一种基于周期滚动优化的火电厂磨机负荷预测方法
【技术领域】
[0001] 本发明涉及一种火电厂磨机的负荷预测方法，特别涉及一种基于周期滚动优化的 火电厂磨机负荷预测方法，该方法采用建立周期参数序列、滚动优化及基于周期特征的约 简最小二乘支持向量机等技术手段，能够在线实时预测火电厂的磨机负荷。
【背景技术】
[0002] 制粉系统是火力发电厂的主要辅助系统之一，而磨机是制粉系统的关键设备。磨 机能否正常运行以及是否运行在最佳工况，直接关系到制粉系统的工作效率。对磨机内的 负荷变化进行有效预测从而进行优化控制，可大幅度降低电耗、钢耗，增加磨机出力，降低 噪声，减少粉尘污染，提高运行效率。因此如何准确预测磨机负荷成为关键和难点。
[0003] 由于磨机工作环境差，粉尘污染大，内部环境恶劣，因此无法直接测量，只能通过 间接法进行预测。目前，应用较多的磨机负荷预测方法有磨音法、振动法以及功率法。现 有磨音法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷，缺点是检测精度不 高，未能有效去除背景噪声干扰，特别是当多台磨机同时在一个车间内运行时，临近磨机运 行时所发出的噪声会严重影响负荷检测的准确性。振动法是利用磨机运转时，研磨体和物 料偏于磨机的一侧，磨机的转动部分处于严重的不平衡状态，造成不平衡的离心力，并使磨 机系统振动，磨机在转速不变时其振动强度与被磨物料量的多少有关这一特性检测的；振 动法的不足在于线性度差，准确度不高。功率法的思路是通过测量磨机运行时电机所消耗 的功率来判断磨机内的负荷。在实际应用中，是测量磨机的工作电流。此种方法的不足之 处在于磨机的工作电流在整个工作过程中，变化不是很大，测量灵敏度低。
[0004] 目前磨机负荷的检测方法中，大多采用单一信号来反应负荷情况，然而制粉系统 多个参数信息共同对预测模型产生影响，所以有必要在软测量模型建立过程中综合利用多 个参数信息，从而获得对磨机负荷更准确的估计。此外更重要的是在以往的软测量模型中， 其忽略了磨机运行过程中具有的周期性，没有充分利用磨机的周期信息，未能实现对磨机 负荷更准确的预测，同时也造成了模型过于复杂，模型建立和预测时间过长的问题。
【发明内容】
[0005] 本发明的目的在于提供一种火电厂磨机的负荷检测方法，用以解决火电厂磨机负 荷难以预测的问题，该方法采用建立周期参数序列、滚动优化及基于周期特征的约简最小 二乘支持向量机等技术手段，实现对各参数信息的综合利用，在模型建立过程中显著改善 模型建立时间，降低模型复杂度，缩减模型预测时间，最终能够在线实时预测火电厂的磨机 负荷。
[0006] 为了实现上述任务，本发明采取如下的技术解决方案：
[0007] -种基于周期滚动优化的火电厂磨机负荷预测方法，其特征在于，该方法包括以 下步骤：
[0008] 1)每秒采集一次相关参数，包括磨机噪声Encis、磨机振动Evlb、磨机电机电流I nill、磨 机出入口差压Pdlf、磨机入口负压、磨机出口温度Tciut和排粉机电机电流Ipciw，其中磨机噪 声Encis和磨机振动E vlb分别为特征频段内的噪声和振动信号能量；
[0009] 2)对采集到的相关参数，构建相应的参数序列X(in), in= 1，. . .，N，其中：X代表 磨机噪声Encis、磨机振动Evlb、磨机电机电流Inill、磨机出入口差压P dlf、磨机入口负压Preg、磨 机出口温度Tciut和排粉机电机电流I POT，N为参数采集次数，将参数序列视为周期序列，序列 内同一周期为：{X(j-T+l)，X(j_T+2)，...，X(j)}，其中：j = T，...，N，T 为周期时间；
[0010] 3)建立周期滚动优化模型，对参数序列X(in)，in= 1，...，N进行周期 滚动优化，即对序列中的每个当前参数X(n)所在的周期时间T范围内的序列值 {X (n-T+1)，X (n-T+2)，. . .，X (η)}，其中：η彡T+1，使用主特征周期均方加权融合，得到当前 参数的周期优化值t (η)，Χ'代表磨机噪声的周期优化参数E' _、磨机振动的周期优化 参数E' vlb、磨机电机电流的周期优化参数I' ^ll、磨机出入口差压的周期优化参数P' dlf、 磨机入口负压的周期优化参数W _、磨机出口温度的周期优化参数Τ' _和排粉机电机 电流的周期优化参数U
[0011] 4)通过将相关参数的周期优化参数X' =(E' _，E' vlb，I' ^P' dlf，P' _，Τ' _，I' PJ，作为输入，采用基于周期特征的约简最小二乘支持向量机模型进行负荷预测，最 终确定磨机负荷参数的预测值。
[0012] 所述周期时间T选取方法为：T = Round(n。· T。)，η。= 2~10,其中Round( ·)为 取整运算，T。为磨机筒体旋转一周所需时间，使得构建的参数序列包含磨机旋转η。圈的运 行信息。
[0013] 所述的建立周期滚动优化模型的过程为：对参数序列x(in)，in= 1，···，Ν进 行周期滚动优化，即对序列中的每个当前参数Χ(η)根据周期时间T范围内的参数值 {X(n-T+1)，X(n-T+2)，. . .，Χ(η)}，其中：η彡Τ，使用主特征周期均方加权融合，其步骤如 下：
[0014] 1)当前参数Χ(η)为主特征，确定主特征所在周期时间T范围内的η。个特征周期
，其中：Τ,各特征周期反映了 磨机旋转每圈的运行信息，特别当ic = 1时，
为 主特征周期，求取各特征周期融合值，公式如下：
[0015]
[0016] 2)对各特征周期融合值进行均方加权融合，其中i。= 1时，特征周期融合值 的权值为W1= 0. 5, i。>1时，特征周期融合值的权值为
，即在权值总 CN 105160421 A I兄明书 3/7 页 和关
情况下，随与主特征周期距离增大而等差递减；得到当前参数的周期优化值
，其中代表磨机噪声的周期优化参数E' _、磨机振动的周 期优化参数E' vlb、磨机电机电流的周期优化参数I' ^ll、磨机出入口差压的周期优化参数 dlf、磨机入口负压的周期优化参数P _、磨机出口温度的周期优化参数T' _和排粉 机电机电流的周期优化参数U
[0017] 所述的基于周期特征的约简最小二乘支持向量机模型，将相关参数的周期优化参 数X' =(E' ncis，Ervlb，r dlf，Prneg，r cut，r PJ 作为输入，确定磨机负荷参数 的预测值I8P该模型的建立步骤如下：
[0018] 1)对训练样本采用周期滚动优化模型，得到训练样本对应的周期优化序列
，其中 Ns为总训练样本数，X' T= (E' T_，E' Tvlb，I' Τηα1，Ρ' τ dlf，P' T_，T' Tciut，I' TpcJ为训练样本输入参数的优化值，Y' τ为训练样本输出参数的优 化值，E' τ_为磨机噪声样本的周期优化参数、E' Tvlb为磨机振动样本的周期优化参数、 I' TMl为磨机电机电流样本的周期优化参数、P' Tdlf为磨机出入口差压样本的周期优化参 数、Trag为磨机入口负压样本的周期优化参数、T' Tciut为磨机出口温度样本的周期优化 参数、I' τ_为排粉机电机电流样本的周期优化参数；
[0019] 2)将周期优化序列
分为M组，其中：Μ彡T，T为周期时间， 分组方式为依次选取每间隔一周期时间T的第ρ个参数，即{(X' T(p+qT)，Y' T(P+qT))|q =1，...，NS/T}，其中：p = 1，...，M，分别建立M个约简最小二乘支持向量机模型，其中第 P个模型的支持向量选取方式为第P组周期优化序列，而误差项使用所有周期优化序列，能 够实现对全部样本进行优化的同时大幅降低模型复杂度，即第P组的约简最小二乘支持向 量机模型的形式为
'