当前位置: 数据库免费下载入口 > 数据库免费下载资讯 > 正文

【论文精选】中低压燃气调压器安全预警技术的优化实例

2019-02-02 06:21 4

作者:安小然,郝学军,徐鹏

第一作者单位:北京建筑大学  环境与能源工程学院

摘自《煤气与热力》2017年4月刊

1   概述

在燃气输配系统中,燃气调压器的安全运行决定了燃气供气的稳定性

[1]

。调压器的安全预警技术可预先诊断部件完成功能的健康状况,对出现故障征兆部位进行提前预警,避免零部件损坏。然而,现阶段调压器安全预警技术并不完善。文献[2]得到了各故障类型的判断依据,通过一年多的线上测评应用,发现此方法仍有较大的提高空间:故障判断精度不高,约60%;故障类型和预报警的分界线比较模糊,不具备自学习能力。

近年来,神经网络(Neural Networks)应用于安全预警技术已成为研究热点。其中支持向量机(Support Vector Machine,SVM)因其在解决小样本、非线性中表现出许多特有的优势,并克服了神经网络存在的过拟合、收敛速度慢等缺点,在故障诊断、安全预警中有着很好的应用前景

[3-7]

。本文在经验模态分解(Empirical Mode Decomposition,EMD)算法基础上采用支持向量机进行中低压燃气调压器安全预警技术优化,大大提高了安全预警预测结果准确率,对节省人力、物力,延长调压器的使用寿命有重大意义。

2   中低压燃气调压器安全预警技术

调压器具有降压稳压的作用,当调压器进口压力或者用户用气负荷发生变化时,调压器能自动调节阀口的开启程度,使出口压力维持在允许的设定范围内。当调压器自动调节性能下降时,则出口压力超出允许的波动范围,即调压器出现故障。根据调压器的特点,可确定调压器的运行状态由出口压力单参数决定。为有效、准确地提取出数据信号的本质特征,将出口压力经EMD方法分解为能量矩(Energy Moment)。EMD方法依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数,此方法已在某燃气集团应用,可实时采集能量矩数据。能量矩是一种既包含了原始数据信号的频率变化情况,又包含了能量在时间轴上分布特征的特征向量组,根据频率的高低分为高频故障和低频故障。

安全预警技术是对即将发生故障的可能性进行分析评价并作出判断,按可能性大小分为预警(需要计划性检修)与报警(需要立即检修)。某燃气集团使用的中低压燃气调压器为间接作用式调压器,通过与技工及运行人员交流,确定该调压器故障类型包括关闭压力高、用气高峰压力低、喘振。关闭压力高、用气高峰压力低这两种故障的能量矩形式表现为低频故障,喘振表现为高频故障。按照调压器的能量矩将调压器运行状态分为五类:高频故障预警、低频故障预警、高频故障报警、低频故障报警和正常工作状态。

2.1  样本数据库的建立

通过调研,取得了该燃气集团大量中低压燃气调压器的能量矩数据以及出口压力对应的表纸(见图1、2)。

1   高频故障表纸

2   低频故障表纸

图1、2是对调压器出口压力的实时采集,表示出口压力随时间的变化情况,单位为kPa。邀请了27位调压器专家通过填写调查问卷的方式,对表纸代表的调压器运行状态(故障类型、故障发生的可能性大小)进行了判断。为确定专家们的判断结果,采用了一种基于德尔菲法(Delphi method)的专家评估方法

[8]

。该方法是一种群体决策行为,具有匿名性、反馈性和统计性的特点,本质上是建立在众多专家的专业知识、经验和主观判断能力基础上的,对于某问题在总体问题中合理占比的评价

[9]

。计算方法如下:

H值越大,其对应的分类状态的评价结果可信性越大。本文将占比最大的一类作为专家的最终判断结果,实现了专家小组的预测意见集中,获得具有较高准确率的集体判断结果。

通过对该燃气集团33台具有代表性的中低压燃气调压器的运行情况进行汇总,最终筛选出303 d的调压器能量矩数据及相应的专家判断结果,建立了样本数据库。

2.2  安全预警模型的建立

安全预警模型是分类器根据特征向量确定调压器运行状态的过程(见图3)。能量矩是支持向量机的前置处理手段,是安全预警模型的输入特征向量。本文讨论的分类器均指SVM分类器(以下简称分类器),相应的安全预警模型叫SVM安全预警模型(简称SVM模型)。SVM模型通过分类器来实现特征向量的分类。本文根据调压器的实际运行状态,确定模型的输出数据为0、1、2、3、4,分别代表正常工作状态、低频故障预警、高频故障预警、低频故障报警和高频故障报警。分类器性能直接影响模型的预警性能,故分类器的选择至关重要。

3   安全预警模型

3   支持向量机

支持向量机是一种研究小样本、小概率事件的神经网络模型,能够根据有限的样本信息在模型的复杂性和学习能力之间寻求最优解

[10]

。其主要思想是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化。

分类超平面由惩罚参数C和高宽参数g决定,C表征对离群点的重视程度,g控制了函数的径向作用范围。这两个参数是决定分类器分类精度的重要因素,因此这两个参数的优化至关重要。

3.1  分类器参数优化

分类器C,g参数(以下简称参数)很大程度上决定着支持向量机的泛化性能。为达到精确分类的目的,采用了十折交叉验证(10-CV)

[11]

与网格搜索法(Grid Search)

[12]

相结合,记作10-CV-Grid,寻求最优的分类器参数。

本文将上述样本数据库中的样本数据按照4∶1的比例分为训练验证集和测试集,采用十折交叉验证法又将训练验证集数据分成10份,轮流用其中9份作为训练样本(称为训练集),1份作为验证集。训练集用于分类器学习,验证集用于分类器的性能评估,为分类器参数的选择提供标准;测试集用于验证预警效果。

通过利用十折交叉验证法可以得到SVM模型的预测结果准确率。此方法可有效地解决样本容量小和计算效率低的问题,可以在某种意义下得到最优的参数,从而避免过学习和欠学习状态的发生,使预测更加准确。

网格搜索法是将待搜索参数C、g在[2

-10

,2

10

]的空间范围中按步长0.5划分成网格,通过遍历网格中所有的点来寻找最优参数,可以保证所得的搜索解是划定网格中的全局最优解,避免重大误差,并且便于并行计算,提高了整体效率。

分类器参数优化的基本步骤为:

①初始化分类器参数,C和g的范围均设置为[2

-10

,2

10

],步长为0.5。

②选取第一组参数,以训练验证集中的任意1个子集作为验证集,其余9个子集作为训练集,输入训练集来训练SVM模型。再次输入验证集中的能量矩进行预测,比较SVM模型的预测结果与验证集中的专家判断结果的一致性,得出预测结果的准确率。然后将验证集更换为另1个子集,其余9个子集作为训练集,重复上述步骤,直至将10个子集都作为验证集进行验证后,按照式(1)得出该组参数决定的预警结果的平均准确率。假定该组参数为最佳参数。

③选取下一组参数,重复步骤②,得出该组参数预测结果的平均准确率。与前述得到的最佳参数预测结果的平均准确率进行比较,取预测平均准确率最高的那组参数作为最佳参数。

④检查结束条件,结束条件为遍历网格中所有的点,若满足结束条件,则寻优结束,输出相应的最佳的SVM模型;否则转至第③步。

3.2  安全预警模型实施步骤

①获取中低压燃气调压器的能量矩数据以及对应表纸的专家判断结果,建立样本数据库,并按照4∶1的比例分为训练验证集和测试集。

②根据调压器实际运行状态,建立安全预警模型。

③将训练验证集采用十折交叉验证与网格搜索相结合的方法代入SVM模型,进行分类器参数优化,得到最佳参数和SVM模型。

④利用测试集数据对SVM模型进行测试,验证预警效果。

4   结果分析

本文采用10-CV-Grid分类器在Matlab软件LIBSVM

[14]

工具箱支持向量分类机中的C-支持向量分类机(C–SVC)模型下,对训练验证集数据进行训练、预测,得到最佳参数和最佳SVM模型。SVM模型预测结果平均准确率与参数对数的关系见图4。

4   SVM模型预测结果平均准确率与参数对数的关系

从图4可以看出,参数C和g的选取对模型的预测结果准确率有很大的影响。当log

2

C小于-2或log

2

g大于5时,该模型预测结果准确率接近甚至等于0;当log

2

C大于-2且log

2

g小于5时,预测结果准确率有所升高;当log

2

C为0.8,log

2

g为-1.6,即C=1.74,g=0.33时,预测结果准确率达到最高,即C=1.74,g=0.33为最佳参数,此时的模型为最佳SVM模型。模型的预测结果准确率见表1。

表1   模型的预测结果准确率

根据式(1)对每个子集作为验证集的SVM模型预测结果准确率进行计算,发现每个子集作为验证集的预测结果准确率均不低于70%,最后算得SVM模型预测结果平均准确率为76%,说明该SVM模型具有良好的泛化能力。

为了进一步验证该SVM模型的适用性,利用测试集数据对SVM模型进行测试。测试能量矩数据共60个,预测成功的占42个,得到预测结果准确率为70%,说明该SVM模型适用性良好。

通过分析,发现出现误判点的原因为:

①专家知识水平存在差距。通过调取误判点

对应的专家意见,发现27位专家的判断结果存在争议,有过半数专家判定为一类,也有将近半数的专家判定为另一类。如将低频故障预警(1类)误判为低频故障报警状态(3类);将高频故障预警(2类)误判为正常(0类)。

②样本数据库中数据量较少,对安全预警模型的训练不够,预测结果准确率下降。如将高频故障报警(4类)误判为高频故障预警(2类);将低频故障预警(1类)误判为低频故障报警(3类)。

上述分析总结为日后中低压燃气调压器安全预警技术的优化提供了很好的方向,可通过后续的工程应用,采集更多的数据进行训练,优化SVM模型。同时,完善针对专家意见的调查问卷,如对存在争议的表纸,多进行几轮问卷调查。从这两方面改进,提高预测结果的准确率。

5   结论

本文将SVM优化理论应用于中低压燃气调压器安全预警技术中,结合网格搜索与十折交叉验证的方法,降低了模型预测误差,提高了模型的泛化能力,得到如下结论:

①该方法的平均预测准确率为76%,具有良好的适用性。支持向量机分类过程是一个机器学习的过程,可通过后续的工程应用不断进行完善,提高预测结果的准确率。

②采用经验模态分解方法降低了数据信号的非平稳性,使模型更好地拟合了调压器出口压力信号的高频和低频特性,有助于进一步提高SVM模型预测结果的准确率。

③该方法将专家经验融入安全预警技术优化中,初步实现了安全预警的个性化判断,使预测结果准确率得到了很大提高。

④中低压燃气调压器安全预警技术的优化将进一步在燃气集团的实际运营中发挥更大的作用,为燃气管网的安全运行和智能化管理奠定基础。

参考文献:

[1]杨国斌. 中低压燃气调压器故障诊断与安全预警系统构建(硕士学位论文)[D]. 北京:北京建筑大学,2014:3.

[2]HAO Xuejun,LIU Qiang,YANG Guobin,et al. Using the EMD method to determine fault criterion for medium-low pressure gas regulators[J]. Journal of Thermal Science,2015(6):557-561.

[3]刘立兵,惠鹏飞. 电力变压器故障预测与诊断仿真研究[J]. 计算机仿真,2010,27(12):303-306.

[4]韩华,谷波,任能. 基于主元分析与支持向量机的制冷系统故障诊断方法[J]. 上海交通大学学报,2011,45(9):1355-1361.

[5]杨安平,陈松乔,胡鹏. 基于几何距离摄动的局部切空间排列算法[J]. 计算机工程与应用,2011(29):168-170.

[6]万鹏,王红军,徐小力. 局部切空间排列和支持向量机的故障诊断模型[J]. 仪器仪表学,2012,33(12):2789-2795.

[7]纪昌明,周婷,向腾飞,等. 基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用[J]. 电力自动化设备,2014,34(3):125-131.

[8]刘学毅. 德尔菲法在交叉学科研究评价中的运用[J]. 西南交通大学学报(社会科学版),2007,4(8):21-25.

[9]刘伟涛,顾鸿,李春洪. 基于德尔菲法的专家评估方法[J]. 计算机工程,2011,37(12):189-192.

[10]刘希亮,赵学胜,陆峰,等. 基于GA-SVM的露天矿抛掷爆破抛掷率预测[J]. 煤炭学报,2012,37(12):1999-2005.

[11]王建峰,张磊,陈国兴,等. 基于改进的网格搜索法的SVM参数优化[J]. 应用科技,2012,39(3):28-31.

[12]LEISCH F,JAIN L,HORNIK K. Cross validation with active pattern selection for neural network classifiers[J]. IEEE Transactions on Neural Network,1998,9(1):35-41.

[13]尹金良,朱永利. 支持向量机参数优化及其在变压器故障诊断中的应用[J]. 电测与仪表,2012,49(5):11-16.

[14]CHANG C,LIN C. LIBSVM:a library for support vector machines [J]. Acm Transactions on Intelligent Systems & Technology,2001,2(3):27-30.

同类论文

维普免费下载《煤气与热力》论文(现刊和过刊均可)

日前,《煤气与热力》杂志社有限公司在维普网站开通论文免费下载服务,论文刊出后两个月后,可在维普网站查询,并直接免费下载。在维普网站免费下载《煤气与热力》论文步骤如下:

1. 在维普网站注册会员。

3. 论文免费下载界面截图见上图。点击“免费下载”,可直接下载该论文。

欢迎 发表评论:

Copyright © 2018 数据库免费下载入口 豫ICP备16000724号