CN102967393A - 一种超超临界机组锅炉分离器出口温度在线校准的方法 - Google Patents

Abstract

一种超超临界机组锅炉分离器出口温度在线校准的方法首先，确定分离器出口温度在线校准方法选用的初选辅助变量；其次，数据采集及预处理；然后用本发明提供的算法进行变量选取，同时对本发明提供的算法模型关键参数进行寻优；最终确定超超临界机组锅炉分离器出口温度在线校准模型。本发明具有不增加硬件设备，可靠性好，可以在线校准测量仪表，精度高的优点，可实现不停机测点校准，提高机组运行的可靠性。

Description

一种超超临界机组锅炉分离器出口温度在线校准的方法

技术领域

本发明涉及一种燃煤电厂超超临界机组锅炉分离器出口温度在线校准的方法。

背景技术

目前，燃煤电厂大型超超临界机组参与调峰运行势在必行。在调峰过程中，机组的热工参数的变化频繁且幅度大，而热工参数尤其是蒸汽温度的波动对机组的安全经济运行会带来严峻的挑战。电厂运行的安全性和经济性取决于监视、控制和保护系统的准确运行，这些系统的准确性又取决于热工测量仪表对设备状态的准确测量。一个机组有上万个测点，热工仪表工作环境恶劣，长期受高温高速气流、烟尘的冲刷，易造成仪表测量失真，零点漂移，传感器故障等问题，从而导致观测到的数据中含有异常数据，严重影响机组的安全经济运行。尤其是温度类参数，在锅炉系统中测点多，采用硬件检测仪表成本高，精度低，且容易损坏，而应用先进的人工智能和建模技术，在不增加设备的情况下，快速地对超超临界机组锅炉热工测量仪表进行在线校准，为设备的检测和控制提供准确的数据，可避免或减少由于仪表故障导致热工参数失真而酿成较大事故。

锅炉的许多温度参数，都不是孤立的变量，均与运行中锅炉的其他参数具有复杂的数学关系。

锅炉的某些中间点的温度作为被控参数而被用来调节锅炉的运行，提高锅炉调峰运行的灵活性和负荷适应性，克服锅炉调节运行的大滞后现象，提高锅炉运行的稳定性。例如，超超临界机组锅炉分离器出口温度是锅炉中的一个重要的锅炉中间点温度，在超超临界机组中既是控制温度的超前信号，又是水冷壁超温保护的重要参数。该温度是在过热区段中取的某一固定点的温度，在不同的负荷下将其维持在一个适度的范围，用以控制水煤比来维持主汽温度。

发明内容

本发明所要解决的技术问题，就是提供一种成本低、精度高、计算时间短的超超临界机组锅炉分离器出口温度在线校准的方法。

解决上述技术问题，本发明采用的技术方案如下：

一种超超临界机组锅炉分离器出口温度在线校准的方法，包括以下步骤：

S1利用机理分析和专家先验知识，分析影响超超临界机组锅炉分离器出口温度的主要因素，初步确定超超临界机组锅炉分离器出口温度在线校准的方法所需的辅助变量和主导变量；

根据专业知识和运行经验，初步选取的辅助变量有11个：负荷、分离器储水箱出口蒸汽压力、锅炉给水流量、主给水温度、省煤器出口给水温度、总给煤量、一级过热器减温器喷水量、省煤器出口排烟含氧量、锅炉总风量、过热器烟道调温挡板阀位、再热器烟道调温挡板阀位。

主导变量为超超临界机组锅炉分离器出口温度。

（2）数据采集及预处理。

1）根据步骤（1）确定的辅助变量和主导变量，从DCS系统中采集相关数据，采用3σ准则对异常点进行判断并剔除异常点，剔除异常点后的数据作为模型的原始数据。

2）将原始数据标准化，避免具有不同物理意义和量纲的辅助变量不能平等使用，使其均值为0，方差为1。

在建模中，由于从DCS系统采集的多个辅助变量数据和主变量数据有着不同的工程单位，各变量的大小在数值上也可能相差很大，有的甚至相差几个数量级，直接使用原始测量数据进行计算将夸大大量纲数据的作用，忽略其他变量，淹没某些低数值的特征输入，还可能导致丢失信息和引起数值计算的不稳定，因此需要对原始测量数据进行数据变换，利用合适的因子进行标度即标准化处理，使其平均值为0，方差为1，可有效改善建模的效果，避免算法的不稳定性。方法如下：

设某一变量的原始数据为：

X_i′={x_i′(1),x_i′(2),...,x_i′(k),...,x_i′(n)}        i=0,1,...,m

则标准化后的数据X'为：

$X_i=\frac{X_i^{\′}-\min \left(X_i^{\′}\right)}{\max \left(X_i^{\′}\right)-\min \left(X_i^{\′}\right)}i=\mathrm{0,1},...,m$

其满足均值为0，方差为1。

（3）用灰关联分析算法进行变量选取，计算辅助变量和主导变量的灰关联度及其排序，最终确定模型的辅助变量和主导变量，具体方法是：

1）建立参考序列和比较序列，选择超超临界机组锅炉分离器出口温度为参考序列X₀={x₀(1),x₀(2),...,x₀(k),...,x₀(n)}，选择各辅助变量分别为比较序列X_i={x_i(1),x_i(2),...,x_i(k),...,x_i(n)}，其中i=1,2,...,m  k=1,2,...,n。

2）分别计算参考序列X₀和各比较序列X_i（i＝1,2,...,m）第k组的灰关联系数为：

${\mathrm{\λ}}_i\left(k\right)=\frac{1}{1+|\frac{\mathrm{\Δ}{x}_i\left(k\right)}{(t(k+1)-t\left(k\right))\mathrm{\δ}{x}_i}-\frac{\mathrm{\Δ}{x}_0\left(k\right)}{(t(k+1)-t\left(k\right)){\mathrm{\δx}}_0}|}$

其中：Δx_i(k)=x_i(k)-x_i(k-1)，i=0,1,...,m，k=2,3,...,n；

分别为序列X₀和X_i在第k组的斜率；

i＝1,2,...,m,k=1,2,...,n，为比较序列X_i的标准差；

k=1,2,...,n，为参考序列X₀的标准差；

在此处添加标准差，是为了消除两序列斜率差别较大往往只有一个起作用的情况。因为标准差能比较综合的反映数列数据的离散程度和个别差异程度。

3）分别计算参考序列和各比较序列之间的灰关联度：

${\mathrm{\γ}}_i=\frac{1}{n-1}\underset{k=1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\left(k\right)i=\mathrm{1,2},...,m,k=\mathrm{1,2},...,n$

若γ_i=1，说明参考序列和某一比较序列的增长率变化完全相关；如果0<γ_i<1，说明二者之间具有关联性，且γ_i值越大，关联性越强。

4）比较各个灰关联度，排关联序,最终确定最小二乘支持向量机模型的辅助变量。

（4）利用遗传算法进行模型参数寻优。

1）本发明提出用最小二乘支持向量机模型作为超超临界机组锅炉分离器出口温度在线核准模型：

对最小二乘支持向量机模型，将辅助变量X_i作为模型的输入u=[u₁，u₂,…,u_m]，主导变量X₀作为模型的输出y=[y₁,…,y_n]^T，m为辅助变量个数n为训练样本的个数，则最小二乘支持向量机模型为：

$y=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i}K(u,u_j)+b$

该模型的理论基础为求解二次规划问题：

$\min J(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2$

y_i=w^TΦ(u_i)+b+e_i，i＝1，2，…，n

其中，J(w，e)是结构风险，γ正则化参数，e={e₁，e₂，…e_n}是允许误差；

为求解该约束的最优化问题，引入拉格朗日函数：

$L(w,b,e,\mathrm{\&alpha;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\{w^T\mathrm{\&Phi;}\left(u_i\right)+b+e_i-y_i\}$

其中，a_i为拉格朗日乘子；

将上式分别对w b e a求偏导，得到如下优化条件：

$\left\{\begin{array}{c}\frac{\&PartialD;L}{\&PartialD;w}=0\&RightArrow;w=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\mathrm{\&Phi;}\left(y_i\right)\\ \frac{\&PartialD;L}{\&PartialD;b}=0\&RightArrow;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i=0\\ \frac{\&PartialD;L}{{\&PartialD;e}_i}=0\&RightArrow;{\mathrm{\&alpha;}}_i=\mathrm{\&gamma;}{e}_i\\ \frac{\&PartialD;L}{\&PartialD;{\mathrm{\&alpha;}}_i}=0\&RightArrow;w^T\mathrm{\&Phi;}\left(u_i\right)+b+e_i-y_i=0\end{array}\right.$

消去w，e_k，则上述优化问题转化为：

$\left[\begin{array}{c}b\\ \mathrm{\&alpha;}\end{array}\right]=\left[\begin{array}{cc}0& {\tilde{1}}_{n\&times;1}^T\\ {\tilde{1}}_{n\&times;1}& \mathrm{\&Omega;}+V_{\mathrm{\&gamma;}}\end{array}\right]\&times;\left[\begin{array}{c}0\\ y\end{array}\right]$

其中，

a＝[a₁，…，a_n]，

为n×1单位向量，y=[y₁，...，y_n]^T，Q_ij=Φ(u_i)^T·Φ(u_j)=K(u_i，u_j)为满足Mercer条件的核函数，选取径向基核函数：

K(u_i，u_j)=exp(-||u-u_j||²/σ²)

其中，σ²为核参数；

由此可得最小二乘支持向量机模型：

$y=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i}K(u,u_j)+b;$

2)初步确定模型的正则化参数γ和核参数数σ²的可能取值范围；随机选择γ和σ²各参数的初始值并采用实数编码，构造初始种群P(t)；

3)选取E(n)为遗传优化的目标函数，计算公式为

$E\left(n\right)=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2;$

其中，l为训练样本数，y_i为第i个样本的期望输出，

为第i个样本的最小二乘支持向量机模型的输出。

4）选取个体适应度函数为 $f\left(n\right)=\left\{\begin{array}{cc}{E}_{\max }-E\left(n\right)& E_{\max }>E\left(n\right)\\ 0& E_{\max }<E\left(n\right)\end{array}\right..$

其中，E_max为一个适当相对较大的数。

5）将P(t)中的个体输入到最小二乘支持向量机模型进行训练，经选择、交叉、变异多次迭代计算适应度值，当适应度值满足f(n)→E_max且达到最大时，则终止迭代，输出最优的γ和σ²组合；

（5）利用步骤（3）中遗传算法寻优得到的γ和σ²值，选取已经标准化处理的部分样本作为训练样本，训练最小二乘支持向量机模型，并存储模型。

（6）将在线测得的辅助变量数据输入步骤（5）得到的模型进行测试，模型输出即为相应时刻的超超临界机组锅炉分离器出口温度。

有益效果：本发明以容易在线测量的辅助变量来得到超超临界机组锅炉分离器出口温度，具有在不增加设备的情况下可靠性好，可在线校准测量仪表，精度高的优点。

附图说明

图1为测试样本点实测值和模型计算值对比曲线图；

图2为测试样本点残差曲线图。

具体实施方式

以某电厂超（超）临界1000MW机组为研究对象，详细叙述本发明的具体实施方式。该1000MW超超临界机组锅炉分离器出口温度为建模对象。主蒸汽温度的调节主要是通过控制水煤比以控制分离器出口温度，为粗调；细调采用三级喷水减温，此外还用烟气挡板、燃烧器摆动作为辅助调节方式。

（1）确定辅助变量和主导变量

利用机理分析和专家先验知识，分析影响分离器出口温度的主要因素，初步确定最小二乘支持向量机的辅助变量和主导变量。

根据专业知识和运行经验，初步选取的辅助变量有：负荷、分离器储水箱出口蒸汽压力、锅炉给水流量、主给水温度、省煤器出口给水温度、总给煤量、一级过热器减温器喷水量、省煤器出口排烟含氧量、锅炉总风量、过热器烟道调温挡板阀位、再热器烟道调温挡板阀位11个，主导变量为锅炉分离器出口温度。

（2）数据采集及数据预处理

1）根据步骤（1）确定的辅助变量和主导变量，采集DCS系统相关数据并进行异常点剔除，剔除后的数据作为原始数据；

2）将原始数据标准化，避免具有不同物理意义和量纲的辅助变量不能平等使用，使其均值为0，方差为1：

设某一变量的原始数据为：

X_i′={x_i′(1),x_i′(2),...,x_i′(k),...,x_i′(n)}       i=0,1,...,m

则标准化后的数据X'为：

$X_i=\frac{X_i^{\&prime;}-\min \left(X_i^{\&prime;}\right)}{\max \left(X_i^{\&prime;}\right)-\min \left(X_i^{\&prime;}\right)}i=\mathrm{0,1},...,m$

其满足均值为0，方差为1。

(3)计算辅助变量和主导变量的斜率关联度和排关联序：

1）建立参考序列和比较序列，选择超超临界机组锅炉分离器出口温度为参考序列X₀=｛x₀(1),x₀(2),...,x₀(k),...,x₀(n)}，选择各辅助变量分别为比较序列X_i={x_i(1),x_i(2),...,x_i(k),...,x_i(n)}，其中i=1,2,...,mk=1,2,...,n。

2）分别计算参考序列X₀和各比较序列X_i（i＝1,2,...,m）第k组的灰关联系数为：

${\mathrm{\&lambda;}}_i\left(k\right)=\frac{1}{1+|\frac{\mathrm{\&Delta;}{x}_i\left(k\right)}{(t(k+1)-t\left(k\right))\mathrm{\&delta;}{x}_i}-\frac{\mathrm{\&Delta;}{x}_0\left(k\right)}{(t(k+1)-t\left(k\right)){\mathrm{\&delta;x}}_0}|}$

其中：Δx_i(k)=x_i(k)-x_i(k-1)，i=0,1,...,m，k=2,3,...,n；

分别为序列X₀和X_i在第k组的斜率；

i＝1,2,...,m,k=1,2,...,n，为比较序列X_i的标准差；

k=1,2,...,n，为参考序列X₀的标准差；

在此处添加标准差，是为了消除两序列斜率差别较大往往只有一个起作用的情况。因为标准差能比较综合的反映数列数据的离散程度和个别差异程度。

3）分别计算参考序列和各比较序列之间的灰关联度：

${\mathrm{\&gamma;}}_i=\frac{1}{n-1}\underset{k=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i\left(k\right)i=\mathrm{1,2},...,m,k=\mathrm{1,2},...,n$

若γ_i=1，说明参考序列和某一比较序列的增长率变化完全相关；如果0<γ_i<1，说明二者之间具有关联性，且γ_i值越大，关联性越强。

计算辅助变量和主导变量的斜率关联度和排关联序如表1所示。

表1辅助变量和主导变量的斜率关联度和关联序

从表1所排列的关联序可以看出各个辅助变量对主导变量的影响关系。

取0.93作为特征变量提取的满意度阈值，则把一级过热器减温器喷水量和省煤器出口排烟氧量两个辅助变量去掉，选取的辅助变量有负荷x₁（MW）、分离器储水箱出口蒸汽压力x₂（MPa）、锅炉给水流量x₃（t/h）、主给水温度x₄（℃）、省煤器出口给水温度x₅（℃）、总给煤量x₆（t/h）、锅炉总风量x₇（t/h）、过热器烟道调温挡板阀位x₈（%）和再热器烟道调温挡板阀位x₉（%）这9个参数，主导变量分离器出口温度用y（℃）表示。

（4）利用遗传算法对最小二乘支持向量机参数寻优

1）确定最小二乘支持向量机的参数γ和σ²的可能取值范围:

γ=[0.1,10000]，σ²=[0.01,100]

2）随机选择γ和σ²各参数的初始值并采用实数编码，构造初始种群P(t)。

3）选取E(n)为遗传优化的目标函数，计算公式为

$E\left(n\right)=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{(x_{0i}-{\hat{x}}_{0i})}^2$

其中，l为训练样本数，x_0i为第i个样本的期望输出，

为第i个样本的最小二乘支持向量机模型的输出。

4）选取个体适应度函数为 $f\left(n\right)=\left\{\begin{array}{cc}{E}_{\max }-E\left(n\right)& E_{\max }>E\left(n\right)\\ 0& E_{\max }<E\left(n\right)\end{array}\right..$

其中，E_max为一个适当相对较大的数，E_max=10。

5）将P(t)中的个体输入到最小二乘支持向量机模型进行训练，经选择、交叉、变异多次迭代计算适应度值。停止代数为100，即如果适应度值在指定代数内没有改进，则遗传算法终止。当适应度值满足条件时，则终止迭代，输出最优的γ和σ²组合。迭代15代后，得到最佳适应度值为0.74409，最优模型参数为γ=742.9903和σ²=1.3557。

（5）最小二乘支持向量机模型的建立

利用步骤（3）中遗传算法寻优得到的最佳参数组合γ=742.9903和σ²=1.3557，选取已经标准化处理的部分样本作为训练样本，训练模型，并存储分离器出口温度在线校准模型。

（6）将在线测得的多组辅助变量输入模型，计算相应时刻的超超临界机组锅炉分离器出口温度。

为了验证所建模型的精度，测试样本取433组数据，数据既涵盖降负荷和升负荷阶段，又包括满负荷运行阶段，分离器出口温度变化较大，很有代表性。用步骤（5）训练得到的最小二乘支持向量机模型进行计算，图1为分离器出口温度的实测值和所建模型计算值的对比曲线，图2为残差曲线。该模型计算的最大绝对误差为2.7182℃，均方根误差为1.0630℃，说明该模型的精度较高，可以用于机组的监测、控制和冗余分析中，也验证了所建立非线性模型时的优越性。

Claims (3)

1.一种超超临界机组锅炉分离器出口温度在线校准的方法，包括以下步骤：

S1确定锅炉分离器出口温度在线测量模型的初选辅助变量和主导变量：

初选辅助变量：负荷、分离器储水箱出口蒸汽压力、锅炉给水流量、主给水温度、省煤器出口给水温度、总给煤量、一级过热器减温器喷水量、省煤器出口排烟含氧量、锅炉总风量、过热器烟道调温挡板阀位和再热器烟道调温挡板阀位；

主导变量：超超临界机组锅炉分离器出口温度；

S2数据采集及预处理：

S2-1）根据步骤S1确定的辅助变量和主导变量，从DCS系统中采集相关数据，采用3σ准则对异常点进行判断并剔除异常点，剔除异常点后的数据作为模型的原始数据；

S2-2）将全部的原始数据标准化：

设某一变量的原始数据：

X_i′={x_i′(1),x_i′(2),...,x_i′(k),...,x_i′(n)}    i=0,1,...,m

则标准化后的数据X'为：

$X_i=\frac{X_i^{\&prime;}-\min \left(X_i^{\&prime;}\right)}{\max \left(X_i^{\&prime;}\right)-\min \left(X_i^{\&prime;}\right)}i=\mathrm{0,1},...,m$

其满足均值为0，方差为1；

S3用灰关联分析算法进行变量选取，计算辅助变量和主导变量的灰关联度及其排序，最终确定模型的辅助变量和主导变量：

S3-1）建立参考序列和比较序列：

选择超超临界机组锅炉分离器出口温度为参考序列：

X₀={x₀(1),x₀(2),...,x₀(k),...,x₀(n)}

选择各初选的辅助变量分别为比较序列

X_i={x_i(1),x_i(2),...,x_i(k),...,x_i(n)}

其中i＝1,2,...,m k=1,2,...,n；

S3-2）分别计算参考序列X₀和各比较序列X_i（i＝1,2,...,m）第k组的灰关联系数：

${\mathrm{\&lambda;}}_i\left(k\right)=\frac{1}{1+|\frac{\mathrm{\&Delta;}{x}_i\left(k\right)}{(t(k+1)-t\left(k\right))\mathrm{\&delta;}{x}_i}-\frac{\mathrm{\&Delta;}{x}_0\left(k\right)}{(t(k+1)-t\left(k\right)){\mathrm{\&delta;x}}_0}|}$

其中：Δx_i(k)=x_i(k)-x_i(k-1)，i=0,1,...,m，k=2,3,...,n；

分别为序列X₀和X_i在第k组的斜率；

i=1,2,...,m,k=1,2,...,n，为比较序列X_i的标准差；

k=1,2,...,n，为参考序列X₀的标准差；

S33）分别计算参考序列和各比较序列之间的灰关联度：

${\mathrm{\&gamma;}}_i=\frac{1}{n-1}\underset{k=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i\left(k\right)i=\mathrm{1,2},...,m,k=\mathrm{1,2},...,n$

若γ_i=1，说明参考序列和某一比较序列的增长率变化完全相关；如果0<γ_i<1，说明二者之间具有关联性，且γ_i值越大，关联性越强；

S3-4）比较各个灰关联度，排关联序,最终确定最小二乘支持向量机模型的辅助变量；

S4利用遗传算法进行最小二乘支持向量机模型参数寻优：

S4-1）本发明提出用最小二乘支持向量机模型作为超超临界机组锅炉分离器出口温度在线校准模型；

对最小二乘支持向量机模型，将辅助变量X_i作为模型的输入u=[u₁，u₂,…,u_m]，主导变量X₀作为模型的输出y=[y₁，…,y_n]^T，m为辅助变量个数n为训练样本的个数，则最小二乘支持向量机模型为：

$y=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i}K(u,u_j)+b$

该模型的理论基础为求解二次规划问题：

$\min J(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2$

y_i=w^TΦ(u_i)+b+e_i,i=1,2,…,n

其中，J(w,e)是结构风险,γ正则化参数,e=｛e₁，e₂,…e_n}是允许误差；

为求解该约束的最优化问题，引入拉格朗日函数：

$L(w,b,e,\mathrm{\&alpha;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i^2-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\{w^T\mathrm{\&Phi;}\left(u_i\right)+b+e_i-y_i\}$

其中，a_i为拉格朗日乘子；

将上式分别对w b e a求偏导，得到如下优化条件：

$\left\{\begin{array}{c}\frac{\&PartialD;L}{\&PartialD;w}=0\&RightArrow;w=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\mathrm{\&Phi;}\left(y_i\right)\\ \frac{\&PartialD;L}{\&PartialD;b}=0\&RightArrow;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i=0\\ \frac{\&PartialD;L}{{\&PartialD;e}_i}=0\&RightArrow;{\mathrm{\&alpha;}}_i=\mathrm{\&gamma;}{e}_i\\ \frac{\&PartialD;L}{\&PartialD;{\mathrm{\&alpha;}}_i}=0\&RightArrow;w^T\mathrm{\&Phi;}\left(u_i\right)+b+e_i-y_i=0\end{array}\right.$

消去w,e_k，则上述优化问题转化为：

$\left[\begin{array}{c}b\\ \mathrm{\&alpha;}\end{array}\right]=\left[\begin{array}{cc}0& {\tilde{1}}_{n\&times;1}^T\\ {\tilde{1}}_{n\&times;1}& \mathrm{\&Omega;}+V_{\mathrm{\&gamma;}}\end{array}\right]\&times;\left[\begin{array}{c}0\\ y\end{array}\right]$

其中，

a=[a_n,…,a_n],

为n×1单位向量,y=[y₁，…,y_n]^T,Ω_ij=Φ(u_i)^T·Φ(u_j)=K(u_i,u_j)为满足Mercer条件的核函数，选取径向基核函数：

K(u_i,u_j)=exp(-||u-u_j||²/σ²)

其中，σ²为核参数；

由此可得最小二乘支持向量机模型：

$y=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i}K(u,u_j)+b;$

S4-2）初步确定模型的正则化参数γ和核参数数σ²的可能取值范围；随机选择γ和σ²各参数的初始值并采用实数编码，构造初始种群P(t)；

S43）选取E(n)为遗传优化的目标函数，计算公式为

$E\left(n\right)=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2;$

其中，l为训练样本数，y_i为第i个样本的期望输出，

为第i个样本的最小二乘支持向量机模型的输出；

S4-4）选取个体适应度函数为 $f\left(n\right)=\left\{\begin{array}{cc}{E}_{\max }-E\left(n\right)& E_{\max }>E\left(n\right)\\ 0& E_{\max }<E\left(n\right)\end{array}\right.;$

其中，E_max为一个适当相对较大的数；

S4-5）将P(t)中的个体输入到最小二乘支持向量机模型进行训练，经选择、交叉、变异多次迭代计算适应度值，当适应度值满足f(n)→E_max且达到最大时，则终止迭代，输出最优的γ和σ²组合；

S5利用步骤S3中遗传算法寻优得到的γ和σ²值，选取已经标准化处理的部分样本作为训练样本，训练最小二乘支持向量机模型，并存储模型；

S6将在线测得的辅助变量数据输入步骤S5得到的模型进行测试，模型输出即为相应时刻的锅炉分离器出口温度超超临界机组锅炉分离器出口温度。

2.如权利要求1所述的超超临界机组锅炉分离器出口温度在线校准的方法，其特征在于：所述步骤S2中用灰关联方法进行变量的选择，剔除对主导变量超超临界机组锅炉分离器出口温度影响较小的辅助变量，从而减少模型辅助变量，降低模型复杂度，减少运行时间。

3.如权利要求1所述的超超临界机组锅炉分离器出口温度在线校准的方法，其特征在于：所述步骤S4中用遗传算法寻找最小二乘支持向量机中参数γ和σ²的最优组合，使得最小二乘支持向量机模型的精度更高。

Images