[发明专利]基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法

说明书

技术领域

本发明一种基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法，涉及支持向量机模型，属于机器学习建模领域。

背景技术

火电厂给水泵采用汽轮机驱动后，引风机已成为耗电量最大的辅机。在电动机驱动的模式下，1036MW机组的单台引风机电机最大电功率达到7400kW，占单机发电量的1.48％。且电动机驱动模式下，引风机采用静叶调节，电动机功率不变，在机组负荷变动时，电动机造成的额外厂用电损失很大，能源浪费严重。采用汽轮机代替电机驱动引风机是可以彻底解决以上问题极佳方案。采用汽动引风机方案，一方面可以减少电机启动时对厂用电系统的冲击；另外，采用变转速调节从而变工况运行时也能保证较高的效率。

由于汽动引风机采用静叶一转速结合的调节方式，其全工况性能比定转速汽动引风机复杂的多。为了使汽动引风机高效工作必须能够监测汽动引风机的工作点。但是目前并没有能够使用的汽动引风机在线监测模型。汽动引风机特性曲线是涉及比压Y(p/ρ)、容积流量Q和叶片角度3个参数复杂的非线性模型，传统的建模方法很难做到准确地确定汽动引风机工作点；而对于汽动引风机，由于增加了变转速调节复杂度更进一步增加。

发明内容

发明目的：针对现有技术的不足，本发明提供一种基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法，实现汽动引风机全工况在线监测，保证了汽动引风机高效工作。

技术方案：为了实现上述发明目的，本发明采用的技术方案为：

一种基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法，包括如下步骤：

(一)数据处理；对风机厂家给出的设计数据进行整理计算，选取足量的可以确定汽动引风机特性曲线的数据，整理得出下列参数，比压Y、容积流量Q、叶片角度β和风机转速n，其中比压Y为流体全压p与流体密度ρ的比值，即Y=p/ρ；在所有设计数据中选取适量作为训练数据用于建模，所有设计数据都用来测试模型准确度；

(二)最小二乘支持向量机训练建模；叶片角度β和比压Y作为训练模型的输入，容积流量Q作为输出，利用混沌粒子群算法，建立关于最小二乘支持向量机建模参数γ与σ²的寻优粒子群，利用训练数据的叶片角度β和比压Y以及粒子群个体γ与σ²参数进行试验建模，以模型输出容积流量Q与实际输出容积流量Qm的误差最小为目标，反复迭代优化粒子群结构，得到最优支持向量机模型；利用测试数据检测模型精度，得到精度符合标准的Q=f(Y，β)静态模型；

(三)重新训练模型；在Q=f(Y，β)静态模型的基础上，增加变量风机转速n，得到Q=f(Y，β，n)的全工况模型；

(四)发布模型；利用训练得到的全工况模型Q=f(Y，β，n)，结合ASP.NET网页编程技术，将所建模型以可视化网站的形式发布，在线确定汽动引风机工作点；

(五)修正模型；将步骤(四)所得汽动引风机工况点数据与SIS系统(Supervisory Information System inplant level)采集实际运行数据相比较，若存在误差，则用实际运行数据代替设计数据按照上述步骤一至步骤四重新建立模型。

支持向量机(SVM)在解决小样本、非线性、高维问题中具有明显的优势，结合了统计学习的VC维理论和结构风险最小理论，利用核函数，将样本向量映射到高维特征空间，使得原空间数据在高维空间线性可分，并且构造出最优分类面。支持向量机的算法复杂度与样本维数无关，模型更多地决定于少数支持向量，因此鲁棒性强，泛化能力强。最小二乘支持向量机(LSSVM)通过选取不同的损失函数，将标准支持向量机的二次规划问题转变为求解线性方程的问题，加快了收敛速度，更加适用于工程应用，可以更好地实现实时建模与模型修正。利用混沌粒子群算法(CPSO)进行建模参数寻优，使模型有了更强的可调节性，方便后期根据不同对象，确定不同建模策略，相比于其他寻优算法，大大加快了寻优速度和寻优精度。

使用汽动引风机设计数据训练最小二乘支持向量机，经验证后可以对汽动引风机的运行工作点有更加直观的了解，从而对汽动引风机的转速、静叶角度调节提出指导建议；另外，当汽动引风机运行偏离设计工况时，可以从SIS系统(Supervisory Information System in plant level)中重新选取数据对模型进行修正。

有益效果：1、本发明利用最小二乘支持向量机建立汽动引风机模型可以避免以往多项式建模准确度较差的问题，实现汽动引风机工作点的准确模拟。