CN103425049A - 循环流化床锅炉热效率预测系统及方法 - Google Patents

Abstract

本发明公开了一种循环流化床锅炉热效率预测系统及方法，系统包括与循环流化床锅炉连接的现场智能仪表、数据库、数据接口、控制站以及上位机；现场智能仪表与控制站、数据库和上位机连接，上位机包括：标准化处理模块，用于从数据库中采集关键变量的训练样本，并进行标准化处理；预测机制形成模块，用于建立预测模型；预测执行模块，用于根据循环流化床锅炉的运行工况和设定的操作变量预测热效率；模型更新模块；信号采集模块；结果显示模块。本发明根据循环流化床锅炉的运行工况和操作变量对热效率进行预测，以便于建议并指导运行操作，从而提高循环流化床锅炉的热效率，并为进一步对运行效率进行优化奠定基础。

Description

循环流化床锅炉热效率预测系统及方法

技术领域

本发明涉及能源工程领域，特别地，涉及一种循环流化床锅炉热效率预测系统及方法。

背景技术

循环流化床锅炉具有污染物排放少、燃料适应性广、负荷调节能力强等优点，近年来在电力、供热等行业中得到越来越广泛的应用。随着能源的日益紧张和人们节能环保意识的不断增强，使用者迫切需要对锅炉机组的运行潜力进行挖掘，提高机组的运行效率。然而目前大部分循环流化床锅炉均存在自动化程度低，操作依赖人工经验的特点，使锅炉的节能潜力难以得到充分地挖潜，造成这一状况的一个重要原因是缺乏合理的预测系统和方法。循环流化床锅炉的热效率是指锅炉运行中被有效利用的热量占输入热量的比例。基于节能目的的考虑，建立循环流化床锅炉热效率的预测系统，对循环流化床锅炉的高能效操作、运行分析和操作优化具有重要意义。

发明内容

本发明的目的在于针对现有技术的不足，提供一种循环流化床锅炉排烟热损失预测系统及方法。

本发明解决其技术问题所采用的技术方案是：一种循环流化床锅炉热效率预测系统，包括与循环流化床锅炉连接的现场智能仪表、数据库、数据接口、控制站以及上位机；现场智能仪表与控制站、数据库和上位机连接，所述的上位机包括：

标准化处理模块，用于从数据库中采集运行工况变量和操作变量的历史记录，组成自变量的训练样本矩阵X，采集对应的过量空气系数、排烟温差、飞灰含碳百分数的历史记录，组成因变量训练样本矩阵Y，对训练样本矩阵X、Y进行标准化处理，使各变量的均值为0，方差为1，得到标准化后自变量训练样本矩阵X^*(n×p)、3个标准化后因变量训练样本向量（k=1,2,3），采用以下过程来完成：

1.1）求均值：

${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},$ （i=1,2,…,n；j=1,2,…,p）    （1）

${\stackrel{\‾}{y}}_k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_{\mathrm{ik}},$ （i=1,2,…,n；k=1,2,3）    （2）

1.2）求标准差

$s_{x,j}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j)}^2},$ （i=1,2,…,n；j=1,2,…,p）    （3）

$s_{y,k}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{ik}}-{\stackrel{\‾}{y}}_k)}^2},$ （i=1,2,…,n；k=1,2,3）    （4）

1.3）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{s_{x,j}},$ （i=1,2,…,n；j=1,2,…,p）    （5）

$y_{\mathrm{ik}}^{*}=\frac{y_{\mathrm{ik}}-{\stackrel{\‾}{y}}_k}{s_{y,k}},$ （i=1,2,…,n；k=1,2,3）    （6）

其中，x_ij、y_ik为训练样本点的原值，n为训练样本个数，p为自变量个数，

为训练样本的均值，s_x,j、s_y,k为训练样本的标准差，

为训练样本点的标准化值，其中下标i、j、k分别表示第i个训练样本点、第j个自变量、第k个因变量。

预测机制形成模块，用于建立预测模型，其实现步骤如下：

2.1）令初始自变量残差阵E₀=X^*；

2.2）令初始因变量序号k=1；

2.3）令当前因变量初始残差向量

2.4）令初始成分数h=1；

2.5）依次按以下各式求解：

$w_h=\frac{E_{h-1}^T{F}_{h-1}}{\left|\right|E_{h-1}^T{F}_{h-1}\left|\right|}---\left(7\right)$

t_h=E_h-1w_h    （8）

$r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(9\right)$

$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(10\right)$

$w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\Π}}}(I-w_j{p}_j^T)w_h---\left(11\right)$

$E_h=E_{h-1}-t_h{p}_h^T---\left(12\right)$

F_h=F_h-1-t_hr_h    （13）

${\mathrm{\β}}_k=r_1{w}_1^{*}+r_2{w}_2^{*}+\·\·\·+r_h{w}_h^{*}---\left(14\right)$

其中，w_h是第h个成分的轴向量，t_h是第h个成分，r_h是中间过程系数，p_h、

是中间过程向量，E_h是自变量的第h个残差阵，F_h是因变量的第h个残差阵，β_k是第k个因变量的预测系数向量，上标T表示矩阵的转置，下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1；

2.6）从数据库中读取测试样本，按（15）、（16）式进行无量纲化处理：

${x_{\mathrm{ij}}^{*}}^{\′}=\frac{{x_{\mathrm{ij}}}^{\′}-{\stackrel{\‾}{x}}_j}{s_{x,j}},$ （i=1,2,…,m；j=1,2,…,p）    （15）

${y_{\mathrm{ik}}^{*}}^{\′}=\frac{{y_{\mathrm{ik}}}^{\′}-{\stackrel{\‾}{y}}_k}{s_{y,k}},$ （i=1,2,…,m；k=1,2,3）    （16）

其中，x_ij'、y_ik'是测试样本点的原值，

是测试样本点的无量纲化值，m为测试样本个数；

2.7）求因变量的预测值：

${{\hat{y}}_{\mathrm{ik}}^{*}}^{\′}=({x_{i1}^{*}}^{\′},{x_{i2}^{*}}^{\′},...,{x_{\mathrm{ip}}^{*}}^{\′}){\mathrm{\β}}_k---\left(17\right)$

其中，

是因变量测试样本点的无量纲化预测值；

2.8）求当前预测误差：

${S_{\mathrm{SS},h}}^{\′}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({y_{i,k}}^{\′}-{{\hat{y}}_{i,k}}^{\′})}^2---\left(18\right)$

其中，S_SS,h'为残差平方和；

2.9）如果h=1，令h=2，返回2.5），否则转2.10）；

2.10）求判别系数当P_h≥0.02时，认为引进第h个成分可以明显改善预测能力，令h=h+1，返回2.5），否则令h=h-1，转2.11）；

2.11）如果k<3，令k=k+1，返回2.3），否则转2.12）；

2.12）将预测系数向量β₁、β₂、β₃传递并存储到预测执行模块。

预测执行模块，用于根据循环流化床锅炉的运行工况和设定的操作变量预测热效率，其实现步骤如下：

3.1）将输入的自变量信号按（19）式处理：

$x{\left(t\right)}_j^{*}=\frac{x{\left(t\right)}_j-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （j=1,2,…,p）    （19）

其中，x(t)_j为t时刻第j个自变量原值，

为第j个自变量训练样本的均值，s_x,j为第j个自变量训练样本的标准差，

为t时刻第j个自变量无量纲化值，t表示时间、单位为秒；

3.2）按下式求因变量的无量纲化预测值：

$\left(\begin{array}{ccc}\hat{y}{\left(t\right)}_1^{*}& \hat{y}{\left(t\right)}_2^{*}& \hat{y}{\left(t\right)}_3^{*}\end{array}\right)=\left(\begin{array}{cccc}x{\left(t\right)}_1^{*}& x{\left(t\right)}_2^{*}& ...& x{\left(t\right)}_p^{*}\end{array}\right)\left(\begin{array}{ccc}{\mathrm{\&beta;}}_1& {\mathrm{\&beta;}}_2& {\mathrm{\&beta;}}_3\end{array}\right)---\left(20\right)$

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的无量纲化预测值；

3.3）按下式求因变量的原量纲预测值：

$\hat{y}{\left(t\right)}_k=\hat{y}{\left(t\right)}_k^{*}\&CenterDot;s_{y,k}+{\stackrel{\&OverBar;}{y}}_k,$ （k=1,2,3）    （21）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的原量纲预测值；

3.4）按下式求循环流化床锅炉的热效率预测值：

$\mathrm{\&eta;}=100-(K_1\hat{y}{\left(t\right)}_1+K_2)\frac{\hat{y}{\left(t\right)}_2}{100}-31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}{\left(t\right)}_3}{100-\hat{y}{\left(t\right)}_3}-q_x---\left(22\right)$

其中，K₁、K₂为与煤种有关的计算系数，对于常见的烟煤，取K₁=3.35，K₂=0.44；A_ar为燃煤的收到基灰分含量的百分数；Q_ar,net,p为燃煤的收到基低位发热量，单位为kJ/kg；

为t时刻过量空气系数的预测值；

为t时刻排烟温差的预测值，单位为℃；

为t时刻飞灰含碳百分数的预测值；q_x为循环流化床锅炉除排烟热损失与固体未完全燃烧热损失外的其它少量热损失含量百分数的经验值，根据实际循环流化床锅炉而定，一般可取1%；η即为循环流化床锅炉的热效率预测值。

作为优选的一种方案：所述的上位机还包括：模型更新模块，用于按设定的时间间隔将实际的过量空气系数、排烟温差、飞灰含碳百分数与预测值比较，如果相对误差大于10%，则将新数据加入训练样本数据，重新执行标准化处理模块与预测机制形成模块。

进一步，所述的上位机还包括：

信号采集模块，用于按设定的采样时间间隔，从现场智能仪表采集实时数据，以及从数据库中采集历史数据。

结果显示模块，用于从控制站读取设置参数，并将热效率预测值传给控制站进行显示，并给出操作建议：在当前的工况下，操作变量如何变化最有利于提高热效率，以便控制站工作人员，根据热效率预测值和操作建议，及时调整操作条件，提高循环流化床锅炉的热效率。其中，操作变量如何调整最有利于提高热效率，一个简便方法是将操作变量的当前值上下波动，代入热效率预测系统，得到新的热效率预测值，从而非常直观地通过比较大小得到。

作为优选的另一种方案：所述自变量包括：运行工况变量：主蒸汽流量、环境温度、给水温度、炉膛负压、床压、燃煤水分、燃煤挥发分、燃煤灰分、燃煤硫分；操作变量：一次风总风量、二次风总风量。

进一步，所述过量空气系数、排烟温差实际值由（23）、（24）式得到：

${\mathrm{\&alpha;}}_{\mathrm{py}}=\frac{21}{21-O_2}---\left(23\right)$

Δt_py=t_py-t_lk    （24）

其中，α_py为过量空气系数，O₂为烟气含氧百分数，Δt_py为排烟温差，单位为℃，t_py为排烟温度，单位℃，t_lk为环境温度，单位为℃。

一种循环流化床锅炉热效率预测方法，所述的预测方法包括以下步骤：

1）从数据库中采集运行工况变量和操作变量的历史记录，组成自变量的训练样本矩阵X，采集对应的过量空气系数、排烟温差、飞灰含碳百分数的历史记录，组成因变量训练样本矩阵Y，对训练样本矩阵X、Y进行标准化处理，使各变量的均值为0，方差为1，得到标准化后自变量训练样本矩阵X^*(n×p)、3个标准化后因变量训练样本向量（k=1,2,3），采用以下过程来完成：

1.1）求均值：

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},$ （i=1,2,…,n；j=1,2,…,p）    （1）

${\stackrel{\&OverBar;}{y}}_k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}},$ （i=1,2,…,n；k=1,2,3）    （2）

1.2）求标准差

$s_{x,j}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j)}^2},$ （i=1,2,…,n；j=1,2,…,p）    （3）

$s_{y,k}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k)}^2},$ （i=1,2,…,n；k=1,2,3）    （4）

1.3）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,n；j=1,2,…,p）    （5）

$y_{\mathrm{ik}}^{*}=\frac{y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,n；k=1,2,3）    （6）

其中，x_ij、y_ik为训练样本点的原值，n为训练样本个数，p为自变量个数，

为训练样本的均值，s_x,j、s_y,k为训练样本的标准差，

为训练样本点的标准化值，其中下标i、j、k分别表示第i个训练样本点、第j个自变量、第k个因变量。

2）将得到的标准化训练样本通过以下过程建立预测模型：

2.1）令初始自变量残差阵E₀=X^*；

2.2）令初始因变量序号k=1；

2.3）令当前因变量初始残差向量

2.4）令初始成分数h=1；

2.5）依次按以下各式求解：

$w_h=\frac{E_{h-1}^T{F}_{h-1}}{\left|\right|E_{h-1}^T{F}_{h-1}\left|\right|}---\left(7\right)$

t_h=E_h-1w_h    （8）

$r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(9\right)$

$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(10\right)$

$w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\&Pi;}}}(I-w_j{p}_j^T)w_h---\left(11\right)$

$E_h=E_{h-1}-t_h{p}_h^T---\left(12\right)$

F_h=F_h-1-t_hr_h    （13）

${\mathrm{\&beta;}}_k=r_1{w}_1^{*}+r_2{w}_2^{*}+\&CenterDot;\&CenterDot;\&CenterDot;+r_h{w}_h^{*}---\left(14\right)$

其中，w_h是第h个成分的轴向量，t_h是第h个成分，r_h是中间过程系数，p_h、

是中间过程向量，E_h是自变量的第h个残差阵，F_h是因变量的第h个残差阵，β_k是第k个因变量的预测系数向量，上标T表示矩阵的转置，下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1；

2.6）从数据库中读取测试样本，按（15）、（16）式进行无量纲化处理：

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,m；j=1,2,…,p）    （15）

${y_{\mathrm{ik}}^{*}}^{\&prime;}=\frac{{y_{\mathrm{ik}}}^{\&prime;}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,m；k=1,2,3）    （16）

其中，x_ij'、y_ik'是测试样本点的原值，

是测试样本点的无量纲化值，m为测试样本个数；

2.7）求因变量的预测值：

${{\hat{y}}_{\mathrm{ik}}^{*}}^{\&prime;}=({x_{i1}^{*}}^{\&prime;},{x_{i2}^{*}}^{\&prime;},...,{x_{\mathrm{ip}}^{*}}^{\&prime;}){\mathrm{\&beta;}}_k---\left(17\right)$

其中，

是因变量测试样本点的无量纲化预测值；

2.8）求当前预测误差：

${S_{\mathrm{SS},h}}^{\&prime;}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({y_{i,k}}^{\&prime;}-{{\hat{y}}_{i,k}}^{\&prime;})}^2---\left(18\right)$

其中，S_SS,h'为残差平方和；

2.9）如果h=1，令h=2，返回2.5），否则转2.10）；

2.10）求判别系数当P_h≥0.02时，认为引进第h个成分可以明显改善预测能力，令h=h+1，返回2.5），否则令h=h-1，转2.11）；

2.11）如果k<3，令k=k+1，返回2.3），否则转2.12）；

2.12）保存最后得到的预测系数向量β₁、β₂、β₃。

3）将循环流化床锅炉的运行工况变量和设定的操作变量作为输入信号，根据预测系数向量，对热效率进行预测，其实现步骤如下：

3.1）将输入的自变量信号按（19）式处理：

$x{\left(t\right)}_j^{*}=\frac{x{\left(t\right)}_j-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ (j=1,2,…,p)    (19)

其中，x(t)_j为t时刻第j个自变量原值，

为第j个自变量训练样本的均值，s_x,j为第j个自变量训练样本的标准差，

为t时刻第j个自变量无量纲化值，t表示时间、单位为秒；

3.2）按下式求过量空气系数与排烟温差的无量纲化预测值：

$\left(\begin{array}{ccc}\hat{y}{\left(t\right)}_1^{*}& \hat{y}{\left(t\right)}_2^{*}& \hat{y}{\left(t\right)}_3^{*}\end{array}\right)=\left(\begin{array}{cccc}x{\left(t\right)}_1^{*}& x{\left(t\right)}_2^{*}& ...& x{\left(t\right)}_p^{*}\end{array}\right)\left(\begin{array}{ccc}{\mathrm{\&beta;}}_1& {\mathrm{\&beta;}}_2& {\mathrm{\&beta;}}_3\end{array}\right)---\left(20\right)$

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的无量纲化预测值；

3.3）按下式求过量空气系数与排烟温差的原量纲预测值：

$\hat{y}{\left(t\right)}_k=\hat{y}{\left(t\right)}_k^{*}\&CenterDot;s_{y,k}+{\stackrel{\&OverBar;}{y}}_k,$ （k=1,2,3）    （21）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的原量纲预测值；

3.4）按下式求循环流化床锅炉的热效率预测值：

$\mathrm{\&eta;}=100-(K_1\hat{y}{\left(t\right)}_1+K_2)\frac{\hat{y}{\left(t\right)}_2}{100}-31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}{\left(t\right)}_3}{100-\hat{y}{\left(t\right)}_3}-q_x---\left(22\right)$

其中，K1、K2为与煤种有关的计算系数，对于常见的烟煤，取K1=3.35，K2=0.44；A_ar为燃煤的收到基灰分含量的百分数；Q_ar,net,p为燃煤的收到基低位发热量，单位为kJ/kg；

为t时刻过量空气系数的预测值；

为t时刻排烟温差的预测值，单位为℃；

为t时刻飞灰含碳百分数的预测值；q_x为循环流化床锅炉除排烟热损失与固体未完全燃烧热损失外的其它少量热损失含量百分数的经验值，根据实际循环流化床锅炉而定，一般可取1%；η即为循环流化床锅炉的热效率预测值。

作为优选的一种方案：所述的方法还包括：4）按设定的采样时间间隔，采集现场智能仪表信号，将得到的实际过量空气系数、排烟温差、飞灰含碳百分数与预测值比较，如果相对误差大于10%，则将新数据加入训练样本数据，重新执行步骤1）、2），以对预测模型进行更新。

进一步，在所述步骤3）中，从控制站读取设置参数，并将热效率预测值传给控制站进行显示，并给出操作建议：在当前的工况下，操作变量如何变化最有利于提高热效率，以便控制站工作人员，根据热效率预测值和操作建议，及时调整操作条件，提高循环流化床锅炉的热效率。其中，操作变量如何调整最有利于提高热效率，一个简便方法是将操作变量的当前值上下波动，代入热效率预测系统，得到新的热效率预测值，从而非常直观地通过比较大小得到。

作为优选的另一种方案：所述自变量包括：运行工况变量：主蒸汽流量、环境温度、给水温度、炉膛负压、床压、燃煤水分、燃煤挥发分、燃煤灰分、燃煤硫分；操作变量：一次风总风量、二次风总风量。

进一步，所述过量空气系数、排烟温差实际值由（23）、（24）式得到：

${\mathrm{\&alpha;}}_{\mathrm{py}}=\frac{21}{21-O_2}---\left(23\right)$

Δt_py=t_py-t_lk    （24）

其中，α_py为过量空气系数，O₂为烟气含氧百分数，Δt_py为排烟温差，单位为℃，t_py为排烟温度，单位为℃，t_lk为环境温度，单位为℃。

本发明的有益效果主要表现在：对循环流化床锅炉的热效率进行预测，建议并指导生产操作，提高热效率，发掘装置节能潜力，提高生产效益。

附图说明

图1是本发明所提出的系统的硬件结构图。

图2是本发明上位机的功能模块图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

参照图1、图2，一种循环流化床锅炉热效率预测系统，包括与循环流化床锅炉1连接的现场智能仪表2、数据接口3、数据库4、控制站5以及上位机6，现场智能仪表2与现场总线连接，数据总线与数据接口3连接，数据接口3与数据库4、控制站5以及上位机6连接，所述的上位机6包括：

标准化处理模块7，用于从数据库中采集运行工况变量和操作变量的历史记录，组成自变量的训练样本矩阵X，采集对应的过量空气系数、排烟温差、飞灰含碳百分数的历史记录，组成因变量训练样本矩阵Y，对训练样本矩阵X、Y进行标准化处理，使各变量的均值为0，方差为1，得到标准化后自变量训练样本矩阵X^*(n×p)、3个标准化后因变量训练样本向量

（k=1,2,3），采用以下过程来完成：

1.1）求均值：

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},$ （i=1,2,…,n；j=1,2,…,p）    （1）

${\stackrel{\&OverBar;}{y}}_k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}},$ （i=1,2,…,n；k=1,2,3）    （2）

1.2）求标准差

$s_{x,j}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j)}^2},$ （i=1,2,…,n；j=1,2,…,p）    （3）

$s_{y,k}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k)}^2},$ （i=1,2,…,n；k=1,2,3）    （4）

1.3）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,n；j=1,2,…,p）    （5）

$y_{\mathrm{ik}}^{*}=\frac{y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,n；k=1,2,3）    （6）

其中，x_ij、y_ik为训练样本点的原值，n为训练样本个数，p为自变量个数，

为训练样本的均值，s_x,j、s_y,k为训练样本的标准差，

为训练样本点的标准化值，其中下标i、j、k分别表示第i个训练样本点、第j个自变量、第k个因变量。

预测机制形成模块8，用于建立预测模型，其实现步骤如下：

2.1）令初始自变量残差阵E₀=X^*；

2.2）令初始因变量序号k=1；

2.3）令当前因变量初始残差向量

2.4）令初始成分数h=1；

2.5）依次按以下各式求解：

$w_h=\frac{E_{h-1}^T{F}_{h-1}}{\left|\right|E_{h-1}^T{F}_{h-1}\left|\right|}---\left(7\right)$

t_h=E_h-1w_h    （8）

$r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(9\right)$

$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(10\right)$

$w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\&Pi;}}}(I-w_j{p}_j^T)w_h---\left(11\right)$

$E_h=E_{h-1}-t_h{p}_h^T---\left(12\right)$

F_h=F_h-1-t_hr_h    （13）

${\mathrm{\&beta;}}_k=r_1{w}_1^{*}+r_2{w}_2^{*}+\&CenterDot;\&CenterDot;\&CenterDot;+r_h{w}_h^{*}---\left(14\right)$

其中，w_h是第h个成分的轴向量，t_h是第h个成分，r_h是中间过程系数，p_h、

是中间过程向量，E_h是自变量的第h个残差阵，F_h是因变量的第h个残差阵，β_k是第k个因变量的预测系数向量，上标T表示矩阵的转置，下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1；

2.6）从数据库中读取测试样本，按（15）、（16）式进行无量纲化处理：

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,m；j=1,2,…,p）    （15）

${y_{\mathrm{ik}}^{*}}^{\&prime;}=\frac{{y_{\mathrm{ik}}}^{\&prime;}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,m；k=1,2,3）    （16）

其中，x_ij'、y_ik'是测试样本点的原值，

是测试样本点的无量纲化值，m为测试样本个数；

2.7）求因变量的预测值：

${{\hat{y}}_{\mathrm{ik}}^{*}}^{\&prime;}=({x_{i1}^{*}}^{\&prime;},{x_{i2}^{*}}^{\&prime;},...,{x_{\mathrm{ip}}^{*}}^{\&prime;}){\mathrm{\&beta;}}_k---\left(17\right)$

其中，

是因变量测试样本点的无量纲化预测值；

2.8）求当前预测误差：

${S_{\mathrm{SS},h}}^{\&prime;}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({y_{i,k}}^{\&prime;}-{{\hat{y}}_{i,k}}^{\&prime;})}^2---\left(18\right)$

其中，S_SS,h'为残差平方和；

2.9）如果h=1，令h=2，返回2.5），否则转2.10）；

2.10）求判别系数

当P_h≥0.02时，认为引进第h个成分可以明显改善预测能力，令h=h+1，返回2.5），否则令h=h-1，转2.11）；

2.11）如果k<3，令k=k+1，返回2.3），否则转2.12）；

2.12）将预测系数向量β₁、β₂、β₃传递并存储到预测执行模块。

预测执行模块9，用于根据循环流化床锅炉的运行工况和设定的操作变量预测热效率，其实现步骤如下：

3.1）将输入的自变量信号按（19）式处理：

$x{\left(t\right)}_j^{*}=\frac{x{\left(t\right)}_j-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （j=1,2,…,p）    （19）

其中，x(t)_j为t时刻第j个自变量原值，

为第j个自变量训练样本的均值，s_x,j为第j个自变量训练样本的标准差，

为t时刻第j个自变量无量纲化值，t表示时间、单位为秒；

3.2）按下式求因变量的无量纲化预测值：

$\left(\begin{array}{ccc}\hat{y}{\left(t\right)}_1^{*}& \hat{y}{\left(t\right)}_2^{*}& \hat{y}{\left(t\right)}_3^{*}\end{array}\right)=\left(\begin{array}{cccc}x{\left(t\right)}_1^{*}& x{\left(t\right)}_2^{*}& ...& x{\left(t\right)}_p^{*}\end{array}\right)\left(\begin{array}{ccc}{\mathrm{\&beta;}}_1& {\mathrm{\&beta;}}_2& {\mathrm{\&beta;}}_3\end{array}\right)---\left(20\right)$

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的无量纲化预测值；

3.3）按下式求因变量的原量纲预测值：

$\hat{y}{\left(t\right)}_k=\hat{y}{\left(t\right)}_k^{*}\&CenterDot;s_{y,k}+{\stackrel{\&OverBar;}{y}}_k,$ （k=1,2,3）    （21）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的原量纲预测值；

3.4）按下式求循环流化床锅炉的热效率预测值：

$\mathrm{\&eta;}=100-(K_1\hat{y}{\left(t\right)}_1+K_2)\frac{\hat{y}{\left(t\right)}_2}{100}-31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}{\left(t\right)}_3}{100-\hat{y}{\left(t\right)}_3}-q_x---\left(22\right)$

其中，K₁、K₂为与煤种有关的计算系数，对于常见的烟煤，取K₁=3.35，K₂=0.44；A_ar为燃煤的收到基灰分含量的百分数；Q_ar,net,p为燃煤的收到基低位发热量，单位为kJ/kg；

为t时刻过量空气系数的预测值；为t时刻排烟温差的预测值，单位为℃；

为t时刻飞灰含碳百分数的预测值；q_x为循环流化床锅炉除排烟热损失与固体未完全燃烧热损失外的其它少量热损失含量百分数的经验值，根据实际循环流化床锅炉而定，一般可取1%；η即为循环流化床锅炉的热效率预测值。

所述的上位机6还包括：信号采集模块11，用于按设定的采样时间间隔，从现场智能仪表采集实时数据，以及从数据库中采集历史数据。

所述的上位机6还包括：模型更新模块12，用于按设定的时间间隔将实际的过量空气系数、排烟温差、飞灰含碳百分数与预测值比较，如果相对误差大于10%，则将新数据加入训练样本数据，重新执行标准化处理模块与预测机制形成模块。

所述的上位机6还包括：结果显示模块10，用于从控制站读取设置参数，并将热效率预测值传给控制站进行显示，并给出操作建议：在当前的工况下，操作变量如何变化最有利于提高热效率，以便控制站工作人员，根据热效率预测值和操作建议，及时调整操作条件，提高循环流化床锅炉的热效率。其中，操作变量如何调整最有利于提高热效率，一个简便方法是将操作变量的当前值上下波动，代入热效率预测系统，得到新的热效率预测值，从而非常直观地通过比较大小得到。

所述的上位机6的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数、运行结果，并给出操作建议。

实施例2

参照图1、图2，一种循环流化床锅炉热效率预测方法，所述的预测方法包括以下步骤：

1）从数据库中采集运行工况变量和操作变量的历史记录，组成自变量的训练样本矩阵X，采集对应的过量空气系数、排烟温差、飞灰含碳百分数的历史记录，组成因变量训练样本矩阵Y，对训练样本矩阵X、Y进行标准化处理，使各变量的均值为0，方差为1，得到标准化后自变量训练样本矩阵X^*(n×p)、3个标准化后因变量训练样本向量（k=1,2,3），采用以下过程来完成：

1.1）求均值：

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},$ （i=1,2,…,n；j=1,2,…,p）    （1）

${\stackrel{\&OverBar;}{y}}_k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}},$ （i=1,2,…,n；k=1,2,3）    （2）

1.2）求标准差

$s_{x,j}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j)}^2},$ （i=1,2,…,n；j=1,2,…,p）    （3）

$s_{y,k}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k)}^2},$ （i=1,2,…,n；k=1,2,3）    （4）

1.3）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,n；j=1,2,…,p）    （5）

$y_{\mathrm{ik}}^{*}=\frac{y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,n；k=1,2,3)    （6）

其中，x_ij、y_ik为训练样本点的原值，n为训练样本个数，p为自变量个数，

为训练样本的均值，s_x,j、s_y,k为训练样本的标准差，

为训练样本点的标准化值，其中下标i、j、k分别表示第i个训练样本点、第j个自变量、第k个因变量。

2）将得到的标准化训练样本通过以下过程建立预测模型：

2.1）令初始自变量残差阵E₀=X^*；

2.2）令初始因变量序号k=1；

2.3）令当前因变量初始残差向量

2.4）令初始成分数h=1；

2.5）依次按以下各式求解：

$w_h=\frac{E_{h-1}^T{F}_{h-1}}{\left|\right|E_{h-1}^T{F}_{h-1}\left|\right|}---\left(7\right)$

t_h=E_h-1w_h    （8）

$r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(9\right)$

$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}---\left(10\right)$

$w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\&Pi;}}}(I-w_j{p}_j^T)w_h---\left(11\right)$

$E_h=E_{h-1}-t_h{p}_h^T---\left(12\right)$

F_h=F_h-1-t_hr_h    （13）

${\mathrm{\&beta;}}_k=r_1{w}_1^{*}+r_2{w}_2^{*}+\&CenterDot;\&CenterDot;\&CenterDot;+r_h{w}_h^{*}---\left(14\right)$

其中，w_h是第h个成分的轴向量，t_h是第h个成分，r_h是中间过程系数，p_h、是中间过程向量，E_h是自变量的第h个残差阵，F_h是因变量的第h个残差阵，β_k是第k个因变量的预测系数向量，上标T表示矩阵的转置，下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1；

2.6）从数据库中读取测试样本，按（15）、（16）式进行无量纲化处理：

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,m；j=1,2,…,p）（15）

${y_{\mathrm{ik}}^{*}}^{\&prime;}=\frac{{y_{\mathrm{ik}}}^{\&prime;}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ (i=1,2,…,m;k=1,2,3)    (16)

其中，x_ij'、y_ik'是测试样本点的原值，

是测试样本点的无量纲化值，m为测试样本个数；

2.7）求因变量的预测值：

${{\hat{y}}_{\mathrm{ik}}^{*}}^{\&prime;}=({x_{i1}^{*}}^{\&prime;},{x_{i2}^{*}}^{\&prime;},...,{x_{\mathrm{ip}}^{*}}^{\&prime;}){\mathrm{\&beta;}}_k---\left(17\right)$

其中，是因变量测试样本点的无量纲化预测值；

2.8）求当前预测误差：

${S_{\mathrm{SS},h}}^{\&prime;}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({y_{i,k}}^{\&prime;}-{{\hat{y}}_{i,k}}^{\&prime;})}^2---\left(18\right)$

其中，S_SS,h'为残差平方和；

2.9）如果h=1，令h=2，返回2.5），否则转2.10）；

2.10）求判别系数

当P_h≥0.02时，认为引进第h个成分可以明显改善预测能力，令h=h+1，返回2.5），否则令h=h-1，转2.11）；

2.11）如果k<3，令k=k+1，返回2.3），否则转2.12）；

2.12）保存最后得到的预测系数向量β₁、β₂、β₃。

3）将循环流化床锅炉的运行工况变量和设定的操作变量作为输入信号，根据预测系数向量，对热效率进行预测，其实现步骤如下：

3.1）将输入的自变量信号按（19）式处理：

$x{\left(t\right)}_j^{*}=\frac{x{\left(t\right)}_j-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （j=1,2,…,p）    （19）

其中，x(t)_j为t时刻第j个自变量原值，

为第j个自变量训练样本的均值，s_x,j为第j个自变量训练样本的标准差，

为t时刻第j个自变量无量纲化值，t表示时间、单位为秒；

3.2）按下式求过量空气系数与排烟温差的无量纲化预测值：

$\left(\begin{array}{ccc}\hat{y}{\left(t\right)}_1^{*}& \hat{y}{\left(t\right)}_2^{*}& \hat{y}{\left(t\right)}_3^{*}\end{array}\right)=\left(\begin{array}{cccc}x{\left(t\right)}_1^{*}& x{\left(t\right)}_2^{*}& ...& x{\left(t\right)}_p^{*}\end{array}\right)\left(\begin{array}{ccc}{\mathrm{\&beta;}}_1& {\mathrm{\&beta;}}_2& {\mathrm{\&beta;}}_3\end{array}\right)---\left(20\right)$

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的无量纲化预测值；

3.3）按下式求过量空气系数与排烟温差的原量纲预测值：

$\hat{y}{\left(t\right)}_k=\hat{y}{\left(t\right)}_k^{*}\&CenterDot;s_{y,k}+{\stackrel{\&OverBar;}{y}}_k,$ （k=1,2,3）    （21）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的原量纲预测值；

3.4）按下式求循环流化床锅炉的热效率预测值：

$\mathrm{\&eta;}=100-(K_1\hat{y}{\left(t\right)}_1+K_2)\frac{\hat{y}{\left(t\right)}_2}{100}-31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}{\left(t\right)}_3}{100-\hat{y}{\left(t\right)}_3}-q_x---\left(22\right)$

其中，K₁、K₂为与煤种有关的计算系数，对于常见的烟煤，取K₁=3.35，K₂=0.44；A_ar为燃煤的收到基灰分含量的百分数；Q_ar,net,p为燃煤的收到基低位发热量，单位为kJ/kg；

为t时刻过量空气系数的预测值；

为t时刻排烟温差的预测值，单位为℃；

为t时刻飞灰含碳百分数的预测值；q_x为循环流化床锅炉除排烟热损失与固体未完全燃烧热损失外的其它少量热损失含量百分数的经验值，根据实际循环流化床锅炉而定，一般可取1%；η即为循环流化床锅炉的热效率预测值。

所述的方法还包括：4）按设定的采样时间间隔，采集现场智能仪表信号，将得到的实际过量空气系数、排烟温差、飞灰含碳百分数与预测值比较，如果相对误差大于10%，则将新数据加入训练样本数据，重新执行步骤1）、2），以对预测模型进行更新。

在所述步骤3）中，从控制站读取设置参数，并将热效率预测值传给控制站进行显示，并给出操作建议：在当前的工况下，操作变量如何变化最有利于提高热效率，以便控制站工作人员，根据热效率预测值和操作建议，及时调整操作条件，提高循环流化床锅炉的热效率。其中，操作变量如何调整最有利于提高热效率，一个简便方法是将操作变量的当前值上下波动，代入热效率预测系统，得到新的热效率预测值，从而非常直观地通过比较大小得到。

所述自变量包括：运行工况变量：主蒸汽流量、环境温度、给水温度、炉膛负压、床压、燃煤水分、燃煤挥发分、燃煤灰分、燃煤硫分；操作变量：一次风总风量、二次风总风量。

所述过量空气系数、排烟温差实际值由（23）、（24）式得到：

${\mathrm{\&alpha;}}_{\mathrm{py}}=\frac{21}{21-O_2}---\left(23\right)$

Δt_py=t_py-t_lk    （24）

其中，α_py为过量空气系数，O₂为烟气含氧百分数，Δt_py为排烟温差，单位为℃，t_py为排烟温度，单位为℃，t_lk为环境温度，单位为℃。

本发明所提出的循环流化床锅炉热效率预测系统及方法，已通过上述具体实施步骤进行了描述，相关技术人员明显能在不脱离本发明内容、精神和范围内对本文所述的装置和操作方法进行改动或适当变更与组合，来实现本发明技术。特别需要指出的是，所有相类似的替换和改动对本领域的技术人员是显而易见的，它们都会被视为包括在本发明精神、范围和内容中。

Claims (2)

1.一种循环流化床锅炉热效率预测系统，其特征在于，包括与循环流化床锅炉连接的现场智能仪表、数据接口、数据库、控制站以及上位机；现场智能仪表与控制站、数据库和上位机连接，所述的上位机包括：

标准化处理模块，用于从数据库中采集运行工况变量和操作变量的历史记录，组成自变量的训练样本矩阵X，采集对应的过量空气系数、排烟温差、飞灰含碳百分数的历史记录，组成因变量训练样本矩阵Y，对训练样本矩阵X、Y进行标准化处理，使各变量的均值为0，方差为1，得到标准化后自变量训练样本矩阵X^*(n×p)、3个标准化后因变量训练样本向量

（k=1,2,3），采用以下过程来完成：

1.1）求均值：

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},$ （i=1,2,…,n；j=1,2,…,p）   （1）

${\stackrel{\&OverBar;}{y}}_k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}},$ （i=1,2,…，n；k=1,2,3）   （2）

1.2）求标准差

$s_{x,j}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j)}^2},$ （i=1,2,…,n；j=1,2,…,p）   （3）

$s_{y,k}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k)}^2},$ （i=1,2,…,n；k=1,2,3）   （4）

1.3）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,n；j=1,2,…,p）   （5）

$y_{\mathrm{ik}}^{*}=\frac{y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,n；k=1,2,3）   （6）

其中，x_ij、y_ik为训练样本点的原值，n为训练样本个数，p为自变量个数，为训练样本的均值，s_x,j、s_y,k为训练样本的标准差，为训练样本点的标准化值，其中下标i、j、k分别表示第i个训练样本点、第j个自变量、第k个因变量；

预测机制形成模块，用于建立预测模型，其实现步骤如下：

2.1）令初始自变量残差阵E₀=X^*；

2.2）令初始因变量序号k=1；

2.3）令当前因变量初始残差向量

2.4）令初始成分数h=1；

2.5）依次按以下各式求解：

$w_h=\frac{E_{h-1}^T{F}_{h-1}}{\left|\right|E_{h-1}^T{F}_{h-1}\left|\right|}$    （7）

t_h=E_h-1w_h   （8）

$r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}$    （9）

$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}$    （10）

$w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\&Pi;}}}(I-w_j{p}_j^T)w_h$    （11）

$E_h=E_{h-1}-t_h{p}_h^T$    （12）

F_h=F_h-1-t_hr_h   （13）

${\mathrm{\&beta;}}_k=r_1{w}_1^{*}+r_2{w}_2^{*}+\&CenterDot;\&CenterDot;\&CenterDot;+r_h{w}_h^{*}$    （14）

其中，w_h是第h个成分的轴向量，t_h是第h个成分，r_h是中间过程系数，p_h、

是中间过程向量，E_h是自变量的第h个残差阵，F_h是因变量的第h个残差阵，β_k是第k个因变量的预测系数向量，上标T表示矩阵的转置，下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1；

2.6）从数据库中读取测试样本，按（15）、（16）式进行无量纲化处理：

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,m；j=1,2,…,p）   （15）

${y_{\mathrm{ik}}^{*}}^{\&prime;}=\frac{{y_{\mathrm{ik}}}^{\&prime;}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,m；k=1,2,3）   （16）

其中，x_ij'、y_ik'是测试样本点的原值，

是测试样本点的无量纲化值，m为测试样本个数；

2.7）求因变量的预测值：

${{\hat{y}}_{\mathrm{ik}}^{*}}^{\&prime;}=({x_{i1}^{*}}^{\&prime;},{x_{i2}^{*}}^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;{x_{\mathrm{ip}}^{*}}^{\&prime;}){\mathrm{\&beta;}}_k$    （17）

其中，

是因变量测试样本点的无量纲化预测值；

2.8）求当前预测误差：

${S_{\mathrm{SS},h}}^{\&prime;}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({y_{i,k}}^{\&prime;}-{{\hat{y}}_{i,k}}^{\&prime;})}^2$    （18）

其中，S_SS,h'为残差平方和；

2.9）如果h=1，令h=2，返回2.5），否则转2.10）；

2.10）求判别系数当P_h≥0.02时，认为引进第h个成分可以明显改善预测能力，令h=h+1，返回2.5），否则令h=h-1，转2.11）；

2.11）如果k<3，令k=k+1，返回2.3），否则转2.12）；

2.12）将预测系数向量β₁、β₂、β₃传递并存储到预测执行模块；

预测执行模块，用于根据循环流化床锅炉的运行工况和设定的操作变量预测热效率，其实现步骤如下：

3.1）将输入的自变量信号按（19）式处理：

${x\left(t\right)}_j^{*}=\frac{{x\left(t\right)}_j-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ (j=1,2,…,p)   （19）

其中，x(t)_j为t时刻第j个自变量原值，

为第j个自变量训练样本的均值，s_x,j为第j个自变量训练样本的标准差，为t时刻第j个自变量无量纲化值，t表示时间、单位为秒；

3.2）按下式求因变量的无量纲化预测值：

$\left(\begin{array}{ccc}{\hat{y}\left(t\right)}_1^{*}& {\hat{y}\left(t\right)}_2^{*}& {\hat{y}\left(t\right)}_3^{*}\end{array}\right)=\left(\begin{array}{cccc}{x\left(t\right)}_1^{*}& {x\left(t\right)}_2^{*}& \&CenterDot;\&CenterDot;\&CenterDot;& {x\left(t\right)}_p^{*}\end{array}\right)\left(\begin{array}{ccc}{\mathrm{\&beta;}}_1& {\mathrm{\&beta;}}_2& {\mathrm{\&beta;}}_3\end{array}\right)$    （20）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的无量纲化预测值；

3.3）按下式求因变量的原量纲预测值：

${\hat{y}\left(t\right)}_k={\hat{y}\left(t\right)}_k^{*}\&CenterDot;s_{y,k}+{\stackrel{\&OverBar;}{y}}_k,$ (k=1,2,3)   （21）

其中，分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的原量纲预测值；

3.4）按下式求循环流化床锅炉的热效率预测值：

$\mathrm{\&eta;}=100-(K_1{\hat{y}\left(t\right)}_1+K_2)\frac{{\hat{y}\left(t\right)}_2}{100}-31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{{\hat{y}\left(t\right)}_3}{100-{\hat{y}\left(t\right)}_3}-q_x$    （22）

其中，K₁、K₂为与煤种有关的计算系数，对于常见的烟煤，取K₁=3.35，K₂=0.44；A_ar为燃煤的收到基灰分含量的百分数；Q_ar,net,p为燃煤的收到基低位发热量，单位为kJ/kg；

为t时刻过量空气系数的预测值；

为t时刻排烟温差的预测值，单位为℃；

为t时刻飞灰含碳百分数的预测值q_x为循环流化床锅炉除排烟热损失与固体未完全燃烧热损失外的其它少量热损失含量百分数的经验值，根据实际循环流化床锅炉而定，一般可取1%；η即为循环流化床锅炉的热效率预测值；

所述的上位机还包括：

信号采集模块，用于按设定的采样时间间隔，从现场智能仪表采集实时数据，以及从数据库中采集历史数据；

模型更新模块，用于按设定的时间间隔将实际的过量空气系数、排烟温差、飞灰含碳百分数与预测值比较，如果相对误差大于10%，则将新数据加入训练样本数据，重新执行标准化处理模块与预测机制形成模块；

结果显示模块，用于从控制站读取设置参数，并将热效率预测值传给控制站进行显示，并给出操作建议：在当前的工况下，操作变量作何变化最有利于提高热效率，以便控制站工作人员，根据热效率预测值和操作建议，及时调整操作条件，提高循环流化床锅炉的热效率；其中，操作变量如何调整最有利于提高热效率，一个简便方法是将操作变量的当前值上下波动，代入热效率预测系统，得到新的热效率预测值，从而非常直观地通过比较大小得到；

所述自变量包括：运行工况变量：主蒸汽流量、环境温度、给水温度、炉膛负压、床压、燃煤水分、燃煤挥发分、燃煤灰分、燃煤硫分；操作变量：一次风总风量、二次风总风量；

所述过量空气系数、排烟温差实际值由（23）、（24）式得到：

${\mathrm{\&alpha;}}_{\mathrm{py}}=\frac{21}{21-O_2}$    （23）

Δt_py=t_py-t_lk   （24）

其中，α_py为过量空气系数，O₂为烟气含氧百分数，Δt_py为排烟温差，单位为℃，t_py为排烟温度，单位为℃，t_lk为环境温度，单位为℃。

2.一种用权利要求1所述的循环流化床锅炉热效率预测系统实现的热效率预测方法，其特征在于，所述的预测方法包括以下步骤：

1）从数据库中采集运行工况变量和操作变量的历史记录，组成自变量的训练样本矩阵X，采集对应的过量空气系数、排烟温差、飞灰含碳百分数的历史记录，组成因变量训练样本矩阵Y，对训练样本矩阵X、Y进行标准化处理，使各变量的均值为0，方差为1，得到标准化后自变量训练样本矩阵X^*(n×p)、3个标准化后因变量训练样本向量（k=1,2,3），采用以下过程来完成：

1.1）求均值：

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},$ （i=1,2,…,n；j=1,2,…,p）   （1）

${\stackrel{\&OverBar;}{y}}_k=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}},$ （i=1,2,…,n；k=1,2,3）   （2）

1.2）求标准差

$s_{x,j}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j)}^2},$ （i=1,2,…,n；j=1,2,…,p）   （3）

$s_{y,k}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k)}^2},$ （i=1,2,…,n；k=1,2,3）   （4）

1.3）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,n；j=1,2,…,p）   （5）

$y_{\mathrm{ik}}^{*}=\frac{y_{\mathrm{ik}}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,n；k=1,2,3）   （6）

其中，x_ij、y_ik为训练样本点的原值，n为训练样本个数，p为自变量个数，

为训练样本的均值，s_x,j、s_y,k为训练样本的标准差，

为训练样本点的标准化值，其中下标i、j、k分别表示第i个训练样本点、第j个自变量、第k个因变量；

2）将得到的标准化训练样本通过以下过程建立预测模型：

2.1）令初始自变量残差阵E₀=X^*；

2.2）令初始因变量序号k=1；

2.3）令当前因变量初始残差向量

2.4）令初始成分数h=1；

2.5）依次按以下各式求解：

$w_h=\frac{E_{h-1}^T{F}_{h-1}}{\left|\right|E_{h-1}^T{F}_{h-1}\left|\right|}$    （7）

t_h=E_h-1w_h   （8）

$r_h=\frac{F_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}$    （9）

$p_h=\frac{E_{h-1}^T{t}_h}{{\left|\right|t_h\left|\right|}^2}$    （10）

$w_h^{*}=\underset{j=1}{\overset{h-1}{\mathrm{\&Pi;}}}(I-w_j{p}_j^T)w_h$    （11）

$E_h=E_{h-1}-t_h{p}_h^T$    （12）

F_h=F_h-1-t_hr_h   （13）

${\mathrm{\&beta;}}_k=r_1{w}_1^{*}+r_2{w}_2^{*}+\&CenterDot;\&CenterDot;\&CenterDot;+r_h{w}_h^{*}$    （14）

其中，w_h是第h个成分的轴向量，t_h是第h个成分，r_h是中间过程系数，p_h、

是中间过程向量，E_h是自变量的第h个残差阵，F_h是因变量的第h个残差阵，β_k是第k个因变量的预测系数向量，上标T表示矩阵的转置，下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1；

2.6）从数据库中读取测试样本，按（15）、（16）式进行无量纲化处理：

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ （i=1,2,…,m；j=1,2,…,p）   （15）

${y_{\mathrm{ik}}^{*}}^{\&prime;}=\frac{{y_{\mathrm{ik}}}^{\&prime;}-{\stackrel{\&OverBar;}{y}}_k}{s_{y,k}},$ （i=1,2,…,m；k=1,2,3）   （16）

其中，x_ij'、y_ik'是测试样本点的原值，

是测试样本点的无量纲化值，m为测试样本个数；

2.7）求因变量的预测值：

${{\hat{y}}_{\mathrm{ik}}^{*}}^{\&prime;}=({x_{i1}^{*}}^{\&prime;},{x_{i2}^{*}}^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;{x_{\mathrm{ip}}^{*}}^{\&prime;}){\mathrm{\&beta;}}_k$    （17）

其中，

是因变量测试样本点的无量纲化预测值；

2.8）求当前预测误差：

${S_{\mathrm{SS},h}}^{\&prime;}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({y_{i,k}}^{\&prime;}-{{\hat{y}}_{i,k}}^{\&prime;})}^2$    （18）

其中，S_SS,h'为残差平方和；

2.9）如果h=1，令h=2，返回2.5），否则转2.10）；

2.10）求判别系数

当P_h≥0.02时，认为引进第h个成分可以明显改善预测能力，令h=h+1，返回2.5），否则令h=h-1，转2.11）；

2.11）如果k<3，令k=k+1，返回2.3），否则转2.12）；

2.12）保存最后得到的预测系数向量β₁、β₂、β₃；

3）将循环流化床锅炉的运行工况变量和设定的操作变量作为输入信号，根据预测系数向量，对热效率进行预测，其实现步骤如下：

3.1）将输入的自变量信号按（19）式处理：

${x\left(t\right)}_j^{*}=\frac{{x\left(t\right)}_j-{\stackrel{\&OverBar;}{x}}_j}{s_{x,j}},$ (j=1,2,…,p)   （19）

其中，x(t)_j为t时刻第j个自变量原值，为第j个自变量训练样本的均值，s_x,j为第j个自变量训练样本的标准差，为t时刻第j个自变量无量纲化值，t表示时间、单位为秒；

3.2）按下式求过量空气系数与排烟温差的无量纲化预测值：

$\left(\begin{array}{ccc}{\hat{y}\left(t\right)}_1^{*}& {\hat{y}\left(t\right)}_2^{*}& {\hat{y}\left(t\right)}_3^{*}\end{array}\right)=\left(\begin{array}{cccc}{x\left(t\right)}_1^{*}& {x\left(t\right)}_2^{*}& \&CenterDot;\&CenterDot;\&CenterDot;& {x\left(t\right)}_p^{*}\end{array}\right)\left(\begin{array}{ccc}{\mathrm{\&beta;}}_1& {\mathrm{\&beta;}}_2& {\mathrm{\&beta;}}_3\end{array}\right)$    （20）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的无量纲化预测值；

3.3）按下式求过量空气系数与排烟温差的原量纲预测值：

${\hat{y}\left(t\right)}_k={\hat{y}\left(t\right)}_k^{*}\&CenterDot;s_{y,k}+{\stackrel{\&OverBar;}{y}}_k,$ （k=1,2,3）   （21）

其中，

分别为t时刻过量空气系数、排烟温差和飞灰含碳百分数的原量纲预测值；

3.4）按下式求循环流化床锅炉的热效率预测值：

$\mathrm{\&eta;}=100-(K_1{\hat{y}\left(t\right)}_1+K_2)\frac{{\hat{y}\left(t\right)}_2}{100}-31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{{\hat{y}\left(t\right)}_3}{100-{\hat{y}\left(t\right)}_3}-q_x$    （22）

其中，K₁、K₂为与煤种有关的计算系数，对于常见的烟煤，取K₁=3.35，K₂=0.44；A_ar为燃煤的收到基灰分含量的百分数；Q_ar,net,p为燃煤的收到基低位发热量，单位为kJ/kg；

为t时刻过量空气系数的预测值；为t时刻排烟温差的预测值，单位为℃；

为t时刻飞灰含碳百分数的预测值；q_x为循环流化床锅炉除排烟热损失与固体未完全燃烧热损失外的其它少量热损失含量百分数的经验值，根据实际循环流化床锅炉而定，一般可取1%；η即为循环流化床锅炉的热效率预测值；

所述的方法还包括：4）按设定的采样时间间隔，采集现场智能仪表信号，将得到的实际过量空气系数、排烟温差、飞灰含碳百分数与预测值比较，如果相对误差大于10%，则将新数据加入训练样本数据，重新执行步骤1）、2），以对预测模型进行更新；

在所述的步骤3）中，从控制站读取设置参数，并将热效率预测值传给控制站进行显示，并给出操作建议：在当前的工况下，操作变量作何变化最有利于提高热效率，以便控制站工作人员，根据热效率预测值和操作建议，及时调整操作条件，提高循环流化床锅炉的热效率；其中，操作变量如何调整最有利于提高热效率，一个简便方法是将操作变量的当前值上下波动，代入热效率预测系统，得到新的热效率预测值，从而非常直观地通过比较大小得到；

所述自变量包括：运行工况变量：主蒸汽流量、环境温度、给水温度、炉膛负压、床压、燃煤水分、燃煤挥发分、燃煤灰分、燃煤硫分；操作变量：一次风总风量、二次风总风量；

所述过量空气系数、排烟温差实际值由（23）、（24）式得到：

${\mathrm{\&alpha;}}_{\mathrm{py}}=\frac{21}{21-O_2}$    （23）

Δt_py=t_py-t_lk   (24)

其中，α_py为过量空气系数，O₂为烟气含氧百分数，Δt_py为排烟温差，单位为℃，t_py为排烟温度，单位为℃，t_lk为环境温度，单位为℃。

Images