基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。

基于T-S模型的冷凝器污垢预测

针对冷凝器的周期性结垢过程以及工况参数的动态变化 ,提出了一种冷凝器污垢预测的新方法。该方法将污垢分解为软垢和硬垢两部分 ,并采用两个T- S模糊模型分别描述软垢和硬垢的变化趋势 ,进而通过二者的结合获得较为精确的污垢预测。根据此方法 ,进行了现场试验 ,试验结果表明 :与渐近污垢模型及改进的渐近污垢模型相比 ,该方法能够有效地处理冷凝器的周期性结垢现象 ,并在冷凝器工况参数变化时仍然取得较满意的预测精度。该方法的成功应用为冷凝器最优清洗机制的建立奠定了基础。

基于多模型组合的冷凝器中污垢预测

提出了一种基于多模型组合的冷凝器污垢预测新方法。该方法采用经验模型、自适应指数平滑模型、灰色模型、T%DS模糊模型等多种模型预测污垢的增长,并通过遗传算法对模型参数、各模型输出之间的组合系数进行自适应滚动优化调整,以适应冷凝器水质及工况参数的动态变化,从而取得比单个预测模型更好的预测精度。试验结果表明:该方法短期污垢预测效果好,中长期污垢预测精度较高,是实现冷凝器污垢预测的有力工具。

基于正则贯序极端学习机的换热设备污垢预测

对换热设备积聚的污垢快速、准确的预测,可以为换热设备污垢的监测和解决对策提供指导和依据,进而避免污垢对换热设备安全经济运行带来的不利影响。通过在线贯序极端学习机理论建立换热设备污垢预测模型,利用初始样本建立初始模型,随着工况变化,不断加入新的样本集,更新预测模型,实现换热设备污垢的在线预测。并通过引入正则参数权衡经验风险和结构风险,提高模型的泛化性能和预测精度。与传统神经网络建立的预测模型相比,基于在线贯序极端学习机的换热设备污垢预测模型训练速度更快,精度更高,泛化能力更好。为此,进一步基于MATLAB和LABVIEW混合编程设计了正则贯序极端学习机污垢预测系统,结果表明,该污垢预测系统可以实现换热设备污垢的在线实时预测,并且预测精度较高,预测效果较好。

冷凝器污垢的灰色预测

提出一种基于灰色理论的冷凝器污垢预测方法.将污垢分解为软垢和硬垢两部分,并采用灰色模型分别描述其变化趋势,进而通过二者的结合获得较为精确的污垢预测.试验结果表明:该方法能够有效地预测冷凝器的周期性结垢现象,并能适应冷凝器工况参数的动态变化,取得比常规渐近模型更好的预测精度.

核电站板式换热器污垢热阻长时预测方法

核电站对板式换热器使用需求正逐步上升,现有的污垢热阻预测模型泛化能力较低,时序序列角度设计方案较少。针对国内某核电站1号机组的RRI/SEC换热器的实验数据进行主成分分析,优化长短期记忆神经网络设计模型来预测瞬时污垢热阻,覆盖12条管道温度和4条管道流量等变量。模型可精确预测未来25天内的污垢清洗需求,精度可达99.35%,能够在实际使用中,减少换热器监测的人力成本,以提前对板式换热器部分机组停机清洗,增加使用周期和整体机组换热效率。