引言

如今,高參數(shù)、大容量火電機組比例不斷提高,火電機組運行環(huán)境日益復(fù)雜,輔機設(shè)備數(shù)量眾多。泵、風(fēng)機和加熱器等重要輔機一旦在運行過程中出現(xiàn)劣化或故障,將對設(shè)備性能產(chǎn)生嚴重影響,甚至引發(fā)重大經(jīng)濟損失。其中,引風(fēng)機的運行狀態(tài)顯得尤為重要。實現(xiàn)引風(fēng)機運行狀態(tài)的精準預(yù)測有助于實時監(jiān)測引風(fēng)機的運行狀態(tài),提高機組運行的穩(wěn)定性和效率,維護和保障火電機組的安全,并為后期維護和升級提供便利[1]。

郭鵬等[2]采用多元狀態(tài)估計法,建立了一種用于正常運行狀態(tài)下風(fēng)電機組齒輪箱溫度預(yù)測的模型,通過對生成的殘差進行統(tǒng)計分析,確定適當(dāng)?shù)念A(yù)警閾值,以進行故障預(yù)警。為研究風(fēng)機齒輪箱故障預(yù)測問題,趙洪山等[3]提出了LSSVM方法,然而,這種方法的泛化能力相對較差,可能無法有效適應(yīng)不同的情況。另外,王松嶺等[4]提出了一種基于K—L變換的空間模式故障識別方法,用于實現(xiàn)風(fēng)機多種故障的識別,然而,該方法并不屬于早期故障預(yù)警范疇,無法提前發(fā)現(xiàn)故障。多元狀態(tài)估計方法(MSET)是一種成熟的預(yù)測診斷技術(shù)[5],可以用于設(shè)備狀態(tài)預(yù)測和故障診斷?；诙嘣獱顟B(tài)估計技術(shù)進行建模預(yù)測,主要將過程記憶矩陣用不同算法加以改進,提升模型的預(yù)測精度,通過繪制殘差曲線和設(shè)定閾值來實現(xiàn)早期故障預(yù)警[6]。此外,美國GE公司的EPI Center系統(tǒng)[7]也能夠進行設(shè)備性能劣化曲線、回轉(zhuǎn)設(shè)備軸承故障和信號傳感器故障的識別,并在國內(nèi)浙能集團得到試用。另外,肖成等[8]通過結(jié)合小波分析和BP神經(jīng)網(wǎng)絡(luò)方法,設(shè)計了一種高準確率的風(fēng)力發(fā)電機故障診斷模型。此外,馬博洋[9]提出了一種結(jié)合相關(guān)性分析和主成分分析(PCA)的方法來降維處理燃煤電站一次風(fēng)機的監(jiān)視參數(shù),并利用MSET方法進行建模,取得了良好的效果。但上述各種方法均有一定的局限性,需進一步研究。

為此,本文提出一種基于PCA—ALOCO—SVM的引風(fēng)機狀態(tài)預(yù)測及預(yù)警模型?；谀畴姀S引風(fēng)機實際數(shù)據(jù),采用鄰近均值等方法進行數(shù)據(jù)預(yù)處理;然后采用PCA對輸入數(shù)據(jù)進行降維;接著利用ALOCO—SVM建立預(yù)測模型,并將LSTM和BP模型與該模型進行比較,以驗證其有效性。

1理論模型

1.1 PCA模型

主成分分析(PCA)是一種重要的統(tǒng)計學(xué)方法,它可以在最小化信息損失的前提下,提取原始數(shù)據(jù)中的關(guān)鍵信息并用少數(shù)新指標(biāo)代替原始指標(biāo),從而實現(xiàn)指標(biāo)降維,并簡化復(fù)雜問題[10—11]。同時,PCA還可以消除特征變量之間的相關(guān)性信息。其數(shù)學(xué)表達式如下:

式中:yi(i=1,2,…,m)為第i個主成分;Aji(i=1,2,…,m)為指標(biāo)x協(xié)方差矩陣特征值對應(yīng)的特征向量;zxj為樣本z經(jīng)過標(biāo)準化后的j項指標(biāo)。

1.2基于混沌蟻獅算法的支持向量機模型

1.2.1支持向量機模型

支持向量機(Support Vector Machine,SVM)是一種由Vapnik[12]提出的有監(jiān)督方式的機器學(xué)習(xí)模型,它基于VC維理論和結(jié)構(gòu)風(fēng)險最小化原則,可以最大化地在特征空間中進行線性分類。此外,通過選擇不同的核函數(shù),可以將非線性的低維問題映射到高維,同時進行線性分割,得到最優(yōu)的分類超平面。

1.2.2混沌蟻獅算法

蟻獅優(yōu)化算法(Ant Lion Optimizer,ALO)是一種群體優(yōu)化算法[13-14]。蟻獅優(yōu)化算法隨機選擇蟻獅、蟻群,并在多個峰值函數(shù)中尋找未被發(fā)現(xiàn)的盲點。為了進一步提高搜索效果,本文結(jié)合混沌優(yōu)化算法的遍歷性,提出了一種基于混沌思想的混沌蟻獅優(yōu)化算法(Ant Lion Optimizer based on Chaos Optimization,ALOCO)。

該算法的具體步驟如下:

1)參數(shù)初始化:對模型初始化參數(shù)進行Tent混沌映射初始化。

2)計算適應(yīng)度值:基于目標(biāo)函數(shù),計算適應(yīng)度值,然后選擇適應(yīng)度值排在前N個位置的個體作為精英蟻獅。具體定義如下:

式中:n(r)為尋優(yōu)迭代過程中第r代精英的數(shù)量;R為迭代次數(shù)的最大值;nmin、nmax分別為尋優(yōu)迭代過程中精英數(shù)量的最小值和最大值。

計算螞蟻位置:假設(shè)Levy飛行變異機制計算螞蟻隨機游走后的位置,具體為:

式中:Antit、Ant+1分別為第i只螞蟻第t次、第t+1次所在位置;λ為Levy行走的步長。

更新邊界條件:利用精英庫中的蟻獅,對螞蟻的游走邊界進行規(guī)范化。通過令螞蟻在與其匹配到的精英蟻獅及父輩精英蟻獅群范圍內(nèi)隨機游走,實現(xiàn)對螞蟻游走上、下邊界的更新。具體定義如下:

式中:ci,r、di,r分別為捕獲第i只螞蟻的第r次迭代的最小值和最大值;Ej,r為被選定的第j只精英蟻獅在第r次迭代的位置;cr、dr分別為第r次迭代的最小值和最大值。

5)更新適應(yīng)度值:在上述幾個步驟的基礎(chǔ)上,再次計算全體種群對應(yīng)的適應(yīng)度值,并按從大到小的順序進行排列,即:

6)更新迭代:以最大適應(yīng)度值為標(biāo)準,進行循環(huán)迭代,直到達到預(yù)設(shè)的迭代次數(shù)上限。

1.3 PCA-ALOCO-SVM模型

本文提出的基于PCA-ALOCO-SVM的引風(fēng)機狀態(tài)預(yù)測及預(yù)警模型建立流程如圖1所示。

主要步驟如下:

1)數(shù)據(jù)采集及預(yù)處理:通過各種傳感器收集引風(fēng)機溫度、壓力等參數(shù),并建立數(shù)據(jù)庫。在此基礎(chǔ)上,進行數(shù)據(jù)預(yù)處理。

2)輸入向量降維處理:采用PCA進行降維處理。通過PCA,可以減少預(yù)測模型輸入向量的維數(shù),同時保留大部分信息,從而提高模型的預(yù)測精度。

3)訓(xùn)練預(yù)測模型:構(gòu)建并訓(xùn)練ALOCO-SVM預(yù)測模型。ALOCO-SVM是一種結(jié)合了異常檢測和支持向量機的預(yù)測模型,可以有效處理數(shù)據(jù)中的異常情況,并提高預(yù)測的準確性。

4)實例驗證:對預(yù)測模型進行實例驗證,這樣可以驗證模型在真實情況下的可行性,并對模型進行進一步改進和調(diào)整。

2工程實例分析

本文以西北地區(qū)某發(fā)電機組中引風(fēng)機為研究對象,數(shù)據(jù)采集時間為2023年1月10日__12日,每隔1min采集一次。引風(fēng)機狀態(tài)的好壞并非是由單個變量所決定的,其主要受到各個部位的溫度、壓差等影響,通過實時在線監(jiān)控系統(tǒng)獲取到表1所示參數(shù)值作為輸入、輸出向量,其中,D1~D10為輸入向量,D11為輸出向量。

2.1數(shù)據(jù)預(yù)處理

在數(shù)據(jù)采集的過程中,首先需要解決數(shù)據(jù)丟失問題,為此,本文采用鄰近均值法對其進行補充,從而減小誤差。

數(shù)據(jù)采集裝置在現(xiàn)場環(huán)境采集數(shù)據(jù)時會受到噪聲等復(fù)雜環(huán)境的影響,致使采集到的數(shù)據(jù)出現(xiàn)峰刺或跳變現(xiàn)象[15]。為了消除噪聲帶來的影響,引入小波降噪方法對樣本數(shù)據(jù)進行處理,具體公式為:

式中:λ為閾值;σ為噪聲的標(biāo)準差;N為數(shù)據(jù)長度;wj,k為小波系數(shù)。

對引風(fēng)機運行狀態(tài)樣本數(shù)據(jù)進行降噪處理,其中引風(fēng)機進口煙氣壓力降噪前后對比如圖2所示。

根據(jù)圖2,降噪后的數(shù)據(jù)曲線相比原始數(shù)據(jù),在各個峰值和拐點處的突變現(xiàn)象減小,曲線呈現(xiàn)出更為平滑的特點,波動幅度也減小,并且與原始數(shù)據(jù)的接近程度相對較高,更能準確地描述引風(fēng)機進口煙氣壓力的變化趨勢。

為消除11個不同向量的影響,采用min—max標(biāo)準化方法對樣本數(shù)據(jù)進行了歸一化處理。具體的計算公式如下:

2.2 PCA降維處理

通過PCA方法可知,KMO和Bartlett檢驗值分別為0.65和0.00,各因素之間具有相關(guān)性。具體分析結(jié)果如下:解釋總方差如表2所示,主成分因子荷載矩陣如表3所示。

當(dāng)主成分特征值大于1時,提取數(shù)目為3,其累計方差百分比即貢獻率大于70%,可將該成分提出作為主成分。依據(jù)表3可構(gòu)建3個主成分表達式如下:

2.3預(yù)測模型構(gòu)建與預(yù)測結(jié)果分析

采用emax、MAPE以及RMSE來表征各預(yù)測模型預(yù)測結(jié)果的準確程度,其具體計算公式為:

三個指標(biāo)的值越小,說明預(yù)測模型的預(yù)測結(jié)果越準確。

為進一步驗證所提PCA—ALOCO—SVM模型的優(yōu)越性,將其與PCA—LSTM和PCA—BP預(yù)測模型進行對比,不同預(yù)測模型的預(yù)測結(jié)果如圖3和表4所示。

根據(jù)圖3顯示,基于PCA—ALOCO—SVM的預(yù)測模型所得到的引風(fēng)機入口煙氣壓力預(yù)測值與實際值整體擬合性更好,相比其他預(yù)測模型,它的預(yù)測結(jié)果更接近真實的引風(fēng)機入口煙氣壓力值。表4表明PCA—ALOCO—SVM預(yù)測模型的運行時間最短,僅為39.38 s,且其emax、MAPE值和RMSE值均低于其他預(yù)測模型。與PCA—LSTM和PCA—BP預(yù)測模型相比,其emax值分別降低了16.96%和32.25%,MAPE值分別降低了19.13%和27.98%,RMSE值分別降低了18.26%和20.99%。這說明構(gòu)建的PCA—ALOCO—SVM預(yù)測模型具有良好的預(yù)測性能,盡管存在一些數(shù)值上的誤差,但這些預(yù)測誤差是可以接受的。

3結(jié)論

1)本文基于火電機組實時監(jiān)測系統(tǒng)所采集的數(shù)據(jù),利用鄰近均值法、小波降噪和歸一化處理對所采集的數(shù)據(jù)進行預(yù)處理,保證了數(shù)據(jù)的完整性與可靠性。采用PCA對影響引風(fēng)機入口煙氣壓力值的11個因素進行降維處理,提取出3個主成分,減少了預(yù)測輸入集的維度,提高了ALOCO—SVM模型預(yù)測精度。

2)通過將PCA引入ALOCO—SVM、LSTM和BP預(yù)測模型中得知,本研究構(gòu)建的PCA—ALOCO—SVM模型的預(yù)測結(jié)果與試驗數(shù)據(jù)基本一致。與其他兩個預(yù)測模型相比,PCA—ALOCO—SVM模型的平均絕對誤差和均方根誤差等評估指標(biāo)都小于其他模型,這驗證了本研究構(gòu)建的組合模型具有較高的擬合度和預(yù)測性能,可以滿足實際火電廠生產(chǎn)活動的需求。