一種耦合支持向量機遺傳算法的燃燒優(yōu)化方法研究

李錦萍，靳智平，王艷玲

（山西大學(xué)動力工程系，山西太原 030013）

0 引言

循環(huán)流化床技術(shù)作為一種新型煤燃燒技術(shù)，其燃燒過程的復(fù)雜性，運行參數(shù)之間呈現(xiàn)出強耦合、非線性、時變、多變量特點，需要對整個變工況燃燒過程進行整體的協(xié)調(diào)和優(yōu)化控制。文獻[1-4]采用最小二乘支持向量機，改進的遺傳算法和神經(jīng)網(wǎng)絡(luò)通過對模型參數(shù)進行尋優(yōu)，建立的燃燒特性模型，對單一的目標(biāo)進行優(yōu)化時效果比較明顯，對于多個強耦合的目標(biāo)進行優(yōu)化時呈現(xiàn)出不太理想的效果；文獻 [5-7]基于遺傳算法對最小二乘支持向量機的參數(shù)尋優(yōu)，實現(xiàn)了熱效率和污染物排放的雙重優(yōu)化，而受數(shù)據(jù)質(zhì)量問題的制約，不能更加準確地反映模型；文獻 [8]運用改進的最小資源神經(jīng)網(wǎng)絡(luò)建模方法，處理數(shù)據(jù)樣本，建立NOx排放量和熱效率的綜合模型，采用改進的遺傳算法對已經(jīng)建立的模型進行了優(yōu)化，在建模方面雖然能夠反映數(shù)據(jù)和目標(biāo)的映射規(guī)律，提取了數(shù)據(jù)之間的聯(lián)系，但對初值的依賴性很大，而且收斂速度比較慢[9]，指導(dǎo)意義不理想。

本文以某300 MW循環(huán)流化床鍋爐機組為研究對象，模型參數(shù)影響因素如圖1所示，反映出變工況燃燒過程中各模型參數(shù)之間相互影響和制約[10-12]，是一個強耦合、非線性、時變、多變量的控制對象。循環(huán)流化床鍋爐變工況燃燒優(yōu)化模型參數(shù)輸入之間、輸出之間、輸入與輸出之間存在強耦合關(guān)系，有必要對整個變工況燃燒過程進行安全性、經(jīng)濟性和污染物排放量的多重優(yōu)化，才能達到良好的控制效果，優(yōu)化研究方法如圖2所示。

圖1 模型參數(shù)影響因素分析

圖2 優(yōu)化研究方法

1 模型構(gòu)建

1.1 數(shù)據(jù)收集及預(yù)處理

根據(jù)某300 MW循環(huán)流化床機組實際運行情況，在不投油負荷工況下，隨機采集了含64種變量參數(shù)的45組數(shù)據(jù)，每一變工況負荷保持30 min以上運行時間，見表1某300 MW循環(huán)流化床機組燃燒相關(guān)數(shù)據(jù)（a—實時運行數(shù)據(jù)）。

采用粗糙集RS理論[13]，根據(jù)實時運行數(shù)據(jù)的特點，計算各模型參數(shù)之間的相關(guān)度，通過可辨識矩陣，去除無用屬性，取出所有僅包核屬性的元素，作為約簡結(jié)果。約簡結(jié)果包含負荷、主蒸汽溫度、主蒸汽壓力、主蒸汽流量、汽包水位、給煤量、SO2排放量、煙氣量、爐膛差壓、排煙溫度、氧量、床溫、床壓、總風(fēng)量、返料總風(fēng)量、一次風(fēng)率、二次風(fēng)率、NOx排放量、底渣排放量、燃燒效率、鈣硫摩爾比和脫硫效率等22種參數(shù)，其中將給煤量、總風(fēng)量、返料總風(fēng)量作為模型輸出，其余作為模型輸入。

對約簡完的數(shù)據(jù)進行歸一化處理。處理后數(shù)據(jù)見表1某300 MW循環(huán)流化床機組變工況燃燒相關(guān)數(shù)據(jù)（b—歸一化數(shù)據(jù)）。

1.2 建立樣本數(shù)據(jù)

用支持向量回歸機建立模型參數(shù)影響因素的輸入與輸出之間關(guān)系，將多輸入、多輸出的非線性樣本轉(zhuǎn)變?yōu)樘卣骺臻g的線性樣本，從45組數(shù)據(jù)中隨機抽取30組作為模型訓(xùn)練樣本，其余15組作為模型驗證樣本。

2 模型訓(xùn)練

用支持向量回歸機編程[14-15]，選擇徑向基核函數(shù)RBF，將歸一化數(shù)據(jù)代入模型進行模型訓(xùn)練。用遺傳優(yōu)化算法[16]優(yōu)化懲罰函數(shù)c和核函數(shù)光滑因子g，并將優(yōu)化結(jié)果帶入支持向量機程序進行訓(xùn)練，模型訓(xùn)練進化過程如圖3所示，終止進化代數(shù)為200，最優(yōu)參數(shù)懲罰函數(shù)c為4.768 2，核函數(shù)光滑因子g為1.413 4，種群數(shù)量為20。

表1 某300 MW循環(huán)流化床機組變工況燃燒相關(guān)數(shù)據(jù)

圖3 模型訓(xùn)練進化過程

3 模型檢測、分析與對比

3.1 利用檢測樣本驗證

將15組檢測樣本數(shù)據(jù)輸入模型，原始數(shù)據(jù)與回歸預(yù)測數(shù)據(jù)比較后誤差分布如圖4所示，給煤量的絕對誤差量為-5×101～5×101t/h，相對誤差量為-5×10-1～5×10-1；總風(fēng)量的絕對誤差量為-5×103～5×103Nm3/h，相對誤差量為-5×10-3～5×10-3；返料總風(fēng)量的絕對誤差量為-2×102～2×102Nm3/h，相對誤差量為-2×10-2～2×102。

3.2 利用訓(xùn)練樣本再次檢測

將30組訓(xùn)練樣本輸入模型，原始數(shù)據(jù)與回歸預(yù)測數(shù)據(jù)比較后誤差分布如圖5訓(xùn)練樣本給煤量、總風(fēng)量、返料總風(fēng)量誤差分布所示，給煤量的絕對誤差量為-2×100～2×100t/h，相對誤差量為-2×10-2～2×10-2；總風(fēng)量的絕對誤差量為-5×10－3～5×103Nm3/h，相對誤差量為-5×10-3～5×10-3；返料總風(fēng)量的絕對誤差量為-2×102～2×102Nm3/h，相對誤差量為-1×10-2～1×10-2。

3.3 分析與對比

15組檢測樣本數(shù)據(jù)和30組訓(xùn)練樣本檢測模型的結(jié)果顯示，給煤量、總風(fēng)量、返料總風(fēng)量三者的相對誤差量與絕對誤差量之比分別為1%和1%、0.000 1%和 0.000 1%、0.01%和 0.005%。相對于原始數(shù)據(jù)，模型輸出的誤差非常小，能夠?qū)崿F(xiàn)變工況多重燃燒的優(yōu)化。

4 結(jié)論與建議

全面地分析和研究模型參數(shù)之間的影響因素，深度挖掘不同變工況下的實時運行數(shù)據(jù)，耦合支持向量機和遺傳算法構(gòu)建優(yōu)化模型，進行的模型訓(xùn)練和驗證過程，表明該優(yōu)化方法減少了對原始數(shù)據(jù)的依賴性，能夠?qū)崿F(xiàn)多個強耦合目標(biāo)的優(yōu)化，達到了預(yù)期多重燃燒優(yōu)化的目的。

在循環(huán)流化床鍋爐機組投產(chǎn)一段時間后，應(yīng)綜合考慮設(shè)備、環(huán)境、煤質(zhì)、操作等不確定性因素，利用已有的歷史數(shù)據(jù)，分析不同負荷工況下的影響因素及其之間的耦合關(guān)系，尋找、挖掘工況數(shù)據(jù)，確定優(yōu)化目標(biāo)，進行多目標(biāo)優(yōu)化，將優(yōu)化結(jié)果作為依據(jù)，減少燃燒優(yōu)化過程中客觀因素和主觀因素的影響，實現(xiàn)機組安全、經(jīng)濟和環(huán)保運行三贏的目標(biāo)。

圖4 檢測樣本給煤量、總風(fēng)量、返料總風(fēng)量誤差分布

圖5 訓(xùn)練樣本給煤量、總風(fēng)量、返料總風(fēng)量誤差分布

[1]周昊,朱洪波.基于人工神經(jīng)網(wǎng)絡(luò)的大型電廠鍋爐飛灰含碳量建模 [J].中國電機工程學(xué)報，2002,22(6):96-100.

[2]王子杰，李健，孫萬云.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的鍋爐燃燒優(yōu)化方法 [J].華北電力大學(xué)學(xué)報，2008，35(1):14-17.

[3]顧燕萍，趙文杰，吳占松.采用最優(yōu)MVs決策模型的電站鍋爐燃燒優(yōu)化 [J].中國電機工程學(xué)報，2012，32(2):39-44.

[4]許昌，呂劍虹.基于生成機理的燃煤電站鍋爐NOx排放量神經(jīng)網(wǎng)絡(luò)模型 [J].中國電機工程學(xué)報， 2005,24(10):233-237.

[5]周霞，沈炯，沈劍賢,等.一種新的免疫多目標(biāo)優(yōu)化算法及其在鍋爐燃燒優(yōu)化中的應(yīng)用 [J].東南大學(xué)學(xué)報:英文版，2010，26(004):563-568.

[6]李建強，劉吉臻，張欒英,等.基于數(shù)據(jù)挖掘的電站運行優(yōu)化應(yīng)用研究 [J].中國電機工程學(xué)報，2006，26(20):118-123.

[7]魏輝，陸方，羅永浩,等.燃煤鍋爐高效低 NOx運行策略的研究 [J].動力工程，2008,28(3):361-366.

[8]許昌，呂劍虹.電站燃煤鍋爐NOx排放神經(jīng)網(wǎng)絡(luò)模型 [J].鍋爐技術(shù)，2005(2):13-17.

[9]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論 [M].西安:西安電子科技大學(xué)出版社，1990:242-251.

[10]王靈梅，邢德山，蔡新春,等.電廠鍋爐 [M].北京：中國電力出版社，2003:298-302.

[11]路春梅，程世慶，王用征.循環(huán)流化床鍋爐設(shè)備與運行 [M].北京：中國電力出版社，2013:62-64.

[12]盧嘯風(fēng).大型循環(huán)流化床鍋爐設(shè)備與運行 [M].北京：中國電力出版社，2006:203-205.

[13]韓禎祥，張琦，文福拴.粗糙集理論及其應(yīng)用綜述 [J].控制理論與應(yīng)用，1999，16（2）：16-21.

[14]劉永超.基于人工蜂群算法的循環(huán)流化床鍋爐燃燒過程優(yōu)化研究 [D].河北：燕山大學(xué)，2014：5-25.

[15]Cristianini N,Shawe-Taylor J，李國正，等 (譯).支持向量機導(dǎo)論 [M].北京:電子業(yè)出版社，2004.

[16] 劉勇.非數(shù)值并行算法 (第二冊)遺傳算法 [M].北京:科學(xué)出版社，2003:1-6.