专利名称：一种基于支持向量机增量算法的锅炉燃烧效率预测方法
技术领域：
本发明涉及一种锅炉燃烧效率的预测方法，尤其涉及到一种基于支持向量机增量算法的锅炉燃烧效率预测方法。
背景技术：
提高锅炉运行效率，是火电厂实现节能减排的主要目标。锅炉燃烧机理复杂，具有很强的非线性和多元性，难以直接进行燃烧效率的测量，目前主要采用的测量方法有数值模拟测量和人工智能算法测量。不同的数值模拟可能侧重点不同，但是数值模拟的方法有着共同的特点计算量大，耗时长，在机理不很清楚的情况下，难以建立精确完善的燃烧效率测量方法，所以数值模拟的方法常用于离线分析和研究。智能算法测量中应用比较广泛的是神经网络。但用神经网络测量还存在以下问题有待于进一步研究解决①神经网络测量所必须的样本数量多，而实炉测试工况数量往往有限；②神经网络的训练时间长，而且实现在线训练困难，限制了燃烧效率测量的在线性；③神经网络对数据样本的不完整性和误差比较敏感；④神经网络还存在过拟合(overnt)问题，泛化能力差。发明内容
本发明所要解决的技术问题，就是提供一种需要的样本数量不算多但保证了线性学习器的精度、又减少了计算量缩短了训练时间、适合在线性测量的基于支持向量机增量算法的锅炉燃烧效率预测方法。
解决上述技术问题，本发明采用如下的技术方案
一种基于支持向量机增量算法的锅炉燃烧效率预测方法，包括以下步骤
SI选取径向基函数作为支持向量机模型核函数；
S2选择锅炉燃烧的总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度AAlF的6个参数共24个参数，根据电厂DCS系统的历史数据，每隔30s采样一次，构成初始数据集；
S3将初始数据进行简单的预处理，剔除其中重复的数据；
S4在进行预处理后的电厂DCS系统数据，选取工况1 99、101 200为训练样本，工况100为测试样本；
S5取支持向量机模型的敏感系数ε =0.0001，训练精度为O. 00001，罚系数C与宽度系数σ的缺省值分别为10和O. 0001，将罚系数C设置为缺省值；
S6按等差数列的形式在训练精度误差范围内抽取罚系数集和宽度系数集，形成一个(C，O)参数对的网格，将步骤S4中训练样本集划分为η组，其中η-1组为训练集，余下的一组为测试集，在网格中选择任意一组参数对，通过m次不同的训练集及测试集的验证， 确定这一参数对的泛化性能，绝对平均百分比误差(MAPE)值越小，泛化性能越好；
S7将剩下的每一对参数对重复过程步骤S6，并记录每组参数的泛化性能，当所有参数都验证过之后，选择泛化性能最佳的参数对(C，σ);
S8对锅炉燃烧工况训练样本集Xtl进行训练，得到初始的分类器Qci、支持向量集 xs/和非支持向量集XSisv;
SWgSf(X)是某一次增量学习后的决策函数，新增样本(Xi，yi)，寻找新增样本集 X1中是否有违背广义KKT条件yif (Xi) >1的样本点，若没有，则Qtl为最终的学习分类器；若存在，则将X1分为两部分，一部分X〖符合KKT条件yif (Xi) >1，另一部分X『违背KKT条件；
SlO在非支持向量集Xfv中寻找离支持向量隼中各点最近的一个点，构成新的集合ΧΓ
Sll将支持向量集Xf、违背KKT条件的XlP最近点集合Xjj合并为新的训练集X， 再对X求分类器Ω和支持向量SV ；
S12选取燃料量和总风量来描述负荷变化对锅炉热效率的影响；选取燃料成分、 给煤机开度来描述煤粉的影响；选取排烟氧量、磨煤机通风量、二次风门开度来描述氧量的影响，选取燃烧器摆角和燃尽风开度来描述其他因素的影响，建立锅炉燃烧效率的支持向量机预测模型。
所述的步骤S6中的η为与前述步骤有关的数据，m为随机数。
本发明的原理
要得到一个最有分类面最终可以转化为求解一个凸优化问题=去||w|:，假设所有的锅炉燃烧工况样本在精度ε下无误差地用函数y=f(x)=wx+b拟合，则应满足以下约束条件
权利要求
1.一种基于支持向量机增量算法的锅炉燃烧效率预测方法，包括以下步骤 Si选取径向基函数作为支持向量机模型核函数； S2选择锅炉燃烧的总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度AAlF的6个参数共24个参数，根据电厂DCS系统的历史数据，每隔30s采样一次，构成初始数据集； S3将初始数据进行简单的预处理，剔除其中重复的数据； S4在进行预处理后的电厂DCS系统数据，选取工况f 99、IOf200为训练样本，工况100为测试样本； S5取支持向量机模型的敏感系数ε =0.0001，训练精度为O. 00001，罚系数C与宽度系数σ的缺省值分别为10和O. 0001，将罚系数C设置为缺省值； S6按等差数列的形式在训练精度误差范围内抽取罚系数集和宽度系数集，形成一个(C，σ)参数对的网格，将步骤S4中训练样本集划分为η组，其中η-l组为训练集，余下的一组为测试集，在网格中选择任意一组参数对，通过m次不同的训练集及测试集的验证，确定这一参数对的泛化性能，绝对平均百分比误差(MAPE)值越小，泛化性能越好； S7将剩下的每一对参数对重复过程步骤S6，并记录每组参数的泛化性能，当所有参数都验证过之后，选择泛化性能最佳的参数对(C，σ); S8对锅炉燃烧工况训练样本集Xtl进行训练，得到初始的分类器Qci、支持向量集非支持向量集Xfv; S9假设f(x)是某一次增量学习后的决策函数，新增样本(Xi，yi)，寻找新增样本集X1中是否有违背广义KKT条件yif (Xi) >1的样本点，若没有，则Qtl为最终的学习分类器；若存在，则将X1分为两部分，一部分X符合KKT条件yif OO >1，另一部分Xf违背KKT条件； SlO在非支持向量集Xfv中寻找离支持向量隼X中各点最近的一个点，构成新的集合\ Sll将支持向量集Xf、违背KKT条件的Xn和最近点集合Xi1合并为新的训练集X，再对X求分类器Ω和支持向量SV; S12选取燃料量和总风量来描述负荷变化对锅炉热效率的影响；选取燃料成分、给煤机开度来描述煤粉的影响；选取排烟氧量、磨煤机通风量、二次风门开度来描述氧量的影响，选取燃烧器摆角和燃尽风开度来描述其他因素的影响，建立锅炉燃烧效率的支持向量机预测模型。
全文摘要
一种基于支持向量机增量算法的锅炉燃烧效率预测方法S1选取核函数；S2构成初始数据集；S3初始数据预处理；S4取训练样本、测试样本；S5敏感系数ε=0.0001，训练精度0.00001，罚系数C与宽度系数σ的缺省值分别为10和0.0001；S6求泛化；S7选择泛化最佳参数对；S8训练得到初始分类器Ω0、支持向量集和非支持向量集S9寻找新增样本集X1中是否有违背广义KKT条件yif(xi)>1的样本点；S10构成新的集合S11再对X求分类器Ω和支持向量SV；S12建立锅炉燃烧效率的支持向量机预测模型。本发明输入参数少便于测量，省去繁琐的计算过程，锅炉燃烧工况训练时间短，更加满足DCS系统在线计算的要求，具有较高的预测精度。
文档编号G06K9/62GK102982390SQ20121043402
公开日2013年3月20日 申请日期2012年11月2日 优先权日2012年11月2日
发明者叶向前, 谭磊, 韩玲, 方彦军 申请人:广东电网公司电力科学研究院, 武汉大学