基于SVM的汽輪機(jī)轉(zhuǎn)子性能評(píng)估及趨勢(shì)預(yù)測(cè)應(yīng)用研究.pdf

1、汽輪機(jī)組是發(fā)電廠的核心設(shè)備，保證其正常運(yùn)轉(zhuǎn)是保證發(fā)電廠持續(xù)發(fā)電的關(guān)鍵。汽輪機(jī)組檢修計(jì)劃是電力系統(tǒng)運(yùn)行維護(hù)中的重要內(nèi)容，對(duì)電力系統(tǒng)的安全，經(jīng)濟(jì)和可靠運(yùn)行有著直接的影響。隨著故障診斷技術(shù)和實(shí)時(shí)監(jiān)測(cè)技術(shù)的發(fā)展，狀態(tài)檢修理論和技術(shù)逐漸發(fā)展起來(lái)，并逐步替代傳統(tǒng)的檢修體制。
　　機(jī)組的性能評(píng)估是狀態(tài)檢修的基礎(chǔ)，機(jī)組運(yùn)轉(zhuǎn)性能的發(fā)展趨勢(shì)影響著檢修方案的制定。如何對(duì)機(jī)組運(yùn)轉(zhuǎn)性能做準(zhǔn)確的評(píng)估并且對(duì)其發(fā)展趨勢(shì)做出準(zhǔn)確的預(yù)測(cè)是廣泛推行狀態(tài)檢修技術(shù)所要解決

2、的首要問題。
　　本文通過(guò)采用支持向量數(shù)據(jù)描述(SVDD,Surport VectorData Description)算法和最小二乘支持向量回歸(LS-SVR,Least Squares Support Vector Regression)算法來(lái)完成汽輪機(jī)轉(zhuǎn)子運(yùn)行性能評(píng)估及趨勢(shì)預(yù)測(cè)。首先，采用小波分解方法進(jìn)行特征值的提取，結(jié)合SVDD算法，建立性能評(píng)估模型，并對(duì)實(shí)際數(shù)據(jù)進(jìn)行評(píng)估。其次，以實(shí)際數(shù)據(jù)為基礎(chǔ)對(duì)比LS-SVR中參數(shù)對(duì)模型

3、預(yù)測(cè)能力的影響，并初步確定最優(yōu)參數(shù)。再次，通過(guò)LS-SVR方法對(duì)性能趨勢(shì)進(jìn)行預(yù)測(cè)，并與實(shí)際情況比較，檢驗(yàn)其準(zhǔn)確性。最后，結(jié)合實(shí)際預(yù)測(cè)過(guò)程中遇到的問題，改變參數(shù)選取評(píng)判標(biāo)準(zhǔn)，重新建立預(yù)測(cè)模型，并與之前的結(jié)果進(jìn)行對(duì)比。
　　實(shí)驗(yàn)證明，SVDD可以完整的描述出性能變化的全過(guò)程。預(yù)測(cè)方面，在傳統(tǒng)的參數(shù)選擇評(píng)判標(biāo)準(zhǔn)基礎(chǔ)上引入新的參數(shù)選擇評(píng)判標(biāo)準(zhǔn)，提高了預(yù)測(cè)穩(wěn)定性和預(yù)測(cè)精度，使得LS-SVR對(duì)趨勢(shì)進(jìn)行有效的預(yù)測(cè)，證明了該方法在實(shí)際應(yīng)用中的適用