[发明专利]一种生物质炉燃烧优化的模型更新方法

摘要

本发明涉及一种生物质炉燃烧优化的模型更新方法。本发明方法首先建立原有模型的预测超允许误差数据库，建立新模型，原模型需要更新时，选择预测超允许误差数据库中大于100组的工况数据，再在原模型的建模样本中随机选择大于20组的部分工况数据，将两部分数据共同作为训练样本，进行下一步的模型更新建模；确定新模型和原有模型的比例，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，从而实现生物质炉燃烧优化模型的更新。本发明方法减少了模型更新数据选择和处理的工作量，提高了模型更新的效率，满足了生物质炉燃烧在线优化的实际要求，保证了生物质炉燃烧优化的实时性和准确性。

主权项

1. 一种生物质炉燃烧优化的模型更新方法，其特征在于该方法的具体步骤是：步骤(1).建立原有模型的预测超允许误差数据库：根据具体生物质炉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δ，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δ的大小，如果预测误差大于δ，即，则将超限数据存入预测超允许误差数据库中，以备模型更新之用，其中为模型预测值，为实际运行数据；步骤(2).建立新模型：原模型需要更新时，选择预测超允许误差数据库中大于100组的工况数据，再在原模型的建模样本中随机选择大于20组的部分工况数据，将两部分数据共同作为训练样本，预测错误数据与原模型建模数据比例大于4，进行下一步的模型更新建模，使更新后的模型能兼顾新燃烧特点和原来的燃烧特点，模型预测能力更全面；设数据样本可以表示为，其中表示第组作为输入数据的锅炉运行参数向量，表示第组作为输出参数的表征锅炉燃烧状态特征的参数，采用径向基神经网络算法建立新的模型：对于个隐节点的径向基神经网络其输出为：，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；建立径向基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；采用粒子群算法迭代训练径向基神经网络，定义粒子群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：，其中为第个样本的径向基神经网络输出值，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，从而获得径向基神经网络模型；步骤(3).确定新模型和原有模型的比例：采集新的生物质炉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，为步骤(2)中所建新模型预测值，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；与的确定采用蚁群算法迭代寻优确定，初始化蚁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：，其中为第组工况实际数据与结合模型预测值的误差，当方差总和取得了最小、达到设定值或完成迭代次数时，寻优完成，获得最优的模型权重系数；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，从而实现生物质炉燃烧优化模型的更新。