基于支持向量机的“二拖一”燃气-蒸汽联合循环机组变工况分析

朱亚迪,韦红旗,王丽丽,盛 波

(东南大学能源与环境学院,南京210096)

基于支持向量机的“二拖一”燃气-蒸汽联合循环机组变工况分析

朱亚迪,韦红旗,王丽丽,盛 波

(东南大学能源与环境学院,南京210096)

影响联合循环机组性能的因素很多,除了装置本身的结构外,机组所处的环境条件、运行方式等因素也会对机组的性能产生影响。这些因素往往具有强耦合、大延迟以及不确定性等特点。采用基于遗传算法优化的支持向量机的数学方法建立了各影响因素与发电热耗之间的数学模型,并与常规的支持向量机模型进行对比,以验证模型的准确性。利用所建立的模型对联合循环机组“二拖一”运行的变工况特性进行分析；同时分别对2台燃气轮机“一拖一”运行进行建模,对比分析2台燃气轮机的变工况特性的差异,得到很好的结果。

燃气-蒸汽联合循环；遗传算法；支持向量机；变工况；二拖一；一拖一

燃气-蒸汽联合循环机组在我国电网中主要起调峰作用,机组经常要变工况运行,环境参数的变化和机组设备状态的变化等因素也会对机组的经济运行产生一定的影响。随着厂网分开、竞价上网电力机制的建立,联合循环机组的经济运行变得越来越重要。要实现机组的优化运行就要了解机组的变工况特性,但是引起机组变工况的因素与机组的变工况性能之间是非线性的关系,这就增加了对机组进行建模的难度。

常规的对联合循环机组的建模方式主要有两种［1］：(1)通过变工况试验或者理论计算的方法,精度虽高,但是耗时长、工作量大,代价比较高；(2)利用厂家提供的设计性能曲线和一些修正图表,在机组远离设计工况运行时精确度可能会下降,且随着机组运行时间的增加,机组一些部件会出现老化,精确度会更低。

基于数据的建模方法,具有建模速度快、模型精度高以及更新方便等特点,运用越来越广泛。利用神经网络建立机组的变工况模型已经取得较好的效果［2-3］；但是常规的神经网络存在局部最小、过学习及隐层节点的选取缺乏理论指导等缺陷,从而削弱了其预测能力［4］。支持向量机(SVM)作为一种成熟的统计学习方法,有效地抑制了过学习和欠学习现象,能获得较好的泛化能力,在建模方面显示了强大的优势,应用广泛［5］。

笔者利用SVM建立“二拖一”联合循环机组的变工况模型,并利用遗传算法对SVM的参数进行寻优,结果显示所建立的模型能够很好地预测不同工况下机组的发电热耗；同时对2台燃气轮机分别进行“一拖一”运行时的工况进行建模,以便于对比分析2台燃气轮机性能的差异。

1 回归问题SVM

SVM在数据建模方面具有良好的性能,该算法通过引入结构风险最小化理论来降低实际风险,在学习样本较少时仍能保证模型的准确性［6］。支持向量回归机的基本思想是：对于训练样本集(xi,yi)(其中i=1,2,…,n；xi∈Rm,为输入变量；yi∈R,为对应的目标变量),寻找一个输入空间到输出空间的非线性映射φ,并通过将数据x映射到一个高维特征空间F,在特征空间中用估计函数进行线性回归：

式中：b为阈值。

根据统计学理论,SVM通过对下列目标函数极小化来取得回归函数：

约束条件为：

式中：常数C＞0,为惩罚系数,表示对超出误差的样本的惩罚程度；ζi和ζ*i为松弛因子；ε为不敏感损失函数。求解最终得到回归问题的决策函数：

式中：K(xi,xj)为核函数,Mercer定理已证明,只要满足Mercer条件的对称函数即可作为核函数。核函数的选择目前尚无成熟理论,常用的核函数有：径向基函数、多项式函数、Sigmoid函数、线性函数等［7］,笔者选取径向基函数(RBF)作为核函数。

式中：σ为核函数的宽度参数,控制核函数的径向作用范围。

SVM参数的选取对模型的性能有很大的影响,其中影响最大的参数有惩罚系数C、核函数参数σ、不敏感损失函数的ε值。合理的选择这些参数对保证SVM的性能至关重要,但是目前尚无理论来指导选取这些参数,大都是凭经验选取［8］。笔者利用遗传算法对上述参数进行寻优。

2 遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索寻优的算法,具有通用性强、全局最优和搜索速度快等优点［8］。利用遗传算法对SVM参数进行寻优的基本步骤如下：

(1)根据实际情况,确定C和σ的取值范围。

(2)随机选择各参数的初始值,并选择某种编码函数构造初始种群。

(3)将初始种群输入到SVM模型中进行训练,并计算适应度函数值。

(4)判断适应度函数值是否满足要求或者已经达到遗传的最大代数,若满足转入步骤6,否则进行步骤5。

(5)通过选择、交叉、变异产生新的种群,然后从步骤3重新开始迭代计算。

(6)输出最佳的SVM参数,训练得到最佳的SVM模型。

3 影响机组性能的因素

以780 MW级燃气-蒸汽联合循环机组为研究对象,2台燃气轮机为GE公司生产的9FA型燃气轮机,余热锅炉为三压再热、卧式、不补燃余热锅炉,汽轮机为三压、一次中间再热、双缸双排汽汽轮机。

对联合循环机组进行建模的主要目的是便于机组的优化运行,评价机组运行优良的主要指标之一为发电热耗,因此把机组的发电热耗作为联合循环机组变工况模型的输出,即SVM的因变量。把影响发电热耗的相关运行参数作为模型的输入。根据燃气轮机、余热锅炉、汽轮机的机理确定SVM模型的输入参数。

3.1 燃气轮机部分

燃气轮机部分又分为压气机、燃烧室和燃气透平三部分。

(1)影响压气机运行的因素主要是环境参数,其中环境温度、大气压力以及相对湿度对压气机的性能均有影响,尤其是环境温度对压气机的性能影响很大。由于压气机进口通常装有过滤装置,因此在考虑大气压力的影响时要把压气机进口压降考虑在内。

(2)燃烧室部分主要考虑燃料因素的影响。由于燃料的在线分析比较困难,无法考虑燃料成分以及燃料低位发热量的影响,只考虑进入燃烧室的燃料温度的影响。

3.2 余热锅炉部分

余热锅炉的进口烟气参数取决于燃气透平排气的参数,对于结构一定的燃气透平,排气参数完全取决于进入透平的燃气参数。由燃气轮机部分分析可知,输入燃气参数由燃料和压气机进气决定。由于余热锅炉为不补燃余热锅炉,仅存在换热过程,自然循环余热锅炉排烟温度只取决于燃气透平参数。从以上分析可知,影响余热锅炉性能的参数只有透平排气参数。

3.3 汽轮机部分

联合循环机组的汽轮机采用滑压运行,汽轮机不设调节级,所有调节阀全开［9］,进汽参数完全取决于余热锅炉、汽轮机的结构与特性,因此汽轮机部分只考虑机组背压这一影响因素。

根据GE公司提供的性能曲线可以看出,发电机的频率对机组的性能影响很小,可以忽略不计。因此通过以上分析最终确定SVM的输出为机组发电热耗,输入参数为机组总发电负荷、环境温度、大气压力、环境相对湿度、压气机进气滤网压降、燃料温度、汽轮机背压等10个参数。

4 基于SVM的联合循环机组建模

建模的数据全部取自电厂SIS系统,均为机组稳定运行时的数据。为消除测量系统以及外界环境引起的波动,对机组任一工况稳定运行时间段内的数据取平均值。对于“二拖一”运行方式,最终获取150组数据,选择其中的100组作为训练数据,剩余的50组作为测试数据；另外,按照以上方式分别选取1号燃气轮机和2号燃气轮机“一拖一”运行方式下的运行数据各100组,其中70组作为训练数据,30组作为测试数据。由于2号燃气轮机“一拖一”运行时间较短,因此所选的数据分布不够均匀,从而造成学习样本丰富的工况附近的预测较准,而学习样本较少的工况预测就不够准确。

4.1 机组“二拖一”运行时的变工况模型

对所选取的原始数据归一化到［-1,1］区间,然后将预处理过的数据输入到支持向量回归机模型,并利用遗传算法对支持向量回归机模型进行优化。将测试数据输入到所建模型中,以检验模型的准确性。

进行回归分析选用ε-SVM回归模型,需要优化的SVM参数主要有C和σ。首先选取合适的遗传算法参数,遗传算法的参数的设置直接影响模型的准确度,根据文献［10］,将种群规模设为20,最大进化代数设为200,交叉概率为0.9,变异概率为0.01。

参数范围：0≤C≤100,0≤g≤1 000。

遗传算法参数寻优的过程中适应度变化趋势见图1。

图1 SVM参数寻优过程中适应度变化趋势

由图1可以看出在经过13代进化以后,得到的最优参数为：C=19.554,σ=0.029 6。根据优化得到的参数,用所选“二拖一”运行数据的前100组训练SVM模型,并用后50组数据进行预测检验。检验的结果见图2。

图2 “二拖一”变工况模型对测试数据的拟合结果

4.2 机组“一拖一”运行时的变工况建模

在对机组“一拖一”运行方式建模时,遗传算法的参数设置与“二拖一”运行建模时相同。

用优化后的SVM模型对测试集数据进行预测的同时,还利用常规的SVM模型进行预测。标准SVM数据根据经验选取：C=16,σ=1。结果见表1。从表1可以看出：优化后的SVM模型精度均高于未经优化的SVM模型,说明GASVM具有更好的逼近能力。

表1 变工况模型预测误差

5 仿真分析

利用所建的变工况模型,采用增量分析法对外界参数变化对机组发电热耗产生的影响进行分析。

增量分析法,即选择某一典型运行工况作为基准工况,输入到已建立的变工况模型中,将待分析的参数作为主变量等步长增加,同时维持其他参数不变。将上述数据输入到SVM模型中计算,输出值为对应运行参数下的发电热耗。首先对机组“二拖一”运行方式进行分析计算,为了便于与GE公司所提供的性能曲线进行对比,笔者主要分析机组负荷、环境温度、大气压力和相对湿度对机组发电热耗的影响关系。图3～图8分别为“二拖一”运行方式下机组发电负荷、环境温度、压气机进口压降,相对湿度对机组发电热耗的影响曲线,以及GE公司提供的发电热耗修正曲线。

图3 机组负荷与发电热耗的关系曲线

图4 环境温度对发电热耗的关系曲线

图5 GE公司提供环境温度对发电热耗的关系

图6 压气机进口压降对发电热耗的影响

图7 空气相对湿度对发电热耗的影响

图8 GE公司提供相对湿度对发电热耗的关系曲线

从图3～图8中可以看出：发电负荷对热耗的影响最大,而环境温度、大气压力和相对湿度影响相对较小。通过与GE公司提供的原始曲线进行对比发现：相对湿度和环境温度的影响趋势是相同的,但是还是有一定的偏差,这是因为机组经过几年的运行以及几次大修,改造了一部分结构和设备,因而机组目前的运行特性必然与原始特性有一定的差别,再次说明了基于运行数据建模的重要性。

对2台燃气轮机分别“一拖一”运行进行仿真模拟,采用与“二拖一”相同的方法---增量分析法,1号燃气轮机和2号燃气轮机使用相同的基准工况,对比分析2台燃气轮机“一拖一”运行时的变工况特性的区别。对于“一拖一”运行模拟环境温度对发电热耗的影响见图9。

图9 环境温度对“一拖一”运行发电热耗的影响

由于所取历史数据中,燃气轮机“一拖一”运行的环境温度均在20℃以上,因此变工况计算时环境温度最小取20℃。可以看出：随着环境温度的升高,2台燃气轮机“一拖一”运行的发电热耗均升高；但是在相同的环境温度下,1号燃气轮机热耗小于2号燃气轮机热耗,而此现象与实际生产情况相同。

6 结语

笔者采用SVM对燃气-蒸汽联合循环机组“二拖一”和“一拖一”运行分别建立变工况模型,通过相关的检验证明能够满足实际工程需要。利用所建立的变工况模型进行了部分因素的影响分析,将仿真模拟结果与GE公司所提供的修正曲线进行对比,并对2台燃气轮机分别“一拖一”运行的变工况特性进行对比分析；同时在相同工况下,1号燃气轮机“一拖一”运行的发电热耗小于2号燃气轮机“一拖一”运行的发电热耗。

［1］陈坚红.联合循环机组运行计划和负荷分配建模启发式遗传算法求解和数据处理［D］.杭州：浙江大学,2004.

［2］葛荣彬,刘尚明,李忠义.单轴联合循环机组的变工况性能分析［J］.燃气轮机技术,2008,21(4)：1-5.

［3］葛荣彬,刘尚明.基于人工神经网络的单轴联合循环机组变工况模拟［J］.燃气轮机技术,2008,21(1)：30-35.

［4］江文豪,韦红旗,屈天章,等.基于遗传算法优化参数的支持向量机燃煤发热量预测［J］.热力发电,2011,40(3)：14-19.

［5］王春林,周昊,李国能,等.基于遗传算法和支持向量机的低NOx燃烧优化［J］.中国电机工程学报,2007,27(11)：40-44.

［6］Vapnik V N.统计学习理论［M］.许建华,张学工,译.北京：电子工业出版社,2004.

［7］李凌均,张周锁,何正嘉.基于支持向量机的机械设备状态趋势预测研究［J］.西安交通大学学报,2004,38(3)：230-233.

［8］雷英杰,张善文,李续武,等.Matlab遗传算法工具箱及应用［M］.西安：西安电子科技大学出版社,2005.

［9］赵士杭.联合循环机组合理的变工况运行方式［J］.动力工程,1995,15(3)：28-33.

［10］李敏强.遗传算法的基本理论与应用［M］.北京：科学出版社,2002.

Analysis on Off-design Performance of a Two-Pull-One GTCC Unit Based on SVM

Zhu Yadi,Wei Hongqi,Wang Lili,Sheng Bo
(School of Energy and Environment,Southeast University,Nanjing 210096,China)

The performance of a gas turbine combined cycle(GTCC)unit may be affected by plenty of elements,such as the construction of the equipment,the environmental conditions and the operation mode, etc.,which have the characteristics of strong-coupling,large delay and great uncertainties.Using support vector machine(SVM)and the genetic algorithm(GA),a model was established to analyze the relationship between above elements and the heat consumption,and the results were compared with conventional SVM method,so as to verify the reliability and accuracy of the GA-SVM model,which was subsequently used to analyze the off-design performance of the GTCC unit under two-pull-one operation mode；simultaneously,a GA-SVM model under one-pull-one operation mode was set up respectively for the two gas turbines to comparatively analyze their off-design performance,when good results were obtained.

GTCC；GA；SVM；off-design condition；two-pull-one；one-pull-one

TM611.31

A

1671-086X(2015)03-0155-05

2014-11-24

朱亚迪(1991-),男,在读硕士研究生,研究方向为燃气 蒸汽联合循环机组的优化运行。

E-mail：vadiyyh@126.com