基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究.pdf
《基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究.pdf》由会员分享,可在线阅读,更多相关《基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究赵国钦1,蓝茂蔚2,李杨3,周元祥3,江政纬2,甘云华2*(1.广东粤电靖海发电有限公司,广东省 揭阳市 515223;2.华南理工大学电力学院,广东省 广州市 510640;3.西安热工研究院有限公司,陕西省 西安市 710054)Study on Optimization of Prediction Model of Flue Gas Oxygen Content in Thermal Power Plant Based on Least Squares Support Vector MachineZHAO Guoqin1,LAN M
2、aowei2,LI Yang3,ZHOU Yuanxiang3,JIANG Zhengwei2,GAN Yunhua2*(1.Jinghai Power Generation Co.,Ltd.,Guangdong Energy Group,Jieyang 515223,Guangdong Province,China;2.School of Electric Power Engineering,South China University of Technology,Guangzhou 510640,Guangdong Province,China;3.Xian Thermal Power R
3、esearch Institute Co.,Ltd.,Xian 710054,Shaanxi Province,China)摘要摘要:烟气含氧量是锅炉运行的重要监控参数,也是反映燃烧设备与锅炉运行完善程度的重要依据。根据运行工况快速、准确地测量烟气含氧量,对于优化锅炉燃烧过程具有重要指导意义。以某电站的1 000 MW超超临界锅炉的运行数据为基础,选取影响烟气排放的31个因素,分别采用交叉验证(cross validation,CV)、粒子群优化(particle swarm optimization,PSO)算法、遗传算法(genetic algorithm,GA)寻找最小二乘支持向量机(l
4、east squares support vector machine,LSSVM)模型的最佳参数,建立烟气含氧量预测模型。研究结果表明:相对于PSO-LSSVM和CV-LSSVM模型,GA-LSSVM预测模型对烟气含氧量具有更好的预测能力,具有预测精度高、泛化能力好、鲁棒性强等优点,拟合预测的相对误差、均方误差分别为 0.54%、0.23%,泛化预测的相对误差、均方误差分别为 1.66%、2.13%,能够比较准确地对火电厂锅炉烟气含氧量进行测量,为锅炉燃烧系统进一步的优化运行奠定了基础。关键词关键词:火电厂;最小二乘支持向量机(LSSVM);粒子群优化(PSO)算法;遗传算法(GA);交叉验
5、证(CV)ABSTRACT:The oxygen content in flue gas is an important monitoring parameter of boiler operation,and also an important basis that reflects the perfection of combustion equipment and boiler operation.Quickly and accurately measuring the oxygen content in flue gas according to operating condition
6、s has important guiding significance for optimizing boiler combustion process.Based on the operation data of a 1 000 MW ultra-supercritical boiler in a power station,31 factors affecting flue gas emission were selected,and cross validation(CV),particle swarm optimization(PSO)algorithm,and genetic al
7、gorithm(GA)were used to find the optimal parameters of the least squares support vector machine(LSSVM)model,and the prediction model of flue gas oxygen content was established.The research results show that,compared with PSO-LSSVM and CV-LSSVM models,GA-LSSVM prediction model has better prediction a
8、bility for flue gas oxygen content,and has the advantages of high prediction accuracy,good generalization ability,and strong robustness.The relative error and mean square error of fitting prediction are 0.54%and 0.23%respectively,and the relative error and mean square error of generalization predict
9、ion are 1.66%and 2.13%respectively.It can accurately measure the oxygen content of boiler flue gas in thermal power plants,which lays a foundation for further optimal operation of boiler combustion system.KEY WORDS:thermal power plant;least squares support vector machine(LSSVM);particle swarm optimi
10、zation(PSO)algorithm;genetic algorithm(GA);cross validation(CV)0引言引言电厂输出考核是一个多目标的考量,需要考DOI:10.12096/j.2096-4528.pgt.21088 中图分类号:TK 227基金项目:国家自然科学基金项目(51776077);广东省基础与应用基础研究基金项目(2020B1515020040)。Project Supported by National Natural Science Foundation of China(51776077);Basic and Applied Basic Resear
11、ch Foundation of Guangdong Province(2020B1515020040).第第 44 卷卷 第第 4 期期发电技术发电技术虑安全、效率、汽水参数、污染物排放等问题,各个参数间存在复杂非线性关系。而烟气含氧量是锅炉运行的重要监控参数,能直接反映锅炉燃烧的风煤比,更是判断燃烧设备与锅炉运行完善程度的重要依据1-2。烟气含氧量过高,表示炉膛内空气系数较大,容易造成热量的流失,同时会导致更多硫酸化合污染物的排放,降低锅炉热能效率;反之,则表示炉膛内处于少氧状态,可能会导致煤粉不充分燃烧,进而增加一氧化碳、硫化氢等气体的排放浓度,降低锅炉热能效率。因此,通过烟气含氧量的预
12、测可以反映出锅炉效率以及污染物排放的情况。烟气含氧量具有变化范围广、不稳定以及与其他运行参数耦合性强等特点,同时烟气含氧量的变化会引起锅炉排烟热损失变化,将直接影响锅炉燃烧过程的经济性和环保性,导致数据测量与分析困难2。因此,在特定运行工况下实现快速准确测量烟气含氧量是锅炉优化的关键。考虑到烟气含氧量受多种因素的影响,采用常规方法难以快速准确测量,且传统分析仪测量存在成本高、寿命短、滞后强和误差大等问题,不利于锅炉的经济运行。而人工智能技术在电站锅炉燃烧系统的应用,可以有效保留参数间复杂的非线性关系,能高效准确地建立锅炉燃烧系统预测模型,对调整燃烧工况、实现燃烧优化具有重要意义3-4。典型的人
13、工智能模型包括人工神经网络5-6、支持向量机(support vector machine,SVM)7-8、最小二乘支持向量机(least squares support vector machine,LSSVM)9、模糊逻辑系统10-11及其组合方法、长短期记忆(long short-term memory,LSTM)神经网络12-13等模型。其中,LSSVM与SVM都根据结构风险最小化原则,有效地抑制了欠学习和过学习现象,泛化能力较强14-15。Tang等16提出了一种基于深度信念网络算法的锅炉烟气含氧量混合预测模型,并将模型与LSSVM相结合,提高了锅炉烟气含氧量的预测精度。Pan等17
14、基于灰色关联分析选择模型辅助变量,提出了一种基于LSTM网络的建模方法来代替氧传感器进行烟气含氧量软测量。刘长良等18基于LSSVM建立了火电厂烟气含氧量软测量模型,并利用单纯形寻优算法优化LSSVM模型参数,结合现场数据对该模型进行预测检验,结果表明,该模型能够准确地实现火电厂烟气含氧量的软测量。周霞等19提出将平均拟合误差、平均预测误差与最大预测误差作为模型参数优化的3个目标,进行多目标优化,提高了基于LSSVM的软测量模型的可信度。龙文等20利用电厂运行数据,根据锅炉烟气含氧量的特性,建立了基于LSSVM的锅炉烟气含氧量预测模型。李建强等21基于交叉验证法(cross validatio
15、n,CV)优化 SVM参数,建立了烟气含氧量软测量模型,减小了烟气含氧量测量不准对进一步优化的影响。在锅炉烟气含氧量软测量过程中,由于不同优化算法的选择对LSSVM模型预测精度的影响不同,并且优化算法的过程会导致寻优结果偏差不一致,因此,针对烟气含氧量预测模型,研究不同优化算法对LSSVM模型参数的影响,对提高模型准确性和稳定性具有重要意义。本文以某电站负荷为1 000 MW的超超临界锅炉作为研究对象,利用不同优化算法对LSSVM模型的参数进行寻优,分析不同优化算法对LSSVM模型的影响,得到精度高、泛化能力强的软测量模型,为进一步的燃烧优化提供参考。1模型算法简介模型算法简介1.1LSSVM
16、算法算法LSSVM是Suykens22-23在SVM的基础上提出的一种变形算法。LSSVM利用二范数对目标函数的优化公式进行变形,并将SVM中的不等式约束条件转化为等式约束条件。因此,LSSVM将原来的二次规划问题求解转变成线性方程组的求解,不仅降低了计算的复杂性,还缩短了计算时间。LSSVM不仅具有SVM泛化能力强、全局最优等优点,而且其训练时间短,结果更具确定性,在参数估计和函数逼近的问题研究中得到了广泛应用。LSSVM运用于回归问题时,基本原理如下:训练样本(xiyi),i=12 n,xiRd,yiR,对训练样本进行非线性回归时,引入非线性映射函数(x),将训练样本映射到高维特征空间进行
17、535Vol.44 No.4赵国钦等赵国钦等:基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究线性回归。在特征空间中LSSVM模型可表示为y(x)=wT(x)+b(1)式中:w为权向量;b=bin1为偏置量。其目标函数为minJ(w)=12wTw+12i=1n2i(2)式中:为训练集预测误差;i为样本i引入误差;0,为正规化参数。需满足的约束条件为yi=wT(xi)+bi+i i=12 n(3)引入 Lagrange 乘子=(12 n)T,转化为Lagrange函数:L(wb)=J(w)-i=1niwT(xi)+bi+i-yi (
18、4)根据优化条件Lw=0Li=0Li=0Lbi=0 (5)可得到如下线性方程组:01111K(x1x1)+-1K(x1x2)K(x1xn)1K(x2x1)K(x2x2)+-1K(x2xn)1K(xnx1)K(xnx2)K(xnxn)+-1bi12n=0y1y2yn(6)式中K(xixj)=(xi)T(xj),i j=12 n,为核函数,是高维特征空间的内积。LSSVM的回归函数可表示为y(x)=i=1niK(xixj)+b(7)取不同的核函数,将构成不同的LSSVM,本文选用径向基函数(radial basis function,RBF)作为LSSVM的核函数,其表达式为K(xixj)=exp
19、-xi-xj2/(22)(8)式中为核参数。对于以RBF为核函数的LSSVM模型,需要确定的参数仅为核参数和正规化参数。1.2智能优化算法智能优化算法关于LSSVM回归预测分析最佳和的优化选取,目前并没有公认的最好方法,优化方法多种多样,根据不同的应用场景,不同的智能优化算法表现各异,较为常用的优化方法有CV算法,粒子群优化(particle swarm optimization,PSO)算法,遗传算法(genetic algorithm,GA)等。1.2.1CV算法CV算法亦称作循环估计,是一种统计学上将数据样本切割成较小子集的实用方法。CV算法中较 为 常 用 的 是 K 折 交 叉 验
20、证 法(K-fold cross validation,K-CV)21,其中10-CV应用广泛。如图1所示,10-CV将数据集分成10份,轮流将其中9份作为训练集,1份作为验证集,10次的适应度均值作为对模型精度的估计,并进行多次10-CV求均值,获取最优参数值。由此可知,CV算法更倾向于是统计学上的一种应用方法,与需要进行迭代、变异等操作的智能优化算法略有不同。LSSVM应用CV算法的过程如下:令和在一定的范围内取值,对于随机的和,把训练集作为原始数据集并利用K-CV进行预测,在不同的和下比较预测准确率,最终选取预测准确率最高的一组和作为最佳的参数。1.2.2PSO算法PSO算法是对鸟类、蜂
21、群等群居性动物的觅D训练集验证集.平均结果D10D9D1D10D9D8D7D6D5D4D3D2D1D10D9D8D7D6D5D4D3D2D1结果1结果2结果10D9D8D7D6D5D4D3D2D1D9D8D7D6D5D4D3D2D1D10D8D7D6D5D4D3D2D1D10D8D7D6D5D4D3D2D1D10D9D8D7D6D5D4D3D2D10D9D8D7D6D5D4D3D2图图1 10-CV示意图示意图Fig.1 Schematic diagram of 10-CV536第第 44 卷卷 第第 4 期期发电技术发电技术食行为进行模拟而产生的一种群体智能优化方法,最早由 Kennedy
22、和 Eberhart 在 1995 年提出24。其基本思想是:通过个体间的信息传递与共享,寻找最优解。PSO算法粒子仅具有速度v和位置u这 2个属性,其中速度代表移动的快慢,位置代表移动的方向。粒子群通过跟踪2个极值来更新以上2个属性:一个极值称为个体极值pbest,即粒子个体搜寻到的最优解;另一个极值称为全局极值gbest,即整个种群目前找到的最优解。更新速度和位置的公式分别如下:vt+1id=vtid+c1r1(pbest-utid)+c2r2(gbest-utid)(9)ut+1id=utid+vt+1id(10)式中:vtid为第i个粒子在第t代的速度,d为变量粒子的维度;utid为第
23、i个粒子在第t代的当前位置;c1c2为加速常数,其中c1表示粒子跟踪自身历史最优值的权重,使其局部搜索能力得到扩大,c2表示粒子跟踪群体最优值的权重,代表群体个体之间的协助和信息共享过程;r1和r2为0,1区间的随机数;为惯性权重,用于保持原来速度,权重衰减公式为=max-m(max-min)/mmax(11)式中:m 为当前迭代次数;mmax为总迭代次数;max、min分别为惯性权重的上下限。PSO算法基本步骤如下:1)设置初始参数,随机得到初始化粒子群的初始速度v0id与初始位置u0id,i=12 M。2)求粒子群的适应度值。将初始适应度值作为每个粒子的最优适应度值,当前的位置作为个体最优
24、位置。将最佳的初始适应度值作为当前全局最优适应度值,并记录当前最佳初始适应度值的位置为全局最优位置。3)在限定的速度、位置范围内更新粒子群的速度和位置,并根据当前已经更新的位置计算适应度值。4)对比粒子群适应度值,更新个体最优与全局最优。5)寻优结束条件判断。判断是否达到预先设定的最大迭代次数或预设精度,若达到,则寻优结束;否则,重复步骤3)、4),继续寻优。1.2.3GA算法GA算法是模拟达尔文生物进化论得到的一种进化计算方法,通过生物进化过程的遗传选择和自然淘汰来模拟自然进化过程以搜索最优解25。GA算法是一种高效、并行、自适应搜索的算法,其选择、交叉、变异等运算均以一种概率方式进行,增加
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 最小 支持 向量 火电厂 烟气 含氧量 预测 模型 优化 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。