基於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
2023-06-13 10:44:36
基於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
【專利摘要】本發明提供一種基於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,屬於熱工技術和人工智慧交叉【技術領域】。該方法選擇電站鍋爐有關運行和狀態參數作為模型的輸入,要預測的煙氣成分含量作為模型的輸出,選取歷史運行數據作為初始訓練樣本,利用最小二乘支持向量機方法建立煙氣排放的初始模型。另外,基於對煙氣排放時變特性的分析,提出了基於樣本替換和樣本追加的更新策略,並採用刪減樣本和增加樣本兩種模式以增量的形式來實現參數的求解和模型的更新。本發明提出的最小二乘支持向量機及在線更新軟測量方法隨著過程特性的變化自適應地改進模型性能,能夠實現對煙氣排放的精確預測,對電站鍋爐的安全和優化運行有重要的意義。
【專利說明】基於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
【技術領域】
[0001]本發明涉及一種基於最小二乘支持向量機(least squares support vectormachine,LSSVM)及在線更新的電站鍋爐煙氣軟測量方法,屬於熱工技術和人工智慧交叉【技術領域】。
【背景技術】
[0002]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)等硬體傳感器來測量,但是這些儀器的安裝和維護成本較高,而且由於工作在惡劣的電磁環境中,經常需要離線維修。因此,採用其他易測的鍋爐運行和狀態參數通過一定的數學關係模型來對煙氣成分含量進行預測,具有重要的工程意義。由於燃燒過程的複雜性和不確定性,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慧的發展為基於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,減少了算法的複雜度。
[0003]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,在從歷史運行資料庫中選取初始訓練樣本時應儘可能地使其覆蓋全工況。然而事實上,資料庫中存儲的大都是正常的運行工況,並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範圍。在模型建立後,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後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】
[0004]本發明的目的在於克服現有煙氣排放的時變特性,提出了一種基於LSSVM及在線更新的電站鍋爐煙氣軟測量方法。
[0005]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,也即特性變化後不會再回到先前的運行狀態。(2)由於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。對於第一種特性變化,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範圍,對這種變化的更新應該以樣本追加的形式來實現。
[0006]因此,本發明提出通過LSSVM構建初始煙氣排放模型,然後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,有利於應用於工程實踐之中。
[0007]基於LSSVM及在線更新的電站鍋爐煙氣軟測量方法,該方法步驟為:
[0008]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,並將測量值存入DCS歷史資料庫中;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,從歷史運行資料庫中選取覆蓋範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Xi e Rp表示第i組輸入樣本,對應於測量的發電機功率、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,Yi e R為第i組輸出樣本,對應於煙氣成分的含量,P為輸入變量個數,η為樣本數量,並構建LSSVM模型;
[0009]LSSVM模型可描述為以下優化問題:
【權利要求】
1.一種基於LSSVM及在線更新的電站鍋爐煙氣軟測量方法,其特徵在於,所述方法採用LSSVM構建初始煙氣排放模型,然後利用樣本追加和樣本替換來實現模型的增量更新,能夠對鍋爐煙氣各成分進行精確地預測。
2.根據權利要求1所述的方法,其特徵在於,所述方法包括以下步驟: 步驟1:收集初始訓練樣本來構建LSSVM模型; 步驟2:利用此模型對煙氣成分含量進行預測; 步驟3:當實際的煙氣成分含量的傳感器測量值y,採集到後,計算樣本(Xt^yq)的預測誤差Er ; 步驟4:判斷預測誤差:若Er〉Λ,Λ為誤差閾值,則執行步驟5,否則執行步驟9 ; 步驟5:從歷史運行數據中選取距新採樣樣本(XqJq)最近的樣本點(xk,yk),其中
3.根據權利要求2所述的方法,其特徵在於,所述步驟I具體是: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,並將測量值存入DCS歷史資料庫中;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,從歷史運行資料庫中選取覆蓋範圍大且具有代表性的若干段工況作為初始訓練樣本,記為
4.根據權利要求2所述的方法,其特徵在於,所述步驟2具體是:將傳感器新測得的發電機功率、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數據作為輸入變量V代入初始的煙氣含量的軟測量LSSVM模型公式:
5.根據權利要求4所述的方法,其特徵在於,所述步驟3中預測誤差Er的計算如下:
6.根據權利要求2所述的方法,其特徵在於,所述步驟6中具體的判斷準則是: (i)若II Xk-Xq I I 2> δ I,則對模型實施樣本追加更新,即直接將新採樣樣本(Xq,yq)加入到先前的歷史資料庫中; (ii)若IIxk-XtJ 2^ δ 1;則對模型實施樣本替換更新,即用新採樣樣本(Xt^yq)來替換先前歷史資料庫中滿足條件I IXk-XtlI I2^ δ2的相似樣本; 其中S !由歷史訓練數據樣本之間的平均距離決定,δ 2設為0.5 δ i。
7.根據權利要求2所述的方法,其特徵在於,所述步驟7根據確定的更新類型,對步驟I獲得的初始LSSVM模型進行增量更新,即對特徵矩陣H—1的計算更新,將更新策略分解為樣本增加和樣本刪減兩種模式:若實施樣本追加更新,則直接進行樣本增加;若實施樣本替換更新,即先進行樣本刪減,然後`再進行樣本增加。
【文檔編號】G05B13/00GK103728879SQ201410024169
【公開日】2014年4月16日 申請日期:2014年1月20日 優先權日:2014年1月20日
【發明者】呂遊, 楊婷婷, 劉吉臻 申請人:華北電力大學