一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統技術方案

一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統，其特征在于，所述軟測量系統包括模型預測子系統、性能檢測子系統和模型更新子系統，所述模型預測子系統連接至性能預測子系統，所述性能預測子系統連接至模型更新子系統，所述模型更新子系統反饋至模型預測子系統，其中模型預測子系統包括LSSVM模型建立單元和煙氣成分含量預測單元；性能檢測子系統包括樣本預測誤差計算單元和預測誤差判斷單元；模型更新子系統包括最近樣本點選取單元、更新類型判定單元、特征矩陣更新單元、軟測量模型更新單元。

【技術實現步驟摘要】
一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統
本專利技術涉及一種基于最小二乘支持向量機（leastsquaressupportvectormachine，LSSVM）及在線更新的電站鍋爐煙氣軟測量系統，屬于熱工技術和人工智能交叉

技術介紹
為了保證電站鍋爐的安全和優化運行，常常需要獲取鍋爐尾部煙氣中飛灰含碳量和NOx排放等參數的相關信息。目前，這些參數常利用飛灰測碳儀和煙氣連續監測系統（continuousemissionmonitoringsystem，CEMS）等硬件傳感器來測量，但是這些儀器的安裝和維護成本較高，而且由于工作在惡劣的電磁環境中，經常需要離線維修。因此，采用其他易測的鍋爐運行和狀態參數通過一定的數學關系模型來對煙氣成分含量進行預測，具有重要的工程意義。由于燃燒過程的復雜性和不確定性，建立準確的機理模型往往是非常困難的。近年來，電站的信息化使過程運行數據的獲取越來越容易，而且神經網絡、支持向量機等人工智能的發展為基于數據的軟測量技術提供了有效的工具。其中，最小二乘支持向量機（leastsquaressupportvectormachine，LSSVM）以結構風險最小化為原則，與神經網絡相比具有更好的泛化能力。而且，LSSVM利用等式約束代替不等式約束，將學習問題轉化為求解線性方程組，減少了算法的復雜度。在利用LSSVM等方法構建煙氣軟測量模型時，初始樣本的篩選非常重要，在從歷史運行數據庫中選取初始訓練樣本時應盡可能地使其覆蓋全工況。然而事實上，數據庫中存儲的大都是正常的運行工況，并沒有人為主動地調節和設定各個熱工參數，因此很難保證所選的樣本能覆蓋所有工況范圍。在模型建立后，運行過程中操作指令和調節參數的改變可能會帶來新的工況，而模型將無法對煙氣成分含量進行精確預測。另一方面，在運行過程中，煤質的變化以及設備的磨損和維修也會引起煙氣排放特性的變遷，建立的初始模型在運行一段時間后預測精度會逐漸下降，若重新構建模型會帶來繁重的計算負擔，而且也會摒棄原模型中存在的有用信息。因此，利用模型更新來改善其性能，對實現煙氣成分含量的精確測量有著重要的意義。
技術實現思路
本專利技術的目的在于克服現有煙氣排放的時變特性，提出了一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統。一般而言，熱工過程中煙氣排放特性的變化主要由兩方面的因素引起：(1)在運行過程中入爐煤質的變化以及設備的磨損和維修等因素，導致過程特性發生變化；這種特性的變化是不可逆的，也即特性變化后不會再回到先前的運行狀態。(2)由于生產操作指令以及調節參數的改變從而出現一些新的工況狀態；這種特性變化是可逆的，因為隨著調節參數的繼續變化，過程有可能從現狀態切換到先前歷史工況中已有的狀態。針對這兩種特性變化，對應的模型更新方法也有所不同。對于第一種特性變化，需要刪除舊樣本信息。這是因為舊樣本是對先前運行過程的描述，而運行過程已發生了不可逆變化，這些樣本便沒有任何價值，需要用新的樣本來替代，對這種變化的更新應該以樣本替換的形式來實現。而第二種變化則是過程正常運行狀態的改變和切換，因此需要將新樣本信息融入到舊樣本中，以此來拓展模型的工作范圍，對這種變化的更新應該以樣本追加的形式來實現。因此，本專利技術提出通過LSSVM構建初始煙氣排放模型，然后利用樣本追加和樣本替換來實現模型的增量更新。該方法預測精度高、成本低、計算速度快，有利于應用于工程實踐之中。基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統，所述系統包括：1）LSSVM模型建立單元：收集初始訓練樣本來構建LSSVM模型，其中：通過傳感器測量發電機功率、各磨煤機給煤量、各磨煤機入口一次風量、各層二次風和燃盡風風門開度信號，并將測量值存入DCS歷史數據庫中；選擇上述測量值作為軟測量模型的輸入變量，要預測的煙氣成分含量作為模型的輸出變量，從歷史運行數據庫中選取覆蓋范圍大且具有代表性的若干段工況作為初始訓練樣本，記為其中xi∈Rp表示第i組輸入樣本，對應于測量的發電機功率、各磨煤機給煤量、各磨煤機入口一次風量、各層二次風和燃盡風風門開度，yi∈R為第i組輸出樣本，對應于煙氣成分的含量，p為輸入變量個數，n為樣本數量，并構建LSSVM模型；LSSVM模型可描述為以下優化問題：其中，J為目標函數，是核空間映射函數，w為權重向量，γ為懲罰系數，ξi為誤差變量，b為偏差，上標T表示矩陣的轉置；為解此優化問題，定義Lagrange函數如下：其中，α=[α1,…,αn]T為Lagrange乘子；利用Lagrange函數對各變量求偏導，并令導數值為零可得到：消去中間變量w和ξi，將其轉化為求解線性方程組：其中y=[y1,…,yn]T，I為n×n階單位矩陣，Ω={Ωk|k,l=1,…,n}，且定義為核函數；通過求解方程組得到α和b的值為：其中為特征矩陣；從而得到初始的煙氣含量的軟測量LSSVM模型為：其中核函數選取為高斯徑向基函數K(x,xi)=exp(-||x-xi||2/σ2)，σ為核函數參數，h(x)為煙氣成分含量的預測值；2）煙氣成分含量預測單元：利用LSSVM模型建立單元所建立的模型對煙氣成分含量進行預測，也即將傳感器新測得的發電機功率、各磨煤機給煤量、各磨煤機入口一次風量、各層二次風和燃盡風風門開度數據作為輸入變量xq，利用上式得到煙氣成分含量的軟測量值3）樣本預測誤差計算單元：當實際的煙氣成分含量的傳感器測量值yq采集到后，計算樣本(xq,yq)的預測誤差Er：4）預測誤差判斷單元：判斷預測誤差：若Er>Δ，Δ為誤差閾值，則進入最近樣本點選取單元；否則需要判斷判斷測試樣本是否結束，若結束則系統運行結束，否則進入煙氣成分含量預測單元；5）最近樣本點選取單元：從歷史運行數據中選取距新采樣樣本(xq,yq)最近的樣本點(xk,yk)：6）更新類型判定單元：對新采樣的數據樣本進行判斷，根據以下準則確定更新類型：(i)若||xk-xq||2>δ1，則對模型實施樣本追加更新，即直接將新采樣樣本(xq,yq)加入到先前的歷史數據庫中；(ii)若||xk-xq||2≤δ1，則對模型實施樣本替換更新，即用新采樣樣本(xq,yq)來替換先前歷史數據庫中滿足條件||xk-xq||2≤δ2的相似樣本；其中δ1由歷史訓練數據樣本之間的平均距離決定，δ2設為0.5δ1；7）特本文檔來自技高網...

【技術保護點】
一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統，其特征在于，所述軟測量系統包括模型預測子系統、性能檢測子系統和模型更新子系統，所述模型預測子系統連接至性能預測子系統，所述性能預測子系統連接至模型更新子系統，所述模型更新子系統反饋至模型預測子系統，其中模型預測子系統包括LSSVM模型建立單元和煙氣成分含量預測單元；性能檢測子系統包括樣本預測誤差計算單元和預測誤差判斷單元；模型更新子系統包括最近樣本點選取單元、更新類型判定單元、特征矩陣更新單元、軟測量模型更新單元。

【技術特征摘要】
1.一種基于LSSVM及在線更新的電站鍋爐煙氣軟測量系統，其特征在于，所述軟測量系統包括模型預測子系統、性能檢測子系統和模型更新子系統，所述模型預測子系統連接至性能檢測子系統，所述性能檢測子系統連接至模型更新子系統，所述模型更新子系統反饋至模型預測子系統，其中模型預測子系統包括LSSVM模型建立單元和煙氣成分含量預測單元；性能檢測子系統包括樣本預測誤差計算單元和預測誤差判斷單元；模型更新子系統包括最近樣本點選取單元、更新類型判定單元、特征矩陣更新單元、軟測量模型更新單元；其中：所述LSSVM模型建立單元，用于收集初始訓練樣本來構建LSSVM模型；所述煙氣成分含量預測單元，利用此模型對煙氣成分含量進行預測；所述樣本預測誤差計算單元，用于當實際的煙氣成分含量的傳感器測量值采集到后，計算樣本的預測誤差；所述預測誤差判斷單元，用于判斷預測誤差：若，為誤差閾值，則進入最近樣本點選取單元；否則需要判斷，判斷測試樣本是否結束，若結束則系統運行結束，否則進入煙氣成分含量預測單元；所述最近樣本點選取單元，用于從歷史運行數據中選取距新采樣樣本最近的樣本點，其中；所述更新類型判定單元，根據新采樣樣本與其最近的樣本之間的距離進行判斷并確定更新類型；所述特征矩陣更新單元，根據確定的更新類型，對LSSVM模型建立單元獲得的初始LSSVM模型進行增量更新，即對特征矩陣的計算更新；所述軟測量模型更新單元，用于將求得的新的模型的特征矩陣計算得到相應的模型參數和，實現對煙氣軟測量模型的更新，再利用新的模型對煙氣成分含量進行預測；所述更新類型判定單元中采用的判斷準則是：(i)若，則對模型實施樣...

【專利技術屬性】
技術研發人員：楊婷婷，呂游，劉吉臻，
申請(專利權)人：華北電力大學，
類型：發明
國別省市：