基于PSO的T—S模糊模型辨識算法預測空氣預熱器溫度

蘇芳

摘 要：空氣預熱器是火力發電機組重要的熱能交換設備，然而當其運行于不良狀態（積灰過多或溫度過高）時，將引起空預器火災事故。目前，空預器的熱點檢測主要是將檢測到的溫度信號與事先設定的閾值進行比較，以此來判斷是否發生火情。但此類方法檢測判斷時，空預器內部火災已經發生并造成損失，因此，提前預判火災隱情顯得十分重要。本文提出了一種基于PSO的T-S模糊模型自適應學習算法，前件模糊規則經典FCM法提取，后件參數辨識采用最小二乘法辨識，同時利用PSO優化選取FCM算法的聚類個數c和輸入維數n。仿真結果表明該方法的有效性，且具有良好的魯棒性以及自適應能力。

關鍵詞：熱點檢測；PSO；T-S模糊模型；FCM

0 引言

空氣預熱器（簡稱空預器）是火力發電機組中重要的換熱設備，作用是提高鍋爐燃燒率，降低排煙溫度，減少排煙熱損失。火災現場有關資料證實，當其運行于不良狀態時（如積灰過多或溫度過高）將會導致火災事故，造成設備損壞停運，嚴重時甚至造成安全事故。

目前，國內外已經先后研制出空預器熱點檢測系統并已投入使用[1，2]，這類系統均是通過熱電偶或紅外傳感器作為測溫元件，將所測溫度值與事先設定的報警閾值相比較，以此來判斷是否發生火情。然而，判斷時火災已經發生并造成損失。因此，理想的空預器熱點監測系統應能在空預器內部溫度過高，偏離允許值及火災發生前進行提前預警，以便工作人員及時調整空預器的運行狀態。

常見非線性預測方法有前饋神經網絡、RBF神經網絡以及支持向量機等。神經網絡預測模型結構較復雜，算法易陷入局部極小或者過學習情況。基于結構風險最小化準則的支持向量機（SVR），因其拓撲結構由支持向量決定，克服了預測和傳統統計預測的許多缺點，較好解決了高維數、局部極小、小樣本等先天問題。但由于在實際應用中其對孤立點數據或噪聲非常敏感，因此導致獲得的分類面并不是真正的最優分

類面。

針對現有非線性系統預測模型算法的不足，本文提出基于PSO優化參數的T-S模糊模型對系統進行預測。仿真結果表明，本文所提出的算法，模型預測精度良好。

1 基于PSO的T-S模糊模型算法

1.1 T-S模糊模型描述

1.4 基于PSO算法的T-S模糊模型參數優化

2 實驗仿真

3 結論

本文利用PSO優化選取規則個數C和輸入變量的維數n。然后依據優化的結果，對空氣預熱器溫度時間序列樣本數據進行預測。通過仿真結果可得，該算法可以精確預測空預器內部溫度變化趨勢，對于異常的樣本可以準確的預測，提前作出判斷。

參考文獻：

[1]劉涵，劉丁，李琦，等.電站鍋爐空氣預熱器火災報警系統的研究[J].電子技術應用，1998，24（6）：35-36.

[2]梁炎明，劉丁，李琦，劉涵，宋念龍.基于證據推理的電站鍋爐空預器熱點檢測[J].傳感技術學報，2009，22（12）：1884-1887.

[3]JANG J S R，SUN C T. Functional equivalence between radial basis function networks and fuzzy inference system[J]，IEEE Transactions on Neural Networks， 1993，4（1）： 156-159.

[4]Dunn J C.A fuzzy relative of the ISODATA process and its use indetecting compact well-separated clusters[J].J Cybernet，1973，3（3）：32-57.

[5]Nikhil P R，Bezdek J C.On cluster validity for the fuzzy C -means model[J].IEEE Transactions on Fuzzy Systems，1995，3（3）：370-379.