基于LSSVM和单纯形的烟气含氧量软测量

《基于LSSVM和单纯形的烟气含氧量软测量》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第25卷第3期热能动力工程Vol.25,No.32010年5月JOURNALOFENGINEERINGFORTHERMALENERGYANDPOWERMay,2010文彦编号：1001-2060(2010)03-0292-05基于LS-SVM和单纯形的烟气含氧量软测量刘长良，李淑娜（华北电力大学自动化学院，河北保定07J003）收積日期：2009-07-02；修订日期：2009-08-24墓金项目：国家高技术研究发展计划（863）基金资助项冃（2007AAO41106）作者简介:刘长良（1965-）,男，河北保定人•华业电力大学教授，博士.摘要：烟气含氧量是彭响火电厂煥烧经济性的

2、一个重要因素。由于受到多个因素的彩响，导致了火电厂烟气含氧量测童存在一定的困难牲。软测童模型是以容易测得的二次变量为基础，利用二次变童和难测得的待测过程变景之间的数学关系，对待测过程变量进行测量而建立的模型。本研究选用合适的二次斐量，提出了基于最小二乘支持向量机的火电厂烟气含氧童软测童楼型。并把单纯形寻优算法应用在最小二来支持向量机的两个必需确定的参数优化问题中，结合现场数据对模愛进行预测检验。仿真结果表明，该方法能够比较冷确地時火电厂烟气含氧量进行测量，对于实现火电厂经济熾烧有着重大的巻义。关键词:$SVM；单纯形；烟气含氧量；软测如寻优算法中图分类号:TP391.9；TK31

3、4文献标识码:A引言锅炉烟气含氧量作为送引风调节系统中的重要参数直接反映锅炉燃烧过程的风煤比，是关系燃经济性的一个重要指标。含氧最过髙会导致排烟损失增大,过低则会导致未完全燃烧损失增大，直接影响火电机组大型锅炉的效率。目前，火力发电机组大多采用氧化错氧量计直接测量锅炉排烟氧量，然而却存在很多问题。比如单测点会导致较大的采样误差，多测点取平均值又会增加维护成本⑴。因此很有必要通过软测量方法建立模型对烟气含氧僦进行预测和控制。1软测量方法软测量的建模方法多种多样且各种方法互有交叉，目前又有相互融合的趋势，主要有机理建模、状态估计、人工神经网络、数据融合、支持向量机等方法（2'31o与

4、其它方法建立的模型相比，机理模型的可解释性强、外推性能最好，是最理想的软测量模型，但是专用性太强可移植性差⑷。基于状态估计的软测量方法缺点是对于复杂的过程对象，往往难以建立系统的状态空间模型。另外，当过程中出现持续缓慢变化的不可测扰动时，利用该方法建立的软测量模型可能导致严重的误差⑶。烟气含氧址软测量在建模方法上早期采用比较多的是神经网络技术，目前，人工神经网络已经广泛应用到工业过程建模和控制中，但用神经网络建模还存在很多问题，针对比较典型的RBF神经网络，具体表现在：（1）网络基函数中心点难以确定；（2）输岀权值计算过程中存在数值变态问题；（3）网络的在线校正效果不明显；（4）

5、网络的泛化能力不强⑹。之后又岀现了采用数据融合的方法。文献［7］采用燃烧机理分析以及统计分析相结合的建模方法，首先建立起多个送风量和给煤量的软测量模型，然后对送风量和给煤量的多个软测量模型输出进行了加权数据融合，该方法在一定程度上解决了软测量所需过程数据的处理问题，但其计算复杂度较高。近年来，作为机器学习领域中备受瞩目的支持向量机（SVM,SupportVectorMachine）在许多领域取得了成功的应用，它基于结构风险最小化原则尽童提高学习机的泛化能力，同时支持向量机算法又是一个凸优化问题局部最优解一定是全局最优解;支持向量机算法中的核因数利用隐式非线性变换,巧妙地解决了维数

6、灾难问题，在软测屋应用中显示岀巨大的优越性。在优化目标函数时最小二乘法支持向量机利用结构风险原则，选取了误差的二范数作为损失函数，从而使优化问题由标准支持向量机的二次规划简化为最小二乘支持向量机线性方程的求解。研究表明，最小二乘支持向量机算法具有学习能力强、泛化能力好、对样本的依赖程度低等优点O根据特定对象的特殊性和复杂性探讨用最小二乘支持向最机对研究对象——电厂烟气含氧量测量进行建模，并结合电厂DCS数据库实际数据进行训练和检验，实现软仪表测虽:。结果表明，所建模型能根据相关参数准确预报同一工况下的烟气含氧量,并有良好的泛化性和较强的现场应用性。2最小二乘支持向量机的参数优化选

7、择方法对于采用么向基核的最小二乘支持向量机的主要参数是正则化参数C和核函数宽度o■，对于RBF核）=exp（-

8、

9、%--x

10、

11、2/a2）求解最佳（C,”）有多种方法可以选择。完成一个完全的网格搜索是非常费时的。而双线性搜索法的局限性又表现在需要先得到线性SVM的最优参数C,才能开始RBF核SVM的训练⑻。混沌优化算法对于搜索空间小时效果显著，但当搜索空间大时却不能令人满意®。L00方法是通过实验的手段来优化SVM参数，缺乏坚实的理论基础。该方法虽然可以保证对已知样本集的错分率最小