CN105066121A - 一种循环流化床锅炉动态床温预测系统及方法 - Google Patents

Abstract

本发明涉及一种循环流化床锅炉动态床温预测系统及方法，所述模型包括最小二乘支持向量机建模模块、数据选取与预处理模块、动态阶寻优模块、动态床温预测模块、DCS系统与数据库。通过所述最小二乘支持向量机建模模块用于建立LSSVM床温模型，利用所述数据选取与预处理模块、动态阶寻优模块确定算法参数，结合机组实时运行数据根据所述动态床温预测模块预测动态床温值。本发明充分考虑了不同负荷段下循环流化床锅炉机组的迟延、惯性和蓄热差异，方法精度较高，实时性好。

Description

一种循环流化床锅炉动态床温预测系统及方法

技术领域

本发明涉及到能源工程循环流化床锅炉机组领域，特别地，涉及一种循环流化床锅炉动态床温预测系统及方法。

背景技术

循环流化床锅炉具有炉内直接脱硫和可燃用劣质煤种等独特优势，是国内外发展洁净煤燃烧技术的重点，近年来在电力、供热等行业中得到越来越广泛的应用。循环流化床锅炉床温是一个直接影响锅炉能否安全连续运行的重要参数，同时也直接影响着锅炉运行中的脱硫效率及氮氧化物的生成量，燃烧过程中几乎所有控制和调节都是在稳定床温区域条件下进行的。为响应电网侧调频等要求，锅炉的负荷变动越来越频繁，动态床温信息尤为重要，建立循环流化床锅炉动态床温的预测模型，对机组的安全、环保运行和控制系统优化具有重要意义。

发明内容

本发明的目的在于针对目前对动态床温预测精度较低的不足，提供一种循环流化床锅炉动态床温预测系统及方法，通过建立循环流化床锅炉动态床温的预测模型，充分考虑在不同负荷段下循环流化床锅炉机组的延迟、惯性和蓄热差异，提高精度，对机组的安全、环保运行和控制系统优化具有重要意义。

为了实现以上目的，本发明采用的技术方案如下：

一种循环流化床锅炉动态床温预测系统，通过建立循环流化床锅炉动态床温的预测模型，充分考虑在不同负荷段下循环流化床锅炉机组的延迟、惯性和蓄热差异，提高精度，对锅炉机组的安全、环保运行和控制系统进行优化，其特征在于，所述系统包括：

最小二乘支持向量机建模模块；

数据选取与预处理模块；

动态阶寻优模块；

动态床温预测模块及DCS系统与数据库；

所述DCS系统与数据库与所述数据选取与所述预处理模块、动态床温预测模块连接，所述数据选取与预处理模块与所述最小二乘支持向量机建模模块，所述最小二乘支持向量机建模模块与所述动态床温预测模块双向连接。

优先地，所述最小二乘支持向量机建模模块用于建立最小支持向量机算法床温模型；

所述DCS系统与数据库将机组运行的历史数据传输给所述数据选取与预处理模块；所述DCS系统与数据库将机组实时运行数据传输给所述动态床温预测模块；

所述数据选取与预处理模块对历史数据处理，选取出的训练数据；

所述动态阶寻优模块对选取出的训练数据进行处理，确定最佳动态阶组；

所述床温动态预测模块，根据所述最小二乘支持向量机建模模块建立的最小支持向量机算法床温模型及机组实时运行数据预测动态床温值。

一种循环流化锅炉动态床温预测方法，利用上述步骤1-2之一所述的一种循环流化床锅炉动态床温预测系统，包括以下步骤：

步骤1)利用所述最小二乘支持向量机建模模块构建最小二乘支持向量机模型；

步骤2)利用所述数据选取与预处理模块，选取最小二乘支持向量机建模模块中最小二乘支持向量机算法训练数据；

步骤3)所述动态阶寻优模块根据步骤1)建立的最小二乘支持向量机模型，对所述步骤2)确定的训练数据中的动态阶最优值进行选取；

步骤4)所述动态床温预测模块根据步骤3)选取的最优动态阶最优值与锅炉实时运行的输入数据，预测出动态床温值。

优先地，所述步骤1)最小二乘支持向量机模型为：

y(k)＝f[y(k-1),......,y(k-p)；x₁(k),......,x₁(k-m)；x₂(k),......,x₂(k-n)](1)

构建所述最小二乘支持向量机模型中，采用高斯径向基函数核，即

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中所述x(k)是模型的输入量，所述x₁(k)，...，x₁(k-m)与所述x₂(k)，...，x₂(k-n)分别为循环流化床锅炉中对应采样时刻决定床温的给煤量、一次风量；所述y(k)为当前床温输出；所述y(k-1)，...，y(k-p)表示历史床温输出，所述p、m、n分别代表历史床温动态阶次、一次风量动态阶次和给煤量动态阶次，所述σ为一个位置参数。

优先地，构建所述最小二乘支持向量机模型，采用最小二乘支持向量算法，所述最小二乘支持向量机算法和所述高斯径向基函数核包含两个未知参数c与σ，利用网格搜索法和交叉验证进行：

步骤1.1)设定c与σ的候选集为比较松散的网格{(c1,σ1),…,(cl,σl)}，以网格中的节点进行交叉验证，得到最小误差所对应的网格节点；

步骤1.2)根据上述步骤1.2)得到的网格节点构造新的网格，以网格中的节点为参数进行检验，得到最优的c与σ的值；

c的初始值取50，范围为0～150，σ的初始值取0.5，范围为0～4。

优先地，所述步骤2)包括以下步骤：

步骤2.1)确定采样时间ts，单位：秒，从所述DCS系统与数据库获取历史数据，包括时间点、机组负荷、给煤量、一次风量、床温值；

步骤2.2)根据步骤2.1)获取的历史数据，分负荷段建立所述最小二乘支持向量机模型，分区范围在30～100WM之间；

步骤2.3)根据上述步骤2.2)分化区间，挑选不同负荷段下一定量的历史运行数据作为训练数据。

优先地，所述动态阶寻优模块利用均方根误差对所述步骤2.3)选取的训练数据中的动态阶最优值进行选取，所述均方根误差用来衡量观测值同真值之间的偏差，它是观测值与真值偏差的平方和观测次数n比值的平方根,即

$RMSE=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{({\hat{y}}_i-y_i)}^2/n}$

优先地，为保证模型预测实时性，寻优部分离线进行，每个负荷段下均采用十进制编码的遗传算法进行优化，如果寻优结果所述均方根误差小于1，将寻优结果对应的p、m、n值作为对应负荷段的动态阶最优值，更新所述最小二乘支持向量机模型中对应负荷段的床温模型，否则从所述数据选取与预处理模块中选取更多的训练数据，继续优化。

优先地，所述p的范围为0～300/ts，所述m的范围为0～360/ts，所述n的范围为0～600/ts，间隔为1。

附图说明

图1为本发明涉及一种循环流化床锅炉动态床温预测系统的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

本发明涉及一种循环流化床锅炉动态床温预测系统及方法，所述一种循环流化床锅炉动态床温预测系统，包括最小二乘支持向量机建模模块、数据选取与预处理模块、动态阶寻优模块、动态床温预测模块、DCS系统与数据库。所述DCS系统与数据库将机组运行的历史数据传输给所述数据选取与预处理模块，所述数据选取与预处理模块根据历史数据选取模型的训练数据；所述数据选取与预处理模块将选取出来的模型的训练数据传输给所述最小二乘支持向量机建模模块，所述最小二乘支持向量机建模模块用于建立LSSVM床温模型；所述最小二乘支持向量机建模模块将接收到的模型的训练数据传输给所述动态阶寻优模块，所述动态阶寻优模块对接收到的训练数据进行处理，确定最佳动态阶组，并反馈给所述最小二乘支持向量机建模模块，用于确定床温模型所涉及的遗传算法的参数；所述床温动态预测模块与所述最小二乘支持向量机建模模块、DCS系统与数据库连接，所述DCS系统与数据库将现场机组运行数据传输给所述床温动态预测模块，根据所述最小二乘支持向量机建模模块建立的床温模型预测预测动态床温值。

所述一种循环流化床锅炉动态床温预测方法，首先利用所述最小二乘支持向量机(leastsquaressupportvectormachine，LSSVM)建模模块构建(1)所表达的床温预测模型。

y(k)＝f[y(k-1),......,y(k-p)；x₁(k),......,x₁(k-m)；x₂(k),......,x₂(k-n)](1)

其中所述x(k)是模型的输入量，所述x₁(k)，...，x₁(k-m)与所述x₂(k)，...，x₂(k-n)分别为循环流化床锅炉中对应采样时刻决定床温的给煤量、一次风量；所述y(k)为当前床温输出；所述y(k-1)，...，y(k-p)表示历史床温输出，所述p、m、n分别代表历史床温动态阶次、一次风量动态阶次和给煤量动态阶次，表征床温的动态性，取值范围与数据选取与预处理模块中的采样时间有关，最优值由所述动态阶寻优模块获取。

LSSVM算法理论原理：

给定N个模型样本的数据集{X_i,y_i}_i＝1,…N，其中第i个样本输入为X_i∈R^k(k为输入向量维数)，第i个样本输出y_i∈R。

首先，用一非线性映射Φ(·)将样本的输入空间R^k映射到特征空间然后，在这个高维特征空间中构造最优决策函数最后,以结构风险最小化为原则确定模型参数ω、b。

利用结构风险最小化原则，选取损失函数为误差的二次项，优化问题可以描述为求解下面的问题。

式中：ω为权值向量，Φ(·)为映射函数，ξi为模型对训练样本的预测误差，c为惩罚系数。利用Lagrange法求解优化问题得

其中a＝[a₁,a₂,…,a_n]是Lagrange乘子。根据优化条件可是：

$\underset{i=1}{\overset{N}{\Σ}}{a}_i=0---\left(i3\right)$

2cξ_i＝a_i(i4)

将式(i2)(i3)代入式(i5)，得：

$y_i=\underset{j=1}{\overset{N}{\Σ}}\left(a_{j}K\right(x_i,x_i\left)\right)+b+\frac{1}{2c}{a}_i---\left(i6\right)$

将式(i3)和(i6)合成线性方程如下：

$\left[\begin{array}{cc}0& {\stackrel{\→}{1}}^T\\ \stackrel{\→}{1}& \mathrm{\Ω}+V_c\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]$

其中y＝[y₁,...,y_N]^T,1＝[1,...,1]^T,α＝[a₁,...,a_N]^T,V_c＝diag{1/c},Ω＝{Ω_ij|i,j＝1,2,...,N},

最后得到函数估计的LSSVM模型为

$f\left(x\right)=\underset{1}{\overset{N}{\Σ}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(i7\right)$

在确定(1)的过程中，所述LSSVM算法采用高斯径向基函数(radialbasisfunction，RBF)核，即

K(x,x_i)＝exp(-||x-x_i||²/σ²)

LSSVM算法和RBF核函数包含两个未知参数c与σ，利用网格搜索法和交叉验证进行。首先设定c与σ的候选集为比较松散的网格{(c1,σ1),…,(cl,σl)}，以网格中的节点进行交叉验证，得到最小误差所对应的网格节点。然后在一定的范围类内构造比较细的网格，再次以网格中的节点为参数进行检验，最后得到最优的c与σ的值。c的初始值取50，范围为0～150，σ的初始值取0.5，范围为0～4。

确定采样时间ts，单位：秒，根据采样时间，所述数据选取与预处理模块通过DCS系统与数据库获取机组运行的历史数据，包括时间点、机组负荷、给煤量、一次风量、床温值。由于循环流化床锅炉迟延、惯性和蓄热比较大，且这些特性在不同负荷段下有一定的差异，为了确保预测准确性，分负荷段建立LSSVM模型，一般可按30～100WM分区。挑选不同负荷段下足够多的历史运行数据，各输入量的动态阶选取由所述动态阶寻优模块决定，作为LSSVM算法的训练数据。

所述动态阶寻优模块进行最佳动态阶组提取。关于确定p、m、n的寻优范围的处理，结合循环流化床锅炉特性和ts大小计算，p的范围为0～300/ts，m的范围为0～360/ts，n的范围为0～600/ts，间隔均为1。

优化的目标函数为训练的均方根误差RMSE(rootmeansquarederrors)，RMSE是用来衡量观测值同真值之间的偏差，它是观测值与真值偏差的平方和观测次数n比值的平方根,即

$RMSE=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{({\hat{y}}_i-y_i)}^2/n}$

为保证模型预测实时性，寻优部分离线进行，每个负荷段下均采用十进制编码的遗传算法进行优化。如果寻优的结果RMSE小于1，将寻优结果对应的p、m、n值作为对应负荷段的最佳动态阶组，更新最小二乘支持向量机建模模块中对应负荷段的床温模型。否则从数据选取与预处理模块中选取更多的数据，继续优化。

优化结束后所述动态床温预测模块进行实时动态床温值的确定，所述动态床温预测模块从DCS系统与数据库中获取锅炉实时运行的输入数据，即式(1)中的输入向量值，通过所述数据选取与预处理模块、动态阶寻优模块确定所述p、m、n值，然后利用所述最小二乘支持向量机建模模块中对应负荷段的床温模型，预测出动态床温值。

本发明的有益效果是在对循环流化床锅炉动态床温值进行预测时加入了动态阶思想，充分考虑了循环流化床锅炉机组的迟延、惯性和蓄热，并在不同负荷段下对动态阶优化，消除了各负荷段下锅炉迟延、惯性和蓄热差异对预测值精度的影响，提出的循环流化床锅炉动态床温预测模型及方法精度较高，实时性好。

为了进一步解释本发明，下面结合具体实施例做进一步说明。

具体实施例一

以大唐某CFB300MW亚临界中间再热机组锅炉作为研究对象，锅炉大小为1100t/h，无外置床换热器。数据选取与预处理模块采集了连续十天14400组运行数据(命名为数据组1)，取一天1440组运行数据(命名为数据组2)，采样时间为1分钟，初步选取历史床温数据阶次p的范围为[0,5]，一次风量阶次m的范围为[0,6],给煤量阶次n的范围为[0,10]。

动态阶寻优模块中按照负荷将数据组1中分为3段作为训练数据：负荷段1为150MW～200MW；负荷段2为200MW～250MW；负荷段3为250MW～300MW，以数据组2中对应负荷段的数据作为预测数据。

以训练的均方根误差RMSE为优化的目标函数进行离线寻优，每个负荷段下均采用十进制编码的遗传算法进行优化，初始种群为100，变异率为0.1，交叉率为0.6，迭代次数为100。如果寻优的结果RMSE小于1，将寻优结果对应的p、m、n值作为对应负荷段的最佳动态阶组，更新最小二乘支持向量机建模模块中对应负荷段的床温模型。否则从数据选取与预处理模块中选取更多的数据，继续优化。

实时从DCS中获取机组负荷，判断在其所处的负荷段以及对应的p、m、n。从DCS中获取锅炉实时运行的输入数据，即式1中的输入向量值，利用最小二乘支持向量机建模模块中对应负荷段的床温模型，预测出动态床温值。

具体实施例二

以东方锅炉厂制造的某600MW超临界CFB机组锅炉作为研究对象，带外置床换热器。数据选取与预处理模块采集了连续八天17280组运行数据(命名为数据组1)，取一天2160组运行数据(命名为数据组2)，采样时间为40秒，初步选取历史床温数据阶次p的范围为[0,8]，一次风量阶次m的范围为[0,9],给煤量阶次n的范围为[0,15]。

动态阶寻优模块中按照负荷将数据组1中分为3段作为训练数据：负荷段1为300MW～400MW；负荷段2为400MW～500MW；负荷段3为500MW～600MW，以数据组2中对应负荷段的数据作为预测数据。

以训练的均方根误差RMSE为优化的目标函数进行离线寻优，每个负荷段下均采用十进制编码的遗传算法进行优化，初始种群为150，变异率为0.15，交叉率为0.65，迭代次数为100。如果寻优的结果RMSE小于0.8，将寻优结果对应的p、m、n值作为对应负荷段的最佳动态阶组，更新最小二乘支持向量机建模模块中对应负荷段的床温模型。否则从数据选取与预处理模块中选取更多的数据，继续优化。

实时从DCS中获取机组负荷，判断在其所处的负荷段以及对应的p、m、n。从DCS中获取锅炉实时运行的输入数据，即式1中的输入向量值，利用最小二乘支持向量机建模模块中对应负荷段的床温模型，预测出动态床温值。

Claims (9)

1.一种循环流化床锅炉动态床温预测系统，通过建立循环流化床锅炉动态床温的预测模型，充分考虑在不同负荷段下循环流化床锅炉机组的延迟、惯性和蓄热差异，提高精度，对锅炉机组的安全、环保运行和控制系统进行优化，其特征在于，所述系统包括：

最小二乘支持向量机建模模块；

数据选取与预处理模块；

动态阶寻优模块；

动态床温预测模块及DCS系统与数据库；

所述DCS系统与数据库与所述数据选取与所述预处理模块、动态床温预测模块连接，所述数据选取与预处理模块与所述最小二乘支持向量机建模模块，所述最小二乘支持向量机建模模块与所述动态床温预测模块双向连接。

2.根据权利要求1所述的系统，其特征在于，

所述最小二乘支持向量机建模模块用于建立最小支持向量机算法床温模型；

所述DCS系统与数据库将机组运行的历史数据传输给所述数据选取与预处理模块；所述DCS系统与数据库将机组实时运行数据传输给所述动态床温预测模块；

所述数据选取与预处理模块对历史数据处理，选取出的训练数据；

所述动态阶寻优模块对选取出的训练数据进行处理，确定最佳动态阶组；

所述床温动态预测模块，根据所述最小二乘支持向量机建模模块建立的最小支持向量机算法床温模型及机组实时运行数据预测动态床温值。

3.一种循环流化锅炉动态床温预测方法，利用上述步骤1-2之一所述的一种循环流化锅炉动态床温预测系统，其特征在于，包括以下步骤：

步骤1)利用所述最小二乘支持向量机建模模块构建最小二乘支持向量机模型；

步骤2)利用所述数据选取与预处理模块，选取最小二乘支持向量机建模模块中最小二乘支持向量机算法训练数据；

步骤3)所述动态阶寻优模块根据步骤1)建立的最小二乘支持向量机模型，对所述步骤2)确定的训练数据中的动态阶最优值进行选取；

步骤4)所述动态床温预测模块根据步骤3)选取的最优动态阶最优值与锅炉实时运行的输入数据，预测出动态床温值。

4.根据权利要求3所述的一种循环流化锅炉动态床温预测方法，其特征在于，所述步骤1)最小二乘支持向量机模型为：

y(k)＝f[y(k-1),......,y(k-p)；x₁(k),......,x₁(k-m)；x₂(k),......,x₂(k-n)](1)

构建所述最小二乘支持向量机模型中，采用高斯径向基函数核，即

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中所述x(k)是模型的输入量，所述x₁(k)，...，x₁(k-m)与所述x₂(k)，...，x₂(k-n)分别为循环流化床锅炉中对应采样时刻决定床温的给煤量、一次风量；所述y(k)为当前床温输出；所述y(k-1)，...，y(k-p)表示历史床温输出，所述p、m、n分别代表历史床温动态阶次、一次风量动态阶次和给煤量动态阶次，所述σ为一个位置参数。

5.根据权利要求4所述的一种循环流化锅炉动态床温预测方法，其特征在于，构建所述最小二乘支持向量机模型，采用最小二乘支持向量算法，所述最小二乘支持向量机算法和所述高斯径向基函数核包含两个未知参数c与σ，利用网格搜索法和交叉验证进行：

步骤1.1)设定c与σ的候选集为比较松散的网格{(c1,σ1),…,(cl,σl)}，以网格中的节点进行交叉验证，得到最小误差所对应的网格节点；

步骤1.2)根据上述步骤1.2)得到的网格节点构造新的网格，以网格中的节点为参数进行检验，得到最优的c与σ的值；

c的初始值取50，范围为0～150，σ的初始值取0.5，范围为0～4。

6.根据权利要求5所述的一种循环流化锅炉动态床温预测方法，其特征在于，所述步骤2)包括以下步骤：

步骤2.1)确定采样时间ts，单位：秒，从所述DCS系统与数据库获取历史数据，包括时间点、机组负荷、给煤量、一次风量、床温值；

步骤2.2)根据步骤2.1)获取的历史数据，分负荷段建立所述最小二乘支持向量机模型，分区范围在30～100WM之间；

步骤2.3)根据上述步骤2.2)分化区间，挑选不同负荷段下一定量的历史运行数据作为训练数据。

7.根据权利要求6所述的一种循环流化锅炉动态床温预测方法，其特征在于，所述动态阶寻优模块利用均方根误差对所述步骤2.3)选取的训练数据中的动态阶最优值进行选取，所述均方根误差用来衡量观测值同真值之间的偏差，它是观测值与真值偏差的平方和观测次数n比值的平方根,即

$RMSE=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{({\hat{y}}_i-y_i)}^2/n}.$

8.根据权利要求7所述的一种循环流化锅炉动态床温预测方法，其特征在于，为保证模型预测实时性，寻优部分离线进行，每个负荷段下均采用十进制编码的遗传算法进行优化，如果寻优结果所述均方根误差小于1，将寻优结果对应的p、m、n值作为对应负荷段的动态阶最优值，更新所述最小二乘支持向量机模型中对应负荷段的床温模型，否则从所述数据选取与预处理模块中选取更多的训练数据，继续优化。

9.根据权利要求8所述的一种循环流化锅炉动态床温预测方法，其特征在于，所述p的范围为0～300/ts，所述m的范围为0～360/ts，所述n的范围为0～600/ts，间隔为1。