本發(fā)明涉及控制技術(shù)領(lǐng)域，具體是一種基于MFOA-SVM的鍋爐熱效率與NO_X建模方法。

背景技術(shù)：

火電廠的煤炭燃燒發(fā)電占全國發(fā)電總量的70％左右，其燃燒產(chǎn)生黑煙、NO_X等大氣污染物，不僅嚴重破壞環(huán)境更威脅人的生命健康，同時為了支持國家節(jié)能減排的倡導(dǎo)，減少電站鍋爐運行費用與NO_X等排放已迫在眉睫。

由于鍋爐運行過程極其復(fù)雜，對于給定的電站鍋爐，合理配比運行參數(shù)成為控制鍋爐效率和NO_X排放的主要手段，然而各個參數(shù)之間存在著復(fù)雜的非線性關(guān)系，無形增加了鍋爐燃燒建模難度，大量學者為解決這個問題進行了多方面的探索，如利用神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，建立鍋爐燃燒模型。但是神經(jīng)網(wǎng)絡(luò)建模需要大量的樣本數(shù)據(jù)，而且訓練時間長，擬合能力差，不適合在線建模。目前取得較大成就的是利用支持向量機和遺傳算法相結(jié)合。為了獲得更有效、更準確的燃燒模型，本發(fā)明以果蠅算法和支持向量機來綜合建模。支持向量機(SVM)它的非線性處理能力，非常適合小樣本的訓練學習，高效的泛化能力，保證了良好的擬合性及解的全局最優(yōu)性，其良好的特性在許多建模預(yù)測方面得到了應(yīng)用，雖然已經(jīng)實踐用于鍋爐的建模，但是都是利用群體智能算法對模型的懲罰因子C和核函數(shù)參數(shù)g進行尋優(yōu)，而將不敏感損失系數(shù)ε作為不變值，然后代入SVM模型。另外原始的果蠅算法也存在尋優(yōu)精度低、收斂速度慢等問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于MFOA-SVM的鍋爐熱效率與NO_X建模方法，以解決上述背景技術(shù)中提出的問題；為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于MFOA-SVM的鍋爐熱效率與NO_X建模方法，包括以下步驟：

給定樣本集{(x₁,y₁),(x₂,y₂)…,(x_l,y_l)}，其中x_i∈Rⁿ，y_i∈R,i＝1,2,…,l。x_i,y_i分別為對應(yīng)輸入量和輸出量，l為樣本數(shù)。通過訓練學習得到最優(yōu)的線性擬合函數(shù)：

式中：ω為權(quán)值向量，b為偏置量。SVM回歸的實質(zhì)就是尋找參數(shù)ω和b，使得對于訓練樣本以外的輸入變量x_i有|y_i-f(x_i)|≤ε，即不敏感損失函數(shù)為0，并使得1/2||ω||²＝1/2ω^Tω最小。因而歸納為約束條件下求解優(yōu)化問題：

式中：C為懲罰因子，其值為正常數(shù)；ξ_i^*和ξ_i均為松弛變量；C的大小表示樣本數(shù)據(jù)高于精度范圍ε的懲罰程度；ε為不敏感損失系數(shù)。

由于ω可能是無窮維，根據(jù)對偶原理，增加拉格朗日乘子a_i^*和a_i，組成Lagrange函數(shù)，求解其優(yōu)化問題可以得到SVM的輸出函數(shù)：,

式中：K(x_i,x)為核函數(shù)，經(jīng)分析使用徑向基函數(shù)，如公式(4)。

式中：g為核函數(shù)參數(shù)，其大小決定樣本數(shù)據(jù)分布的多樣性及映射函數(shù)的關(guān)系，選擇最優(yōu)的值才能獲得最好的支持向量機模型。

作為本發(fā)明再進一步的方案：

根據(jù)支持向量機的基本原理，懲罰因子、不敏感損失系數(shù)和核函數(shù)參數(shù)影響著模型收斂速度及預(yù)測精度。為得到最佳的支持向量機模型參數(shù)，將FOA算法與該問題相結(jié)合，由于FOA是在二維空間尋找全局最優(yōu)解，不可能精確尋找到三維空間中的最優(yōu)解；另外經(jīng)過多次實驗發(fā)現(xiàn)果蠅飛行步長對收斂速度和尋優(yōu)精度影響較大。因此，提出三維空間搜尋及自適應(yīng)步長策略改進果蠅算法，利用改進的果蠅算法優(yōu)化SVM回歸模型的三個參數(shù)，最優(yōu)參數(shù)[C,g,ε]即是味道濃度最大的果蠅位置，對相關(guān)參數(shù)設(shè)置如下：

1)初始化FOA中的控制參數(shù)。設(shè)置種群規(guī)模m為30，迭代次數(shù)t為100，隨機初始化果蠅位置(X₁,Y₁,Z₁)，區(qū)間設(shè)置為[0,1]。

2)X、Y、Z均為i行2列的矩陣變量，計算每一個果蠅飛行的距離公式：

式中：t為當前迭代的次數(shù)；k為步長膨脹系數(shù)，取k＝1.7，因此，果蠅飛行的距離既考慮前一代的果蠅位置，又考慮了迭代的進化，使飛行距離隨著味道濃度的大小而進行自適應(yīng)變化。

計算果蠅種群與原點的距離D(i,:)：

計算味道濃度判定值S(i)，令變量[S(i,1),S(i,2),S(i,3)]表示參數(shù)[C,g,ε]，為加快模型的計算速度，改變并各自判定值的系數(shù)。

3)濃度判定函數(shù)，對樣本數(shù)據(jù)進行3折交叉驗證模型泛化能力，濃度判定函數(shù)如下：

式中：l為交叉驗證中每個訓練子集的粒子數(shù)；f(x_i)為實際值；y_i預(yù)測值。

4)對每只果蠅首次飛達位置計算濃度判定函數(shù)值，保留最大位置，果蠅群體全部飛往該位置，進入迭代循環(huán)，一直尋找到最大濃度收斂的位置或者迭代次數(shù)達到最大(100)，則停止尋優(yōu)并輸出MFOA-SVM模型。

作為本發(fā)明再進一步的方案：

利用電站鍋爐運行的控制參數(shù)(總發(fā)電功率、給煤機給煤量、煙氣含氧量、排煙溫度、爐膛溫度、二次風擋板開度、總?cè)剂狭?、總風量、省煤器溫度、空氣預(yù)熱器出口煙溫、發(fā)電機組負荷)及該電廠使用鶴煤燃燒得到的9個元素分析數(shù)據(jù)；另外加入爐渣含碳量和飛灰含碳量共36個參數(shù)得到鍋爐熱效率模型。按照反平衡的方法求解熱效率值如公式(9)。

η＝100-(q₂+q₃+q₄+q₅+q₆)(％) (9)

式中：q₂為排煙熱損失，q₃為可燃氣體不完全燃燒熱損失，q₄為固體未完全燃燒熱損失，q₅為散熱損失，q₆為灰渣物理熱損失。

按照搭建的模型結(jié)構(gòu)，獲取的參數(shù)必須較好的表現(xiàn)鍋爐燃燒特性，并隨機抽選不同時間段的數(shù)據(jù)用作訓練學習。在鍋爐燃燒和運行過程中會保留各個參數(shù)在不同時間和不同工況下的大量的歷史數(shù)據(jù)，在選取數(shù)據(jù)時，要在整個所提供的數(shù)據(jù)中隨機選取，這樣能體現(xiàn)數(shù)據(jù)的遍歷性，使模型能夠更好的反應(yīng)實際系統(tǒng)。大慶某熱電廠鍋爐控制系統(tǒng)的每臺機組配置了2臺數(shù)據(jù)服務(wù)器SCADA，這種服務(wù)器可以為工程師站和CSI控制中心兩處傳遞控制信號和進行實時監(jiān)控，可以稱之為路由功能，同時又可以進行數(shù)據(jù)的采集與存儲，接受來自控制站的指令，又為控制站發(fā)送各種狀態(tài)參數(shù)。該系統(tǒng)利用動態(tài)數(shù)據(jù)交換的方式把現(xiàn)場設(shè)備監(jiān)控到的全部熱態(tài)數(shù)據(jù)進行分析計算并生成Excel文件。本發(fā)明利用這種方式從生成的Excel文件中隨機抽取180組用來建模分析，由于核函數(shù)依賴輸入?yún)?shù)向量的內(nèi)積，為加快訓練速度，通過歸一化處理數(shù)據(jù)樣本，如公式(10)；

歸一化后的屬性值訓練集和測試集使用相同的方式，然后可用下式重新?lián)Q算回真實值：

附圖說明

圖1基于MFOA優(yōu)化的SVM模型的流程示意圖

圖2鍋爐結(jié)構(gòu)

圖3 MFOA-SVM模型結(jié)構(gòu)

圖4數(shù)據(jù)樣本

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例；基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍；

圖1為本發(fā)明中的一種基于MFOA-SVM的鍋爐熱效率與NOX建模方法的流程示意圖，如圖1所示，本發(fā)明中，一種基于MFOA-SVM的鍋爐熱效率與NOX建模方法，包括以下步驟：

給定樣本集{(x₁,y₁),(x₂,y₂)…,(x_l,y_l)}，其中x_i∈Rⁿ，y_i∈R,i＝1,2,…,l。x_i,y_i分別為對應(yīng)輸入量和輸出量，l為樣本數(shù)。通過訓練學習得到最優(yōu)的線性擬合函數(shù)：

式中：ω為權(quán)值向量，b為偏置量。SVM回歸的實質(zhì)就是尋找參數(shù)ω和b，使得對于訓練樣本以外的輸入變量x_i有|y_i-f(x_i)|≤ε，即不敏感損失函數(shù)為0，并使得1/2||ω||²＝1/2ω^Tω最小。因而歸納為約束條件下求解優(yōu)化問題：

式中：C為懲罰因子，其值為正常數(shù)；ξ_i^*和ξ_i均為松弛變量；C的大小表示樣本數(shù)據(jù)高于精度范圍ε的懲罰程度；ε為不敏感損失系數(shù)。

由于ω可能是無窮維，根據(jù)對偶原理，增加拉格朗日乘子a_i^*，和a_i，組成Lagrange函數(shù)，求解其優(yōu)化問題可以得到SVM的輸出函數(shù)：

式中：K(x_i,x)為核函數(shù)，經(jīng)分析使用徑向基函數(shù)，如公式(4)。

K(x_i,x)＝exp(-g·||x_i-x_j||²) (4)

式中：g為核函數(shù)參數(shù)，其大小決定樣本數(shù)據(jù)分布的多樣性及映射函數(shù)的關(guān)系，選擇最優(yōu)的值才能獲得最好的支持向量機模型。

根據(jù)支持向量機的基本原理，懲罰因子、不敏感損失系數(shù)和核函數(shù)參數(shù)影響著模型收斂速度及預(yù)測精度。為得到最佳的支持向量機模型參數(shù)，將FOA算法與該問題相結(jié)合，由于FOA是在二維空間尋找全局最優(yōu)解，不可能精確尋找到三維空間中的最優(yōu)解；另外經(jīng)過多次實驗發(fā)現(xiàn)果蠅飛行步長對收斂速度和尋優(yōu)精度影響較大。因此，提出三維空間搜尋及自適應(yīng)步長策略改進果蠅算法，利用改進的果蠅算法優(yōu)化SVM回歸模型的三個參數(shù)，最優(yōu)參數(shù)[C,g,ε]即是味道濃度最大的果蠅位置，對相關(guān)參數(shù)設(shè)置如下：

1)初始化FOA中的控制參數(shù)。設(shè)置種群規(guī)模m為30，迭代次數(shù)t為100，隨機初始化果蠅位置(X₁,Y₁,Z₁)，區(qū)間設(shè)置為[0,1]。

2)X、Y、Z均為i行2列的矩陣變量，計算每一個果蠅飛行的距離公式：

式中：t為當前迭代的次數(shù)；k為步長膨脹系數(shù)，取k＝1.7，因此，果蠅飛行的距離既考慮前一代的果蠅位置，又考慮了迭代的進化，使飛行距離隨著味道濃度的大小而進行自適應(yīng)變化。

計算果蠅種群與原點的距離D(i,:)：

計算味道濃度判定值S(i)，令變量[S(i,1),S(i,2),S(i,3)]表示參數(shù)[C,g,ε]，為加快模型的計算速度，改變并各自判定值的系數(shù)。

3)濃度判定函數(shù)，對樣本數(shù)據(jù)進行3折交叉驗證模型泛化能力，濃度判定函數(shù)如下：

式中：l為交叉驗證中每個訓練子集的粒子數(shù)；f(x_i)為實際值；y_i預(yù)測值。

4)對每只果蠅首次飛達位置計算濃度判定函數(shù)值，保留最大位置，果蠅群體全部飛往該位置，進入迭代循環(huán)，一直尋找到最大濃度收斂的位置或者迭代次數(shù)達到最大(100)，則停止尋優(yōu)并輸出MFOA-SVM模型。

利用電站鍋爐運行的控制參數(shù)(總發(fā)電功率、給煤機給煤量、煙氣含氧量、排煙溫度、爐膛溫度、二次風擋板開度、總?cè)剂狭?、總風量、省煤器溫度、空氣預(yù)熱器出口煙溫、發(fā)電機組負荷)及該電廠使用鶴煤燃燒得到的9個元素分析數(shù)據(jù)；另外加入爐渣含碳量和飛灰含碳量共36個參數(shù)得到鍋爐熱效率模型。按照反平衡的方法求解熱效率值如公式(9)。

η＝100-(q₂+q₃+q₄+q₅+q₆)(％) (9)

式中：q₂為排煙熱損失，q₃為可燃氣體不完全燃燒熱損失，q₄為固體未完全燃燒熱損失，q₅為散熱損失，q₆為灰渣物理熱損失。

按照搭建的模型結(jié)構(gòu)，獲取的參數(shù)必須較好的表現(xiàn)鍋爐燃燒特性，并隨機抽選不同時間段的數(shù)據(jù)用作訓練學習。在鍋爐燃燒和運行過程中會保留各個參數(shù)在不同時間和不同工況下的大量的歷史數(shù)據(jù)，在選取數(shù)據(jù)時，要在整個所提供的數(shù)據(jù)中隨機選取，這樣能體現(xiàn)數(shù)據(jù)的遍歷性，使模型能夠更好的反應(yīng)實際系統(tǒng)。大慶某熱電廠鍋爐控制系統(tǒng)的每臺機組配置了2臺數(shù)據(jù)服務(wù)器SCADA，這種服務(wù)器可以為工程師站和CSI控制中心兩處傳遞控制信號和進行實時監(jiān)控，可以稱之為路由功能，同時又可以進行數(shù)據(jù)的采集與存儲，接受來自控制站的指令，又為控制站發(fā)送各種狀態(tài)參數(shù)。該系統(tǒng)利用動態(tài)數(shù)據(jù)交換的方式把現(xiàn)場設(shè)備監(jiān)控到的全部熱態(tài)數(shù)據(jù)進行分析計算并生成Excel文件。本發(fā)明利用這種方式從生成的Excel文件中隨機抽取180組用來建模分析，部分數(shù)據(jù)見圖4。由于核函數(shù)依賴輸入?yún)?shù)向量的內(nèi)積，為加快訓練速度，通過歸一化處理數(shù)據(jù)樣本，如公式(10)。

歸一化后的屬性值訓練集和測試集使用相同的方式，然后可用下式重新?lián)Q算回真實值：

對于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明；因此，無論從哪一點來看，均應(yīng)將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)，不應(yīng)將權(quán)利要求中的任何附圖標記視為限制所涉及的權(quán)利要求；

此外，應(yīng)當理解，雖然本說明書按照實施方式加以描述，但并非每個實施方式僅包含一個獨立的技術(shù)方案，說明書的這種敘述方式僅僅是為清楚起見，本領(lǐng)域技術(shù)人員應(yīng)當將說明書作為一個整體，各實施例中的技術(shù)方案也可以經(jīng)適當組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實施方式。