[发明专利]一种基于PSO-SVR软测量模型的汽轮机排汽焓预测方法

说明书

本发明涉及一种基于PSO‑SVR软测量模型的汽轮机排汽焓预测方法，该方法包括以下步骤：获取样本数据集；引入粒子群智能算法，构建基于支持向量机的融合型回归模型用于排汽焓预测，即PSO‑SVR排汽焓软测量模型；基于所述样本数据集对所述PSO‑SVR排汽焓软测量模型进行训练，求解获得最好的预测模型，并建立相应的排汽焓回归函数；基于所述排汽焓回归函数进行汽轮机排汽焓预测。与现有技术相比，本发明具有预测能力好、预测精度高等优点。

技术领域

本发明涉及一种汽轮机排汽焓预测方法，尤其是涉及一种基于PSO-SVR软测量模型的汽轮机排汽焓预测方法。

背景技术

截至到2017年10月，我国电厂发电量51944亿千瓦时，同比增长6.0％，增速比上年同期提高2.1百分点。其中，全国规模以上火电厂发电量37993亿千瓦时，同比增长5.4％，增速较上年同期提高3.6个百分点。火力发电依然是我国主要的发电形式，然而，随着经济进入新常态，面对资源和环境的双重约束，火电行业面临的形式越来越严峻，这意味着火力发电技术的转型升级迫在眉睫，必须进入清洁高效的发展阶段，才能适应时代与社会的发展。

汽轮机在性能测试以及运行监测等过程中，有必要求出或者预测出排汽焓数值，方可更为精确地控制汽轮机的运转。不过，目前并未有成熟而精确的排汽焓计算方法。实际上，在汽轮机结构中，其排汽口主要位于湿蒸汽区域，而对于该区域中的湿度测控方法相对缺乏，难以通过该区域中的压力以及温度等数值来求出排汽焓。所以，在该种背景之下，如何找到与之相对应的精确求解方法成为了当前实践界以及学术界中的重点与难点问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于PSO-SVR软测量模型的汽轮机排汽焓预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于PSO-SVR软测量模型的汽轮机排汽焓预测方法，该方法包括以下步骤：

获取样本数据集；

引入粒子群智能算法，构建基于支持向量机的融合型回归模型用于排汽焓预测，即PSO-SVR排汽焓软测量模型；

基于所述样本数据集对所述PSO-SVR排汽焓软测量模型进行训练，求解获得最好的预测模型，并建立相应的排汽焓回归函数；

基于所述排汽焓回归函数进行汽轮机排汽焓预测。

进一步地，所述PSO-SVR软测量模型的建立具体为：

利用粒子群智能算法寻找支持向量回归的最优参数组[ε，c，σ]，将该最优参数组代入支持向量回归获得PSO-SVR软测量模型，其中，ε为不敏感损失变量，c为惩罚参数，σ为径向基核系数变量。

进一步地，所述利用粒子群智能算法寻找支持向量回归的最优参数组具体步骤为：

a)设置粒子群初始值，每个粒子代表一个参数组；

b)根据样本数据集计算每个粒子的适应度值，评估整个粒子群，采用的适应度函数定义为：

式中，y_i分别代表支持向量回归的实际输出和目标输出，n表示样本个数；

c)判断是否满足终止条件，若是，则输出最优粒子，从而获得最优参数组，若否，则执行步骤d)；

d)更新粒子，返回步骤b)。

进一步地，所述获取样本数据集具体为：

采集汽轮机历史数据，对所述汽轮机历史数据进行预处理，形成样本数据集。

进一步地，所述汽轮机历史数据包括现场运行的不同负荷下的主蒸汽流量、发电量、主蒸汽焓和1-6段抽汽焓。