基于自校正LS-SVM的電廠鍋爐煙氣含氧量軟測量系統

唐振浩 段 潔 曹生現 王 恭

(東北電力大學自動化工程學院，吉林 吉林 132012)

根據國家能源局2015年發布的信息，我國2014年火力發電設備容量為91 615萬千瓦，約占全口徑發電設備容量的67.32%，這說明火力發電仍然是我國當前最主要的發電方式。火電廠鍋爐生產過程的重要指標是鍋爐煙氣含氧量，煙氣含氧量過高鍋爐熱效率會降低，煙氣含氧量過低則煤炭不能完全燃燒，影響鍋爐熱效率的同時也容易造成排放物超標[1]。因此控制火電廠鍋爐煙氣含氧量在合理范圍內，保持鍋爐在最佳的運行狀態，是電廠降低燃料消耗和污染排放的重要手段。為了實現火電廠鍋爐煙氣含氧量的高精度控制，就要實時高精度獲取相關的檢測信息。目前常用的煙氣含氧量檢測方法有：磁式氧氣傳感器和氧化鋯氧氣傳感器。這兩類傳感器的安裝環境高溫高噪聲，所以經常要校正或更換傳感器，而且檢測結果的傳輸也比較滯后。

為了解決傳統傳感器技術的不足，軟測量技術成為火電廠鍋爐煙氣含氧量控制的重要技術之一[2,3]。盧洪波等對電站鍋爐飛灰含碳量進行建模估計[4,5]，李少華等對鍋爐煙氣中CO的含量基于神經網絡進行建模[6]；在鍋爐煙氣含氧量軟測量方面，湛騰西、袁俊文及韓璞等分別提出改進的神經網絡方法進行建模，并取得了一定的成果[7～9]；王剛等采用差分進化和序列最小優化算法(Sequential Minimal Optimization，SMO)相結合的方法實現煙氣含氧量的軟測量[10]。文獻[11～14]分別設計了基于支持向量機和最小二乘支持向量機的軟測量方法。這些方法雖然都取得了一定的成果，但在測量精度方面仍有改進空間。

為此，筆者提出一種基于差分進化算法的自校正LS-SVM算法建立軟測量模型，首先根據已有經驗和實際數據分析選取適當的過程變量，并考慮含氧量變化的時序特點建立建模數據庫；然后根據問題特點，采用差分進化算法校正LS-SVM參數；對差分進化算法進行改進，改善算法局部尋優能力，獲取更高的測量精度；最后對該方法進行了驗證。

1.1 電廠鍋爐生產過程

電廠鍋爐生產過程具有強非線性及時變性等特點，其生產過程可以簡單概括為進料、燃燒和廢氣排放3個部分，如圖1所示。在進料過程中，被磨煤機研磨成的煤粉經一次風機通過管道送入給粉機，煤粉經過給煤機送入爐膛燃燒。燃燒過程產生的熱量將爐內水冷壁中的水加熱形成水蒸氣。燃燒結束后產生的煙氣經引風機排出。

圖1 電廠鍋爐生產過程簡圖

1.2 煙氣含氧量數據分析

電廠鍋爐生產過程復雜，通過機理分析可知對煙氣含氧量影響較大的因素有給水流量、燃料量、主蒸汽流量、主蒸汽壓力、送風量、引風量、送風機電流、引風機電流、機組負荷、再熱蒸汽溫度及排煙溫度等。由于爐況和實際生產環境的不同，這些影響因素與煙氣含氧量在實際生產過程中的相互關系也不穩定。

針對不同爐況，用現場采集數據進行相關性分析，采用Pearson相關性分析法對影響因素和煙氣含氧量之間的相關性進行分析，同時對實際生產數據進行相關性分析，從分析結果中選取0.01和0.05水平顯著相關的變量作為建模輸入量。選取主蒸汽壓力、機組負荷、排煙溫度、引風機電流、送風量、給水流量、爐膛負壓、爐膛溫度和再熱器溫度作為所研究鍋爐的主要影響因素；由于溫度變化具有時序特征，某一時刻溫度與前N時刻的溫度相關，經過相關性分析，在實驗中選取N為5。在此共選取了14個參數作為輸入變量構造鍋爐煙氣含氧量軟測量模型。

2 煙氣含氧量數據解析建模

2.1 數據預處理

實際生產中獲取的數據存在噪聲數據和數據缺失現象，為此采取相應的處理方法：

a. 對數據中的噪聲進行處理。對建模時間段內不同參數的數據進行統計分析，計算各參數的期望μ和標準差σ。根據拉依達準則，將數值中在[μ-3σ,μ+3σ]區間之外的數據刪除，根據含氧量數據連續變化的特征，用刪除時刻前后兩個時刻的平均值代替該數據。

b. 對數據缺失進行處理。由于檢測設備故障或信號傳輸異常，實際獲取的數據常有數據缺失的情況，對缺失數據采用均值插補法進行處理，將缺失時刻前后兩個時刻的平均值填補缺失數據。

2.2 算法整體結構

基于DE優化的自校正LS-SVM算法中的LS-SVM算法根據DE粒子信息設定計算參數，采用建模數據庫數據建立預測模型，并計算所得模型預測值的相對誤差，該誤差作為相應粒子的適應度函數值。

2.3 算法實現

基于DE優化的自校正LS-SVM算法流程如圖2所示，具體實施步驟如下：

a. 將建模數據讀入內存，采用2.1節所述方法對建模數據進行預處理。

b. 初始化差分進化算法，首先隨機生成種群個數為NP、粒子維數為ND的種群(ND為所需優化參數的個數)，然后初始化DE算法參數F=0.4(F為縮放因子，控制搜索速度，其值越大搜索速度越快)。

c. 計算粒子適應度函數值，將預測誤差作為對應粒子的適應度值，首先根據粒子信息為LS-SVM參數賦值；然后采用5-fold方法計算對應模型的平均測量誤差，將建模數據分為5份，用其中的4份建立軟測量模型，剩余一份作為檢驗數據，根據所建模型計算得到測量誤差，重復進行5次并計算5次測量誤差的平均值作為對應粒子的適應度函數值。

圖2 基于DE優化的自校正LS-SVM流程

d. 如果粒子適應度值即所建立模型的測量誤差達到終止條件，則停止算法，輸出模型參數信息；如果沒有達到終止條件，則進行粒子交叉、變異、選擇操作，執行步驟c。

步驟d中，算法達到最大迭代次數NLOOP；算法最優解在指定代數NNF內不更新；算法計算時間達到指定時間NMAXT，3個條件滿足其一就停止算法。

3 實驗與結果分析

采用國內某電廠的實際數據來驗證算法的有效性，選取其中160組數據進行實驗。計算機硬件配置：CPU T5870 2.00GHz，內存1.96GByte。相關算法程序采用VC++6.0編寫。算法參數設定：種群數NP為50個，種群粒子維數ND為2，算法最大循環次數NLOOP為1 000，最優解最大不更新次數NNF為20，算法最大運行時間NMAXT為30min。實驗用不同算法對相同時間段內的鍋爐煙氣含氧量進行軟測量，結果與誤差如圖3、4所示。

圖3 不同算法煙氣含氧量軟測量結果

圖4 不同算法的預測誤差絕對值

由圖3可以看出，筆者提出的軟測量方法與其他算法對比，均能較好地跟隨煙氣含氧量的變化，反映其變化趨勢；由圖4可以看出，筆者所提算法與其他算法相對比，其最大測量誤差絕對值低于0.07，相對誤差低于3%，滿足實際生產需要。

4 結束語

針對電廠鍋爐煙氣含氧量測量過程中存在的成本高及測量數據傳輸延遲等問題，結合機理分析和數據相關性分析選定影響因素，設計基于差分進化算法的自校正最小二乘支持向量機算法，用某電廠鍋爐的實際數據進行的實驗結果表明：該算法與其他算法相對比，其最大測量誤差絕對值低于0.07，相對誤差低于3%，滿足實際需要，能夠為鍋爐生產的順利進行提供必要參考。

[1] 范晗東,彭鑫,呂玉坤.基于煙氣含氧量的電站鍋爐經濟性優化分析研究[J].電力科學與工程,2009,25(12):40～45.

[2] 周建新,樊征兵,司風琪,等.電站鍋爐燃燒優化技術研究發展綜述[J].鍋爐技術,2008,39(5):33～36.

[3] 田亮,霍秋寶,劉鑫屏,等.電站鍋爐總風量軟測量[J].中國電機工程學報,2014,34(8):1261～1267.

[4] 盧洪波,王金龍.基于LIBSVM和智能算法的電站鍋爐飛灰含碳量優化[J].東北電力大學學報,2014,34(1):16～20.

[5] 卞和營,王軍敏.支持向量回歸在飛灰含碳量軟測量中的應用[J].計算機測量與控制,2014,22(2):345～348.

[6] 李少華,許樂飛,宋東輝,等.基于BP神經網絡的鍋爐煙氣中的CO的測量[J].東北電力大學學報,2014,34(3):85～88.

[7] 湛騰西,郭觀七.電廠煙氣含氧量的智能混合預測方法[J].儀器儀表學報,2010,31(8):1826～1833.

[8] 袁俊文,周正興,王麗,等.基于改進BP神經網絡的煙氣含氧量軟測量方法[J].黑龍江電力,2011,33(6):418～420.

[9] 韓璞,王東風,翟永杰.基于神經網絡的火電廠煙氣含氧量軟測量[J].信息與控制,2001,30(2):189～192.

[10] 王剛,劉林,王朋.基于微分進化和SMO算法的煙氣含氧量軟測量[J].電力科學與工程,2012,28(2):71～74.

[11] 劉長良,李淑娜.基于LS-SVM和單純形的煙氣含氧量軟測量[J].熱能動力工程,2010,25(3):292～296.

[12] 許巧玲,林偉豪,趙超,等.基于KPCA-LS-SVM的工業鍋爐煙氣含氧量預測[J].計算機與應用化學,2012,29(7):834～838.

[13] 張倩,楊耀權.基于支持向量機回歸的火電廠煙氣含氧量軟測量[J].信息與控制,2013,42(2):258～263,272.

[14] 周霞,柳善建.基于多目標LSSVM回歸的火電廠煙氣含氧量軟測量[J].計算機測量與控制,2014,22(10):3101～3104.