一种基于复合软测量的火电厂磨机负荷预测方法

本发明属于球磨机的负荷预测技术领域，尤其是一种基于复合软测量的火电厂磨机负荷预测方法。

背景技术：

在火力发电厂中，筒式球磨机是主要的制粉设备，广泛应用于国内外的中小型电厂，是电厂的耗电大件。随着电力改革的进一步深化，节能降耗已成为火力发电企业的重要攻关项目。研究表明，磨煤机的负荷状态维持在最佳水平可以节约10％以上的电能。因此，如何准确测量磨煤机的负荷状态成为了电厂节能降耗、优化运行的一项重要内容。由于磨机工作环境差，粉尘污染大，内部环境恶劣，使得磨机负荷的直接检测非常困难。目前，应用较多的磨机负荷预测方法有差压法、磨音法、振动法以及功率法。

差压法是一种采用磨机进出口差压来估计磨机负荷变化的软测量方法。在碾磨过程中，如果风量稳定，筒体内存煤量的变化会改变风粉混合物的流通阻力，从而引起进出口的压力差发生变化。因此认为差压信号和磨机内的存煤量具有高度相关性，并依据可以测量的差压信号调节给煤量。但是磨机进出口差压不是磨机负荷的单值函数，是由筒体内存煤量、风温、风压、风量和磨机结构参数的多元函数。

磨音法，也称为音频法，是一种采用磨机运行时发出的噪音来估计磨机负荷的软测量方法。经长期探索发现，球磨机在不同的负荷状态下发出的噪音不同，当负荷较小时，研磨体更容易和金属衬板进行撞击，产生的噪音较大、频率较高；反之，筒体内的空隙会被煤所填充，研磨体与煤质撞击的概率更大，产生的噪音较小、频率较低。因此可以依据磨机运行时的噪音信号对磨机负荷进行推断估计。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，在磨机筒体的旋转过程中，研磨体与筒体内的煤、研磨体和磨机筒壁发生碰撞，实现煤粉的碾磨，即碰撞的一部分动能用于破碎煤块；剩余的一部分动能会作用在筒体表面引起筒体表面和轴承的振动。存煤量的不同，产生的振动强度也不同，因此可以采用振动信号来实现磨机负荷的软测量。振动法的不足在于线性度差，准确度不高。

功率法，也称电流法，是一种传统的磨机负荷检测方法。如果在磨机运行中忽略衬板和研磨体由于磨损引起的重量变化，磨机内存煤量的变化将直接影响磨机驱动电流的变化，因此可以通过磨机电流实现磨机负荷的估计。但是由于存煤量占总体磨机重量的比例较小，使得该方法灵敏度较低，而且不同规格的磨煤机制粉出力不同，非单调变化的电流信号也随着磨机规格的不同而变化，每一台磨机都需要提前通过试验标定磨机电流与负荷之间的对应关系。

以上介绍的软测量方法都是从单一参数出发，建立存煤量与该参数的软测量模型，实现磨机负荷的估计。由于磨机运行过程中的非线性、局部有效性以及参数的相关二义性，往往使估计结果不够理想，甚至导致出现错误的判断。而且随着时间的推移，磨机运行过程中存在着煤质转换、邻磨启停、钢球磨损和衬板磨损等一些扰动因素，使得离线训练的软测量模型在线应用中出现模型退化和模型异常现象。

技术实现要素：

为了解决现有技术中存在的不足，本发明提出了一种基于复合软测量的火电厂磨机负荷预测方法，采用分数阶傅立叶变换、基于密度误差的最小二乘支持向量、基于密度量化的核递归最小二乘支持向量模型等技术手段，通过对离线模型估计值的时间序列建立在线模型，实现了对磨机负荷的在线实时预测。

本发明所采用的技术方案如下：

s1，在特定周期内采集磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini、磨机电机电流imil、排粉机电机电流ipow、磨机出入口差压pdif、磨机入口负压pneg、磨机出口温度tout和磨机入口温度tin；

s2，基于分数阶傅立叶变换将采集到的磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini转换到频域中，并进行特征频段选取和特征信息提取，分别得到磨机噪音特征信息enos和磨机振动特征信息evib。

s3，将enos、evib、imil、ipow、pdif、pneg、tout和tin作为输入，并基于密度误差的最小二乘支持向量机建立多个离线训练模型，得到各软测量模型对应的磨机负荷估计值

s4，针对多个离线训练模型的在线估计结果，建立基于核递归最小二乘算法的在线模型；基于密度量化算法对每个离线训练模型的估计值进行在线辨识，并实现对当前在线模型的参数更新。

进一步，s2中得到磨机噪音特征信息enos和磨机振动特征信息evib的方法为：

s2.1，将nos和zvib信号作为加性噪音分量，通过谱减算法对信号acoini和vibini进行信号处理，分别得到增强后的振声信号aco′和振动信号vib′；通过分数阶傅里叶变换将第i个时域信号转换到分数阶频域中，得到频率矩阵si(α)。

s2.2，计算si(α)中第j个频率点与当前磨机负荷参数的互信息值miij，并基于互信息值miij选取频率点得到特征频率集cfi；同时从si(α)中提取多个统计特征组成统计特征集stati；将cfi和stati合并，再运用基于核函数的主成分分析法(kpca)进行特征提取，选取累计贡献度大于90％的主元个数作为特征信息，并分别得到磨机噪声enos和磨机振动evib。

进一步，根据miij≥λi选取频率点得到特征频率集cfi，λi为第i个信号的阈值。

进一步，si(α)的统计特征包括能量、中心频率、标准差、均方根、重心频率和峰值与均方根的比值；

进一步，s3中建立多个离线训练模型的方法为：

s3.1，基于初始样本集s得到初始训练模型model0、第i个离线训练模型的估计值和初始性能指标mse0；计算各个样本{xn,yn}处的密度信息和误差信息并得到密度误差信息p＝dn×en；将最大的密度误差值对应的样本记作第d个，并将{xd,yd}加入支持向量集ss；其次更新所有样本的密度信息并基于ss得到训练模型，其性能指标为mses；重新计算密度误差信息，直到选出的支持向量集满足即可得到基于密度误差的最小二乘支持向量机模型(de-lssvm)

s3.2，将enos、evib、imil、ipow、pdif、pneg、tout和tin两两分为5组，分别是enos和evib、imil和ipow、pdif和pneg、tout和tin，并作为输入通过密度误差的最小二乘支持向量机(de-lssvm)建立离线训练模型，分别是model1,model2,model3,model4,model5。

进一步，s4中建立基于核递归最小二乘算法的在线模型的方法为：

s4.1，假设当前基于核递归最小二乘算法的在线模型表示为其中，αj为第j次迭代中的权重参数；k(·，·)为核函数；x为输入样本；c(j)是词典中的第j个样本，q是词典中的样本个数，对每个词典中心分配一个容量参数θj，设定密度半径阈值为r，每个词典中心的最小容忍阈值为τ1，每个词典中心最大容量阈值为τ2，最大窗口个数m；

s4.2，对于新增样本x(i+1)，找到距离其最近的词典中心cnearest

其中，jδ为该词典中心的位置信息。

s4.3，若则更新容量参数和权重参数其中，αi+1(jδ)是在第(i+1)次迭代中的权重系数，η是步长更新系数，不对当前在线模型的参数更新；e(i+1)为当前样本在模型下的估计误差；模型的预测输出即为最终磨机负荷参数

s4.4，若或者dis<x(i+1)，cnearest>＞r则更新词典中心并对当前在线模型进行参数更新。模型的预测输出即为最终磨机负荷参数c为词典中心样本集。

进一步，s1中采集磨机参数的周期为round(·)为取整运算，t0为磨机筒体旋转一周所需时间。

进一步，所述背景噪声信号采集是通过一个全向型麦克风在距离磨机入口2米处得到的；轴承振动信号是通过固定在磨机轴承上的振动传感器获得的；磨机筒体振动信号是通过磁座方式在磨机1/2处的振动传感器采集的筒体表面信号。

本发明的有益效果：

本专利提出了一种基于复合软测量的火电厂磨机负荷预测方法，该方法首先通过对磨机噪声、振动等多个相关参数建立多个离线训练模型，然后基于各个模型的历史估计结果建立在线模型。该方法通过对软测量模型估计结果建立在线模型的复合软测量方法，实现对磨机负荷的在线预测，具有复杂度低、稳定性高等优点。

附图说明

图1是本发明基于复合软测量的火电厂磨机负荷预测方法的结构框图；

图2是本发明基于复合软测量的火电厂磨机负荷预测方法的流程图；

图3是分散控制系统(dcs)示意图；

图4特征提取算法的流程图；

图5基于密度误差的最小二乘支持向量机的建立流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本发明基于复合软测量的火电厂磨机负荷预测系统框图如图1所示，以某火电厂中储式制粉系统为例，给出本发明的一个具体应用。该磨机型号为dtm350/700,转速为17.57r/min。采用dcs的方式实现磨机输入信号的采集、算法的执行以及其他各种操作监控等功能，系统结构如图3所示。在实时控制层，由西门子的s7-400和s7-200系列plc及其扩展输入输出模块组成，充分利用s7-200系列plc的低成本、易于扩展、编程简单等优点，实现系统各输入点的分布式采集与控制信号输出，而功能强大的s7-400系列plc则为实现复杂的信号处理、软测量、控制算法等提供保障；在操作管理层，主要为各种io服务器，操作台以及工程师站，完成人机交互以及设计方案的更新等。

基于上述火电厂磨机负荷预测系统，本发明的一种基于复合软测量的火电厂磨机负荷预测方法如图1，包括如下步骤：

s1，特定周期内采集一次磨机相关参数，周期时间t选取方法为：其中round(·)为取整运算，t0为磨机筒体旋转一周所需时间，使得采集的相关参数可以包含磨机旋转过程中的破碎区、滑动区和研磨区等主要运行信息。磨机相关参数包括磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini、磨机电机电流imil、排粉机电机电流ipow、磨机出入口差压pdif、磨机入口负压pneg、磨机出口温度tout和磨机入口温度tin；其中，磨机背景噪声信号、磨机振声信号、磨机轴承振动信号和磨机筒体振动信号均为该周期内的时域序列。对于磨机的压力类、温度类和电流类信号可以直接通过对应的仪表进行采集；磨机噪声信号是使用声望公司的mpa206传声器测量，传感器灵敏度为32mv/pa，响应频率为20hz～10khz，安装于距离磨机入口1/2处，一个面向钢球下落撞击点，即破碎区，一个在距离磨机入口2米处背向磨煤机；磨机振动信号分别选用pcb公司的608a11加速度传感器和ptr4000振动传感器，其响应频率范围分别为20hz～10khz和1khz～50khz，分别安装在磨机入口轴承和磨机1/2筒体上。配合高速数据采集卡pci1714ul(研华模拟量输入卡，4通道，最大转换速率30mhz，12位ad)，实时采集噪音传感器和振动传感器信号。

s2，如图4提取采集到的声音信号和振动信号的特征信息，具体过程如下：

s2.1，时频转换：将nos和zvib信号作为加性噪音分量，通过谱减算法对信号acoini和vibini进行信号处理，分别得到增强后的振声信号aco′和振动信号vib′，表示为：

其中，是frft在阶次α下的逆变换，|·|是在阶次α下frft的频谱幅值。然后将增强后的振声信号aco′和振动信号vib′分别通过frft将第i个时域信号转换到分数阶频域中，得到频率矩阵si(α)。

s2.2，提取特征信息：计算si(α)中第j个频率点与当前磨机负荷参数的互信息值miij，并通过miij≥λi选取少量的频率点得到特征频率集cfi，λi为第i个信号的阈值；阈值的确定是首先计算重心频率点的位置l，将该点的互信息值作为阈值λi，其中，λi＝miil，k＝1,…,n，同时从si(α)中提取多个统计特征组成统计特征集stati；这些统计特征分别是能量中心频率标准差均方根重心频率峰值与均方根的比值最后将cfi和stati合并，再运用kpca进行特征提取，选取累计贡献度大于90％的主元个数作为特征信息，并分别得到磨机噪声enos和磨机振动evib。

s3，将enos、evib、imil、ipow、pdif、pneg、tout和tin作为输入，基于密度误差的最小二乘支持向量机(de-lssvm)建立多个离线训练模型，得到各软测量模型对应的磨机负荷估计值如图5建立各个离线训练模型的步骤如下:

s3.1，假设初始样本集xi、yi分别是输入与输出；m为样本个数；首先基于s得到初始训练模型model0、第i个离线训练模型的估计值和初始性能指标mse0，并定义密度半径r；然后计算各个样本{xn,yn}处的密度信息和误差信息并得到密度误差信息p＝dn×en，{xm,ym}为第m个样本；为第n个样本的估计值；将最大的密度误差值对应的样本记作第d个，并将{xd,yd}加入支持向量集ss；其次更新所有样本的密度信息并基于ss得到训练模型，其性能指标为mses；重新计算密度误差信息，直到选出的支持向量集满足

s3.2，将enos、evib、imil、ipow、pdif、pneg、tout和tin两两分为5组，分别是enos和evib、imil和ipow、pdif和pneg、tout和tin，并作为输入通过密度误差的最小二乘支持向量机(de-lssvm)建立离线训练模型，分别是model1,model2,model3,model4,model5。

s4，针对多个离线训练模型的在线估计结果，建立基于核递归最小二乘算法的在线模型，为了降低在线模型的复杂度，基于密度量化算法对每个离线训练模型的估计值进行在线辨识，并实现对当前在线模型的参数更新。建立基于核递归最小二乘算法的在线模型的方法为：

s4.1，假设当前基于核递归最小二乘算法的在线模型表示为其中，αj为第j次迭代中的权重参数；k(·，·)为核函数；x为输入样本；c(j)是词典中的第j个样本，q是词典中的样本个数，对每个词典中心分配一个容量参数θj，设定密度半径阈值为r，每个词典中心的最小容忍阈值为τ1，每个词典中心最大容量阈值为τ2，最大窗口个数m。

s4.2，对于新增样本x(i+1)，找到距离其最近的词典中心cnearest

其中，jδ为该词典中心的位置信息。

s4.3，若则更新容量参数和权重参数其中，αi+1(jδ)是在第(i+1)次迭代中的权重系数，η是步长更新系数，不对当前在线模型的参数更新；e(i+1)为当前样本在模型下的估计误差；模型的预测输出即为最终磨机负荷参数

s4.4，若或者dis<x(i+1)，cnearest>＞r则更新词典中心并对当前在线模型进行参数更新。模型的预测输出即为最终磨机负荷参数c为词典中心样本集。。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。