基于GA-SVM的烟气含氧量软测量*

王永智 付忠广 刘炳含 王鹏凯

(华北电力大学)

基于GA-SVM的烟气含氧量软测量*

王永智 付忠广 刘炳含 王鹏凯

(华北电力大学)

针对电站锅炉烟气含氧量传统硬件测量方法成本昂贵、使用寿命短等缺陷，提出一种基于支持向量机的软测量方法。首先结合机理分析和数据相关性分析选取相关过程参数作为模型输入参数，使用遗传算法对支持向量机进行参数寻优，构建基于遗传算法参数优化的支持向量机(GA-SVM)软测量模型。实验结果表明：该模型能较好地反映烟气含氧量的变化趋势。

软测量 电站锅炉 烟气含氧量 GA-SVM软测量模型

烟气含氧量是电站锅炉生产过程的重要指标，其值过高会使锅炉的热效率降低；过低则说明空气过量系数偏低，供给锅炉燃烧用的氧量不足，煤粉不能完全燃烧，降低锅炉效率的同时也容易造成污染物排放超标[1]。因此，将锅炉的烟气含氧量控制在合理范围内，保持电站锅炉在最佳状态运行，是电站锅炉节能减排的重要手段。目前，在工程实际中常采用磁式氧气传感器和氧化锆氧气传感器对烟气中的含氧量进行测量[2，3]，但存在精度不稳定、寿命较短及投资大等缺点。为此，学者们采用了软测量技术对电站运行过程中难以测量的实时参数进行建模，使用易于测量的二次参数建立针对被测参数的软测量模型并取得了较好的效果[4]；陈彦桥等使用机理分析方法建立了烟气含氧量软测量模型[5]；韩璞等提出基于BP神经网络的烟气含氧量软测量模型[6]；唐振浩等提出基于自校正最小二乘支持向量机的烟气含氧量软测量模型[7]；赵永磊和郑德忠提出基于直接广义预测算法的工业锅炉烟气含氧量软测量模型[8]。笔者提出一种基于支持向量机(SVM)的烟气含氧量软测量模型，使用遗传算法(GA)对支持向量机进行参数寻优，以克服SVM建模依靠经验参数的缺点。

1 算法

SVM将输入映射到高维空间，将非线性问题转化为线性问题，有效避免了“维数灾难”[9]。传统算法(如神经网络等)多是基于经验风险最小化原则，存在易陷于局部最优解、训练结果不稳定等问题，而SVM则采用结构风险最小化原则，有效避免了上述问题。

GA是一种基于达尔文生物进化论的自然选择和遗传理论，通过模拟自然进化过程搜索最优解的方法，自然进化过程中产生的后代种群将更适应环境，GA在计算过程中会产生适应度更高的解，在一定的进化代数内，最后将会产生问题的近似最优解[10]。

2 烟气含氧量建模

电站锅炉的生产过程是一个多参数、多进程的复杂非线性系统。其过程大致如下：原煤经磨煤机磨制后由给粉机随一次风进入炉膛剧烈燃烧，燃烧过程中释放的热量被水吸收，产生的烟气经烟道排出。锅炉烟气中的氧主要来自供给煤粉燃烧的空气，而锅炉的燃烧情况和负荷情况也会影响烟气中的含氧量，基于此，笔者选用送风量和引风量作为影响空气量的参数；选用给水流量、燃料量及主蒸汽压力等参数描述机组负荷；选用再热蒸汽温度、炉膛压力与温度、排烟温度作为反映锅炉燃烧情况的因素。

对现场采集数据进行相关性分析，采用相关系数法对上述的因素与烟气含氧量进行相关性分析，并选取相关系数绝对值大于0.1的参数作为建模参数，即选取机组实际负荷X1、主蒸汽压力X2、送风机流量X3、引风机电流X4、烟气温度X5、给水流量X6、水冷壁温度X7和炉膛压力X8作为输入变量，烟气含氧量Y作为输出变量，构造烟气含氧量软测量模型。

实际生产过程中通过传感器获取的数据存在噪声和缺失，为此采取如下步骤处理：

a. 对建模所用数据的噪声数据进行剔除。计算各参数数据的期望μ和标准差σ，根据拉依达准则将剩余误差在[μ-3σ,μ+3σ]区间之外的数据剔除。

b. 为消除各维数据间数量级的差别，避免由于输入输出数据数量级差别较大而造成较大的误差，笔者采用最大最小法对数据进行归一化处理。

笔者使用GA对SVM进行参数寻优。选用径向基函数(RBF)作为核函数，该类SVM的主要参数为惩罚因子c和核函数参数g。寻优流程如下：

a. 设置GA的最大进化代数、种群最大数量，参数c和g的取值变化范围；

b. 编码和产生初始种群，并计算初始种群的适应度；

c. 对种群进行选择、交叉、变异操作，并计算适应度；

d. 若适应度满足结束条件，则进行步骤e，否则返回步骤c；

e. 输出经GA寻优的参数c和g，基于最优参数训练SVM模型；

f. 使用测试集验证模型精度，若精度达不到要求则返回步骤a，若精度达到要求则输出该模型。

3 仿真试验与结果分析

在某电厂采集125组样本数据(表1)，将其中的100组作为训练集训练软测量模型，25组作为测试集测试软测量模型的性能。

表1 部分实炉工况运行数据

GA的迭代次数为100，种群规模20，交叉概率0.4，变异概率0.2，使用GA对SVM参数c和g进行寻优，以构建GA-SVM模型。同时使用BP神经网络构建模型作为对比，两种模型的软测量结果与相对误差如图1、2所示，对比见表2。

4 结束语

笔者提出的GA-SVM软测量模型能够较好地跟随并反映电站锅炉烟气含氧量的变化趋势，其最大绝对误差为0.129，相对误差仅为2.904%；而传统的BP神经网络软测量模型虽然也能跟随并反映电站锅炉烟气含氧量的变化，但其最大绝对误差为0.405，相对误差为9.725%，表明GA-SVM模型的测量精确度优于传统的BP神经网络模型，GA-SVM软测量模型的泛化能力强，具有较好的工程实际应用价值。

图1 GA-SVM与BP神经网络模型的软测量结果

图2 GA-SVM与BP神经网络模型的相对误差

表2 两种模型性能比较

[1] 范晗东,彭鑫,吕玉坤.基于烟气含氧量的电站锅炉经济性优化分析研究[J].电力科学与工程,2009,25(12):40～44.

[2] 贾里.磁力机械式氧分析仪样品处理系统的设计改造[J].石油化工自动化,2017，53(1): 61～65.

[3] 衣哲.顺磁式氧分析仪在肟化反应中的应用[J].石油化工自动化,2017，53(1):76～78.

[4] 周建新,樊征兵,司风琪,等.电站锅炉燃烧优化技术研究发展综述[J].锅炉技术,2008,39(5):33～36.

[5] 陈彦桥,郭一,刘建民,等.一种改进烟气含氧量软测量建模方法与仿真[J].动力工程学报,2011,31(1):12～16.

[6] 韩璞,王东风,翟永杰.基于神经网络的火电厂烟气含氧量软测量[J].信息与控制,2001,30(2):189～193.

[7] 唐振浩,段洁,曹生现,等.基于自校正LS-SVM的电厂锅炉烟气含氧量软测量系统[J].化工自动化及仪表,2015,42(12):1281～1283,1299.

[8] 赵永磊,郑德忠.一种基于直接广义预测的烟气含氧量软测量方法研究[J].传感技术学报,2009,22(8):1213～1216.

[9] Cortes C,Vapnik V.Support-vector Networks[J].Machine Learning,1995,20(3):273～297.

[10] 席裕庚,柴天佑,恽为民.遗传算法综述[J].控制理论与应用,1996,13(6):697～708.

2017-03-20，

2017-08-03)

声明

本刊已许可中国学术期刊(光盘版)电子杂志社在中国知网及其系列数据库产品中以数字化方式复制、汇编、发行、信息网络传播本刊全文。该社著作权使用费与本刊稿酬一并支付。作者向本刊提交文章发表的行为即视为同意我刊上述声明。

SoftSensingofOxygenContentinFlueGasBasedonGA-SVM

WANG Yong-zhi,FU Zhong-guang, LIU Bing-han, WANG Peng-kai

(NorthChinaElectricPowerUniversity)

Considering higher cost and shorter service life of traditional measuring methods for the oxygen content in boiler flue gas of the power plant, a soft sensing method based on support vector machine(SVM) was proposed. It has mechanism analysis and data correlation analysis combined to choose relevant process parameters as the model input parameters and has the genetic algorithm(GA) employed to optimize the parameters of support vector machine and to establish the soft sensing model based on the support vector machine that parameters are optimized by genetic algorithm(GA-SVM). The experimental result shows that, this model can well reflect the change trend of oxygen content in flue gas.

soft sensing, power plant boiler, oxygen content in flue gas, GA-SVM soft sensing model

王永智(1993-)，硕士研究生，从事电站机组运行优化及状态监测的研究，wyzjob2015@163.com。

TH83

A

1000-3932(2017)10-0937-03