輸入對(duì)學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)，可以得到一個(gè)高再受熱面的灰污監(jiān)測(cè)模型。

2.4模型分析

將尋優(yōu)得到的參數(shù)運(yùn)用到支持向量回歸機(jī)中對(duì)學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)，可以得到一個(gè)高再受熱面的灰污監(jiān)測(cè)模型。再通過(guò)此模型對(duì)預(yù)測(cè)數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)，所得預(yù)測(cè)結(jié)果的均方誤差Means squared error=0. 000593793，相關(guān)系數(shù)Squared correlation coefficient=0. 989223，結(jié)果如圖2所示。由于選取的是高再受熱面積灰試驗(yàn)的樣本，開始吹灰之前的灰污系數(shù)已經(jīng)接近于上限0.9，當(dāng)吹灰開始后，灰污系數(shù)明顯下降，吹灰結(jié)束后緩慢上升。由均方誤差和相關(guān)系數(shù)可見(jiàn)模型的準(zhǔn)確性很高，曲線能夠很好的跟蹤實(shí)際過(guò)程，模型能夠準(zhǔn)確反應(yīng)出高再受熱面污染狀況的改變。

圖2 模型預(yù)測(cè)結(jié)果

3 結(jié)語(yǔ)

運(yùn)用支持向量機(jī)算法對(duì)超超臨界鍋爐污染監(jiān)測(cè)模型進(jìn)行了預(yù)測(cè)，主要得出下面結(jié)論：

（1）支持向量機(jī)相比于神經(jīng)網(wǎng)絡(luò)算法，使用了很小的樣本獲得了更準(zhǔn)確的預(yù)測(cè)模型，并且避免了神經(jīng)網(wǎng)絡(luò)“過(guò)學(xué)習(xí)”和局部最優(yōu)化的問(wèn)題。

（2）通過(guò)預(yù)測(cè)曲線可以看到，運(yùn)用ε-支持向量回歸機(jī)得到的預(yù)測(cè)結(jié)果均方誤差很小，曲線能很好的跟蹤實(shí)際過(guò)程，運(yùn)用支持向量機(jī)預(yù)測(cè)灰污系數(shù)的方案是可行的。

（3）目前基于支持向量機(jī)的鍋爐污染監(jiān)測(cè)模型的研究還有待推廣到實(shí)際應(yīng)用中，這是下一步的研究方向。

[1] 王新，馬波，向文國(guó).600MW機(jī)組鍋爐對(duì)流受熱面在線監(jiān)測(cè)研究[J].江蘇電機(jī)工程，2007，26（5）：63-65.

[2] 萬(wàn)俊松，向文國(guó).基于神經(jīng)網(wǎng)絡(luò)的電站鍋爐空氣預(yù)熱器積灰在線監(jiān)測(cè)模型研究[J]. 能源研究與利用，2006，（3）:14-16.

[3] 朱予東，閻維平，高正陽(yáng)，等. 600MW機(jī)組鍋爐對(duì)流受熱面污染狀況實(shí)驗(yàn)與吹灰優(yōu)化[J]. 動(dòng)力工程，2005，25（2）:196-200.

[4] 吳觀輝，向文國(guó).基于神經(jīng)網(wǎng)絡(luò)的鍋爐對(duì)流受熱面灰污監(jiān)測(cè)研究[J].鍋爐技術(shù)，2005，36（2）:18-21.

[5] 王廣軍，欒秀春.基于人工神經(jīng)網(wǎng)絡(luò)的電站受熱面污染部位診斷[J].鍋爐技術(shù)，2000，31（11）:28-32.

[6] 白鵬，張喜斌，張斌，等.支持向量機(jī)理論及工程應(yīng)用實(shí)例[M].西安:西安電子科技大學(xué)出版社，2008.

修回日期：2016-12-14

Research on Fouling Monitoring Model for Heating Surface of Ultra-supercritical Boiler Based on the Support Vector Machine

ZHOU Bao-zhong
（Huadian Electric Power Research Institute,Hangzhou 310030，China）

Through the study of“Experiments on Soot-blowing Effect of ultra-supercritical Boiler”from a science (innovative funding)project in a electricity generation group, a novel method was presented in the following part. To begin with, the real-time data sample was gathered by the DCS data acquisition system from the power plant. Furthermore, the ε-support vector regression（ε-SVR）was used to build the learning and prediction model. Eventually, the consequence confirms that the predictive model based on the support vector machine could achieve a minimal mean square error, which means this approach will perform well in actual process tracking and forecast results.

support vector machine （SVM）；boiler；fouling monitoring

10.3969/J.ISSN.2095-3429.2016.06.010

TK16

B

2095-3429（2016）06-0036-03

周保中（1984-），男，江蘇寶應(yīng)人，碩士研究生，主要研究領(lǐng)域?yàn)闊崃ο到y(tǒng)優(yōu)化、能源戰(zhàn)略與規(guī)劃、碳排放管理、電力市場(chǎng)等。

2016-10-08