鍋爐實時運行的輸入數(shù)據(jù)，即式1中的輸入向量值，利用最小二乘支持向量機建模 模塊中對應(yīng)負荷段的床溫模型，預測出動態(tài)床溫值。
[0079] 具體實施例二
[0080] 以東方鍋爐廠制造的某600MW超臨界CFB機組鍋爐作為研究對象，帶外置床換熱 器。數(shù)據(jù)選取與預處理模塊采集了連續(xù)八天17280組運行數(shù)據(jù)（命名為數(shù)據(jù)組1)，取一天 2160組運行數(shù)據(jù)（命名為數(shù)據(jù)組2)，采樣時間為40秒，初步選取歷史床溫數(shù)據(jù)階次p的范 圍為[0, 8]，一次風量階次m的范圍為[0, 9]，給煤量階次n的范圍為[0, 15]。
[0081] 動態(tài)階尋優(yōu)模塊中按照負荷將數(shù)據(jù)組1中分為3段作為訓練數(shù)據(jù)：負荷段1為 300麗~400麗；負荷段2為400麗~500麗；負荷段3為500麗~600麗，以數(shù)據(jù)組2中對 應(yīng)負荷段的數(shù)據(jù)作為預測數(shù)據(jù)。
[0082] 以訓練的均方根誤差RMSE為優(yōu)化的目標函數(shù)進行離線尋優(yōu)，每個負荷段下均采 用十進制編碼的遺傳算法進行優(yōu)化，初始種群為150,變異率為0. 15,交叉率為0. 65,迭代 次數(shù)為100。如果尋優(yōu)的結(jié)果RMSE小于0. 8,將尋優(yōu)結(jié)果對應(yīng)的p、m、n值作為對應(yīng)負荷段 的最佳動態(tài)階組，更新最小二乘支持向量機建模模塊中對應(yīng)負荷段的床溫模型。否則從數(shù) 據(jù)選取與預處理模塊中選取更多的數(shù)據(jù)，繼續(xù)優(yōu)化。
[0083] 實時從DCS中獲取機組負荷，判斷在其所處的負荷段以及對應(yīng)的p、m、n。從DCS 中獲取鍋爐實時運行的輸入數(shù)據(jù)，即式1中的輸入向量值，利用最小二乘支持向量機建模 模塊中對應(yīng)負荷段的床溫模型，預測出動態(tài)床溫值。
【主權(quán)項】
1. 一種循環(huán)流化床鍋爐動態(tài)床溫預測系統(tǒng)，通過建立循環(huán)流化床鍋爐動態(tài)床溫的預測 模型，充分考慮在不同負荷段下循環(huán)流化床鍋爐機組的延遲、慣性和蓄熱差異，提高精度， 對鍋爐機組的安全、環(huán)保運行和控制系統(tǒng)進行優(yōu)化，其特征在于，所述系統(tǒng)包括： 最小二乘支持向量機建模模塊； 數(shù)據(jù)選取與預處理模塊； 動態(tài)階尋優(yōu)模塊； 動態(tài)床溫預測模塊及DCS系統(tǒng)與數(shù)據(jù)庫； 所述DCS系統(tǒng)與數(shù)據(jù)庫與所述數(shù)據(jù)選取與所述預處理模塊、動態(tài)床溫預測模塊連接， 所述數(shù)據(jù)選取與預處理模塊與所述最小二乘支持向量機建模模塊，所述最小二乘支持向量 機建模模塊與所述動態(tài)床溫預測模塊雙向連接。2. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于， 所述最小二乘支持向量機建模模塊用于建立最小支持向量機算法床溫模型； 所述DCS系統(tǒng)與數(shù)據(jù)庫將機組運行的歷史數(shù)據(jù)傳輸給所述數(shù)據(jù)選取與預處理模塊；所 述DCS系統(tǒng)與數(shù)據(jù)庫將機組實時運行數(shù)據(jù)傳輸給所述動態(tài)床溫預測模塊； 所述數(shù)據(jù)選取與預處理模塊對歷史數(shù)據(jù)處理，選取出的訓練數(shù)據(jù)； 所述動態(tài)階尋優(yōu)模塊對選取出的訓練數(shù)據(jù)進行處理，確定最佳動態(tài)階組； 所述床溫動態(tài)預測模塊，根據(jù)所述最小二乘支持向量機建模模塊建立的最小支持向量 機算法床溫模型及機組實時運行數(shù)據(jù)預測動態(tài)床溫值。3. -種循環(huán)流化鍋爐動態(tài)床溫預測方法，利用上述步驟1-2之一所述的一種循環(huán)流化 鍋爐動態(tài)床溫預測系統(tǒng)，其特征在于，包括以下步驟： 步驟1)利用所述最小二乘支持向量機建模模塊構(gòu)建最小二乘支持向量機模型； 步驟2)利用所述數(shù)據(jù)選取與預處理模塊，選取最小二乘支持向量機建模模塊中最小 二乘支持向量機算法訓練數(shù)據(jù)； 步驟3)所述動態(tài)階尋優(yōu)模塊根據(jù)步驟1)建立的最小二乘支持向量機模型，對所述步 驟2)確定的訓練數(shù)據(jù)中的動態(tài)階最優(yōu)值進行選??； 步驟4)所述動態(tài)床溫預測模塊根據(jù)步驟3)選取的最優(yōu)動態(tài)階最優(yōu)值與鍋爐實時運行 的輸入數(shù)據(jù)，預測出動態(tài)床溫值。4. 根據(jù)權(quán)利要求3所述的一種循環(huán)流化鍋爐動態(tài)床溫預測方法，其特征在于，所述步 驟1)最小二乘支持向量機模型為： y (k) = f [y(k-l),......, y (k-p) !X1GO,......, X1 (k-m) ；x2(k),......, x2 (k-n)] (I) 構(gòu)建所述最小二乘支持向量機模型中，采用高斯徑向基函數(shù)核，即 K (x, Xi) = exp (-1 I X-Xi I IV 〇 2) 其中所述x (k)是模型的輸入量，所述X1 (k)，· · ·，X1 (k-m)與所述x2 (k)，· · ·，x2 (k-n) 分別為循環(huán)流化床鍋爐中對應(yīng)采樣時刻決定床溫的給煤量、一次風量；所述y(k)為當前床 溫輸出；所述y (k-1)，...，y (k-p)表示歷史床溫輸出，所述p、m、η分別代表歷史床溫動態(tài) 階次、一次風量動態(tài)階次和給煤量動態(tài)階次，所述σ為一個位置參數(shù)。5. 根據(jù)權(quán)利要求4所述的一種循環(huán)流化鍋爐動態(tài)床溫預測方法，其特征在于，構(gòu)建所 述最小二乘支持向量機模型，采用最小二乘支持向量算法，所述最小二乘支持向量機算法 和所述高斯徑向基函數(shù)核包含兩個未知參數(shù)C與σ，利用網(wǎng)格搜索法和交叉驗證進行： 步驟1. 1)設(shè)定c與〇的候選集為比較松散的網(wǎng)格{(cl，〇 1)，…，（cl，〇 1)}，以網(wǎng)格 中的節(jié)點進行交叉驗證，得到最小誤差所對應(yīng)的網(wǎng)格節(jié)點； 步驟1. 2)根據(jù)上述步驟1. 2)得到的網(wǎng)格節(jié)點構(gòu)造新的網(wǎng)格，以網(wǎng)格中的節(jié)點為參數(shù) 進行檢驗，得到最優(yōu)的c與σ的值； c的初始值取50,范圍為O~150, σ的初始值取0. 5,范圍為O~4。6. 根據(jù)權(quán)利要求5所述的一種循環(huán)流化鍋爐動態(tài)床溫預測方法，其特征在于，所述步 驟2)包括以下步驟： 步驟2. 1)確定采樣時間ts，單位：秒，從所述DCS系統(tǒng)與數(shù)據(jù)庫獲取歷史數(shù)據(jù)，包括時 間點、機組負荷、給煤量、一次風量、床溫值； 步驟2. 2)根據(jù)步驟2. 1)獲取的歷史數(shù)據(jù)，分負荷段建立所述最小二乘支持向量機模 型，分區(qū)范圍在30~100麗之間； 步驟2. 3)根據(jù)上述步驟2. 2)分化區(qū)間，挑選不同負荷段下一定量的歷史運行數(shù)據(jù)作 為訓練數(shù)據(jù)。7. 根據(jù)權(quán)利要求6所述的一種循環(huán)流化鍋爐動態(tài)床溫預測方法，其特征在于，所述動 態(tài)階尋優(yōu)模塊利用均方根誤差對所述步驟2. 3)選取的訓練數(shù)據(jù)中的動態(tài)階最優(yōu)值進行選 取，所述均方根誤差用來衡量觀測值同真值之間的偏差，它是觀測值與真值偏差的平方和 觀測次數(shù)η比值的平方根，即8. 根據(jù)權(quán)利要求7所述的一種循環(huán)流化鍋爐動態(tài)床溫預測方法，其特征在于，為保證 模型預測實時性，尋優(yōu)部分離線進行，每個負荷段下均采用十進制編碼的遺傳算法進行優(yōu) 化，如果尋優(yōu)結(jié)果所述均方根誤差小于1，將尋優(yōu)結(jié)果對應(yīng)的P、m、n值作為對應(yīng)負荷段的動 態(tài)階最優(yōu)值，更新所述最小二乘支持向量機模型中對應(yīng)負荷段的床溫模型，否則從所述數(shù) 據(jù)選取與預處理模塊中選取更多的訓練數(shù)據(jù)，繼續(xù)優(yōu)化。9. 根據(jù)權(quán)利要求8所述的一種循環(huán)流化鍋爐動態(tài)床溫預測方法，其特征在于，所述p的 范圍為0~300/ts，所述m的范圍為0~360/ts，所述η的范圍為0~600/ts，間隔為1。
【專利摘要】本發(fā)明涉及一種循環(huán)流化床鍋爐動態(tài)床溫預測系統(tǒng)及方法，所述模型包括最小二乘支持向量機建模模塊、數(shù)據(jù)選取與預處理模塊、動態(tài)階尋優(yōu)模塊、動態(tài)床溫預測模塊、DCS系統(tǒng)與數(shù)據(jù)庫。通過所述最小二乘支持向量機建模模塊用于建立LSSVM床溫模型，利用所述數(shù)據(jù)選取與預處理模塊、動態(tài)階尋優(yōu)模塊確定算法參數(shù)，結(jié)合機組實時運行數(shù)據(jù)根據(jù)所述動態(tài)床溫預測模塊預測動態(tài)床溫值。本發(fā)明充分考慮了不同負荷段下循環(huán)流化床鍋爐機組的遲延、慣性和蓄熱差異，方法精度較高，實時性好。
【IPC分類】F23C10/28
【公開號】CN105066121
【申請?zhí)枴緾N201510455686
【發(fā)明人】劉吉臻, 洪烽, 高明明, 楊婷婷, 呂游
【申請人】華北電力大學
【公開日】2015年11月18日
【申請日】2015年7月29日