《一种中速磨制粉系统给煤量软测量方法.pdf》由会员分享，可在线阅读，更多相关《一种中速磨制粉系统给煤量软测量方法.pdf（13页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103699782 A (43)申请公布日 2014.04.02 CN 103699782 A (21)申请号 201310662727.1 (22)申请日 2013.12.09 G06F 19/00(2011.01) (71)申请人 国家电网公司 地址 100031 北京市西城区西长安街 86 号 申请人 国网河南省电力公司电力科学研究 院 大唐安阳发电有限责任公司 (72)发明人 唐耀华 李贵兵 高建红 郭毅乐 段松涛 史永锋 (74)专利代理机构 郑州联科专利事务所 ( 普通 合伙 ) 41104 代理人 刘建芳 李伊宁 (54) 发明名称 一种中速磨制粉系统给。
2、煤量软测量方法 (57) 摘要 本发明公开了一种中速磨制粉系统给煤量软 测量方法， 包括以下步骤 ： A ： 构建包含所有辅助 变量的数据集并依次进行预处理， 选择相关系数 中绝对值最大的组辅助变量 ； B ： 根据选择的 组辅助变量， 运用多元线性回归法建立中速磨制 粉系统给煤量预测模型 ； C ： 利用最小二乘法参数 估计法估计待定的回归系数 ； D ： 将步骤 C 中求得 的待定的回归系数分别代入中速磨制粉系统给煤 量预测模型中， 计算中速磨制粉系统给煤量。 本发 明能够获得较为准确的制粉系统入炉煤量， 能够 提升机组运行稳定性与经济性， 提高机组负荷响 应能力， 具有极高的实际应用价值。
3、。 (51)Int.Cl. 权利要求书 2 页 说明书 9 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书9页 附图1页 (10)申请公布号 CN 103699782 A CN 103699782 A 1/2 页 2 1. 一种中速磨制粉系统给煤量软测量方法， 其特征在于， 包括以下步骤 ： A ： 构建包含所有辅助变量的数据集， 并对数据集内的数据依次进行预处理， 分别计算 入炉煤量与各辅助变量的相关系数 ； 选择相关系数中绝对值最大的 n 组辅助变量作为建立 中速磨制粉系统给煤量预测模型的辅助变量 ； B ： 根据选择的 n 组辅助变量。
4、， 运用多元线性回归法建立中速磨制粉系统给煤量预测模 型为 Y=k0+k1X1+k2X2+knXn+ ； 其中， Y 为制粉系统的给煤量 ； X1、 X2Xn分别为步骤 A 中确立的 n 组辅助变量 ； k0、 k1、 k2kn是待定的回归系数 ； 为各种随机因素对 Y 的影响总和。 C ： 利用最小二乘法参数估计法估计待定的回归系数 k0、 k1、 k2kn； D ： 将步骤 C 中求得的待定的回归系数 k0、 k1、 k2kn， 分别代入步骤 B 确定的中速磨制 粉系统给煤量预测模型中， 计算中速磨制粉系统给煤量。 2. 根据权利要求 1 所述的中速磨制粉系统给煤量软测量方法， 其特征在于。
5、， 所述的步 骤 A， 包括以下步骤 ： A1 ： 构建含有 N 组数据的数据集， 其中每组数据均包含所有的辅助变量， 然后利用公式 (1) 求得每个辅助变量的数据均值； A2 ： 利用公式 （2） 求得每个辅助变量的数据标准差 ； A3 ： 利用公式 （3） ， 将数据集中的每个辅助变量的数据样本 xi转化为相对应的标准样 本值 A4 ： 使用步骤 A3 中得到的每个辅助变量的标准样本值计算入炉煤量与各辅助变量 的相关系数， 选择相关系数中绝对值最大的 n 组辅助变量作为建立中速磨制粉系统给煤量 预测模型的辅助变量 ； 相关系数的计算公式为 ： 其中， 为相关系数， E() 表示求取变量的数。
6、学期望， X 为辅助变量， Y 为入炉煤量。 3. 根据权利要求 2 所述的中速磨制粉系统给煤量软测量方法， 其特征在于， 所述的步 骤 C， 包括以下步骤 ： C1 ： 利用矩阵形式描述待定的回归系数 k0、 k1、 k2kn： 权 利 要 求 书 CN 103699782 A 2 2/2 页 3 C2 ： 根 据 步 骤 C1 可 将 步 骤 B 中 所 建 立 的 中 速 磨 制 粉 系 统 给 煤 量 预 测 模 型 Y=k0+k1X1+k2X2+knXn+ 简化为 Y=XK+， 其中， Y 为 m 维输出向量， 是制粉系统给煤量 Y 的矩阵表示形式 ； X 为 mn 维测量矩阵 ； 。
7、K 为 n+1 维参数向量 ； 为 m 维噪声向量 ； C3 ： 设表示 k 的最优估值， 是 Y 的最优估值， 则 其中， C4 ： 设 ej为残差， 表示 Yj与之差， 其中，为参数向量 ； C5 ： 利 用 公 式使 残 差 平 方 和 取 最 小 值，当 满足非奇异条件时， 对 J 求的偏导数并令其等于 0， 即 ： 化简后可得待定的回归系数 ： 权 利 要 求 书 CN 103699782 A 3 1/9 页 4 一种中速磨制粉系统给煤量软测量方法 技术领域 0001 本发明涉及中速磨制粉系统运行优化技术领域， 尤其涉及一种中速磨制粉系统给 煤量软测量方法。 背景技术 0002 随着。
8、我国电力行业改革的不断深入，“厂网分离， 竞价上网” 的运行机制已成为必 然。 对各电厂而言， 保障机组的安全经济运行， 努力降低发电成本， 是参与竞争的必由之路。 在系统组成与结构一定时， 机组运行的安全性和经济性主要取决于锅炉的安全经济运行。 影响锅炉运行的安全性和经济性的因素是多方面的， 而锅炉的燃烧率无疑是其中最重要的 因素之一。在火电发电成本中， 燃料费用一般要占 70% 以上， 因此， 提高锅炉燃烧系统的运 行水平对机组的节能降耗具有重要意义。 0003 现如今， 节能环保已成为当今社会最为关注的热点问题， 火电机组节能环保运行 是发电领域技术发展的必然趋势。 由于火力发电厂制粉系。
9、统的任务就是为锅炉提供质量符 合燃烧和负荷要求的一定数量的煤粉 ； 因此， 制粉系统作为机组能耗的最大组成部分， 针对 其开展节能优化控制技术研究， 提升制粉系统运行控制准确性， 进而提升机组运行稳定性， 降低机组运行能耗， 这对于提升发点机组节能经济运行的作用和意义尤为显著。 0004 中速磨制粉系统的一个重要作用是保证磨煤机能够根据锅炉负荷的需要， 连续、 均匀、 有调节地向炉膛供应质量合格的煤粉。这一要求使磨煤机及制粉系统的运行与锅炉 的运行紧密地联系在一起， 其运行性能必须综合考虑锅炉运行的要求。现有的中速磨制粉 系统采用正压冷一次风机系统， 能够适应较大压差并可以采用燃料管道较长的磨。
10、煤机系 统 ； 一次风机只输送冷空气， 这使得风机体积较小， 通风电耗低且工作可靠性高。风机处于 空气预热器之前， 需在空气预热器中有独立的一次空气通道， 因而采用了三分仓回转式空 气预热器， 有利于减少空气预热器漏风及保持稳定的一次风温和稳定的锅炉效率。 0005 目前， 在实际应用中， 中速磨制粉系统主要存在以下两个问题 ： 0006 首先， 在原有控制策略中， 制粉系统入炉煤量是利用一次风量计算获得的， 与一次 风量强相关。但是在运行过程中由于制粉系统一次风量测量不准确， 单套制粉系统的一次 风量在大负荷运行时经常表征为 100t/h， 且不随风门开度变化而改变。这不但造成风量无 法投入。
11、自动， 而且也影响运行人员实施手动控制， 易造成机组风煤比配比失调， 机组燃烧不 稳定等问题， 极大影响了机组运行稳定性和经济性。 0007 其次， 通过 AGC 性能测试， 发现多数机组在升、 降、 反复变负荷过程中， 机组负荷跟 踪能力较差， 无法满足 AGC 考核速率 1%Pe 的控制要求。其中， 造成 AGC 控制效果较差的主 要原因为各中速磨制粉系统风量测量不准确， 导致磨煤机一次风量调节无法投入自动， 机 组入炉煤量难以实时准确计算获得， 进而造成机组负荷调节能力难以有效提升。 0008 由此可知， 针对中速磨制粉系统， 选择更为先进的方法计算获得较为准确的制粉 系统入炉煤量， 对。
12、于提升机组运行稳定性与经济性， 提高机组负荷响应能力具有积极的作 用， 实际应用价值极高。 说 明 书 CN 103699782 A 4 2/9 页 5 发明内容 0009 本发明的目的是提供一种中速磨制粉系统给煤量软测量方法， 能够获得较为准确 的制粉系统入炉煤量， 能够提升机组运行稳定性与经济性， 提高机组负荷响应能力， 具有极 高的实际应用价值。 0010 本发明采用下述技术方案 ： 0011 一种中速磨制粉系统给煤量软测量方法， 包括以下步骤 ： 0012 A ： 构建包含所有辅助变量的数据集， 并对数据集内的数据依次进行预处理， 分别 计算入炉煤量与各辅助变量的相关系数 ； 选择相关。
13、系数中绝对值最大的 n 组辅助变量作为 建立中速磨制粉系统给煤量预测模型的辅助变量 ； 0013 B ： 根据选择的 n 组辅助变量， 运用多元线性回归法建立中速磨制粉系统给煤量预 测模型为 Y=k0+k1X1+k2X2+knXn+ ； 0014 其中， Y 为制粉系统的给煤量 ； X1、 X2Xn分别为步骤 A 中确立的 n 组辅助变量 ； k0、 k1、 k2kn是待定的回归系数 ； 为各种随机因素对 Y 的影响总和。 0015 C ： 利用最小二乘法参数估计法估计待定的回归系数 k0、 k1、 k2kn； 0016 D ： 将步骤 C 中求得的待定的回归系数 k0、 k1、 k2kn， 。
14、分别代入步骤 B 确定的中速 磨制粉系统给煤量预测模型中， 计算中速磨制粉系统给煤量。 0017 所述的步骤 A， 包括以下步骤 ： 0018 A1 ： 构建含有 N 组数据的数据集， 其中每组数据均包含所有的辅助变量， 然后利用 公式 (1) 求得每个辅助变量的数据均值 0019 0020 A2 ： 利用公式 （2） 求得每个辅助变量的数据标准差 ； 0021 0022 A3 ： 利用公式 （3） ， 将数据集中的每个辅助变量的数据样本 xi转化为相对应的标 准样本值 0023 0024 A4 ： 使用步骤A3中得到的每个辅助变量的标准样本值计算入炉煤量与各辅助 变量的相关系数， 选择相关系。
15、数中绝对值最大的 n 组辅助变量作为建立中速磨制粉系统给 煤量预测模型的辅助变量 ； 相关系数的计算公式为 ： 说 明 书 CN 103699782 A 5 3/9 页 6 0025 0026 其中， 为相关系数， E() 表示求取变量的数学期望， X 为辅助变量， Y 为入炉煤 量。 0027 所述的步骤 C， 包括以下步骤 ： 0028 C1 ： 利用矩阵形式描述待定的回归系数 k0、 k1、 k2kn： 0029 0030 0031 C2 ： 根据步骤 C1 可将步骤 B 中所建立的中速磨制粉系统给煤量预测模型 Y=k0+k1X1+k2X2+knXn+ 简化为 Y=XK+， 其中， Y 。
16、为 m 维输出向量， 是制粉系统给煤量 Y 的矩阵表示形式 ； X 为 mn 维测量矩阵 ； K 为 n+1 维参数向量 ； 为 m 维噪声向量 ； 0032 C3 ： 设表示 k 的最优估值， 是 Y 的最优估值， 则 0033 其中， 0034 C4 ： 设 ej为残差， 表示 Yj与之差， 0035 其中， 为参数向量 ； 0036 C5 ： 利 用 公 式使 残 差 平 方 和 取 最 小 值， 当 满足非奇异条件时， 对 J 求的偏导数并令其等于 0， 即 ： 0037 0038 化简后可得待定的回归系数 ： 0039 本发明通过寻找多变量之间的相关性和耦合特征， 运用机理分析推导方。
17、法， 寻找 出与给煤量密切相关的辅助变量作为建立中速磨制粉系统给煤量预测模型的辅助变量， 通 说 明 书 CN 103699782 A 6 4/9 页 7 过收集并分析历史数据建立给煤量软测量模型， 实现对给煤量的准确估算 ； 同时利用入炉 煤量软测量计算结果改进启 / 停磨运行过程并修正给煤量计算数据， 能够获得较为准确的 制粉系统入炉煤量， 能够提升机组运行稳定性与经济性， 提高机组负荷响应能力。 本发明采 用现代信息处理技术， 基于实时运行数据分析研究了制粉系统风压、 风门开度、 差压、 给煤 量等变量间的相关性， 建立了单套中速磨制粉系统给煤量软测量模型， 并基于给煤量预测 验证了模型。
18、的准确性 ； 同时， 由于模型条件大大弱化， 可以标定更多数据点， 保证了高质量 的训练数据集。 附图说明 0040 图 1 为本发明的流程示意图。 具体实施方式 0041 如图 1 所示， 本发明所述的中速磨制粉系统给煤量软测量方法包括以下步骤 ： 0042 A ： 构建包含所有辅助变量的数据集， 并对数据集内的数据依次进行预处理， 分别 计算入炉煤量与各辅助变量的相关系数 ； 选择相关系数中绝对值最大的 n 组辅助变量作为 建立中速磨制粉系统给煤量预测模型的辅助变量。 0043 所述的 A 步骤包括以下具体步骤 ： 0044 A1 ： 构建含有 N 组数据的数据集， 其中每组数据均包含所有。
19、的辅助变量， 然后利用 公式 (1) 求得每个辅助变量的数据均值 0045 0046 A2 ： 利用公式 （2） 求得每个辅助变量的数据标准差 ； 0047 0048 A3 ： 利用公式 （3） ， 将数据集中的每个辅助变量的数据样本 xi转化为相对应的标 准样本值 0049 0050 A4 ： 使用步骤A3中得到的每个辅助变量的标准样本值计算入炉煤量与各辅助 变量的相关系数， 选择相关系数中绝对值最大的 n 组辅助变量作为建立中速磨制粉系统给 煤量预测模型的辅助变量 ； 相关系数的计算公式为 ： 0051 说 明 书 CN 103699782 A 7 5/9 页 8 0052 其中， 为相关。
20、系数， E() 表示求取变量的数学期望， X 为辅助变量， Y 为入炉煤 量。 0053 B ： 根据选择的 n 组辅助变量， 运用多元线性回归法建立中速磨制粉系统给煤量预 测模型为 Y=k0+k1X1+k2X2+knXn+ ； 其中， Y 为制粉系统的给煤量 ； X1、 X2Xn分别为步骤 A 中确立的 n 组辅助变量 ； k0、 k1、 k2kn是待定的回归系数 ； 为各种随机因素对 Y 的影响 总和。 0054 C ： 利用最小二乘法参数估计法估计待定的回归系数 k0、 k1、 k2kn； 0055 所述的步骤 C， 包括以下步骤 ： 0056 C1 ： 利用矩阵形式描述待定的回归系数 。
21、k0、 k1、 k2kn： 0057 0058 0059 C2 ： 根据步骤 C1 可将步骤 B 中所建立的中速磨制粉系统给煤量预测模型 Y=k0+k1X1+k2X2+knXn+ 简化为 Y=XK+， 其中， Y 为 m 维输出向量， 是制粉系统给煤量 Y 的矩阵表示形式 ； X 为 mn 维测量矩阵 ； K 为 n+1 维参数向量 ； 为 m 维噪声向量 ； 0060 C3 ： 设表示 k 的最优估值， 是 Y 的最优估值， 则 0061 其中， 0062 C4 ： 设 ej为残差， 表示 Yj与之差， 0063 其中，为参数向量 ； 0064 C5 ： 利 用 公 式使 残 差 平 方 和。
22、 取 最 小 值， 当 满足非奇异条件时， 对 J 求的偏导数并令其等于 0， 即 ： 0065 0066 化简后可得待定的回归系数 ： 0067 D ： 将步骤 C 中求得的待定的回归系数 k0、 k1、 k2kn， 分别代入步骤 B 确定的中速 说 明 书 CN 103699782 A 8 6/9 页 9 磨制粉系统给煤量预测模型中， 计算中速磨制粉系统给煤量。 0068 以下以某 300MW 发电机组为例， 对本发明所述的中速磨制粉系统给煤量软测量方 法进行具体说明 ： 本实施例中的发电机组类型属于超临界 300MW 机组且承担供热， 锅炉采 用上海重型机器厂 HP863 型中速磨煤机，。
23、 每台锅炉安装 5 台， 采用 4 运 1 备运行方式。 0069 A ： 构建包含所有辅助变量的数据集， 并对数据集内的数据依次进行预处理， 分别 计算入炉煤量与各辅助变量的相关系数 ； 选择相关系数中绝对值最大的 n 组辅助变量作为 建立中速磨制粉系统给煤量预测模型的辅助变量。 0070 A1 ： 构建包含所有辅助变量的数据集 ； 0071 数据集采用通过传感器采集的机组实际运行数据集， 且选取的数据均为机组实际 负荷变化明显的时刻段， 这样可以充分体现出在系统负荷波动大的情况下模型预测能力， 同时选择这些时间段的数据进行模型验证能更好地说明预测模型的准确性。本实施例中， 辅助变量包括角风。
24、压均值、 磨入口一次风压力、 磨进出口差压、 磨电流、 磨碗上下差压、 磨煤 机一次风量调节阀位置反馈和磨煤机一次风温调节阀位置反馈。 按照从历史站数据中寻找 机组实际运行负荷变化明显时段数据的要求， 数据集采用选择 2013 年 2 月 7 日 C 磨煤机的 1800 组数据。 0072 利用公式 (1) 求得每个辅助变量的数据均值 0073 0074 A2 ： 利用公式 （2） 求得每个辅助变量的数据标准差 ； 0075 0076 A3 ： 利用公式 （3） ， 将数据集中的每个辅助变量的数据样本 xi转化为相对应的标 准样本值 0077 0078 A4 ： 使用步骤A3中得到的每个辅助变。
25、量的标准样本值计算入炉煤量与各辅助 变量的相关系数， 相关系数的计算公式为 ： 0079 0080 其中， 为相关系数， E() 表示求取变量的数学期望， X 为辅助变量， Y 为入炉煤 量。 0081 本实施例中， 入炉煤量与 7 个辅助变量的相关系数如表 1 所示 ： 0082 说 明 书 CN 103699782 A 9 7/9 页 10 0083 0084 表 1 0085 相关系数是变量之间相关程度的指标， 用 表示， 的取值范围为 -1,1。| 值越大， 变量之间的线性相关程度越高 ； | 值越接近 0， 变量之间的线性相关程度越低。 如两者呈正相关， 呈正值， =1 时为完全正相。
26、关 ； 如两者呈负相关则 呈负值， 而 =-1 时为完全负相关。 完全正相关或负相关时， 所有二维图像点都在直线回归线上 ； 二维图像点 分布在直线回归线上下越发散， 的绝对值越小。当 =0 时， 说明两个变量之间无线形关 系。通常 | 大于 0.75 时， 认为两个变量有很强的线性相关性， 因此， 本实施例中， 在计算 得出的多个相关系数 中， 选取 | 大于 0.75 且 | 绝对值最大的 n 组辅助变量作为 建立中速磨制粉系统给煤量预测模型的辅助变量。根据表 1 的计算结果， 可以看出， 入炉煤 量与磨入口一次风压力、 磨进出口差压、 磨碗上下差压、 磨煤机一次风量调节阀位置反馈这 4 。
27、个辅助变量具有较强的线性相关性， 而与角风压均值、 磨电流、 磨煤机一次风温调节阀位 置反馈的相关性相对不强。基于此， 本实施例中， 最终确定选择磨入口一次风压力、 磨进出 口差压、 磨碗上下差压、 磨煤机一次风量调节阀位置反馈这 4 个辅助变量作为建立中速磨 制粉系统给煤量预测模型的辅助变量。 0086 初始化相关变量 n1、 k0、 k1、 k2、 k3、 k4、 向量 x1、 x2、 x3、 x4、 y1、 y2、 K、 d 以及矩阵 X。将 训练集的个数赋给 n1； 训练集给煤量的实际值赋给 y1； 磨煤机一次风量调节阀开度、 磨碗上 下差压、 磨进出口差压、 磨入口一次风压力四组数据。
28、分别赋给向量 x1、 x2、 x3、 x4； n1维单位 向量赋给 d ； y2用于存放训练集预估给煤量数值 ； 测量矩阵 X=dx1x2x3x4 ； 五维参数的向量 K=k0k1k2k3k4 说 明 书 CN 103699782 A 10 8/9 页 11 0087 B ： 根据步骤 A 中选择的 4 组辅助变量， 运用多元线性回归法建立中速磨制粉系统 给煤量预测模型为 Y=k0+k1X1+k2X2+k3X3+k4X4+ ； 其中， Y 即为 C 制粉系统的给煤量 ； X1表示 磨煤机一次风量调节阀开度 ； X2表示磨碗上下差压 ； X3表示磨进出口差压 ； X4表示磨入口一 次风压力 ； 。
29、k0、 k1、 k2、 k3、 k4是待定的回归系数 ； 为各种随机因素对 Y 的影响总和。 0088 C ： 判断 XTX 是否为奇异矩阵。如果是奇异矩阵， 则根据中速磨制粉系统给煤量估 计参数模型的推导得， 其参数 K=k0 k1 k2 k3 k4=(XTX)-1XTy1。由中速磨制粉系统给煤量预 测模型， 预测给煤量 y2=k0+k1x1+k2x2+k3x3+k4x4； 输出参数 k0、 k1、 k2、 k3、 k4。 0089 D ： 将步骤 C 中求得的待定的回归系数 k0、 k1、 k2、 k3、 k4， 分别代入步骤 B 确定的中 速磨制粉系统给煤量预测模型 0090 Y=k0+。
30、k1X1+k2X2+k3X3+k4X4+ 中， 即可计算中速磨制粉系统给煤量。 0091 为了能够评价本发明所建立的中速磨制粉系统给煤量预测模型的有效性， 对得到 的预测模型输出值与系统的实际输出值进行比较分析， 检验误差的大小， 判别误差的好坏， 本发明还增设有模型有效性评价步骤， 执行下述步骤对本发明所建立的中速磨制粉系统给 煤量预测模型进行有效性分析。 0092 E1 ： 初始化变量 n1,n2,k0,k1,k2,k3,k4,i,j,r1,p1,l1,r2,p2,l2和向量组 y1,y2,y3,y4 ,x1,x2,x3,x4,z1,z2,z3,z4,f1,f2,g1,g2,e1,e2； 。
31、并将步骤 C 中得到的待定的回归系数值分别赋 给 k0,k1,k2,k3,k4； 将训练集的个数赋给 n1； 训练集给煤量的实际值归一化后赋给 y1； 磨煤 机一次风量调节阀开度、 磨碗上下差压、 磨进出口差压、 磨入口一次风压力四组数据分别进 行归一化处理， 处理后的数据依次赋给向量 x1、 x2、 x3、 x4； y2用于存放训练集预估给煤量归 一化后的值。训练集的估计误差放入 f1； 训练集估计的绝对误差放入 g1； 训练集估计的绝 对误差率放入 e1； 训练集误差的标准差存放入 l1、 训练集绝对误差的最大点存放入 r1、 训练 集绝对误差的平均值存放入 p1； 再将测试集的个数赋给 。
32、n2； 测试集给煤量的实际值归一化 后赋给 y3； 磨煤机一次风量调节阀开度、 磨碗上下差压、 磨进出口差压、 磨入口一次风压力 四组数据分别进行归一化处理， 处理后的数据依次赋给向量 z1、 z2、 z3、 z4； y4用于存放测试 集预估给煤量归一化后的值。测试集的估计误差存放入 f2； 测试集估计的绝对误差存放入 g2； 测试集估计的绝对误差率存放入 e2； 测试集误差的标准差存放入 l2； 测试集绝对误差的 最大点存放入 r2； 测试集绝对误差的平均值存放入 p2； 0093 令 i=1,j=1,p1=0,p2=0 ； 0094 E2 ： 由中速磨制粉系统给煤量预测模型可知， 训练集第。
33、 i 项的预估给煤量为 y2(i) =k0+k1x1(i)+k2x2(i)+k3x3(i)+k4x4(i) ； 训练集第i项的估计误差为f1(i)=y2(i)-y1(i) ； 训练 集第i项估计的绝对误差率为e1(i)=|y2(i)-y1(i|y1(i)*100% ； 训练集第i项估计的绝对误 差 g1(i) 等于 f1(i) 的绝对值 ； p1等于 p1+g1(i) ； i 等于 i+1 ； 此时判断 i 是否小于等于 n1， 如果是， 则返回运算步骤 E2 继续循环 ； 如果否， 进入步骤 E3 ； 0095 E3 ： 该步骤得出中速磨制粉系统给煤量误差分析的衡量指标。 计算出步骤E2训练。
34、 集的绝对误差g1的最大值点， 将其放入r1； 同时， 将步骤E2中的p1除以训练集个数n1， 结果 赋给 p1， 即 p1为训练集绝对误差的平均值 ； 最后， l1为训练集的估计误差 f1的标准差。此 时， r1代表训练集预估给煤量绝对误差的最大点， p1代表训练集预估给煤量绝对误差的平 均值， l1代表训练集预估给煤量误差的标准差 ； 0096 E4 ： 由中速磨制粉系统给煤量预测模型知， 测试集第 j 项的预估给煤量为 y4(j)=k 说 明 书 CN 103699782 A 11 9/9 页 12 0+k1z1(j)+k2z2(j)+k3z3(j)+k4z4(j) ； 测试集第j项的估。
35、计误差为f2(j)=y4(i)-y3(i) ； 测试集 第 j 项估计的绝对误差率为 e2(j)=|y4(j)-y3(j)|y3(j)*100% ； 测试集第 j 项估计的绝对误 差 g2(j) 等于 f2(j) 的绝对值 ； p2等于 p2+g2(j) ； j 等于 j+1。此时判断 j 是否小于等于 n2， 如果是， 则返回运算步骤 E4 继续循环 ； 如果否， 则进入步骤 E5 ； 0097 E5 ： 该步骤得出中速磨制粉系统给煤量误差分析的衡量指标。 计算出步骤E4测试 集的绝对误差g2的最大值点， 将其放入r2； 同时， 将步骤E4中的p2除以测试集个数n2， 结果 赋给 p2， 即。
36、 p2为测试集绝对误差的平均值 ； 最后， l2为测试集的估计误差 f2的标准差。此 时， r2代表测试集预估给煤量绝对误差的最大点， p2代表测试集预估给煤量绝对误差的平 均值， l2代表测试集预估给煤量误差的标准差 ； 0098 E6 ： 输出模型误差分析的相关量 ： 训练集估计误差绝对值的最大点r1， 训练集绝对 误差的平均值 p1， 训练集的估计误差的标准差 l1， 测试集估计误差绝对值的最大点 r2， 测试 集绝对误差的平均值 p2， 测试集的估计误差的标准差 l2。 0099 通过大量的实验验证， 经统计计算， 中速磨制粉系统给煤量预估值的绝对误差范 围为 ： 0.0664% 17。
37、.66%。整体平均预测误差为 1.21t/h， 平均相对误差为 4.03%， 最大预测 误差为 5.29t/h， 最大相对误差为 17.66%， 预测结果准确性较高， 比原有 PID 控制系统有了 大幅的提高。由此可得出结论， 本发明所建立的制粉系统数学模型具有较高的准确性和稳 定性， 能够用于描述系统相关变量。 通过本发明所建立的制粉系统数学模型， 能够获得较为 准确的制粉系统入炉煤量， 能够提升机组运行稳定性与经济性， 提高机组负荷响应能力， 具 有极高的实际应用价值。 0100 以上所述， 仅为本发明较佳的具体实施方式， 但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内， 可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。 说 明 书 CN 103699782 A 12 1/1 页 13 图 1 说 明 书 附 图 CN 103699782 A 13 。