基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法

摘要

一种基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法，采集信号数据构成现场历史数据库，该数据库包括六个变量：磨机负荷BML、磨机出入口压差BMDP、磨机入口负压BMIP、磨机出口温度BMOT、磨机通风量BMV、磨机出力BMPC。根据所得到的数据库建立球磨机出力预测模型，并对模型参数进行训练优化，最后通过所得到的预测模型实现对制粉系统出力的准确预测，从而对机组当前负荷下制粉系统运行时间进行估计，这样不仅可减少系统维护的工作量，而且延长设备的使用寿命，从而在安全运行的前提下，提高火电厂的经济效益。

主权项

一种基于Takagi‑Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法，其特征在于：步骤如下：步骤1：首先火电厂球磨机制粉系统采集信号数据构成现场历史数据库D，该数据库D包括六个变量：磨机负荷BML、磨机出入口压差BMDP、磨机入口负压BMIP、磨机出口温度BMOT、磨机通风量BMV和磨机出力BMPC；这样，数据库D是一个六维数据库，其中由磨机负荷BML，磨机出入口压差BMDP，磨机入口负压BMIP，磨机出口温度BMOT，磨机通风量BMV所组成的集合{BML,BMDP,BMIP,BMOT,BMV}是Takagi‑Sugeno型模糊规则前件集合，而磨机出力BMPC是Takagi‑Sugeno型模糊规则后件；步骤2：火电厂球磨机制粉系统采用核密度聚类方法对数据库D进行聚类分析，具体如下:先从数据库D中抽取一个未处理过的对象p作为初始对象，并根据对象间的相似度度量搜索其ε邻域Nε(p)，若Nε(p)包含的对象不少于Tm个，则p是一个核心对象并建立新簇Cv，并将Nε(p)中所有点归入Cv中；ε和Tm是设定的阈值，对象的相似度度量表达式为：$d_H(a,b)=\sqrt{2(1-K(a,b\left)\right)}$式中，核函数a,b为数据库D中的对象，δ为高斯核函数的宽度参数；接着，以p的ε邻域中的某一对象p'作为扩展对象，如果p'是核心对象则将p'和p'的ε邻域中的对象归为由p创建的簇Cv，并称p'从p密度直接可达，否则仅将p'归为由p创建的簇Cv；如果p'从p密度直接可达，而另一对象p”从p'密度直接可达，则称p”从p密度可达；将所有从p密度可达的对象都归为由p创建的簇Cv；然后，从输入空间数据库中重新抽取一个没有归为某个簇的对象作为初始对象，重复上面的过程，直到数据库D中所有对象都被归入某个簇；步骤3：火电厂球磨机制粉系统通过步骤2得到C个簇，即模糊语言值和Takagi‑Sugeno型模糊规则的个数均为C，并定义簇的质心为该簇的簇心；假设{x₁,x₂,x₃,x₄,x₅}为球磨机的前件输入变量集合，{y}是球磨机的后件输出变量集合；采用高斯函数作为隶属度函数，则第i条规则的隶属度值μ_i可表示为：${\mu }_i=\underset{j=1}{\overset{5}{\Pi }}{e}^{-\frac{{(x_j-c_{ij})}^2}{2{{\sigma }_{ij}}^2}},i\in \{1,2,...,C\},j\in \{1,2,3,4,5\}$式中，c_ij是第i个簇心的第j维数据值，σ_ij是隶属度宽度，隶属度宽度σ_ij的表达式为：步骤4：火电厂球磨机制粉系统根据根据步骤3所得的隶属度值μ_i计算线性系数k_ij和b_i：$\left\{\begin{array}{c}{k}_{ij}=\frac{y}{x_j}·\frac{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}{{\mu }_i}\\ b_i=y·\frac{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}{{\mu }_i}\end{array}\right.$步骤5：火电厂球磨机制粉系统得到建立模型所需要的隶属度值μ_i以及线性系数k_ij和b_i，并建立初始Takagi‑Sugeno模糊规则模型；由此，模型的预测出力输出即磨机出力BMPC，可表示为：$\hat{y}=\frac{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i{y}_i^{*}}{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}$式中，$y_i^{*}=k_{i1}{x}_1+k_{i2}{x}_2+...+k_{i5}{x}_5+b_i;$步骤6：火电厂球磨机制粉系统为了使模型的预测出力更接近实际磨机出力，采用迭代优化算法将预测模型各个参数进行训练优化；设矩阵P和S如下：式中，N＝6·C_；步骤7：火电厂球磨机制粉系统根据一组训练数据设定参数矩阵$a={[{\mu }_1{x}_1^l,{\mu }_1{x}_2^l,...,{\mu }_1,{\mu }_2{x}_1^l,{\mu }_2{x}_2^l,...,{\mu }_2,...,{\mu }_C{x}_1^l,{\mu }_C{x}_2^l,...,{\mu }_C]}^T,$b＝y^l，其中l∈{1,2,...,Nt}，Nt是训练数据的组数，则矩阵P和S可由以下方法进行优化：$\left\{\begin{array}{c}P\leftarrow P+S·[a·\left(b^T-a^{T}P\right)]\\ S\leftarrow S-\frac{(S·a)(a^T·S)}{1+a^T·(S·a)}\end{array}\right.$矩阵P初始值设定为零矩阵，经过Nt次迭代，最终得到优化后的线性系数k_ij和b_i；至此，预测模型的参数k_ij和b_i得到优化；步骤8：火电厂球磨机制粉系统采用均方根误差RMSE作为衡量磨机出力模型精度的数值指标，并设定RMSE初始值为Th_e；计算步骤6中所得预测模型的RMSE值，若其大于Th_e，则需继续优化预测模型的参数c_ij和σ_ij；步骤9：火电厂球磨机制粉系统根据训练数据l∈{1,2,...,Nt}，得到中间变量de_l：${\mathrm{de}}_l=(-6·C)·\underset{i=1}{\overset{C}{\Sigma }}\frac{-2{\mu }_i{y}_i^{*}·(y^l-{\hat{y}}^l)}{\underset{i=1}{\overset{C}{\Sigma }}{\mu }_i}$式中，是输入为的磨机出力预测模型输出；步骤10：火电厂球磨机制粉系统假设初始矩阵T_c和T_σ都为6×C矩阵，并且矩阵元素的初始值均为零；则有下式：$\left\{\begin{array}{c}{T}_c(i,j)=T_c(i,j)+\underset{l=1}{\overset{Nt}{\Sigma }}{\mathrm{de}}_l.\frac{(x_j^l-c_{ij})}{{{\sigma }_{ij}}^2}·e^{-\frac{{(x_j^l-c_{ij})}^2}{2{{\sigma }_{ij}}^2}}\\ T_{\sigma }(i,j)=T_{\sigma }(i,j)+\underset{l=1}{\overset{Nt}{\Sigma }}{\mathrm{de}}_l.\frac{{(x_j^l-c_{ij})}^2}{{{\sigma }_{ij}}^3}·e^{-\frac{{(x_j^l-c_{ij})}^2}{2{{\sigma }_{ij}}^2}}\end{array}\right.$式中，c_ij是第i个簇心的第j维数据值，σ_ij是隶属度宽度；步骤11：火电厂球磨机制粉系统通过下式计算，最终得到优化的预测模型参数c_ij和σ_ij；$\left\{\begin{array}{c}{c}_{ij}=c_{ij}-\frac{ss·T_c(i,j)}{\sqrt{\underset{q=1}{\overset{6·C}{\Sigma }}(T_c{\left(i,j\right)}^2+T_{\sigma }{\left(i,j\right)}^2)}}\\ {\sigma }_{ij}={\sigma }_{ij}-\frac{ss·T_{\sigma }(i,j)}{\sqrt{\underset{q=1}{\overset{6·C}{\Sigma }}(T_c{\left(i,j\right)}^2+T_{\sigma }{\left(i,j\right)}^2)}}\end{array}\right.$式中，ss是训练步长，其初始值设定为0.1；步骤12：在训练过程中，如果RMSE按照某种特定规则发生变化，则火电厂球磨机制粉系统需要对ss值的大小需要进行修正；设RMSE(k)为第k步训练后所得模型的均方根误差，则有：若$\left\{\begin{array}{c}RMSE\left(k\right)<RMSE(k-1)\\ RMSE(k-1)>RMSE(k-2)\\ RMSE(k-2)<RMSE(k-3)\\ RMSE(k-3)>RMSE(k-4)\end{array}\right.,$则ss←ss·Rd若$\left\{\begin{array}{c}RMSE\left(k\right)<RMSE(k-1)\\ RMSE(k-1)<RMSE(k-2)\\ RMSE(k-2)<RMSE(k-3)\\ RMSE(k-3)<RMSE(k-4)\end{array}\right.,$则ss←ss·Ri其中，Rd为步长ss的衰减率，其值设定为0.9；Ri为步长ss的增长率，其值设定为1.1；步骤13：火电厂球磨机制粉系统将重复迭代训练步骤5～步骤12，一直到RMSE达到初始设定值Th_e或者训练步数达到预定值；至此，火电厂球磨机制粉系统最终得到参数优化后的预测模型；步骤14：火电厂球磨机制粉系统通过测量模块得到当前磨机负荷、磨机出入口压差、磨机入口负压、磨机出口温度和磨机通风量运行值的基础上，根据所得预测模型，实现对制粉系统出力的准确预测。