一种基于lssvm及在线更新的电站锅炉烟气软测量系统的制作方法
【专利摘要】本发明提供一种基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量系统，属于热工技术和人工智能交叉【技术领域】。该系统选择电站锅炉有关运行和状态参数作为模型的输入，要预测的烟气成分含量作为模型的输出，选取历史运行数据作为初始训练样本，利用最小二乘支持向量机方法建立烟气排放的初始模型。另外，基于对烟气排放时变特性的分析，提出了基于样本替换和样本追加的更新策略，并采用删减样本和增加样本两种模式以增量的形式来实现参数的求解和模型的更新。本发明提出的最小二乘支持向量机及在线更新软测量系统随着过程特性的变化自适应地改进模型性能，能够实现对烟气排放的精确预测，对电站锅炉的安全和优化运行有重要的意义。
【专利说明】—种基于LSSVM及在线更新的电站锅炉烟气软测量系统
【技术领域】
[0001]本发明涉及一种基于最小二乘支持向量机(least squares support vectormachine，LSSVM)及在线更新的电站锅炉烟气软测量系统，属于热工技术和人工智能交叉【技术领域】。
【背景技术】
[0002]为了保证电站锅炉的安全和优化运行，常常需要获取锅炉尾部烟气中飞灰含碳量和NOx排放等参数的相关信息。目前，这些参数常利用飞灰测碳仪和烟气连续监测系统(continuous emission monitoring system,CEMS)等硬件传感器来测量,但是这些仪器的安装和维护成本较高，而且由于工作在恶劣的电磁环境中，经常需要离线维修。因此，采用其他易测的锅炉运行和状态参数通过一定的数学关系模型来对烟气成分含量进行预测，具有重要的工程意义。由于燃烧过程的复杂性和不确定性，建立准确的机理模型往往是非常困难的。近年来，电站的信息化使过程运行数据的获取越来越容易，而且神经网络、支持向量机等人工智能的发展为基于数据的软测量技术提供了有效的工具。其中，最小二乘支持向量机(least squares support vector machine,LSSVM)以结构风险最小化为原则，与神经网络相比具有更好的泛化能力。而且，LSSVM利用等式约束代替不等式约束，将学习问题转化为求解线性方程组，减少了算法的复杂度。
[0003]在利用LSSVM等方法构建烟气软测量模型时，初始样本的筛选非常重要，在从历史运行数据库中选取初始训练样本时应尽可能地使其覆盖全工况。然而事实上，数据库中存储的大都是正常的运行工况，并没有人为主动地调节和设定各个热工参数，因此很难保证所选的样本能覆盖所有工况范围。在模型建立后，运行过程中操作指令和调节参数的改变可能会带来新的工况，而模型将无法对烟气成分含量进行精确预测。另一方面，在运行过程中，煤质的变化以及设备的磨损和维修也会引起烟气排放特性的变迁，建立的初始模型在运行一段时间后预测精度会逐渐下降，若重新构建模型会带来繁重的计算负担，而且也会摒弃原模型中存在的有用信息。因此，利用模型更新来改善其性能，对实现烟气成分含量的精确测量有着重要的意义。
【发明内容】
[0004]本发明的目的在于克服现有烟气排放的时变特性，提出了一种基于LSSVM及在线更新的电站锅炉烟气软测量系统。
[0005]一般而言，热工过程中烟气排放特性的变化主要由两方面的因素引起:(1)在运行过程中入炉煤质的变化以及设备的磨损和维修等因素，导致过程特性发生变化；这种特性的变化是不可逆的，也即特性变化后不会再回到先前的运行状态。(2)由于生产操作指令以及调节参数的改变从而出现一些新的工况状态；这种特性变化是可逆的，因为随着调节参数的继续变化，过程有可能从现状态切换到先前历史工况中已有的状态。针对这两种特性变化，对应的模型更新方法也有所不同。对于第一种特性变化，需要删除旧样本信息。这是因为旧样本是对先前运行过程的描述，而运行过程已发生了不可逆变化，这些样本便没有任何价值，需要用新的样本来替代，对这种变化的更新应该以样本替换的形式来实现。而第二种变化则是过程正常运行状态的改变和切换，因此需要将新样本信息融入到旧样本中，以此来拓展模型的工作范围，对这种变化的更新应该以样本追加的形式来实现。
[0006]因此，本发明提出通过LSSVM构建初始烟气排放模型，然后利用样本追加和样本替换来实现模型的增量更新。该方法预测精度高、成本低、计算速度快，有利于应用于工程实践之中。
[0007]基于LSSVM及在线更新的电站锅炉烟气软测量系统，所述系统包括:
[0008]I) LSSVM模型建立单元:收集初始训练样本来构建LSSVM模型，其中:通过传感器测量发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度信号，并将测量值存入DCS历史数据库中；选择上述测量值作为软测量模型的输入变量，要预测的烟气成分含量作为模型的输出变量，从历史运行数据库中选取覆盖范围大且具有代表性的若干段工况作为初始训练样本，记为{(4，兄_)匕i，其中Xi e Rp表示第i组输入样本，
对应于测量的发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度，Yi e R为第i组输出样本，对应于烟气成分的含量，P为输入变量个数，η为样本数量，并构建LSSVM模型；
[0009]LSSVM模型可描述为以下优化问题:
【权利要求】
1.一种基于LSSVM及在线更新的电站锅炉烟气软测量系统，其特征在于，所述软测量系统包括模型预测子系统、性能检测子系统和模型更新子系统，所述模型预测子系统连接至性能预测子系统，所述性能预测子系统连接至模型更新子系统，所述模型更新子系统反馈至模型预测子系统，其中模型预测子系统包括LSSVM模型建立单元和烟气成分含量预测单元；性能检测子系统包括样本预测误差计算单元和预测误差判断单元；模型更新子系统包括最近样本点选取单元、更新类型判定单元、特征矩阵更新单元、软测量模型更新单元。
2.根据权利要求1所述的软测量系统，其特征在于， 所述LSSVM模型建立单元，用于收集初始训练样本来构建LSSVM模型； 所述烟气成分含量预测单元，利用此模型对烟气成分含量进行预测； 所述样本预测误差计算单元，用于当实际的烟气成分含量的传感器测量值y,采集到后，计算样本U,，Yq)的预测误差Er ； 所述预测误差判断单元，用于判断预测误差:若Er〉Λ，Δ为误差阈值，则进入最近样本点选取单元；否则需要判断判断测试样本是否结束，若结束则系统运行结束，否则进入烟气成分含量预测单元； 所述最近样本点选取单元，用于从历史运行数据中选取距新采样样本O^yq)最近的样本点(xk，yk)，其中
3.根据权利要求2所述的软测量系统，其特征在于，构建LSSVM模型具体是:通过传感器测量发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度信号，并将测量值存入DCS历史数据库中；选择上述测量值作为软测量模型的输入变量，要预测的烟气成分含量作为模型的输出变量，从历史运行数据库中选取覆盖范围大且具有代表性的若干段工况作为初始训练样本，记为
4.根据权利要求2所述的软测量系统，其特征在于，对烟气成分含量进行预测具体是:将传感器新测得的发电机功率、各磨煤机给煤量、各磨煤机入口一次风量、各层二次风和燃尽风风门开度数据作为输入变量X,，代入初始的烟气含量的软测量LSSVM模型公式:
5.根据权利要求4所述的软测量系统，其特征在于，其中预测误差Er的计算如下:V-VEr = I I X100%。
6.根据权利要求2所述的软测量系统，其特征在于，所述更新类型判定单元中采用的判断准则是: (i)若II Xk-Xq I I 2> δ I，则对模型实施样本追加更新，即直接将新采样样本(Xq，yq)加入到先前的历史数据库中； (ii)若IIxk-XtJ 2^ δ 1;则对模型实施样本替换更新,即用新采样样本(Xt^yq)来替换先前历史数据库中满足条件I IXk-XtlI I2^ δ2的相似样本； 其中S !由历史训练数据样本之间的平均距离决定，δ 2设为0.5 δ i。
7.根据权利要求2所述的软测量系统，其特征在于，所述特征矩阵更新单元的更新策略分为样本增加和样本删减两种模式:若实施样本追加更新，则直接进行样本增加；若实施样本替换更新，即先进行样本删减，然`后再进行样本增加。
【文档编号】G06F19/00GK103729569SQ201410025040
【公开日】2014年4月16日 申请日期:2014年1月20日 优先权日:2014年1月20日
【发明者】杨婷婷, 吕游, 刘吉臻 申请人:华北电力大学