一种锅炉燃烧优化的变量降维建模方法技术

本发明专利技术属于热工技术和人工智能交叉技术领域，涉及一种锅炉燃烧优化的变量降维建模方法。本发明专利技术选择扰动变量DV（Disturbance Variables）和控制变量MV（Manipulated Variables）作为模型的辅助变量，要预测的被控变量CV（Controlled Variables）作为模型的输出，选择历史运行数据作为初始训练样本，利用主成分分析（Principal Component Analysis）对模型的扰动变量DV进行特征提取，实现输入变量的降维，将提取的特征变量与控制变量MV一同作为模型的输入，利用LSSVM（Least Squares Support Vector Machine）建立锅炉的被控变量模型。本发明专利技术通过对输入变量的降维，可以有效地提高模型的预测精度和泛化能力，能够实现对被控变量的精确预测，对电站锅炉的燃烧优化控制有重要的意义。

【技术实现步骤摘要】
一种锅炉燃烧优化的变量降维建模方法
本专利技术属于热工技术和人工智能交叉
，涉及一种锅炉燃烧优化的变量降维建模方法。
技术介绍
锅炉的燃烧优化是火电机组实现节能减排的重要技术手段，对提高发电企业的经济效益和能源的可持续发展有着重要的意义。燃烧优化技术主要通过控制燃烧有关的各调节参数，优化炉膛内燃烧状况，以此来提高锅炉效率，降低污染物的排放。建立锅炉效率、污染物排放等经济指标与锅炉各参数之间的模型关系是实施燃烧优化的基础。由于锅炉燃烧机理的复杂性，建立准确的机理模型是非常困难的。近年来，电站信息化的发展使机组运行数据的获取越来越容易，而且神经网络、支持向量机等人工智能的发展为数据建模技术提供了有效的工具。其中，最小二乘支持向量机(LeastSquaresSupportVectorMachine，LSSVM)以结构风险最小化为原则，与神经网络相比具有更好的泛化能力。而且，LSSVM利用等式约束代替不等式约束，将学习问题转化为求解线性方程组，减少了算法的复杂度。电站锅炉燃烧过程机理特性复杂，需要较多的变量来反映运行状况，而且各个变量之间存在着一定的相关性和耦合，一个操作参数的改变往往本文档来自技高网...

【技术保护点】
一种锅炉燃烧优化的变量降维建模方法，其特征在于，所述变量降维建模方法包括以下步骤：步骤1)：选择辅助变量与需要预测的被控变量CV，所述辅助变量包括扰动变量DV与控制变量MV；步骤2)：对扰动变量DV进行主元变量提取，所述控制变量MV保持不变；步骤3)：将上述步骤2)中提取的主元变量与保持不变的控制变量MV作为输入，将步骤1)中选择的被控变量作为输出，建立锅炉被控变量CV参数的模型，用于锅炉的燃烧优化控制。

【技术特征摘要】
1.一种锅炉燃烧优化的变量降维建模方法，其特征在于，所述变量降维建模方法包括以下步骤：步骤1)：选择辅助变量与需要预测的被控变量CV，所述辅助变量包括扰动变量DV与控制变量MV；步骤2)：对扰动变量DV进行主元变量提取，所述控制变量MV保持不变；步骤3)：将上述步骤2)中提取的主元变量与保持不变的控制变量MV作为输入，将步骤1)中选择的被控变量作为输出，建立锅炉被控变量CV参数的模型，用于锅炉的燃烧优化控制。2.根据权利要求1所述的变量降维建模方法，其特征在于：所述扰动变量DV包括机组负荷、主蒸汽流量、煤质；所述控制变量MV包括风门开度、风压、过量空气系数；所述被控变量CV包括锅炉效率、飞灰含碳量、烟气NOx排放浓度、排烟温度。3.根据权利要求1所述的变量降维建模方法，其特征在于，所述步骤2)中对扰动变量DV进行主元变量提取采用的是主成分分析方法。4.根据权利要求3所述的变量降维建模方法，其特征在于，所述主成分分析方法对扰动变量DV进行主元变量提取包括以下步骤：步骤1.1)：对p维扰动变量xd取n个运行数据，构成样本矩阵X∈Rn×p，所述Rn×p是n×p维矩阵，并进行标准化使各列变量样本的均值为0，方差为1；步骤1.2)：根据上述步骤1.1)构成的样本矩阵得出矩阵的协方差步骤1.3)：根据步骤1.2)得出的协方差Σ，得出协方差的特征根λ1≥λ2≥...≥λh及特征根对应的单位正交特征向量p1，p2,...,ph；步骤1.4)：根据上述步骤1.3)得出的单位正交特征向量可以得出主元变量ti＝Xpi，所述i＝1,2,...,h；步骤1.5)：根据上述步骤1.4)得出的主元变量进行累计贡献率的计算，所述累计贡献率为各个主元变量在整个主元变量所占的比例，根据累计贡献...

【专利技术属性】
技术研发人员：吕游，杨婷婷，刘吉臻，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11