唐振浩 段 潔 曹生現(xiàn) 王 恭

(東北電力大學自動化工程學院，吉林 吉林 132012)

根據(jù)國家能源局2015年發(fā)布的信息，我國2014年火力發(fā)電設備容量為91 615萬千瓦，約占全口徑發(fā)電設備容量的67.32%，這說明火力發(fā)電仍然是我國當前最主要的發(fā)電方式?；痣姀S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(tài)，是電廠降低燃料消耗和污染排放的重要手段。為了實現(xiàn)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(huán)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(tǒng)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(yōu)化算法(Sequential Minimal Optimization，SMO)相結合的方法實現(xiàn)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(jù)已有經驗和實際數(shù)據(jù)分析選取適當?shù)倪^程變量，并考慮含氧量變化的時序特點建立建模數(shù)據(jù)庫；然后根據(jù)問題特點，采用差分進化算法校正LS-SVM參數(shù)；對差分進化算法進行改進，改善算法局部尋優(yōu)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(shù)據(jù)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(huán)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(wěn)定。

針對不同爐況，用現(xiàn)場采集數(shù)據(jù)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(shù)據(jù)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(shù)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(shù)據(jù)解析建模

2.1 數(shù)據(jù)預處理

實際生產中獲取的數(shù)據(jù)存在噪聲數(shù)據(jù)和數(shù)據(jù)缺失現(xiàn)象，為此采取相應的處理方法：

a. 對數(shù)據(jù)中的噪聲進行處理。對建模時間段內不同參數(shù)的數(shù)據(jù)進行統(tǒng)計分析，計算各參數(shù)的期望μ和標準差σ。根據(jù)拉依達準則，將數(shù)值中在[μ-3σ,μ+3σ]區(qū)間之外的數(shù)據(jù)刪除，根據(jù)含氧量數(shù)據(jù)連續(xù)變化的特征，用刪除時刻前后兩個時刻的平均值代替該數(shù)據(jù)。

b. 對數(shù)據(jù)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(shù)據(jù)常有數(shù)據(jù)缺失的情況，對缺失數(shù)據(jù)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(shù)據(jù)。

2.2 算法整體結構

基于DE優(yōu)化的自校正LS-SVM算法中的LS-SVM算法根據(jù)DE粒子信息設定計算參數(shù)，采用建模數(shù)據(jù)庫數(shù)據(jù)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(shù)值。

2.3 算法實現(xiàn)

基于DE優(yōu)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(shù)據(jù)讀入內存，采用2.1節(jié)所述方法對建模數(shù)據(jù)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(shù)為NP、粒子維數(shù)為ND的種群(ND為所需優(yōu)化參數(shù)的個數(shù))，然后初始化DE算法參數(shù)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(shù)值，將預測誤差作為對應粒子的適應度值，首先根據(jù)粒子信息為LS-SVM參數(shù)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(shù)據(jù)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(shù)據(jù)，根據(jù)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(shù)值。

圖2 基于DE優(yōu)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(shù)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(zhí)行步驟c。

步驟d中，算法達到最大迭代次數(shù)NLOOP；算法最優(yōu)解在指定代數(shù)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(shù)據(jù)來驗證算法的有效性，選取其中160組數(shù)據(jù)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(shù)設定：種群數(shù)NP為50個，種群粒子維數(shù)ND為2，算法最大循環(huán)次數(shù)NLOOP為1 000，最優(yōu)解最大不更新次數(shù)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(shù)據(jù)傳輸延遲等問題，結合機理分析和數(shù)據(jù)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(shù)據(jù)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(yōu)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(yōu)化技術研究發(fā)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(yōu)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(yè)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.