本发明属于能源动力技术领域,具体涉及一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,适用于汽轮机低压缸的排汽焓的在线计算、汽轮机低压缸效率的在线计算、汽轮发电机组热力系统的在线经济分析。
背景技术:
随着发电行业逐步进入信息化时代,这就需要在线计算汽轮机组的经济性,难点在于汽轮机低压缸的排汽焓的在线计算。汽轮机低压缸的排汽品位低,而且是湿蒸汽,除了需要排汽压力和排汽温度外,还需要利用湿蒸汽干度,才能计算排汽焓,然而,汽轮机低压缸的排汽干度没有在线测量装置,这就无法在线计算低压缸的排汽焓,进而无法在线计算低压缸效率以及汽轮发电机组的经济性。
传统的能量平衡法计算汽轮机的排汽焓,所需数据多,且计算工作量大、计算步骤繁琐,缺乏实时性差。曲线外推法计算汽轮机的排汽焓,在低负荷以及变工况时不理想,计算精度差。熵增计算法计算汽轮机的排汽焓,涉及到辅助汽水的流量分布,实用性不大。人工神经网络算法计算汽轮机低压缸的排汽焓容易陷入局部极值,还易发生“过拟合”现象。
如何利用机器学习算法实现汽轮机低压缸排汽焓的在线计算成为了技术难点。最小二乘支持向量机能够克服人工神经网络的不足,还能够克服普通支持向量机对于大样本数据训练的局限性,因此越来越广泛地被用于复杂非线性系统的建模中。
技术实现要素:
本发明的目的在于提供一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,通过最小二乘支持向量机这种机器学习算法,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型,通过对模型的训练得到基于最小二乘支持向量机的汽轮机低压缸排汽焓计算模型,便于在线监测中实时调用,从而在线计算汽轮机的排汽焓、在线分析汽轮发电机组热力系统的经济性。
本发明采用如下技术方案来实现的:
一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,包括以下步骤:
1)收集汽轮机正常运行全负荷工况下的历史数据并进行数据预处理;
2)对预处理后的历史数据进行归一化处理;
3)建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓预测模型;
4)基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型的训练;
5)将训练好的基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型储存,方便在线计算汽轮发电机组的经济性时实时调用。
本发明进一步的改进在于,步骤1)的具体实现方法如下:
提取汽轮机正常运行全负荷工况下的历史数据,包括由机组负荷、主蒸汽流量、压力和温度、调节级后压力和温度、中压缸进汽压力和温度组成的进汽参数,由高压缸排汽压力和温度、低压缸排汽和温度组成的排汽参数,汽轮机八级回热系统的抽汽压力和温度的抽汽参数,以及汽轮机低压缸的排汽焓试验数据,并对历史数据用证实法进行数据预处理,剔除明显的坏点,计算模型如下:
x=(x1,x2,…,xm)t(2)
式中:xm+1表示预测值,m表示前m个数;x表示原始数据矩阵;b表示系数矩阵,t表示矩阵转置运算;
取当前采样数据之前的十个正常数据样本点作为历史数据,用五阶不加权预测模型,计算得到的预测系数矩阵为b,当预测值和测量值之差超过20%时,就用预测值代替测量值。
本发明进一步的改进在于,步骤2)中,将采集到的28个输入变量和输出变量做归一化处理,将其转换为无量纲量,消除量纲和数量级对模型训练的影响,归一化公式为:
式中,x表示分别为归一化前的值,x’表示归一化后的值;ymax表示归一化范围的最大值,ymin表示归一化范围的最小值,归一化后的数据均落在-1到1之间。
本发明进一步的改进在于,步骤3)中,用归一化后的28个无量纲参数作为最小二乘支持向量机的输入变量,归一化后的汽轮机低压缸排汽焓无量纲参数作为输出变量,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型。
本发明进一步的改进在于,具体方法如下:
对于样本集(xi,yi),i=1,2,…l,x∈rl,y∈r,其中xi表示第i个输入向量,yi表示第i个输出,最小二乘支持向量机的回归模型为:
f(x)=htφ(x)+n(4)
式中,h和n为需要确定的参数,φ(·)为非线性映射,将样本映射到特征空间中,求解式(5)的最小化即可确定h和n,式(5)的最优化问题表示为式(6)的形式:
式中,g1表示损失函数,c表示调节因子,与式(6)相对应的lagrange函数为:
式中,αi≥0表示lagrange乘子,ei表示误差;根据kkt条件:
式中,k(x,xi)=φ(x)tφ(xi)为一个满足mercer条件的核函数;
选用径向基函数作为基于最小二乘支持向量机的汽轮机低压缸的排汽焓的核函数,其表达式为:
式中,σ2表示核宽度。
本发明进一步的改进在于,步骤4)中,最小二乘支持向量机模型的核函数选用rbf径向核函数,初设调节因子c为136和核参数σ2为8,进行最小二乘支持向量机模型的训练,并优化得到最终的调节因子c和核参数σ2。
本发明具有如下有益的技术效果:
本发明通过最小二乘支持向量机建模来计算汽轮机低压缸的排汽焓,首先对采集到的正常运行下全负荷工况的历史数据进行数据预处理,剔除其中明显的坏点,再对剔除坏点后的数据做归一化处理,将其转换为无量纲量,消除量纲和数量级对模型训练的影响。用归一化后的28个无量纲参数作为最小二乘支持向量机模型的输入变量,归一化后的汽轮机低压缸排汽焓无量纲参数作为最小二乘支持向量机模型输出变量,通过对模型的训练,得到基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型,再将训练好的模型储存起来,方便在实时计算汽轮发电机组经济性时直接调用。
附图说明
图1为本发明基于最小二乘支持向量机的汽轮机排汽焓实时计算方法的模型图。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
如图1所示,本发明提供的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,包括以下步骤:
1)收集历史稳态数据
在电厂的生产过程数据库系统里提取汽轮机正常运行全负荷工况下的历史数据(机组负荷、主蒸汽流量、压力和温度、调节级后压力和温度、中压缸进汽压力和温度等进汽参数,高压缸排汽压力和温度、低压缸排汽压力和温度等排汽参数,汽轮机八级回热系统的抽汽压力和温度等抽汽参数,汽轮机低压缸排汽焓等试验数据)。
2)数据预处理
机组运行过程中热工参数偶尔会受到干扰产生坏点,这些坏点偏离了真实值不能用于模型的训练,必须要将其剔除。因此在对模型训练前首先要对采集到的历史数据进行数据预处理,以剔除明显的坏点。本发明用证实法对历史数据进行预处理,在合适的采样周期下,利用历史数据趋势预测紧跟着的下一个数据,再用预测值与实测值进行对比,以验证实测值的正确性,其具有占用内存小、计算量小等特点,非常适合在线计算,计算模型如下:
x=(x1,x2,…,xm)t(2)
式中:xm+1表示预测值,m表示前m个数;x表示原始数据矩阵;b表示系数矩阵,t表示矩阵转置运算。
取当前采样数据之前的十个正常数据样本点作为历史数据,用五阶不加权预测模型,计算得到的预测系数矩阵为b,当预测值和测量值之差超过20%时,就用预测值代替测量值。
3)归一化处理
采集到的28个输入变量和输出变量相互之间的单位并不统一,数量级也存在差异,需要利用归一化原理将其转换为无量纲量,以消除其差异,模型输出预测结果时反归一化即可,归一化公式为:
式中,x表示分别为归一化前的值,x’表示归一化后的值;ymax表示归一化范围的最大值,ymin表示归一化范围的最小值。归一化后的数据均落在-1到1之间。
4)建立汽轮机低压缸的排汽焓的最小二乘支持向量机计算模型
(1)最小二乘支持向量机原理
最小二乘支持向量机由标准支持向量机改进和扩展而来,是支持向量机在二次损失函数下的一种表现形式。最小二乘支持向量机利用等式约束代替了不等式约束,将二次规划问题变为一组等式方程来求解,缩短了求解所耗时间,有效地解决了大样本数据学习和训练的问题。最小二乘支持向量机的回归预测原理如下:
对于样本集(xi,yi),i=1,2,…l,x∈rl,y∈r,其中xi表示第i个输入向量,yi表示第i个输出,最小二乘支持向量机的回归模型为:
f(x)=htφ(x)+n(4)
式中,h和n为需要确定的参数,φ(·)为非线性映射,将样本映射到特征空间中,求解式(5)的最小化即可确定h和n,式(5)的最优化问题表示为式(6)的形式:
式中,g1表示损失函数,c表示调节因子,与式(6)相对应的lagrange函数为:
式中,αi≥0表示lagrange乘子,ei表示误差;根据kkt条件:
式中,k(x,xi)=φ(x)tφ(xi)为一个满足mercer条件的核函数;核函数是影响lssvm模型性能的关键。
选用径向基函数作为基于最小二乘支持向量机的汽轮机低压缸的排汽焓的核函数,其表达式为:
式中,σ2表示核宽度。
(2)计算流程图
对采集到的历史数据进行数据预处理剔除坏点,再对剔除坏点后的数据归一化处理,将其变为无量纲量,消除量纲和数量级对模型训练的影响。用归一化后的28个无量纲参数作为最小二乘支持向量机的输入变量,归一化后的汽轮机低压缸的排汽焓无量纲参数作为输出变量,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型,其计算流程图,如图1所示。
5)基于最小二乘支持向量机的汽轮机排汽焓计算模型的训练
最小二乘支持向量机模型的核函数选用rbf径向核函数,初设调节因子c为136和核参数σ2为8,进行最小二乘支持向量机模型的训练,并优化得到最终的调节因子c和核参数σ2。
6)模型的储存与调用
将训练好的最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型储存起来,方便在线计算汽轮发电机组的经济性时实时调用。