基于NWAPSO参数全局寻优的LS-SVM电站 风机性能预测
朱予东，王星久，王天龙，胡佳琪
（华北电力大学电站设备状态监测与控制教育部重点实验室，河北保定071003）
据和性能图表上的数据进行曲线拟合获得，由于该曲线非线性很强，传统方法复杂昂资，而且报 摘要：风机的性能曲线是风机选型和优化运行的重要依据，通常谊曲线通过试验试验数合精度不高.针对以上不足，提出了一种基于非线性权重自适应粒子群优化（NWAPSO）参数全模，并应用非线性权重自适应粒子群优化算法对模型参数进行全局寻优，得到具有较高精度的 局寻优的最小二乘支持向量机（LS-SVM）风机性能预测方法.通过最小二乘支持向量机建风机性能曲线.计算结果表明，根据本文方法建立的模型很简洁，只需要知道少量的训练样本就能建立，可以比较精确的预测风机性能，具有较显著的工程应用价值.
关键词：非线性权重自适应粒子群优化；最小二乘支持向量机；风机；性能预测
中图分类号：TK414.2文献标志码：B文章编号：1009-3230（2011）10-0046-03
PerformanceForecastintheFan ofPowerStationwithLS-SVM BasedonParameterOptimizationbyNWAPSO
ZHU Yu-dong WANG Xing-ju WANG Tian-long HU Jia-qi(The Electric Power University Of North China Key Laboratory of Condition Monitoringand Control for Power Plant Equipment Ministry of Education Baoding 071003 China)
Abstract; The performance curves of the fans are essential basis of type selection and operation perfomance digramNevrthelessthe curves are higlynlier errethe tradil optimization of fans. Generally these curves are obtained by curve fitting with data from experimentsmethods areexpenveand theftting accuracys skethy.Inallsion t theskethiness ovewdod qo by adaptive particle swarm optimization algorithm based on nonlinear inertia weight ( NWAPSO） ispointed out. The calulation model of the fan is set up based on the LS-SVM at first the parametesof the model are then globally optimized with the NWAPSO the performance curves of the fans arefinally obtained paratively accurately. The calculation result indicates that the model with LS-SVM based on parameter optimization by NWAPSO is pithily and can be set up with a small amount of trainexamples and the performance of the fan can be forecast nccurntely the engineering value isremarkable.
Key words: NWAPSO; LS-SVM; Fan; Performance forecast
锅炉风机的尺寸和消耗的功率越来越大，对电站来越高.电厂在投产前或试运期间以及投运后， 锅炉风机运行的安全可靠性和经济性的要求也越为进一步了解和掌握风机在实际锅炉风（烟）系统中运行的安全经济性，通过现场试验，一方面，验证风机自身特性是否达到合同要求外，另一方
0引言
随着我国投产的电站锅炉容量的不断增加，
面，为提高包括风机在内的锅炉风（烟）系统的运行经济性和安全可靠性，为风机和系统的改进提供依据.由于影响风机性能的因素很多，如风机的结构参数，运行时的工况条件，风机进出口的立统一的数学模型来描述.文中针对大型风机的特点，利用最小二乘支持向量机理论，建立了风机群优化算法（NWAPSO）对模型参数进行优化），适应粒子群优化算法（NWAPSO）.并利用Matab7.0编写可执行程序，实现了风机性能的快速准确预测.
1支持向量机
支持向量机是建立在统计学习理论、VC维理论和结构风险最小原理、最大间隔超平面、Mer-cer核算法、凸二次规划、松弛变量等技术的基础上的，根据有限的样本信息在模型的复杂性（即 对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的泛化能力，抑制欠学习和过学 习现象.支持向量机在建模方面表现出了良好的相对于需要学习的问题的复杂度来说，所需的样本是相对较少的；非线性，此类问题SVM通过惩 罚变量与核函数理论来解决，实现了非线性判别，有良好的推广能力；方便计算，问题最终会被转化为一个凸二次规划问题，理论上得到的是全局最优点，避免传统方法中的过拟合问题.
2最小二乘支持向量机
Suykens和Vandewalb提出的最小二乘支持向量机（IS-SVM）是支持向量机的一种改进形式，它采用误差的平方作为损失函数，可用于回归问题求解.其优化约束中只有等式约束，而没有不等式 约束，这就将二次规划转换为对线性方程组的求解.本文将采用LS-SVM回归方法对锅炉燃烧系统进行建模.其用于回归问题的数学描述为：
约束条件：
式中：误差变量e∈R，偏置b∈R，y做为调整参 y=wo（x）be数，调整误差所起的作用，与上述参数c对应，称为正则化参数.
定义核函数：
可得到如下的回归估计模型：
0≤n≤l
(1)
(2)
(3）
参数的选择对SVM回归模型性能影响很大，结构布置，负载波动等等，使得性能参数间的关系样本在总体中的分布情况、指标值等多方面因素 由于参数较多，参数的选择与训练样本个数、训练呈现出典型的非线性关系，很难用传统的方法建有关，可以采用三步搜索法、启发式参数选择方法、混合方法以及遗传算法等方式寻找最佳参数，出口压力计算模型，运用非线性权重自适应粒子对基本粒子群算法进行了改进后的非线性权重自 也可以根据参数性质及经验手动选择.本文采用
3非线性权重自适应粒子群优化算法（NWAPSO)
PSO）算法是Kennedy和Eberhant受人工生命 粒子群优化（Particle SwarmOptimization，研究结果的启发、通过模拟鸟群觅食过程中的迁徒和群聚行为而提出的一种基于群体智能的全局随机搜索算法.PSO算法具有很好的生物社会背 景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛关注.
基本粒子群算法收速度较快，但在算法后性，易陷人局部极.针对这个问题，采用非线性权重自适应粒子群优化算法（NWAPSO），该算法对基本粒子群算法进行了改进，通过动态调整惯 性权重，使粒子在选代初期搜索速度快些，后期搜索速度慢些，从面提高了粒子群优化算法跳出局部最优解并具有较强的全局搜索能力.基于余弦规律变化的惯性权重修正，的表达式为：
为初始惯性权重，为选代结束是的惯性权重，7为选代最大次数，n为递减指数，且当n=0.5时，优化结果最好”.在选代初期较大，粒子在解空间速度更大且时间长，有助于搜索更优的区域.在选代后期，减小更快且时间也长，适合算 法确定已经找到的优化区域中的最优解.
4风机性能的LS一SVM预测模型风机的扬程与流量和叶片角度存在着很强的
(4)
(5)
非线性关系.风机的性能曲线是描述在一定的动叶角度下风机的扬程随流量变化的特性，这种变以用式（6）非线性函数描述*； 化特性关系复杂且存在不确定因素.这种关系可
表2 LS-SVM模型预测值同实测值的比较
序号 工作角 风量 全压实测值模型预测值相对误差1 2 -15 -10 110.63 148.00 1260.61 1244.44 1245.97 1255.32 0.001223 0. 4 -5 0 187.27 218.99 1422.22 1680.81 1441.36 1682.95 0.003459 0. 6 10 5 277.13 253. 72 2076.77 1882.83 1869.41 2095.43 0.007127 0. 15 292. 61 2650.50 2661.85 0.004279
(6)
式中：Q-风机的流量.9风机的动叶角度；P风机全压.把Q，9作为LSSVM网络模型的 输人层，P为输出.
由计算结果可知，基于NWAPSO参数优化的LS-SVM模型得到的风机性能预测值与现场实 验测试值之间的最大相对误差为0.008986，可见模型真实准确的反映了实际情况.
核函数采用计算效果较好的径向基核函数(RBF)如(7)：
(7)
6 结束语
NWAPSO算法适度函数采用通过LS-SVM模型计算所得指标值与样本指标值的平均相对误差e，如（8）.
了仿真，并采用采用非线性权重自适应粒子群优 文中由IS-SVM对电站锅炉风机性能进行化算法（NWAPSO），对LS一SVM参数进行了全局寻优，为电站锅炉风机性能预测提供了一种新的化能力，不过分依赖样本的数量和质量，具有出色 算法途径.该算法对于小样本学习具有较强的泛的学习能力和函数逼近能力.实验计算数据验证性.采用该方法，可以大大简化电站锅炉风机的 了该算法在风机性能预测方面的有效性和准确性能测定，选型和优化调度工作，从而提高工作效率，具有广泛的实用价值和经济价值.
(8)
式中，y为支持向量机计算值，y为实际测得值.
<²<100 设置正则化参数0.01<y<100，核宽度0.01 设置种群规模N=50，最大选代次数为200，惯性权重系数分别设置为0.9和0.3，学习因子c，均设置为2. 参考文献 [1]国家电力公司电源建设部，火力发电厂工程施工组[2]徐刚，杨玉群，黄先跌，一种非线性权重的自选应 织设计导则[M].2003.粒子群优化算法[J].计算机工程与应用，2010[3]正春林，周是，周样华等，基于支持向量机的大型电 (35) : 49 151.2005 25(20):7277 厂锅炉飞灰含碳量建模[J门].中国电机工程学报，[4]Nello Cristisnini John Shawe - Taylor. An Introdue-based Leaming Mehoda[ M] . England Cambridge U- tion to Support Vector Machinee and Other Kemel niverity Press 2000; 82 106.[5] [A]. in: Proceedings of the 4 IEEE Interational Kennedy J Eberhart R. Particle swam optimizntionConferenoe IEEE Service Center 1995 pp.1942 1948. on Neurl Networls [C]. Piscataway：[6] Gamier S Geuts J The G.The bilogicalprinciples df sarm intelliene [ I] . Swarm Intelli- gence vol. 30 no.1 2007 pp.331.[7]Eberhart R Shi Y. Particle swam optinizatios: Developens alicati and mus [A].i Proe. IEEE Cong. EvoL. Comput. [ C]. vol. 1 no.1 2001 pp.81 86.[9]萬安华，隋增婚，基于FLexim软件的鼓风机叶轮 [8]吴明强，票与风机[M].水利电力出版社1992.加工系统仿真[J].森林工程，2007 23（4）：30-32. 5模型验证及结果 为验证基于NWAPSO参数优化的IS-SVM电站钢炉风机性能预测方法的正确性，利用Matlab7.0编写了可执行程序.以漳州后台发电厂PFS-280-140型动叶可调轴流式送风机的部分 现场试验数据作为学习样本（如表1）训练LS一SVM模型，再利用其余数据作为检验样本，对学100 g²=0.01，计算结果如表2： 习后模型的预测能力进行验证.最佳参数为：r= 表1 LS-SVM模型学习样本 工作角 风量 全压实测值1 2 -15 -15 86.08 94.77 2206.06 1890.913 4 -10 -10 122.33 137.81 2311.11 1745.455 6 -5 -5 147.25 161.22 2690.91 2303.037 8 0 0 168.39 192.56 2375.76 2917.179 5 228.05 CL661 3216.16 2561.6210 11 10 5 211.43 3498.9912 13 10 15 308.85 239.37 3636.36 1204.0414 15 15 20 333.39 259.39 1705.05 3870.71
