基于差分狼群算法优化SVM的主蒸汽流量测量.pdf

第 卷第期 年 月 电站辅机P o w e rS t a t i o nA u x i l i a r yE q u i p m e n t V o l N o J u n 文章编号:()基于差分狼群算法优化S VM的主蒸汽流量测量杜志祥,李杨,殷黄慧,毕小龙,葛晓霞(南京工程学院能源与动力工程学院,江苏 南京 )摘要:针对电厂中主蒸汽流量现有测量方法的不足,提出了基于差分进化狼群算法(D EWP A)进行主蒸汽流量测量的方法.首先,根据平均影响值的分配方法选取合适的主蒸汽流量影响因素,然后,采用差分进化狼群算法优化支持向量机模型参数,即在原始狼群算法的基础上,运用差分进化算法进行更新.仿真结果表面,差分进化狼群算法(D EWP A)预测模型的均方误差比粒子群算法(P S O)、遗传算法(GAO)更小,具有更高的预测精度.基于差分进化狼群算法优化S VM的算法为主蒸汽流量预测提供了一种新的方法.关键词:主蒸汽流量;支持向量机;差分进化狼群算法;预测模型中图分类号:T K 文献标识码:AO p t i m i z a t i o no fS VMf o rM a i nS t e a mF l o wM e a s u r e m e n tB a s e do nD i f f e r e n t i a lW o l fP a c kA l g o r i t h mD uZ h i x i a n g,L iY a n g,Y i nH u a n g h u i,B iX i a o l o n g,G eX i a o x i a(S c h o o l o fE n e r g ya n dP o w e rE n g i n e e r i n g,N a n j i n gI n s t i t u t eo fT e c h n o l o g y,N a n j i n g ,J i a n g s u,C h i n a)A b s t r a c t:I nr e s p o n s et ot h ei n a d e q u a c i e so fc u r r e n tm e t h o d sf o rm e a s u r i n gp r i m a r ys t e a mf l o wi np o w e rp l a n t s,i tp r o p o s e da m e t h o db a s e do nd i f f e r e n t i a le v o l u t i o n w o l fp a c ka l g o r i t h m(D EWP A)F i r s t l y,a p p r o p r i a t ep r i m a r ys t e a mf l o wi n f l u e n c i n gf a c t o r sa r es e l e c t e da c c o r d i n gt ot h ea l l o c a t i o nm e t h o do fa v e r a g e i n f l u e n c ev a l u e T h e n,t h ep a r a m e t e r so f t h es u p p o r tv e c t o rm a c h i n em o d e l a r eo p t i m i z e du s i n gD EWP A,w h i c hu p d a t e st h eo r i g i n a lw o l fp a c ka l g o r i t h m w i t ht h ed i f f e r e n t i a l e v o l u t i o na l g o r i t h m S i m u l a t i o nr e s u l t ss h o wt h a t t h eD EWP Ap r e d i c t i o nm o d e l h a sas m a l l e rm e a ns q u a r ee r r o rt h a np a r t i c l es w a r m o p t i m i z a t i o n(P S O)a n dg e n e t i ca l g o r i t h m o p t i m i z a t i o n(G AO),i n d i c a t i n gh i g h e rp r e d i c t i o na c c u r a c y T h eD EWP A o p t i m i z e dS VMa l g o r i t h mp r o v i d e san e w m e t h o df o rp r e d i c t i n gp r i m a r ys t e a mf l o wK e yw o r d s:p r i m a r ys t e a mf l o w;s u p p o r tv e c t o rm a c h i n e;d i f f e r e n t i a le v o l u t i o nw o l fp a c ko p t i m i z a t i o na l g o r i t h m;p r e d i c t i o nm o d e l收稿日期:基金项目:南京工程学院大学生科技创新基金项目()作者简介:杜志祥(),男,本科,从事智慧电厂及电站设备优化运行的研究工作.引言主蒸汽流量测量的准确性对机组经济性有重要影响,对于小型汽轮机组,测量主蒸汽流量的方法较为简单,直接采用流量喷嘴的方式来测量,虽然会有节流损失但可以忽略不计.但是随着发电厂向大型化发展,大容量汽轮机组的节流损失已经不能忽视.对于主蒸汽流量,大多电厂会采用弗留格尔公式计电站辅机总第 期(N o )杜志祥,等:基于差分狼群算法优化S VM的主蒸汽流量测量算,由于调节级后测点的局限性,计算存在着较大误差.随着软测量技术在发电厂的应用,出现了运用神经网络或支持向量机(S VM)建模等测量主蒸汽流量的智能方法.王建星等人采用基于广义回归神经网络来预测主蒸汽流量,通过基于影响值的方法减少变量,优化选取网络分布密度,使模型拥有较好的泛化能力和较高的预测精度.周建新等人利用 MW机组的历史数据,对比分析了两种方法的优劣,结果R B F神经网络训练均方差比较小,但对于测试精度和训练样本数变化时均方差的稳定性方面,支持向量机模型具有更好的泛化能力.王雷等人运用支持向量机建模,验证了支持向量机在小样本学习上的优势.张维平等人将粗糙集与最小二乘支持向量机结合建模,在传统支持向量机预测模型的基础上提高了预测的精度.在支持向量机的参数优化方面,周云龙等人运用了粒子群优化最小二乘支持向量机的方法,成功地提高了预测的精度.齐敏芳等人使用了基于平均影响值的权重系数分配方法(M I V)和遗传算法(GAO)结合的方法预测主蒸汽流量,并与普通支持向量机和只使用了遗传算法优化的支持向量机模型作对比,体现了M I V的有效性和GAO的高预测精度.本文运用差分进化狼群算法(D EWP A)优化支持向量机模型的惩罚参数C和核函数参数g,建立主蒸汽流量预测模型.采用 MW火电机组实时运行数据,选取重要影响参数进行仿真测试.由于普通狼群算法具有收敛速度快,优化精度高的优点,但头狼信号具有绝对的领导力,算法易陷入局部最优的问题.而差分进化有很强的全局搜索能力,局部搜索能力不足,二者可以形成优势互补.相对于普通粒子群算法和遗传算法拥有更高的预测精度,仿真结果验证了模型的有效性.D E WP A算法模型差分进化狼群算法 是在传统狼群算法的基础上使用了差分进化算法更新狼群.在狼群首轮寻优结束后,一般拥有最优目标函数值的个体还没能达到要求精度,这时再采用差分进化跟新狼群,根据变异交叉后的更优子代更换父代种群,进入下一轮寻优过程.D EWP A具体原理方法如下:()初始化狼群,设置种群数目n,使用式()产生n匹人工狼:XtiXLir a n d(XUiXLi),i,n()其中XUi,XLi是变量X取值的上下界,Xti表示了第t代第i个人工狼的位置.()通过适应度函数计算每个个体的适应度值,选择适应度值最小的最优个体作为头狼,适应度值越小表示猎物浓度越大,头狼离猎物也就越近.在狼群更新过程中,采用优胜劣汰、胜者为王的机制,在新产生的子代中选取具有最优目标函数值的个体作为头狼进行下一步寻优,若有多个最优个体,则随机选择其中一个作为头狼.()探狼在搜索空间中开始游走行为,计算当前探狼的适应度值Q,当前位置计为xti,探狼向其周围各个方向前进一个搜索步长s t e pa,记录前进后的适应度值Qi,若有QiQ,则想该方向前进并更新探狼位置,当适应度值Qi大于头狼适应度值Q,则更新该探狼为头狼,由该探狼发起后面的召唤行为.()头狼发起召唤行为后,空间中的猛狼以较大的奔袭步长s t e pb向头狼所在位置奔袭,若在奔袭过程中猛狼的适应度值Qk Q,则将该猛狼更新为头狼,并记录当前位置,发起召唤行为.若适应度值没有达到要求,猛狼则一直奔袭到距离头狼dn e a r的位置.()猛狼到达指定位置后,开始围攻行为,按照攻击步长s t e pc向头狼靠拢,靠拢过程中若猛狼的适应度值Qi Q,则更新头狼位置,直至找到最小适应度函数值的个体.狼群整个搜索过程中的步长关系为:s t e pb s t e pa s t e pc()()若找到的最佳个体的适应度还没有达到精度要求,则采用差分进化算法更新狼群.将随机的两个个体Xt、Xt的向量差与待变异的个体Xt结合,得到的变异向量为:vt iXtF r(XtXt)()其中,F r为缩放因子,表示变异程度,通常取值杜志祥,等:基于差分狼群算法优化S VM的主蒸汽流量测量电站辅机总第 期(N o )在,之间.()再将待变异的个体和变异后的新个体进行交叉融合,如式()所示:ut i jvt i j,r a n d(j)C r o r j r a n d n(i)xti j,r a n d(j)C r o r jr a n d n(i)()其中C r为交叉概率,取值范围为,C r代表算法的搜索能力和收敛速度,C r越小,可以越好地保证狼群的多样性,提高全局搜索能力.()最后将得到的新群体中优于父代的子代保存下来,选取其中具有最优目标函数值的个体作为头狼,通过以上步骤进行迭代寻优,直至达到最大迭代次数或满足精度要求,获得最优个体的位置和适应度值.具体的流程图如图所示:图差分进化狼群算法流程图 主蒸汽流量的预测模型 数据的选取为 了 表 现 测 量 的 实 用 性,使 用 了 某 电 厂 MW凝汽式机组运行的实时数据.影响主蒸汽流量的因素有很多,在研究了弗留格尔公式及其改进的测量方法后,选取了给水流量、减温水流量、主蒸汽压力、主蒸汽温度、一级抽汽压力、末级再热器出口压力、末级再热器出口温度、机组负荷共种输入参数.为了体现小样本在支持向量机中的有效性,根据负荷分层抽取 组数据作为训练样本,由于训练和测试样本的要求,需要去除这 组数据后再选取 组数据作为测试样本.主蒸汽流量为输出参数,建立预测模型.数据的处理为了降低模型的复杂度并提高运行速度,使用了基于平均影响值分配方法(M I V).平均影响值(M I V)可以在不改变输入参数原始意义的基础上计算出输入变量对输出值的影响大小,用来减少模型的输入参数维度.主要操作步骤为:()将训练样本代入支持向量机模型进行训练.()将训练样本中相同属性的样本集在原始值的基础上增加或减少,形成两个新的样本.()将新的样本代入训练好的模型中进行预测,得到两种不同的预测结果A和A,计算A和A的差值并除以样本数n,就得到该属性的输入参数对模型结果的平均影响值M I V.()将不同属性的输入参数的样本重复步骤(),得到各个输入参数的平均影响值.()对各个输入参数的平均影响值的大小进行排序,剔除平均影响值小的输入参数.根据M I V的结论,温度项对主蒸汽流量的影响较小,可以去除影响因素中的温度参数,最终选取给水流量、减温水流量、主蒸汽压力、一级抽汽压力、末级再热器出口压力、机组负荷个输入参数.机组部分数据如表所示.基于支持向量机的模型建立运用支持向量机进行回归预测有很多优点:首先具有很好的通用性,能够在很广的函数集中构造函数;很强的鲁棒性,对于一些扰动数据不需要微调;计算简单、理论完善,可以有效地解决现实问题.支持向量回归和支持向量分类本质上一样,既有输入又有输出,也就相当于一个函数映射.在实验过程中 需要利用S VM建立回归预测模型对主蒸汽流量进行回归拟合,将主蒸汽流量的个影响参数作为自变量,主蒸汽流量作为因变量.模型的流程如图所示:电站辅机总第 期(N o )杜志祥,等:基于差分狼群算法优化S VM的主蒸汽流量测量表机组部分参数数据序号机组负荷/MW给水流量/(th)减温水流量/(th)主蒸汽压力/MP a一级抽汽压力/MP a末级再热器出口压力/MP a主蒸汽流量/(th)图S V M回归流程图本次模型的核函数选取的都是径向基核函数(R B F),其参数的优化选取对结果有很大的影响.模型的对比分析在MAT L A B平台上建立支持向量机模型,设置初始狼群规模为,最大迭代次数为 ,变异缩放因子上界为,下界为,交叉概率初始值设定为.优化参数的取值区间为 ,.在差分进化算法中,为了保证种群的多样性,一些适应度较小的狼群个体也被加入进行交叉变异,设置不同的交叉概率得到的效果也不同,经过多次运行对比,发现将交叉概率C r设为 ,最后的预测精度最高.其训练 数据的均方 误差为 ,测试数据的均方误差为 .两者数值相当,说明该算法具有很好的泛化能力.测试结果与原始值的误差如图所示,相对误差如图所示.图差分进化狼群算法预测误差量图差分进化狼群算法预测相对误差其中,均方误差为 ,平均相对误差为 ,最大相对误差为 .粒子群算法预测结果的相对误差如图所示,遗传算法预测结果的相对误差如图所示.图粒子群算法预测相对误差图遗传算法预测相对误差杜志祥,等:基于差分狼群算法优化S VM的主蒸汽流量测量电站辅机总第 期(N o )种算法预测结果的均方误差、平均相对误差、最大相对误差对比如表所示.表种算法预测结果的误差方法均方误差M S E平均相对误差MR E最大相对误差P S O GAO D EWP A 结论()普通狼群算法的头狼信号具有绝对的领导力,算法易陷入局部最优,而差分进化有很强的全局搜索能力,解决局部搜索能力不足问题.使用差分进化狼群算法优化选取支持向量机模型的惩罚参数c和核函数g,很好的保证了主蒸汽流量预测模型的泛化能力和预测精度.()采用三种方法进行主蒸汽流量预测,仿真结果表明:P S O和GAO的平均相对误差为 和 ,使用D EWP A后,得到的均方误差仅为 ,平均相对误差和最大相对误差均大大降低,因此,D EWP A相对于P S O和GAO,具有更高的预测精度.()差分进化优化狼群算法具有设置的参数少,预测精度高的特点.基于差分进化狼群算法优化支持向量机的主蒸汽流量测量,为主蒸汽流量预测提供了一种新的手段.参考文献:王建星,付忠广,靳涛,等基于广义回归神经网络的机组主蒸汽流量测定J动力工程学报,():周建新,王雷,吴海姬,等基于支持向量回归的大容量机组主蒸汽流量建模J热能 动力工程,():王雷,张瑞青,肖增弘,等基于S VM的主蒸汽流量回归估计J华东电力,():张维平,赵文蕾,李国强,等基于粗糙集与最小二乘支持向量回归的汽轮机主蒸汽流量预测J计量学报,():周云龙,王迪基于P S O L S S VM的主蒸汽流量测量J化工自动化及仪表,():齐敏芳,付忠广,陈菲,等火电机组主蒸汽流量在线监测计算方法J华北电力大学学报(自然科学版),():张新明,涂强,康强,等灰狼优化与差分进化的混合算法及函数优化J计算机科学,():黄文秀粒子群优化算法的发展研究J软件,():边霞,米良遗传算法理论及其应用研究进展J计算机应用研究,():王盈祥,陈民铀,程庭莉,等基于差分进化的改进狼群算法研究J计算机应用研究,():王小川,史峰,郁磊,等MA T L A B神经网络 个案例分析M北京:北京航空航天大学出版社,简讯 年能源工作指导意见深入推进能源绿色低碳转型巩固风电光伏产业发展优势,持续扩大清洁低碳能源供应,积极推动生产生活用能低碳化清洁化,供需两侧协同发力巩固拓展绿色低碳转型强劲势头.大力发展风电太阳能发电.推动第一批以沙漠、戈壁、荒漠地区为重点的大型风电光伏基地项目并网投产,建设第二批、第三批项目,积极推进光热发电规模化发展.稳妥建设海上风电基地,谋划启动建设海上光伏.大力推进分散式陆上风电和分布式光伏发电项目建设.加强化石能源清洁高效开发利用.加强煤炭清洁高效利用,稳步提升煤炭洗选率,开展富油煤分质分级利用示范,提高清洁煤和油气供应保障能力.加快油气勘探开发与新能源融合发展,促进油气上游智能化、绿色化发展.研究修订天然气利用政策.出台促进炼油行业低碳高效发展相关指导意见,推进炼油产能结构优化与布局优化.