不 用于限定本发明。
[0039] 相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修 改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细 节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的 描述也可以完全理解本发明。
[0040] 本发明提供一种量化循环流化床锅炉给煤热量释放时间系统及方法，所述系统包 括最小二乘支持向量机建模模块、数据选取与预处理模块、给煤热量释放时间寻优模块以 及DCS系统与数据库。所述DCS系统与数据库将机组运行的历史数据传输给所述数据选 取与预处理模块，所述数据选取与预处理模块根据历史数据选取模型的训练数据和预测数 据；所述数据选取与预处理模块将选取出来的模型训练数据和预测数据传输给所述最小二 乘支持向量机建模模块，所述最小二乘支持向量机建模模块用于建立LSSVM模型；所述最 小二乘支持向量机建模模块将接收到的模型的训练数据传输给所述给煤热量释放时间寻 优模块，所述给煤热量释放时间寻优模块对接收到的训练数据和预测数据进行处理，确定 最佳动态阶组，进而确定给煤热量释放时间并传输给所述DCS系统与数据库，以便指导机 组运行、控制。
[0041] 所述最小二乘支持向量机建模模块用于建立最小支持向量机算法给煤热量释放 时间模型，模型的输出为动态床温值，根据模型预测的精度来确定输入给煤量中的热量释 放时间。
[0042] 所述DCS系统与数据库将机组运行的历史数据传输给所述数据选取与预处理模 块，所述数据选取与预处理模块根据历史数据选取模型的训练数据和预测数据，所述数据 选取与预处理模块将选取出来的模型的训练数据传输给所述最小二乘支持向量机建模模 块。
[0043] 所述最小二乘支持向量机建模模块用于建立LSSVM模型，所述最小二乘支持向量 机建模模块将接收到的模型的训练数据传输给所述给煤热量释放时间寻优模块。
[0044] 所述给煤热量释放时间寻优模块对接收到的训练数据和预测数据进行处理，确定 最佳动态阶组，进而确定给煤热量释放时间并传输给所述DCS系统与数据库。
[0045] 本发明还提供一种量化循环流化床锅炉给煤热量释放时间的方法，包括以下步 骤：
[0046] 步骤S1，利用所述最小二乘支持向量机建模模块构建最小二乘支持向量机模型；
[0047] 步骤S2,利用所述数据选取与预处理模块，选取最小二乘支持向量机建模模块中 最小二乘支持向量机算法训练数据；
[0048] 步骤S3,所述给煤热量释放时间寻优模块根据步骤S1建立的最小二乘支持向量 机模型，对所述步骤S2确定的训练数据中的给煤热量释放时间最优值进行选取。
[0049] 利用所述最小二乘支持向量机（leastsquaressupportvectormachine，LSSVM) 建模模块构建（1)所表达的模型。
[0050] y(k) =f[y(k-l),......,y(k-m) ；x0(k),......,x0 (k-n0)；
[0051] Xi(k),......,x^k-rii) ；x2(k),......,x2(k_n2)] (1)
[0052] 其中所述x(k)是模型的输入量，所述x。(k)，…，x。(k-n。）、Xi(k)，…，Xi(k-叫） 与所述x2(k)，. . .，x2(k-n2)分别为循环流化床锅炉中对应采样时刻决定床温的给煤量、一 次风量和二次风量；所述y(k)为当前床温输出；所述y(k-l)，. . .，y(k-m)表示历史床温输 出，所述m、η。、叫、n2分别代表历史床温动态阶次、给煤量动态阶次、一次风量动态阶次和二 次风量动态阶次，表征床温的动态性，取值范围与数据选取与预处理模块中的采样时间ts 有关，根据模型预测的精度确定给煤热量释放时间为r^Xts。
[0053]LSSVM算法理论原理：
[0054] 给定N个模型样本的数据集{Xi,yj; = 1,...N，其中第i个样本输入为Rk(k为输 入向量维数），第i个样本输出R。
[0055] 首先，用一非线性映射Φ( ·)将样本的输入空间妒映射到特征空间 炉W= 0(Xl)，與x2U(xJ);然后，在这个高维特征空间中构造最优决策函数v 咖·) +办； 最后，以结构风险最小化为原则确定模型参数ω、b。
[0056] 利用结构风险最小化原则，选取损失函数为误差的二次项，优化问题可以描述为 求解下面的问题。
[0057]
[0058] 式中：ω为权值向量，Φ(·)为映射函数，ξi为模型对训练样本的预测误差，c 为惩罚系数。利用Lagrange法求解优化问题得
[0071] 在确定（1)的过程中，所述LSSVM算法采用高斯径向基函数（radialbasis function，RBF)核，即
[0072] K(X，xj=exp(-1Ix_XiI12/σ2)
[0073] LSSVM算法和RBF核函数包含两个未知参数c与σ，利用网格搜索法和交叉验证 进行。首先设定(^与〇的候选集为比较松散的网格{(cl，〇l)，一,((31,0 1) }，以网格中 的节点进行交叉验证，得到最小误差所对应的网格节点。然后在一定的范围类内构造比较 细的网格，再次以网格中的节点为参数进行检验，最后得到最优的(^与 〇的值。c的初始值 取20,范围为0~200,σ的初始值取〇. 3,范围为0~5。
[0074] 确定采样时间ts，单位：秒，根据采样时间，所述数据选取与预处理模块通过DCS 系统与数据库获取机组运行的历史数据，包括时间点、机组负荷、给煤量、一次风量、二次风 量、床温值。由于循环流化床锅炉迟延、惯性和蓄热比较大，且这些特性在不同负荷段下有 一定的差异，为了确保预测准确性，分负荷段建立LSSVM模型，一般可按20~100WM分区。 挑选不同负荷段下足够多的历史运行数据，各输入量的动态阶选取由所述给煤热量释放时 间寻优模块决定，作为LSSVM算法的训练数据。
[0075] 所述给煤热量释放时间寻优模块进行最佳动态阶组提取，并确定对应负荷段的给 煤热量释放时间，传输给所述DCS系统与数据库。关于确定^。、^、叫的寻优范围的处理， 结合循环流化床锅炉特性和ts大小，m的范围为0~360/ts，所述η。的范围为0~900/ ts，所述叫的范围为0~240/ts，所述η2的范围为0~300/ts，间隔为1。
[0076] 优化的目标函数为预测数据的均方根误差RMSE(rootmeansquarederrors)， RMSE是用来衡量观测值同真值之间的偏差，它是观测值与真值偏差的平方和观测次数n比 值的平方根，ΒΡ
[0078] 寻优部分每个负荷段下均采用遍历的方法进行，即计算对应负荷段下每组动态 阶组合的均方根误差，选取均方根误差最小的组合作为寻优结果，如果寻优结果所述均方 根误差小于1，将寻优结果对应的m、η。、ηι、112值作为对应负荷段的动态阶组最优值，将值 r^Xts作为对应负荷段的给煤热量释放时间，否则从所述数据选取与预处理模块中选取更 多的数据，继续优化。
[0079] 本发明通过实际运行数据，充分考虑了循环流化床锅炉机组的迟延、惯性和蓄热， 在不同负荷段下、不同的运行工况下量化了给煤热量释放时间，达到有利于机组的安全运 行、快速变负荷和控制系统优化的有益效果。
[0080] 为了进一步解释本发明，下面结合具体实施例做进一步说明。
[0081] 实施例1
[0082] 以大唐某CFB300MW亚临界中间再热机组锅炉作为研究对象，锅炉大小为1100t/ h，无外置床换热器。数据选取与预处理模块采集了连续十天14400组运行数据（命名为数 据组1)，取一天1