基于LIBSVM和智能算法的电站锅炉飞灰含碳量优化.pdf

《基于LIBSVM和智能算法的电站锅炉飞灰含碳量优化.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷第1期东北电力大学学报Vo1．34．No．12014年2月JournalOfNortheastDianliUniversityFeb．．2014文章编号：1005—2992(2014)01—0016一O5基于LlBSVM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132012)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

2、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，LIBSVM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：LIBSVM；飞灰含碳量；人工智能算法中图分类号：TK224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⋯。

3、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

4、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I9j。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

5、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300mw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：2013—10—10作者简介：卢洪波(1968一)，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

6、期卢洪波等：基于LIBSVM和智能算法的电站锅炉飞灰含碳量优化l7对误差为1．01％，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(LIBSVM)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

7、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

8、转化为最小化结构风险函数的问题，即：min÷J『+c∑(+)，(2)rW·()+b—Y≤+，s．t．{Y一W·()一b≤+，(3)。≥0