基于LS-SVM的直冷机组凝汽器积灰状态预测研究

鲍仕瑞

摘要：西北地区由于富煤缺少，直接空冷机组得到快速发展，然而其风沙大导致空冷凝汽器（ACC）积灰严重，可降低其5%-15%的换热性能，提高了直冷机组的发电煤耗和运行成本。本文基于ACC的结构型式和传热过程，建立ACC换热性能理论计算模型，提取关键特征影响因素，采用LS-SVM算法建立ACC的积灰热阻的预测模型，采用阿克苏热电ACC现场监测参数，验证预测模型的准确性。结果表明：预测模型能有效的降低换热系数的计算复杂度，误差绝对百分比达2.06%，满足现场应用要求，为ACC运行状态智能监测提供了新方法。

关键词：直冷机组;凝汽器;积灰热阻;最小二乘支持向量机;换热系数

1引言

我国燃煤发电量占比高达72%，其所需的煤炭与水资源地理分布矛盾显著，为了克服火电机组增加的需求和缺水之间的矛盾，从2002年开始，有着明显节水和环保效用的直接空冷机组，被广泛应用于火力发电[1]。然而"三北"地区扬尘多，灰尘易于积聚在空冷凝汽器（Air Cooled Condenser，ACC）翅片管上，ACC长期置于室外运行，其特有的紧密排布结构使其更易累积灰垢[2]。灰垢的累积增加了翅片管散热的难度，降低了冷流体带走的热量[3]，抬高了汽轮机背压，严重影响汽轮机效率和整个机组运行的经济性、安全性[4]。

目前空冷系统的运行状态仅以ACC真空压力数据信息进行表征，环境气温，排汽热负荷，迎面风速和传热系数等主要影响因素都未进行测量[5]，实际的运行过程中，只能依靠人工运维经验进行风机转速的调整，难以实现智能化。ACC的清洗维护也是依据运维人员人工观测，清洗效果的评测也缺乏相应的技术手段。

与理论计算、实验关联式相比，支持向量机（support vector machine，SVM）是一种在统计学习理论基础上发展起来的新的机器学习算法。SVM可消除人工神经网络收敛速度慢、易陷入局部最小、存在过拟合等问题[6]，由于其具有学习速度快、样本数量要求少、全局最优、泛化能力强等优点在回归预测领域得到广泛应用，本文提出一种基于LS-SVM的空冷凝汽器积灰热阻预测方法，实现ACC积灰状态快速、智能预测，为ACC清洗与智能化运维提供依据。

2 ACC积灰状态监测实验

2.1 ACC积灰分析方法

基于热平衡原理，汽轮机排汽经过ACC，其排汽散热量等于冷却空气吸收的热量。

式中，Q为排汽热负荷，kW;U为积灰状态ACC总换热系数，W/（m2·K）;A为ACC空气侧换热面积，m2;ΔTlm为对数平均温差，℃;ma为冷流体的质量流量，kg/s;cpa为空气比热容，W/（m2·K）。

空冷器的对数温差为：

式中，Ts为汽轮机排汽温度，℃;Ta，i为ACC入口风温，℃;Ta，o为ACC出口风温，℃。

积灰状态的热阻为：

式中，U0为清洁状态ACC总换热系数，W/（m2·K）。由式（1）-（4）可得，ACC的积灰热阻与直冷机组热负荷、排汽温度及压力、冷却风量、ACC翅片管入口风温、出口风温密切相关。

2.2 ACC积灰监测实验

为了获取ACC翅片管实际运行数据，实时监测ACC运行状态，监测系统示意图如图1所示，选取新疆某350MW直冷机组C列空冷单元作为实验对象，在该换热面均匀的选取3排4列共12个点布置温度传感器，在布置过程中尽量避开逆流单元防止产生较大误差。选用探头长度为220mm、直径φ1.5mm和探头长度为20mm、直径φ1.5mm的两种T型热电偶;而热电偶的温度感受端位于探头的最前端，因此将长度为220mm的热电偶探头从迎风面穿过翅片管蛇形翅片间隙，探头即可在背风面露出2-3mm用以测量背风面冷流体温度;将长度为20mm的热电偶直接固定在同一点的迎风面处，以测量翅片管迎风面冷流体温度;上述探头均不与翅片管接触。

监测系统现场测试如图2所示，在C、D两列的人行步道上对称布置两个温度采集箱，分别收集60m换热面两侧各30m的温度数据，每个采集箱各采集6个点共12个传感器的温度数据;将采集来的数据再传入安装在箱面上的THTZ多路温度记录仪中，该记录儀由厂用直流220V电源供电，最多满足32路工业标准信号输入，并将数据以标准报文Modbus-Rtu协议通过RS485通信标准将数据返回行进控制柜的核心板内;温度记录仪本身也可存储数据达2年，将U盘插入面板上的usb接口即可选择读取数据。

基于新疆350MW直冷机组现场实验测试，额定工况迎面风速2.1m/s条件下，获得ACC积灰工况下90个工况的换热性能数据，通过计算得知，ACC综合换热系数由清洁状态下的29.5W/（m2·K）下降至21.47-27.47W/（m2·K），实验结果如表1所示。

3LS-SVM预测建模与结果讨论

3.1 LS-SVM建模

LSSVM 理论由J.A.K.Suykens和J.Vandewalle 于1999 年提出，是一种SVM模型。LS-SVM在保持了标准的SVM优点的基础上，显著降低了计算成本，并且LS-SVM与正规化网络和高斯过程相关联，更重视对原规则的解释。在求解一般支持向量机（SVM）问题基础上，引入在约束条件，求解最小化的问题，就构成了解LS-SVM问题。

约束条件为：

通常通过引入核函数[21]解决非线性回归问题。常用的核函数有RBF核函数、线性和函数、多层神经网络核函数和多项式核函数。本文选用RBF核函数，如式（8）所示。

基于ACC积灰监测实验数据，选取与灰尘沉积关联性强的5个运行状态参数：汽轮机排汽热负荷Q、排汽温度ts、ACC入口风温ta，i和出口风温ta，o作为输入变量，将积灰状态下ACC积灰热阻作为输出变量，基于LS-SVM建立运行工况下ACC积灰热阻预测模型。

3.2 预测结果及模型检验

从积灰现场实验的90组检测数据中随机抽取60组样本作为训练数据样本，其它30组数据作为验证样本。检验结果如图3所示，由图3可知，对于不同的工况，由换热模型计算出的ACC积灰热阻检测值波动性较大，包括轻微积灰、严重积灰等多种状态，而本文建立的LS-SVM模型预测数值趋势与检测值一致性较好，说明基于LS-SVM的积灰状态预测方法可实现ACC积灰热阻的快速、准确预测。

为了定量评价所建立LS-SVM模型的精度，采用均方根误差（root mean squared errors， RMSE），绝对百分比误差（mean absolute percentage errors，MAPE）定量评估，计算方法如下：

式中，n是样本总数，yi，exp为实验检测值，yi，pre为LS-SVM预测值，是检测值均值。根据所选取测试样本集以及预测结果，可得其检验结果RMSE=0.47，MAPE=2.59%。

4结论

本文基于LS-SVM算法，采用燃煤电站直冷机组空冷凝汽器换热模型提取积灰状态特征参数，对积灰状态换热面换热系数和清洁度进行建模预测，利用LS-SVM建立的空冷凝汽器积灰工况下积灰热阻的预测模型准确率较高，为空冷凝汽器经济、安全清洗提供了依据，使其清洗指导原则得以实施，在此基础上可实现智能化清洗。

参考文献

[1]Zhihua Ge， Xiaoze Du， Lijun Yang， Yongping Yang， Yanlei Li， Yansheng Jin. Performance monitoring of direct air-cooled power generating unit with infrared thermography[J]. Applied Thermal Engineering， 2010， 31（4）： 418-424.

[2]郭民臣， 任德斐， 李鹏. 空冷器积灰对运行调节影响的计算分析[J].中国电机工程学报， 2012， 32（11 ）： 60-65.

[3]王麗， 张义江， 郭民臣， 等. 积灰及迎面风速对直接空冷机组性能的影响[J]. 中国电力， 2015， 48（2）： 21-26.

[4]张学镭， 孙苗青， 葛永建， 等. 直接空冷器翅片管积灰的换热特性研究[J]. 电力科学与工程， 2016， 32（3）： 59 -66.

[5]严俊杰，张春雨，李秀云，等.直接空冷系统变工况特性的理论研究[J].热能动力工程，2000，15（6）：601-603.

[6]VAPNIK V.An overview of statistical learning theory[J].IEEE Transaction on Neural Network，1999，10（5）：988-999.

浙能阿克苏热电有限公司，新疆阿克苏 843000