[發明專利]一種發電鍋爐燃煤碳氧化因子在線軟測量方法

有效

• 申請號: 201811568194.X
• 申請日: 2018-12-21
• 公開（公告）號: CN109376501B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 祝鈴鈺;于盼望;章淵昶
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種發電鍋爐燃煤碳氧化因子在線軟測量方法，其特征在于，所述方法包括如下步驟：

第一步，在發電鍋爐系統中選取15個測量獲得軟測量模型輸入向量與輸出向量，構建實驗樣本數據，15個發電鍋爐的測點分為5類；

第1類是燃煤煤種性質參數，包括測量點1-收到基全水分M_ar、2-收到基灰分A_ar、3-收到基揮發分V_ar、4-收到基固定碳FC_ar、5-收到基低位發熱量Q_ar；

第2類是鍋爐性質參數：6-磨煤機給煤量P₁，7-二次風總風壓P₂，8-一次風壓M₁，13-鍋爐出口煙道氣氧氣的體積百分含量X₁，14-除塵系統平均除塵效率η；

第3類是煤燃燒后測取的爐渣性質參數9-爐渣產量G_渣、10-爐渣平均含碳量C_渣；

第4類是煤燃燒后的飛灰性質參數11-飛灰產量G_灰、12-飛灰平均含碳量C_灰；

第5類是發電機組性質參數15-汽輪發電機組的電功率W₁；

發電鍋爐碳氧化因子軟測量模型的輸入變量包括1-煤種的收到基全水分M_ar、2-收到基灰分A_ar、3-收到基揮發分V_ar、4-收到基固定碳FC_ar、5-收到基低位發熱量Q_ar，6-磨煤機給煤量M₁，7-二次風總風壓P₂，8-一次風壓P₁，13-鍋爐出口煙道氣氧氣的體積百分含量X₁，15-汽輪發電機組的電功率W₁，共10個變量；

這10個變量構成發電鍋爐碳氧化因子軟測量模型的輸入向量X；

X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀]

＝[M_ar,A_ar,V_ar,FC_ar,Q_ar,P₁,P₂,M₁,X₁,W₁]

發電鍋爐碳氧化因子軟測量模型的輸出變量Y只有一維，為發電鍋爐碳氧化因子OF，Y＝[y]＝[OF]；

按下述公式計算OF，涉及測量點分別為9-爐渣產量G_渣、10-爐渣平均含碳量C_渣、11-飛灰產量G_灰、12-飛灰平均含碳量C_灰和14-除塵系統平均除塵效率η；

第二步，建立碳氧化因子在線軟測量模型

碳氧化因子在線軟測量模型建模與訓練過程如下：

首先，數據預處理

按第一步要求測量換算300組樣本輸入輸出向量的實驗值進行歸一化處理，獲取標準化樣本集所述模型輸入向量X中各變量x_i的歸一化按如下公式進行處理：

式中，是軟測量模型輸入向量X第i個輸入變量x_i的測量值，和是300個測量值中的最大值和最小值，為歸一化處理后的向量；

所述模型輸入向量Y中變量y的歸一化按如下公式進行處理：

式中，是軟測量模型輸出變量y的測量值，和是的300個值中的最大值和最小值，為歸一化處理后的變量；

隨機選擇和的2/3測量值作為訓練樣本，將訓練樣本的輸入向量命名為輸出向量命名為訓練樣本共200個；

隨機選擇和的1/3測量值作為測試樣本，輸入向量命名為輸出向量命名為測試樣本共100個；

接著，碳氧化因子軟測量模型訓練

將訓練樣本的輸入向量輸出向量代入BP神經網絡進行訓練，采用3層神經網絡，10個輸入節點，9個隱層輸入節點，1個輸出節點，訓練上限設置為600次，訓練樣本序號m和訓練次數計算器q置為1，訓練精度E_MIN置為0.01，學習效率η設為0.5，連接初始權值和初始閾值γ⁽⁰⁾隨機賦區間(-1,1)的初值，訓練得到連接權值w_kj、v_j和閾值θ_j、γ；

最后，碳氧化因子軟測量模型驗證

將測試樣本中的輸入向量歸一值提供給軟測量模型作為輸入值，用步驟(3)中訓練好的連接權值w_kj、v_j和閾值θ_j、γ，計算得到測試樣本的軟測量模型輸出變量sy_test(n)，sy_test(n)為第n個測試樣本軟測量模型輸出變量的計算值；

采用下式計算全部測試樣本的均方根誤差E_test，

當E_test≤E_MIN時，碳氧化因子軟測量模型完成，保存連接權值w_kj、v_j和閾值θ_j、γ；

E_testE_MIN時，和閾值γ⁽⁰⁾＝γ，權值賦回模型做初值，重置m＝1，q＝1，返回進行碳氧化因子軟測量模型訓練；

第三步，碳氧化因子在線軟測量模型使用

建立發電鍋爐燃煤碳氧化因子軟測量模型后，如要在線測量某一操作條件下的燃煤碳氧化因子時，只需將以下各變量的測量數據賦給輸入向量X：

1-煤種的收到基全水分M_ar、2-收到基灰分A_ar、3-收到基揮發分V_ar、4-收到基固定碳FC_ar、5-收到基低位發熱量Q_ar，6-磨煤機給煤量M₁，7-二次風總風壓P₂，8-一次風壓P₁，13-鍋爐出口煙道氣氧氣的體積百分含量X₁，15-汽輪發電機組的電功率W₁，共10個變量；

X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀]

對模型輸入變量進行歸一化處理，所述模型輸入向量X中各變量x_i的歸一化得到歸一化后的輸入向量：

SX＝[sx₁,sx₂,sx₃,sx₄,sx₅,sx₆,sx₇,sx₈,sx₉,sx₁₀]

將歸一化后的輸入向量SX輸入碳氧化因子在線軟測量模型，由歸一化后的輸入變量sx_i，訓練好的連接權值w_kj、v_j和閾值θ_j、γ按步驟(3)計算得到軟測量模型的輸出變量sy，對輸出變量按如下公式進行反歸一化處理：

y＝sy×(y^max-y^min)+y^min (17)

計算出來的y即是不同煤種在不同鍋爐負荷下的碳氧化因子OF。

2.如權利要求1所述的一種發電鍋爐燃煤碳氧化因子在線軟測量方法，其特征在于，所述第二步中，碳氧化因子在線軟測量模型建模與訓練過程包括如下步驟：

2.1、數據預處理

按第一步要求測量換算300組樣本輸入輸出向量的實驗值進行歸一化處理，獲取標準化樣本集所述模型輸入向量X中各變量x_i的歸一化按如下公式進行處理：

式中，是軟測量模型輸入向量X第i個輸入變量x_i的測量值，和是300個測量值中的最大值和最小值，為歸一化處理后的向量；

所述模型輸入向量Y中變量y的歸一化按如下公式進行處理：

式中，是軟測量模型輸出變量y的測量值，和是的300個值中的最大值和最小值，為歸一化處理后的變量；

隨機選擇和的2/3測量值作為訓練樣本，將訓練樣本的輸入向量命名為輸出向量命名為訓練樣本共200個；

隨機選擇和的1/3測量值作為測試樣本，輸入向量命名為輸出向量命名為測試樣本共100個；

2.2、BP神經網絡訓練賦初值

神經網絡參數賦值為：3層神經網絡，輸入層設置10個輸入節點，以k表示，k＝1,2,···,10；中間隱層設置9輸入節點，以j表示，j＝1,2···,9；

輸出層設置1個輸出節點，訓練次數上限設置600次；

訓練步驟如下：

設m為訓練樣本序號m＝1,2···,200，q為訓練次數計算器，m與q的初值置為1，訓練精度E_MIN置為0.01，訓練次數上限設為600次；

令w_kj為輸入層第k個輸入節點至中間隱層第j個輸入節點初始連接權值；表示其迭代初值；記為經q次訓練后，經過修正的輸入層第k個輸入節點至中間隱層第j個輸入節點連接權值；

令v_j為中間隱層第j個輸入節點至輸出層連接權值；表示其迭代初值；為經q次訓練后，經過修正的中間隱層第j個輸入節點至輸出層的連接權值；

令θ_j為中間隱層第j個輸入節點至輸出層的連接權值；表示其迭代初值；為經q次訓練后，經過中間隱層第j個中間隱層節點的輸出閾值；

令γ為輸出層節點的輸出閾值；γ⁽⁰⁾表示其迭代初值；γ^(q)為經q次訓練后，經過修正的輸出層節點的輸出閾值；

η為學習效率，是一個(0,1)范圍的數值；

對連接權值和閾值γ⁽⁰⁾隨機賦區間(-1,1)的初值，學習效率η設為0.5；

2.3、神經網絡訓練

隨機選取第m組訓練樣本輸入向量歸一值提供給網絡，m為訓練樣本序號，為第m個訓練樣本的輸入向量歸一值；

用訓練樣本輸入變量歸一值連接權值輸出閾值計算中間層各單元的輸入s_j(m)，計算中間層各單元的輸出b_j(m)，第m個訓練樣本第i個輸入變量；利用中間層的輸出b_j(m)、連接權值γ^(q-1)計算輸出層各單元的輸入L(m)，然后利用通過傳遞函數計算輸出層單元的輸出變量sy_train(m)，這是第m個訓練樣本的輸出變量；

2.4、計算各層誤差

根據訓練樣本中的輸出變量實際歸一值和模型估算sy_train(m)計算輸出層的單元一般化誤差d(m),利用連接權輸出層的一般化誤差d(m)和中間隱層的輸出b_j(m)計算中間隱層各單元的一般誤差e_j(m)；

2.5、調整各層權值

利用學習率η修正新的連接權值和閾值

γ^(q)＝γ^(q-1)+η×d(m) (14)

2.6、檢查是否對所有樣本完成一次輪訓

若m≤200，m、q增1，再抽取下一組訓練樣本，返回步驟2.3；

若m200則進行2.7；

2.7、檢查軟測量模型是否達到精度要求

計算全部訓練樣本的均方根誤差E_train并與設定訓練精度E_MIN比較；

若E_train≤E_MIN，進行步驟2.8，訓練結束；保存各權值和閾值γ＝γ^(q)；

若E_trainE_MIN，判斷是否q≤600，若是則重置訓練樣本序號m＝1返回步驟2.3；否則訓練完成，訓練結束，保存連接權值和閾值進行下一步；

2.8、給出軟測量模型的測試誤差；

將測試樣本中的輸入向量歸一值提供給軟測量模型作為輸入值，第n個測試樣本輸入向量歸一值，為第n個測試樣本輸入變量歸一值；

用步驟2.7中訓練好的連接權值w_kj、v_j和閾值θ_j、γ，按照步驟2.3計算得到測試樣本的軟測量模型輸出變量sy_test(n)，sy_test(n)為第n個測試樣本軟測量模型輸出變量的計算值；

采用下式計算全部測試樣本的均方根誤差E_test，

為第n個測試樣本輸出變量；當E_test≤E_MIN時，碳氧化因子軟測量模型完成，保存連接權值w_kj、v_j和閾值θ_j、γ；

E_testE_MIN時，將已有連接權值w_kj賦給神經網絡模型做初值v_j和閾值θ_j、γ也都相應賦初值；重置m＝1，q＝1，返回步驟2.3。