本發(fā)明涉及鍋爐參數(shù)檢測研究領(lǐng)域，特別一種鍋爐飛灰含碳量在線動態(tài)預(yù)測方法。

背景技術(shù)：

鍋爐飛灰含碳量是反映火力發(fā)電廠燃煤鍋爐燃燒效率的一項(xiàng)重要指標(biāo)，精確和實(shí)時(shí)地監(jiān)測飛灰含碳量有利于指導(dǎo)鍋爐運(yùn)行以提高鍋爐燃燒控制水平，降低發(fā)電成本，提高機(jī)組運(yùn)行的經(jīng)濟(jì)性，減少環(huán)境污染，同時(shí)也有利于提高煤灰的品質(zhì)，促進(jìn)煤灰的商品化。

目前，鍋爐飛灰含碳量檢測方法主要包括以下兩類：

一、直接測量法

直接測量法主要包括了灼燒法、微波法以及激光法等測量方法。

灼燒法是指通過取適量飛灰樣本在高溫下燃燒，以燃燒前后重量差來計(jì)算出樣本中的飛灰含碳量。灼燒法分為在線式和離線式。在線式灼燒法所需要的測量設(shè)備較為復(fù)雜，剛開始運(yùn)行時(shí)，可以保證一定的測量精度，運(yùn)行一段時(shí)間后，無法保證精度，且由于現(xiàn)場環(huán)境惡劣，設(shè)備維護(hù)的工作量比較大。離線式的灼燒法只能在實(shí)驗(yàn)室完成，測量精度較高，但無法得到實(shí)時(shí)的數(shù)據(jù)，不能用于實(shí)時(shí)指導(dǎo)燃燒優(yōu)化。

微波法是依據(jù)飛灰中碳元素對特定波長的微波的吸收或?qū)ξ⒉ㄏ辔坏挠绊憗頊y量鍋爐飛灰含碳量。微波法采用取樣管收集飛灰，在微波通道中，利用飛灰中含碳量的變化引起電信號的變化進(jìn)行測量。但采用這種方法，取樣裝置采用的取樣管容易堵灰及產(chǎn)生磨損，而且由于所取灰樣不一定具備代表性，因此測量準(zhǔn)確性不高。

二、間接測量法

間接測量法主要包括基于回歸分析建模的方法、基于機(jī)理分析建模的方法以及基于人工神經(jīng)網(wǎng)絡(luò)建模的方法?；诨貧w分析建模的方法是通過對大量數(shù)據(jù)壓縮提取，統(tǒng)計(jì)分析各個(gè)變量之間的線性關(guān)系，發(fā)現(xiàn)它們之間的依賴關(guān)系，并建立回歸分析模型。但由于鍋爐燃燒過程耦合強(qiáng)，非線性，干擾多，回歸分析建模無法適用于該領(lǐng)域?；跈C(jī)理分析建模的方法是要求根據(jù)已知的系統(tǒng)內(nèi)在機(jī)理聯(lián)系，建立主導(dǎo)變量與輔助變量之間的數(shù)學(xué)關(guān)系，運(yùn)用公式加以推導(dǎo)，實(shí)現(xiàn)對待測變量的預(yù)測。但由于鍋爐燃燒過程極其復(fù)雜，難以明確其機(jī)理關(guān)系，很難采用此種方法進(jìn)行精確的分析建模?；谌斯ど窠?jīng)網(wǎng)絡(luò)建模的方法具有自學(xué)習(xí)、聯(lián)想記憶、自適應(yīng)和非線性逼近等多種功能，適用于具有嚴(yán)重不確定性和非線性程度較高的系統(tǒng)，但其存在過擬合及局部極點(diǎn)等問題，模型預(yù)測效果很大程度上受網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、學(xué)習(xí)樣本數(shù)量、質(zhì)量的影響。

因此，提出一種準(zhǔn)確度高的飛灰含碳量在線實(shí)時(shí)預(yù)測方法是本領(lǐng)域亟需解決的重大技術(shù)難題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種鍋爐飛灰含碳量在線動態(tài)預(yù)測方法和裝置，其能夠?qū)崟r(shí)準(zhǔn)確地預(yù)測鍋爐飛灰含碳量，并且具有在線更新的功能。

本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn)：一種鍋爐飛灰含碳量在線動態(tài)預(yù)測方法，包括步驟：

(1)運(yùn)用偏最小二乘法選取影響鍋爐飛灰含碳量的輔助變量，對上述輔助變量值進(jìn)行動態(tài)預(yù)處理，得到模型的輸入向量；

(2)建模階段：選取一定數(shù)量的上述輸入向量的訓(xùn)練樣本，建立鍋爐飛灰含碳量lssvm預(yù)測模型，對模型參數(shù)進(jìn)行優(yōu)化選取，具體是：

(2-1)建立鍋爐飛灰含碳量lssvm預(yù)測模型：

其中，表示飛灰含碳量預(yù)測值，αk為訓(xùn)練得到的支持值，b為訓(xùn)練得到的偏置，為核函數(shù)；

(2-2)通過對訓(xùn)練樣本的訓(xùn)練獲得參數(shù)αk和b，公式為：

其中，α為一個(gè)1*n維向量組，αk是其中一維，α＝[α1,α2,...,αn]^t,y＝[y1,…,yn]^t；n為訓(xùn)練樣本個(gè)數(shù)，u＝(ω+γ^-1i)^-1，且ω:k,d＝1,...n，γ為lssvm模型目標(biāo)函數(shù)的懲罰系數(shù)，i為相應(yīng)維數(shù)的單位矩陣；y為訓(xùn)練樣本中的飛灰含碳量；

(3)實(shí)際測量階段：在線實(shí)時(shí)采集各個(gè)輔助變量的值，通過動態(tài)預(yù)處理得到模型輸入向量的值，將上述值輸入步驟(2)所建立的鍋爐飛灰含碳量lssvm預(yù)測模型，得到實(shí)際預(yù)測值。

優(yōu)選的，所述步驟(1)中，運(yùn)用偏最小二乘法選取影響鍋爐飛灰含碳量的輔助變量，步驟是：

(1-1)通過對飛灰含碳量影響因素的調(diào)研分析，結(jié)合相應(yīng)電廠實(shí)際運(yùn)行數(shù)據(jù)，初步確定影響鍋爐飛灰含碳量的初始輔助變量；

(1-2)將飛灰含碳量作為輸出變量利用偏最小二乘法進(jìn)行分析，對上述初始輔助變量進(jìn)行進(jìn)一步地篩選：

將包含所有初始輔助變量的一維矩陣x作為自變量矩陣，將訓(xùn)練樣本中的飛灰含碳量y作為因變量，用主成分ti與x、y之間的相關(guān)關(guān)系來反映模型的內(nèi)部信息，主成分對因變量y的解釋能力為：

rd(y；ti)＝r²(y,ti)

其中r(y,ti)是y與ti之間的相關(guān)系數(shù)，計(jì)算公式為：

通過自變量矩陣x與主成分ti之間的邊際關(guān)系以及ti對因變量y的解釋能力，得到第k個(gè)自變量對因變量y的重要性指標(biāo)如下：

其中p為自變量個(gè)數(shù)，ωik為權(quán)值向量ωi的第k個(gè)分量，反映了第k個(gè)自變量對ti的邊際貢獻(xiàn)，并有：

將各個(gè)初始輔助變量的重要性指標(biāo)值按從大到小排序，選取前面若干個(gè)指標(biāo)作為最終的輔助變量。

更進(jìn)一步的，為了獲得較精確的飛灰含碳量數(shù)據(jù)用于建模，步驟(1)中對采集的輔助變量值進(jìn)行動態(tài)預(yù)處理，步驟是：

采集電站鍋爐飛灰含碳量的化驗(yàn)樣本數(shù)據(jù)以及對應(yīng)的飛灰樣品的取樣時(shí)刻，設(shè)置動態(tài)預(yù)處理參數(shù)，包括輸入的階數(shù)、輸出的階數(shù)以及輸入的時(shí)延參數(shù)、輸出的時(shí)延參數(shù)；

然后根據(jù)上述化驗(yàn)樣本數(shù)據(jù)對應(yīng)的取樣時(shí)刻，獲取機(jī)組運(yùn)行數(shù)據(jù)；

將機(jī)組運(yùn)行數(shù)據(jù)x和化驗(yàn)樣本數(shù)據(jù)y根據(jù)下述公式處理，得到預(yù)處理后的輸入向量：

其中，yk為k時(shí)刻的輸出，mx、ny分別為輸入的階數(shù)、輸出的階數(shù)，dx、dy分別為輸入的時(shí)延參數(shù)、輸出的時(shí)延參數(shù)；為預(yù)處理后的回歸數(shù)據(jù)向量，即用于建立鍋爐飛灰含碳量lssvm預(yù)測模型的輸入向量。

優(yōu)選的，所述步驟(2-1)中，核函數(shù)采用徑向基(rbf)核函數(shù)，即其中σ表示徑向基核參數(shù)，為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍。

為了進(jìn)一步提高模型的計(jì)算速度，本發(fā)明對lssvm預(yù)測模型進(jìn)行稀疏化處理，步驟是：將樣本劃分為訓(xùn)練樣本和校驗(yàn)樣本，將訓(xùn)練樣本的剪切率ε作為優(yōu)化變量，并將校驗(yàn)樣本輸出與模型預(yù)測輸出的均方根誤差作為優(yōu)化目標(biāo)；

尋優(yōu)過程為：根據(jù)訓(xùn)練樣本所對應(yīng)的|αk|，將訓(xùn)練樣本重新排列，切除ε％的|αk|小于一定閾值的那部分樣本，再利用剩下的樣本重新訓(xùn)練lssvm預(yù)測模型，計(jì)算其性能指標(biāo)，尋找使性能指標(biāo)最優(yōu)的剪切率。

具體的，lssvm預(yù)測模型通過下列公式實(shí)現(xiàn)最優(yōu)稀疏化處理：

式中：y^ε為將原始訓(xùn)練樣本剪切ε(％)樣本后形成的新訓(xùn)練樣本集的輸出，uε和eε為與y^ε對應(yīng)的矩陣，y′i為校驗(yàn)樣本的實(shí)際輸出，n為初始訓(xùn)練樣本數(shù)，得到的最優(yōu)解ε^*為使性能指標(biāo)rmse取最小值的樣本剪切率。

由于lssvm最優(yōu)稀疏化化問題為復(fù)雜非線性問題，采用常規(guī)優(yōu)化方法求解具有局限性。為此，本發(fā)明采用粒子群優(yōu)化(pso)進(jìn)行智能尋優(yōu)。pso突破了搜索過程中函數(shù)單調(diào)性的限制，能實(shí)現(xiàn)全局尋優(yōu)，

具體的，lssvm預(yù)測模型采用粒子群優(yōu)化算法進(jìn)行智能尋優(yōu)，以進(jìn)行稀疏化處理的步驟是：

(4-1)設(shè)置lssvm算法和pso算法的初始參數(shù)；設(shè)定各粒子位置為ε，其適應(yīng)度值為rmse(ε)；

(4-2)用原始訓(xùn)練樣本訓(xùn)練lssvm模型，獲得模型的初始參數(shù)α⁰和b⁰；

(4-3)根據(jù)最優(yōu)稀疏化處理公式，置優(yōu)化變量ε＝0，pso迭代次數(shù)k＝1；設(shè)置個(gè)體極值pbest及群體極值gbest的初值，進(jìn)入pso的迭代尋優(yōu)過程；

(4-4)以|αi|大小對訓(xùn)練樣本進(jìn)行排序，剪切ε％的|αi|小于一定閾值的樣本構(gòu)成新訓(xùn)練樣本集n^ε＝(1-ε)n；

(4-5)用重新訓(xùn)練lssvm預(yù)測模型，獲得模型參數(shù)α^ε和b^ε；

(4-6)以校驗(yàn)樣本的rmse為適應(yīng)度函數(shù)，按照公式進(jìn)行計(jì)算；

(4-7)判斷是否rmse(ε)＜rmse(pbest)，如果是，則進(jìn)入(4-8)更新個(gè)體極值；否則轉(zhuǎn)入(4-11)；

(4-8)個(gè)體極值更新pbest＝ε；

(4-9)判斷是否rmse(ε)＜rmse(gbest)，如果是，則進(jìn)入(4-10)更新群體極值；否則轉(zhuǎn)入(4-11)；

(4-10)群體極值更新gbest＝ε；

(4-11)判斷pso是否到達(dá)最大迭代次數(shù)(k＞iter_max)，若條件不滿足進(jìn)入(4-12)，若滿足則轉(zhuǎn)入(4-13)；

(4-12)更新pso粒子速度和位置，迭代次數(shù)k加1，轉(zhuǎn)入(4-4)繼續(xù)pso迭代尋優(yōu)過程；

(4-13)到達(dá)pso最大迭代次數(shù)，獲得最優(yōu)剪切率及此時(shí)的模型參數(shù)和

(4-14)獲得最優(yōu)稀疏化的飛灰含碳量lssvm模型

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

1、本發(fā)明與試驗(yàn)室離線灼燒法相比，可實(shí)現(xiàn)在線測量；與在線灼燒法相比，系統(tǒng)和設(shè)備較為簡潔，維護(hù)量??；與常規(guī)微波法相比，測量精度受現(xiàn)場實(shí)際工作環(huán)境影響較小；

2、該方法可以針對機(jī)組的不同負(fù)荷狀態(tài)下的飛灰含碳量進(jìn)行學(xué)習(xí)，測量模型為動態(tài)模型，可以反映鍋爐運(yùn)行狀態(tài)的變化對飛灰含碳量的影響，算法的適應(yīng)性強(qiáng)，對于目前國內(nèi)火電大多數(shù)在低負(fù)荷下運(yùn)行的情況有較好的適應(yīng)性；測得的數(shù)據(jù)用于指導(dǎo)鍋爐的燃燒優(yōu)化；

3、本發(fā)明方法采用最小二乘支持向量機(jī)(lssvm)，可將建模過程轉(zhuǎn)換為解線性方程組問題，大大提高了求解速度；同時(shí)結(jié)合最優(yōu)化理論，對lssvm模型采用最優(yōu)稀疏方法，解決了模型臃腫的問題，大大提高了求解速度，具有實(shí)時(shí)性的優(yōu)點(diǎn)；

4、該方法應(yīng)用范圍廣泛，針對不同的鍋爐型式，只需要對模型中的各種輔助變量進(jìn)行重新選擇并進(jìn)行訓(xùn)練后即可進(jìn)行應(yīng)用。

附圖說明

圖1是本實(shí)施例方法模型的結(jié)構(gòu)圖。

圖2是本實(shí)施部分影響因素的vip指標(biāo)值。

圖3是本實(shí)施例方法的流程圖。

圖4是本實(shí)施例所采用裝置的結(jié)構(gòu)原理圖。

圖5是本實(shí)施例所述裝置內(nèi)部的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例1

本實(shí)施例一種鍋爐飛灰含碳量在線動態(tài)預(yù)測方法，結(jié)合鍋爐機(jī)理及現(xiàn)場調(diào)研，本測量模型選用dcs已有的熱工參數(shù)測點(diǎn)為輔助變量，通過對輔助變量進(jìn)行動態(tài)預(yù)處理形成lssvm預(yù)測模型的輸入向量。

飛灰含碳量軟測量模型輔助變量的選擇與鍋爐本身的特性、燃燒器組織形式、dcs測點(diǎn)配置等因素有關(guān)，以某四角切圓600mw機(jī)組鍋爐為例，影響因素如圖1所示，包括鍋爐負(fù)荷、爐膛與風(fēng)箱差壓、燃燒器擺角、燃料風(fēng)擋板開度、燃盡風(fēng)擋板開度、磨煤機(jī)給煤量、一次風(fēng)總風(fēng)壓、出口煙氣溫度、出口煙氣含氧量等等，為了提高預(yù)測的準(zhǔn)確性和實(shí)時(shí)性，本實(shí)施例基于偏最小二乘法，對輔助變量進(jìn)行進(jìn)一步地篩選，步驟是：

根據(jù)偏最小二乘法，提取的主成分ti一方面要盡可能代表自變量矩陣x中的信息,另一方面要盡可能地解釋因變量y，因此可以用主成分ti與二者之間的相關(guān)關(guān)系來反映模型的內(nèi)部信息。主成分對因變量y的解釋能力為：

rd(y；ti)＝r²(y,ti)

其中r(y,ti)是y與ti之間的相關(guān)系數(shù)，

通過自變量矩陣x與主成分ti之間的邊際關(guān)系以及ti對因變量y的解釋能力，可以得到第k個(gè)自變量對因變量y的重要性指標(biāo)如下：

其中p為自變量個(gè)數(shù)，ωik為權(quán)值向量ωi的第k個(gè)分量，反映了第k個(gè)自變量對ti的邊際貢獻(xiàn)，并有：

初選的鍋爐負(fù)荷、各磨煤機(jī)給煤量、爐膛與風(fēng)箱差壓、一次風(fēng)總風(fēng)壓、燃料風(fēng)擋板開度等影響因素作為初始輸入變量；并將飛灰含碳量作為輸出變量利用偏最小二乘法進(jìn)行分析，計(jì)算各變量的重要性指標(biāo)vipk如圖2所示。

從圖2可以看出鍋爐負(fù)荷、爐膛與風(fēng)箱差壓、燃燒器擺角、磨煤機(jī)給煤量、出口煙氣溫度、出口煙氣含氧量的vip指標(biāo)較高，表明這些因素對飛灰含碳量的影響較大，因此選取這幾個(gè)參數(shù)作為軟測量輔助變量。

電站鍋爐為一個(gè)動態(tài)系統(tǒng)，系統(tǒng)的狀態(tài)轉(zhuǎn)移與時(shí)間有關(guān)。若直接將收集的數(shù)據(jù)進(jìn)行模型訓(xùn)練，則模型無法反映樣本之間的時(shí)間屬性，模型僅描述了k時(shí)刻輸入與k時(shí)刻輸出之間的關(guān)系，即這屬于靜態(tài)模型。靜態(tài)模型只在電站鍋爐流程進(jìn)入穩(wěn)態(tài)或準(zhǔn)穩(wěn)態(tài)時(shí)才成立，無法描述其動態(tài)變化過程。針對此問題，本發(fā)明將鍋爐飛灰含碳處理為動態(tài)系統(tǒng)，其輸入輸出的自回歸對象為其中，y(k)為k時(shí)刻的輸出，預(yù)處理后的回歸數(shù)據(jù)向量：

式(1)中，mx、ny分別為輸入與輸出的階數(shù)，dx、dy分別為輸入輸出的時(shí)延參數(shù)。本專利采用lssvm算法，利用訓(xùn)練樣本中的飛灰含碳量以及機(jī)組運(yùn)行數(shù)據(jù)通過學(xué)習(xí)訓(xùn)練來逼近非線性模型

采用預(yù)處理后的樣本數(shù)據(jù)，鍋爐飛灰含碳量lssvm預(yù)測模型可以表示為：

其中，αk為對應(yīng)樣本的支持值，b為偏置。為核函數(shù)，本方法采用徑向基(rbf)核函數(shù)，即式(2)中αk和b為待求參數(shù)，通過學(xué)習(xí)樣本的訓(xùn)練獲得：

其中，式中y＝[y1,…,yn]^t；n為訓(xùn)練樣本個(gè)數(shù)。式(4)中，u＝(ω+γ^-1i)^-1，且ω:k,d＝1,...n，γ為lssvm模型目標(biāo)函數(shù)的懲罰系數(shù)，i為相應(yīng)維數(shù)的單位矩陣。

lssvm把支持向量機(jī)的學(xué)習(xí)問題轉(zhuǎn)化為解線性方程組問題，具有更快的運(yùn)算速度，適用于工業(yè)環(huán)境的實(shí)時(shí)計(jì)算；但其負(fù)面作用是使lssvm的支持向量值與誤差成正比，即αk＝γek。這樣一來，所有的樣本均成為支持向量，導(dǎo)致lssvm失去稀疏特性，模型變得“臃腫”，計(jì)算需要的存儲容量大，影響模型的預(yù)測計(jì)算速度。在電站鍋爐運(yùn)行中，隨著學(xué)習(xí)樣本的累積，樣本容量越來越大，對lssvm進(jìn)行稀疏化處理是鍋爐飛灰含碳量軟測量的關(guān)鍵環(huán)節(jié)。

本發(fā)明針對經(jīng)典稀疏化算法的以上弊端，結(jié)合最優(yōu)化理論，提出一種lssvm模型的最優(yōu)稀疏化方法。該方法是：將訓(xùn)練樣本的剪切率ε作為優(yōu)化變量，并將校驗(yàn)樣本輸出與模型預(yù)測輸出的均方根誤差作為優(yōu)化目標(biāo)。尋優(yōu)過程為：根據(jù)訓(xùn)練樣本所對應(yīng)的|α|將訓(xùn)練樣本重新排列，切除ε％的具有較小|α|那部分樣本，再利用剩下的樣本重新訓(xùn)練lssvm預(yù)測模型，計(jì)算其性能指標(biāo)，尋找使性能指標(biāo)最優(yōu)的剪切率。lssvm最優(yōu)稀疏化問題可以寫為：

式中：y^ε為將原始訓(xùn)練樣本剪切ε(％)樣本后形成的新訓(xùn)練樣本集的輸出，uε和eε為與y^ε對應(yīng)的矩陣，y′i為校驗(yàn)樣本的實(shí)際輸出，n為初始訓(xùn)練樣本數(shù)。該問題的最優(yōu)解ε^*為使性能指標(biāo)rmse取最小值的樣本剪切率。lssvm最優(yōu)稀疏化化問題(5)為復(fù)雜非線性問題，無法采用常規(guī)優(yōu)化方法求解。本發(fā)明采用粒子群優(yōu)化(pso)進(jìn)行智能尋優(yōu)。pso突破了搜索過程中函數(shù)單調(diào)性的限制，能實(shí)現(xiàn)全局尋優(yōu)，

參見圖3，本實(shí)施例一種鍋爐飛灰含碳量在線動態(tài)預(yù)測方法中建立模型的詳細(xì)步驟為：

s1：為了獲得較精確的飛灰含碳量數(shù)據(jù)用于建模，采用電站鍋爐飛灰含碳量的化驗(yàn)數(shù)據(jù)。在獲取化驗(yàn)數(shù)據(jù)的同時(shí)也記錄飛灰樣品的取樣時(shí)刻，以實(shí)現(xiàn)與鍋爐工況的匹配；

s2：設(shè)置動態(tài)預(yù)處理參數(shù)，主要包括輸入變量和輸出的階數(shù)和延遲系數(shù)。系數(shù)的設(shè)置與運(yùn)行數(shù)據(jù)的采樣周期以及鍋爐燃燒過程的特征有關(guān)，可依據(jù)的運(yùn)行人員的經(jīng)驗(yàn)選?。?/p>

s3：以modbus協(xié)議從dcs或以opc協(xié)議從sis獲取機(jī)組運(yùn)行數(shù)據(jù)，在獲取數(shù)據(jù)時(shí)需要注意運(yùn)行數(shù)據(jù)與化驗(yàn)樣本采樣時(shí)刻的匹配；

s4：按照式(1)進(jìn)行預(yù)處理，以獲得機(jī)組運(yùn)行狀態(tài)與飛灰含碳量之間的動態(tài)關(guān)系；

s5：從預(yù)處理后樣本中甄選訓(xùn)練樣本和校驗(yàn)樣本，隨著運(yùn)行時(shí)間的推移，獲得數(shù)據(jù)樣本量會累計(jì)，若不對訓(xùn)練樣本進(jìn)行稀疏化，則lssvm模型的維數(shù)大，計(jì)算所消耗的存儲容量及計(jì)算量將呈幾何級遞增，故下面對lssvm模型進(jìn)行稀疏化；

s6：設(shè)置lssvm算法和pso算法的初始參數(shù)，本發(fā)明采用試算的方法獲得；

s7：用初始樣本訓(xùn)練lssvm模型，獲得模型的初始參數(shù)α⁰和b⁰；

s8：按照式(5)建立lssvm最優(yōu)稀疏化問題，設(shè)定各粒子位置為ε，其適應(yīng)度值為rmse(ε)。置優(yōu)化變量ε＝0，pso迭代次數(shù)k＝1；置個(gè)體極值pbest及群體極值gbest的初值，進(jìn)入pso的迭代尋優(yōu)過程；

s9：以|αi|大小對訓(xùn)練樣本進(jìn)行排序，剪切ε％具有較小|αi|的樣本構(gòu)成新訓(xùn)練樣本集n^ε＝(1-ε)n；

s10：用重新訓(xùn)練lssvm預(yù)測模型，獲得模型參數(shù)α^ε和b^ε；

s11：以校驗(yàn)樣本的rmse為適應(yīng)度函數(shù)，按照進(jìn)行計(jì)算；

s12：判斷條件rmse(ε)＜rmse(pbest)，若條件成立，則進(jìn)入s13更新個(gè)體極值；若條件不成立則轉(zhuǎn)入s16；

s13：個(gè)體極值更新pbest＝ε；

s14：判斷條件rmse(ε)＜rmse(gbest)，若條件成立，則進(jìn)入s15更新群體極值；若條件不成立則轉(zhuǎn)入s16；

s15：群體極值更新gbest＝ε；

s16：判斷pso是否到達(dá)最大迭代次數(shù)(k＞iter_max)，若條件不滿足進(jìn)入s17，若滿足則轉(zhuǎn)入s18；

s17：更新pso粒子速度和位置，迭代次數(shù)k+1，然后轉(zhuǎn)入s9繼續(xù)pso迭代尋優(yōu)過程；

s18：到達(dá)pso最大迭代次數(shù)，獲得最優(yōu)剪切率及此時(shí)的模型參數(shù)和

s19：獲得最優(yōu)稀疏化的飛灰含碳量lssvm預(yù)測模型

上述方法基于下述鍋爐飛灰含碳量在線動態(tài)預(yù)測裝置，該裝置參見圖4、5，包括箱體和設(shè)置在箱體正面的觸摸屏，在箱體內(nèi)部底板上設(shè)有一導(dǎo)軌6，電源模塊1、cpu模塊2和通訊模塊3(cp341-rs232c)均安裝在導(dǎo)軌6上，cpu模塊2和通訊模塊3之間通過總線連接器7連接；存儲模塊4(mmc存儲卡)插在cpu模塊2的面板上。從通訊模塊3引出標(biāo)準(zhǔn)rs232c接口到箱體背板上，裝置通過該標(biāo)準(zhǔn)rs232c接口與火電廠中現(xiàn)有的dcs系統(tǒng)或sis系統(tǒng)通過數(shù)據(jù)線相連，裝置與電廠dcs系統(tǒng)進(jìn)行modbus通訊連接。modbus通信方式為主從站方式，本裝置作為modbus從站，電廠dcs系統(tǒng)為主站，所以使用從站硬件狗5得到授權(quán)，從站硬件狗5插在通訊模塊3上。所述cpu模塊2與外部上位機(jī)相連；電源模塊1為裝置中各器件供電。

在模型建立和訓(xùn)練階段，從sis讀取相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，待模型建立好之后，直接從dcs讀取實(shí)時(shí)數(shù)據(jù)用于飛灰含碳量的計(jì)算。在上述步驟s19得到最終的lssvm預(yù)測模型后，可通過上位機(jī)與cpu模塊的通信接口將模型(包括支持向量和模型參數(shù))下載到cpu模塊。cpu模塊即可利用此模型進(jìn)行實(shí)時(shí)鍋爐飛灰含碳量的在線預(yù)測，輸出測量值。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。