[发明专利]一种基于可在线寻优的案例推理锅炉燃烧优化方法

权利要求书

1.一种基于可在线寻优的案例推理锅炉燃烧优化方法，其特征在于，所述方法包括以下步骤：

1)建立GA-LS-SVM模型，为了能实现查询到所有工况，将对应工况下的机组负荷、磨煤机运行方式，环境温度参数作为输入变量，进行排列组合后，输入到所述GA-LS-SVM模型中，采用GA算法计算出离线最优值；

2)将所述离线最优值写入案例推理CBR的专用数据库中，作为现场DCS的参考案例；

3)读取现场DCS负荷工况数据；

4)根据现场工况判断机组运行是否正常，在线寻优信号是否正常，若正常进行寻优则进行步骤5)，若不正常将不进行寻优，将当前值直接送回跳至步骤7)；

5)以现场机组负荷和磨煤机运行方式作为输入，在所述案例推理CBR的专用数据库中在线搜索获得相似案例；

6)输出和所述现场机组负荷和磨煤机运行方式对应的相似案例的离线最优值，查询结束；所述相似案例的离线最优值包括二次风门挡板开度、三次风门挡板开度及氧量定值；

7)将所述相似案例的离线最优值送入现场DCS；

8)在现场DCS，根据所述相似案例的离线最优值控制各层风门挡板开度以及氧量定值；

在步骤2)中，在所述案例推理CBR的专用数据库中，存储着每一种工况下对应的机组负荷和磨煤机运行方式、以及每一种工况下对应的离线最优值，该离线最优值包括每一种工况下对应的二次风门挡板开度、三次风门挡板开度及氧量定值；

经过所述优化方法优化后，同一负荷下锅炉燃烧效率提高0.3％以上；

在步骤1)中，建立GA-LS-SVM模型具体方法为：

(1)给定训练样本集：

{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}；x_i∈Rⁿ，y_i∈R，

其中，x_i,x_t为训练样本集的输入数据，y_i,y_t为训练样本集的输出数据，Rⁿ为n维实数集；

采用最小二乘支持向量机算法，利用高维特征空间中构造的最优决策函数y映射到高维特征空间：

其中，为核空间映射函数，w为权向量，b为常数；x₁,x₂,…x_n为核空间映射函数的输入向量；根据结构风险最小化原则确定参数w，b，等效为求解下列优化问题：

相应的Lagrange函数为：

其中，α＝[α₁,α₂,…α_n]为Lagrange乘子；c为正规化参数；ξ为训练集预测误差向量；

由最优解条件：

得：

整理后，得：

引入核函数整理得：

通过求解上式，得到模型参数α_i和b，确定决策函数

得到LS-SVM模型；

(2)利用遗传算法计算核函数参数σ和所述正规化参数c，将所述LS-SVM模型中的核函数选择径向基RBF函数，表达式为：

核函数参数σ和所述正规化参数c的计算方法为：

1)对LS-SVM中正规化参数c和核函数参数σ进行二进制编码，然后随机产生初始化种群；

2)对初始化种群中的各染色体进行解码，得到十进制的正规化参数c和核函数参数σ；

3)用生成的正规化参数c和核函数参数σ的初始参数进行LS-SVM建模，适应度函数以模型精度为准；

4)如果满足模型精度则停止计算，输出最优参数，若不满足则执行交叉、变异和选择操作以产生新一代种群，并再次进行下一代操作；

5)判断种群的适应度是否满足精度要求，满足则给出最优核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤6)；

6)判断种群是否满足最大遗传代数，满足则给出当前的核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤4)；

将得到核函数参数σ和正规化参数c，进而代入下述线性方程

得到GA-LS-SVM模型参数α_i和b，确立GA-LS-SVM模型。