支持向量机在火电厂中的应用.docVIP

支持向量机在火电厂中的应用 　　摘 要：火电厂实时数据库存储了大量的电厂运行状态监测数据，其中隐藏了许多有益的信息。本文对火电厂运行状态监测数据利用支持向量机技术的应用现状、存在的不足和发展前景进行了研究和探讨，为深化利用支持向量机技术，实现火电厂安全经济运行奠定了基础。 　　关键词：火电厂；支持向量机；运行状态监测 　　1.引言 　　随着火电厂信息化运行水平的不断提高，DCS、PLC技术被广泛的应用于火电机组中，火电厂设备复杂，全厂监测数据量非常大，越来越多的数据被存储到实时数据库中。另外，由于地域经济社会发展的不平衡，用电需求与电源分布的差异性，以及节能调度制度的推行，火电厂发电设备经常在50%-100%额定负荷范围内运行，机组运行负荷范围的扩大，增强了火电厂运行参数之间的非线性。面对这种海量运行数据的增加，利用数据挖掘强大的数据分析与知识发现能力，从这些实时监测数据中提取相应的有益信息就是一种有效途径，也是很有现实意义和研究价值的问题。支持向量机（Support Vector Machine，SVM）理论是由VAPNIK[1]在1963年提出的，是一种基于统计学习理论的新型机器学习方法。采用结构风险最小化原理，在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势，适用于函数预测、模式识别和数据分类领域。将支持向量机应用于火电厂中，可以对机组经济运行的规则、模式进行有益的分析。 　　2.支持向量机概况 　　支持向量机是一种基于统计学习理论的机器学习方法，1963年，由Vapnik领导的ATTBell实验研究小组首次提出。在解决小样本、非线性及高维模式识别方面有着突出的优势。该方法的机理可以简单描述为：寻找一个满足分类要求的最优分类超平面，使得超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。分类问题主要分为两种，线性问题（包括完全线性可分和近似线性可分）和非线性问题。支持向量机很容易就可以解决线性问题，对于非线性问题，首先得定义一个非线性映射，通过这个映射，将原空间映射到某个高维特征空间，然后再在这个高维特征空间中求解出决策函数[2]。 　　3.支持向量机在火电厂中的具体应用 　　3.1.在电厂运行优化中的应用 　　电厂中锅炉烟气含氧量是一个十分重要的参数，目前烟气含氧量可以通过电厂实时数据测定，但运行中热力参数波动会影响最终锅炉效率的计算精度。目前一种可行的方法是引入支持向量机模型进行回归预测，以提高实测数据的准确性。张倩[3]等人通过对火电厂燃烧系统的历史数据建立基于SVR的软测量模型并进行离线建模的仿真实验，实现了烟气含氧量的软测量，从而优化锅炉运行，减少运行成本。但如何精确的得到烟气含氧量的在线实时测量还需进一步地深入研究。王松[4]等人利用支持向量机对CFB锅炉烟气含氧量进行建模和预测，结果表明，相对于受到多种干扰的氧量测量数据来说，具有较高的预测精度，对CFB锅炉的优化运行和推断控制具有参考价值。 　　飞灰含碳量和锅炉入炉煤煤质都是影响锅炉燃烧效率的重要指标，对机组的经济和安全运行有着重要的影响。目前，火电厂锅炉飞灰含碳量的在线测量大都采用在锅炉水平烟道上安装微波测碳仪来实现，但是该方法在技术及保养维修方面均存在问题。卞和营[5]等人，针对锅炉飞灰含碳量难以准确测量的问题，提出了一种基于支持向量回归的软测量方法，采用交叉验证法优化了模型的惩罚参数C和核函数参数g，结果证明，预测精度较高，且泛化能力较强，为锅炉飞灰含碳量测量提供了一种有效的方法。 　　3.2. 在火电厂清洁生产中的应用 　　目前，我国的污染物排放量很大，大气污染相当严重，尤其是火电厂排放的烟尘中含有NOx和SO2，如何减少这些污染物的排放量是火电厂生产运行工作中的重中之重。王春林[6]等人对不同工况下的NOx排放进行了支持向量机的预测，从理论上保证了模型的泛化能力，具有更加可靠的推广型。洪文鹏[7]等人针对如何提高氨法烟气脱硫装置脱硫效率的预测精度，建立最小二乘支持向量机模型，实验结果表明，LS-SVM比传统的支持向量机模型预测精度更为准确。王雷[8]等人提出采用支持向量回归时间序列预测法来预测凝汽器清洁系数，该指标反映了凝汽器水侧管壁的赃物程度，直接关系到凝汽器传热性能的好坏。 　　3.3. 在电厂故障诊断及其他方面的应用 　　由于电厂设备多，系统复杂，环境特殊，导致各生产设备在运行中故障率较高，对其进行故障诊断是保证机组安全稳定经济运行的重要前提。刘定平[9]等人将核主元分析和最小二乘支持向量机应用于中速磨煤机故障诊断中，结果表明，该方法可有效地处理故障征兆与故障类型之间的不确定性，具有很好的分辨力，故障诊断的正确率也很高。 　　此外，刘定平[10]等人将支持向量机和遗传算法应用于电