CN102778538A - 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 - Google Patents

Abstract

本发明提供了一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，方法基于粒子群算法对支持向量回归进行参数寻优，选取了影响回归模型有效性的两个参数，首先通过传感器采集相关辅助变量的值，并进行数据预处理，根据过去6小时的历史数据辨识出支持向量回归模型的两个主要参数以确定飞灰含碳量软测量模型，并根据历史数据的更新每小时更新一次软测量模型，将实时测量的辅助变量值输入建立好的软测量模型即可得到飞灰含碳量输出值。本发明方法可用于实时测量火电厂锅炉燃烧过程产生飞灰中的未燃尽碳含量，可实现实时测量飞灰中的碳含量，同时还具有精度高、计算耗时少、适用范围广等优点。

Description

一种基于改进支持向量机的锅炉飞灰含碳量软测量方法

技术领域

本发明涉及一种锅炉飞灰含碳量的测量方法，尤其是涉及一种基于改进支持向量机的飞灰含碳量软测量方法。

背景技术

锅炉是火力发电厂的燃烧设备，锅炉运行的安全性和经济性在很大程度上决定整个火电厂运作的安全性和经济性。锅炉烟气中的碳含量是锅炉运行好坏的判断依据和降低煤炭消耗的重要指标，是锅炉燃烧优劣的评判依据。锅炉飞灰含碳量的实时监测有利于及时调整燃烧工况，提高锅炉燃烧控制水平，从而降低发电成本，提高机组的经济性。如果能实现锅炉飞灰含碳量在线测量，操作人员可以随时调整运行模式，将锅炉飞灰中的碳含量控制在最佳范围内，从而尽量提高燃烧效率，提高机组运行水平，对提高电厂经济效益具有现实意义。

影响锅炉飞灰含碳量的因素较复杂，预测和控制都很困难。针对锅炉飞灰含碳量的诸多影响因素耦合性强、非线性强的特点，科研人员提出基于支持向量机的锅炉飞灰含碳量软测量方法，对锅炉飞灰含碳量特性进行建模预测。为解决支持向量机受学习参数影响严重的问题，有人提出了结合寻优算法的支持向量建模，采用大范围遍历搜索算法进行参数寻优，此法需消耗大量时间，不适合在线建模；有人提出基于最小二乘的支持向量建模，将优化问题转化为线性方程的求解，其收敛速度快，但正规化参数集和核参数集的确定暂无明确的方法，受人为因素影响较大。现有的这些改进支持向量机建模法都没有明确地提出惩罚系数和核参数的确定方法，严重受人为因素的影响，很难保证模型测量精度。

发明内容

本发明所要解决的技术问题，就是提供一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，可实现实时测量锅炉飞灰中的碳含量，同时还具有精度高、泛化能力好等优点。

解决上述技术问题，本发明采用如下技术方案：

一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，包括以下步骤：

阶段一：模型建立阶段

Step1、获取辅助变量和主导变量过去6小时的历史数据，分别对辅助变量和主导变量数据进行误差和归一化预处理，将处理过的数据作为训练集数据；

Step2、采用粒子群算法对训练集数据进行训练，寻找支持向量机的最优参数；

Step3、利用最优参数以及经过预处理的辅助变量和主导变量数据，采用支持向量机法建立锅炉飞灰含碳量软测量模型，同时可以得到模型的支持向量集；

Step4、若时间为整点，执行Step5，否则执行Step7；

Step5、获取辅助变量和主导变量过去1小时的历史数据，分别对辅助变量和主导变量数据进行误差处理和归一化处理；

Step6、将Step5所得数据与Step3所得支持向量集组合，作为新的训练集，返回Step2；

阶段二：飞灰含碳量测量阶段

Step7、在线实时获取各辅助变量数据，对各辅助变量进行误差和归一化预处理；

Step8、将Step7得到的数据输入步骤Step3得到的锅炉飞灰含碳量软测量模型，对模型输出值进行反归一化处理，得到锅炉飞灰含碳量值并输出。

所述的Step1中的辅助变量包含：总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度(AA~EF)6个参数共24个参数；主导变量为锅炉飞灰含碳量。

所述的Step1中的误差处理包括粗大误差和随机误差的处理。

粗大误差的处理遵循拉依达准则，其数学方法表述如下：

设样本数据为y₁,y₂,…,y_n，平均值为

偏差为

(i＝1,2,…,n)，按照Bessel公式计算出标准偏差：

$\mathrm{\σ}={(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i^2/n-1)}^{1/2}={\left\{\right[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\right)/n]/(n-1)\}}^{1/2};$

如果某一样本数据y_k的偏差v_k(1≤k≤n)满足|v_k|＞3σ，则认为数据不合理，应予剔除；

随机误差的处理采用五点线性平滑法：

设某一辅助变量样本数据为{χ₁,χ₂,…,χ_n}，χ_i＝s_i+n_i，式中s_i为真值，n_i为噪声，则经五点线性平滑处理后的数据为

$y_i=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{x}_{i+r}=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r(s_{i+r}+n_{i+r})=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{s}_{i+r}+\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{n}_{i+r}=\stackrel{\‾}{s_i}+\stackrel{\‾}{n_i}$

式中{a_r}是一组权重值，满足

(r＝-q,…,0,…,q)；其中q＝5；所述的Step1中的归一化处理将原始数据标度变换至[-1，1]区间，方法如下：设某一辅助变量的采样数据为X＝{χ₁,χ₂,…,x_i，…,χ_n}则标准化后的数据X'为：

$X^{\′}=2\×\frac{X-\min \left(X\right)}{\max \left(X\right)-\min \left(X\right)}-1.$

所述的Step2具体包括以下步骤：

S2-1、初始化粒子种群：设定迭代次数为200、粒子个数为20，并随机产生一组粒子的初始位置和速度；

S2-2、适应度评估：采用适应度函数

进行适应度评估，其中，f(x_i)、y_i分别为预测值和实际值；

S2-3、若粒子的当前适应度值优于先前的最好位置pbest，则将其替换为当前的最好位置pbest；若粒子的当前适应度值优于全局所经历的最好位置gbest，则将gbest替换为最好粒子的当前位置；

S2-4、根据下式更新粒子的速度和位置：

V_i＝w*V_i+c₁*rand()*(pBest[i]-X_i)+c₂*Rand()*(pBest[g]-X_i)

X_i＝X_i+V_i

其中c₁，c₂为常数，称为学习因子；rand()和Rand()是[0，1]上的随机数，w是惯性权重，用于控制前一速度对当前速度的影响；X_i为粒子位置，V_i为粒子速度；pBest[i]为个体最优解pbest；pBest[g]为全局最优解gbest；

S2-5、若达到迭代次数，则停止迭代，输出最优解；否则跳转至S2-2。

所述的Step3为：

支持向量机满足经验风险最小化原则，即使得R_reg最小化：

$R_{\mathrm{reg}}=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\·R_{\mathrm{emp}}\left[f\left(x\right)\right]$

$=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\·\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}|y-f\left(x\right)|$

其中，||w||²是描述模型复杂度的项，

α_i、

是最小化R_reg的解，x_i是支持向量；C是惩罚系数，它的作用是在经验风险和模型复杂度之间进行折衷处理；R_emp是经验风险；l是样本数；y是实际值；f(x)是预测值；飞灰含碳量的求取公式为 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{w}_i\·K(x_i,x)+b,$

式中，K(χ_i,x)＝exp(g×|χ_i-x|²)，其中，g是核函数参数，w_i是支持向量的系数，x_i是支持向量，x是待求解的变量，b是计算得到的常量，l是样本数。

有益效果：与现有技术相比，本发明具有以下优点和积极效果：本发明方法可用于实时测量火电厂锅炉燃烧过程产生飞灰中的未燃尽碳含量，可实现实时测量飞灰中的碳含量，同时还具有精度高、计算耗时少、适用范围广等优点。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面将结合附图和具体实施对本发明方法作进一步说明。

本发明的基于改进支持向量机的锅炉飞灰含碳量软测量方法，采用粒子群寻优算法根据训练集数据特征自动获取支持向量机模型的学习参数，可有效减少建模过程中人为因素的影响和精度不确定性的问题。

本发明包括两个阶段：第一阶段是模型建立阶段，根据输入输出数据辨识出测量对象的数学模型，每小时更新一次模型；第二阶段是飞灰含碳量测量阶段，基于辨识模型计算飞灰含碳量的值。

具体包括以下步骤：

Step1、获取辅助变量和主导变量过去6小时的历史数据，分别对辅助变量和主导变量数据进行误差和归一化预处理，将预处理过的数据作为训练集。

辅助变量包含：总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度(AA~EF)6个参数共24个参数；主导变量为锅炉飞灰含碳量。

误差处理包括粗大误差的处理和随机误差的处理。

粗大误差的处理遵循拉依达准则。拉依达准则又称为3σ准则，它以试验次数充分多为前提，其数学方法表述如下：

设样本数据为y₁,y₂,…,y_n，平均值为

偏差为

(i＝1,2,…,n)。按照Bessel公式计算出标准偏差：

$\mathrm{\σ}={(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i^2/n-1)}^{1/2}={\left\{\right[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\right)/n]/(n-1)\}}^{1/2};$

如果某一样本数据y_k的偏差v_k(1≤k≤n)满足|v_k|＞3σ，则认为数据不合理，应予剔除。

随机误差的处理采用五点线性平滑法。

设某一辅助变量样本数据为{χ₁,χ₂,…,χ_n}，χ_i＝s_i+n_i，式中s_i为真值，n_i为噪声，则经五点线性平滑处理后的数据为

$y_i=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{x}_{i+r}=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r(s_{i+r}+n_{i+r})=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{s}_{i+r}+\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{n}_{i+r}=\stackrel{\‾}{s_i}+\stackrel{\‾}{n_i}$

式中{a_r}是一组权重值，满足

(r＝-q,…,0,…,q)；其中q＝5。归一化处理将原始数据标度变换至[-1，1]区间，方法如下。设某一辅助变量的采样数据为X＝{x₁,χ₂,…,χ_i,…,χ_n}则标准化后的数据X'为：

$X^{\′}=2\×\frac{X-\min \left(X\right)}{\max \left(X\right)-\min \left(X\right)}-1.$

Step2、采用粒子群算法对训练集数据进行训练，寻找支持向量机的最优参数，具体包括以下步骤：

S2-1、初始化粒子种群：设定迭代次数为200、粒子个数为20，并随机产生一组粒子的初始位置和速度；

S2-2、适应度评估：采用适应度函数

进行适应度评估，其中，f(χ_i)、y_i分别为预测值和实际值；

S2-3、若粒子的当前适应度值优于先前的最好位置pbest，则将其替换为当前的最好位置pbest；若粒子的当前适应度值优于全局所经历的最好位置gbest，则将gbest替换为最好粒子的当前位置；

S2-4、根据下式更新粒子的速度和位置：

V_i＝w*V_i+c₁*rand()*(pBest[i]-X_i)+c₂*Rand()*(pBest[g]-X_i)

X_i＝X_i+V_i

其中c₁，c₂为常数，称为学习因子；rand()和Rand()是[0，1]上的随机数，w是惯性权重，用于控制前一速度对当前速度的影响；X_i为粒子位置，V_i为粒子速度；pBest[i]为个体最优解pbest；pBest[g]为全局最优解gbest；

S2-5、若达到迭代次数，则停止迭代，输出最优解；否则跳转至S2-2。

Step3、利用最优参数以及经过预处理的辅助变量和主导变量数据，采用支持向量机法建立锅炉飞灰含碳量软测量模型，同时可以得到模型的支持向量集。

支持向量机满足经验风险最小化原则，即使得R_reg最小化：

$R_{\mathrm{reg}}=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\·R_{\mathrm{emp}}\left[f\left(x\right)\right]$

$=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\·\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}|y-f\left(x\right)|$

其中，||w||²是描述模型复杂度的项，α_i、

是最小化R_reg的解，x_i是支持向量；C是惩罚系数，它的作用是在经验风险和模型复杂度之间进行折衷处理；R_emp是经验风险；l是样本数；y是实际值；f(x)是预测值；

飞灰含碳量的求取公式为

式中，K(χ_i,x)＝exp(g×|χ_i-x|²)，其中，g是核函数参数，w_i是支持向量的系数，x_i是支持向量，x是待求解的变量，b是计算得到的常量，l是样本数。

Step4、若时间为整点，执行Step5，否则执行Step7；

每小时对训练集更新一次，以更新测量模型，提高模型的测量精度。

Step5、获取辅助变量和主导变量过去1小时的历史数据，分别对辅助变量和主导变量数据进行误差处理和归一化处理，处理方法与Step1相同。

Step6、将Step5所得数据与Step3所得支持向量集组合，作为新的训练集，返回Step2；

支持向量唯一地确定了支持向量回归函数，因而只需将新数据与历史数据中的支持向量组合即可，能减少训练速度，提高训练效率。

Step7、在线实时获取各辅助变量数据，对各辅助变量数据进行误差处理和归一化处理，处理方法与Step1相同。

Step8、将Step7得到的数据输入Step3得到的飞灰含碳量软测量模型，对模型输出值进行反归一化处理，得到锅炉飞灰含碳量值并输出。

Claims (5)

1.一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，包括以下步骤：

Step1、获取辅助变量和主导变量过去6小时的历史数据，分别对辅助变量和主导变量数据进行误差处理和归一化处理，将处理过的数据作为训练集；

Step2、采用粒子群算法对训练集数据进行训练，寻找支持向量机法的最优参数；

Step3、利用最优参数以及经过预处理的辅助变量和主导变量数据，采用支持向量机法建立飞灰含碳量软测量模型，同时可以得到所述模型的支持向量集；

Step4、若时间为整点，执行Step5，否则执行Step7；

Step5、获取辅助变量和主导变量过去1小时的历史数据，分别对辅助变量和主导变量数据进行误差处理和归一化处理，处理方法与Step1相同；

Step6、将Step5所得数据与Step3所得支持向量集组合，作为新的训练集，返回Step2；

Step7、在线实时获取各辅助变量数据，对各辅助变量进行误差处理和归一化处理，处理方法与Step1相同；

Step8、将Step7得到的数据输入步骤Step3得到的飞灰含碳量软测量模型，对模型输出值进行反归一化处理，得到飞灰含碳量值并输出。

2.根据权利要求1所述的一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，其特征在于：所述的Step1中的辅助变量包含：总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度(AA~EF)6个参数共24个参数；主导变量为锅炉飞灰含碳量。

3.根据权利要求2所述的基于改进支持向量机的锅炉飞灰含碳量软测量方法，其特征在于：所述的Step1中的误差处理包括粗大误差和随机误差的处理；

粗大误差的处理遵循拉依达准则，其数学方法表述如下：设样本数据为y₁,y₂,…,y_n，平均值为偏差为

(i＝1,2,…,n)，按照Bessel公式计算出标准偏差：

$\mathrm{\σ}={(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i^2/n-1)}^{1/2}={\left\{\right[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\right)/n]/(n-1)\}}^{1/2};$

如果某一样本数据y_k的偏差v_k(1≤k≤n)满足|v_k|＞3σ，则认为数据不合理，应予剔除；

随机误差的处理采用五点线性平滑法：

设某一辅助变量样本数据为{χ₁,χ₂,…,χ_n}，χ_i＝s_i+n_i，式中s_i为真值，n_i为噪声，则经五点线性平滑处理后的数据为

$y_i=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{x}_{i+r}=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r(s_{i+r}+n_{i+r})=\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{s}_{i+r}+\underset{r=-q}{\overset{q}{\mathrm{\Σ}}}{a}_r{n}_{i+r}=\stackrel{\‾}{s_i}+\stackrel{\‾}{n_i}$

式中{a_r}是一组权重值，满足

(r＝-q,…,0,…,q)；其中q＝5；

所述的Step1中的归一化处理将原始数据标度变换至[-1，1]区间，方法如下：设某一辅助变量的采样数据为X＝{x₁,χ₂,…,χ_i,…,χ_n}则标准化后的数据X'为：

$X^{\′}=2\×\frac{X-\min \left(X\right)}{\max \left(X\right)-\min \left(X\right)}-1.$

4.根据权利要求3所述的基于改进支持向量机的锅炉飞灰含碳量软测量方法，其特征在于：所述的Step2具体包括以下步骤：

S2-1、初始化粒子种群：设定迭代次数为200、粒子个数为20，并随机产生一组粒子的初始位置和速度；

S2-2、适应度评估：采用适应度函数

进行适应度评估，其中，f(χ_i)、y_i分别为预测值和实际值；

S2-3、若粒子的当前适应度值优于先前的最好位置pbest，则将其替换为当前的最好位置pbest；若粒子的当前适应度值优于全局所经历的最好位置gbest，则将gbest替换为最好粒子的当前位置；

S2-4、根据下式更新粒子的速度和位置：

V_i＝w*V_i+c₁*rand()*(pBest[i]-X_i)+c₂*Rand()*(pBest[g]-X_i)

X_i＝X_i+V_i

其中c₁，c₂为常数，称为学习因子；rand()和Rand()是[0，1]上的随机数，w是惯性权重，用于控制前一速度对当前速度的影响；X_i为粒子位置，V_i为粒子速度；pBest[i]为个体最优解pbest；pBest[g]为全局最优解gbest；

S2-5、若达到迭代次数，则停止迭代，输出最优解；否则跳转至S2-2。

5.根据权利要求4所述的基于改进支持向量机的锅炉飞灰含碳量软测量方法，其特征在于：所述的Step3为：

支持向量机满足经验风险最小化原则，即使得R_reg最小化：

$R_{\mathrm{reg}}=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\·R_{\mathrm{emp}}\left[f\left(x\right)\right]$

$=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\·\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}|y-f\left(x\right)|$

其中，||w||²是描述模型复杂度的项，

α_i、

是最小化R_reg的解，x_i是支持向量；C是惩罚系数，它的作用是在经验风险和模型复杂度之间进行折衷处理；R_emp是经验风险；l是样本数；y是实际值；f(x)是预测值；

飞灰含碳量的求取公式为 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{w}_i\·K(x_i,x)+b,$

式中，K(χ_i,x)＝exp(g×|χ_i-x|²)，其中，g是核函数参数，w_i是支持向量的系数，x_i是支持向量，x是待求解的变量，b是计算得到的常量，l是样本数。

Images