一種自適應在線校正的火電廠球磨機負荷軟測量方法
【技術領域】
[0001] 本發明涉及一種磨機負荷的在線預測方法，特別涉及一種火電廠筒式鋼球磨煤 機自適應在線校正的負荷軟測量方法，該方法采用多個過程參數建立離線訓練模型，并根 據不同的誤差干擾分別建立誤差校正模型，從而實現對磨機負荷自適應在線校正的實時預 測。
【背景技術】
[0002] 制粉系統是火力發電廠的主要輔助系統之一，由于筒式鋼球磨煤機對煤種的適應 性強的特點，目前仍是國內應用最廣的一種磨煤機。磨煤機是制粉系統的關鍵設備，它能否 工作在最佳工況，直接關系到制粉系統的工作效率，而磨機負荷的準確監測是確保對制粉 系統進行優化控制的先決條件。因此如何準確監測磨機負荷成為關鍵和難點。
[0003] 由于磨機工作環境差，粉塵污染大，內部環境惡劣，因此無法直接測量，只能通過 間接法檢測。目前，應用較多的磨機負荷檢測方法有磨音法、振動法以及功率法。現有磨音 法是通過單個聲音傳感器簡單檢測磨機噪聲聲強來判斷其負荷，缺點是檢測精度不高，未 能有效去除背景噪聲干擾，特別是當多臺磨機同時在一個車間內運行時，臨近磨機運行時 所發出的噪聲會嚴重影響負荷檢測的準確性。振動法是利用磨機運轉時，研磨體和物料偏 于磨機的一側，磨機的轉動部分處于嚴重的不平衡狀態，造成不平衡的離心力，并使磨機系 統振動，磨機在轉速不變時其振動強度與被磨物料量的多少有關這一特性檢測的；振動法 的不足在于線性度差，準確度不高。功率法的思路是通過測量磨機運行時電機所消耗的功 率來判斷磨機內的負荷。在實際應用中，是測量磨機的工作電流。此種方法的不足之處在于 工作電流在整個工作過程中，變化不是很大，因為磨機內煤質所占整個球磨機的比重不大， 所以導致測量靈敏度低。
[0004] 近年來，也有一些采取多種輸入信息進行綜合獲得磨機負荷的方法，如《基于 ANFIS的火電廠磨機負荷檢測的軟測量模型》（司剛全，曹暉，張彥斌等，儀器儀表學報，第 4期增刊II，2007, vol. 28)【1】，《基于復合式神經網絡的火電廠筒式鋼球磨煤機負荷軟測 量》（司剛全，曹暉，張彥斌等，熱力發電，2007,第5期）【2】。《基于神經元網絡的制粉系統 球磨機負荷軟測量》（王東風，宋之平）【3】。但是這些方法存在的問題是，都是基于離線訓 練-在線應用的原則，并針對單一球磨機負荷工況建立的軟測量模型，一旦工況發生變化 或者運行過程中受到干擾，就會導致軟測量模型的預測精度變差或偏移。如果考慮到全工 況的離線建模，往往需要大量的訓練數據，使軟測量模型的復雜度太高，影響在線應用中的 實時性。因此，對于多種輸入參數建立的全工況離線訓練模型，有必要提出一種能夠降低模 型復雜度和保證模型精度的建模方法。
[0005] 文獻【1】和【2】基于噪聲和振動信號進行特征提取和建立模型，但是沒有考慮到 背景噪音和鄰磨啟停的影響，當有鄰磨啟動或停止時，會引起磨機負荷預測的偏移；文獻 【2】和【3】選擇壓力類信號作為輔助變量，但并未考慮這些壓力信號更易受風門開度變化的 影響，在線應用中當風門開度變化時，基于全工況建立的離線模型的預測結果就會受到影 響。而文獻【1】、【2】和【3】都是假設球磨機在同一煤質下的預測估計，并未考慮煤質發生 變化時對預測模型的影響。因此在磨機負荷估計過程中，必須將這些影響因素進行剔除和 補償才能反映磨機負荷的變化。因此建立一種自適應在線校正的磨機負荷軟測量模型，通 過煤種、煤水份、熱風門、再循環風門、給煤量以及磨機背景噪聲等多種因素對磨機干擾進 行辨識，并根據補償模型得到干擾引起的估計偏差，從而獲得準確的磨機負荷信息，將對磨 機負荷的監測及控制起到重要的推動作用。

【發明內容】

[0006] 為了克服上述現有技術存在的問題，本發明的目的在于提供一種自適應在線校正 的火電廠磨機負荷軟測量方法，用以解決長期以來火電廠磨煤機負荷難以長期在線檢測的 問題；該軟測量方法通過煤易磨性系數、煤水份、熱風門、再循環風門、給煤量以及磨機背景 噪聲、磨機負荷對運行過程中的干擾因素進行辨識，在基于全工況的離線模型和補償模型 的基礎上，依據不同干擾因素對離線模型預測結果的影響，進行基于規則的自適應加權，從 而獲得準確的磨機負荷信息。
[0007] 為了實現上述任務，本發明采取如下的技術解決方案：
[0008] -種自適應在線校正的火電廠磨機負荷軟測量方法，其特征在于，該方法在實現 磨機負荷的在線估計的同時，能夠實現對干擾信號的在線監測，并對負荷估計進行補償，具 體包括以下步驟：
[0009] 1)在磨機運行過程中，每秒采集一次運行參數，包括磨機噪音E_、磨機背景噪音 Eb_、磨機振動Evlb、磨機出入口差壓Pdlf、磨機入口負壓Ρ ιη、磨機入口溫度Τιη、磨機出口溫度 、熱風門開度Dhc]t、和再循環風門開度。，同時根據磨機運行情況更新給煤量Μ、煤水分 Mw和煤易磨性系數M m三個輔助參數；
[0010] 2)采集樣本X⑴，Y⑴，i = 1，*··，Ν，其中X包含磨機噪音E_、磨機振動Evlb、磨 機出入口差壓Pdlf、磨機入口負壓Ριη、磨機入口溫度τιη和磨機出口溫度T _，N為樣本個數， Υ為磨機真實負荷，根據（X，Υ)，離線訓練得到基于主動學習的初始約簡最小二乘支持向量 機 Model ;
[0011] 3)基于控制變量法，分別建立針對煤質轉換、鄰磨啟停以及風門動作三種干擾因 素的誤差校正模型Modell、Model2和Model3 ;
[0012] 4)在線應用中，基于在線自動識別補償方式，對三種干擾因素進行監測，當干擾發 生時，采用自適應加權策略對在線估計的磨機負荷實現自動補償。
[0013] 所述的基于主動學習的約簡最小二乘支持向量機模型Model的建模方法，其具體 步驟如下：
[0014] 1)采集從磨機空磨狀態到接近滿磨狀態各個工況下的樣本數據，并將此時的磨機 背景噪音、給煤量、煤水分、煤易磨性系數、熱風門和再循環風門開度分別記為E' b_、M'、 M，W、M、、D，hot和 IV rec；
[0015] 2)數據預處理，對采集到的樣本數據基于均值濾波消除隨機誤差后，并采用歸一 法進行標準化處理得到有效樣本；
[0016] 3)基于主動學習的初始約簡最小二乘支持向量機Model，其建模過程簡寫為 AL-LSSVM，就是在訓練離線模型的過程中，采用逐漸增加訓練樣本直到利用部分訓練數據 建模能夠代替全部樣本進行建模的過程；其具體實現步驟為：
[0017] ?將初始樣本數據（X，Y)作為未標注集U，并令標注集L剛開始為空集；基于高斯 混合分布聚類算法對未標注集U進行分類，其中選取k個聚類中心作為初始支持向量，加 入到標注集L，并從U中刪除，并在標注集L上利用最小二乘支持向量機訓練得到初始估計 器；
[0018] 魯根據評估函數，選擇未標注集U中擬合誤差絕對值最大的那個點，加入到標注 集L，并從未標注集U中刪除，其中評估函數為：
[0020] 其中，i e L, j e U，α肩標注集L中每個樣本對應的拉格朗日乘子，b是權衡評 估函數的一個偏移量；
[0021] 魯在標注集L上利用最小二乘支持向量機重新建立估計模型，并根據該估計模型 計算初始訓練集的均方誤差，重復上述過程，直到模型精度滿足要求，并得到基于部分樣本 的LSSVM稀疏化模型。
[0022] 所述基于控制變量法，分別建立針對煤質轉換、鄰磨啟停以及風門動作三種干擾 因素的誤差校正模型Modell、Model2和Model3,其步驟分別如下：
[0023] 1)對于煤質轉換，在不同的工況下選取多種不同煤水分和不同易磨系 數的煤質進行實驗，并基于初始約簡最小二乘支持向量機Model得到預測結果
'再分別得到煤水分、煤易磨性系數在各個運行工況和 建立Model時的誤差：Errl=Mw-M' vErrfzM^-M' "，預測結果與真實值之間的
，.最后根據