基于遺傳算法與支持向量回歸的發電機運行參數趨勢預測

董亞明，李 輝，謝曉龍

?

基于遺傳算法與支持向量回歸的發電機運行參數趨勢預測

董亞明，李 輝，謝曉龍

（上海電氣集團股份有限公司中央研究院，上海 200070）

針對支持向量回歸（SVR）模型在設備運行參數趨勢預測中。根據人為經驗選取模型參數導致預測精度不高的問題，提出了一種使用遺傳算法（GA）優化SVR模型參數的方法（GA-SVR）。將該方法應用于發電機定子線圈出水溫度的實時趨勢預測中。結果表明，相較于SVR模型，GA-SVR具有更高的預測精度，能夠滿足電廠對發電機運行參數變化的趨勢預測精度要求。

發電機；遺傳算法；支持向量回歸；趨勢預測；運行參數；定子線圈出水溫度

0 前言

發電機運行參數趨勢預測主要是基于發電機的多種實時運行參數，綜合其他因素，對影響發電機健康狀況的重要參數進行實時預測與分析。現代火電廠的安全運行意義重大，如電廠不能安全運行，可能會造成人員傷亡、設備損壞和事故，并且不能連續向用戶供電，造成重大經濟損失[1]。為了保證發電設備的安全可靠運行，減少設備故障的發生，提早發現設備運行狀態的異常和故障，監測和預測設備主要運行參數的變化趨勢是非常必要的[2]。因此提高發電設備運行參數趨勢預測的準確度具有重要意義。現有的發電機運行參數趨勢預測方法主要分為兩類。其中一類是基于時間序列模型的預測方法[3]，該類方法主要基于設備參數在過去一段時間內的運行變化規律來預測參數未來的變化趨勢，因為其只考慮參數自身的影響因素而忽略了其他可能的因素，因此模型相對簡單，運算速度快，但是由于模型忽略了其他可能的影響變量，因此對模型預測精度有較大影響。另一類是基于智能模型的預測方法，該類方法主要基于智能模型（如人工神經網絡（Artificial Neural Network，簡稱ANN）[4-6]、支持向量回歸（Support Vector Regression，簡稱SVR）[7-9]，通過建立設備多種實時運行參數與重要運行參數之間的關聯模型，以此來預測重要參數的運行變化趨勢。該類方法的模型較為復雜，可以較好地擬合變量間的非線性關系，具有較高的預測精度。但是由于多數智能模型中包含需要預先選取的未知參數，例如SVR模型中的懲罰參數、核參數等需要預先選取，目前一般通過人工經驗進行選取，容易增加預測誤差[10, 11]。為了提高SVR模型的預測精度，本文提出基于遺傳算法（Genetic Algorithm，簡稱GA）優化SVR模型參數的方法（GA-SVR），即使用GA來優化SVR的模型參數，以及核參數，最終采用最優的參數來進行SVR模型構建。將此方法應用于發電機定子線圈出水溫度的趨勢預測，實際數據表明，GA-SVR方法預測精度高，可滿足實際工程應用。

1 SVR模型

基于統計學習理論，Vapnik[12,13]提出了SVR模型，對于具有個輸入輸出數據的訓練樣本集，是一個維的輸入變量，是輸入變量對應的一維輸出變量。SVR的目標是建立一個模型[13]來滿足回歸函數，使模型的輸出可以準確地對應經過映射后的輸入變量。模型的數學形式可以寫成一個凸優化問題：

以上凸優化問題可以轉化為較簡單的對偶問題來進行求解[13,14]。轉化后的對偶問題如下：

常用的核函數有線性核，多項式核和高斯核。高斯核函數（RBF）的形式見以下公式：

式（3）中，表示RBF的核寬度。在本文中，使用高斯核作為SVR的核函數。

求解出拉格朗日乘子之后，SVR回歸方程可以寫成如下形式：

其中，偏置值可以通過Karush-Kuhn-Tucker（KKT）條件進行計算得出：

2 GA-SVR算法

GA[15]是由美國的Holland教授于1975年首次提出的，算法通過借鑒生物界自然選擇和自然遺傳機制，采用人工進化的方式對目標進行隨機優化搜索，啟發式地搜索全局最優解。使用GA進行啟發式搜索，主要包括初始種群確定、編碼、遺傳操作（選擇、交叉、變異）、適應度函數等步驟[16]。

針對SVR模型的三個參數、和，首先進行參數初始化，對參數進行二進制編碼形成初始種群。確定好初始種群個數以及迭代次數。之后對SVR模型進行訓練。基于訓練后的模型，計算適應度函數值，判斷是否滿足要求。如果符合要求，則、和為最終優化得到的最優參數；如果適應度函數值不符合要求，則算法進行選擇、交叉、變異以及種群再生等操作，繼續迭代，直至滿足算法終止條件。

GA-SVR模型的算法流程圖如圖1所示。

圖1 GA-SVR模型算法流程圖

3 試驗結果與分析

3.1 樣本選擇

使用某電廠發電機運行參數DCS數據進行分析，選取2016年4月1日至2016年5月31日兩個月的數據進行模型訓練及驗證。從電廠拿到的數據時間間隔為10min，即每10min獲取一條數據，數據總數為8784條。考慮到部分時間機組停機或不在額定工況等原因，最終獲取數據條數為8770條，其中4月份為4319條，5月份為4451條。考慮到定子線圈出水溫度在發電機運行狀態監控中的顯著作用，使用GA-SVR模型來預測發電機定子線圈出水溫度的趨勢變化情況，選取發電機有功功率、發電機定子線圈進水溫度、發電機定子線圈冷卻水流量、發電機勵端空側密封油回油溫度、定子邊端鐵心及端部結構件溫度、發電機鐵心中部齒和軛部溫度、汽端冷氫溫度、勵端冷氫溫度8個變量作為模型的輸入變量。使用4月份的數據作為模型的訓練數據集，5月份的數據作為測試數據集。

數據在進行建模和預測之前，首先使用下式進行標準化處理：

3.2 模型參數選取

選用均方誤差（Mean Squared Error，MSE）作為GA的適應度函數：

3.3 預測結果分析

選用MSE和平方相關系數（Squared Correlation Coefficient，2）作為模型性能的最終評估指標。

使用GA對SVR模型的參數進行優化，適應度函數值隨進化代數的變化情況如圖2所示。從圖2中可以看出，最佳適應度函數值大約在50代以后降到最小。經過優化后的SVR參數值為：=99.1597，=0.0082，=0.0394。

使用GA-SVR對發電機定子線圈出水溫度4月份數據進行訓練建模，訓練結果如圖3所示。圖3展示了定子線圈出水溫度的預測值與真實值之間的分布關系。經過訓練，模型對4月份的擬合結果是MSE=0.0157，2=0.9969。可以看出，模型的擬合誤差較小。

圖2 GA的適應度函數值隨進化代數變化曲線

圖3 GA-SVR模型的訓練結果

使用訓練好的模型對5月份定子線圈出水溫度值進行預測，挑選5月1日、5月8日、5月23日結果進行展示，預測結果如圖4~6所示。模型對5月份的預測結果是MSE=0.0718，2=0.9862，預測精度較高。

圖4 GA-SVR模型對定子線圈出水溫度5月1日的預測結果

圖5 GA-SVR模型對定子線圈出水溫度5月8日的預測結果

圖6 GA-SVR模型對定子線圈出水溫度5月23日的預測結果

選用未經參數優化的SVR模型對樣本數據進行訓練和測試，模型的訓練結果是MSE=0.0489，2=0.9903，模型的預測結果是MSE=0.4831，2=0.9263。SVR和GA-SVR模型對5月份31天的預測MSE值對比結果見表1。通過結果對比可以看出，GA-SVR模型預測效果優于SVR模型，其預測效果好，精度高，可以滿足正常工程需求。

4 結論

本文提出了一種基于GA與SVR相結合的預測模型，使用GA來優化SVR模型的三個參數、和，然后使用最優的模型參數進行SVR建模。將此方法應用于發電機定子線圈出水溫度的趨勢預測，預測效果好，預測精度高，與傳統的SVR模型相比較，效果優于未經參數優化的SVR模型。GA-SVR模型預測結果滿足正常的發電廠運行需求，可以用來預測電廠發電機定子線圈出水溫度的趨勢變化情況。

表1 SVR及GA-SVR模型預測的MSE結果對比

[1] 張淑艷, 盧國斌. 發電設備安全可靠性分析及治理措施[J]. 黑龍江科技信息, 2009(35):39-39.

[2] 符曉, 劉超, 蔣東翔. 發電設備運行參數預測方法研究[C]//第十二屆全國設備故障診斷學術會議論文集.沈陽, 2010: 69-71.

[3] 李輝, 郭雙全, 張夢航. 基于時間序列的發電機溫升趨勢分析方法[J]. 上海電氣技術, 2016, 9(1): 49-52+58.

[4] 許允之, 韓麗, 方永麗, 等. 基于神經網絡算法的感應電機故障診斷方法[J]. 大電機技術, 2013(1):15-18.

[5] 田質廣, 張慧芬, 郎立國. 基于遺傳算法的神經網絡在發電機定子超高頻局部放電模式識別中的應用[J]. 大電機技術, 2006(1):36-40.

[6] 田錄林, 韓彬, 田亞奇. 基于核主元分析與模糊神經網絡的汽輪發電機振動故障診斷方法[J]. 大電機技術, 2016(6):16-21.

[7] 仲亞飛, 韋紅旗, 姚衛剛, 等.基于粒子群算法和支持向量機的鍋爐排煙溫度建模[J]. 熱力發電, 2016, 45(1):32-36.

[8] 朱永祥. 基于支持向量機的多噴嘴斜擊式水輪機性能預測研究[J]. 大電機技術, 2013(6):55-58.

[9] 王莉, 李偉偉, 張強. 基于AACA-LSSVM的同步發電機滾動軸承故障分類[J]. 大電機技術, 2015(1):21-23.

[10] 曾勍煒, 徐知海, 吳鍵. 基于粒子群優化和支持向量機的電力負荷預測[J]. 微電子學與計算機, 2011, 28(1):147-149.

[11] 梁妮曉. 基于改進果蠅算法優化支持向量機的短期負荷預測[D]. 南寧:廣西大學, 2014.

[12] Cortes, C., V. Vapnik. Support-vector networks[J]. Machine learning, 1995, 20(3):273-297.

[13] V. Vapnik. The nature of statistical learning theory[M]. Springer Science & Business Media, 2013.

[14] Smola, A. J., B. A tutorial on support vector regression[J]. Statistics and computing, 2004, 14(3):199-222.

[15] Holland, J. H., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence[J]. The Quarterly Review of Biology, 1994, 6:126-137.

[16] 臧淑英, 張策, 張麗娟, 等. 遺傳算法優化的支持向量機濕地遙感分類——以洪河國家級自然保護區為例[J]. 地理科學, 2012, 32(4): 434-441.

Trend Prediction of Generator Operating Parameters Based on Genetic Algorithm and Support Vector Regression

DONG Yaming, LI Hui, XIE Xiaolong

(Shanghai Electric Group Co., Ltd., Central Academe, Shanghai 200070, China)

In the trend prediction of equipment operating parameters, the prediction accuracy will descend with the empirical parameters selection in support vector regression (SVR). A method that genetic algorithm (GA) uses to optimize the parameters of SVR (GA-SVR) is proposed in this paper. This method was used for the real time trend prediction of stator coil outlet temperature of the generator, results show that the prediction accuracy of GA-SVR was higher than SVR, and it can meet the requirement of generator operating parameters trend prediction accuracy in power plant.

generator; genetic algorithm; support vector regression; trend prediction; operating parameters; stator coil outlet temperature

TM301

A

1000-3983(2018)02-0022-05

2017-05-15

上海市科委企業合作專項項目（15dz1180400）

董亞明（1987-），2016年1月畢業于華東理工大學信息學院控制科學與工程專業，博士，主要研究方向：工業數據分析，大型設備狀態監控及故障診斷，復雜過程建模，工程師。