[发明专利]一种火电厂锅炉烟气含氧量软测量方法

摘要

本发明提供一种火电厂锅炉烟气含氧量软测量方法，涉及火电厂发电技术领域。该方法获取火电厂锅炉工作的历史数据，进行归一化处理后分为控制变量和状态变量，采用Ridge Regression方法对状态变量数据集合进行特征选取，将控制变量数据集和状态变量数据集均划分为训练集和测试集，分别使用控制变量和状态变量的训练集训练DBN模型，得到控制变量模型与状态变量模型，两者进行非线性组合，得到最终的烟气含氧量组合预测模型。本发明能克服传统算法网络结构的限制，提取数据的深层次特征，具有预测精度高和收敛速度快等优点，为先进控制算法的应用提供基础，有助于提高锅炉效率，降低锅炉排放。

主权项

1.一种火电厂锅炉烟气含氧量软测量方法，其特征在于：包括以下步骤：步骤1：获取火电厂锅炉工作的历史数据，得到锅炉工作历史数据集合其中，为第i个样本中的过程参数，n为过程参数的个数，Y_i为第i个样本的烟气含氧量，M为数据集合中样本的个数；其中，所述过程参数包括省煤器入口给水温度、省煤器出口给水温度、省煤器入口烟气压力A侧、省煤器入口烟气压力B侧、省煤器出口烟气压力A侧、省煤器出口烟气压力B侧、炉侧主蒸汽压力、主蒸汽温度、主蒸汽流量、炉膛烟气压力、高压给水压力、高压给水温度、机组负荷、引风机挡板开度、送风挡板开度、给煤量、一次风流量、二次风流量、送风机流量、总风量、给水流量、一次风出口风温、二次风出口风温、炉膛温度；步骤2：采用Min‑Max方法对数据集合DATA中的过程参数进行归一化处理，得到归一化处理的数据集合其中，为归一化之后的第i个样本的过程参数；步骤3：将集合NDATA中的过程参数分为控制变量和状态变量，得到控制变量数据集合和状态变量数据集合其中，为归一化后的第i样本的控制变量，为归一化后的第i样本的状态变量，k、l分别为控制变量和状态变量的个数，k+l＝n；其中，所述控制变量包括给煤量、一次风流量、二次风流量、送风机流量、总风量、给水流量、引风机挡板开度、送风挡板开度；状态变量包括主蒸汽流量、机组负荷、省煤器入口给水温度、省煤器出口给水温度、省煤器入口烟气压力A侧、省煤器入口烟气压力B侧、省煤器出口烟气压力A侧、省煤器出口烟气压力B侧、炉侧主蒸汽压力、主蒸汽温度、炉膛烟气压力、高压给水压力、高压给水温度、一次风风温、二次风风温、炉膛温度；步骤4：采用岭回归方法对状态变量数据集合SDATA进行特征选取，按照岭迹法，选取岭参数K＝0.1，再按照岭回归选择变量的准则，选取与烟气含氧量强相关的状态变量，经过特征选取后得到的数据集合为FDATA＝{(Fig，Yi)|i＝1，2，...，M}，其中，Fig为第i个样本的状态变量，g为特征选取后状态变量的个数；步骤5：将控制变量数据集CDATA划分为控制变量训练集和控制变量测试集其中，为TDATA1中第q个训练样本的输入变量，为MDATA1中第r个测试样本的输入变量，Y_q为TDATA1中第q个训练样本的烟气含氧量，为MDATA1中第r个测试样本的烟气含氧量，烟气含氧量为控制变量训练集和测试集的输出变量，Q、R分别为控制变量训练集样本个数和控制变量测试集样本个数；将特征选取后的状态变量数据集FDATA也划分为状态变量训练集和状态变量测试集其中，为TDATA2中第q个样本的输入变量，为MDATA2中第r个样本的输入变量，Y_q为TDATA2中第q个样本的烟气含氧量，为MDATA2中第r个样本的烟气含氧量，烟气含氧量为状态变量训练集和测试集的输出变量，状态变量训练集样本个数和状态变量测试集样本个数也为Q和R；步骤6：分别使用控制变量和状态变量的训练集训练深度置信网络模型，即DBN，得到控制变量模型与状态变量模型；所述控制变量模型的建模步骤如下：步骤6‑1：将TDATA1中输入变量作为DBN的输入，采用逐层贪婪无监督的方法对深度置信网络进行预训练；步骤6‑2：随机初始化参数；所初始化参数包括网络结构的权值矩阵W的所有元素ωij、可视层偏置向量a和隐含层偏置向量b；步骤6‑3：利用对比散度算法依次训练RBM，依次充分计算每个RBM连接权值与偏置，并且堆叠达到DBN的最大层；步骤6‑4：更新网络的权值和可视层与隐含层的偏置；步骤6‑5：利用DBN最顶层的BP进行有监督的反向微调寻优，得到最终的控制变量模型，如式(4)所示；fct＝f(X1，θ1)    (4)其中，fct表示基于DBN的控制变量模型的第t个样本的预测值，X1表示控制变量，θ1＝(W1，c1)，W1表示控制变量模型的网络权值矩阵，c1表示控制变量模型的偏置，控制变量模型的偏置包括可视层和隐含层的偏置；所述状态变量模型的建模步骤如下：将步骤6‑1中训练集转换为状态变量的训练数据集TDATA2，执行步骤6‑1到步骤6‑5相同的方法，得到最终的状态变量模型，如式(5)所示；fst＝f(X2，θ2)    (5)其中，fst表示基于DBN的状态变量模型的第t个样本的预测值，X2表示状态变量，θ2＝(W1′，c1′)，W1′表示状态变量模型的网络权值矩阵，c1′表示状态变量模型的偏置，状态变量模型的偏置包括可视层和隐含层的偏置；步骤7：将步骤6得到的控制变量模型和状态变量模型进行非线性组合，得到最终的烟气含氧量组合预测模型，如式(6)所示；利用该模型进行火电厂锅炉烟气含氧量软测量；其中，表示组合预测模型的第t个样本的预测值；ε₁、ε₂、ε₃、ε₄、ε₅是模型的系数，根据控制变量模型和状态变量模型的训练集的计算结果，通过最小二乘法求解得到模型系数。