基于GA-SVM的煙氣含氧量軟測量*

王永智 付忠廣 劉炳含 王鵬凱

(華北電力大學)

基于GA-SVM的煙氣含氧量軟測量*

王永智 付忠廣 劉炳含 王鵬凱

(華北電力大學)

針對電站鍋爐煙氣含氧量傳統硬件測量方法成本昂貴、使用壽命短等缺陷，提出一種基于支持向量機的軟測量方法。首先結合機理分析和數據相關性分析選取相關過程參數作為模型輸入參數，使用遺傳算法對支持向量機進行參數尋優，構建基于遺傳算法參數優化的支持向量機(GA-SVM)軟測量模型。實驗結果表明：該模型能較好地反映煙氣含氧量的變化趨勢。

軟測量 電站鍋爐 煙氣含氧量 GA-SVM軟測量模型

煙氣含氧量是電站鍋爐生產過程的重要指標，其值過高會使鍋爐的熱效率降低；過低則說明空氣過量系數偏低，供給鍋爐燃燒用的氧量不足，煤粉不能完全燃燒，降低鍋爐效率的同時也容易造成污染物排放超標[1]。因此，將鍋爐的煙氣含氧量控制在合理范圍內，保持電站鍋爐在最佳狀態運行，是電站鍋爐節能減排的重要手段。目前，在工程實際中常采用磁式氧氣傳感器和氧化鋯氧氣傳感器對煙氣中的含氧量進行測量[2，3]，但存在精度不穩定、壽命較短及投資大等缺點。為此，學者們采用了軟測量技術對電站運行過程中難以測量的實時參數進行建模，使用易于測量的二次參數建立針對被測參數的軟測量模型并取得了較好的效果[4]；陳彥橋等使用機理分析方法建立了煙氣含氧量軟測量模型[5]；韓璞等提出基于BP神經網絡的煙氣含氧量軟測量模型[6]；唐振浩等提出基于自校正最小二乘支持向量機的煙氣含氧量軟測量模型[7]；趙永磊和鄭德忠提出基于直接廣義預測算法的工業鍋爐煙氣含氧量軟測量模型[8]。筆者提出一種基于支持向量機(SVM)的煙氣含氧量軟測量模型，使用遺傳算法(GA)對支持向量機進行參數尋優，以克服SVM建模依靠經驗參數的缺點。

1 算法

SVM將輸入映射到高維空間，將非線性問題轉化為線性問題，有效避免了“維數災難”[9]。傳統算法(如神經網絡等)多是基于經驗風險最小化原則，存在易陷于局部最優解、訓練結果不穩定等問題，而SVM則采用結構風險最小化原則，有效避免了上述問題。

GA是一種基于達爾文生物進化論的自然選擇和遺傳理論，通過模擬自然進化過程搜索最優解的方法，自然進化過程中產生的后代種群將更適應環境，GA在計算過程中會產生適應度更高的解，在一定的進化代數內，最后將會產生問題的近似最優解[10]。

2 煙氣含氧量建模

電站鍋爐的生產過程是一個多參數、多進程的復雜非線性系統。其過程大致如下：原煤經磨煤機磨制后由給粉機隨一次風進入爐膛劇烈燃燒，燃燒過程中釋放的熱量被水吸收，產生的煙氣經煙道排出。鍋爐煙氣中的氧主要來自供給煤粉燃燒的空氣，而鍋爐的燃燒情況和負荷情況也會影響煙氣中的含氧量，基于此，筆者選用送風量和引風量作為影響空氣量的參數；選用給水流量、燃料量及主蒸汽壓力等參數描述機組負荷；選用再熱蒸汽溫度、爐膛壓力與溫度、排煙溫度作為反映鍋爐燃燒情況的因素。

對現場采集數據進行相關性分析，采用相關系數法對上述的因素與煙氣含氧量進行相關性分析，并選取相關系數絕對值大于0.1的參數作為建模參數，即選取機組實際負荷X1、主蒸汽壓力X2、送風機流量X3、引風機電流X4、煙氣溫度X5、給水流量X6、水冷壁溫度X7和爐膛壓力X8作為輸入變量，煙氣含氧量Y作為輸出變量，構造煙氣含氧量軟測量模型。

實際生產過程中通過傳感器獲取的數據存在噪聲和缺失，為此采取如下步驟處理：

a. 對建模所用數據的噪聲數據進行剔除。計算各參數數據的期望μ和標準差σ，根據拉依達準則將剩余誤差在[μ-3σ,μ+3σ]區間之外的數據剔除。

b. 為消除各維數據間數量級的差別，避免由于輸入輸出數據數量級差別較大而造成較大的誤差，筆者采用最大最小法對數據進行歸一化處理。

筆者使用GA對SVM進行參數尋優。選用徑向基函數(RBF)作為核函數，該類SVM的主要參數為懲罰因子c和核函數參數g。尋優流程如下：

a. 設置GA的最大進化代數、種群最大數量，參數c和g的取值變化范圍；

b. 編碼和產生初始種群，并計算初始種群的適應度；

c. 對種群進行選擇、交叉、變異操作，并計算適應度；

d. 若適應度滿足結束條件，則進行步驟e，否則返回步驟c；

e. 輸出經GA尋優的參數c和g，基于最優參數訓練SVM模型；

f. 使用測試集驗證模型精度，若精度達不到要求則返回步驟a，若精度達到要求則輸出該模型。

3 仿真試驗與結果分析

在某電廠采集125組樣本數據(表1)，將其中的100組作為訓練集訓練軟測量模型，25組作為測試集測試軟測量模型的性能。

表1 部分實爐工況運行數據

GA的迭代次數為100，種群規模20，交叉概率0.4，變異概率0.2，使用GA對SVM參數c和g進行尋優，以構建GA-SVM模型。同時使用BP神經網絡構建模型作為對比，兩種模型的軟測量結果與相對誤差如圖1、2所示，對比見表2。

4 結束語

筆者提出的GA-SVM軟測量模型能夠較好地跟隨并反映電站鍋爐煙氣含氧量的變化趨勢，其最大絕對誤差為0.129，相對誤差僅為2.904%；而傳統的BP神經網絡軟測量模型雖然也能跟隨并反映電站鍋爐煙氣含氧量的變化，但其最大絕對誤差為0.405，相對誤差為9.725%，表明GA-SVM模型的測量精確度優于傳統的BP神經網絡模型，GA-SVM軟測量模型的泛化能力強，具有較好的工程實際應用價值。

圖1 GA-SVM與BP神經網絡模型的軟測量結果

圖2 GA-SVM與BP神經網絡模型的相對誤差

表2 兩種模型性能比較

[1] 范晗東,彭鑫,呂玉坤.基于煙氣含氧量的電站鍋爐經濟性優化分析研究[J].電力科學與工程,2009,25(12):40～44.

[2] 賈里.磁力機械式氧分析儀樣品處理系統的設計改造[J].石油化工自動化,2017，53(1): 61～65.

[3] 衣哲.順磁式氧分析儀在肟化反應中的應用[J].石油化工自動化,2017，53(1):76～78.

[4] 周建新,樊征兵,司風琪,等.電站鍋爐燃燒優化技術研究發展綜述[J].鍋爐技術,2008,39(5):33～36.

[5] 陳彥橋,郭一,劉建民,等.一種改進煙氣含氧量軟測量建模方法與仿真[J].動力工程學報,2011,31(1):12～16.

[6] 韓璞,王東風,翟永杰.基于神經網絡的火電廠煙氣含氧量軟測量[J].信息與控制,2001,30(2):189～193.

[7] 唐振浩,段潔,曹生現,等.基于自校正LS-SVM的電廠鍋爐煙氣含氧量軟測量系統[J].化工自動化及儀表,2015,42(12):1281～1283,1299.

[8] 趙永磊,鄭德忠.一種基于直接廣義預測的煙氣含氧量軟測量方法研究[J].傳感技術學報,2009,22(8):1213～1216.

[9] Cortes C,Vapnik V.Support-vector Networks[J].Machine Learning,1995,20(3):273～297.

[10] 席裕庚,柴天佑,惲為民.遺傳算法綜述[J].控制理論與應用,1996,13(6):697～708.

2017-03-20，

2017-08-03)

聲明

本刊已許可中國學術期刊(光盤版)電子雜志社在中國知網及其系列數據庫產品中以數字化方式復制、匯編、發行、信息網絡傳播本刊全文。該社著作權使用費與本刊稿酬一并支付。作者向本刊提交文章發表的行為即視為同意我刊上述聲明。

SoftSensingofOxygenContentinFlueGasBasedonGA-SVM

WANG Yong-zhi,FU Zhong-guang, LIU Bing-han, WANG Peng-kai

(NorthChinaElectricPowerUniversity)

Considering higher cost and shorter service life of traditional measuring methods for the oxygen content in boiler flue gas of the power plant, a soft sensing method based on support vector machine(SVM) was proposed. It has mechanism analysis and data correlation analysis combined to choose relevant process parameters as the model input parameters and has the genetic algorithm(GA) employed to optimize the parameters of support vector machine and to establish the soft sensing model based on the support vector machine that parameters are optimized by genetic algorithm(GA-SVM). The experimental result shows that, this model can well reflect the change trend of oxygen content in flue gas.

soft sensing, power plant boiler, oxygen content in flue gas, GA-SVM soft sensing model

王永智(1993-)，碩士研究生，從事電站機組運行優化及狀態監測的研究，wyzjob2015@163.com。

TH83

A

1000-3932(2017)10-0937-03