發(fā)電機(jī)定子冷卻水系統(tǒng)狀態(tài)參數(shù)預(yù)測(cè)

文/楊堃 張春曉

在核電的應(yīng)用中，保證發(fā)電機(jī)處于正常的工作溫度，是保證汽輪發(fā)電機(jī)系統(tǒng)長(zhǎng)期安全運(yùn)行的保障設(shè)施。因此對(duì)核島發(fā)電機(jī)定子冷卻水系統(tǒng)進(jìn)行監(jiān)控是必不可少的。為了能夠正確地預(yù)測(cè)到核島發(fā)電機(jī)定子冷卻水系統(tǒng)狀態(tài)參數(shù)，本文提出了ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)非線性子模型相結(jié)合的設(shè)備系統(tǒng)狀態(tài)參數(shù)混合模型，并驗(yàn)證了該模型在預(yù)測(cè)發(fā)電機(jī)定子冷卻水系統(tǒng)狀態(tài)參數(shù)上的可行性。

1 混合模型建立過(guò)程

ARIMA模型可對(duì)時(shí)間序列預(yù)測(cè)，并且可對(duì)不平穩(wěn)數(shù)據(jù)差分運(yùn)算，但是對(duì)非線性問(wèn)題處理能力較弱。BP神經(jīng)網(wǎng)絡(luò)擁有處理非線性問(wèn)題的能力，但是處理線性問(wèn)題能力較弱，易陷入局部最小值等問(wèn)題。因此將ARIMA與BP預(yù)測(cè)模型進(jìn)行組合，能夠結(jié)合 ARIMA與BP模型的優(yōu)勢(shì)，分別提取研究數(shù)據(jù)的線性和非線性變化特征。具體預(yù)測(cè)流程圖如圖1所示。

2 發(fā)電機(jī)定子冷卻水系統(tǒng)狀態(tài)參數(shù)預(yù)測(cè)

2.1 系統(tǒng)狀態(tài)參數(shù)選取

選取系統(tǒng)正常狀態(tài)下的參數(shù)作為訓(xùn)練集：發(fā)電機(jī)定子冷卻水過(guò)濾器壓差、發(fā)電機(jī)定子線圈定子冷卻水入口溫度、發(fā)電機(jī)定子線圈定子冷卻水出口溫度。

圖1：混合模型建模流程圖

對(duì)這3種狀態(tài)參數(shù)進(jìn)行收集，以每2h作為收集間隔，收集前5天共60組數(shù)據(jù)作為訓(xùn)練集，以第6天的12組數(shù)據(jù)作為測(cè)試集。

2.2 系統(tǒng)混合模型建立

圖2：一階差分時(shí)序圖

圖3：發(fā)電機(jī)定子冷卻水過(guò)濾器壓差預(yù)測(cè)數(shù)據(jù)對(duì)比圖

圖4：發(fā)電機(jī)定子線圈定子冷卻水入口溫度預(yù)測(cè)數(shù)據(jù)對(duì)比圖

圖5：發(fā)電機(jī)定子線圈定子冷卻水出口溫度預(yù)測(cè)數(shù)據(jù)對(duì)比圖

表1：3種狀態(tài)參數(shù)預(yù)測(cè)結(jié)果分析數(shù)據(jù)圖

對(duì)數(shù)據(jù)建立混合模型，以出口壓力為例，對(duì)時(shí)間序列進(jìn)行差分運(yùn)算，消除信號(hào)趨勢(shì)性，一階差分后圖像如圖2所示，明顯消除不平穩(wěn)趨勢(shì)，自相關(guān)系數(shù)和偏相關(guān)系數(shù)均落入置信區(qū)間，可以確定ARIMA的差分階次d=1。采用AIC準(zhǔn)則對(duì)模型進(jìn)行定階時(shí)，發(fā)現(xiàn)當(dāng)p=0，q=1時(shí)AIC值最小，建立的ARIMA（0,1,1）為最優(yōu)模型。

將其余參數(shù)按上文方法進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)圖如圖3-圖5所示。

2.3 預(yù)測(cè)結(jié)果分析

本文采用RMSE（方均根差）、MAE（平均絕對(duì)誤差）和MAPE（平均絕對(duì)百分比誤差）這三種常用的預(yù)測(cè)誤差指標(biāo)來(lái)對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。

以發(fā)電機(jī)定子冷卻水泵出口壓力為例，其預(yù)測(cè)結(jié)果分析指標(biāo)如表1所示。

通過(guò)分析上述三種預(yù)測(cè)指標(biāo)，我們發(fā)現(xiàn)基于ARIMA+BP混合模型預(yù)測(cè)得到的預(yù)測(cè)結(jié)果均好于基于ARIMA模型預(yù)測(cè)得到的結(jié)果。其中RMSE的值更小，代表著所得值同原值的偏差更小，更符合實(shí)際情況。MAE更小代表著所求絕對(duì)誤差均值更小，更接近原有數(shù)據(jù)。而MAPE作為平均絕對(duì)百分比誤差，混合模型的MAPE均小于1%，可以認(rèn)為建立的混合預(yù)測(cè)模型擁有這良好的預(yù)測(cè)能力。

3 結(jié)語(yǔ)

本文對(duì)常規(guī)島維修過(guò)程中，發(fā)電機(jī)定子冷卻水系統(tǒng)的狀態(tài)參數(shù)進(jìn)行了預(yù)測(cè)，為了降低不同時(shí)間及星期對(duì)發(fā)電量需求而引發(fā)系統(tǒng)的不穩(wěn)定性，提出了ARIMA和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合模型，實(shí)際預(yù)測(cè)結(jié)果表明，該混合模型同時(shí)擁有ARIMA的線性規(guī)律預(yù)測(cè)優(yōu)勢(shì)以及BP神經(jīng)網(wǎng)絡(luò)的非線性規(guī)律預(yù)測(cè)優(yōu)勢(shì)，可以獲得更準(zhǔn)確的預(yù)測(cè)結(jié)果，誤差較小，能夠盡早判斷發(fā)電機(jī)定子冷卻水系統(tǒng)在未來(lái)一段時(shí)間的工作狀態(tài)變化趨勢(shì)，盡早判斷系統(tǒng)是否存在異常情況，有利于核島發(fā)電機(jī)定子冷卻水系統(tǒng)的及時(shí)維修工作，為常規(guī)島發(fā)電機(jī)定子冷卻水系統(tǒng)系統(tǒng)的維護(hù)提供了重要的參考依據(jù)。