陈国超，张 悦，卢 聪，李 帅，姜礼洁

（1.华北电力大学自动化系，河北 保定 071003；2.华北电力大学 河北省发电过程仿真与优化控制技术创新中心，河北 保定 071003）

0 引言

据统计，近几年我国所有的火电设备事故中，锅炉事故占一半以上，而四管爆破事故达到锅炉事故的69%［1］，四管爆漏已经成为妨碍提高机组安全性的重要因素。过热器的温度是所有受热面中温度最高的，更容易发生异常。

基于模型的故障诊断需要高精度的模型，但过热器复杂的工况决定了难以建立精确的数学模型。目前，对过热器异常的诊断主要通过对化学分析或者人工观察爆管现场进行，比较复杂［2，3］。火电厂运行数据中包含运行工况信息，因此，提出从过热器运行数据中提取信息进行异常诊断。

火电厂运行过程中测点多达数千个，其中包含许多与检测无关或关联不大的数据，核主元分析（Kernel Principal Component Analysis，KPCA）方法能够舍弃不相关的变量，进行数据降维，进而增加故障诊断的准确率。最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）在模型构建时具有抗干扰能力强、对样本规模要求不高的优点［4-5］。应用LSSVM 时，核宽度和惩罚因子的选取对最终分类性能影响很大。针对建立模型时LSSVM 参数选择盲目性的问题，考虑使用粒子群方式进行参数寻优作为KPCA-LSSVM 的参数来搭建模型。首先对过热器热负荷进行分析，采集现场数据搭建KPCA-LSSVM 模型，进行过热器异常工况分类。

1 基本原理

1.1 核主元分析

KPCA 分析的核心是利用核函数，将原始数据在高维的特征空间中进行映射，再通过传统PCA 算法对升维的数据计算特征值与特征向量，确定主成分［6］。……