CN103440528A - 基于耗差分析的火电机组运行优化方法及装置 - Google Patents

Abstract

本发明提供了一种基于耗差分析的火电机组运行优化方法及装置，该方法包括以下步骤：基于改进的最小二乘支持向量机算法建立火电机组做功过程模型；采用改进的粒子群算法对火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值；根据全局最优值对应的参数变量数据指导火电机组的运行，以使火电机组在最优供电煤耗率下工作。本发明运用改进的最小二乘支持向量机算法的建模方法将蒸汽在火电机组内做功的非线性问题转化为了高维平面内的线性问题，并最终获得了最优决策变量，并用最优决策变量指导火电机组的运行，以使火电机组在最优供电煤耗率下工作，从而提高了火电机组的能源利用率和经济效益。

Description

基于耗差分析的火电机组运行优化方法及装置

技术领域

本发明涉及火电机组运行控制技术，特别是涉及一种基于耗差分析的火电机组运行优化方法及装置。

背景技术

耗差分析作为火电机组运行优化的基础性研究工作，是火电机组优化运行、节能降耗的基础。其是通过对火电机组运行中的关键参数连续的进行监督分析，并将这些参数的实际运行值与优化目标值进行比较，按照一定的耗差分析模型计算出这些参数偏离优化目标值时对火电机组煤耗的影响，从而优化火电机组运行管理，确定影响火电机组设备运行经济性的原因、部位及火电机组节能潜力。耗差分析的准确性取决于优化目标值的确定是否准确。目前关于耗差分析的理论研究主要集中在：优化目标值确定问题的研究，准确的优化目标值是运行指导科学、可信的支撑。

通过对国内五大发电企业调研，得到我国目前对于火电机组耗差分析优化目标值的确定方法主要有以下几种：

（1）采用制造厂提供的设计值；

（2）采用火电机组热力试验的结果；

（3）采用变工况热力计算结果；

（4）采用历史数据的统计值；

（5）自动寻优确定；

（6）数据挖掘技术；

定压运行时，对于主蒸汽压力、主蒸汽温度、再热蒸汽温度等一类参数的优化目标值，各电厂均采用方制造厂提供的设计值来确定；当火电机组滑压运行时，一般采用热力试验的方法或变工况热力计算来得到不同负荷（或主蒸汽流量）下主蒸汽压力的优化目标值。其它如排烟温度、飞灰含碳率、汽水损失、汽机真空、给水温度、主减温水量、厂用电率、锅炉效率参数的确定，各采用不同的方法，在调研的电厂中，有两家电厂采用方法（1）和（2），方法（3）、（4）和（5）各有一家电厂采用。

采用方法（2），在系统运行初期效果较好，但是随着运行时间的延长，火电机组的状态发生改变，优化目标值也应有所变化，但是，发电厂不可能经常进行大量的试热力试验，使得优化目标值和火电机组实际运行状态不符合。采用方法（3），一方面计算结果受到变工况热力计算模型的影响，另一方面，计算得到的优化目标值是理论值，在实际运行中较难实现，影响了对运行的指导作用。采用方法（4），一方面，统计数据繁琐费时，另一方面，原始数据需经过验证，才具有可信性，因此，统计要经过典型数据选择，数据验证，边界条件分析，最终得出优化目标值，由于这一过程繁琐，采用这种方法的系统一般也不对优化目标值进行经常性的更新，使得优化目标值和火电机组状态不符合。方法（5）由于边界条件众多，导致优化目标值的曲线在较短的时间内难以统计完成。因此，确定运行指标的优化目标值应考虑它的准确性、实时性及可行性。如果得出的优化目标值在运行中不符合设备的实际状态或在实际运行中不能达到，就不能对运行起到很好的指导作用。

本质上，火电机组耗差分析化目标值的确定应该是对以下优化问题的求解过程：

$\left\{\begin{array}{c}\min f\left(X\right){b_g}^{\′}\\ s.t.g_i\left(X\right)\≥0,i=\mathrm{1,2},...,m\\ h_j\left(X\right)=0,j=\mathrm{1,2},...,l\end{array}\right.---(2-1)$

上式是个典型的优化问题，目标函数f(X)为火电机组的供电煤耗率（b_g）；约束条件g_i(X)和h_j(X)分别表示火电机组在特定运行工况下客观条件限定和运行参数所遵循的热电转换的基本原理及定律；X代表火电机组的优化运行的决策变量（即耗差分析指标）。然而，上式表述的优化问题模型是高维的、众多约束条件的复杂优化问题，是难以求解的；在实际复杂的热工过程中该优化模型无法建立，导致理论上的最优决策变量无法获取，即耗差分析优化目标值无法通过传统的基于模型的优化问题求解方法来确定。

发明内容

本发明实施例的目的在于提供一种基于耗差分析的火电机组运行优化方法及装置，以解决现有火电机组运行优化技术中因高维的、众多约束条件的复杂优化问题的难以求解而导致理论上的最优决策变量无法获取的问题。

为实现上述目的，本发明提供一种基于耗差分析的火电机组运行优化方法，包括以下步骤：

基于改进的最小二乘支持向量机算法建立火电机组做功过程模型；

采用改进的粒子群算法对所述火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值；

根据所述全局最优值对应的参数变量数据指导所述火电机组的运行，以使所述火电机组在最优供电煤耗率下工作。

为实现上述目的，本发明还提供一种基于耗差分析的火电机组运行优化装置，包括：

模型构建模块，用于基于改进的最小二乘支持向量机算法建立火电机组做功过程模型；

模型优化模块，用于采用改进的粒子群算法对所述火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值；

优化控制模块，用于根据所述全局最优值下对应的参数变量数据指导所述火电机组的运行，以使所述火电机组在最优供电煤耗率下工作。

本发明首先基于改进的最小二乘支持向量机算法建立火电机组做功过程模型，再通过改进的粒子群算法对影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值，从而根据全局最优值对应的参数变量数据指导所述火电机组的运行，以使火电机组在最优供电煤耗率下工作。因此，本发明运用改进的最小二乘支持向量机算法的建模方法实现了将蒸汽在火电机组内做功的非线性问题转化为了高维平面内的线性问题，并最终获得了理论上的最优决策变量，进而可以通过该理论上的最优决策变量指导火电机组的运行，以使火电机组在最优供电煤耗率下工作，从而提高了火电机组的能源利用率和经济效益。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明实施例的基于耗差分析的火电机组运行优化方法的流程图；

图2为本发明实施例的基于耗差分析的火电机组运行优化装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

下面结合附图，对本发明的具体实施方式作进一步的详细说明。

请参阅图1所示，图1为本发明实施例的基于耗差分析的火电机组运行优化方法流程图，其包括以下步骤：

步骤101，基于改进的最小二乘支持向量机算法建立火电机组做功过程中的火电机组做功过程模型。火电机组做功过程是一个复杂非线性的热化学转化过程，它是一个多输入系统。在做功过程中，影响供电煤耗率的耗差分析指标众多，而且这些指标之间具有强耦合、非线性等特征。对于这些复杂的过程，很难用简单的机理模型来描述。基于最小二乘支持向量机（Least Squares Support Vector Machine，LS-SVM）算法的模型属于黑箱模型，其模型输入输出之间的非线性函数关系由LS-SVM算法实现，不需要深入理解模型的内部原理及构造，因此适合采用LS-SVM算法来建立火电机组做功过程中的火电机组做功过程模型。本步骤的具体实现包括如下步骤：

（1）、在建立LS-SVM模型之前，要先确定模型的输入变量和输出变量。即从众多影响供电煤耗率的参数变量中选取若干个重要的影响供电煤耗率的第一参数变量作为模型输入，并选取若干个重要的影响供电煤耗率的第二参数变量作为模型输出。本发明实施例，第一参数变量包括主蒸汽压力、主蒸汽温度、背压、排汽温度、给水温度、系统明漏量、系统不明漏量、过热减温水量、再热减温水量、排烟温度和飞灰含碳量；第二参数变量包括汽轮机热耗率、锅炉效率和厂用电率。供电煤耗率可表示为

其中，b_g为供电煤耗率，q为汽轮机热耗率，η_gl为锅炉效率，ξ_ap为厂用电率，η_gd为管道效率（一般为固定值98%左右）。

（2）、获取模型输入和模型输出的样本点数据，组建数据样本集。样本点可由火电机组在各工况实际工作中采集得到。

（3）、对数据样本集进行归一化处理。由于模型输入量纲不同，在建模前首先需要进行归一化处理。

（4）、运用改进的PSO算法对欲建立的火电机组做功过程模型进行模型参数优化，得到优化的模型参数；

（5）、根据优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型。LS-SVM算法作为一种新型的机器学习算法，其基本思想是通过映射将输入空间的数据映射到高维的特征空间（Feature Space），在高维特征空间中构造线性决策函数来实现原空间中的非线性决策函数。但是求解最小二乘支持向量机不需要知道非线性映射的具体形式，只需要选择合适的核函数，通过计算这个核函数进行优化求解，这样就把高维特征空间的点积转化为低维空间的核函数进行计算，其计算复杂性与输入模式的维数没有直接的关系，从而避免解决了高维特征空间中求解带来的维数灾难。本实施例选用Gauss径向基核函数（radial basis function，RBF）建立火电机组做功过程的火电机组做功过程模型，该核函数可用如下公式表达：

$K(x,x_i)=\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{{2\mathrm{\σ}}^2})$

其中，σ为核函数的宽度系数，也称为核参数，其反映了内积核对输入的相应宽度，σ值的改变间接改变映射函数，σ定义了高维特征空间的结构，影响数据在高维空间分布的复杂性，σ值选取不当对系统的泛化能力有影响。RBF核函数σ值偏小会出现过拟合现象，出现记忆训练样本的现象，σ值偏大容场使支持向量机的判别函数或回归函数过于平缓，因此，σ取值过大过小都会带来不利的影响。当RBF核函数取较大的σ值，其性能类似多项式核函数，当RBF核函数取较小的σ值，其性能类似线性核函数。

上述的惩罚因子C是用来平衡训练误差和模型复杂度之间的比例，调节学习能力和泛化能力，惩罚因子C的值影响着所建模型的稳定性及复杂性。训练样本不同最优惩罚因子C也是不一样的。对于回归问题，惩罚因子C小，表示允许较大的误差，推广能力弱，容易出现“欠学习”现象；惩罚因子C大，表示允许较小的误差，经验风险小，学习精度较高，泛化能力弱，容易出现“过学习”现象。若取惩罚因子C无穷大，支持向量回归机的优化问题成为最小化经验风险了。惩罚因子C影响对样本中离群点带来损失的处理，选取合适的惩罚因子C能抗噪音干扰，能够提高模型的稳定性。因此选取一个合适的惩罚因子C对模型的推广能力很重要。

可选的，上述按照设定比例将归一化处理后的数据样本集分成训练样本和测试样本两部分；训练样本用于提供构建火电机组做功过程模型所需的训练样本；测试样本用于在重建火电机组做功过程模型后根据测试样本对重建后的火电机组做功过程模型进行测试检验。

可选的，在上述根据优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型之后，还包括：去除一小部分误差小于设定阈值的样本点，重建火电机组做功过程模型，以保证火电机组做功过程模型在具有一定泛化性能的同时获得比较理想的“稀疏特性”。如果样本点能够一次给足，并保证以后不再新加样本点，那么计算最优解的过程只会进行一次，这样用具有稀疏性和不具有稀疏性的算法看上去没有什么太大的差别。但是，在火电火电机组实际工作中，大规模样本点的采集，一般都是通过多次完成的，有些数据甚至要经过长年累月收集才会变得相对完整，成为对实际生产有参考价值的数据集。在这种背景下，计算最优解的过程要经历多次，即需要多次学习，每次都要有新的样本点加入其中。若算法本身不具备稀疏性，在每次重新计算时，都要将上一次参与计算的所有样本点和新加样本点一起投入到新一次的计算中，这就导致了计算的负担越来越大。相反，如果采用具有稀疏性的算法，每次重新计算时，只需要将上次计算中样本点中的支持向量和全体新增向量一起投入到新一次的计算中，则大大减轻了二次学习的负担。因此，为了能让最小二乘支持向量机算法的可用范围更广，在每次学习完成后，有必要对样本点进行合理分析、剪枝，重现在支持向量机中具备的这种稀疏性。

步骤102，采用粒子群（Particle Swarm Optimization，PSO）算法对火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值。在粒子群优化算法中，每个粒子就是解空间中的一个解(待求解问题的一个潜在解)，它相当于搜索空间中的一只鸟，根据自己的飞行经验和同伴的飞行经验来调整自己的飞行，其“飞行信息”包括位置和速度两个状态量。每个微粒都可获得其邻域内其它微粒个体的信息，并可根据该信息以及简单的位置和速度更新规则，改变自身的状态量，以便更好地适应环境。而每个粒子在飞行过程所经历过的最好位置，就是粒子本身找到的最优解。整个群体所经历过的最好位置，就是整个群体目前找到的最优解。前者叫做个体最优值，后者叫做全局最优值。本步骤的具体实现包括如下步骤：

(1)、对改进的粒子群算法进行初始化设置，包括设置粒子群体规模、迭代次数、随机给出整个粒子群体中每个粒子的位置和速度，粒子即为影响供电煤耗率的参数变量。

(2)、初始化整个粒子群体当前全局最优值p_g和每个粒子的当前个体最优值p_i，根据当前个体最优值p_i求出当前平均最优位置p_md，并计算每个粒子的适应值；由于平均最优位置p_md的引入，粒子在搜索的过程中不再是在个体最优值和全局最优值附近搜索，而是在全部粒子的平均最优位置和全局最优值之间搜索。从而使得粒子借鉴了其它粒子的经验信息，进而获取的信息量更多。此外，平均最优位置不仅借鉴了其它粒子的经验信息同时也包括了自身的最优位置的信息，因此粒子可以获得更多的信息来引导自己的搜索方向。

(3)、判断当前一代所求的最优适应值的迭代次数是否超过设定的早熟因子f_a，如超过，则根据公式mbest'=mbest[1+Ψ(·)]对当前平均最优位置p_md进行小波变异，其中，mbest为当前平均最优位置p_md，mbest'为mbest变异后的结果，Ψ(·)为MORLET小波概率分布的随机变量对平均最优位置进行小波变异。通过小波变异操作产生的扰动可能会使粒子群偏离当前的位置从而获得更多的搜索信息，从而防止粒子群算在搜索后期陷入局部最优值。

(4)、更新每个粒子的速度和位置；

(5)、更新整个群体的当前全局最优值p_g和各个粒子的当前个体最优值p_i。

(6)、根据更新后的当前个体最优值p_i求出新的平均最优位置p_md。

(7)、计算每个粒子的新适应值，并将其与前一代适应值相比较，求出新的当前最优适应值。

(8)、判断新的当前最优适应值是否满足要求，若满足要求或达到设定迭代次数，则停止迭代，输出最优解。否则，跳转到步骤(4)。

步骤103，根据全局最优值对应的参数变量数据指导火电机组的运行，以使火电机组在最优供电煤耗率下工作。

本发明实施例的基于耗差分析的火电机组运行优化方法，首先基于改进的最小二乘支持向量机算法建立火电机组做功过程模型，再通过改进的粒子群算法对影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值，从而根据全局最优值对应的参数变量数据指导火电机组的运行，以使火电机组在最优供电煤耗率下工作。因此，本发明运用改进的最小二乘支持向量机算法的建模方法实现了将蒸汽在火电机组内做功的非线性问题转化为了高维平面内的线性问题，并最终获得了理论上的最优决策变量，进而可以通过该理论上的最优决策变量指导火电机组的运行，以使火电机组在最优供电煤耗率下工作，从而提高了火电机组的能源利用率和经济效益。

结合图2所示，图2为本发明实施例的基于耗差分析的火电机组运行优化装置的结构示意图，其包括模型构建模块21、模型优化模块22和优化控制模块23。其中，模型构建模块21用于基于改进的最小二乘支持向量机算法建立火电机组做功过程模型。模型优化模块22用于采用改进的粒子群算法对火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值。优化控制模块23用于根据全局最优值下对应的参数变量数据指导火电机组的运行，以使火电机组在最优供电煤耗率下工作。

上述模型构建模块21的具体实现步骤如下：

选取若干个影响供电煤耗率的第一参数变量作为模型输入，并选取若干个影响供电煤耗率的第二参数变量作为模型输出。其中，第一参数变量包括主蒸汽压力、主蒸汽温度、背压、排汽温度、给水温度、系统明漏量、系统不明漏量、过热减温水量、再热减温水量、排烟温度和飞灰含碳量，第二参数变量包括汽轮机热耗率、锅炉效率和厂用电率，供电煤耗率为

其中，b_g为供电煤耗率，q为汽轮机热耗率，η_gl为锅炉效率，ξ_ap为厂用电率，η_gd为管道效率。

获取模型输入和模型输出的样本点数据，组建数据样本集。

对数据样本集进行归一化处理。

运用改进的PSO算法对欲建立的火电机组做功过程模型进行模型参数优化，得到优化的模型参数。

根据优化的模型参数选定核函数（例如Gauss径向基函数）以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型。

可选的，在根据优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型之后，还包括：

去除一小部分误差小于设定阈值的样本点，重建火电机组做功过程模型，使火电机组做功过程模型重获稀疏特性。

可选的，在对数据样本集进行归一化处理之后，还包括：

按照设定比例（例如2:1）将归一化处理后的数据样本集分成训练样本和测试样本两部分；训练样本用于提供构建火电机组做功过程模型所需的训练样本；测试样本用于在重建火电机组做功过程模型后根据测试样本对重建后的火电机组做功过程模型进行测试检验。

上述型优化模块22的具体实现步骤如下：

对改进的粒子群算法进行初始化设置，包括设置粒子群体规模、迭代次数、随机给出整个粒子群体中每个粒子的位置和速度，粒子即为影响供电煤耗率的参数变量；

初始化整个粒子群体当前全局最优值p_g和每个粒子的当前个体最优值p_i，根据当前个体最优值p_i求出当前平均最优位置p_md，并计算每个粒子的适应值；

判断当前一代所求的最优适应值的迭代次数是否超过设定的早熟因子f_a，如超过，则根据公式mbest'=mbest[1+Ψ(·)]对当前平均最优位置p_md进行小波变异，其中，mbest为当前平均最优位置p_md，mbest'为mbest变异后的结果，Ψ(·)为MORLET小波概率分布的随机变量对平均最优位置进行小波变异；

更新每个粒子的速度和位置；

更新整个群体的当前全局最优值p_g和各个粒子的当前个体最优值p_i；

根据更新后的当前个体最优值p_i求出新的平均最优位置p_md；

计算每个粒子的新适应值，并将其与前一代适应值相比较，求出新的当前最优适应值；

判断新的当前最优适应值是否满足要求，若满足要求或达到设定迭代次数，则停止迭代，输出最优解。

在本发明实施例的基于耗差分析的火电机组运行优化装置中，模型构建模块基于改进的最小二乘支持向量机算法建立火电机组做功过程模型，模型优化模块采用改进的粒子群算法对影响供电煤耗率的参数变量进行优化，输出影响供电煤耗率的全局最优值，优化控制模块根据全局最优值对应的参数变量数据指导火电机组的运行，以使火电机组在最优供电煤耗率下工作。因此，本发明运用改进的最小二乘支持向量机算法的建模方法实现了将蒸汽在火电机组内做功的非线性问题转化为了高维平面内的线性问题，并最终获得了理论上的最优决策变量，进而可以通过该理论上的最优决策变量指导火电机组的运行，以使火电机组在最优供电煤耗率下工作，从而提高了火电机组的能源利用率和经济效益。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种基于耗差分析的火电机组运行优化方法，其特征在于，包括以下步骤：

基于改进的最小二乘支持向量机算法建立火电机组做功过程模型；

采用改进的粒子群算法对所述火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值；

根据所述全局最优值对应的参数变量数据指导所述火电机组的运行，以使所述火电机组在最优供电煤耗率下工作。

2.根据权利要求1所述的方法，其特征在于，所述基于改进的最小二乘支持向量机算法建立火电机组做功过程模型，具体包括：

选取若干个影响供电煤耗率的第一参数变量作为模型输入，并选取若干个影响所述供电煤耗率的第二参数变量作为模型输出；

获取所述模型输入和所述模型输出的样本点数据，组建数据样本集；

对所述数据样本集进行归一化处理；

运用改进的PSO算法对欲建立的火电机组做功过程模型进行模型参数优化，得到优化的模型参数；

根据所述优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型。

3.根据权利要求2所述的方法，其特征在于，在所述根据优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型之后，还包括：

去除一小部分误差小于设定阈值的样本点，重建所述火电机组做功过程模型，使所述火电机组做功过程模型重获稀疏特性。

4.根据权利要求2所述的方法，其特征在于，所述核函数包括Gauss径向基函数。

5.根据权利要求2所述的方法，其特征在于，在所述对数据样本集进行归一化处理之后，还包括：

按照设定比例将所述归一化处理后的数据样本集分成训练样本和测试样本两部分；所述训练样本用于提供构建所述火电机组做功过程模型所需的训练样本；所述测试样本用于在所述重建火电机组做功过程模型后根据所述测试样本对重建后的火电机组做功过程模型进行测试检验。

6.根据权利要求5所述的方法，其特征在于，所述设定比例包括2:1。

7.根据权利要求1所述的方法，其特征在于，所述采用改进的粒子群算法对所述火电机组做功过程模型中影响所述供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值，具体包括：

对改进的粒子群算法进行初始化设置，包括设置粒子群体规模、迭代次数、随机给出所述整个粒子群体中每个粒子的位置和速度，所述粒子即为影响所述供电煤耗率的参数变量；

初始化整个粒子群体当前全局最优值p_g和所述每个粒子的当前个体最优值p_i，根据所述当前个体最优值p_i求出当前平均最优位置p_md，并计算所述每个粒子的适应值；

判断当前一代所求的最优适应值的迭代次数是否超过设定的早熟因子f_a，如超过，则根据公式mbest'=mbest[1+Ψ(·)]对所述当前平均最优位置p_md进行小波变异，其中，mbest为当前平均最优位置p_md，mbest'为mbest变异后的结果，Ψ(·)为MORLET小波概率分布的随机变量对平均最优位置进行小波变异；

更新所述每个粒子的速度和位置；

更新所述整个群体的当前全局最优值p_g和各个粒子的当前个体最优值p_i；

根据更新后的当前个体最优值p_i求出新的平均最优位置p_md；

计算所述每个粒子的新适应值，并将其与前一代适应值相比较，求出新的当前最优适应值；

判断所述新的当前最优适应值是否满足要求，若满足要求或达到设定迭代次数，则停止迭代，输出最优解。

8.根据权利要求2所述的方法，其特征在于，所述第一参数变量包括主蒸汽压力、主蒸汽温度、背压、排汽温度、给水温度、系统明漏量、系统不明漏量、过热减温水量、再热减温水量、排烟温度和飞灰含碳量，所述第二参数变量包括汽轮机热耗率、锅炉效率和厂用电率，所述供电煤耗率为

其中，b_g为供电煤耗率，q为汽轮机热耗率，η_gl为锅炉效率，ξ_ap为厂用电率，η_gd为管道效率。

9.一种基于耗差分析的火电机组运行优化装置，其特征在于，包括：

模型构建模块，用于基于改进的最小二乘支持向量机算法建立火电机组做功过程模型；

模型优化模块，用于采用改进的粒子群算法对所述火电机组做功过程模型中影响供电煤耗率的参数变量进行优化，输出影响所述供电煤耗率的全局最优值；

优化控制模块，用于根据所述全局最优值下对应的参数变量数据指导所述火电机组的运行，以使所述火电机组在最优供电煤耗率下工作。

10.根据权利要求9所述的装置，其特征在于，所述模型构建模块的具体实现步骤如下：

选取若干个影响供电煤耗率的第一参数变量作为模型输入，并选取若干个影响所述供电煤耗率的第二参数变量作为模型输出；

获取所述模型输入和所述模型输出的样本点数据，组建数据样本集；

对所述数据样本集进行归一化处理；

运用改进的PSO算法对欲建立的火电机组做功过程模型进行模型参数优化，得到优化的模型参数；

根据所述优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型。

11.根据权利要求10所述的装置，其特征在于，在所述根据优化的模型参数选定核函数以及惩罚因子C，并据此训练归一化处理后的数据样本集，建立火电机组做功过程模型之后，还包括：

去除一小部分误差小于设定阈值的样本点，重建所述火电机组做功过程模型，使所述火电机组做功过程模型重获稀疏特性。

12.根据权利要求10所述的装置，其特征在于，所述核函数包括Gauss径向基函数。

13.根据权利要求10所述的装置，其特征在于，所述在对数据样本集进行归一化处理之后，还包括：

按照设定比例将所述归一化处理后的数据样本集分成训练样本和测试样本两部分；所述训练样本用于提供构建所述火电机组做功过程模型所需的训练样本；所述测试样本用于在所述重建火电机组做功过程模型后根据所述测试样本对重建后的火电机组做功过程模型进行测试检验。

14.根据权利要13所述的装置，其特征在于，所述设定比例包括2:1。

15.根据权利要求9所述的装置，其特征在于，所述模型优化模块的具体实现步骤如下：

对改进的粒子群算法进行初始化设置，包括设置粒子群体规模、迭代次数、随机给出所述整个粒子群体中每个粒子的位置和速度，所述粒子即为影响所述供电煤耗率的参数变量；

初始化整个粒子群体当前全局最优值p_g和所述每个粒子的当前个体最优值p_i，根据所述当前个体最优值p_i求出当前平均最优位置p_md，并计算所述每个粒子的适应值；

判断当前一代所求的最优适应值的迭代次数是否超过设定的早熟因子f_a，如超过，则根据公式mbest'=mbest[1+Ψ(·)]对所述当前平均最优位置p_md进行小波变异，其中，mbest为当前平均最优位置p_md，mbest'为mbest变异后的结果，Ψ(·)为MORLET小波概率分布的随机变量对平均最优位置进行小波变异；

更新所述每个粒子的速度和位置；

更新所述整个群体的当前全局最优值p_g和各个粒子的当前个体最优值p_i；

根据更新后的当前个体最优值p_i求出新的平均最优位置p_md；

计算所述每个粒子的新适应值，并将其与前一代适应值相比较，求出新的当前最优适应值；

判断所述新的当前最优适应值是否满足要求，若满足要求或达到设定迭代次数，则停止迭代，输出最优解。

16.根据权利要求10所述的装置，其特征在于，所述第一参数变量包括主蒸汽压力、主蒸汽温度、背压、排汽温度、给水温度、系统明漏量、系统不明漏量、过热减温水量、再热减温水量、排烟温度和飞灰含碳量，所述第二参数变量包括汽轮机热耗率、锅炉效率和厂用电率，所述供电煤耗率为

其中，b_g为供电煤耗率，q为汽轮机热耗率，η_gl为锅炉效率，ξ_ap为厂用电率，η_gd为管道效率。