[發明專利]基于最小二乘支持向量機及在線更新的電站鍋爐煙氣軟測量方法

有效

• 申請號: 201410024169.0
• 申請日: 2014-01-20
• 公開（公告）號: CN103728879A
• 公開（公告）日: 2014-04-16
• 發明（設計）人: 呂游;楊婷婷;劉吉臻
• 申請（專利權）人: 華北電力大學
• 主分類號: G05B13/00
• 分類號: G05B13/00
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 巴曉艷

技術領域

本發明涉及一種基于最小二乘支持向量機（least?squares?support?vector?machine，LSSVM）及在線更新的電站鍋爐煙氣軟測量方法，屬于熱工技術和人工智能交叉技術領域。

背景技術

為了保證電站鍋爐的安全和優化運行，常常需要獲取鍋爐尾部煙氣中飛灰含碳量和NOx排放等參數的相關信息。目前，這些參數常利用飛灰測碳儀和煙氣連續監測系統（continuous?emission?monitoring?system，CEMS）等硬件傳感器來測量，但是這些儀器的安裝和維護成本較高，而且由于工作在惡劣的電磁環境中，經常需要離線維修。因此，采用其他易測的鍋爐運行和狀態參數通過一定的數學關系模型來對煙氣成分含量進行預測，具有重要的工程意義。由于燃燒過程的復雜性和不確定性，建立準確的機理模型往往是非常困難的。近年來，電站的信息化使過程運行數據的獲取越來越容易，而且神經網絡、支持向量機等人工智能的發展為基于數據的軟測量技術提供了有效的工具。其中，最小二乘支持向量機（least?squares?support?vector?machine，LSSVM）以結構風險最小化為原則，與神經網絡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，將學習問題轉化為求解線性方程組，減少了算法的復雜度。

在利用LSSVM等方法構建煙氣軟測量模型時，初始樣本的篩選非常重要，在從歷史運行數據庫中選取初始訓練樣本時應盡可能地使其覆蓋全工況。然而事實上，數據庫中存儲的大都是正常的運行工況，并沒有人為主動地調節和設定各個熱工參數，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，運行過程中操作指令和調節參數的改變可能會帶來新的工況，而模型將無法對煙氣成分含量進行精確預測。另一方面，在運行過程中，煤質的變化以及設備的磨損和維修也會引起煙氣排放特性的變遷，建立的初始模型在運行一段時間后預測精度會逐漸下降，若重新構建模型會帶來繁重的計算負擔，而且也會摒棄原模型中存在的有用信息。因此，利用模型更新來改善其性能，對實現煙氣成分含量的精確測量有著重要的意義。

發明內容

本發明的目的在于克服現有煙氣排放的時變特性，提出了一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量方法。

一般而言，熱工過程中煙氣排放特性的變化主要由兩方面的因素引起：(1)在運行過程中入爐煤質的變化以及設備的磨損和維修等因素，導致過程特性發生變化；這種特性的變化是不可逆的，也即特性變化后不會再回到先前的運行狀態。(2)由于生產操作指令以及調節參數的改變從而出現一些新的工況狀態；這種特性變化是可逆的，因為隨著調節參數的繼續變化，過程有可能從現狀態切換到先前歷史工況中已有的狀態。針對這兩種特性變化，對應的模型更新方法也有所不同。對于第一種特性變化，需要刪除舊樣本信息。這是因為舊樣本是對先前運行過程的描述，而運行過程已發生了不可逆變化，這些樣本便沒有任何價值，需要用新的樣本來替代，對這種變化的更新應該以樣本替換的形式來實現。而第二種變化則是過程正常運行狀態的改變和切換，因此需要將新樣本信息融入到舊樣本中，以此來拓展模型的工作范圍，對這種變化的更新應該以樣本追加的形式來實現。

因此，本發明提出通過LSSVM構建初始煙氣排放模型，然后利用樣本追加和樣本替換來實現模型的增量更新。該方法預測精度高、成本低、計算速度快，有利于應用于工程實踐之中。

基于LSSVM及在線更新的電站鍋爐煙氣軟測量方法，該方法步驟為：

步驟1：收集初始訓練樣本來構建LSSVM模型，其中：通過傳感器測量發電機功率、各磨煤機給煤量、各磨煤機入口一次風量、各層二次風和燃盡風風門開度信號，并將測量值存入DCS歷史數據庫中；選擇上述測量值作為軟測量模型的輸入變量，要預測的煙氣成分含量作為模型的輸出變量，從歷史運行數據庫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練樣本，記為其中x_i∈R^p表示第i組輸入樣本，對應于測量的發電機功率、各磨煤機給煤量、各磨煤機入口一次風量、各層二次風和燃盡風風門開度，y_i∈R為第i組輸出樣本，對應于煙氣成分的含量，p為輸入變量個數，n為樣本數量，并構建LSSVM模型；

LSSVM模型可描述為以下優化問題：