[发明专利]基于LSSVM及自适应递推的磨煤机一次风量软测量系统

说明书

本发明涉及一种基于LSSVM及自适应递推的磨煤机一次风量软测量系统。现有技术利用软测量模型时，热工参数动态特性复杂，导致离线建立的LSSVM软测量模型在实际应用中性能逐渐恶化，预测精度和泛化能力大幅度下降。本发明组成包括：软测量系统，软测量系统包括模型预测子系统，模型预测子系统分别与前向学习性能检测子系统、后向学习模型更新子系统连接，前向学习性能检测子系统与后向学习模型更新子系统连接，模型预测子系统包括辅助变量选取及数据预处理单元、LSSVM离线模型建立单元、磨煤机一次风量预测单元；前向学习性能检测子系统包括FLOO‑CV预报误差计算单元、关键样本节点判断单元。本发明用于基于LSSVM及自适应递推的磨煤机一次风量软测量系统。

技术领域

本发明涉及热工技术和人工智能交叉技术领域，具体涉及一种基于LSSVM及自适应递推的磨煤机一次风量软测量系统。

背景技术

在电站锅炉制粉系统中，为了合理的配风、调整磨煤机风煤比、优化燃烧和提高燃烧效率，常常需要获取准确的磨煤机进口一次风流量。目前，磨煤机一次风流量常利用差压式流量计、热式质量流量计和机翼式流量计等硬件传感器测量，但是这些仪器受现场安装条件、运行工况变化等方面的限制，容易发生堵塞，甚至由于冷热风挡板开度以及混合风流场的影响，造成在调节挡板的部分开度区域，风量变化出现反向，给制粉系统一次风自动投入、运行操作带来困难，严重影响机组的安全、经济和稳定运行。因此，以易测的过程变量(称之为辅助变量)为基础，利用辅助变量和待测输出变量(称之为主导变量)之间的数学关系(软测量模型)，采用软测量模型即利用计算机语言编程对主导变量进行预测，具有很重要的工程意义；近年来，随着计算智能理论的发展和应用，基于智能算法的热工参数软测量建模成为了研究热点，所谓智能算法软测量即基于数据驱动的建模，是利用一些智能算法建立“黑箱子”模型，实现对过程参数的预测。在众多智能算法中，最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）由于将机器学习算法中求解二次型规划问题转化为求解一个线性方程组，提高了算法效率，成为了众多学者的研究热点；

然而，在利用LSSVM方法构建磨煤机一次风量软测量模型时，火电机组的变工况运行已成为常态，热工参数动态特性复杂，导致离线建立的LSSVM软测量模型在实际应用中性能逐渐恶化，预测精度和泛化能力大幅度下降，仅能满足稳态工况下的精度要求；无稀疏策略的在线LSSVM预测模型，虽然可以根据负荷变化实现在线预测，但仍存在一些问题，如滑动时间窗法在线建模时，模型计算复杂度较高；带状态约束的滑动时间窗法在提高训练样本信息密度的同时，也加快了模型的更新频率；预报误差准则法无法根据负荷变动自适应改变更新阈值；因此，离线LSSVM与无稀疏策略的在线LSSVM预测模型在工程应用的实用化中受到了很大的局限性。

发明内容

本发明的目的是提供一种基于LSSVM及自适应递推的磨煤机一次风量软测量系统，通过前向学习关键节点筛选与后向学习冗余样本删除实现在线更新模型，以快速留一交叉验证FLOO-CV预报误差作为在线软测量的稀疏策略，该策略可以根据机组变负荷自适应改变，无需人为参与，同时采用递推迭代算法求解逆矩阵，减少了在线存储空间和计算时间，有利于应用于工程实践之中。

上述的目的通过以下的技术方案实现：

一种基于LSSVM及自适应递推的磨煤机一次风量软测量系统，其组成包括：软测量系统，其特征是：所述的软测量系统包括模型预测子系统，所述的模型预测子系统分别与前向学习性能检测子系统、后向学习模型更新子系统连接，所述的前向学习性能检测子系统与所述的后向学习模型更新子系统连接，所述的模型预测子系统包括辅助变量选取及数据预处理单元、LSSVM离线模型建立单元、磨煤机一次风量预测单元；所述的前向学习性能检测子系统包括FLOO-CV预报误差计算单元、关键样本节点判断单元；后向学习模型更新子系统包括冗余样本位置选取单元、滑动时间窗样本更新单元、核函数逆矩阵更新单元和LSSVM模型参数更新单元；