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)境日益復雜,輔機設備數(shù)量眾多。泵、風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,引風機的運行狀態(tài)顯得尤為重要。實現(xiàn)引風機運行狀態(tài)的精準預測有助于實時監(jiān)測引風機的運行狀態(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)下風電機組齒輪箱溫度預測的模型,通過對生成的殘差進行統(tǒng)計分析,確定適當?shù)念A警閾值,以進行故障預警。為研究風機齒輪箱故障預測問題,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)風機多種故障的識別,然而,該方法并不屬于早期故障預警范疇,無法提前發(fā)現(xiàn)故障。多元狀態(tài)估計方法(MSET)是一種成熟的預測診斷技術[5],可以用于設備狀態(tài)預測和故障診斷?；诙嘣獱顟B(tài)估計技術進行建模預測,主要將過程記憶矩陣用不同算法加以改進,提升模型的預測精度,通過繪制殘差曲線和設定閾值來實現(xiàn)早期故障預警[6]。此外,美國GE公司的EPI Center系統(tǒng)[7]也能夠進行設備性能劣化曲線、回轉設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]通過結合小波分析和BP神經(jīng)網(wǎng)絡方法,設計了一種高準確率的風力發(fā)電機故障診斷模型。此外,馬博洋[9]提出了一種結合相關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的引風機狀態(tài)預測及預警模型。基于某電廠引風機實際數(shù)據(jù),采用鄰近均值等方法進行數(shù)據(jù)預處理;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)中的關鍵信息并用少數(shù)新指標代替原始指標,從而實現(xiàn)指標降維,并簡化復雜問題[10—11]。同時,PCA還可以消除特征變量之間的相關性信息。其數(shù)學表達式如下:

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

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)督方式的機器學習模型,它基于VC維理論和結構風險最小化原則,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)計算適應度值:基于目標函數(shù),計算適應度值,然后選擇適應度值排在前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)更新適應度值:在上述幾個步驟的基礎上,再次計算全體種群對應的適應度值,并按從大到小的順序進行排列,即:

6)更新迭代:以最大適應度值為標準,進行循環(huán)迭代,直到達到預設的迭代次數(shù)上限。

1.3 PCA-ALOCO-SVM模型

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

主要步驟如下:

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

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,從而提高模型的預測精度。

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

4)實例驗證:對預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為噪聲的標準差;N為數(shù)據(jù)長度;wj,k為小波系數(shù)。

對引風機運行狀態(tài)樣本數(shù)據(jù)進行降噪處理,其中引風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性。具體分析結果如下: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可構建3個主成分表達式如下:

2.3預測模型構建與預測結果分析

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

三個指標的值越小,說明預測模型的預測結果越準確。

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預測模型進行對比,不同預測模型的預測結果如圖3和表4所示。

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

3結論

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,減少了預測輸入集的維度,提高了ALOCO—SVM模型預測精度。

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