[发明专利]一种基于周期滚动优化的火电厂磨机负荷预测方法

摘要

本发明公开了一种基于周期滚动优化的火电厂磨机负荷预测方法，用以解决火电厂磨机负荷难以检测的问题；该方法采取对磨机噪声、振动等多个相关参数首先进行周期滚动优化，然后建立基于周期特征的约简最小二乘支持向量机模型实现对磨机负荷的预测；该方法利用相关参数的周期性特征，具有复杂度低、预测精度高、利于在线应用等优点，为火电厂制粉系统的安全、经济运行提供可靠保障。

主权项

1.一种基于周期滚动优化的火电厂磨机负荷预测方法，其特征在于，该方法包括以下步骤：1)每秒采集一次相关参数，包括磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow，其中磨机噪声Enos和磨机振动Evib分别为特征频段内的噪声和振动信号能量；2)对采集到的相关参数，构建相应的参数序列X(in),in＝1,...,N，其中：X代表磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow，N为参数采集次数，将参数序列视为周期序列，序列内同一周期为：{X(j‑T+1),X(j‑T+2),...,X(j)},其中：j＝T,...,N，T为周期时间；3)建立周期滚动优化模型，对参数序列X(in),in＝1,...,N进行周期滚动优化，即对序列中的每个当前参数X(n)所在的周期时间T范围内的序列值{X(n‑T+1),X(n‑T+2),...,X(n)}，其中：n≥T+1，使用主特征周期均方加权融合，得到当前参数的周期优化值X′(n)，X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow；4)通过将相关参数的周期优化参数X′＝(E′_nos,E′_vib,I′_mil,P′_dif,P′_neg,T′_out,I′_pow)，作为输入，采用基于周期特征的约简最小二乘支持向量机模型进行负荷预测，最终确定磨机负荷参数的预测值所述的建立周期滚动优化模型的过程为：对参数序列X(in),in＝1,...,N进行周期滚动优化，即对序列中的每个当前参数X(n)根据周期时间T范围内的参数值{X(n‑T+1),X(n‑T+2),...,X(n)}，其中：n≥T，使用主特征周期均方加权融合，其步骤如下：1)当前参数X(n)为主特征，确定主特征所在周期时间T范围内的n₀个特征周期其中：各特征周期反映了磨机旋转每圈的运行信息，当i₀＝1时，为主特征周期，求取各特征周期融合值公式如下：2)对各特征周期融合值进行均方加权融合，其中i₀＝1时，特征周期融合值的权值为w₁＝0.5，i₀>1时，特征周期融合值的权值为即在权值总和为情况下，随与主特征周期距离增大而等差递减；得到当前参数的周期优化值其中：X′代表磨机噪声的周期优化参数E′_nos、磨机振动的周期优化参数E′_vib、磨机电机电流的周期优化参数I′_mil、磨机出入口差压的周期优化参数P′_dif、磨机入口负压的周期优化参数P′_neg、磨机出口温度的周期优化参数T′_out和排粉机电机电流的周期优化参数I′_pow；对相关参数的周期优化参数X′＝(E′_nos,E′_vib,I′_mil,P′_dif,P′_neg,T′_out,I′_pow)，采用基于周期特征的约简最小二乘支持向量机模型确定磨机负荷参数的预测值该模型的建立步骤如下:1)对训练样本采用周期滚动优化模型，得到训练样本对应的周期优化序列其中N_s为总训练样本数，X′_T＝(E′_Tnos,E′_Tvib,I′_Tmil,P′_Tdif,P′_Tneg,T′_Tout,I′_Tpow)为训练样本输入参数的优化值，Y′_T为训练样本输出参数的优化值，E′_Tnos为磨机噪声样本的周期优化参数、E′_Tvib为磨机振动样本的周期优化参数、I′_Tmil为磨机电机电流样本的周期优化参数、P′_Tdif为磨机出入口差压样本的周期优化参数、P′_Tneg为磨机入口负压样本的周期优化参数、T′_Tout为磨机出口温度样本的周期优化参数、I′_Tpow为排粉机电机电流样本的周期优化参数；2)将周期优化序列分为M组，其中：M≤T,T为周期时间，分组方式为依次选取每间隔一周期时间T的第p个参数，即{(X′_T(p+qT),Y′_T(p+qT))|q＝1,...,N_s/T},其中：p＝1,...,M，分别建立M个约简最小二乘支持向量机模型，其中第p个模型的支持向量选取方式为第p组周期优化序列，而误差项使用所有周期优化序列，能够实现对全部样本进行优化的同时大幅降低模型复杂度；3)选取M组模型中效果最好的，即第p组模型的预测值f_p(X′_T)与样本输出值的周期优化序列Y′_T均方根误差MSE最小的作为最终模型，即