基于pca-svm的火电厂燃煤低位热值软测量方法
【专利摘要】本发明公开了一种用于火电机组燃煤低位热值的预测方法，该方法依赖现场测量仪表及火电机组DCS、厂级监控信息系统(SIS)和进行软件计算的计算机系统，该软件利用SIS中存储的DCS实时过程数据对燃煤低位热值进行软测量。具体步骤如下：确定与燃煤热值相关的辅助变量，利用主元分析方法(PCA)将多个辅助变量综合为几个互不相关的综合变量，将这几个主元综合变量作为低位热值支持向量机预测模型的输入变量，并利用遗传算法(GA)寻找合适的惩罚参数c和核函数参数g建立最佳预测模型。
【专利说明】
基于PCA-SVM的火电厂燃煤低位热值软测量方法
技术领域
[0001 ]本发明涉及一种用于火电机组燃煤低位热值的预测方法。
【背景技术】
[0002] 在我国火电机组中，煤是锅炉燃烧的主要原料，煤炭成本占了总成本的80%，研究 煤质因素对锅炉燃烧的影响至关重要。锅炉设计包括燃烧系统主要设备结构参数、选型、技 术指标的设计等都离不开燃煤热值参数。我国煤炭资源丰富，不过各地煤质变化较大，且劣 质煤居多，而且近年来电站锅炉的入炉煤热值普遍在下降，从而导致很多电站锅炉燃烧煤 种普遍偏离设计煤种，相应的运行工况偏离设计工况，严重影响了机组运行的经济性和安 全性，故有必要实时对燃煤热值进行检测监视，并根据入炉煤热值的实际情况对锅炉运行 做出相应的调整。目前，电厂一般都采用实测法的方式借助氧弹仪测定燃煤热值，化验时间 长，而且分析结果在时间和空间上离散性大，难以实时指导锅炉运行优化调整。经验公式法 可以快速估算出燃煤热值，不过精度不够理想，同时现场需要安装很多测点，给工程应用带 来不便。支持向量机作为一种预测工具，是建立在统计学习理论的VC维理论和结构风险最 小原理基础上的，其在解决小样本、非线性及高维模式识别中表现出许多特有的优势。基于 支持向量机的软测量技术一方面能够充分利用电厂已有的数据平台，在较低的技术成本 下，通过数据挖掘从大量的数据中自动搜索学习隐藏在数据中的特殊关系，从而一定程度 上能够提高热值测量的实时性和精确性。本发明选取了多个与燃煤热值相关的辅助变量， 同时利用遗传算法结合交叉验证思想优化支持向量机建模参数，建立基于支持向量机的燃 煤低位热值的在线预测模型。
【发明内容】
[0003] 发明目的:本发明的发明目的是针对现有技术的不足而公开了一种用于火电机组 燃煤低位热值的预测方法，通过在电厂SIS的历史数据库中获取最近一段时间辅助变量的 数据，经过误差处理归一化等初步预处理，经过主元分析找出最能反映原始数据的主元分 析模型，然后将遗传算法优化的惩罚参数c和核函数参数g作为建模参数建立火电机组燃煤 低位热值的支持向量机软测量模型。
[0004] 技术方案:为解决上述技术问题，本发明提供的一种用于火电机组燃煤低位热值 的预测方法，包括以下步骤：
[0005] (1)确定与燃煤热值相关的辅助变量以及主导变量:辅助变量有机组负荷、总煤 量、总风量、一次风量、一次风压、给水流量、氧量、主蒸汽吸热量、再热蒸汽吸热量、排烟温 度，主导变量即燃煤低位热值；
[0006] (2)从SIS中的历史数据库中获取最近1小时内的锅炉负荷、总煤量、总风量、一次 风量、一次风压、给水流量、氧量、排烟温度数据，并对数据进行误差处理，得到数据集合为：
[0007] D=(di,d2,---,dP)；
[0008] 其中：p是上述辅助变量总个数；
[0009] (3)从SIS中的历史数据库中获取最近1小时内的主蒸汽压力和温度，再热蒸汽进 出口压力和温度以及给水压力和温度数据，并对数据进行误差处理，然后计算得出相应的 主蒸汽焓、再热蒸汽进出口焓和锅炉给水焓，得出相应的蒸汽吸热量和再热蒸汽吸热量；
[0010] 蒸汽吸热量、再热蒸汽吸热量计算公式如下：
[0011] qFhgq-hgs;
[0012] q2 = hzr2-hzrl；
[0013]其中：qi为主蒸汽吸热量，kj/kg; hgq为主蒸汽{含值，kj/kg; hgs为给水{含值;q2为再 热蒸汽吸热量，kj/kg; hzrl、hzr2分别为再热蒸汽进出口焓值，kj/kg。
[0014] (4)结合(2)和(3)得出所有辅助变量的数据集合为：
[0015] X=(D，qi，q2) = (di，d2，...，dP，qi，q2);
[0016] 为了避免变量不同量纲的影响，对上述数据集合进行归一化处理，得到标准化后 的数据集合：
[0017] X'=(D'，q'i，q'2) = (d'i，d'2，...，d'P，q'i，q'2)。
[0018] (5)通过主元分析方法(PCA)找出最能表征原始数据X的主元分析模型Y，并将Y作 为训练集；
[0019] (6)采用遗传算法对训练集数据进行训练，寻找支持向量机模型最优的惩罚参数c 和核函数参数g;
[0020] (7)采用步骤(6)获得的最优参数以及数据集Y和低位热值数据，采用支持向量机 法建立燃煤低位热值的软测量模型；
[0021] (8)在线实时获取各辅助变量数据，对数据进行误差处理，利用上述建立的PCA-SVM模型，得到燃煤低位热值。
[0022 ]进一步地，步骤(2)(3)中的数据集合中的采集时间间隔为30s。
[0023] 进一步地，步骤(2)(3)中所述的误差处理包括粗大误差和随机误差的处理。
[0024]粗大误差的处理按照拉依达准则，其数学方法表述如下：设样本采集数据为yi， y2，…，yn，然后由Bessel公式计算出标准偏差〇，如下式。
[0025] <7 = /n-1)1/2 = I ^y； -(X-17,2)/?? I(n ~I i:l [L :M 」 J
[0026] 其中：n为采集数据个数;;^为采集数据的算数平均值;^为采集数据与平均值偏 差，即 Vf = j，,. - .V，（,' = h 2,"
[0027]如果某一样本数据yk的偏差vk(l彡k彡n)满足|vk|>3 〇,则此时数据不合理，应该 剔除；
[0028]随机误差的处理采用五点线性平滑法：
[0029]设某一辅助变量的额样本采集数据为{xi，x2，"_，xn}，xi = si+m，式中Si为真值，ru 为噪声，则经五点线性平滑处理后的数据为
[0030] >',? = X arXi^r = Z ar(Siu- + ?/+,?) = X QrS^r + Z + f,i ' .r=-q r--q r--q r=-cj
[0031 ]式中：r为-q到q间的整数，即r = -q , ??? , 0 , ??? , q ; {ar }是一组权重值，满足
[0032]进一步地，步骤(3)中通过温度和压力求取焓值是利用WASPCN(水和蒸汽性质计算 软件，免费软件，网上可下载)求得。
[0033]进一步地，步骤(4)中的归一化处理将原始数据标度变换到[0，1]区间，方法如下： 设某一辅助变量的采集数据为x= {xi，x2，…，xi，…，xn}，则标准化后的数据X'为：
[0035]其中:min(X)为采集数据X的最小值;max(X)为采集数据X的最大值。
[0036]进一步地，步骤(7)中是利用LIBSVM工具箱建立支持向量机模型。
[0037] 进一步地，步骤（7 )中支持向量机模型采用的是径向基核函数：
[0038] 有益效果:本发明相对于现有技术而言具备以下优点：
[0039] (1)本发明无需复杂的硬件设备，价格低廉，而传统的煤质分析仪却价格高昂。
[0040] (2)本发明是一种热值的软测量方法，相较于传统的实验室化学分析方法速度更 快，是一种在线分析方法。
[0041] (3)本发明测量热值精度高，满足工程实际需要，而传统的热值测量误差较大。
【附图说明】
[0042]图1为本发明燃煤低位热值预测方法的数据学习和训练流程图。
[0043] 图2为本发明利用遗传算法得出最佳参数c和g的算法流程图。
[0044] 图3为实施例中寻优过程中的适应度曲线。
[0045] 图4为实施例中热值模型的建模和预测效果。
【具体实施方式】
[0046] 下面结合附图对本发明作更进一步的说明。
[0047]如图1所示，现场DCS采样数据存入厂级监控信息系统(SIS)的历史数据库，获取最 近1小时内与燃煤热值相关的辅助变量的数据，辅助变量主要包括锅炉负荷、总煤量、总风 量、一次风量、一次风压、给水流量、氧量、排烟温度数据，另外两个辅助变量主蒸汽吸热量 和再热蒸汽吸热量通过主蒸汽压力和温度，再热蒸汽进出口压力和温度以及给水压力和温 度数据计算得出。接着对数据进行预处理，粗大误差的处理按照拉依达准则，剔除偏差I vk >3〇的样本数据yk。随机误差的处理采用五点线性平滑法。将数据归一化处理后通过主元 分析方法(PCA)找出最能表征原始数据X的主元分析模型Y，并将Y作为训练集，采用LIBSVM 工具箱建立支持向量机模型，模型采用的是径向基函数
。同时，采 用遗传算法寻找支持向量机模型最优的惩罚参数c和核函数参数g，建立最佳的低位热值软 测量模型，提高模型预测精度。
[0048] 如图2所示，为了保证支持向量机预测模型具有较高的准确率，可以通过遗传算法 找到在CV意义下的全局最优解，而且如果有多组的C和g对应于最高的预测准确率，选取能 够其中参数c最小的那组c和g作为最佳的参数，这样做主要为了避免过高的c会导致过学习 状态的发生。该算法的适应度函数为与某一组c和g对应的K-CV方法的预测准确率。
[0049] 算例：
[0050] 本文结合安徽某电厂试验数据分析本发明方法的实用性。表1为经过数据处理和 吸热量计算后的热值建模数据。
[0051 ]表1热值建模数据
[0053]令1~2、4~6、8~10组作为训练数据，3、7、11组作为测试数据。利用本发明方法， 得到低位热值模型的最佳参数分别为:c取12，g取0.215,图3为参数寻优的适应度曲线图， 因为适应度函数选用的是均方误差的相反数，故适应度越大误差越小，从图中可以看出最 终均方误差稳定在1.063。
[0054]此时用寻优后的参数建立最佳的支持向量机模型，并通过该模型对3、7、11组的燃 煤低位热值进行预测，结果如图4所示。作为训练数据的八组数据，其实际值和模型预测值 非常接近，说明训练误差相对较小。图中标记圆圈的三组数据作为本模型的测试数据，从图 可以看到实际值与预测值比较接近，最大误差是第十一组，不过该组绝对误差为178MJ/kg， 相对误差不超过1 %，故该低位热值预测的发明方法能够满足工程的实际要求。
[0055]以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人 员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应 视为本发明的保护范围。
【主权项】
1. 一种用于火电机组燃煤低位热值的预测方法，其特征在于，包括以下步骤： (1) 确定与燃煤热值相关的辅助变量以及主导变量:辅助变量有机组负荷、总煤量、总 风量、一次风量、一次风压、给水流量、氧量、主蒸汽吸热量、再热蒸汽吸热量、排烟温度，主 导变量即燃煤低位热值； (2) 从SI S中的历史数据库中获取最近1小时内的锅炉负荷、总煤量、总风量、一次风量、 一次风压、给水流量、氧量、排烟温度数据，并对数据进行误差处理，得到数据集合为： D=(di，d2，."，dP); 其中:P是上述辅助变量总个数； (3) 从SIS中的历史数据库中获取最近1小时内的主蒸汽压力和温度，再热蒸汽进出口 压力和温度以及给水压力和温度数据，并对数据进行误差处理，然后计算得出相应的主蒸 汽焓、再热蒸汽进出口焓和锅炉给水焓，得出相应的蒸汽吸热量和再热蒸汽吸热量； 蒸汽吸热量、再热蒸汽吸热量计算公式如下： qi = hgq-hgs ； Q2 - hzr2-hzrl ； 其中：qi为主蒸汽吸热量，kj/kg;hgq为主蒸汽洽值，kj/kg;hgs为给水洽值;q2为再热蒸 汽吸热量，kj/kg; hzrl、hzr2分别为再热蒸汽进出口焓值，kj/kg。 (4) 结合(2)和(3)得出所有辅助变量的数据集合为： X= (D，qi，q2) = (di，cb，…，dp，qi，q2); 为了避免变量不同量纲的影响，对上述数据集合进行归一化处理，得到标准化后的数 据集合： X' = (D'，q'i，q'2) = (d'i，d'2，."，d'P，q'i，q'2)〇 (5) 通过主元分析方法(PCA)找出最能表征原始数据X的主元分析模型Y，并将Y作为训 练集； (6) 采用遗传算法对训练集数据进行训练，寻找支持向量机模型最优的惩罚参数c和核 函数参数g; (7) 采用步骤(6)获得的最优参数以及数据集Y和低位热值数据，采用支持向量机法建 立燃煤低位热值的软测量模型； (8) 在线实时获取各辅助变量数据，对数据进行误差处理，利用上述建立的PCA-SVM模 型，得到燃煤低位热值。2. 如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤 (2)(3)中的数据集合中的采集时间间隔为30s。3. 如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤 (2) (3)中所述的误差处理包括粗大误差和随机误差的处理。 粗大误差的处理按照拉依达准则，其数学方法表述如下：设样本采集数据为，y2，…， yn，然后由Bessel公式计算出标准偏差〇,如下式。其中：η为采集数据个数;^为采集数据的算数平均值;V1为采集数据与平均值偏差，即 如果某一样本数据yk的偏差vk( I <k<n)满足I Vk I >3〇，则此时数据不合理，应该剔除； 随机误差的处理采用五点线性平滑法： 设某一辅助变量的额样本采集数据为{X1，X2，…，Xn}，Xl = Si+m，式中81为真值，m为噪 声，则经五点线性平滑处理后的数据为式中：r为-q到q间的整数，即r = - q，…，O，…，q ; { a r }是一组权重值，满足4. 如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤 (3) 中通过温度和压力求取焓值是利用WASPCN求得。5. 如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤 (4) 中的归一化处理将原始数据标度变换到[0，1]区间，方法如下：设某一辅助变量的采集 数据为X= {X1，X2，…，X1，…，χη}，则标准化后的数据X'为：其中:min (X)为采集数据X的最小值;max (X)为采集数据X的最大值。6. 如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤 (7)中是利用LIBSVM工具箱建立支持向量机模型。7. 如权利要求1所述的一种用于火电机组燃煤低位热值的预测方法，其特征在于，步骤 (7)中支持向量机模型采用的是径向基核函数：
【文档编号】G06Q50/06GK105930929SQ201610247239
【公开日】2016年9月7日
【申请日】2016年4月19日
【发明人】司风琪, 莫浩浩, 周建新
【申请人】东南大学