[发明专利]一种电站锅炉NOx排放动态软测量方法

摘要

本发明公开一种电站锅炉NOx排放动态软测量方法，包括以下步骤数据采集及预处理、初始化自适应粒子群算法等等，本发明以锅炉燃烧系统有关运行和状态参数作为模型的输入，以氮氧化物排放浓度作为模型的输出，选取历史运行数据作为训练样本，以支持向量回归机作为软测量建模工具，结合非线性自回归滑动平均模型思想，考虑了模型的输入和输出变量的阶次，使软测量模型具有描述动态变化过程的能力。本发明能够有效地跟踪和预测锅炉燃烧动态运行过程中NOx排放的变化，对电站锅炉的安全和优化运行有重要的意义。

主权项

一种电站锅炉NOx排放动态软测量方法，其特征在于：包括以下步骤：(1)数据采集及预处理：确定模型输入变量和输出变量，从DCS系统中采集得到原始样本对原始样本采用归一化预处理方法，并将各工况下测得的NOx浓度折算到6％氧量下的值；其中xi∈Rm表示第i组模型输入样本，m为输入变量的个数，yi∈R表示第i组模型输出样本，n为样本数量；(2)初始化自适应粒子群算法：每个粒子p(i)包含m+3个变量，其中包括m个输入变量xi对应的阶次di、1个输出变量y对应的阶次dy以及支持向量回归机SVMR模型的惩罚因子C和核参数σ；(3)将输入数据和输出数据整理成非线性自回归滑动平均模型框架NARMAX模型结构：以粒子p(i)包含的输入变量xi的阶次di和输出变量y的阶次dy，将输入数据和输出数据整理成NARMAX模型结构，然后计算得到软测量模型的输入X(t)和输出Y(t)如下：X(t)=[x1(t-T),K,x1(t-d1T),K,xm(t-T),K,xm(t-dmT),y(t-T),K,y(t-dyT)]Y(t)=y(t)]]>上式中，T指的是收集测点数据的采样周期；X(t)为采样时刻t对应的模型输入量，包含m个输入变量xi在采样时刻t之前的连续di个采样周期的状态量，以及被测量y在采样时刻t之前的连续dy个采样周期的状态量；Y(t)为采样时刻t对应的模型输出量，为被测量y在采样时刻t时的状态量；(4)SVMR模型初始化：以粒子p(i)包含的惩罚因子C和核参数σ采用高斯核函数即RBF来设置SVMR模型：上式中，αi与b为支持向量回归机参数，为支持向量，l为支持向量的个数，σ为RBF核参数；(5)进行SVMR训练和拟合，计算粒子个体适应度fi，保留最优个体：以X(t)作为SVMR模型输入，Y(t)作为SVMR模型输出，将整理后的样本集的前3/4作为训练样本，后1/4作为预测样本，进行模型的训练和拟合；以预测样本偏差指标为适应度函数，计算粒子个体适应度fi，并得到群体最优适应度为fm以及保留其粒子位置Pm，那么粒子p(i)的适应度函数为：上式中，n为预测时间序列长度，yj和分别为第j个时刻的实测值与模型预测值；(6)寻优收敛判断：若fm<fe，其中fe为期望收敛阈值，当k＝Kmax时，则寻优终止，执行步骤(9)；否则，令k＝k+1，执行步骤(7)；其中,k为当前迭代次数，Kmax为最大迭代次数，阶次的寻优范围为[dmin,dmax]；(7)计算粒子群体平均适应度，将粒子群体分为三个子群：第k次迭代中粒子p(i)的适应度值为fik，群体最优粒子的适应度值为fm；粒子群平均适应度为将适应度值优于的粒子适应度求平均得到根据粒子个体适应度fik将其分为局部寻优、平衡寻优、全局寻优三个子群，分别计算其对应的惯性权重w和学习因子c1、c2；其中，根据粒子个体适应度fik将粒子群分为三个子群的过程为：(7.1)计算粒子群体平均适应度，然后设定第k次迭代中粒子p(i)的适应度值为fik，群体最优粒子的适应度值为fm，粒子群体平均适应度值为(7.2)将适应度值优于的粒子适应度求平均值得到定义用来评价粒子群的早熟收敛程度，△越小说明粒子群体越趋于早熟收敛；(7.3)最后根据粒子个体适应度fik将其分为以下三类：①若则表明该粒子为群体中较好的粒子，分为局部寻优子群，按下式取较小的惯性权重w，使其在小范围内变动，同时取较大的c1和较小的c2，以加强粒子个体自身的学习能力并强化粒子的局部寻优能力：②若则表明该粒子为群体中一般的粒子，分为平衡寻优子群，同时具有良好的全局寻优能力和局部寻优能力，维持惯性权重w不变，并取c1＝c2＝1，平衡粒子自身认知和社会认知的学习能力；③若则表明该粒子为群体中较差的粒子，分为全局寻优子群，取较大的w，以增大变化幅度，强化粒子群体的全局搜索能力，同时取较小的c1和较大的c2，强化粒子的社会学习能力，调整策略照下式进行：其中，c1max和c2max分别为认知学习因子c1和社会学习因子c2设定的取值范围的最大值，c1min和c2min为其取值范围的最小值；w0为惯性权重的初始设定值，wmin为惯性权重的设定最小值，k1、k2为惯性权重w的调节因子，k1决定惯性权重w的搜索上限，k2用于控制惯性权重w的收敛速度；(8)粒子个体速度和位置更新：根据步骤(7)得到的惯性权重w和学习因子c1、c2，对粒子个体速度Vi和位置Pi进行计算更新；(9)输出最优结果，完成动态软测量模型的建立：输出fm对应的最优个体所包含的di、dy以及惩罚因子C和核参数σ，并以其参数作为设定参数建立最终的动态软测量SVMR模型；(10)动态软测量的实现：对于任意新采集的样本，首先对其进行预处理后，输入步骤(9)得到的动态软测量SVMR模型，便可得到相应的软测量输出。