基于PCA-ALOCO-SVM模型的引風機狀態預測及預警研究

郝炎軍 李慶華

摘要：引風機運行狀態的好壞直接影響到火電機組的運行，為充分利用引風機的監測信息提升其狀態預測及預警模型的性能，提出一種基于PCA-ALOCO-SVM的引風機狀態預測及預警模型?；谝L機狀態監測信息，采用PCA對其進行降維簡化處理；通過構建基于SVM的引風機預測及預警模型實現對引風機狀態的實時監測。試驗結果表明：相較于PCA-LSTM、PCA-BP模型，該預測模型更加精準，其emax值分別降低了16.96%和32.25%，MAPE值分別降低了19.13%和27.98%，RMSE值分別降低了18.26%和20.99%，說明該模型具有較高的擬合度和預測精度。該研究結果可為實現引風機狀態的預測及預警提供參考，對保障火電機組的穩定運行具有重要意義。

關鍵詞：主成分分析法；混沌蟻獅算法；支持向量機；預測及預警模型

中圖分類號：TM621? ? 文獻標志碼：A? ? 文章編號：1671-0797（2024）07-0001-05

DOI：10.19514/j.cnki.cn32-1628/tm.2024.07.001

0? ? 引言

如今，高參數、大容量火電機組比例不斷提高，火電機組運行環境日益復雜，輔機設備數量眾多。泵、風機和加熱器等重要輔機一旦在運行過程中出現劣化或故障，將對設備性能產生嚴重影響，甚至引發重大經濟損失。其中，引風機的運行狀態顯得尤為重要。實現引風機運行狀態的精準預測有助于實時監測引風機的運行狀態，提高機組運行的穩定性和效率，維護和保障火電機組的安全，并為后期維護和升級提供便利[1]。

郭鵬等[2]采用多元狀態估計法，建立了一種用于正常運行狀態下風電機組齒輪箱溫度預測的模型，通過對生成的殘差進行統計分析，確定適當的預警閾值，以進行故障預警。為研究風機齒輪箱故障預測問題，趙洪山等[3]提出了LSSVM方法，然而，這種方法的泛化能力相對較差，可能無法有效適應不同的情況。另外，王松嶺等[4]提出了一種基于K-L變換的空間模式故障識別方法，用于實現風機多種故障的識別，然而，該方法并不屬于早期故障預警范疇，無法提前發現故障。多元狀態估計方法（MSET）是一種成熟的預測診斷技術[5]，可以用于設備狀態預測和故障診斷?；诙嘣獱顟B估計技術進行建模預測，主要將過程記憶矩陣用不同算法加以改進，提升模型的預測精度，通過繪制殘差曲線和設定閾值來實現早期故障預警[6]。此外，美國GE公司的EPI Center系統[7]也能夠進行設備性能劣化曲線、回轉設備軸承故障和信號傳感器故障的識別，并在國內浙能集團得到試用。另外，肖成等[8]通過結合小波分析和BP神經網絡方法，設計了一種高準確率的風力發電機故障診斷模型。此外，馬博洋[9]提出了一種結合相關性分析和主成分分析（PCA）的方法來降維處理燃煤電站一次風機的監視參數，并利用MSET方法進行建模，取得了良好的效果。但上述各種方法均有一定的局限性，需進一步研究。

為此，本文提出一種基于PCA-ALOCO-SVM的引風機狀態預測及預警模型?；谀畴姀S引風機實際數據，采用鄰近均值等方法進行數據預處理；然后采用PCA對輸入數據進行降維；接著利用ALOCO-SVM建立預測模型，并將LSTM和BP模型與該模型進行比較，以驗證其有效性。

1? ? 理論模型

1.1? ? PCA模型

主成分分析（PCA）是一種重要的統計學方法，它可以在最小化信息損失的前提下，提取原始數據中的關鍵信息并用少數新指標代替原始指標，從而實現指標降維，并簡化復雜問題[10-11]。同時，PCA還可以消除特征變量之間的相關性信息。其數學表達式如下：

Y1=A11Zx1+A21Zx2+…+Aj1Zxj，Y2=A12Zx1+A22Zx2+…+Aj2Zxj，? ? ? ? ? ? ? ? ? ?■Ym=A1mZx1+A2mZx2+…+AjmZxj（1）

式中：Yi（i=1，2，…，m）為第i個主成分；Aji（i=1，2，…，m）為指標X協方差矩陣特征值對應的特征向量；Zxj為樣本Z經過標準化后的j項指標。

1.2? ? 基于混沌蟻獅算法的支持向量機模型

1.2.1? ? 支持向量機模型

支持向量機（Support Vector Machine，SVM）是一種由Vapnik[12]提出的有監督方式的機器學習模型，它基于VC維理論和結構風險最小化原則，可以最大化地在特征空間中進行線性分類。此外，通過選擇不同的核函數，可以將非線性的低維問題映射到高維，同時進行線性分割，得到最優的分類超平面。

1.2.2? ? 混沌蟻獅算法

蟻獅優化算法（Ant Lion Optimizer，ALO）是一種群體優化算法[13-14]。蟻獅優化算法隨機選擇蟻獅、蟻群，并在多個峰值函數中尋找未被發現的盲點。為了進一步提高搜索效果，本文結合混沌優化算法的遍歷性，提出了一種基于混沌思想的混沌蟻獅優化算法（Ant Lion Optimizer based on Chaos Optimization，ALOCO）。

該算法的具體步驟如下：

1）參數初始化：對模型初始化參數進行Tent混沌映射初始化。

2）計算適應度值：基于目標函數，計算適應度值，然后選擇適應度值排在前N個位置的個體作為精英蟻獅。具體定義如下：

n（r）=INT■（2）

式中：n（r）為尋優迭代過程中第r代精英的數量；R為迭代次數的最大值；nmin、nmax分別為尋優迭代過程中精英數量的最小值和最大值。

3）計算螞蟻位置：假設Levy飛行變異機制計算螞蟻隨機游走后的位置，具體為：

Anti t+1=Anti t+Anti t？茌Levy（λ）（3）

式中：Anti t、Anti t+1分別為第i只螞蟻第t次、第t+1次所在位置；λ為Levy行走的步長。

4）更新邊界條件：利用精英庫中的蟻獅，對螞蟻的游走邊界進行規范化。通過令螞蟻在與其匹配到的精英蟻獅及父輩精英蟻獅群范圍內隨機游走，實現對螞蟻游走上、下邊界的更新。具體定義如下：

ci，r=Ej，r+cr，di，r=Ej，r+dr，i＝1，2，…，n×N；j=1，2，…，n（4）

式中：ci，r、di，r分別為捕獲第i只螞蟻的第r次迭代的最小值和最大值；Ej，r為被選定的第j只精英蟻獅在第r次迭代的位置；cr、dr分別為第r次迭代的最小值和最大值。

5）更新適應度值：在上述幾個步驟的基礎上，再次計算全體種群對應的適應度值，并按從大到小的順序進行排列，即：

■fsort（Ai，r）？圯■Li，r+1（5）

式中：fsort為排序函數；Ai，r為捕獲第i只螞蟻的蟻獅的適應度值；Li，r+1為捕獲第i只螞蟻的蟻獅在第r+1次迭代的位置。

6）更新迭代：以最大適應度值為標準，進行循環迭代，直到達到預設的迭代次數上限。

1.3? ? PCA-ALOCO-SVM模型

本文提出的基于PCA-ALOCO-SVM的引風機狀態預測及預警模型建立流程如圖1所示。

主要步驟如下：

1）數據采集及預處理：通過各種傳感器收集引風機溫度、壓力等參數，并建立數據庫。在此基礎上，進行數據預處理。

2）輸入向量降維處理：采用PCA進行降維處理。通過PCA，可以減少預測模型輸入向量的維數，同時保留大部分信息，從而提高模型的預測精度。

3）訓練預測模型：構建并訓練ALOCO-SVM預測模型。ALOCO-SVM是一種結合了異常檢測和支持向量機的預測模型，可以有效處理數據中的異常情況，并提高預測的準確性。

4）實例驗證：對預測模型進行實例驗證，這樣可以驗證模型在真實情況下的可行性，并對模型進行進一步改進和調整。

2? ? 工程實例分析

本文以西北地區某發電機組中引風機為研究對象，數據采集時間為2023年1月10日—12日，每隔1 min采集一次。引風機狀態的好壞并非是由單個變量所決定的，其主要受到各個部位的溫度、壓差等影響，通過實時在線監控系統獲取到表1所示參數值作為輸入、輸出向量，其中，D1～D10為輸入向量，D11為輸出向量。

2.1? ? 數據預處理

在數據采集的過程中，首先需要解決數據丟失問題，為此，本文采用鄰近均值法對其進行補充，從而減小誤差。

數據采集裝置在現場環境采集數據時會受到噪聲等復雜環境的影響，致使采集到的數據出現峰刺或跳變現象[15]。為了消除噪聲帶來的影響，引入小波降噪方法對樣本數據進行處理，具體公式為：

λ=σ■，σ=■（6）

式中：λ為閾值；σ為噪聲的標準差；N為數據長度；Wj，k為小波系數。

對引風機運行狀態樣本數據進行降噪處理，其中引風機進口煙氣壓力降噪前后對比如圖2所示。

根據圖2，降噪后的數據曲線相比原始數據，在各個峰值和拐點處的突變現象減小，曲線呈現出更為平滑的特點，波動幅度也減小，并且與原始數據的接近程度相對較高，更能準確地描述引風機進口煙氣壓力的變化趨勢。

為消除11個不同向量的影響，采用min-max標準化方法對樣本數據進行了歸一化處理。具體的計算公式如下：

y′=■（7）

式中：y′為對應指標無量綱化后的數據；y為樣本原始數據；min、max分別為最小值樣本值和最大值樣本值。

2.2? ? PCA降維處理

通過PCA方法可知，KMO和Bartlett檢驗值分別為0.65和0.00，各因素之間具有相關性。具體分析結果如下：解釋總方差如表2所示，主成分因子荷載矩陣如表3所示。

當主成分特征值大于1時，提取數目為3，其累計方差百分比即貢獻率大于70%，可將該成分提出作為主成分。依據表3可構建3個主成分表達式如下：

Y1=0.03X1-0.36X2+0.42X3-0.03X4+0.08X5+0.41X6+? ? ? 0.03X7-0.37X8+0.09X9+0.42X10+0.35X11，Y2=-0.03X1+0.04X2+0.12X3-0.65X4+0.69X5+0.01X6-? ? ? 0.02X7+0.04X8+0.69X9+0.15X10+0.13X11，Y3=0.89X1+0.29X2+0.15X3+0.03X4+0.01X5+0.09X6+? ? ?0.9X7+0.29X8+0.01X9+0.16X10+0.16X11（8）

2.3? ? 預測模型構建與預測結果分析

采用emax、MAPE以及RMSE來表征各預測模型預測結果的準確程度，其具體計算公式為：

emax=max■，MAPE=■■■，RMSE=■（9）

式中：emax為最大相對誤差；MAPE為平均絕對誤差；RMSE為均方根誤差；yi為樣本實際值；yia為樣本平均值；n為樣本總數。

三個指標的值越小，說明預測模型的預測結果越準確。

為進一步驗證所提PCA-ALOCO-SVM模型的優越性，將其與PCA-LSTM和PCA-BP預測模型進行對比，不同預測模型的預測結果如圖3和表4所示。

根據圖3顯示，基于PCA-ALOCO-SVM的預測模型所得到的引風機入口煙氣壓力預測值與實際值整體擬合性更好，相比其他預測模型，它的預測結果更接近真實的引風機入口煙氣壓力值。表4表明PCA-

ALOCO-SVM預測模型的運行時間最短，僅為39.38 s，且其emax、MAPE值和RMSE值均低于其他預測模型。與PCA-LSTM和PCA-BP預測模型相比，其emax值分別降低了16.96%和32.25%，MAPE值分別降低了19.13%和27.98%，RMSE值分別降低了18.26%和20.99%。這說明構建的PCA-ALOCO-SVM預測模型具有良好的預測性能，盡管存在一些數值上的誤差，但這些預測誤差是可以接受的。

3? ? 結論

1）本文基于火電機組實時監測系統所采集的數據，利用鄰近均值法、小波降噪和歸一化處理對所采集的數據進行預處理，保證了數據的完整性與可靠性。采用PCA對影響引風機入口煙氣壓力值的11個因素進行降維處理，提取出3個主成分，減少了預測輸入集的維度，提高了ALOCO-SVM模型預測精度。

2）通過將PCA引入ALOCO-SVM、LSTM和BP預測模型中得知，本研究構建的PCA-ALOCO-SVM模型的預測結果與試驗數據基本一致。與其他兩個預測模型相比，PCA-ALOCO-SVM模型的平均絕對誤差和均方根誤差等評估指標都小于其他模型，這驗證了本研究構建的組合模型具有較高的擬合度和預測性能，可以滿足實際火電廠生產活動的需求。

[參考文獻]

[1] 卜強生，袁宇波，高磊，等.基于安全邊界分析的智能變電站二次系統改擴建試驗技術及裝備[Z].南京：國網江蘇省電力公司電力科學研究院，2018.

[2] 郭鵬，INFIELD D，楊錫運.風電機組齒輪箱溫度趨勢狀態監測及分析方法[J].中國電機工程學報，2011，31（32）：129-136.

[3] 趙洪山，胡慶春，李志為.基于統計過程控制的風機齒輪箱故障預測[J].電力系統保護與控制，2012，40（13）：67-73.

[4] 王松嶺，艾進聰，侯軍虎.K-L子空間法在風機振動故障診斷中的應用[J].振動、測試與診斷，2004，24（1）：50-53.

[5] 余興剛，賓誼沅，陳文，等.基于改進MSET的一次風機故障預警及診斷方法[J].機電工程，2023，40（4）：535-541.

[6] 吳濤，王毅，劉震，等.基于多元狀態估計-層次分析法的磨煤機故障預警[J].熱力發電，2023，52（5）：14-21.

[7] 金玄玄.集團發電設備故障預警系統在嘉興電廠的應用[J].儀器儀表用戶，2015，22（1）：63-65.

[8] 肖成，焦智，孫介濤，等.基于小波BP神經網絡的風電機組變槳系統故障預測[J].可再生能源，2017，35（6）：893-899.

[9] 馬博洋.火電廠一次風機故障預警系統的應用研究[D].保定：華北電力大學，2016.

[10] 佟瑞鵬，張艷偉.人工智能技術在礦工不安全行為識別中的融合應用[J].中國安全科學學報，2019，29（1）：7-12.

[11] 張寧，盛武.基于主成分分析和熵值法的智慧城市發展現狀研究[J].城市學刊，2018，39（3）：30-35.

[12] 樊夢琳，鄭偉.鐵路事故持續時長預測背景下的影響因素分析[J].中國安全科學學報，2019，29（增刊1）：101-106.

[13] 吳偉民，張晶晶，林志毅，等.雙重反饋機制的蟻獅算法[J].計算機工程與應用，2017，53（12）：31-35.

[14] MIRJALILI S.The Ant Lion Optimizer[J].Advances in Engineering Software，2015，83：80-98.

[15] 王雨虹，石玉文，付華，等.基于小波變換和壓縮感知對煤巖體聲發射信號降噪方法[J].信息與控制，2020，49（1）：87-94.

收稿日期：2023-12-10

作者簡介：郝炎軍（1971—），男，山西襄汾人，高級工程師，研究方向：熱能動力工程。