一种基于粒子群参数优化的飞灰含碳量预测方法技术

本发明专利技术涉及一种基于粒子群参数优化的飞灰含碳量预测方法，根据飞灰含碳量的生成机理以及燃烧系统可测的运行参数，通过机理分析，初选影响飞灰含碳量的影响因素；从历史数据库中获得影响因素的长期历史数据，借助于互信息关联分析，去掉冗余的相关变量和与飞灰含碳量关联性不大的变量，筛选出飞灰含碳量软测量模型的输入变量；在此基础上，采用支持向量机和粒子群优化算法建立飞灰含碳量的软测量模型，实现对飞灰含碳量的实时预测。通过本发明专利技术，能够有效地及时地指导锅炉运行，提高锅炉燃烧效率。率。率。

【技术实现步骤摘要】
一种基于粒子群参数优化的飞灰含碳量预测方法


[0001]本专利技术涉及机器学习
，更具体地说，涉及一种基于粒子群参数优化的飞灰含碳量预测方法。

技术介绍

[0002]飞灰含碳量是影响锅炉燃烧效率的较为重要的运行经济指标和技术指标之一。然而由于人为因素和目前工业水平等条件的制约，存在化验结果具有时间滞后性和测量结果代表性较低等严重的不足，不能有效地及时地指导锅炉运行，提高锅炉燃烧效率。
[0003]锅炉的燃烧效率与它的各项热损失密切相关，锅炉的主要热损失包括：机械不完全燃烧所造成的热损失、排烟温度过高所造成的热损失、化学不完全燃烧所造成的热损失、灰渣物理含带大量的热损失及保温效果不佳所造成的散热损失组成。对以上的热损失进行分析发现，锅炉燃烧最要的热损失主要被一下两项占据，分别是：排烟损失及机械不完全燃烧所造成的热损失，这两项热损失的影响因素多而且复杂。其中，在机械不完全燃烧所造成的热损失中，飞灰可燃物是其重要组成部分，不可忽略。衡量锅炉的燃烧效率的一个重要指标就是飞灰可燃物的高低。飞灰可燃物偏高，大致有以下几点体现：
[0004](1)锅炉的热效率会随着飞灰可燃物的偏高出现负增长的情况；
[0005](2)由于燃烧不充分，使炉膛内会存在还原性气氛，水冷壁管在缺氧区域会受含碳炭粒的冲撞，由于长时间的被冲撞，易产生腐蚀。这还会造成过热器和水冷壁等结焦，主要由长期存在还原性气体中，其熔点低于氧化性气氛所造成；
[0006](3)飞灰可燃物较高时，煤粉将会不可能被完全燃尽，这时候火焰中心将上移，这会导致炉膛出口区域的烟气温度偏高，高温过热器、再热器管位于该区域，其温度将随之超高，那么会导致主汽温度的调整稳定会受到的影响，长时间运行，爆管等突发性事故发生概率会增高。若飞灰含碳量居高不下，锅炉的后烟井部分也会因此被波及，主要体现在低温段过热器温度偏高造成的磨损情况的发生；长时间运行将加重上述的不利影响，将会给锅炉的安全运行带来很大挑战；
[0007](4)飞灰含碳量偏高，会对环境造成一定的污染，且电除尘的效率普遍降低。
[0008]基于以上分析，及时的准确的监测锅炉含碳量信号显得尤为的重要。而影响燃煤锅炉飞灰含碳量的直接、间接因素很多，例如：燃用煤种情况、锅炉的设计制造安装水平、锅炉操作运行水平等。影响因素众多且相互关系复杂，用简单的公式来准确表达是不可行的，目前通用的办法是采用实炉测试的方法来测定飞灰含碳量值，并利用合理的风煤比配送来降低飞灰含碳量。现场实炉测试，存在着运行测试工况有限等弊端，即不能尽可能的包含各个负荷点的运行工况。而在火电厂实际运行中其运行的参数变化多端，每种也不尽相同长期测定，来获得合理的运行这种做法是不可靠的。

技术实现思路

[0009]为解决上述技术问题，本专利技术提供了一种基于粒子群参数优化的飞灰含碳量预测
方法。
[0010]本专利技术解决其技术问题所采用的技术方案是：构造一种基于粒子群参数优化的飞灰含碳量预测方法，包括：
[0011]从数据库中提取飞灰含碳量的历史数据，筛选对应飞灰含碳量的历史数据的影响参数，并划分训练集和测试集；
[0012]采用支持向量机和粒子群优化算法建立飞灰含碳量测量模型，将训练集中对应飞灰含碳量历史数据的影响参数作为输入变量，输入飞灰含碳量测量模型中进行训练，训练完成后通过测试集，对训练结果进行测试；
[0013]将实时的飞灰含碳量的影响参数输入至训练好的飞灰含碳量测量模型，输出对应的飞灰含碳量。
[0014]其中，筛选对应飞灰含碳量的历史数据的影响参数的步骤包括：
[0015]根据锅炉燃烧运行参数，初选28个燃烧参数作为飞灰含碳量的影响参数；其中，28个燃烧参数分别为负荷、总风量、总煤量、总蒸汽量、氧量、A侧氧量、B侧氧量、A侧一次风压、B侧一次风压、2个空预器出口二次风温、6个磨煤机出口温度、2个炉膛出口温度、9个二次风门开度；
[0016]对影响参数进行数据去重和异常值去除，删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据；
[0017]根据互信息理论，对初选的影响参数进行数据特征量的提取，计算各影响参数的权重，选取权重大于预设阈值的影响参数作为飞灰含碳量测量模型的输入变量。
[0018]其中，作为飞灰含碳量测量模型的输入变量的十个影响参数分别为：二次风温B、二次风温A、总蒸汽流量、B侧氧量、A侧氧量、A一次风量、总煤量、氧量、负荷、B一次风量。
[0019]其中，在采用支持向量机和粒子群优化算法建立飞灰含碳量测量模型的步骤中，构建支持向量机的飞灰含碳量测量模型，通过粒子群优化算法对飞灰含碳量测量模型进行优化，构建支持向量机的飞灰含碳量测量模型具体包括步骤：
[0020]支持向量机核函数的内积公式如公式(1)表示：
[0021]Φ(x
i
)
T
·
Φ(x
j
)＝K(x
i
,x
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0022]其中，Φ(x)为非映射关系，K(x
i
,x
j
)为支持向量机的核函数；
[0023]设定一组非线性样本集S＝{(x
i
,y
i
),i＝1,2,
…
l}，式中x
i
∈R
n
为预报因子，y
i
∈R
n
则为预报的对象，y＝f(x)具有典型的非线性关系，所描述的问题即为非线性回归问题；
[0024]判别标准选用线性ε不敏感损失函数，如公式(2)所示：
[0025][0026]ε决定了SVM支持向量的泛化能力和个数，若预测值和实测值的误差在ε范围内，则定义损失为0；
[0027]通过将样本空间映射到另一高维空间并实现相应的线性回归分析后，利用反向还原使初始样本数据完成回归运算，该过程所表达的函数关系如公式(3)所示：
[0028]f(x)＝w
·
Φ(x)+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0029]通过加入松弛因子ξ
i
＝(ξ1,
…
ξ
n
)，i＝1,2,
…
,n，将带约束的最优化目标函数问题做如公式(4)表达：
[0030][0031]其中，w、b为权向量和偏置量，c为与拟合度保持正相关性的惩罚参数；
[0032]如公式(5)，引入Lagrange函数，
[0033][0034]拉格朗日因子L的极值应符合Karush-Kuhn-Tucker条件(KKT条件)，即将Lagrange乘数法所处理涉及等式的约束优化问题推广至不等式，最佳解的必要条件包括Lagrange函数的定常方程式、原始可行性、对偶可行性以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群参数优化的飞灰含碳量预测方法，其特征在于，包括：从数据库中提取飞灰含碳量的历史数据，筛选对应飞灰含碳量的历史数据的影响参数，并划分训练集和测试集；采用支持向量机和粒子群优化算法建立飞灰含碳量测量模型，将训练集中对应飞灰含碳量历史数据的影响参数作为输入变量，输入飞灰含碳量测量模型中进行训练，训练完成后通过测试集，对训练结果进行测试；将实时的飞灰含碳量的影响参数输入至训练好的飞灰含碳量测量模型，输出对应的飞灰含碳量。2.根据权利要求1所述的基于粒子群参数优化的飞灰含碳量预测方法，其特征在于，筛选对应飞灰含碳量的历史数据的影响参数的步骤包括：根据锅炉燃烧运行参数，初选28个燃烧参数作为飞灰含碳量的影响参数；其中，28个燃烧参数分别为负荷、总风量、总煤量、总蒸汽量、氧量、A侧氧量、B侧氧量、A侧一次风压、B侧一次风压、2个空预器出口二次风温、6个磨煤机出口温度、2个炉膛出口温度、9个二次风门开度；对影响参数进行数据去重和异常值去除，删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据；根据互信息理论，对初选的影响参数进行数据特征量的提取，计算各影响参数的权重，选取权重大于预设阈值的影响参数作为飞灰含碳量测量模型的输入变量。3.根据权利要求2所述的基于粒子群参数优化的飞灰含碳量预测方法，其特征在于，作为飞灰含碳量测量模型的输入变量的十个影响参数分别为：二次风温B、二次风温A、总蒸汽流量、B侧氧量、A侧氧量、A一次风量、总煤量、氧量、负荷、B一次风量。4.根据权利要求1所述的基于粒子群参数优化的飞灰含碳量预测方法，其特征在于，在采用支持向量机和粒子群优化算法建立飞灰含碳量测量模型的步骤中，构建支持向量机的飞灰含碳量测量模型，通过粒子群优化算法对飞灰含碳量测量模型进行优化，构建支持向量机的飞灰含碳量测量模型具体包括步骤：支持向量机核函数的内积公式如公式(1)表示：Φ(x
i
)
T
·
Φ(x
j
)＝K(x
i
,x
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，Φ(x)为非映射关系，K(x
i
,x
j
)为支持向量机的核函数；设定一组非线性样本集S＝{(x
i
,y
i
),i＝1,2,
…
l}，式中x
i
∈R
n
为...

【专利技术属性】
技术研发人员：郄英杰，刘金学，李勇，和雄伟，许彦君，王建峰，杨恩伟，刘金达，柳建民，朱高峰，柴飞虎，
申请(专利权)人：山西漳山发电有限责任公司，
类型：发明
国别省市：