基于PSO的T—S模糊模型辨识算法预测空气预热器温度

    苏芳

    

    

    摘 要：空氣预热器是火力发电机组重要的热能交换设备，然而当其运行于不良状态（积灰过多或温度过高）时，将引起空预器火灾事故。目前，空预器的热点检测主要是将检测到的温度信号与事先设定的阈值进行比较，以此来判断是否发生火情。但此类方法检测判断时，空预器内部火灾已经发生并造成损失，因此，提前预判火灾隐情显得十分重要。本文提出了一种基于PSO的T-S模糊模型自适应学习算法，前件模糊规则经典FCM法提取，后件参数辨识采用最小二乘法辨识，同时利用PSO优化选取FCM算法的聚类个数c和输入维数n。仿真结果表明该方法的有效性，且具有良好的鲁棒性以及自适应能力。

    关键词：热点检测；PSO；T-S模糊模型；FCM

    0 引言

    空气预热器（简称空预器）是火力发电机组中重要的换热设备，作用是提高锅炉燃烧率，降低排烟温度，减少排烟热损失。火灾现场有关资料证实，当其运行于不良状态时（如积灰过多或温度过高）将会导致火灾事故，造成设备损坏停运，严重时甚至造成安全事故。

    目前，国内外已经先后研制出空预器热点检测系统并已投入使用[1，2]，这类系统均是通过热电偶或红外传感器作为测温元件，将所测温度值与事先设定的报警阈值相比较，以此来判断是否发生火情。然而，判断时火灾已经发生并造成损失。因此，理想的空预器热点监测系统应能在空预器内部温度过高，偏离允许值及火灾发生前进行提前预警，以便工作人员及时调整空预器的运行状态。

    常见非线性预测方法有前馈神经网络、RBF神经网络以及支持向量机等。神经网络预测模型结构较复杂，算法易陷入局部极小或者过学习情况。基于结构风险最小化准则的支持向量机（SVR），因其拓扑结构由支持向量决定，克服了预测和传统统计预测的许多缺点，较好解决了高维数、局部极小、小样本等先天问题。但由于在实际应用中其对孤立点数据或噪声非常敏感，因此导致获得的分类面并不是真正的最优分

    类面。

    针对现有非线性系统预测模型算法的不足，本文提出基于PSO优化参数的T-S模糊模型对系统进行预测。仿真结果表明，本文所提出的算法，模型预测精度良好。

    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模糊模型参数优化

    2 实验仿真

    3 结论

    本文利用PSO优化选取规则个数C和输入变量的维数n。然后依据优化的结果，对空气预热器温度时间序列样本数据进行预测。通过仿真结果可得，该算法可以精确预测空预器内部温度变化趋势，对于异常的样本可以准确的预测，提前作出判断。

    参考文献：

    [1]刘涵，刘丁，李琦，等.电站锅炉空气预热器火灾报警系统的研究[J].电子技术应用，1998，24（6）：35-36.

    [2]梁炎明，刘丁，李琦，刘涵，宋念龙.基于证据推理的电站锅炉空预器热点检测[J].传感技术学报，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.