專利名稱：一種鍋爐在線燃燒優化的模型更新方法
技術領域：
本發明屬于信息控制技術領域，涉及到增量學習技術，特別是涉及一 種鍋爐在線燃燒優化的模型更新方法。
背景技術：
電站鍋爐的燃燒優化是節能減排的重要技術手段，其目標是通過調整 鍋爐配風、給煤等運行參數而獲得高效率或低污染排放的運行狀態。鍋爐 的很多運行參數如配風情況、給煤情況及氧量等的搭配對鍋爐燃燒狀態都 有直接的影響，不同的配風、給煤等操作參數的配置會直接導致不同的鍋 爐效率及污染氣體的排放的情況。對于給定的電站鍋爐，在一定的負荷條 件下，對于不同的燃燒狀態的指標存在一種最優的操作參數配置方案，能 夠使燃燒狀態最優化。然而，鍋爐的操作參數間有著非常復雜的耦合關系， 要找到最優的操作參數的配置是非常困難。隨著科學技術的不斷進步，鍋 爐運行自動化程度不斷提高，但是鍋爐燃燒優化問題一直沒有很好的得到 解決。
目前鍋爐燃燒優化的研究熱點是通過數據挖掘，在大量不同的實際運 行參數組合中，應用機器學習的方法，挖掘出運行參數與鍋爐燃燒指標間 的關系模型，再利用優化算法結合挖掘出的模型進行鍋爐的在線燃燒優化。 這種方法節省人力物力，而且可以找到比人工實驗更優的參數配置，但是 由于鍋爐設備的特性隨著使用時間的增長會有所改變，而且燃用煤種有時 也會變化，因此如何保證模型能夠快速、高效的更新以適應新的情況成為 了這種方法的瓶頸問題。該問題與建模方法、樣本數據選取及更新策略等 都有很大關系。
發明內容
本發明的目的是針對鍋爐燃燒優化中的瓶頸問題，提出一種兼顧模型 歷史學習結果與新的變化情況的模型更新方法。
本發明具體是利用超出己存在模型預測誤差限度的數據建立新的模 型，然后再利用鍋爐燃燒數據和優化算法，尋找最優的新模型和已有模型 的權重系數，利用最優的權重系數將新模型和已有模型結合在一起，共同 對新的鍋爐工況進行預測，實現模型更新。該方法克服了傳統更新方法中 將已有模型完全放棄，不能利用己有模型的學習結果的缺點，充分利用了 己有模型的學習結果，大大縮短了模型更新的計算工作量和時間。
本發明的技術方案是通過利用已有模型預測超出誤差限度的數據作樣 本，建立新的模型，并將新模型與己有模型相結合等手段，確立了一種鍋 爐在線燃燒優化的模型更新方法，利用該方法可以快速、高效的實現模型本發明方法的步驟包括
步驟(1)建立已存在模型的預測錯誤數據庫。根據具體鍋爐燃燒情況和 對模型預測精度的要求，設定模型的允許預測誤差限s，在采集數據時， 判斷模型預測值與實際運行值之間的誤差與允許預測誤差限S的大小，如
果預測誤差大于s，即i^-kI〉^其中^為模型預測值，r為實際運行數
據，則將超限數據存入預測錯誤數據庫中，以備模型更新之用。
步驟(2)建立新模型。原模型需要更新時，利用預測錯誤數據庫中的數
據作為訓練樣本，樣本可以表示為^,J^:，其中、表示第z組作為輸入數
據的鍋爐運行參數向量，X表示第Z組作為輸出參數的表征鍋爐燃燒狀態的 參數，采用支持向量機算法建立新的模型，核函數選為徑向基函數
〖"，、)=00,) 00,) = exp
義,-_X;
-(x)為映射函數，設所求的目標函數為/(x,) = w—(義,)+ 6， /(義,)為模
型輸出的鍋爐燃燒指標預測值，w為權重系數向量，6為截距。引入松弛因 子^》0和DO和允許擬合誤差e，模型可以通過在約束 _y,. — w. — 6 S ￡■ +《 〔x,) + Zj-乂 " +《
《20 "l,…，iV，條件下，最小化
《2 0
min 《,《*)二 * w. w+cZ《+《*
獲得，其中常數O0為懲罰系數。該最小化問題為一個凸二次規劃問題，
引入拉格朗日函數
丄(一， , a V,盧)=垂w , +《(纟+ 。 —1>, [乂.—(《+ e + ))]
_z [《+s+) 1 ] - z ("+")
其中a,, ;》o， z,，<》o，為拉格朗日乘數。
在鞍點處，函數L是關于w，b， ^， H勺極小點，也是",，《，y,乂極大點.
最小化問題轉化為求其對偶問題的最大化問題。
拉格朗日函數L在鞍點處是關于W， b， L，〖，，炎小點，得
5丄=0 —》《,,<) = 0
會丄=0 —C_ X =0
可得拉格朗日函數的對偶函數:
07
此時，
/(義)=Z o, - )《"a )+6
按照庫恩-塔克(KKT)條件定理，在鞍點有下式成: [",["《1 + /(義,)]=0
,*[s +《+ x-/(J,)] = 0
由上式可見，"/《",和"/都不會同時為非零，可得:
Kj, =0
從上式可求出b，獲得模型。清空預測錯誤數據庫，以備下一次更新 采集數據之用。
步驟(3)確定新模型和已有模型的權重。采集最新鍋爐不同運行工況下
的數據作為檢驗樣本，應用原模型預測與新模型預測加權平均的方法，對 檢驗數據進行預測，即}',= 化+/ 化，其中y,.為第，組工況的優化目標預測 值，化為新模型預測值，D。為原有模型預測值，"為新模型預測值權重系
數，y9為原有模型的預測權重系數，且《 + / = ]， 《與/ 的確定采用粒子群 算法迭代尋優確定，定義粒子群算法初始位置Z向量的各維分量，分別為新模型權重"和原有模型權重/ ，目標函數為mini/ = Z|X-i;|，其中《為 第/組工況的實際運行值。當J達到了最小、達到設定值或完成迭代次數時， 訓練完成，獲得新模型和己有模型的權重系數。
步驟(4)將原有模型與新模型按最優的權重比例相結合，構成新的模 型，即/) = 1) +^)。，其中D為更新后的模型，實現鍋爐燃燒優化模型的更新。
本發明提出的模型更新方法充分利用了已有的模型所包含的有用信 息，大大減少了模型更新的工作量，提高了模型更新的效率，滿足了鍋爐 燃燒在線優化的實際要求，保證了鍋爐燃燒優化的實時性和準確性。
具體實施例方式
一種鍋爐在線燃燒優化的模型更新方法，具體步驟是
(1) 建立已存在模型的預測錯誤數據庫。根據具體鍋爐燃燒情況和對模 型預測精度的要求，設定模型的允許預測誤差限S，在采集數據時，判斷 模型預測值與實際運行值之間的誤差與允許預測誤差限S的大小，如果預 測誤差大于S，即|^-">^其中K為模型預測值，K為實際運行數據，
則將超限數據存入預測錯誤數據庫中，以備模型更新之用。
(2) 建立新模型。原模型需要更新時，利用預測錯誤數據庫中的數據作
為訓練樣本，樣本可以表示為^,J^:，其中:c,表示第/組作為輸入數據的 鍋爐運行參數向量，y,.表示第/組作S輸出參數的表征鍋爐燃燒狀態的參 數，采用支持向量機算法建立新的模型，核函數選為徑向基函數
〖(x,，x,)=《x,)—(> ) = exp (11 '/11 )
0(x)為映射函數，設所求的目標函數為/(x,) = >v—".) + Z>， /(x,)為模 型輸出的鍋爐燃燒指標預測值，w為權重系數向量，6為截距。引入松弛因 子1、》0和DO和允許擬合誤差e，模型可以通過在約束
min 《,《*) = * w. >v+cZ《+《*
獲得，其中常數DO為懲罰系數。該最小化問題為一個凸二次規劃問題，
引入拉格朗曰函數
WXI,) + 6-乂 Sf+《■
條件下，最小化:
7丄ov》，《，，,《， 《*,=* w ,+(《+，)—|>,[乂's+/" ))]
-Z [《+" /(a ) i ] - Z ("'.+ )
其中《,, ;>o， r,，r;^0，為拉格朗日乘數。
在鞍點處，函數L是關于w， b，〖,，〖，*的極小點，也是a,，^,r,乂極大點:
最小化問題轉化為求其對偶問題的最大化問題。
拉格朗日函數L在鞍點處是關于W，b， " H及小點，得:￡丄=0 — w = g" _ O(x,.)
可得拉格朗日函數的對偶函數
-z ( ,+)乂.
此時，
/(力=z ("' - a)+6
按照庫恩-塔克(KKT)條件定理，在鞍點有下式成立
+《-y,+/(x,)] = 01 ,["《+乂'_/(1,)] = 0
由上式可見，"，和"/都不會同時為非零，可得f《7, = 0 1" =0
從上式可求出b，獲得模型。清空預測錯誤數據庫，以備下一次更新 采集數據之用。
(3) 確定新模型和已有模型的權重。采集最新鍋爐不同運行工況下的數
據作為檢驗樣本，應用原模型預測與新模型預測加權平均的方法，對檢驗
數據進行預測，即乃= 馬+"化，其中少,為第/組工況的優化目標預測值，A, 為新模型預測值，D。為原有模型預測值，a為新模型預測值權重系數，p為 原有模型的預測權重系數，且《 + ^ = 1，"與/ 的確定采用粒子群算法迭代 尋優確定，定義粒子群算法初始位置z向量的各維分量，分別為新模型權
重a和原有模型權重^，目標函數為mini/ = Z|X-"，其中"為第/組工況
的實際運行值。當J達到了最小、達到設定值或完成迭代次數時，訓練完 成，獲得新模型和己有模型的權重系數。
(4) 將原有模型與新模型按最優的權重比例相結合，構成新的模型，即 Z^"A+^D。，其中D為更新后的模型，實現鍋爐燃燒優化模型的更新。
權利要求
1、一種鍋爐在線燃燒優化的模型更新方法，其特征在于該方法的步驟包括步驟(1). 建立已存在模型的預測錯誤數據庫根據具體鍋爐燃燒情況和對模型預測精度的要求，設定模型的允許預測誤差限δ，在采集數據時，判斷模型預測值與實際運行值之間的誤差與允許預測誤差限δ的大小，如果預測誤差大于δ，即|Vc-Vs|>δ，則將超限數據存入預測錯誤數據庫中，其中Vc為模型預測值，Vs為實際運行數據；步驟(2). 建立新模型原模型需要更新時，利用預測錯誤數據庫中的數據作為訓練樣本，樣本表示為其中xi表示第i組作為輸入數據的鍋爐運行參數向量，yi表示第i組作為輸出參數的表征鍋爐燃燒狀態的參數，采用支持向量機算法建立新的模型，核函數選為徑向基函數φ(x)為映射函數，設所求的目標函數為f(xi)＝w·φ(xi)+b，f(xi)為模型輸出的鍋爐燃燒指標預測值，w為權重系數向量，b為截距；w、b由在條件求解而得；式中引入松弛因子ξ*i和ξi，ξ*i≥0和ξi≥0，ε為允許擬合誤差；步驟(3). 確定新模型和已有模型的權重；采集鍋爐不同運行工況下的數據作為檢驗樣本，應用原模型預測與新模型預測加權平均的方法，對檢驗數據進行預測，即yi＝αDn+βDo，其中yi為第i組工況的優化目標預測值，Dn為新模型預測值，Do為原有模型預測值，α為新模型預測值權重系數，β為原有模型的預測權重系數，且α+β＝1；α與β的確定采用粒子群算法迭代尋優確定，定義粒子群算法初始位置Z向量的各維分量，分別為新模型權重α和原有模型權重β，目標函數為minJ＝∑|yi-Yi|，其中Yi為第i組工況的實際運行值，當J達到了最小、達到設定值或完成迭代次數時，訓練完成，獲得新模型和已有模型的權重系數；步驟(4). 將原有模型與新模型按最優的權重比例相結合，構成新的模型，即D＝αDn+βDo，其中D為更新后的模型，實現鍋爐燃燒優化模型的更新。
全文摘要
本發明涉及一種鍋爐在線燃燒優化的模型更新方法。本發明方法利用超出已存在模型預測誤差限度的數據建立新的模型，然后再利用鍋爐燃燒數據和優化算法，尋找最優的新模型和已有模型的權重系數，利用最優的權重系數將新模型和已有模型結合在一起，共同對新的鍋爐工況進行預測，實現模型更新。本發明方法克服了傳統更新方法中將已有模型完全放棄，不能利用已有模型的學習結果的缺點，充分利用了已有模型的學習結果，大大縮短了模型更新的計算工作量和時間。
文檔編號G05B19/418GK101498458SQ200910096410
公開日2009年8月5日 申請日期2009年3月2日 優先權日2009年3月2日
發明者張日東, 王建中, 王春林, 銘 葛, 薛安克 申請人:杭州電子科技大學