CN103823971A - 一种燃煤电站锅炉烟气含氧量检测方法 - Google Patents

Abstract

本发明公开了一种燃煤电站锅炉烟气含氧量检测方法，包括以下步骤：第一、原始数据的获取与预处理；第二、变量的筛选；第三、训练样本的选择；第四、建立最小二乘支持向量机模型；第五、对比软测量模型的输出值和氧化锆传感器测量值之间的关系，选择其中一个信号作为烟气含氧量检测系统的检测值。本发明具有不增加硬件设备，可靠性好，精度足够等优点，能实现对大型锅炉烟气含氧量的准确测量。

Description

一种燃煤电站锅炉烟气含氧量检测方法

技术领域

本发明涉及一种计算机检测技术领域的方法，尤其涉及一种燃煤电站锅炉烟气含氧量检测方法。

背景技术

燃煤电站锅炉的燃烧过程是空气和燃煤按照一定的比例送入炉膛发生化学反应的过程。根据煤粉中各元素所占的比例，能计算出完全燃烧所需要的空气流量。但是在实际生产中，煤粉颗粒与空气不能混合得非常均匀。为了保证燃烧的充分性，需要适当增大送入炉膛的空气量。针对燃煤成分的差异，一般实际送风量为理论空气里的1.15～1.25倍。多余的空气量会导致燃烧生成的尾烟气中含有剩余的氧气，其体积比称为烟气含氧量。

烟气含氧量的准确测量对于调节燃烧系统风煤比、提高锅炉燃烧效率有着重要的影响。目前大部分燃煤电站锅炉采用氧化锆传感器测量锅炉烟气含氧量，但实际使用中存在故障率高、测量精度低、动态特性差和检修维护困难等特点。

针对氧化锆传感器在实际应用中的不足，国内外学者利用各种软测量的方法对烟气含氧量进行检测。软测量建模方法可以分为机理建模和数据建模。

刘吉臻等人针对燃油电站锅炉，基于燃烧化学反应，推导出了烟气含氧量的热力学计算公式。但是相对于燃油，煤质的变化比较大而且煤粉的成分无法实现在线的实时检测，基于机理建模的烟气含氧量模型很难在实际中得到应用。

目前已有部分基于数据驱动的烟气含氧量软测量模型被提出。芬兰的K.

等人基于Hammerstein 模型和自回归各态历经模型提出了一种混合含氧量软测量模型，较好地解决了系统非线性的问题。华北电力大学的韩璞等人提出了基于一种复合型神经网络的烟气含氧量软测量模型并进行了建模仿真验证。刘长良等人提出了基于最小二乘支持向量机的火电厂烟气含氧量软测量模型，使用单纯形寻优算法应用在最小二乘支持向量机的两个参数优化问题中。但是这些数据模型没有考虑模型的更新问题，所建模型随着时间的推移精度不断下降。

因此，本领域的技术人员致力于开发一种烟气含氧量软测量方法，能够得到准确、连续的烟气含氧量信号。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种燃煤电站锅炉烟气含氧量检测方法，通过建立烟气含氧量的数据模型，实现对氧量信号的软测量，将软测量模型和氧化锆传感器测量值进行对比，得到准确、连续的烟气含氧量信号，形成一种精度高、动态特性强、成本低、可靠性高的燃煤电站锅炉烟气含氧量检测方法，为燃烧系统的控制和优化奠定一定的基础。

为实现上述目的，本发明提供了一种燃煤电站锅炉烟气含氧量检测方法，包括如下步骤：

a）获取第一变量的原始参数数据；

b）对步骤a）获取的第一变量的原始参数数据进行预处理，降低数据噪声；

c）对步骤b）预处理后的数据进行第一变量筛选，获取第二变量的数据参数；

d）利用基于带状态约束的滑动时间窗算法选择训练样本；

e）利用最小二乘支持向量机建立烟气含氧量的软测量模型；

f）对比软测量模型的输出值和氧化锆传感器测量值之间的关系，选择其中一个信号作为烟气含氧量检测系统的检测值。

进一步地，步骤a）中的第一变量是指作为烟气含氧量软测量模型的输入变量，包括炉膛出口烟温、炉膛负压、一次风温、一次风量、二次风温、二次风量、给煤量、给水流量、给水温度、主汽压力、主汽温度、主汽流量、机组负荷。

进一步地，步骤b）中的预处理是指：对步骤a）中获取的第一变量剔除数据中的奇异点，再采用五点三次平滑方法对试验数据进行平滑处理。

进一步地，步骤c）中的筛选是指根据关联度分析，选取关联度为0.5以上的变量作为第二变量

进一步地，步骤c）中的第二变量包括炉膛出口烟温、炉膛负压、一次风量、二次风量、给煤量、给水量、给水温度、主汽流量和机组负荷。

进一步地，带状态约束的滑动时间窗算法是指根据第二变量的当前的观测数据点{x_N+1,y⁰ _N+1}，寻找前面L个与当前的观测点的状态接近的数据点，再将这些数据点组合成一个新的训练组（训练样本）trainSet^* _N+1，与观测点{x_N+1,y⁰ _N+1}一一对应，后续算法利用训练组trainSet^* _N+1对观测点进行建模。

进一步地，带状态约束的滑动时间窗算法的算法如下：

第一步，获取所述第二变量的观测数据点{x_k,y_k|k=1,2,...,N}，进行初始化处理，得到训练样本trainSet_N+1={x_k,y_k|k=N-L,N-L+1,...,N}；

第二步，根据第二变量的当前观测数据点{x_N+1,y⁰ _N+1}，寻找前面L个与所述当前观测数据点的状态接近的数据点，再将所述这些数据点组合成一个新的训练样本trainSet^* _N+1；

第三步，记所述trainSet^* _N+1的长度为l，l=0；指定的滑动时间窗口大小为L；i=N；

第四步，对于所述当前观测数据点{x_N+1,y⁰ _N+1}，计算其与历史点{x_i,y_i}的偏差

$d_i=\left|\frac{x_{N+1}-x_i}{x_i}\right|;$

第五步，如果d_i<ε，即当前观测数据点的偏差在允许的范围内，将所述历史点{x_i,y_i}加入到训练样本trainSet^* _N+1中，l=l+1，i=i-1；即训练样本数据量增加1，剩余所需数据量减1。

如果d_i≥ε，即当前观测数据点的偏差过大，不加入训练样本中，则返回至第四步，重新选取训练样本数据；

第六步，将第五步中的所述历史点{x_i,y_i}加入到训练样本trainSet^* _N+1中，如果l≠L，则训练样本数据量仍然不够，则返回至第四步，继续选取训练样本数据；

如果l=L，结束算法，所得训练样本trainSet^* _N+1即为点{x_N+1,y⁰ _N+1}对应的训练样本。

进一步地，步骤e）中，根据步骤d）得到的训练样本，利用交叉验证法对最小二乘支持向量机中的相关参数进行寻优，核函数选择径向基函数，从而建立烟气含氧量软测量模型。

进一步地，步骤f）中，根据步骤e）建立的模型，得到模型的测量值，将模型的测量值与氧化锆传感器的测量值进行比较，当模型的测量值与氧化锆传感器的测量值之间的差距大于或等于20%时，将含氧量信号的来源从氧化锆传感器测量值切换到软测量模型的测量值。

在本发明的较佳实施方式中，一种燃煤电站锅炉烟气含氧量检测方法，包括以下步骤：第一、原始数据的获取与预处理；采集与烟气含氧量相关的参数，并对参数的可靠性和准确性进行验证，对采集到的数据进行预处理,剔除数据中的奇异点，降低数据噪声。第二、变量的筛选；利用关联度理论对上述变量进一步筛选，得到与烟气含氧量关系最密切的变量作为软测量模型的输入。第三、训练样本的选择；利用基于状态约束的滑动时间窗算法选择训练样本。第四、建立最小二乘支持向量机模型；利用最小二乘支持向量机建立烟气含氧量的软测量模型。第五、信号的对比；对比软测量模型的输出值和氧化锆传感器测量值之间的关系，选择其中一个信号作为烟气含氧量检测系统的检测值。

其中，在上述第三步骤中，训练样本的选择是指根据当前的观测点{x_N+1,y⁰ _N+1}，寻找前面L个与其状态接近的点，再将这些点组合成一个新的训练组trainSet^* _N+1，与观测点{x_N+1,y⁰ _N+1}一一对应，后续算法利用训练组trainSet^* _N+1对观测点进行建模。具体算法如下：

1）记trainSet^* _N+1的长度为l，l=0；指定的滑动时间窗口大小为L；i=N；

2）对于新的观测点{x_N+1,y⁰ _N+1}，计算其与前面点{x_i,y_i}的偏差

3）如果d_i<ε，将点{x_i,y_i}加入到trainSet^* _N+1中，l=l+1，i=i-1；否则i=i-1；

4）如果l=L，结束算法，所得训练组trainSet^* _N+1即为点{x_N+1,y⁰ _N+1}对应的训练样本；否则转2），直至l=L，结束算法。

由此可见，本发明能够实时测量大型锅炉烟气含氧量，具有不增加硬件设备，可靠性好，精度足够等优点。

此外，本发明通过建立烟气含氧量的数据模型，实现对氧量信号的软测量，将软测量模型和氧化锆传感器测量值进行对比，得到准确、连续的烟气含氧量信号，形成一种精度高、动态特性强、成本低、可靠性高的燃煤电站锅炉烟气含氧量检测方法，为燃烧系统的控制和优化奠定一定的基础。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的给水量测量值的过失误差消除前后对比图。

图2是较佳实施例的二次风量测量值的随机误差消除前后对比图。

图3是较佳实施例的影响变量与烟气含氧量之间的关联度图。

图4是较佳实施例的基于状态约束的滑动时间窗算法流程图。

具体实施方式

在一个较佳实施例中，一种燃煤电站锅炉烟气含氧量软测量方法，其设计方法的具体步骤如下：

步骤一、原始数据获取

通过电站的分布式控制系统，得到与烟气含氧量相关的运行变量。为了对燃煤锅炉烟气中的含氧量进行软测量，首先需要找到与其关系密切的间接变量，作为软测量模型的输入变量。烟气中氧量产生的主要原因是输入锅炉的空气量大于煤粉燃烧所需的空气量，空气中的部分氧气没有参与燃烧化学反应。因此，烟气中的氧量信号与燃烧系统中的各个变量密切相关。本文对以下三类的变量进行考虑：燃烧系统输入变量、燃烧系统输出变量和锅炉系统重要参数。

燃烧系统的输入变量主要分为给煤相关变量和给风相关变量两部分。其中，给煤相关变量主要有给煤量、煤的低位发热量、煤的组成成分和煤粉细度等；给风相关变量有一次风温、一次风量、二次风温和二次风量等。根据煤粉燃烧的过程可知，影响烟气含氧量最主要的因素是给煤量、煤的化学组成成分和总的风量。给煤量和煤的化学组成成分决定了所需的空气量，对于电站锅炉，实际送入炉膛的空气量约为所需空气量的1.15～1.25倍。

燃烧系统的输出变量主要有火焰中心温度、炉膛负压、飞灰含碳量和炉膛出口烟温等，这些变量反映了锅炉燃烧的状况。烟气中的氧量也是锅炉燃烧系统的一个重要输出变量，这些变量之间具有一定的耦合关系。例如飞灰含碳量高，表明风量不够，煤粉燃烧不完全，此时烟气中的氧量一般也较小。

锅炉重要的运行参数反映了锅炉运行的整体情况，对燃烧系统产生很大的影响，也与烟气中的氧量信号之间存在一定的关系。这些参数主要包括机组负荷、给水流量、主汽温度和主汽流量等。机组负荷指令是电站锅炉的最主要的一个输入信号，根据厂级调度信号指令给机组分配负荷，燃烧系统跟随着负荷指令进行变动。现场数据也表明烟气含氧量在高负荷、低负荷和负荷变动过程中有着较为显著的差异。

以上这些变量与烟气含氧量都有一定的内在关系，经常被用来作为烟气含氧量软测量模型的输入变量。此外，煤粉和空气的混合程度也对烟气含氧量有比较大的影响，这主要由炉膛的设计结构和火焰形状等参数决定，但这些参数是锅炉设计时的固有特性，不随时间和燃烧过程发生明显的变化，因此在建立烟气软测量模型时，不考虑这些变量的影响。

对于实际生产问题，选择输入变量还需要考虑变量的可测性、准确性和稳定性等问题。例如，入膛煤粉煤质的低位发热量、煤的成分和飞灰含碳量等变量目前还无法做到在线实时测量，尽管这些变量与烟气含氧量密切相关，但是不能用来作为烟气含氧量软测量模型的输入变量。炉膛的中心火焰温度的测量也还存在很多的局限，测量值不够准确，也不适合作为烟气含氧量软测量模型的输入变量。

发明人初步选取炉膛出口烟温、炉膛负压、一次风温、一次风量、二次风温、二次风量、给煤量、给水流量、给水温度、主汽压力、主汽温度、主汽流量、机组负荷等13个变量作为烟气含氧量软测量模型的输入变量。

步骤二、原始数据预处理

因为过程工业现场采集的原始数据样本可能存在以上这些问题，导致数据含有很大的噪声。信噪比大的数据会对软测量模型的精度产生严重的影响，因此，需要对原始数据进行降噪处理。工业过程的参数测量噪声主要分为过失误差和随机误差。主要的过失误差出现在给水流量上。我们用前一个时刻的给水流量代替这个过失误差点，即

根据生产经验和历史测量数据，我们选定(Γ_fw)_min=30t。采用五点三次平滑方法对试验数据进行平滑处理。五点三次是指采用以下公式对n个数据点{y₁,y₂,...,y_n}进行平滑：

$y_{\left(1\right)}=\frac{1}{70}[69y_1+4(y_2+y_4)-6y_3-y_5]$

$y_{\left(2\right)}=\frac{1}{35}[2(y_1+y_5)+27y_2+12y_3-8y_4]$

…

$y_{\left(k\right)}=\frac{1}{35}[-3(y_{k-2}+y_{k+2})+12(y_{k-1}+y_{k+1})+17y_k]$

…

$y_{(n-1)}=\frac{1}{35}[2(y_{n-4}+y_n)-8y_{n-3}+12y_{n-2}+27y_{n-1}]$

$y_{\left(n\right)}=\frac{1}{70}[-y_{n-4}+4(y_{n-3}+y_{n-1})-6y_{n-2}+69y_n]$

其中，k=3,4,...,n-3,n-2，平滑后的数据为{y₍₁₎,y₍₂₎,...,y_(n)}。

根据上述五点三次平滑方法，如图1-2所示，发明人分别给出了给水量测量值的过失误差消除前后对比图和二次风量测量值的随机误差消除前后对比图。

步骤三、变量筛选

关联度分析是基于灰色系统理论提出的，可借助不很充分或不完全的信息，根据系统的数列间的微观或宏观的相似和相近程度来分析有关因素的影响性和他们之间的关系，从中了解系统的主要特征或主要矛盾，找出主要的影响因素。选取参考数列x₀=x₀(k)|k=1,2,...,n=(x₀(1),x₀(2),...,x₀(n))，其中k表示时刻。假设有m个比较数列x_i=(x_i(k)|k=1,2,...n)=(x_i(1),x_i(2),...,x_i(n)),i=1,2,...,m，则称

${\mathrm{\&xi;}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}$

为比较数列x_i对参考数列x₀在k时刻的关联系数，其中ρ∈[0,1]为分辨系数。一般来讲，分别系数ρ越大，分辨率越大；分别系数ρ越小，分辨率越小。关联系数是描述比较数列与参考数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联数，因此信息显得过于分散，不便于比较，为此人们提出了关联度的概念。称

$r_i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\left(k\right)$

为数列x_i对参考数列x₀的关联度。

利用关联度这个概念，我们可以对烟气含氧量模型进一步进行因素分析，得到与氧量关系更加密切的变量。根据关联度的理论，若关联度r=1，表明数列严格关联；若r=0，表明两者无关。根据图3的结果，发明人给出了各个影响变量与烟气含氧量之间的关联度。本文选取关联度0.5以上的变量作为模型的输入变量，即炉膛出口烟温、炉膛负压、一次风量、二次风量、给煤量、给水量、给水温度、主汽流量和机组负荷等9个变量。

步骤四、训练样本选择

在基于统计学习理论和人工智能的软测量模型建模过程中，训练样本是影响模型质量一个十分重要的因素。滑动时间窗算法是解决训练数据更新的一种常用方法，适用于工业过程重要参数的软测量建模。对于历史数据集{x_k,y_k|k=1,2,...,N}，其中x_k∈R^m，y_k∈Rⁿ，m，n分别为输入维数和输出维数，N为数据样本数。传统的滑动时间窗算法定义一个大小为L的窗口，则对于任意一个新的观测点{x_N+1,y⁰ _N+1}，对应的训练组为过去L个数据点的集合，即

trainSet_N+1={x_k,y_k|k=N-L,N-L+1,...,N}

传统的滑动时间窗算法以时间顺序为依据，选取一段固定时长的数据点作为模型更新的训练样本，算法简单易懂、实现容易，在工业现场得到了较为广泛的应用。但是传统的滑动时间窗算法没有考虑系统状态对数据样本的影响。当系统状态处于大范围变动的时候，在一段固定的时长里，选择得到的数据样本分布在系统的各个状态下。对于非线性严重的系统，传统的滑动时间窗算法选择得到的数据样本不能代表当前观测点附近的系统特性，利用该数据样本所建的模型在总体上泛化能力较好，但对于局部工作点来说模型精度不高。

针对传统的滑动时间窗算法存在的问题，本文对其进行了改进，提出了带状态约束的滑动时间窗算法。带状态约束的滑动时间窗算法是根据当前的观测点{x_N+1,y⁰ _N+1}，寻找前面L个与其状态接近的点，再将这些点组合成一个新的训练组trainSet^* _N+1，与观测点{x_N+1,y⁰ _N+1}一一对应，后续算法利用训练组trainSet^* _N+1对观测点进行建模。算法流程图如图4所示。具体算法如下：

第一步，获取所述第二变量的观测数据点{x_k,y_k|k=1,2,...,N}，进行初始化处理，得到训练样本trainSet_N+1={x_k,y_k|k=N-L,N-L+1,...,N}；

第二步，根据第二变量的当前观测数据点{x_N+1,y⁰ _N+1}，寻找前面L个与所述当前观测数据点的状态接近的数据点，再将所述这些数据点组合成一个新的训练样本trainSet^* _N+1；

第三步，记所述trainSet^* _N+1的长度为l，l=0；指定的滑动时间窗口大小为L；i=N；

第四步，对于所述当前观测数据点{x_N+1,y⁰ _N+1}，计算其与历史点{x_i,y_i}的偏差

$d_i=\left|\frac{x_{N+1}-x_i}{x_i}\right|;$

第五步，如果d_i<ε，即当前观测数据点的偏差在允许的范围内，将所述历史点{x_i,y_i}加入到训练样本trainSet^* _N+1中，l=l+1，i=i-1；即训练样本数据量增加1，剩余所需数据量减1。

如果d_i≥ε，即当前观测数据点的偏差过大，不加入训练样本中，则返回至第四步，重新选取训练样本数据；

第六步，将第五步中的所述历史点{x_i,y_i}加入到训练样本trainSet^* _N+1中，如果l≠L，则训练样本数据量仍然不够，则返回至第四步，继续选取训练样本数据；

如果l=L，结束算法，所得训练样本trainSet^* _N+1即为点{x_N+1,y⁰ _N+1}对应的训练样本。

其中，d_i为观测值与历史值的距离，ε为约束条件。

步骤五、建立最小二乘支持向量机模型

利用步骤四提出的方法得到模型的训练样本，利用交叉验证法对最小二乘支持向量机中的相关参数进行寻优，核函数选择径向基函数。建立烟气含氧量软测量模型。发明人根据本实施例的模型，计算了含氧量软测量模型的测量值与氧化锆传感器测量值，得出其平均相对误差为2.31%，由此可见，本模型具有较高的精度。

步骤六、信号对比

利用步骤五得到的模型实现对烟气含氧量的测量，可以得到软测量模型的测量值，将该测量值与电站现有的氧化锆传感器测量值进行比较，当两者之间的差距达到20%时，将氧量信号的来源从氧化锆传感器测量值切换到软测量模型的测量值，保持氧量信号的连续性和安全性。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种燃煤电站锅炉烟气含氧量检测方法，其特征在于，包括如下步骤：

a）获取第一变量的原始参数数据；

b）对步骤a）获取的第一变量的原始参数数据进行预处理，降低数据噪声；

c）对步骤b）预处理后的数据进行第一变量筛选，获取第二变量的数据参数；

d）利用基于带状态约束的滑动时间窗算法选择训练样本；

e）利用最小二乘支持向量机建立烟气含氧量的软测量模型；

f）对比软测量模型的输出值和氧化锆传感器测量值之间的关系，选择其中一个信号作为烟气含氧量检测系统的检测值。

2.如权利要求1所述的方法，其特征在于，所述步骤a）中的第一变量是指作为烟气含氧量软测量模型的输入变量，包括炉膛出口烟温、炉膛负压、一次风温、一次风量、二次风温、二次风量、给煤量、给水流量、给水温度、主汽压力、主汽温度、主汽流量、机组负荷。

3.如权利要求1所述的方法，其特征在于，所述步骤b）中的预处理是指：对步骤a）中获取的第一变量剔除数据中的奇异点，再采用五点三次平滑方法对试验数据进行平滑处理。

4.如权利要求1所述的方法，其特征在于，所述步骤c）中的筛选是指根据关联度分析，选取关联度为0.5以上的第一变量作为第二变量。

5.如权利要求4所述的方法，其特征在于，所述步骤c）中的第二变量包括炉膛出口烟温、炉膛负压、一次风量、二次风量、给煤量、给水量、给水温度、主汽流量和机组负荷。

6.如权利要求1所述的方法，其特征在于，所述步骤d）中，所述带状态约束的滑动时间窗算法是指根据所述第二变量的当前的观测数据点{x_N+1,y⁰ _N+1}，寻找前面L个与所述当前的观测点的状态接近的数据点，再将这些所述数据点组合成一个新的训练组（训练样本）trainSet^* _N+1，与观测点{x_N+1,y⁰ _N+1}一一对应，后续算法利用训练组trainSet^* _N+1对观测点进行建模。

7.如权利要求6所述的方法，其特征在于，所述带状态约束的滑动时间窗算法的算法如下：

第一步，获取所述第二变量的观测数据点{x_k,y_k|k=1,2,...,N}，进行初始化处理，得到训练样本trainSet_N+1={x_k,y_k|k=N-L,N-L+1,...,N}；

第二步，根据第二变量的当前观测数据点{x_N+1,y⁰ _N+1}，寻找前面L个与所述当前观测数据点的状态接近的数据点，再将所述这些数据点组合成一个新的训练样本trainSet^* _N+1；

第三步，记所述trainSet^* _N+1的长度为l，l=0；指定的滑动时间窗口大小为L；i=N；第四步，对于所述当前观测数据点{x_N+1,y⁰ _N+1}，计算其与历史点{x_i,y_i}的偏差

$d_i=\left|\frac{x_{N+1}-x_i}{x_i}\right|;$

第五步，如果d_i<ε，即当前观测数据点的偏差在允许的范围内，将所述历史点{x_i,y_i}加入到训练样本trainSet^* _N+1中，l=l+1，i=i-1；即训练样本数据量增加1，剩余所需数据量减1；

如果d_i≥ε，即当前观测数据点的偏差过大，不加入训练样本中，则返回至第四步，重新选取训练样本数据；

第六步，将第五步中的所述历史点{x_i,y_i}加入到训练样本trainSet^* _N+1中，如果l≠L，则训练样本数据量仍然不够，则返回至第四步，继续选取训练样本数据；

如果l=L，结束算法，所得训练样本trainSet^* _N+1即为点{x_N+1,y⁰ _N+1}对应的训练样本。

8.如权利要求1所述的方法，其特征在于，所述步骤e）中，根据步骤d）得到的训练样本，利用交叉验证法对最小二乘支持向量机中的相关参数进行寻优，核函数选择径向基函数，建立烟气含氧量软测量模型。

9.如权利要求1所述的方法，其特征在于，所述步骤f）中，根据步骤e）建立的模型，得到所述模型的测量值；将所述模型的测量值与氧化锆传感器的测量值进行比较，当所述模型的测量值与氧化锆传感器的测量值之间的差距大于或等于20%时，将含氧量信号的来源从氧化锆传感器测量值切换到软测量模型的测量值。

Images