一种超超临界机组锅炉分离器出口温度在线校准的方法

摘要

一种超超临界机组锅炉分离器出口温度在线校准的方法首先，确定分离器出口温度在线校准方法选用的初选辅助变量；其次，数据采集及预处理；然后用本发明提供的算法进行变量选取，同时对本发明提供的算法模型关键参数进行寻优；最终确定超超临界机组锅炉分离器出口温度在线校准模型。本发明具有不增加硬件设备，可靠性好，可以在线校准测量仪表，精度高的优点，可实现不停机测点校准，提高机组运行的可靠性。

主权项

1.一种超超临界机组锅炉分离器出口温度在线校准的方法，包括以下步骤：S1确定锅炉分离器出口温度在线测量模型的初选辅助变量和主导变量：初选辅助变量：负荷、分离器储水箱出口蒸汽压力、锅炉给水流量、主给水温度、省煤器出口给水温度、总给煤量、一级过热器减温器喷水量、省煤器出口排烟含氧量、锅炉总风量、过热器烟道调温挡板阀位和再热器烟道调温挡板阀位；主导变量：超超临界机组锅炉分离器出口温度；S2数据采集及预处理：S2-1）根据步骤S1确定的辅助变量和主导变量，从DCS系统中采集相关数据，采用3σ准则对异常点进行判断并剔除异常点，剔除异常点后的数据作为模型的原始数据；S2-2）将全部的原始数据标准化：设某一变量的原始数据：X_i′={x_i′(1),x_i′(2),...,x_i′(k),...,x_i′(n)}    i=0,1,...,m则标准化后的数据X'为：$X_i=\frac{X_i^{\prime }-\min \left(X_i^{\prime }\right)}{\max \left(X_i^{\prime }\right)-\min \left(X_i^{\prime }\right)}i=\mathrm{0,1},...,m$其满足均值为0，方差为1；S3用灰关联分析算法进行变量选取，计算辅助变量和主导变量的灰关联度及其排序，最终确定模型的辅助变量和主导变量：S3-1）建立参考序列和比较序列：选择超超临界机组锅炉分离器出口温度为参考序列：X₀={x₀(1),x₀(2),...,x₀(k),...,x₀(n)}选择各初选的辅助变量分别为比较序列X_i={x_i(1),x_i(2),...,x_i(k),...,x_i(n)}其中i＝1,2,...,m k=1,2,...,n；S3-2）分别计算参考序列X₀和各比较序列X_i（i＝1,2,...,m）第k组的灰关联系数：${\lambda }_i\left(k\right)=\frac{1}{1+|\frac{\Delta x_i\left(k\right)}{(t(k+1)-t\left(k\right))\delta x_i}-\frac{\Delta x_0\left(k\right)}{(t(k+1)-t\left(k\right)){\mathrm{\delta x}}_0}|}$其中：Δx_i(k)=x_i(k)-x_i(k-1)，i=0,1,...,m，k=2,3,...,n；分别为序列X₀和X_i在第k组的斜率；i=1,2,...,m,k=1,2,...,n，为比较序列X_i的标准差；k=1,2,...,n，为参考序列X₀的标准差；S33）分别计算参考序列和各比较序列之间的灰关联度：${\gamma }_i=\frac{1}{n-1}\underset{k=1}{\overset{n-1}{\Sigma }}{\lambda }_i\left(k\right)i=\mathrm{1,2},...,m,k=\mathrm{1,2},...,n$若γ_i=1，说明参考序列和某一比较序列的增长率变化完全相关；如果0<γ_i<1，说明二者之间具有关联性，且γ_i值越大，关联性越强；S3-4）比较各个灰关联度，排关联序,最终确定最小二乘支持向量机模型的辅助变量；S4利用遗传算法进行最小二乘支持向量机模型参数寻优：S4-1）本发明提出用最小二乘支持向量机模型作为超超临界机组锅炉分离器出口温度在线校准模型；对最小二乘支持向量机模型，将辅助变量X_i作为模型的输入u=[u₁，u₂,…,u_m]，主导变量X₀作为模型的输出y=[y₁，…,y_n]^T，m为辅助变量个数n为训练样本的个数，则最小二乘支持向量机模型为：$y=\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_{i}K(u,u_j)+b$该模型的理论基础为求解二次规划问题：$\min J(w,e)=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{n}{\Sigma }}{e}_i^2$y_i=w^TΦ(u_i)+b+e_i,i=1,2,…,n其中，J(w,e)是结构风险,γ正则化参数,e=｛e₁，e₂,…e_n}是允许误差；为求解该约束的最优化问题，引入拉格朗日函数：$L(w,b,e,\alpha )=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{n}{\Sigma }}{e}_i^2-\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i\{w^T\Phi \left(u_i\right)+b+e_i-y_i\}$其中，a_i为拉格朗日乘子；将上式分别对w b e a求偏导，得到如下优化条件：$\left\{\begin{array}{c}\frac{\partial L}{\partial w}=0\to w=\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i\Phi \left(y_i\right)\\ \frac{\partial L}{\partial b}=0\to \underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i=0\\ \frac{\partial L}{{\partial e}_i}=0\to {\alpha }_i=\gamma e_i\\ \frac{\partial L}{\partial {\alpha }_i}=0\to w^T\Phi \left(u_i\right)+b+e_i-y_i=0\end{array}\right.$消去w,e_k，则上述优化问题转化为：$\left[\begin{array}{c}b\\ \alpha \end{array}\right]=\left[\begin{array}{cc}0& {\tilde{1}}_{n\times 1}^T\\ {\tilde{1}}_{n\times 1}& \Omega +V_{\gamma }\end{array}\right]\times \left[\begin{array}{c}0\\ y\end{array}\right]$其中，a=[a_n,…,a_n],为n×1单位向量,y=[y₁，…,y_n]^T,Ω_ij=Φ(u_i)^T·Φ(u_j)=K(u_i,u_j)为满足Mercer条件的核函数，选取径向基核函数：K(u_i,u_j)=exp(-||u-u_j||²/σ²)其中，σ²为核参数；由此可得最小二乘支持向量机模型：$y=\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_{i}K(u,u_j)+b;$S4-2）初步确定模型的正则化参数γ和核参数数σ²的可能取值范围；随机选择γ和σ²各参数的初始值并采用实数编码，构造初始种群P(t)；S43）选取E(n)为遗传优化的目标函数，计算公式为$E\left(n\right)=\frac{1}{l}\underset{i=1}{\overset{l}{\Sigma }}{(y_i-{\hat{y}}_i)}^2;$其中，l为训练样本数，y_i为第i个样本的期望输出，为第i个样本的最小二乘支持向量机模型的输出；S4-4）选取个体适应度函数为$f\left(n\right)=\left\{\begin{array}{cc}{E}_{\max }-E\left(n\right)& E_{\max }>E\left(n\right)\\ 0& E_{\max }<E\left(n\right)\end{array}\right.;$其中，E_max为一个适当相对较大的数；S4-5）将P(t)中的个体输入到最小二乘支持向量机模型进行训练，经选择、交叉、变异多次迭代计算适应度值，当适应度值满足f(n)→E_max且达到最大时，则终止迭代，输出最优的γ和σ²组合；S5利用步骤S3中遗传算法寻优得到的γ和σ²值，选取已经标准化处理的部分样本作为训练样本，训练最小二乘支持向量机模型，并存储模型；S6将在线测得的辅助变量数据输入步骤S5得到的模型进行测试，模型输出即为相应时刻的锅炉分离器出口温度超超临界机组锅炉分离器出口温度。