电站锅炉典型热工参数软测量研究.pdfVIP

电站锅炉典型热工参数软测量研究 罗嘉 陈世和 张曦 吴乐 广东电网有限责任公司电力科学研究院 2015热工自动化专业年会 1 内容提要 1 技术背景 2 基于LSSVM 的热工参数软测量 3 飞灰含碳量及烟气含氧量软测量 4 软测量验证 5 结论 内容提要 2 1 技术背景 ▉ “节能”、“减排”是电站运行的重点； ▉某些参数无法直接测量或投资大 ▉机组SIS保存了海量数据，为热工参数的学习建模提供了可能 ▉学习建模方法：主元分析（PCA）、偏最小二乘法（PLA）、人工神经网络（ANN ）、 支持向量机（SVM）/最小二乘支持向量机（LSSVM）、模糊辨识建模等 背景 3 2 基于LSSVM 的热工参数软测量 根据统计学习理论，LSSVM预测模型可以写为： 为支持向量； 为对应支持向量的支持值； 为偏置； 为核函数。 LSSVM学习及预测过程 2.1 LSSVM 回归 4 2 基于LSSVM 的热工参数软测量 ☞静态模型 y k f (xk ) 描述了k时刻输入与k时刻输出之间的关系。只有当过程进入稳 态或准稳态时，此关系才有意义。 ☞动态模型   其中 x [u ,u , ..., u , y f (x ) k k -m dx k -m -1 dx k 1 dx − − −− k k x x y k -ny −dy , y k -ny -1−dy , ...y k -1−dy ] mx 系统输入的阶数； 系统的状态转移与时间有关； n y 系统输出的阶数； 对数据进行动态处理将扩大其维数，计算量增加； dx 系统输入延迟参数； 目前计算单元计算能力强； dy 系统输出延迟参数。 热工参数LSSVM动态建模方法具有较强的可实施性。 2.2 LSSVM动态建模 5 2 基于LSSVM 的热工参数软测量 电站锅炉具有时变特征，软测量模型必然面临着模型失配问题； 本文基于“欧式距离”准则模型更新方法的核心是“用新样本替换旧样本”，以更新训练样本集； 潜在训练样本(例如，飞灰含碳量的化验值)进行一次预测后，对比预测值与实际值的偏差，若偏差小 于预定允许误差，则不进行模型更新；反之，则进入模型更新流程； 模型更新时，分别计算潜在训练样本与其他样本的欧式距离，并搜索与之距离最大的样本，用新样本 替换此样本，构成新训练样本集； 用新训练样本集重新训练LSSVM ，获得模型的新参数，完成模型更新。 2.3 模型更新 6 3飞灰含碳量及烟气含氧量软测量 研究对象为广东某电厂6