CN101430293A - 大型凝汽器污垢变化趋势的预测方法 - Google Patents

Abstract

本发明提出一种大型凝汽器污垢变化趋势的预测方法，其步骤为：1)建立支持向量机预测结构，两个子网分别用于预测软垢和硬垢的变化趋势；2)将凝汽器的当前工况、历史污垢程度、清洗周期等与比例因子的乘积作为支持向量机的输入，通过支持向量机求取软垢和硬垢的预测值，然后软垢与硬垢之和乘以比例因子作为最终污垢预测结果。比例因子可以通过在线学习算法调整，以适应不同情况。本发明能够克服污垢难以用精确数学模型描述的困难、适用于不同工况下的预测、适用于不同容量凝汽器机组的预测、能满足不同时间长度的预测、具有自学习能力，从而实现准确预测凝汽器的污垢变化趋势。

Description

大型凝汽器污垢变化趋势的预测方法

技术领域

本发明属于人工智能技术应用领域，涉及一种大型凝汽器污垢变化趋势的预测方法

背景技术

凝汽器是电力、化工等行业的大型换热设备，其作用是将汽轮机做功后的排汽冷凝成水，降低排汽压力和排汽温度，提高循环热效率。凝汽器运行时，冷却水自换热管中流过，汽轮机做功后的排汽则由进汽口进来，沿换热管之间的缝隙往下流动，向管壁放热后凝结为水。由于冷却水水质不洁净，致使换热铜管内壁积聚了污垢，污垢的存在，降低了换热面的传热能力，导致汽轮机排汽压力升高、输出功率减少及热耗率增加。

通常由热阻法测得的污垢热阻来描述凝汽器结垢程度，污垢热阻通过下式测取：

$R_f=\frac{T_{\mathrm{wf}}-T_s}{q}---\left(1\right)$

式中，R_f为污垢热阻；T_wf为换热管壁与污垢之间的界面温度；T_s为流体与污垢层间的界面温度或污垢表面温度；q为热流密度。

对于换热面壁温T_wf，可通过在换热管壁埋设铠装热偶测得。

T_s可通过解如下方程求得：

$\mathrm{In}\frac{T_s-t_{\mathrm{wo}}}{T_s-t_{\mathrm{wi}}}+4\left(\frac{l}{d}\right)\·\mathrm{St}=0---\left(2\right)$

式中，t_wi为所研究管段的冷却水入口温度；t_wo为所研究管段的冷却水出口温度；l/d为所研究管段长度与管内径之比；St为Stanton数，可根据经验公式求取。

热流密度q不易准确测量，可通过流体的能量平衡求得：

                      (5)

式中，G为冷却水的容积流量；为污垢层厚度；C_P为冷却水的定压比热；Δp₁，Δp₂分别为污垢层厚度变化前、后冷却水的流动压降。

由此可见，只要测量出冷却水入、出口温度，流动压降和换热面壁温，利用上述关系式即可确定对应的污垢热阻。

凝汽器的运行特点使得凝汽器的结垢过程具有周期性。完全清洁的凝汽器投入运行后，管内污垢随之增长。污垢有两种类型：一种是由冷却水中悬浮物及微生物沉积而成的松散性污垢。另一种是由冷却水中溶解的无机盐淀析在换热面上形成的析晶污垢，实际污垢是这两类污垢的混合体。

通常，当污垢热阻达到某一值时，将启动水力或胶球清洗系统进行清洗。水力或胶球清洗能够有效地清除换热管内的松散性污垢，但对析晶污垢则不能完全清除。因此，经水力或胶球清洗后的冷凝器还包含有残余污垢，其污垢热阻并不为零。清洗次数愈多，残余污垢愈大。当残余污垢超过某一临界值时，将导致冷凝器换热性能显著下降，并使水力或胶球清洗失效。为此，必须进行化学清洗。化学清洗后的冷凝器，不存在残余污垢，其污垢热阻近似为零。由此可见，凝汽器结垢表现出周期性，即其污垢变化不断重复如下过程：

结垢→水力或胶球清洗除垢→结垢→化学清洗除垢

而且污垢积聚是两种性质不同的周期性结垢过程：水力或胶球清洗周期(TWP)内可清除污垢增长过程和化学清洗周期(CWP)内残余污垢增长过程的合成，如图1所示。

将污垢分解为软垢和硬垢两部分，软垢即为水力或胶球清洗能够清除的那部分污垢，硬垢即为残余污垢。其污垢热阻分别记为R_fs和R_fh。任意时刻的污垢热阻可以表示为上述两部分之和。由于R_fs(t)和R_fh(t)描述的是一个非常复杂的物理、化学过程，很难获取其精确的数学模型，再加上凝汽器运行过程中冷却水流速、冷却水浊度等工况参数处于动态变化中，也会对污垢的变化带来影响。而且不同容量的凝汽器机组的污垢变化趋势也不一样。所以常规的预测方法难以准确预测污垢的变化趋势，存在要么只适合某种运行工况下的预测或者要么只能预测短期的变化趋势或者只适用于某种容量凝汽器机组的污垢预测等问题。所以，如何准确预测凝汽器的污垢增长趋势，是有效预防污垢、建立污垢高效清洗机制的关键技术难题。

发明内容

本发明所要解决的技术问题是：针对现有技术的不足，提出一种锂离子电池负极材料及其制备方法，以获得具有高安全性、高循环稳定性、高比容量和低的放电电压的复合负极材料。

本发明的技术解决方案如下：

一种大型凝汽器污垢变化趋势的预测方法，其特征在于，包括以下步骤：

1)将凝汽器的参数乘以比例因子K₁再输入到支持向量机1中；将凝汽器的参数乘以比例因子K₂再输入到支持向量机2中；支持向量机1和支持向量机2分别用于预测软垢和硬垢的变化趋势；所述的凝汽器的参数包括当前工况、历史污垢程度、清洗周期；

2)支持向量机1和支持向量机2的输出结果之和乘以比例因子K₃即获得凝汽器污垢变化趋势的预测结果R_f；

其中所述的比例因子K₁、比例因子K₂和比例因子K₃均由在线学习模块实时调整；所述的在线学习模块根据所述的凝汽器的参数以及凝汽器污垢变化趋势的预测结果R_f在线调整比例因子K₁、比例因子K₂和比例因子K₃。

所述的当前工况包括：冷却水流速v、冷凝器压力所对应的排气温度t_s、冷却水入口温度t_wi、冷却水浊度δ、冷却水硬度σ；历史污垢程度为：预测开始时的上两个水力或胶球清洗周期开始时的污垢热阻R_f(t-1)和R_f(t-2)、上一个水力或胶球清洗周期结束时的污垢热阻R_fe；清洗周期包括：上一次化学清洗结束至预测时刻凝汽器的运行时间T_t；上一个水力或胶球清洗周期凝汽器运行时间ΔT；上一次水力或胶球清洗结束至预测时刻凝汽器的时间T_p；

其中，向量U_s＝[v、t_s、t_wi、δ、R_f(t-1)、R_f(t-2)、T_p]乘以比例因子K₁作为支持向量机1的输入，预测未来时间的软垢R_s；

向量U_h＝[σ、R_f(t-1)、R_f(t-2)、R_fe、T_t、ΔT]乘以比例因子K₂作为支持向量机2的输入，预测未来时间的硬垢R_h。

所述的支持向量机1和支持向量机2的结构为：包括输入向量、核函数、权值和输出；每一个核函数的输入端均接所有的输入向量，每一个核函数的输出值分别乘以对应的权值得到乘积，所有的乘积之和即为输出。

采用序贯最小优化算法训练支持向量机，所述的支持向量机为支持向量机1和支持向量机2，该算法即在指定支持向量机的损失系数ε、惩罚因子C和核函数参数γ后，将支持向量机的训练转换为二次规划方程的求解。

采用遗传算法选取参数ε、C和γ的最优组合，支持向量机1和支持向量机2的训练及参数优化步骤一致，具体过程如下：

1)初始化比例因子K₁、K₂和K₃；

2)获取离线样本对，分为训练样本和测试样本两个部分；

3)选择支持向量机的核函数，所述的支持向量机为支持向量机1和支持向量机2，采用高斯径向基核函数：

$K(x_i,x)=\exp \left(\frac{-{|x-x_i|}^2}{{2\mathrm{\γ}}^2}\right),$ 式中γ为核函数参数；

4)确定将支持向量机的损失系数ε、惩罚因子C和核函数参数γ以二进制表示的编码规则；首先确定这几个参数的范围，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小数点后3位，C和γ精度都在小数点后2位；

在染色体结构中，用ε₁，...，ε₇表示损失系数ε，用C₁，...，C₁₇表示惩罚因子C，用γ₁，...，γ₇表示核函数参数γ，整个染色体的长度是31；

参数从十进制转换为二进制编码的规则为：以十进制表示的参数乘以10^a，然后直接转换为二进制编码；参数从二进制编码转换为十进制的规则为：从二进制编码直接转换为十进制数，然后除以10^a，即得到参数的十进制表示形式，其中a为参数的小数点位数，对于参数ε，a＝3；对于参数C和γ，a＝2；

5)生成遗传算法初始种群和适应度函数F，

$F={\left[2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\right]}^{-1}+D$

式中，F_i是染色体的前n位基因，D是支持向量机的拟合精度；

6)生成初始种群，按照步骤4)的编码规则随机生成M个个体作为初

始群体，设置最大进化代数G，设计遗传算子、确定交叉概率P_c和变异概率P_m，P_c取值为0.4～0.99)P_m取值为0.0001～0.1；

7)根据适应度函数F选择和解码，即从初始种群中选择性能好的染色体，淘汰性能差的染色体，并将剩余染色体编码还原为ε、C、γ的十进制表示；

8)训练样本送入支持向量机，用序贯最小优化算法求解支持向量，确定在步骤7)获得的参数情况下的各参数组合对应的支持向量机的节点个数；

9)测试样本送入由步骤8)训练得到的对应各种群的支持向量机结构，计算拟合精度D，采用均方根误差E_RMS来评价其精度，令D＝E_RMS：

$E_{\mathrm{RMS}}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2/n}$

式中，y_i表示样本输出，即实际的软垢/硬垢值，

表示子支持向量机1和支持向量机2的实际输出；n表示样本的个数。

10)根据公式 $F={\left[2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\right]}^{-1}+D$ 计算个体适应度，当进化达到设置的最大进化代数或者连续几代的适应度值没有明显变化，结束算法并输出支持向量机的损失系数ε、惩罚因子C和核函数参数γ和节点个数，训练完成；否则返回到步骤11)；

11)对种群交叉、变异重新回到步骤7)，交叉通过染色体的位段相互交换实现；使用一致交叉方法，即从每个父代个体随机选择一半的基因生成子代个体；变异操作即基于变异概率随机地翻转染色体中的位实现。

所述的在线学习调整比例因子K₁、K₂和K₃的过程如下：

1)根据实际获取的凝汽器工况和污垢程度输入至基于支持向量机的凝汽器污垢预测系统结构中，得到实际预测输出值

2)根据参考期望输出R与实际预测输出值

计算性能指标函数

$J\left(t\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(R_i\left(t\right)-{\hat{R}}_i\left(t\right))}^2=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2\left(t\right)$

式中，n为样本的个数，R为实际测量污垢热阻值；

3)如果J(t)小于或等于设定值，则结束在线学习，得到比例因子K₁、K₂和K₃；

如果J(t)大于设定值，则通过下列公式计算并更新比例因子K₁、K₂和K₃，且返回步骤1)进入计算流程：

$K_1(t+1)=K_1\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_1\left(t\right)};$

$K_2(t+1)=K_2\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_2\left(t\right)};$

$K_3(t+1)=K_3\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_3\left(t\right)};$

式中，η为学习率；t均为采样周期。

所述的设定值为0.005，学习率取值在0.05～0.1。

有益效果：

与现有技术相比，本发明的优点就在于：

1、与现有污垢模型相比，不需要建立精确的数学模型，该方法能够有效地处理凝汽器的周期性结垢现象，消除残余污垢对预测精度的影响；训练支持向量机比训练神经网络的所需样本少，支持向量机的泛化能力更好。

2、具有自学习能力，对不同容量凝汽器机组或运行工况具有很快地自适应性。

3、满足不同时间长短(即短期、中期、长期)的预测需要。

附图说明

图1为冷凝器周期性结垢过程的热阻变化趋势示意图；

图2为基于支持向量机的凝汽器污垢预测结构图；

图3为支持向量机的结构示意图；

图4为子网的训练过程；

图5为染色体结构示意图；

图6为凝汽器污垢预测的流程示意图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明。

本发明的结构如图2所示。

具体步骤如下：

1、建立支持向量机预测结构，整个网络分为两个子网，一个子网预测软垢，另一个子网预测硬垢，整个网络的输出为两个子网输出之和乘以比例因子K₃，即为污垢程度。子网一和子网二的结构形式均如图3所示。

2、将凝汽器的当前工况：冷却水流速v、冷凝器压力所对应的排气温度t_s、冷却水入口温度t_wi、冷却水浊度δ、冷却水硬度σ；历史污垢热阻：预测开始时的上两个水力或胶球清洗周期开始时的污垢热阻R_f(t-1)和R_f(t-2)、上一个水力或胶球清洗周期结束时的污垢热阻R_fe；上一次化学清洗结束至预测时刻凝汽器的运行时间T_t；上一个水力或胶球清洗周期凝汽器运行时间ΔT；上一次水力或胶球清洗结束至预测时刻凝汽器的时间T_p，作为整个网络的输入。其中，向量U_s＝[v、t_s、t_wi、δ、R_f(t-1)、R_f(t-2)、T_p]乘以比例因子K₁作为子网一的输入，预测未来某个时间的软垢R_s；向量U_h＝[σ、R_f(t-1)、R_f(t-2)、R_fe、Tt、ΔT]乘以比例因子K₂作为子网二的输入，预测未来某个时间的硬垢R_h。

通过“离线学习”分别训练子网一和子网二，训练支持向量机的算法有很多，本发明采用经典的序贯最小优化算法训练支持向量机，该算法即在指定支持向量机的损失系数ε、惩罚因子C和核函数参数γ后，将支持向量机的训练转换为二次规划方程的求解。为获取最佳的支持向量机性能，本发明采用遗传算法选取参数ε、C和γ的最优组合，两个子网的训练及参数优化步骤一致，其过程如图4所示。

1)初始化比例因子为1，即K₁、K₂和K₃均为1；

2)获取离线样本对，分为训练样本和测试样本两个部分；

3)选择支持向量机的核函数，本发明采用高斯径向基核函数：

$K(x_i,x)=\exp \left(\frac{-{|x-x_i|}^2}{{2\mathrm{\&gamma;}}^2}\right),$ 式中γ为核函数的参数；

4)确定将支持向量机的损失系数ε、惩罚因子C和核函数参数γ以二进制表示的编码规则。首先确定这几个参数的范围，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小数点后3位，C和γ精度都在小数点后2位。

这样，在染色体结构中，用ε₁，...，ε₇表示损失系数ε，用C₁，...，C₁₇表示惩罚因子C，用γ₁，...，γ₇表示核函数参数γ，整个染色体的长度是31。染色体的结构图如图5所示。在这几个参数的范围内随机给它们赋值，然后按图5编码。

参数从十进制转换为二进制编码的规则为：以十进制表示的参数乘以10^a，然后直接转换为二进制编码；参数从二进制编码转换为十进制的规则为：从二进制编码直接转换为十进制数，然后除以10^a，即得到参数的十进制表示形式，其中a为参数的小数点位数，即对于参数ε，a＝3；即对于参数C和γ，a＝2。

5)生成遗传算法初始种群和适应度函数F，

$F={\left[2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\right]}^{-1}+D---\left(6\right)$

式中，F_i是染色体的前n位基因，D是支持向量机的拟合精度。

6)生成初始种群，按照步骤(4)的编码规则随机生成M个个体作为初始群体，设置最大进化代数G，设计遗传算子、确定交叉概率P_c(其取值一般为0.4～0.99)和变异概率P_m(其取值一般为0.0001～0.1)；

7)根据适应度函数选择、解码，即从初始种群中选择性能好的染色体，淘汰性能差的染色体，并将剩余染色体编码还原为ε、C、γ的十进制表示；

8)训练样本送入支持向量机，用序贯最小优化算法求解支持向量，确定在步骤(7)获得的参数情况下的各参数组合对应的支持向量机的节点个数；

9)测试样本送入由步骤(8)训练得到的对应各种群的支持向量机结构，计算拟合精度D，采用均方根误差E_RMS来评价其精度，令D＝E_RMS。

$E_{\mathrm{RMS}}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2/n}---\left(7\right)$

式中，y_i表示样本输出，即实际的软垢/硬垢值，

表示子网一/子网二实际输出；n表示样本的个数。

10)根据公式(6)计算个体适应度，当进化达到设置的最大进化代数或者连续几代的适应度值没有明显变化，结束算法并输出支持向量机的损失系数ε、惩罚因子C和核函数参数γ和节点个数，训练完成。否则到第(11)步；

11)对种群交叉、变异重新回到步骤(7)。交叉通过染色体的某些位段相互交换实现本发明的交叉使用一致交叉方法，即从每个父代个体随机选择一半的基因(基因即染色体中的位)生成子代个体。变异操作即基于变异概率随机地翻转染色体中的某些位实现。

K₁、K₂和K₃三个比例因子初始值均为1，采用BP算法以在线学习的方式整定，以满足不同容量凝汽器机组的需要，其步骤为(其中的t为采样周期)：

(1)根据实际获取的凝汽器工况和污垢程度输入至基于支持向量机的凝汽器污垢预测系统结构中，得到实际预测输出值

(2)根据参考期望输出R与实际预测输出值

计算性能指标函数

$J\left(t\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(R_i\left(t\right)-{\hat{R}}_i\left(t\right))}^2=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2\left(t\right)---\left(8\right)$

式中，n为样本的个数。

(3)如果J(t)小于或等于0.005，则结束在线学习，得到比例因子K₁、K₂和K₃；

(4)如果J(t)大于0.005，则通过下列公式(9)～(11)计算并更新比例因子K₁、K₂和K₃，且返回步骤(1)进入计算流程。

$K_1(t+1)=K_1\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_1\left(t\right)}---\left(9\right)$

$K_2(t+1)=K_2\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_2\left(t\right)}---\left(10\right)$

$K_3(t+1)=K_3\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_3\left(t\right)}---\left(11\right)$

式中，η为学习率。

实施例1：蒸汽流量、蒸汽温度、冷却水入口温度、冷却水出口温度、冷却水流速、浊度、硬度等工况参数可以通过相应的传感器变为电信号，再经模数转换后存储到计算机中。其中采用涡街流量计测量蒸汽流量；热电阻温度传感器测量蒸汽温度、冷却水入口温度和冷却水出口温度；流速传感器测量冷却水流速；浊度传感器测量水的浊度；电极传感器测量水的硬度。在换热管壁埋设铠装热偶，由热阻法测得的污垢热阻来描述凝汽器结垢程度。针对容量为300MW的凝汽器通过传感器获取凝汽器在不同工况下的历史试验数据。共采集了71个胶球清洗周期的890组样本数、17个化学清洗周期的116组样本数据。

1、离线训练子网，两个子网的训练过程一致，以子网一的训练为例说明其过程。

(1)初始化比例因子为1，即K₁、K₂和K₃均为1；

(2)将71个胶球清洗周期的890组样本中的500组数据作为训练样本，490组数据作为测试样本；

(3)确定支持向量机的核函数为高斯径向基核函数；

(4)对支持向量机参数损失系数ε、惩罚因子C和核函数参数γ编码。首先确定这几个参数的范围，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小数点后3位，C和γ精度都在小数点后2位。

这样，在染色体结构中，用ε₁，...，ε₇表示损失系数ε，用C₁，...，C₁₇表示惩罚因子C，用γ₁，...，γ₇表示核函数参数γ，整个染色体的长度是31。在这几个参数的范围内随机给它们赋值，然后按图5编码。假设它们分别得到的随机赋值为0.05、1和0.5，则先将ε乘以1000，C和γ均乘以100，为50、100、50，它们对应的二进制编码为：0110010、00000000001100100、0110010，故生成的染色体为：0110010000000000011001000110010。

(5)生成遗传算法初始种群和适应度函数F， $F={\left[2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\right]}^{-1}+D$ 式中，F_i是染色体的前n位基因，D是支持向量机的拟合精度。

(6)生成初始种群，取群体规模为80，最大进化代次数为90次，选择算子采用随机遍历抽样对群体中的个体进行优胜劣汰，交叉概率设为P_c＝0.75，变异概率设为P_m＝0.002；

(7)根据适应度函数获得的性能选择优良染色体，淘汰不合格染色体。然后解码，即将编码还原为ε、C、γ的十进制表示；假设得到的染色体为0101000000000000011001000010110，则拆分为三个参数的二进制编码分别为：0101000、00000000001100100、0010110。再变换为对应的十进制数分别为：40、100、22，故ε＝40/1000＝0.04，C＝100/100＝1，γ＝22/100＝0.22。

(8)训练样本送入支持向量机，用序贯最小优化算法求解支持向量，确定在步骤(7)获得的参数情况下的与各参数组合对应的支持向量机结构；

(9)测试样本送入由步骤(8)训练得到的支持向量机结构，计算拟合精度D，采用均方根误差E_RMS来评价其精度，令D＝E_RMS。

$E_{\mathrm{RMS}}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2/n}---\left(7\right)$

式中，y_i表示样本输出，即实际的软垢/硬垢值，

表示子网一/子网二实际输出；n表示样本的个数。

(10)根据公式(6)计算个体适应度，当进化达到设置的最大进化代数或者连续几代的适应度值没有明显变化，结束算法并输出支持向量机的损失系数ε、惩罚因子C和核函数参数γ和节点个数，训练完成。否则到第(11)步；

(11)对种群交叉、变异重新回到步骤(7)。交叉通过染色体的某些位段相互交换

实现，本发明的交叉使用一致交叉方法，即从每个父代个体随机选择一半的基因(基因即染色体中的位)生成子代个体。变异操作即基于变异概率随机地翻转染色体中的某些位实现。

2、在线学习调整比例因子K₁、K₂和K₃

(1)根据实际获取的凝汽器工况和污垢程度输入至基于支持向量机的凝汽器污垢预测系统结构中，得到实际预测输出值

(2)根据参考期望输出R与实际预测输出值

计算性能指标函数

$J\left(t\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(R_i\left(t\right)-{\hat{R}}_i\left(t\right))}^2=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2\left(t\right)---\left(8\right)$

式中，n为样本的个数。

(3)如果J(t)小于或等于0.005，则结束在线学习，得到比例因子K₁、K₂和K₃；

(4)如果J(t)大于0.005，则通过下列公式(9)～(11)计算并更新比例因子K₁、K₂和K₃，且返回步骤(1)进入计算流程。

$K_1(t+1)=K_1\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_1\left(t\right)}---\left(9\right)$

$K_2(t+1)=K_2\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_2\left(t\right)}---\left(10\right)$

$K_3(t+1)=K_3\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(t\right)}{\&PartialD;K_3\left(t\right)}---\left(11\right)$

式中，η为学习率。(式(8)～(11)中的t均为采样周期)。

上述针对容量为300MW凝汽器历史数据训练的污垢变化趋势预测系统，除了可以用于预测此300MW凝汽器的污垢变化趋势外，如果要用于其它容量凝汽器机组(比如600MW凝汽器的污垢预测)的污垢变化趋势预测，有两种方案。一种方式为直接把用容量为300MW的凝汽器工况等历史数据离线训练得到的子网一和子网二结构不变，只通过在线学习算法调整比例因子，来预测600MW凝汽器的污垢变化趋势；另一方式为重新获取600MW的凝汽器工况等历史数据，先重新离线训练子网一和子网二，得到新的结构，然后通过在线学习算法调整比例因子，来预测600MW凝汽器的污垢变化趋势。

Claims (7)

1.一种大型凝汽器污垢变化趋势的预测方法，其特征在于，包括以下步骤：

1)将凝汽器的参数乘以比例因子K₁再输入到支持向量机1中；将凝汽器的参数乘以比例因子K₂再输入到支持向量机2中；支持向量机1和支持向量机2分别用于预测软垢和硬垢的变化趋势；所述的凝汽器的参数包括当前工况、历史污垢程度、清洗周期；

2)支持向量机1和支持向量机2的输出结果之和乘以比例因子K₃即获得凝汽器污垢变化趋势的预测结果R_f；

其中所述的比例因子K₁、比例因子K₂和比例因子K₃均由在线学习模块实时调整；所述的在线学习模块根据所述的凝汽器的参数以及凝汽器污垢变化趋势的预测结果R_f在线调整比例因子K₁、比例因子K₂和比例因子K₃。

2.根据权利要求1所述的大型凝汽器污垢变化趋势的预测方法，其特征在于，所述的当前工况包括：冷却水流速v、冷凝器压力所对应的排气温度t_s、冷却水入口温度t_wi、冷却水浊度δ、冷却水硬度σ；历史污垢程度为：预测开始时的上两个水力或胶球清洗周期开始时的污垢热阻R_f(t-1)和R_f(t-2)、上一个水力或胶球清洗周期结束时的污垢热阻R_fe；清洗周期包括：上一次化学清洗结束至预测时刻凝汽器的运行时间T_t；上一个水力或胶球清洗周期凝汽器运行时间ΔT；上一次水力或胶球清洗结束至预测时刻凝汽器的时间T_p；

其中，向量U_s＝[v、t_s、t_wi、δ、R_f(t-1)、R_f(t-2)、T_p]乘以比例因子K₁作为支持向量机1的输入，预测未来时间的软垢R_s；

向量U_h＝[σ、R_f(t-1)、R_f(t-2)、R_fe、T_t、ΔT]乘以比例因子K₂作为支持向量机2的输入，预测未来时间的硬垢R_h。

3.根据权利要求2所述的大型凝汽器污垢变化趋势的预测方法，其特征在于，所述的支持向量机1和支持向量机2的结构为：包括输入向量、核函数、权值和输出；每一个核函数的输入端均接所有的输入向量，每一个核函数的输出值分别乘以对应的权值得到乘积，所有的乘积之和即为输出。

4.根据权利要求3所述的大型凝汽器污垢变化趋势的预测方法，其特征在于，采用序贯最小优化算法训练支持向量机，所述的支持向量机为支持向量机1和支持向量机2，该算法即在指定支持向量机的损失系数ε、惩罚因子C和核函数参数γ后，将支持向量机的训练转换为二次规划方程的求解。

5.根据权利要求4所述的大型凝汽器污垢变化趋势的预测方法，其特征在于，采用遗传算法选取参数ε、C和γ的最优组合，支持向量机1和支持向量机2的训练及参数优化步骤一致，具体过程如下：

1)初始化比例因子K₁、K₂和K₃；

2)获取离线样本对，分为训练样本和测试样本两个部分；

3)选择支持向量机的核函数，所述的支持向量机为支持向量机1和支持向量机2，采用高斯径向基核函数：

$K(x_i,x)=\exp \left(\frac{-{|x-x_i|}^2}{2{\mathrm{\&gamma;}}^2}\right),$ 式中γ为核函数参数；

4)确定将支持向量机的损失系数ε、惩罚因子C和核函数参数γ以二进制表示的编码规则；首先确定这几个参数的范围，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小数点后3位，C和γ精度都在小数点后2位；

在染色体结构中，用ε₁，...，ε₇表示损失系数ε，用C₁，...，C₁₇表示惩罚因子C，用γ₁，...，γ₇表示核函数参数γ，整个染色体的长度是31；

参数从十进制转换为二进制编码的规则为：以十进制表示的参数乘以10^a，然后直接转换为二进制编码；参数从二进制编码转换为十进制的规则为：从二进制编码直接转换为十进制数，然后除以10^a，即得到参数的十进制表示形式，其中a为参数的小数点位数，对于参数ε，a＝3；对于参数C和γ，a＝2；

5)生成遗传算法初始种群和适应度函数F，

$F={\left[2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\right]}^{-1}+D$

式中，F_i是染色体的前n位基因，D是支持向量机的拟合精度；

6)生成初始种群，按照步骤4)的编码规则随机生成M个个体作为初

始群体，设置最大进化代数G，设计遗传算子、确定交叉概率P_c和变异概率P_m，P_c取值为0.4～0.99)P_m取值为0.0001～0.1；

7)根据适应度函数F选择和解码，即从初始种群中选择性能好的染色体，淘汰性能差的染色体，并将剩余染色体编码还原为ε、C、γ的十进制表示；

8)训练样本送入支持向量机，用序贯最小优化算法求解支持向量，确定在步骤7)获得的参数情况下的各参数组合对应的支持向量机的节点个数；

9)测试样本送入由步骤8)训练得到的对应各种群的支持向量机结构，计算拟合精度D，采用均方根误差E_RMS来评价其精度，令D＝E_RMS：

$E_{\mathrm{RMS}}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2/n}$

式中，y_i表示样本输出，即实际的软垢/硬垢值，表示子支持向量机1和支持向量机2的实际输出；n表示样本的个数。

10)根据公式 $F={\left[2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\right]}^{-1}+D$ 计算个体适应度，当进化达到设置的最大进化代数或者连续几代的适应度值没有明显变化，结束算法并输出支持向量机的损失系数ε、惩罚因子C和核函数参数γ和节点个数，训练完成；否则返回到步骤11)；

11)对种群交叉、变异重新回到步骤7)，交叉通过染色体的位段相互交换实现；使用一致交叉方法，即从每个父代个体随机选择一半的基因生成子代个体；变异操作即基于变异概率随机地翻转染色体中的位实现。

6.根据权利要求1～5任一项所述的大型凝汽器污垢变化趋势的预测方法，其特征在于，所述的在线学习调整比例因子K₁、K₂和K₃的过程如下：

1)根据实际获取的凝汽器工况和污垢程度输入至基于支持向量机的凝

汽器污垢预测系统结构中，得到实际预测输出值

2)根据参考期望输出R与实际预测输出值

计算性能指标函数

$J\left(t\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(R_i\left(t\right)-{\hat{R}}_i\left(t\right))}^2=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2\left(t\right)$

式中，n为样本的个数，R为实际测量污垢热阻值；

3)如果J(t)小于或等于设定值，则结束在线学习，得到比例因子K₁、K₂和K₃；

如果J(t)大于设定值，则通过下列公式计算并更新比例因子K₁、K₂和K₃，且返回步骤1)进入计算流程：

$K_1(t+1)=K_1\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(k\right)}{\&PartialD;K_1\left(t\right)};$

$K_2(t+1)=K_2\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(k\right)}{\&PartialD;K_2\left(t\right)};$

$K_3(t+1)=K_3\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;J\left(k\right)}{\&PartialD;K_3\left(t\right)};$

式中，η为学习率；t均为采样周期。

7、根据权利要求6所述的大型凝汽器污垢变化趋势的预测方法，其特征在于，所述的设定值为0.005，学习率η的取值范围在0.05～0.1。

Images