发电机定子冷却水系统状态参数预测

文/杨堃 张春晓

在核电的应用中，保证发电机处于正常的工作温度，是保证汽轮发电机系统长期安全运行的保障设施。因此对核岛发电机定子冷却水系统进行监控是必不可少的。为了能够正确地预测到核岛发电机定子冷却水系统状态参数，本文提出了ARIMA模型和BP神经网络非线性子模型相结合的设备系统状态参数混合模型，并验证了该模型在预测发电机定子冷却水系统状态参数上的可行性。

1 混合模型建立过程

ARIMA模型可对时间序列预测，并且可对不平稳数据差分运算，但是对非线性问题处理能力较弱。BP神经网络拥有处理非线性问题的能力，但是处理线性问题能力较弱，易陷入局部最小值等问题。因此将ARIMA与BP预测模型进行组合，能够结合 ARIMA与BP模型的优势，分别提取研究数据的线性和非线性变化特征。具体预测流程图如图1所示。

2 发电机定子冷却水系统状态参数预测

2.1 系统状态参数选取

选取系统正常状态下的参数作为训练集：发电机定子冷却水过滤器压差、发电机定子线圈定子冷却水入口温度、发电机定子线圈定子冷却水出口温度。

图1：混合模型建模流程图

对这3种状态参数进行收集，以每2h作为收集间隔，收集前5天共60组数据作为训练集，以第6天的12组数据作为测试集。

2.2 系统混合模型建立

图2：一阶差分时序图

图3：发电机定子冷却水过滤器压差预测数据对比图

图4：发电机定子线圈定子冷却水入口温度预测数据对比图

图5：发电机定子线圈定子冷却水出口温度预测数据对比图

表1：3种状态参数预测结果分析数据图

对数据建立混合模型，以出口压力为例，对时间序列进行差分运算，消除信号趋势性，一阶差分后图像如图2所示，明显消除不平稳趋势，自相关系数和偏相关系数均落入置信区间，可以确定ARIMA的差分阶次d=1。采用AIC准则对模型进行定阶时，发现当p=0，q=1时AIC值最小，建立的ARIMA（0,1,1）为最优模型。

将其余参数按上文方法进行预测，得到的预测图如图3-图5所示。

2.3 预测结果分析

本文采用RMSE（方均根差）、MAE（平均绝对误差）和MAPE（平均绝对百分比误差）这三种常用的预测误差指标来对预测结果进行分析。

以发电机定子冷却水泵出口压力为例，其预测结果分析指标如表1所示。

通过分析上述三种预测指标，我们发现基于ARIMA+BP混合模型预测得到的预测结果均好于基于ARIMA模型预测得到的结果。其中RMSE的值更小，代表着所得值同原值的偏差更小，更符合实际情况。MAE更小代表着所求绝对误差均值更小，更接近原有数据。而MAPE作为平均绝对百分比误差，混合模型的MAPE均小于1%，可以认为建立的混合预测模型拥有这良好的预测能力。

3 结语

本文对常规岛维修过程中，发电机定子冷却水系统的状态参数进行了预测，为了降低不同时间及星期对发电量需求而引发系统的不稳定性，提出了ARIMA和BP神经网络相结合的混合模型，实际预测结果表明，该混合模型同时拥有ARIMA的线性规律预测优势以及BP神经网络的非线性规律预测优势，可以获得更准确的预测结果，误差较小，能够尽早判断发电机定子冷却水系统在未来一段时间的工作状态变化趋势，尽早判断系统是否存在异常情况，有利于核岛发电机定子冷却水系统的及时维修工作，为常规岛发电机定子冷却水系统系统的维护提供了重要的参考依据。