[发明专利]燃煤电站锅炉飞灰含碳量预测模型构建方法及系统

说明书

技术领域

本发明涉及一种电站锅炉燃烧系统，具体地，涉及一种燃煤电站锅炉飞灰含碳量预测模型构建方法及系统。

背景技术

为了实现电站锅炉燃烧系统优化控制的目标，第一步是要对锅炉的燃烧实际情况给出真实及时合理的评估。其中关键是要对锅炉燃烧性的关键参变量在线预测。自改革开放以来，我国电力行业热工自动化水平有了极大的提高，但由于测量技术的限制以及测量系统的不可靠、不准确和不实时，因而电站锅炉系统的一些关键参变量还没有能实现在线测量。

飞灰含碳量是锅炉经济运行的重要指标。根据检测方法的实时性进行分类，可以分为离线检测和在线检测。离线测量技术方面，燃烧法是最常用的一种方法，通过对飞灰样品的燃烧，根据前后两次的重量变化，从而计算得到飞灰含碳量的水平。但是这种方法无法满足实时性的要求。因而实现在线测量飞灰含碳量面临着一些技术困难，主要原因有以下两点：第一，为了精确测量飞灰含碳量水平，最重要的是要得到入炉煤的煤质数据，但实际情况是很多电站无法在线测量这些数据，从而使得精确性得不到提高。同时我国燃煤电站由于地域因素用煤的煤质波动较大，给飞灰含碳量在线计算带来了困难；第二，一些关键的测量值由于仪器损坏或者故障等原因使得在线测量值不能得到真实的数据。

经检索，公开号为102778538A、申请号为201210234724.3的中国发明申请，公开了一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，该方法基于粒子群算法对支持向量回归进行参数寻优，选取了影响回归模型有效性的两个参数，首先通过传感器采集相关辅助变量的值，并进行数据预处理，根据过去6小时的历史数据辨识出支持向量回归模型的两个主要参数以确定飞灰含碳量软测量模型，并根据历史数据的更新每小时更新一次软测量模型，将实时测量的辅助变量值输入建立好的软测量模型即可得到飞灰含碳量输出值。

上述专利是针对飞灰含碳量在线监测提出的，但是其选取了支持向量回归的方式选择影响回归模型的有效参数，某些程度上会导致过分依赖历史数据易造成模型适应度差等问题。

因此如何解决以上问题实现飞灰含碳量在线监测对锅炉燃烧状况进行实时评估是十分重要的。

发明内容

针对现有技术中的缺陷/之一，本发明的目的之一是提供一种精度较高的燃煤电站锅炉飞灰含碳量预测模型的构建方法，相较于传统的机理模型提升了建模的精度，相较于纯黑箱模型有更快的速度。

本发明的目的之二是提供一种燃煤电站锅炉飞灰含碳量预测模型的构建系统。

根据本发明的第一目的，提供一种燃煤电站锅炉飞灰含碳量预测模型的构建方法，所述方法包含以下步骤：

S1：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关最小冗余算法筛选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法(FCM)将历史样本进行聚类，得到N个子类，计算出N个子类模糊隶属度函数；

S2：利用每个子类的历史样本分别训练最小二乘支持向量机算法(LSSVM算法)，得到N个以飞灰含碳量为输出的子模型；

S3：将S1得到的所述模糊隶属度函数连接S2得到的所述子模型，构建全局模型，即飞灰含碳量预测模型。

进一步的，所述飞灰含碳量预测模型，选取如下变量作为模型输入变量：

一次风量、一次风压、二次风量、二次风压和烟气含氧量，它们反映了空气动力场对飞灰含碳量的影响；

炉膛出口温度和二次风温反映了温度的影响因素；

二次风阀门开度反映了配风方式对其的影响；

入炉煤量和锅炉负荷反映了负荷的影响。

更进一步的，在选取模型输入变量时考虑燃煤电站锅炉在低负荷和高负荷和变负荷三种情况。

更进一步的，所述飞灰含碳量预测模型，利用最大相关最小冗余(mRMR)算法分析输入变量之间以及输入变量与飞灰含碳量的相关性。

进一步的，所述最小二乘支持向量机算法(LSSVM算法)中，选择高斯径向基核函数作为核函数，利用10层交叉验证网格搜索技术确定核函数中的径向基核参数和正规化参数。

进一步的，所述飞灰含碳量预测模型，利用平均绝对误差，均方根误差作为评价标准指标。