基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置制造方法及图纸

本发明专利技术提出基于最小二乘支持向量机燃烧模型的锅炉优化方法，包括步骤：获取初始训练样本集；获取LSSVM模型参数及第一特征矩阵；从训练样本集中获取与校验样本距离最近的样本，记为参考样本，将第一特征矩阵进行行列交换后得到第二特征矩阵；计算第二特征矩阵的逆；获取第二矩阵的分块参数；获取LSSVM模型的第三特征矩阵；计算第三特征矩阵的逆；获取校正后的LSSVM模型参数；将第三特征矩阵赋给第一特征矩阵，以及将第三特征矩阵的逆赋给第一特征矩阵的逆；利用校正后的LSSVM模型获取锅炉燃烧效率；根据校正后的燃烧模型进行燃烧优化控制。本发明专利技术还提出基于最小二乘支持向量机燃烧模型的锅炉优化装置，可以降低发电厂锅炉燃烧的优化难度，提高优化的实时性。

【技术实现步骤摘要】

本专利技术涉及发电机锅炉性能控制领域，特别是涉及基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置。
技术介绍
研究表明，锅炉具有很大的时变特性，随着时间的推移燃烧过程的学习模型将会出现较大误差，影响燃烧优化的性能。燃烧优化是提升电站锅炉效率、降低污染物排放的重要手段。然而，目前的燃烧优化已经实现了锅炉效率和NOx排放多目标优化，多采用各种学习算法建立锅炉效率和NOx排放模型，再建立燃烧多目标优化的问题，并较多采用遗传算法、粒子群算法等智能搜索算法进行优化，获得燃烧锅炉的操控变量，如，风机开度。由于锅炉具有时变特征，随着时间的推移以及锅炉运行工况变化，在线校正需要较长的计算时间，使得获得操控变量的过程复杂，发电站锅炉的性能调节实时性不高。(技术问题尽量不要写成是算法模型的缺陷，)
技术实现思路
本专利技术提出基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置，可以降低发电站锅炉燃烧优化难度，提高优化的实时性。采用的方案:基于最小二乘支持向量机燃烧模型的锅炉优化方法，包括步骤:S1、从历史运行数据获取训练样本集，所述训练样本集包括最小二乘支持向量机燃烧模型的输入量、实测输出量；S2、根据所述训练样本集，获取最小二乘支持向量机燃烧模型的第一特征矩阵及其逆矩阵；S3、从所述训练样本集中获取与校验样本最近的样本,记为参考样本,将所述第一特征矩阵的第i列与最后一列交换，以及将第i行与最后一行交换后得到第二特征矩阵H1 ；S4、根据公式H^1 = IH-1I计算所述第二特征矩阵的逆;其中，I为单位矩阵成1为第一特征矩阵的逆；S5、获取所述第二矩阵的分块参数；S6、将所述参考样本替换为所述校验样本，获取最小二乘支持向量机燃烧模型的第三特征矩阵；S7、根据所述分块参数及第二特征矩阵的逆矩阵计算第三特征矩阵的逆；S8、根据所述第三特征矩阵和所述第三特征矩阵的逆矩阵，获取校正后的最小二乘支持向量机燃烧模型参数；S9、将所述第三特征矩阵赋给所述第一特征矩阵 ，以及将所述第三特征矩阵的逆赋给所述第一特征矩阵的逆；S10、利用校正后的最小二乘支持向量机燃烧模型获取锅炉燃烧效率；S11、当所述锅炉燃烧效率大于预设值时，发出报警，并根据校正后的燃烧模型进行燃烧优化控制，返回步骤S3。以及，基于最小二乘支持向量机燃烧模型的锅炉优化装置，包括:第一获取单元，用于从运行数据中获取初始训练样本集；所述训练样本集包括最小二乘支持向量机燃烧模型的输入量、实测输出量；第二获取单元，用于根据所述训练样本集，获取最小二乘支持向量机燃烧模型的第一特征矩阵；第一矩阵交换单元，用于从训练样本集中获取与校验样本距离最近的样本，记为参考样本，将所述第一特征矩阵的第i列与最后一列交换，以及将第i行与最后一行交换后得到第二特征矩阵H1 ；第一计算单元，用于根据公式Hf1 = JW1J计算所述第二特征矩阵的逆;其中，I为单位矩阵出-1为第一特征矩阵的逆；第三获取单元，用于获取所述第二矩阵的分块参数；第四获取单元，用于将参考样本替换为校验样本，获取最小二乘支持向量机燃烧模型的第三特征矩阵；第二计算单元，用于根据所述分块参数计算第三特征矩阵的逆；第五获取单元，用于根据所述第三特征矩阵和所述第三特征矩阵的逆，获取校正后的最小二乘支持向量机燃烧模型参数；赋值单元，用于将所述第三特征矩阵赋给所述第一特征矩阵，以及将所述第三特征矩阵的逆赋给所述第一特征矩阵的逆；第三计算单元，利用校正后的最小二乘支持向量机燃烧模型预测锅炉燃烧效率；优化控制单元，用于当所述锅炉燃烧效率大于预设值时，发出报警，并根据校正后的燃烧模型进行锅炉的燃烧优化控制。本专利技术通过获取训练样本集对应的最小二乘支持向量机燃烧模型的第一特征矩阵，模型校正时将第一特征矩阵的第i行与最后一行交换，第i列与最后一列交换，然后进行矩阵分块处理得到第二特征矩阵，以便获得第二特征矩阵的分块参数；获取校验样本对应的最小二乘支持向量机燃烧模型的第三特征矩阵；根据得到的分块参数可得到第三特征矩阵的逆；根据所述第三特征矩阵和所述第三特征矩阵的逆，获取校正后的最小二乘支持向量机燃烧模型参数；完成最小二乘支持向量机燃烧模型的校验；整个在线校正过程只涉及乘法、加法等简单运算，无需计算维数较大的特征矩阵的逆运算，可以降低发电站锅炉燃烧的优化难度，提高优化的实时性。附图说明图1为本专利技术方法的一个实施例流程图；图2为本专利技术装置的一个结构示意图；图3为本专利技术装置的另一个结构示意图。具体实施方式请参参考图1，本专利技术提出的基于最小二乘支持向量机燃烧模型的锅炉优化方法，包括步骤:S1、从运行历史数据获取初始训练样本；从机组运行历史数据或现场试验数据抽取样本构成训练样本集，训练样本集包括最小二乘支持向量机燃烧模型的输入量、实测输出量。S2、根据训练样本，获得最小二乘支持向量机燃烧模型的第一特征矩阵及其逆矩阵；通过对训练样本集的学习，获取最小二乘支持向量机燃烧模型的第一特征矩阵H及其逆矩阵H—1 ；S3、从训练样本集中获取与校验样本最近的样本，记为参考样本；将第一特征矩阵的第i列与最后一列交互，以及将第i行与最后一行交换得到第二特征矩阵；将第一特征矩阵的第i列与最后一列交换，以及将第i行与最后一行交换后得到第二特征矩阵；模型校正时，从训练样本集中获取与校验样本最近的样本，记为参考样本。将第一特征矩阵的第i列与最后一列交换，以及将第i行与最后一行交换后得到第二特征矩阵H1 ；S4、根据第一特征矩阵计算第二特征矩阵的逆； —η一 I根据公式H: = IH~ I计算第二特征矩阵的逆;其中，I为单位矩阵成1为第一特征矩阵的逆；S5、获取第二矩阵的分块参数；获取第二矩阵的分块参数；S6、替换参考样本为校验样本，获得最小二乘 支持向量机燃烧模型的第三特征矩阵；S7、根据分块参数及第二特征矩阵计算第三特征矩阵的逆；S8、根据第三特征矩阵和第三特征矩阵的逆获取校正后的最小二乘支持向量机燃烧模型参数；S9、将第三特征矩阵赋给第一特征矩阵以及将第三特征矩阵的逆赋给第一特征矩阵的逆；S10、利用校正后的最小二乘支持向量机燃烧模型获取锅炉燃烧效率；S11、当所述锅炉燃烧效率大于预设值时，发出报警，并根据校正后的燃烧模型进行锅炉的燃烧优化控制，返回步骤S3。其中，利用燃烧模型获取燃烧效率，进而进行优化控制的过程是本领域技术人员习知的，因此本申请不做详细介绍。本专利技术通过获取训练样本对应的最小二乘支持向量机燃烧模型的第一特征矩阵，需要进行模型校正时将第一特征矩阵的第i行与最后一行交换，第i列与最后一列交换，然后进行矩阵分块处理得到第二特征矩阵，以便获得第二特征矩阵的分块参数；通过替换参考样本为校验样本获取校验样本对应的最小二乘支持向量机燃烧模型的第三特征矩阵；根据得到的分块参数可得到第三特征矩阵的逆；根据第三特征矩阵和第三特征矩阵的逆，获取校正后的最小二乘支持向量机燃烧模型参数；完成最小二乘支持向量机燃烧模型的校验；整个在线校正过程只涉及乘法、加法等简单运算，无需计算维数较大的特征矩阵的逆运算，可以降低发电站锅炉燃烧的优化难度，提高优化的实时性。电站锅炉燃烧模型是燃烧优化的基础。本专利技术针对采用支持向量机(SVM)建立的电站锅炉燃烧模型，提出模型的自适应在线校正方法。本专利技术的实施步骤本文档来自技高网...

【技术保护点】
基于最小二乘支持向量机燃烧模型在线校正及锅炉优化方法，其特征在于，包括步骤：S1、从历史运行数据获取训练样本集，所述训练样本集包括最小二乘支持向量机燃烧模型的输入量、实测输出量；S2、根据所述训练样本集，获取最小二乘支持向量机燃烧模型的第一特征矩阵及其逆矩阵；S3、从所述训练样本集中获取与校验样本最近的样本，记为参考样本，将所述第一特征矩阵的第i列与最后一列交换，以及将第i行与最后一行交换后得到第二特征矩阵H1；S4、根据公式计算所述第二特征矩阵的逆；其中，I为单位矩阵；H?1为第一特征矩阵的逆；S5、获取所述第二矩阵的分块参数；S6、将所述参考样本替换为所述校验样本，获取最小二乘支持向量机燃烧模型的第三特征矩阵；S7、根据所述分块参数及第二特征矩阵的逆矩阵计算第三特征矩阵的逆；S8、根据所述第三特征矩阵和所述第三特征矩阵的逆矩阵，获取校正后的最小二乘支持向量机燃烧模型参数；S9、将所述第三特征矩阵赋给所述第一特征矩阵，以及将所述第三特征矩阵的逆赋给所述第一特征矩阵的逆；S10、利用校正后的最小二乘支持向量机燃烧模型获取锅炉燃烧效率；S11、当所述锅炉燃烧效率大于预设值时，发出报警，并根据校正后的燃烧模型进行燃烧优化控制，返回步骤S3。FDA00002953035600012.jpg...

【技术特征摘要】
1.基于最小二乘支持向量机燃烧模型在线校正及锅炉优化方法，其特征在于，包括步骤: 51、从历史运行数据获取训练样本集，所述训练样本集包括最小二乘支持向量机燃烧模型的输入量、实测输出量； 52、根据所述训练样本集，获取最小二乘支持向量机燃烧模型的第一特征矩阵及其逆矩阵； 53、从所述训练样本集中获取与校验样本最近的样本，记为参考样本，将所述第一特征矩阵的第i列与最后一列交换，以及将第i行与最后一行交换后得到第二特征矩阵H1 ；54、根据公式Hf1= IH—1I计算所述第二特征矩阵的逆；其中，I为单位矩阵成1为第一特征矩阵的逆； 55、获取所述第二矩阵的分块参数； 56、将所述参考样本替换为所述校验样本，获取最小二乘支持向量机燃烧模型的第三特征矩阵； 57、根据所述分块参数及第二特征矩阵的逆矩阵计算第三特征矩阵的逆； 58、根据所述第三特征矩阵和所述第三特征矩阵的逆矩阵，获取校正后的最小二乘支持向量机燃烧模型参数； 59、将所述第三特征矩阵赋给所述第一特征矩阵，以及将所述第三特征矩阵的逆赋给所述第一特征矩阵的逆； 510、利用校正后的最小二乘支持向量机燃烧模型获取锅炉燃烧效率； 511、当所述锅炉燃烧效率大于预设值时，发出报警，并根据校正后的燃烧模型进行燃烧优化控制，返回步骤S3。2.根据权利要求1所述的基于最小二乘支持向量机燃烧模型的锅炉优化方法，其特征在于，所述步骤S5具体为: 将所述第二特征矩阵进行分块，得到3.根据权利要求1所述的基于最小二乘支持向量机燃烧模型的锅炉优化方法，其特征在于，所述步骤S7具体为: 根据公式:4.根据权利要求1所述的基于最小二乘支持向量机燃烧模型的锅炉优化方法，其特征在于，所述步骤S8具体为: 根据公式5.根据权利要求1至4任一项所述的基于最小二乘支持向量机燃烧模型的锅炉优化方法，其特征在于，包括: 根据校验样本输入向量，获得最小二乘支持向量机燃烧模型的理论输出量；将所述理论输出量与锅炉燃烧时的实测输出量进行比较，计算校验误差S ;当所述校验误差高于预定值时，才进行所述步骤SI。6.基于最小二乘支持向量机燃烧模型的锅炉优化装置，其特征在于，包括: 第一获取单元，用于从运行数据中获取初始训练样本集；所述训练样本...

【专利技术属性】
技术研发人员：罗嘉，陈世和，吴乐，张世荣，
申请(专利权)人：广东电网公司电力科学研究院，武汉大学，
类型：发明
国别省市：