基于LSSVM和单纯形的烟气含氧量软测量

(5页)

'基于LSSVM和单纯形的烟气含氧量软测量'
第25卷第3期 热 能 动 力 工 程 Vol. 25 , No. 32010 年 5 月 JOURNAL OF ENGINEERING FOR THERMAL ENERGY AND POWER May ,2010文彦编号:1001 -2060(2010)03 - 0292 -05基于LS-SVM和单纯形的烟气含氧量软测量刘长良,李淑娜(华北电力大学自动化学院,河北保定07J003)收積日期:2009 - 07 - 02;修订日期:2009 - 08 - 24墓金项目:国家高技术研究发展计划(863)基金资助项冃(2007 AAO41106) 作者简介:刘长良(1965-),男,河北保定人?华业电力大学教授,博士.摘要:烟气含氧量是彭响火电厂煥烧经济性的一个重要因 素。由于受到多个因素的彩响,导致了火电厂烟气含氧量测 童存在一定的困难牲。软测童模型是以容易测得的二次变 量为基础,利用二次变童和难测得的待测过程变景之间的数 学关系,对待测过程变量进行测量而建立的模型。本研究选 用合适的二次斐量,提出了基于最小二乘支持向量机的火电 厂烟气含氧童软测童楼型。并把单纯形寻优算法应用在最 小二来支持向量机的两个必需确定的参数优化问题中,结合 现场数据对模愛进行预测检验。仿真结果表明,该方法能够 比较冷确地時火电厂烟气含氧量进行测量,对于实现火电厂 经济熾烧有着重大的巻义。关 键 词:$SVM;单纯形;烟气含氧量;软测如寻优算 法中图分类号:TP391.9;TK314 文献标识码:A引言锅炉烟气含氧量作为送引风调节系统中的重要 参数直接反映锅炉燃烧过程的风煤比,是关系燃经 济性的一个重要指标:踝罟{会导致排烟损失 增大,过低则会导致未完全燃烧损失增大,直接影响 火电机组大型锅炉的效率。目前,火力发电机组大 多采用氧化错氧量计直接测量锅炉排烟氧量,然而 却存在很多问题。比如单测点会导致较大的采样误 差,多测点取平均值又会增加维护成本⑴。因此很 有必要通过软测量方法建立模型对烟气含氧僦进行 预测和控制。1软测量方法软测量的建模方法多种多样且各种方法互有交 叉,目前又有相互融合的趋势,主要有机理建、状 态估计、人工神经网络、数据融合、支持向量机等方 法(2'31o与其它方法建立的模型相比,机理模型的 可解释性强、外推性能最好,是最理想的软测量模 型,但是专用性太强可移植性差⑷;谧刺兰 的软测量方法缺点是对于复杂的过程对象,往往难 以建立系统的状态空间模型。另外,当过程中出现 持续缓慢变化的不可测扰动时,利用该方法建立的 软测量模型可能导致严重的误差⑶。烟气含氧址 软测量在建模方法上早期采用比较多的是神经网络 技术,目前,人工神经网络已经广泛应用到工业过程 建:涂刂浦,但用神经网络建;勾嬖诤芏辔侍, 针对比较典型的RBF神经网络,具体表现在:(1) 网络基函数中心点难以确定;(2)输岀权值计算过 程中存在数值变态问题;(3)网络的在线校正效果 不明显;(4)网络的泛化能力不强⑹。之后又岀现 了采用数据融合的方法。文献[7]采用燃烧机理分析以及统计分析相结 合的建模方法,首先建立起多个送风量和给煤量的 软测量模型,然后对送风量和给煤量的多个软测量 模型输出进行了加权数据融合,该方法在一定程度 上解决了软测量所需过程数据的处理问题,但其计 算复杂度较高。近年来,作为机器学习领域中备受瞩目的支持 向量机(SVM,Support Vector Machine)在许多领域 取得了成功的应用,它基于结构风险最小化原则尽 童提高学习机的泛化能力,同时支持向量机算法又 是一个凸优化问题局部最优解一定是全局最优解; 支持向量机算法中的核因数利用隐式非线性变换, 巧妙地解决了维数灾难问题,在软测屋应用中显示 岀巨大的优越性。在优化目标函数时最小二乘法支 持向量机利用结构风险原则,选取了误差的二范数 作为损失函数,从而使优化问题由标准支持向量机 的二次规划简化为最小二乘支持向量机线性方程的 求解。研究表明,最小二乘支持向量机算法具有学 习能力强、泛化能力好、对样本的依赖程度低等优 点O根据特定对象的特殊性和复杂性探讨用最小二 乘支持向最机对研究对象——电厂烟气含氧量测量 进行建模,并结合电厂DCS数据库实际数据进行 训练和检验,实现软仪表测虽:。结果表明,所建模 型能根据相关参数准确预报同一工况下的烟气含氧 量,并有良好的泛化性和较强的现场应用性。2最小二乘支持向量机的参数优化选择方法对于采用么向基核的最小二乘支持向量机的主 要参数是正则化参数C和核函数宽度o■,对于RBF 核 ) = exp(- || %- - x ||2/a2)求解最佳(C, ”)有多种方法可以选择。完成一个完全的网格搜 索是非常费时的。而双线性搜索法的局限性又表现 在需要先得到线性SVM的最优参数C,才能开始 RBF核SVM的训练⑻;煦缬呕惴ǘ杂谒阉骺 间小时效果显著,但当搜索空间大时却不能令人满 意?。L00方法是通过实验的手段来优化SVM参 数,缺乏坚实的理论基础。该方法虽然可以保证对 已知样本集的错分率最小,但是对于未知样本的分 类能力并不一定是好的PSO算法与已有的进 化算法一样也存在着计算时间较长、容易陷入局部 极值等缺点,而传统优化方法之一的梯度法,能够沿 着负梯度的方向寻找极值,因而可以减少优化的时 间较快地寻找到全局极值W 本研究的单纯形寻 优算法恰好沿着负梯度方向对最小二乘法支持向量 机的两个参数进行寻优。2.1传统单纯形算法存在的问题?' 非线性单纯形算法(简称单纯形算法或SPX) 是最优化技术无约束极值直接法中比较冇效的方法 之一,它是美国数学家G. B.丹齐克于1947年首先 提岀来的其基本原理就是在n维空间中,用n + 1个 顶点构成一个多面体,即单纯形,然后根据一些简单 的规则不断改变单纯形的顶点,使单纯形朝着目标 函数(准则函数)最小的方向移动,然后找到函数最 小值的近似解。对于二维系统如图1所示,在平面 上取 3 点((4,Q1)、(8,Q)、(C,Q3))构成一个三 角形。将3点中最大的人去掉,取4对面的如,由 A\、B、C构成新三角形,如此循环。然而在寻优过稈却存在的一些问题,如单纯形 算法的迭代次数太多,收敛速度缓慢,在迭代过程 中,有时会出现单纯形最大边长较长,而单纯形体积 却己接近于零这一病态现象而导致的退化现象和搜 索失败等,这些缺点严重影响了单纯形算法的使用。 所以初始三角形的选取和三角形的变形是有待于改进的两大关键。图1单纯形寻优算法简图2.2 单纯形算法的改进与参数优化应用牡对传统单纯形寻优算法在初始单纯形的选 取、反射点的求取、单纯形的压缩方面存在的问题, 提出了一些改进措施: ?(1) 为保证三角形的形状,将C,o■寻优区间等 量化。(2) 任取不在同一直线上的3点A(xlOlxx)^ (?11,力2i ) 9C(XI2 9X22 )构成初始单纯形,但若初始三 角形3点选取不当则会增大寻优过程的复杂度。这 里取初始三角形为等边三角形。表1量小二乘
关 键 词:
基于 LSSVM 单纯 烟气 含氧量 测量
 剑锋文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
关于本文
本文标题:基于LSSVM和单纯形的烟气含氧量软测量
链接地址: //www.wenku365.com/p-43768096.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服点击这里,给剑锋文库发消息,QQ:1290478887 - 联系我们

本站为“文档C2C交易模式”,即用户上传的文档直接卖给(下载)用户,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有【成交的100%(原创)】。本站是网络服务平台方,若您的权利被侵害,侵权客服QQ:1290478887 欢迎举报。

1290478887@qq.com 2017-2027 //www.wenku365.com 网站版权所有

粤ICP备19057495号 

收起
展开