[发明专利]一种基于支持向量机增量算法的锅炉燃烧效率预测方法

摘要

一种基于支持向量机增量算法的锅炉燃烧效率预测方法：S1选取核函数；S2构成初始数据集；S3初始数据预处理；S4取训练样本、测试样本；S5敏感系数ε=0.0001，训练精度0.00001，罚系数C与宽度系数σ的缺省值分别为10和0.0001；S6求泛化；S7选择泛化最佳参数对；S8训练得到初始分类器Ω₀、支持向量集和非支持向量集S9寻找新增样本集X₁中是否有违背广义KKT条件y_if(x_i)>1的样本点；S10构成新的集合S11再对X求分类器Ω和支持向量SV；S12建立锅炉燃烧效率的支持向量机预测模型。本发明输入参数少便于测量，省去繁琐的计算过程，锅炉燃烧工况训练时间短，更加满足DCS系统在线计算的要求，具有较高的预测精度。

主权项

1.一种基于支持向量机增量算法的锅炉燃烧效率预测方法，包括以下步骤：S1选取径向基函数作为支持向量机模型核函数；S2选择锅炉燃烧的总燃料量、总风量、烟气含氧量3个参数，给煤率5个参数，磨煤机通风量6个参数，燃烧器摆角，燃尽风挡板开度，二次风门开度AA~EF的6个参数共24个参数，根据电厂DCS系统的历史数据，每隔30s采样一次，构成初始数据集；S3将初始数据进行简单的预处理，剔除其中重复的数据；S4在进行预处理后的电厂DCS系统数据，选取工况1~99、101~200为训练样本，工况100为测试样本；S5取支持向量机模型的敏感系数ε=0.0001，训练精度为0.00001，罚系数C与宽度系数σ的缺省值分别为10和0.0001，将罚系数C设置为缺省值；S6按等差数列的形式在训练精度误差范围内抽取罚系数集和宽度系数集，形成一个(C,σ)参数对的网格，将步骤S4中训练样本集划分为n组，其中n-1组为训练集，余下的一组为测试集，在网格中选择任意一组参数对，通过m次不同的训练集及测试集的验证，确定这一参数对的泛化性能，绝对平均百分比误差(MAPE)值越小，泛化性能越好；S7将剩下的每一对参数对重复过程步骤S6，并记录每组参数的泛化性能，当所有参数都验证过之后，选择泛化性能最佳的参数对(C,σ)；S8对锅炉燃烧工况训练样本集X₀进行训练，得到初始的分类器Ω₀、支持向量集和非支持向量集S9假设f(x)是某一次增量学习后的决策函数，新增样本(x_i,y_i)，寻找新增样本集X₁中是否有违背广义KKT条件y_if(x_i)>1的样本点，若没有，则Ω₀为最终的学习分类器；若存在，则将X₁分为两部分，一部分符合KKT条件y_if(x_i)>1，另一部分违背KKT条件；S10在非支持向量集中寻找离支持向量集中各点最近的一个点，构成新的集合S11将支持向量集违背KKT条件的和最近点集合合并为新的训练集X，再对X求分类器Ω和支持向量SV；S12选取燃料量和总风量来描述负荷变化对锅炉热效率的影响；选取燃料成分、给煤机开度来描述煤粉的影响；选取排烟氧量、磨煤机通风量、二次风门开度来描述氧量的影响，选取燃烧器摆角和燃尽风开度来描述其他因素的影响，建立锅炉燃烧效率的支持向量机预测模型。