一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109992844A(43)申请公布日2019.07.09(21)申请号201910189111.4(22)申请日2019.03.13(71)申请人上海电力学院地址200090上海市杨浦区平凉路2103号(72)发明人彭道刚康琦李丹阳张浩姚峻祝建飞赵慧荣李芹(74)专利代理机构上海科盛知识产权代理有限公司31225代理人赵继明(51)Int.Cl.G06F17/50(2006.01)G06N3/00(2006.01)权利要求书2页说明书9页附图3页(54)发明名称一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法(57)摘要本发明涉及一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，该方法利用ADQPSO算法进行SVR参数的寻优，加入自适应早熟判定准则和混合扰动操作，找出最优的参数组合，采用现场特征数据作为训练样本进行模型构建。与现有技术相比，基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法精确性和泛化能力更好，对火电厂具有重要的意义。CN109992844ACN109992844A权利要求书1/2页1.一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，该方法包括以下步骤：步骤S1：设置量子粒子群初始值；步骤S2：评估量子粒子群，记录每个粒子的适应度、粒子的个体最优位置、粒子群全局最优位置和平均最优位置；步骤S3：更新粒子位置，重新计算每个粒子的适应度、粒子的个体最优位置、粒子群全局最优位置和平均最优位置；步骤S4：判断量子粒子群算法终止条件是否满足，若是，执行步骤S6，若否，执行步骤S5；步骤S5：计算群体的适应度方差，进行自适应早熟判定，如果适应度方差小于阈值，对群体执行扰动操作，然后执行步骤S3，否则直接执行步骤S3；步骤S6：输出粒子群全局最优位置作为SVR最优参数值；步骤S7：从现场运行的自动化装置采集历史数据，从历史数据中获取训练样本的输入变量；步骤S8：利用步骤S6得到的SVR最优参数值构建SVR模型；步骤S9：将样本点输入步骤S8得到的SVR模型中，获取锅炉飞灰含碳量。2.根据权利要求1所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，所述的历史数据包括锅炉负荷、给煤量、省煤器出口烟气温度、燃烧器的摆角、燃料风挡板开度、燃尽风挡板开度、一次风压、二次风压、烟气含氧量、炉膛与风箱差压以及煤种特性。3.根据权利要求1所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，所述的SVR模型的核函数为Gauss径向基核函数。4.根据权利要求1所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，所述的步骤S7中的输入变量与步骤S9中的样本点通过预处理获得归一化值，所述的SVR模型输出锅炉飞灰含碳量的归一化值，将归一化值反变换得到锅炉飞灰含碳量。5.根据权利要求1所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，若存在现场无法直接测取的历史数据，则利用电站中SIS系统或自动化装置进行传统性能分析得到估计值，作为历史数据。6.根据权利要求1所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，所述的适应度的函数为均方误差函数。7.根据权利要求1所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，所述的扰动操作具体为：采用混合扰动算子，在平均最优位置增加扰动，所述的混合扰动算子包括服从高斯分布的算子和服从柯西分布的算子。8.根据权利要求7所述的一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法，其特征在于，所述的混合扰动算子为：βk＝e1Ck(0,1)+e2Nk(0,1)式中：βk为混合扰动算子，k为当前迭代次数，Ck(0,1)和Nk(0,1)分别为服从柯西分布和高斯分布的随机数，e1、e2为扰动系数，e1、e2表达式如下：2CN109992844A权利要求书2/2页式中：e1max和e1min分别为e1的最大和最小值，e2max和e2min分别为e2的最大位和最小值，kmax为最大迭代次数。3CN109992844A说明书1/9页一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法技术领域[0001]本发明涉及一种锅炉飞灰含碳量预测方法，尤其是涉及一种基于ADQPSO-SVR模型的锅炉飞灰含碳量预测方法。背景技术[0002]2018年上半年，火电发电量同比增长8.0％，火电利用小时同比提升116小时。我国电源结构以火力发电为主，其中燃煤发电在火力发电中占据主导地位。[0003]面对资源和环境的双重约束，火电行业面临的形式越来越严峻，这意味着火力发电技术的转型升级