一种锅炉燃烧优化的变量降维建模方法
【技术领域】
[0001] 本发明属于热工技术和人工智能交叉技术领域，涉及一种锅炉燃烧优化的变量降 维建模方法。
【背景技术】
[0002] 锅炉的燃烧优化是火电机组实现节能减排的重要技术手段，对提高发电企业的经 济效益和能源的可持续发展有着重要的意义。燃烧优化技术主要通过控制燃烧有关的各调 节参数，优化炉膛内燃烧状况，以此来提高锅炉效率，降低污染物的排放。建立锅炉效率、污 染物排放等经济指标与锅炉各参数之间的模型关系是实施燃烧优化的基础。
[0003] 由于锅炉燃烧机理的复杂性，建立准确的机理模型是非常困难的。近年来，电站 信息化的发展使机组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 的发展为数据建模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。
[0004] 电站锅炉燃烧过程机理特性复杂，需要较多的变量来反映运行状况，而且各个变 量之间存在着一定的相关性和耦合，一个操作参数的改变往往会引起其他状态变量跟着变 化。如果将所有有关的变量全作为模型的输入，不仅会使计算复杂，而且还容易使模型陷入 过拟合，导致模型的泛化能力下降，预测精度降低。本发明利用主成分分析（PCA)对模型的 扰动变量DV进行特征提取，将提取后的成分与控制变量MV-同作为模型的输入，来建立被 控变量CV的预测模型。与传统的变量特征提取降维方法不同，本发明只对扰动变量提取特 征成分，而对控制变量不做处理，这样既可以降低模型的复杂度，同时又能保证对控制变量 的优化。
【发明内容】
[0005] 本发明的技术方案是利用PCA分析对模型的扰动变量DV进行特征提取，实现输入 变量的降维，将提取的特征变量与控制变量MV -同作为模型的输入，将被控变量CV作为输 出，利用LSSVM建立模型，通过对输入变量的降维可以有效地提高模型的预测精度和泛化 能力。
[0006] 为了实现以上目的，本发明采用的技术方案是：
[0007] -种锅炉燃烧优化的变量降维建模方法，其特征在于，所述变量降维建模方法包 括以下步骤：
[0008] 步骤1):选择辅助变量与需要预测的被控变量CV，所述辅助变量包括扰动变量DV 与控制变量MV;
[0009] 步骤2):对扰动变量DV进行主元变量提取，所述控制变量MV保持不变；
[0010] 步骤3):将上述步骤2)中提取的主元变量与保持不变的控制变量MV作为输入， 将步骤1)中选择的被控变量作为输出，建立锅炉被控变量CV参数的模型，用于锅炉的燃烧 优化控制。
[0011] 优先地，所述控制变量DV包括机组负荷、主蒸汽流量、煤质；所述控制变量MV包括 风门开度、风压、过量空气系数；所述被控变量CV包括锅炉效率、飞灰含碳量、烟气NOx排放 浓度、排烟温度等参数。
[0012] 优先地，所述步骤2)中对扰动变量DV进行主元变量提取采用的是主成分分析方 法。
[0013] 优先地，所述主成分分析方法对扰动变量DV进行主元变量提取包括以下步骤：
[0014] 步骤1. 1):对p维扰动变量&取11个运行数据，构成样本矩阵X e RnXp，所述RnXp 是nXp维矩阵，并进行标准化使各列变量样本的均值为0,方差为1 ;
[0015] 步骤1. 2):根据上述步骤1. 1)构成的样本矩阵得出矩阵的协方差..
【主权项】
1. 一种锅炉燃烧优化的变量降维建模方法，其特征在于，所述变量降维建模方法包括 以下步骤： 步骤1):选择辅助变量与需要预测的被控变量CV，所述辅助变量包括扰动变量DV与控 制变量MV ; 步骤2):对扰动变量DV进行主元变量提取，所述控制变量MV保持不变； 步骤3):将上述步骤2)中提取的主元变量与保持不变的控制变量MV作为输入，将步 骤1)中选择的被控变量作为输出，建立锅炉被控变量CV参数的模型，用于锅炉的燃烧优化 控制。
2. 根据权利要求1所述的变量降维建模方法，其特征在于： 所述控制变量DV包括机组负荷、主蒸汽流量、煤质； 所述控制变量MV包括风门开度、风压、过量空气系数； 所述被控变量CV包括锅炉效率、飞灰含碳量、烟气NOx排放浓度、排烟温度等参数。
3. 根据权利要求1所述的变量降维建模方法，其特征在于，所述步骤2)中对扰动变量 DV进行主元变量提取采用的是主成分分析方法。
4. 根据权利要求3所述的变量降维建模方法，其特征在于，所述主成分分析方法对扰 动变量DV进行主元变量提取包括以下步骤： 步骤1. 1):对p维扰动变量^取n个运行数据，构成样本矩阵X e R nXp，所述RnXp是 nXp维矩阵，并进行标准化使各列变量样本的均值为0,方差为1 ; 步骤1. 2):根据上述步骤1. 1)构成的样本矩阵得出矩阵的协方差
步骤1. 3):根据步骤1. 2)得出的协方差2，得出协方差的特征根 入1多入3 . . ?彡入h及特征根对应的单位正交特征向量P 1，P2, . . .，Ph; 步骤1. 4):根据上述步骤1. 3)得出的单位正交特征向量可以得出主元变量ti= Xp i， 所述 i = 1，2, ? ? ?，h ; 步骤1. 5):根据上述步骤1. 4)得出的主元变量进行累计贡献率的计算，所述累计贡献 率为各个主元变量在整个主元变量所占的比例，根据累计贡献率的结果确定主元个数h。
5. 根据权利要求1所述的变量降维建模方法，其特征在于，所述步骤3)中，利用LSSVM 方法建立锅炉被控变量CV参数的模型，根据建立的模型进行锅炉燃烧情况的预测包括以 下步骤： 步骤2. 1)进行根据建立的模型将需要解决的问题转化成优化问题方程； 步骤2. 2)根据上述步骤2. 1)建立的优化问题方程进行优化问题处理； 步骤2. 3)根据上述步骤2. 2)优化问题处理的结果，将需要进行锅炉燃烧优化控制的 变量转化成预测方程，根据预测方程进行锅炉燃烧优化控制的变量进行预测。
6. 根据权利要求5所述的变量降维建模方法，其特征在于，所述步骤2. 1)的优化方程 为：
其中J(w，I )为如下：
其中，主元变量和控制变量MV作为模型输入，被控变量CV为模型的输出，记控制变量 MV为q维变量xm，也即xmG R %记主元变量为tl，t2, . . .，th，则第i个模型的输入样本为Zi =[xmiT，tn，. . .，thi]T，i = 1，. . . n ;记被控变量CV为y，yi为第i个被控变量CV ;河?)是核 空间映射函数；w为权重向量；L为Lagrange函数；| i为误差变量；y为惩罚系数；a = [a 丨，…，a JT为 Lagrange 乘子。
7.根据权利要求5所述的变量降维建模方法，其特征在于，步骤2. 3)的预测方程为：
其中核函数选取为高斯径向基函数K(z，Zi) =exp(-| |z-zj |2/〇2)，〇为核函数参数。
【专利摘要】本发明属于热工技术和人工智能交叉技术领域，涉及一种锅炉燃烧优化的变量降维建模方法。本发明选择扰动变量DV（Disturbance Variables）和控制变量MV（Manipulated Variables）作为模型的辅助变量，要预测的被控变量CV（Controlled Variables）作为模型的输出，选择历史运行数据作为初始训练样本，利用主成分分析（Principal Component Analysis）对模型的扰动变量DV进行特征提取，实现输入变量的降维，将提取的特征变量与控制变量MV一同作为模型的输入，利用LSSVM（Least Squares Support Vector Machine）建立锅炉的被控变量模型。本发明通过对输入变量的降维，可以有效地提高模型的预测精度和泛化能力，能够实现对被控变量的精确预测，对电站锅炉的燃烧优化控制有重要的意义。
【IPC分类】F23N5-00
【公开号】CN104807039
【申请号】CN201510198128
【发明人】吕游, 杨婷婷, 刘吉臻
【申请人】华北电力大学
【公开日】2015年7月29日
【申请日】2015年4月23日