。所述DCS系統(tǒng)與數(shù)據(jù)庫將機組運行的 歷史數(shù)據(jù)傳輸給所述數(shù)據(jù)選取與預(yù)處理模塊，所述數(shù)據(jù)選取與預(yù)處理模塊根據(jù)歷史數(shù)據(jù)選 取模型的訓(xùn)練數(shù)據(jù)；所述數(shù)據(jù)選取與預(yù)處理模塊將選取出來的模型的訓(xùn)練數(shù)據(jù)傳輸給所述 最小二乘支持向量機建模模塊，所述最小二乘支持向量機建模模塊用于建立LSSVM床溫模 型；所述最小二乘支持向量機建模模塊將接收到的模型的訓(xùn)練數(shù)據(jù)傳輸給所述動態(tài)階尋優(yōu) 模塊，所述動態(tài)階尋優(yōu)模塊對接收到的訓(xùn)練數(shù)據(jù)進(jìn)行處理，確定最佳動態(tài)階組，并反饋給所 述最小二乘支持向量機建模模塊，用于確定床溫模型所涉及的遺傳算法的參數(shù)；所述床溫 動態(tài)預(yù)測模塊與所述最小二乘支持向量機建模模塊、DCS系統(tǒng)與數(shù)據(jù)庫連接，所述DCS系統(tǒng) 與數(shù)據(jù)庫將現(xiàn)場機組運行數(shù)據(jù)傳輸給所述床溫動態(tài)預(yù)測模塊，根據(jù)所述最小二乘支持向量 機建模模塊建立的床溫模型預(yù)測預(yù)測動態(tài)床溫值。
[0042] 所述一種循環(huán)流化床鍋爐動態(tài)床溫預(yù)測方法，首先利用所述最小二乘支持向量機(leastsquaressupportvectormachine，LSSVM)建模模塊構(gòu)建（1)所表達(dá)的床溫預(yù)測 模型。
[0043] y(k) =f[y(k- 1) ,......,y(k-p) ；Xi(k) ,......,x! (k-m)； x2 (k),......,x2 (k-n) ] (1)
[0044] 其中所述x(k)是模型的輸入量，所述xdk)，…，xjk-m)與所述x2(k)，…， x2(k-n)分別為循環(huán)流化床鍋爐中對應(yīng)采樣時刻決定床溫的給煤量、一次風(fēng)量；所述y(k) 為當(dāng)前床溫輸出；所述y(k-1)，...，y(k-p)表示歷史床溫輸出，所述p、m、n分別代表歷史 床溫動態(tài)階次、一次風(fēng)量動態(tài)階次和給煤量動態(tài)階次，表征床溫的動態(tài)性，取值范圍與數(shù)據(jù) 選取與預(yù)處理模塊中的采樣時間有關(guān)，最優(yōu)值由所述動態(tài)階尋優(yōu)模塊獲取。
[0045] LSSVM算法理論原理：
[0046] 給定N個模型樣本的數(shù)據(jù)集{X;，yj; =li...N，其中第i個樣本輸入為Rk(k為輸 入向量維數(shù)），第i個樣本輸出R。
[0047] 首先，用一非線性映射〇(?)將樣本的輸入空間妒映射到特征空間 爐(X)=(列)，)，…肩x"));然后，在這個高維特征空間中構(gòu)造最優(yōu)決策函數(shù).y= ?V(x) +6; 最后，以結(jié)構(gòu)風(fēng)險最小化為原則確定模型參數(shù)w、b。
[0048] 利用結(jié)構(gòu)風(fēng)險最小化原則，選取損失函數(shù)為誤差的二次項，優(yōu)化問題可以描述為 求解下面的問題。
[0049] (il)
[0050] 式中：《為權(quán)值向量，〇(?)為映射函數(shù)，I i為模型對訓(xùn)練樣本的預(yù)測誤差，c 為懲罰系數(shù)。利用Lagrange法求解優(yōu)化問題得
[0058] 將式（i3)和（i6)合成線性方程如下：
[0059]
[0060] 其中y=h，…，yN]T，1 = [1，? ? ?，1]T，a= [ai，…，aN]T，Vc=diag{l/c}，Q= {Q.ili, j = 1,2,...,N},
[0061] % = 最后得到函數(shù)估計的LSSVM模型為
[0062]
(17)：
[0063] 在確定（1)的過程中，所述LSSVM算法采用高斯徑向基函數(shù)（radialbasis function，RBF)核，即
[0064] K (x，xj = exp (_ | | x_Xi | |2/ 〇 2)
[0065]LSSVM算法和RBF核函數(shù)包含兩個未知參數(shù)c與〇，利用網(wǎng)格搜索法和交叉驗證 進(jìn)行。首先設(shè)定(^與〇的候選集為比較松散的網(wǎng)格{(cl，〇1)，…，（cl，〇1)}，以網(wǎng)格中 的節(jié)點進(jìn)行交叉驗證，得到最小誤差所對應(yīng)的網(wǎng)格節(jié)點。然后在一定的范圍類內(nèi)構(gòu)造比較 細(xì)的網(wǎng)格，再次以網(wǎng)格中的節(jié)點為參數(shù)進(jìn)行檢驗，最后得到最優(yōu)的(^與〇的值。c的初始值 取50,范圍為0~150, 〇的初始值取0. 5,范圍為0~4。
[0066] 確定采樣時間ts，單位：秒，根據(jù)采樣時間，所述數(shù)據(jù)選取與預(yù)處理模塊通過DCS 系統(tǒng)與數(shù)據(jù)庫獲取機組運行的歷史數(shù)據(jù)，包括時間點、機組負(fù)荷、給煤量、一次風(fēng)量、床溫 值。由于循環(huán)流化床鍋爐遲延、慣性和蓄熱比較大，且這些特性在不同負(fù)荷段下有一定的差 異，為了確保預(yù)測準(zhǔn)確性，分負(fù)荷段建立LSSVM模型，一般可按30~100WM分區(qū)。挑選不同 負(fù)荷段下足夠多的歷史運行數(shù)據(jù)，各輸入量的動態(tài)階選取由所述動態(tài)階尋優(yōu)模塊決定，作 為LSSVM算法的訓(xùn)練數(shù)據(jù)。
[0067] 所述動態(tài)階尋優(yōu)模塊進(jìn)行最佳動態(tài)階組提取。關(guān)于確定p、m、n的尋優(yōu)范圍的處 理，結(jié)合循環(huán)流化床鍋爐特性和ts大小計算，p的范圍為0~300/ts，m的范圍為0~360/ ts，n的范圍為0~600/ts，間隔均為1。
[0068] 優(yōu)化的目標(biāo)函數(shù)為訓(xùn)練的均方根誤差RMSE(rootmeansquarederrors)，RMSE是 用來衡量觀測值同真值之間的偏差，它是觀測值與真值偏差的平方和觀測次數(shù)n比值的平 方根，即
[0069]
[0070] 為保證模型預(yù)測實時性，尋優(yōu)部分離線進(jìn)行，每個負(fù)荷段下均采用十進(jìn)制編碼的 遺傳算法進(jìn)行優(yōu)化。如果尋優(yōu)的結(jié)果RMSE小于1，將尋優(yōu)結(jié)果對應(yīng)的p、m、n值作為對應(yīng)負(fù) 荷段的最佳動態(tài)階組，更新最小二乘支持向量機建模模塊中對應(yīng)負(fù)荷段的床溫模型。否則 從數(shù)據(jù)選取與預(yù)處理模塊中選取更多的數(shù)據(jù)，繼續(xù)優(yōu)化。
[0071] 優(yōu)化結(jié)束后所述動態(tài)床溫預(yù)測模塊進(jìn)行實時動態(tài)床溫值的確定，所述動態(tài)床溫預(yù) 測模塊從DCS系統(tǒng)與數(shù)據(jù)庫中獲取鍋爐實時運行的輸入數(shù)據(jù)，即式（1)中的輸入向量值，通 過所述數(shù)據(jù)選取與預(yù)處理模塊、動態(tài)階尋優(yōu)模塊確定所述P、m、n值，然后利用所述最小二 乘支持向量機建模模塊中對應(yīng)負(fù)荷段的床溫模型，預(yù)測出動態(tài)床溫值。
[0072] 本發(fā)明的有益效果是在對循環(huán)流化床鍋爐動態(tài)床溫值進(jìn)行預(yù)測時加入了動態(tài)階 思想，充分考慮了循環(huán)流化床鍋爐機組的遲延、慣性和蓄熱，并在不同負(fù)荷段下對動態(tài)階優(yōu) 化，消除了各負(fù)荷段下鍋爐遲延、慣性和蓄熱差異對預(yù)測值精度的影響，提出的循環(huán)流化床 鍋爐動態(tài)床溫預(yù)測模型及方法精度較高，實時性好。
[0073] 為了進(jìn)一步解釋本發(fā)明，下面結(jié)合具體實施例做進(jìn)一步說明。
[0074] 具體實施例一
[0075] 以大唐某CFB300麗亞臨界中間再熱機組鍋爐作為研究對象，鍋爐大小為1100t/ h，無外置床換熱器。數(shù)據(jù)選取與預(yù)處理模塊采集了連續(xù)十天14400組運行數(shù)據(jù)（命名為 數(shù)據(jù)組1)，取一天1440組運行數(shù)據(jù)（命名為數(shù)據(jù)組2)，采樣時間為1分鐘，初步選取歷史 床溫數(shù)據(jù)階次P的范圍為[0, 5]，一次風(fēng)量階次m的范圍為[0, 6]，給煤量階次n的范圍為 [0, 10]〇
[0076] 動態(tài)階尋優(yōu)模塊中按照負(fù)荷將數(shù)據(jù)組1中分為3段作為訓(xùn)練數(shù)據(jù)：負(fù)荷段1為 150麗~200麗；負(fù)荷段2為200麗~250麗；負(fù)荷段3為250麗~300麗，以數(shù)據(jù)組2中對 應(yīng)負(fù)荷段的數(shù)據(jù)作為預(yù)測數(shù)據(jù)。
[0077] 以訓(xùn)練的均方根誤差RMSE為優(yōu)化的目標(biāo)函數(shù)進(jìn)行離線尋優(yōu)，每個負(fù)荷段下均采 用十進(jìn)制編碼的遺傳算法進(jìn)行優(yōu)化，初始種群為100,變異率為〇. 1，交叉率為〇. 6,迭代次 數(shù)為100。如果尋優(yōu)的結(jié)果RMSE小于1，將尋優(yōu)結(jié)果對應(yīng)的p、m、n值作為對應(yīng)負(fù)荷段的最 佳動態(tài)階組，更新最小二乘支持向量機建模模塊中對應(yīng)負(fù)荷段的床溫模型。否則從數(shù)據(jù)選 取與預(yù)處理模塊中選取更多的數(shù)據(jù)，繼續(xù)優(yōu)化。
[0078] 實時從DCS中獲取機組負(fù)荷，判斷在其所處的負(fù)荷段以及對應(yīng)的p、m、n。從DCS 中獲取