基於最小二乘支持向量機燃燒模型的鍋爐優化方法和裝置的製作方法
2023-10-31 13:16:47 2
專利名稱：基於最小二乘支持向量機燃燒模型的鍋爐優化方法和裝置的製作方法
技術領域：
本發明涉及發電機鍋爐性能控制領域，特別是涉及基於最小二乘支持向量機燃燒模型的鍋爐優化方法和裝置。
背景技術：
研究表明，鍋爐具有很大的時變特性，隨著時間的推移燃燒過程的學習模型將會出現較大誤差，影響燃燒優化的性能。燃燒優化是提升電站鍋爐效率、降低汙染物排放的重要手段。然而，目前的燃燒優化已經實現了鍋爐效率和NOx排放多目標優化，多採用各種學習算法建立鍋爐效率和NOx排放模型，再建立燃燒多目標優化的問題，並較多採用遺傳算法、粒子群算法等智能搜索算法進行優化，獲得燃燒鍋爐的操控變量，如，風機開度。由於鍋爐具有時變特徵，隨著時間的推移以及鍋爐運行工況變化，在線校正需要較長的計算時間，使得獲得操控變量的過程複雜，發電站鍋爐的性能調節實時性不高。(技術問題儘量不要寫成是算法模型的缺陷，)
發明內容
本發明提出基於最小二乘支持向量機燃燒模型的鍋爐優化方法和裝置，可以降低發電站鍋爐燃燒優化難度，提高優化的實時性。採用的方案:基於最小二乘支持向量機燃燒模型的鍋爐優化方法，包括步驟:S1、從歷史運行數據獲取訓練樣本集，所述訓練樣本集包括最小二乘支持向量機燃燒模型的輸入量、實測輸出量；S2、根據所述訓練樣本集，獲取最小二乘支持向量機燃燒模型的第一特徵矩陣及其逆矩陣；S3、從所述訓練樣本集中獲取與校驗樣本最近的樣本,記為參考樣本,將所述第一特徵矩陣的第i列與最後一列交換，以及將第i行與最後一行交換後得到第二特徵矩陣H1 ；S4、根據公式H^1 = IH-1I計算所述第二特徵矩陣的逆;其中，I為單位矩陣成1
為第一特徵矩陣的逆；S5、獲取所述第二矩陣的分塊參數；S6、將所述參考樣本替換為所述校驗樣本，獲取最小二乘支持向量機燃燒模型的第三特徵矩陣；S7、根據所述分塊參數及第二特徵矩陣的逆矩陣計算第三特徵矩陣的逆；S8、根據所述第三特徵矩陣和所述第三特徵矩陣的逆矩陣，獲取校正後的最小二乘支持向量機燃燒模型參數；S9、將所述第三特徵矩陣賦給所述第一特徵矩陣 ，以及將所述第三特徵矩陣的逆賦給所述第一特徵矩陣的逆；
S10、利用校正後的最小二乘支持向量機燃燒模型獲取鍋爐燃燒效率；S11、當所述鍋爐燃燒效率大於預設值時，發出報警，並根據校正後的燃燒模型進行燃燒優化控制，返回步驟S3。以及，基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，包括:第一獲取單元，用於從運行數據中獲取初始訓練樣本集；所述訓練樣本集包括最小二乘支持向量機燃燒模型的輸入量、實測輸出量；第二獲取單元，用於根據所述訓練樣本集，獲取最小二乘支持向量機燃燒模型的第一特徵矩陣；第一矩陣交換單元，用於從訓練樣本集中獲取與校驗樣本距離最近的樣本，記為參考樣本，將所述第一特徵矩陣的第i列與最後一列交換，以及將第i行與最後一行交換後得到第二特徵矩陣H1 ；第一計算單元，用於根據公式Hf1 = JW1J計算所述第二特徵矩陣的逆;其中，I
為單位矩陣出-1為第一特徵矩陣的逆；第三獲取單元，用於獲取所述第二矩陣的分塊參數；第四獲取單元，用於將參考樣本替換為校驗樣本，獲取最小二乘支持向量機燃燒模型的第三特徵矩陣；第二計算單元，用於根據所述分塊參數計算第三特徵矩陣的逆；第五獲取單元，用於根據所述第三特徵矩陣和所述第三特徵矩陣的逆，獲取校正後的最小二乘支持向量機燃燒模型參數；賦值單元，用於將所述第三特徵矩陣賦給所述第一特徵矩陣，以及將所述第三特徵矩陣的逆賦給所述第一特徵矩陣的逆；第三計算單元，利用校正後的最小二乘支持向量機燃燒模型預測鍋爐燃燒效率；優化控制單元，用於當所述鍋爐燃燒效率大於預設值時，發出報警，並根據校正後的燃燒模型進行鍋爐的燃燒優化控制。本發明通過獲取訓練樣本集對應的最小二乘支持向量機燃燒模型的第一特徵矩陣，模型校正時將第一特徵矩陣的第i行與最後一行交換，第i列與最後一列交換，然後進行矩陣分塊處理得到第二特徵矩陣，以便獲得第二特徵矩陣的分塊參數；獲取校驗樣本對應的最小二乘支持向量機燃燒模型的第三特徵矩陣；根據得到的分塊參數可得到第三特徵矩陣的逆；根據所述第三特徵矩陣和所述第三特徵矩陣的逆，獲取校正後的最小二乘支持向量機燃燒模型參數；完成最小二乘支持向量機燃燒模型的校驗；整個在線校正過程只涉及乘法、加法等簡單運算，無需計算維數較大的特徵矩陣的逆運算，可以降低發電站鍋爐燃燒的優化難度，提高優化的實時性。
圖1為本發明方法的一個實施例流程圖；圖2為本發明裝置的一個結構示意圖；圖3為本發明裝置的另一個結構示意圖。
具體實施方式
請參參考圖1，本發明提出的基於最小二乘支持向量機燃燒模型的鍋爐優化方法，包括步驟:S1、從運行歷史數據獲取初始訓練樣本；從機組運行歷史數據或現場試驗數據抽取樣本構成訓練樣本集，訓練樣本集包括最小二乘支持向量機燃燒模型的輸入量、實測輸出量。S2、根據訓練樣本，獲得最小二乘支持向量機燃燒模型的第一特徵矩陣及其逆矩陣；通過對訓練樣本集的學習，獲取最小二乘支持向量機燃燒模型的第一特徵矩陣H及其逆矩陣H—1 ；S3、從訓練樣本集中獲取與校驗樣本最近的樣本，記為參考樣本；將第一特徵矩陣的第i列與最後一列交互，以及將第i行與最後一行交換得到第二特徵矩陣；將第一特徵矩陣的第i列與最後一列交換，以及將第i行與最後一行交換後得到第二特徵矩陣；模型校正時，從訓練樣本集中獲取與校驗樣本最近的樣本，記為參考樣本。將第一特徵矩陣的第i列與最後一列交換，以及將第i行與最後一行交換後得到第二特徵矩陣H1 ；S4、根據第一特徵矩陣計算第二特徵矩陣的逆；
—η一 I根據公式H: = IH~ I計算第二特徵矩陣的逆;其中，I為單位矩陣成1為第一特徵矩陣的逆；S5、獲取第二矩陣的分塊參數；獲取第二矩陣的分塊參數；S6、替換參考樣本為校驗樣本，獲得最小二乘 支持向量機燃燒模型的第三特徵矩陣；S7、根據分塊參數及第二特徵矩陣計算第三特徵矩陣的逆；S8、根據第三特徵矩陣和第三特徵矩陣的逆獲取校正後的最小二乘支持向量機燃燒模型參數；S9、將第三特徵矩陣賦給第一特徵矩陣以及將第三特徵矩陣的逆賦給第一特徵矩陣的逆；S10、利用校正後的最小二乘支持向量機燃燒模型獲取鍋爐燃燒效率；S11、當所述鍋爐燃燒效率大於預設值時，發出報警，並根據校正後的燃燒模型進行鍋爐的燃燒優化控制，返回步驟S3。其中，利用燃燒模型獲取燃燒效率，進而進行優化控制的過程是本領域技術人員習知的，因此本申請不做詳細介紹。本發明通過獲取訓練樣本對應的最小二乘支持向量機燃燒模型的第一特徵矩陣，需要進行模型校正時將第一特徵矩陣的第i行與最後一行交換，第i列與最後一列交換，然後進行矩陣分塊處理得到第二特徵矩陣，以便獲得第二特徵矩陣的分塊參數；通過替換參考樣本為校驗樣本獲取校驗樣本對應的最小二乘支持向量機燃燒模型的第三特徵矩陣；根據得到的分塊參數可得到第三特徵矩陣的逆；根據第三特徵矩陣和第三特徵矩陣的逆，獲取校正後的最小二乘支持向量機燃燒模型參數；完成最小二乘支持向量機燃燒模型的校驗；整個在線校正過程只涉及乘法、加法等簡單運算，無需計算維數較大的特徵矩陣的逆運算，可以降低發電站鍋爐燃燒的優化難度，提高優化的實時性。電站鍋爐燃燒模型是燃燒優化的基礎。本發明針對採用支持向量機(SVM)建立的電站鍋爐燃燒模型，提出模型的自適應在線校正方法。本發明的實施步驟包括:步驟(I) =LSSVM模型建模；當前燃燒優化研究大多以鍋爐效率Hb以及環保排放(NOx)為優化目標，實現多目標優化。支持向量機是建立燃燒模型的最有效技術之一，其中最小二乘支持向量機(LSSVM )應用較為成功。針對所應用鍋爐的結構特點、燃燒器布置形式等特點選取合適的操控變量(如:風門開度)和幹擾變量作為燃燒模型的輸入量，建立鍋爐排煙溫度、飛灰含碳量、以及煙氣NOx的LSSVM模型；再利用LSSVM模型輸出，結合煤質參數即可計算鍋爐效率nb。步驟⑵:模型訓練；對燃燒模型的任一 LSSVM子模型，其決策模型可以寫為以下通用形式
權利要求
1.基於最小二乘支持向量機燃燒模型在線校正及鍋爐優化方法，其特徵在於，包括步驟: 51、從歷史運行數據獲取訓練樣本集，所述訓練樣本集包括最小二乘支持向量機燃燒模型的輸入量、實測輸出量； 52、根據所述訓練樣本集，獲取最小二乘支持向量機燃燒模型的第一特徵矩陣及其逆矩陣； 53、從所述訓練樣本集中獲取與校驗樣本最近的樣本，記為參考樣本，將所述第一特徵矩陣的第i列與最後一列交換，以及將第i行與最後一行交換後得到第二特徵矩陣H1 ；54、根據公式Hf1= IH—1I計算所述第二特徵矩陣的逆；其中，I為單位矩陣成1為第一特徵矩陣的逆； 55、獲取所述第二矩陣的分塊參數； 56、將所述參考樣本替換為所述校驗樣本，獲取最小二乘支持向量機燃燒模型的第三特徵矩陣； 57、根據所述分塊參數及第二特徵矩陣的逆矩陣計算第三特徵矩陣的逆； 58、根據所述第三特徵矩陣和所述第三特徵矩陣的逆矩陣，獲取校正後的最小二乘支持向量機燃燒模型參數； 59、將所述第三特徵矩陣賦給所述第一特徵矩陣，以及將所述第三特徵矩陣的逆賦給所述第一特徵矩陣的逆； 510、利用校正後的最小二乘支持向量機燃燒模型獲取鍋爐燃燒效率； 511、當所述鍋爐燃燒效率大於預設值時，發出報警，並根據校正後的燃燒模型進行燃燒優化控制，返回步驟S3。
2.根據權利要求1所述的基於最小二乘支持向量機燃燒模型的鍋爐優化方法，其特徵在於，所述步驟S5具體為: 將所述第二特徵矩陣進行分塊，得到
3.根據權利要求1所述的基於最小二乘支持向量機燃燒模型的鍋爐優化方法，其特徵在於，所述步驟S7具體為: 根據公式:
4.根據權利要求1所述的基於最小二乘支持向量機燃燒模型的鍋爐優化方法，其特徵在於，所述步驟S8具體為: 根據公式
5.根據權利要求1至4任一項所述的基於最小二乘支持向量機燃燒模型的鍋爐優化方法，其特徵在於，包括: 根據校驗樣本輸入向量，獲得最小二乘支持向量機燃燒模型的理論輸出量；將所述理論輸出量與鍋爐燃燒時的實測輸出量進行比較，計算校驗誤差S ;當所述校驗誤差高於預定值時，才進行所述步驟SI。
6.基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，其特徵在於，包括: 第一獲取單元，用於從運行數據中獲取初始訓練樣本集；所述訓練樣本集包括最小二乘支持向量機燃燒模型的輸入量、實測輸出量； 第二獲取單元，用於根據所述訓練樣本集，獲取最小二乘支持向量機燃燒模型的第一特徵矩陣； 第一矩陣交換單元，用於從訓練樣本集中獲取與校驗樣本距離最近的樣本，記為參考樣本，將所述第一特徵矩陣的第i列與最後一列交換，以及將第i行與最後一行交換後得到第二特徵矩陣H1 ； 第一計算單元，用於根據公式H3:1 = /H—1T計算所述第二特徵矩陣的逆；其中，I為單位矩陣出-1為第一特徵矩陣的逆； 第三獲取單元，用於獲取所述第二矩陣的分塊參數； 第四獲取單元，用於將參考樣本替換為校驗樣本，獲取最小二乘支持向量機燃燒模型的第三特徵矩陣； 第二計算單元，用於根據所述分塊參數計算第三特徵矩陣的逆；第五獲取單元，用於根據所述第三特徵矩陣和所述第三特徵矩陣的逆，獲取校正後的最小二乘支持向量機燃燒模型參數； 賦值單元，用於將所述第三特徵矩陣賦給所述第一特徵矩陣，以及將所述第三特徵矩陣的逆賦給所述第一特徵矩陣的逆； 第三計算單元，利用校正後的最小二乘支持向量機燃燒模型預測鍋爐燃燒效率；優化控制單元，用於當所述鍋爐燃燒效率大於預設值時，發出報警，並根據校正後的燃燒模型進行鍋爐的燃燒優化控制。
7.根據權利要求6所述的基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，其特徵在於，所述第三獲取單元獲取所述第二矩陣的分塊參數時， 將所述第二特徵矩陣進行分塊，得到
8.根據權利要求6所述的基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，其特徵在於，所述第二計算單元根據所述分塊參數計算第三特徵矩陣的逆時，根據公式:
9.根據權利要求6所述的基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，其特徵在於，所述第五獲取單元根據所述第三特徵矩陣和所述第三特徵矩陣的逆，獲取校正後的最小二乘支持向量機燃燒模型參數時， 根據公式
10.根據權利要求6至9任一項所述的基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，其特徵在於，所述裝置還包括:校驗單元； 其中，所述校驗單元根據校驗樣本輸入向量，獲得最小二乘支持向量機燃燒模型的預測輸出量；將所述預測輸出量與鍋爐燃燒時的實測輸出量進行比較，計算校驗誤差δ ;當所述校驗誤差高於預定值時， 才通知所述第一交換單元進行相應操作。
全文摘要
本發明提出基於最小二乘支持向量機燃燒模型的鍋爐優化方法，包括步驟獲取初始訓練樣本集；獲取LSSVM模型參數及第一特徵矩陣；從訓練樣本集中獲取與校驗樣本距離最近的樣本，記為參考樣本，將第一特徵矩陣進行行列交換後得到第二特徵矩陣；計算第二特徵矩陣的逆；獲取第二矩陣的分塊參數；獲取LSSVM模型的第三特徵矩陣；計算第三特徵矩陣的逆；獲取校正後的LSSVM模型參數；將第三特徵矩陣賦給第一特徵矩陣，以及將第三特徵矩陣的逆賦給第一特徵矩陣的逆；利用校正後的LSSVM模型獲取鍋爐燃燒效率；根據校正後的燃燒模型進行燃燒優化控制。本發明還提出基於最小二乘支持向量機燃燒模型的鍋爐優化裝置，可以降低發電廠鍋爐燃燒的優化難度，提高優化的實時性。
文檔編號G06K9/66GK103150581SQ201310094709
公開日2013年6月12日 申請日期2013年3月22日 優先權日2013年3月22日
發明者羅嘉, 陳世和, 吳樂, 張世榮 申請人:廣東電網公司電力科學研究院, 武漢大學