基于在线支持向量回归算法的电站热耗率模型

doi:10.11930/j.issn.1004-9649.2014.7.21.4

中国电力 ›› 2014, Vol. 47 ›› Issue (7): 21-25.DOI: 10.11930/j.issn.1004-9649.2014.7.21.4

基于在线支持向量回归算法的电站热耗率模型

李辉

华能国际电力股份有限公司,北京 100031

收稿日期:2014-03-13 出版日期:2014-07-18 发布日期:2015-12-10
作者简介:李辉（1983—）,男,河南商丘人,工学硕士,工程师,从事电站生产管理、性能优化和污染物控制等技术研究。E-mail: lihui@hpi.com.cn

The Turbine Heat Rate Model Based on Accurate Online Support Vector Regression Algorithm

LI Hui

Huaneng Power International, Inc., Beijing 100031, China

Received:2014-03-13 Online:2014-07-18 Published:2015-12-10

摘要/Abstract

摘要： 利用在线支持向量回归算法（AOSVR）,建立了机组热耗率的在线回归模型。介绍了模型的更新过程,包括增加新样本的递增和冗余样本的删除。对某1 000 MW机组的热耗率计算进行了建模,并与常用的离线式模型SVR和LS-SVR进行了对比,结果表明AOSVR模型能够根据新样本对模型不断进行更新,具有较强的自适应能力和泛化性能,适合在线应用。进一步通过输入参数扰动分析得出AOSVR具有较强的鲁棒性,能够克服输入参数的非正常波动,保证热耗率计算的可靠性。

关键词: 汽轮发电机组, 热耗率, 在线支持向量机, 回归预测, 鲁棒性

Abstract: An online regression model of the steam turbine heat rate is established by using the accurate online support vector regression (AOSVR) algorithm. The model updating process, which includes how to add new samples and delete redundant samples, is also presented. Moreover, the AOSVR-based regression model of the heat rate for a 1 000-MW steam turbine is built and compared with the normally used offline models of SVR and LS-SVR. The comparison indicates that the AOSVR-based regression model can be continuously updated according to the new samples, which shows strong self-adaptive and generalizing capabilities and is suitable for online application. Then, further analysis by adding a disturbance to the input parameter shows that the AOSVR model has strong robustness and can overcome the abnormal fluctuation of the input parameters and guarantee the reliability of the heat rate computation.

Key words: steam-turbine generator unit, heat rate, online support vector, regression prediction, robustness

中图分类号:

TM621

李辉. 基于在线支持向量回归算法的电站热耗率模型[J]. 中国电力, 2014, 47(7): 21-25.

LI Hui. The Turbine Heat Rate Model Based on Accurate Online Support Vector Regression Algorithm[J]. Electric Power, 2014, 47(7): 21-25.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.2014.7.21.4

https://www.electricpower.com.cn/CN/Y2014/V47/I7/21

参考文献

[1] 刘镒民. 典型600 MW汽轮机运行特性的回归分析[J]. 动力工程,1992,12（6）：8-11.
LIU Jian-min. Regressive analysis of operational characteristics of typical 600 MW turbine [J]. Power Engineering, 1992, 12(6): 8-11.
[2] 黄锦涛,武学素. 应用多元线性回归原理建立300 MW抽汽凝汽式汽轮机组的特性方程[J]. 动力工程,1993,13（4）：16-20.
HUANG Jin-tao, WU Xue-su. Derivation of characteristic equations for 300 MW extraction-condensing turbine[J]. Power Engineering, 1993, 13(4): 16-20.
[3] 叶春,忻建华. 混合神经网络在汽轮机在线性能分析中的应用研究[J]. 动力工程,1999,19（5）：342-345.
YE Chun, XIN Jian-hua. A hybrid artificial neural network model used to online analyze the heat rate of steam turbine system [J]. Power Engineering, 1999, 19(5): 342-345.
[4] 王秋平,马春林,肖玲玲,等. 基于蚁群算法-BP神经网络的主蒸汽温度控制系统仿真研究[J]. 热力发电,2013,42（11）：64-68,85.
WANG Qiu-ping, MA Chun-lin, XIAO Ling-ling, et al . Main steam temperature control based on ant colony optimization algorithm and BP neural network[J]. Thermal Power Generation, 2013, 42(11): 64-68, 85.
[5] 王雷,张欣刚,王洪跃,等. 基于支持向量回归算法的汽轮机热耗率模型[J]. 动力工程,2007,27（1）：19-23,49.
WANG Lei, ZHANG Xin-gang, WANG Hong-yue, et al . Model for the turbine heat rate based on the support vector regression[J]. Journal of Power Engineering, 2007, 27(1): 19-23,49.
[6] 张文琴,付忠广,靳涛,等. 基于偏最小二乘算法的热耗率回归分析[J]. 现代电力,2009,26（5）：56-59.
ZHANG Wen-qin, FU Zhong-guang, JIN Tao, et al . Heat rate regression analysis based on partial least squares algorithm[J]. Modern Electric Power, 2009, 26(5): 56-59.
[7] MA J S, THEILER J, PERKINS S. Accurate on-line support vector regression[J]. Neural Computation, 2003, 15(11): 2683-2703.
[8] 杜树新,吴铁军. 回归型加权支持向量机方法及其应用[J]. 浙江大学学报,2004,38（3）：302-308.
DU Shu-xin, WU Tie-jun. Weighted support vector machines for regression and its application[J]. Journal of Zhejiang University (Engineering Science), 2004, 38(3): 302-308.
[9] 鲍永胜,吴振升. 基于SVM的时间序列短期风俗预测[J]. 中国电力,2011,44（9）：61-64.
BAO Yong-sheng, WU Zhen-sheng. Short-term wind speed forecasting based on SVM time-series method[J]. Electric Power, 2011, 44(9): 61-64.
[10] 陈超,黄国勇,邵宗凯,等. 基于日特征量相似日的PSO-SVM短期负荷预测[J].中国电力,2013,46（7）：91-94.
CHEN Chao, HUANG Guo-yong, SHAO Zong-kai, et al . Short- term load forecasting for similar days based on PSO-SVM and daily feature vector [J]. Electric Power, 2013, 46(7): 91-94.
[11] 汪辉,皮道映,孙优贤. 支持向量机在线训练算法及其应用[J].浙江大学学报,2004,38（12）：1642-1649.
WANG Hui, PI Dao-ying, SUN You-xian. On-line support vector machine training algorithm and its application[J]. Journal of Zhejiang University(Engineering Science), 2004, 38(12): 1642-1649.
[12] 司风琪,周建新,仇晓智,等. 在线监测燃煤锅炉NO x 排放的自适应支持向量机[J].动力工程,2008,28(6)：896-900.
SI Feng-qi, ZHOU Jian-xin, QIU Xiao-zhi, et al . An adaptive support vector machine model for the on-line monitoring of boiler NO x emissions in coal-fired boiler[J]. Journal of Power Engineering, 2008, 28(6): 896-900.

[1]	谢蒙飞, 马高权, 刘斌, 潘振宁, 商云峰. 基于信息差距决策理论的虚拟电厂报价策略[J]. 中国电力, 2024, 57(1): 40-50.
[2]	王大兴, 宁妍, 汪敬培, 徐洋, 毕峻, 周铭标, 王鹏. 构建新型电力系统背景下的微电网鲁棒简化建模[J]. 中国电力, 2024, 57(1): 148-157.
[3]	张学延, 屈杰, 何国安, 朱蓬勃, 姜广政, 潘渤. 大型汽轮发电机组非典型故障分析[J]. 中国电力, 2020, 53(12): 284-292,300.
[4]	刘前卫. 基于鲁棒扰动观测器的弃风供暖系统[J]. 中国电力, 2019, 52(8): 120-125.
[5]	胡坚, 刘超. CPSO-FLN模型在汽轮机热耗率预测中的应用研究[J]. 中国电力, 2019, 52(8): 179-184.
[6]	寻新, 盛锴, 陈翔宇, 邓继军. 基于前馈结构的变参数预测控制的喷氨装置优化及应用[J]. 中国电力, 2019, 52(12): 146-153.
[7]	左智科, 陈国彬, 刘超, 牛培峰. 基于CNGWO-LSSVM的汽轮机热耗率预测模型[J]. 中国电力, 2018, 51(8): 148-153.
[8]	张磊, 张俊杰, 冯立国, 乔加飞, 徐亚涛. 亚临界600 MW汽轮机通流改造技术方案研究与应用[J]. 中国电力, 2018, 51(4): 89-95.
[9]	刘学亮, 陈胜利, 万超, 李高潮. 间接空冷汽轮机组变工况特性研究[J]. 中国电力, 2018, 51(4): 108-114.
[10]	胡建根, 顾正皓, 包劲松, 朱梅芳, 张宝. 数据校正在汽轮机热力性能监测中的应用[J]. 中国电力, 2018, 51(12): 124-131.
[11]	郭亦文, 王林, 耿林霄, 高海东, 高林, 程国栋, 金国强. 基于动态线性自回归预测及燃烧状态观测器的锅炉控制系统[J]. 中国电力, 2017, 50(7): 90-95.
[12]	金铁铮, 张磊, 徐亚涛, 张俊杰, 崔亚辉, 顾煜炯. 汽轮发电机组轴系扭振模型参数识别方法[J]. 中国电力, 2017, 50(4): 100-105.
[13]	李汪繁, 蒋俊, 孙庆, 王超, 王坤. 大型汽轮发电机组轴系静特性分析方法研究[J]. 中国电力, 2017, 50(2): 52-56.
[14]	黎瑜春, 陈涛, 杨为民, 齐敏芳. 某600 MW超临界机组1号瓦振动异常分析与处理[J]. 中国电力, 2016, 49(11): 135-139.
[15]	王浩. 一次加准法在1 000 MW汽轮发电机组现场动平衡中的应用[J]. 中国电力, 2016, 49(10): 38-42.

基于在线支持向量回归算法的电站热耗率模型

The Turbine Heat Rate Model Based on Accurate Online Support Vector Regression Algorithm

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

模态框（Modal）标题

基于在线支持向量回归算法的电站热耗率模型

The Turbine Heat Rate Model Based on Accurate Online Support Vector Regression Algorithm

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics