基于最小二乘支持向量機(jī)及在線更新的電站鍋爐煙氣軟測(cè)量方法
【專利摘要】本發(fā)明提供一種基于最小二乘支持向量機(jī)及在線更新的電站鍋爐煙氣軟測(cè)量方法，屬于熱工技術(shù)和人工智能交叉【技術(shù)領(lǐng)域】。該方法選擇電站鍋爐有關(guān)運(yùn)行和狀態(tài)參數(shù)作為模型的輸入，要預(yù)測(cè)的煙氣成分含量作為模型的輸出，選取歷史運(yùn)行數(shù)據(jù)作為初始訓(xùn)練樣本，利用最小二乘支持向量機(jī)方法建立煙氣排放的初始模型。另外，基于對(duì)煙氣排放時(shí)變特性的分析，提出了基于樣本替換和樣本追加的更新策略，并采用刪減樣本和增加樣本兩種模式以增量的形式來(lái)實(shí)現(xiàn)參數(shù)的求解和模型的更新。本發(fā)明提出的最小二乘支持向量機(jī)及在線更新軟測(cè)量方法隨著過(guò)程特性的變化自適應(yīng)地改進(jìn)模型性能，能夠?qū)崿F(xiàn)對(duì)煙氣排放的精確預(yù)測(cè)，對(duì)電站鍋爐的安全和優(yōu)化運(yùn)行有重要的意義。
【專利說(shuō)明】基于最小二乘支持向量機(jī)及在線更新的電站鍋爐煙氣軟測(cè)量方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于最小二乘支持向量機(jī)(least squares support vectormachine，LSSVM)及在線更新的電站鍋爐煙氣軟測(cè)量方法，屬于熱工技術(shù)和人工智能交叉【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]為了保證電站鍋爐的安全和優(yōu)化運(yùn)行，常常需要獲取鍋爐尾部煙氣中飛灰含碳量和NOx排放等參數(shù)的相關(guān)信息。目前，這些參數(shù)常利用飛灰測(cè)碳儀和煙氣連續(xù)監(jiān)測(cè)系統(tǒng)(continuous emission monitoring system,CEMS)等硬件傳感器來(lái)測(cè)量,但是這些儀器的安裝和維護(hù)成本較高，而且由于工作在惡劣的電磁環(huán)境中，經(jīng)常需要離線維修。因此，采用其他易測(cè)的鍋爐運(yùn)行和狀態(tài)參數(shù)通過(guò)一定的數(shù)學(xué)關(guān)系模型來(lái)對(duì)煙氣成分含量進(jìn)行預(yù)測(cè)，具有重要的工程意義。由于燃燒過(guò)程的復(fù)雜性和不確定性，建立準(zhǔn)確的機(jī)理模型往往是非常困難的。近年來(lái)，電站的信息化使過(guò)程運(yùn)行數(shù)據(jù)的獲取越來(lái)越容易，而且神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等人工智能的發(fā)展為基于數(shù)據(jù)的軟測(cè)量技術(shù)提供了有效的工具。其中，最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，與神經(jīng)網(wǎng)絡(luò)相比具有更好的泛化能力。而且，LSSVM利用等式約束代替不等式約束，將學(xué)習(xí)問(wèn)題轉(zhuǎn)化為求解線性方程組，減少了算法的復(fù)雜度。
[0003]在利用LSSVM等方法構(gòu)建煙氣軟測(cè)量模型時(shí)，初始樣本的篩選非常重要，在從歷史運(yùn)行數(shù)據(jù)庫(kù)中選取初始訓(xùn)練樣本時(shí)應(yīng)盡可能地使其覆蓋全工況。然而事實(shí)上，數(shù)據(jù)庫(kù)中存儲(chǔ)的大都是正常的運(yùn)行工況，并沒(méi)有人為主動(dòng)地調(diào)節(jié)和設(shè)定各個(gè)熱工參數(shù)，因此很難保證所選的樣本能覆蓋所有工況范圍。在模型建立后，運(yùn)行過(guò)程中操作指令和調(diào)節(jié)參數(shù)的改變可能會(huì)帶來(lái)新的工況，而模型將無(wú)法對(duì)煙氣成分含量進(jìn)行精確預(yù)測(cè)。另一方面，在運(yùn)行過(guò)程中，煤質(zhì)的變化以及設(shè)備的磨損和維修也會(huì)引起煙氣排放特性的變遷，建立的初始模型在運(yùn)行一段時(shí)間后預(yù)測(cè)精度會(huì)逐漸下降，若重新構(gòu)建模型會(huì)帶來(lái)繁重的計(jì)算負(fù)擔(dān)，而且也會(huì)摒棄原模型中存在的有用信息。因此，利用模型更新來(lái)改善其性能，對(duì)實(shí)現(xiàn)煙氣成分含量的精確測(cè)量有著重要的意義。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于克服現(xiàn)有煙氣排放的時(shí)變特性，提出了一種基于LSSVM及在線更新的電站鍋爐煙氣軟測(cè)量方法。
[0005]一般而言，熱工過(guò)程中煙氣排放特性的變化主要由兩方面的因素引起:(1)在運(yùn)行過(guò)程中入爐煤質(zhì)的變化以及設(shè)備的磨損和維修等因素，導(dǎo)致過(guò)程特性發(fā)生變化；這種特性的變化是不可逆的，也即特性變化后不會(huì)再回到先前的運(yùn)行狀態(tài)。(2)由于生產(chǎn)操作指令以及調(diào)節(jié)參數(shù)的改變從而出現(xiàn)一些新的工況狀態(tài)；這種特性變化是可逆的，因?yàn)殡S著調(diào)節(jié)參數(shù)的繼續(xù)變化，過(guò)程有可能從現(xiàn)狀態(tài)切換到先前歷史工況中已有的狀態(tài)。針對(duì)這兩種特性變化，對(duì)應(yīng)的模型更新方法也有所不同。對(duì)于第一種特性變化，需要?jiǎng)h除舊樣本信息。這是因?yàn)榕f樣本是對(duì)先前運(yùn)行過(guò)程的描述，而運(yùn)行過(guò)程已發(fā)生了不可逆變化，這些樣本便沒(méi)有任何價(jià)值，需要用新的樣本來(lái)替代，對(duì)這種變化的更新應(yīng)該以樣本替換的形式來(lái)實(shí)現(xiàn)。而第二種變化則是過(guò)程正常運(yùn)行狀態(tài)的改變和切換，因此需要將新樣本信息融入到舊樣本中，以此來(lái)拓展模型的工作范圍，對(duì)這種變化的更新應(yīng)該以樣本追加的形式來(lái)實(shí)現(xiàn)。
[0006]因此，本發(fā)明提出通過(guò)LSSVM構(gòu)建初始煙氣排放模型，然后利用樣本追加和樣本替換來(lái)實(shí)現(xiàn)模型的增量更新。該方法預(yù)測(cè)精度高、成本低、計(jì)算速度快，有利于應(yīng)用于工程實(shí)踐之中。
[0007]基于LSSVM及在線更新的電站鍋爐煙氣軟測(cè)量方法，該方法步驟為:
[0008]步驟1:收集初始訓(xùn)練樣本來(lái)構(gòu)建LSSVM模型，其中:通過(guò)傳感器測(cè)量發(fā)電機(jī)功率、各磨煤機(jī)給煤量、各磨煤機(jī)入口一次風(fēng)量、各層二次風(fēng)和燃盡風(fēng)風(fēng)門開(kāi)度信號(hào)，并將測(cè)量值存入DCS歷史數(shù)據(jù)庫(kù)中；選擇上述測(cè)量值作為軟測(cè)量模型的輸入變量，要預(yù)測(cè)的煙氣成分含量作為模型的輸出變量，從歷史運(yùn)行數(shù)據(jù)庫(kù)中選取覆蓋范圍大且具有代表性的若干段工況作為初始訓(xùn)練樣本，記為，其中Xi e Rp表示第i組輸入樣本，對(duì)應(yīng)于測(cè)量的發(fā)電機(jī)功率、各磨煤機(jī)給煤量、各磨煤機(jī)入口一次風(fēng)量、各層二次風(fēng)和燃盡風(fēng)風(fēng)門開(kāi)度，Yi e R為第i組輸出樣本，對(duì)應(yīng)于煙氣成分的含量，P為輸入變量個(gè)數(shù)，η為樣本數(shù)量，并構(gòu)建LSSVM模型；
[0009]LSSVM模型可描述為以下優(yōu)化問(wèn)題:
【權(quán)利要求】
1.一種基于LSSVM及在線更新的電站鍋爐煙氣軟測(cè)量方法，其特征在于，所述方法采用LSSVM構(gòu)建初始煙氣排放模型，然后利用樣本追加和樣本替換來(lái)實(shí)現(xiàn)模型的增量更新，能夠?qū)﹀仩t煙氣各成分進(jìn)行精確地預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法包括以下步驟: 步驟1:收集初始訓(xùn)練樣本來(lái)構(gòu)建LSSVM模型； 步驟2:利用此模型對(duì)煙氣成分含量進(jìn)行預(yù)測(cè)； 步驟3:當(dāng)實(shí)際的煙氣成分含量的傳感器測(cè)量值y,采集到后，計(jì)算樣本(Xt^yq)的預(yù)測(cè)誤差Er ； 步驟4:判斷預(yù)測(cè)誤差:若Er〉Λ，Λ為誤差閾值，則執(zhí)行步驟5，否則執(zhí)行步驟9 ； 步驟5:從歷史運(yùn)行數(shù)據(jù)中選取距新采樣樣本(XqJq)最近的樣本點(diǎn)(xk，yk)，其中
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟I具體是:通過(guò)傳感器測(cè)量發(fā)電機(jī)功率、各磨煤機(jī)給煤量、各磨煤機(jī)入口一次風(fēng)量、各層二次風(fēng)和燃盡風(fēng)風(fēng)門開(kāi)度信號(hào)，并將測(cè)量值存入DCS歷史數(shù)據(jù)庫(kù)中；選擇上述測(cè)量值作為軟測(cè)量模型的輸入變量，要預(yù)測(cè)的煙氣成分含量作為模型的輸出變量，從歷史運(yùn)行數(shù)據(jù)庫(kù)中選取覆蓋范圍大且具有代表性的若干段工況作為初始訓(xùn)練樣本，記為
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟2具體是:將傳感器新測(cè)得的發(fā)電機(jī)功率、各磨煤機(jī)給煤量、各磨煤機(jī)入口一次風(fēng)量、各層二次風(fēng)和燃盡風(fēng)風(fēng)門開(kāi)度數(shù)據(jù)作為輸入變量V代入初始的煙氣含量的軟測(cè)量LSSVM模型公式:
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟3中預(yù)測(cè)誤差Er的計(jì)算如下:
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟6中具體的判斷準(zhǔn)則是: (i)若II Xk-Xq I I 2> δ I，則對(duì)模型實(shí)施樣本追加更新，即直接將新采樣樣本(Xq，yq)加入到先前的歷史數(shù)據(jù)庫(kù)中； (ii)若IIxk-XtJ 2^ δ 1;則對(duì)模型實(shí)施樣本替換更新,即用新采樣樣本(Xt^yq)來(lái)替換先前歷史數(shù)據(jù)庫(kù)中滿足條件I IXk-XtlI I2^ δ2的相似樣本； 其中S !由歷史訓(xùn)練數(shù)據(jù)樣本之間的平均距離決定，δ 2設(shè)為0.5 δ i。
7.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟7根據(jù)確定的更新類型，對(duì)步驟I獲得的初始LSSVM模型進(jìn)行增量更新，即對(duì)特征矩陣H—1的計(jì)算更新，將更新策略分解為樣本增加和樣本刪減兩種模式:若實(shí)施樣本追加更新，則直接進(jìn)行樣本增加；若實(shí)施樣本替換更新，即先進(jìn)行樣本刪減，然后`再進(jìn)行樣本增加。
【文檔編號(hào)】G05B13/00GK103728879SQ201410024169
【公開(kāi)日】2014年4月16日 申請(qǐng)日期:2014年1月20日 優(yōu)先權(quán)日:2014年1月20日
【發(fā)明者】呂游, 楊婷婷, 劉吉臻 申請(qǐng)人:華北電力大學(xué)