（控制理论与控制工程专业论文）电站锅炉燃烧系统软测量及稳态优化研究.pdf

摘要 摘要 随着火电行业对节能降耗减排的关注，电站锅炉燃烧优化课题越来越受到人 们的重视。燃烧过程中某些重要工况参数( 例如飞灰含碳量) 目前无法直接精确 测量，需要通过软测量建模技术加以解决；实施稳态优化时也首先要建立目标函 数( 例如热效率、n o x 排量) 与锅炉运行参数间的数学模型。锅炉燃烧过程具 有强非线性、多变量等特点，传统的线性建模方法无法满足要求，迫切需要研究 和应用新型的建模方法。 本文首先介绍了一种适合小样本学习、计算速度快的最小二乘支持向量机 ( l s s v m ) 回归方法，建立了飞灰含碳量l s s v m 软测量模型；随后将局部学 习思想引入软测量研究，并采用一种改进的核函数实现了模型参数自动优化，仿 真研究表明局部l s s v m 软测量模型具有更高的预测精度。 采用主元分析( p c a ) 对l s s v m 建模数据进行预处理，可以消除变量间线 性相关性、简化l s s v m 模型结构，构成p c a l s s v m 软测量方法。鉴于工业数 据中存在的异常点会影响p c a 和l s s v m 回归结果，本文提出一种基于鲁棒化 p c a 的加权l s s v m ( r p c a w l s s v m ) 软测量方法，仿真研究表明该软测量模 型具有更好的预测精度和鲁棒性。 最后，本文基于l s s v m 建模和序贯二次规划算法进行了稳态燃烧优化研究。 首先进行飞灰含碳量单目标优化实验，并分析了优化结果的合理性；针对提高热 效率和降低n o x 排放之间存在矛盾，提出一种多目标燃烧优化方案：分别建立 热效率、n o x 与锅炉运行参数之间的l s s v m 模型，基于评价函数法构造混合优 化目标，采用序贯二次规划算法计算可调参数最优值，仿真研究表明了该优化方 案的有效性。 关键词：飞灰含碳量软测量最小二乘支持向量机局部学习主元分析异常点 鲁棒化主元分析加权最小二乘支持向量机序贯二次规划稳态燃烧优化 a 舂s t 炙a c t a b s t r a c t w i t ht h ec o n c e r n i n ga b o u te n e r g ys a v i n ga n de m i s s i o nr e d u c t i o no ft h e r m a l p o w e ri n d u s t r y , t h ec o m b u s t i o no p t i m i z a t i o ni s s u e sa r er e c e i v i n gi n c r e a s i n ga t t e n t i o n s s o m ei m p o r t a n tp a r a m e t e r s ( s u c ha su n b u r n e dc a r b o ni nf l ya s h ) c a nn o tb em e a s u r e d a c c u r a t e l y , w h i c hr e q u i r e st h eu s eo fs o f i s e n s o rm o d e l i n gt e c h n o l o g y ；i na d d i t i o n ，t h e f i r s ts t e pt oo p t i m i z et h ec o m b u s t i o np r o c e s si s b u i l d i n gm a t h e m a t i c a lm o d e l s b e t w e e nt h eo b j e c t i v ef u n c t i o n s ( s u c ha st h e r m a le f f i c i e n c y , e m i s s i o n so fn i t r o g e n o x i d e s ) a n dt h eo p e r a t i o np a r a m e t e r s d u et ot h em u l t i v a r i a b l ea n dn o n - l i n e a r c h a r a c t e r i s t i c so ft h ec o m b u s t i o np r o c e s s ，t r a d i t i o n a ll i n e a r l ym o d e l i n gm e t h o d sc a l l n o tb eq u a l i f i e d ，t h u si ti su r g e n tt os t u d ya n d a p p l yn e wm o d e l i n gt e c h n o l o g y t h ep a p e rf i r s t l yi n t r o d u c e dt h el e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e ( l ss v m ) r e g r e s s i o nt h a ti sc h a r a c t e r i s t i co fs m a l ls a m p l ea n dq u i c kl e a r n i n g ，a n de s t a b l i s h e da s o f ts e n s o rm o d e lo fu n b u r n e dc a r b o ni nf l ya s h ；t h e nl o c a ll e a r n i n gi d e o l o g yw a s a p p l i e di nt h es o f ts e n s o rm o d e l i n g ，w h e r ea l li m p r o v e df o r mo ft h ek e r n e lf u n c t i o n w a su s e dt oi d e n t i f ya u t o m a t i c a l l yt h em o d e lp a r a m e t e r s ，t h eu l m i m a t es i m u l a t i o n e x p e r i m e n ts h o w e dt h a t l o c a ll s s v ms o f ts e n s o rm o d e lh a sh i g h e rp r e d i c t i o n a c c u r a c yc o m p a r e dt ot h eg l o b a ll e a r n i n go n e p r i n c i p a lc o m p o n e n ta n a l y s i s ( p c a ) c a nb eu s e dt op r e - p r o c e s st h em o d e l i n g d a t ao fl s s v mt oe l i m i n a t el i n e a rc o r r e l a t i o nb e t w e e nv a r i a b l e sa sw e l la st o s i m p l i f yt h el ss v mm o d e ls t r u c t u r e ，w h i c ha l s oc o n s t i t u t e st h ep c a l s s v ms o f t s e n s o rm o d e l i n gt e c h n o l o g y h o w e v e lo u t l i e r st h a te x i s ti nt h ed a t aw o u l da f f e c tt h e r e s u l t so fp c aa n dl s s v mr e g r e s s i o n ，t h u st h i sp a p e rp r o p o s e dar o b u s ts o f ts e n s o r m o d e lw i t hr o b u s t i f i e dp c aa n d w e i g h t e dl s s v m ( r p c a w l s s v m ) t h a t r o b u s t i f i e db o t ht w os t a g e so ft h ep c aa n dt h el s s v mr e g r e s s i o n s i m u l a t i o nr e s u l t s s h o w e dt h a tt h ep r o p o s e ds o f ts e n s o rm o d e lh a sb e t t e rp r e d i c t i o na c c u r a c ya n d r o b u s t n e s s f i n a l l y , s t e a d y s t a t ec o m b u s t i o no p t i m i z a t i o nw a sd i s c u s s e d ，w h i c hi sb a s e do n l ss v mm o d e l i n ga n d s e q u e n t i a lq u a d r a t i cp r o g r a m m i n g ( s q p ) a l g o r i t h m a s i m u l a t i o ne x p e r i m e n to fs i n g l e o b j e c t i v eo p t i m i z a t i o nr e g a r d i n gu n b u r n e dc a r b o ni n f l ya s hw a sc a r r i e do u ta n dt h ef e a s i b i l i t yo ft h er e s u l tw a sa n a l y z e d ；i nv i e wo ft h e c o n t r a d i c t i o no f r a i s i n gt h e r m a le f f i c i e n c y a n dr e d u c i n gn o xe m i s s i o n s ，a m u l t i - o b j e c t i v es t e a d y - s t a t eo p t i m i z a t i o np r o g r a mw a st h e np r o p o s e d ：l s s v mb e i l l a b s t r a c t u s e dt oe s t a b l i s hs e p a r a t e l yt h em o d e l so ft h e r m a le f f i c i e n c ya n dn o xe m i s s i o n s c o n c e r n i n gt h eo p e r a t i n gp a r a m e t e r s ；e v a l u a t i o nf u n c t i o nb eu s e dt oe s t a b l i s h e sh y b r i d o p t i m i z a t i o ng o a lf u n c t i o n ；s q pa l g o r i t h mb eu s e dt oc a l c u l a t e dt h eo p t i m a lv a l u eo f a d j u s t a b l eo p e r a t i n gp a r a m e t e r s s i m u l a t i o ne x p e r i m e n t d e m o n s t r a t e dt h e e f f e c t i v e n e s sa n df e a s i b i l i t yo ft h ep r o p o s e dm u l t i o b j e c t i v eo p t i m i z a t i o np r o g r a m k e y w o r d s ：u n b u r n e dc a r b o ni nf l ya s h ，s o f ts e n s o r , l e a s ts q u a r e ss u p p o r tv e c t o r m a c h i n e ，l o c a ll e a r n i n g ，p r i n c i p a lc o m p o n e n ta n a l y s i s ，o u t l i e r , r o b u s tp r i n c i p a l c o m p o n e n ta n a l y s i s ，w e i g h t e dl e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e ，s e q u e n t i a l q u a d r a t i cp r o g r a m m i n g ，s t e a d y s t a t ec o m b u s t i o no p t i m i z a t i o n i v 中国科学技术大学学位论文原创性声明 本人声明所呈交的学位论文是本人在导师指导下进行研究工作所取得的成 果。除已特别加以标注和致谢的地方外，论文c b ；- , i t 包含任何他人已经发表或撰写 过的研究成果。与我一同工作的同志对本研究所做的贡献均己在论文中作了明确 的说明。 作者签名：签字日期： 中国科学技术大学学位论文授权使用声明 作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学拥 有学位论文的部分使用权，即：学校有权按有关规定向国家有关部门或机构送交 论文的复印件和电子版，允许论文被查阅和借阅，可以将学位论文编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。本人 提交的电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 。签弄口保密( 年) 作者签名： 丝窒 导师签名： 签字日期： 签字日期： 第一章绪论 第一章绪论 1 1 选题背景 随着经济高速增长，中国正面临着能源短缺、能源供应安全以及环境污染三 大问题，节能降耗减排成为我国经济科学发展观和能源战略的重要组成部分。火 力发电作为我国电力生产的主要方式，消耗着大量的一次能源，据最新统计表明， 我国的电站装机容量已经突破4 亿千瓦，其中火电机组装机占7 0 以上，而我 国的火电机组的单位电能的发电标准煤耗为3 5 0 9 & w h 左右，与世界先进水平相 差约6 0 9 k w h ，还有巨大的节能空间。随着电力体制改革的继续深入和国内电力 市场的逐渐放开，在电煤供应紧张和价格大幅上涨的严峻形势下，各火力发电企 业不仅仅满足于机组运行的安全性，也开始追求发电效率的提高。深入研究火电 厂的经济运行，提高火电厂生产过程的能源转换效率，对提升发电企业的竞争力 具有重要的意义；随着国家对环境保护的关注，如何有效降低n o x 排放也成为 电厂关注的热点。 如果将优化技术应用于火电生产过程中，可带来直接的经济收益，但火电生 产过程是一个复杂大系统，优化模型较难建立且包含的决策变量和状态变量数目 众多，求解时容易产生维数灾难，因此一般将火电生产过程分成多个子系统分别 进行优化，从而达到对整个系统优化的目的。通常，火电生产过程优化主要包括： 锅炉燃烧优化、机组起停及负荷分配优化、循环水系统运行优化、热力系统运行 优化、吹灰优化以及控制系统优化等。针对这些子系统开发的软硬件优化系统可 以单独发挥作用，也可以集成到统一的信息系统中。( 万文军，2 0 0 5 ) 其中燃烧优化技术能够有效提高机组运行效率并降低锅炉n o x 排放，因而 得到了发电企业的普遍关注。电站锅炉燃烧过程是个复杂的物理化学过程，涉及 燃烧学、流体力学、热力学、传热传质学等相关学科，而任何与燃烧相关的参数 检测、与燃烧相关的设备改造，都可称为燃烧优化。从锅炉燃烧优化技术角度看， 锅炉燃烧优化技术可以分成三类：第一类燃烧优化技术在设备层面，通过对燃烧 器、受热面等的改造实现锅炉的燃烧优化调整；第二类通过在线检测锅炉燃烧的 重要参数，指导运行人员调节锅炉燃烧，这类燃烧优化技术目前在国内占据主导 地位；第三类燃烧优化技术是在d c s 的基础上，作为锅炉运行的监督控制系统， 通过采用先进的控制逻辑、控制算法或人工智能技术，实现锅炉的燃烧优化。这 三类技术在实际中各有优点和应用，其中第三类技术不需要对锅炉进行任何设备 改造，能够充分利用锅炉的运行数据，在d c s 控制的基础上，通过先进建模、 优化、控制技术的应用，直接提高锅炉运行效率，降低污染物排放，具有投资小、 第一章绪论 风险小、效果明显等优点，成为很多火电厂首选的燃烧优化技术( 孔军等，2 0 0 6 ) 。 综上所述，研究电站锅炉燃烧优化具有很强的现实意义。优化问题求解包括 建立优化模型以及基于模型进行优化计算，进而指导锅炉优化调节，当前各种先 进的建模方法和优化算法为燃烧优化技术的实施提供了物质保障。值得一提的 是，尽管近些年来提出了一些动态优化方法，但是目前连续工业过程都具有比较 好的基础自动化条件，底层的控制系统基本能保证稳定生产，因而绝大多数优化 问题可以转化为稳态优化问题( 余黎黎，2 0 0 2 ) 。本文将研究锅炉燃烧系统中稳 态建模及稳态优化问题。 1 2 国内外研究现状 1 2 1燃烧优化产品 ( 孔军等，2 0 0 6 ) 国外的燃烧优化技术起步较早，优化技术和先进控制技术 相结合，实现了电站锅炉优化系统的闭环控制，主要产品包括： 美国u l t r a m a x 公司开发了u l t r a m a x 先进过程管理系统应用于燃烧优化：将 锅炉运行参数( 如烟气氧量、排烟温度、烟气排放物等) 作为系统的输入数据， 建立锅炉燃烧特性模型；然后经过软件分析，给运行人员提供优化燃烧的操作指 导；运行人员根据操作指导进行手动操作，或将操作指导纳入到自动控制系统中 进行优化调整。目前该系统在国内的邹县电厂得到应用。 美国p e g a s u s 公司开发了n e u s i g h t 和p o w e rp e r f e c t e r 系统( 也称d e l t a e 3 系统) 。n e u s i g h t 系统应用了人工神经网络技术，设计电站锅炉燃烧优化控制 系统，实现以提高锅炉热效率和降低n o x 排放为目标的稳态优化；p o w e r p e r f e c t e r 系统也应用了人工神经网络技术，同时增加了模型预测控制( m p c ) 技 术，通过建立多目标的动态优化控制器，动态地调整d c s 设定参数与偏置，实 现锅炉燃烧优化动态闭环控制。p o w e rp e r f e c t e r 系统在国内的山东省华电莱城电 厂1 号锅炉和华能天津杨柳青电厂5 号锅炉上得到应用。 美国纽克( n e u c o ) 公司是一家在全球范围内为发电企业提供实时资产优化 系统的研发和应用的软件公司，其开发的燃烧优化软件c o m b u s t i o n o p t 可以提高 燃烧效率0 3 5 2 ，降低n o x 排放1 0 3 0 ，该公司软件产品还包括 p e r f o r m a n c e o p t 软件。目前该公司软件在国内天津杨柳青电厂、西柏坡电厂、台 州电厂和沙角b 电厂得到应用。 国内电站锅炉运行水平较低、煤质较差且变化频繁，限制了上述国外研制的 针对稳定工况的燃烧优化软件的应用效果。清华大学热科学与动力工程教育部重 点实验室研制开发了具有自主知识产权的电站锅炉燃烧优化控制软件o c p 3 ，该 软件包是针对我国煤质变化大等运行特点而研制，具有很好的适应性。已经在国 第一章绪论 产2 0 万k w 机组和进口3 5 万k w 机组上得到应用，有测试表明该软件包能够使 提高锅炉运行效率0 5 左右，降低n o x 排放1 0 2 0 左右。 1 2 2 课题组研究基础 中国科学技术大学工业自动化所针对工业锅炉燃烧优化进行了一系列深入 的研究。薛美盛等( 2 0 0 1 ) 提出一种首先基于锅炉负荷调整烟气含氧量设定值， 再进行风煤比寻优的工业锅炉燃烧优化方案。赖胜等( 2 0 0 3 ) 针对常压加热锅炉 实施了燃烧优化：基于正平衡法在线计算热效率，通过热效率反馈搜索最优的氧 量设定值。杨兵( 2 0 0 6 ) 则首次针对电站锅炉进行燃烧优化的尝试，基于一种针 对慢动态过程的自适应稳态优化方法( w b a m b e r g e ra n dr i s e r m a n n ，1 9 7 8 ) 开发 了一套燃烧优化软件，在山东省石横电厂2 号机组上成功投运，提高了热效率。 上述燃烧优化方法的基本思想都是根据某种指标来搜索最优氧量设定值，然 后利用先进控制方法保证氧量值平稳准确地跟踪设定值，达到燃烧优化目的。实 际中存在若干问题：1 ) 重要参数的测量：例如计算热效率时需要飞灰含碳量在 线值，一般无法由d c s 直接获取，杨兵( 2 0 0 6 ) 采用了指数曲线拟合方法基于 d c s 在线氧量值对飞灰含碳值进行估计；采用软测量技术并考虑更多辅助变量， 理应可以提高预测精度。2 ) 调节手段单一：燃烧优化可调节变量仅仅为氧量设 定值，而实际影响因素很多，例如二次风总量确定的前提下，各层二次风不同比 例也会对热效率产生影响。本文的研究工作就是基于以上两点引出的。 1 2 3 相关理论研究现状 飞灰含碳量是电站锅炉的主要考核指标之一，对锅炉的热效率和机组总体性 能具有较大的影响，而且要实现锅炉热效率在线计算首先要实现飞灰含碳量的在 线检测，因此精确实时地检测飞灰含碳量具有重要意义。目前在线检测方法大都 采用在锅炉水平烟道上安装微波测探仪来实现，但是在技术上遇到了样品管堵 灰、附加设备复杂、0 7 5 以下的飞灰含碳量无法测量、仪器保养维修要求高等 缺点( 李智等，2 0 0 4 ) 。阎维平等( 2 0 0 1 ) 提出了基于特定锅炉对象的历史数据 和实时数据进行间接估算方法，采用二维列表差值计算模型、依据负荷、氧量和 煤种对飞灰含碳量进行估计。杨兵等( 2 0 0 6 ) 基于历史数据拟合飞灰含碳量和氧 量的关系曲线，再基于d c s 实时氧量估计当前飞灰含碳量。但是飞灰含碳量特 性非常复杂，受到包括煤种、锅炉负荷、配风方式、炉型、燃烧器型式、炉膛温 度、过剩空气系数、煤粉细度、风粉分配均匀性等多种因素的影响，很难用简单 的公式进行估算，往往要采用实际测试方法加以确定。但是现场测试工作量大， 测试工况有限，各参数对锅炉的燃烧特性都存在影响，且互相叠加，导致数据分 析困难( 陈敏生等，2 0 0 5 ) 。 3 第一章绪论 如何准确建立飞灰含碳量与运行参数间的关系，是一个有实际意义的课题。 软测量技术则是一种针对上述问题的有效解决方案。由于影响飞灰含碳量的因素 多且具有非线性，智能建模方法越来越广泛地应用于飞灰含碳量软测量建模中。 周昊等( 2 0 0 2 ) 基于人工神经网络建立了某大型四角切圆燃烧锅炉的飞狄含碳量 特性模型，并对其进行了校验；李智等( 2 0 0 4 ) 将微波测探仪和b p 神经网络软 测量模型组合起来构造了飞灰含碳量测量系统，1 以下的测量完全采用软测量 模型，1 以上情况采用软测量模型校正微波测探仪输出，该方法集中了两种测 量方法的优点；周建新等( 2 0 0 8 ) 利用支持向量机建立了电站锅炉飞灰含碳量软 测量模型，与神经网络模型比较结果表明支持向量机建模更适用于小样本学习。 最d - - 乘支持向量机( l s s v m ) 相比神经网络更适合小样本学习，相比标 准支持向量机则运算速度更快，因而适合在线建模的要求。很多文献报道了 l s s v m 方法在工业软测量中的应用：阎威武等( 2 0 0 3 ) 提出了l s s v m 软测量 建模并将其应用于轻柴油凝固点的预估；范磊等( 2 0 0 6 ) 基于l s s v m 实现了尿 素生成中二氧化碳转化率的软测量；王勇等( 2 0 0 6 ) 将l s s v m 建模方法应用于 电厂烟气含氧量软测量中；也有文献研究了基于l s s v m 的电站锅炉飞灰含碳量 软测量( 陈敏生等，2 0 0 6 ) 。l s s v m 建模时最重要便是参数优化的问题，针对其 计算速度快的特点，可使用优化算法或者交叉验证方法：李晋等( 2 0 0 8 ) 采用坐 标轮换法进行了参数优化，同时作者也提出使用优化算法需要消耗较长的时间； 周辉仁等( 2 0 0 7 ) 采用遗传算法对参数进行优化；阎威武等( 2 0 0 3 ) 采用了交叉 验证的方法；虞科等( 2 0 0 6 ) 采用了两步格点搜索法以及留一法交叉验证进行参 数优化；朱家元等( 2 0 0 4 ) 提出一种多层动态自适应方法，通过构建多个二维网 格平面不断进行参数优化，直至精度满足要求。 局部学习( l o c a ll e a r n i n g ) 通过分类策略确定每个样本的类属，采用相应 的网络对其进行局部学习，避免不同子网络间学习的互相干扰( 罗荣富等，1 9 9 4 ) 。 有文献提出将局部学习用于l s s v m 建模：刘毅等( 2 0 0 7 ) 提出了局部l s s v m 回归在线建模方法，将其应用于青霉素发酵过程的菌体浓度建模，和传统全局学 习的l s s v m 模型相比具有更好的推广和适应能力；包鑫等( 2 0 0 8 ) 将局部学习 思想用于汽油光谱的定量分析中，取得了比全局模型更高的预测精度。 工业过程建模中为了全面分析问题，往往提出很多影响因素( 变量) ，但是 变量太多往往会增加课题的复杂性，而且变量之间往往存在线性相关性，自然希 望能先对数据进行信息压缩，从而提高后续建模速度、简化模型结构。主元分析 ( p c a ) 可以完成该任务，作为一种广泛应用的多元统计分析方法，主元分析甚 至成为传统建模的一部分( 如主元回归) ：臧春华等( 2 0 0 1 ) 提出了基于传统p c a 的改进b p 神经网络软测量方法，采用p c a 解决了神经网络输入变量之间的线 4 第一章绪论 性相关问题，同时简化了软测量模型结构；赵万明等( 2 0 0 8 ) 将传统p c a 和支 持向量机( s v m ) 建模结合起来并应用于静态电压稳定评估，在w s c c9 节点 测试系统中的应用证明了该方法的有效。也有文献报道将p c a 和l s s v m 建模 相结合：贾嵘等( 2 0 0 6 ) 研究了传统p c a 和l s s v m 在电力系统状态估计中的 应用，算例结果证明了该方法相比加权最小二乘法具备更高的精度；郑小霞等 ( 2 0 0 6 ) 提出了基于传统p c a 的l s s v m ( p c a l s s v m ) 软测量方法，并应用 于对羧基苯甲醛的软测量中，验证了该方法的有效。 由于工业过程数据往往包含异常样本，这会影响传统p c a 结果的准确性， 为此很多学者开展了关于鲁棒p c a 的研究。m d a s z y k o w s k ie ta 1 ( 2 0 0 7 ) 对鲁 棒p c a 进行了综述，将鲁棒p c a 方法分成两类：第一类是直接用鲁棒协方差估 计代替其非鲁棒估计量，例如基于m c d 估计的鲁棒主元回归( m h u b e r te ta l ， 2 0 0 5 ) ；另一类方法将数据输入投影到最易检测出异常的方向上，c r o u xa n d r u i z g a z e n ( 1 9 9 6 ) 提出将数据投射到具有最大鲁棒方差方向上，m h u b e r te ta 1 ( 2 0 0 4 ) 则提出一种结合投影法和鲁棒协方差估计的r o b p c a 方法。 由于l s s v m 模型采用二次损失函数形式，因此样本中异常点或非白噪声的 存在同样会对其回归结果产生影响，为此s u y k e n se ta 1 ( 2 0 0 2 ) 提出了加权最小 二乘支持向量机( w l s s v m ) ，其相比普通l s s v m 具有良好的鲁棒性，因而得 到不少实际应用：李晋等( 2 0 0 8 ) 将w l s s v m 回归方法应用于温室小气候建模； 邬正义等( 2 0 0 6 ) 将w l s s v m 应用于聚丙烯生产过程中对熔融指数进行预报， 和传统l s s v m 建模进行比较；甘旭升等( 2 0 0 7 ) 将w l s s v m 用于飞行器设计 时气动参数拟合，和传统l s s v m 建模进行比较；吕剑锋等( 2 0 0 7 ) 则提出了一 种改进的w l s s v m 算法并将其应用于光谱定量分析，同时分析了模型的鲁棒性。 关于电站锅炉稳态建模、热效率优化、氮氧化物优化的文献也有不少，由于 锅炉设备庞大，运行条件复杂，影响因素众多，而且目标函数与运行参数间存在 着强非线性关系，因而需要使用非线性方法爿：建立优化问题的模型：前面介绍的 美国p e g a s u s 公司n e u s i g h t 优化软件包利用神经网络建立热效率和n o x 模型； 徐礼国等( 2 0 0 1 ) 利用神经网络建立了一个锅炉燃烧系统稳态参数优化模型；周 昊等( 2 0 0 3 ) 利用神经网络和遗传算法在某电站6 0 0 m w 机组上实现了燃烧优化 操作指导系统，可以在线给出操作变量的建议值；李磊磊等( 2 0 0 3 ) 采用神经网 络分别建立了锅炉热效率和n o x 模型并采用遗传算法进行燃烧优化研究；李素 芬等( 2 0 0 7 ) 采用最小二乘支持向量机建立了热效率和n o x 混合模型，并采用 多目标粒子群优化算法进行优化；陈敏生等( 2 0 0 6 ) 也采用最小二乘支持向量机 分别建立热效率和n o x 模型，使用多目标进化算法s p e a 2 进行优化计算，最后 基于模糊集理论在p a r e t o 解中寻找满意解。由于锅炉实际操作变量都受到一定限 5 第一章绪论 制，例如二次风门的开度范围为0 1 0 0 之问甚至可变范围更小，因此燃烧优化 问题是一个有约束非线性最优化问题，序贯二次规划( s q p ) 是解决这类优化问 题的有效方法，在工业过程中也得到了广泛应用：徐建亭等( 2 0 0 1 ) 提出以网络 有功损耗最小为目标函数，考虑潮流无功平衡方程的等式约束和一系列电压和控 制变量的不等式约束，使用s q p 序贯二次规划法计算电压无功优化潮流；裴浩 东等( 2 0 0 1 ) 基于神经网络和s q p 方法对焊接过程进行了优化控制，改善了焊 接飞溅；何黎明等( 2 0 0 1 ) 利用s q p 进行了涡扇发动机加速过程的优化研究。 1 3 论文主要内容及结构安排 本文以电站锅炉燃烧系统为对象，基于最小二乘支持向量机模型进行软测量 和稳态优化研究，各章主要内容及结构安排如下： 第一章绪论。首先介绍课题研究背景；然后介绍国内外燃烧优化产品、课 题组相关工作基础，综述了相关的理论研究现状；最后介绍论文研究内 容及结构安排。 第二章最小二乘支持向量机软测量及其局部学习。首先介绍最d - - 乘支持 向量机( l s s v m ) 回归原理以及参数优化方法，建立了l s s v m 软测量 模型；首次将局部学习思想引入飞灰含碳量软测量中：根据欧氏距离选 取局部训练集、使用改进的核函数形式实现模型参数的自动优化。仿真 实验表明局部l s s v m 软测量模型相比l s s v m 软测量模型具有更高的 预测精度。 第三章基于鲁棒化主元分析的加权最小二乘支持向量机软测量。首先阐述 主元分析的作用和基本原理，给出基于主元分析的最d - 乘支持向量机 ( p c a l s s v m ) 软测量方法，并通过仿真实验对p c a l s s v m 和 l s s v m 两种软测量模型进行比较；鉴于p c a 和l s s s v m 回归均容易 受到数据中异常点的影响，分别对p c a l s s v m 方法中两部分进行鲁棒 化，提出一种基于鲁棒化主元分析的w l s s v m ( r p c a w l s s v m ) 软 测量方法，仿真研究表明r p c a w l s s v m 软测量方法相比p c a l s s v m 具有更好的预测精度和鲁棒性。 第四章基于最小二乘支持向量机模型的稳态燃烧优化。首先介绍序贯二次 规划算法基本原理，基于飞灰含碳量l s s v m 模型进行单目标优化仿真； 随后引入评价函数法，建立了电站锅炉燃烧多目标优化命题，通过对优 化仿真实验结果进行分析，表明该方案能有效指导锅炉优化运行。 第五章结论和展望。总结了论文工作、创新点、研究中存在的不足，对后 续研究工作进行了展望。 6 第二章最小二乘支持向琏机软测量及其局部学习 第二章最小二乘支持向量机软测量及其局部学习 2 1引言 作为电站锅炉的主要考核指标之一，飞灰含碳量对锅炉的热效率和机组总体 性能具有较大的影响，因此精确实时地检测飞灰含碳量具有重要意义。目前飞灰 含碳量的离线检测方法主要包括化学灼烧失重法，这种方法数据采集量少、取样 代表性差、时间滞后、精度不高( 陈强等，2 0 0 5 ) ；在线检测方法大都采用在锅 炉水平烟道上安装微波测探仪来实现，但是在技术上遇到了样品管堵灰、附加设 备复杂、0 7 5 以下的飞灰含碳量无法测量、仪器保养维修要求高等缺点( 李智 等，2 0 0 4 ) 。实现锅炉热效率在线计算首先要实现飞灰含碳量的在线检测，阎维 平等( 2 0 0 1 ) 提出了基于特定锅炉对象的历史数据和实时数据进行间接估算方法， 采用二维列表差值计算模型、依据负荷、氧量和煤种对飞灰含碳量进行估计；杨 兵等( 2 0 0 6 ) 基于历史数据拟合飞灰含碳量和氧量的关系曲线，再基于d c s 实 时氧量估计当前飞灰含碳量，但是飞灰含碳量特性非常复杂，受到包括煤种、锅 炉负荷、配风方式、炉型、燃烧器型式、炉膛温度、过剩空气系数、煤粉细度、 风粉分配均匀性等多种因素的影响，很难用简单的公式进行估算，往往要采用实 际测试方法加以确定，但是现场测试工作量大，测试工况有限，各参数对锅炉的 燃烧特性都存在影响，且互相叠加，导致数据分析困难( 陈敏生等，2 0 0 5 ) 。 综上所述，如何准确建立飞灰含碳量与运行参数间的关系，是一个有实际意 义的课题，软测量技术则是一种针对上述问题的有效解决方案。由于影响飞灰含 碳量的因素多且具有非线性，人工智能方法越来越广泛地应用于飞灰含碳量软测 量建模中，周吴等( 2 0 0 2 ) 基于人工神经网络建立了某大型四角切圆燃烧锅炉的 飞灰含碳量特性模型，并对其进行了校验；李智等( 2 0 0 4 ) 将微波测探仪和b p 神经网络软测量模型组合起来构造了飞灰含碳量测型：系统，1 以下的测量完全 采用软测量模型，1 以上情况采用软测量模型校正微波测探仪输出，该方法集 中了两种测量方法的优点；周建新等( 2 0 0 8 ) 利用支持向量机建立了电站锅炉飞 灰含碳量软测量模型，与神经网络模型比较结果表明支持向量机建模更适用于小 样本学习。 最d - - - - 乘支持向量机( l s s v m ) 是标准支持向量机的扩展，也是一种基于 统计学习理论的机器学习方法，和标准支持向量机相比其优点在于运算简单，非 常适合在线建模的要求，阎威武等( 2 0 0 3 ) 提出了l s s v m 软测量建模并将其应 用于轻柴油凝固点的预估；陈敏生等( 2 0 0 6 ) 提出了基于l s s v m 的飞灰含碳量 软测量建模；范磊等( 2 0 0 6 ) 基于l s s v m 实现了尿素生成中二氧化碳转化率的 7 第二章最4 - - 乘支持向量机软测量及其局部学习 软测量；王勇等( 2 0 0 6 ) 将l s s v m 建模方法应用于电厂烟气含氧量软测量中。 为了提高l s s v m 模型的泛化能力和预测精度，刘毅等( 2 0 0 7 ) 提出了局部l s s v m 回归在线建模方法，将其应用于青霉素发酵过程的菌体浓度建模，和传统全局学 习的l s s v m 模型相比具有更好的推广和适应能力；包鑫等( 2 0 0 8 ) 将局部学习 思想用于汽油光谱的定量分析中，取得了比全局模型更高的预测精度。 本章首先简单介绍统计学习思想、标准支持向量机回归以及最小二乘支持向 量机回归基本原理；接着针对一组锅炉实测数据，采用l s s v m 回归方法进行飞 灰含碳量软测量仿真实验，验证了该方法的有效性；然后提出了基于局部学习思 想的飞灰含碳量l s s v m 软测量建模方法，采用一种改进的核函数简化了模型参 数优化过程，仿真实验表明该方法相比全局方法提高了模型的预测精度，具有很 好的应用前景。 2 2 基于最小二乘支持向量机的软测量 2 2 1 软测量技术 工业过程中往往会出现一些重要变量，由于工艺、技术或经济方面的原因尚 难以直接利用仪表进行在线检测，同时这些变量往往与产品质量、产量或工艺过 程重要参数密切相关而需要进行实时在线检测。上述问题成为制约生产效益与产 品质量提高的关键性因素，为了解决这个问题，以往一般采用两种方法：一种方 法是采用间接质量控制，但是此方法难以保证最终质量指标的控制精度；另一种 方法是采用在线分析仪，但是其价格高昂，且仍有1 0 到2 0 分钟的测量滞后，分 析数据的可靠性也有待进一步提高。 软测量技术为了解决上述问题应运而生的，其基本点就是根据某种最优准 则，通过选择易于测量且和主导变量密切相关的辅助变量，通过在线分析来预测 主导变量。软测量技术的核心是建立软测量模型，原理如图2 1 所示( 邵惠鹤， 2 0 0 3 ) 。软测量建模方法则包括机理建模和辨识建模，其中辨识建模方法主要包 括偏最小二乘回归、主元回归、神经网络、支持向量机等。 李凌等( 2 0 0 6 ) 将多元线性回归、主元回归、偏最$ - - 乘3 种方法进行了比 较，得到了偏最$ - - 乘模型最优的结论，但是这三种方法建立的均是线性模型， 而复杂工业过程中大多是非线性关系。人工神经网络( m 州：a r t i f i c i a ln e u r a l n e t w o r k ) 由于能以任意精度逼近非线性函数，被广泛应用于工业过程建模和控 制中，很多学者成功地应用神经网络进行软测量建模：毛帅等( 2 0 0 5 ) 基于前向 神经网络分别建立常压塔柴油凝点静态和动态软测量模型；周吴等( 2 0 0 2 ) 基于 人工神经网络建立了某大型四角切圆燃烧锅炉的飞灰含碳量特性模型，并对其进 行了校验。( 冯瑞等，2 0 0 2 ) 神经网络依然存在一些缺陷：网络结构需要事先指 r 第二章最小二乘支持向量机软测量及其局部学习 定或者应用启发式算法在训练过程中修正，难以保证网络结构的最优化；网络权 系数的调整方法存在局限性；容易陷入局部极小，有些训练算法甚至不能得到最 小；过分依赖学习数据的质量和数量。锅炉燃烧调整试验较复杂，因此一般难以 获得太多样本，此外本论文可获得实验样本数量较少，因而不太适合使用神经网 络建模，而要寻找更适合小样本学习的建模方法。 图2 1 软测量模型结构 2 2 2 统计学习理论 基于数据的机器学习是现代智能技术中的重要方面，它从观测数据出发寻找 规律，并利用这些规律对未知数据进行预测。现有的机器学习方法共同的理论基 础就是统计学，传统统计学研究的是样本数目趋于无穷大时的渐进理论，现有的 机器学习方法也是基于此假设，但是实际问题中的样本数量往往有限，因此很多 理论上很优秀的学习方法在实际中表现得不尽如人意( 唐发明，2 0 0 5 ) 。 和传统统计学相比，由v a p n i k 提出的统计学习理论( s t a t i s t i c a lt r a i n i n g t h e o r y ) 则是专门研究小样本时机器学习规律的理论，为解决有限样本学习问题 提供了统一的框架，还能将很多现有方法纳入其中，有望帮助解决很多原来难以 解决的问题，例如神经网络的结构选择问题，局部极小点问题等。 2 2 3 支持向量机回归 支持向量机( s v m ：s u p p o r tv e c t o rm a c h i n e s ) 是统计学习理论中最年轻也 最实用的部分，也称为标准支持向量机，其核心内容由c o r t e s 和v a p n i k 在1 9 9 5 年间提出。它能非常成功地处理回归问题( 时间序列分析) 和模式识别( 分类问 题、判别分析) 等诸多问题，并可推广于预测和综合评价等领域，因此可应用于 理科、工科和管理等多种学科。目前国际上s v m 在理论研究和实际应用两方面 都正处于飞速发展阶段。 9 第二章最小二乘支持向量机软测量及其局部学习 s v m 通过结构风险最小化( s r m ：s t r u c t u r a lr i s km i n i m i z a t i o n ) 原理较好 地解决了机器学习理论q 1 的泛化问题，相对于神经网络的启发式学习方法和实现 中带有很大的经验成分，标准s v m 具有更严格的理论和数学蛙础，不存在局部 极小问题，小样本学习使它具有很强的泛化能力，不过分依赖于样本的质量和数 量( 冯瑞等，2 0 0 2 ) 。s v m 回归基本原理如下： 假设用于训练的m 个输入输出数据为： ( 薯，只) i = 1 聊，薯r ”，以r