基于自適應變異SAPSO-LSSVM的磨煤機一次風量預測

楊耀權　張新勝

(華北電力大學控制與計算機工程學院，河北 保定　071003)

?

基于自適應變異SAPSO-LSSVM的磨煤機一次風量預測

楊耀權張新勝

(華北電力大學控制與計算機工程學院，河北 保定071003)

摘要：針對磨煤機一次風量的預測問題，建立了以磨煤機系統運行中與一次風量主要相關的參數作為輸入變量的最小二乘支持向量機(LSSVM)模型。采用自適應變異的模擬退火粒子群算法(AMSAPSO)對建立的LSSVM模型的參數進行優化，建立了基于自適應變異的模擬退火粒子群優化算法的最小二乘支持向量機(AMSAPSO-LSSVM)預測模型。利用某600 MW機組磨煤機一次風系統運行數據對該模型進行了驗證。結果表明，采用自適應變異模擬退火粒子群算法對LSSVM進行尋優，有效避免了搜索盲目性和早熟收斂的問題，提高了模型的泛化能力。采用AMSAPSO-LSSVM預測模型可以對磨煤機一次風量進行較高精度的預測。

關鍵詞：一次風量軟測量最小二乘支持向量機自適應變異模擬退火粒子群預測模型磨煤機火電廠鍋爐燃燒系統

DCSMatlab

0引言

在火電廠鍋爐燃燒系統中，準確、可靠地測量磨煤機一次風量是合理配風、調整磨煤機風煤比和優化燃燒的關鍵。然而硬件儀表(如差壓式流量計、熱式質量流量計、機翼式流量計等)由于長期使用而導致測量受現場安裝條件、運行工況變化等方面的限制，存在較大的測量誤差，使運行人員缺乏燃燒調整的依據。

為了解決現場硬件儀表由于長期使用而導致測量精度低、易堵塞等問題，應用軟測量技術對磨煤機一次風量進行測量。軟測量技術的核心思想是利用計算機技術建立軟測量模型，對實際系統中不可測量或測量精度低的主導變量，以易測的過程變量(輔助變量)預測主導變量的值。在此研究方向上，王春林[1]等提出了利用支持向量回歸算法建立飛灰含碳量軟測量模型的算法。支持向量機[2](support vector machine,SVM)是一種集成統計學理論、最優化理論、核函數理論的機器學習方法。顧燕萍[3]等提出了利用最小二乘支持向量回歸算法建立電站鍋爐燃燒優化模型的算法。最小二乘支持向量機[4](least square support vector machine,LSSVM)是一種基于結構風險最小化準則、采用最小二乘線性系統作為損失函數代替傳統支持向量機的二次規劃方法，加快了求解速度，已得到了廣泛應用。

本文以某電廠600 MW機組磨煤機一次風系統為研究對象，根據現場情況，通過簡單的機理分析與相關性分析，確定了一次風系統的主要輔助變量，建立了LSSVM的一次風流量軟測量模型；再運用自適應變異模擬退火粒子群算法對最小二乘支持向量機的參數進行尋優；最后建立了AMSAPSO-LSSVM模型，并與SAPSO-LSSVM模型、PSO-LSSVM模型、LSSVM模型進行了對比。

1數學模型及算法原理

1.1一次風量機理分析

在磨煤機一次風系統中，空氣由一次風機注入；然后分成兩路，一路經過空氣預熱器、一次熱風母管管道、一次熱風調門閥門，另一路經過一次冷風母管管道、一次冷風調門閥門；從兩路出來的一次風混合后進入磨煤機。

系統結構框圖如圖1所示。

圖1　一次風系統結構框圖Fig.1　Structure of the primary air system

1.2最小二乘支持向量機模型及拓撲結構

LSSVM[5-6]是傳統SVM的一種特殊擴展,按照統計理論的VC維理論和結構風險最小化(structural risk minimization,SRM)準則，LSSVM的優化目標函數可以表示為：

(1)

s.t.yi=WTΦ(xi)+b+ei

式中：W為權向量；b為偏置值；C為懲罰因子；ei為誤差；Φ(xi)為線性映射函數。

引入Lagrange函數可得:

(2)

由KKT條件優化可得：

(3)

(4)

(5)

(6)

引入核函數理論，定義核函數:

K(x,xi)=Φ(x)TΦ(xi)

(7)

由上式可得:

yi=WTΦ(xi)+b+e=

(8)

所以優化問題轉化為求解如下線性方程組：

用最小二乘法求出拉格朗日因子a和偏差b，最后得到最小二乘支持向量機的估計輸出函數。

(9)

其中的核函數為徑向基核函數:

K(x,xi)=exp[-‖x-xi‖2/(2σ2)]

(10)

由圖1和磨煤機一次風系統機理分析、相關性分析，可得一次風量的主要輔助變量;再經過數據預處理，得到了11個主要參數作為最小二乘支持向量機的輸入變量。具體參數為：一次風機A電流IA、磨煤機電流IC、一次風A動葉開度OA、磨煤機瞬時給煤量M、空預器A出口與一次風機A出口溫差TA、磨煤機一次風與送風機A出口壓差P、一次風機B電流IB、煤機冷風調門開度OC、一次風B動葉開度OB、磨煤機熱風調門開度OH、空預器B出口與一次風機B出口溫差的TB。

圖2給出了LSSVM模型拓撲結構。

圖2　LSSVM拓撲結構圖Fig.2　Topologic structure of the LSSVM

1.3自適應變異的模擬退火粒子群算法原理

1.3.1粒子群算法

粒子群算法(particleswarmoptimization,PSO)[7-9]可以簡述為：在可解空間中初始化一群粒子，每個粒子都代表極值優化問題的一個潛在最優解，用位置、速度和適應度值三項指標表示該粒子特征。適應度值由目標函數計算得到，其值的好壞表示粒子的優劣。粒子在解空間中運動，通過跟蹤個體極值和群體極值更新個體位置。粒子每更新一次位置，就計算一次適應度值，進而更新個體極值和群體極值。粒子位置和速度的更新公式如下：

V(k+1)=WV(k)+C1(P-X)rand()+

C2(Pg-X)rand()

(11)

X(k+1)=X(k)+V(k+1)

(12)

式中：V(k+1)、V(k)為當前時刻與前一時刻粒子更新速度；X為當前種群粒子位置；P為到當前為止粒子的個體極值位置；Pg為到目前為止種群的全局極值粒子位置；W為慣性權重；C1、C2為加速度因子。

慣性權重W是平衡全局搜素和局部搜索而引入的，表示前一時刻更新速度在當前更新所占的比例。當W偏大時，前一速度的影響較大，全局搜素能力比較強；當W偏小時，前一速度的影響較小，局部搜素能力比較強。本文中慣性權重采用遞減策略，遞減公式為：

(13)

粒子群優化算法收斂快，具有很強的通用性，但同時存在容易早熟收斂、搜索精度較低、后期迭代效率不高等問題，粒子容易陷入先前搜索到的最優值位置，無法跳出。針對這個缺點，借鑒遺傳算法中變異思想和模擬退火的原理，在PSO算法中引入自適應變異的模擬退火算法。

1.3.2自適應變異模擬退火(AMSA)算法

模擬退火算法[10](simulated annealing,SA)最早由Metropolis N等人于1953年提出。模擬退火算法的思想來源于物理中固體物質的退火過程，整個過程與一般的組合優化問題非常類似。模擬退火算法是一種非常通用的智能優化算法，該算法具有非常好的全局優化性能。

在PSO算法中，粒子更新后引入模擬退火算法，判斷更新后粒子的目標函數值。如果目標函數值小于前一時刻粒子的目標函數，則接受本次迭代更新的粒子；如果目標函數值大于前一時刻粒子的目標函數，則產生一個隨機數。如果接受概率大于這個隨機數，則接受更新的粒子；否則舍棄當前粒子的更新，當前粒子位置等于前一時刻粒子的位置。計算公式為：

ΔQ=Q(k+1)-Q(k)

(14)

p=exp(-ΔQ/T)

(15)

式中：ΔQ為更新后的粒子目標函數值與更新前粒子目標函數值的差值；T為退火溫度。

自適應變異的模擬退火PSO算法[11-12]的核心思想是在模擬退火算法優化PSO的基礎上，借鑒遺傳算法中變異思想，在模擬退火算法中引入變異操作，即以一定的概率重新對某些變量進行初始化。這樣在變異操作中擴展了在迭代中不斷縮小的種群搜索空間，使粒子能夠跳出先前搜索到的最優位置，在更大的空間中開展搜索；同時，保持了種群的多樣性，提高算法尋找到更優值的可能性。因此，在模擬退火粒子群算法的基礎上，引入了簡單變異算子。粒子每次更新之后，以一定概率重新初始化粒子，即定義一個變異概率P、產生一個隨機數R。如果R大于P，則隨機對當前粒子中的一個變量初始化；否則放棄自適應變異操作。

2基于MASAPSO-LSSVM建模算法

基于自適應變異的SAPSO的LSSVM估計模型，即采用自適應變異的SAPSO對LSSVM的參數懲罰因子C和徑向基核函數進行優化選擇，最終使模型估計值與期望值的逼近程度達到精度要求，其算法步驟如下。

①SAPSO與LSSVM參數初始化。初始化SA的退火速度、退火溫度，初始化PSO的慣性權重W、加速因子C1和C2，將LSSVM的參數懲罰因子C和徑向基核函數σ映射為一群粒子，初始化粒子并定義適應度函數(即目標函數)。根據目標函數，計算出每個粒子的適應度值，將粒子中最小的適應度值對應的初始位置定義為初始群體中的最好位置。

②更新粒子的速度、位置、個體極值和群體極值。迭代開始，按式(11)、式(12)計算出當前粒子的位置;然后計算出各個粒子的目標函數值，按照模擬退火的算法判斷是否接受當前粒子的位置更新；再利用自適應變異算法，選擇是否對粒子中的每個變量進行初始化；最后生成新一代的種群。

③檢查終止條件，如果滿足，則將目前全局最優的粒子位置反映射為LSSVM的懲罰因子和徑向基核函數參數σ，然后得到一個優化后的LSSVM模型；否則轉入第②步。

④用建立好的AMSAPSO-LSSVM模型進行預測。

3一次風量預測

3.1樣本介紹

本文樣本來自國內某電廠600MW機組磨煤機一次風系統運行數據。基于AMSAPSO-LSSVM的一次風預測模型框圖如圖3所示。

圖3　基于AMSAPSO-LSSVM模型框圖Fig.3　Model based on the AMSAPSO-LSSVM

圖3中：選取火電機組磨煤機一次風系統運行的數據;從中選取了輔助變量，經過數據預處理，選取了11個主要的輸入變量。

具體變量如上文介紹所示，利用AMSAPSO-LSSVM模型進行預測，尋找上述11個參數與一次風量之間的關系。

Q=f(IA,OA,TA,IB,OB,TB,IC,M,P,OC,OH)

從電廠DCS采集到的全天歷史數據中選取1 000組數據，數據維數為1 000×11;從這1 000組數據中隨機選取500組數據作為訓練樣本，從另外500組數據中選取60組作為測試樣本，所以訓練樣本維數為500×11，測試樣本維數為60×11。

3.2AMSAPSO-LSSVM模型參數設置

圖4給出了適應度值隨迭代次數進化曲線示意圖。

圖4　適應度值隨迭代次數的進化示意圖Fig.4　Evolution of fitness value with iterations

在Matlab仿真環境下，按照基于自適應變異的SAPSO的LSSVM建模算法步驟進行仿真。粒子群個數為40；需要優化的參數為懲罰因子C和徑向基核函數寬度常數σ，C∈[0.001,500]、σ∈[0.001,50]；粒子群位置更新速度，VC∈[-2,2]、Vσ∈[-0.5,0.5]；最大迭代次數為100；慣性權值W∈[0.8,1.2]；加速度因子C1、C2都設置為2；退火初始溫度為100，退火速度為0.99。AMSAPSO適應度函數定義為:

(16)

4預測結果與分析

本文利用已選出的60組運行數據，對基于AMSAPSO-LSSVM的磨煤機一次風量預測的精度與可行性進行了檢驗。尋優后得到的LSSVM最優參數C=140.620 5、σ=16.121 2。

圖5、圖6分別給出了AMSAPSO-LSSVM估計模型的預測值與真實值的比較曲線、真實值與預測值之間的誤差曲線。

圖5　預測值與真實值的比較曲線Fig.5　Comparison curves of predicted and real values

圖6　預測值與真實值的誤差曲線Fig.6　Error curves of predicted and real values

表1列出了其中部分的預測值及其誤差。

表1　預測值及其誤差Tab.1　Prediction value and error 　h

為了進一步比較，本文還與SAPSO-LSSVM模型、PSO-LSSVM模型、LSSVM模型的預測效果作對比。圖6給出了AMSAPSO-LSSVM模型與LSSVM模型預測曲線的誤差對比，同時還在表2列出了4種不同LSSVM模型均方根誤差RMSE和最大絕對值誤差MAXE的比較，其計算表達式為：

(17)

(18) 表2　不同算法下的泛化結果比較Tab.2　Comparison of the generalization results of different algorithms

從圖5、圖6和表1、表2可知，MASAPSO-LSSVM估計模型的預測值與真實值最為接近，最大絕對值誤差為0.895 1，而且各個評價指標在4種預測模型中都是最好的。

5結束語

本文建立了基于LSSVM的磨煤機一次風流量預測模型，并利用自適應變異的模擬退火粒子群算法(AMSAPSO)對LSSVM模型的兩個參數進行尋優，結合運行數據進行仿真驗證。

仿真結果表明,AMSAPSO-LSSVM預測模型有較

高的預測精度，可以較好地預測磨煤機一次風量的變化趨勢，這為磨煤機一次風量在線測量提供了一定的理論依據，具有一定的實用價值。

參考文獻：

[1] 邸真珍,蔣愛平.基于支持向量機軟測量技術的應用[J].自動化儀表,2006(2):42-45.

[2] 王春林，周昊，周樟華，等.基于支持向量的大型電廠鍋爐飛灰含碳量建模[J].中國電機工程學報,2005(20):72-76.

[3] 顧燕萍，趙文杰，吳占松.基于最小二乘支持向量機的電站鍋爐燃燒優化[J].中國電機工程學報，2010(17)：91-97.

[4] 毛曉娟,何小陽,溫偉峰.一種改進的最小二乘支持向量機軟測量建模方法[J].自動化儀表,2011(5):39-41.

[5] 洪文鵬,劉廣林.基于最小二乘支持向量機的氨法煙氣脫硫裝置脫硫效率預測[J].動力工程學報,2011(11):846-850.

[6] 高芳,翟永杰,卓越,等.基于共享最小二乘支持向量機模型的電站鍋爐燃燒系統的優化[J].動力工程學報，2012(12):928-933.

[7] MUSTAFFA Z,YUSOF Y,KAMARUDDIN S.Application of LSSVM by ABC in energy commodity price forecasting[C]//Power Enginee ring and Optimization Conference(PEOCO),2014.

[8] 熊偉麗,徐保國.基于PSO的SVR參數優化選擇方法研究[J].系統仿真學報,2006(9):2442-2445.

[9] 何增郎,張毅坤,楊凱峰,等.一種基于PSO-SVR的軟件可靠 性評估方法[J].西安理工大學學報,2012(1):98-101.

[10]李瑾,劉金朋,王建軍.采用支持向量機和模擬退火算法的中長期負荷預測方法[J].中國電機工程學報,2011(16):63-66.

[11]洪文鵬,陳重.基于自適應粒子群優化BP神經網絡的氨法煙氣脫硫效率預測[J].動力工程學報,2013(4):290-295.

[12]王維剛,劉占生,倪紅梅.求解混合變量約束優化問題的改進粒子群算法[J].系統仿真學報,2012(6):1175-1179.

中圖分類號：TH11;TP181

文獻標志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201607023

Primary Air Flow Prediction Based on Adaptive Mutation SAPSO-LSSVM for Coal Mill

Abstract：Aiming at the prediction issue of primary air volume in the coal mill,the least square support vector machine (LSSVM) model is established by taking some main operation parameters related to primary air flow as the input variables.By adopting adaptive mutation simulated annealing particle swarm optimization (AMSAPSO),the parameters of LSSVM model established are optimized,to setup AMSAPSO-LSSVM predictive model.The operation data of the PA system in coal mill of certain 600 MW power unit are used for verifying this model.The results show that the search blindness and premature convergence are effectively avoided by optimizing LSSVM with AMSAPSO,thus the generalization capability of the model can be improved; the prediction of PA volume in the coal mill is more accurate by applying AMSAPSO-LSSVM prediction model.

Keywords:Primary air flowSoft sensingLSSVMAdaptive mutationSAPSO Prediction model Coal millThermal power plantBoiler combustion systemDCSMatlab

修改稿收到日期：2015-05-20。

第一作者楊耀權(1962—)，男，1999年畢業于西安交通大學自動控制專業，獲博士學位，教授；主要從事智能測控技術、數字圖像處理方向的研究。