[發明專利]一種超超臨界機組鍋爐分離器出口溫度在線校準的方法

有效

• 申請號: 201210435150.6
• 申請日: 2012-11-02
• 公開（公告）號: CN102967393A
• 公開（公告）日: 2013-03-13
• 發明（設計）人: 宋景慧;付忠廣;闞偉民;靳濤;齊敏芳
• 申請（專利權）人: 廣東電網公司電力科學研究院;華北電力大學
• 主分類號: G01K15/00
• 分類號: G01K15/00
• 代理公司: 廣州知友專利商標代理有限公司 44104
• 代理人: 周克佑

1.一種超超臨界機組鍋爐分離器出口溫度在線校準的方法，包括以下步驟：

S1確定鍋爐分離器出口溫度在線測量模型的初選輔助變量和主導變量：

初選輔助變量：負荷、分離器儲水箱出口蒸汽壓力、鍋爐給水流量、主給水溫度、省煤器出口給水溫度、總給煤量、一級過熱器減溫器噴水量、省煤器出口排煙含氧量、鍋爐總風量、過熱器煙道調溫擋板閥位和再熱器煙道調溫擋板閥位；

主導變量：超超臨界機組鍋爐分離器出口溫度；

S2數據采集及預處理：

S2-1）根據步驟S1確定的輔助變量和主導變量，從DCS系統中采集相關數據，采用3σ準則對異常點進行判斷并剔除異常點，剔除異常點后的數據作為模型的原始數據；

S2-2）將全部的原始數據標準化：

設某一變量的原始數據：

X_i′={x_i′(1),x_i′(2),...,x_i′(k),...,x_i′(n)}????i=0,1,...,m

則標準化后的數據X'為：

Xi=Xi′-min(Xi′)max(Xi′)-min(Xi′)i=0,1,...,m]]>

其滿足均值為0，方差為1；

S3用灰關聯分析算法進行變量選取，計算輔助變量和主導變量的灰關聯度及其排序，最終確定模型的輔助變量和主導變量：

S3-1）建立參考序列和比較序列：

選擇超超臨界機組鍋爐分離器出口溫度為參考序列：

X₀={x₀(1),x₀(2),...,x₀(k),...,x₀(n)}

選擇各初選的輔助變量分別為比較序列

X_i={x_i(1),x_i(2),...,x_i(k),...,x_i(n)}

其中i＝1,2,...,m?k=1,2,...,n；

S3-2）分別計算參考序列X₀和各比較序列X_i（i＝1,2,...,m）第k組的灰關聯系數：

λi(k)=11+|Δxi(k)(t(k+1)-t(k))δxi-Δx0(k)(t(k+1)-t(k))δx0|]]>

其中：Δx_i(k)=x_i(k)-x_i(k-1)，i=0,1,...,m，k=2,3,...,n；

分別為序列X₀和X_i在第k組的斜率；

i=1,2,...,m,k=1,2,...,n，為比較序列X_i的標準差；

k=1,2,...,n，為參考序列X₀的標準差；

S33）分別計算參考序列和各比較序列之間的灰關聯度：

γi=1n-1Σk=1n-1λi(k)i=1,2,...,m,k=1,2,...,n]]>

若γ_i=1，說明參考序列和某一比較序列的增長率變化完全相關；如果0<γ_i<1，說明二者之間具有關聯性，且γ_i值越大，關聯性越強；

S3-4）比較各個灰關聯度，排關聯序,最終確定最小二乘支持向量機模型的輔助變量；

S4利用遺傳算法進行最小二乘支持向量機模型參數尋優：

S4-1）本發明提出用最小二乘支持向量機模型作為超超臨界機組鍋爐分離器出口溫度在線校準模型；

對最小二乘支持向量機模型，將輔助變量X_i作為模型的輸入u=[u₁，u₂,…,u_m]，主導變量X₀作為模型的輸出y=[y₁，…,y_n]^T，m為輔助變量個數n為訓練樣本的個數，則最小二乘支持向量機模型為：

y=Σi=1nαiK(u,uj)+b]]>

該模型的理論基礎為求解二次規劃問題：

minJ(w,e)=12wTw+12γΣi=1nei2]]>

y_i=w^TΦ(u_i)+b+e_i,i=1,2,…,n

其中，J(w,e)是結構風險,γ正則化參數,e=｛e₁，e₂,…e_n}是允許誤差；

為求解該約束的最優化問題，引入拉格朗日函數：

L(w,b,e,α)=12wTw+12γΣi=1nei2-Σi=1nαi{wTΦ(ui)+b+ei-yi}]]>

其中，a_i為拉格朗日乘子；

將上式分別對w?b?e?a求偏導，得到如下優化條件：

∂L∂w=0→w=Σi=1nαiΦ(yi)∂L∂b=0→Σi=1nαi=0∂L∂ei=0→αi=γei∂L∂αi=0→wTΦ(ui)+b+ei-yi=0]]>

消去w,e_k，則上述優化問題轉化為：

bα=01~n×1T1~n×1Ω+Vγ×0y]]>

其中，a=[a_n,…,a_n],為n×1單位向量,y=[y₁，…,y_n]^T,Ω_ij=Φ(u_i)^T·Φ(u_j)=K(u_i,u_j)為滿足Mercer條件的核函數，選取徑向基核函數：

K(u_i,u_j)=exp(-||u-u_j||²/σ²)

其中，σ²為核參數；

由此可得最小二乘支持向量機模型：

y=Σi=1nαiK(u,uj)+b;]]>

S4-2）初步確定模型的正則化參數γ和核參數數σ²的可能取值范圍；隨機選擇γ和σ²各參數的初始值并采用實數編碼，構造初始種群P(t)；

S43）選取E(n)為遺傳優化的目標函數，計算公式為

E(n)=1lΣi=1l(yi-y^i)2;]]>

其中，l為訓練樣本數，y_i為第i個樣本的期望輸出，為第i個樣本的最小二乘支持向量機模型的輸出；

S4-4）選取個體適應度函數為f(n)=Emax-E(n)Emax>E(n)0Emax<E(n);]]>

其中，E_max為一個適當相對較大的數；

S4-5）將P(t)中的個體輸入到最小二乘支持向量機模型進行訓練，經選擇、交叉、變異多次迭代計算適應度值，當適應度值滿足f(n)→E_max且達到最大時，則終止迭代，輸出最優的γ和σ²組合；

S5利用步驟S3中遺傳算法尋優得到的γ和σ²值，選取已經標準化處理的部分樣本作為訓練樣本，訓練最小二乘支持向量機模型，并存儲模型；

S6將在線測得的輔助變量數據輸入步驟S5得到的模型進行測試，模型輸出即為相應時刻的鍋爐分離器出口溫度超超臨界機組鍋爐分離器出口溫度。