CN103438445B - 循环流化床锅炉固体未完全燃烧热损失率预测系统及方法 - Google Patents

Abstract

本发明公开了一种循环流化床锅炉固体未完全燃烧热损失率预测系统及方法，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，用于实时预测固体未完全燃烧热损失；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运行工况和操作变量对固体未完全燃烧热损失进行预测，以便于建议并指导运行操作，从而降低循环流化床锅炉的固体未完全燃烧热损失，有效提高锅炉运行效率，并为进一步运行效率优化奠定基础。

Description

循环流化床锅炉固体未完全燃烧热损失率预测系统及方法

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固体未完全燃烧热损失率预测系统及方法。

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。固体未完全燃烧热损失是循环流化床的一项重要能量损失。基于节能目的的考虑，建立循环流化床锅炉固体未完全燃烧热损失的预测系统，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固体未完全燃烧热损失率预测系统，包括与循环流化床锅炉连接的现场智能仪表、数据库、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关键自变量的两组历史记录，构成自变量的训练样本矩阵X和测试样本矩阵X'，采集对应的飞灰含碳百分数的两组历史记录，构成因变量的训练样本向量Y和测试样本向量Y'，对训练样本和测试样本进行标准化处理，将各变量变换为[0.25,0.75]区间的值，得到标准化后自变量训练样本矩阵X^*和测试样本矩阵X^*'、标准化后因变量训练样本向量Y^*和测样本向量Y^*'，采用以下过程来完成：

1.1）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)---\left(1\right)$

$y_i^{*}=\frac{y_i-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n)---\left(2\right)$

${x_{\mathrm{ij}}^{*}}^{\′}=\frac{{x_{\mathrm{ij}}}^{\′}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n^{\′};j=\mathrm{1,2},...,p)---\left(3\right)$

${y_i^{*}}^{\′}=\frac{{y_i}^{\′}-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n^{\′})---\left(4\right)$

其中，x_ij、y_i为训练样本点的原值，n为训练样本个数，p为自变量个数，x_jmin、y_min分别表示第j个自变量、因变量训练样本的最小值，x_jmax、y_max分别表示第j个自变量训练样本、因变量训练样本的最大值，为训练样本点的标准化值，x_ij'、y_i'为测试样本点的原值，n'为测试样本个数，为测试样本点的标准化值，其中下标i、j分别表示第i个训练样本点、第j个自变量。

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）初始化系数矩阵V和系数向量W：取V的各元素v_jk（j=0,1,2,…,p，k=1,2,…,q）、W的各元素w_k（k=0,1,2,…,q）为（0,1）区间内的随机数；

2.2）令样本序号i=1；

2.3）按当前系数矩阵V和系数向量W，通过（5）、（6）式，由自变量训练样本预测因变量值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jk}}{x}_{\mathrm{ij}}^{*}\right),(k=\mathrm{1,2},...,q)---\left(5\right)$

${\hat{y}}_i^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\Σ}}}{w}_k{z}_k\right)---\left(6\right)$

其中，z_k为中间节点变量，下标k表示第k个中间节点，q为中间节点个数，取的向上取整值，为第i个训练样本点的因变量标准化预测值，f(x)为非线性变换函数：2.4）通过（7）、（8）式求当前的误差信号：

${\mathrm{\δ}}^y=(y_i^{*}-{\hat{y}}_i^{*}){\hat{y}}_i^{*}(1-{\hat{y}}_i^{*})---\left(7\right)$

${\mathrm{\δ}}_k^z={\mathrm{\δ}}^y{w}_k{z}_k(1-z_k),(k=1,2,...,q)---\left(8\right)$

其中，δ^y为因变量误差信号，为中间节点误差信号；

2.5）根据误差信号，通过（9）、（10）式对系数矩阵V和系数向量W进行修正：

$v_{\mathrm{jk}}=v_{\mathrm{jk}}+0.5{\mathrm{\δ}}_k^z{x}_{\mathrm{ij}}^{*},(j=\mathrm{0,1,2},...,p;k=\mathrm{1,2},...,q)---\left(9\right)$

w_k=w_k+0.5δ^yz_k，（k=0,1,2,…,q）    （10）

2.6）如果i<n，令i=i+1，返回步骤2.3），否则转2.7）；

2.7）将自变量测试样本作为输入信号，输出因变量的预测值，并求误差平方和，由（11）～（13）式实现：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x_{\mathrm{ij}}^{*}}^{\&prime;}\right),(k=\mathrm{1,2},...,m)---\left(11\right)$

${{\hat{y}}_i^{*}}^{\&prime;}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(12\right)$

${S_{\mathrm{SS}}}^{\&prime;}=\underset{i=1}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{({y_i^{*}}^{\&prime;}-{{\hat{y}}_i^{*}}^{\&prime;})}^2---\left(13\right)$

其中，为第i个测试样本点的因变量标准化预测值，S_SS'为测试样本的因变量预测误差平方和；

2.8）比较本次与前一次的预测误差平方和，如果较前一次低则转步骤2.2），继续迭代，否则结束迭代；

2.9）将当前的系数矩阵V和系数向量W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固体未完全燃烧热损失，其实现步骤如下：

3.1）将输入的自变量信号按（14）式处理：

${x\left(t\right)}_j^{*}=\frac{{x\left(t\right)}_j-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(j=\mathrm{1,2},...,p)---\left(14\right)$

其中，x(t)_j为t时刻第j个自变量原值，x_jmin为第j个自变量训练样本的最小值，x_jmax为第j个自变量训练样本的最大值，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（15）、（16）式求飞灰含碳百分数的无量纲化预测值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x\left(t\right)}_j^{*}\right),(k=\mathrm{1,2},...,q)---\left(15\right)$

$\hat{y}{\left(t\right)}^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(16\right)$

其中，为t时刻飞灰含碳百分数的无量纲化预测值；

3.3）按下式求飞灰含碳百分数的原量纲预测值：

$\hat{y}\left(t\right)=2(\hat{y}{\left(t\right)}^{*}-0.25)(y_{\max }-y_{\min })+y_{\min }---\left(17\right)$

其中，为t时刻飞灰含碳百分数原量纲预测值，y_min为因变量训练样本的最小值，y_max为因变量训练样本的最大值。

3.4）按下式求循环流化床锅炉的固体未完全燃烧热损失率预测值：

$q_4=31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}\left(t\right)}{100-\hat{y}\left(t\right)}---\left(18\right)$

其中，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；为飞灰含碳百分数的预测值；q₄即为循环流化床锅炉固体未完全燃烧热损失率的预测值。

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，并将固体未完全燃烧热损失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，操作变量如何调整最有利于降低固体未完全燃烧热损失，以便控制站工作人员，根据固体未完全燃烧热损失率预测值和操作建议，及时调整操作条件，降低固体未完全燃烧热损失，提高锅炉运行效率。其中，操作变量如何调整最有利于降低固体未完全燃烧热损失，一个简便方法是将操作变量的当前值上下波动，代入固体未完全燃烧热损失率预测系统，得到新的固体未完全燃烧热损失率预测值，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。

一种循环流化床锅炉固体未完全燃烧热损失率预测方法，所述的预测方法包括以下步骤：

1）从数据库中采集关键自变量的两组历史记录，构成自变量的训练样本矩阵X和测试样本矩阵X'，采集对应的飞灰含碳百分数的两组历史记录，构成因变量的训练样本向量Y和测试样本向量Y'，对训练样本和测试样本进行标准化处理，将各变量变换为[0.25,0.75]区间的值，得到标准化后自变量训练样本矩阵X^*和测试样本矩阵X^*'、标准化后因变量训练样本向量Y^*和测试样本向量Y^*'，采用以下过程来完成：

1.1）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)---\left(1\right)$

$y_i^{*}=\frac{y_i-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n)---\left(2\right)$

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n^{\&prime;};j=\mathrm{1,2},...,p)---\left(3\right)$

${y_i^{*}}^{\&prime;}=\frac{{y_i}^{\&prime;}-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n^{\&prime;})---\left(4\right)$

其中，x_ij、y_i为训练样本点的原值，n为训练样本个数，p为自变量个数，x_jmin、y_min为训练样本的最小值，x_jmax、y_max为训练样本的最大值，为训练样本点的标准化值，x_ij'、y_i'为测试样本点的原值，n'为测试样本个数，为测试样本点的标准化值，其中下标i、j分别表示第i个训练样本点、第j个自变量。

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）初始化系数矩阵V和系数向量W：取V的各元素v_jk（j=0,1,2,…,p，k=1,2,…,q）、W的各元素w_k（k=0,1,2,…,q）为（0,1）区间内的随机数；

2.2）令样本序号i=1；

2.3）按当前系数矩阵V和系数向量W，通过（5）、（6）式，由自变量训练样本预测因变量值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_{\mathrm{ij}}^{*}\right),(k=\mathrm{1,2},...,q)---\left(5\right)$

${\hat{y}}_i^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(6\right)$

其中，z_k为中间节点变量，下标k表示第k个中间节点，q为中间节点个数，取的向上取整值，为第i个训练样本点的因变量标准化预测值，f(x)为非线性变换函数：

2.4）通过（7）、（8）式求当前的误差信号：

${\mathrm{\&delta;}}^y=(y_i^{*}-{\hat{y}}_i^{*}){\hat{y}}_i^{*}(1-{\hat{y}}_i^{*})---\left(7\right)$

${\mathrm{\&delta;}}_k^z={\mathrm{\&delta;}}^y{w}_k{z}_k(1-z_k),(k=1,2,...,q)---\left(8\right)$

其中，δ^y为因变量误差信号，为中间节点误差信号；

2.5）根据误差信号，通过（9）、（10）式对系数矩阵V和系数向量W进行修正：

$v_{\mathrm{jk}}=v_{\mathrm{jk}}+0.5{\mathrm{\&delta;}}_k^z{x}_{\mathrm{ij}}^{*},(j=\mathrm{0,1,2},...,p;k=\mathrm{1,2},...,q)---\left(9\right)$

w_k=w_k+0.5δ^yz_k，（k=0,1,2,…,q）    （10）

2.6）如果i<n，令i=i+1，返回步骤2.3），否则转2.7）；

2.7）将自变量测试样本作为输入信号，输出因变量的预测值，并求误差平方和，由（11）～（13）式实现：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x_{\mathrm{ij}}^{*}}^{\&prime;}\right),(k=\mathrm{1,2},...,m)---\left(11\right)$

${{\hat{y}}_i^{*}}^{\&prime;}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(12\right)$

${S_{\mathrm{SS}}}^{\&prime;}=\underset{i=1}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{({y_i^{*}}^{\&prime;}-{{\hat{y}}_i^{*}}^{\&prime;})}^2---\left(13\right)$

其中，为第i个测试样本点的因变量标准化预测值，S_SS'为测试样本的因变量预测误差平方和；

2.8）比较本次与前一次的预测误差平方和，如果较前一次低则转步骤2.2），继续迭代，否则结束迭代；

2.9）保存最后得到的系数矩阵V和系数向量W。

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，根据系数矩阵V和系数向量W对固体未完全燃烧热损失率进行预测，其实现步骤如下：

3.1）将输入的自变量信号按（14）式处理：

${x\left(t\right)}_j^{*}=\frac{{x\left(t\right)}_j-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(j=\mathrm{1,2},...,p)---\left(14\right)$

其中，x(t)_j为t时刻第j个自变量原值，x_jmin为第j个自变量训练样本的最小值，x_jmax为第j个自变量训练样本的最大值，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（15）、（16）式求飞灰含碳百分数的无量纲化预测值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x\left(t\right)}_j^{*}\right),(k=\mathrm{1,2},...,q)---\left(15\right)$

$\hat{y}{\left(t\right)}^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(16\right)$

其中，为t时刻飞灰含碳百分数的无量纲化预测值；

3.3）按下式求飞灰含碳百分数的原量纲预测值：

$\hat{y}\left(t\right)=2(\hat{y}{\left(t\right)}^{*}-0.25)(y_{\max }-y_{\min })+y_{\min }---\left(17\right)$

其中，为t时刻飞灰含碳百分数原量纲预测值，y_min为因变量训练样本的最小值，y_max为因变量训练样本的最大值。

3.4）按下式求循环流化床锅炉的固体未完全燃烧热损失率预测值：

$q_4=31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}\left(t\right)}{100-\hat{y}\left(t\right)}---\left(18\right)$

其中，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；为飞灰含碳百分数的预测值；q₄即为循环流化床锅炉固体未完全燃烧热损失率的预测值。

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，并将固体未完全燃烧热损失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，操作变量如何调整最有利于降低固体未完全燃烧热损失，以便控制站工作人员，根据固体未完全燃烧热损失率预测值和操作建议，及时调整操作条件，降低固体未完全燃烧热损失，提高锅炉运行效率。其中，操作变量如何调整最有利于降低固体未完全燃烧热损失，一个简便方法是将操作变量的当前值上下波动，代入固体未完全燃烧热损失率预测系统，得到新的固体未完全燃烧热损失率预测值，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。

本发明的有益效果主要表现在：对循环流化床锅炉的固体未完全燃烧热损失率进行预测，建议并指导生产操作，降低固体未完全燃烧热损失，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固体未完全燃烧热损失率预测系统，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关键自变量的两组历史记录，构成自变量的训练样本矩阵X和测试样本矩阵X'，采集对应的飞灰含碳百分数的两组历史记录，构成因变量的训练样本向量Y和测试样本向量Y'，对训练样本和测试样本进行标准化处理，将各变量变换为[0.25,0.75]区间的值，得到标准化后自变量训练样本矩阵X^*和测试样本矩阵X^*'、标准化后因变量训练样本向量Y^*和测试样本向量Y^*'，采用以下过程来完成：

1.1）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)---\left(1\right)$

$y_i^{*}=\frac{y_i-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n)---\left(2\right)$

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n^{\&prime;};j=\mathrm{1,2},...,p)---\left(3\right)$

${y_i^{*}}^{\&prime;}=\frac{{y_i}^{\&prime;}-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n^{\&prime;})---\left(4\right)$

其中，x_ij、y_i为训练样本点的原值，n为训练样本个数，p为自变量个数，x_jmin、y_min分别表示第j个自变量、因变量训练样本的最小值，x_jmax、y_max分别表示第j个自变量训练样本、因变量训练样本的最大值，为训练样本点的标准化值，x_ij'、y_i'为测试样本点的原值，n'为测试样本个数，为测试样本点的标准化值，其中下标i、j分别表示第i个训练样本点、第j个自变量。

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）初始化系数矩阵V和系数向量W：取V的各元素v_jk（j=0,1,2,…,p，k=1,2,…,q）、W的各元素w_k（k=0,1,2,…,q）为（0,1）区间内的随机数；

2.2）令样本序号i=1；

2.3）按当前系数矩阵V和系数向量W，通过（5）、（6）式，由自变量训练样本预测因变量值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_{\mathrm{ij}}^{*}\right),(k=\mathrm{1,2},...,q)---\left(5\right)$

${\hat{y}}_i^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(6\right)$

其中，z_k为中间节点变量，下标k表示第k个中间节点，q为中间节点个数，取的向上取整值，为第i个训练样本点的因变量标准化预测值，f(x)为非线性变换函数：

2.4）通过（7）、（8）式求当前的误差信号：

${\mathrm{\&delta;}}^y=(y_i^{*}-{\hat{y}}_i^{*}){\hat{y}}_i^{*}(1-{\hat{y}}_i^{*})---\left(7\right)$

${\mathrm{\&delta;}}_k^z={\mathrm{\&delta;}}^y{w}_k{z}_k(1-z_k),(k=1,2,...,q)---\left(8\right)$

其中，δ^y为因变量误差信号，为中间节点误差信号；

2.5）根据误差信号，通过（9）、（10）式对系数矩阵V和系数向量W进行修正：

$v_{\mathrm{jk}}=v_{\mathrm{jk}}+0.5{\mathrm{\&delta;}}_k^z{x}_{\mathrm{ij}}^{*},(j=\mathrm{0,1,2},...,p;k=\mathrm{1,2},...,q)---\left(9\right)$

w_k=w_k+0.5δ^yz_k，（k=0,1,2,…,q）    （10）

2.6）如果i<n，令i=i+1，返回步骤2.3），否则转2.7）；

2.7）将自变量测试样本作为输入信号，输出因变量的预测值，并求误差平方和，由（11）～（13）式实现：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x_{\mathrm{ij}}^{*}}^{\&prime;}\right),(k=\mathrm{1,2},...,m)---\left(11\right)$

${{\hat{y}}_i^{*}}^{\&prime;}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(12\right)$

${S_{\mathrm{SS}}}^{\&prime;}=\underset{i=1}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{({y_i^{*}}^{\&prime;}-{{\hat{y}}_i^{*}}^{\&prime;})}^2---\left(13\right)$

其中，为第i个测试样本点的因变量标准化预测值，S_SS'为测试样本的因变量预测误差平方和；

2.8）比较本次与前一次的预测误差平方和，如果较前一次低则转步骤2.2），继续迭代，否则结束迭代；

2.9）将当前的系数矩阵V和系数向量W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固体未完全燃烧热损失率，其实现步骤如下：

3.1）将输入的自变量信号按（14）式处理：

${x\left(t\right)}_j^{*}=\frac{{x\left(t\right)}_j-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(j=\mathrm{1,2},...,p)---\left(14\right)$

其中，x(t)_j为t时刻第j个自变量原值，x_jmin为第j个自变量训练样本的最小值，x_jmax为第j个自变量训练样本的最大值，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（15）、（16）式求飞灰含碳百分数的无量纲化预测值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x\left(t\right)}_j^{*}\right),(k=\mathrm{1,2},...,q)---\left(15\right)$

$\hat{y}{\left(t\right)}^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(16\right)$

其中，为t时刻飞灰含碳百分数的无量纲化预测值；

3.3）按下式求飞灰含碳百分数的原量纲预测值：

$\hat{y}\left(t\right)=2(\hat{y}{\left(t\right)}^{*}-0.25)(y_{\max }-y_{\min })+y_{\min }---\left(17\right)$

其中，为t时刻飞灰含碳百分数原量纲预测值，y_min为因变量训练样本的最小值，y_max为因变量训练样本的最大值。

3.4）按下式求循环流化床锅炉的固体未完全燃烧热损失率预测值：

$q_4=31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}\left(t\right)}{100-\hat{y}\left(t\right)}---\left(18\right)$

其中，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；为飞灰含碳百分数的预测值；q₄即为循环流化床锅炉固体未完全燃烧热损失率的预测值。

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，并将固体未完全燃烧热损失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，操作变量如何调整最有利于降低固体未完全燃烧热损失，以便控制站工作人员，根据固体未完全燃烧热损失率预测值和操作建议，及时调整操作条件，降低固体未完全燃烧热损失，提高锅炉运行效率。其中，操作变量如何调整最有利于降低固体未完全燃烧热损失，一个简便方法是将操作变量的当前值上下波动，代入固体未完全燃烧热损失率预测系统，得到新的固体未完全燃烧热损失率预测值，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固体未完全燃烧热损失率预测方法，所述的预测方法包括以下步骤：

1）从数据库中采集关键自变量的两组历史记录，构成自变量的训练样本矩阵X和测试样本矩阵X'，采集对应的飞灰含碳百分数的两组历史记录，构成因变量的训练样本向量Y和测试样本向量Y'，对训练样本和测试样本进行标准化处理，将各变量变换为[0.25,0.75]区间的值，得到标准化后自变量训练样本矩阵X^*和测试样本矩阵X^*'、标准化后因变量训练样本向量Y^*和测试样本向量Y^*'，采用以下过程来完成：

1.1）标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)---\left(1\right)$

$y_i^{*}=\frac{y_i-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n)---\left(2\right)$

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(i=\mathrm{1,2},...,n^{\&prime;};j=\mathrm{1,2},...,p)---\left(3\right)$

${y_i^{*}}^{\&prime;}=\frac{{y_i}^{\&prime;}-y_{\min }}{2(y_{\max }-y_{\min })}+0.25,(i=\mathrm{1,2},...,n^{\&prime;})---\left(4\right)$

其中，x_ij、y_i为训练样本点的原值，n为训练样本个数，p为自变量个数，x_jmin、y_min为训练样本的最小值，x_jmax、y_max为训练样本的最大值，为训练样本点的标准化值，x_ij'、y_i'为测试样本点的原值，n'为测试样本个数，为测试样本点的标准化值，其中下标i、j分别表示第i个训练样本点、第j个自变量。

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）初始化系数矩阵V和系数向量W：取V的各元素v_jk（j=0,1,2,…,p，k=1,2,…,q）、W的各元素w_k（k=0,1,2,…,q）为（0,1）区间内的随机数；

2.2）令样本序号i=1；

2.3）按当前系数矩阵V和系数向量W，通过（5）、（6）式，由自变量训练样本预测因变量值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_{\mathrm{ij}}^{*}\right),(k=\mathrm{1,2},...,q)---\left(5\right)$

${\hat{y}}_i^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(6\right)$

其中，z_k为中间节点变量，下标k表示第k个中间节点，q为中间节点个数，取的向上取整值，为第i个训练样本点的因变量标准化预测值，f(x)为非线性变换函数：

2.4）通过（7）、（8）式求当前的误差信号：

${\mathrm{\&delta;}}^y=(y_i^{*}-{\hat{y}}_i^{*}){\hat{y}}_i^{*}(1-{\hat{y}}_i^{*})---\left(7\right)$

${\mathrm{\&delta;}}_k^z={\mathrm{\&delta;}}^y{w}_k{z}_k(1-z_k),(k=1,2,...,q)---\left(8\right)$

其中，δ^y为因变量误差信号，为中间节点误差信号；

2.5）根据误差信号，通过（9）、（10）式对系数矩阵V和系数向量W进行修正：

$v_{\mathrm{jk}}=v_{\mathrm{jk}}+0.5{\mathrm{\&delta;}}_k^z{x}_{\mathrm{ij}}^{*},(j=\mathrm{0,1,2},...,p;k=\mathrm{1,2},...,q)---\left(9\right)$

w_k=w_k+0.5δ^yz_k，（k=0,1,2,…,q）    （10）

2.6）如果i<n，令i=i+1，返回步骤2.3），否则转2.7）；

2.7）将自变量测试样本作为输入信号，输出因变量的预测值，并求误差平方和，由（11）～（13）式实现：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x_{\mathrm{ij}}^{*}}^{\&prime;}\right),(k=\mathrm{1,2},...,m)---\left(11\right)$

${{\hat{y}}_i^{*}}^{\&prime;}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(12\right)$

${S_{\mathrm{SS}}}^{\&prime;}=\underset{i=1}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{({y_i^{*}}^{\&prime;}-{{\hat{y}}_i^{*}}^{\&prime;})}^2---\left(13\right)$

其中，为第i个测试样本点的因变量标准化预测值，S_SS'为测试样本的因变量预测误差平方和；

2.8）比较本次与前一次的预测误差平方和，如果较前一次低则转步骤2.2），继续迭代，否则结束迭代；

2.9）保存最后得到的系数矩阵V和系数向量W。

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，根据系数矩阵V和系数向量W对固体未完全燃烧热损失进行预测，其实现步骤如下：

3.1）将输入的自变量信号按（14）式处理：

${x\left(t\right)}_j^{*}=\frac{{x\left(t\right)}_j-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(j=\mathrm{1,2},...,p)---\left(14\right)$

其中，x(t)_j为t时刻第j个自变量原值，x_jmin为第j个自变量训练样本的最小值，x_jmax为第j个自变量训练样本的最大值，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（15）、（16）式求飞灰含碳百分数的无量纲化预测值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x\left(t\right)}_j^{*}\right),(k=\mathrm{1,2},...,q)---\left(15\right)$

$\hat{y}{\left(t\right)}^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(16\right)$

其中，为t时刻飞灰含碳百分数的无量纲化预测值；

3.3）按下式求飞灰含碳百分数的原量纲预测值：

$\hat{y}\left(t\right)=2(\hat{y}{\left(t\right)}^{*}-0.25)(y_{\max }-y_{\min })+y_{\min }---\left(17\right)$

其中，为t时刻飞灰含碳百分数原量纲预测值，y_min为因变量训练样本的最小值，y_max为因变量训练样本的最大值。

3.4）按下式求循环流化床锅炉的固体未完全燃烧热损失率预测值：

$q_4=31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}\left(t\right)}{100-\hat{y}\left(t\right)}---\left(18\right)$

其中，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；为飞灰含碳百分数的预测值；q₄即为循环流化床锅炉固体未完全燃烧热损失率的预测值。

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，将得到的实际飞灰含碳量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，并将固体未完全燃烧热损失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，操作变量如何调整最有利于降低固体未完全燃烧热损失，以便控制站工作人员，根据固体未完全燃烧热损失率预测值和操作建议，及时调整操作条件，降低固体未完全燃烧热损失，提高锅炉运行效率。其中，操作变量如何调整最有利于降低固体未完全燃烧热损失，一个简便方法是将操作变量的当前值上下波动，代入固体未完全燃烧热损失率预测系统，得到新的固体未完全燃烧热损失率预测值，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。

本发明所提出的循环流化床锅炉固体未完全燃烧热损失率预测系统及方法，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固体未完全燃烧热损失率预测系统，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关键自变量的两组历史记录，构成自变量的训练样本矩阵X和测试样本矩阵X'，采集对应的飞灰含碳量百分数的两组历史记录，构成因变量的训练样本向量Y和测试样本向量Y'，对训练样本和测试样本进行标准化处理，将各变量变换为[0.25,0.75]区间的值，得到标准化后自变量训练样本矩阵X^*和测试样本矩阵X^*'、标准化后因变量训练样本向量Y^*和测试样本向量Y^*'，采用以下过程来完成：

1.1)标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-x_{j\min }}{2(x_{j\max }-x_{\mathrm{j\; mim}})}+0.25,(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)---\left(1\right)$

$y_i^{*}=\frac{y_i-x_{\min }}{2(y_{\max }-y_{\mathrm{mim}})}+0.25,(i=\mathrm{1,2},...,n)---\left(2\right)$

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-x_{j\min }}{2(x_{j\max }-x_{\mathrm{j\; mim}})}+0.25,(i=\mathrm{1,2},...,n^{\&prime;};j=\mathrm{1,2},...,p)---\left(3\right)$

${y_i^{*}}^{\&prime;}=\frac{{y_i}^{\&prime;}-y_{\min }}{2(y_{\max }-y_{\mathrm{mim}})}+0.25,(i=\mathrm{1,2},...,n^{\&prime;})---\left(4\right)$

其中，x_ij、y_i为训练样本点的原值，n为训练样本个数，p为自变量个数，x_jmin、y_min分别表示第j个自变量、因变量训练样本的最小值，x_jmax、y_max分别表示第j个自变量训练样本、因变量训练样本的最大值，为训练样本点的标准化值，x_ij'、y_i'为测试样本点的原值，n'为测试样本个数，为测试样本点的标准化值，其中下标i、j分别表示第i个训练样本点、第j个自变量；

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)初始化系数矩阵V和系数向量W：取V的各元素v_jk(j＝0,1,2,…,p，k＝1,2,…,q)、W的各元素w_k(k＝0,1,2,…,q)为(0,1)区间内的随机数；

2.2)令样本序号i＝1；

2.3)按当前系数矩阵V和系数向量W，通过(5)、(6)式，由自变量训练样本预测因变量值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_{\mathrm{ij}}^{*}\right),(k=\mathrm{1,2},...,q)---\left(5\right)$

${\hat{y}}_i^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(6\right)$

其中，z_k为中间节点变量，下标k表示第k个中间节点，q为中间节点个数，取的向上取整值，为第i个训练样本点的因变量标准化预测值，f(x)为非线性变换函数：

2.4)通过(7)、(8)式求当前的误差信号：

${\mathrm{\&delta;}}^y=(y_i^{*}-{\hat{y}}_i^{*}){\hat{y}}_i^{*}(1-{\hat{y}}_i^{*})---\left(7\right)$

${\mathrm{\&delta;}}_k^z={\mathrm{\&delta;}}^y{w}_k{z}_k(1-z_k),(k=\mathrm{1,2},...,q)---\left(8\right)$

其中，δ^y为因变量误差信号，为中间节点误差信号；

2.5)根据误差信号，通过(9)、(10)式对系数矩阵V和系数向量W进行修正：

$v_{\mathrm{jk}}=v_{\mathrm{jk}}+0.5{\mathrm{\&delta;}}_k^z{x}_{\mathrm{ij}}^{*},(j=\mathrm{0,1,2},...,p;k=\mathrm{1,2},...,q)---\left(9\right)$

w_k＝w_k+0.5δ^yz_k，(k＝0,1,2,…,q)   (10)

2.6)如果i＜n，令i＝i+1，返回步骤2.3)，否则转2.7)；

2.7)将自变量测试样本作为输入信号，输出因变量的预测值，并求误差平方和，由(11)～(13)式实现：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x_{\mathrm{ij}}^{*}}^{\&prime;}\right),(k=\mathrm{1,2},...,m)---\left(11\right)$

${{\hat{y}}_i^{*}}^{\&prime;}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(12\right)$

${S_{\mathrm{SS}}}^{\&prime;}=\underset{i=1}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{({y_i^{*}}^{\&prime;}-{{\hat{y}}_i^{*}}^{\&prime;})}^2---\left(13\right)$

其中，为第i个测试样本点的因变量标准化预测值，S_SS'为测试样本的因变量预测误差平方和；

2.8)比较本次与前一次的预测误差平方和，如果较前一次低则转步骤2.2)，继续迭代，否则结束迭代；

2.9)将当前的系数矩阵V和系数向量W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固体未完全燃烧热损失，其实现步骤如下：

3.1)将输入的自变量信号按(14)式处理：

${x\left(t\right)}_j*=\frac{x{\left(t\right)}_j-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(j=\mathrm{1,2},...,p)---\left(14\right)$

其中，x(t)_j为t时刻第j个自变量原值，x_jmin为第j个自变量训练样本的最小值，x_jmax为第j个自变量训练样本的最大值，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(15)、(16)式求飞灰含碳量百分数的无量纲化预测值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x\left(t\right)}_j^{*}\right),(k=\mathrm{1,2},...,q)---\left(15\right)$

$\hat{y}{\left(t\right)}^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(16\right)$

其中，为t时刻飞灰含碳量百分数的无量纲化预测值；

3.3)按下式求飞灰含碳量百分数的原量纲预测值：

$\hat{y}\left(t\right)=2(\hat{y}{\left(t\right)}^{*}-0.25)(y_{\max }-y_{\min })+y_{\min }---\left(17\right)$

其中，为t时刻飞灰含碳量百分数原量纲预测值，y_min为因变量训练样本的最小值，y_max为因变量训练样本的最大值；

3.4)按下式求循环流化床锅炉的固体未完全燃烧热损失率预测值：

$q_4=31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}\left(t\right)}{100-\hat{y}\left(t\right)}---\left(18\right)$

其中，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；为飞灰含碳百分数的预测值；q₄即为循环流化床锅炉固体未完全燃烧热损失率的预测值；

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，并将固体未完全燃烧热损失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，操作变量如何调整最有利于降低固体未完全燃烧热损失，以便控制站工作人员，根据固体未完全燃烧热损失率预测值和操作建议，及时调整操作条件，降低固体未完全燃烧热损失，提高锅炉运行效率；其中，操作变量如何调整最有利于降低固体未完全燃烧热损失，一个简便方法是将操作变量的当前值上下波动，代入固体未完全燃烧热损失率预测系统，得到新的固体未完全燃烧热损失率预测值，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。

2.一种用权利要求1所述的循环流化床锅炉固体未完全燃烧热损失率预测系统实现的固体未完全燃烧热损失率预测方法，其特征在于，所述的预测方法包括以下步骤：

1)从数据库中采集关键自变量的两组历史记录，构成自变量的训练样本矩阵X和测试样本矩阵X'，采集对应的飞灰含碳量百分数的两组历史记录，构成因变量的训练样本向量Y和测试样本向量Y'，对训练样本和测试样本进行标准化处理，将各变量变换为[0.25,0.75]区间的值，得到标准化后自变量训练样本矩阵X^*和测试样本矩阵X^*'、标准化后因变量训练样本向量Y^*和测试样本向量Y^*'，采用以下过程来完成：

1.1)标准化

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-x_{j\min }}{2(x_{j\max }-x_{\mathrm{j\; mim}})}+0.25,(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p)---\left(1\right)$

$y_i^{*}=\frac{y_i-x_{\min }}{2(y_{\max }-y_{\mathrm{mim}})}+0.25,(i=\mathrm{1,2},...,n)---\left(2\right)$

${x_{\mathrm{ij}}^{*}}^{\&prime;}=\frac{{x_{\mathrm{ij}}}^{\&prime;}-x_{j\min }}{2(x_{j\max }-x_{\mathrm{j\; mim}})}+0.25,(i=\mathrm{1,2},...,n^{\&prime;};j=\mathrm{1,2},...,p)---\left(3\right)$

${y_i^{*}}^{\&prime;}=\frac{{y_i}^{\&prime;}-y_{\min }}{2(y_{\max }-y_{\mathrm{mim}})}+0.25,(i=\mathrm{1,2},...,n^{\&prime;})---\left(4\right)$

其中，x_ij、y_i为训练样本点的原值，n为训练样本个数，p为自变量个数，x_jmin、y_min分别表示第j个自变量、因变量训练样本的最小值，x_jmax、y_max分别表示第j个自变量、因变量训练样本的最大值，为训练样本点的标准化值，x_ij'、y_i'为测试样本点的原值，n'为测试样本个数，为测试样本点的标准化值，其中下标i、j分别表示第i个训练样本点、第j个自变量；

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)初始化系数矩阵V和系数向量W：取V的各元素v_jk(j＝0,1,2,…,p，k＝1,2,…,q)、W的各元素w_k(k＝0,1,2,…,q)为(0,1)区间内的随机数；

2.2)令样本序号i＝1；

2.3)按当前系数矩阵V和系数向量W，通过(5)、(6)式，由自变量训练样本预测因变量值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_{\mathrm{ij}}^{*}\right),(k=\mathrm{1,2},...,q)---\left(5\right)$

${\hat{y}}_i^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(6\right)$

其中，z_k为中间节点变量，下标k表示第k个中间节点，q为中间节点个数，取的向上取整值，为第i个训练样本点的因变量标准化预测值，f(x)为非线性变换函数： $f\left(x\right)=\frac{1}{1+e^{-x}};;$

24)通过(7)、(8)式求当前的误差信号：

${\mathrm{\&delta;}}^y=(y_i^{*}-{\hat{y}}_i^{*}){\hat{y}}_i^{*}(1-{\hat{y}}_i^{*})---\left(7\right)$

${\mathrm{\&delta;}}_k^z={\mathrm{\&delta;}}^y{w}_k{z}_k(1-z_k),(k=\mathrm{1,2},...,q)---\left(8\right)$

其中，δ^y为因变量误差信号，为中间节点误差信号；

2.5)根据误差信号，通过(9)、(10)式对系数矩阵V和系数向量W进行修正：

$v_{\mathrm{jk}}=v_{\mathrm{jk}}+0.5{\mathrm{\&delta;}}_k^z{x}_{\mathrm{ij}}^{*},(j=\mathrm{0,1,2},...,p;k=\mathrm{1,2},...,q)---\left(9\right)$

w_k＝w_k+0.5δ^yz_k，(k＝0,1,2,…,q)   (10)

2.6)如果i＜n，令i＝i+1，返回步骤2.3)，否则转2.7)；

2.7)将自变量测试样本作为输入信号，输出因变量的预测值，并求误差平方和，由(11)～(13)式实现：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x_{\mathrm{ij}}^{*}}^{\&prime;}\right),(k=\mathrm{1,2},...,m)---\left(11\right)$

${{\hat{y}}_i^{*}}^{\&prime;}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(12\right)$

${S_{\mathrm{SS}}}^{\&prime;}=\underset{i=1}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{({y_i^{*}}^{\&prime;}-{{\hat{y}}_i^{*}}^{\&prime;})}^2---\left(13\right)$

其中，为第i个测试样本点的因变量标准化预测值，S_SS'为测试样本的因变量预测误差平方和；

2.8)比较本次与前一次的预测误差平方和，如果较前一次低则转步骤2.2)，继续迭代，否则结束迭代；

2.9)保存最后得到的系数矩阵V和系数向量W；

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，根据系数矩阵V和系数向量W对固体未完全燃烧热损失进行预测，其实现步骤如下：

3.1)将输入的自变量信号按(14)式处理：

${x\left(t\right)}_j*=\frac{x{\left(t\right)}_j-x_{j\min }}{2(x_{j\max }-x_{j\min })}+0.25,(j=\mathrm{1,2},...,p)---\left(14\right)$

其中，x(t)_j为t时刻第j个自变量原值，x_jmin为第j个自变量训练样本的最小值，x_jmax为第j个自变量训练样本的最大值，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(15)、(16)式求飞灰含碳量百分数的无量纲化预测值：

$z_k=f\left(\underset{j=0}{\overset{p}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x\left(t\right)}_j^{*}\right),(k=\mathrm{1,2},...,q)---\left(15\right)$

$\hat{y}{\left(t\right)}^{*}=f\left(\underset{k=0}{\overset{q}{\mathrm{\&Sigma;}}}{w}_k{z}_k\right)---\left(16\right)$

其中，为t时刻飞灰含碳量百分数的无量纲化预测值；

3.3)按下式求飞灰含碳量百分数的原量纲预测值：

$\hat{y}\left(t\right)=2(\hat{y}{\left(t\right)}^{*}-0.25)(y_{\max }-y_{\min })+y_{\min }---\left(17\right)$

其中，为t时刻飞灰含碳量百分数原量纲预测值，y_min为因变量训练样本的最小值，y_max为因变量训练样本的最大值；

3.4)按下式求循环流化床锅炉的固体未完全燃烧热损失率预测值：

$q_4=31223\frac{A_{\mathrm{ar}}}{Q_{\mathrm{ar},\mathrm{net},p}}\&times;\frac{\hat{y}\left(t\right)}{100-\hat{y}\left(t\right)}---\left(18\right)$

其中，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；为飞灰含碳百分数的预测值；q₄即为循环流化床锅炉固体未完全燃烧热损失率的预测值；

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，并将固体未完全燃烧热损失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，操作变量如何调整最有利于降低固体未完全燃烧热损失，以便控制站工作人员，根据固体未完全燃烧热损失率预测值和操作建议，及时调整操作条件，降低固体未完全燃烧热损失，提高锅炉运行效率；其中，操作变量如何调整最有利于降低固体未完全燃烧热损失，一个简便方法是将操作变量的当前值上下波动，代入固体未完全燃烧热损失率预测系统，得到新的固体未完全燃烧热损失率预测值，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。