基于LS-SVM的直冷機組凝汽器積灰狀態預測研究

鮑仕瑞

摘要：西北地區由于富煤缺少，直接空冷機組得到快速發展，然而其風沙大導致空冷凝汽器（ACC）積灰嚴重，可降低其5%-15%的換熱性能，提高了直冷機組的發電煤耗和運行成本。本文基于ACC的結構型式和傳熱過程，建立ACC換熱性能理論計算模型，提取關鍵特征影響因素，采用LS-SVM算法建立ACC的積灰熱阻的預測模型，采用阿克蘇熱電ACC現場監測參數，驗證預測模型的準確性。結果表明：預測模型能有效的降低換熱系數的計算復雜度，誤差絕對百分比達2.06%，滿足現場應用要求，為ACC運行狀態智能監測提供了新方法。

關鍵詞：直冷機組;凝汽器;積灰熱阻;最小二乘支持向量機;換熱系數

1引言

我國燃煤發電量占比高達72%，其所需的煤炭與水資源地理分布矛盾顯著，為了克服火電機組增加的需求和缺水之間的矛盾，從2002年開始，有著明顯節水和環保效用的直接空冷機組，被廣泛應用于火力發電[1]。然而"三北"地區揚塵多，灰塵易于積聚在空冷凝汽器（Air Cooled Condenser，ACC）翅片管上，ACC長期置于室外運行，其特有的緊密排布結構使其更易累積灰垢[2]。灰垢的累積增加了翅片管散熱的難度，降低了冷流體帶走的熱量[3]，抬高了汽輪機背壓，嚴重影響汽輪機效率和整個機組運行的經濟性、安全性[4]。

目前空冷系統的運行狀態僅以ACC真空壓力數據信息進行表征，環境氣溫，排汽熱負荷，迎面風速和傳熱系數等主要影響因素都未進行測量[5]，實際的運行過程中，只能依靠人工運維經驗進行風機轉速的調整，難以實現智能化。ACC的清洗維護也是依據運維人員人工觀測，清洗效果的評測也缺乏相應的技術手段。

與理論計算、實驗關聯式相比，支持向量機（support vector machine，SVM）是一種在統計學習理論基礎上發展起來的新的機器學習算法。SVM可消除人工神經網絡收斂速度慢、易陷入局部最小、存在過擬合等問題[6]，由于其具有學習速度快、樣本數量要求少、全局最優、泛化能力強等優點在回歸預測領域得到廣泛應用，本文提出一種基于LS-SVM的空冷凝汽器積灰熱阻預測方法，實現ACC積灰狀態快速、智能預測，為ACC清洗與智能化運維提供依據。

2 ACC積灰狀態監測實驗

2.1 ACC積灰分析方法

基于熱平衡原理，汽輪機排汽經過ACC，其排汽散熱量等于冷卻空氣吸收的熱量。

式中，Q為排汽熱負荷，kW;U為積灰狀態ACC總換熱系數，W/（m2·K）;A為ACC空氣側換熱面積，m2;ΔTlm為對數平均溫差，℃;ma為冷流體的質量流量，kg/s;cpa為空氣比熱容，W/（m2·K）。

空冷器的對數溫差為：

式中，Ts為汽輪機排汽溫度，℃;Ta，i為ACC入口風溫，℃;Ta，o為ACC出口風溫，℃。

積灰狀態的熱阻為：

式中，U0為清潔狀態ACC總換熱系數，W/（m2·K）。由式（1）-（4）可得，ACC的積灰熱阻與直冷機組熱負荷、排汽溫度及壓力、冷卻風量、ACC翅片管入口風溫、出口風溫密切相關。

2.2 ACC積灰監測實驗

為了獲取ACC翅片管實際運行數據，實時監測ACC運行狀態，監測系統示意圖如圖1所示，選取新疆某350MW直冷機組C列空冷單元作為實驗對象，在該換熱面均勻的選取3排4列共12個點布置溫度傳感器，在布置過程中盡量避開逆流單元防止產生較大誤差。選用探頭長度為220mm、直徑φ1.5mm和探頭長度為20mm、直徑φ1.5mm的兩種T型熱電偶;而熱電偶的溫度感受端位于探頭的最前端，因此將長度為220mm的熱電偶探頭從迎風面穿過翅片管蛇形翅片間隙，探頭即可在背風面露出2-3mm用以測量背風面冷流體溫度;將長度為20mm的熱電偶直接固定在同一點的迎風面處，以測量翅片管迎風面冷流體溫度;上述探頭均不與翅片管接觸。

監測系統現場測試如圖2所示，在C、D兩列的人行步道上對稱布置兩個溫度采集箱，分別收集60m換熱面兩側各30m的溫度數據，每個采集箱各采集6個點共12個傳感器的溫度數據;將采集來的數據再傳入安裝在箱面上的THTZ多路溫度記錄儀中，該記錄儀由廠用直流220V電源供電，最多滿足32路工業標準信號輸入，并將數據以標準報文Modbus-Rtu協議通過RS485通信標準將數據返回行進控制柜的核心板內;溫度記錄儀本身也可存儲數據達2年，將U盤插入面板上的usb接口即可選擇讀取數據。

基于新疆350MW直冷機組現場實驗測試，額定工況迎面風速2.1m/s條件下，獲得ACC積灰工況下90個工況的換熱性能數據，通過計算得知，ACC綜合換熱系數由清潔狀態下的29.5W/（m2·K）下降至21.47-27.47W/（m2·K），實驗結果如表1所示。

3LS-SVM預測建模與結果討論

3.1 LS-SVM建模

LSSVM 理論由J.A.K.Suykens和J.Vandewalle 于1999 年提出，是一種SVM模型。LS-SVM在保持了標準的SVM優點的基礎上，顯著降低了計算成本，并且LS-SVM與正規化網絡和高斯過程相關聯，更重視對原規則的解釋。在求解一般支持向量機（SVM）問題基礎上，引入在約束條件，求解最小化的問題，就構成了解LS-SVM問題。

約束條件為：

通常通過引入核函數[21]解決非線性回歸問題。常用的核函數有RBF核函數、線性和函數、多層神經網絡核函數和多項式核函數。本文選用RBF核函數，如式（8）所示。

基于ACC積灰監測實驗數據，選取與灰塵沉積關聯性強的5個運行狀態參數：汽輪機排汽熱負荷Q、排汽溫度ts、ACC入口風溫ta，i和出口風溫ta，o作為輸入變量，將積灰狀態下ACC積灰熱阻作為輸出變量，基于LS-SVM建立運行工況下ACC積灰熱阻預測模型。

3.2 預測結果及模型檢驗

從積灰現場實驗的90組檢測數據中隨機抽取60組樣本作為訓練數據樣本，其它30組數據作為驗證樣本。檢驗結果如圖3所示，由圖3可知，對于不同的工況，由換熱模型計算出的ACC積灰熱阻檢測值波動性較大，包括輕微積灰、嚴重積灰等多種狀態，而本文建立的LS-SVM模型預測數值趨勢與檢測值一致性較好，說明基于LS-SVM的積灰狀態預測方法可實現ACC積灰熱阻的快速、準確預測。

為了定量評價所建立LS-SVM模型的精度，采用均方根誤差（root mean squared errors， RMSE），絕對百分比誤差（mean absolute percentage errors，MAPE）定量評估，計算方法如下：

式中，n是樣本總數，yi，exp為實驗檢測值，yi，pre為LS-SVM預測值，是檢測值均值。根據所選取測試樣本集以及預測結果，可得其檢驗結果RMSE=0.47，MAPE=2.59%。

4結論

本文基于LS-SVM算法，采用燃煤電站直冷機組空冷凝汽器換熱模型提取積灰狀態特征參數，對積灰狀態換熱面換熱系數和清潔度進行建模預測，利用LS-SVM建立的空冷凝汽器積灰工況下積灰熱阻的預測模型準確率較高，為空冷凝汽器經濟、安全清洗提供了依據，使其清洗指導原則得以實施，在此基礎上可實現智能化清洗。

參考文獻

[1]Zhihua Ge， Xiaoze Du， Lijun Yang， Yongping Yang， Yanlei Li， Yansheng Jin. Performance monitoring of direct air-cooled power generating unit with infrared thermography[J].?Applied Thermal Engineering， 2010， 31（4）： 418-424.

[2]郭民臣， 任德斐， 李鵬. 空冷器積灰對運行調節影響的計算分析[J].中國電機工程學報， 2012， 32（11 ）： 60-65.

[3]王麗， 張義江， 郭民臣， 等. 積灰及迎面風速對直接空冷機組性能的影響[J]. 中國電力， 2015， 48（2）： 21-26.

[4]張學鐳， 孫苗青， 葛永建， 等. 直接空冷器翅片管積灰的換熱特性研究[J]. 電力科學與工程， 2016， 32（3）： 59 -66.

[5]嚴俊杰，張春雨，李秀云，等.直接空冷系統變工況特性的理論研究[J].熱能動力工程，2000，15（6）：601-603.

[6]VAPNIK V.An overview of statistical learning theory[J].IEEE Transaction on Neural Network，1999，10（5）：988-999.

浙能阿克蘇熱電有限公司，新疆阿克蘇?843000