[发明专利]一种生物质炉燃烧优化的建模方法

摘要

本发明涉及一种生物质炉燃烧优化的建模方法。本发明方法首先采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；然后分别用最小二乘支持向量机和径向基神经网络针对不同的燃料，建立燃烧模型，确定最小二乘支持向量机模型和径向基神经网络模型的组合比例，将最小二乘支持向量机模型与径向基神经网络模型按确定的最优的比例系数相结合，构成组合模型，针对给定的生物质炉的其它种生物质燃料建模，将不同的生物质燃料的燃烧优化模型组合在一起，构成一个生物质炉燃烧优化整体模型。本发明方法满足了生物质炉燃烧优化中燃料有变化且燃料种类有限变化的实际要求，保证了生物质炉燃烧优化的准确性和可行性。

主权项

1. 一种生物质炉燃烧优化的建模方法，其特征在于该方法的具体步骤是：步骤(1).采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；所述的生物质炉运行参数数据包括生物质燃料的工业分析指标、一次风速、二次风速、氧量、燃尽风速、生物质燃料给料速度；生物质炉运行参数通过生物质炉运行数据库获取，或直接通过仪器测量采集,不同的生物质燃料分开采集数据，分别建模；所述的表征生物质炉燃烧状态的特征指标的数据包括烟气的NOx浓度和生物质炉燃烧效率；步骤(2).对数据库中的数据进行选择和预处理，并分别用最小二乘支持向量机和径向基神经网络针对不同的燃料，建立生物质炉运行操作参数与燃烧状态的特征指标间的燃烧模型；针对于n种生物质燃料，分别建立n个模型，具体方法是：分别针对不同燃料的燃烧情况，在数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：① 分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的；②数量均等，即在拓扑结构中位于不同点的数据的样本量，相差不大于数据最少点的样本数据量的10﹪；对选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于数量级相差小于1个的状态，再对输入量进行归一化处理；应用预处理好的数据，首先采用最小二乘支持向量机算法，针对一种燃料建模，最小二乘支持向量机算法所建模型泛化能力较强，然后再应用径向基神经网络建模，径向基神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和径向基神经网络模型进行组合形成最终的针对于一种燃料的燃烧优化模型；用于建模的输入参数及表征生物质炉燃烧状态的特征指标的输出参数表示为，其中表示第组作为输入数据的生物质炉运行参数向量，表示第组作为输出参数的表征生物质炉燃烧状态特征的参数，为样本数量，以实际运行数据为基础建立运行操作参数与生物质炉不同燃烧状态指标间的模型；首先，采用最小二乘支持向量机算法建模，核函数选为径向基函数：为径向基函数的宽度，该表示形式为标准形式；为映射函数，设所求的目标函数为：，为模型输出的锅炉燃烧状态的特征指标预测值，为权重系数向量，为截距；引入松弛因子ξ^*_i和ξ_i以及允许拟合误差ε，ξ^*_i≥0、ξ_i≥0，模型通过在约束：，条件下，最小化：获得，其中常数C为惩罚系数，C >0；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：其中、、、为拉格朗日乘数，≥0、≥0、≥0、≥0；在鞍点处，函数L是关于w、b、ξ_i、ξ_i^*的，也是、、、的极大点，最小化问题转化为求其对偶问题的最大化问题；拉格朗日函数L在鞍点处是关于w、b、ξ_i、ξ_i^*极小点，得：可得拉格朗日函数的对偶函数：此时，按照库恩-塔克条件定理，在鞍点有下式成立：由上式可见，α_i·α_i^*=0,α_i和α_i^*都不会同时为非零，可得：从上式可求出b，获得模型；其次，采用学习能力和函数逼近能力强的径向基神经网络建模：对于个隐节点的径向基神经网络其输出为：，为权重系数，为维输入向量，为第个基函数的中心，为函数的基宽度参数；建立径向基神经网络模型的关键在于确定基函数的中心，基宽度及权重系数；采用粒子群算法迭代训练径向基神经网络，定义粒子群算法初始群体向量的各维分量，分别为隐节点个、数基函数中心、函数的基宽度和权重系数，目标函数为：，其中为第个样本的径向基神经网络输出值，为第个样本的实际值；当达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向基神经网络模型；步骤(3).确定最小二乘支持向量机模型和径向基神经网络模型的组合比例；针对建模数据对应的同一生物质燃料，采集新的生物质炉在不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和径向基神经网络模型加权平均的预测方法，对检验数据进行预测，即，其中为第组检验样本工况的目标预测值，为最小二乘支持向量机模型预测值，为径向基神经网络模型预测值，为最小二乘支持向量机模型预测值比例系数，为径向基神经网络模型的预测比例系数，且；与的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量的各维分量，分别为支持向量机模型比例和原有模型权重，目标函数为：，其中为第组工况实际数据与结合模型预测的生物质炉燃烧特征指标的误差，K为检验样本数量，当方差总和取得了最小、达到设定值或完成迭代次数时，寻优完成；步骤(4).将最小二乘支持向量机模型与径向基神经网络模型按步骤(3)所确定的最优的比例系数相结合，构成组合模型，即，其中Z为更新后的组合模型，从而实现一种生物质炉燃料的燃烧优化模型的建立；步骤(5).针对给定的生物质炉的其它种生物质燃料建模；建模步骤与步骤(2)～(4)一致，获得不同生物质燃料情况下的燃烧模型，如步骤(1)中所述共有n种燃料，因此对应建立n个模型；步骤(6).将不同的n种生物质燃料的燃烧优化模型组合在一起，构成一个生物质炉燃烧优化整体模型；需要调用模型进行预测时，根据燃料指标，调用相应的燃烧优化模型进行预测。