CN111612211A - 一种磨煤机煤粉细度的预测建模方法 - Google Patents

一种磨煤机煤粉细度的预测建模方法 Download PDF

Info

Publication number
CN111612211A
CN111612211A CN202010278772.7A CN202010278772A CN111612211A CN 111612211 A CN111612211 A CN 111612211A CN 202010278772 A CN202010278772 A CN 202010278772A CN 111612211 A CN111612211 A CN 111612211A
Authority
CN
China
Prior art keywords
coal
data
model
function
modeling
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
Application number
CN202010278772.7A
Other languages
English (en)
Inventor
王春林
梁莹
金朝阳
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010278772.7A priority Critical patent/CN111612211A/zh
Publication of CN111612211A publication Critical patent/CN111612211A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Abstract

本发明公开了一种磨煤机煤粉细度的预测建模方法，本发明的目标是针对磨煤机煤粉细度预测中的瓶颈问题，提出一种磨煤机煤粉细度的预测建模方法。首先采集磨煤机的运行参数及煤粉细度数据，进行建模数据的选择和适当的预处理，以保证模型的预测能力和泛化能力，最终应用支持向量机算法和粒子群算法建立磨煤机煤粉细度的预测模型。该方法通过数据选择和预处理保证了模型的预测精度和泛化能力。

Description

一种磨煤机煤粉细度的预测建模方法
技术领域
本发明属于信息控制技术领域，涉及到数据建模技术，特别是涉及一种一种磨煤机煤粉细度的预测建模方法。
背景技术
磨煤机的煤粉细度直接决定了锅炉的燃烧效率和辅机功耗，是电站锅炉系统运行中极为重要技术关键，由于测量和分析的困难，无法实现实时在线的测量，因此给运行人员带来困难。煤粉细度跟许多磨煤机运行参数都有复杂的非线性关系，难以进行数学分析建模。例如，不同的给煤量、不同的煤质情况及给风量和给风温度等运行参数的不同，都对煤粉细度的分布有直接的影响。在一定的设备条件和需求下，针对磨煤机建立运行参数与煤粉细度间的数据模型，能够对煤粉细度进行及时和准确的预测，对运行人员来说是极有意义的一件事。但是，磨煤机运行参数与煤粉细度间有着非常复杂的耦合关系，建立有精确预测能力的模型并不容易。实际生产中，一般采用试验标定的方法，该方法工作量大，标定点非常有限。
发明内容
本发明的目标是针对磨煤机运行优化中的瓶颈问题，提出一种磨煤机煤粉细度的预测建模方法。
本专利通过数据建模，在不同的生产运行参数组合中，应用建模算法，获得磨煤机运行参数与煤粉细度的关系模型，为下一步的运行优化打下坚实的基础。如何使该方法真正达到生产实际的要求，是该技术的关键，主要难题包括，如何选取建模数据及提高模型的预测能力和泛化能力等问题。
本发明的技术方案是通过磨煤机数据采集和建模，建立煤粉细度与磨煤机运行参数的模型，利用该方法可建立的较为精确和泛化能力较强的模型。
本发明方法的步骤包括：
步骤(1).采集磨煤机生产过程中各运行参数及煤粉细度的数据，建立磨煤机运行特性数据库；具体的各运行参数包括：煤质的工业分析数据、给煤量，磨煤机进风量和进风温度，分离器转速(动态分离器)或挡板开度(静态分离器)。磨煤机运行参数可通过磨煤机生产过程中的数据监测控制系统获取，或直接通过仪器设备采集样本测量获得。对应的煤粉细度可通过采集样本分析测量获得，该技术为行业标准技术。
步骤(2).对数据库中的数据进行选择和预处理，采用支持向量机建立磨煤机煤粉细度与运行参数间的特性模型，具体方法是：
在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：①足够分散，即每组输入量与输出量为坐标构成的点间的欧式距离大于3；②足够数量，针对磨煤机煤粉细度建模，训练样本数量不低于30组，以确保模型的预测能力。
对选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同或相近的数量级，再对输入量进行归一化处理；
应用预处理好的数据，首先采用支持向量机算法建模，因为支持向量机算法所建模型泛化能力较强。用于建模的输入参数及输出参数表示为
Figure BDA0002445779000000024
其中xi表示第i组作为输入数据的磨煤机运行参数(煤质的工业分析数据、给煤量，磨煤机进风量和进风温度，分离器转速(动态分离器)或挡板开度(静态分离器))，yi表示第i组作为输出参数的煤粉细度，N为样本数量，以实际运行数据为基础建立磨煤机运行参数与对应的煤粉细度间的模型；
在支持向量机建模时，核函数选为径向基函数：
Figure BDA0002445779000000021
其中参数“σ”为径向基函数的宽度，φ(x)为映射函数，设所求的目标函数为：f(xi)＝w·φ(xi)+b，f(xi)为模型输出的热解釜状态特征指标预测值，w为权重系数向量，b为截距。引入松弛因子ξ* i≥0和ξi≥0和允许拟合误差ε，模型可以通过在约束：
Figure BDA0002445779000000022
条件下，最小化：
Figure BDA0002445779000000023
获得，其中常数C>0为惩罚系数，其中k为超出允许拟合误差ε的个数；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：
Figure BDA0002445779000000031
其中：
Figure BDA0002445779000000032
为拉格朗日乘数。
在鞍点处，函数L是关于w,b,ξi,ξi *的极小点，也是αi,
Figure BDA0002445779000000033
γi,
Figure BDA0002445779000000034
极大点，最小化问题转化为求其对偶问题的最大化问题。
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi *极小点，得：
Figure BDA0002445779000000035
可得拉格朗日函数的对偶函数：
Figure BDA0002445779000000036
此时，
Figure BDA0002445779000000037
Figure BDA0002445779000000038
按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：
Figure BDA0002445779000000039
由上式可见，αi·αi *＝0,αi和αi *都不会同时为非零，可得：
Figure BDA0002445779000000041
从上式可求出b，获得模型。
模型中罚因子C和径向基核函数参数σ的数值的确定，采用粒子群算寻优获得，具体为：
a.定义粒子群位置向量v的各维分量分别为C和σ；
b.设定C和σ的寻优区间分别为[0，200]和[0，500]；
c.设定粒子群的搜索目标，搜索目标设为最小化模型对训练样本的预测的均方差；
d.设定粒子群算法的边界处理方式为反向运动方式；
e.设定迭代次数，迭代次可据具体的优化的需求确定，范围一般在：10到1000次；
f.当粒子群算法完成迭代次数或找到满足设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的C和σ参数值。完成建模。
本发明具体是先采集磨煤机生产过程中的运行参数及对应的煤粉细度数据，再应用建模算法和优化算法建立磨煤机的运行运行参数与煤粉细度模型。该方法可以获得预测精度和泛化能力都较好的模型。所建模型可以根据磨煤机运行参数预测出相应的煤粉细度，可以解决运行人员对煤粉细度无法知晓的问题。本发明方法所建模型既可以在线预测也可以离线预测。
具体实施方式
一种磨煤机煤粉细度的预测建模方法，具体是以下步骤：
(1).采集磨煤机生产过程中各运行参数及煤粉细度的数据，建立磨煤机运行特性数据库；具体的各运行参数包括：煤质的工业分析数据、给煤量，磨煤机进风量和进风温度，分离器转速(动态分离器)或挡板开度(静态分离器)。磨煤机运行参数可通过磨煤机生产过程中的数据监测控制系统获取，或直接通过仪器设备采集样本测量获得。对应的煤粉细度可通过采集样本分析测量获得，该技术为行业标准技术。
(2).对数据库中的数据进行选择和预处理，采用支持向量机建立磨煤机煤粉细度与运行参数间的特性模型，具体方法是：
在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：①足够分散，即每组输入量与输出量为坐标构成的点间的欧式距离大于3；②足够数量，针对磨煤机煤粉细度建模，训练样本数量不低于30组，以确保模型的预测能力。
对选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同或相近的数量级，再对输入量进行归一化处理；
应用预处理好的数据，首先采用支持向量机算法建模，因为支持向量机算法所建模型泛化能力较强。用于建模的输入参数及输出参数表示为
Figure BDA0002445779000000051
其中xi表示第i组作为输入数据的磨煤机运行参数(煤质的工业分析数据、给煤量，磨煤机进风量和进风温度，分离器转速(动态分离器)或挡板开度(静态分离器))，yi表示第i组作为输出参数的煤粉细度，N为样本数量，以实际运行数据为基础建立磨煤机运行参数与对应的煤粉细度间的模型；
在支持向量机建模时，核函数选为径向基函数：
Figure BDA0002445779000000052
其中参数“σ”为径向基函数的宽度，φ(x)为映射函数，设所求的目标函数为：f(xi)＝w·φ(xi)+b，f(xi)为模型输出的热解釜状态特征指标预测值，w为权重系数向量，b为截距。引入松弛因子ξ* i≥0和ξi≥0和允许拟合误差ε，模型可以通过在约束：
Figure BDA0002445779000000053
条件下，最小化：
Figure BDA0002445779000000054
获得，其中常数C>0为惩罚系数。该最小化问题为一个凸二次规划问题，引入拉格朗日函数：
Figure BDA0002445779000000055
其中：
Figure BDA0002445779000000056
为拉格朗日乘数。
在鞍点处，函数L是关于w,b,ξi,ξi *的极小点，也是αi,
Figure BDA0002445779000000057
γi,
Figure BDA0002445779000000058
极大点，最小化问题转化为求其对偶问题的最大化问题。
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi *极小点，得：
Figure BDA0002445779000000061
可得拉格朗日函数的对偶函数：
Figure BDA0002445779000000062
此时，
Figure BDA0002445779000000063
Figure BDA0002445779000000064
按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：
Figure BDA0002445779000000065
由上式可见，αi·αi *＝0,αi和αi *都不会同时为非零，可得：
Figure BDA0002445779000000066
从上式可求出b，获得模型。
模型中罚因子C和径向基核函数参数σ的数值的确定，采用粒子群算寻优获得，具体为：
f.定义粒子群位置向量v的各维分量分别为C和σ；
g.设定C和σ的寻优区间分别为[0，200]和[0，500]；
h.设定粒子群的搜索目标，搜索目标设为最小化模型对训练样本的预测的均方差；
i.设定粒子群算法的边界处理方式为反向运动方式；
j.设定迭代次数，迭代次可据具体的优化的需求确定，范围一般在：10到1000次；
f.当粒子群算法完成迭代次数或找到满足设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的C和σ参数值。完成建模。
所建模型可以根据磨煤机运行参数预测出相应的煤粉细度，可以解决运行人员对煤粉细度无法知晓的问题。

Claims (3)

1.一种磨煤机煤粉细度的预测建模方法，其特征在于，该方法的步骤包括：
步骤(1).采集磨煤机生产过程中各运行参数及煤粉细度的数据，建立磨煤机运行特性数据库；
步骤(2).对数据库中的数据进行选择和预处理，采用支持向量机建立磨煤机煤粉细度与运行参数间的特性模型，具体方法是：
在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：①足够分散，即每组输入量与输出量为坐标构成的点间的欧式距离大于3；②足够数量，针对磨煤机煤粉细度建模，训练样本数量不低于30组，以确保模型的预测能力；
对选择出的数据进行建模前的预处理，再对输入量进行归一化处理；
应用预处理好的数据，首先采用支持向量机算法建模，用于建模的输入参数及输出参数表示为
Figure FDA0002445778990000011
其中xi表示第i组作为输入数据的磨煤机运行参数，yi表示第i组作为输出参数的煤粉细度，N为样本数量，以实际运行数据为基础建立磨煤机运行参数与对应的煤粉细度间的模型；
在支持向量机建模时，核函数选为径向基函数：
Figure FDA0002445778990000012
其中参数“σ”为径向基函数的宽度，φ(x)为映射函数，设所求的目标函数为：f(xi)＝w·φ(xi)+b，f(xi)为模型输出的热解釜状态特征指标预测值，w为权重系数向量，b为截距；引入松弛因子ξ* i≥0和ξi≥0和允许拟合误差ε，模型通过在约束：
Figure FDA0002445778990000013
条件下，最小化：
Figure FDA0002445778990000014
获得，其中常数C>0为惩罚系数，其中k为超出允许拟合误差ε的个数；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：
Figure FDA0002445778990000021
其中：αi,
Figure FDA0002445778990000022
γi,
Figure FDA0002445778990000023
为拉格朗日乘数；
在鞍点处，函数L是关于w,b,ξi,ξi *的极小点，也是αi,
Figure FDA0002445778990000024
γi,
Figure FDA0002445778990000025
极大点，最小化问题转化为求其对偶问题的最大化问题；
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi *极小点，得：
Figure FDA0002445778990000026
可得拉格朗日函数的对偶函数：
Figure FDA0002445778990000027
此时，
Figure FDA0002445778990000028
Figure FDA0002445778990000029
按照库恩-塔克条件定理，在鞍点有下式成立：
Figure FDA00024457789900000210
由上式可见，αi·αi *＝0,αi和αi *都不会同时为非零，可得：
Figure FDA0002445778990000031
从上式求出b，获得模型；
模型中罚因子C和径向基核函数参数σ的数值的确定，采用粒子群算寻优获得，具体为：
a.定义粒子群位置向量v的各维分量分别为C和σ；
b.设定C和σ的寻优区间分别为[0，200]和[0，500]；
c.设定粒子群的搜索目标，搜索目标设为最小化模型对训练样本的预测的均方差；
d.设定粒子群算法的边界处理方式为反向运动方式；
e.设定迭代次数，迭代次可据具体的优化的需求确定，范围在：10到1000次；
f.当粒子群算法完成迭代次数或找到满足设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的C和σ参数值；完成建模。
2.根据权利要求1所述的一种磨煤机煤粉细度的预测建模方法，其特征在于：具体的各运行参数包括：煤质的工业分析数据、给煤量，磨煤机进风量和进风温度，动态分离器分离器转速或静态分离器挡板开度；磨煤机运行参数通过磨煤机生产过程中的数据监测控制系统获取，或直接通过仪器设备采集样本测量获得；对应的煤粉细度通过采集样本分析测量获得，该技术为行业标准技术。
3.根据权利要求1所述的一种磨煤机煤粉细度的预测建模方法，其特征在于：对选择出的数据进行建模前的预处理，为通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同或相近的数量级。
CN202010278772.7A 2020-04-10 2020-04-10 一种磨煤机煤粉细度的预测建模方法 Pending CN111612211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010278772.7A CN111612211A (zh) 2020-04-10 2020-04-10 一种磨煤机煤粉细度的预测建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010278772.7A CN111612211A (zh) 2020-04-10 2020-04-10 一种磨煤机煤粉细度的预测建模方法

Publications (1)

Publication Number Publication Date
CN111612211A true CN111612211A (zh) 2020-09-01

Family

ID=72201608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010278772.7A Pending CN111612211A (zh) 2020-04-10 2020-04-10 一种磨煤机煤粉细度的预测建模方法

Country Status (1)

Country Link
CN (1) CN111612211A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792255A (zh) * 2021-11-17 2021-12-14 西安热工研究院有限公司 基于电厂大数据在线计算磨煤机出口煤粉细度的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101038277A (zh) * 2007-04-19 2007-09-19 东北大学 基于最小二乘－支持向量机的制粉过程煤粉细度软测量方法
CN102184450A (zh) * 2011-05-05 2011-09-14 衢州远景资源再生科技有限公司 一种多孔介质燃烧器燃烧优化的建模方法
CN104634706A (zh) * 2015-01-23 2015-05-20 国家电网公司 一种基于神经网络的煤粉细度软测量方法
CN104763999A (zh) * 2015-03-04 2015-07-08 内蒙古瑞特优化科技股份有限公司 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN107016176A (zh) * 2017-03-24 2017-08-04 杭州电子科技大学 一种混合智能锅炉综合燃烧优化方法
CN109541168A (zh) * 2018-11-26 2019-03-29 江苏方天电力技术有限公司 一种煤粉经济细度在线监测与调整方法
CN109615084A (zh) * 2017-09-30 2019-04-12 中电华创电力技术研究有限公司 正压式中速磨煤机制粉装置煤粉细度实时监测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101038277A (zh) * 2007-04-19 2007-09-19 东北大学 基于最小二乘－支持向量机的制粉过程煤粉细度软测量方法
CN102184450A (zh) * 2011-05-05 2011-09-14 衢州远景资源再生科技有限公司 一种多孔介质燃烧器燃烧优化的建模方法
CN104634706A (zh) * 2015-01-23 2015-05-20 国家电网公司 一种基于神经网络的煤粉细度软测量方法
CN104763999A (zh) * 2015-03-04 2015-07-08 内蒙古瑞特优化科技股份有限公司 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN107016176A (zh) * 2017-03-24 2017-08-04 杭州电子科技大学 一种混合智能锅炉综合燃烧优化方法
CN109615084A (zh) * 2017-09-30 2019-04-12 中电华创电力技术研究有限公司 正压式中速磨煤机制粉装置煤粉细度实时监测系统
CN109541168A (zh) * 2018-11-26 2019-03-29 江苏方天电力技术有限公司 一种煤粉经济细度在线监测与调整方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张立岩;岳恒;张君;丁进良;柴天佑;: "基于最小二乘-支持向量机的制粉过程煤粉细度软测量模型", no. 2 *
黄平平: "基于支持向量机的煤粉颗粒度在线软测量研究", pages 18 - 59 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792255A (zh) * 2021-11-17 2021-12-14 西安热工研究院有限公司 基于电厂大数据在线计算磨煤机出口煤粉细度的方法
CN113792255B (zh) * 2021-11-17 2022-02-22 西安热工研究院有限公司 基于电厂大数据在线计算磨煤机出口煤粉细度的方法

Similar Documents

Publication Publication Date Title
CN101038277B (zh) 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法
CN101863088B (zh) 一种橡胶混炼过程中门尼粘度的预报方法
CN110066895B (zh) 一种基于Stacking的高炉铁水质量区间预测方法
CN101630376B (zh) 多模型神经网络的生物发酵过程软测量建模方法及软仪表
CN109935280B (zh) 一种基于集成学习的高炉铁水质量预测系统及方法
CN108564204B (zh) 基于最大相关熵准则的最小二乘支持向量机电量预测方法
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN102693452A (zh) 基于半监督回归学习的多模型软测量方法
CN111612210A (zh) 一种磨煤机煤粉细度的在线优化方法
Li et al. Dynamic time features expanding and extracting method for prediction model of sintering process quality index
CN102004444A (zh) 稀土萃取过程组分含量多模型预测控制方法
CN110889091A (zh) 基于温度敏感区间分段的机床热误差预测方法与系统
CN111612211A (zh) 一种磨煤机煤粉细度的预测建模方法
CN111617876B (zh) 一种磨煤机在线综合运行优化的方法
CN105808945B (zh) 一种混合智能锅炉效率燃烧优化方法
CN104263960B (zh) 金湿法冶金置换过程中置换率和金泥品位的在线预测方法
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN114334025A (zh) 一种水泥熟料煅烧环境变量的构建及验证方法
CN114066069A (zh) 一种组合权重的副产煤气发生量预测方法
CN109521001A (zh) 一种基于PSO和ε-SVR的飞灰含碳量测量方法
CN117521912A (zh) 一种碳排放测算模型及对比评价方法及其应用
CN1327376C (zh) 基于支持向量机的软测量仪表建模方法
CN107832880B (zh) 基于布料参数的高炉状态变量预测方法
CN116757078A (zh) 一种基于作用力的煤粉流速测量方法及系统
CN103675009B (zh) 模糊方程的工业熔融指数软测量仪表及方法

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