基于SVM与遗传算法燃煤锅炉燃烧多目标优化系统.docVIP

基于SVM与遗传算法燃煤锅炉燃烧多目标优化系统 　　摘要：电站燃煤锅炉燃烧优化要求在保证燃烧效率的基础上降低NOx的排放，针对锅炉燃烧系统多变量、强耦合、强干扰、大滞后的复杂特性，提出利用支持向量机（SVM）对锅炉燃烧特性建模，利用遗传算法实现运行工况寻优，从而获得锅炉燃烧优化调整方式。仿真实验和实践结果表明，该系统实现了锅炉高效低氮的燃烧优化，满足实时性的要求。 　　关键词：燃烧优化；支持向量机；遗传算法；锅炉效率 　　中图分类号：TP391文献标志码：A 　　文章编号：1001－3695(2008)03－0811－03 　　 　　目前，电站燃煤锅炉的运行面临着降低成本与降低污染物排放的双重要求，高效低污染燃烧优化技术日益引起人们的关注。一般而言，煤粉高效燃烧与低NOx排放是互为矛盾的，降低NOx排放的关键在于控制燃烧区域的高温与煤粉高浓度不同时存在，但高温与高浓度不同时存在会影响煤粉的燃烧效率。协调使之综合效果最佳，就要求对煤粉燃烧的全过程加以优化控制[1]。本文基于支持向量机对电站锅炉燃煤效率和NOx排放进行建模。该模型具有拟合精度高、推广能力强、预测精度高和泛化能力强等特点，并结合遗传算法的寻优性搜索锅炉可调参数的最优值。仿真实验和实践结果表明，该系统达到了按一定目标函数的高效燃烧和低NOx排放的整体优化效果，具有很强的实用性。 　　 　　1支持向量 　　 　　目前很多电站锅炉燃烧控制系统均使用神经网络对燃烧运行特性进行建模。这类方法较之传统的正交实验法等数据建模方法而言，具有很好的学习能力且更能有效地处理因素间的非线性关系，同时对于问题的适应能力也很强[2]。但是，这类方法的最终解过于依赖初值，收敛速度比较慢且网络的隐节点数难以确定，因而其最终解在通常情况下仍非最优解[3]。针对这些缺点，利用一种新的人工智能方法，即支持向量机回归方法设计燃烧优化模型。这一方法基于Vapnik统计学习理论、Huber稳健回归理论和Wolfe对偶规划理论[4]。与前向神经网络、径向基函数网络等方法比较，SVM作为分类器具有更强的泛化能力,并且不存在过学习和局部极小点问题，这一算法的计算时间通常可减小1~2两个数量级，而所得回归函数的预测精度则有较大幅度的提高[5]。 　　首先考虑一个两类模式分类问题，设模式样本(xi,yi)服从空间X×Y上的某个未知概率分布p(x,y) (为方便起见，令Y=(1,-1))。目的是寻找一个分类函数，该分类函数将空间X×Y划分为两个子空间，不同的模式样本属于不同的子空间。在两类模式线性可分的情况下，超平面w×x+b=0可将两类区分开，分类为 　　w×xi+b≥0，对于yi=+1；w×xi+b＜0，对于yi=-1 　　如果模式样本可以无误差地划分，以及每一类数据与超平面距离最近的向量与超平面之间的距离最大，则称这个超平面为最优超平面。在两类模式为线性可分的情况求解最优超平面,可以看成解二次型问题，即 　　min Φ(w)=1/2‖w‖??2（1） 　　满足约束条件： 　　yi(w×xi+b)-1≥0；i=1,2,…,l（2） 　　可引入Lagrange乘子ai≥0,i=1,2,…,l，对于式（1）和（2）求解二次规划，得到对应的a和w，以及最优的超平面，有w=??li=1aiyixi，经过变换线性可分条件下的原问题成为对偶问题，求解极大化：max aw(a)=∑li=1ai-1/2∑li=1∑li=1aiajyiyjxi×xj，满足约束条件∑li=1yiai=0。 　　这个问题可用二次规划方法求解。容易证明，解中将只有少部分ai不为零，非零ai对应的样本xi就是支持向量，决策边界仅由支持向量确定。解上述问题后得到的最优分类函数是f(x)=sgn(x×w+b)=sgn(∑li=1yiai(x×xi)+b)，最后根据f(x)的符号来确定x的归属。 　　在两类模式线性不可分的情况下，对于训练样本集xi∈R??d，yi∈R，i=1,…,l，函数回归问题就是寻找一个从输入空间到输出空间的映射f:R??d→R，使得f(x)=y。 　　SVM方法先用非线性映射??:R??d→R??m(m≥d)将输入空间映射到高维的特征空间，再在特征空间中用线性函数来拟合数据集。这样在高维空间实际上只需要进行内积运算，因此，在最优分类面中采用合适的内积函数K(xi×xj)就可以实现某一非线性变换后的线性分类，其相应的分类函数也变为f(x)=sgn(∑li=1yiaiK(x，xi)+b)，这些参数对应的向量就称之为支持向量。常用的核函数有多项式核函数、径向基函数RBF、Sigmoid函数[5]。 　　 　　2基于SVM的锅炉燃烧模型 　　 　　锅炉的燃烧过程是一个复杂的物理与化学过程，影响因素