燃煤电站锅炉飞灰含碳量预测模型构建方法及系统.pdf

本发明提供了一种燃煤电站锅炉飞灰含碳量预测模型构建方法及系统，所述方法包括：S1：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关最小冗余算法筛选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法将历史样本进行聚类，得到N个子类，计算出N个子类模糊隶属度函数；S2：利用每个子类的历史样本分别训练最小二乘支持向量机算法，得到N个以飞灰含碳量为输出的子模型；S3：将S1得到的所述模糊隶属度函数连接S2得到的所述子模型，构建全局模型，即飞灰含碳量预测模型。本发明相较于传统的机理模型提升了建模的精度，相较于纯黑箱模型有更快的速度。

1.一种燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于：所述方法包含以
下步骤：
S1：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关最小冗余算法筛
选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法将历史样本进行
聚类，得到N个子类，计算出N个子类模糊隶属度函数；
S2：利用每个子类的历史样本分别训练最小二乘支持向量机算法，得到N个以飞灰含碳
量为输出的子模型；
S3：将S1得到的所述模糊隶属度函数连接S2得到的所述子模型，构建全局模型，即飞灰
含碳量预测模型。
2.根据权利要求1所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于，
所述飞灰含碳量预测模型，选取如下变量作为模型输入变量：
(1)一次风量、一次风压、二次风量、二次风压和烟气含氧量，它们反映了空气动力场对
飞灰含碳量的影响；
(2)炉膛出口温度和二次风温反映了温度的影响因素；
(3)二次风阀门开度反映了配风方式对其的影响；
(4)入炉煤量和锅炉负荷反映了负荷的影响。
3.根据权利要求2所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于，
所述飞灰含碳量预测模型，在选取模型输入变量时考虑燃煤电站锅炉在低负荷和高负荷和
变负荷三种情况。
4.根据权利要求2所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于，
所述飞灰含碳量预测模型，利用mRMR算法分析输入变量之间以及输入变量与飞灰含碳量的
相关性。
5.根据权利要求1所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于，
所述最小二乘支持向量机算法中，选择高斯径向基核函数作为核函数，利用10层交叉验证
网格搜索技术确定核函数中的径向基核参数和正规化参数。
6.根据权利要求1所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于，
所述飞灰含碳量预测模型，利用平均绝对误差，均方根误差作为评价标准指标。
7.根据权利要求1-6任一项所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其
特征在于，所述S1中，使用模糊C均值聚类算法将历史样本进行聚类，是指：将历史运行数据
即原始火电数据X＝{x₁,x₂,…,x_m}，根据模糊C均值聚类算法分成N个子集Γ₁,Γ₂,…,Γ_N；
模糊C均值聚类算法中的隶属度函数U计算出x_i∈X的隶属度u_i1,u_i2,…,u_iN；在构建的预测
模型中，假设：如果u_ij是u_i1,u_i2,…,u_iN中最大的，则认为x_i∈X属于类别Γ_j，根据此假设，X
＝{x₁,x₂,…,x_m}能划分为N个子类。
8.根据权利要求7所述的燃煤电站锅炉飞灰含碳量预测模型的构建方法，其特征在于，
所述S3，是指：对于输入向量x_j，利用S2中得到的N个子模型预测，从而知道N个结果G＝{g₁,
g₂,…,g_N}，对于x_j而言，其归属于S1中N个子类Γ₁,Γ₂,…,Γ_N的隶属度分别是u₁,u₂,…,u_N，
从而利用式(1)得到最后的飞灰含碳量预测结果R：
R＝u₁·g₁+u₂·g₂+…+u_N·g_N (1)。
9.一种基于权利要求1-8任一项所述方法的燃煤电站锅炉飞灰含碳量预测模型的构建
系统，其特征在于，所述系统包括：
样本聚类模块：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关最小
冗余算法筛选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法将历
史样本进行聚类，得到N个子类，计算出N个子类模糊隶属度函数；
子模型构建模块：利用所述样本聚类模块得到的每个子类的历史样本，分别训练最小
二乘支持向量机算法，得到N个以飞灰含碳量为输出的子模型；
全局模型构建模块：将所述样本聚类模块得到的所述模糊隶属度函数连接所述子模型
构建模块得到的所述子模型，构建全局模型，即飞灰含碳量预测模型。

燃煤电站锅炉飞灰含碳量预测模型构建方法及系统

技术领域

本发明涉及一种电站锅炉燃烧系统，具体地，涉及一种燃煤电站锅炉飞灰含碳量
预测模型构建方法及系统。

背景技术

为了实现电站锅炉燃烧系统优化控制的目标，第一步是要对锅炉的燃烧实际情况
给出真实及时合理的评估。其中关键是要对锅炉燃烧性的关键参变量在线预测。自改革开
放以来，我国电力行业热工自动化水平有了极大的提高，但由于测量技术的限制以及测量
系统的不可靠、不准确和不实时，因而电站锅炉系统的一些关键参变量还没有能实现在线
测量。

飞灰含碳量是锅炉经济运行的重要指标。根据检测方法的实时性进行分类，可以
分为离线检测和在线检测。离线测量技术方面，燃烧法是最常用的一种方法，通过对飞灰样
品的燃烧，根据前后两次的重量变化，从而计算得到飞灰含碳量的水平。但是这种方法无法
满足实时性的要求。因而实现在线测量飞灰含碳量面临着一些技术困难，主要原因有以下
两点：第一，为了精确测量飞灰含碳量水平，最重要的是要得到入炉煤的煤质数据，但实际
情况是很多电站无法在线测量这些数据，从而使得精确性得不到提高。同时我国燃煤电站
由于地域因素用煤的煤质波动较大，给飞灰含碳量在线计算带来了困难；第二，一些关键的
测量值由于仪器损坏或者故障等原因使得在线测量值不能得到真实的数据。

经检索，公开号为102778538A、申请号为201210234724.3的中国发明申请，公开了
一种基于改进支持向量机的锅炉飞灰含碳量软测量方法，该方法基于粒子群算法对支持向
量回归进行参数寻优，选取了影响回归模型有效性的两个参数，首先通过传感器采集相关
辅助变量的值，并进行数据预处理，根据过去6小时的历史数据辨识出支持向量回归模型的
两个主要参数以确定飞灰含碳量软测量模型，并根据历史数据的更新每小时更新一次软测
量模型，将实时测量的辅助变量值输入建立好的软测量模型即可得到飞灰含碳量输出值。

上述专利是针对飞灰含碳量在线监测提出的，但是其选取了支持向量回归的方式
选择影响回归模型的有效参数，某些程度上会导致过分依赖历史数据易造成模型适应度差
等问题。

因此如何解决以上问题实现飞灰含碳量在线监测对锅炉燃烧状况进行实时评估
是十分重要的。

发明内容

针对现有技术中的缺陷/之一，本发明的目的之一是提供一种精度较高的燃煤电
站锅炉飞灰含碳量预测模型的构建方法，相较于传统的机理模型提升了建模的精度，相较
于纯黑箱模型有更快的速度。

本发明的目的之二是提供一种燃煤电站锅炉飞灰含碳量预测模型的构建系统。

根据本发明的第一目的，提供一种燃煤电站锅炉飞灰含碳量预测模型的构建方
法，所述方法包含以下步骤：

S1：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关最小冗余算
法筛选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法(FCM)将历史
样本进行聚类，得到N个子类，计算出N个子类模糊隶属度函数；

S2：利用每个子类的历史样本分别训练最小二乘支持向量机算法(LSSVM算法)，得
到N个以飞灰含碳量为输出的子模型；

S3：将S1得到的所述模糊隶属度函数连接S2得到的所述子模型，构建全局模型，即
飞灰含碳量预测模型。

进一步的，所述飞灰含碳量预测模型，选取如下变量作为模型输入变量：

一次风量、一次风压、二次风量、二次风压和烟气含氧量，它们反映了空气动力场
对飞灰含碳量的影响；

炉膛出口温度和二次风温反映了温度的影响因素；

二次风阀门开度反映了配风方式对其的影响；

入炉煤量和锅炉负荷反映了负荷的影响。

更进一步的，在选取模型输入变量时考虑燃煤电站锅炉在低负荷和高负荷和变负
荷三种情况。

更进一步的，所述飞灰含碳量预测模型，利用最大相关最小冗余(mRMR)算法分析
输入变量之间以及输入变量与飞灰含碳量的相关性。

进一步的，所述最小二乘支持向量机算法(LSSVM算法)中，选择高斯径向基核函数
作为核函数，利用10层交叉验证网格搜索技术确定核函数中的径向基核参数和正规化参
数。

进一步的，所述飞灰含碳量预测模型，利用平均绝对误差，均方根误差作为评价标
准指标。

进一步的，所述S1中，使用模糊C均值聚类算法(FCM)将历史样本进行聚类，是指：
将历史运行数据即原始火电数据X＝{x₁,x₂,…,x_m}，根据FCM聚类算法分成N个子集Γ₁,
Γ₂,…,Γ_N；FCM算法中的隶属度函数U计算出x_i∈X的隶属度u_i1,u_i2,…,u_iN。

进一步的，所述S3，是指：对于输入向量x_j，利用S2中得到的N个子模型预测，从而
知道N个结果G＝{g₁,g₂,…,g_N}，对于x_j而言，其归属于S1中N个子类Γ₁,Γ₂,…,Γ_N的隶属
度分别是u₁,u₂,…,u_N，从而利用式(1)得到最后的飞灰含碳量预测值R：

R＝u₁·g₁+u₂·g₂+…+u_N·g_N (1)

根据本发明的第二目的，提供一种燃煤电站锅炉飞灰含碳量预测模型的构建系
统，所述系统包括：

样本聚类模块：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关
最小冗余算法筛选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法
(FCM)将历史样本进行聚类，得到N个子类，计算出N个子类模糊隶属度函数；

子模型构建模块：利用所述样本聚类模块得到的每个子类的历史样本，分别训练
最小二乘支持向量机算法(LSSVM算法)，得到N个以飞灰含碳量为输出的子模型；

全局模型构建模块：将所述样本聚类模块得到的所述模糊隶属度函数连接所述子
模型构建模块得到的所述子模型，构建全局模型，即飞灰含碳量预测模型。

与现有技术相比，本发明具有如下的有益效果：

本发明提出了一种精度较高的飞灰含碳量预测方法，对下一刻的飞灰含碳量进行
预估，实现了对实时燃烧效率的监控。本发明结合流程工业机理特性进行数据驱动建模与
预测，选择通过最大相关最小冗余算法筛选飞灰含碳量预测模型的输入变量和输出变量等
方法，侧重于机理/数据混合建模方法，避免了处理流程工业建模问题过分依赖历史数据易
造成模型适应度差等问题，可以更加有效地进行飞灰含碳量预测，相较于传统的机理模型
提升了建模的精度，相较于纯黑箱模型有更快的速度。

飞灰含碳量预测模型的构建系统由燃煤电站的运行实时数据驱动，无需硬件改
造，具备投入运行成本低，预测精度高等优点。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、
目的和优点将会变得更明显：

图1为本发明一实施例中飞灰含碳量预测模型(FCM-LSSVM模型)结构示意图；

图2为本发明一实施例中子模型LSSVM框架示意图；

图3为本发明一实施例中飞灰含碳量预测模型预测值与测量值对比图；

图4为本发明一实施例中构建系统的结构框图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术
人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术
人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明
的保护范围。

如图1所示，一种燃煤电站锅炉飞灰含碳量预测模型的构建原理图，其中具体包括
以下步骤：

首先，获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关最小冗余
算法筛选飞灰含碳量预测模型的输入变量和输出变量；

将原始火电数据X＝{x₁,x₂,…,x_m}根据FCM聚类算法分成N个子集Γ₁,Γ₂,…,Γ_N。
具体而言，FCM算法中的隶属度函数U计算出x_i∈X的隶属度u_i1,u_i2,…,u_iN。在本文构建的
FCM-LSSVM算法中，假设：如果u_ij是u_i1,u_i2,…,u_iN中最大的，则认为x_i∈X属于类别Γ_j。根据
此假设，X＝{x₁,x₂,…,x_m}可以划分为N个子集。

第二步，利用每个子集的火电数据分别训练LSSVM算法，得到N个子模型。

第三步，对于输入向量x_j，利用第二步中得到的N个子模型预测，从而知道N个结果
G＝{g₁,g₂,…,g_N}，对于x_j而言，其归属于第一步中N个子集Γ₁,Γ₂,…,Γ_N的隶属度分别是
u₁,u₂,…,u_N，从而利用式1得到最后的预测结果。

R＝u₁·g₁+u₂·g₂+…+u_N·g_N (1)

本发明通过最大相关最小冗余算法选取与飞灰含碳量相关的参数作为飞灰含碳
量在线预测模型的输入变量：一次风量、一次风压、二次风量、二次风压和烟气含氧量，它们
反映了空气动力场对飞灰含碳量的影响；炉膛出口温度和二次风温反映了温度的影响因
素；二次风阀门开度反映了配风方式对其的影响；入炉煤量和锅炉负荷反映了负荷的影响。

根据理论分析，上述参数与飞灰含碳量存在内在的联系。但在实际情况下，模型的
输入参数过多，使得模型的复杂度增加；另一方面，这些参数本身之间也存在着较强的相关
性。因此，本发明利用mRMR算法分析这些参数之间以及这些参数与飞灰含碳量的相关性。根
据mRMR算法，可以得到各个参数φ算子，如表1所示。

本发明选取了2012年5月2日10:00a.m.到4:00p.m.时间段的机组的运行数据，数
据采集间隔为30s，共686组数据，进行验证。为了保证预测模型能适应全工况，验证样本对
应的机组在此时间段的变动范围为150-260MW，基本全面覆盖了300MW正常运行的工况变动
范围。

表1各参数φ算子

如果φ算子值φ<0.2，则认为不符合模型输入的要求，不能作为输入。因此，一次
风压，二次风压，烟气含氧量和阀门F被剔除。选取剩下的12个参数作为本发明提出的FCM-
LSSVM预测模型的输入。整个子模型LSSVM框架如图2所示。

在本发明提出的FCM-LSSVM预测模型构建过程中，第一步需要利用FCM算法将原始
的数据聚类为不同类别。在一实施例中，一共选取了686组数据，如果聚类的数量太多，则每
个数据子集的数据量太少，建立后的模型精确度会降低；但如果聚类数太少，则每个数据子
集之间存在冗余，同样也会影响模型的精确度。本实施例从实际情况考虑，将原始数据聚类
为三个数据子集。根据FCM算法，利用隶属度公式可以计算出每组数据的隶属度，根据隶属
度从而归类。

根据上述的聚类原则，686组数据一共划分为3类，数据子集1一共是225组数据，数
据子集2一共272组数据，数据子集3一共189组数据。

接下来，利用LSSVM算法分别对三个数据子集建模。在LSSVM算法中，选择高斯径向
基核函数(RBF)作为核函数，利用10层交叉验证网格搜索技术确定核函数中的径向基核参
数σ和正规化参数γ。这两个参数在三个子模型的大小如表2所示。

表2 LSSVM模型参数

第三步，根据式(1)，从而得到模型的预测结果。

为了验证本发明FCM-LSSVM预测模型的有效性，选取了同样时间段中的200个数据
作为FCM-LSSVM预测模型的测试数据，验证FCM-LSSVM预测模型的预测性能，预测结果如图3
所示，可见所述预测模型具有较好的预测性能。

本发明利用以下两个指标作为评价标准：平均绝对误差(MAE)，均方根误差
(RMSE)。

式2和式3中，y_i是飞灰含碳量的测量值，是相应的预测值，N是测试数据的数量。

表3 FCM-LSSVM与LSSVM预测性能对比

FCM-LSSVM的建模精度较LSSVM建模方法更高，训练时间更短。本发明所提出的
FCM-LSSVM模型通过聚类划分使得子模型训练精度更高，进而得到的飞灰含碳量模型精度
相较于传统LSSVM建模模型精度更高。

如图4所示，一种燃煤电站锅炉飞灰含碳量预测模型的构建系统，所述系统包括：

样本聚类模块：获取燃煤电站锅炉历史运行数据，建立离线样本库，通过最大相关
最小冗余算法筛选飞灰含碳量预测模型的输入变量和输出变量；使用模糊C均值聚类算法
将历史样本进行聚类，得到N个子类，计算出N个子类模糊隶属度函数；

子模型构建模块：利用所述样本聚类模块得到的每个子类的历史样本，分别训练
最小二乘支持向量机算法，得到N个以飞灰含碳量为输出的子模型；

全局模型构建模块：将所述样本聚类模块得到的所述模糊隶属度函数连接所述子
模型构建模块得到的所述子模型，构建全局模型，即飞灰含碳量预测模型。

上述各个模块具体实现的技术与上述方法对应步骤相同，在此不再赘述。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述
特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影
响本发明的实质内容。