基于在线支持向量机的锅炉燃烧系统动态建模方法技术方案

本发明专利技术公开了一种基于在线支持向量机的锅炉燃烧系统动态建模方法，首先以NOx排放量和锅炉效率值作为模型输出，同时把入炉总煤量、总空气量、辅助风、烟气含氧量等影响锅炉排放及效率的主要影响因素作为模型输入，然后在动态建模过程中考虑输入、输出变量的阶次，以便反映对象的动态变化特性；通过改进的在线自适应最小二乘支持向量机算法(FVS‑ALS)建立锅炉燃烧系统的动态模型。本发明专利技术所建模型与传统稳态模型相比，具有更高的预测精度，同时具备在线校正功能，并且能够适应负荷、煤质和设备特性变化引起的燃烧系统控制特性的变化，对及时、准确地监控锅炉燃烧系统的运行状态，并据此进行运行优化具有重要价值。

【技术实现步骤摘要】
基于在线支持向量机的锅炉燃烧系统动态建模方法
本专利技术涉及一种基于在线支持向量机的锅炉燃烧系统动态建模方法，属于热工自动控制领域。
技术介绍
目前锅炉燃烧优化主要采用基于数据的非线性建模与智能优化算法相结合的方法，先建立锅炉燃烧特性模型，然后以锅炉效率和排放最优为性能指标，对运行参数进行优化。但是这类方法本质上都是基于稳态模型进行的，无法对动态变负荷过程中的燃烧系统进行优化控制，且当模型发生变化时，缺乏对模型参数进行在线校正的功能，难以消除建模误差对优化结果的影响，在实际应用时会产生诸多困难。因此，建立一个具有在线自适应功能的动态模型，对实现燃烧过程动态优化至关重要。在线支持向量机算法的计算时间开销与支持向量数目密切相关，由于最小二乘支持向量机不具有稀疏性，随机选取训练集将导致训练集中存在冗余的支持向量，不能全面反映建模对象的特性，一方面增加了计算复杂度，提高了算法在线计算的硬件需求，另一方面降低了利用了一定规模训练集建立模型的精度。对训练集进行离线筛选以去除多余的支持向量，从而达到简化模型结构，减小在线计算量的目的是十分必要的。传统在线支持向量机算法仅通过支持向量的替换来实现在线更新。锅炉燃烧系统在负荷、煤质和设备特性变化时，其控制特性也会发生改变，基于支持向量替换的在线更新策略对特性变化的适应性差，可能引起建模精度降低，进而导致控制效果差。在替换策略的基础上，增加支持向量的新增和删除策略，提高所建模型适应对象特性变化的能力，对于进一步应用锅炉燃烧系统模型具有重要意义。
技术实现思路
专利技术目的：针对上述现有建模方法中存在的问题和不足，本专利技术提供了一种基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，首先选取锅炉燃烧系统的关键输入、输出，在建模过程中考虑输入、输出变量的阶次，反映锅炉燃烧系统的动态特性；采用FVS-ALS，先进行离线的支持向量筛选，简化模型结构，降低算法开销，使得模型在线计算的速度更快；再采用替换、新增、删除三种支持向量的在线更新策略，使得算法能够更好地适应对象特性的变化，针对不同的模型输出分别建立锅炉燃烧系统“多输入—单输出”动态模型。技术方案：为实现上述专利技术目的，本专利技术采用以下技术方案：首先选取锅炉燃烧系统的关键参数作为模型输入和模型输出参数；然后在建模过程中考虑输入、输出变量的阶次，反映对象的动态特性；通过采用FVS-ALS，先进行离线的支持向量筛选，再采用替换、新增、删除三种支持向量的在线更新策略，针对不同的模型输出分别建立锅炉燃烧系统的“多输入-单输出”动态模型。进一步地，所述模型输入包括入炉总煤量、总空气量、辅助风和含氧量等作为影响锅炉排放及效率的主要影响因素，采用Nsc个二次风门开度值Use表示Nsc层二次风的影响；采用Npa个一次风门开度值Upa表示Npa层一次风的影响；Nsofa个燃尽风开度Usofa表示Nsofa层燃尽风的影响。进一步地，在建模过程中考虑输入、输出变量的阶次，npa和nse表示一、二次风门的阶次值，nsofa表示燃尽风门的阶次值，nNOx表示NOx排放的阶次，表示锅炉效率的阶次值。进一步地，所述模型输出包括NOx排放量yNOx和锅炉效率值进一步地，本专利技术所述FVS-ALS，为结合在线稀疏支持向量机回归算法和ALS-SVM算法的特点而提出的，该算法第一步进行离线的支持向量筛选，从而减少所需的建模样本数，并确保支持向量的稀疏性，使得模型在线运行和更新的速度更快；然后，采用替换、新增、删除三种支持向量的在线更新策略，使得算法能够更好地适应对象特性的变化。进一步地，所述改进支持向量的离线筛选通过判断归一化的欧氏距离大小是否大于阈值判断新的训练样本是否可作为新的支持向量，以得到精简的支持向量集。进一步地，本专利技术所述改进的在线自适应最小二乘支持向量机算法，分为离线计算步骤和在线计算步骤，具体如下：1)离线计算步骤步骤A：根据动态模型的输入输出结构，组织样本数据；步骤B：利用式对支持向量进行筛选，具体公式如下：其中A＝[a1,a2,…am]T，Φ(xnew)为任意新加训练样本xnew对应的高维特征向量，是原特征空间中最接近Φ(xnew)的特征向量，ΦS＝[Φ(xs1),Φ(xs2),…Φ(xsm)]为能将(Φ(x1),Φ(x2),…,Φ(xl))中任意向量线性表式的训练集子集，(Φ(x1),Φ(x2),…,Φ(xl))为用非线性映射Φ(x)将l个样本(x1,x2,…xl)映射到高维特征空间所对应的映射向量；设定阈值ρ，若则将该样本加入训练集中，否则说明该样本的线性关系在训练集中已存在，故不予考虑；步骤C：利用筛选后样本和式，计算锅炉燃烧动态模型离线参数。公式(2)中α＝[α1,α2,…,αl]T为支持向量，b为偏置，y＝[y1,y2,…,yl]T为训练集样本输出，H如下式所示上述公式(3)中K(xi,xj)＝<Φ(xi),Φ(xj)>为核函数，c为正规化参数。2)在线计算步骤步骤1：计算模型预测值和实际值之间误差err。步骤2：判断误差是否超过容许的最大误差ERR，如果误差小于最大误差，则动态模型不需要更新，模型参数保持不变，并跳转到步骤1；如果误差大于等于最大误差，则需要对动态模型进行校正，因此跳转到步骤3。步骤3：若其中maxD为用于判断两个向量是否相似的阈值，则认为新样本不构成新支持向量，进而需要按照传统在线支持向量机的替换策略，对代表相同、相近支持向量的样本进行替换。首先按下式寻找要替换的样本编号上述公式(4)中i为原来样本空间中与当前新样本{xnew,ynew}距离最近的样本点。然后跳转到步骤4；否则，即则认为新样本构成新的支持向量，因此把它加入到训练样本集，并跳转到步骤5。步骤4：利用公式(5)的样本替换策略对模型参数进行更新，并跳转到步骤1。其中α*，b*为更新后的决策函数系数，y*＝[y1,…,yi-1,yl,yi+1,…yl-1,ynew]T为更新后的训练集样本输出，如下式所示：公式(6)中rnew＝knew-gnewTG-1gnew，gnew如下式所示：其中h11、h12、h21、h22为分块矩阵的4块，即式中H1由矩阵H中的第i个样本对应的行、列与最后一行、最后一列进行互换得到，如下式所示：上述公式(8)中，和分别表示单位矩阵i、l行互换和i、l列互换，且有步骤5：判断训练集样本总数Ns大小，若Ns<最大样本数N，则跳转到步骤6，否则，跳转到步骤7。步骤6：若在原有样本集中没有找到与新的样本相近似的样本时，利用下式所示的支持向量新增策略对模型参数进行更新，并跳转到步骤1。其中和b*为更新后的决策函数系数，y*＝[y1,…,yl,ynew]T为更新后的训练集样本输出，如下式所示。步骤7：由于采用支持向量新增策略，支持向量将随着时间不断增多，从而导致模型的复杂化和存储空间的消耗，影响模型的在线更新速度，所以在样本达到最大样本数设置值时，调用如下式所示的支持向量删除策略。先把新样本加入训练集，计算再利用找到历史数据中最为相似的两个样本，按照时间先后顺序，将旧样本予以剔除，确保样本总数不变，同时重新调整模型参数，并跳转到步骤1。其中和b*为更新后的决策函数系数，y*为更新后的训练集样本输出，矩阵式本文档来自技高网...

【技术保护点】
基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，其特征在于：首先选取锅炉燃烧系统的关键参数作为模型输入和模型输出参数；然后在建模过程中考虑输入、输出变量的阶次，反映对象的动态特性；通过采用FVS‑ALS，先进行离线的支持向量筛选，再采用替换、新增、删除三种支持向量的在线更新策略，针对不同的模型输出分别建立锅炉燃烧系统的“多输入‑单输出”动态模型。

【技术特征摘要】
1.基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，其特征在于：首先选取锅炉燃烧系统的关键参数作为模型输入和模型输出参数；然后在建模过程中考虑输入、输出变量的阶次，反映对象的动态特性；通过采用FVS-ALS，先进行离线的支持向量筛选，再采用替换、新增、删除三种支持向量的在线更新策略，针对不同的模型输出分别建立锅炉燃烧系统的“多输入-单输出”动态模型。2.根据权利要求1所述的基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，其特征在于：所述模型输入包括入炉总煤量、总空气量、辅助风和含氧量，作为影响锅炉排放及效率的主要影响因素。3.根据权利要求2所述的基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，其特征在于：采用Nsc个二次风门开度值Use表示Nsc层二次风的影响；采用Npa个一次风门开度值Upa表示Npa层一次风的影响；Nsofa个燃尽风开度Usofa表示Nsofa层燃尽风的影响。4.根据权利要求1所述的基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，其特征在于：所述模型输出包括NOx排放量yNOx和锅炉效率值yηboiler。5.根据权利要求1所述的基于在线支持向量机改进算法的锅炉燃烧系统动态建模方法，其特征在于：所述FVS-ALS为结合在线稀疏支持向量机回归算法和在线自适应最小二乘支持向量机(ALS-SVM)算法的特点提出的改进算法，包括改进支持向量的离线筛选和改进在线更新算法；该算法第一步进行离线的支持向量筛选，从而减少所需的建模样本数，并确保支持向量的稀疏性，使得模型在线运行和更新的速度更快；然...

【专利技术属性】
技术研发人员：周慎学，沈奇，夏克晁，王焕明，潘天尧，李益国，
申请(专利权)人：浙江浙能台州第二发电有限责任公司，东南大学，
类型：发明
国别省市：浙江,33