基于LIBSVM和智能算法的电站锅炉飞灰含碳量优化.pdf

第 3 4卷第 1期 2 0 1 4年 2月 东北电力大学学报 J o u r n a l Of No r t h e a s t Di a n li U n iv e r s it y Vo 1 3 4 No 1 F e b 2 01 4 文章编号： 1 0 0 5 2 9 9 2 ( 2 0 1 4 ) 0 10 0 1 6一 O 5 基 于 L l B S V M 和 智能算 法的 电站锅炉 飞灰含碳量优化 卢洪波 ， 王金龙 ( 东北 电力 大学 能源与动力工程学院 ， 吉林 吉林 1 3 2 0 1 2 ) 摘 要： 飞灰含碳量是影响锅炉热效率的一个重要因素， 影响燃煤锅炉飞灰含碳量的因素很多而 且复杂。借助电站燃煤锅炉的实际运行数据 ， 建立了基于改进的支持向量机算法的大型电站燃煤锅炉 的飞灰含碳量模型， 并利用现场数据对模型进行了训练和验证 ， 结果表明模型具有很高的预测精度， 可 以应用于实际的工程预测。然后 ， 结合全局寻优的遗传算法、 粒子群算法和微分进化算法 ， 以锅炉的运 行调节参数为优化 目标函数的自变量 ， 对锅炉飞灰含碳量进行寻优 ， 并获得了具体工况下的最佳操作参 数。所得结果表明， L I B S V M与上述智能算法相结合在电站锅炉飞灰含碳量优化方面具有很高的应用 价值 。 关键词 ： L I B S V M； 飞灰含碳量； 人工智能算法 中图分类号： T K2 2 4 文献标识码： A 煤粉在锅炉内的燃烧是个复杂的物理化学过程 ， 各种因素相互影响相互制约 ， 飞灰含碳量是反映炉 内 燃烧过程好坏的重要指标 ， 对于电厂锅炉的安全经济运行有重要影响。影响飞灰含碳量 的因素很多而 且复杂 ， 预测和控制都 比较困难。电站锅炉实际运行时依据经验和有限的调试结果难 以将实炉的燃烧工 况调整到最佳状态下 ， 因此对飞灰含碳量建立适当的模型并对其进行控制和优化是有重要意义的。 燃煤 电站锅炉飞灰含碳量偏高的原因有很多而且复杂 ， 其主要受煤粉细度、 煤种特性 、 燃烧器的结 构特性 、 热风温度 、 炉内空气动力场和锅炉负荷等 因素的影 响 J 。如何调控这些影响 因素使飞灰 含碳 量达到理想的数值成为多数学者的研究课题。由于锅炉内的燃烧过程是非线性的 ， 各种因素相互耦合 ， 用常规的理论研究方法难以进行。利用神经网络对锅炉燃烧过程进行非线性建模， 并运用遗传优化算 法对飞灰含碳量进行优化成为降低锅炉飞灰含碳量 的主要研究方法 I 9 j 。然而 ， 随着近年来人工智能 算法的发展 ， 运用改进 的支持向量机算法对锅炉燃烧系统进行建模相 比于神经 网络模型要更精确 ， 训练 时间短， 泛化能力强 j 。而且遗传算法的优化效果相比其他智能算法如粒子群算法、 微分进化算法 等并不是那么理想 ， 寻优速度慢 ， 泛化能力差 ， 极易陷入局部最优值。 王春林 、 周吴和周樟华等人应用支持向量机建立了大型电站燃煤锅炉 的飞灰含碳量特性模 型并利 用飞灰含碳量的热态实炉试验 的数据对模型进行 了校验 ， 对飞灰含碳量进行 了优化 ， 结果表 明支持向量 机是锅炉飞灰含碳量特性建模 的有效工具 。周建新 、 王雷和徐治皋等人借助锅炉燃烧特性实验结 果 ， 建立了基于支持 向量 回归的电站锅炉飞灰含碳量模型 ， 并对模型进行 了校验 ， 结合全局寻优的遗传 算法对锅炉飞灰含碳量进行了优化并获得了具体工况下的最佳操作参数 。李钧 、 阎维平和李春等人 对某电厂 3 0 0 m w四角切圆煤粉锅炉飞灰含碳量排放特性进行了数值模拟， 以数值计算结果为样本， 建 立了基于支持向量机的四角切圆燃烧锅炉飞灰含碳量预测模型， 模型预测结果与数值模拟结果最小相 收稿 日期 ： 2 0 1 31 01 0 作者简介 ： 卢洪波 ( 1 9 6 8一) ， 男 ， 吉林省吉林市人 ， 东北 电力大学能源与动力工程学院教授 ， 博士 ， 主要研究方向： 高效清洁燃烧技术 第 1 期 卢洪波等： 基 于 L I B S VM和智能算法的电站锅 炉飞灰含碳量优化 l7 对误差为 1 0 1 ， 说明基于支持向量机算法的四角切圆煤粉锅炉飞灰含碳量模型能够较好地对锅炉飞 灰可燃物含量进行预测 。综上所述 ， 目前支持向量机 已经成为统计分类 、 预测 、 非线性建模等领域的 重要研究手段。 本文利用一种改进的支持 向量机算法 ( L I B S V M) 建立 了大型 电站燃煤锅炉飞灰含碳量特性 的模 型， 并对该模型进行了训练和校验 ， 结果表明所建模型能够根据相关运行参数的调整准确预测锅炉在不 同工况下的飞灰含碳量特性 ， 计算速度快 ， 并具有 良好 的泛化性 ， 结合相关人工智能算法进行寻优 ， 可为 大型电站锅炉燃烧调整提高锅炉运行的安全性与经济性提供有效的手段 。 1 用于解决非线性 回归问题 的支持 向量机算法简介 对于分类问题支持向量机采用最优分类面的方法 ， 将分类问题转化为一个 凸二次规划问题 ， 并应用 拉格朗 日函数求解。对于 回归问题支持向量机在引入精度 后就可以应用分类 问题的方法。 假设给定 了训练数据集 S： ( ， Y ) ， i =1 ， 2 ， 3 m， R ， Y R， R为实数集 ， 为 d 维空间集 ， 支持向量机 首先通过非线性映射 ： R 一 “ ， 将输入 向量 映射到高维线性特征空间上并在该空间 内进行线性 回 归 ， 回归方程为 ： )= ( )+b ( 1 ) 考虑到会有样本点在 目标函数的 精度之外 ， 引入松弛因子 ， 0 ， 这时回归问题就转化为最 小化结构风险函数 的问题 ， 即： m i n J + c( + ) ， ( 2 ) r W ( )+bY + ， s t Y 一 W ( ) 一 b + ， ( 3 ) 。 0 式 ( 2 )中第一项是使回归函数更为平坦 ， 泛化能力更好 ， 第二项则为减少误差 ， 常数 C 0为罚系 数， 控制对超出误差e 的样本的惩罚程度。 ) 与Y 的差别小于 时误差计为I )一Y l一 。 可以利用拉格朗 日乘子法来求解最优化问题 ： L ( w ， ， )= 了 1 Il + c( + ) 一 ( + 一 Y + ( ) + 6 ) 一 ( 4 ) 一 O t ( + + Y 一 W ( ) 一 6 ) 一( + 叼 ) ， 根据最优化理论 ， 将 L分别对 W， b ， 直， 求偏微分并令其为零 ， 得 ： O L = 一 ( ) ( X i)=0， O L = 耋 ( 一 (9i ) ： 0 ， a 6 一 = c = 0 ， 。 “ = c 叼 ： 0 ， a 将式 ( 5 )带入式( 4 ) 得到对偶最优化问题 ， 进一步可求得非线性回归函数 ： )： ( 一(9 i ) K( )+6， 详 见 参考 文献 1 6 ( 5 ) ( 6 ) 1 8 东北电力大学学报 第 3 4卷 2 超临界锅炉飞灰含碳量 的支持 向量机模型 超临界锅炉飞灰含碳量的支持向量机模型 ， 如图 1 所示。 模型输入参数的选取如下 ： 负荷是锅炉的基 本参数 ， 表征了给水流量及总燃料量等值 ， 应作为模型的输入。 一次风粉 的配 比方式直接影响着炉膛 的空 气动力场和燃烧气氛 ， 使机械未完全燃烧热损失和化学未完全燃烧热损失发生变化， 直接影响着飞灰含碳 量的大小 ， 所以选择各磨煤机 出口的一次风量和给煤 量来表征同一层燃烧器的风粉比。 煤粉细度是煤燃烬 的重要参数， 煤粉颗粒越细 ， 碳粒的比表面积就越大 ， 有利于提高碳粒的燃烧速度， 降低飞灰含碳量， 由于机 组磨煤机采用动态煤粉分离器调节煤粉细度 ， 故选择 磨煤机动态分离器电机转速和磨煤机电机电流和各磨 给煤量来表征煤粉细度对飞灰含碳量的影响。 二次风、 锅炉负荷 烟气含氧量 给煤量 磨煤机电机转速 磨煤机电机电流 一 次风量 一 次风温 前墙二次风门开度 后墙二次风门开度 二次风量 二次风温 燃尽风的配 比及总风量对煤粉的燃烧状况有较大的影 图1 飞灰含碳 量的 支持向 量机模型图 响， 故选择前后墙二次风开度 、 二次风量和烟气含氧量作为模型的输入。 一、 二次风温直接影响煤粉的着火 及燃尽， 风温高可以减少煤粉着火所需的热量 ， 有利于煤粉的着火和燃尽 ， 故选择一、 二次风温作为模型的输 入参数。 考虑到电厂用煤在一段时间内 不会改变， 所以不将煤质因素考虑在内。 综合上述分析， 将以上因素作 为模型的输人参数， 以飞灰含碳量为输出参数建立模型。 核 函数的选择对于支持向量机 回归分析具有一定的影响 ， 较常用 的核 函数有 ： 径向基 函数 、 多项式 函数 、 S ig mo id函数 、 线性 函数等 ， 径向基 函数相 比其他核函数效果要更好些 ， 因此本文选择径 向基 函 数 厂 ( )= e ” 作为核函数。 分别取前4 5 组数据作为训练样本 ， 后 3 1 组数据作为验证样本 ， 对支持向量机模型进行训练和验证 ， 采用径向基核函数进行 回归分析 ， 并应用选择好的参数对工况 1进行预测 。 模型的不敏感损失函数参数 e 取为 1 0 ， 设定 当训练误差小于 l0 时停止训练， 拉格 朗 E t 乘子上界 C取为 1 0 0 ， 宽度 w id t h 取为 3 。 经 训练和验证后 ， 训练样本的均方误差为 0 4 1 ， 验证样本 的均方误差为 0 9 2 。 图 2为训练样本飞灰含碳量计算值与实际值 的比较 ： 蓝 剖 谨 忙 7 幽 谨 嫱 图2 训练样本飞灰含碳量计算值与实际值对比图 图3 验证样本的相对误差曲线图 从图中可以看出， 飞灰含碳量的计算输 出与实际输出非常接近 ， 说明该模型能够正确的反映 出输 入量与输出量之间的非线性关系 ， 能够应用于实际的工程预测。 验证样本的最大相对误差为 1 9 5 ， 平均相对误差为 0 9 2 ， 满足工程实际要求 。 图 3为验证样本 的相对误差曲线图： 红色线为现场的实际运行数据 ， 蓝色线为模型的计算数据 ， 从 图中可以看出， 除个别点误差相对大一点外， 其他各个工况的模型计算数据与现场的实际运行数据非常 稳合 ， 说明该模型能够模拟锅炉内复杂的燃烧过程。 第 1 期 卢洪波等 ： 基于 L I B S V M 和智能算法的电站锅炉飞灰含碳量优化 1 9 3 基于人工智能算法的锅炉飞灰含碳量优化 应用支持向量机建模的 目的是为了对系统进行优化 ， 即以飞灰含碳量为 目标 ， 在保证锅炉出力和安 全运行的前提下调整燃烧工况的可调参数 ， 使飞灰含碳量达到最优值 。 定义优化 目标为 ： m in ， ， s t X E ， ( 7 ) 【 0X 1 ， 式 中 表示 由已训练好的支持 向量机所建立的映射关系。 _厂 可以表述为 ： f=-厂 ( X ， X ， a ， b ， ， ( 8 ) 式中： -厂 为飞灰含碳量； 为支持向量机输入层第 i个变量 ； 为支持向量机训练样本 ； E 为第 i个输入变 量 的取值范 围； 6为核函数 ； i =1 ， 2， 3 1 9 ， 、 b 分别为支持向量机的拉格朗日乘子和偏差量 。 样本归一时有最大值和最小值， 寻优范围就在 最大值和最小值 的基础上分别加减 1 0 ， 针对飞灰 含碳量较高工况 4进行优化。 为了保证负荷稳定 ， 给 水温度不宜过低， 故在优化时限定给水温度的取值 范围为 2 5 7 2 9 6 q C。 利用人 工智能算法进行飞灰含碳量优化 ， 在模 拟锅炉排放上得到了广 泛的应用。 初始化种群规模 为 2 0 ， 最大进化代数为 5 O ， 优化函数选择高斯 函数， 寻优流程见 图4 。 经过计算后优化飞灰含碳量至 0 9 7 。同时得 到了该工况下 的运行参数调整情况如表 1所示 ， 从 表中可以看出， 对于此优化工况， 运用遗传算法优化 后的飞灰含碳量值为 1 0 9 ， 相 比原始值降低 了 0 1 1 ， 然而运用粒子群算法和微分进化算 法优化 后的飞灰含碳量值为 0 9 7 ， 相 比原始值降低 了 0 2 3 ， 后两种方法相 比于遗传算法优化效果更好 。 图4 智能算法寻 优流程图 同时得到了相应的参数调整策略， 提高中层 、 上层和燃尽风门的二次风量 ， 可以使在燃烧器底层未燃尽 的碳在随烟气上升的过程中， 有足够 的氧气与其接触燃烧 ， 从而降低烟气中的飞灰含碳量。在此基础 上， 降低烟气含氧量， 提高二次风量和二次风温也能很好的降低飞灰含碳量。 表 1 图 5分别是三种优化方法对 飞灰含碳量 的寻优 过程图。 从图中可以看 出， 遗传算法 的寻优过程 曲线 比 较平缓， 达到最大进化代数时的寻优结果为 1 0 9 ， 寻优过程耗时比较长， 优化结果不理想， 不适合在线 优化。然而 ， 粒子群算法和微分进化算法 的寻优过 程曲线前期下降非常明显 ， 在进化代数达到 3 8代左 右时， 即寻得最优飞灰含碳量 ， 速度非常快 ， 非 常适 合在线进行优化 ， 从 图中不难看 出， 相 比于粒子群算 法， 微分进化算法的优化效果要更好， 寻优曲线趋于 g e n 图5 G A 、 P S O、 D E 算法的寻优过程图 2 0 东北电力大学学报 第 3 4卷 稳定的过程更快 ， 如果用于在线优化 ， 微分进化算法是不错的选择 。 4 结 论 超临界 电站煤粉锅炉的飞灰含碳量受到多种因素的影响 ， 而且影响关系非常复杂 ， 飞灰含碳量 的预 测和控制都 比较 困难 ， 本文采用 L I B支持 向量机的方法建立了飞灰含碳量 的预测模型并应用现场的运 行数据对该模型进行 了训练和验证 ， 误差表明该模型对飞灰含碳量的预测具有很好 的效果。在此基础 上 ， 运用遗传算法、 粒子群算法和微分进化算法分别对飞灰含碳量进行 了优化 ， 优化后的飞灰含碳量相 比于原始值降低 了0 2 3 ， 减少了飞灰带走 的热损失 ， 同时得到了相应 的输入变量的参数调整范 围， 对 于指导电厂 的安全经济运行具有一定的应用价值 。 参考文献 陈彪 ， 丁艳军 ， 吴 占松 6 7 0 t h煤粉炉飞灰含碳 量的神 经网络预测建模 J 电站系统工程 ， 2 0 0 5 ， 2 1 ( 6 ) ： 1 72 2 叶学 民， 彭波 燃煤电站锅炉飞灰含碳 量偏 高的原 因分析及解决措施 J 锅炉技术 ， 2 0 0 4 ， 3 5 ( 3 ) ： 4 9 5 1 方湘涛 ， 叶念渝 基于 B P神经网络的电厂锅炉飞灰 含碳量预测 J 华 中科技大学学报 ： 自然科学 版 ， 2 0 0 3 ， 3 1 ( 1 2 ) ： 7 5 7 7 赵新木 ， 王承亮 ， 吕俊复 ， 岳光溪 基于 B P神经网络的煤粉锅 炉飞灰含碳量研究 J 热能动力工程 ， 2 0 0 5 ， 2 0( 2 )： 1 5 81 6 2 陈敏生 ， 刘定平 电站锅炉飞灰含碳 量的优化控 制 J 动力工程 ， 2 0 0 5 ， 2 5 ( 4) ： 5 4 55 4 9 张毅 ， 丁艳军 ， 张鸿泉 ， 等 电站锅炉运行性 能综合 预测模 型 J 动力工程 ， 2 0 0 6 ， 2 6 ( 1 )： 8 48 8 温文杰 ， 马晓茜 ， 刘翱 锅炉 昆煤掺烧的飞灰含碳量预测 与运行优化 J j 热力发电 ， 2 0 1 0 ， 2 9( 3 )： 3 03 5 刘定平 ， 陈敏生 ， 马晓茜 基于 H G A A N N配风方式的锅炉飞灰含碳量优化 J 华南理工大学学报： 自然科学版， 2 O O 6 ， 3 4 ( 4 ) ：9 6 1 0 0 陈敏生 ， 刘定平 基于遗传神经网络和群体复合形 法的配 风方式对锅炉飞灰含碳量影响研究 J 锅 炉技术 ， 2 0 0 6， 3 7 ( 3 ) ： 91 4 赵显桥 ， 吴胜杰 ， 何 国亮 ， 等 支持向量机灰熔点预测模 型研究 J 热能动力工程 ， 2 0 1 1 ， 2 6 ( 4 )： 4 3 6 4 3 9 顾燕萍 ， 赵文杰 ， 吴 占松 基于最小二乘支持向量机的电站锅 炉燃烧优化 J 中国电机工程学报 ， 2 0 1 0 ， 3 0( 1 7 ) ： 9 1 9 7 蔡杰进 ， 马晓茜 基于 S V M 的燃煤 电站锅炉飞灰含碳量预测 J 燃烧科学与技术 ， 2 0 0 6， 1 2 ( 4 ) ： 3 1 2 3 1 7 王春林 ， 周吴 ， 周樟华 ， 等 基于支持向量机的大型电厂锅 炉飞灰含碳量建模 J 中国电机工程学报 ， 2 0 0 5 ， 2 5( 2 0 ) ： 7 2 7 6 周建新 ， 王雷 ， 徐治皋 ， 司风琪 大型 电站锅炉飞灰含碳量优化模 型研究 J 锅炉技术 ， 2 0 0 8 ， 3 9 ( 3 )： 2 1 2 4 李钧 ， 阎维平 ， 李春 ， 等 基于预数值计算的锅炉飞灰可燃物含量 建模 J 中国电机工程学报 ， 2 0 0 9 ， 2 9 ( 1 7 )： 3 23 7 徐志 明， 赵永萍 ， 文孝强 ， 孟硕 基于退火支持向量的燃煤锅 炉结 渣特性 预测 J 热能动力工程 ， 2 0 1 1 ， 2 6 ( 4 ) ： 4 4 0 4 4 4 费洪晓， 黄勤径 ， 戴戈， 肖新华 基于 S V M与遗传算法的燃煤锅炉燃烧多 目标优化系统 J 计算机应用研究 ， 2 O O 8 ， 2 5 ( 3 ) ： 8 1 1 8 1 3 刘定平 ， 蔡 泓铭 ， 叶向荣 基于 L S S V M MOD E的锅炉效率与 N O x排放优化研究 J 热力发 电， 2 0 1 0， 3 9 ( 7 ) ： 2 3 2 6 Op t im iz in g t he Ex ha us t Ca r bo n Co n t e nt e d o f Fly As h o f Po we r S t a t io n Bo ile r Ba s e d On LI BSVM a nd Ar t ifi cia l I n t e llig e nce Alg o r it h m L U Ho n g - b o， W ANG J in - lo n g ( E n e r g y a n d P o w e r E n g i n e e r in g C o l le g e ， N o r t h e a s t D i a n l i U n i v e r s i t y ， J il in J i l in 1 3 2 0 1 2 ) Ab s t r a ct ：Ca r b o n co n t e n t o f fl y a s h iS a n i mp o r t a n t f a ct o r t o imp a ct b o ile r e f f icie n cy， t he r e a r e ma n y co mp le x f a ct o r s a f f e ct ing t h e co a 1 fr e d b o ile r ca r b o n co n t e n t o f f ly a s h Th e mo d e l o f la r g e s e a le p o we r s t a t io n co a l fi r e d bo ile r ca r b o n co n t e n t o f fl y a s h i S ba s e d o n imp r o v e d S u p p o r t v e ct o r ma ch in e a l g o r it hm a n d a ct u a l o pe r a t io n d a t a o f t h e p o we r s t a t io n co a 1 fi r e d bo ile r Us in g t h e lo ca l d a t a t r a in a n d ch e ck t he mo d e 1 Th e r e s u lt s ho w t h a t t h e mo d e l h a s a v e r y h i g h p r e d i ct io n a ccu r a cy a n d it co u ld b e u s e d t o p r e d i ct t h e p r a ct ica l e n g in e e r in g An d t h e n co mb in in g wi t h t h e g lo b a l o p t