[发明专利]一种锅炉燃烧优化的变量降维建模方法

说明书

技术领域

本发明属于热工技术和人工智能交叉技术领域，涉及一种锅炉燃烧优化的变量降维建模方法。

背景技术

锅炉的燃烧优化是火电机组实现节能减排的重要技术手段，对提高发电企业的经济效益和能源的可持续发展有着重要的意义。燃烧优化技术主要通过控制燃烧有关的各调节参数，优化炉膛内燃烧状况，以此来提高锅炉效率，降低污染物的排放。建立锅炉效率、污染物排放等经济指标与锅炉各参数之间的模型关系是实施燃烧优化的基础。

由于锅炉燃烧机理的复杂性，建立准确的机理模型是非常困难的。近年来，电站信息化的发展使机组运行数据的获取越来越容易，而且神经网络、支持向量机等人工智能的发展为数据建模技术提供了有效的工具。其中，最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)以结构风险最小化为原则，与神经网络相比具有更好的泛化能力。而且，LSSVM利用等式约束代替不等式约束，将学习问题转化为求解线性方程组，减少了算法的复杂度。

电站锅炉燃烧过程机理特性复杂，需要较多的变量来反映运行状况，而且各个变量之间存在着一定的相关性和耦合，一个操作参数的改变往往会引起其他状态变量跟着变化。如果将所有有关的变量全作为模型的输入，不仅会使计算复杂，而且还容易使模型陷入过拟合，导致模型的泛化能力下降，预测精度降低。本发明利用主成分分析(PCA)对模型的扰动变量DV进行特征提取，将提取后的成分与控制变量MV一同作为模型的输入，来建立被控变量CV的预测模型。与传统的变量特征提取降维方法不同，本发明只对扰动变量提取特征成分，而对控制变量不做处理，这样既可以降低模型的复杂度，同时又能保证对控制变量的优化。

发明内容

本发明的技术方案是利用PCA分析对模型的扰动变量DV进行特征提取，实现输入变量的降维，将提取的特征变量与控制变量MV一同作为模型的输入，将被控变量CV作为输出，利用LSSVM建立模型，通过对输入变量的降维可以有效地提高模型的预测精度和泛化能力。

为了实现以上目的，本发明采用的技术方案是：

一种锅炉燃烧优化的变量降维建模方法，其特征在于，所述变量降维建模方法包括以下步骤：

步骤1)：选择辅助变量与需要预测的被控变量CV，所述辅助变量包括扰动变量DV与控制变量MV；

步骤2)：对扰动变量DV进行主元变量提取，所述控制变量MV保持不变；

步骤3)：将上述步骤2)中提取的主元变量与保持不变的控制变量MV作为输入，将步骤1)中选择的被控变量作为输出，建立锅炉被控变量CV参数的模型，用于锅炉的燃烧优化控制。

优先地，所述控制变量DV包括机组负荷、主蒸汽流量、煤质；所述控制变量MV包括风门开度、风压、过量空气系数；所述被控变量CV包括锅炉效率、飞灰含碳量、烟气NOx排放浓度、排烟温度等参数。

优先地，所述步骤2)中对扰动变量DV进行主元变量提取采用的是主成分分析方法。

优先地，所述主成分分析方法对扰动变量DV进行主元变量提取包括以下步骤：

步骤1.1)：对p维扰动变量x_d取n个运行数据，构成样本矩阵X∈R^n×p，所述R^n×p是n×p维矩阵，并进行标准化使各列变量样本的均值为0，方差为1；

步骤1.2)：根据上述步骤1.1)构成的样本矩阵得出矩阵的协方差Σ=1nXTX;]]>

步骤1.3)：根据步骤1.2)得出的协方差Σ，得出协方差的特征根λ₁≥λ₂≥...≥λ_h及特征根对应的单位正交特征向量p₁,p₂,...,p_h；

步骤1.4)：根据上述步骤1.3)得出的单位正交特征向量可以得出主元变量t_i＝Xp_i，所述i＝1,2,...,h；