CN115077640A - 一种城市固废焚烧过程主蒸汽流量实时预测方法 - Google Patents

Abstract

一种城市固废焚烧过程主蒸汽流量实时预测方法，步骤如下：一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与相关向量机RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；三、使用基于机理分析改进的支持向量机ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；四、重复步骤二～三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。本发明使得热能转化状况得到准确检测，提高热能利用率。

Description

一种城市固废焚烧过程主蒸汽流量实时预测方法

技术领域

本发明涉及城市固废焚烧过程参数预测领域，更具体来说，本发明是一种城市固废焚烧过程主蒸汽流量实时预测方法。

背景技术

随着我国城市化进程的不断推进，城市产生的固废量逐年增多，固废带来的环境污染、占用土地资源等问题引起广泛关注。焚烧处理是目前国家大力推行的城市固废减量化、无害化的处理方式。将固废焚烧过程产生的高温烟气通过余热锅炉产生高温高压的蒸汽并推动后续设备的运行，是目前对固废焚烧产生热能的普遍利用方式，可以进一步实现城市固废的资源化。蒸汽流量准确的实时数值对提高热能利用率、监测焚烧过程至关重要。因此，本发明的研究成果具有广阔的应用前景。

目前，城市固废焚烧过程主蒸汽流量多数使用孔板或喷嘴式传感器直接测量，但由于直接将传感器安装在蒸汽管道内，就会出现节流损失导致蒸汽压力下降、传感器故障导致测量值异常等问题。同时由于我国现阶段固废热值不稳定，焚烧过程中参数波动较大，且传感器测量的主蒸汽流量值相比于炉内的焚烧过程存在较大的滞后，因此使用传感器的测量方法难以实现对固废焚烧炉整体热力系统的准确计算。因此，实现固废焚烧过程中主蒸汽流量的实时预测具有重要意义。

案例推理是一种重要的求解问题方法，它的核心思想是通过类比先前案例，在已有案例库中找到与当前情况相同或相似的案例，并将找到的旧案例通过一定的调整来解决当前问题。案例推理的求解过程包括案例检索、案例重用、案例修正和案例存储四个环节。其中，案例检索环节的结果直接影响案例推理求解的准确性，并且检索出的相似案例绝大多数情况并不适合直接用于新问题，需要用适当的方法进行修正。因此，本文从案例检索环节中案例库的准确性、检索过程中相似程度的确定和案例修正环节的修正方法入手，对主蒸汽流量进行实时预测。

发明内容

针对上述问题，本发明提供了一种城市固废焚烧过程主蒸汽流量实时预测方法。可以通过该方法得到准确的固废焚烧炉主蒸汽流量实时数值，使得热能转化状况得到准确检测，提高热能利用率。

为达到上述目的，本发明采用如下技术方案：

一种城市固废焚烧过程主蒸汽流量实时预测方法，其特征在于包括以下步骤：一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与相关向量机RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；三、使用基于机理分析改进的支持向量机ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。进一步具体包括如下步骤：

一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；这个过程分为四个步骤：第一步：将已有历史数据归一化并形成初始案例库；第二步：初始化异常值检测参数；第三步：对窗口内的样本进行异常值检测；第四步：移动窗口直至完成所有历史数据的异常值检测；

第一步：将特征变量：记录时间x₁、一次燃烧室温度均值x₂、省煤器进口烟气平均温度x₃、省煤器出口烟气温度x₄、省煤器出口水温度x₅、蒸发器进口烟气平均温度x₆、三级过热器进口烟气平均温度x₇、省煤器给水总量x₈、一、二级过热器减温水总量x₉、三级过热器出口蒸汽温度x₁₀、锅炉汽包压力x₁₁、三级过热器出口蒸汽压力x₁₂的历史数据与相应的主蒸汽流量数值y₁归一化后表示为向量形式，形成N个源案例，每个案例记为CASE_i，表示为如下形式：

CASE_i＝(X_i；Y_i),i＝1,2,…,N (1)

其中，N是源案例总数；CASE_i是第i条源案例；X_i是第i条源案例特征变量归一化后的数值；Y_i是第i条源案例与特征变量相对应的归一化后的省煤器给水流量；X_i可进一步表示为：

X_i＝(x_1,i,…,x_λ,i,…,x_12,i) (2)

其中，x_λ,i(λ＝1,…,12)表示CASE_i中第λ个特征变量归一化处理后的数值。

第二步：根据计算机运算能力设定较大的滑动窗口长度L；根据异常程度允许上界设定核函数宽度上界sigma1；以对添加异常样本的测试集的异常检测率较高为目的，通过试凑法或二分法重复30次以上，在0.1到sigma1之间选取核函数宽度下界sigma2、在100000到200000之间选取异常属性概率底数a、在0.5到1之间选取异常属性概率阈值TH、在0.01到0.2之间选取核函数宽度减小步长Δ_sigma；在取值同时变化的sigma2、a、TH、Δ_sigma的不同组合中选取测试集的异常检测率最高参数组合。

第三步：窗口内L个样本的异常值检测主要分为4个部分，详细内容如下：

a.为检测窗口内所有样本，将所有样本的初始异常属性概率P设定为1，RVM模型的初始核函数宽度sigma设定为sigma1。

b.将窗口内L个样本根据异常属性概率选作训练样本，使用核函数宽度sigma建立RVM模型。

c.对窗口内L个样本逐一使用所建立的RVM模型进行预测，并求出样本值与预测值的相对偏差d_i

其中i＝1,...,L表示窗口内样本序号，y_i为样本实际值，

为模型预测值，并对异常属性概率进行更新，更新公式如下：

其中

是样本i的新异常属性概率值。

d.重复b、c部分，每次使用的核函数宽度sigma^*＝sigma-Δ_sigma，sigma^*为新核函数宽度，直至sigma^*＝sigma2，将异常属性概率

低于异常属性概率阈值TH的样本CASE_i记为异常样本，并将这些样本进行删除。

第四步：将窗口移动到下一位置直至检测所有样本，增大窗口移动的长度可以提升异常值检测效率。

二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；案例检索步骤分为2个部分，详细内容如下：

a.计算待预测数据归一化后的特征变量与案例库中所有样本的欧氏距离，选取前2*K个距离最小的样本，这些样本为特定时刻焚烧炉工况与待预测时刻工况相似的案例。

b.得出待预测时刻t₀按时间顺序排列前n个案例中一次燃烧室温度均值向量TEMP_t0，可表示为

TEMP_t0＝(T_t0-Δt,…,T_t0-j*Δt,…,T_t0-n*Δt)^T,j＝1,2,...n (5)

其中T_t0-j*Δt为t₀时刻前第j个案例的一次燃烧室温度均值，Δt为数据记录时间间隔；再得出a部分中2*K个样本按时间顺序前n个案例中一次燃烧室温度均值向量组

[TEMP_t1,...,TEMP_t2*K] (6)

求出TEMP_t0与向量组中各个向量的协方差，并将协方差最大的前K个向量中所对应的n*K个案例作为案例检索结果，这些样本为特定时刻焚烧炉工况变化过程与待预测时刻工况变化过程相似的案例。

三、使用基于机理分析改进的ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；此步骤包含3个阶段，详细内容如下：

a.根据机理分析对SVM进行改进；由于焚烧炉实际运行过程中汽包内水位基本不变、过热器出口蒸汽温度和压力基本不变，这样影响蒸汽流量的主要过程就是汽包内水的加热过程，即单位时间内达到沸腾温度进而消耗的水量等于补充进汽包的冷水量；根据焚烧炉的说明书资料查询得出余热锅炉的体积参数，求出锅炉内水的传热面积A，再求出锅炉内的传热速率Φ

其中T_w为一次燃烧室温度均值，T_f为省煤器出口水温度，h为水的对流传热系数；同时求出内能变化ΔE

ΔE＝mC(T_b-T_f) (8)

其中ΔE为内能变化，在水的加热过程中为吸收的热量，T_b为余热锅炉内水的沸点，m为单位时间汽包内补充水的质量，C为水的比热容；最后求出当一次燃烧室温度均值稳定在T_w时，单位时间内汽包内补充的冷水加热至沸腾需要的时间Δt，由于实际过程中水温上升过程是减速上升，因此认为实际加热时间为匀速加热时间的1.2-1.5倍

Δt的意义为：在某一时刻t₀之前的内焚烧炉的工况对t₀时刻的蒸汽流量影响较为“重要”，而t₀-Δt以前的焚烧炉工况的重要性不高，因此将现有的SVM模型中，全局惩罚系数c改为

其中t₀为待预测或与待预测工况欧氏距离相近的K个样本的时刻，t_i为第i个样本的时刻，Δt₀为待预测时刻将冷水加热至沸腾需要的时间，c为原惩罚系数。

b.设定ISVM参数；以测试集均方误差较小为目的，通过试凑法或二分法重复30次以上，在1到100之间选取原惩罚系数c、在0.001到0.1之间选取RBF核函数参数g、在0.001到0.1之间损失函数参数p；在取值同时变化的c、g、p的不同组合中选取测试集均方误差最小的参数组合。

c.使用步骤二中检索出的案例建立ISVM模型，将待预测时刻归一化后的特征变量输入模型，求出待预测时刻的主蒸汽流量，同时将此时刻的特征变量与预测结果表示为向量形式存储到案例库中。

四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。

本发明与现有技术相比，具有以下优点：1、本发明使用固废焚烧过程中运行工况的历史数据，利用相关向量机结果的正态分布特性判断数据是否异常，避免了人为设定异常阈值的随意性，同时使用滑动窗口加快检测效率，使得此方法耗时短、准确率高、易于操作；2、基于案例推理的数值预测模型具有较强的可解释性，此外，对案例库的实时更新和基于即时学习的案例检索可应对焚烧炉工况的多变性，使得该模型具有一定的自适应能力；3、在案例修正环节使用改进的支持向量机，降低了模型的过拟合程度，从而提高了主蒸汽流量预测的准确性。

附图说明

图1为本发明城市固废焚烧过程主蒸汽流量预测方法原理图。

具体实施方式

样本数据来自某固废焚烧处理厂焚烧过程中产生的10000条数据，随机划分为9000条源案例和1000测试案例，下面结合图1对本发明的具体实施方式做进一步说明。

一种城市固废焚烧过程主蒸汽流量实时预测方法，其特征在于包括以下步骤：

一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；这个过程分为四个步骤：第一步：将已有历史数据归一化并形成初始案例库；第二步：初始化异常值检测参数；第三步：对窗口内的样本进行异常值检测；第四步：移动窗口直至完成所有历史数据的异常值检测；

第一步：将特征变量：记录时间x₁、一次燃烧室温度均值x₂、省煤器进口烟气平均温度x₃、省煤器出口烟气温度x₄、省煤器出口水温度x₅、蒸发器进口烟气平均温度x₆、三级过热器进口烟气平均温度x₇、省煤器给水总量x₈、一、二级过热器减温水总量x₉、三级过热器出口蒸汽温度x₁₀、锅炉汽包压力x₁₁、三级过热器出口蒸汽压力x₁₂的历史数据与相应的主蒸汽流量数值y₁归一化后表示为向量形式，形成9000个源案例，每个案例记为CASE_i，表示为如下形式：

CASE_i＝(X_i；Y_i),i＝1,2,…,9000 (1)

其中，9000是源案例总数；CASE_i是第i条源案例；X_i是第i条源案例特征变量归一化后的数值；Y_i是第i条源案例与特征变量相对应的归一化后的省煤器给水流量；X_i可进一步表示为：

X_i＝(x_1,i,…,x_λ,i,…,x_12,i) (2)

其中，x_λ,i(λ＝1,…,12)表示CASE_i中第λ个特征变量归一化处理后的数值。

第二步：设定滑动窗口长度400、核函数宽度上界2.5、核函数宽度下界1.5、核函数宽度减小步长0.1、异常属性概率底数104875、异常属性概率阈值0.9。

第三步：窗口内400个样本的异常值检测主要分为4个部分，详细内容如下：

a.为检测窗口内所有样本，将窗口内所有样本的初始异常属性概率P设定为1，RVM模型的初始核函数宽度sigma设定为2.5。

b.将窗口内400个样本根据异常属性概率选作训练样本，使用核函数宽度sigma建立RVM模型。

c.对窗口内400个样本逐一使用所建立的RVM模型进行预测，并求出样本值与预测值的相对偏差d_i

其中i＝1,...,400表示窗口内样本序号，y_i为样本实际值，

为模型预测值，并对异常属性概率进行更新，更新公式如下：

其中

是样本i的新异常属性概率值。

d.重复b、c部分，每次使用的核函数宽度sigma^*＝sigma-Δ_sigma，sigma^*为新核函数宽度，直至sigma^*＝1.5，将异常属性概率

低于异常属性概率阈值0.9的样本CASE_i记为异常样本，并将这些样本进行删除。

第四步：将窗口移动到下一位置直至检测所有样本，增大窗口移动的长度可以提升异常值检测效率。

二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的5*8个案例；案例检索步骤分为2个部分，详细内容如下：

a.计算待预测数据归一化后的特征变量与案例库中所有样本的欧氏距离，选取前2*8个距离最小的样本，这些样本为特定时刻焚烧炉工况与待预测时刻工况相似的案例。

b.得出待预测时刻t₀按时间顺序排列前5个案例中一次燃烧室温度均值向量TEMP_t0，可表示为

TEMP_t0＝(T_t0-Δt,…,T_t0-j*Δt,…,T_t0-n*Δt)^T,j＝1,2,...5 (5)

其中T_t0-j*Δt为t₀时刻前第j个案例的一次燃烧室温度均值，Δt为数据记录时间间隔；再得出a部分中2*8个样本按时间顺序前5个案例中一次燃烧室温度均值向量组

[TEMP_t1,...,TEMP_t2*8] (6)

求出TEMP_t0与向量组中各个向量的协方差，并将协方差最大的前8个向量中所对应的5*8个案例作为案例检索结果，这些样本为特定时刻焚烧炉工况变化过程与待预测时刻工况变化过程相似的案例。

三、使用基于机理分析改进的ISVM对检索出的5*8个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；此步骤包含3个阶段，详细内容如下：

a.根据机理分析对SVM进行改进；由于焚烧炉实际运行过程中汽包内水位基本不变、过热器出口蒸汽温度和压力基本不变，这样影响蒸汽流量的主要过程就是汽包内水的加热过程，即单位时间内达到沸腾温度进而消耗的水量等于补充进汽包的冷水量；根据焚烧炉的说明书资料查询得出余热锅炉的体积参数，求出锅炉内水的传热面积40m²，再求出锅炉内的传热速率Φ

其中T_w为一次燃烧室温度均值，T_f为省煤器出口水温度，h为水的对流传热系数，这里为700；同时求出内能变化ΔE

ΔE＝mC(T_b-T_f) (8)

其中ΔE为内能变化，在水的加热过程中为吸收的热量，T_b为余热锅炉内水的沸点，m为单位时间汽包内补充水的质量，C为水的比热容；最后求出当一次燃烧室温度均值稳定在T_w时，单位时间内汽包内补充的冷水加热至沸腾需要的时间Δt，由于实际过程中水温上升过程是减速上升，因此认为实际加热时间为匀速加热时间的1.2-1.5倍

Δt的意义为：在某一时刻t₀之前的内焚烧炉的工况对t₀时刻的蒸汽流量影响较为“重要”，而t₀-Δt以前的焚烧炉工况的重要性不高，因此将现有的SVM模型中，全局惩罚系数c改为

其中t₀为待预测或与待预测工况欧氏距离相近的K个样本的时刻，t_i为第i个样本的时刻，Δt₀为待预测时刻将冷水加热至沸腾需要的时间，c为原惩罚系数。

b.设定ISVM参数；设定RBF核函数参数0.01，损失函数0.001，原惩罚系数100。

c.使用步骤二中检索出的案例建立ISVM模型，将待预测时刻归一化后的特征变量输入模型，求出待预测时刻的主蒸汽流量，同时将此时刻的特征变量与预测结果表示为向量形式存储到案例库中。

四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。

表1

以往的主蒸汽流量数据是由传感器获得，容易发生设备故障造成测量数据异常，同时该数据与焚烧炉内工况存在较大延迟，从而影响蒸汽的后续利用。本发明首先利用RVM模型的稀疏性，识别并删除原有数据中的异常数据；其次通过即时学习方法、ISVM与案例推理相结合，得到一种自适应性好、过拟合程度低、准确度高的固废焚烧过程主蒸汽流量实时预测方法(简记为RVM-ISVMCBR)。为了进一步验证本文方法在固废焚烧过程主蒸汽流量实时预测的有效性，将使用其他预测方法与本文方法对现场采集的数据进行对比实验，预测结果对比如表1所示。实验数据表明，对给定的10000条数据进行10折交叉验证中，本发明提出的预测算法的平均绝对误差(Mean Absolute Error,MAE)是0.1465、均方误差(MeanSquare Error,MSE)是0.0327、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)是0.0020，均优于其他预测方法的实验结果。由此可以看出RVM-ISVMCBR算法可以有效降低模型过拟合，具有较高的预测准确率。

Claims (2)

1.一种城市固废焚烧过程主蒸汽流量实时预测方法，其特征在于包括以下步骤：一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与相关向量机RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；三、使用基于机理分析改进的支持向量机ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。

2.按照权利要求1所述的一种城市固废焚烧过程主蒸汽流量实时预测方法，其特征在于，具体包括如下步骤：

一、对城市固废焚烧过程的历史数据进行预处理，使用基于滑动窗口与RVM结合的方法识别并删除其中的异常值，并使用时间连续的数据作为案例库；这个过程分为四个步骤：第一步：将已有历史数据归一化并形成初始案例库；第二步：初始化异常值检测参数；第三步：对窗口内的样本进行异常值检测；第四步：移动窗口直至完成所有历史数据的异常值检测；

第一步：将特征变量：记录时间x₁、一次燃烧室温度均值x₂、省煤器进口烟气平均温度x₃、省煤器出口烟气温度x₄、省煤器出口水温度x₅、蒸发器进口烟气平均温度x₆、三级过热器进口烟气平均温度x₇、省煤器给水总量x₈、一、二级过热器减温水总量x₉、三级过热器出口蒸汽温度x₁₀、锅炉汽包压力x₁₁、三级过热器出口蒸汽压力x₁₂的历史数据与相应的主蒸汽流量数值y₁归一化后表示为向量形式，形成N个源案例，每个案例记为CASE_i，表示为如下形式：

CASE_i＝(X_i；Y_i),i＝1,2,…,N (1)

其中，N是源案例总数；CASE_i是第i条源案例；X_i是第i条源案例特征变量归一化后的数值；Y_i是第i条源案例与特征变量相对应的归一化后的省煤器给水流量；X_i可进一步表示为：

X_i＝(x_1,i,…,x_λ,i,…,x_12,i) (2)

其中，x_λ,i，表示CASE_i中第λ个特征变量归一化处理后的数值；其中λ＝1,…,12；

第二步：根据计算机运算能力设定较大的滑动窗口长度L；根据异常程度允许上界设定核函数宽度上界sigma1；以对添加异常样本的测试集的异常检测率较高为目的，通过试凑法或二分法重复30次以上，在0.1到sigma1之间选取核函数宽度下界sigma2、在100000到200000之间选取异常属性概率底数a、在0.5到1之间选取异常属性概率阈值TH、在0.01到0.2之间选取核函数宽度减小步长Δ_sigma；在取值同时变化的sigma2、a、TH、Δ_sigma的不同组合中选取测试集的异常检测率最高参数组合；

第三步：窗口内L个样本的异常值检测分为4个部分，详细内容如下：

a.为检测窗口内所有样本，将所有样本的初始异常属性概率P设定为1，RVM模型的初始核函数宽度sigma设定为sigma1；

b.将窗口内L个样本根据异常属性概率选作训练样本，使用核函数宽度sigma建立RVM模型；

c.对窗口内L个样本逐一使用所建立的RVM模型进行预测，并求出样本值与预测值的相对偏差d_i

其中i＝1,...,L表示窗口内样本序号，y_i为样本实际值，

为模型预测值，并对异常属性概率进行更新，更新公式如下：

其中

是样本i的新异常属性概率值；

d.重复b、c部分，每次使用的核函数宽度sigma^*＝sigma-Δ_sigma，sigma^*为新核函数宽度，直至sigma^*＝sigma2，将异常属性概率

低于异常属性概率阈值TH的样本CASE_i记为异常样本，并将这些样本进行删除；

第四步：将窗口移动到下一位置直至检测所有样本，增大窗口移动的长度可以提升异常值检测效率；

二、使用基于欧氏距离与协方差作为相似度指标的即时学习方法JITL检索数据样本，得到与待预测时刻相似度最高的n*K个案例；案例检索步骤分为2个部分，详细内容如下：

a.计算待预测数据归一化后的特征变量与案例库中所有样本的欧氏距离，选取前2*K个距离最小的样本，这些样本为特定时刻焚烧炉工况与待预测时刻工况相似的案例；

b.得出待预测时刻t₀按时间顺序排列前n个案例中一次燃烧室温度均值向量TEMP_t0，可表示为

TEMP_t0＝(T_t0-Δt,…,T_t0-j*Δt,…,T_t0-n*Δt)^T,j＝1,2,...n (5)

其中T_t0-j*Δt为t₀时刻前第j个案例的一次燃烧室温度均值，Δt为数据记录时间间隔；再得出a部分中2*K个样本按时间顺序前n个案例中一次燃烧室温度均值向量组

[TEMP_t1,...,TEMP_t2*K] (6)

求出TEMP_t0与向量组中各个向量的协方差，并将协方差最大的前K个向量中所对应的n*K个案例作为案例检索结果，这些样本为特定时刻焚烧炉工况变化过程与待预测时刻工况变化过程相似的案例；

三、使用基于机理分析改进的ISVM对检索出的n*K个案例建立模型，并得出目标时刻的主蒸汽流量值，最后将结果与目标时刻工况参数作为一个案例存储到案例库中；此步骤包含3个阶段，详细内容如下：

a.根据机理分析对SVM进行改进；由于焚烧炉实际运行过程中汽包内水位基本不变、过热器出口蒸汽温度和压力基本不变，这样影响蒸汽流量的主要过程就是汽包内水的加热过程，即单位时间内达到沸腾温度进而消耗的水量等于补充进汽包的冷水量；根据焚烧炉的说明书资料查询得出余热锅炉的体积参数，求出锅炉内水的传热面积A，再求出锅炉内的传热速率Φ

其中T_w为一次燃烧室温度均值，T_f为省煤器出口水温度，h为水的对流传热系数；同时求出内能变化ΔE

ΔE＝mC(T_b-T_f) (8)

其中ΔE为内能变化，在水的加热过程中为吸收的热量，T_b为余热锅炉内水的沸点，m为单位时间汽包内补充水的质量，C为水的比热容；最后求出当一次燃烧室温度均值稳定在T_w时，单位时间内汽包内补充的冷水加热至沸腾需要的时间Δt，由于实际过程中水温上升过程是减速上升，因此认为实际加热时间为匀速加热时间的1.2-1.5倍

Δt的意义为：在某一时刻t₀之前的内焚烧炉的工况对t₀时刻的蒸汽流量影响较为“重要”，而t₀-Δt以前的焚烧炉工况的重要性不高，因此将现有的SVM模型中，全局惩罚系数c改为

其中t₀为待预测或与待预测工况欧氏距离相近的K个样本的时刻，t_i为第i个样本的时刻，Δt₀为待预测时刻将冷水加热至沸腾需要的时间，c为原惩罚系数；

b.设定ISVM参数；以测试集均方误差较小为目的，通过试凑法或二分法重复30次以上，在1到100之间选取原惩罚系数c、在0.001到0.1之间选取RBF核函数参数g、在0.001到0.1之间损失函数参数p；在取值同时变化的c、g、p的不同组合中选取测试集均方误差最小的参数组合；

c.使用步骤二中检索出的案例建立ISVM模型，将待预测时刻归一化后的特征变量输入模型，求出待预测时刻的主蒸汽流量，同时将此时刻的特征变量与预测结果表示为向量形式存储到案例库中；

四、重复步骤二～步骤三，直至焚烧过程结束，以实现城市固废焚烧过程主蒸汽流量实时预测。

Images