CN110207094B - 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 - Google Patents

基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 Download PDF

Info

Publication number
CN110207094B
CN110207094B CN201910305959.9A CN201910305959A CN110207094B CN 110207094 B CN110207094 B CN 110207094B CN 201910305959 A CN201910305959 A CN 201910305959A CN 110207094 B CN110207094 B CN 110207094B
Authority
CN
China
Prior art keywords
heating surface
heat transfer
model
working medium
flue gas
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.)
Active
Application number
CN201910305959.9A
Other languages
English (en)
Other versions
CN110207094A (zh
Inventor
童水光
张翔
吴燕玲
钟崴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910305959.9A priority Critical patent/CN110207094B/zh
Publication of CN110207094A publication Critical patent/CN110207094A/zh
Application granted granted Critical
Publication of CN110207094B publication Critical patent/CN110207094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B37/00—Component parts or details of steam boilers
    • F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
    • F22B37/38—Determining or indicating operating conditions in steam boilers, e.g. monitoring direction or rate of water flow through water tubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供了一种基于主成分分析的IQGA‑SVR锅炉受热面沾污特性辨识方法，通过建立锅炉受热面传热系数计算的机理模型，结合传热原理，得到模型的输入参数和输出参数，接着利用主成分分析法进行数据降维，减少输入特征，训练出基于支持向量回归的受热面传热系数辨识模型，并通过改进的量子遗传算法调整模型的超参数，达到优化支持向量回归模型的目的。即从DCS系统中获取工质流量、工质进出口温度、烟气进出口温度、飞灰含碳量等运行参数，达到动态输出锅炉受热面传热系数的目的，并识别出稳态工况下的传热系数值，由清洁因子的变化趋势分析沾污状态的发展，全面掌握受热面沾污情况，为吹灰优化系统的开发提供依据。

Description

基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法
技术领域
本发明涉及一种监测锅炉对流受热面传热系数的方法，特别涉及一种基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法，属于锅炉监测技术领域。
背景技术
中国锅炉制造业获得了快速的发展，目前已经可以制造许多压力等级和容量的锅炉，燃煤工业锅炉占燃煤总数量的97％以上，带来了严重的环境污染问题。因此，发展节能高效锅炉，提高热效率，降低污染物排放，是我国今后能源和经济可持续发展的重要方向。
锅炉受热面积灰、结渣等一直是困扰锅炉运行的难题，积灰会增加受热面的热阻，减小传热系数，降低能量的利用率。目前常用的解决方法是对受热面进行吹灰操作，通过消耗少量的蒸汽能量，减小热阻，增大传热系数，最终达到提高能量利用率的目的。在锅炉运行过程中，由于吹灰在增加传热系数的同时，需要消耗一定的能量，并对受热面造成磨损，因此，吹灰周期过短时，吹灰的损耗将会大于收益；若周期太长，受热面沾污会引起能量利用率低下，由此表明吹灰存在一个对锅炉运行经济性最为有利的时间间隔——最佳吹灰周期。而锅炉受热面沾污特性辨识是确定最佳吹灰周期的基础，更加精确、鲁棒的受热面传热系数辨识模型有助于吹灰的精准控制，该方向也日益成为锅炉节能挖潜、提高经济性的重要研究课题。
发明内容
针对现有技术不足，本发明提供一种基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法。
本发明采用的技术方案如下：
一种基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法，该方法是：
首先根据热平衡原理建立锅炉受热面传热系数计算的机理模型，然后通过DCS(Distributed Control System，DCS)系统采集锅炉运行数据，利用机理模型计算得到各个工况下的传热系数值；根据受热面的传热原理选取模型的影响参数，得到数据集；再采用主成分分析(Principal Component Analysis，PCA)对输入参数进行数据降维，利用支持向量回归(Support Vector Regression，SVR)模型建立特征参数与传热系数之间的映射关系，并使用改进的量子遗传算法(Improved Quantum Genetic Algorithm，IQGA)对SVR模型进行超参数优化，最终得到表现性能较好的模型。根据建好的模型实时计算锅炉负荷变动时清洁因子的变化，并对稳态工况下的传热系数进行辨识，全面掌握受热面沾污状态的发展趋势，为吹灰优化方案的研究提供基础。
具体的通过以下方案来实现：
所述的锅炉受热面传热系数的测量方法，包括以下操作：
步骤1：通过工质侧的热平衡方程和烟气侧的热平衡方程联立求解受热面进口烟气焓I′：
Qgz＝D(i″i′+Δijw)/Bj (1)
Figure BDA0002029825390000021
Qgz＝Qyq (3)
式中：
Qgz——工质侧对流吸热量，kJ/kg；
Qyq——烟气侧放热量，kJ/kg；
D——对流受热面中工质的流量，kg/s；
Bj——计算燃料量，kg/s；
i′——对流受热面中工质进口处的焓，kJ/kg；
i″——对流受热面中工质出口处的焓，kJ/kg；
I′——对流受热面中烟气进口处的焓，kJ/kg；
I″——对流受热面中烟气出口处的焓，kJ/kg；
Δijw——相对于1kg工质流量的减温水焓升，kJ/kg；
Figure BDA0002029825390000022
——保热系数；
Δα——漏风系数；
Figure BDA0002029825390000023
——理论冷空气焓，kJ/kg；
D、Bj、i′、i″、I″、Δijw等量可在数据采集系统中进行挖掘，
Figure BDA0002029825390000024
等量通过锅炉资料以及对锅炉进行热力计算得到。在联合工质侧热平衡方程、烟气侧热平衡方程和传热方程(即式(3))进行求解，可求出受热面进口烟气焓值I′；
利用烟气焓温表编写反查函数f′(I′)，计算得到对流受热面进口烟气温度θ′：
θ′＝f′(I′) (4)
接下来由工质进、出口温度和烟气进、出口温度按式(5)求出温差：
Figure BDA0002029825390000031
式中：
Δt——对数平均温差，℃；
Δtd——受热面中烟气与工质温度差的较大值，℃；
Δtx——受热面中烟气与工质温度差的较小值，℃。
当最大温度差Δtd与最小温度差Δtx满足
Figure BDA0002029825390000032
时，其温差可按下式计算：
Figure BDA0002029825390000033
根据下式计算受热面的实际传热系数：
Figure BDA0002029825390000034
Qcr＝Qgz＝Qyq (8)
式中：
Qcr——对流受热面传热量，kJ/kg；
H——受热面换热面积，m2。
受热面清洁因子作为反映沾污特性的指标：
Figure BDA0002029825390000035
K0——受热面的理论传热系数，W/(m2·℃)；
步骤2：影响受热面被污染的程度的因素有很多，为了建立锅炉运行参数与传热系数之间的映射关系，依据受热面的传热机理，选取最关键的几个影响因素作为机制模型的输入参数，低温对流受热面实际传热系数的函数式可表示为：
Figure BDA0002029825390000036
D——工质流量，kg/s；
Bj——计算燃料量，kg/s；
Δα——漏风系数；
θ′，θ″——烟气进出口温度，℃；
Figure BDA0002029825390000041
——工质进出口温度，℃；
p′，p″——工质进出口压力，Pa；
v1，v2——烟气侧和蒸汽侧的流速；
Cfh——飞灰含碳量。
步骤3：锅炉受热面传热系数的影响因素有
Figure BDA0002029825390000042
Figure BDA0002029825390000043
等，设(X1，X2，…，Xm)是影响传热系数的m个特征变量，其中单一特征样本均为n维，则整个数据集Xn×m：
Figure BDA0002029825390000044
利用该方法进行计算的过程中，首先避免数据集量纲对预测精度的影响，依据Z-Score公式将变量标准化或无量纲化：
Figure BDA0002029825390000045
其中，
Figure BDA0002029825390000046
对标准化矩阵求相关系数矩阵：
Figure BDA0002029825390000047
计算相关系数矩阵R的特征方程|R-λIm|＝0，得到m个特征根(特征根按从大到小排列为λ1≥λ2≥…λm≥0)，由方程组Rμj＝λjμj得到单位特征向量(μ1，μ2，…，μm)。最后根据
Figure BDA0002029825390000048
计算各主成分的贡献率和累计贡献率，其中i＝1，2，3，…，m，前g个主成分的累计贡献率为
Figure BDA0002029825390000049
并根据累计贡献率选取主成分的个数。通常，当前k个主成分的累计贡献率大于85％时，就可以用前k个主成分代替原有的m个样本变量，即可满足一般的工程要求，可以用如下式子来表示：
Figure BDA0002029825390000051
其中：Y表示主成分，x为原始变量；(μi1，μi2，…，μim)为单位特征向量，(i＝1，2，…，m)。
有约束条件：
Figure BDA0002029825390000052
通过构造原始变量的合理线性组合，得到一系列线性无关的综合变量，再从中选出新变量，使得新变量中包含原始数据的绝大多数信息，以减少影响因子的信息相关性干扰，提高计算效率，改进预测结果的精度。
步骤5：将主成分分析得到的综合变量作为SVR模型的输入参数，以传热系数Ksj作为输出参数，得到模型的训练样本和测试样本；
步骤6：利用训练样本对SVR模型进行训练，建立锅炉受热面传热系数监测的模型，再用测试样本对模型进行评估；
步骤6.1：在训练模型前，需要先确定SVR模型的重要参数，由于锅炉运行参数之间具有复杂非线性的特点，选用RBF作为SVR的核函数；
步骤6.2：RBF核函数的参数σ和惩罚因子C会影响SVR的拟合精度，采用IQGA进行超参数优化，首先确定σ和C的取值范围，将k折交叉验证的均方误差(Mean SquaredError，MSE)平均值作为量子遗传算法的适应度函数，MSE的计算式如下：
Figure BDA0002029825390000053
式中：yi为真实值，y′i为预测值，n为样本总数；
步骤6.3：利用改进的量子遗传算法进行SVR超参数优化的过程为：
(1)初始化全局种群Qglobal(t0)，随机生成L个以量子比特为编码的染色体，包含n个基因的多量子比特编码的染色体表示如下：
Figure BDA0002029825390000054
Figure BDA0002029825390000055
(2)将Qglobal(t0)随机的均匀划分成M个子种群{Qm(t0)，m＝1，2，…，M}，
每个子种群的染色体个数为
Figure BDA0002029825390000056
(3)初始化迭代次数t＝1，最大迭代次数为tmax；
(4)对所有子种群Qm(t)中的每个个体进行一次测量，得到每个个体对应的确定解Pm(t)；
(5)对各确定解进行适应度评估；
(6)记录所有子种群的最优个体sub-bestm(t)及其对应的适应度；
(7)记录全局的最优个体global-best(t)对应的适应度；
(8)判断计算过程是否可以结束，若满足结束条件t＞tmmax则退出，否则继续计算；
(9)利用设计好的量子旋转门策略(见表1)，将当前个体的适应度值与全局最优个体global-best(t)作比较，以此确定当前个体变异旋转角中的θ1；
(10)利用设计好的量子旋转门策略(见表1)，将当前个体的适应度值与其所在子种群最优个体sub-bestm(t)作比较，以此确定当前个体变异旋转角中的θ2；
(11)通过式(17)、(18)、(19)所确定的旋转角调整策略，在算法的运行过程中，采用随进化代数动态变化的旋转角调整策略：
Figure BDA0002029825390000061
Figure BDA0002029825390000062
Figure BDA0002029825390000063
其中，
Figure BDA0002029825390000064
为第m个子种群中当前染色体第i位xi在第t代进化中的更新旋转角值，θ1为当前染色体第i位xi与当前全局种群最优个体global-best(t)的适应度函数值fglobal-best相比较所得的更新旋转角值；θ2为当前染色体第i位xi与当前子种群最优染色体sub-bestm(t)的适应度函数值fsub-best(m)相比较所得的更新旋转角值；c1和c2为对应更新旋转角的调节参数，这两个参数的调节有利于算法跳出局部最优解；a和b为常数；t为代数；
(12)利用量子旋转门
Figure BDA0002029825390000065
对个体实施调整，得到新的每个子种群Qm(t+1)；
Figure BDA0002029825390000066
更新过程如下：
Figure BDA0002029825390000071
其中，(αi，βi)T和(α′i，β′i)T代表染色体第i个量子比特旋转门更新前后的概率幅；θi为旋转角，它的取值由式(17)确定；
(13)遗传代数t＝t+1，返回步骤(4)。
步骤7：根据训练好的SVR传热系数辨识模型，结合式(9)实时计算锅炉负荷变动时受热面沾污状态的变化，并对稳态工况下的传热系数进行辨识，全面掌握受热面沾污状态的变化趋势，为将来的吹灰优化方案研究提供基础。
本发明是通过支持向量回归建立工质流量D、计算燃料量Bj、漏风系数Δα、工质进出口温度θ′和θ″、工质进出口压力p′和p″、烟气进出口温度
Figure BDA0002029825390000072
和
Figure BDA0002029825390000073
烟气侧的流速v1、工质侧的流速v2、飞灰含碳量Cfh与锅炉受热面传热系数Ksj之间的映射关系，根据建好的模型实时计算锅炉负荷变动时受热面沾污状态的变化，并对稳态工况下的传热系数进行辨识，全面掌握受热面沾污状态的发展趋势。电站锅炉受热面沾污特性辨识，对于改善锅炉的运行效率，提供最佳的吹灰优化方案具有重要意义，最终减少锅炉运行的安全隐患。
附图说明
图1为锅炉受热面传热系数计算流程图；
图2为烟气到蒸汽传热热阻分解示意图；
图3为受热面传热系数预测SVR模型结构图；
图4为利用IQGA对SVR模型进行超参数优化的流程图；
图5为SVR模型训练及评价流程图；
具体实施方式
下面结合具体的实施例并配合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
本发明首先建立锅炉受热面传热系数计算的机理模型，接着根据当前的锅炉运行参数(工质流量、计算燃料量、漏风系数等)得到不同工况下的受热面传热系数值，然后利用支持向量回归建立运行参数与传热系数之间的映射关系模型，通过训练模型得到一个高精度的拟合函数f(x)，并利用测试集对其进行性能评估，最终在传热系数监测模型的基础上，实时计算锅炉负荷变动时受热面传热系数的变化，并对稳态工况下的传热系数进行辨识，全面掌握受热面沾污状态的发展趋势，减少锅炉运行的安全隐患。
图1为本发明提供的锅炉受热面传热系数计算流程图，所述的锅炉受热面传热系数监测方法包括如下步骤：
步骤1：从DCS系统中获取锅炉的运行参数，包括：工质流量D、计算燃料量Bj、工质进口焓值i′、工质出口焓值i″、烟气出口焓值I″、漏风系数Δα、减温水焓升Δijw、冷空气焓
Figure BDA0002029825390000081
保热系数可由式
Figure BDA0002029825390000085
计算得到，q5为锅炉外表面散热损失；利用以上运行参数数据，通过工质侧的热平衡方程和烟气侧的热平衡方程联立求解受热面进口烟气焓I′：
Qgz＝D(i″-i′+Δijw)/Bj (1)
Figure BDA0002029825390000082
Qgz＝Qyq (3)
式中：
Qgz——工质侧对流吸热量，kJ/kg；
Qyq——烟气侧放热量，kJ/kg；
D——对流受热面中工质的流量，kg/s；
Bj——计算燃料量，kg]s；
i′——对流受热面中工质进口处的焓，kJ/kg；
i″——对流受热面中工质出口处的焓，kJ/kg；
I′——对流受热面中烟气进口处的焓，kJ/kg；
I″——对流受热面中烟气出口处的焓，kJ/kg；
Δijw——相对于1kg工质流量的减温水焓升，kJ/kg；
Figure BDA0002029825390000083
——保热系数；
Δα——漏风系数；
Figure BDA0002029825390000084
——理论冷空气焓，kJ/kg；
联合工质侧热平衡方程、烟气侧热平衡方程和传热方程(即式(3))，可求出受热面进口烟气焓值I′；
利用烟气焓温表编写反查函数f′(I′)，计算得到对流受热面进口烟气温度θ′：
θ′＝f′(I′) (4)
接下来由工质进、出口温度和烟气进、出口温度按式(5)求出温差：
Figure BDA0002029825390000091
式中：
Δt——对数平均温差，℃；
Δtd——受热面中烟气与工质温度差的较大值，℃；
Δtx——受热面中烟气与工质温度差的较小值，℃。
当最大温度差Δtd与最小温度差Δtx满足
Figure BDA0002029825390000092
时，其温差可按下式计算：
Figure BDA0002029825390000093
根据下式计算受热面的实际传热系数和受热面清洁因子：
Figure BDA0002029825390000094
Qcr＝Qgz＝Qyq (8)
Figure BDA0002029825390000095
式中：
Qcr——对流受热面传热量，kJ/kg；
H——受热面换热面积，m2。
K0——受热面的理论传热系数，W/(m2·℃)；
步骤2：图2为本发明提供的烟气到蒸汽传热热阻分解示意图，根据受热面的传热机理分析，低温对流受热面实际传热系数的函数式可表示为：
Figure BDA0002029825390000096
D——工质流量，kg/s；
Bj——计算燃料量，kg/s；
Δα——漏风系数；
θ′，θ″——烟气进出口温度，℃；
Figure BDA0002029825390000101
——工质进出口温度，℃；
p′，p″——工质进出口压力，Pa；
v1，v2——烟气侧和蒸汽侧的流速；
Cfh——飞灰含碳量。
步骤3：由步骤2，锅炉受热面传热系数的影响因素有
Figure BDA0002029825390000102
Figure BDA0002029825390000103
等m个变量，可按照如下Z-Score公式将变量标准化或无量纲化：
Figure BDA0002029825390000104
其中，
Figure BDA0002029825390000105
步骤4：采用主成分分析法进行数据降维，得到具有代表性的少数综合变量；主成分是由原始变量提取的综合变量，可以用如下式子来表示：
Figure BDA0002029825390000106
其中：Y表示主成分，x为原始变量；
有约束条件：
Figure BDA0002029825390000107
参照特征根累计贡献率阈值85％的标准来进行判定，如果前n个特征根的累积贡献率超过85％，就针对原始数据提取出前n个主成分即可代表原始数据的大部分信息。
步骤5：图3为本发明提供的受热面传热系数预测的SVR模型结构图，将PCA分析得到的n个综合变量作为SVR模型的输入参数，以传热系数Ksj作为输出参数，得到模型的训练样本和测试样本；
步骤6：图4为本发明提供的SVR模型训练及评价流程图，利用训练样本对SVR模型进行训练，建立锅炉受热面传热系数监测的模型，再用测试样本对模型进行评估，由于锅炉运行参数之间具有复杂非线性的特点，选用RBF作为SVR的核函数；由于惩罚因子C和核参数σ会影响SVR的拟合精度，选取超参数的取值范围C＝[1，400]，σ＝[0.1，100]，采用改进的量子遗传算法进行超参数寻优，结合量子旋转门策略，(见表1)，产生新的参数组合σ和C，选择10折交叉验证方法，适应度函数为10次交叉验证的MSE均值，经过迭代，选取使得MSE值最小的参数组合(σbest，Cbest)作为最佳超参数，即优化后的锅炉受热面传热系数监测模型。
表1旋转角调整策略
Figure BDA0002029825390000111
步骤7：根据训练好的SVR传热系数辨识模型，结合式(9)实时计算锅炉负荷变动时受热面沾污状态的变化，并对稳态工况下的传热系数进行辨识，全面掌握受热面沾污状态的发展趋势，为吹灰优化方案的研究提供基础。

Claims (3)

1.基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法，其特征在于：该方法是：
首先根据热平衡原理建立锅炉受热面传热系数计算的机理模型，然后通过DCS系统采集锅炉运行数据，利用机理模型计算得到各个工况下的传热系数值；根据受热面的传热原理选取模型的影响参数，得到数据集；再采用主成分分析对输入参数进行数据降维，利用支持向量回归SVR模型建立特征参数与传热系数之间的映射关系，并使用改进的量子遗传算法对SVR模型进行超参数优化，最终得到满足要求的模型，根据建好的模型实时计算锅炉负荷变动时清洁因子的变化，对稳态工况下的传热系数进行辨识；具体包括：
通过工质侧的热平衡方程和烟气侧的热平衡方程联立求解受热面进口烟气焓I′：
Qgz＝D(i″-i′+Δijw)/Bj (1)
Figure FDA0002669599690000011
Qgz＝Qyq (3)
式中：
Qgz——工质侧对流吸热量，kJ/kg；
Qyq——烟气侧放热量，kJ/kg；
D——对流受热面中工质的流量，kg/s；
Bj——计算燃料量，kg/s；
i′——对流受热面中工质进口处的焓，kJ/kg；
i″——对流受热面中工质出口处的焓，kJ/kg；
I′——对流受热面中烟气进口处的焓，kJ/kg；
I″——对流受热面中烟气出口处的焓，kJ/kg；
Δijw——相对于1kg工质流量的减温水焓升，kJ/kg；
Figure FDA0002669599690000012
——保热系数；
Δα——漏风系数；
Figure FDA0002669599690000021
——理论冷空气焓，kJ/kg；
在联合工质侧热平衡方程、烟气侧热平衡方程和传热方程即式(3)进行求解，求出受热面进口烟气焓值I′；
利用烟气焓温表编写反查函数f′(I′)，计算得到对流受热面进口烟气温度θ′：
θ′＝f′(I′) (4)
由工质进、出口温度和烟气进、出口温度按式(5)求出温差：
Figure FDA0002669599690000022
式中：
Δt——对数平均温差，℃；
Δtd——受热面中烟气与工质温度差的较大值，℃；
Δtx——受热面中烟气与工质温度差的较小值，℃；
当最大温度差Δtd与最小温度差Δtx满足
Figure FDA0002669599690000023
时，其温差按下式计算：
Figure FDA0002669599690000024
根据下式计算受热面的实际传热系数：
Figure FDA0002669599690000025
Qcr＝QgzQyq (8)
式中：
Qcr——对流受热面传热量，kJ/kg；
H——受热面换热面积，m2；
受热面清洁因子作为反映沾污特性的指标：
Figure FDA0002669599690000026
K0——受热面的理论传热系数，W/(m2·℃)；
依据受热面的传热机理，选取最关键的几个影响因素作为机制模型的输入参数，低温对流受热面实际传热系数的函数式表示为：
Figure FDA0002669599690000027
D——工质流量，kg/s；
Bj——计算燃料量，kg/s；
Δα——漏风系数；
θ′，θ″——烟气进出口温度，℃；
Figure FDA0002669599690000031
——工质进出口温度，℃；
p′，p″——工质进出口压力，Pa；
v1，v2——烟气侧和蒸汽侧的流速；
Cfh——飞灰含碳量；
用改进的量子遗传算法对SVR模型进行超参数优化的过程为：
1)种群初始化；
2)适应度评估；
3)动态变化的量子旋转门调整；
4)重复步骤2)和3)，直到达到最大进化代数或者满足最小误差；
动态变化的量子旋转门调整是通过下式所确定的旋转角调整策略，在量子遗传算法的运行过程中，采用随进化代数动态变化的旋转角调整策略：
Figure FDA0002669599690000032
Figure FDA0002669599690000033
Figure FDA0002669599690000034
其中，
Figure FDA0002669599690000035
为第m个子种群中当前染色体第i位xi在第t代进化中的更新旋转角值，θ1为当前染色体第i位xi与当前全局种群最优个体global-best(t)的适应度函数值fglobal-best相比较所得的更新旋转角值；θ2为当前染色体第i位xi与当前子种群最优染色体sub-bestm(t)的适应度函数值fsub-best(m)相比较所得的更新旋转角值；c1和c2为对应更新旋转角的调节参数，这两个参数的调节有利于算法跳出局部最优解；a和b为常数；t为代数。
2.根据权利要求1所述的基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法，其特征在于：采用主成分分析对输入参数进行数据降维后，将得到的综合变量作为SVR模型的输入参数，以对应的传热系数作为输出参数，将数据集分为训练样本和测试样本，利用训练样本对SVR模型进行训练，建立锅炉受热面传热系数监测的模型，再用测试样本对模型进行评估。
3.根据权利要求1所述的基于主成分分析的IQGA-SVR锅炉受热面沾污特性辨识方法，其特征在于：选用RBF作为SVR模型的核函数，对于一个核参数为σ，惩罚因子为C的SVR模型，其适应度函数为MSE误差函数，即：
Figure FDA0002669599690000041
其中：yi为真实值，y′i为预测值，n为样本总数。
CN201910305959.9A 2019-04-16 2019-04-16 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 Active CN110207094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910305959.9A CN110207094B (zh) 2019-04-16 2019-04-16 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910305959.9A CN110207094B (zh) 2019-04-16 2019-04-16 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法

Publications (2)

Publication Number Publication Date
CN110207094A CN110207094A (zh) 2019-09-06
CN110207094B true CN110207094B (zh) 2020-11-13

Family

ID=67786164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910305959.9A Active CN110207094B (zh) 2019-04-16 2019-04-16 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法

Country Status (1)

Country Link
CN (1) CN110207094B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826769A (zh) * 2019-10-10 2020-02-21 潘晓君 基于iqga的svm参数优化入侵检测方法
CN111550763A (zh) * 2020-01-20 2020-08-18 张铭源 锅炉受热面灰渣污染的监测方法
CN112923349A (zh) * 2021-02-26 2021-06-08 华能洛阳热电有限责任公司 一种燃煤锅炉低温省煤器的污垢动态监测方法及其系统
CN115510904B (zh) * 2022-09-26 2023-08-01 天津大学 基于时序预测的锅炉受热面积灰监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807039B (zh) * 2015-04-23 2017-01-11 华北电力大学 一种锅炉燃烧优化的变量降维建模方法
CN105894109A (zh) * 2016-03-31 2016-08-24 国网江西省电力科学研究院 一种火电机组锅炉混煤优化配煤方案获取方法
CN109034260B (zh) * 2018-08-07 2021-12-03 东南大学 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断系统及方法

Also Published As

Publication number Publication date
CN110207094A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110207094B (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN108446529B (zh) 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法
CN111754093B (zh) 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN109670629B (zh) 基于长短期记忆神经网络的燃煤锅炉热效率预测方法
CN101379447B (zh) 设备的控制装置和控制方法及火力发电设备及其控制方法
CN111339716B (zh) 一种锅炉高温烟气流场在线代理模型构建方法
CN113190974B (zh) 基于深度学习的辊道窑温度场多点预测方法
CN113011010A (zh) 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统
CN105468932A (zh) 一种锅炉热效率的在线计算方法
CN108182553B (zh) 一种燃煤锅炉燃烧效率在线测量方法
CN115510904B (zh) 基于时序预测的锅炉受热面积灰监测方法
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN109492319A (zh) 一种火电厂锅炉烟气含氧量软测量方法
CN115077640A (zh) 一种城市固废焚烧过程主蒸汽流量实时预测方法
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
CN101825869A (zh) 基于数据驱动的过热器模型参数辨识方法
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN112989694B (zh) 受热面灰污区段化监测系统及方法
Xu et al. A new online optimization method for boiler combustion system based on the data-driven technique and the case-based reasoning principle
CN115290218A (zh) 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统
CN115017818A (zh) 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法
CN114565209A (zh) 一种基于聚类的流程工业能耗状态评估方法
CN109325294B (zh) 一种火电机组空气预热器性能状态的证据表征构建方法
CN112036091A (zh) 一种利用回归算法预测四角切圆燃烧器喷口风量的方法
CN113515042B (zh) 一种多模式干熄焦烧损率实时计算系统及计算方法

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
GR01 Patent grant
GR01 Patent grant