PDF《基于支持向量机的烟气二氧化硫排放量预测模型①》

? ? ? 基于支持向量机的烟气二氧化硫排放量预测模型① 薛美盛,??王旭,??冀若阳 (中国科学技术大学?自动化系,?合肥?230026) 通讯作者:?王旭,?E-mail:?1362253866@qq.

com 摘要:?针对循环流化床锅炉控制系统的烟气 SO2 对象的非线性特点,?本文建立了一种基于支持向量机的烟气 SO2 排放量预测模型.?由于直接网格搜索确定支持向量机回归模型参数的方法计算量大、搜索时间长,?本文采用单 变量参数搜索结合网格寻优的方法来确定模型参数.?仿真结果表明,?基于支持向量机方法建立的循环流化床锅炉烟 气SO2 排放量预测模型具有良好的预测效果. 关键词:?二氧化硫;

?支持向量机;

?网格寻优;

?预测模型 引用格式:??薛美盛,王旭,冀若阳.基于支持向量机的烟气二氧化硫排放量预测模型.计算机系统应用,2018,27(2):186C191.?http://www.c-s- a.org.cn/1003-3254/6188.html Prediction Model of SO2 Emissions in Flue Gas Based on Support Vector Machine XUE?Mei-Sheng,?WANG?Xu,?JI?Ruo-Yang (Department?of?Automation,?University?of?Science?and?Technology?of?China,?Hefei?230026,?China) Abstract:?In?consideration?of?the?nonlinearity?of?SO2?in?circulating?fluidized?bed?boiler,?a?prediction?model?of?SO2 emissions?in?flue?gas?based?on?support?vector?machine?is?proposed.?It?is?complex?to?directly?search?the?parameters?of support?vector?machine?regression,?so?a?method?combining?single?variable?search?and?grid?search?is?applied.?The simulation?shows?that?the?prediction?model?of?SO2?emissions?in?circulating?fluidized?bed?boiler?based?on?support?vector machine?has?good?prediction?performance. Key words:?SO2;

?support?vector?machine;

?grid?search;

?prediction?model ? 1???引言 随着我国经济的高速发展,?电力需求不断增多,?且 我国大部分的电能来自燃煤火力发电.?燃煤火电厂在 利用燃煤发电的过程中,?会产生各种废气、废水、灰渣,?其中废气中带有的 SO2 是大气的主要污染物之 一[1] .?国家对于排烟的指标要求越来越高,?因此实现脱 硫系统的高效稳定运行显得至关重要[2] . 目前,?各热电厂主要采用的烟气检测装备是烟气 连续排放检测系统 (CEMS).?因为烟气的检测系统工作 情况复杂,?采样的探头、传感器和很多的光学器件会 随着时间的积累出现不同程度的腐蚀老化[3] .?不仅如 此,?安装 CEMS 系统的费用昂贵,?且需要花费大量的人 力去维护,?因此建立烟气二氧化硫的预测模型,?得到较 为精准的二氧化硫输出预测值很有研究意义,?对锅炉 控制系统运行参数的调节也有参考指导的价值. 支持向量机 (Suport?Vector?Machine,?SVM) 是一种 以统计学理论为基础的新机器学习方法[4] ,?在解决小样 本、高维度和非线性等问题有特有的优势[5] .?另外,?该 算法通过转化为一个二次规划问题,?可以得到全局最 优解,?解决了神经网络训练存在的局部极小值问题[6] , 因此基于支持向量机的系统建模方法非常具有发展前 景.?本文基于支持向量机回归方法,?针对循环流化床锅 计算机系统应用?ISSN?1003-3254,?CODEN?CSAOBN E-mail:?csa@iscas.ac.cn Computer?Systems?&

?Applications,2018,27(2):186?191?[doi:?10.15888/j.cnki.csa.006188] http://www.c-s-a.org.cn ?中国科学院软件研究所版权所有. Tel:?+86-10-62661041 ①?收稿时间:?2017-04-26;

?修改时间:?2017-05-19;

?采用时间:?2017-05-25 186?软件技术?算法?Software?Technique?Algorithm 炉(CFB) 控制系统中烟气二氧化硫对象的非线性问题, 建立一种多输入单输出的二氧化硫浓度预测模型,?仿 真结果表明,?基于支持向量机的烟气二氧化硫预测模 型具有很好的预测效果. 2???支持向量机建模原理 为了把 SVM 推广到回归估计算法中去,?我们引入 一种损失函数 (ε 不敏感函数) 来实现[7] ,?如式 (1). 对于线性回归,?假设所有的训练数据都可以用线性 函数在精度 ε 精度精度之外情况,?引入 ξi≥0 和ξi * ≥0,?则 回归问题转化成最小化结构风险 (SRM) 函数的问题[8] , 如式 (2). 式中惩罚因子 C>

0,?对经验风险与置信范围这两部分 进行折中,?指的是对超出误差的样本的惩罚程度.?其约 束条件可用式 (3) 表示. 构造拉格朗日函数,?通过求偏导转化为求解对偶 二次规划问题,?最终得到回归函数,?如式 (4). 另外,?对于非线性问题,?可以通过映射将原始低 维样本转化为某个高维空间的线性问题.?由于在上面 的求解对偶问题中,?只涉及到训练样本之间的内积 运算 (xi・xj),?因此我们用核函数 K(xi,?xj) 替代原来的 内积运算来实现高维空间上的非线性函数拟合[9] .?本 文采用的核函数是径向基核函数 (RBF):? . 3???烟气二氧化硫预测模型仿真 3.1 烟气对象 石灰石和燃煤分别放在石灰石仓和燃煤仓内,?由 各自的传送带送入炉膛内,?通过床料加热着火,?在一次 风的作用下呈流化状态燃烧.?燃烧产生的烟气经过旋 风分离器分离,?利用余温加热过热器、空气预热器等, ? ? 图?1????循环流化床锅炉燃烧工作原理图 2018?年?第?27?卷?第?2?期http://www.c-s-a.org.cn 计算机系统应用Software?Technique?Algorithm?软件技术?算法?187 最后通过除尘器除尘后由烟道排除.?其工作原理如图

1 所示. 石灰石和煤燃烧生成的 SO2 在炉膛内反应生成硫 化盐,?从而达到脱硫的目的.?根据循环流化床锅炉燃烧 的工作原理和添加石灰石的脱硫方法,?可知石灰石 量、给煤量影响着烟气二氧化硫的浓度.?一次风、二 次风影响着锅炉燃料的燃烧状态及炉内氧含量,?所有 对二氧化硫的浓度也有很大影响.?床温不仅影响着煤 燃烧的速度还影响石灰石脱硫的效率,?因此也是影响 二氧化硫浓度的重要因素. 3.2 变量选择及数据预处理 选取某动力站 1#炉CFB 锅炉的稳定运行数据,?根 据该循环流化床锅炉燃烧特性和相关系数法计算,?烟 气二氧化硫预测模型的输入变量选择为:?给煤量、石 灰石给料传送带转速、一次风 A 导叶、一次风 B 导叶、二次风 A 液偶、二次风 B 液偶、床温等

7 个参数. 选取 2015.03.22 一天的稳定运行数据进行仿真实 验.?建模前,?对训练数据和测试数据进行归一化预处理, 采用式 (5) 进行归一化. 式中,?x 为原始数据,?x'

为归一化之后的数据,?μ 为原始 样本数据均值,?σ 为原始样本数据标准差. 3.3 仿真实现 在MATLAB 仿真平台上进行仿真研究,?操作系统 为Windows?7,?本文采用通用的支持向量机工具箱,?其 作者是 Steve?Gunn,?将工具箱添加到 Matlab?search path 中,?通过调用工具包的功能函数来实现预测模型 的训练和测试.?调用 svr 函数来训练模型,?见式 (6) 其中 X_1 和Y_1 分别为输入输出数据集,?ker 表示核 函数的选择;

?C 为惩罚因子的参数设置,?loss 为损失函 数的选择设置,?e 为设置的不敏感系数值.?函数返回值 nsv 为支持向量个数,?beta 和bias 为返回的模型拉格朗 日乘子解. 采用 svroutpu 函数计算模型的输出,?如式 (7), tstY_1 为返回的模型输出值. 3.4 参数寻优 采用高斯径向基函数 RBF 作为寻优核函数,?经过 多年的应用实践看出,?RBF 核函数是一个较为的普适 函数[10] ,?可以通过参数的选取,?使其适用于任意分布的 样本.?这样 SVR 可调的模型参数有惩罚系数 C、核函 数参数 g 和不敏感系数 ε[11] .?其中 C 的大小表示对误 差的惩罚程度........