首页 / 专利库 / 机电学 / 线性电机 / 一种基于MFOA-SVM的锅炉热效率与NOX建模

一种基于MFOA-SVM的锅炉热效率与NOX建模

阅读:490发布:2024-02-17

专利汇可以提供一种基于MFOA-SVM的锅炉热效率与NOX建模专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于MFOA-SVM的 锅炉 热效率与NOX建模方法,包括以下步骤:为达到提高锅炉热效率同时减少NOX排放的目标,提出改进果蝇 算法 (MFOA)优化 支持向量机 (SVM)锅炉建模理论。针对果蝇(FOA)算法寻优 精度 低、收敛速度慢的问题,本发明使用三维搜索及自适应变步长的策略改进果蝇算法,并完成对SVM中的惩罚因子C、核参数g和不敏感损失系数ε,这三个参数寻优,使支持向量机对锅炉燃烧预测更加准确。,下面是一种基于MFOA-SVM的锅炉热效率与NOX建模专利的具体信息内容。

1.一种基于MFOA-SVM的锅炉热效率与NOX建模方法,其特征在于,包括以下步骤:给定样本集{(x1,y1),(x2,y2)…,(xl,yl)},其中xi∈Rn,yi∈R,i=1,2,…,l,xi,yi分别为对应输入量和输出量,l为样本数,通过训练学习得到最优的线性拟合函数:

式中:ω为权值向量,b为偏置量,SVM回归的实质就是寻找参数ω和b,使得对于训练样本以外的输入变量xi有|yi-f(xi)≤ε,即不敏感损失函数为0,并使得1/2||ω||2=1/2ωTω最小,因而归纳为约束条件下求解优化问题:


式中:C为惩罚因子,其值为正常数; 和ξi均为松弛变量;C的大小表示样本数据高于精度范围ε的惩罚程度;ε为不敏感损失系数,
由于ω可能是无穷维,根据对偶原理,增加拉格朗日乘子 和ai,组成Lagrange函数,求解其优化问题可以得到SVM的输出函数:

式中:K(xi,x)为核函数,经分析使用径向基函数,如公式(4),
K(xi,x)=exp(-g·||xi-xj||2)(4)
式中:g为核函数参数,其大小决定样本数据分布的多样性及映射函数的关系,选择最优的值才能获得最好的支持向量机模型。
2.根据权利要求1所述的一种基于MFOA-SVM的锅炉热效率与NOX建模方法,其特征在于:
根据支持向量机的基本原理,惩罚因子、不敏感损失系数和核函数参数影响着模型收敛速度及预测精度,为得到最佳的支持向量机模型参数,将FOA算法与该问题相结合,由于FOA是在二维空间寻找全局最优解,不可能精确寻找到三维空间中的最优解;另外经过多次实验发现果蝇飞行步长对收敛速度和寻优精度影响较大,因此,提出三维空间搜寻及自适应步长策略改进果蝇算法,利用改进的果蝇算法优化SVM回归模型的三个参数,最优参数[C,g,ε]即是味道浓度最大的果蝇位置,对相关参数设置如下:
1)初始化FOA中的控制参数,设置种群规模m为30,迭代次数t为100,随机初始化果蝇位置(X1,Y1,Z1),区间设置为[0,1],
2)X、Y、Z均为i行2列的矩阵变量,计算每一个果蝇飞行的距离公式:

式中:t为当前迭代的次数;k为步长膨胀系数,取k=1.7,因此,果蝇飞行的距离既考虑前一代的果蝇位置,又考虑了迭代的进化,使飞行距离随着味道浓度的大小而进行自适应变化,
计算果蝇种群与原点的距离D(i,:):
计算味道浓度判定值S(i),令变量[S(i,1),S(i,2),S(i,3)]表示参数[C,g,ε],为加快模型的计算速度,改变并各自判定值的系数,

3)浓度判定函数,对样本数据进行3折交叉验证模型泛化能,浓度判定函数如下:

式中:l为交叉验证中每个训练子集的粒子数;f(xi)为实际值;yi预测值,4)对每只果蝇首次飞达位置计算浓度判定函数值,保留最大位置,果蝇群体全部飞往该位置,进入迭代循环,一直寻找到最大浓度收敛的位置或者迭代次数达到最大(100),则停止寻优并输出MFOA-SVM模型。
3.根据权利要求1所述的一种基于MFOA-SVM的锅炉热效率与NOX建模方法,其特征在于,利用电站锅炉运行的控制参数(总发电功率、给机给煤量、烟气含量、排烟温度炉膛温度、二次挡板开度、总燃料量、总风量、省煤器温度、空气预热器出口烟温、发电机组负荷)及该电厂使用鹤煤燃烧得到的9个元素分析数据;另外加入炉渣含量和飞灰含碳量共36个参数得到锅炉热效率模型,按照反平衡的方法求解热效率值如公式(9),η=100-(q2+q3+q4+q5+q6)(%)  (9)
式中:q2为排烟热损失,q3为可燃气体不完全燃烧热损失,q4为固体未完全燃烧热损失,q5为散热损失,q6为灰渣物理热损失,
按照搭建的模型结构,获取的参数必须较好的表现锅炉燃烧特性,并随机抽选不同时间段的数据用作训练学习,在锅炉燃烧和运行过程中会保留各个参数在不同时间和不同工况下的大量的历史数据,在选取数据时,要在整个所提供的数据中随机选取,这样能体现数据的遍历性,使模型能够更好的反应实际系统,大庆某热电厂锅炉控制系统的每台机组配置了2台数据服务器SCADA,这种服务器可以为工程师站和CSI控制中心两处传递控制信号和进行实时监控,可以称之为路由功能,同时又可以进行数据的采集与存储,接受来自控制站的指令,又为控制站发送各种状态参数,该系统利用动态数据交换的方式把现场设备监控到的全部热态数据进行分析计算并生成Excel文件,本发明利用这种方式从生成的Excel文件中随机抽取180组用来建模分析,由于核函数依赖输入参数向量的内积,为加快训练速度,通过归一化处理数据样本,如公式(10)

归一化后的属性值 训练集和测试集使用相同的方式,然后可用下式重新换算回真实值:

说明书全文

一种基于MFOA-SVM的锅炉热效率与NOX建模

技术领域

[0001] 本发明涉及控制技术领域,具体是一种基于MFOA-SVM的锅炉热效率与NOX建模方法。

背景技术

[0002] 火电厂的炭燃烧发电占全国发电总量的70%左右,其燃烧产生黑烟、NOX等大气污染物,不仅严重破坏环境更威胁人的生命健康,同时为了支持国家节能减排的倡导,减少电站锅炉运行费用与NOX等排放已迫在眉睫。
[0003] 由于锅炉运行过程极其复杂,对于给定的电站锅炉,合理配比运行参数成为控制锅炉效率和NOX排放的主要手段,然而各个参数之间存在着复杂的非线性关系,无形增加了锅炉燃烧建模难度,大量学者为解决这个问题进行了多方面的探索,如利用神经网络与遗传算法结合,建立锅炉燃烧模型。但是神经网络建模需要大量的样本数据,而且训练时间长,拟合能差,不适合在线建模。目前取得较大成就的是利用支持向量机遗传算法相结合。为了获得更有效、更准确的燃烧模型,本发明以果蝇算法和支持向量机来综合建模。支持向量机(SVM)它的非线性处理能力,非常适合小样本的训练学习,高效的泛化能力,保证了良好的拟合性及解的全局最优性,其良好的特性在许多建模预测方面得到了应用,虽然已经实践用于锅炉的建模,但是都是利用群体智能算法对模型的惩罚因子C和核函数参数g进行寻优,而将不敏感损失系数ε作为不变值,然后代入SVM模型。另外原始的果蝇算法也存在寻优精度低、收敛速度慢等问题。

发明内容

[0004] 本发明的目的在于提供一种基于MFOA-SVM的锅炉热效率与NOX建模方法,以解决上述背景技术中提出的问题;为实现上述目的,本发明提供如下技术方案:一种基于MFOA-SVM的锅炉热效率与NOX建模方法,包括以下步骤:
[0005] 给定样本集{(x1,y1),(x2,y2)…,(xl,yl)},其中xi∈Rn,yi∈R,i=1,2,…,l。xi,yi分别为对应输入量和输出量,l为样本数。通过训练学习得到最优的线性拟合函数:
[0006]
[0007] 式中:ω为权值向量,b为偏置量。SVM回归的实质就是寻找参数ω和b,使得对于训练样本以外的输入变量xi有|yi-f(xi)|≤ε,即不敏感损失函数为0,并使得1/2||ω||2=1/2ωTω最小。因而归纳为约束条件下求解优化问题:
[0008]
[0009]
[0010] 式中:C为惩罚因子,其值为正常数;ξi*和ξi均为松弛变量;C的大小表示样本数据高于精度范围ε的惩罚程度;ε为不敏感损失系数。
[0011] 由于ω可能是无穷维,根据对偶原理,增加拉格朗日乘子ai*和ai,组成Lagrange函数,求解其优化问题可以得到SVM的输出函数:,
[0012]
[0013] 式中:K(xi,x)为核函数,经分析使用径向基函数,如公式(4)。
[0014]
[0015] 式中:g为核函数参数,其大小决定样本数据分布的多样性及映射函数的关系,选择最优的值才能获得最好的支持向量机模型。
[0016] 作为本发明再进一步的方案:
[0017] 根据支持向量机的基本原理,惩罚因子、不敏感损失系数和核函数参数影响着模型收敛速度及预测精度。为得到最佳的支持向量机模型参数,将FOA算法与该问题相结合,由于FOA是在二维空间寻找全局最优解,不可能精确寻找到三维空间中的最优解;另外经过多次实验发现果蝇飞行步长对收敛速度和寻优精度影响较大。因此,提出三维空间搜寻及自适应步长策略改进果蝇算法,利用改进的果蝇算法优化SVM回归模型的三个参数,最优参数[C,g,ε]即是味道浓度最大的果蝇位置,对相关参数设置如下:
[0018] 1)初始化FOA中的控制参数。设置种群规模m为30,迭代次数t为100,随机初始化果蝇位置(X1,Y1,Z1),区间设置为[0,1]。
[0019] 2)X、Y、Z均为i行2列的矩阵变量,计算每一个果蝇飞行的距离公式:
[0020]
[0021] 式中:t为当前迭代的次数;k为步长膨胀系数,取k=1.7,因此,果蝇飞行的距离既考虑前一代的果蝇位置,又考虑了迭代的进化,使飞行距离随着味道浓度的大小而进行自适应变化。
[0022] 计算果蝇种群与原点的距离D(i,:):
[0023] 计算味道浓度判定值S(i),令变量[S(i,1),S(i,2),S(i,3)]表示参数[C,g,ε],为加快模型的计算速度,改变并各自判定值的系数。
[0024]
[0025] 3)浓度判定函数,对样本数据进行3折交叉验证模型泛化能力,浓度判定函数如下:
[0026]
[0027] 式中:l为交叉验证中每个训练子集的粒子数;f(xi)为实际值;yi预测值。
[0028] 4)对每只果蝇首次飞达位置计算浓度判定函数值,保留最大位置,果蝇群体全部飞往该位置,进入迭代循环,一直寻找到最大浓度收敛的位置或者迭代次数达到最大(100),则停止寻优并输出MFOA-SVM模型。
[0029] 作为本发明再进一步的方案:
[0030] 利用电站锅炉运行的控制参数(总发电功率、给煤机给煤量、烟气含量、排烟温度炉膛温度、二次挡板开度、总燃料量、总风量、省煤器温度、空气预热器出口烟温、发电机组负荷)及该电厂使用鹤煤燃烧得到的9个元素分析数据;另外加入炉渣含量和飞灰含碳量共36个参数得到锅炉热效率模型。按照反平衡的方法求解热效率值如公式(9)。
[0031] η=100-(q2+q3+q4+q5+q6)(%)  (9)
[0032] 式中:q2为排烟热损失,q3为可燃气体不完全燃烧热损失,q4为固体未完全燃烧热损失,q5为散热损失,q6为灰渣物理热损失。
[0033] 按照搭建的模型结构,获取的参数必须较好的表现锅炉燃烧特性,并随机抽选不同时间段的数据用作训练学习。在锅炉燃烧和运行过程中会保留各个参数在不同时间和不同工况下的大量的历史数据,在选取数据时,要在整个所提供的数据中随机选取,这样能体现数据的遍历性,使模型能够更好的反应实际系统。大庆某热电厂锅炉控制系统的每台机组配置了2台数据服务器SCADA,这种服务器可以为工程师站和CSI控制中心两处传递控制信号和进行实时监控,可以称之为路由功能,同时又可以进行数据的采集与存储,接受来自控制站的指令,又为控制站发送各种状态参数。该系统利用动态数据交换的方式把现场设备监控到的全部热态数据进行分析计算并生成Excel文件。本发明利用这种方式从生成的Excel文件中随机抽取180组用来建模分析,由于核函数依赖输入参数向量的内积,为加快训练速度,通过归一化处理数据样本,如公式(10);
[0034]
[0035] 归一化后的属性值 训练集和测试集使用相同的方式,然后可用下式重新换算回真实值:
[0036]附图说明
[0037] 图1基于MFOA优化的SVM模型的流程示意图
[0038] 图2锅炉结构
[0039] 图3 MFOA-SVM模型结构
[0040] 图4数据样本

具体实施方式

[0041] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围;
[0042] 图1为本发明中的一种基于MFOA-SVM的锅炉热效率与NOX建模方法的流程示意图,如图1所示,本发明中,一种基于MFOA-SVM的锅炉热效率与NOX建模方法,包括以下步骤:
[0043] 给定样本集{(x1,y1),(x2,y2)…,(xl,yl)},其中xi∈Rn,yi∈R,i=1,2,…,l。xi,yi分别为对应输入量和输出量,l为样本数。通过训练学习得到最优的线性拟合函数:
[0044]
[0045] 式中:ω为权值向量,b为偏置量。SVM回归的实质就是寻找参数ω和b,使得对于训练样本以外的输入变量xi有|yi-f(xi)|≤ε,即不敏感损失函数为0,并使得1/2||ω||2=1/2ωTω最小。因而归纳为约束条件下求解优化问题:
[0046]
[0047]
[0048] 式中:C为惩罚因子,其值为正常数;ξi*和ξi均为松弛变量;C的大小表示样本数据高于精度范围ε的惩罚程度;ε为不敏感损失系数。
[0049] 由于ω可能是无穷维,根据对偶原理,增加拉格朗日乘子ai*,和ai,组成Lagrange函数,求解其优化问题可以得到SVM的输出函数:
[0050]
[0051] 式中:K(xi,x)为核函数,经分析使用径向基函数,如公式(4)。
[0052] K(xi,x)=exp(-g·||xi-xj||2)  (4)
[0053] 式中:g为核函数参数,其大小决定样本数据分布的多样性及映射函数的关系,选择最优的值才能获得最好的支持向量机模型。
[0054] 根据支持向量机的基本原理,惩罚因子、不敏感损失系数和核函数参数影响着模型收敛速度及预测精度。为得到最佳的支持向量机模型参数,将FOA算法与该问题相结合,由于FOA是在二维空间寻找全局最优解,不可能精确寻找到三维空间中的最优解;另外经过多次实验发现果蝇飞行步长对收敛速度和寻优精度影响较大。因此,提出三维空间搜寻及自适应步长策略改进果蝇算法,利用改进的果蝇算法优化SVM回归模型的三个参数,最优参数[C,g,ε]即是味道浓度最大的果蝇位置,对相关参数设置如下:
[0055] 1)初始化FOA中的控制参数。设置种群规模m为30,迭代次数t为100,随机初始化果蝇位置(X1,Y1,Z1),区间设置为[0,1]。
[0056] 2)X、Y、Z均为i行2列的矩阵变量,计算每一个果蝇飞行的距离公式:
[0057]
[0058] 式中:t为当前迭代的次数;k为步长膨胀系数,取k=1.7,因此,果蝇飞行的距离既考虑前一代的果蝇位置,又考虑了迭代的进化,使飞行距离随着味道浓度的大小而进行自适应变化。
[0059] 计算果蝇种群与原点的距离D(i,:):
[0060] 计算味道浓度判定值S(i),令变量[S(i,1),S(i,2),S(i,3)]表示参数[C,g,ε],为加快模型的计算速度,改变并各自判定值的系数。
[0061]
[0062] 3)浓度判定函数,对样本数据进行3折交叉验证模型泛化能力,浓度判定函数如下:
[0063]
[0064] 式中:l为交叉验证中每个训练子集的粒子数;f(xi)为实际值;yi预测值。
[0065] 4)对每只果蝇首次飞达位置计算浓度判定函数值,保留最大位置,果蝇群体全部飞往该位置,进入迭代循环,一直寻找到最大浓度收敛的位置或者迭代次数达到最大(100),则停止寻优并输出MFOA-SVM模型。
[0066] 利用电站锅炉运行的控制参数(总发电功率、给煤机给煤量、烟气含氧量、排烟温度、炉膛温度、二次风挡板开度、总燃料量、总风量、省煤器温度、空气预热器出口烟温、发电机组负荷)及该电厂使用鹤煤燃烧得到的9个元素分析数据;另外加入炉渣含碳量和飞灰含碳量共36个参数得到锅炉热效率模型。按照反平衡的方法求解热效率值如公式(9)。
[0067] η=100-(q2+q3+q4+q5+q6)(%)  (9)
[0068] 式中:q2为排烟热损失,q3为可燃气体不完全燃烧热损失,q4为固体未完全燃烧热损失,q5为散热损失,q6为灰渣物理热损失。
[0069] 按照搭建的模型结构,获取的参数必须较好的表现锅炉燃烧特性,并随机抽选不同时间段的数据用作训练学习。在锅炉燃烧和运行过程中会保留各个参数在不同时间和不同工况下的大量的历史数据,在选取数据时,要在整个所提供的数据中随机选取,这样能体现数据的遍历性,使模型能够更好的反应实际系统。大庆某热电厂锅炉控制系统的每台机组配置了2台数据服务器SCADA,这种服务器可以为工程师站和CSI控制中心两处传递控制信号和进行实时监控,可以称之为路由功能,同时又可以进行数据的采集与存储,接受来自控制站的指令,又为控制站发送各种状态参数。该系统利用动态数据交换的方式把现场设备监控到的全部热态数据进行分析计算并生成Excel文件。本发明利用这种方式从生成的Excel文件中随机抽取180组用来建模分析,部分数据见图4。由于核函数依赖输入参数向量的内积,为加快训练速度,通过归一化处理数据样本,如公式(10)。
[0070]
[0071] 归一化后的属性值 训练集和测试集使用相同的方式,然后可用下式重新换算回真实值:
[0072]
[0073] 对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明;因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求;
[0074] 此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈