基于SVM算法的热电厂化学水处理结垢量预测方法.pdf

收稿日期：2022-07-15作者简介：程会芹（1989-），女，硕士研究生，工程师，研究方向：水处理，。基于SVM算法的热电厂化学水处理结垢量预测方法程会芹1，田国良2（1.临沂市恒源节能环保工程有限公司，山东 临沂 276000；2.临沂智慧新能源科技有限公司，山东 临沂 276000）摘要：传统的热电厂化学水处理结垢量预测方法的预测结果与实际结垢量偏差大，存在一定的预测误差，影响了设备的运行维护，为此，提出基于SVM算法的热电厂化学水处理结垢量预测方法。设计支持向量机的结垢预测模型，在分析热电厂设备运行参数的基础上，使用关联分析法选取结垢预测参数，并采用热量传递关系，由外部数据测算设备内传热温度参数，建立SVM的结垢预测模型，为提高预测模型的精准度要求，选取三种评价指标对模型进行评价。通过实验结果可知，设计的预测方法在对热电厂化学水处理结垢量进行预测的过程中，最大误差为0.02 mg/m3，准确性较高，具备较好的实际应用价值。关键词：SVM算法；热电厂化学水；化学水处理；结垢量预测doi：10.3969/j.issn.1008-553X.2023.02.022中图分类号：TM62文献标识码：A文章编号：1008-553X（2023）02-0098-04安 徽 化 工ANHUI CHEMICAL INDUSTRYVol.49，No.2Apr.2023第49卷，第2期2023 年 4 月在热电厂发电过程中，需要补充水量以保证设备稳定发电1。在这一过程中，水汽中的杂质会在各个设备中循环流动，甚至附着在设备内表面，形成水垢2。结垢后的设备传热效率不足，随着结垢厚度的增加，对于电热设备的运行效率与使用寿命不利3。而水质的好坏直接影响电厂热力设备的水垢沉积量4，因此，在热电厂电力生产过程前期对水进行处理，产生大量化学水，能够减少结垢对电力设备的损害5。处理过程中的水有部分物质会沉积在设备内部，为此，对于其结垢量进行预测，以保证及时进行水垢清理，对维持电力设备寿命，降低维护成本具有重要意义6。现有的热电厂化学水处理结垢量预测方法在实际应用过程中，预测结垢量与实际结垢量容易出现较大偏差，预测误差较大，影响了设备的运行维护，增加运维成本。本文提出基于SVM算法的热电厂化学水处理结垢量预测方法。设计支持向量机的结垢预测模型，在分析热电厂的设备运行参数的基础上，使用关联分析法选取结垢预测参数，并采用热量传递关系，由外部数据测算设备内传热温度参数，建立SVM的结垢预测模型，为提高预测模型的精准度要求，选取三种评价指标对模型进行评价。通过实验，验证了本文设计的预测方法，在对热电厂化学水处理结垢量进行预测的过程中，预测结果较传统方法误差极小，准确性更高。1 支持向量机的结垢预测模型设计1.1 选取结垢预测参数对化学水处理结垢量进行预测，需要建立相应的模型。为保证建立模型的精确度，需要获取水质结垢情况的相应参数。为此，本文在分析热电厂设备运行参数的基础上，使用关联分析法进行选取。由于在水处理设备中，我们容易掌握设备的部分温度、压力等参数，而对于设备内的结垢量并不能明确知晓，因此这一参数属于灰色信息7，在这一基础上，我们引入加权分析模型。本文对某热电厂水处理设备近几年的运行温度、压力以及水质数据进行收集，对获取的关联度数据进行归一化处理，以避免各个参数性质不同对计算模型的偏差影响。我们假设对于设备运行数据的参考数据序列为X，且X=x(1),x(2),x(3),.,x(n)，对数据进行初始化处理，其初始值的计算公式可以表示为：x(t)=x(t)*1x(1)（1）式中，t表示监测数据的某一时段。我们假设行为数据序列为Y，且Y=y(1),y(2),y(3),.,y(n)，那么可以计算出两个序列相应的关联度Z，其计算公式表示如下：Z=1nt=1n（2）式中，n表示序列数量参数，t表示监测数据的某一时段，表示该时刻的两序列间的关联系数参数。基于这一计算公式，我们能够计算出化学水中某一因素与结垢堆积量的关联度Z，结合关联系数，建立参数选取的判断准则Q，并保证Q的数值足够大。结合上述98参数选取方法进行关联度判断，我们能够选择出合适的预测模型参数，为建立精准的预测模型打下基础。1.2 计算设备内传热温度在热电厂的水处理设备运行的过程中，保证温度稳定是水汽平稳循环的基础，这一因素也是我们预测结垢量的重要指标。但由于热电厂环境存在危险性，因此对于处于内部设备的温度监测并不能依靠人力获取。为实现对其内部传热温度的数据获取，本文采用热量传递关系，由外部数据测算内部的温度参数。首先，我们假设水处理设备使用材料的传热系数为w，受各种热传递因素的影响，w的数值在不同位置是不同的，在此我们仅针对设备内部进行计算。考虑到设备内水蒸气的循环方式，这种热传递为复杂关系，那么对于其内部的热阻p，计算公式为：p=12*()wq+we（3）式中，wq表示热力设备管道内的传热系数参数，we表示水处理设备管道外的传热系数参数。在计算出设备内的热阻参数之后，我们忽略在传递过程中的热量损失，视内部的热量传递为平衡的，那么对于设备内来说，其中化学水的热量R也就能被计算出来，R的计算公式表示如下：R=2wd（4）式中，d表示监测段的距离参数，即化学水处理设备传递过程中的长度参数，以实际热电厂的设备情况取值。1.3 建立SVM结垢预测模型在选取好输入模型的参数类型，并计算出设备内水体温度后，建立SVM的结垢预测模型，以分析每个因素对水处理过程中结垢状况的影响。SVM算法的基本原理：针对需求分类，通过非线性映射来寻找一个超平面，将输入向量映射并准确分类。基于这一算法，我们假设在模型中，输入的训练样本为N，且满足N=()n1,n2,.,nk，输出的训练样本为M，且满足M=()m1,m2,.,mk，那么对于该模型来说，其数学公式表示如下：H=12+12i=1ks2i（5）式中，表示权向量参数，表示样本误差惩罚参数，k表示输入的维度参数，si表示回归误差参数。基于上述计算方法，建立 SVM 预测模型如图 1所示。图1SVM预测模型示意图然而在实际运算过程中，对于线性SVM的预测模型，容易出现二次最优问题，因此，本文使用拉格朗日函数对建立的模型进行优化。在上述模型中，寻找最优解相当于计算每一计算维度的最小参数值，假设拉格朗日因子为，那么对于最小参数值L的计算公式表示为：L=12-*m()n+a-1（6）其中，表示向量的权重参数；a表示标准偏量参数。通过引入拉格朗日因子，简化了SVM预测模型中的计算复杂程度，减少预测误差。在建立好优化的SVM预测模型后，需要选择合适的核函数，以提高模型预测的精准度。核函数将样本从原空间映射到高维空间，在高维特征空间中进行计算，但是并不需要我们具体了解映射关系，对模型的回归分析具有重要意义。基于模型训练的优化方法，本文选用高斯径向基核函数，该模型复杂度较低，能够提高SVM预测模型的训练速度。1.4 结垢量预测在建立好SVM预测模型之后，能够输入相应的参数量进行结垢量的预测。为提高预测模型的精准度，本文选取相应的评价指标，以检验预测数值的准确度。首先，需要判断结垢量预测结果的绝对误差参数，以判断预测量与实际测量量的差别大小，进而评判模型的精确度，其计算公式表示如下：m=mk-mk（7）式中，mk表示预测模型的输出值，mk表示实测的结垢量参数，通过二者作差，得出相应的误差参数m。在模型中，m越小，预测的精度越高；反之则越低。仅仅对绝对误差参数进行计算，就对模型预测的精确度进行评价是片面的，为此，本文还使用相对误差参程会芹，等：基于SVM算法的热电厂化学水处理结垢量预测方法99总第 242 期 2023 年第 2 期（第 49 卷）安 徽 化 工数，对模型进行性能评价。假设相对误差参数为，其计算公式表示如下：=mmk（8）式中，通过将绝对误差参数m与实测数值进行比值，确定预测模型的相对误差。在实际评价过程中，相对误差更能确定模型预测结果的准确度。最后，是评价预测结果的均方误差参数K，其计算公式可以表示为：K=1ddk=1（mk-mk）2其中，d表示测量设备管道的长度参数。通过判断K值的大小，借以分析样品参数的变化程度，进而评判模型预测的准确度。实际评价过程中，K值越小，准确性越高；反之，则越低。通过确定上述三个评价指标，对本文设计模型的预测准确度进行评价，能够提高本文建立预测模型预测结果的精度。2 实验论证分析为提高热电厂化学水处理结垢量的预测准确性，减少预测误差，本文设计了基于SVM算法的预测方法。为验证该方法的实际应用价值，我们进行实验论证，实验准备以及具体的结果分析如下。2.1 实验准备本文对某市某热电厂A在进行化学水处理过程中的结垢量进行预测。首先，收集该热电厂化学水处理设备近三年的结垢数据，对数据进行整理分析，确定该厂水体结垢量的预测参数，如表1所示。表1预测参数表预测参数HCO-3（mg/L）Ca2+（mg/L）Ba2+（mg/L）pH流速Fcao（mg/L）ALK监测点a5161 6591 3695.611.646122.31b5061 5591 6265.581.636172.36c3501 9381 5215.521.664312.16在确定好预测模型所需要的预测参数以后，将传统的神经网络预测方法作为对比方法，与本文设计的支持向量预测方法一同进行实验，对该厂化学水处理设备的监测点a、b、c进行结垢量预测，记录相应的预测结果与实际结垢量。2.2 实验结果通过上述实验，本文记录了两种预测方法。化学水处理设备的a、b、c三个点的实际结垢状态如表2所示。表2实际结垢量测量值表测点abc设备温度/K283.97283.91283.85负荷/COD6 913.646 892.288 100.15固态物沉积参数值（mg/L）0.9750.9130.991结垢状态轻微轻微轻微由表2可知，实际设备运行过程中，a、b、c三点在化学水处理中均产生了轻微结垢，基于此，我们以测量点a为例，分析两种方法预测结果的准确性。a点两种方法的预测结果如图2所示。图2两种方法a点结垢量预测结果对比图如图2所示，结垢量变化存在高低波动，这是由于化学水内存在的部分化学物质冲走部分垢体而产生的，并不影响结垢的沉积。对比两种方法曲线，传统预测方法下，结垢量的预测值与实际测量值有很大出入，误差最大可达0.2 mg/m3，对设备内结垢量的预测情况偏差较大，严重影响了设备的维护，增加运维成本；而本文设计方法预测数值是围绕实际测量值波动的，变化范围极小，存在的误差较小，最大误差为0.02 mg/m3，几乎可以忽略不计，准确性较高。综合上述实验结果可以看出，本文设计的基于SVM算法的预测方法更具优势，其预测结果较传统方法更为准确，预测的精度更高，对降低热电厂化学水处理设备的维护成本具有重要意义。3 结束语为提高对热电厂化学水处理结垢量的预测准确性，减少预测误差，本文设计了基于SVM算法的预测方法，并通过实验论证，验证了设计的预测方法在对热电厂化（下转第104页）100总第 242 期 2023 年第 2 期（第 49 卷）安 徽 化 工洗中的应用J.染整技术，2012（9）:35-38.6 杜辉,殷宁,赵雨花,等.蓖麻油基聚醚多元醇的制备及其表征J.聚氨酯工业，2008（5）:39-41.7 欧秀琼,钟正泽,解华东,等.鸭油提取工艺研究J.中国油脂，2020,45（9）:8-11.8 贾路航.马来酸酐-丙烯酸共聚物/FMES二元体系在皂洗中的应用J.安徽化工，2013,39（6）:37-40.9 王琛.表面活性剂的复配及其在除油清洗中的应用J.印染，2022,48（3）:50-52.10 郑顺姬,张景斌,强西怀,等.新型皮革渗透剂的制备及其组成与渗透性能的相关性J.皮革化工，2004（3）:1-3.11 宗红亮，陆逸峰，房成，等.含环己烷侧基的蓖麻油聚醚多元醇的制备及应用J.聚氨酯工业，2020,35（4）:61-64.12 陈春乐，杨婷，邹县梅，等.可生物降解螯合剂亚氨基二琥珀酸和谷氨酸N,N-二乙酸对重金属污染土壤的淋洗修复及动力学特征J.生态与农村环境学报，2021,37（3）:394-401.Research and Formulation Design of Cleaning Agent for DownWANG Cheng-xin（Shanghai Xihe Fine Chemical Co.Ltd.,Shanghai 201620,China）Abstract：Surfactant plays an important role in the washing process.The PO blocked fatty acid methyl ester ethoxylatesFMEE and FMES have low-foaming and high-washing ability,which have the remarkable effect of anti-deposition of dirt,so the whiteness of the washed feather and down is high.In order to get the no-phosphorus feather detergent with strongcleaning power,the formulation of feather cleaning agent was determined by orthogonal test as follows:PO blocked FMEE8%，FMES 8%，phosphorus free EDDHA-Na 2%，primary alkyl sulfonate sodium PAS 6%，EL-40 4%，purified water72%，the residual fat rate,turbidity，oxygen consumption and whiteness of the formulation are better than the current cleaning agent.Key words：down；feather；cleaning agent；whiteness；formulation学水处理结垢量进行预测的过程中，较传统方法的预测结果误差更小，准确性更高，具备极高的实际应用价值。参 考 文 献1 付川琪，刘清惓，杨杰，等.基于CFD仿真和SVM算法的建筑能耗预测系统J.现代电子技术，2022，45（8）:75-79.2 周德强.估计灰色Verhulst模型参数的LS-SVM方法及应用J.中国管理科学，2022，30（3）:280-286.3 闫艳，鱼涛，李金灵，等.采出水结垢机理及趋势预测研究J.装备环境工程，2021，18（9）:101-106.4 张伟国，金颢，杜庆杰，等.LH深水油田采出水动态结垢特性及预测模型J.油气田地面工程，2021，40（7）:29-34.5 方惠明，戚凯，李向东，等.高矿化度矿井水结垢趋势及影响因素研究J.中国煤炭地质，2021，33（2）:60-63.6 刘泽燊，潘志松.基于Spark的并行SVM算法研究J.计算机科学，2016，43（5）:238-242.7 何兆云.基于支持向量机的电厂化学水处理结垢量预测研究J.科技资讯，2008（31）:129.Prediction Method of Scaling Amount of Chemical Water Treatment in Thermal Power PlantBased on SVM AlgorithmCHENG Hui-qin1，TIAN Guo-liang2（1.Linyi Hengyuan Energy Conservation and Environmental Protection Engineering Co.Ltd.,Linyi 276000，China；2.Linyi Smart New Energy Technology Co.Ltd.，Linyi 276000,China）Abstract:The prediction result of the traditional method for predicting the scaling amount of chemical water treatment inthermal power plants has a large deviation from the actual scaling amount.There is a certain prediction error，which affectsthe operation and maintenance of equipment.Therefore，this paper proposes a chemical water treatment method based onSVM algorithm for thermal power plants.A method for predicting the amount of fouling.The scaling prediction model of support vector machine is designed.On the basis of analyzing the equipment operating parameters of the thermal power plant，the correlation analysis method is used to select the scaling prediction parameters，and the heat transfer relationship is usedto calculate the heat transfer temperature parameters in the equipment from the external data，and the SVM is established.In order to improve the accuracy requirements of the prediction model，three evaluation indicators were selected to evaluatethe model.The experimental results show that the designed prediction method has a maximum error of 0.02 mg/m3in the process of predicting the scaling amount of chemical water treatment in thermal power plants，with high accuracy and goodpractical application value.Key words:SVM algorithm;chemical water in thermal power plants;chemical water treatment;prediction of scaling amount（上接第100页）104