维普资讯 http://www.cqvip.com 第１２卷第４期 燃烧科学与技术 Ｖ０１．１２ Ｎｏ．４ ２００６年８月 Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｂｕｓｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ａｕｇ．２００６ 基于ＳＶＭ的燃煤电站锅炉飞灰含碳量预测 蔡杰进，马晓茜 （华南理工大学电力学院，广州５１０６４０） 摘要：将支持向量机方法引人燃煤电站锅炉飞灰含碳量预测领域．该预测方法很好地建立了燃煤电站锅炉飞灰 含碳量特性与运行参数之间的复杂关系模型，并考虑到运行参数之间的耦合性，具有预测能力强、全局最优及泛化 性好等优点．将该方法应用于某３００ ＭＷ燃煤电站锅炉中，经过训练后的ＳＶＭ模型对检验样本飞灰含碳量进行预 测，均方根误差和平均相对误差分别为１．３９％和１．３０％，相当于ＢＰ网络模型的２２．２０％和２１．０７％．应用结果表明， 支持向量机方法优于多层ＢＰ神经网络法，能很好地满足预测要求． 关键词：锅炉；飞灰含碳量；支持向量机 中图分类号：ＴＫ２２３ 文献标志码：Ａ 文章编号：１００６．８７４０（２００６）０４—０３１２—０６ Ｆｏｒｅｃａｓｔｉｎｇ Ｕｎｂｕｒｎｅｄ Ｃａｒｂｏｎ Ｃｏｎｔｅｎｔ ｉｎ ｔｈｅ Ｆｌｙ Ａｓｈ ｆｒｏｍ Ｃｏａｌ－Ｆｉｒｅｄ Ｕｔｉｌｉｔｙ Ｂｏｉｌｅｒｓ Ｂａｓｅｄ ｏｎ ＳＶＭ ＣＡＩ Ｊｉｅ－ｊｉｎ，ＭＡ Ｘｉａｏ—ｑｉａｎ （Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ ＣｏＨｅｇｅ，Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ ５１０６４０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｎｅｗ ａｌｇｏｒｉｔｈｍｆｏｒｆｏｒｅｃａｓｔｉｎｇｔｈｅ ｕｎｂｕｒｎｅｄ ｃａｒｂｏｎ ｃｏｎｔｅｎｔｉｎｔｈｅｆｌｙａｓｈｆｒｏｍ ｃｏａｌ—ｉｆｒｅｄ ｕｔｉｌｉｙｔ ｂｏｉｌｅｒｓ ｂａｓｅｄ ＯＨ ｈｔｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ）ｍｅｔｈｏｄ ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｔｈｉｓ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ｅｓｔａｂｌｉｓｈｅｓ ａ ｍｏｄｅｌ ｔｏ ｒｅｌｆｅｃｔ ｈｔｅ ｃｏｍｐｌｉ— ｃａｔｅｄ ｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｔｈｅ ｕｎｂｕｒｎｅｄ ｃａｒｂｏｎ ｃｏｎｔｅｎｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｉｎ ｔｈｅ ｆｌｙ ａｓｈ ａｎｄ ｔｈｅ ｏｐｅｒａｔｉｎｇ ｐａｒａｍｅｔｅｒｓ． ｔｌｌ ｔｈｅ ｃｏｕｐｌｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｅｖｅｒｙ ｐａｒａｍｅｔｅｒ ｃｏｎｓｉｄｅｒｅｄ，Ｉｔ ｈａｓ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｈｉｓｈ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｃｙ，ｇｌｏｂａｌ ｏｐｔｉｍａ ｐｒｏｐ— ｅｒｔｙ，ａｎｄ ｍｏｒｅ ｇｅｎｅｒａｌｉｚｅｄ ｐｅｒｆｏｒｍａｎｃｅ．Ａｐｐｈｅｄ ｔｏ ａ ３００ ＭＷ ｃｏａｌ—ｂｕｒｎｉｎｇ ｕｔｉｌｉｙｔ ｂｏｉｌｅｒ，ｔｈｅ ＳＶＭ ｍｏｄｅｌ ｗｈｉｃｈ ｈａｄ ｂｅｅｎ ｔｒａｉｎｅｄ ｆｏｒｅｃａｓｔｅｄ ｈｔｅ ｕｎｂｕｒｎｅｄ ｃａｒｂｏｎ ｉｎ ｔｈｅ ｎｙ ａｓｈ ｉｎ ｔｈｅ ｔｅｓｔ ｓｍａｐｌｅｓ ｓｅｔ，ａｎｄ ｇｏｔ ｔｈｅ ｍｅｎａ ｓｑｕａｒｅ ｒｏｏｔ ｅｒｒｏｒ ｎａｄ ｔｈｅ ｍｅａｎ ｒｅｌａｉｔｖｅ ｅｒｒｏｒ ｏｆ １．３９％，ａｎｄ １．３０％，ｒｅｓｅｐｃｔｉｖｅｌｙ，ｗｈｉｃｈ ａｒｅ ２２．２０％ａｎｄ ２１．０７％ｏｆ ＢＰ ｎｅｗｔｏｒｋ ｍｏｄｅ１．Ｔｈｅｓｅ ｒｅ— ｓｕｈｓ ｓｈｏｗ ｔｈａｔ ＳＶＭ ｍｅｔｈｏｄ ｉｓ ｍｏｒｅ ａｃｃｕｒａｔｅ ｔｈａｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ａｎｄ Ｃａｎ ｓａｔｉｓｆｙ ｔｈｅ ｆｏｒｅｃａｓｔｉｇｎ ｄｅｍａｎｄ ｗｅｌ１． Ｋｅｙｗｏｒｄｓ：ｕｔｉｉｌｙｔ ｂｏｉｌｅｒ；ｕｎｂｕｒｎｅｄ ｃａｒｂｏｎ ｃｏｎｔｅｎｔ；ｓｕｐｐｏ￣ｖｅｃｔｏｒ ｍａｃｈｉｎｅ 实时、在线、准确地检测飞灰含碳量将有利于监测 较多等问题，且存在造价高、维修保养要求高等缺点． 锅炉燃烧，降低煤耗，提高机组运行的经济性和安全 而传统的软测量技术都是基于人工神经网络方法来建 性．但燃煤锅炉飞灰含碳量受到多种因素的影响（如 模，由于神经网络的学习算法采用经验风险最小化原 煤种、设计安装水平及锅炉运行操作水平等），这就给 理，缺乏定量分析与机理完备的理论结果，因而基于人 飞灰含碳量的实时检测带来了困难．目前，国内外有较 工神经网络燃煤电站锅炉飞灰含碳量软测量方法存在 多关于燃煤电站锅炉飞灰含碳量在线监测的研究，主 很大的局限性． 要有锅炉飞灰测碳仪技术Ｌｌ 和软测量技术 应用 针对这一现状，笔者将支持向量机方法应用于燃 于在线预测．飞灰测碳仪的在线测量，在技术上遇到了 煤电站锅炉飞灰含碳量预测领域．支持向量机是Ｖａｐ— 样品管堵灰、附加设备复杂和对测量精度的影响因素 ｎｉｋ等人根据统计学理论提出的一种新的机器学习方 收稿日期：２００５—１０—１０． 作者简介：蔡杰进（１９７７一 ），男，博士研究生．联系人：马晓茜，ｅｐｘｑｒａａ＠ｓｃｕｔ．ｅｄｕ．ｃａ 维普资讯 http://www.cqvip.com ２００６年８月 蔡杰进等：基于ＳＶＭ的燃煤电站锅炉飞灰含碳量预测 ・３１３・ 法，它是建立在统计学习理论的ＶＣ维理论和结构风 险最小原理基础上的，能较好地解决小样本、非线性、 高维数和局部极小点等实际问题【７－１０￣．目前，支持向 量机已被成功应用于电网、天然气等领域的负荷预 测 ．燃煤电站锅炉飞灰含碳量预测也可看作是一 种对飞灰含碳量特性及其影响因子间的复杂的非线性 函数关系的逼近问题，笔者尝试将支持向量机理论引 入燃煤锅炉飞灰含碳量预测建模之中． 任何函数只要满足Ｍｅｒｃｅｒ条件¨ ，都可作为核 函数，较常用的核函数有线性函数多项式函数、高斯函 数和Ｓｉｇｍｏｉｄ函数等．本文中选取高斯函数作为核 函数，即 唧（－ ） （６） 式中， 是高斯核函数的宽度参数． ２基于ＳＶＭ的燃煤电站锅炉飞灰含碳量预 １支持向量机 支持向量机通过引入核函数用一非线性映射将输 入空间映射到高维的特征空间，利用一个定义在高维 空间中的线性函数集来进行回归估计，目标函数除经 验风险外还包括一个用来控制回归函数复杂性的正则 化部分 Ｈ ． 给定样本集｛（Ｘｉ，Ｙ。）｝ （Ｘｉ∈Ｒ 为输入变量的 值，Ｙ ∈Ｒ为相应的输出值，Ⅳ为样本个数，Ｉ＂ｔ为输入 变量的维数）．ＳＶＭ所用拟合函数为 Ｙ＝ ）＝∑ 咖 ＋ｂ （１） ｛（（ｂ（ ），Ｙ ）｝ 是从输入空间到高维特征空间的非 线性映射，系数｛ ｝ 和ｂ由最小化方程式来估算， 即 ｌ １＋ｃ （）， 置）） （２）ｉ ＝１ ｙ ）＝ 一 ｓ （３） 式中：第１项÷ＩＩ Ｉ Ｉ为正则化部分；第２项是经验 风险，由式（３）给出的不敏感损失函数 来度量；Ｃ为 用来平衡两者的权重参数，称为正则化参数． 为了得到系数 和ｂ，引入松弛变量 和 ，将 式（２）转化为 ｗ ＩＩ ｚ＋Ｃ・ （ 一 ｒＹｉ—Ｗ。咖（ ）一６≤ ＋ ｉ （４） ｓ．ｔ．｛Ｗ・咖（ ）＋ｂ—Ｙ ≤ ＋ Ｌ ’≥０， ≥０ 最后，引入拉格朗日乘子，回归函数式（１）可变成精确 形式为 ）＝∑（ ｉ—Ｉｘｉ＊）Ｋ（置， ）＋ｂ （５） 式中： ｉ、 为对偶参数． 测模型 ２．１输入、输出参数 燃煤锅炉飞灰含碳量特性受到如煤种、运行参数 和锅炉设计、制作、安装等因素的影响，关系较为复杂． 但如将锅炉考虑成黑箱模型，由于锅炉已经建成运行， 其设计和安装参数均已确定，因此将锅炉负荷、炉膛出 口烟气含氧量、各二次风挡板开度、燃尽风挡板开度、 燃料风挡板开度、煤种特性及各磨煤机给煤量、炉膛与 风箱差压、一次风总风压、燃烧器摆角等运行参数作为 模型的输入量．由于现役机组中存在各种不同型号的 燃煤锅炉，它们之间的一些参数，如磨煤机数目、燃烧 器数目等，存在差异，即使是同一型号的锅炉，不同生 产厂家制造，这些参数也会存在一定的差异，所以在实 际应用工程中，输入参数还需根据具体的实际锅炉模 型进一步细化．飞灰含碳量作为模型的输出． ２．２算法参数 利用ＳＶＭ方法进行燃煤电站锅炉飞灰含碳量预 测，为了得到准确的预测精度，还必须精心选择ＳＶＭ 的超参数．在采用高斯核函数的ＳＶＭ中，超参数包括 以下３项： １）ｓ不敏感损失函数中ｓ的值越大，支撑向量的 数目就越少，因而解的表达就越稀疏，然而大的 会降 低回归函数的逼近精度，即它被用来平衡解的稀疏程 度和回归函数的逼近精度； ． ２）正则化参数ｃ决定着模型复杂度与训练误差 在目标函数中的比重； ３）高斯核函数的宽度参数艿隐含地定义了从输 入空间到高维特征空间的非线性映射，决定了特征空 间的结构，因而控制了最终解的复杂性． ２．３步骤 应用ＳＶＭ进行燃煤电站锅炉飞灰含碳量预测的 步骤如下： １）读取数据，并对数据进行平滑处理（剔除奇异 值）和归一化处理（防止计算溢出）； ２）形成、更新训练样本集，预测样本集； ３）选取合适的结构参数 、Ｃ和艿； 维普资讯 http://www.cqvip.com 燃 烧 科 学 与 技 术 第１２卷第４期 尽次 次 风风 风 燃二 一 ４）在训练样本上建立形如式（４）的目标函数； ５）利用序列极小化方法求解目标函数； ６）将预测样本的输入变量和求解目标函数所得 的参数代人式（５），用于预测该燃煤电站锅炉某一工 况下的飞灰含碳量． ｌ口口 回 口 回△ ＝ ∑ｌ” １ ｌ Ｌｌ×１００％ （８） ｆｈ ｌ ， ，ｖ ｌ ｃ 一 ｌ 式中，Ｃ 为Ｃ 的估计值． ３．３输入参数细化 一一一一一一一一该３００ ＭＷ锅炉采用滑压运行方式，采用发电负 ３实例分析 荷和人炉总空气量描述锅炉负荷对飞灰含碳量特性的 影响；５台磨煤机对应５个磨煤机给煤量，用以描述一 本文将ＳＶＭ算法模型应用于某３００ ＭＷ燃煤电 站锅炉实际运行过程中的飞灰含碳量预测，并和ＢＰ 算法的预测进行比较研究． ３．１ 对象简介 该机组锅炉是上海锅炉厂生产的ＳＧ一１０２５／１８．３一 Ｍ３１７型亚临界中间再热控制循环汽包锅炉，采用正压 直吹式制粉系统；配有５台ＲＰ８６３型中速磨煤机，炉 膛尺寸为１４ ０２２ ｍｍ ｘ １２ ３３０ ｍｍ．炉膛四角布置切向 摆动燃烧器，燃烧器为一二次风间隔布置，燃烧器可在 上、下方向摆动以控制炉膛出口烟温及调节再热蒸汽 温度，采用同心反切燃烧系统，二次风偏离一次风２５。 送人炉膛．满负荷条件下投用４层一次风，其余一层一 次风备用．锅炉燃烧器布置如图１所示．图中，ＯＦＡ代 表顶部燃尽风，该风室高度４４０ ｍｌｎ，Ａ、Ｂ、Ｃ、Ｄ、Ｅ分别 表示各层燃料风，ＡＡ、ＡＢ、ＢＣ、ＣＤ、ＤＥ和ＥＦ分别表示 各层辅助风，括号内数据为风室高度，单位为ｍｍ． ． ｊ ／ 八／ ，’蓉 Ｊ● ／ 、 ！ 图１燃烧器布置示意 ３．２评价指标 采用了以下两个统计量来评价模型的拟合程度和 诊断效果，这两个统计量是均方根误差△ （ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅＩＴＯｒ）、平均相对误差△ＭＲＥ（ｍｅａｎ ｒｅｌａｔｉｖｅ ｅＩＴｏｒ） ＡＲＭｓＥ 次风粉量沿炉高分配对炉内燃烧的影响；５台磨煤机 对应５个煤粉细度 帅，用以描述煤粉细度对飞灰含碳 量特性的影响；二次风共投用６层，同层联动，底层ＡＡ 层二次风门开度固定，因此有５个二次风挡板开度值， 以描述二次风配风方式对燃烧的影响；１个燃尽风挡 板开度值以描述燃尽风的影响；取炉膛与风箱差压测 点的平均值作为１个输人参数以考察其对二次风速的 影响；取炉膛出口烟气含氧量平均值作为１个输人参 数，描述燃烧氧量的影响；煤种特性取发热量Ｑ 、挥 发分 、灰分Ａ 和水分 共４个参数，以描述煤种 特性的影响；各层燃烧器联锁摆动，对应１个燃烧器摆 角；各燃料风开度联锁，对应１个燃料风开度；取１个 一次风总风压以考虑一次风压对一次风速的影响．共 有２７个输人参数．按等截面法在磨煤机出口每根煤粉 管道上取样，测得煤粉细度Ｒ帅；其他运行参数均可由 电厂ＤＣＳ中获得． 于是，可确定样本集｛（置，Ｙ ）｝ 。的结构，Ｙ 是某 一工况下的飞灰含碳量；置是该工况下锅炉的其他运 行参数． ３．４热态测试结果构造样本集 在该３００ ＭＷ燃煤锅炉上进行了热态多工况实炉 测试，对影响锅炉燃烧特性的各种运行参数：锅炉负 荷、磨煤机组合、燃尽风（ＯＦＡ）配风方式、二次风配风 方式、煤种和燃烧器摆角等，进行变工况试验，具体工 况及测得的飞灰含碳量见表１及表２． 取表１和表２中工况１、工况３～５、工况７～１０、工 况１２～１３、工况１５～２３对应的１９个样本构成１６个训 练样本；工况２、工况６、工况ｌ１及工况１４对应的４个 样本作为检验样本． ３．５算法参数选择 用ＳＶＭ算法模型进行燃煤电站锅炉飞灰含碳量 预测时，采用高斯函数作为核函数，参数选择分别为 ＝５，ｃ＝１０ ０００和 ＝０．０００ １；用ＢＰ神经网络模型 进行燃煤电站锅炉飞灰含碳量预测时，采用标准的３ 层ＢＰ网络，选用２７个输入节点，１个输出节点，３２个 隐节点． 维普资讯 http://www.cqvip.com ２００６年８月 蔡杰进等：基于ＳＶＭ的燃煤电站锅炉飞灰含碳量预测 ・３１５・ 表１现场热态试验工况表（Ｉ） 负荷／ 入炉总风量Ｇ／ 磨煤机给煤量ｑ／（ｔ・ｈ ） 磨煤机煤粉细度Ｒ９０／％ 风箱炉膛压差 炉膛出口烟气 工况 （Ｗ・ＭＷ ） （ｔ・ｈ ） Ａ Ｂ Ｃ Ｄ Ｅ Ａ Ｂ Ｃ Ｄ Ｅ ｚ￣／Ｐａ 氧量［０２］／％ １ ３ｏ２ １ １４５ ２６ ２６ ２６ ２５ ０ ２５．０ ２６．０ ２７．６ １９．４ ０ ４９６．５ ３．３ ２ ３０４ １ １６ｏ ２５ ２５ ２５ ２３ ０ ２５．９ ２６．８ ２７．６ ２Ｏ．７ ０ ５１６．５ ３．０５ ３ ３０ｏ １ Ｏ１１ ２４ ２４ ２４ ２３ ０ ２５．９ ２６．８ ２８．６ ２Ｏ．０ ０ ５０６ ３．８５ ４ ２９３ １ １４１ ２４ ２４ ２４ ２４ Ｏ ２５．９ ２６．８ ２８．６ ２Ｏ．０ ０ ５４２．５ ４．７ ５ ２７３ ７６２ ２２ ２２ ２２ ２３ ０ ２６．８ ２７．７ ２９．６ ２Ｏ．７ ０ ５１６ ３．１５ ６ ２７０ ９１５ ２２ ２２ ２１ ２２ ０ ２６．８ ２７．７ ２９．６ ２１．４ ０ ７ｌ１．５ ３．７５ ７ ２７１ ９５８ ２３ ２３ ２２ ２１ ０ ２６．８ ２６．８ ２９．６ ２１．４ ０ ５９９ ４．３５ ８ ２３９ ６５６ ２Ｏ ２Ｏ ２Ｏ ２０ ０ ２７．８ ２８．７ ３Ｏ．８ ２１．４ ０ ４４１ ３．１５ ９ ２４１ ８１０ ２Ｏ ２Ｏ ２Ｏ ２Ｏ ０ ２７．８ ２７．７ ２９．６ ２１．４ ０ ４８９ ４．ｏ５ １Ｏ ２３９ ８５０ ２Ｏ ２Ｏ ２Ｏ ２０ ０ ２６．８ ２７．７ ３Ｏ．８ ２１．４ ０ ５５６ ４．７ １１ ２９２ ９１２ ２６ ２６ ２６ ２４ ０ ２５．０ ２７．５ ３２．０ ３１．０ ０ ３８８．５ ３．０５ １２ ２８８ ９９２ ２５ ２６ ２４ ２４ Ｏ ２５．Ｏ ２６．Ｏ ２７．２ １４．０ ０ ７５６．５ ３．１５ １３ ２８９ ９４５ ２５ ２５ ２４ ２４ ０ ２６．８ ２９．７ ２７．６ １９．４ ０ ７５８．５ ２．８ １４ ２９２ １ ０１４ ２５ ２４ ２４ Ｏ ２４ ２６．８ ２９．７ ２８．６ Ｏ ３３．２ ７４６ ２．８５ １５ ２９３ ９８８ ２５ ２４ ２４ Ｏ ２４ ２５．９ ２６．８ ２７．６ ０ １８．０ ７９３ ２．９ １６ ２９８ ９９ｏ ２５ ２５ ２５ ０ ２４ ２５．９ ２６．８ ２７．６ ０ ２２．６ ８７４．５ ２．９ １７ ２９７ ９６８ ２５ ２５ ２５ Ｏ ２４ ２５．９ ２６．Ｏ ２７．６ Ｏ ２２．６ ９１７．５ ２．８ １８ ２９５ ９４６ ２４ ２４ ２４ Ｏ ２３ ２５．Ｏ ２６．Ｏ ２６．７ Ｏ ２１．９ ９１１ ３．１ １９ ２９５ ９６４ ２５ ２５ ２５ ２４ ０ ２５．０ ２６．０ ２６．７ １９．４ ０ ６４０ ３．１５ ２Ｏ ２８０ ９４５ ２５ ２５ ２５ ２４ ０ ２５．Ｏ ２６．Ｏ ２７．６ １９．４ ０ ７２６ ３．３５ ２１ ２９４ ９４９ ２６ ２６ ２５ ２５ ０ ２４．２ ２５．２ ２６．７ １８．８ Ｏ ６６６ ２．７ ２２ ２９６ ９８８ ２６ ２６ ２５ ２５ Ｏ ２４．２ ２５．２ ２６．７ １８．８ ０ ８３５．５ ２．８５ ２３ ２９ｏ ９８８ ２６ ２６ ２５ ２５ ０ ２４．２ ２５．２ ２６．７ ｌ８．８ ０ ７９４．５ ３．２５ 表２现场热态试验工况表（ＩＩ） 燃尽风开度 煤种特性 二次风门开度 ２／％ １，ｏ／￣／ｏ 燃烧器 燃料风 一次风 飞灰含 工况 摆角 开度 总压 碳量 肘 Ａ ｔ，Ｏ／ＡＢ ＢＣ ＣＤ ＤＥ ＥＦ ０ＦＡ ｏ１％ １ ｐ／ｋＰａ Ｃｒ． ． （ｋＪ・ｋｇ ） ｌ １１．７ ｌ６．７４ ２９．２ｌ ２２ ９１９ ｌ００ ｌ０ｏ ｌ００ ｌ０ｏ ５ ｌ０ｏ ２０ ５９ ７．７５ ０．８４ ２ ｌ１．７ １３．４２ ２８．１３ ２３ ２６４ １０ｏ １０ｏ １０ｏ １０ｏ ５ １０ｏ ２Ｏ ６２ ８．１５ １．１７ ３ ｌ１．７ １３．４２ ２８．１３ ２３ ２６４ １０ｏ ７０ ７０ １０ｏ ５ １０ｏ ２Ｏ ６４ ８．２５ １．４７ ４ ｌ１．７ １３．４２ ２８．１３ ２３ ２６４ １０ｏ ７０ ７０ １０ｏ ５ ９１ ２Ｏ ６４ ８．１５ Ｏ．６２ ５ ｌ１．９９ １７．５９ ２８．Ｏ３ ２２ ３４９ ７０ ７０ １０ｏ １０ｏ ５ ６４ ５Ｏ ５６ ７．４０ １．２８ ６ ｌ１．９９ １７．５９ ２８．Ｏ３ ２２ ３４９ ７０ ７０ １０ｏ １０ｏ ５ ６Ｏ １０ｏ ５６ ７．３５ Ｏ．６２ ７ ｌ１．９９ １７．５９ ２８．Ｏ３ ２２ ３４９ ７０ ７０ ７０ ７０ ５ ６１ １０ｏ ５６ ７．４０ ０．７０ ８ １２．１ １７．３Ｏ ２８．３４ ２２ ４２１ ７０ ７０ ７０ ７０ ５ １９ １０ｏ ４４ ６．６５ １．２７ ９ ｌ２．１ １７．３Ｏ ２８．３４ ２２ ４２１ １０ｏ １０ｏ １０ｏ １０ｏ ５ ２ｌ １０ｏ ４５ ６．６５ ０．８４ １Ｏ ｌ２．１ ｌ７．３Ｏ ２８．３４ ２２ ４２１ １０ｏ １０ｏ １０ｏ １０ｏ ５ １９ ５Ｏ ４５ ６．５５ ０．９３ ｌ１ ｌ３ １５．１３ ２９．６９ ２２ ６９２ １０ｏ ５Ｏ ５Ｏ １０ｏ ５ ８９ １０ｏ ５３ ７．４５ １．１２ １２ ｌ３ １５．１３ ２９．６９ ２２ ６９２ １０ｏ ５Ｏ ５Ｏ １０ｏ ５ ８４ ５Ｏ ５３ ７．３５ Ｏ．５Ｏ １３ ｌ３．６９ １６．６４ ２９．３７ ２１ ６７２ ５Ｏ ５Ｏ １０ｏ １０ｏ ５ ８５ ５Ｏ ５３ ７．５Ｏ ０．４５ １４ ｌ３．６９ １６．６４ ２９．３７ ２１ ６７２ １０ｏ １０ｏ １０ｏ ５ １０ｏ ８９ １０ｏ ５９ ７．７５ ０．８６ １５ ｌ３．６９ １６．６４ ２９．３７ ２１ ６７２ １０ｏ １０ｏ １０ｏ ５ １０ｏ ９１ ５Ｏ ５２ ７．３Ｏ ０．４３ １６ ｌ２．Ｏ５ ２１．Ｏ５ ２８．２６ ２１ ０５５ １０ｏ ５Ｏ ５Ｏ ５ １０ｏ ９７ １０ｏ ５３ ７．４０ Ｏ．３１ １７ ｌ２．０５ ２１．０５ ２８．２６ ２１ Ｏ５５ １Ｏ０ ５０ ５Ｏ ５ １０ｏ ９６ １０ｏ ４０ ７．１Ｏ ０．４２ １８ １２．０５ ２１．０５ ２８．２６ ２１ ０５５ １ｏｏ １ｏｏ ５Ｏ ５ ５ｏ ９３ １ｏｏ ５１ ７．２５ ０．４３ １９ ９．６３ １６．１１ ２７．６１ ２３ ９６４ １０ｏ １０ｏ １０ｏ １０ｏ ５ ９３ ５Ｏ ６ｏ ７．８５ ３．２０ ２Ｏ ９．６３ １６．１１ ２７．６１ ２３ ９６４ １０ｏ ５Ｏ ５Ｏ １０ｏ ５ ７３ １０ｏ ６２ ７．９５ １．４４ ２１ ９．６３ １６．１１ ２７．６１ ２３ ９６４ ５Ｏ ５Ｏ １０ｏ １０ｏ ５ ９２ ５Ｏ ６１ ７．９５ ２．９７ ２２ ９．６３ １６．１１ ２７．６１ ２３ ９６４ １０ｏ １０ｏ ５Ｏ ５Ｏ ５ ９５ １０ｏ ６１ ８．Ｏ５ １．２４ ２３ ９．６３ １６．１１ ２７．６１ ２３ ９６４ １０ｏ ５Ｏ １０ｏ ５Ｏ ５ ８７ １０ｏ ６１ ８．ｏ５ ２．４８ 注：由于现场热态试验是在锅炉燃烧及制粉系统性能优化调整刚完成不久进行的，所以该炉的运行状态较优，飞灰含碳量较低。 维普资讯 http://www.cqvip.com 燃 烧 科 学 与 技 术 第１２卷第４期 ３．６结果及分析 ＳＶＭ模型和ＢＰ网络模型两个模型训练学习过程 及其误差曲线如图２所示，预测输出的相对误差分别 为０．００１ ５％及０．００１ ７％，由于两种模型的训练样本输 出和实测值几乎完全一致，所以图中预测值中几乎看 不到“＋”号；４个检验样本的预测输出及相对误差如 表３所示，均方根误差△ ＭｓＥ分别为１．３９％和６．２６％，平 均相对误差△ＭＲＥ分别为１．３０％和６．１７％． （ａ）训练与预测过程曲线 ２ ＼ 械 （ｂ）相对误差曲线 图２模型训练过程与误差曲线 表３ ＳＶＭ与ＢＰ网络法预测比较 ％ ＢＰ网络法 ＳＶＭ方法 工况点 实测值 相对误差 相对误差 预测值 绝对值 预测值 绝对值 ２ １．１７ １．１ｌ２ ４．９５７ １．１５２ １．５３８ ６ ０．６２ ０．６６４ ７．０９７ ０．６２４ ０．６４５ ， １１ １．１２ １．１８２ ５．５３６ １．１４２ １．９６４ １４ Ｏ．８６ ０．７９９ ７．Ｏ９３ Ｏ．８５１ １．０４７ 平均 ６．１７０ １．３ｏｏ 均方根误差 ６．２６ １．３９ 由以上结果可知，两种预测模型训练过程输出误 差均很小，说明均获得了正确的输入一输出相应行为， 建立了锅炉运行参数和飞灰含碳量关系的神经网络模 型和支持向量机模型．在验证模型正确性的过程中， ＳＶＭ模型预测误差均比ＢＰ网络方法小，均方根误差 △ 眦和平均相对误差△ 分别是ＢＰ网络方法的 ２２．２０％和２１．０７％．说明用ＳＶＭ方法来预测电站锅炉 的飞灰含碳量，其数据吻合程度相当好，明显优于ＢＰ 网络方法，而且精度能够满足实际使用的需要．这主要 是因为ＳＶＭ模型能充分利用训练样本的分布特性，根 据部分训练样本构建判别函数，不需过多的先验信息 和使用技巧，并最终转化为二次寻优问题，得到的将是 全局最优解，且ＳＶＭ模型的小样本处理能力较强，在 样本数不多的情况下也能很好地进行统计学习． ４结论 （１）由于支持向量机方法以统计学习理论作为其 理论基础，采用结构风险最小化原则，具有精度高、全 局最优及泛化性好等特点，所以本文提出了基于ＳＶＭ 的燃煤电站锅炉飞灰含碳量预测模型．该模型可将电 站锅炉飞灰含碳量特性与各个运行参数之间的复杂关 系及参数之间的耦合关系简单地表示出来，可准确、有 效地对飞灰含碳量进行预报． （２）将ＳＶＭ飞灰含碳量预测方法应用于３００ ＭＷ 燃煤电站锅炉中．经过训练后的ＳＶＭ模型对检验样本 飞灰含碳量进行预报，均方根误差△ 和平均相对误 差△ＭＲＥ分别为１．３９％、１．３０％，相当于ＢＰ网络模型的 ２２．２０％和２１．０７％．表明ＳＶＭ方法有更高的预测精度， 更好的泛化能力，具有很好的推广应用前景． （３）ＳＶＭ模型的建立，为电站锅炉飞灰含碳量的 实时测量提供了一种更为准确的手段，为实时监测电 站锅炉燃烧经济性提供便利．如结合全局寻优算法，可 在燃用任何煤种条件下寻找出最优的操作参数，以获 得高的燃烧经济性． （４）此作为一种新的尝试，ＳＶＭ方法不仅为电站 锅炉飞灰含碳量预测带来了新的思路和方法，在电力 系统中其他带有更加复杂条件的预测分析方面也有非 常重要的意义． 参考文献： ［１］Ｏｕａｚｚａｎｅ Ａ Ｋ，Ｃａｓｔａｇｎｅｒ Ｊ Ｌ，Ｊｏｎｅｓ Ａ Ｒ，ｅｔ １ａ．Ｄｅｓｉｇｎ ｏｆ ａｎ ｏｐｔｉｃａｌ ｉｎｓｔｒｕｍｅｎｔ ｔｏ ｍｅａｓｕｒｅ ｔｈｅ ｃａｒｂｏｎ ｃｏｎｔｅｎｔ ｏｆ ｌｆｙ ａｓｈ ［Ｊ］．Ｆｕｅｌ，２００２，８１（１５）：１９０７—１９１１． ［２］方湘涛，宣益民，冯长青，等．ＭＣＥ－１型烟道式飞灰含碳 量在线测量系统的研制［Ｊ］．工程热物理学报，２００３，２４ （３）：５２３—．５２７． Ｆａｎｇ Ｘｉｎａｇｔａｏ，Ｘｕａｎ Ｙｉｍｉｎ，Ｆｅｎｇ Ｃｈａｎｇｑｉｎｇ，ｅｔ ａ１．Ｄｅｖｅｌ・ ｏｐｍｅｎｔ ｏｆ ＭＣＥ・－１ ｃａｒｂｏｎ・－ｉｎ・－ｓａｈ ｍｅａｓｕｒｉｎｇ ｓｙｓｔｅｍ ｏｎ・－ｌｉｎｅ ｎｏｎ－ｅｘｔｒａｎｃｔｉｖｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆＥｎｇｉｎｅｅｒｉｎｇ Ｔｈｅｒｍｏｐｈｙｓｉｃｓ， 维普资讯 http://www.cqvip.com ２００６年８月 蔡杰进等：基于ＳＶＭ的燃煤电站锅炉飞灰含碳量预测 ２００３，１４（５）：９９３—１００９． ・３１７・ ２００３，２４（３）：５２３—５２７（ｉｎ Ｃｈｉｎｅｓｅ）． ［３］ 刘鸿，周克毅．锅炉飞灰测碳仪的技术现状及发展趋 ［９］王锡淮，朱思锋．基于支持向量机的船舶电力负荷预测 ［Ｊ］．中国电机工程学报，２００４，２４（１０）：３６—３９． Ｗａｎｇ Ｘｉｈｕａｉ，Ｚｈｕ Ｓｉｆｅｎｇ．Ｓｈｉｐ ｐｏｗｅｒ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｕｓｉｎｇ 势［Ｊ］．锅炉技术，２００４，３５（２）：６５－＿６８． Ｌｉｕ Ｈｏｎｇ，Ｚｈｏｕ Ｘｅｙｉ．Ｒｅｃｅｎｔ ｒｅｓｅａｒｃｈ ａｎｄ ｄｅｖｏｌｏｐｍｅｎｔ ｏｆ ｕｎｂｕｒｎｅｄ ｃａｒｂｏｎ ｉｎ ｆｌｙ ａｓｈ ｄｅｔｅｃｔｏｒ［Ｊ］．Ｂｏｉｌｅｒ Ｔｅｃｈｎｏｌｏｇｙ， ２００４，３５（２）：６５—６８（ｉｎ Ｃｈｉｎｅｓｅ）． ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｅ ＣＳＥＥ，ｈ ２００４，２４（１０）：３６—３９（ｉｎ Ｃｈｉｎｅｓｅ）． ［４］ 周吴，朱洪波，曾庭华，等．基于人工神经网络的大型 ［１０］李元诚，方廷健，于尔铿．短期负荷预测的支持向量机 方法研究［Ｊ］．中国电机工程学报，２００３，２３（６）：５５— 电厂锅炉飞灰含碳量建模［Ｊ］．中国电机工程学报， ２００２，２２（６）：９６—１００． Ｚｈｏｕ Ｈａｏ，Ｚｈｕ Ｈｏｎｇｂｏ，Ｚｅｎｇ ＴｉｎｇｈＨａ，ｅｔ ａ１．Ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｌｉｎｇ ｏｎ ｔｈｅ ｕｎｂｕｒｎｅｄ ｃａｒｂｏｎ ｉｎ ｆｌｙ ａｓｈ ｆｒｏｍ ｕｔｉｌｉｔｙ ｂｏｉｌｅｒｓ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ＣＳＥＥ，２００２，２２ （６）：９６—１００（ｉｎ Ｃｈｉｎｅｓｅ）． ［５］ 方湘涛，叶念渝．基于ＢＰ神经网络的电厂锅炉飞灰含碳 量预测［Ｊ］．华中科技大学学报：自然科学版，２００３，３１ （１２）：７５—７７． Ｆａｎｇ Ｘｉａｎｇｔａｏ，Ｙｅ Ｎｉａｎｙｕ．Ａ ｓｙｓｔｅｍｆｏｒｆｏｒｅｃａｓｔｉｎｇ ｔｈｅ ａｎ－ ｂｕｒｎｅｄ ｃａｒｂｏｎ ｏｆ ｈｔｅ ｆｌｙ ａｓｈ ｆｒｏｍ ｕｔｉｉｌｙｔ ｂｏｉｌｅｒｓ ｂａｓｅｄ ｏｎ ＢＰ ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｋｓ［Ｊ］．Ｊｏｕｍａ／Ｈｕａｚｈｏｎｇ Ｕｒｕｖｅｒｓｔｉｙ ｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ：Ｎａｔｕｒｅ Ｓｃｉｅｃｎｅ Ｅｄｉｔｉｏｎ，２００３，３１ （１２）：７５—７７（ｉｎ Ｃｈｉｎｅｓｅ）． ［６］ Ｍａｒｔａ Ｓｅｂａｓｔｉａ，Ｉｎａｋｉ Ｆｅｒｎａｎｄｅｚ Ｏｌｍｏ，Ａｎｇｅｌ Ｉｒａｂｉｅｎ．Ｎｅｕ． ｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｕｎｃｏｎｆｉｎｅｄ ｃｏｍｐｒｅｓｓｉｖｅ ｓｔｒｅｎｇｔｈ ｏｆ ｃｏａｌ ｌｆｙ ｓａｈ．ｃｅｍｅｎｔ ｍｉｘｔｕｒｅｓ『Ｊ］．Ｃｅｍｅｎｔ ａｎｄ Ｃｏｎｃｒｅｔｅ Ｒｅ． ｓｅａｒｃｈ，２０ｏ３，３３（８）：Ｉｌ３７一ｌ１４５． ［７］ Ｌｉｎ Ｋｕａｎｍｉｎｇ，Ｌｉｎ Ｃｈｉｈｅｎ．Ａ ｓｔｕｄｙ ｏｎ ｒｅｄｕｃｅｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ『Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｏｉｍ ｏｎ Ｎｅｕｒａｌ Ｎｅｔ． ｗｏｒｋｓ，２００３，１４（６）：１４４９—１４５９． ［８］ ｎＡｓｕｉｔ￣Ｄ，Ｂｏｎｉ Ａ，Ｒｉｄｅｌｌａ Ｓ．Ａ ｄｉｇｉｔａｌ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ：Ｔｈｅｏｒｙ，ａｌｇｏｒｉｔｈｍ，ａｎｄ ＦＰＧＡ ｉｍ－ ｐｌｅｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｏｉｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ５９． Ｌｉ Ｙｕａｎｃｈｅｎｇ，Ｆａｎｇ Ｔｉｎｇｊｉｎａ，Ｙｕ Ｅｒｋｅｎｇ． Ｓｔｕｄｙ ｏｆ ｓｕｐ－ ｏｐｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｆｏｒ ｓｈ０ｒｔ－ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］． ｒＰｏｃｅｅｄｉｇｎｓ ｆｏｔｅｈ ＣＳＥＥ，２００３，２３（６）：５５—５９（ｉｎ Ｃｈｉ－ ｎｅｓｅ）． ［１１］Ｚｈｕ Ｓｉｆｅｎｇ，Ｗａｎｇ Ｘｉｈｕａ１．Ａ ＳＶＭ ａｐｐｒｏａｃｈ ｔｏ ｓｈｉｐ ｐｏｗｅｒ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｂａｓｅｄ ｏｎ ＲＢＦ ｋｅｒｎｅｌ［ｃ］．ＩＥＥＥ ｒＰｏｃｅｅｄ－ ｉｇｎｓ ｏｆ ｔｅｈ ５ｔｈ Ｗｏｒｍ Ｃｏｎｇｒｅｓｓ ＯＦｔ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｎｔｒｏｌ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，Ｈａｎｇｚｈｏｕ，Ｃｈｉｎａ：２００４：１ ８２４－－１ ８２８． ［１２］Ｐａｌ Ｐｉｎ￣ｅｎｇ，Ｈｏｎｇ Ｗｅｉｃｈａｎｇ．Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｉｈｎｅｓ ｗｉｔｈ ｓｉｍｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ ｌａｇｏｒｉｔｈｍｓ ｉｎ ｅｌｅｃｔｒｉｃｉｙｔ ｌｏａｄ ｆｏｒｅ— ｃａｓｔｉｎｇ［Ｊ］．Ｅｎｅｒｙｇ Ｃｏｎｖｅｒｓｉｏｎ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，２００５， ４６（１７）：２６６９－－２６８８． ［１３］ Ｌｉｕ Ｈａｎ，Ｌｉｕ Ｄｉｎｇ，Ｌｉａｎｇ Ｙａｍｎｉｎｇ，ｅｔ ａ１．Ｒｅｓｅａｒｃｈ ｏｎ ｎａｔｕｒａｌ ｇａｓ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｂａｓｅｄ ｏｎ ｌｅａｓｔ ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］．ＩＥＥＥ Ｐｒｏｃｅｅｄｉｇｎｓ ｏｆｔｅｈ Ｔｈｉｒｄ Ｉｎｔｅｒ－ ｎａｔｏｉｎａｌ Ｃｏｎｆｅｒｅｎｃｅ Ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｒｌｉｇｎ ａｎｄ Ｃｙｂｅｅｎｒｔｉｃｓ， ２００４（５）：２６—２９． ［１４］ Ｖａｐｎｉｋ Ｖ Ｎ．Ｔｈｅ Ｎａｔｕｒｅ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｇｎ Ｔｈｅｏｒｙ ［Ｍ］．Ｎｅｗ Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ，１９９９． ［１５］Ｓｍｏｌａ Ａ，Ｓｃｈｏｌｋｏｐｆ Ｂ．Ａ ｔｕｔｏｒｉｌａ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｒｅｇｒｅｓ． ｓｉｏｎ［Ｒ］．Ｌｏｎｄｏｎ：Ｒｃ’ｙａｌ Ｈｏｌｌｏｗａｙ Ｃｏｌｌｅｇｅ，１９９８．
