基于支持向量機(jī)的“二拖一”燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組變工況分析

朱亞迪,韋紅旗,王麗麗,盛 波

(東南大學(xué)能源與環(huán)境學(xué)院,南京210096)

基于支持向量機(jī)的“二拖一”燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組變工況分析

朱亞迪,韋紅旗,王麗麗,盛 波

(東南大學(xué)能源與環(huán)境學(xué)院,南京210096)

影響聯(lián)合循環(huán)機(jī)組性能的因素很多,除了裝置本身的結(jié)構(gòu)外,機(jī)組所處的環(huán)境條件、運(yùn)行方式等因素也會對機(jī)組的性能產(chǎn)生影響。這些因素往往具有強(qiáng)耦合、大延遲以及不確定性等特點。采用基于遺傳算法優(yōu)化的支持向量機(jī)的數(shù)學(xué)方法建立了各影響因素與發(fā)電熱耗之間的數(shù)學(xué)模型,并與常規(guī)的支持向量機(jī)模型進(jìn)行對比,以驗證模型的準(zhǔn)確性。利用所建立的模型對聯(lián)合循環(huán)機(jī)組“二拖一”運(yùn)行的變工況特性進(jìn)行分析；同時分別對2臺燃?xì)廨啓C(jī)“一拖一”運(yùn)行進(jìn)行建模,對比分析2臺燃?xì)廨啓C(jī)的變工況特性的差異,得到很好的結(jié)果。

燃?xì)?蒸汽聯(lián)合循環(huán)；遺傳算法；支持向量機(jī)；變工況；二拖一；一拖一

燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組在我國電網(wǎng)中主要起調(diào)峰作用,機(jī)組經(jīng)常要變工況運(yùn)行,環(huán)境參數(shù)的變化和機(jī)組設(shè)備狀態(tài)的變化等因素也會對機(jī)組的經(jīng)濟(jì)運(yùn)行產(chǎn)生一定的影響。隨著廠網(wǎng)分開、競價上網(wǎng)電力機(jī)制的建立,聯(lián)合循環(huán)機(jī)組的經(jīng)濟(jì)運(yùn)行變得越來越重要。要實現(xiàn)機(jī)組的優(yōu)化運(yùn)行就要了解機(jī)組的變工況特性,但是引起機(jī)組變工況的因素與機(jī)組的變工況性能之間是非線性的關(guān)系,這就增加了對機(jī)組進(jìn)行建模的難度。

常規(guī)的對聯(lián)合循環(huán)機(jī)組的建模方式主要有兩種［1］：(1)通過變工況試驗或者理論計算的方法,精度雖高,但是耗時長、工作量大,代價比較高；(2)利用廠家提供的設(shè)計性能曲線和一些修正圖表,在機(jī)組遠(yuǎn)離設(shè)計工況運(yùn)行時精確度可能會下降,且隨著機(jī)組運(yùn)行時間的增加,機(jī)組一些部件會出現(xiàn)老化,精確度會更低。

基于數(shù)據(jù)的建模方法,具有建模速度快、模型精度高以及更新方便等特點,運(yùn)用越來越廣泛。利用神經(jīng)網(wǎng)絡(luò)建立機(jī)組的變工況模型已經(jīng)取得較好的效果［2-3］；但是常規(guī)的神經(jīng)網(wǎng)絡(luò)存在局部最小、過學(xué)習(xí)及隱層節(jié)點的選取缺乏理論指導(dǎo)等缺陷,從而削弱了其預(yù)測能力［4］。支持向量機(jī)(SVM)作為一種成熟的統(tǒng)計學(xué)習(xí)方法,有效地抑制了過學(xué)習(xí)和欠學(xué)習(xí)現(xiàn)象,能獲得較好的泛化能力,在建模方面顯示了強(qiáng)大的優(yōu)勢,應(yīng)用廣泛［5］。

筆者利用SVM建立“二拖一”聯(lián)合循環(huán)機(jī)組的變工況模型,并利用遺傳算法對SVM的參數(shù)進(jìn)行尋優(yōu),結(jié)果顯示所建立的模型能夠很好地預(yù)測不同工況下機(jī)組的發(fā)電熱耗；同時對2臺燃?xì)廨啓C(jī)分別進(jìn)行“一拖一”運(yùn)行時的工況進(jìn)行建模,以便于對比分析2臺燃?xì)廨啓C(jī)性能的差異。

1 回歸問題SVM

SVM在數(shù)據(jù)建模方面具有良好的性能,該算法通過引入結(jié)構(gòu)風(fēng)險最小化理論來降低實際風(fēng)險,在學(xué)習(xí)樣本較少時仍能保證模型的準(zhǔn)確性［6］。支持向量回歸機(jī)的基本思想是：對于訓(xùn)練樣本集(xi,yi)(其中i=1,2,…,n；xi∈Rm,為輸入變量；yi∈R,為對應(yīng)的目標(biāo)變量),尋找一個輸入空間到輸出空間的非線性映射φ,并通過將數(shù)據(jù)x映射到一個高維特征空間F,在特征空間中用估計函數(shù)進(jìn)行線性回歸：

式中：b為閾值。

根據(jù)統(tǒng)計學(xué)理論,SVM通過對下列目標(biāo)函數(shù)極小化來取得回歸函數(shù)：

約束條件為：

式中：常數(shù)C＞0,為懲罰系數(shù),表示對超出誤差的樣本的懲罰程度；ζi和ζ*i為松弛因子；ε為不敏感損失函數(shù)。求解最終得到回歸問題的決策函數(shù)：

式中：K(xi,xj)為核函數(shù),Mercer定理已證明,只要滿足Mercer條件的對稱函數(shù)即可作為核函數(shù)。核函數(shù)的選擇目前尚無成熟理論,常用的核函數(shù)有：徑向基函數(shù)、多項式函數(shù)、Sigmoid函數(shù)、線性函數(shù)等［7］,筆者選取徑向基函數(shù)(RBF)作為核函數(shù)。

式中：σ為核函數(shù)的寬度參數(shù),控制核函數(shù)的徑向作用范圍。

SVM參數(shù)的選取對模型的性能有很大的影響,其中影響最大的參數(shù)有懲罰系數(shù)C、核函數(shù)參數(shù)σ、不敏感損失函數(shù)的ε值。合理的選擇這些參數(shù)對保證SVM的性能至關(guān)重要,但是目前尚無理論來指導(dǎo)選取這些參數(shù),大都是憑經(jīng)驗選?。?］。筆者利用遺傳算法對上述參數(shù)進(jìn)行尋優(yōu)。

2 遺傳算法

遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索尋優(yōu)的算法,具有通用性強(qiáng)、全局最優(yōu)和搜索速度快等優(yōu)點［8］。利用遺傳算法對SVM參數(shù)進(jìn)行尋優(yōu)的基本步驟如下：

(1)根據(jù)實際情況,確定C和σ的取值范圍。

(2)隨機(jī)選擇各參數(shù)的初始值,并選擇某種編碼函數(shù)構(gòu)造初始種群。

(3)將初始種群輸入到SVM模型中進(jìn)行訓(xùn)練,并計算適應(yīng)度函數(shù)值。

(4)判斷適應(yīng)度函數(shù)值是否滿足要求或者已經(jīng)達(dá)到遺傳的最大代數(shù),若滿足轉(zhuǎn)入步驟6,否則進(jìn)行步驟5。

(5)通過選擇、交叉、變異產(chǎn)生新的種群,然后從步驟3重新開始迭代計算。

(6)輸出最佳的SVM參數(shù),訓(xùn)練得到最佳的SVM模型。

3 影響機(jī)組性能的因素

以780 MW級燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組為研究對象,2臺燃?xì)廨啓C(jī)為GE公司生產(chǎn)的9FA型燃?xì)廨啓C(jī),余熱鍋爐為三壓再熱、臥式、不補(bǔ)燃余熱鍋爐,汽輪機(jī)為三壓、一次中間再熱、雙缸雙排汽汽輪機(jī)。

對聯(lián)合循環(huán)機(jī)組進(jìn)行建模的主要目的是便于機(jī)組的優(yōu)化運(yùn)行,評價機(jī)組運(yùn)行優(yōu)良的主要指標(biāo)之一為發(fā)電熱耗,因此把機(jī)組的發(fā)電熱耗作為聯(lián)合循環(huán)機(jī)組變工況模型的輸出,即SVM的因變量。把影響發(fā)電熱耗的相關(guān)運(yùn)行參數(shù)作為模型的輸入。根據(jù)燃?xì)廨啓C(jī)、余熱鍋爐、汽輪機(jī)的機(jī)理確定SVM模型的輸入?yún)?shù)。

3.1 燃?xì)廨啓C(jī)部分

燃?xì)廨啓C(jī)部分又分為壓氣機(jī)、燃燒室和燃?xì)馔钙饺糠帧?/p>

(1)影響壓氣機(jī)運(yùn)行的因素主要是環(huán)境參數(shù),其中環(huán)境溫度、大氣壓力以及相對濕度對壓氣機(jī)的性能均有影響,尤其是環(huán)境溫度對壓氣機(jī)的性能影響很大。由于壓氣機(jī)進(jìn)口通常裝有過濾裝置,因此在考慮大氣壓力的影響時要把壓氣機(jī)進(jìn)口壓降考慮在內(nèi)。

(2)燃燒室部分主要考慮燃料因素的影響。由于燃料的在線分析比較困難,無法考慮燃料成分以及燃料低位發(fā)熱量的影響,只考慮進(jìn)入燃燒室的燃料溫度的影響。

3.2 余熱鍋爐部分

余熱鍋爐的進(jìn)口煙氣參數(shù)取決于燃?xì)馔钙脚艢獾膮?shù),對于結(jié)構(gòu)一定的燃?xì)馔钙?排氣參數(shù)完全取決于進(jìn)入透平的燃?xì)鈪?shù)。由燃?xì)廨啓C(jī)部分分析可知,輸入燃?xì)鈪?shù)由燃料和壓氣機(jī)進(jìn)氣決定。由于余熱鍋爐為不補(bǔ)燃余熱鍋爐,僅存在換熱過程,自然循環(huán)余熱鍋爐排煙溫度只取決于燃?xì)馔钙絽?shù)。從以上分析可知,影響余熱鍋爐性能的參數(shù)只有透平排氣參數(shù)。

3.3 汽輪機(jī)部分

聯(lián)合循環(huán)機(jī)組的汽輪機(jī)采用滑壓運(yùn)行,汽輪機(jī)不設(shè)調(diào)節(jié)級,所有調(diào)節(jié)閥全開［9］,進(jìn)汽參數(shù)完全取決于余熱鍋爐、汽輪機(jī)的結(jié)構(gòu)與特性,因此汽輪機(jī)部分只考慮機(jī)組背壓這一影響因素。

根據(jù)GE公司提供的性能曲線可以看出,發(fā)電機(jī)的頻率對機(jī)組的性能影響很小,可以忽略不計。因此通過以上分析最終確定SVM的輸出為機(jī)組發(fā)電熱耗,輸入?yún)?shù)為機(jī)組總發(fā)電負(fù)荷、環(huán)境溫度、大氣壓力、環(huán)境相對濕度、壓氣機(jī)進(jìn)氣濾網(wǎng)壓降、燃料溫度、汽輪機(jī)背壓等10個參數(shù)。

4 基于SVM的聯(lián)合循環(huán)機(jī)組建模

建模的數(shù)據(jù)全部取自電廠SIS系統(tǒng),均為機(jī)組穩(wěn)定運(yùn)行時的數(shù)據(jù)。為消除測量系統(tǒng)以及外界環(huán)境引起的波動,對機(jī)組任一工況穩(wěn)定運(yùn)行時間段內(nèi)的數(shù)據(jù)取平均值。對于“二拖一”運(yùn)行方式,最終獲取150組數(shù)據(jù),選擇其中的100組作為訓(xùn)練數(shù)據(jù),剩余的50組作為測試數(shù)據(jù)；另外,按照以上方式分別選取1號燃?xì)廨啓C(jī)和2號燃?xì)廨啓C(jī)“一拖一”運(yùn)行方式下的運(yùn)行數(shù)據(jù)各100組,其中70組作為訓(xùn)練數(shù)據(jù),30組作為測試數(shù)據(jù)。由于2號燃?xì)廨啓C(jī)“一拖一”運(yùn)行時間較短,因此所選的數(shù)據(jù)分布不夠均勻,從而造成學(xué)習(xí)樣本豐富的工況附近的預(yù)測較準(zhǔn),而學(xué)習(xí)樣本較少的工況預(yù)測就不夠準(zhǔn)確。

4.1 機(jī)組“二拖一”運(yùn)行時的變工況模型

對所選取的原始數(shù)據(jù)歸一化到［-1,1］區(qū)間,然后將預(yù)處理過的數(shù)據(jù)輸入到支持向量回歸機(jī)模型,并利用遺傳算法對支持向量回歸機(jī)模型進(jìn)行優(yōu)化。將測試數(shù)據(jù)輸入到所建模型中,以檢驗?zāi)Ｐ偷臏?zhǔn)確性。

進(jìn)行回歸分析選用ε-SVM回歸模型,需要優(yōu)化的SVM參數(shù)主要有C和σ。首先選取合適的遺傳算法參數(shù),遺傳算法的參數(shù)的設(shè)置直接影響模型的準(zhǔn)確度,根據(jù)文獻(xiàn)［10］,將種群規(guī)模設(shè)為20,最大進(jìn)化代數(shù)設(shè)為200,交叉概率為0.9,變異概率為0.01。

參數(shù)范圍：0≤C≤100,0≤g≤1 000。

遺傳算法參數(shù)尋優(yōu)的過程中適應(yīng)度變化趨勢見圖1。

圖1 SVM參數(shù)尋優(yōu)過程中適應(yīng)度變化趨勢

由圖1可以看出在經(jīng)過13代進(jìn)化以后,得到的最優(yōu)參數(shù)為：C=19.554,σ=0.029 6。根據(jù)優(yōu)化得到的參數(shù),用所選“二拖一”運(yùn)行數(shù)據(jù)的前100組訓(xùn)練SVM模型,并用后50組數(shù)據(jù)進(jìn)行預(yù)測檢驗。檢驗的結(jié)果見圖2。

圖2 “二拖一”變工況模型對測試數(shù)據(jù)的擬合結(jié)果

4.2 機(jī)組“一拖一”運(yùn)行時的變工況建模

在對機(jī)組“一拖一”運(yùn)行方式建模時,遺傳算法的參數(shù)設(shè)置與“二拖一”運(yùn)行建模時相同。

用優(yōu)化后的SVM模型對測試集數(shù)據(jù)進(jìn)行預(yù)測的同時,還利用常規(guī)的SVM模型進(jìn)行預(yù)測。標(biāo)準(zhǔn)SVM數(shù)據(jù)根據(jù)經(jīng)驗選?。篊=16,σ=1。結(jié)果見表1。從表1可以看出：優(yōu)化后的SVM模型精度均高于未經(jīng)優(yōu)化的SVM模型,說明GASVM具有更好的逼近能力。

表1 變工況模型預(yù)測誤差

5 仿真分析

利用所建的變工況模型,采用增量分析法對外界參數(shù)變化對機(jī)組發(fā)電熱耗產(chǎn)生的影響進(jìn)行分析。

增量分析法,即選擇某一典型運(yùn)行工況作為基準(zhǔn)工況,輸入到已建立的變工況模型中,將待分析的參數(shù)作為主變量等步長增加,同時維持其他參數(shù)不變。將上述數(shù)據(jù)輸入到SVM模型中計算,輸出值為對應(yīng)運(yùn)行參數(shù)下的發(fā)電熱耗。首先對機(jī)組“二拖一”運(yùn)行方式進(jìn)行分析計算,為了便于與GE公司所提供的性能曲線進(jìn)行對比,筆者主要分析機(jī)組負(fù)荷、環(huán)境溫度、大氣壓力和相對濕度對機(jī)組發(fā)電熱耗的影響關(guān)系。圖3～圖8分別為“二拖一”運(yùn)行方式下機(jī)組發(fā)電負(fù)荷、環(huán)境溫度、壓氣機(jī)進(jìn)口壓降,相對濕度對機(jī)組發(fā)電熱耗的影響曲線,以及GE公司提供的發(fā)電熱耗修正曲線。

圖3 機(jī)組負(fù)荷與發(fā)電熱耗的關(guān)系曲線

圖4 環(huán)境溫度對發(fā)電熱耗的關(guān)系曲線

圖5 GE公司提供環(huán)境溫度對發(fā)電熱耗的關(guān)系

圖6 壓氣機(jī)進(jìn)口壓降對發(fā)電熱耗的影響

圖7 空氣相對濕度對發(fā)電熱耗的影響

圖8 GE公司提供相對濕度對發(fā)電熱耗的關(guān)系曲線

從圖3～圖8中可以看出：發(fā)電負(fù)荷對熱耗的影響最大,而環(huán)境溫度、大氣壓力和相對濕度影響相對較小。通過與GE公司提供的原始曲線進(jìn)行對比發(fā)現(xiàn)：相對濕度和環(huán)境溫度的影響趨勢是相同的,但是還是有一定的偏差,這是因為機(jī)組經(jīng)過幾年的運(yùn)行以及幾次大修,改造了一部分結(jié)構(gòu)和設(shè)備,因而機(jī)組目前的運(yùn)行特性必然與原始特性有一定的差別,再次說明了基于運(yùn)行數(shù)據(jù)建模的重要性。

對2臺燃?xì)廨啓C(jī)分別“一拖一”運(yùn)行進(jìn)行仿真模擬,采用與“二拖一”相同的方法---增量分析法,1號燃?xì)廨啓C(jī)和2號燃?xì)廨啓C(jī)使用相同的基準(zhǔn)工況,對比分析2臺燃?xì)廨啓C(jī)“一拖一”運(yùn)行時的變工況特性的區(qū)別。對于“一拖一”運(yùn)行模擬環(huán)境溫度對發(fā)電熱耗的影響見圖9。

圖9 環(huán)境溫度對“一拖一”運(yùn)行發(fā)電熱耗的影響

由于所取歷史數(shù)據(jù)中,燃?xì)廨啓C(jī)“一拖一”運(yùn)行的環(huán)境溫度均在20℃以上,因此變工況計算時環(huán)境溫度最小取20℃?？梢钥闯觯弘S著環(huán)境溫度的升高,2臺燃?xì)廨啓C(jī)“一拖一”運(yùn)行的發(fā)電熱耗均升高；但是在相同的環(huán)境溫度下,1號燃?xì)廨啓C(jī)熱耗小于2號燃?xì)廨啓C(jī)熱耗,而此現(xiàn)象與實際生產(chǎn)情況相同。

6 結(jié)語

筆者采用SVM對燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組“二拖一”和“一拖一”運(yùn)行分別建立變工況模型,通過相關(guān)的檢驗證明能夠滿足實際工程需要。利用所建立的變工況模型進(jìn)行了部分因素的影響分析,將仿真模擬結(jié)果與GE公司所提供的修正曲線進(jìn)行對比,并對2臺燃?xì)廨啓C(jī)分別“一拖一”運(yùn)行的變工況特性進(jìn)行對比分析；同時在相同工況下,1號燃?xì)廨啓C(jī)“一拖一”運(yùn)行的發(fā)電熱耗小于2號燃?xì)廨啓C(jī)“一拖一”運(yùn)行的發(fā)電熱耗。

［1］陳堅紅.聯(lián)合循環(huán)機(jī)組運(yùn)行計劃和負(fù)荷分配建模啟發(fā)式遺傳算法求解和數(shù)據(jù)處理［D］.杭州：浙江大學(xué),2004.

［2］葛榮彬,劉尚明,李忠義.單軸聯(lián)合循環(huán)機(jī)組的變工況性能分析［J］.燃?xì)廨啓C(jī)技術(shù),2008,21(4)：1-5.

［3］葛榮彬,劉尚明.基于人工神經(jīng)網(wǎng)絡(luò)的單軸聯(lián)合循環(huán)機(jī)組變工況模擬［J］.燃?xì)廨啓C(jī)技術(shù),2008,21(1)：30-35.

［4］江文豪,韋紅旗,屈天章,等.基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)燃煤發(fā)熱量預(yù)測［J］.熱力發(fā)電,2011,40(3)：14-19.

［5］王春林,周昊,李國能,等.基于遺傳算法和支持向量機(jī)的低NOx燃燒優(yōu)化［J］.中國電機(jī)工程學(xué)報,2007,27(11)：40-44.

［6］Vapnik V N.統(tǒng)計學(xué)習(xí)理論［M］.許建華,張學(xué)工,譯.北京：電子工業(yè)出版社,2004.

［7］李凌均,張周鎖,何正嘉.基于支持向量機(jī)的機(jī)械設(shè)備狀態(tài)趨勢預(yù)測研究［J］.西安交通大學(xué)學(xué)報,2004,38(3)：230-233.

［8］雷英杰,張善文,李續(xù)武,等.Matlab遺傳算法工具箱及應(yīng)用［M］.西安：西安電子科技大學(xué)出版社,2005.

［9］趙士杭.聯(lián)合循環(huán)機(jī)組合理的變工況運(yùn)行方式［J］.動力工程,1995,15(3)：28-33.

［10］李敏強(qiáng).遺傳算法的基本理論與應(yīng)用［M］.北京：科學(xué)出版社,2002.

Analysis on Off-design Performance of a Two-Pull-One GTCC Unit Based on SVM

Zhu Yadi,Wei Hongqi,Wang Lili,Sheng Bo
(School of Energy and Environment,Southeast University,Nanjing 210096,China)

The performance of a gas turbine combined cycle(GTCC)unit may be affected by plenty of elements,such as the construction of the equipment,the environmental conditions and the operation mode, etc.,which have the characteristics of strong-coupling,large delay and great uncertainties.Using support vector machine(SVM)and the genetic algorithm(GA),a model was established to analyze the relationship between above elements and the heat consumption,and the results were compared with conventional SVM method,so as to verify the reliability and accuracy of the GA-SVM model,which was subsequently used to analyze the off-design performance of the GTCC unit under two-pull-one operation mode；simultaneously,a GA-SVM model under one-pull-one operation mode was set up respectively for the two gas turbines to comparatively analyze their off-design performance,when good results were obtained.

GTCC；GA；SVM；off-design condition；two-pull-one；one-pull-one

TM611.31

A

1671-086X(2015)03-0155-05

2014-11-24

朱亞迪(1991-),男,在讀碩士研究生,研究方向為燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組的優(yōu)化運(yùn)行。

E-mail：vadiyyh@126.com