基于支持向 量机增量算法的锅炉燃烧效率建模研究

《基于支持向 量机增量算法的锅炉燃烧效率建模研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学兔兔www.xuetutu.com第44卷第2期锅炉技术V01．44。NO．22013年3月BOILERTECHNOLOGYMar．．20l3【设计·科研·试验】基于支持向量机增量算法的锅炉燃烧效率建模研究叶向前1，谭磊2，方彦军2(1．广东电网公司，广东广州510600；2．武汉大学动力与机械学院，湖北武汉430072)摘要：针对锅炉燃烧效率建模问题，选取燃料量和总风量等参数描述负荷对锅炉热效率的影响，建立基于支持向量机(SVM)的锅炉两级燃烧模型。根据历史工况对飞灰含碳量及锅炉燃烧效率进行预测，提出利用改进型增

2、量学习算法对训练样本进行优化，保证预测结果精度的前提下同时缩短了训练时间。针对广东大唐潮州三百门电厂1000Mw机组现场运行数据建立飞灰含碳量及锅炉热效率SVM模型，对其进行仿真分析，模型预测值与实测值误差较小，表明该燃烧效率模型的预测效果良好。关键词：燃烧效率；燃烧模型；支持向量机中图分类号：TK229．6文献标识码：A文章编号：1672—4763(2013)02—0001—04可以快速调整训练样本的训练方法，及时反映锅0前言炉运行状况。利用支持向量机(SVM)[1]对锅炉燃烧进行1．1Karush-kuhn—Tu

3、cker条件及增量学习建模是常用的经验建模模型预测方法。朱玉碧、本文采用增量学习算法[53实现对新样本的程相利等[21利用支持向量机对锅炉燃烧进行建更新，保持新的数据集的最优化状态。支持向量模，并利用预测控制算法实现对锅炉燃烧过程的机把几何间隔值最大问题归结为凸半正定规划闭环控制，控制结果表明此方法能较好提高锅炉问题，若a一(口，，⋯，口，)是对偶问题的最优解，则燃烧系统的热效率。李健、孙万云[33通过锅炉燃样本中的每个z：都应该满足最优化问题的烧的现场数据，建立了锅炉效率的支持向量机模Karush-kuhn—Tuc

4、ker(最优化条件，简称KKT)型，并采用遗传算法对主要参数进行寻优，以达条件[6]：到提高燃烧效率的效果。fCt：一0≥y：f(z)≥1本文针对广东大唐潮州三百门电厂的1000

5、隔之上，而a—C则表示样本值进行误差分析，结果表明模型的预测效果良在分类间隔之内，于是式(1)又可表示为：好，具有一定的参考价值。旧一0≥l厂(工。)I≥1

6、有较高的在线法多次迭代，最终收敛于某个分类器，算法的流训练的需求。考虑到这些情况，就需要找到一种程图如图1所示。收稿日期：2012—10一17基金项目：国家自然科学基金(61170024)；中央高校基本科研业务费专项资金(121031)作者简介：叶向前(1963一)，男，硕士，高级工程师，主要从事火电厂热工测量及自动化领域的科学研究和工程实施工作。学兔兔www.xuetutu.com锅炉技术第44卷淘汰如图3。数据，^、与1总风量：—●昌处∽燃料成分：实理—●时给煤机开度：_及历磨煤机通风量：飞灰含碳量飞灰含碳量图1

7、增量算法流程图相_斗史二次风门开度：SVM模型]爵F耐数关一据燃烧器摆角：_韭塑堡厘性．1．2改进的SVM增量学习燃尽风开度：_．烟气含氧量7分-tI排烟氧量．亟盔由关于KKT条件的理论基础，得知原工况析—一一样本中的支持向量集及可能转化的非支持向量集和新增工况样本中违背KKT条件的的样本集图3锅炉燃烧SVM模型结构决定了总样本的分类器。要得到一个最有分类面最终可以转化为求改进算法的具体操作步骤如下：第一步：首先对初始样本集X。进行训练，得解一个凸优化问题min咖(叫)一÷

8、

9、W02，现假到初始的分类器n。、支持向量

10、集X；V和非支持向设所有的锅炉燃烧工况样本可以在精度￡下无误量集X酽5v；差地用函数Y一，(z)一叫z+6拟合，则应满足以第二步：寻找新增样本集X。中是否有违背广下约束条件：义KKT条件的样本点，若没有，则珐为最终的学』yt—WXt一6《，i--1,2,．-．，z(3)习分类器；若存在，则将X。分为两部分，一部分翳【WXi+6一Y，≤6符合KK