一种锅炉飞灰含碳量在线动态预测方法技术

本发明专利技术公开了一种锅炉飞灰含碳量在线动态预测方法，方法包括：运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取。在实际测量阶段，在线实时采集各个辅助变量的值，通过动态预处理得到模型输入向量的值，将上述值输入所建立的锅炉飞灰含碳量LSSVM预测模型，得到实际预测值。本发明专利技术可以针对机组的不同负荷状态下的飞灰含碳量进行学习，测量模型为动态模型，可以反映锅炉运行状态的变化对飞灰含碳量的影响，算法的适应性强，测量精度高，求解速度快，具有实时性的优点。

【技术实现步骤摘要】
一种锅炉飞灰含碳量在线动态预测方法
本专利技术涉及锅炉参数检测研究领域，特别一种锅炉飞灰含碳量在线动态预测方法。
技术介绍
锅炉飞灰含碳量是反映火力发电厂燃煤锅炉燃烧效率的一项重要指标，精确和实时地监测飞灰含碳量有利于指导锅炉运行以提高锅炉燃烧控制水平，降低发电成本，提高机组运行的经济性，减少环境污染，同时也有利于提高煤灰的品质，促进煤灰的商品化。目前，锅炉飞灰含碳量检测方法主要包括以下两类：一、直接测量法直接测量法主要包括了灼烧法、微波法以及激光法等测量方法。灼烧法是指通过取适量飞灰样本在高温下燃烧，以燃烧前后重量差来计算出样本中的飞灰含碳量。灼烧法分为在线式和离线式。在线式灼烧法所需要的测量设备较为复杂，刚开始运行时，可以保证一定的测量精度，运行一段时间后，无法保证精度，且由于现场环境恶劣，设备维护的工作量比较大。离线式的灼烧法只能在实验室完成，测量精度较高，但无法得到实时的数据，不能用于实时指导燃烧优化。微波法是依据飞灰中碳元素对特定波长的微波的吸收或对微波相位的影响来测量锅炉飞灰含碳量。微波法采用取样管收集飞灰，在微波通道中，利用飞灰中含碳量的变化引起电信号的变化进行测量。但采用这种方法，取样装置采用的取样管容易堵灰及产生磨损，而且由于所取灰样不一定具备代表性，因此测量准确性不高。二、间接测量法间接测量法主要包括基于回归分析建模的方法、基于机理分析建模的方法以及基于人工神经网络建模的方法。基于回归分析建模的方法是通过对大量数据压缩提取，统计分析各个变量之间的线性关系，发现它们之间的依赖关系，并建立回归分析模型。但由于锅炉燃烧过程耦合强，非线性，干扰多，回归分析建模无法适用于该领域。基于机理分析建模的方法是要求根据已知的系统内在机理联系，建立主导变量与辅助变量之间的数学关系，运用公式加以推导，实现对待测变量的预测。但由于锅炉燃烧过程极其复杂，难以明确其机理关系，很难采用此种方法进行精确的分析建模。基于人工神经网络建模的方法具有自学习、联想记忆、自适应和非线性逼近等多种功能，适用于具有严重不确定性和非线性程度较高的系统，但其存在过拟合及局部极点等问题，模型预测效果很大程度上受网络拓扑结构、学习样本数量、质量的影响。因此，提出一种准确度高的飞灰含碳量在线实时预测方法是本领域亟需解决的重大技术难题。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种锅炉飞灰含碳量在线动态预测方法和装置，其能够实时准确地预测锅炉飞灰含碳量，并且具有在线更新的功能。本专利技术的目的通过以下的技术方案实现：一种锅炉飞灰含碳量在线动态预测方法，包括步骤：(1)运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；(2)建模阶段：选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取，具体是：(2-1)建立锅炉飞灰含碳量LSSVM预测模型：其中，表示飞灰含碳量预测值，αk为训练得到的支持值，b为训练得到的偏置，为核函数；(2-2)通过对训练样本的训练获得参数αk和b，公式为：其中，α为一个1*N维向量组，αk是其中一维，α＝[α1,α2,...,αN]T,y＝[y1,…,yN]T；N为训练样本个数，U＝(Ω+γ-1I)-1，且Ω:k,d＝1,...N，γ为LSSVM模型目标函数的惩罚系数，I为相应维数的单位矩阵；y为训练样本中的飞灰含碳量；(3)实际测量阶段：在线实时采集各个辅助变量的值，通过动态预处理得到模型输入向量的值，将上述值输入步骤(2)所建立的锅炉飞灰含碳量LSSVM预测模型，得到实际预测值。优选的，所述步骤(1)中，运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，步骤是：(1-1)通过对飞灰含碳量影响因素的调研分析，结合相应电厂实际运行数据，初步确定影响锅炉飞灰含碳量的初始辅助变量；(1-2)将飞灰含碳量作为输出变量利用偏最小二乘法进行分析，对上述初始辅助变量进行进一步地筛选：将包含所有初始辅助变量的一维矩阵X作为自变量矩阵，将训练样本中的飞灰含碳量y作为因变量，用主成分ti与X、y之间的相关关系来反映模型的内部信息，主成分对因变量y的解释能力为：Rd(y；ti)＝r2(y,ti)其中r(y,ti)是y与ti之间的相关系数，计算公式为：通过自变量矩阵X与主成分ti之间的边际关系以及ti对因变量y的解释能力，得到第k个自变量对因变量y的重要性指标如下：其中p为自变量个数，ωik为权值向量ωi的第k个分量，反映了第k个自变量对ti的边际贡献，并有：将各个初始辅助变量的重要性指标值按从大到小排序，选取前面若干个指标作为最终的辅助变量。更进一步的，为了获得较精确的飞灰含碳量数据用于建模，步骤(1)中对采集的辅助变量值进行动态预处理，步骤是：采集电站锅炉飞灰含碳量的化验样本数据以及对应的飞灰样品的取样时刻，设置动态预处理参数，包括输入的阶数、输出的阶数以及输入的时延参数、输出的时延参数；然后根据上述化验样本数据对应的取样时刻，获取机组运行数据；将机组运行数据x和化验样本数据y根据下述公式处理，得到预处理后的输入向量：其中，yk为k时刻的输出，mx、ny分别为输入的阶数、输出的阶数，dx、dy分别为输入的时延参数、输出的时延参数；为预处理后的回归数据向量，即用于建立锅炉飞灰含碳量LSSVM预测模型的输入向量。优选的，所述步骤(2-1)中，核函数采用径向基(RBF)核函数，即其中σ表示径向基核参数，为函数的宽度参数，控制了函数的径向作用范围。为了进一步提高模型的计算速度，本专利技术对LSSVM预测模型进行稀疏化处理，步骤是：将样本划分为训练样本和校验样本，将训练样本的剪切率ε作为优化变量，并将校验样本输出与模型预测输出的均方根误差作为优化目标；寻优过程为：根据训练样本所对应的|αk|，将训练样本重新排列，切除ε％的|αk|小于一定阈值的那部分样本，再利用剩下的样本重新训练LSSVM预测模型，计算其性能指标，寻找使性能指标最优的剪切率。具体的，LSSVM预测模型通过下列公式实现最优稀疏化处理：式中：yε为将原始训练样本剪切ε(％)样本后形成的新训练样本集的输出，Uε和Eε为与yε对应的矩阵，y′i为校验样本的实际输出，N为初始训练样本数，得到的最优解ε*为使性能指标RMSE取最小值的样本剪切率。由于LSSVM最优稀疏化化问题为复杂非线性问题，采用常规优化方法求解具有局限性。为此，本专利技术采用粒子群优化(PSO)进行智能寻优。PSO突破了搜索过程中函数单调性的限制，能实现全局寻优，具体的，LSSVM预测模型采用粒子群优化算法进行智能寻优，以进行稀疏化处理的步骤是：(4-1)设置LSSVM算法和PSO算法的初始参数；设定各粒子位置为ε，其适应度值为RMSE(ε)；(4-2)用原始训练样本训练LSSVM模型，获得模型的初始参数α0和b0；(4-3)根据最优稀疏化处理公式，置优化变量ε＝0，PSO迭代次数k＝1；设置个体极值Pbest及群体极值Gbest的初值，进入PSO的迭代寻优过程；(4-4)以|αi|大小对训练样本进行排序，剪切ε％的|αi|小于一定阈值的样本构成新训练样本集Nε＝(1-ε)N；(4-5)用重新训练LSSVM预本文档来自技高网...

【技术保护点】
一种锅炉飞灰含碳量在线动态预测方法，其特征在于，包括步骤：(1)运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；(2)建模阶段：选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取，具体是：(2‑1)建立锅炉飞灰含碳量LSSVM预测模型：

【技术特征摘要】
1.一种锅炉飞灰含碳量在线动态预测方法，其特征在于，包括步骤：(1)运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；(2)建模阶段：选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取，具体是：(2-1)建立锅炉飞灰含碳量LSSVM预测模型：其中，表示飞灰含碳量预测值，αk为训练得到的支持值，b为训练得到的偏置，为核函数；(2-2)通过对训练样本的训练获得参数αk和b，公式为：其中，α为一个1*N维向量组，αk是其中一维，α＝[α1,α2,...,αN]T,y＝[y1,…,yN]T；N为训练样本个数，U＝(Ω+γ-1I)-1，且k,d＝1,...N，γ为LSSVM模型目标函数的惩罚系数，I为相应维数的单位矩阵；y为训练样本中的飞灰含碳量；(3)实际测量阶段：在线实时采集各个辅助变量的值，通过动态预处理得到模型输入向量的值，将上述值输入步骤(2)所建立的锅炉飞灰含碳量LSSVM预测模型，得到实际预测值。2.根据权利要求1所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，所述步骤(1)中，运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，步骤是：(1-1)通过对飞灰含碳量影响因素的调研分析，结合相应电厂实际运行数据，初步确定影响锅炉飞灰含碳量的初始辅助变量；(1-2)将飞灰含碳量作为输出变量利用偏最小二乘法进行分析，对上述初始辅助变量进行进一步地筛选：将包含所有初始辅助变量的一维矩阵X作为自变量矩阵，将训练样本中的飞灰含碳量y作为因变量，用主成分ti与X、y之间的相关关系来反映模型的内部信息，主成分对因变量y的解释能力为：Rd(y；ti)＝r2(y,ti)其中r(y,ti)是y与ti之间的相关系数，计算公式为：通过自变量矩阵X与主成分ti之间的边际关系以及ti对因变量y的解释能力，得到第k个自变量对因变量y的重要性指标如下：其中p为自变量个数，ωik为权值向量ωi的第k个分量，反映了第k个自变量对ti的边际贡献，并有：将各个初始辅助变量的重要性指标值按从大到小排序，选取前面若干个指标作为最终的辅助变量。3.根据权利要求1所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，步骤(1)中对采集的辅助变量值进行动态预处理，步骤是：采集电站锅炉飞灰含碳量的化验样本数据以及对应的飞灰样品的取样时刻，设置动态预处理参数，包括输入的阶数、输出的阶数以及输入的时延参数、输出的时延参数；然后根据上述化验样本数据对应的取样时刻，获取机组运行数据；将机组运行数据x和化验样本数据y根据下述公式处理，得到预处理后的输入向量：其...

【专利技术属性】
技术研发人员：黄冬兰，刘宇穗，王晓雄，周伟，王小博，张大海，陈晓锋，裴顺，邓成刚，林伟波，林侃，
申请(专利权)人：中国能源建设集团广东省电力设计研究院有限公司，
类型：发明
国别省市：广东,44