一种电站锅炉烟气软测量方法

摘要

本发明提供一种基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法，属于热工技术和人工智能交叉技术领域。该方法选择电站锅炉有关运行和状态参数作为模型的输入，要预测的烟气成分含量作为模型的输出，选取历史运行数据作为初始训练样本，利用最小二乘支持向量机方法建立烟气排放的初始模型。另外，基于对烟气排放时变特性的分析，提出了基于样本替换和样本追加的更新策略，并采用删减样本和增加样本两种模式以增量的形式来实现参数的求解和模型的更新。本发明提出的最小二乘支持向量机及在线更新软测量方法随着过程特性的变化自适应地改进模型性能，能够实现对烟气排放的精确预测，对电站锅炉的安全和优化运行有重要的意义。

主权项

一种基于LSSVM及在线更新的电站锅炉烟气软测量方法，其特征在于，所述方法采用LSSVM构建初始烟气排放模型，然后利用样本追加和样本替换来实现模型的增量更新，能够对锅炉烟气各成分进行精确地预测，所述方法包括以下步骤：步骤1：收集初始训练样本来构建LSSVM模型；步骤2：利用此模型对烟气成分含量进行预测；步骤3：当实际的烟气成分含量的传感器测量值y_q采集到后，计算样本(x_q,y_q)的预测误差Er；步骤4：判断预测误差：若Er>Δ，Δ为误差阈值，则执行步骤5，否则执行步骤9；步骤5：从历史运行数据中选取距新采样样本(x_q,y_q)最近的样本点(x_k,y_k)，其中步骤6：根据新采样样本(x_q,y_q)与其最近的样本(x_k,y_k)之间的距离进行判断并确定更新类型；步骤7：根据确定的更新类型，对步骤1获得的初始LSSVM模型进行增量更新，根据步骤6进行样本增加或样本替换来更新；步骤8：所述步骤1中LSSVM模型可描述为以下优化问题，$\underset{w,b,\xi }{\min }J\left(w,\xi \right)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{n}{\Sigma }}{{\xi }_i}^2---\left(1\right)$其中，J为目标函数，是核空间映射函数，w为权重向量，γ为惩罚系数，ξ_i为误差变量，b为偏差，上标T表示矩阵的转置；为解此优化问题，定义Lagrange函数如下：其中，α＝[α₁,…,α_n]^T为Lagrange乘子；利用Lagrange函数对各变量求偏导，并令导数值为零可得到：消去中间变量w和ξ_i，将其转化为求解线性方程组：$\left[\begin{array}{cc}0& {\overrightarrow{I}}^T\\ \overrightarrow{I}& \Omega +1/\gamma I\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]---\left(4\right)$其中y＝[y₁,…,y_n]^T，I为n×n阶单位矩阵，Ω＝{Ω_kl|k,l＝1,…,n}，且定义为核函数；通过求解方程组得到α和b的值为：$\left\{\begin{array}{c}b=\frac{{\overrightarrow{I}}^T{H}^{-1}y}{\overrightarrow{I}{H}^{-1}\overrightarrow{I}}\\ a=H^{-1}\left(y-\overrightarrow{I}b\right)\end{array}\right.---\left(5\right)$用求得的新的模型的特征矩阵H^‑1计算得到相应的模型参数α和b，实现对烟气软测量模型h(x)的更新；步骤9：判断测试样本是否结束，若结束则停止程序；否则执行步骤2，对下一样本进行预测。