基于LSSVR磨煤机一次风量软测量.docVIP

基于LSSVR磨煤机一次风量软测量 【摘要】在电厂燃煤机组中，用于锅炉燃烧和煤粉输送的一次风，直接关系到炉膛内的实际燃烧工况，适当的一次风量对于磨煤机乃至整台机组的正常运行具有重要意义。本文基于最小二乘支持向量回归算法建立了风量软测量模型，核函数采用高斯径向基函数，并以某电厂DCS历史数据中选取的数据作为训练样本和测试样本，通过训练样本数据特征获取模型参数，实现对火电机组风量的准确测量和研究，经实验验证表明该方法能够获得比现有的流量仪表更高的准确度，软测量技术在热工检测过程中具有较好的应用前景。 【关键词】软测量；支持向量机；建模；一次风量 1.引言 在火电厂锅炉燃烧系统中，长期稳定、准确地测量一次风量是锅炉合理地配风，调整磨煤机风煤比例，优化燃烧的关键。然而由于一次风是含尘气流，很容易造成测量装置堵塞和磨损，加之制粉系统布置空间限制，冷、热风管道没有足够的直管段，测点不容易布置等一系列原因[1]，使得大部分火电厂中使用现场仪表（如差压式流量计、热式质量流量计等）测量得到的一次风量值与实际值存在很大偏差，造成运行人员燃烧调整缺乏依据。尽管许多研究人员和仪表生产厂家针对提高风量测量的准确度问题提出了很多改进措施，但仍存在磨煤机一次风量测量设备难以满足防堵、耐磨、低压损及对直管段长度等的要求，同时流场、温度压力变化等因素影响流量仪表的精确度和可靠性问题。 软测量技术是应用统计方法或人工智能等方法，通过建立软测量模型，利用可在线测量的变量来推断和估计不可在线测量的变量，应用软测量方法可以对目前无法用硬件仪表测量的参数用软件来代替硬件进行实时的准确测量，测量估计值可作为控制系统的被控变量或反映过程特性的工艺参数，为优化控制与决策提供重要的信息。我国火力发电的能源利用率相对较低，主要影响因素之一是许多重要的技术参数和经济参数难以在线实时测量，为提高经济效益和运行水平，热工参数的准确测量成为首要解决的问题[2]。针对这一问题，本文应用软测量建模方法结合火电厂锅炉燃烧系统的实际应用，对磨煤机风量软测量中辅助变量的选择、数据预处理、测量模型的建立及在线校正等问题进行了研究，并对文中提出的方法进行了实验验证和评价。 2.软测量基本思想及支持向量机原理 软测量的基本思想是把自动控制理论与生产工艺过程知识有机结合起来，应用计算机技术对于一些难于测量或暂时不能测量的重要变量(称之为主导变量)，选择另外一些容易测量的变量(称之为辅助变量或二次变量)，通过构成某种数学关系来推断和估计，以软件代替硬件(传感器、仪器)功能。软测量技术的三要素是软测量技术的适用性、数学模型的建立和数学模型的校正。支持向量机以统计学习理论为理论体系，通过寻求结构风险最小化来实现实际风险的最小化，追求在有限信息的条件下得到最优的结果[3]。 2.1 软测量模型结构 软测量技术的核心是建立工业对象的可靠模型，初始软测量模型是对过程变量的历史数据进行辨识而来的。软测量模型的输出就是软测量对象的实时估计值，在应用过程中，软测量模型的参数和结构并不是一成不变的，随着时间迁移，工况和操作点可能发生改变，需要对它进行在线或离线修正，以得到更适合当前工况的软测量模型，提高模型的适用范围。如图1所示的软测量结构，表明了在软测量中各模块之间的关系，见图1。 2.2 支持向量机原理 支持向量机(Support Vector Machine，SVM)是由Vapnik最早提出的一种统计学习方法，采用结构风险最小化原则(Structural Risk Minimization，SRM)，而不是传统的经验风险最小化原则(Empirical Risk Minimization，ERM)，有效地解决了小样本、非线性、高维数、局部极小等实际问题，具有很强的泛化推广能力。支持向量机算法是一个凸二次优化问题，能够保证找到的极值解就是全局最优解，而且具有唯一性。最小二乘支持向量机(least squares support vector machine，LS-SVM)是在SVM基础上的改进，是支持向量机在二次损失函数下的一种形式，其训练只需求一个线性方程组，便于实现，并很大程度提高了SVM的训练效率，因此在非线性建模领域和工业领域有广泛的应用前景。本文采用支持向量机回归(Support Vector Regression，SVR)方法和最小二乘支持向量回归机(least squares support vector regression，LSSVR[5])方法建立磨煤机一次风量软测量模型并进行仿真研究，应用模型也可实现对其它难测热工参数的测量。 3.软测量模型的建立 建模是软测量的核心问题，软测量建模过程主要包括辅助变量选择，数据预处理，模型算法和模型结构选择。