專利名稱：大型凝汽器污垢變化趨勢的預測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于人工智能技術(shù)應(yīng)用領(lǐng)域，涉及一種大型凝汽器污垢變化趨勢的預測方法
背景技術(shù)：
凝汽器是電力、化工等行業(yè)的大型換熱設(shè)備，其作用是將汽輪機做功后的排汽冷凝成水，降低排汽壓力和排汽溫度，提高循環(huán)熱效率。凝汽器運行時，冷卻水自換熱管中流過，汽輪機做功后的排汽則由進汽口進來，沿換熱管之間的縫隙往下流動，向管壁放熱后凝結(jié)為水。由于冷卻水水質(zhì)不潔凈，致使換熱銅管內(nèi)壁積聚了污垢，污垢的存在，降低了換熱面的傳熱能力，導致汽輪機排汽壓力升高、輸出功率減少及熱耗率增加。
通常由熱阻法測得的污垢熱阻來描述凝汽器結(jié)垢程度，污垢熱阻通過下式測取 式中，Rf為污垢熱阻；Twf為換熱管壁與污垢之間的界面溫度；Ts為流體與污垢層間的界面溫度或污垢表面溫度；q為熱流密度。
對于換熱面壁溫Twf，可通過在換熱管壁埋設(shè)鎧裝熱偶測得。
Ts可通過解如下方程求得 式中，twi為所研究管段的冷卻水入口溫度；two為所研究管段的冷卻水出口溫度；l/d為所研究管段長度與管內(nèi)徑之比；St為Stanton數(shù)，可根據(jù)經(jīng)驗公式求取。
熱流密度q不易準確測量，可通過流體的能量平衡求得



(5) 式中，G為冷卻水的容積流量；

為污垢層厚度；CP為冷卻水的定壓比熱；Δp1，Δp2分別為污垢層厚度

變化前、后冷卻水的流動壓降。
由此可見，只要測量出冷卻水入、出口溫度，流動壓降和換熱面壁溫，利用上述關(guān)系式即可確定對應(yīng)的污垢熱阻。
凝汽器的運行特點使得凝汽器的結(jié)垢過程具有周期性。完全清潔的凝汽器投入運行后，管內(nèi)污垢隨之增長。污垢有兩種類型一種是由冷卻水中懸浮物及微生物沉積而成的松散性污垢。另一種是由冷卻水中溶解的無機鹽淀析在換熱面上形成的析晶污垢，實際污垢是這兩類污垢的混合體。
通常，當污垢熱阻達到某一值時，將啟動水力或膠球清洗系統(tǒng)進行清洗。水力或膠球清洗能夠有效地清除換熱管內(nèi)的松散性污垢，但對析晶污垢則不能完全清除。因此，經(jīng)水力或膠球清洗后的冷凝器還包含有殘余污垢，其污垢熱阻并不為零。清洗次數(shù)愈多，殘余污垢愈大。當殘余污垢超過某一臨界值時，將導致冷凝器換熱性能顯著下降，并使水力或膠球清洗失效。為此，必須進行化學清洗?；瘜W清洗后的冷凝器，不存在殘余污垢，其污垢熱阻近似為零。由此可見，凝汽器結(jié)垢表現(xiàn)出周期性，即其污垢變化不斷重復如下過程 結(jié)垢→水力或膠球清洗除垢→結(jié)垢→化學清洗除垢 而且污垢積聚是兩種性質(zhì)不同的周期性結(jié)垢過程水力或膠球清洗周期(TWP)內(nèi)可清除污垢增長過程和化學清洗周期(CWP)內(nèi)殘余污垢增長過程的合成，如圖1所示。
將污垢分解為軟垢和硬垢兩部分，軟垢即為水力或膠球清洗能夠清除的那部分污垢，硬垢即為殘余污垢。其污垢熱阻分別記為Rfs和Rfh。任意時刻的污垢熱阻可以表示為上述兩部分之和。由于Rfs(t)和Rfh(t)描述的是一個非常復雜的物理、化學過程，很難獲取其精確的數(shù)學模型，再加上凝汽器運行過程中冷卻水流速、冷卻水濁度等工況參數(shù)處于動態(tài)變化中，也會對污垢的變化帶來影響。而且不同容量的凝汽器機組的污垢變化趨勢也不一樣。所以常規(guī)的預測方法難以準確預測污垢的變化趨勢，存在要么只適合某種運行工況下的預測或者要么只能預測短期的變化趨勢或者只適用于某種容量凝汽器機組的污垢預測等問題。所以，如何準確預測凝汽器的污垢增長趨勢，是有效預防污垢、建立污垢高效清洗機制的關(guān)鍵技術(shù)難題。


發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提出一種鋰離子電池負極材料及其制備方法，以獲得具有高安全性、高循環(huán)穩(wěn)定性、高比容量和低的放電電壓的復合負極材料。
本發(fā)明的技術(shù)解決方案如下 一種大型凝汽器污垢變化趨勢的預測方法，其特征在于，包括以下步驟 1)將凝汽器的參數(shù)乘以比例因子K1再輸入到支持向量機1中；將凝汽器的參數(shù)乘以比例因子K2再輸入到支持向量機2中；支持向量機1和支持向量機2分別用于預測軟垢和硬垢的變化趨勢；所述的凝汽器的參數(shù)包括當前工況、歷史污垢程度、清洗周期； 2)支持向量機1和支持向量機2的輸出結(jié)果之和乘以比例因子K3即獲得凝汽器污垢變化趨勢的預測結(jié)果Rf； 其中所述的比例因子K1、比例因子K2和比例因子K3均由在線學習模塊實時調(diào)整；所述的在線學習模塊根據(jù)所述的凝汽器的參數(shù)以及凝汽器污垢變化趨勢的預測結(jié)果Rf在線調(diào)整比例因子K1、比例因子K2和比例因子K3。
所述的當前工況包括冷卻水流速v、冷凝器壓力所對應(yīng)的排氣溫度ts、冷卻水入口溫度twi、冷卻水濁度δ、冷卻水硬度σ；歷史污垢程度為預測開始時的上兩個水力或膠球清洗周期開始時的污垢熱阻Rf(t-1)和Rf(t-2)、上一個水力或膠球清洗周期結(jié)束時的污垢熱阻Rfe；清洗周期包括上一次化學清洗結(jié)束至預測時刻凝汽器的運行時間Tt；上一個水力或膠球清洗周期凝汽器運行時間ΔT；上一次水力或膠球清洗結(jié)束至預測時刻凝汽器的時間Tp； 其中，向量Us＝[v、ts、twi、δ、Rf(t-1)、Rf(t-2)、Tp]乘以比例因子K1作為支持向量機1的輸入，預測未來時間的軟垢Rs； 向量Uh＝[σ、Rf(t-1)、Rf(t-2)、Rfe、Tt、ΔT]乘以比例因子K2作為支持向量機2的輸入，預測未來時間的硬垢Rh。
所述的支持向量機1和支持向量機2的結(jié)構(gòu)為包括輸入向量、核函數(shù)、權(quán)值和輸出；每一個核函數(shù)的輸入端均接所有的輸入向量，每一個核函數(shù)的輸出值分別乘以對應(yīng)的權(quán)值得到乘積，所有的乘積之和即為輸出。
采用序貫最小優(yōu)化算法訓練支持向量機，所述的支持向量機為支持向量機1和支持向量機2，該算法即在指定支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ后，將支持向量機的訓練轉(zhuǎn)換為二次規(guī)劃方程的求解。
采用遺傳算法選取參數(shù)ε、C和γ的最優(yōu)組合，支持向量機1和支持向量機2的訓練及參數(shù)優(yōu)化步驟一致，具體過程如下 1)初始化比例因子K1、K2和K3； 2)獲取離線樣本對，分為訓練樣本和測試樣本兩個部分； 3)選擇支持向量機的核函數(shù)，所述的支持向量機為支持向量機1和支持向量機2，采用高斯徑向基核函數(shù) 式中γ為核函數(shù)參數(shù)； 4)確定將支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ以二進制表示的編碼規(guī)則；首先確定這幾個參數(shù)的范圍，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小數(shù)點后3位，C和γ精度都在小數(shù)點后2位； 在染色體結(jié)構(gòu)中，用ε1，...，ε7表示損失系數(shù)ε，用C1，...，C17表示懲罰因子C，用γ1，...，γ7表示核函數(shù)參數(shù)γ，整個染色體的長度是31； 參數(shù)從十進制轉(zhuǎn)換為二進制編碼的規(guī)則為以十進制表示的參數(shù)乘以10a，然后直接轉(zhuǎn)換為二進制編碼；參數(shù)從二進制編碼轉(zhuǎn)換為十進制的規(guī)則為從二進制編碼直接轉(zhuǎn)換為十進制數(shù)，然后除以10a，即得到參數(shù)的十進制表示形式，其中a為參數(shù)的小數(shù)點位數(shù)，對于參數(shù)ε，a＝3；對于參數(shù)C和γ，a＝2； 5)生成遺傳算法初始種群和適應(yīng)度函數(shù)F， 式中，F(xiàn)i是染色體的前n位基因，D是支持向量機的擬合精度； 6)生成初始種群，按照步驟4)的編碼規(guī)則隨機生成M個個體作為初 始群體，設(shè)置最大進化代數(shù)G，設(shè)計遺傳算子、確定交叉概率Pc和變異概率Pm，Pc取值為0.4～0.99)Pm取值為0.0001～0.1； 7)根據(jù)適應(yīng)度函數(shù)F選擇和解碼，即從初始種群中選擇性能好的染色體，淘汰性能差的染色體，并將剩余染色體編碼還原為ε、C、γ的十進制表示； 8)訓練樣本送入支持向量機，用序貫最小優(yōu)化算法求解支持向量，確定在步驟7)獲得的參數(shù)情況下的各參數(shù)組合對應(yīng)的支持向量機的節(jié)點個數(shù)； 9)測試樣本送入由步驟8)訓練得到的對應(yīng)各種群的支持向量機結(jié)構(gòu)，計算擬合精度D，采用均方根誤差ERMS來評價其精度，令D＝ERMS 式中，yi表示樣本輸出，即實際的軟垢/硬垢值，

表示子支持向量機1和支持向量機2的實際輸出；n表示樣本的個數(shù)。
10)根據(jù)公式計算個體適應(yīng)度，當進化達到設(shè)置的最大進化代數(shù)或者連續(xù)幾代的適應(yīng)度值沒有明顯變化，結(jié)束算法并輸出支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ和節(jié)點個數(shù)，訓練完成；否則返回到步驟11)； 11)對種群交叉、變異重新回到步驟7)，交叉通過染色體的位段相互交換實現(xiàn)；使用一致交叉方法，即從每個父代個體隨機選擇一半的基因生成子代個體；變異操作即基于變異概率隨機地翻轉(zhuǎn)染色體中的位實現(xiàn)。
所述的在線學習調(diào)整比例因子K1、K2和K3的過程如下 1)根據(jù)實際獲取的凝汽器工況和污垢程度輸入至基于支持向量機的凝汽器污垢預測系統(tǒng)結(jié)構(gòu)中，得到實際預測輸出值
2)根據(jù)參考期望輸出R與實際預測輸出值

計算性能指標函數(shù) 式中，n為樣本的個數(shù)，R為實際測量污垢熱阻值； 3)如果J(t)小于或等于設(shè)定值，則結(jié)束在線學習，得到比例因子K1、K2和K3； 如果J(t)大于設(shè)定值，則通過下列公式計算并更新比例因子K1、K2和K3，且返回步驟1)進入計算流程 式中，η為學習率；t均為采樣周期。
所述的設(shè)定值為0.005，學習率取值在0.05～0.1。
有益效果 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點就在于 1、與現(xiàn)有污垢模型相比，不需要建立精確的數(shù)學模型，該方法能夠有效地處理凝汽器的周期性結(jié)垢現(xiàn)象，消除殘余污垢對預測精度的影響；訓練支持向量機比訓練神經(jīng)網(wǎng)絡(luò)的所需樣本少，支持向量機的泛化能力更好。
2、具有自學習能力，對不同容量凝汽器機組或運行工況具有很快地自適應(yīng)性。
3、滿足不同時間長短(即短期、中期、長期)的預測需要。



圖1為冷凝器周期性結(jié)垢過程的熱阻變化趨勢示意圖； 圖2為基于支持向量機的凝汽器污垢預測結(jié)構(gòu)圖； 圖3為支持向量機的結(jié)構(gòu)示意圖； 圖4為子網(wǎng)的訓練過程； 圖5為染色體結(jié)構(gòu)示意圖； 圖6為凝汽器污垢預測的流程示意圖。

具體實施例方式 以下將結(jié)合附圖和具體實施例對本發(fā)明做進一步詳細說明。
本發(fā)明的結(jié)構(gòu)如圖2所示。
具體步驟如下 1、建立支持向量機預測結(jié)構(gòu)，整個網(wǎng)絡(luò)分為兩個子網(wǎng)，一個子網(wǎng)預測軟垢，另一個子網(wǎng)預測硬垢，整個網(wǎng)絡(luò)的輸出為兩個子網(wǎng)輸出之和乘以比例因子K3，即為污垢程度。子網(wǎng)一和子網(wǎng)二的結(jié)構(gòu)形式均如圖3所示。
2、將凝汽器的當前工況冷卻水流速v、冷凝器壓力所對應(yīng)的排氣溫度ts、冷卻水入口溫度twi、冷卻水濁度δ、冷卻水硬度σ；歷史污垢熱阻預測開始時的上兩個水力或膠球清洗周期開始時的污垢熱阻Rf(t-1)和Rf(t-2)、上一個水力或膠球清洗周期結(jié)束時的污垢熱阻Rfe；上一次化學清洗結(jié)束至預測時刻凝汽器的運行時間Tt；上一個水力或膠球清洗周期凝汽器運行時間ΔT；上一次水力或膠球清洗結(jié)束至預測時刻凝汽器的時間Tp，作為整個網(wǎng)絡(luò)的輸入。其中，向量Us＝[v、ts、twi、δ、Rf(t-1)、Rf(t-2)、Tp]乘以比例因子K1作為子網(wǎng)一的輸入，預測未來某個時間的軟垢Rs；向量Uh＝[σ、Rf(t-1)、Rf(t-2)、Rfe、Tt、ΔT]乘以比例因子K2作為子網(wǎng)二的輸入，預測未來某個時間的硬垢Rh。
通過“離線學習”分別訓練子網(wǎng)一和子網(wǎng)二，訓練支持向量機的算法有很多，本發(fā)明采用經(jīng)典的序貫最小優(yōu)化算法訓練支持向量機，該算法即在指定支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ后，將支持向量機的訓練轉(zhuǎn)換為二次規(guī)劃方程的求解。為獲取最佳的支持向量機性能，本發(fā)明采用遺傳算法選取參數(shù)ε、C和γ的最優(yōu)組合，兩個子網(wǎng)的訓練及參數(shù)優(yōu)化步驟一致，其過程如圖4所示。
1)初始化比例因子為1，即K1、K2和K3均為1； 2)獲取離線樣本對，分為訓練樣本和測試樣本兩個部分； 3)選擇支持向量機的核函數(shù)，本發(fā)明采用高斯徑向基核函數(shù) 式中γ為核函數(shù)的參數(shù)； 4)確定將支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ以二進制表示的編碼規(guī)則。首先確定這幾個參數(shù)的范圍，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小數(shù)點后3位，C和γ精度都在小數(shù)點后2位。
這樣，在染色體結(jié)構(gòu)中，用ε1，...，ε7表示損失系數(shù)ε，用C1，...，C17表示懲罰因子C，用γ1，...，γ7表示核函數(shù)參數(shù)γ，整個染色體的長度是31。染色體的結(jié)構(gòu)圖如圖5所示。在這幾個參數(shù)的范圍內(nèi)隨機給它們賦值，然后按圖5編碼。
參數(shù)從十進制轉(zhuǎn)換為二進制編碼的規(guī)則為以十進制表示的參數(shù)乘以10a，然后直接轉(zhuǎn)換為二進制編碼；參數(shù)從二進制編碼轉(zhuǎn)換為十進制的規(guī)則為從二進制編碼直接轉(zhuǎn)換為十進制數(shù)，然后除以10a，即得到參數(shù)的十進制表示形式，其中a為參數(shù)的小數(shù)點位數(shù)，即對于參數(shù)ε，a＝3；即對于參數(shù)C和γ，a＝2。
5)生成遺傳算法初始種群和適應(yīng)度函數(shù)F， 式中，F(xiàn)i是染色體的前n位基因，D是支持向量機的擬合精度。
6)生成初始種群，按照步驟(4)的編碼規(guī)則隨機生成M個個體作為初始群體，設(shè)置最大進化代數(shù)G，設(shè)計遺傳算子、確定交叉概率Pc(其取值一般為0.4～0.99)和變異概率Pm(其取值一般為0.0001～0.1)； 7)根據(jù)適應(yīng)度函數(shù)選擇、解碼，即從初始種群中選擇性能好的染色體，淘汰性能差的染色體，并將剩余染色體編碼還原為ε、C、γ的十進制表示； 8)訓練樣本送入支持向量機，用序貫最小優(yōu)化算法求解支持向量，確定在步驟(7)獲得的參數(shù)情況下的各參數(shù)組合對應(yīng)的支持向量機的節(jié)點個數(shù)； 9)測試樣本送入由步驟(8)訓練得到的對應(yīng)各種群的支持向量機結(jié)構(gòu)，計算擬合精度D，采用均方根誤差ERMS來評價其精度，令D＝ERMS。
式中，yi表示樣本輸出，即實際的軟垢/硬垢值，

表示子網(wǎng)一/子網(wǎng)二實際輸出；n表示樣本的個數(shù)。
10)根據(jù)公式(6)計算個體適應(yīng)度，當進化達到設(shè)置的最大進化代數(shù)或者連續(xù)幾代的適應(yīng)度值沒有明顯變化，結(jié)束算法并輸出支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ和節(jié)點個數(shù)，訓練完成。否則到第(11)步； 11)對種群交叉、變異重新回到步驟(7)。交叉通過染色體的某些位段相互交換實現(xiàn)本發(fā)明的交叉使用一致交叉方法，即從每個父代個體隨機選擇一半的基因(基因即染色體中的位)生成子代個體。變異操作即基于變異概率隨機地翻轉(zhuǎn)染色體中的某些位實現(xiàn)。
K1、K2和K3三個比例因子初始值均為1，采用BP算法以在線學習的方式整定，以滿足不同容量凝汽器機組的需要，其步驟為(其中的t為采樣周期) (1)根據(jù)實際獲取的凝汽器工況和污垢程度輸入至基于支持向量機的凝汽器污垢預測系統(tǒng)結(jié)構(gòu)中，得到實際預測輸出值
(2)根據(jù)參考期望輸出R與實際預測輸出值

計算性能指標函數(shù) 式中，n為樣本的個數(shù)。
(3)如果J(t)小于或等于0.005，則結(jié)束在線學習，得到比例因子K1、K2和K3； (4)如果J(t)大于0.005，則通過下列公式(9)～(11)計算并更新比例因子K1、K2和K3，且返回步驟(1)進入計算流程。
式中，η為學習率。
實施例1蒸汽流量、蒸汽溫度、冷卻水入口溫度、冷卻水出口溫度、冷卻水流速、濁度、硬度等工況參數(shù)可以通過相應(yīng)的傳感器變?yōu)殡娦盘枺俳?jīng)模數(shù)轉(zhuǎn)換后存儲到計算機中。其中采用渦街流量計測量蒸汽流量；熱電阻溫度傳感器測量蒸汽溫度、冷卻水入口溫度和冷卻水出口溫度；流速傳感器測量冷卻水流速；濁度傳感器測量水的濁度；電極傳感器測量水的硬度。在換熱管壁埋設(shè)鎧裝熱偶，由熱阻法測得的污垢熱阻來描述凝汽器結(jié)垢程度。針對容量為300MW的凝汽器通過傳感器獲取凝汽器在不同工況下的歷史試驗數(shù)據(jù)。共采集了71個膠球清洗周期的890組樣本數(shù)、17個化學清洗周期的116組樣本數(shù)據(jù)。
1、離線訓練子網(wǎng)，兩個子網(wǎng)的訓練過程一致，以子網(wǎng)一的訓練為例說明其過程。
(1)初始化比例因子為1，即K1、K2和K3均為1； (2)將71個膠球清洗周期的890組樣本中的500組數(shù)據(jù)作為訓練樣本，490組數(shù)據(jù)作為測試樣本； (3)確定支持向量機的核函數(shù)為高斯徑向基核函數(shù)； (4)對支持向量機參數(shù)損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ編碼。首先確定這幾個參數(shù)的范圍，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小數(shù)點后3位，C和γ精度都在小數(shù)點后2位。
這樣，在染色體結(jié)構(gòu)中，用ε1，...，ε7表示損失系數(shù)ε，用C1，...，C17表示懲罰因子C，用γ1，...，γ7表示核函數(shù)參數(shù)γ，整個染色體的長度是31。在這幾個參數(shù)的范圍內(nèi)隨機給它們賦值，然后按圖5編碼。假設(shè)它們分別得到的隨機賦值為0.05、1和0.5，則先將ε乘以1000，C和γ均乘以100，為50、100、50，它們對應(yīng)的二進制編碼為0110010、00000000001100100、0110010，故生成的染色體為0110010000000000011001000110010。
(5)生成遺傳算法初始種群和適應(yīng)度函數(shù)F，式中，F(xiàn)i是染色體的前n位基因，D是支持向量機的擬合精度。
(6)生成初始種群，取群體規(guī)模為80，最大進化代次數(shù)為90次，選擇算子采用隨機遍歷抽樣對群體中的個體進行優(yōu)勝劣汰，交叉概率設(shè)為Pc＝0.75，變異概率設(shè)為Pm＝0.002； (7)根據(jù)適應(yīng)度函數(shù)獲得的性能選擇優(yōu)良染色體，淘汰不合格染色體。然后解碼，即將編碼還原為ε、C、γ的十進制表示；假設(shè)得到的染色體為0101000000000000011001000010110，則拆分為三個參數(shù)的二進制編碼分別為0101000、00000000001100100、0010110。再變換為對應(yīng)的十進制數(shù)分別為40、100、22，故ε＝40/1000＝0.04，C＝100/100＝1，γ＝22/100＝0.22。
(8)訓練樣本送入支持向量機，用序貫最小優(yōu)化算法求解支持向量，確定在步驟(7)獲得的參數(shù)情況下的與各參數(shù)組合對應(yīng)的支持向量機結(jié)構(gòu)； (9)測試樣本送入由步驟(8)訓練得到的支持向量機結(jié)構(gòu)，計算擬合精度D，采用均方根誤差ERMS來評價其精度，令D＝ERMS。
式中，yi表示樣本輸出，即實際的軟垢/硬垢值，

表示子網(wǎng)一/子網(wǎng)二實際輸出；n表示樣本的個數(shù)。
(10)根據(jù)公式(6)計算個體適應(yīng)度，當進化達到設(shè)置的最大進化代數(shù)或者連續(xù)幾代的適應(yīng)度值沒有明顯變化，結(jié)束算法并輸出支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ和節(jié)點個數(shù)，訓練完成。否則到第(11)步； (11)對種群交叉、變異重新回到步驟(7)。交叉通過染色體的某些位段相互交換 實現(xiàn)，本發(fā)明的交叉使用一致交叉方法，即從每個父代個體隨機選擇一半的基因(基因即染色體中的位)生成子代個體。變異操作即基于變異概率隨機地翻轉(zhuǎn)染色體中的某些位實現(xiàn)。
2、在線學習調(diào)整比例因子K1、K2和K3 (1)根據(jù)實際獲取的凝汽器工況和污垢程度輸入至基于支持向量機的凝汽器污垢預測系統(tǒng)結(jié)構(gòu)中，得到實際預測輸出值
(2)根據(jù)參考期望輸出R與實際預測輸出值

計算性能指標函數(shù) 式中，n為樣本的個數(shù)。
(3)如果J(t)小于或等于0.005，則結(jié)束在線學習，得到比例因子K1、K2和K3； (4)如果J(t)大于0.005，則通過下列公式(9)～(11)計算并更新比例因子K1、K2和K3，且返回步驟(1)進入計算流程。
式中，η為學習率。(式(8)～(11)中的t均為采樣周期)。
上述針對容量為300MW凝汽器歷史數(shù)據(jù)訓練的污垢變化趨勢預測系統(tǒng)，除了可以用于預測此300MW凝汽器的污垢變化趨勢外，如果要用于其它容量凝汽器機組(比如600MW凝汽器的污垢預測)的污垢變化趨勢預測，有兩種方案。一種方式為直接把用容量為300MW的凝汽器工況等歷史數(shù)據(jù)離線訓練得到的子網(wǎng)一和子網(wǎng)二結(jié)構(gòu)不變，只通過在線學習算法調(diào)整比例因子，來預測600MW凝汽器的污垢變化趨勢；另一方式為重新獲取600MW的凝汽器工況等歷史數(shù)據(jù)，先重新離線訓練子網(wǎng)一和子網(wǎng)二，得到新的結(jié)構(gòu)，然后通過在線學習算法調(diào)整比例因子，來預測600MW凝汽器的污垢變化趨勢。
權(quán)利要求
1.一種大型凝汽器污垢變化趨勢的預測方法，其特征在于，包括以下步驟
1)將凝汽器的參數(shù)乘以比例因子K1再輸入到支持向量機1中；將凝汽器的參數(shù)乘以比例因子K2再輸入到支持向量機2中；支持向量機1和支持向量機2分別用于預測軟垢和硬垢的變化趨勢；所述的凝汽器的參數(shù)包括當前工況、歷史污垢程度、清洗周期；
2)支持向量機1和支持向量機2的輸出結(jié)果之和乘以比例因子K3即獲得凝汽器污垢變化趨勢的預測結(jié)果Rf；
其中所述的比例因子K1、比例因子K2和比例因子K3均由在線學習模塊實時調(diào)整；所述的在線學習模塊根據(jù)所述的凝汽器的參數(shù)以及凝汽器污垢變化趨勢的預測結(jié)果Rf在線調(diào)整比例因子K1、比例因子K2和比例因子K3。
2.根據(jù)權(quán)利要求1所述的大型凝汽器污垢變化趨勢的預測方法，其特征在于，所述的當前工況包括冷卻水流速v、冷凝器壓力所對應(yīng)的排氣溫度ts、冷卻水入口溫度twi、冷卻水濁度δ、冷卻水硬度σ；歷史污垢程度為預測開始時的上兩個水力或膠球清洗周期開始時的污垢熱阻Rf(t-1)和Rf(t-2)、上一個水力或膠球清洗周期結(jié)束時的污垢熱阻Rfe；清洗周期包括上一次化學清洗結(jié)束至預測時刻凝汽器的運行時間Tt；上一個水力或膠球清洗周期凝汽器運行時間ΔT；上一次水力或膠球清洗結(jié)束至預測時刻凝汽器的時間Tp；
其中，向量Us＝[v、ts、twi、δ、Rf(t-1)、Rf(t-2)、Tp]乘以比例因子K1作為支持向量機1的輸入，預測未來時間的軟垢Rs；
向量Uh＝[σ、Rf(t-1)、Rf(t-2)、Rfe、Tt、ΔT]乘以比例因子K2作為支持向量機2的輸入，預測未來時間的硬垢Rh。
3.根據(jù)權(quán)利要求2所述的大型凝汽器污垢變化趨勢的預測方法，其特征在于，所述的支持向量機1和支持向量機2的結(jié)構(gòu)為包括輸入向量、核函數(shù)、權(quán)值和輸出；每一個核函數(shù)的輸入端均接所有的輸入向量，每一個核函數(shù)的輸出值分別乘以對應(yīng)的權(quán)值得到乘積，所有的乘積之和即為輸出。
4.根據(jù)權(quán)利要求3所述的大型凝汽器污垢變化趨勢的預測方法，其特征在于，采用序貫最小優(yōu)化算法訓練支持向量機，所述的支持向量機為支持向量機1和支持向量機2，該算法即在指定支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ后，將支持向量機的訓練轉(zhuǎn)換為二次規(guī)劃方程的求解。
5.根據(jù)權(quán)利要求4所述的大型凝汽器污垢變化趨勢的預測方法，其特征在于，采用遺傳算法選取參數(shù)ε、C和γ的最優(yōu)組合，支持向量機1和支持向量機2的訓練及參數(shù)優(yōu)化步驟一致，具體過程如下
1)初始化比例因子K1、K2和K3；
2)獲取離線樣本對，分為訓練樣本和測試樣本兩個部分；
3)選擇支持向量機的核函數(shù)，所述的支持向量機為支持向量機1和支持向量機2，采用高斯徑向基核函數(shù)
式中γ為核函數(shù)參數(shù)；
4)確定將支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ以二進制表示的編碼規(guī)則；首先確定這幾個參數(shù)的范圍，0.001<ε<0.100，0.00<C<1000.00，0.00<γ<1.00，ε的精度在小數(shù)點后3位，C和γ精度都在小數(shù)點后2位；
在染色體結(jié)構(gòu)中，用ε1，...，ε7表示損失系數(shù)ε，用C1，...，C17表示懲罰因子C，用γ1，...，γ7表示核函數(shù)參數(shù)γ，整個染色體的長度是31；
參數(shù)從十進制轉(zhuǎn)換為二進制編碼的規(guī)則為以十進制表示的參數(shù)乘以10a，然后直接轉(zhuǎn)換為二進制編碼；參數(shù)從二進制編碼轉(zhuǎn)換為十進制的規(guī)則為從二進制編碼直接轉(zhuǎn)換為十進制數(shù)，然后除以10a，即得到參數(shù)的十進制表示形式，其中a為參數(shù)的小數(shù)點位數(shù)，對于參數(shù)ε，a＝3；對于參數(shù)C和γ，a＝2；
5)生成遺傳算法初始種群和適應(yīng)度函數(shù)F，
式中，F(xiàn)i是染色體的前n位基因，D是支持向量機的擬合精度；
6)生成初始種群，按照步驟4)的編碼規(guī)則隨機生成M個個體作為初
始群體，設(shè)置最大進化代數(shù)G，設(shè)計遺傳算子、確定交叉概率Pc和變異概率Pm，Pc取值為0.4～0.99)Pm取值為0.0001～0.1；
7)根據(jù)適應(yīng)度函數(shù)F選擇和解碼，即從初始種群中選擇性能好的染色體，淘汰性能差的染色體，并將剩余染色體編碼還原為ε、C、γ的十進制表示；
8)訓練樣本送入支持向量機，用序貫最小優(yōu)化算法求解支持向量，確定在步驟7)獲得的參數(shù)情況下的各參數(shù)組合對應(yīng)的支持向量機的節(jié)點個數(shù)；
9)測試樣本送入由步驟8)訓練得到的對應(yīng)各種群的支持向量機結(jié)構(gòu)，計算擬合精度D，采用均方根誤差ERMS來評價其精度，令D＝ERMS
式中，yi表示樣本輸出，即實際的軟垢/硬垢值，
表示子支持向量機1和支持向量機2的實際輸出；n表示樣本的個數(shù)。
10)根據(jù)公式計算個體適應(yīng)度，當進化達到設(shè)置的最大進化代數(shù)或者連續(xù)幾代的適應(yīng)度值沒有明顯變化，結(jié)束算法并輸出支持向量機的損失系數(shù)ε、懲罰因子C和核函數(shù)參數(shù)γ和節(jié)點個數(shù)，訓練完成；否則返回到步驟11)；
11)對種群交叉、變異重新回到步驟7)，交叉通過染色體的位段相互交換實現(xiàn)；使用一致交叉方法，即從每個父代個體隨機選擇一半的基因生成子代個體；變異操作即基于變異概率隨機地翻轉(zhuǎn)染色體中的位實現(xiàn)。
6.根據(jù)權(quán)利要求1～5任一項所述的大型凝汽器污垢變化趨勢的預測方法，其特征在于，所述的在線學習調(diào)整比例因子K1、K2和K3的過程如下
1)根據(jù)實際獲取的凝汽器工況和污垢程度輸入至基于支持向量機的凝
汽器污垢預測系統(tǒng)結(jié)構(gòu)中，得到實際預測輸出值
2)根據(jù)參考期望輸出R與實際預測輸出值
計算性能指標函數(shù)
式中，n為樣本的個數(shù)，R為實際測量污垢熱阻值；
3)如果J(t)小于或等于設(shè)定值，則結(jié)束在線學習，得到比例因子K1、K2和K3；
如果J(t)大于設(shè)定值，則通過下列公式計算并更新比例因子K1、K2和K3，且返回步驟1)進入計算流程
式中，η為學習率；t均為采樣周期。
7、根據(jù)權(quán)利要求6所述的大型凝汽器污垢變化趨勢的預測方法，其特征在于，所述的設(shè)定值為0.005，學習率η的取值范圍在0.05～0.1。
全文摘要
本發(fā)明提出一種大型凝汽器污垢變化趨勢的預測方法，其步驟為1)建立支持向量機預測結(jié)構(gòu)，兩個子網(wǎng)分別用于預測軟垢和硬垢的變化趨勢；2)將凝汽器的當前工況、歷史污垢程度、清洗周期等與比例因子的乘積作為支持向量機的輸入，通過支持向量機求取軟垢和硬垢的預測值，然后軟垢與硬垢之和乘以比例因子作為最終污垢預測結(jié)果。比例因子可以通過在線學習算法調(diào)整，以適應(yīng)不同情況。本發(fā)明能夠克服污垢難以用精確數(shù)學模型描述的困難、適用于不同工況下的預測、適用于不同容量凝汽器機組的預測、能滿足不同時間長度的預測、具有自學習能力，從而實現(xiàn)準確預測凝汽器的污垢變化趨勢。
文檔編號G06N3/12GK101430293SQ20081014399
公開日2009年5月13日 申請日期2008年12月17日 優(yōu)先權(quán)日2008年12月17日
發(fā)明者王耀南, 江 朱, 余洪山, 楊民生, 許海霞, 淼 胡, 偉 寧, 孫程鵬, 霞 鄧 申請人:湖南大學