针对电站锅炉燃烧过程存在的高度的复杂性和非线性问题,本文采用模糊支持向量机(FSVM)建立含氧量预测模型,预测在不同燃料量、总风量、总给水量等因素的影响下烟气含氧量的含量。选取模糊C均值算法(FCM)作为隶属度函数的设计方法,然后选取径向基核函数(RBF)和ε-SVR模型结构,其中惩罚因子和松弛变量的最佳参数值要用交叉验证法来选取。Matlab仿真实验结果表明,该方法有效地缩短了训练时间,提高了预测精度和模型的抗噪性,其性能优于一般支持向量机预测模型。 For power plant boiler combustion process of a high degree of complexity and nonlinear problem, fuzzy support vector machine (FSVM) is adopted to establish the prediction models of oxygen forecast in different fuel quantity, total air volume and total yield, total steam flow under the in-fluence of factors such as flue gas oxygen content. We select fuzzy c-means algorithm (FCM) as a design method of membership function, then select the radial basis kernel function (RBF) and ε-SVR model structure, and choose the penalty factor and the optimum parameter value of slack variable to use cross validation method. Matlab simulation experiment results show that this method can effectively shorten the training time, improve the prediction precision and the model of noise resistance; and its performance is superior to the general support vector machine forecasting model.
刘真,周玉国,谢世龙
青岛理工大学,山东 青岛
收稿日期:2016年11月12日;录用日期:2016年11月27日;发布日期:2016年11月30日
针对电站锅炉燃烧过程存在的高度的复杂性和非线性问题,本文采用模糊支持向量机(FSVM)建立含氧量预测模型,预测在不同燃料量、总风量、总给水量等因素的影响下烟气含氧量的含量。选取模糊C均值算法(FCM)作为隶属度函数的设计方法,然后选取径向基核函数(RBF)和ε-SVR模型结构,其中惩罚因子和松弛变量的最佳参数值要用交叉验证法来选取。Matlab仿真实验结果表明,该方法有效地缩短了训练时间,提高了预测精度和模型的抗噪性,其性能优于一般支持向量机预测模型。
关键词 :FSVM,烟气含氧量,软测量,预测模型
科技飞速发展,人们对能源的需求也日益剧增。在各种一次性能源的消费比例中,煤炭几乎占世界能源总需求的30%,煤炭作为一次性能源重要组成部分的地位在相当一段时间内不会改变。提高锅炉效率降低煤耗节约能源是一极其重要的任务。电厂中锅炉烟气含氧量是一项重要的参数。烟气含氧量的测量成为重点研究过程。有专家运用支持向量机 [
回归SVM通过核函数将特征向量 [
(1) 式中
对于标准SVM来说,优化问题为:
(2) 式中,
其中
其中,
其中
在FSVM模型的计算过程中,使用隶属度ui将惩罚系数模糊化,不同样本具有不同的隶属度 [
模糊隶属度函数的计算采用模糊C均值聚类(FCM)算法,是目前较为常用的聚类分析方法。该方法采用了在欧几里得空间确定数据点的几何贴近度的概念,将这些数据分配到不同的聚类,然后确定聚类之间的距离,每一个数据点按照一定的隶属度隶属于某一聚类中心。
使用FSVM模型进行预测需要使用核函数,由于RBF核函数计算简单,同时它将训练样本点非线性地映射到无穷维的特征空间 [
根据从DCS历史数据中得到的300组训练样本来计算模型中的最佳参数c和g,其寻优的方法采用函数SVMcg For Regress的交叉验证方法 [
基于FSVM软测量模型的流程图见下图1。
根据上述模型的建立步骤,从DCS历史数据中选取300历史数据做样本。本文使用FSVM方法为烟气含氧量过程建立预测模型,对决定烟气含氧量和它的影响因素之间的高度非线性函数关系进行较为精确的拟合,根据当前的条件预测下一时刻烟气含氧量的含量。根据输入量与输出量的相关度 [
图1. FSVM软测量模型的流程图
图2. FSVM模型预测结果与实际含氧量比较
均方误差(MSE) | 相关系数(R) | 运行时间(t) | |
---|---|---|---|
标准SVM | 2.52455% | 72.265% | 96.2456 |
FSVM | 1.25276% | 89.695% | 78.6325 |
表1. FSVM与SVM实验结果对比
从表1中不难看出,FSVM与SVM相比误差小,相关度高,运行时间少。
针对标准SVM预测模型对孤立点过分敏感,模型的容错性差的问题,提出一种基于FSVM的烟气含氧量的预测模型建立方法。FSVM模型方法引入了模糊隶属,具有较强的抗噪性能,可大大地提高预测模型的预测精度,仿真实验表明该方法的有效性。
刘真,周玉国,谢世龙. 基于FSVM锅炉烟气含氧量软测量Boiler Flue Gas Oxygen Content Soft Sensor Based on FSVM[J]. 建模与仿真, 2016, 05(04): 205-209. http://dx.doi.org/10.12677/MOS.2016.54026