飞灰含碳量预测方法、装置和电子设备制造方法及图纸

本发明专利技术实施例公开了飞灰含碳量预测方法、装置和电子设备，该方法包括：根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对历史数据进行数据清洗和归一化处理；对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；根据训练样本、预设的核函数和预设的支持向量机的超参数得到支持向量机回归模型；根据进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据记忆矩阵生成非线性状态估计模型；获取分散控制系统的辅助变量测量值，将分散控制系统的辅助变量测量值依次通过支持向量机预测模型和非线性状态估计模型得到飞灰含碳量预测值。本发明专利技术的飞灰含碳量预测准确性高，健壮性强。

【技术实现步骤摘要】
飞灰含碳量预测方法、装置和电子设备
本专利技术实施例涉及锅炉
，具体涉及飞灰含碳量预测方法、装置和电子设备。
技术介绍
锅炉氧量是燃煤电站锅炉重要的运行调节参数，只有较低的氧量才能保证氮氧化物(NOx)排放达到环保要求，但是同时也导致锅炉飞灰含碳量偏高。飞灰含碳是煤粉燃烧后形成的飞灰(即粉尘)里面未燃烧的碳，飞灰含碳量越高，锅炉效率越低。为了保证NOx排放达标，应适当提高氧量以降低飞灰含碳量。飞灰含碳量的在线测量仪表不但价格昂贵，而且往往在运行一段时间后就失效了，通过离线化验手段测量飞灰含碳量，但一天只做两到三次。飞灰含碳量的测量现状远远不能满足锅炉调节和优化的需要，通过软测量技术在线预测飞灰含碳量一直是热工参数软测量领域的研究热点。电厂一般每四年一次大修，大修前后设备性能变化很大，通常最多取两年内的飞灰含碳量数据建模，样本数量很少。目前，主要使用各种机器学习模型预测飞灰含碳量。普通多元线性回归模型的经典解法是简单最小二乘法，目标函数中只有损失函数项——均方误差(meansquarederror，MSE)，没有正则本文档来自技高网...

【技术保护点】
1.一种飞灰含碳量预测方法，其特征在于，包括：/n根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对所述历史数据进行数据清洗和归一化处理；/n对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；/n根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；/n根据所述进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；/n获取分散控制系统的辅助变量测量值，将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值...

【技术特征摘要】
1.一种飞灰含碳量预测方法，其特征在于，包括：
根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对所述历史数据进行数据清洗和归一化处理；
对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；
根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；
根据所述进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；
获取分散控制系统的辅助变量测量值，将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值。


2.根据权利要求1所述的飞灰含碳量预测方法，其特征在于，对进行数据清洗和归一化处理后的历史数据进行降维，包括：
对进行数据清洗和归一化处理后的历史数据依次通过主元分析和灰色关联度分析进行降维。


3.根据权利要求1所述的飞灰含碳量预测方法，其特征在于，根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机预测模型，包括：
设支持向量机的训练集其中，是欧几里得线性空间，n为训练样本的数量，P为辅助变量的数量；
对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量其中τ表示向量的转置；
把辅助变量向量由所在的线性空间投射到一个高维空间的向量每个映射为向量在高维空间y用z线性表出：



其中，为权值向量，是与同维的列向量；b表示阈值的标量；＜，＞表示内积运算，
提供所述预设的核函数：k(xi，xj)＝Φ(xi)τΦ(xj)，记为kij，k(xi，xj)采用高斯核函数：



其中，σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离；
支持向量机回归SVR的目标函数为：



其中，是p维列向量，和为非负的松弛变量，表示yi大于表示yi小于


4.根据权利要求1所述的飞灰含碳量预测方法，其特征在于，根据所述进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型，包括：
根据所述进行数据清洗和归一化处理后的历史数据生成飞灰含碳量在内m个相互关联的变量的构成的状态分量，把某一历史时刻j观测到的这m个状态分量称为样本m：



其中，xi(j)是标量，i＝1，2...，p，是列向量；
根据历史样本得到记忆矩阵D：



其中，记忆矩阵D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量；
新样本记作通过记忆矩阵D构造新样本的估计值
对每一个样本，通过最小化残差来求最佳权值权值
将点乘Dτ·D和都改成欧式距离，权值向量的计算公式变成：



估计向量





5.一种飞灰含碳量预测装置，其特征在于，包括：
获取模块，用于根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并获取分散控制系统的辅助变量测...

【专利技术属性】
技术研发人员：陈强峰，吕安斌，虞仕杰，陈章伟，蒋赢凯，陈言，张斌，孙银银，齐永，
申请(专利权)人：浙江浙能北仑发电有限公司，上海长庚信息技术股份有限公司，
类型：发明
国别省市：浙江;33