基于SVM的火电企业能效监督评价体系.pdf

Vo 1 ． 3 4 No ． 4 J u l y ． 2 0 1 5 冶 金能 源 ENERGY F0R METALLURGI CAL I NDUS TRY 3 基 于 S V M 的火 电企 业能效监督评价体 系 周永芳 时章明 ， 沈 浩。 1 ．中南大学能源科学与工程学院，2 ． 湖南节能评价技术研究中心， 3 ． 山西省电力勘探设计院 摘要针对现有评价方法在能效评价中存在的不足，提出了基于支持向量机的能效评价方 法。收集了某电厂 6 0组运行数据 ，提取涵盖 7个工序的2 8个具体 的监督指标训练、测试支 持向量机。结果表明，提出的方法能够有效地对小样本能效数据分类，并且具有良好的泛化 性。不同的模型参数对分类性能影响较大，采用网格寻参与遗传算法寻参 G A寻参相结 合的方式，对比选择最优参数。在此基础上完成了预测模块的建立 ，分别预测了电厂较为重 要的两个指标机组负荷与发电煤耗，完善了所建立的能效监督评价体系。 关键词 能效监督评价指标体系支持向量机火力发电 Ene r g y e ffi c i e n c y s upe r v i s i o n a nd e v a l u a t i o n s y s t e m f o r t he r ma l p o we r c o mpa n i e s b a s e d o n S VM Z ho u Yo n g f a n g S h i Zh a n g mi n g - S h e n Ha o 1 ．C e n t r a l S o u t h U n i v e r s i t y ， 2． Hu n a n Re s e a r c h Ce n t e r o f En e r g yS a v i n g Ev a l u a t i o n Te c h n o l o g y， 3 ． S h a n x i P r o v i n c i al E l e c t r i c P o w e r S u r v e y a n d D e s i g n I n s t i t u t e Ab s t r a c t I n v i e w o f t h e e x i s t e n c e a b o u t e n e r g y e f fi c i e n c y s u p e r v i s i o n a n d e v a l u a t i o n d e fi c i e n c i e s ，i n v e s t i g a t e d t h e a p p l i c a t i o n of s u p p o r t v e c t o r ma c h i n e s S V Ms t o e n e r g y e f f i c i e n c y s u p e r v i s i o n and e v alu ati o n s y s t e m．6 0 g r o u p s o p e r a t i n g d a t a of a p o w e r p l an t we r e c o l l e c t e d t o t r a i n an d t e s t mo d e l s of S VMs ，wh i c h i n c l u d e 2 8 s p e c i fi c mo n i t o r i n g i n d i c a t o r s t h a t b e l o n g t o 7 p r o c e s s e s ．Th e r e s u l t s i n d i c a t e t h a t t h e p r o p o s e d a p p roa c h c a n c l a s s i f y s mall s a mp l e s i z e e n e r g y e ffi c i e n c y d a t a e f f e c t i v e l y w i t h g o o d g e n e r ali z a t i o n p e r f o r ma n c e o n w h i c h t h e d i ff e r e n t mod e l p a r am e t e rs h as a s i g n i fi c an t i mp a c t ．A c o mb i n a t i o n of d s e a r c h me tho d a n d GA me t h od wa s t a k e n b y c o mp a r i n g t o s e l e c t the b e s t p ara me t e rs． An d o n thi s b a s i s p r e dic t i o n mo d ule of u n i t l o a d a n d p o w e r c o n s u mp t i o n wa s e s t a b l i s h e d，w h i c h ma t t e r v e r y mu c h t o a p o we r p l a n t ．T h e p r e d i c t i o n mo d u l e h as i mp rov e d the e n e r g y e f fi c i e n c y s u p e r v i s i o n a n d e v a l u a t i o n s y s t e m．T h e s e r e s u l t s d e mo n s t r a t e c o n s i d e r a b l e p o t e n t i al i n a p p l y i n g S VMs t o e n e r gy e ffi- c i e n c y s u p e r v i s i o n a n d e v alu a t i o n ． Ke y wo r d s e n e r g y e ff i c i e n c y s u p e r v i s i o n an d e v alu a t i o n i n d e x s y s t e m s u p p o r t v e c t o r ma c h i n e t h e rm al p o we r g e n e r a t i o n 在工业尤其是耗能大户火电行业 ，企业 能效监督评价能够帮助企业 了解 自身耗能情况 ， 湖南省 发改 委湘西 地 区研 究开 发课题 湘 发改 赈 [ 2 0 1 3 ] 1 6 1 8 号 。 收稿 日期 2 0 1 5一 O l一 2 3 周永芳 1 9 8 9一 ， 硕士生 ； 4 1 0 0 8 3 湖南省长沙市。 挖掘节能潜力 ，对于工业节 能减 排具有重要 意 义。长期 以来 ，我 国对火力发电企业的能源消耗 主要以供电煤耗、 发电煤耗及厂用电作为综合评 价机组性能优劣的指标， 国外则是采用热耗率。 虽然这两类指标都是电厂技术能效监督的重要参 4 冶金能源 ENERGY F OR METAL LURGI CAL I NDUS TRY Vo 1 ． 3 4 No ． 4 J u l y ． 2 0 1 5 照， 但是电厂设备繁多， 系统复杂， 仅仅根据这类 指标不能有效显示电力生产各环节的能耗情况 。 为了综合 、全面评价电厂整个生产过程 ，能 效监督评价体系的研究近年来虽然得到了较快发 展 ，但基本 以统计数据分析 为主 ，如 因子分 析 法 、聚类分析法 、层次分析法等 ，该类方法主观 性太强 ，且评 价过程做 了较 多简化 ，结果不 明 确 。随着计算机技术 的快速发展 ，一种 以计算机 仿真和数值模拟为主的评价方法越来越受到人们 关注 J ， 如软件仿真 、 神经 网络、 支持 向量机等 ， 其可操作性强 ， 评价结果接近实际， 能很好地应用 在企业能效监督评价 中。 目前 ， 由于神经 网络具 有很强的非线性映射能力和 自学习能力 J ， 在能 效评价方面得到了应用 ， 并取得了很好的效果 ， 如 洪帅基于 B P神经 网络对企业锅炉装备进行 了节 能评价研究 。然而 ， 由于神经 网络遵循 的是基 于样本的训练误差最小化原则 ， 在学习过程 中； 可 能陷入局部极小值 ， 并容易过度拟合训练样本 ， 降 低分类器的泛化精度 J ， 将严重影响神经网络分 类器的能效评价性能 。 针对现有评 价方法在 能效评价 中存在 的不 足 ，研究了基于支持 向量机的能效监督评价预测 体系。 1 基于支持向量机的能效监督评价算法 支持向量机是 由 V a p n i k提 出的一类新 型机 器学习方法 ，能够非常成功地处理分类 和回归问 题 J 。其基本原理是 通过非 线性变换 将输入 空 间变换到一个高维特征空间 ，在变换的高维特征 空间中求取最优分类超平面 ，该分类面不但能将 两类数据有效地分开 ，而且使两类的分类间隔最 大 J 。它采 用结构风 险最小化原 理 ，兼顾 训练 误差和泛化能力 ，在解决小样本 ，非线性 、高维 数、局部极小值等模式识别问题中表现出许多的 优势，并能够推广应用到函数拟合等其他机器学 习问题 中 J 。因此 ，针对 电厂运行 数据运 用支 持 向量分类机对不同运行数据进行评价分类 ，运 用支持向量 回归机对样本数据进行回归估计 ，以 实现重要指标的预测 。 1 ． 1 支持向量分类机 根据能效监督评价结果要接近实际 、便于判 断的要求 ，将评价对象分为优 、良、中、差 4个 评价等级。所以 ，评价不同运行状况 ，是一个多 分类问题 ，本质上也是二分类问题。假设 电厂运 行数据样本训练集D{ ， Y } 。 ， 输入向量 ∈R ， 通过非线性函数 映射到高维特 征空间 F，能效评价分类器就是在高维特征空间 中找到一个最优分类超平面g W b ， W和 b为权 向量和偏置。它能够将 电厂运行数据 空间中的样本映射到其相应的类标志空间，相应 的输出 Y ∈ { 一1 ， 1 }。 ， R d 一 { 一1 ，1 } ， 0 Y 1 如何构造最优分类超平面成为能效评价分类 器 的关键问题。针对电厂运行数据在高维特征空 间线性不可分 的情况 ，采用 C一支 持 向量 分类 机 ，引入松驰变量 孝 ≥0，通过求解下列优化问 题 ，寻找最优分类超平面。 1 m i n 。 C ∑ ， s u b j e c t t o _ i l Y W b ≥ 1一 ， V i ， a n d ≥0 ， V i 2 其 中，c是惩罚参数 ，表示对错误 的惩罚 程度。 这便是广义最优分类超平面。 寻找式 2 中的最优分类面可以转化 为一 个二次规划问题 ，通过构造拉格朗 日函数将原问 题转化为下列对偶优化问题 ，求取最优解 。 f 1 1 Z m a x ∑ 一 ∑∑O ti y y j x i x j ， 1 一‘ 1 』 1 t s u b j e c t t o ∑o t iy 0 a n d 0≤ ≤C ， V i 3 其 中， 是非负的拉格朗 E l 因子 ，与 a ≥0相对 应 的位于决策边 界上的电厂运 行数据样本 为 支持 向量。利用核 函数 K x j 计算 i x j ，核函数 K x 是满足 Me r c e r 定理的任意对称函数 ，求解上述优化问题 的最优解 ，详 细求解过程见参 考文献[ 8 ] 。 由 最优解条件得权向量 W的最优解 f W∑ Y ‘ 4 i l 因此 ，能效评价分类器的决策函数为 j y s g n【 y x j 6 ] 5 对于任一 电厂运 行 数 据 ∈ R ，利 用式 5 就可判断出其能效等级。 Vo 1 ． 3 4 No ． 4 J u l y ． 2 0 1 5 冶 金能源 EN ERGY F OR MET A L L URG I C AL I ND US T R Y 5 1 ． 2 支持向量 回归机 将模 式 识 别 中得 到 的结 论 推 广 到 实 函数 回归 中，就变成 了支持 向量回归机 。机组负 荷和发电煤耗是电厂非常重要的指标数据 ，可采 用支持向量回归机进行预测。回归问题定义为设 给定的训练集为 T { l ，Y 1 ， 2 ， y 2 ， ⋯， f ， Y z ∈ R X R 6 其 中 ∈R， Y ∈R ， i 1 ， 2 ⋯ ． Z 。预测机组负 荷时 ，Y为发 电机 负荷 ，样本特征向量 。 ， ， ， ， 选取影响负荷的几个因素 ， ， 为主蒸汽 压力 ， 为主蒸汽温度 ， 为主蒸汽流量 ， 为凝 汽器真空度。预测发电煤耗时，Y为发电煤耗 ， ， ， ， ， ， 为机组负荷、 为锅炉热效率、 为汽机热耗率 。 选择适当的损失函数 c x ， y ，使期望 风险最小 。为了保持 回归问题 的稀疏性特性 ，采 用 8一不敏感损失 函数作为损失函数 c ， Y √ I Y- f I 7 其中， I Y 一 厂 I m a x { 0 ， 1 Y 一 I ． s ， s 是一个预先给定 的正数 。 采用非线性映射 将样本 集映射 到高维 空 问 ，然后用核函数代替高维空间的内积运算 。于 是 ，上述优化问题的对偶形式为 ， 1 l m ． Ein 寺 。 一 OLi 一 一 X i x j f l 一 ∑Y i ，一 O l i 一 C ∑【 ] S u b j e c t t o Y 一 叫， qo 一b ≤ s ， i 1 ， 2 ， ⋯， f c o ， X i bY f ≤ s ； ， i 1 ， 2， ⋯ ， f 孝 ≥0， 孝 ≥0 8 求解上述对偶 问题 ， 得到最优解 O t ～ O t I ，O L 1 ，⋯， ， O L l ， 构造决策函数 f ∑ 一 K ， 6 9 因此 ，便可根据机组负荷和发电煤耗 的样本 回归拟合出未来数据的变化。 2 数据采集 火力发电厂的发电工序包括 锅炉工序 、汽 轮机工序 、发电机工序 、回热工序等 ，所有工序 对企业 的生产运行都有直接关系 ，选为第一层指 标 。每道生产工序拥有不同的能效监督指标 ，根 据长期生产实践 中监督的技术指标与行业 内的能 耗标准选取第二层指标 ，建立出能效监督评价指 标体系，具体如 图 1 。 图 1 某电厂能效监督评价指标体 系 根据机组运行数据 、现场运行报表 、机组性 能考核试验报告等资料，从两个电厂的3 0 0 M W 和 6 0 0 MW 机组共选取了6 0组具有代表的数据作 为评价体系机器学 习与测试 的样本。这 6 O组数 据已根据生产运行判断分类为优 、良、中、差 4 个等级 ，每个等级 1 5个样本 ，样本容量包括锅 6 冶金能源 E NE RGY F OR MET AL L U RGI C A L I NDUS T RY Vo 1 ． 3 4 No ． 4 J u l y ． 2 0 1 5 炉指标、汽机指标、电厂整体指标。 3 能效监督评价指标计算 从 V a p n i k等 前人研 究 的基础 上 可 以知道 ， S V M的计算性能与核函数的选取关系并不密切， 不同的核函数都可以使 S V M达到一个较好的计 算性能，相比较而言，高斯径向基核分类器的分 类性能较好 ] ，这是 由于径 向基 核能 够较好地 平滑数据中的噪声 ，增强 了支持向量机分类算法 的有效性和鲁棒性L 6 ] 。但是模型 中惩罚参数 c 、 松弛变量 P和核 函数 中核参数 g的选择对 S V M 计算性能的影响非常大 ，需要选择最优化的参数 来训练模型 ，目前尚无统一的标准 ，只有不断对 比择优选取 。故选择高斯径 向基 函数 为核 函数 ， 采用网格寻参与遗传算法寻参 G A寻参相结 合 的寻参方式。 使用 L I B S V MF a r u t o U l t i ma t e工具箱在 Ma t - l a b环境下进行支持 向量机的计算 。具体 步骤如 下 1 确 定 样 本。包 括 样 本 的数 量 、标 签 即分类的等级 ，整理 训练样本集 合 、测试 样 本集合与评价样本集合。 运用 Ma t l a b调用样本集合 。 3 样本数据归一化 ，避免数值变 化范 围 大的指标淹没变 化较小 的指标 对评价结果 的影 响。 4 对归一化后的训 练样本进行参数寻优 ， 选择最佳参数 。 5 调 用 L I B S V M 训练模 块 ，具 体调用 格 式为 m o d e l s v m t r a i n t r a i n l a b e l ，t r a i n d a t a ， ‘ o p t i o n s ’ ； 其中，t r a i n l a b e l 为训练集标签 ，t r a i n d a t a为 训练集 ，o p t i o n s 为参数选项。 4 训练 函数 ，对 样本进行 机器学 习。具 体调用格式为 [ p r e d i c t l abe l ，a c c u r a c y ／ ms e ] s v m p r e d i c t t e s t l a b e l ， t e s t d a t a ， mo d e 1 ； 其 中，p r e d i c t l abe l 为 预测的测试 集标签 ，a c c u r a c y为分类准确率 分类 问题 使用 ，m s e是 均方根误差 回归问题使用 ，t e s t labe l 为测 试 集 标 签 ，t e s t d a t a为 测 试 集 ，m o d e l为 s v mt r a i n训练得到的模型。 5 用训练后的 mo d e l 进行评价 ，即对评价 样本进行评价分类或回归预测。 6 得出评价结果并分析。 4结果与分析 4 ． 1 电厂能效评价 电力生产系统设备繁多，但最重要及耗能的 设备为锅炉和汽轮机。火力发电厂能效监督评价 体系主要对锅炉 、汽轮机 、电厂整体进行计算评 价 ，对每一个评价对象都从 6 0组样本 中选择相 应的数据 ，电厂整体则包含 图 1 所列 的指标 ，随 机抽取其中4 0组样本作为训练集合，剩余 2 0组 样本作为测试集合 。 首先运用网格方法进行参数寻优 ，然后用遗 传算法同样进行寻参。将惩罚参数 c 和参数 g的 变化范围设置为 2 ～ 一2 ，每次计算的步进 大小 为 1 。以下是锅炉评价计算过程。 可知两种算法得到的训练精度一样 ，但参数 值不一样 ，所以需要用这两种参数对测试样本分 别进行测试 ，测试结果为 G A算法的参数的测试 样本精度更 高，所 以选 择 c2 3 ． 4 4 7 9 ，g 0 ． 6 1 0 3 5作为模型参数 。 训练后 的检验结果为 A c c u r a c y9 5 ％ 1 9 ／ 2 0 c l a s s i fi c a t i o n 2 0个样本 只有 1个被错误分类 ，正确率 达 到了 9 5 ％，说 明样本测试精度很 高 ，可 以用 来 评价电厂运行数据。对汽机和电厂整体样本进行 能效评价模型的训练和测试 ，方法与锅炉评价相 同 ，由于篇幅有限，在此不一一列出，计算结果 详见表 1 。 表 1 火力发 电厂能效监督评价体 系计算结果 评价对象参数寻优 锅炉 g0 ． 6 1 03 5 9 5 ％ 2 o ％差 2 o ％差 g ． 2 o ％差 2 o ％差 c 4 ． 8 2 6 5 8 0 ％ 中 4 0 ％ 良4 o ％ 中 汽轮机 3 ． 5 3 5 3 9 5 ％ 2 0 ％差 2 O ％差 ． ．．c 5 ． 2 7 8 2 0 ％优6 0 ％ 良 2 0 ％优4 0 ％ 良 电厂整体 O． 3 2 9 8 8 9 5 ％ 2 0 ％ 中 2 0 ％ 中2 O ％差 下转第 4 5页 V_0 1 ． 3 4 No ． 4 J u l y ． 2 0 1 5 冶金能源 E NER GY F O R ME T AI J L URGI C AL I NDUS T RY 4 5 产时单耗小于 1 2 0 0 k J ／ k g 。 2 钢坯加热 温度均 匀性好 。投 产后 ，坯 料的温差有 效 的控制在 3 0 ℃ 内，出炉钢坯看不 到 “ 黑印” ，通过精轧区反馈 的温度数据 ，沿坯 料长度方 向上 ，温度不均 匀性小于 2 5 ℃ ，由于 温度均匀性 比较好 ，加热质量的提高 ，还有效地 减少了整个生产线的故障和轧辊的消耗，同时相 应地提高了薄板的质量 。以上因素产生的经济效 益相当可观。 3 氧化烧损 。采用换 向燃烧系统 间歇延 时控制工艺 ，避免了局部高温的出现 ，同时有效 地控制 了炉内燃烧气氛，经测试 ，钢坯氧化烧损 0． 7％ 。 万雪编辑 上接第 6页 4 ． 2 电厂预测指标 对于预测指标的样本学习 ，直接采用 G A寻 参法进行寻参，火力发电厂指标预测计算结果见 表 2 。 可以看出样本的拟合情况非常好，与原始数 据相差不大 ，可以作为预测模型进行机组负荷 的 预测 。其 中 ，均 方 根误 差 9 ． 9 4 0 2 5 回归 ， 相关系数 0 ． 9 3 8 2 5 回归 ， 误差符合工程精度要求 ，进一步证 明可以使 用此预测模 型 ，并且达到了较好的预测结果。 表 2 火力发 电厂指标预测计算结果 5结语 结果表明 ，采用基于支持向量机的能效评价 方法能够有效地识别不同能效数据 ，较好地解决 小样本能效数据在能效分类评价 中泛化能力差的 问题。采用 网格 寻参 与遗传 算 法寻 参 G A寻 参 相结合 的方法得 到 了较优参 数 ，使 训练模 型得到了较好 的精度 ，测试 正确率都在 9 5 ％ 以 上 ，可以用该模型进行能效评价 。 支持向量回归机实现 了对 电厂重要指标 机组负荷和发电煤耗的预测 ，均方根误差分别为 9 ． 9 4 0 2 5和 2 ． 4 6 4 3 1 ，满足工 程应 用上 的精 度 ， 预测模块完善了能效监督评价体系。为了进一步 在实践 中推广应用 ，需开发出具有可视界面的软 件或工具。下一步的工作是制定一个最优化 的样 本选取方式，模型中结合设备的生命周期。 参考文献 [ 1 ]曹文波，刘顶明，肖兰 ．大坝安全监测系统综合 评价方法研究初探 [ J ] ．水利与建筑工程学报 ， 2 0 0 9 ，9 ，7 3 1 5 51 5 8 ． [ 2 ]朱群雄 ，甄玉山．用于化工软测量的基于移动窗的 过程神经网络 [ J ] ．清华大学学报 自然科学版 ， 2 0 1 2 ，5 2 9 1 1 6 51 1 7 0 ． [ 3 ]洪帅．基于 B P神经网络的企业锅炉装备节能评 价研究 [ D] ．天津天津理工大学 ，2 0 1 3 ． [ 4 ]G o u l e r ma s J Y，F i n d l o w A H，N e e r C J ．A o m me d d e s i g n o f r o b u s t d i s e r i mi n a n t a n a l y s i s c l a s s i fi e r f o r foo t p r e s s u r e l e s i o n s u s i n g k i n e m a t i c d a t a [ J] ．I E E E T r an s a c t i o n s o n B i o me d i c al E n g i n e e r i n g ， 2 0 0 5， 5 2 9 9 6 3 9 7 4 ． [ 5 ]杨志民 ． 模糊支持向量机及其应用研究 [ D] ．北 京 中国农业大学，2 0 0 5 ． [ 6 ]吴建宁，王珏 ． 基于支持向量机的步态分类方法 [ J ] ．测试技术学报，2 0 0 6 ，2 0 4 2 9 9 3 0 5 ． [ 7 ]王虹，朱双燕 ． 基于整体与局部奇异值分解的人 脸识别方法 [ J ] ．计算机 工程与应用，2 0 0 7 ，4 3 2 2 2 3 5 2 3 7 ． [ 8 ]V a p n i k V N ．S t a t i s t i c al L e a rni n g T h e o r y[ M] ．N e w Yo r kJ o h n Wi l e y an d S o n s I n e ．，1 9 9 8 ． [ 9 ]徐翔俊 ，毕福昆，杨鉴 ．基于支持向量机的民族 语 口音识别 [ J ] ．计算机工程与应用，2 0 0 8 ，4 4 1 3 7 1 7 3 ． 万雪编辑