CN107133460A - 一种锅炉飞灰含碳量在线动态预测方法 - Google Patents
一种锅炉飞灰含碳量在线动态预测方法 Download PDFInfo
- Publication number
- CN107133460A CN107133460A CN201710282501.7A CN201710282501A CN107133460A CN 107133460 A CN107133460 A CN 107133460A CN 201710282501 A CN201710282501 A CN 201710282501A CN 107133460 A CN107133460 A CN 107133460A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- carbon content
- epsiv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000010881 fly ash Substances 0.000 title claims abstract description 76
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010977 unit operation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010008 shearing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000003500 flue dust Substances 0.000 abstract 2
- 238000012843 least square support vector machine Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 17
- 238000002485 combustion reaction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 239000003245 coal Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 239000003546 flue gas Substances 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002956 ash Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000010883 coal ash Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种锅炉飞灰含碳量在线动态预测方法，方法包括：运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取。在实际测量阶段，在线实时采集各个辅助变量的值，通过动态预处理得到模型输入向量的值，将上述值输入所建立的锅炉飞灰含碳量LSSVM预测模型，得到实际预测值。本发明可以针对机组的不同负荷状态下的飞灰含碳量进行学习，测量模型为动态模型，可以反映锅炉运行状态的变化对飞灰含碳量的影响，算法的适应性强，测量精度高，求解速度快，具有实时性的优点。
Description
技术领域
本发明涉及锅炉参数检测研究领域，特别一种锅炉飞灰含碳量在线动态预测方法。
背景技术
锅炉飞灰含碳量是反映火力发电厂燃煤锅炉燃烧效率的一项重要指标，精确和实时地监测飞灰含碳量有利于指导锅炉运行以提高锅炉燃烧控制水平，降低发电成本，提高机组运行的经济性，减少环境污染，同时也有利于提高煤灰的品质，促进煤灰的商品化。
目前，锅炉飞灰含碳量检测方法主要包括以下两类：
一、直接测量法
直接测量法主要包括了灼烧法、微波法以及激光法等测量方法。
灼烧法是指通过取适量飞灰样本在高温下燃烧，以燃烧前后重量差来计算出样本中的飞灰含碳量。灼烧法分为在线式和离线式。在线式灼烧法所需要的测量设备较为复杂，刚开始运行时，可以保证一定的测量精度，运行一段时间后，无法保证精度，且由于现场环境恶劣，设备维护的工作量比较大。离线式的灼烧法只能在实验室完成，测量精度较高，但无法得到实时的数据，不能用于实时指导燃烧优化。
微波法是依据飞灰中碳元素对特定波长的微波的吸收或对微波相位的影响来测量锅炉飞灰含碳量。微波法采用取样管收集飞灰，在微波通道中，利用飞灰中含碳量的变化引起电信号的变化进行测量。但采用这种方法，取样装置采用的取样管容易堵灰及产生磨损，而且由于所取灰样不一定具备代表性，因此测量准确性不高。
二、间接测量法
间接测量法主要包括基于回归分析建模的方法、基于机理分析建模的方法以及基于人工神经网络建模的方法。基于回归分析建模的方法是通过对大量数据压缩提取，统计分析各个变量之间的线性关系，发现它们之间的依赖关系，并建立回归分析模型。但由于锅炉燃烧过程耦合强，非线性，干扰多，回归分析建模无法适用于该领域。基于机理分析建模的方法是要求根据已知的系统内在机理联系，建立主导变量与辅助变量之间的数学关系，运用公式加以推导，实现对待测变量的预测。但由于锅炉燃烧过程极其复杂，难以明确其机理关系，很难采用此种方法进行精确的分析建模。基于人工神经网络建模的方法具有自学习、联想记忆、自适应和非线性逼近等多种功能，适用于具有严重不确定性和非线性程度较高的系统，但其存在过拟合及局部极点等问题，模型预测效果很大程度上受网络拓扑结构、学习样本数量、质量的影响。
因此，提出一种准确度高的飞灰含碳量在线实时预测方法是本领域亟需解决的重大技术难题。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种锅炉飞灰含碳量在线动态预测方法和装置，其能够实时准确地预测锅炉飞灰含碳量，并且具有在线更新的功能。
本发明的目的通过以下的技术方案实现：一种锅炉飞灰含碳量在线动态预测方法，包括步骤：
(1)运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；
(2)建模阶段：选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取，具体是：
(2-1)建立锅炉飞灰含碳量LSSVM预测模型：
其中，表示飞灰含碳量预测值，αk为训练得到的支持值，b为训练得到的偏置，为核函数；
(2-2)通过对训练样本的训练获得参数αk和b，公式为：
其中，α为一个1*N维向量组，αk是其中一维，α＝[α1,α2,...,αN]T,y＝[y1,…,yN]T；N为训练样本个数，U＝(Ω+γ-1I)-1，且Ω:k,d＝1,...N，γ为LSSVM模型目标函数的惩罚系数，I为相应维数的单位矩阵；y为训练样本中的飞灰含碳量；
(3)实际测量阶段：在线实时采集各个辅助变量的值，通过动态预处理得到模型输入向量的值，将上述值输入步骤(2)所建立的锅炉飞灰含碳量LSSVM预测模型，得到实际预测值。
优选的，所述步骤(1)中，运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，步骤是：
(1-1)通过对飞灰含碳量影响因素的调研分析，结合相应电厂实际运行数据，初步确定影响锅炉飞灰含碳量的初始辅助变量；
(1-2)将飞灰含碳量作为输出变量利用偏最小二乘法进行分析，对上述初始辅助变量进行进一步地筛选：
将包含所有初始辅助变量的一维矩阵X作为自变量矩阵，将训练样本中的飞灰含碳量y作为因变量，用主成分ti与X、y之间的相关关系来反映模型的内部信息，主成分对因变量y的解释能力为：
Rd(y；ti)＝r2(y,ti)
其中r(y,ti)是y与ti之间的相关系数，计算公式为：
通过自变量矩阵X与主成分ti之间的边际关系以及ti对因变量y的解释能力，得到第k个自变量对因变量y的重要性指标如下：
其中p为自变量个数，ωik为权值向量ωi的第k个分量，反映了第k个自变量对ti的边际贡献，并有：
将各个初始辅助变量的重要性指标值按从大到小排序，选取前面若干个指标作为最终的辅助变量。
更进一步的，为了获得较精确的飞灰含碳量数据用于建模，步骤(1)中对采集的辅助变量值进行动态预处理，步骤是：
采集电站锅炉飞灰含碳量的化验样本数据以及对应的飞灰样品的取样时刻，设置动态预处理参数，包括输入的阶数、输出的阶数以及输入的时延参数、输出的时延参数；
然后根据上述化验样本数据对应的取样时刻，获取机组运行数据；
将机组运行数据x和化验样本数据y根据下述公式处理，得到预处理后的输入向量：
其中，yk为k时刻的输出，mx、ny分别为输入的阶数、输出的阶数，dx、dy分别为输入的时延参数、输出的时延参数；为预处理后的回归数据向量，即用于建立锅炉飞灰含碳量LSSVM预测模型的输入向量。
优选的，所述步骤(2-1)中，核函数采用径向基(RBF)核函数，即 其中σ表示径向基核参数，为函数的宽度参数，控制了函数的径向作用范围。
为了进一步提高模型的计算速度，本发明对LSSVM预测模型进行稀疏化处理，步骤是：将样本划分为训练样本和校验样本，将训练样本的剪切率ε作为优化变量，并将校验样本输出与模型预测输出的均方根误差作为优化目标；
寻优过程为：根据训练样本所对应的|αk|，将训练样本重新排列，切除ε％的|αk|小于一定阈值的那部分样本，再利用剩下的样本重新训练LSSVM预测模型，计算其性能指标，寻找使性能指标最优的剪切率。
具体的，LSSVM预测模型通过下列公式实现最优稀疏化处理：
式中：yε为将原始训练样本剪切ε(％)样本后形成的新训练样本集的输出，Uε和Eε为与yε对应的矩阵，y′i为校验样本的实际输出，N为初始训练样本数，得到的最优解ε*为使性能指标RMSE取最小值的样本剪切率。
由于LSSVM最优稀疏化化问题为复杂非线性问题，采用常规优化方法求解具有局限性。为此，本发明采用粒子群优化(PSO)进行智能寻优。PSO突破了搜索过程中函数单调性的限制，能实现全局寻优，
具体的，LSSVM预测模型采用粒子群优化算法进行智能寻优，以进行稀疏化处理的步骤是：
(4-1)设置LSSVM算法和PSO算法的初始参数；设定各粒子位置为ε，其适应度值为RMSE(ε)；
(4-2)用原始训练样本训练LSSVM模型，获得模型的初始参数α0和b0；
(4-3)根据最优稀疏化处理公式，置优化变量ε＝0，PSO迭代次数k＝1；设置个体极值Pbest及群体极值Gbest的初值，进入PSO的迭代寻优过程；
(4-4)以|αi|大小对训练样本进行排序，剪切ε％的|αi|小于一定阈值的样本构成新训练样本集Nε＝(1-ε)N；
(4-5)用重新训练LSSVM预测模型，获得模型参数αε和bε；
(4-6)以校验样本的RMSE为适应度函数，按照公式进行计算；
(4-7)判断是否RMSE(ε)＜RMSE(Pbest)，如果是，则进入(4-8)更新个体极值；否则转入(4-11)；
(4-8)个体极值更新Pbest＝ε；
(4-9)判断是否RMSE(ε)＜RMSE(Gbest)，如果是，则进入(4-10)更新群体极值；否则转入(4-11)；
(4-10)群体极值更新Gbest＝ε；
(4-11)判断PSO是否到达最大迭代次数(k＞Iter_Max)，若条件不满足进入(4-12)，若满足则转入(4-13)；
(4-12)更新PSO粒子速度和位置，迭代次数k加1，转入(4-4)继续PSO迭代寻优过程；
(4-13)到达PSO最大迭代次数，获得最优剪切率及此时的模型参数和
(4-14)获得最优稀疏化的飞灰含碳量LSSVM模型
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明与试验室离线灼烧法相比，可实现在线测量；与在线灼烧法相比，系统和设备较为简洁，维护量小；与常规微波法相比，测量精度受现场实际工作环境影响较小；
2、该方法可以针对机组的不同负荷状态下的飞灰含碳量进行学习，测量模型为动态模型，可以反映锅炉运行状态的变化对飞灰含碳量的影响，算法的适应性强，对于目前国内火电大多数在低负荷下运行的情况有较好的适应性；测得的数据用于指导锅炉的燃烧优化；
3、本发明方法采用最小二乘支持向量机(LSSVM)，可将建模过程转换为解线性方程组问题，大大提高了求解速度；同时结合最优化理论，对LSSVM模型采用最优稀疏方法，解决了模型臃肿的问题，大大提高了求解速度，具有实时性的优点；
4、该方法应用范围广泛，针对不同的锅炉型式，只需要对模型中的各种辅助变量进行重新选择并进行训练后即可进行应用。
附图说明
图1是本实施例方法模型的结构图。
图2是本实施部分影响因素的VIP指标值。
图3是本实施例方法的流程图。
图4是本实施例所采用装置的结构原理图。
图5是本实施例所述装置内部的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例一种锅炉飞灰含碳量在线动态预测方法，结合锅炉机理及现场调研，本测量模型选用DCS已有的热工参数测点为辅助变量，通过对辅助变量进行动态预处理形成LSSVM预测模型的输入向量。
飞灰含碳量软测量模型辅助变量的选择与锅炉本身的特性、燃烧器组织形式、DCS测点配置等因素有关，以某四角切圆600MW机组锅炉为例，影响因素如图1所示，包括锅炉负荷、炉膛与风箱差压、燃烧器摆角、燃料风挡板开度、燃尽风挡板开度、磨煤机给煤量、一次风总风压、出口烟气温度、出口烟气含氧量等等，为了提高预测的准确性和实时性，本实施例基于偏最小二乘法，对辅助变量进行进一步地筛选，步骤是：
根据偏最小二乘法，提取的主成分ti一方面要尽可能代表自变量矩阵X中的信息,另一方面要尽可能地解释因变量y，因此可以用主成分ti与二者之间的相关关系来反映模型的内部信息。主成分对因变量y的解释能力为：
Rd(y；ti)＝r2(y,ti)
其中r(y,ti)是y与ti之间的相关系数，
通过自变量矩阵X与主成分ti之间的边际关系以及ti对因变量y的解释能力，可以得到第k个自变量对因变量y的重要性指标如下：
其中p为自变量个数，ωik为权值向量ωi的第k个分量，反映了第k个自变量对ti的边际贡献，并有：
初选的锅炉负荷、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃料风挡板开度等影响因素作为初始输入变量；并将飞灰含碳量作为输出变量利用偏最小二乘法进行分析，计算各变量的重要性指标VIPk如图2所示。
从图2可以看出锅炉负荷、炉膛与风箱差压、燃烧器摆角、磨煤机给煤量、出口烟气温度、出口烟气含氧量的VIP指标较高，表明这些因素对飞灰含碳量的影响较大，因此选取这几个参数作为软测量辅助变量。
电站锅炉为一个动态系统，系统的状态转移与时间有关。若直接将收集的数据进行模型训练，则模型无法反映样本之间的时间属性，模型仅描述了k时刻输入与k时刻输出之间的关系，即这属于静态模型。静态模型只在电站锅炉流程进入稳态或准稳态时才成立，无法描述其动态变化过程。针对此问题，本发明将锅炉飞灰含碳处理为动态系统，其输入输出的自回归对象为其中，y(k)为k时刻的输出，预处理后的回归数据向量：
式(1)中，mx、ny分别为输入与输出的阶数，dx、dy分别为输入输出的时延参数。本专利采用LSSVM算法，利用训练样本中的飞灰含碳量以及机组运行数据通过学习训练来逼近非线性模型
采用预处理后的样本数据，锅炉飞灰含碳量LSSVM预测模型可以表示为：
其中，αk为对应样本的支持值，b为偏置。为核函数，本方法采用径向基(RBF)核函数，即式(2)中αk和b为待求参数，通过学习样本的训练获得：
其中，式中y＝[y1,…,yN]T；N为训练样本个数。式(4)中，U＝(Ω+γ-1I)-1，且Ω:k,d＝1,...N，γ为LSSVM模型目标函数的惩罚系数，I为相应维数的单位矩阵。
LSSVM把支持向量机的学习问题转化为解线性方程组问题，具有更快的运算速度，适用于工业环境的实时计算；但其负面作用是使LSSVM的支持向量值与误差成正比，即αk＝γek。这样一来，所有的样本均成为支持向量，导致LSSVM失去稀疏特性，模型变得“臃肿”，计算需要的存储容量大，影响模型的预测计算速度。在电站锅炉运行中，随着学习样本的累积，样本容量越来越大，对LSSVM进行稀疏化处理是锅炉飞灰含碳量软测量的关键环节。
本发明针对经典稀疏化算法的以上弊端，结合最优化理论，提出一种LSSVM模型的最优稀疏化方法。该方法是：将训练样本的剪切率ε作为优化变量，并将校验样本输出与模型预测输出的均方根误差作为优化目标。寻优过程为：根据训练样本所对应的|α|将训练样本重新排列，切除ε％的具有较小|α|那部分样本，再利用剩下的样本重新训练LSSVM预测模型，计算其性能指标，寻找使性能指标最优的剪切率。LSSVM最优稀疏化问题可以写为：
式中：yε为将原始训练样本剪切ε(％)样本后形成的新训练样本集的输出，Uε和Eε为与yε对应的矩阵，y′i为校验样本的实际输出，N为初始训练样本数。该问题的最优解ε*为使性能指标RMSE取最小值的样本剪切率。LSSVM最优稀疏化化问题(5)为复杂非线性问题，无法采用常规优化方法求解。本发明采用粒子群优化(PSO)进行智能寻优。PSO突破了搜索过程中函数单调性的限制，能实现全局寻优，
参见图3，本实施例一种锅炉飞灰含碳量在线动态预测方法中建立模型的详细步骤为：
S1：为了获得较精确的飞灰含碳量数据用于建模，采用电站锅炉飞灰含碳量的化验数据。在获取化验数据的同时也记录飞灰样品的取样时刻，以实现与锅炉工况的匹配；
S2：设置动态预处理参数，主要包括输入变量和输出的阶数和延迟系数。系数的设置与运行数据的采样周期以及锅炉燃烧过程的特征有关，可依据的运行人员的经验选取；
S3：以Modbus协议从DCS或以OPC协议从SIS获取机组运行数据，在获取数据时需要注意运行数据与化验样本采样时刻的匹配；
S4：按照式(1)进行预处理，以获得机组运行状态与飞灰含碳量之间的动态关系；
S5：从预处理后样本中甄选训练样本和校验样本，随着运行时间的推移，获得数据样本量会累计，若不对训练样本进行稀疏化，则LSSVM模型的维数大，计算所消耗的存储容量及计算量将呈几何级递增，故下面对LSSVM模型进行稀疏化；
S6：设置LSSVM算法和PSO算法的初始参数，本发明采用试算的方法获得；
S7：用初始样本训练LSSVM模型，获得模型的初始参数α0和b0；
S8：按照式(5)建立LSSVM最优稀疏化问题，设定各粒子位置为ε，其适应度值为RMSE(ε)。置优化变量ε＝0，PSO迭代次数k＝1；置个体极值Pbest及群体极值Gbest的初值，进入PSO的迭代寻优过程；
S9：以|αi|大小对训练样本进行排序，剪切ε％具有较小|αi|的样本构成新训练样本集Nε＝(1-ε)N；
S10：用重新训练LSSVM预测模型，获得模型参数αε和bε；
S11：以校验样本的RMSE为适应度函数，按照进行计算；
S12：判断条件RMSE(ε)＜RMSE(Pbest)，若条件成立，则进入S13更新个体极值；若条件不成立则转入S16；
S13：个体极值更新Pbest＝ε；
S14：判断条件RMSE(ε)＜RMSE(Gbest)，若条件成立，则进入S15更新群体极值；若条件不成立则转入S16；
S15：群体极值更新Gbest＝ε；
S16：判断PSO是否到达最大迭代次数(k＞Iter_Max)，若条件不满足进入S17，若满足则转入S18；
S17：更新PSO粒子速度和位置，迭代次数k+1，然后转入S9继续PSO迭代寻优过程；
S18：到达PSO最大迭代次数，获得最优剪切率及此时的模型参数和
S19：获得最优稀疏化的飞灰含碳量LSSVM预测模型
上述方法基于下述锅炉飞灰含碳量在线动态预测装置，该装置参见图4、5，包括箱体和设置在箱体正面的触摸屏，在箱体内部底板上设有一导轨6，电源模块1、CPU模块2和通讯模块3(CP341-RS232C)均安装在导轨6上，CPU模块2和通讯模块3之间通过总线连接器7连接；存储模块4(MMC存储卡)插在CPU模块2的面板上。从通讯模块3引出标准RS232C接口到箱体背板上，装置通过该标准RS232C接口与火电厂中现有的DCS系统或SIS系统通过数据线相连，装置与电厂DCS系统进行Modbus通讯连接。Modbus通信方式为主从站方式，本装置作为Modbus从站，电厂DCS系统为主站，所以使用从站硬件狗5得到授权，从站硬件狗5插在通讯模块3上。所述CPU模块2与外部上位机相连；电源模块1为装置中各器件供电。
在模型建立和训练阶段，从SIS读取相关数据进行学习，待模型建立好之后，直接从DCS读取实时数据用于飞灰含碳量的计算。在上述步骤S19得到最终的LSSVM预测模型后，可通过上位机与CPU模块的通信接口将模型(包括支持向量和模型参数)下载到CPU模块。CPU模块即可利用此模型进行实时锅炉飞灰含碳量的在线预测，输出测量值。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种锅炉飞灰含碳量在线动态预测方法，其特征在于，包括步骤：
(1)运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，对上述辅助变量值进行动态预处理，得到模型的输入向量；
(2)建模阶段：选取一定数量的上述输入向量的训练样本，建立锅炉飞灰含碳量LSSVM预测模型，对模型参数进行优化选取，具体是：
(2-1)建立锅炉飞灰含碳量LSSVM预测模型：
<mrow>
<mi>f</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mo>,</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>;</mo>
</mrow>
其中，表示飞灰含碳量预测值，αk为训练得到的支持值，b为训练得到的偏置，为核函数；
(2-2)通过对训练样本的训练获得参数αk和b，公式为：
<mrow>
<mi>b</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>E</mi>
<mi>T</mi>
</msup>
<mi>U</mi>
<mi>y</mi>
</mrow>
<mrow>
<msup>
<mi>E</mi>
<mi>T</mi>
</msup>
<mi>U</mi>
<mi>E</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>EE</mi>
<mi>T</mi>
</msup>
<mi>U</mi>
<mi>y</mi>
</mrow>
<mrow>
<msup>
<mi>E</mi>
<mi>T</mi>
</msup>
<mi>U</mi>
<mi>E</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，α为一个1*N维向量组，αk是其中一维，α＝[α1,α2,...,αN]T,y＝[y1,…,yN]T；N为训练样本个数，U＝(Ω+γ-1I)-1，且k,d＝1,...N，γ为LSSVM模型目标函数的惩罚系数，I为相应维数的单位矩阵；y为训练样本中的飞灰含碳量；
(3)实际测量阶段：在线实时采集各个辅助变量的值，通过动态预处理得到模型输入向量的值，将上述值输入步骤(2)所建立的锅炉飞灰含碳量LSSVM预测模型，得到实际预测值。
2.根据权利要求1所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，所述步骤(1)中，运用偏最小二乘法选取影响锅炉飞灰含碳量的辅助变量，步骤是：
(1-1)通过对飞灰含碳量影响因素的调研分析，结合相应电厂实际运行数据，初步确定影响锅炉飞灰含碳量的初始辅助变量；
(1-2)将飞灰含碳量作为输出变量利用偏最小二乘法进行分析，对上述初始辅助变量进行进一步地筛选：
将包含所有初始辅助变量的一维矩阵X作为自变量矩阵，将训练样本中的飞灰含碳量y作为因变量，用主成分ti与X、y之间的相关关系来反映模型的内部信息，主成分对因变量y的解释能力为：
Rd(y；ti)＝r2(y,ti)
其中r(y,ti)是y与ti之间的相关系数，计算公式为：
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</msqrt>
</mfrac>
</mrow>
通过自变量矩阵X与主成分ti之间的边际关系以及ti对因变量y的解释能力，得到第k个自变量对因变量y的重要性指标如下：
<mrow>
<msub>
<mi>VIP</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<mi>p</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>h</mi>
</munderover>
<mi>R</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>h</mi>
</munderover>
<mi>R</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</msqrt>
</mrow>
其中p为自变量个数，ωik为权值向量ωi的第k个分量，反映了第k个自变量对ti的边际贡献，并有：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>VIP</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mi>p</mi>
</mrow>
将各个初始辅助变量的重要性指标值按从大到小排序，选取前面若干个指标作为最终的辅助变量。
3.根据权利要求1所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，步骤(1)中对采集的辅助变量值进行动态预处理，步骤是：
采集电站锅炉飞灰含碳量的化验样本数据以及对应的飞灰样品的取样时刻，设置动态预处理参数，包括输入的阶数、输出的阶数以及输入的时延参数、输出的时延参数；
然后根据上述化验样本数据对应的取样时刻，获取机组运行数据；
将机组运行数据x和化验样本数据y根据下述公式处理，得到预处理后的输入向量：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<mi>d</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<mi>d</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
其中，yk为k时刻的输出，mx、ny分别为输入的阶数、输出的阶数，dx、dy分别为输入的时延参数、输出的时延参数；为预处理后的回归数据向量，即用于建立锅炉飞灰含碳量LSSVM预测模型的输入向量。
4.根据权利要求1所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，所述步骤(2-1)中，核函数采用径向基核函数，即其中σ表示径向基核参数。
5.根据权利要求1所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，对LSSVM预测模型进行稀疏化处理，步骤是：将样本划分为训练样本和校验样本，将训练样本的剪切率ε作为优化变量，并将校验样本输出与模型预测输出的均方根误差作为优化目标；
寻优过程为：根据训练样本所对应的|αk|，将训练样本重新排列，切除ε％的|αk|小于一定阈值的那部分样本，再利用剩下的样本重新训练LSSVM预测模型，计算其性能指标，寻找使性能指标最优的剪切率。
6.根据权利要求5所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，LSSVM预测模型通过下列公式实现最优稀疏化处理：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>Z</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Z</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>N</mi>
<mi>&epsiv;</mi>
</msup>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>k</mi>
<mi>&epsiv;</mi>
</msubsup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>b</mi>
<mi>&epsiv;</mi>
</msup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi> </mi>
<mi>t</mi>
<mi>o</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&alpha;</mi>
<mi>&epsiv;</mi>
</msup>
<mo>=</mo>
<msub>
<mi>U</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mi>y</mi>
<mi>&epsiv;</mi>
</msup>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
<msup>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>U</mi>
<mi>&epsiv;</mi>
</msub>
<msup>
<mi>y</mi>
<mi>&epsiv;</mi>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>U</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>b</mi>
<mi>&epsiv;</mi>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>U</mi>
<mi>&epsiv;</mi>
</msub>
<msup>
<mi>y</mi>
<mi>&epsiv;</mi>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>U</mi>
<mi>&epsiv;</mi>
</msub>
<msub>
<mi>E</mi>
<mi>&epsiv;</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mi>&epsiv;</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&Omega;</mi>
<mi>&epsiv;</mi>
</msub>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>I</mi>
<mi>&epsiv;</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>N</mi>
<mi>&epsiv;</mi>
</msup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&epsiv;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
式中：yε为将原始训练样本剪切ε(％)样本后形成的新训练样本集的输出，Uε和Eε为与yε对应的矩阵，y′i为校验样本的实际输出，N为初始训练样本数，得到的最优解ε*为使性能指标RMSE取最小值的样本剪切率。
7.根据权利要求6所述的锅炉飞灰含碳量在线动态预测方法，其特征在于，LSSVM预测模型采用粒子群优化算法进行智能寻优，以进行稀疏化处理的步骤是：
(4-1)设置LSSVM算法和PSO算法的初始参数；设定各粒子位置为ε，其适应度值为RMSE(ε)；
(4-2)用原始训练样本训练LSSVM模型，获得模型的初始参数α0和b0；
(4-3)根据最优稀疏化处理公式，置优化变量ε＝0，PSO迭代次数k＝1；设置个体极值Pbest及群体极值Gbest的初值，进入PSO的迭代寻优过程；
(4-4)以|αi|大小对训练样本进行排序，剪切ε％的|αi|小于一定阈值的样本构成新训练样本集
(4-5)用重新训练LSSVM预测模型，获得模型参数αε和bε；
(4-6)以校验样本的RMSE为适应度函数，按照公式进行计算；
(4-7)判断是否RMSE(ε)＜RMSE(Pbest)，如果是，则进入(4-8)更新个体极值；否则转入(4-11)；
(4-8)个体极值更新Pbest＝ε；
(4-9)判断是否RMSE(ε)＜RMSE(Gbest)，如果是，则进入(4-10)更新群体极值；否则转入(4-11)；
(4-10)群体极值更新Gbest＝ε；
(4-11)判断PSO是否到达最大迭代次数(k＞Iter_Max)，若条件不满足进入(4-12)，若满足则转入(4-13)；
(4-12)更新PSO粒子速度和位置，迭代次数k加1，转入(4-4)继续PSO迭代寻优过程；
(4-13)到达PSO最大迭代次数，获得最优剪切率及此时的模型参数和
(4-14)获得最优稀疏化的飞灰含碳量LSSVM模型
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710282501.7A CN107133460A (zh) | 2017-04-26 | 2017-04-26 | 一种锅炉飞灰含碳量在线动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710282501.7A CN107133460A (zh) | 2017-04-26 | 2017-04-26 | 一种锅炉飞灰含碳量在线动态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107133460A true CN107133460A (zh) | 2017-09-05 |
Family
ID=59716090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710282501.7A Pending CN107133460A (zh) | 2017-04-26 | 2017-04-26 | 一种锅炉飞灰含碳量在线动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133460A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241789A (zh) * | 2018-01-12 | 2018-07-03 | 内蒙古电力勘测设计院有限责任公司 | 基于自适应加权awls-svr的锅炉炉渣含碳量测量方法及设备 |
| CN109033536A (zh) * | 2018-06-29 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤分质利用清洁处理系统中热解釜的建模方法 |
| CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
| CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| CN110907066A (zh) * | 2019-11-30 | 2020-03-24 | 华能如东八仙角海上风力发电有限责任公司 | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 |
| CN110954536A (zh) * | 2019-12-03 | 2020-04-03 | 华电电力科学研究院有限公司 | 一种飞灰含碳量在线测量装置及方法 |
| CN113358811A (zh) * | 2021-05-26 | 2021-09-07 | 中电华创电力技术研究有限公司 | 一种基于灼烧法标定的飞灰含碳量软测量方法及装置 |
| CN113836794A (zh) * | 2021-09-06 | 2021-12-24 | 武汉深维鼎测科技有限公司 | 一种软硬结合的飞灰含碳量在线监测方法 |
| CN113918881A (zh) * | 2021-10-21 | 2022-01-11 | 武汉纺织大学 | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 |
| CN115330070A (zh) * | 2022-08-18 | 2022-11-11 | 长沙学院 | 一种基于多因素耦合的输变电水环境指标预测方法 |
| CN116738862A (zh) * | 2023-07-12 | 2023-09-12 | 南方电网电力科技股份有限公司 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
| CN117391734A (zh) * | 2023-10-07 | 2024-01-12 | 华北电力大学 | 一种基于支持向量机回归模型的发电成本预测方法 |
| CN113918881B (zh) * | 2021-10-21 | 2024-10-22 | 武汉纺织大学 | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455635A (zh) * | 2013-09-24 | 2013-12-18 | 华北电力大学 | 基于最小二乘支持向量机集成的热工过程软测量建模方法 |
| CN103150581B (zh) * | 2013-03-22 | 2015-11-18 | 广东电网有限责任公司电力科学研究院 | 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置 |
| CN105320114A (zh) * | 2015-11-09 | 2016-02-10 | 长春合成兴业能源技术有限公司 | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 |
| CN106485051A (zh) * | 2016-09-13 | 2017-03-08 | 广东电网有限责任公司电力科学研究院 | 一种锅炉co2排放量计算方法及其系统 |
-
2017
- 2017-04-26 CN CN201710282501.7A patent/CN107133460A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150581B (zh) * | 2013-03-22 | 2015-11-18 | 广东电网有限责任公司电力科学研究院 | 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置 |
| CN103455635A (zh) * | 2013-09-24 | 2013-12-18 | 华北电力大学 | 基于最小二乘支持向量机集成的热工过程软测量建模方法 |
| CN105320114A (zh) * | 2015-11-09 | 2016-02-10 | 长春合成兴业能源技术有限公司 | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 |
| CN106485051A (zh) * | 2016-09-13 | 2017-03-08 | 广东电网有限责任公司电力科学研究院 | 一种锅炉co2排放量计算方法及其系统 |
Non-Patent Citations (4)
| Title |
|---|
| "基于偏最小二乘法的火电机组关键参数预测模型研究": "董彦鹏", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 吕游: ""基于过程数据的建模方法研究及应用"", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 陈正等: ""基于PSO的最小二乘支持向量机稀疏化算法"", 《武汉大学学报（工学版）》 * |
| 魏亮: ""基于人工智能的软测量建模方法研究及其在热工过程中的应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241789A (zh) * | 2018-01-12 | 2018-07-03 | 内蒙古电力勘测设计院有限责任公司 | 基于自适应加权awls-svr的锅炉炉渣含碳量测量方法及设备 |
| CN109033536A (zh) * | 2018-06-29 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤分质利用清洁处理系统中热解釜的建模方法 |
| CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
| CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| CN110907066A (zh) * | 2019-11-30 | 2020-03-24 | 华能如东八仙角海上风力发电有限责任公司 | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 |
| CN110907066B (zh) * | 2019-11-30 | 2020-11-06 | 华能如东八仙角海上风力发电有限责任公司 | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 |
| CN110954536B (zh) * | 2019-12-03 | 2024-02-09 | 华电电力科学研究院有限公司 | 一种飞灰含碳量在线测量装置及方法 |
| CN110954536A (zh) * | 2019-12-03 | 2020-04-03 | 华电电力科学研究院有限公司 | 一种飞灰含碳量在线测量装置及方法 |
| CN113358811A (zh) * | 2021-05-26 | 2021-09-07 | 中电华创电力技术研究有限公司 | 一种基于灼烧法标定的飞灰含碳量软测量方法及装置 |
| CN113836794A (zh) * | 2021-09-06 | 2021-12-24 | 武汉深维鼎测科技有限公司 | 一种软硬结合的飞灰含碳量在线监测方法 |
| CN113836794B (zh) * | 2021-09-06 | 2024-01-30 | 武汉深维鼎测科技有限公司 | 一种软硬结合的飞灰含碳量在线监测方法 |
| CN113918881A (zh) * | 2021-10-21 | 2022-01-11 | 武汉纺织大学 | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 |
| CN113918881B (zh) * | 2021-10-21 | 2024-10-22 | 武汉纺织大学 | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 |
| CN115330070A (zh) * | 2022-08-18 | 2022-11-11 | 长沙学院 | 一种基于多因素耦合的输变电水环境指标预测方法 |
| CN116738862A (zh) * | 2023-07-12 | 2023-09-12 | 南方电网电力科技股份有限公司 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
| CN116738862B (zh) * | 2023-07-12 | 2024-05-31 | 南方电网电力科技股份有限公司 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
| CN117391734A (zh) * | 2023-10-07 | 2024-01-12 | 华北电力大学 | 一种基于支持向量机回归模型的发电成本预测方法 |
| CN117391734B (zh) * | 2023-10-07 | 2024-03-26 | 华北电力大学 | 一种基于支持向量机回归模型的发电成本预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133460A (zh) | 一种锅炉飞灰含碳量在线动态预测方法 | |
| CN109960873B (zh) | 一种城市固废焚烧过程二噁英排放浓度软测量方法 | |
| CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN108489912B (zh) | 一种基于煤炭光谱数据的煤炭成分分析方法 | |
| CN103336107B (zh) | 一种水泥熟料f-CaO含量软测量方法 | |
| CN108090629B (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
| CN102693451A (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
| CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN112163350B (zh) | 一种制粉系统双模型的煤粉细度实时在线软测量系统及方法 | |
| CN106018730A (zh) | 基于磨煤机入口一次风修正的煤质水分测量装置和方法 | |
| CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
| CN102226772B (zh) | 电厂锅炉飞灰含碳量测量装置 | |
| CN115936061A (zh) | 基于数据驱动的火电厂烟气含氧量软测量方法及系统 | |
| CN109376903B (zh) | 一种基于博弈神经网络的pm2.5浓度值预测方法 | |
| CN109521001A (zh) | 一种基于PSO和ε-SVR的飞灰含碳量测量方法 | |
| CN114492727A (zh) | 一种除尘系统入口烟尘浓度智能预测与控制方法 | |
| CN117435877A (zh) | 一种燃煤电厂碳排放在线预测方法 | |
| CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
| CN105930929A (zh) | 基于pca-svm的火电厂燃煤低位热值软测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |