论文摘要
我国电力生产企业在发电效率和能源利用率等方面相对较低,其中一个重要因素就在于许多重要的过程参数(如烟气含氧量、球磨机负荷等)和经济指标难以实现在线实时检测,严重制约了火电厂过程控制和优化运行。针对电力生产过程普遍存在的非线性、强耦合、工况范围变化大等特性,本文采用基于分治策略框架下的局部建模方法进行烟气含氧量、球磨机负荷等热工参数的软测量研究,主要研究工作及创新性如下：(1)基于即时学习策略的改进支持向量机预测建模方法针对锅炉燃烧过程、制粉系统等具有的非线性、强耦合、工况范围广等特点,而采用基于数据驱动的全局建模方法(如神经网络、支持向量机等)又难以建立一个有效的全局软测量模型,因此,本文依据统计的局部学习理论,提出一种基于即时学习策略的改进SVM在线建模方法。在分析历史数据样本相似性的基础上,提出一种基于距离和角度信息的相似样本选取方法,构造即时学习算法的建模邻域,以提高相似样本的选取精度。由于建模邻域中相似样本规模较小,为此采用具有小样本建模能力的支持向量机模型作为局部模型,并采用改进粒子群优化算法对支持向量机建模方法中3个关键参数进行寻优,以获得最佳的局部预测模型,从而提高模型的预测精度。由于基于即时学习策略的局部预测方法是在线进行的,基于对样本数据集的检索精度和检索效率两方面的考虑,采用加权模糊C均值聚类算法对数据样本集进行聚类,利用两步搜索策略进行当前输入样本数据相似数据集的选取,同时提出一种样本数据集的在线更新策略。(2)局部预测模型在烟气含氧量预测中的应用研究通过对锅炉燃烧过程机理的深入分析,确定出烟气含氧量预测模型的初始辅助变量集,并依据锅炉燃烧过程中的大量历史数据,对相关过程参数的数据样本进行3σ异常检测和归一化处理,利用灰色关联分析方法对辅助变量集进行优化筛选,获得最终的辅助变量。利用本文提出的基于即时学习策略的改进SVM预测建模方法建立烟气含氧量预测模型,由于本文方法在本质上具有在线自适应性能力,能更好的适应锅炉燃烧过程中的不同工况。仿真分析说明相对于标准BP神经网络和标准SVM预测模型,基于即时学习策略的改进SVM预测模型具有更好的预测性能,虽然算法的计算开销有所增加,但能够满足锅炉燃烧过程烟气含氧量预测的实时性要求,并及时为生产操作提供参考。(3)局部预测模型在球磨机负荷预测中的应用研究通过对制粉系统运行过程机理的深入分析,确定出球磨机负荷预测模型的初始辅助变量集,并依据制粉过程中的大量历史数据,对相关过程参数的数据样本进行3σ和小波分析异常检测及归一化处理,采用灰色关联分析方法对辅助变量集进行优化筛选,获得最终的辅助变量。利用本文提出的基于即时学习策略的改进SVM预测建模方法建立球磨机负荷预测模型,由于本文方法具有较好的在线自适应性能力,能更好的适应制粉系统运行过程中的不同工况。仿真分析说明相对于标准BP神经网络和标准SVM预测模型,基于即时学习策略的改进SVM球磨机负荷预测模型具有更好的预测性能,虽然算法的计算开销有所增加,但能够满足制粉系统磨机负荷预测的实时性要求,并及时为生产操作提供参考。