专利名称：一种生物质炉燃烧优化的模型更新方法
技术领域：
本发明属于信息控制技术领域，涉及一种生物质炉燃烧优化的模型更新方法。
背景技术：
生物质炉燃烧优化的方法是节能减排的重要技术手段，其目标是在一定的负荷(生物质燃料给料速度)条件下，通过调整生物质炉配风的运行参数而获得高效率、低污染排放的运行状态。生物质炉的配风参数的搭配对生物质炉燃烧状态有直接的影响，不同的配风、氧量等操作参数的配置会直接导致不同的燃烧效率及污染气体的排放量的情况。对于给定的生物质炉，在一定的负荷条件下，针对不同的燃烧状态特征指标，存在一种最优的配风方案，能够使相应燃烧状态的特征指标最优化，但是，生物质炉的操作参数间有着复杂 的耦合关系，要找到最优的配风并不容易。随着科学技术的不断进步，生物质炉燃烧自动化程度也在不断提高，但是生物质炉燃烧优化问题还没有很好的得到解决。目前生物质炉的燃烧优化的研究热点是通过数据挖掘，在大量不同的实际运行参数组合中，应用机器学习的方法，挖掘出运行参数与生物质炉燃烧状态的特征指标间的关系模型，再利用优化算法结合挖掘出的模型进行生物质炉的在线燃烧优化。这种方法节省人力物力，而且可以找到比人工实验更优的参数配置，但是由于生物质炉的设备的特性随着时间的增长会有所改变，如何保证模型能够快速、高效的更新以适应新的情况成为了这种方法的瓶颈问题。该问题与建模方法、样本数据选取及更新策略等都有很大关系。
发明内容
本发明的目的是针对生物质炉的燃烧优化中的瓶颈问题，提出一种兼顾模型历史学习结果与新的变化情况的模型更新方法。本发明的技术方案是通过利用原有模型预测超出误差限度的数据与原模型中的小部分数据共同作为样本，建立的模型与原有模型相结合构造新的模型，确立了一种生物质炉燃烧优化的模型更新方法，利用该方法可以快速、高效的实现模型的更新，使更新后的模型兼顾了新燃烧特点和原来的燃烧特点，模型预测能力更全面。本发明方法的步骤包括
步骤(I).建立原有模型的预测超允许误差数据库；根据具体生物质炉燃烧情况和对模型预测精度的要求，设定模型的允许预测误差限S，在采集数据时，判断模型预测值与实际运行值之间的误差与允许预测误差限S的大小，如果预测误差大于S，即
,其中K为模型预测值，I；为实际运行数据，则将超限数据存入预测超允许误差
数据库中，以备模型更新之用；
步骤(2).建立新模型；原模型需要更新时，选择预测超允许误差数据库中大于100组的工况数据，再在原模型的建模样本中随机选择大于20组的部分工况数据，将两部分数据共同作为训练样本，预测错误数据与原模型建模数据比例大于4，进行下一步的模型更新建模，使更新后的模型能兼顾新燃烧特点和原来的燃烧特点，模型预测能力更全面；设数据样本可以表示为，其中&表示第；组作为输入数据的锅炉运行参数向量t表示第
:组作为输出参数的表征锅炉燃烧状态特征的参数，采用径向基神经网络算法建立新的模型
对于个隐节点的径向基神经网络其输出为_y = ；|wiexp(-tl^L),为权重系
Jtf2 Pj Wi
数，，力m维输入向量，ci为第i个基函数的中心，辟为函数的基宽度参数。建立径向基神经网络模型的关键在于确定基函数的中L 基宽度只及权重系数W。采用粒子群算法迭代训练径向基神经网络，定义粒子群算法初始群体Z向量的各维分量，分别为隐节点个、数
基函数中心、函数的基宽度和权重系数，目标函数为mm J =，其中&为第个
SJi
样本的径向基神经网络输出值，j/为第；个样本的实际值。当J达到了最小、达到设定值或
完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向基神经网络模型。步骤(3).确定新模型和原有模型的比例。采集新的生物质炉不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预
测，即< =1式+戍，其中< 为第J且检验样本工况的目标预测值，尾为步骤⑵中所建 新模型预测值，Sir为原有模型预测值]力新模型预测值权重系数，y为原有模型的预测权重系数，且2 + ^ = 1 ;
又与7的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量X的各维分量，分别
M
为新模型权重和原有模型权重~，目标函数为.w= ；￡辦2，其中为第组工
5YW2 !iTi I
况实际数据与结合模型预测值的误差，当方差总和#取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的模型权重系数；清空预测错误数据库，以备下一次更新采集数据之用。步骤(4).将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即S=Mn 馬，其中E为更新后的组合模型，从而实现生物质炉燃烧优化模型的更新。本发明方法利用超出原有模型预测误差限度的数据与原模型中小部分数据相结合建新模型，再与原有模型相结合的方法，实现模型更新。该方法克服了传统更新方法中将已有模型数据完全放弃，不能充分利用已有模型的缺点，充分利用了原模型与新数据的特点，缩短了模型更新的数据处理计算工作量和时间，使更新后的模型兼顾了新燃烧特点和原来的燃烧特点，模型预测能力更全面。本发明提出的模型更新方法充分考虑新数据和原数据的情况，利用了已有的模型的建模数据所包含的有用信息，减少了模型更新数据选择和处理的工作量，提高了模型更新的效率，满足了生物质炉燃烧在线优化的实际要求，保证了生物质炉燃烧优化的实时性和准确性，而且使更新后的模型兼顾了新燃烧特点和原来的燃烧特点，模型预测能力更全面。
具体实施例方式一种生物质炉燃烧优化的模型更新方法，具体步骤是
(1)建立原有模型的预测超允许误差数据库；根据具体生物质炉燃烧情况和对模型预测精度的要求，设定模型的允许预测误差限S，在采集数据时，判断模型预测值与实际运行
值之间的误差与允许预测误差限S的大小，如果预测误差大于S，即匕-K|>c5,其中G
为模型预测值为实际运行数据，则将超限数据存入预测超允许误差数据库中，以备模型更新之用；
(2)建立新模型；原模型需要更新时，选择预测超允许误差数据库中大于100组的工况 数据，再在原模型的建模样本中随机选择大于20组的部分工况数据，将两部分数据共同作为训练样本，预测错误数据与原模型建模数据比例>4，进行下一步的模型更新建模，使更新后的模型能兼顾新燃烧特点和原来的燃烧特点，模型预测能力更全面；设数据样本可以表
示为,其中％表示第组作为输入数据的锅炉运行参数向量q表亍第组作为输
出参数的表征锅炉燃烧状态特征的参数，采用径向基神经网络算法建立新的模型
对于个隐节点的径向基神经网络其输出为,为权重系 ntf ■ 2只.Wi
数，X为w维输入向量,为第；个基函数的中心，A为函数的基宽度参数。建立径向基神
经网络模型的关键在于确定基函数的中L 基宽度A及权重系数Wi。采用粒子群算法迭
代训练径向基神经网络，定义粒子群算法初始群体2向量的各维分量，分别为隐节点个、数
基函数中心、函数的基宽度和权重系数，目标函数为= > /文，其中；为第个
样本的径向基神经网络输出值，为第i个样本的实际值。当J达到了最小、达到设定值或
完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向基神经网络模型。(3)确定新模型和原有模型的比例。采集新的生物质炉不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即
y- = Mrt+风,其中 < 为第；组检验样本工况的目标预测值，Sn为步骤(2)中所建新模
型预测值，Sff为原有模型预测值，見为新模型预测值权重系数，y为原有模型的预测权重系数’且柳=1 ;
2与^的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量X的各维分量，分别
M
为新模型权重和原有模型权重，目标函数为= ，其中为第组工况实 凡YuiI际数据与结合模型预测值的误差，当#取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的模型权重系数；清空预测错误数据库，以备下一次更新采集数据之用。(4)将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即
S = Mx +^馬，其中E为更新后的组合模型 ，从而实现生物质炉燃烧优化模型的更新。
权利要求
1. 一种生物质炉燃烧优化的模型更新方法，其特征在于该方法的具体步骤是 步骤(I).建立原有模型的预测超允许误差数据库根据具体生物质炉燃烧情况和对模型预测精度的要求，设定模型的允许预测误差限S，在采集数据时，判断模型预测值与实际运行值之间的误差与允许预测误差限S的大小，如果预测误差大于S，即M-K|> 5 ,则将超限数据存入预测超允许误差数据库中，以备模型更新之用，其中K为模型预测值，K为实际运行数据； 步骤(2).建立新模型原模型需要更新时，选择预测超允许误差数据库中大于100组的工况数据，再在原模型的建模样本中随机选择大于20组的部分工况数据，将两部分数据共同作为训练样本，预测错误数据与原模型建模数据比例大于4，进行下一步的模型更新建模，使更新后的模型能兼顾新燃烧特点和原来的燃烧特点，模型预测能力更全面；设数据样本可以表示为，其中表示第组作为输入数据的锅炉运行参数向量，$表示第〗组作为输出参数的表征锅炉燃烧状态特征的参数，采用径向基神经网络算法建立新的模型 对于个隐节点的径向基神经网络其输出为j = iwseKP(-t4L)，为权重系 y i-i^pi M数，X为M维输入向量，为第i个基函数的中心，A为函数的基宽度参数；建!!径向基神经网络模型的关键在于确定基函数的中心^，基宽度只及权重系数Ws ;采用粒子群算法迭代训练径向基神经网络，定义粒子群算法初始群体Z向量的各维分量，分别为隐节点个、数基函数中心、函数的基宽度和权重系数，目标函数为，其中4为第个WJf!I样本的径向基神经网络输出值，'y/为第x个样本的实际值；当J达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向基神经网络模型；步骤(3).确定新模型和原有模型的比例采集新的生物质炉不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即 =,其中< 为第g组检验样本工况的目标预测值，总为步骤(2)中所建新模型预测值，K为原有模型预测值，X为新模型预测值权重系数 > 力原有模型的预测权重系数,且 2 + 7 = 1 ； 2与y的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量X的各维分量，分别为新模型权重和原有模型权重，目标函数为.= 與2，其中.丫为第组工 ^ymm^ i况实际数据与结合模型预测值的误差，当方差总和-取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的模型权重系数；清空预测错误数据库，以备下一次更新采集数据之用； 步骤(4).将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即S=Mjt 馬，其中E为更新后的组合模型，从而实现生物质炉燃烧优化模型的更新。
全文摘要
本发明涉及一种生物质炉燃烧优化的模型更新方法。本发明方法首先建立原有模型的预测超允许误差数据库，建立新模型，原模型需要更新时，选择预测超允许误差数据库中大于100组的工况数据，再在原模型的建模样本中随机选择大于20组的部分工况数据，将两部分数据共同作为训练样本，进行下一步的模型更新建模；确定新模型和原有模型的比例，将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，从而实现生物质炉燃烧优化模型的更新。本发明方法减少了模型更新数据选择和处理的工作量，提高了模型更新的效率，满足了生物质炉燃烧在线优化的实际要求，保证了生物质炉燃烧优化的实时性和准确性。
文档编号G06N3/08GK102799939SQ20121024503
公开日2012年11月28日 申请日期2012年7月16日 优先权日2012年7月16日
发明者王春林, 王再富, 孔亚广, 彭东亮, 杨慧敏, 钟哲科 申请人:杭州电子科技大学