[发明专利]一种废塑料炼油燃烧优化的模型更新方法

摘要

本发明涉及一种废塑料炼油燃烧优化的模型更新方法。目前废塑料炼油燃烧优化中存在瓶颈问题。本发明方法利用超出原有模型预测误差限度的数据建立新的模型，然后再利用废塑料炼油的新燃烧数据和优化算法，寻找最优的新模型和已有模型的比例系数，利用最优的比例系数将新模型和已有模型结合在一起，共同对新的废塑料炼油燃烧状态进行预测和优化，实现模型更新。本发明方法克服了一般模型更新方法中将已有模型完全放弃，不能利用已有模型的学习结果的缺点，充分利用了已有模型的学习结果，大大缩短了模型更新的计算工作量和时间。

主权项

1.一种废塑料炼油燃烧优化的模型更新方法，其特征在于该方法的具体步骤包括：步骤(1)建立原有模型的预测错误数据库：根据具体燃烧情况和对模型预测精度的要求，设定模型的允许预测误差限和，为最大允许误差限，即在反应釜轴向分布的M个温度检测点的每个点误差的最大允许限，为平均允许误差，即反应釜轴向分布的M个温度检测点的平均误差的最大允许限，M≥3；在采集数据时，判断模型预测值与实际运行值之间的误差与允许预测误差限和的大小，如果某反应釜轴向温度检测点预测误差大于，即，或反应釜轴向温度M个温度检测点的平均误差大于，即，其中为反应釜轴向的第个温度检测点的温度模型预测值，为反应釜轴向的第个温度检测点的温度实际运行数据，则将超限数据存入预测错误数据库中，以备模型更新之用；步骤(2)建立新模型：原模型需要更新时，选取预测错误数据库中的数据作为训练样本，分别用支持向量机算法和径向基神经网络建模，首先用支持向量机建模，样本可以表示为，其中表示第组作为输入数据的各燃烧器的运行参数、反应釜进料量和反应釜出产品量向量，表示第组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量，为样本数量，采用支持向量机算法建立新的模型，核函数选为径向基函数：为映射函数，设所求的目标函数为：，为模型输出的锅炉燃烧指标预测值，为权重系数向量，为截距；引入松弛因子ξ^*_i≥0和ξ_i≥0和允许拟合误差ε，模型可以通过在约束：，条件下，最小化：获得，其中常数C>0为惩罚系数；引入拉格朗日函数：其中：≥0,≥0,为拉格朗日乘数；在鞍点处，函数L是关于w,b,ξ_i,ξ_i^*的极小点，也是极大点，最小化问题转化为求其对偶问题的最大化问题；拉格朗日函数L在鞍点处是关于w,b,ξ_i,ξ_i^*极小点，得：可得拉格朗日函数的对偶函数：此时，按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：可得：从上式可求出b，获得模型；再采用学习能力和函数逼近能力强的径向机神经网络建模：对于个隐节点的径向机神经网络其输出为：，为权重系数，为维输入向量，为第个基函数的中心，为函数的基宽度参数；建立径向机神经网络模型的关键在于确定基函数的中心，基宽度及权重系数；采用遗传算法迭代训练径向机神经网络，定义遗传算法初始群体向量的各维分量，分别为隐节点个、数基函数中心、函数的基宽度和权重系数，目标函数为：，其中为第个样本的神经网络输出值，为第个样本的实际值；当达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向机神经网络模型；采用训练样本数据作为检验数据，应用支持向量机模型和神经网络模型加权平均的预测方法，对检验数据进行预测，即，其中为第组检验样本工况的目标预测值、为支持向量机模型预测值、为神经网络模型预测值、为支持向量机模型预测值比例系数、为神经网络模型的预测比例系数，且；与的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量的各维分量，分别为支持向量机模型比例和原有模型权重，目标函数为：，其中为第组工况实际数据与结合模型预测的废塑料炼油燃烧特征指标的误差，当取得了最小、达到设定值或完成迭代次数时，寻优完成，按最优的权重系数组合支持向量机模型和径向基神经网络模型构成新模型，该新模型可以兼顾泛化能力和经验误差；步骤(3)确定新模型和已有模型的比例；采集新的废塑料炼油不同运行状态下的数据作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即，其中为第组检验样本工况的目标预测值、为新模型预测值、为原有模型预测值、为新模型预测值权重系数、为原有模型的预测权重系数，且；与的确定采用粒子群算法迭代寻优确定，初始化粒子群位置向量的各维分量，分别为新模型权重和原有模型权重，目标函数为：，其中为第组工况与结合模型预测的反应釜轴向各测点中的最大误差，为第组工况与结合模型预测的反应釜轴向各测点的平均误差，当取得了最小、达到设定值或完成迭代次数时，寻优完成，若且，则分别获得新模型和已有模型的比例系数和，否则，更换新模型建模数据，重复以上步骤(2)～(3)，直到获得比例系数和；清空预测错误数据库，以备下一次更新采集数据之用；步骤(4)将原有模型与新模型按最优的比例系数相结合，构成新的组合模型，即，其中E为更新后的组合模型，从而实现废塑料炼油燃烧优化模型的更新。