蘇芳

摘 要：空氣預(yù)熱器是火力發(fā)電機(jī)組重要的熱能交換設(shè)備，然而當(dāng)其運(yùn)行于不良狀態(tài)（積灰過(guò)多或溫度過(guò)高）時(shí)，將引起空預(yù)器火災(zāi)事故。目前，空預(yù)器的熱點(diǎn)檢測(cè)主要是將檢測(cè)到的溫度信號(hào)與事先設(shè)定的閾值進(jìn)行比較，以此來(lái)判斷是否發(fā)生火情。但此類(lèi)方法檢測(cè)判斷時(shí)，空預(yù)器內(nèi)部火災(zāi)已經(jīng)發(fā)生并造成損失，因此，提前預(yù)判火災(zāi)隱情顯得十分重要。本文提出了一種基于PSO的T-S模糊模型自適應(yīng)學(xué)習(xí)算法，前件模糊規(guī)則經(jīng)典FCM法提取，后件參數(shù)辨識(shí)采用最小二乘法辨識(shí)，同時(shí)利用PSO優(yōu)化選取FCM算法的聚類(lèi)個(gè)數(shù)c和輸入維數(shù)n。仿真結(jié)果表明該方法的有效性，且具有良好的魯棒性以及自適應(yīng)能力。

關(guān)鍵詞：熱點(diǎn)檢測(cè)；PSO；T-S模糊模型；FCM

0 引言

空氣預(yù)熱器（簡(jiǎn)稱(chēng)空預(yù)器）是火力發(fā)電機(jī)組中重要的換熱設(shè)備，作用是提高鍋爐燃燒率，降低排煙溫度，減少排煙熱損失?；馂?zāi)現(xiàn)場(chǎng)有關(guān)資料證實(shí)，當(dāng)其運(yùn)行于不良狀態(tài)時(shí)（如積灰過(guò)多或溫度過(guò)高）將會(huì)導(dǎo)致火災(zāi)事故，造成設(shè)備損壞停運(yùn)，嚴(yán)重時(shí)甚至造成安全事故。

目前，國(guó)內(nèi)外已經(jīng)先后研制出空預(yù)器熱點(diǎn)檢測(cè)系統(tǒng)并已投入使用[1，2]，這類(lèi)系統(tǒng)均是通過(guò)熱電偶或紅外傳感器作為測(cè)溫元件，將所測(cè)溫度值與事先設(shè)定的報(bào)警閾值相比較，以此來(lái)判斷是否發(fā)生火情。然而，判斷時(shí)火災(zāi)已經(jīng)發(fā)生并造成損失。因此，理想的空預(yù)器熱點(diǎn)監(jiān)測(cè)系統(tǒng)應(yīng)能在空預(yù)器內(nèi)部溫度過(guò)高，偏離允許值及火災(zāi)發(fā)生前進(jìn)行提前預(yù)警，以便工作人員及時(shí)調(diào)整空預(yù)器的運(yùn)行狀態(tài)。

常見(jiàn)非線(xiàn)性預(yù)測(cè)方法有前饋神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)等。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)較復(fù)雜，算法易陷入局部極小或者過(guò)學(xué)習(xí)情況?；诮Y(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的支持向量機(jī)（SVR），因其拓?fù)浣Y(jié)構(gòu)由支持向量決定，克服了預(yù)測(cè)和傳統(tǒng)統(tǒng)計(jì)預(yù)測(cè)的許多缺點(diǎn)，較好解決了高維數(shù)、局部極小、小樣本等先天問(wèn)題。但由于在實(shí)際應(yīng)用中其對(duì)孤立點(diǎn)數(shù)據(jù)或噪聲非常敏感，因此導(dǎo)致獲得的分類(lèi)面并不是真正的最優(yōu)分

類(lèi)面。

針對(duì)現(xiàn)有非線(xiàn)性系統(tǒng)預(yù)測(cè)模型算法的不足，本文提出基于PSO優(yōu)化參數(shù)的T-S模糊模型對(duì)系統(tǒng)進(jìn)行預(yù)測(cè)。仿真結(jié)果表明，本文所提出的算法，模型預(yù)測(cè)精度良好。

1 基于PSO的T-S模糊模型算法

1.1 T-S模糊模型描述

1.4 基于PSO算法的T-S模糊模型參數(shù)優(yōu)化

2 實(shí)驗(yàn)仿真

3 結(jié)論

本文利用PSO優(yōu)化選取規(guī)則個(gè)數(shù)C和輸入變量的維數(shù)n。然后依據(jù)優(yōu)化的結(jié)果，對(duì)空氣預(yù)熱器溫度時(shí)間序列樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。通過(guò)仿真結(jié)果可得，該算法可以精確預(yù)測(cè)空預(yù)器內(nèi)部溫度變化趨勢(shì)，對(duì)于異常的樣本可以準(zhǔn)確的預(yù)測(cè)，提前作出判斷。

參考文獻(xiàn)：

[1]劉涵，劉丁，李琦，等.電站鍋爐空氣預(yù)熱器火災(zāi)報(bào)警系統(tǒng)的研究[J].電子技術(shù)應(yīng)用，1998，24（6）：35-36.

[2]梁炎明，劉丁，李琦，劉涵，宋念龍.基于證據(jù)推理的電站鍋爐空預(yù)器熱點(diǎn)檢測(cè)[J].傳感技術(shù)學(xué)報(bào)，2009，22（12）：1884-1887.

[3]JANG J S R，SUN C T. Functional equivalence between radial basis function networks and fuzzy inference system[J]，IEEE Transactions on Neural Networks， 1993，4（1）： 156-159.

[4]Dunn J C.A fuzzy relative of the ISODATA process and its use indetecting compact well-separated clusters[J].J Cybernet，1973，3（3）：32-57.

[5]Nikhil P R，Bezdek J C.On cluster validity for the fuzzy C -means model[J].IEEE Transactions on Fuzzy Systems，1995，3（3）：370-379.