一种自适应在线校正的火电厂球磨机负荷软测量方法
【技术领域】
[0001] 本发明涉及一种磨机负荷的在线预测方法，特别涉及一种火电厂筒式钢球磨煤 机自适应在线校正的负荷软测量方法，该方法采用多个过程参数建立离线训练模型，并根 据不同的误差干扰分别建立误差校正模型，从而实现对磨机负荷自适应在线校正的实时预 测。
【背景技术】
[0002] 制粉系统是火力发电厂的主要辅助系统之一，由于筒式钢球磨煤机对煤种的适应 性强的特点，目前仍是国内应用最广的一种磨煤机。磨煤机是制粉系统的关键设备，它能否 工作在最佳工况，直接关系到制粉系统的工作效率，而磨机负荷的准确监测是确保对制粉 系统进行优化控制的先决条件。因此如何准确监测磨机负荷成为关键和难点。
[0003] 由于磨机工作环境差，粉尘污染大，内部环境恶劣，因此无法直接测量，只能通过 间接法检测。目前，应用较多的磨机负荷检测方法有磨音法、振动法以及功率法。现有磨音 法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷，缺点是检测精度不高，未 能有效去除背景噪声干扰，特别是当多台磨机同时在一个车间内运行时，临近磨机运行时 所发出的噪声会严重影响负荷检测的准确性。振动法是利用磨机运转时，研磨体和物料偏 于磨机的一侧，磨机的转动部分处于严重的不平衡状态，造成不平衡的离心力，并使磨机系 统振动，磨机在转速不变时其振动强度与被磨物料量的多少有关这一特性检测的；振动法 的不足在于线性度差，准确度不高。功率法的思路是通过测量磨机运行时电机所消耗的功 率来判断磨机内的负荷。在实际应用中，是测量磨机的工作电流。此种方法的不足之处在于 工作电流在整个工作过程中，变化不是很大，因为磨机内煤质所占整个球磨机的比重不大， 所以导致测量灵敏度低。
[0004] 近年来，也有一些采取多种输入信息进行综合获得磨机负荷的方法，如《基于 ANFIS的火电厂磨机负荷检测的软测量模型》（司刚全，曹晖，张彦斌等，仪器仪表学报，第 4期增刊II，2007, vol. 28)【1】，《基于复合式神经网络的火电厂筒式钢球磨煤机负荷软测 量》（司刚全，曹晖，张彦斌等，热力发电，2007,第5期）【2】。《基于神经元网络的制粉系统 球磨机负荷软测量》（王东风，宋之平）【3】。但是这些方法存在的问题是，都是基于离线训 练-在线应用的原则，并针对单一球磨机负荷工况建立的软测量模型，一旦工况发生变化 或者运行过程中受到干扰，就会导致软测量模型的预测精度变差或偏移。如果考虑到全工 况的离线建模，往往需要大量的训练数据，使软测量模型的复杂度太高，影响在线应用中的 实时性。因此，对于多种输入参数建立的全工况离线训练模型，有必要提出一种能够降低模 型复杂度和保证模型精度的建模方法。
[0005] 文献【1】和【2】基于噪声和振动信号进行特征提取和建立模型，但是没有考虑到 背景噪音和邻磨启停的影响，当有邻磨启动或停止时，会引起磨机负荷预测的偏移；文献 【2】和【3】选择压力类信号作为辅助变量，但并未考虑这些压力信号更易受风门开度变化的 影响，在线应用中当风门开度变化时，基于全工况建立的离线模型的预测结果就会受到影 响。而文献【1】、【2】和【3】都是假设球磨机在同一煤质下的预测估计，并未考虑煤质发生 变化时对预测模型的影响。因此在磨机负荷估计过程中，必须将这些影响因素进行剔除和 补偿才能反映磨机负荷的变化。因此建立一种自适应在线校正的磨机负荷软测量模型，通 过煤种、煤水份、热风门、再循环风门、给煤量以及磨机背景噪声等多种因素对磨机干扰进 行辨识，并根据补偿模型得到干扰引起的估计偏差，从而获得准确的磨机负荷信息，将对磨 机负荷的监测及控制起到重要的推动作用。
【发明内容】
[0006] 为了克服上述现有技术存在的问题，本发明的目的在于提供一种自适应在线校正 的火电厂磨机负荷软测量方法，用以解决长期以来火电厂磨煤机负荷难以长期在线检测的 问题；该软测量方法通过煤易磨性系数、煤水份、热风门、再循环风门、给煤量以及磨机背景 噪声、磨机负荷对运行过程中的干扰因素进行辨识，在基于全工况的离线模型和补偿模型 的基础上，依据不同干扰因素对离线模型预测结果的影响，进行基于规则的自适应加权，从 而获得准确的磨机负荷信息。
[0007] 为了实现上述任务，本发明采取如下的技术解决方案：
[0008] -种自适应在线校正的火电厂磨机负荷软测量方法，其特征在于，该方法在实现 磨机负荷的在线估计的同时，能够实现对干扰信号的在线监测，并对负荷估计进行补偿，具 体包括以下步骤：
[0009] 1)在磨机运行过程中，每秒采集一次运行参数，包括磨机噪音E_、磨机背景噪音 Eb_、磨机振动Evlb、磨机出入口差压Pdlf、磨机入口负压Ρ ιη、磨机入口温度Τιη、磨机出口温度 、热风门开度Dhc]t、和再循环风门开度。，同时根据磨机运行情况更新给煤量Μ、煤水分 Mw和煤易磨性系数M m三个辅助参数；
[0010] 2)采集样本X⑴，Y⑴，i = 1，*··，Ν，其中X包含磨机噪音E_、磨机振动Evlb、磨 机出入口差压Pdlf、磨机入口负压Ριη、磨机入口温度τιη和磨机出口温度T _，N为样本个数， Υ为磨机真实负荷，根据（X，Υ)，离线训练得到基于主动学习的初始约简最小二乘支持向量 机 Model ;
[0011] 3)基于控制变量法，分别建立针对煤质转换、邻磨启停以及风门动作三种干扰因 素的误差校正模型Modell、Model2和Model3 ;
[0012] 4)在线应用中，基于在线自动识别补偿方式，对三种干扰因素进行监测，当干扰发 生时，采用自适应加权策略对在线估计的磨机负荷实现自动补偿。
[0013] 所述的基于主动学习的约简最小二乘支持向量机模型Model的建模方法，其具体 步骤如下：
[0014] 1)采集从磨机空磨状态到接近满磨状态各个工况下的样本数据，并将此时的磨机 背景噪音、给煤量、煤水分、煤易磨性系数、热风门和再循环风门开度分别记为E' b_、M'、 M，W、M、、D，hot和 IV rec；
[0015] 2)数据预处理，对采集到的样本数据基于均值滤波消除随机误差后，并采用归一 法进行标准化处理得到有效样本；
[0016] 3)基于主动学习的初始约简最小二乘支持向量机Model，其建模过程简写为 AL-LSSVM，就是在训练离线模型的过程中，采用逐渐增加训练样本直到利用部分训练数据 建模能够代替全部样本进行建模的过程；其具体实现步骤为：
[0017] ?将初始样本数据（X，Y)作为未标注集U，并令标注集L刚开始为空集；基于高斯 混合分布聚类算法对未标注集U进行分类，其中选取k个聚类中心作为初始支持向量，加 入到标注集L，并从U中删除，并在标注集L上利用最小二乘支持向量机训练得到初始估计 器；
[0018] 鲁根据评估函数，选择未标注集U中拟合误差绝对值最大的那个点，加入到标注 集L，并从未标注集U中删除，其中评估函数为：
[0020] 其中，i e L, j e U，α肩标注集L中每个样本对应的拉格朗日乘子，b是权衡评 估函数的一个偏移量；
[0021] 鲁在标注集L上利用最小二乘支持向量机重新建立估计模型，并根据该估计模型 计算初始训练集的均方误差，重复上述过程，直到模型精度满足要求，并得到基于部分样本 的LSSVM稀疏化模型。
[0022] 所述基于控制变量法，分别建立针对煤质转换、邻磨启停以及风门动作三种干扰 因素的误差校正模型Modell、Model2和Model3,其步骤分别如下：
[0023] 1)对于煤质转换，在不同的工况下选取多种不同煤水分和不同易磨系 数的煤质进行实验，并基于初始约简最小二乘支持向量机Model得到预测结果
'再分别得到煤水分、煤易磨性系数在各个运行工况和 建立Model时的误差：Errl=Mw-M' vErrfzM^-M' "，预测结果与真实值之间的
，.最后根据