基于gsa-lssvm的循环流化床锅炉飞灰含碳量预测 the prediction of the carbon content of fly ash of circulating fluidized bed boilers based on gsa-lssvm.pdfVIP

第47卷第2期 锅 炉 技 术 V01．47，NO．2 2016年3月 BOILERTECHNOLOGY Mar．，2016 基于GSA．LSSVM的循环流化床锅炉飞灰含碳量预测 麻红波，余瑞锋，倪艳红，张 彬 (北京华能新锐控制技术有限公司，北京102209) 摘要： 为了控制循环流化床锅炉飞灰含碳量，提高锅炉燃烧效率。以某电厂循环流化床锅炉燃烧数据为 样本，应用最小二乘支持向量机(LSSVM)建立了以锅炉运行参数为输入量，以锅炉飞灰含碳量为输出的模 型。由于最小二乘支持向量机的参数决定了模型精度及泛化能力，将万有引力搜索算法(GSA)运用到模型参 数寻优过程中，得到了飞灰含碳量最优模型GSA—LSSVM；并利用不同工况下的样本数据检验了模型的预测 LSSVM模型具有很好的辨识能力及泛化能力。 关键词： 万有引力搜索算法；最dx--乘支持向量机；优化；飞灰含碳量 中图分类号：TK229．6+6 文献标识码：A 文章编号：1672—4763(2016)02—0053—04 中的泛化问题[6-9]。该算法可用于得到全局最优 0 前 言 解，解决了神经网络中的局部极小值问题，且适 锅炉飞灰含碳量是评价锅炉燃烧经济性的 合于小样本学习，成为了模式识别和数据挖掘等 重要指标，是锅炉设计和运行人员一直关心的一 领域的重要研究手段。最小二乘支持向量机 LSSVM(1east vector 个重要问题。因此，实时准确监测飞灰含碳量， squaresupportmachine)是 将有利于调整风煤比，提高锅炉燃烧控制水平， 以二次损失函数为经验风险的支持向量机，它以 提高机组运行的安全性和经济性[1≈]。然而锅炉 等式约束代替不等式约束，将模型的训练转化为 飞灰含碳量受到如煤种、锅炉负荷、炉膛温度、过 线性方程组的求解，简化了计算，缩短了训练时 剩空气系数、煤粉细度、风粉分配均匀性等多种 间，且训练结果更具确定性[1“地1 因素的影响，很难通过简单的公式进行估算；而 1 最小二乘支持向量机简介 且各影响因素相互耦合，导致现场测量工作量 大、精度低并且滞后较大，不能真实地反映炉内 最小二乘支持向量机(LSSVM)是在普通 燃烧状况。为了解决这类测量和控制难题，必须 SVM的基础上演变而来的，它是在二次损失函 利用一些与被测变量密切相关的易于实时测量 数下的标准SVM的一种表现形式，与标准SVM 的变量，通过在线分析，来估计不可测或难测量 相比，LSSVM只求解相应的线性方程，从而使得 变量。其技术核心是建立被测量的数学模型。 近年来BP神经网络的“黑箱模型”在非线性 在函数逼近和估计中得到了较为广泛的应用。 系统建模和控制方面得到了广泛应用∞]，但BP LSSVM在最优化目标中将误差e。的二次 神经网络有计算耗费时间长和容易陷入“过拟 方项作为损失函数，设采集样本为押维向量，在 合”的缺点，从而限制了BP神经网络的预测推广 某个区域的1个样本为： vectormachine， (z1，Y1)，(z2，Y2)，…，(z^，Y^)， 能力[4巧]。支持向量机(Support SVM)算法作为一种新的统计学习方法在建模 …，(z”Yf)∈R”×R (1) 方面显示了强大的