CN105268536A - 一种自适应在线校正的火电厂球磨机负荷软测量方法 - Google Patents

Abstract

本发明公开了一种自适应在线校正的火电厂磨机负荷软测量方法，用以解决长期以来火电厂磨机负荷难以在线检测的问题；本发明通过对磨机相关运行参数进行分析，选取特征参数建立具有复杂度低、精确度高的预测模型，并针对常见的干扰信号分别建立误差校正模型，最后根据对干扰信号的监测实现在线补偿校正；本方法提出的磨机负荷在线测量方法，克服了以往检测方法不能适应工况变化和干扰影响的缺点，能够确保在长期应用过程中获得良好的准确度和灵敏度，为磨机的有效监测提供了保障。

Description

一种自适应在线校正的火电厂球磨机负荷软测量方法

技术领域

本发明涉及一种磨机负荷的在线预测方法，特别涉及一种火电厂筒式钢球磨煤机自适应在线校正的负荷软测量方法，该方法采用多个过程参数建立离线训练模型，并根据不同的误差干扰分别建立误差校正模型，从而实现对磨机负荷自适应在线校正的实时预测。

背景技术

制粉系统是火力发电厂的主要辅助系统之一，由于筒式钢球磨煤机对煤种的适应性强的特点，目前仍是国内应用最广的一种磨煤机。磨煤机是制粉系统的关键设备，它能否工作在最佳工况，直接关系到制粉系统的工作效率，而磨机负荷的准确监测是确保对制粉系统进行优化控制的先决条件。因此如何准确监测磨机负荷成为关键和难点。

由于磨机工作环境差，粉尘污染大，内部环境恶劣，因此无法直接测量，只能通过间接法检测。目前，应用较多的磨机负荷检测方法有磨音法、振动法以及功率法。现有磨音法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷，缺点是检测精度不高，未能有效去除背景噪声干扰，特别是当多台磨机同时在一个车间内运行时，临近磨机运行时所发出的噪声会严重影响负荷检测的准确性。振动法是利用磨机运转时，研磨体和物料偏于磨机的一侧，磨机的转动部分处于严重的不平衡状态，造成不平衡的离心力，并使磨机系统振动，磨机在转速不变时其振动强度与被磨物料量的多少有关这一特性检测的；振动法的不足在于线性度差，准确度不高。功率法的思路是通过测量磨机运行时电机所消耗的功率来判断磨机内的负荷。在实际应用中，是测量磨机的工作电流。此种方法的不足之处在于工作电流在整个工作过程中，变化不是很大，因为磨机内煤质所占整个球磨机的比重不大，所以导致测量灵敏度低。

近年来，也有一些采取多种输入信息进行综合获得磨机负荷的方法，如《基于ANFIS的火电厂磨机负荷检测的软测量模型》(司刚全，曹晖，张彦斌等，仪器仪表学报，第4期增刊II，2007，vol.28)【1】，《基于复合式神经网络的火电厂筒式钢球磨煤机负荷软测量》(司刚全，曹晖，张彦斌等，热力发电，2007，第5期)【2】。《基于神经元网络的制粉系统球磨机负荷软测量》(王东风，宋之平)【3】。但是这些方法存在的问题是，都是基于离线训练-在线应用的原则，并针对单一球磨机负荷工况建立的软测量模型，一旦工况发生变化或者运行过程中受到干扰，就会导致软测量模型的预测精度变差或偏移。如果考虑到全工况的离线建模，往往需要大量的训练数据，使软测量模型的复杂度太高，影响在线应用中的实时性。因此，对于多种输入参数建立的全工况离线训练模型，有必要提出一种能够降低模型复杂度和保证模型精度的建模方法。

文献【1】和【2】基于噪声和振动信号进行特征提取和建立模型，但是没有考虑到背景噪音和邻磨启停的影响，当有邻磨启动或停止时，会引起磨机负荷预测的偏移；文献【2】和【3】选择压力类信号作为辅助变量，但并未考虑这些压力信号更易受风门开度变化的影响，在线应用中当风门开度变化时，基于全工况建立的离线模型的预测结果就会受到影响。而文献【1】、【2】和【3】都是假设球磨机在同一煤质下的预测估计，并未考虑煤质发生变化时对预测模型的影响。因此在磨机负荷估计过程中，必须将这些影响因素进行剔除和补偿才能反映磨机负荷的变化。因此建立一种自适应在线校正的磨机负荷软测量模型，通过煤种、煤水份、热风门、再循环风门、给煤量以及磨机背景噪声等多种因素对磨机干扰进行辨识，并根据补偿模型得到干扰引起的估计偏差，从而获得准确的磨机负荷信息，将对磨机负荷的监测及控制起到重要的推动作用。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提供一种自适应在线校正的火电厂磨机负荷软测量方法，用以解决长期以来火电厂磨煤机负荷难以长期在线检测的问题；该软测量方法通过煤易磨性系数、煤水份、热风门、再循环风门、给煤量以及磨机背景噪声、磨机负荷对运行过程中的干扰因素进行辨识，在基于全工况的离线模型和补偿模型的基础上，依据不同干扰因素对离线模型预测结果的影响，进行基于规则的自适应加权，从而获得准确的磨机负荷信息。

为了实现上述任务，本发明采取如下的技术解决方案：

一种自适应在线校正的火电厂磨机负荷软测量方法，其特征在于，该方法在实现磨机负荷的在线估计的同时，能够实现对干扰信号的在线监测，并对负荷估计进行补偿，具体包括以下步骤：

1)在磨机运行过程中，每秒采集一次运行参数，包括磨机噪音E_noi、磨机背景噪音E_bnoi、磨机振动E_vib、磨机出入口差压P_dif、磨机入口负压P_in、磨机入口温度T_in、磨机出口温度T_out、热风门开度D_hot、和再循环风门开度D_rec，同时根据磨机运行情况更新给煤量M、煤水分M_w和煤易磨性系数M_m三个辅助参数；

2)采集样本X(i),Y(i),i＝1,…,N，其中X包含磨机噪音E_noi、磨机振动E_vib、磨机出入口差压P_dif、磨机入口负压P_in、磨机入口温度T_in和磨机出口温度T_out，N为样本个数，Y为磨机真实负荷，根据(X,Y)，离线训练得到基于主动学习的初始约简最小二乘支持向量机Model；

3)基于控制变量法，分别建立针对煤质转换、邻磨启停以及风门动作三种干扰因素的误差校正模型Model1、Model2和Model3；

4)在线应用中，基于在线自动识别补偿方式，对三种干扰因素进行监测，当干扰发生时，采用自适应加权策略对在线估计的磨机负荷实现自动补偿。

所述的基于主动学习的约简最小二乘支持向量机模型Model的建模方法，其具体步骤如下：

1)采集从磨机空磨状态到接近满磨状态各个工况下的样本数据，并将此时的磨机背景噪音、给煤量、煤水分、煤易磨性系数、热风门和再循环风门开度分别记为E′_bnoi、M′、M′_w、M′_m、D′_hot和D′_rec；

2)数据预处理，对采集到的样本数据基于均值滤波消除随机误差后，并采用归一法进行标准化处理得到有效样本；

3)基于主动学习的初始约简最小二乘支持向量机Model，其建模过程简写为AL-LSSVM，就是在训练离线模型的过程中，采用逐渐增加训练样本直到利用部分训练数据建模能够代替全部样本进行建模的过程；其具体实现步骤为：

●将初始样本数据(X,Y)作为未标注集U，并令标注集L刚开始为空集；基于高斯混合分布聚类算法对未标注集U进行分类，其中选取k个聚类中心作为初始支持向量，加入到标注集L，并从U中删除，并在标注集L上利用最小二乘支持向量机训练得到初始估计器；

●根据评估函数，选择未标注集U中拟合误差绝对值最大的那个点，加入到标注集L，并从未标注集U中删除，其中评估函数为：

$F\left(U_j\right)=arg\max \left\{\left|Y_j-\underset{X_i\∈L}{\Σ}{\mathrm{\α}}_{i}K\left(X_i,X_j\right)-b\right|\right\}$

其中，i∈L,j∈U，α_i是标注集L中每个样本对应的拉格朗日乘子，b是权衡评估函数的一个偏移量；

●在标注集L上利用最小二乘支持向量机重新建立估计模型，并根据该估计模型计算初始训练集的均方误差，重复上述过程，直到模型精度满足要求，并得到基于部分样本的LSSVM稀疏化模型。

所述基于控制变量法，分别建立针对煤质转换、邻磨启停以及风门动作三种干扰因素的误差校正模型Model1、Model2和Model3，其步骤分别如下：

1)对于煤质转换，在不同的工况下选取多种不同煤水分和不同易磨系数的煤质进行实验，并基于初始约简最小二乘支持向量机Model得到预测结果再分别得到煤水分、煤易磨性系数在各个运行工况和建立Model时的误差：Err1＝M_w-M′_w，Err2＝M_m-M′_m，预测结果与真实值之间的最后根据AL-LSSVM建立基于样本(Indata1,Dvalue1)的误差校正模型Model1， $Value1=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{\′}K\left(Indata{1}_i,Indata1\right)+b_1,$ 其中Value1是基于煤质转换的误差补偿值，Indata1包含M_m、M_w、Err1、Err2，其中α′_i和b₁是Model1的估计参数；

2)对于邻磨干扰，控制邻近磨机启动个数，并记录收集磨机给煤量M和磨机背景噪音E_bnoi，再分别得到磨机背景噪声和给煤量在各个运行工况和建立Model时之间误差：Err1′＝E_bnoi-E′_bnoi，Err2′＝M-M′；预测结果与真实值之间的误差：最后根据AL-LSSVM对(Indata2,Dvalue2)建立误差校正模型Model2， $Value2=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{\′\′}K\left(Indata{2}_i,Indata2\right)+b_2,$ 其中Value2是基于邻磨干扰的误差补偿值，Indata2包含E_bnoi、M、Err1′、Err2′，其中α″_i和b₂是Model2的估计参数；

3)对于风门动作，在安全范围内，手动调节热风门和再循环风门的开度，同时分别记录风门开度差值Err1″＝D_hot-D′_hot，Err2″＝D_rec-D′_rec和模型估计偏差并基于AL-LSSVM对(Indata3,Dvalue3)建立误差校正模型Model3， $Value3=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{\′\′\′}K\left(Indata{3}_i,Indata3\right)+b_3,$ 其中Value3是基于风门动作的误差补偿值，Indata3包含D_hot、D_rec、Err1′、Err2′，其中α″′_i和b₃是Model3的估计参数；

所述的在线自动识别补偿方式，采用自适应加权策略对各个补偿校正模型进行加权融合，从而可以屏蔽对干扰源的判断，使该方法能够实现自动在线补偿；其步骤如下：

1)根据误差校正模型Model1、Model2和Model3分别得到针对煤质转换、邻磨启停以及风门动作三种干扰的补偿值Value1、Value2和Value3；

2)根据自适应加权融合策略得到最终补偿值Value，其具体计算方法：

其中， ${\mathrm{\γ}}_i=\frac{\left|Valuei\right|\×0.82}{\left|Value1\right|+\left|Value2\right|+\left|Value3\right|},{\mathrm{\γ}}_j=\frac{\left|Valuej\right|\×1.2}{\left|Value1\right|+\left|Value2\right|+\left|Value3\right|},$

${\mathrm{\γ}}_k=\frac{\left|Valuek\right|\×1.5}{\left|Value1\right|+\left|Value2\right|+\left|Value3\right|},$ i,j,k∈(1,2,3)，且|Valuei|＝max{|Value1|,|Value2|,|Value3|}，|Valuek|＝min{|Value1|,|Value2|,|Value3|}，|Valuej|为最后剩余的补偿值；

3)最后将最终补偿校正值Value对初始磨机负荷估计进行补偿得到最终磨机负荷估计：

$\hat{Y}={\hat{Y}}_{ini}+Value.$

本发明通过对磨机参数E_noi、E_vib、P_dif、P_in、T_in和T_out分析，首先建立具有复杂度低、精确度高并包含全工况的预测模型，并针对E′_bnoi、M′、M′_w、M′_m、D′_hot和D′_rec分别建立误差校正模型，最后根据对干扰信号的监测实现在线补偿。本方法提出的磨煤机负荷在线测量方法，克服了以往检测方法不能适应工况变化和干扰影响的缺点，并且在长期应用过程中获得良好的准确度和灵敏度，为磨机的有效监测提供了保障。

附图说明

图1是磨机负荷在线校正的系统框图。

图2是磨机负荷软测量硬件系统配置图，图中的标号分别表示：1、给煤机控制器，2、冷风门阀位反馈装置，3、热风门阀位反馈装置，4、再循环风门阀位反馈装置，5、振动传感器，6、噪音传感器，7、出入口差压传感器，8、排粉机入口挡板阀位反馈装置，9、数据采集器及计算机，10、软测量模型；图中涉及制粉系统设备的标号分别表示：11、原煤仓，12、给煤机，13、磨煤机，14、粗粉分离器，15、细粉分离器，16、煤粉仓，17、排粉机。

图3是软传感器节点硬件框图。

图4是基于主动学习的约简最小二乘支持向量机流程图。

图5是自适应在线校正的流程图。

下面结合附图和具体实施例对本发明作进一步的详细描述。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明：

以某火电厂中储式制粉系统为例，给出本发明的一个具体应用。该中储式制粉系统配备两台磨煤机，型号为DTM350/700，转速为17.57r/min，设计出力为60t/h，采用皮带式称重给煤机给煤。其工作流程为：给煤机将原煤仓内的原煤送入磨煤机内，同时热风、冷风、再循环风也进入磨煤机，原煤经过破碎研磨，磨制好的煤粉被气流输送出去，从磨煤机出来的是气粉混合物，经粗粉分离器后，过粗的煤粉重新返回磨煤机入口进行再研磨，合格的煤粉被带入细粉分离器进行气粉分离，再次合格的煤粉落入煤粉仓。根据锅炉负荷的需要，给粉机将煤粉仓中的煤粉输入一次风管，再送入炉内燃烧。

首先是软传感器节点对各个参数的采集。磨机负荷测量系统结构如图2所示，在原系统中已经安装有以下仪表：

给煤机控制器1：在控制给煤的同时，反馈回实时给煤量M；

热风门阀位反馈装置3：热风门开度指示D_hot；

再循环风门阀位反馈装置4：冷风门开度指示D_rec；

出入口差压传感器7：磨煤机入口负压P_in和出入口差压信号P_dif；

出入口温度传感器：磨机入口温度T_in和磨机出口温度T_out。

按照本发明的技术方案，增加如下的测量仪表：

噪音传感器6：分别用于测量磨机运行过程中筒体噪声E_noi和背景噪音E_bnoi，安装于距离磨机入口1/3处，一个朝向磨机钢球下落撞击点，一个背向磨机；选择声望公司的MPA206传声器，传感器灵敏度为32mv/Pa，响应频率为20Hz～10kHz；

振动传感器5：用于测量磨体振动幅度E_vib，安装于磨机入口支撑轴承处；选择PCB公司的608A11加速度传感器检测振动量，传感器灵敏度100mv/g，响应频率为20Hz～10kHz；

由于软传感器节点要完成大量数字信号的采集、滤波和归一化处理且有一定的实时性要求，同时考虑现场安装特点。本文选择TI公司的TMS320F2812数字处理器作为核心处理器，其硬件框图如图3所示。对采集的噪音和振动信号在节点进行预处理和特征提取等操作，并保证每秒通过CAN总线向人机交互中心发送一次有效数据。

其次是离线训练模型和离线补偿校正模型的建立。采集从磨机空磨状态到接近满磨状态各个工况下的样本数据，并将此时的磨机背景噪音、给煤量、煤水分、煤易磨性系数、热风门和再循环风门开度分别记为E′_bnoi、M′、M′_w、M′_m、D′_hot和D′_rec。基于主动学习的约简最小二乘支持向量机的流程图如图4所示，初始化令未标注集U＝(X,Y)，标注集L＝φ，利用高斯混合分布聚类算法对U进行分类，其中选取5个聚类中心作为初始支持向量，加入到L，并在L上建立估计模型并计算(X,Y)的均方误差；根据评估函数 $F\left(U_j\right)=\arg \max \left\{\left|Y_j-\Σ{\mathrm{\α}}_{i}K\left(X_i,X_j\right)-b\right|\right\}$ 选择U中离超平面最远的那个点加入到标注集L，并从U中删除。重复上述过程，直到模型精度满足初始均方误差的90％。

对于校正补偿模型，基于控制变量法对不同干扰分别建立

1)对于煤质转换，在不同的工况下选取多种不同煤水分和不同易磨系数的煤质进行实验，并基于初始约简最小二乘支持向量机Model得到预测结果再分别得到煤水分、煤易磨性系数在各个运行工况和建立Model时的误差：Err1＝M_w-M′_w，Err2＝M_m-M′_m，预测结果与真实值之间的最后根据AL-LSSVM建立基于样本(Indata1,Dvalue1)的误差校正模型Model1， $Value1=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{\′}K\left(Indata{1}_i,Indata1\right)+b_1,$ 其中Value1是基于煤质转换的误差补偿值，Indata1包含M_m、M_w、Err1、Err2。

2)对于邻磨干扰，控制邻近磨机启动个数，并记录收集磨机给煤量M和磨机背景噪音E_bnoi，再分别得到磨机背景噪声和给煤量在各个运行工况和建立Model时之间误差：Err1′＝E_bnoi-E′_bnoi，Err2′＝M-M′；预测结果与真实值之间的误差：最后根据AL-LSSVM对(Indata2,Dvalue2)建立误差校正模型Model2， $Value2=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{\′\′}K\left(Indata{2}_i,Indata2\right)+b_2,$ 其中Value2是基于邻磨干扰的误差补偿值，Indata2包含E_bnoi、M、Err1′、Err2′。

3)对于风门动作，在安全范围内，手动调节热风门和再循环风门的开度，同时分别记录风门开度差值Err1″＝D_hot-D′_hot，Err2″＝D_rec-D′_rec和模型估计偏差并基于AL-LSSVM对(Indata3,Dvalue3)建立误差校正模型Model3， $Value3=\stackrel{N}{\Σ}{\mathrm{\α}}_i^{\′\′\′}K\left(Indata{3}_i,Indata3\right)+b_3,$ 其中Value3是基于风门动作的误差补偿值，Indata3包含D_hot、D_rec、Err1′、Err2′。

最后就是所建立模型的在线自适应校正，其流程图如图5所示，当参数M_m、M_w、E_bnoi、D_hot和D_rec与当初建立模型时的E′_bnoi、M′_w、M′_m、D′_hot和D′_rec不同时，就认为干扰发生。当参数M_m和M_w不同时认为发生煤质干扰，当E_bnoi不同时认为邻磨启停干扰，当D_hot和D_rec不同时认为是风门动作干扰，并针对不同干扰分别得到补偿值Value1、Value2和Value3。并根据根据自适应加权融合策略得到最终补偿值Value，其具体计算方法：

其中， ${\mathrm{\γ}}_i=\frac{\left|Valuei\right|\×0.82}{\left|Value1\right|+\left|Value2\right|+\left|Value3\right|},{\mathrm{\γ}}_j=\frac{\left|Valuej\right|\×1.2}{\left|Value1\right|+\left|Value2\right|+\left|Value3\right|},$ ${\mathrm{\γ}}_k=\frac{\left|Valuek\right|\×1.5}{\left|Value1\right|+\left|Value2\right|+\left|Value3\right|},$ i,j,k∈(1,2,3)，且|Valuei|＝max{|Value1|,|Value2|,|Value3|}，|Valuek|＝min{|Value1|,|Value2|,|Value3|}，|Valuej|为最后剩余的补偿值；

最后将最终补偿值Value与离线模型估计的磨机负荷进行求和得到准确的磨机负荷值该自适应在线校正的火电厂磨机负荷测量的结构框图如图1所示。

Claims (4)

1.一种自适应在线校正的火电厂磨机负荷软测量方法，其特征在于:该方法在实现磨机负荷的在线估计的同时，能够实现对干扰信号进行在线监测，并对负荷估计进行补偿校正，具体包括以下步骤：

1)在磨机运行过程中，每秒采集一次运行参数，包括磨机噪音E_noi、磨机背景噪音E_bnoi、磨机振动E_vib、磨机出入口差压P_dif、磨机入口负压P_in、磨机入口温度T_in、磨机出口温度T_out、热风门开度D_hot、和再循环风门开度D_rec，同时根据磨机运行情况更新给煤量M、煤水分M_w和煤易磨性系数M_m三个辅助参数；

2)采集样本X(i),Y(i),i＝1,…,N，其中X包含磨机噪音E_noi、磨机振动E_vib、磨机出入口差压P_dif、磨机入口负压P_in、磨机入口温度T_in和磨机出口温度T_out，N为样本个数，Y为磨机真实负荷，根据(X,Y)，离线训练得到基于主动学习的初始约简最小二乘支持向量机模型Model；

3)基于控制变量法，分别建立针对煤质转换、邻磨启停以及风门动作三种干扰因素的误差校正模型Model1、Model2和Model3；

4)在线应用中，基于在线自动识别补偿方式，对三种干扰因素进行监测，当干扰发生时，采用自适应加权策略对在线估计的磨机负荷实现自动补偿。

2.如权利要求1所述的软测量方法，其特征在于：所述基于主动学习的初始约简最小二乘支持向量机模型Model，通过如下步骤建立：

1)采集从磨机空磨状态到接近满磨状态各个工况下的样本数据，并将此时的磨机背景噪音、给煤量、煤水分、煤易磨性系数、热风门和再循环风门开度分别记为E′_bnoi、M′、M′_w、M′_m、D′_hot和D′_rec；

2)数据预处理，对采集到的样本数据基于均值滤波消除随机误差后，并采用归一法进行标准化处理得到有效样本；

3)基于主动学习的初始约简最小二乘支持向量机Model，其建模过程简写为AL-LSSVM，就是在训练离线模型的过程中，采用逐渐增加训练样本直到利用部分训练数据建模能够代替全部样本进行建模的过程；其具体实现步骤为：

·将初始样本数据(X,Y)作为未标注集U，并令标注集L刚开始为空集；基于高斯混合分布聚类算法对未标注集U进行分类，其中选取k个聚类中心作为初始支持向量，加入到标注集L，并从U中删除，并通过最小二乘支持向量机在标注集L上训练得到初始估计器；

·根据评估函数，选择未标注集U中拟合误差绝对值最大的那个点，加入到标注集L，并从未标注集U中删除，其中评估函数为：

其中，i∈L,j∈U，α_i是标注集L中每个样本对应的拉格朗日乘子，b是权衡评估函数的一个偏移量；

·在标注集L上利用最小二乘支持向量机重新建立估计模型，并根据该估计模型计算初始训练集的均方误差，重复上述过程，直到模型精度满足要求，并得到基于部分样本的LSSVM稀疏化模型。

3.如权利要求1所述的软测量方法，其特征在于：所述基于控制变量法，分别建立针对煤质转换、邻磨启停以及风门动作三种干扰因素的误差校正模型Model1、Model2和Model3，其步骤分别如下：

1)对于煤质转换，在不同的工况下选取多种不同煤水分和不同易磨系数的煤质进行实验，并基于初始约简最小二乘支持向量机Model得到预测结果再分别得到煤水分、煤易磨性系数在各个运行工况和建立Model时的误差：Err1＝M_w-M′_w，Err2＝M_m-M′_m，预测结果与真实值之间的最后根据AL-LSSVM建立基于样本(Indata1,Dvalue1)的误差校正模型Model1，其中Value1是基于煤质转换的误差补偿值，Indata1包含M_m、M_w、Err1、Err2，其中α′_i和b₁是Model1的估计参数；

2)对于邻磨干扰，控制邻近磨机启动个数，并记录收集磨机给煤量M和磨机背景噪音E_bnoi，再分别得到磨机背景噪声和给煤量在各个运行工况和建立Model时之间误差：Err1′＝E_bnoi-E′_bnoi，Err2′＝M-M′；预测结果与真实值之间的误差：最后根据AL-LSSVM对(Indata2,Dvalue2)建立误差校正模型Model2，其中Value2是基于邻磨干扰的误差补偿值，Indata2包含E_bnoi、M、Err1′、Err2′，其中α″_i和b₂是Model2的估计参数；

3)对于风门动作，在安全范围内，手动调节热风门和再循环风门的开度，同时分别记录风门开度差值Err1″＝D_hot-D′_hot，Err2″＝D_rec-D′_rec和模型估计偏差并基于AL-LSSVM对(Indata3,Dvalue3)建立误差校正模型Model3，其中Value3是基于风门动作的误差补偿值，Indata3包含D_hot、D_rec、Err1′、Err2′，其中α″′_i和b₃是Model3的估计参数。

4.如权利要求1所述的软测量方法，其特征在于：所述的在线自动识别补偿方式，采用自适应加权策略对各个补偿校正模型进行加权融合，从而能够屏蔽对干扰源的判断，能够实现自动在线补偿；其步骤如下：

1)根据误差校正模型Model1、Model2和Model3分别得到针对煤质转换、邻磨启停以及风门动作三种干扰的补偿值Value1、Value2和Value3；

2)根据自适应加权融合策略得到最终补偿值Value，其具体计算方法：

其中， i,j,k∈(1,2,3)，且|Valuei|＝max{|Value1|,|Value2|,|Value3|}，|Valuek|＝min{|Value1|,|Value2|,|Value3|}，|Valuej|为最后剩余的补偿值；

3)最后将最终补偿校正值Value对初始磨机负荷估计进行补偿得到最终磨机负荷估计：