基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究

doi:10.12096/j.2096-4528.pgt.21088

发电技术 ›› 2023, Vol. 44 ›› Issue (4): 534-542.DOI: 10.12096/j.2096-4528.pgt.21088

基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究

赵国钦¹, 蓝茂蔚², 李杨³, 周元祥³, 江政纬², 甘云华²

^1.广东粤电靖海发电有限公司，广东省揭阳市 515223
^2.华南理工大学电力学院，广东省广州市 510640
^3.西安热工研究院有限公司，陕西省西安市 710054

收稿日期:2022-03-01 出版日期:2023-08-31 发布日期:2023-08-29
通讯作者: 甘云华
作者简介:赵国钦(1976)，男，高级工程师，研究方向为热力系统及机械设计，64276748@qq.com；
蓝茂蔚(1996)，男，硕士研究生，研究方向为电站系统智能优化，306480034@qq.com；
李杨(1978)，男，博士，正高级工程师，研究方向为火电机组节能优化，liyang@tpri.com.cn；
周元祥(1982)，男，硕士，高级工程师，研究方向为锅炉及辅助系统节能诊断与运行优化，zhouyuanxiang@tpri.com.cn；
江政纬(1995)，男，博士研究生，研究方向为新型燃烧、能源系统智能优化等，928031793@qq.com；
甘云华(1979)，男，博士，教授，研究方向为新型燃烧、高效传热、能源系统智能优化等，ganyh@scut.edu.cn。
基金资助:
国家自然科学基金项目(51776077);广东省基础与应用基础研究基金项目(2020B1515020040)

Study on Optimization of Prediction Model of Flue Gas Oxygen Content in Thermal Power Plant Based on Least Squares Support Vector Machine

Guoqin ZHAO¹, Maowei LAN², Yang LI³, Yuanxiang ZHOU³, Zhengwei JIANG², Yunhua GAN²

^1.Jinghai Power Generation Co. , Ltd. , Guangdong Energy Group, Jieyang 515223, Guangdong Province, China
^2.School of Electric Power Engineering, South China University of Technology, Guangzhou 510640, Guangdong Province, China
^3.Xi'an Thermal Power Research Institute Co. , Ltd. , Xi'an 710054, Shaanxi Province, China

Received:2022-03-01 Published:2023-08-31 Online:2023-08-29
Contact: Yunhua GAN
Supported by:
National Natural Science Foundation of China(51776077);Basic and Applied Basic Research Foundation of Guangdong Province(2020B1515020040)

摘要/Abstract

摘要：

烟气含氧量是锅炉运行的重要监控参数，也是反映燃烧设备与锅炉运行完善程度的重要依据。根据运行工况快速、准确地测量烟气含氧量，对于优化锅炉燃烧过程具有重要指导意义。以某电站的1 000 MW超超临界锅炉的运行数据为基础，选取影响烟气排放的31个因素，分别采用交叉验证(cross validation，CV)、粒子群优化(particle swarm optimization，PSO)算法、遗传算法(genetic algorithm，GA)寻找最小二乘支持向量机(least squares support vector machine，LSSVM)模型的最佳参数，建立烟气含氧量预测模型。研究结果表明：相对于PSO-LSSVM和CV-LSSVM模型，GA-LSSVM预测模型对烟气含氧量具有更好的预测能力，具有预测精度高、泛化能力好、鲁棒性强等优点，拟合预测的相对误差、均方误差分别为0.54%、0.23%，泛化预测的相对误差、均方误差分别为1.66%、2.13%，能够比较准确地对火电厂锅炉烟气含氧量进行测量，为锅炉燃烧系统进一步的优化运行奠定了基础。

关键词: 火电厂, 最小二乘支持向量机(LSSVM), 粒子群优化(PSO)算法, 遗传算法(GA), 交叉验证(CV)

Abstract:

The oxygen content in flue gas is an important monitoring parameter of boiler operation, and also an important basis that reflects the perfection of combustion equipment and boiler operation. Quickly and accurately measuring the oxygen content in flue gas according to operating conditions has important guiding significance for optimizing boiler combustion process. Based on the operation data of a 1 000 MW ultra-supercritical boiler in a power station, 31 factors affecting flue gas emission were selected, and cross validation (CV), particle swarm optimization (PSO) algorithm, and genetic algorithm (GA) were used to find the optimal parameters of the least squares support vector machine (LSSVM) model, and the prediction model of flue gas oxygen content was established. The research results show that, compared with PSO-LSSVM and CV-LSSVM models, GA-LSSVM prediction model has better prediction ability for flue gas oxygen content, and has the advantages of high prediction accuracy, good generalization ability, and strong robustness. The relative error and mean square error of fitting prediction are 0.54% and 0.23% respectively, and the relative error and mean square error of generalization prediction are 1.66% and 2.13% respectively. It can accurately measure the oxygen content of boiler flue gas in thermal power plants, which lays a foundation for further optimal operation of boiler combustion system.

Key words: thermal power plant, least squares support vector machine (LSSVM), particle swarm optimization (PSO) algorithm, genetic algorithm (GA), cross validation (CV)

中图分类号:

TK 227

赵国钦, 蓝茂蔚, 李杨, 周元祥, 江政纬, 甘云华. 基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究[J]. 发电技术, 2023, 44(4): 534-542.

Guoqin ZHAO, Maowei LAN, Yang LI, Yuanxiang ZHOU, Zhengwei JIANG, Yunhua GAN. Study on Optimization of Prediction Model of Flue Gas Oxygen Content in Thermal Power Plant Based on Least Squares Support Vector Machine[J]. Power Generation Technology, 2023, 44(4): 534-542.

图/表 8

参考文献 25

1	LUO J， WU L， WAN W J ．Optimization of the exhaust gas oxygen content for coal-fired power plant boiler[J]．Energy Procedia，2017，105：3262-3268． doi:10.1016/j.egypro.2017.03.730
2	苏涛．燃煤电厂烟气含氧量软测量方法研究[D]．西安：西安科技大学，2020． doi:10.1177/0142331220932390
	SU T ．Study on soft sensor method of oxygen content in flue gas ofcoal-fired power plant[D]．Xi’an：Xi’an University of Science and Technology，2020． doi:10.1177/0142331220932390
3	吴坡，段松涛，张江南，等．数据驱动型实时燃烧优化控制架构及应用[J]．电力工程技术，2021，40(2)：197-204． doi:10.12158/j.2096-3203.2021.02.028
	WU P， DUAN S T， ZHANG J N，et al ．Architecture and application of data-driven on-line combustion optimization control[J]．Electric Power Engineering Technology，2021，40(2)：197-204． doi:10.12158/j.2096-3203.2021.02.028
4	李建强，张莹莹，牛成林．基于PSO-LSSVM模型的火电厂烟气含氧量预测[J]．热能动力工程，2018，33(7)：49-55． doi:10.16146/j.cnki.rndlgc.2018.07.009
	LI J Q， ZHANG Y Y， NIU C L ．Prediction of the oxygen content in flue gas of powerplant based on PSO-LSSVM model[J]．Journal of Engineering for Thermal Energy and Power，2018，33(7)：49-55． doi:10.16146/j.cnki.rndlgc.2018.07.009
5	任怡睿，林济铿，宁剑，等．一种基于占优度和Choquet积分的电力系统故障诊断方法综合评估策略[J]．电力系统保护与控制，2021，49(6)：145-154．
	REN Y R， LIN J K， NING J，et al ．A comprehensive evaluation strategy of a power system fault diagnosis method based on dominance and the Choquet integral[J]．Power System Protection and Control，2021，49(6)：145-154．
6	黄树帮，陈耀，金宇清．碳中和背景下多通道特征组合超短期风电功率预测[J]．发电技术，2021，42(1)：60-68． doi:10.12096/j.2096-4528.pgt.20103
	HUANG S B， CHEN Y， JIN Y Q ．A multi-channel feature combination model for ultra-short-term wind power prediction under carbon neutral background[J]．Power Generation Technology，2021，42(1)：60-68． doi:10.12096/j.2096-4528.pgt.20103
7	苏涛，潘红光，黄向东，等．基于改进PSO-SVM的燃煤电厂烟气含氧量软测量[J]．西安科技大学学报，2020，40(2)：342-348．
	SU T， PAN H G， HUANG X D，et al ．Soft sensor of flue gas oxygen content based on improved PSO-SVM in coal-fired powerplant[J]．Journal of Xi’an University of Science and Technology，2020，40(2)：342-348．
8	县国成，王永攀，高俊，等．基于ELM-SVM模型与电能计量大数据的窃电识别技术研究[J]．智慧电力，2022，50(9)：82-89．
	XIAN G C， WANG Y P， GAO J，et al ．Power theft identification technology based on ELM-SVM model and big data of electric energy measurement[J]．Smart Power，2022，50(9)：82-89．
9	刘敦楠，张悦，彭晓峰，等．计及相似日与气象因素的电动汽车充电负荷聚类预测[J]．电力建设，2021，42(2)：43-49． doi:10.12204/j.issn.1000-7229.2021.02.006
	LIU D N， ZHANG Y， PENG X F，et al ．Clustering prediction of electric vehicle charging load considering similar days and meteorological factors[J]．Electric Power Construction，2021，42(2)：43-49． doi:10.12204/j.issn.1000-7229.2021.02.006
10	李志军，王硕，张家安，等．基于变论域模糊逻辑的互联电力系统负荷频率控制[J]．电力系统保护与控制，2021，49(16)：151-160．
	LI Z J， WANG S， ZHANG J A，et al ．Variable universe fuzzy logic-based load frequency control in an interconnected power system[J]．Power System Protection and Control，2021，49(16)：151-160．
11	徐艳春，阚锐涵，高永康，等．混合动力系统电能质量扰动分析及治理[J]．电力建设，2021，42(4)：17-26． doi:10.12204/j.issn.1000-7229.2021.04.003
	XU Y C， KAN R H， GAO Y K，et al ．Research on power quality improvement of hybrid power system[J]．Electric Power Construction，2021，42(4)：17-26． doi:10.12204/j.issn.1000-7229.2021.04.003
12	王子馨，胡俊杰，刘宝柱．基于长短期记忆网络的电力系统量测缺失数据恢复方法[J]．电力建设，2021，42(5)：1-8． doi:10.12204/j.issn.1000-7229.2021.05.001
	WANG Z X， HU J J， LIU B Z ．Short-term wind power forecasting based on LSTM[J]．Electric Power Construction，2021，42(5)：1-8． doi:10.12204/j.issn.1000-7229.2021.05.001
13	张华赢，吴显，游奕弘．基于循环神经网络的配电网非线性负荷建模[J]．电网与清洁能源，2022，38(2)：53-60． doi:10.3969/j.issn.1674-3814.2022.02.008
	ZHANG H Y， WU X， YOU Y H ．Modeling of nonlinear loads in the distribution network based on recurrent neural network[J]．Power System and Clean Energy，2022，38(2)：53-60． doi:10.3969/j.issn.1674-3814.2022.02.008
14	VAPNIK V N ．Statistical learning theory[M]．New Jersey：Wiley-Inter Science，1998．
15	VAPNIK V N ．The nature of statistical learning theory[M]．New York：Springer Verlag，1999：3-21． doi:10.1007/978-1-4757-3264-1_8
16	TANG Z H， LI Y Y， KUSIAK A ．A deep learning model for measuring oxygen content of boiler flue gas[J]．IEEE Access，2020，8：12268-12278． doi:10.1109/access.2020.2965199
17	PAN H G， SU T， HUANG X D，et al ．LSTM-based soft sensor design for oxygen content of flue gas in coal-fired power plant[J]．Transactions of the Institute of Measurement and Control，2021，43(1)：78-87． doi:10.1177/0142331220932390
18	刘长良，李淑娜．基于LS-SVM和单纯形的烟气含氧量软测量[J]．热能动力工程，2010，25(3)：292-296．
	LIU C L， LI S N ．Soft measurements of flue-gas oxygen content based on LS-SVM and a simplex algorithm[J]．Journal of Engineering for Thermal Energy and Power，2010，25(3)：292-296．
19	周霞，柳善建．基于多目标LSSVM回归的火电厂烟气含氧量软测量[J]．计算机测量与控制，2014，22(10)：3101-3104． doi:10.3969/j.issn.1671-4598.2014.10.006
	ZHOU X， LIU S J ．Soft-sensing method based on multiobjective LSSVM for oxygen content in flue gas of a coal-fired power plant[J]．Computer Measurement & Control，2014，22(10)：3101-3104． doi:10.3969/j.issn.1671-4598.2014.10.006
20	龙文，梁昔明，龙祖强．基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制[J]．中南大学学报(自然科学版)，2012，43(3)：980-985．
	LONG W， LIANG X M， LONG Z Q ．O₂ content in flue gas of boilers predictive control based onhybrid PSO and LSSVM[J]．Journal of Central South University (Science and Technology)，2012，43(3)：980-985．
21	李建强，赵凯，陈星旭，等．600 MW燃煤机组最优氧量与配风方式的联合优化[J]．中国电机工程学报，2017，37(15)：4422-4429．
	LI J Q， ZHAO K， CHEN X X，et al ．Combined optimization of optimal oxygen content and second air distribution in 600 MW coal-fired unit[J]．Proceedings of the CSEE，2017，37(15)：4422-4429．
22	SUYKENS J A K， GESTEL T V， BRABANTER J D，et al ．Least squares support vector machines[M]．Singapore：World Scientific Publishing Company，2002． doi:10.1142/5089
23	SUYKENS J A K， VANDEWALLE J ．Least squares support vector machine classifiers[J]．Neural Processing Letters，1999，9(3)：293-300． doi:10.1023/a:1018628609742
24	KENNEDY J， EBERHART R ．Particle swarm optimization[C]//Proceedings of IEEE Conference on Neural Networks．Perth，Australia：IEEE，1995：1942-1948．
25	SHAPIRO J ．Genetic algorithms in machine learning[M]．Heidelberg：Springer-Verlag，2001：146-168． doi:10.1007/3-540-44673-7_7

序列	负荷/MW	运行氧量/%	热一次风母管压力/kPa	空预器入口风温度加权/℃	总煤量/ (t·h^-1)	A/B侧热二次风流量/ (t·h^-1)	A—F磨煤机进口一次风量/(t·h^-1)	A—F磨煤机动态分离器速度/(r·min^-1)	燃尽风风门开度前(后)墙A/B侧/%	外二次风风门开度1—8/%	排烟含氧量/%
1	560.41	4.63	9.40	24.60	220.15	568.06/ 602.12	26.64/139.88/ 156.23/0.00/ 107.05/159.99	11.68/776.53/ 713.17/28.87/ 575.45/762.13	50.17/99.76 (50.08/99.86)	16.01/50.06/ 99.61/99.69/ 99.54/99.86/ 50.06/15.88	7.26
2	919.49	3.65	9.54	26.20	330.45	868.35/ 935.25	18.59/153.71/ 157.17/139.01/ 164.01/154.43	11.22/776.26/ 647.75/774.17/ 751.13/765.09	100.19/99.83 (99.91/99.90)	15.77/50.04/ 99.60/99.99/ 99.53/99.87/ 50.08/15.90	5.43
3	455.68	6.90	9.58	25.20	169.31	460.71/ 523.45	0.00/136.81/ 140.72/0.00/ 132.52/156.11	11.43/778.16/ 653.86/30.47/ 25.60/766.30	35.37/99.82 (35.30/99.90)	16.02/50.05/ 99.61/99.82/ 99.54/99.84/ 50.08/15.92	9.81
⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞
141	782.72	3.66	9.15	25.80	283.48	687.23/ 750.31	0.00/149.39/ 144.29/125.53/ 156.21/153.13	11.68/775.11/ 651.19/770.95/ 750.74/765.03	51.94/99.82 (52.47/99.90)	16.03/50.06/ 99.59/99.71/ 99.54/99.86/ 50.07/15.90	5.56
142	509.40	4.52	9.18	24.60	188.03	497.61/ 539.36	27.74/139.93/ 162.46/0.00/ 36.20/156.87	11.18/777.50/ 650.44/27.93/ 24.70/764.87	50.31/99.81 (50.16/99.89)	15.90/50.05/ 99.62/99.84/ 99.54/99.86/ 50.07/15.88	7.14
143	765.74	3.29	9.75	25.90	295.35	720.35/ 863.09	0.00/147.25/ 155.16/0.00/ 172.35/168.64	11.18/775.85/ 650.96/29.38/ 760.78/764.13	32.91/99.81 (31.24/99.89)	15.99/50.06/ 99.59/99.81/ 99.53/99.86/ 50.08/15.95	5.57

序列	负荷/MW	运行氧量/%	热一次风母管压力/kPa	空预器入口风温度加权/℃	总煤量/ (t·h^-1)	A/B侧热二次风流量/ (t·h^-1)	A—F磨煤机进口一次风量/(t·h^-1)	A—F磨煤机动态分离器速度/(r·min^-1)	燃尽风风门开度前(后)墙A/B侧/%	外二次风风门开度1—8/%	排烟含氧量/%
1	560.41	4.63	9.40	24.60	220.15	568.06/ 602.12	26.64/139.88/ 156.23/0.00/ 107.05/159.99	11.68/776.53/ 713.17/28.87/ 575.45/762.13	50.17/99.76 (50.08/99.86)	16.01/50.06/ 99.61/99.69/ 99.54/99.86/ 50.06/15.88	7.26
2	919.49	3.65	9.54	26.20	330.45	868.35/ 935.25	18.59/153.71/ 157.17/139.01/ 164.01/154.43	11.22/776.26/ 647.75/774.17/ 751.13/765.09	100.19/99.83 (99.91/99.90)	15.77/50.04/ 99.60/99.99/ 99.53/99.87/ 50.08/15.90	5.43
3	455.68	6.90	9.58	25.20	169.31	460.71/ 523.45	0.00/136.81/ 140.72/0.00/ 132.52/156.11	11.43/778.16/ 653.86/30.47/ 25.60/766.30	35.37/99.82 (35.30/99.90)	16.02/50.05/ 99.61/99.82/ 99.54/99.84/ 50.08/15.92	9.81
⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞	⁞
141	782.72	3.66	9.15	25.80	283.48	687.23/ 750.31	0.00/149.39/ 144.29/125.53/ 156.21/153.13	11.68/775.11/ 651.19/770.95/ 750.74/765.03	51.94/99.82 (52.47/99.90)	16.03/50.06/ 99.59/99.71/ 99.54/99.86/ 50.07/15.90	5.56
142	509.40	4.52	9.18	24.60	188.03	497.61/ 539.36	27.74/139.93/ 162.46/0.00/ 36.20/156.87	11.18/777.50/ 650.44/27.93/ 24.70/764.87	50.31/99.81 (50.16/99.89)	15.90/50.05/ 99.62/99.84/ 99.54/99.86/ 50.07/15.88	7.14
143	765.74	3.29	9.75	25.90	295.35	720.35/ 863.09	0.00/147.25/ 155.16/0.00/ 172.35/168.64	11.18/775.85/ 650.96/29.38/ 760.78/764.13	32.91/99.81 (31.24/99.89)	15.99/50.06/ 99.59/99.81/ 99.53/99.86/ 50.08/15.95	5.57

模型	σ	γ
CV-LSSVM	1.634 3	2.296 80
PSO-LSSVM	99.733 3	66.229 20
GA-LSSVM	100.000 0	80.368 54

模型	σ	γ
CV-LSSVM	1.634 3	2.296 80
PSO-LSSVM	99.733 3	66.229 20
GA-LSSVM	100.000 0	80.368 54

[1]	张安安, 周奇, 李茜, 丁宁, 杨超, 马岩. “双碳”目标下火电厂CO₂计量技术研究现状与展望[J]. 发电技术, 2024, 45(1): 51-61.
[2]	张立峰, 李晶, 王智. 基于主成分分析和深度神经网络的声学层析成像温度分布重建[J]. 发电技术, 2023, 44(3): 399-406.
[3]	阮存钦, 洪志刚, 赖培灿, 张建华, 林锡昆, 周江, 冯前伟, 张杨. 基于在线监测数据的燃煤电厂脱硝装置性能预测研究[J]. 发电技术, 2023, 44(1): 100-106.
[4]	雷旭, 马鹏飞, 宋智帅, 李卫东. 计及风电预测误差的柔性负荷日内调度模型[J]. 发电技术, 2022, 43(3): 485-491.
[5]	时浩, 肖海平, 刘彦鹏. 基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比[J]. 发电技术, 2022, 43(1): 139-146.
[6]	郭栋, 晋银佳, 朱跃. 火电厂废水“零排放”全流程处理中试试验系统设计与构建[J]. 发电技术, 2021, 42(3): 357-362.
[7]	孙金龙. 330 MW燃煤火电机组脱硝系统的优化研究[J]. 发电技术, 2019, 40(6): 570-579.
[8]	李允超,赵大周,刘博,张贺,马洪涛,田鑫. 火电厂烟气余热利用现状与展望[J]. 发电技术, 2019, 40(3): 270-275.
[9]	李正心,丁亮亮,郝银萍,杜冬梅. 火电厂煤场钢结构有限元设计输出图的规范化研究[J]. 发电技术, 2018, 39(5): 433-437.
[10]	孙飞,刘烨,魏高升,由文江. 火电厂螺杆式空压机余热利用方案及经济性分析[J]. 发电技术, 2018, 39(3): 240-243.

基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究

Study on Optimization of Prediction Model of Flue Gas Oxygen Content in Thermal Power Plant Based on Least Squares Support Vector Machine

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 25

相关文章 10

编辑推荐

Metrics

本文评价

样本集	模型	E_MR/%	E_MS/%
训练集	CV-LSSVM	3.33	9.03
	PSO-LSSVM	1.68	2.13
	GA-LSSVM	0.54	0.23
测试集	CV-LSSVM	3.14	6.69
	PSO-LSSVM	2.07	3.97
	GA-LSSVM	1.66	2.13