1、79Process&Engineering|工艺与工程2023 年 1 月第 42 卷 第 1 期网络出版时间：2022-07-13T15:49:28网络出版地址：http:/ IPSO-LSSVM 的离心式压缩机性能预测方法张平1李亚民2王冠霖1魏国富11.国家管网集团联合管道有限责任公司西部分公司；2.辽宁沃尔德沃克科技有限公司摘要：针对离心式压缩机实际性能曲线与厂家提供的性能曲线存在差异的问题，以某压气站 SCADA 运行数据为基础，采用最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）法对压缩机的性能曲线进行预测，同时结合改进粒子
2、群（Improved Particle Swarm Optimization，IPSO）算法优化 LSSVM 模型，构建基于IPSO-LSSVM 的离心式压缩机性能预测方法。结果表明：采用可变惯性权重和添加扰动因子后的 IPSO 算法的迭代速率更快，与其他预测模型相比，IPSO-LSSVM 模型的预测精度最高，出口压力的 MRE、RMSE 分别为0.57、0.055 6，出口温度的 MRE、RMSE 分别为 0.30、0.137 4。新建预测模型具有较好的预测精度和拟合效果，可为压缩机性能预测及制定防喘振措施提供理论依据。（图 8，表 2，参 21）关键词：压缩机；IPSO；LSSVM；性能预
3、测；惯性权重中图分类号：TE964文献标识码：A文章编号：1000-8241（2023）01-0079-08DOI：10.6047/j.issn.1000-8241.2023.01.011 Performance prediction method of centrifugal compressor based on IPSO-LSSVMZHANG Ping1,LI Yamin2,WANG Guanlin1,WEI Guofu11.PipeChina United Pipe Co.Ltd.Western Branch;2.Liaoning World Walker Technology Co.
4、Ltd.Abstract:In view of the difference between the actual performance curve of a centrifugal compressor and that provided by the manufacturer,the performance curve of compressor was predicted with the Least Squares Support Vector Machine(LSSVM)based on the SCADA operation data of a compressor statio
5、n,and the LSSVM model was optimized with the Improved Particle Swarm Optimization Algorithm(IPSO).Besides,a performance prediction method of centrifugal compressor based on IPSO-LSSVM was developed.The results show that the iterative rate of IPSO algorithm is faster after variable inertia weight is
6、used and the disturbance factor is added.Compared with the other prediction models,the prediction accuracy of IPSO-LSSVM model is the highest.The MRE and RMSE of outlet pressure are 0.57%and 0.055 6,respectively,while that of the outlet temperature are 0.30%and 0.137 4,respectively,indicating that t
7、he model has good prediction accuracy and fitting effect,thus capable of providing a theoretical basis for compressor performance prediction and development of anti-surge measures.(8 Figures,2 Tables,21 References)Key words:compressor,Improved Particle Swarm Optimization Algorithm(IPSO),Least Square
8、s Support Vector Machine(LSSVM),performance prediction,inertia weight离心式压缩机因单级排量大、体积小、质量轻、运行可靠等特点被广泛应用于油气储运、石油化工、航空航天等领域。作为输气管道的核心设备，压缩机性能评价的准确性对保障管道安全平稳运行和制定节能降耗方案具有重要意义。压缩机的原厂性能曲线是在一定的进气条件和气质组分下测试得到，当外部条件发生变化时，性能曲线会发生偏移，且偏移并不固定，故必须采取一定手段获取实际性能曲线1-2。李晓平等3基于第一类相似原理对性能参数进行了换算，并采用变转速二次拟合法得到压缩机的特性曲线方程，
9、且压比和转速的相对误差均低于 5。蒲宏斌4采用最小二乘一元引文：张平，李亚民，王冠霖，等.基于 IPSO-LSSVM 的离心式压缩机性能预测方法J.油气储运，2023，42（1）：79-86.ZHANG Ping,LI Yamin,WANG Guanlin,et al.Performance prediction method of centrifugal compressor based on IPSO-LSSVMJ.Oil&Gas Storage and Transportation,2023,42(1):79-工艺与工程|Process&Engineering2023 年 1 月第 42
10、 卷 第 1 期1压缩机性能预测方法1.1LSSVM由于支持向量机（Support Vector Machine，SVM）算法在求解凸优化问题时，其矩阵规模受样本数量的影响较大，且存在超平面参数选择问题，因此，从损失函数入手，针对优化问题的目标函数采用二范数，将原 SVM 算法中的不等式约束改为等式约束，使 LSSVM 的优化问题转变为求解线性规划问题。LSSVM 算法较 SVM 算法简化了运算过程，提高了运算速度18-19。其回归函数和核函数的选取参照文献 20。根据 LSSVM 模型的回归理论可知，LSSVM 模型的预测精度与超参数（可调正则参数C、核函数宽度）的选取有关，如果超参数选取不
11、当，则会出现过拟合或欠拟合现象。为避免这一问题，采用 IPSO 算法对 LSSVM 模型的超参数进行寻优，一方面避免人工选择参数的盲目性，另一方面提高模型算法的预测精度及稳定度。1.2IPSO粒子群优化（Particle Swarm Optimization，PSO）算法是基于生物群体的智能随机优化算法20。通过对比所有范围内的个体最优解Pb和种群最优解Gb，得到全局最优解，进而得到超参数的优化组合。尽管PSO 算法具有可调参数少、收敛速度快等特点，但随着迭代次数的增加，惯性权重呈线性减小趋势，后期随机搜索易出现早熟收敛，陷入局部最优解。为了更好地保持种群多样性，采用可变惯性权重对 PSO 算
12、法进行改进，其表达式为：拟合对压缩机性能参数进行误差修正，但相对误差较大。王鹏等5采用预估校正的方式对压缩机性能进行换算，预测精度较相似原理的换算结果有大幅提升。曹志柱等6基于相似原理开发了压缩机性能预测仿真软件，可在线输出实际性能曲线，出口压力相对误差为 3.7。上述研究对于压缩机实际性能曲线的预测具有重要意义，一般对于新投运的压缩机性能曲线可通过相似原理换算得到，但对于运行多年的压缩机，由于其定子、转子与气体流通空间表面积垢、磨损、机械损伤、热腐蚀、密封失效等因素的影响7-9，此时通过相似原理换算后的性能曲线会出现较大偏差，Wang 等10-12的研究成果均证明了型号相同的压缩机在运行一段
13、时间后其性能曲线与出厂时有所差异。此外，相似原理的基础是多变能头保持不变，当压缩机工况不满足近似相似条件时，该评价方法即会失效，如工况点位于喘振控制线或流量阻塞线附近时，会造成压缩机出口气量大量回流、主电机高电流运行及出口超温等现象13-14。近年来，随着计算机技术和人工智能的发展，越来越多的智能算法被应用于腐蚀预测、风险评价、故障识别、故障诊断等领域。智能算法具有学习能力强、覆盖范围广的特点，可通过不断训练自动从数据中提取规律，无需从机理上对其进行解释15-17。基于此，以某压气站 SCADA 运行数据为基础，将最小二乘支持向量机（Least Squares Support Vector M
14、achine，LSSVM）与改进粒子群算法（Improved Particle Swarm Optimization，IPSO）相结合，构建基于 IPSO-LSSVM的离心式压缩机性能预测方法，提高预测精度，以期更好地指导压缩机的现场操作。式中：max、min分别为惯性权重的最大值、最小值；T为最大迭代次数；rand（t）为当前迭代下的随机概率；t为当前迭代次数。以max=0.8、min=0.3、T=100 为例，绘制惯性权重的变化曲线（图 1）。rand（t）的加入增加了惯性权重在下降过程中的随机性，改变了其单一线性趋势，可有效改善粒子多样性。在迭代前期，可变惯性权重的下降速度较线性惯性权重
15、快，此时粒子以全局搜索能力为主，产生较小的值以加快收敛速度；在迭代后期，可变惯性权重的下降速度较线性权重慢，此时粒子以局部搜索为主，可避免因值过快下降带来的种群多样性减弱。为了进一步避免迭代后期 PSO 算法陷入局部最优，引入扰动因子f对速度向量进行修正，扰动因子随迭代次数的增加呈非线性递减，可有效平衡个体最优解与种群最优解之间的关系，其表达式为：=max（maxmin)（1min)12e2 t/T+1，rand（t）0.45max（maxmin)（1min)2 tTtT2，rand（t）0.45 （1）Process&Engineering|工艺与工程始化粒子的速度和位置，计算当前粒子的Pb
16、和Gb，以预测值和实际值的均方根误差（Root Mean Square Error，RMSE）为适应度函数计算各粒子的适应度，从而确定全局最优适应度。经多次迭代计算后，当适应度满足终止精度或达到最大迭代次数时，输出超参数C、，继而确定最优 IPSO-LSSVM 预测模型。将验证样本代入最优模型中进行预测，并对预测结果进行综合分析。为综合对比模型的预测效果，选取平均相对误差（Mean Relative Error，MRE）、RMSE 及决定系数R2共 3 个统计学评价指标21来评价模型的回归效果。2算例分析 某压气站有 4 台 GE PCL503 型离心式压缩机（图 3），按照最大峰值输量采用 3 用 1 备（3 台启用的压缩机编号分别为 1#、2#、3#）的运行方式于 2016 年10 月投用。厂家在进行压缩机性能试验时的进口压力为 8.101 MPa、进口温度为 45，试验气体甲烷的f=fmaxfmaxfminsum（1:T)（Tt）（2）式中：fmax、fmin分别为扰动因子最大值、最小值。1.3IPSO-LSSVM 离心式压缩机性能预测方法为提高预测精度，将 LSSVM 与 IP