[发明专利]燃煤分质利用与清洁预处理系统热解釜的模型更新方法

摘要

本发明公开了一种燃煤分质利用与清洁预处理系统热解釜的模型更新方法。本发明通过分析原有模型预测超出误差限度的数据，对不同情况的预测错误做出不同的模型更新策略，实现模型更新，减小了大部分情况下的模型更新工作量和所用更新时间，利用该方法可以快速、高效的实现模型的更新；本发明具体是对超出原有模型预测误差限度的数据进行分析分类，对不同的预测错误情况采用不同的模型更新方法，实现模型更新。该方法减小了模型更新的工作量，提高了模型更新的速度，缩短了模型更新的计算工作量和时间。

主权项

1.燃煤分质利用与清洁预处理系统热解釜的模型更新方法，其特征在于：该方法的步骤包括：步骤(1)建立原有模型的预测错误标准并采集预测错误数据；根据燃煤分质利用与清洁预处理系统热解釜的工艺要求，设定模型的预测允许误差限ψ，燃煤分质利用与清洁预处理系统热解釜的检测目标为轴向温度和压力分布，反应釜内壁轴向取M个温度和压力监测点，M≥3，当模型对热解釜轴向分布的M个温度和压力检测点有一个点误差大于允许误差限ψ时，则采集该组数据，以便模型更新用；步骤(2)对模型预测错误误差进行分析分类，以确定不同情况下模型更新方法；针对模型的预测误差可分为以下三种类型：①整体预测偏大或偏小；这种情况是由于燃煤分质利用与清洁预处理系统热解釜的运行规律的变化或测量导致；②在某种运行条件下预测误差偏大或偏小，；这种情况是由于模型对该运行条件包含不充分造成；③除以上两种情况外的复杂预测错误误差；这种情况说明原有模型已不能完全适应燃煤分质利用与清洁预处理系统热解釜的运行预测；步骤(3)针对以上三种情况进行不同策略的模型更新，以建立新模型更好的预测燃煤分质利用与清洁预处理系统热解釜运行工况；对于情况①原模型需要更新时，根据采集错误预测数据的预测值与真实值的比值k进行修正，对模型预测值乘以修正系数k以减小预测误差，使修正后的预测值达到工艺要求；对于情况②可总结或回归该运行条件与目标值间的经验公式，并将该公式与原模型耦合，在该运行条件下对原模型预测进行纠正，以使模型在全工况条件下的预测均可达到生产工艺要求；对于情况③进行重新建模以替代原模型，使预测达到工艺要求；对于重建模型进行更新的方法，其重点再如何设定训练样本，选取步骤(1)所采集的预测错误数据中的数据及采集最新的运行数据相混合作为训练样本，其数据比例为4：6至6：4之间；新模型采用基于数据的建模方法，以BP神经网络进行建模；数据样本表示为其中x_i表示第i组作为输入数据参数，包括各燃烧器运行参数、热解釜进煤量、煤质参数，y_i表示第i组作为输出参数的表征热解釜状态特征指标的参数向量，即M个反应釜轴向的温度值和压力值，N为样本数量，采用学习能力和函数逼近能力强的BP神经网络建模，其影射函数取为径向基函数对于n个隐节点的3层BP神经网络，影射函数取为径向基函数后，其输出为：w_i为权重系数，x为m维输入向量，c_i为第i个基函数的中心，ρ_i为函数的基宽度参数；建立此BP神经网络模型的关键在于确定基函数的中心c_i，基宽度ρ_i，权重系数w_i及隐含节点数n；采用遗传算法迭代训练神经网络，定义遗传算法初始群体A向量的各维分量，分别为基函数中心c_i、隐节点个n、函数的基宽度ρ_i和权重系数w_i，目标函数为：其中为第i个样本的神经网络输出值，y_i为第i个样本的实际值；当J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，从而获得神经网络模型；用此新模型替代原有模型即实现模更新；若原模型中还含有有用规律信息，则将新模型与原模型进行集成实现模型更新：采集新的燃煤分质利用与清洁预处理系统热解釜不同运行状态下的数据k组作为检验样本，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y_i＝λE_n+γE_o，其中y_i为第i组检验样本工况的目标预测值，E_n为新模型预测值，E_o为原有模型预测值，λ为新模型预测值权重系数，γ为原有模型的预测权重系数，且λ+γ＝1；λ与γ的确定也采用遗传算法寻优确定，初始化遗传算法初始向量Z的各维分量，分别为新模型权重λ和原有模型权重γ，目标函数为：minL，其中k为新采集的检验数据量，y_oi为第i组检验数据工况实际目标值；当L达到设定值或完成迭代次数时，寻优完成，获得新模型和已有模型的比例系数λ和γ；并按比例集成新模型和原有模型，实现模型更新。