一种基于周期滚动优化的火电厂磨机负荷预测方法

摘要

本发明公开了一种基于周期滚动优化的火电厂磨机负荷预测方法，用以解决火电厂磨机负荷难以检测的问题；该方法采取对磨机噪声、振动等多个相关参数首先进行周期滚动优化，然后建立基于周期特征的约简最小二乘支持向量机模型实现对磨机负荷的预测；该方法利用相关参数的周期性特征，具有复杂度低、预测精度高、利于在线应用等优点，为火电厂制粉系统的安全、经济运行提供可靠保障。

说明书

技术领域

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

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。

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。

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

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。

为了实现上述任务，本发明采取如下的技术解决方案：

一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：

1)每秒采集一次相关参数，包括磨机噪声E_nos、磨机振动E_vib、磨机电机电 流I_mil、磨机出入口差压P_dif、磨机入口负压P_neg、磨机出口温度T_out和排粉机电 机电流I_pow，其中磨机噪声E_nos和磨机振动E_vib分别为特征频段内的噪声和振动 信号能量；

2)对采集到的相关参数，构建相应的参数序列X(i_n),i_n＝1,...,N，其中：X 代表磨机噪声E_nos、磨机振动E_vib、磨机电机电流I_mil、磨机出入口差压P_dif、磨 机入口负压P_neg、磨机出口温度T_out和排粉机电机电流I_pow，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+1),X(j-T+2),...,X(j)},其中：j＝T,...,N，T为周期时间；

3)建立周期滚动优化模型，对参数序列X(i_n),i_n＝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(n)}，其中：n≥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X′(n)，X′代表磨机噪声的周期优化参数E′_nos、 磨机振动的周期优化参数E′_vib、磨机电机电流的周期优化参数I′_mil、磨机出入口 差压的周期优化参数P′_dif、磨机入口负压的周期优化参数P′_neg、磨机出口温度的 周期优化参数T′_out和排粉机电机电流的周期优化参数I′_pow；

4)通过将相关参数的周期优化参数X′＝(E′_nos,E′_vib,I′_mil,P′_dif,P′_neg,T′_out,I′_pow)，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

所述周期时间T选取方法为：T＝Round(n₀·T₀),n₀＝2～10，其中Round(·) 为取整运算，T₀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n₀圈的运行信息。

所述的建立周期滚动优化模型的过程为：对参数序列X(i_n),i_n＝1,...,N进行周 期滚动优化，即对序列中的每个当前参数X(n)根据周期时间T范围内的参数值 {X(n-T+1),X(n-T+2),...,X(n)}，其中：n≥T，使用主特征周期均方加权融合， 其步骤如下：

1)当前参数X(n)为主特征，确定主特征所在周期时间T范围内的n₀个特征 周期$\{X(n-T_0^{\left(i_0\right)}+1),X(n-T_0^{\left(i_0\right)}+2),\mathrm{...},X(n-T_0^{(i_0-1)})\},i_0=1,\mathrm{...},n_0,$其中： 各特征周期反映了磨机旋转每圈的运行信息，特别当i₀＝1 时，$\{X(n-T_0^{\left(1\right)}+1),X(n-T_0^{\left(1\right)}+2),\mathrm{...},X\left(n\right)\}$为主特征周期，求取各特征周期融合 值公式如下：

${\bar{X}}^{\left(i_0\right)}=\sqrt{\frac{\underset{j_0=1}{\overset{T_0^{\left(i_0\right)}-T_0^{(i_0-1)}}{\Sigma }}X{(n-T_0^{\left(i_0\right)}+j_0)}^2}{T_0^{\left(i_0\right)}-T_0^{(i_0-1)}}},i_0=1,\mathrm{...}{n}_0$

2)对各特征周期融合值进行均方加权融合，其中i₀＝1时，特征周期融 合值的权值为w₁＝0.5，i₀>1时，特征周期融合值的权值为即在权值总和为情况下，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：X′代表磨机噪声的周期优 化参数E′_nos、磨机振动的周期优化参数E′_vib、磨机电机电流的周期优化参数I′_mil、 磨机出入口差压的周期优化参数P′_dif、磨机入口负压的周期优化参数P′_neg、磨机 出口温度的周期优化参数T′_out和排粉机电机电流的周期优化参数I′_pow。

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′_nos,E′_vib,I′_mil,P′_dif,P′_neg,T′_out,I′_pow)作为输入，确定磨机负荷参数的预测 值该模型的建立步骤如下:

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N_s为总训练样本数， X′_T＝(E′_Tnos,E′_Tvib,I′_Tmil,P′_Tdif,P′_Tneg,T′_Tout,I′_Tpow)为训练样本输入参数的优化值，Y′_T为训 练样本输出参数的优化值，E′_Tnos为磨机噪声样本的周期优化参数、E′_Tvib为磨机 振动样本的周期优化参数、I′_Tmil为磨机电机电流样本的周期优化参数、P′_Tdif为 磨机出入口差压样本的周期优化参数、P′_Tneg为磨机入口负压样本的周期优化参 数、T′_Tout为磨机出口温度样本的周期优化参数、I′_Tpow为排粉机电机电流样本的 周期优化参数；

2)将周期优化序列分为M组，其中：M≤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p个参数，即 {(X′_T(p+qT),Y′_T(p+qT))|q＝1,...,N_s/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 $f_p\left(X^{\prime }\right)=\underset{i\in S_p}{\Sigma }{\alpha }_{i}k\left(X_T^{\prime }\right(i),X^{\prime })+b,$寻优方程为：

$\min \{L(b,{\alpha }_S)=\frac{1}{2}{\alpha }_S^T{K}_{ss}{\alpha }_S+\frac{C}{2}\underset{i=T+1}{\overset{N_s}{\Sigma }}{\left(Y_T^{\prime }\right(i)-\underset{j\in S}{\Sigma }{\alpha }_{j}k(X_T^{\prime }\left(i\right),X_T^{\prime }\left(j\right))-b)}^2\}$

其中

α_S,b为模型待优化参数，α_j为向量α_S中元素

S＝S_p为M组中第p组的序列标号

S_p为支持向量的序号标号，S_p＝{p+qT|q＝1,...,N_s/T},p＝1,...,M

K_ss矩阵中第l行，m列元素为K_lm＝k(X′_T(l),X′_T(m))，l,m∈S

k(X′_T(i),X′_T(j))＝exp(-||X′_T(i)-X′_T(j)||²/2γ²)

γ,C为超参数，通过网格搜索和十折交叉验证的方法来进行优化选取；

3)选取M组模型中效果最好的，即第p组模型的预测值f_p(X′_T)与样本输 出值的周期优化序列Y′_T均方根误差MSE最小的作为最终模型，即 $\underset{p\in \{1,\mathrm{..},M\}}{\arg \min }MSE(Y_T^{\prime }-f_p(X_T^{\prime })).$

和现有技术相比较，本发明具备如下优点：

本发明提出基于周期滚动优化的火电厂磨机负荷预测方法，从三个方面利 用磨机的周期性质：

首先利用在同一个旋转周期内的多次参数采样值，融合后共同表征该旋转 周期的特征；

其次利用多个相邻旋转周期的特征共同反应负荷的变化，通过主特征周期 均方加权融合得到周期优化序列；

最后，利用参数的周期特性进行分组建模和整体评估，在保证模型性能的 同时减少模型的支持向量数，从而大幅降低模型复杂度，改善模型建立和预测 时间。

本发明利用磨机运行的周期性特征，具有复杂度低、预测精度高、利于在 线应用等优点，为火电厂制粉系统的安全、经济运行提供可靠保障。其具有重 要的实用价值。

附图说明

图1是基于周期滚动优化的火电厂磨机负荷预测方法的结构框图。

图2是基于周期滚动优化的火电厂磨机负荷预测方法的流程图。

图3是DCS方式控制系统结构图。

图4是周期滚动优化模型的流程图。

图5是基于周期特征的约简最小二乘支持向量机的建立流程图。

具体实施方式

下面结合附图和具体实施方法对本发明作进一步的详细描述。

本发明的基于周期滚动优化的火电厂磨机负荷预测方法的框图如图1所示， 流程图如图2所示。以某火电厂的磨机为例，给出本发明的一个具体应用。该 磨机型号为DTM350/700,转速为17.57r/min。采用DCS的方式实现磨机输入信 号的采集、算法的执行以及其他各种操作监控等功能，系统结构如图3所示。 在实时控制层，由西门子的S7-400和S7-200系列PLC及其扩展输入输出模块 组成，充分利用S7-200系列PLC的低成本、易于扩展、编程简单等优点，实现 系统各输入点的分布式采集与控制信号输出，而功能强大的S7-400系列PLC则 为实现复杂的信号处理、软测量、控制算法等提供保障；在操作管理层，主要 为各种IO服务器，操作台以及工程师站，完成人机交互以及设计方案的更新等。

具体包括以下步骤：

1)在信号采集部分，通过DCS系统进行控制，每1秒采集一次相关参数， 包括磨机噪声E_nos、磨机振动E_vib、磨机电机电流I_mil、磨机出入口差压P_dif、磨 机入口负压P_neg、磨机出口温度T_out和排粉机电机电流I_pow。其中磨机噪声E_nos、 磨机振动E_vib为特征频段内的噪声和振动信号能量。

对噪声和振动信号的采集和过程如下：磨机运行过程中筒体噪声使用声望 公司的MPA206传声器测量，传感器灵敏度为32mv/Pa，响应频率为20Hz～ 10kHz，安装于距离磨机入口1/3处，指向钢球下落撞击点；磨体振动幅度使用 PCB公司的608A11加速度传感器检测振动量测量，传感器灵敏度100mv/g，响 应频率为20Hz～10kHz，安装于磨机入口支撑轴承处；配合高速数据采集卡 PCI1714UL(研华模拟量输入卡，4通道，最大转换速率30MHz，12位AD)， 实时采集噪音传感器和振动传感器信号，每次以51.2k的采样速率采样1024点 数据。对每采集到1024点数据进行频谱分析，将特征频段内(本实例中选取特 征频段为1.2kHz～5kHz)的频域幅值模取平方后累加，得到对应的特征频段内的 噪声和振动信号能量，即磨机噪声E_nos、磨机振动E_vib。

2)对采集到的相关参数，构建相应的参数序列X(i_n),i_n＝1,...,N(X代表相 关参数E_nos、E_vib、I_mil、P_dif、P_neg、T_out和I_powI_pow，N为参数采集次数)，将参 数序列视为周期序列，T为周期时间，磨机旋转速度为17.57r/min，选取n₀＝4， 则磨机筒体旋转一周所需时间T₀＝3.5s，周期时间T为：T＝Round(n₀·T₀)＝14s。 序列内同一周期为：{X(j-13),X(j-12),...,X(j)},j＝15,16...,N。构建的周期参 数序列包含磨机旋转n₀＝4圈的运行信息。

3)如图4所示流程图，建立周期滚动优化模型，对周期时间T＝14的参数 序列X(i_n),i_n＝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-13),X(n-12),...,X(n)}，其中：n≥15，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X′(n)，X′代表磨机 噪声的周期优化参数E′_nos、磨机振动的周期优化参数E′_vib、磨机电机电流的周期 优化参数I′_mil、磨机出入口差压的周期优化参数P′_dif、磨机入口负压的周期优化 参数P′_neg、磨机出口温度的周期优化参数T′_out和排粉机电机电流的周期优化参数 I′_pow。

当前采集的参数X(n)为主特征，确定主特征X(n)所在T周期内的各个特征 周期，即$\{X(n-T_0^{\left(i_0\right)}+1),X(n-T_0^{\left(i_0\right)}+2),\mathrm{...},X(n-T_0^{(i_0-1)})\},i_0=1,\mathrm{...},n_0,$(其中 即$T_0^{\left(0\right)}=0,T_0^{\left(1\right)}=3,T_0^{\left(2\right)}=7,T_0^{\left(3\right)}=10,T_0^{\left(4\right)}=14$)。各特征周 期反映了包含磨机旋转每圈的运行信息。特别当i₀＝1时X(n-2),X(n-1),X(n) 为主特征周期。求取各特征周期融合值公式如下：

${\bar{X}}^{\left(i_0\right)}=\sqrt{\frac{\underset{j_0=1}{\overset{T_0^{\left(i_0\right)}-T_0^{(i_0-1)}}{\Sigma }}X{(n-T_0^{\left(i_0\right)}+j_0)}^2}{T_0^{\left(i_0\right)}-T_0^{(i_0-1)}}},i_0=1,\mathrm{...}{n}_0$

对各特征周期融合值进行均方加权融合，其中i₀＝1时，特征周期融合 值的权值为w₁＝0.5，i₀>1时，特征周期融合值的权值为w₂＝0.222,w₃＝0.167, w₄＝0.111。得到当前参数的周期优化值X′(n)(X′代表磨机噪声的周期优化参数 E′_nos、磨机振动的周期优化参数E′_vib、磨机电机电流的周期优化参数I′_mil、磨机出 入口差压的周期优化参数P′_dif、磨机入口负压的周期优化参数P′_neg、磨机出口温 度的周期优化参数T′_out和排粉机电机电流的周期优化参数I′_pow)，公式如下：

$X^{\prime }\left(n\right)=\sqrt{0.5{\bar{X}}^{\left(1\right)2}+0.222{\bar{X}}^{\left(2\right)2}+0.167{\bar{X}}^{\left(3\right)2}+0.111{\bar{X}}^{\left(4\right)2}}$

4)确定磨机负荷参数的预测值通过将相关参数的周期优化参数 X′＝(E′_nos,E′_vib,I′_mil,P′_dif,P′_neg,T′_out,I′_pow)，作为输入，并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模型 建立如图5所示流程图，过程如下，首先确定训练样本为其中N_s＝70000为总训练样本数。X_T为训练样本中的输入参数，Y_T为训练样本 的输出参数。对样本参数中各分量分别使用如图4过程的周期滚动优化模型， 具体使用中，因公式中需要前T项序列值，实际从序列的第T+1项开始算起， 得到训练样本对应的周期优化序列样本数量仍然有69985 个，此处使用约简最小二乘支持向量机模型，若使用普通方法直接进行模型建 立，则样本数量太大，模型复杂，且建模时间和预测时间过长。

将周期优化序列分为M＝14组，分组方式为依次选取每 间隔一周期时间T＝14的第p个参数，每组为 {(X′_T(p+14q),Y′_T(p+14q))|q＝1,...,4999}，其中，p＝1,…,14。分别建立14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为第p组周期优化 序列。因模型建立时间与样本数量为指数关系上升，所以建立时间远小于用全 样本作为支持向量。训练过程中使用约简最小二乘支持向量机模型，其形式为 每个模型的建立过程为求解对应寻优方程，在寻 优方程中，选取少量样本即第p组周期优化序列作为支持向量，同时在误差项 中使用所有的周期优化序列进行评估。寻优方程如下：

$\min \{L(b,{\alpha }_S)=\frac{1}{2}{\alpha }_S^T{K}_{ss}{\alpha }_S+\frac{C}{2}\underset{i=15}{\overset{70000}{\Sigma }}{\left(Y_T^{\prime }\right(i)-\underset{j\in S}{\Sigma }{\alpha }_{j}k(X_T^{\prime }\left(i\right),X_T^{\prime }\left(j\right))-b)}^2\}$

其中：

α_S,b为模型待优化参数，α_j为向量α_S中元素；

S＝S_p为14组中第p组的序列标号；

S_p为支持向量的序号标号，S_p＝{p+14q|q＝1,...,4999},p＝1,...,14；

K_ss矩阵中第l行，m列元素为K_lm＝k(X′_T(l),X′_T(m))，l,m∈S；

k(X′_i,X′_j)＝exp(-||X′_i-X′_j||²/2γ²)；

γ,C为超参数，通过网格搜索和十折交叉验证的方法来进行优化选取。

优化公式，可以进一步推导：

$(R_s+Z_s{Z}_s^T)\left(\begin{array}{c}b\\ {\alpha }_s\end{array}\right)=Z_s{Y}^{\prime }$

其中$R_s=\left(\begin{array}{cc}0& 0^T\\ 0& K_{ss}/C\end{array}\right),Z_s=\left(\begin{array}{c}{1}^T\\ {\hat{K}}_s\end{array}\right),$矩阵中各元素为 K_ij＝k(X′_T(i),X′_T(j)),i∈S,j∈{15,...,N_s}。

对14组模型训练结果通过均方根误差MSE进行评估，第p组的 $MSE(Y_T^{\prime }-f_p(X_T^{\prime }\left)\right)=\sqrt{\frac{{(Y_T^{\prime }-f_p(X_T^{\prime }\left)\right)}^2}{4999}}.$结果如下表

第p组 1 2 3 4 5 6 7 8 9 10 11 12 13 14 MSE 1.52 1.23 1.44 1.30 1.46 1.57 1.60 1.55 1.43 1.56 1.51 1.33 1.59 1.66

在p＝2时均方根误差MSE最小，所以选取$f_2\left(X^{\prime }\right)=\underset{i\in S_2}{\Sigma }{\alpha }_{i}k\left(X^{\prime }\right(i),X^{\prime })+b$作为 最终模型。