一种燃煤电站烟气含氧量在线预测方法技术

本发明专利技术提供了一种燃煤电站烟气含氧量在线预测方法，包括；步骤1)、获取燃煤电站的历史数据样本作为离线模型的训练集；步骤2)、建立离线预测模型，并基于训练样本集对离线模型参数进行辨识；步骤3)、在线获取运行的实时数据，利用离线预测模型计算预测输出；步骤4)、计算预测误差，如果预测误差满足要求则不作处理，如果预测误差不满足要求则累计次数加1，若累计次数没有达到n时，返回步骤2)，对离线模型参数进行辨识，若累计次数达到n时，则在线修正预测模型。本发明专利技术提供的燃煤电站烟气含氧量的在线预测方法，提高了建模精度，降低了计算复杂度。

【技术实现步骤摘要】
一种燃煤电站烟气含氧量在线预测方法
本专利技术涉及一种燃煤电站烟气含氧量的在线预测方法，属于锅炉热工技术与计算机监测交叉
，具体预测模型是一个基于模糊聚类的在线更新的局部模型网络，能够在全工况条件下实时预测下一时刻的烟气含氧量输出。
技术介绍
燃煤电站烟气含氧量是锅炉空预器出口处的烟气中的氧气含量，是反应燃烧状况的重要参数。建立在线预测模型是进一步实现烟气含氧量的预测控制算法的基础，也能预测未来时刻的燃烧状况为生产操作提供建议，总的来说建立烟气含氧量在线预测模型是实现燃烧优化的重要基础。烟气含氧量是送风和送煤比值在末端烟气上的表现，反映了锅炉中过量空气系数的大小。烟气含氧量高则意味着过量空气系数大，风量充足燃烧充分，但对应的排烟损失大；另一方面烟气含氧量低则表示过量空气系数较小，燃烧不完全，对应的排烟损失小。因此预测烟气含氧量的走势，有利于实时掌握锅炉内部的燃烧状况变化趋势；建立的预测模型可以进一步用于烟气含氧量的预测控制，以实现燃烧优化。燃煤电站的燃烧系统是一个高度复杂系统，其中涉及的因素和变量多，时延现象明显。燃烧过程受负荷变动影响大，在实际生产过程中不同工况(负荷)下烟气含氧量表现出不同的性质。因此烟气含氧量的模型是非线性时变的，并且与工况相关。目前国内外对烟气含氧量或是其他锅炉输出变量的预测模型算法主要包括三种：第一种是机理法建模，第二种是基于黑箱模型的智能建模，第三种是混合建模，结合机理分析和智能算法的建模方法。传统的热工参数建模采用经典的机理法，模型简单，但一方面预测误差大，另一方面机理法是针对某一类或是某一台锅炉，依赖工程师的判断，模型推广性不高。目前，关于烟气含氧量的建模研究大量采用了LSSVM，神经网络的改进模型，这两类算法通过大量历史数据进行学习，预测结果精度高，但表现出计算量大在线运行速度较慢的问题。
技术实现思路
针对现有在线预测算法的不足和烟气含氧量建模的难点，本专利技术提供了一种燃煤电站烟气含氧量在线预测方法，通过在线预测建模算法，克服了现有技术中精度低或者计算时间过长的问题，以保证在全工况范围内的有效预测。为达到上述目的，本专利技术所采用的技术方案如下：一种燃煤电站烟气含氧量在线预测方法，通过建模实现，包括步骤如下：步骤1)、获取燃煤电站的历史数据样本作为离线模型的训练集；步骤2)、建立离线预测模型，并基于训练样本集对离线模型参数进行辨识；步骤3)、在线获取运行的实时数据，利用离线预测模型计算预测输出；步骤4)、计算预测误差，如果预测误差满足要求则不作处理，如果预测误差不满足要求则累计次数加1，若累计次数没有达到n时，返回步骤2)，对离线模型参数进行辨识，若累计次数达到n时，则在线修正预测模型，n≥5。与现有技术相比，本专利技术具有如下的有益效果：1、基于实际运行中全负荷条件下的数据建立的，对多工况的情况下有普适性；2、能够在线更新模型，保证运行过程中模型的精度；3、利用了局部模型网络的方法相较于机理法建模，更能逼近实际非线性的模型；4、所建立的预测模型是基于数据驱动生产的，其特征是给出了模型的构建框架与方法，根据不同的输入数据能够建立不同机组的模型，对机理结构相似的机组具有良好的推广性；5、利用实时数据样本在线修正聚类中心，基于更新的聚类的中心和简化算法在线修正高斯宽度。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为离线模型辨识算法示意图；图2为在线预测算法示意图；图3为离线预测效果对比图；图4为在线预测效果对比图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。图1、图2所示，本专利技术提出一种基于模糊C均值聚类的多模型在线更新算法来预测烟气含氧量，该方法的主要思路是通过模糊C均值聚类联结多个子模型以逼近复杂的非线性模型和在线更新聚类中心以实现在线预测功能，主要包括两个部分：离线模型参数辨识和在线更新算法。离线模型辨识主要有以下四个步骤：首先将烟气含氧量作为输出的燃烧模型表示成局部模型网络结构，然后利用模糊C均值聚类算法辨识基函数参数，接下来采用子空间辨识的方法辨识所有局部(子)模型的模型参数，最后利用模糊C均值聚类算法计算得到的隶属度矩阵连接局部(子)模型构建全局模型。在线更新部分主要包含以下两个步骤：判断当前条件是否满足更新条件和利用新的样本数据更新聚类中心向量和高斯距离。具体如下：(1)、筛选离线模型辨识的训练数据。选取连续的N组历史运行数据作为样本序列其中样本数据组所对应的负荷数据覆盖全工况范围。(2)、构建烟气含氧量的模型框架其中y(k+1)是烟气含氧量一步预测值，表示第i个局部模型的权重函数，Mi(k)表示局部子模型，L是局部模型的个数。(3)、通过状态空间的方法表示局部(子)模型(4)、给定局部(子)模型个数L，模型精度要求ε和在线学习常数η。(5)、利用FCM-Subspace(模糊C均值聚类)辨识离线全局模型的参数，计算得到原始的局部(子)模型中心ci(i＝1,2,…,L)和高斯宽度si。(6)、计算权重函数其中si是高斯函数距离，φ＝{φ(1),φ(2),…,φ(N}表示特征向量，ci表示第i个局部模型的聚类中心。(7)、最后计算预测输出y(k+1)。(8)、计算预测误差利用误差补偿预测输出(9)、如果预测误差大于ε，count＝count+1,否则count＝0；(10)、如果累计次数count≤5返回步骤6；(11)、更新局部(子)模型的聚类中心向量：(12)、更新高斯函数距离a＝ci(k)-cl(k),(13)、计算并且更新系统矩阵(14)、k＝k+1并且回到步骤7。图3、图4分别表示训练集输出与实际输出对比图、在线预测输出与实际输出对比图。图3训练集输出对比图中实线为实际输出，虚线为模型输出，在训练集模型拟合程度较高，能够跟踪实际输出变化。图4测试验证图中实线为在线预测输出，虚线为实际输出，预测值与实际值误差较小，且趋势相近，验证得到本专利技术所提出的在线预测模型是有效的。本专利技术：(1)、采用基于模糊C均值聚类与子空间辨识的多模型方法，将全工况条件下的氧量模型表现出来。(2)、在线更新预测模型，能够实时跟踪系统的动态变化，提高烟气含氧量的在线建模精度。(3)、在线更新是基于原有的计算结果和推算简化结论，算法相对简单，能够快速地实现在线计算，保证在线预测的效能。(4)、本专利技术的在线预测系统是一个基于实时运行数据的系统，所需数据均为DCS现有测点数据，易于获取且不需要额外增加硬件设置，该方法普适性强。烟气含氧量实际是锅炉内过量空气系数的另一种表征变量，因此与烟气含氧量最相关的是入口的煤量与空气量，结合实际测点选用了二次风量，引风量，给煤量作为烟气含氧量预测模型的输入。本专利技术一实施例选取了浙江嘉兴电厂机组运行数据作为建模和检验的数据。具体时间窗是2015年1月4日0点到2015年1月12日0点，数据采样时间为1分钟。利用本专利技术提出的烟气含氧量预测模型算法验证了预测模型离线和在线算法的精度。本文档来自技高网...

【技术保护点】
一种燃煤电站烟气含氧量在线预测方法，其特征在于，通过建模实现，包括步骤如下：步骤1)、获取燃煤电站的历史数据样本作为离线模型的训练集；步骤2)、建立离线预测模型，并基于训练样本集对离线模型参数进行辨识；步骤3)、在线获取运行的实时数据，利用离线预测模型计算预测输出；步骤4)、计算预测误差，如果预测误差满足要求则不作处理，如果预测误差不满足要求则累计次数加1，若累计次数没有达到n时，返回步骤2)，对离线模型参数进行辨识，若累计次数达到n时，则在线修正预测模型，n≥5。

【技术特征摘要】
1.一种燃煤电站烟气含氧量在线预测方法，其特征在于，通过建模实现，包括步骤如下：步骤1)、获取燃煤电站的历史数据样本作为离线模型的训练集；步骤2)、建立离线预测模型，并基于训练样本集对离线模型参数进行辨识；步骤3)、在线获取运行的实时数据，利用离线预测模型计算预测输出；步骤4)、计算预测误差，如果预测误差满足要求则不作处理，如果预测误差不满足要求则累计次数加1，若累计次数没有达到n时，返回步骤2)，对离线模型参数进行辨识，若累计次数达到n时，则在线修正预测模型，n≥5。2.根据权利要求1所述的燃煤电站烟气含氧量在线预测方法，其特征在于，步骤1)中的历史数据包括给煤量，二次风量，引风量和烟气含氧量。3.根据权利要求1所述的燃煤电站烟气含氧量在线预测方法，其特征在于，步骤1)选取连续的N组历史运行数据作为样本序列其中样本数据集所对应的负荷数据覆盖全工况范围。4.根据权利要求1所述的燃煤电站烟气含氧量在线预测方法，其特征在于，步骤2)通过结合多模型结构和子空间辨识方法建立离线预测模型。5.根据权利要求4所述的燃煤电站烟气含氧量在线预测方法，其特征在于，建立离线预测模型具体包括如下步骤：步骤51)、利用局部模型网络构建全局模型框架,并采用状态空间形式表示局部子模型，得到一个时变的全局状态空间模型框架；步骤52)、建模初始化准备，人工筛选局部子模型个数，学习常数和要求精度；步骤53)、对训练集数据进行聚类，聚类个数等于局部子模型个数，计算得到局部模型的聚类中心；步骤54)、将输入样本与聚类中心的高斯距离作为该样本对应局部...

【专利技术属性】
技术研发人员：王景成，郭士义，陆晶，黄晓莹，魏紫阳，姜正雄，徐昊天，康迪，袁景淇，
申请(专利权)人：上海电气电站环保工程有限公司，上海交通大学，
类型：发明
国别省市：上海,31