基于即時(shí)學(xué)習(xí)策略的電廠熱工參數(shù)預(yù)測(cè)模型及應(yīng)用研究.pdf

1、我國(guó)電力生產(chǎn)企業(yè)在發(fā)電效率和能源利用率等方面相對(duì)較低,其中一個(gè)重要因素就在于許多重要的過(guò)程參數(shù)(如煙氣含氧量、球磨機(jī)負(fù)荷等)和經(jīng)濟(jì)指標(biāo)難以實(shí)現(xiàn)在線實(shí)時(shí)檢測(cè),嚴(yán)重制約了火電廠過(guò)程控制和優(yōu)化運(yùn)行。針對(duì)電力生產(chǎn)過(guò)程普遍存在的非線性、強(qiáng)耦合、工況范圍變化大等特性,本文采用基于分治策略框架下的局部建模方法進(jìn)行煙氣含氧量、球磨機(jī)負(fù)荷等熱工參數(shù)的軟測(cè)量研究,主要研究工作及創(chuàng)新性如下:
　　 (1)基于即時(shí)學(xué)習(xí)策略的改進(jìn)支持向量機(jī)預(yù)測(cè)建模方法<

2、br>　　 針對(duì)鍋爐燃燒過(guò)程、制粉系統(tǒng)等具有的非線性、強(qiáng)耦合、工況范圍廣等特點(diǎn),而采用基于數(shù)據(jù)驅(qū)動(dòng)的全局建模方法(如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等)又難以建立一個(gè)有效的全局軟測(cè)量模型,因此,本文依據(jù)統(tǒng)計(jì)的局部學(xué)習(xí)理論,提出一種基于即時(shí)學(xué)習(xí)策略的改進(jìn)SVM在線建模方法。
　　 在分析歷史數(shù)據(jù)樣本相似性的基礎(chǔ)上,提出一種基于距離和角度信息的相似樣本選取方法,構(gòu)造即時(shí)學(xué)習(xí)算法的建模鄰域,以提高相似樣本的選取精度。由于建模鄰域中相似樣本規(guī)模較

3、小,為此采用具有小樣本建模能力的支持向量機(jī)模型作為局部模型,并采用改進(jìn)粒子群優(yōu)化算法對(duì)支持向量機(jī)建模方法中3個(gè)關(guān)鍵參數(shù)進(jìn)行尋優(yōu),以獲得最佳的局部預(yù)測(cè)模型,從而提高模型的預(yù)測(cè)精度。由于基于即時(shí)學(xué)習(xí)策略的局部預(yù)測(cè)方法是在線進(jìn)行的,基于對(duì)樣本數(shù)據(jù)集的檢索精度和檢索效率兩方面的考慮,采用加權(quán)模糊C均值聚類算法對(duì)數(shù)據(jù)樣本集進(jìn)行聚類,利用兩步搜索策略進(jìn)行當(dāng)前輸入樣本數(shù)據(jù)相似數(shù)據(jù)集的選取,同時(shí)提出一種樣本數(shù)據(jù)集的在線更新策略。
　　 (2)局

4、部預(yù)測(cè)模型在煙氣含氧量預(yù)測(cè)中的應(yīng)用研究
　　 通過(guò)對(duì)鍋爐燃燒過(guò)程機(jī)理的深入分析,確定出煙氣含氧量預(yù)測(cè)模型的初始輔助變量集,并依據(jù)鍋爐燃燒過(guò)程中的大量歷史數(shù)據(jù),對(duì)相關(guān)過(guò)程參數(shù)的數(shù)據(jù)樣本進(jìn)行3σ異常檢測(cè)和歸一化處理,利用灰色關(guān)聯(lián)分析方法對(duì)輔助變量集進(jìn)行優(yōu)化篩選,獲得最終的輔助變量。利用本文提出的基于即時(shí)學(xué)習(xí)策略的改進(jìn)SVM預(yù)測(cè)建模方法建立煙氣含氧量預(yù)測(cè)模型,由于本文方法在本質(zhì)上具有在線自適應(yīng)性能力,能更好的適應(yīng)鍋爐燃燒過(guò)程中的不同工

5、況。仿真分析說(shuō)明相對(duì)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)和標(biāo)準(zhǔn)SVM預(yù)測(cè)模型,基于即時(shí)學(xué)習(xí)策略的改進(jìn)SVM預(yù)測(cè)模型具有更好的預(yù)測(cè)性能,雖然算法的計(jì)算開(kāi)銷有所增加,但能夠滿足鍋爐燃燒過(guò)程煙氣含氧量預(yù)測(cè)的實(shí)時(shí)性要求,并及時(shí)為生產(chǎn)操作提供參考。
　　 (3)局部預(yù)測(cè)模型在球磨機(jī)負(fù)荷預(yù)測(cè)中的應(yīng)用研究
　　 通過(guò)對(duì)制粉系統(tǒng)運(yùn)行過(guò)程機(jī)理的深入分析,確定出球磨機(jī)負(fù)荷預(yù)測(cè)模型的初始輔助變量集,并依據(jù)制粉過(guò)程中的大量歷史數(shù)據(jù),對(duì)相關(guān)過(guò)程參數(shù)的數(shù)據(jù)樣本進(jìn)行3

6、σ和小波分析異常檢測(cè)及歸一化處理,采用灰色關(guān)聯(lián)分析方法對(duì)輔助變量集進(jìn)行優(yōu)化篩選,獲得最終的輔助變量。利用本文提出的基于即時(shí)學(xué)習(xí)策略的改進(jìn)SVM預(yù)測(cè)建模方法建立球磨機(jī)負(fù)荷預(yù)測(cè)模型,由于本文方法具有較好的在線自適應(yīng)性能力,能更好的適應(yīng)制粉系統(tǒng)運(yùn)行過(guò)程中的不同工況。仿真分析說(shuō)明相對(duì)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)和標(biāo)準(zhǔn)SVM預(yù)測(cè)模型,基于即時(shí)學(xué)習(xí)策略的改進(jìn)SVM球磨機(jī)負(fù)荷預(yù)測(cè)模型具有更好的預(yù)測(cè)性能,雖然算法的計(jì)算開(kāi)銷有所增加,但能夠滿足制粉系統(tǒng)磨機(jī)負(fù)荷預(yù)測(cè)