基于PCA-SVM的火电厂燃煤低位热值软测量方法技术

本发明专利技术公开了一种用于火电机组燃煤低位热值的预测方法，该方法依赖现场测量仪表及火电机组DCS、厂级监控信息系统(SIS)和进行软件计算的计算机系统，该软件利用SIS中存储的DCS实时过程数据对燃煤低位热值进行软测量。具体步骤如下：确定与燃煤热值相关的辅助变量，利用主元分析方法(PCA)将多个辅助变量综合为几个互不相关的综合变量，将这几个主元综合变量作为低位热值支持向量机预测模型的输入变量，并利用遗传算法(GA)寻找合适的惩罚参数c和核函数参数g建立最佳预测模型。

【技术实现步骤摘要】

本专利技术涉及一种用于火电机组燃煤低位热值的预测方法。
技术介绍
在我国火电机组中，煤是锅炉燃烧的主要原料，煤炭成本占了总成本的80％，研究煤质因素对锅炉燃烧的影响至关重要。锅炉设计包括燃烧系统主要设备结构参数、选型、技术指标的设计等都离不开燃煤热值参数。我国煤炭资源丰富，不过各地煤质变化较大，且劣质煤居多，而且近年来电站锅炉的入炉煤热值普遍在下降，从而导致很多电站锅炉燃烧煤种普遍偏离设计煤种，相应的运行工况偏离设计工况，严重影响了机组运行的经济性和安全性，故有必要实时对燃煤热值进行检测监视，并根据入炉煤热值的实际情况对锅炉运行做出相应的调整。目前，电厂一般都采用实测法的方式借助氧弹仪测定燃煤热值，化验时间长，而且分析结果在时间和空间上离散性大，难以实时指导锅炉运行优化调整。经验公式法可以快速估算出燃煤热值，不过精度不够理想，同时现场需要安装很多测点，给工程应用带来不便。支持向量机作为一种预测工具，是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，其在解决小样本、非线性及高维模式识别中表现出许多特有的优势。基于支持向量机的软测量技术一方面能够充分利用电厂已有的数据平台，在较低的技术成本下，通过数据挖掘从大量的数据中自动搜索学习隐藏在数据中的特殊关系，从而一定程度上能够提高热值测量的实时性和精确性。本专利技术选取了多个与燃煤热值相关的辅助变量，同时利用遗传算法结合交叉验证思想优化支持向量机建模参数，建立基于支持向量机的燃煤低位热值的在线预测模型。
技术实现思路
专利技术目的：本专利技术的专利技术目的是针对现有技术的不足而公开了一种用于火电机组燃煤低位热值的预测方法，通过在电厂SIS的历史数据库中获取最近一段时间辅助变量的数据，经过误差处理归一化等初步预处理，经过主元分析找出最能反映原始数据的主元分析模型，然后将遗传算法优化的惩罚参数c和核函数参数g作为建模参数建立火电机组燃煤低位热值的支持向量机软测量模型。技术方案：为解决上述技术问题，本专利技术提供的一种用于火电机组燃煤低位热值的预测方法，包括以下步骤：(1)确定与燃煤热值相关的辅助变量以及主导变量：辅助变量有机组负荷、总煤量、总风量、一次风量、一次风压、给水流量、氧量、主蒸汽吸热量、再热蒸汽吸热量、排烟温度，主导变量即燃煤低位热值；(2)从SIS中的历史数据库中获取最近1小时内的锅炉负荷、总煤量、总风量、一次风量、一次风压、给水流量、氧量、排烟温度数据，并对数据进行误差处理，得到数据集合为：D＝(d1,d2,…,dp)；其中：p是上述辅助变量总个数；(3)从SIS中的历史数据库中获取最近1小时内的主蒸汽压力和温度，再热蒸汽进出口压力和温度以及给水压力和温度数据，并对数据进行误差处理，然后计算得出相应的主蒸汽焓、再热蒸汽进出口焓和锅炉给水焓，得出相应的蒸汽吸热量和再热蒸汽吸热量；蒸汽吸热量、再热蒸汽吸热量计算公式如下：q1＝hgq-hgs；q2＝hzr2-hzr1；其中：q1为主蒸汽吸热量，kJ/kg；hgq为主蒸汽焓值，kJ/kg；hgs为给水焓值；q2为再热蒸汽吸热量，kJ/kg；hzr1、hzr2分别为再热蒸汽进出口焓值，kJ/kg。(4)结合(2)和(3)得出所有辅助变量的数据集合为：X＝(D,q1,q2)＝(d1,d2,…,dp,q1,q2)；为了避免变量不同量纲的影响，对上述数据集合进行归一化处理，得到标准化后的数据集合：X’＝(D’,q’1,q’2)＝(d’1,d’2,…,d’p,q’1,q’2)。(5)通过主元分析方法(PCA)找出最能表征原始数据X的主元分析模型Y，并将Y作为训练集；(6)采用遗传算法对训练集数据进行训练，寻找支持向量机模型最优的惩罚参数c和核函数参数g；(7)采用步骤(6)获得的最优参数以及数据集Y和低位热值数据，采用支持向量机法建立燃煤低位热值的软测量模型；(8)在线实时获取各辅助变量数据，对数据进行误差处理，利用上述建立的PCA-SVM模型，得到燃煤低位热值。进一步地，步骤(2)(3)中的数据集合中的采集时间间隔为30s。进一步地，步骤(2)(3)中所述的误差处理包括粗大误差和随机误差的处理。粗大误差的处理按照拉依达准则，其数学方法表述如下：设样本采集数据为y1,y2,…,yn，然后由Bessel公式计算出标准偏差σ，如下式。 σ = ( Σ i = 1 n v i 2 / n - 1 ) 1 / 2 = { [ Σ i = 1 n y i 2 - ( Σ i = 1 n y i 2 ) / n ] / ( n - 1 )本文档来自技高网...

【技术保护点】
一种用于火电机组燃煤低位热值的预测方法，其特征在于，包括以下步骤：(1)确定与燃煤热值相关的辅助变量以及主导变量：辅助变量有机组负荷、总煤量、总风量、一次风量、一次风压、给水流量、氧量、主蒸汽吸热量、再热蒸汽吸热量、排烟温度，主导变量即燃煤低位热值；(2)从SIS中的历史数据库中获取最近1小时内的锅炉负荷、总煤量、总风量、一次风量、一次风压、给水流量、氧量、排烟温度数据，并对数据进行误差处理，得到数据集合为：D＝(d1,d2,…,dp)；其中：p是上述辅助变量总个数；(3)从SIS中的历史数据库中获取最近1小时内的主蒸汽压力和温度，再热蒸汽进出口压力和温度以及给水压力和温度数据，并对数据进行误差处理，然后计算得出相应的主蒸汽焓、再热蒸汽进出口焓和锅炉给水焓，得出相应的蒸汽吸热量和再热蒸汽吸热量；蒸汽吸热量、再热蒸汽吸热量计算公式如下：q1＝hgq‑hgs；q2＝hzr2‑hzr1；其中：q1为主蒸汽吸热量，kJ/kg；hgq为主蒸汽焓值，kJ/kg；hgs为给水焓值；q2为再热蒸汽吸热量，kJ/kg；hzr1、hzr2分别为再热蒸汽进出口焓值，kJ/kg。(4)结合(2)和(3)得出所有辅助变量的数据集合为：X＝(D,q1,q2)＝(d1,d2,…,dp,q1,q2)；为了避免变量不同量纲的影响，对上述数据集合进行归一化处理，得到标准化后的数据集合：X’＝(D’,q’1,q’2)＝(d’1,d’2,…,d’p,q’1,q’2)。(5)通过主元分析方法(PCA)找出最能表征原始数据X的主元分析模型Y，并将Y作为训练集；(6)采用遗传算法对训练集数据进行训练，寻找支持向量机模型最优的惩罚参数c和核函数参数g；(7)采用步骤(6)获得的最优参数以及数据集Y和低位热值数据，采用支持向量机法建立燃煤低位热值的软测量模型；(8)在线实时获取各辅助变量数据，对数据进行误差处理，利用上述建立的PCA‑SVM模型，得到燃煤低位热值。...

【技术特征摘要】
1.一种用于火电机组燃煤低位热值的预测方法，其特征在于，包括以下步骤：(1)确定与燃煤热值相关的辅助变量以及主导变量：辅助变量有机组负荷、总煤量、总风量、一次风量、一次风压、给水流量、氧量、主蒸汽吸热量、再热蒸汽吸热量、排烟温度，主导变量即燃煤低位热值；(2)从SIS中的历史数据库中获取最近1小时内的锅炉负荷、总煤量、总风量、一次风量、一次风压、给水流量、氧量、排烟温度数据，并对数据进行误差处理，得到数据集合为：D＝(d1,d2,…,dp)；其中：p是上述辅助变量总个数；(3)从SIS中的历史数据库中获取最近1小时内的主蒸汽压力和温度，再热蒸汽进出口压力和温度以及给水压力和温度数据，并对数据进行误差处理，然后计算得出相应的主蒸汽焓、再热蒸汽进出口焓和锅炉给水焓，得出相应的蒸汽吸热量和再热蒸汽吸热量；蒸汽吸热量、再热蒸汽吸热量计算公式如下：q1＝hgq-hgs；q2＝hzr2-hzr1；其中：q1为主蒸汽吸热量，kJ/kg；hgq为主蒸汽焓值，kJ/kg；hgs为给水焓值；q2为再热蒸汽吸热量，kJ/kg；hzr1、hzr2分别为再热蒸汽进出口焓值，kJ/kg。(4)结合(2)和(3)得出所有辅助变量的数据集合为：X＝(D,q1,q2)＝(d1,d2,…,dp,q1,q2)；为了避免变量不同量纲的影响，对上述数据集合进行归一化处理，得到标准化后的数据集合：X’＝(D’,q’1,q’2)＝(d’1,d’2,…,d’p,q’1,q’2)。(5)通过主元分析方法(PCA)找出最能表征原始数据X的主元分析模型Y，并将Y作为训练集；(6)采用遗传算法对训练集数据进行训练，寻找支持向量机模型最优的惩罚参数c
\t和核函数参数g；(7)采用步骤(6)获得的最优参数以及数据集Y和低位热值数据，采用支持向量机法建立燃煤低位热值的软测量模型；(8)在线实时获取各辅助变量数据，对数据进行误差处理，利用上述建立的PCA-SVM模型，得到燃煤低位热值。2.如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤(2)(3)中的数据集合中的采集时间间隔为30s。3.如权利要求1所述的一种用于火电机组燃煤低...

【专利技术属性】
技术研发人员：司风琪，莫浩浩，周建新，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32