周云龙 王 迪

(东北电力大学，吉林 吉林 132012)

火电机组主蒸汽流量的测量，对于机组经济性能分析和节能降耗有着重要的意义。目前，对于主蒸汽流量的测量，主要有直接测量法和间接测量法两种。直接测量法通常采用流量喷嘴(或孔板)方案，这种方法简单、准确，但是会造成节流损失，对于大型火电机组而言，该过程损失是不可忽略的[1]。因此，目前对于主蒸汽流量的测量主要是采用基于机理建模的方法，依据反映汽轮机通流部分工作特性的费留格尔公式，但由于费留格尔公式的适用范围，使用调节级后相关压力参数需进行多次修正，计算过程较为复杂，并存在较大的误差，容易影响机组其他参数的监测[2～4]。所以，利用相关参数建立一种简单、准确并且不会对机组经济性能产生影响的主蒸汽流量数学模型意义重大。

随着人工智能的发展，火电机组参数软测量技术日渐成熟，神经网络[5]及支持向量机[6]等开始应用于主蒸汽流量的测量。统计学习理论是由Vapnik V建立的一种专门研究小样本情况下机器学习规律的理论，支持向量机是在这一理论基础上发展而来的一种新的学习方法，支持向量机能够较好地解决小样本、非线性、高维数和局部极小点的实际问题，在火电机组参数监测方面已有重要应用[7]。Suykens J A K和Vandewalle J提出最小二乘支持向量机方法(Least Squares Support Vector Machines,LS-SVM)，采用最小二乘线性系统作为损失函数，将求解过程变成线性方程组求解，求解速度相对加快[8]。和其他算法一样，其性能依旧依靠参数的选择，如何选择最优参数以提高LS-SVM的学习和泛化能力，对于主蒸汽流量的软测量极为重要。……