CN103400015A - 基于数值模拟与试验运行数据的燃烧系统复合建模方法 - Google Patents

Abstract

本发明公开了属于电站锅炉燃烧系统燃烧过程的复合建模技术领域的一种基于数值模拟与试验运行数据的燃烧系统复合建模方法。采用三维稳态工况，建立目标煤粉炉的数值模拟模型；针对LS-SVM所建立的目标模型，首先确立合适的输入变量，并且确定各输入变量的取值范围，利用正交法给定训练样本数据组数和各输入变量的值，得到变量列表，得到试验数据,建立机理LS-SVM模型；根据电厂实时数据更新LS-SVM模型。本发明弥补单纯的试验数据建模时数据单一的不足。利用电厂实时更新的数据更新模型，有效地提高了LS-SVM模型的精度，为锅炉燃烧优化打好基础。

Description

基于数值模拟与试验运行数据的燃烧系统复合建模方法

技术领域

本发明属于电站锅炉燃烧系统燃烧过程的复合建模技术领域，特别涉及一种基于数值模拟与试验运行数据的燃烧系统复合建模方法。具体说是一种以数值模拟模型提供数据并结合机组试验数据、实时运行数据建立LS-SVM模型的复合建模方法。

技术背景

机理建模是从基本物理定律，即利用各个专门学科领域提出的物质和能量的守恒性和连续性原理，以及系统(设备)的结构数据推导出模型。这种方法得出的数学模型称之为机理模型，这种建立模型的方法称为解析法。fluent软件属于计算流体软件（CFD），用于流体传热、燃烧过程的数值模拟。利用该软件来完成炉膛内完整的煤粉燃烧过程数值模拟，生成炉膛的流场和温度场，以及O₂、NO_x等分布，进而得出锅炉效率。但是这种数值模拟模型计算速度很慢，无法直接应用到锅炉燃烧优化中去。

机器学习建模最小二乘支持向量机（LS-SVM）对非线性系统具有很强的逼近能力,以等式约束代替不等式约束，将模型的训练转化为线性方程组的求解，简化了计算，缩短了训练时间，非常适合于从试验数据建立模型。但是这种黑箱辨识方法无法反应锅炉内部机理，建模精度受建模时的训练样本数据影响较大，好的建模数据对LS-SVM模型非常重要。

电站锅炉燃烧过程是个复杂的物理化学过程，涉及到燃烧学、流体力学、热力学、传热传质学等学科领域。目前用于电厂锅炉燃烧优化的模型多是神经网络、支持向量机等机器学习模型，建模数据只是锅炉试验数据，数据来源过于单一，并且试验数据无法涉及所有工况，这样会极大影响机器学习模型的精度。

发明内容

本发明的目的是为电站锅炉燃烧系统提供一种基于数值模拟与试验运行数据的复合建模方法，其特征在于，包括：

（1）选用可用于流体传热、燃烧过程的数值模拟软件fluent对目标锅炉的煤粉燃烧过程进行数值模拟建模；

（2）确定输入变量，利用正交法给定训练样本数据组数和各输入变量的值，利用第1步中的数值模拟模型计算每组输入对应的输出，得到变量列表；

（3）利用（2）中变量列表作为训练样本集，建立初始机理LS-SVM模型;

（4）采集目标电厂的燃烧调整试验数据，整合试验验数据，利用最小欧氏距离法修正机理LS-SVM模型；

（5）对于锅炉运行的实时数据，以允许的最大误差δ_s为基准，对LS-SVM进行实时更新。

所述数值模拟建模采用三维稳态模拟方法，建立目标煤粉炉的数值模拟模型；

所述步骤(2)根据建立的煤粉炉数值模拟模型计算LS-SVM建模所需要的训练样本数据，针对LS-SVM所建立的目标模型，首先确立合适的输入变量，并且确定各输入变量的取值范围，利用正交法给定训练样本数据组数和各输入变量的值，得到变量列表，得到试验数据,建立机理LS-SVM模型；

所述步骤（4）对目标电厂锅炉进行燃烧调整试验，通过数值模拟模型计算出每组数据的输出，根据电厂实时数据更新LS-SVM模型；

所述步骤（5）对于锅炉运行的实时数据，以允许的最大误差δ_s为基准，对LS-SVM进行实时更新，对于新的输入数据x_j，比较模型的预测输出Y_j与对象的实际输出y_j，通过式δ=|(y_j-Y_j)/y_j|计算模型预测的相对误差δ，若δ≤δ_s，则说明模型对新输入有效，若δ>δ_s，则模型失效，需要对模型进行更新。

本发明的有益效果是本发明利用数值模拟模型计算出的样本数据、实验数据建立LS-SVM初始模型，弥补单纯的实验数据建模时数据单一的不足。利用电厂实时更新的数据更新模型，有效地提高了LS-SVM模型的精度，为锅炉燃烧优化打好基础。

附图说明

图1为燃烧系统复合建模方法总体流程图。

图2为针对某燃煤发电机组锅炉的LS-SVM模型更新算法流程图。

具体实施方案

本发明提供一种基于数值模拟与试验运行数据的复合建模方法。下面结合附图予以说明。

图1燃烧系统复合建模方法总体流程图。包括如下主要步骤：

（1）选用可用于流体传热、燃烧过程的数值模拟软件fluent对目标锅炉的煤粉燃烧过程进行数值模拟建模。

（2）确定输入变量，利用正交法给定训练样本数据组数和各输入变量的值。利用第1步中的数值模拟模型计算每组输入对应的输出，得到变量列表。

（3）利用（2）中变量列表作为训练样本集，建立初始机理LS-SVM模型。

（4）采集目标电厂的燃烧调整试验数据，整合试验验数据，利用最小欧氏距离法修正机理LS-SVM模型；

（5）对于锅炉运行的实时数据，以允许的最大误差δ_s为基准，对LS-SVM进行实时更新。

图2为针对某燃煤发电机组锅炉的LS-SVM模型更新算法流程图。

（1）建立目标煤粉炉的数值模拟模型由下述方法得到：气固两相间的湍流计算采用RNG k-ε湍流模型、煤粉颗粒的轨迹场采用基于拉格朗日的随机颗粒轨道方法、采用离散传播法计算辐射传热、对煤粉挥发分的释放采用双平行反应模型；用混合分数模型描述气相混合燃烧；对于焦炭的燃烧采用了扩散动力学模型；采用De’Soete对燃料NO_X生成所作的机理模型；对热力NOx采用Zeldovich提出的机理进行计算；最后采用Spalding和Patankar建立起来的数值方法进行计算，其中计算区域的离散化采用正交非均匀交错网格，使用控制容积法推导差分方程，差分方程的求解采用压力-速度校正的SIMPLER方法及颗粒相的计算采用拉氏方法；

（2）根据建立的煤粉炉数值模拟模型计算LS-SVM建模所需要的训练样本数据，针对LS-SVM所建立的目标模型，首先确立合适的输入变量，并且确定各输入变量的取值范围，利用正交法给定训练样本数据组数和各输入变量的值，通过数值模拟模型计算出每组数据的输出，得到变量列表，建立机理LS-SVM模型；

（3）对目标电厂锅炉进行燃烧调整试验，得到试验数据，然后对机理LS-SVM模型进行修正，设一组试验数据为(x_k,y_k)，计算得到x_k与所有仿真数据的最小欧氏距离d_min，当d_min>d_s时，那么这组数据就添加到训练样本集中，当d_min<d_s时，替换掉与仿真数据距离最小的那组数据；其中d_s为欧氏距离设定值，需要注意的是在进行欧氏距离计算前需要先将数据归一化到[-1,1]之间，归一化公式如式（A），

$x^{\&prime;}=(x-\frac{\max \left(x\right)+\min \left(x\right)}{2})/\left(\frac{\max \left(x\right)-\min \left(x\right)}{2}\right)---\left(A\right)$

（4）根据电厂实时数据更新LS-SVM模型，对于新的输入数据x_j，比较模型的预测输出Y_j与对象的实际输出y_j，通过式（B）计算模型预测的相对误差δ，若δ≤δ_s，则说明模型对新输入有效，若δ>δ_s，则模型失效，需要对模型进行更新，其中δ_s为允许的最大误差；

δ=|(y_j-Y_j)/y_j|                  （B）

当模型失效时计算输入样本x_j与每一个支持向量x_k,k=1,…l之间的欧氏距离，其中与第i个样本的距离最近，其值为d，若d≤d_s，说明新样本与原支持向量集中第i个样本特性相似，则将(x_j,y_j)替换训练样本集中第i个样本，若d>d_s，说明新样本与原支持向量集特性偏差较大，则将(x_j,y_j)直接添加到原训练样本集中。

Claims (5)

1.一种基于数值模拟与试验运行数据的复合建模方法，其特征在于，包括：

（1）选用可用于流体传热、燃烧过程的数值模拟软件fluent对目标锅炉的煤粉燃烧过程进行数值模拟建模；

（2）确定输入变量，利用正交法给定训练样本数据组数和各输入变量的值，利用第1步中的数值模拟模型计算每组输入对应的输出，得到变量列表；

（3）利用（2）中变量列表作为训练样本集，建立初始机理LS-SVM模型;

（4）采集目标电厂的燃烧调整试验数据，整合试验验数据，利用最小欧氏距离法修正机理LS-SVM模型；

（5）对于锅炉运行的实时数据，以允许的最大误差δ_s为基准，对LS-SVM进行实时更新。

2.根据权利要求1所述基于数值模拟与试验运行数据的复合建模方法，其特征在于，所述数值模拟建模采用三维稳态工况，建立目标煤粉炉的数值模拟模型。

3.根据权利要求1所述基于数值模拟与试验运行数据的复合建模方法，其特征在于，所述步骤(2)根据建立的煤粉炉数值模拟模型计算LS-SVM建模所需要的训练样本数据，针对LS-SVM所建立的目标模型，首先确立合适的输入变量，并且确定各输入变量的取值范围，利用正交法给定训练样本数据组数和各输入变量的值，得到变量列表，得到试验数据,建立机理LS-SVM模型。

4.根据权利要求1所述基于数值模拟与试验运行数据的复合建模方法，其特征在于，所述步骤（4）对目标电厂锅炉进行燃烧调整试验，通过数值模拟模型计算出每组数据的输出，根据电厂实时数据更新LS-SVM模型。

5.根据权利要求1所述基于数值模拟与试验运行数据的复合建模方法，其特征在于，所述步骤（5）对于锅炉运行的实时数据，以允许的最大误差δ_s为基准，对LS-SVM进行实时更新，对于新的输入数据x_j，比较模型的预测输出Y_j与对象的实际输出y_j，通过式δ=|(y_j-Y_j)/y_j|计算模型预测的相对误差δ，若δ≤δ_s，则说明模型对新输入有效，若δ>δ_s，则模型失效，需要对模型进行更新。

Images