基于自校正LS-SVM的電廠鍋爐煙氣含氧量軟測(cè)量系統(tǒng)

唐振浩 段 潔 曹生現(xiàn) 王 恭

(東北電力大學(xué)自動(dòng)化工程學(xué)院，吉林 吉林 132012)

根據(jù)國(guó)家能源局2015年發(fā)布的信息，我國(guó)2014年火力發(fā)電設(shè)備容量為91 615萬(wàn)千瓦，約占全口徑發(fā)電設(shè)備容量的67.32%，這說(shuō)明火力發(fā)電仍然是我國(guó)當(dāng)前最主要的發(fā)電方式?；痣姀S鍋爐生產(chǎn)過(guò)程的重要指標(biāo)是鍋爐煙氣含氧量，煙氣含氧量過(guò)高鍋爐熱效率會(huì)降低，煙氣含氧量過(guò)低則煤炭不能完全燃燒，影響鍋爐熱效率的同時(shí)也容易造成排放物超標(biāo)[1]。因此控制火電廠鍋爐煙氣含氧量在合理范圍內(nèi)，保持鍋爐在最佳的運(yùn)行狀態(tài)，是電廠降低燃料消耗和污染排放的重要手段。為了實(shí)現(xiàn)火電廠鍋爐煙氣含氧量的高精度控制，就要實(shí)時(shí)高精度獲取相關(guān)的檢測(cè)信息。目前常用的煙氣含氧量檢測(cè)方法有：磁式氧氣傳感器和氧化鋯氧氣傳感器。這兩類傳感器的安裝環(huán)境高溫高噪聲，所以經(jīng)常要校正或更換傳感器，而且檢測(cè)結(jié)果的傳輸也比較滯后。

為了解決傳統(tǒng)傳感器技術(shù)的不足，軟測(cè)量技術(shù)成為火電廠鍋爐煙氣含氧量控制的重要技術(shù)之一[2,3]。盧洪波等對(duì)電站鍋爐飛灰含碳量進(jìn)行建模估計(jì)[4,5]，李少華等對(duì)鍋爐煙氣中CO的含量基于神經(jīng)網(wǎng)絡(luò)進(jìn)行建模[6]；在鍋爐煙氣含氧量軟測(cè)量方面，湛騰西、袁俊文及韓璞等分別提出改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行建模，并取得了一定的成果[7～9]；王剛等采用差分進(jìn)化和序列最小優(yōu)化算法(Sequential Minimal Optimization，SMO)相結(jié)合的方法實(shí)現(xiàn)煙氣含氧量的軟測(cè)量[10]。文獻(xiàn)[11～14]分別設(shè)計(jì)了基于支持向量機(jī)和最小二乘支持向量機(jī)的軟測(cè)量方法。這些方法雖然都取得了一定的成果，但在測(cè)量精度方面仍有改進(jìn)空間。

為此，筆者提出一種基于差分進(jìn)化算法的自校正LS-SVM算法建立軟測(cè)量模型，首先根據(jù)已有經(jīng)驗(yàn)和實(shí)際數(shù)據(jù)分析選取適當(dāng)?shù)倪^(guò)程變量，并考慮含氧量變化的時(shí)序特點(diǎn)建立建模數(shù)據(jù)庫(kù)；然后根據(jù)問(wèn)題特點(diǎn)，采用差分進(jìn)化算法校正LS-SVM參數(shù)；對(duì)差分進(jìn)化算法進(jìn)行改進(jìn)，改善算法局部尋優(yōu)能力，獲取更高的測(cè)量精度；最后對(duì)該方法進(jìn)行了驗(yàn)證。

1.1 電廠鍋爐生產(chǎn)過(guò)程

電廠鍋爐生產(chǎn)過(guò)程具有強(qiáng)非線性及時(shí)變性等特點(diǎn)，其生產(chǎn)過(guò)程可以簡(jiǎn)單概括為進(jìn)料、燃燒和廢氣排放3個(gè)部分，如圖1所示。在進(jìn)料過(guò)程中，被磨煤機(jī)研磨成的煤粉經(jīng)一次風(fēng)機(jī)通過(guò)管道送入給粉機(jī)，煤粉經(jīng)過(guò)給煤機(jī)送入爐膛燃燒。燃燒過(guò)程產(chǎn)生的熱量將爐內(nèi)水冷壁中的水加熱形成水蒸氣。燃燒結(jié)束后產(chǎn)生的煙氣經(jīng)引風(fēng)機(jī)排出。

圖1 電廠鍋爐生產(chǎn)過(guò)程簡(jiǎn)圖

1.2 煙氣含氧量數(shù)據(jù)分析

電廠鍋爐生產(chǎn)過(guò)程復(fù)雜，通過(guò)機(jī)理分析可知對(duì)煙氣含氧量影響較大的因素有給水流量、燃料量、主蒸汽流量、主蒸汽壓力、送風(fēng)量、引風(fēng)量、送風(fēng)機(jī)電流、引風(fēng)機(jī)電流、機(jī)組負(fù)荷、再熱蒸汽溫度及排煙溫度等。由于爐況和實(shí)際生產(chǎn)環(huán)境的不同，這些影響因素與煙氣含氧量在實(shí)際生產(chǎn)過(guò)程中的相互關(guān)系也不穩(wěn)定。

針對(duì)不同爐況，用現(xiàn)場(chǎng)采集數(shù)據(jù)進(jìn)行相關(guān)性分析，采用Pearson相關(guān)性分析法對(duì)影響因素和煙氣含氧量之間的相關(guān)性進(jìn)行分析，同時(shí)對(duì)實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行相關(guān)性分析，從分析結(jié)果中選取0.01和0.05水平顯著相關(guān)的變量作為建模輸入量。選取主蒸汽壓力、機(jī)組負(fù)荷、排煙溫度、引風(fēng)機(jī)電流、送風(fēng)量、給水流量、爐膛負(fù)壓、爐膛溫度和再熱器溫度作為所研究鍋爐的主要影響因素；由于溫度變化具有時(shí)序特征，某一時(shí)刻溫度與前N時(shí)刻的溫度相關(guān)，經(jīng)過(guò)相關(guān)性分析，在實(shí)驗(yàn)中選取N為5。在此共選取了14個(gè)參數(shù)作為輸入變量構(gòu)造鍋爐煙氣含氧量軟測(cè)量模型。

2 煙氣含氧量數(shù)據(jù)解析建模

2.1 數(shù)據(jù)預(yù)處理

實(shí)際生產(chǎn)中獲取的數(shù)據(jù)存在噪聲數(shù)據(jù)和數(shù)據(jù)缺失現(xiàn)象，為此采取相應(yīng)的處理方法：

a. 對(duì)數(shù)據(jù)中的噪聲進(jìn)行處理。對(duì)建模時(shí)間段內(nèi)不同參數(shù)的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，計(jì)算各參數(shù)的期望μ和標(biāo)準(zhǔn)差σ。根據(jù)拉依達(dá)準(zhǔn)則，將數(shù)值中在[μ-3σ,μ+3σ]區(qū)間之外的數(shù)據(jù)刪除，根據(jù)含氧量數(shù)據(jù)連續(xù)變化的特征，用刪除時(shí)刻前后兩個(gè)時(shí)刻的平均值代替該數(shù)據(jù)。

b. 對(duì)數(shù)據(jù)缺失進(jìn)行處理。由于檢測(cè)設(shè)備故障或信號(hào)傳輸異常，實(shí)際獲取的數(shù)據(jù)常有數(shù)據(jù)缺失的情況，對(duì)缺失數(shù)據(jù)采用均值插補(bǔ)法進(jìn)行處理，將缺失時(shí)刻前后兩個(gè)時(shí)刻的平均值填補(bǔ)缺失數(shù)據(jù)。

2.2 算法整體結(jié)構(gòu)

基于DE優(yōu)化的自校正LS-SVM算法中的LS-SVM算法根據(jù)DE粒子信息設(shè)定計(jì)算參數(shù)，采用建模數(shù)據(jù)庫(kù)數(shù)據(jù)建立預(yù)測(cè)模型，并計(jì)算所得模型預(yù)測(cè)值的相對(duì)誤差，該誤差作為相應(yīng)粒子的適應(yīng)度函數(shù)值。

2.3 算法實(shí)現(xiàn)

基于DE優(yōu)化的自校正LS-SVM算法流程如圖2所示，具體實(shí)施步驟如下：

a. 將建模數(shù)據(jù)讀入內(nèi)存，采用2.1節(jié)所述方法對(duì)建模數(shù)據(jù)進(jìn)行預(yù)處理。

b. 初始化差分進(jìn)化算法，首先隨機(jī)生成種群個(gè)數(shù)為NP、粒子維數(shù)為ND的種群(ND為所需優(yōu)化參數(shù)的個(gè)數(shù))，然后初始化DE算法參數(shù)F=0.4(F為縮放因子，控制搜索速度，其值越大搜索速度越快)。

c. 計(jì)算粒子適應(yīng)度函數(shù)值，將預(yù)測(cè)誤差作為對(duì)應(yīng)粒子的適應(yīng)度值，首先根據(jù)粒子信息為L(zhǎng)S-SVM參數(shù)賦值；然后采用5-fold方法計(jì)算對(duì)應(yīng)模型的平均測(cè)量誤差，將建模數(shù)據(jù)分為5份，用其中的4份建立軟測(cè)量模型，剩余一份作為檢驗(yàn)數(shù)據(jù)，根據(jù)所建模型計(jì)算得到測(cè)量誤差，重復(fù)進(jìn)行5次并計(jì)算5次測(cè)量誤差的平均值作為對(duì)應(yīng)粒子的適應(yīng)度函數(shù)值。

圖2 基于DE優(yōu)化的自校正LS-SVM流程

d. 如果粒子適應(yīng)度值即所建立模型的測(cè)量誤差達(dá)到終止條件，則停止算法，輸出模型參數(shù)信息；如果沒(méi)有達(dá)到終止條件，則進(jìn)行粒子交叉、變異、選擇操作，執(zhí)行步驟c。

步驟d中，算法達(dá)到最大迭代次數(shù)NLOOP；算法最優(yōu)解在指定代數(shù)NNF內(nèi)不更新；算法計(jì)算時(shí)間達(dá)到指定時(shí)間NMAXT，3個(gè)條件滿足其一就停止算法。

3 實(shí)驗(yàn)與結(jié)果分析

采用國(guó)內(nèi)某電廠的實(shí)際數(shù)據(jù)來(lái)驗(yàn)證算法的有效性，選取其中160組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。計(jì)算機(jī)硬件配置：CPU T5870 2.00GHz，內(nèi)存1.96GByte。相關(guān)算法程序采用VC++6.0編寫。算法參數(shù)設(shè)定：種群數(shù)NP為50個(gè)，種群粒子維數(shù)ND為2，算法最大循環(huán)次數(shù)NLOOP為1 000，最優(yōu)解最大不更新次數(shù)NNF為20，算法最大運(yùn)行時(shí)間NMAXT為30min。實(shí)驗(yàn)用不同算法對(duì)相同時(shí)間段內(nèi)的鍋爐煙氣含氧量進(jìn)行軟測(cè)量，結(jié)果與誤差如圖3、4所示。

圖3 不同算法煙氣含氧量軟測(cè)量結(jié)果

圖4 不同算法的預(yù)測(cè)誤差絕對(duì)值

由圖3可以看出，筆者提出的軟測(cè)量方法與其他算法對(duì)比，均能較好地跟隨煙氣含氧量的變化，反映其變化趨勢(shì)；由圖4可以看出，筆者所提算法與其他算法相對(duì)比，其最大測(cè)量誤差絕對(duì)值低于0.07，相對(duì)誤差低于3%，滿足實(shí)際生產(chǎn)需要。

4 結(jié)束語(yǔ)

針對(duì)電廠鍋爐煙氣含氧量測(cè)量過(guò)程中存在的成本高及測(cè)量數(shù)據(jù)傳輸延遲等問(wèn)題，結(jié)合機(jī)理分析和數(shù)據(jù)相關(guān)性分析選定影響因素，設(shè)計(jì)基于差分進(jìn)化算法的自校正最小二乘支持向量機(jī)算法，用某電廠鍋爐的實(shí)際數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)結(jié)果表明：該算法與其他算法相對(duì)比，其最大測(cè)量誤差絕對(duì)值低于0.07，相對(duì)誤差低于3%，滿足實(shí)際需要，能夠?yàn)殄仩t生產(chǎn)的順利進(jìn)行提供必要參考。

[1] 范晗東,彭鑫,呂玉坤.基于煙氣含氧量的電站鍋爐經(jīng)濟(jì)性優(yōu)化分析研究[J].電力科學(xué)與工程,2009,25(12):40～45.

[2] 周建新,樊征兵,司風(fēng)琪,等.電站鍋爐燃燒優(yōu)化技術(shù)研究發(fā)展綜述[J].鍋爐技術(shù),2008,39(5):33～36.

[3] 田亮,霍秋寶,劉鑫屏,等.電站鍋爐總風(fēng)量軟測(cè)量[J].中國(guó)電機(jī)工程學(xué)報(bào),2014,34(8):1261～1267.

[4] 盧洪波,王金龍.基于LIBSVM和智能算法的電站鍋爐飛灰含碳量?jī)?yōu)化[J].東北電力大學(xué)學(xué)報(bào),2014,34(1):16～20.

[5] 卞和營(yíng),王軍敏.支持向量回歸在飛灰含碳量軟測(cè)量中的應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制,2014,22(2):345～348.

[6] 李少華,許樂(lè)飛,宋東輝,等.基于BP神經(jīng)網(wǎng)絡(luò)的鍋爐煙氣中的CO的測(cè)量[J].東北電力大學(xué)學(xué)報(bào),2014,34(3):85～88.

[7] 湛騰西,郭觀七.電廠煙氣含氧量的智能混合預(yù)測(cè)方法[J].儀器儀表學(xué)報(bào),2010,31(8):1826～1833.

[8] 袁俊文,周正興,王麗,等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煙氣含氧量軟測(cè)量方法[J].黑龍江電力,2011,33(6):418～420.

[9] 韓璞,王東風(fēng),翟永杰.基于神經(jīng)網(wǎng)絡(luò)的火電廠煙氣含氧量軟測(cè)量[J].信息與控制,2001,30(2):189～192.

[10] 王剛,劉林,王朋.基于微分進(jìn)化和SMO算法的煙氣含氧量軟測(cè)量[J].電力科學(xué)與工程,2012,28(2):71～74.

[11] 劉長(zhǎng)良,李淑娜.基于LS-SVM和單純形的煙氣含氧量軟測(cè)量[J].熱能動(dòng)力工程,2010,25(3):292～296.

[12] 許巧玲,林偉豪,趙超,等.基于KPCA-LS-SVM的工業(yè)鍋爐煙氣含氧量預(yù)測(cè)[J].計(jì)算機(jī)與應(yīng)用化學(xué),2012,29(7):834～838.

[13] 張倩,楊耀權(quán).基于支持向量機(jī)回歸的火電廠煙氣含氧量軟測(cè)量[J].信息與控制,2013,42(2):258～263,272.

[14] 周霞,柳善建.基于多目標(biāo)LSSVM回歸的火電廠煙氣含氧量軟測(cè)量[J].計(jì)算機(jī)測(cè)量與控制,2014,22(10):3101～3104.