基于LSSVM-MODE的水煤漿生產(chǎn)優(yōu)化控制

華南理工大學(xué)學(xué)報(自然科學(xué)版)第37卷第2期Journal of South China University of TechnologyVol 37 No. 209年2月Natural Science Editionebruary 2009文章縮號:1000565X(2009)02.0158-05基于 LSSVM-MODE的水煤漿生產(chǎn)優(yōu)化控制劉定平葉向榮鄧華裕2(1華南理工大學(xué)電力學(xué)院,廣東廣州510640;2茂名熱電廠(chǎng),廣東茂名525011)摘要:水煤漿(CWM)制造過(guò)程中,生產(chǎn)成本的降低和水煤漿性能的提高之間存在著(zhù)矛盾.文中利用最小二乘支持向量機( LSSVM)對球磨機電流和水煤漿濃度進(jìn)行多目標建模,并采用基于 Pareto最優(yōu)概念的多目標微分進(jìn)化(MODE)算法對運行工況進(jìn)行尋優(yōu),然后裉據模糊集理論在 Pareto解集中求得滿(mǎn)意解,獲得了水煤漿濃度的優(yōu)化調整方式和提高水煤漿生產(chǎn)效益的策略關(guān)鍵詞:水煤漿;優(yōu)化運行;最小二乘支持向量機;多目標微分進(jìn)化算法中圖分類(lèi)號:TK323文獻標識碼:A水煤漿是一種煤基流體燃料.它是由約加0%的理模型來(lái)描述基于支持向量機的模型屬于黑箱模煤粉、30%的水和少量化學(xué)添加劑組成的混合體.型,其模型輸人輸出之間的非線(xiàn)性函數關(guān)系由支持目前國內外對水煤漿性能研究比較多,且主要向量機實(shí)現因此適合用支持向量機來(lái)建立制漿優(yōu)研究分散劑、煤種改性和磁化等因素對水煤漿性能化模型影響.在水煤漿制造過(guò)程中,存在著(zhù)降低制漿成本1.1最小二乘支持向量機和提高水煤漿性能兩者之間的矛盾,實(shí)踐中往往通設訓練樣本集為D={(x,y)|i=1,2,…,l},過(guò)試驗來(lái)摸索解決方法由于現場(chǎng)試驗耗時(shí)耗力且其中:x∈R,y,∈R;x為輸入數據;y為輸出數據存在滯后性和偏差使運行經(jīng)常偏離優(yōu)化工況.在權w空間(原始空間)中的優(yōu)化問(wèn)題可以描述為因此,需建立制漿成本和水煤漿性能優(yōu)化模型,用于1minJ(w,e)=ww+y∑e指導水煤漿生產(chǎn)文中根據水煤漿生產(chǎn)工藝將制漿成本和水煤漿結束條件為性能優(yōu)化問(wèn)題轉化為降低電耗成本和提高水煤漿濃y,=w(x)+b+e,, i=1, 2, ". I度的多目標優(yōu)化問(wèn)題提出基于最小二乘支持向量機相應的拉格朗H函數為(LsM)的球磨機電耗和水煤漿濃度多目標優(yōu)化模L=J-∑a1|wq(x)+b+e-y型;并利用多目標微分進(jìn)化算法(MODE)實(shí)現給煤求解的優(yōu)化問(wèn)題轉化為求解線(xiàn)性方程:量、分散劑量等運行參數的尋優(yōu);再利用模糊集理論1進(jìn)行決策選出滿(mǎn)意解,用于指導制漿優(yōu)化運行(1)1:1多目標優(yōu)化 LSSVM模型式中:y=(y1,…,y);1.=(1,…,1);a=(a1水煤漿制造過(guò)程是一個(gè)復雜的物理過(guò)程,它是a1);Q4=p(x)p(x1)=K(x,x1),為1,矩陣一個(gè)多輸入多輸出系統.影響球磨機電耗和水煤漿最小二乘支持向量機函數估計為濃度的參數很多,而且這些參數之間具有強耦合、非y(x)=∑aK(x,x)+(2)線(xiàn)性等特征對于這些復雜的過(guò)程,難以用簡(jiǎn)單的機收稿日期:2007-10-29作者簡(jiǎn)介:劉定平(1965-)男,副教授博士生,主要從事燃燒優(yōu)化與控制研究Eml;liudingping(@I26.com第2期劉定平等:基于 L SSVM-MODE的水煤漿生產(chǎn)優(yōu)化控制159式中:a1,b可由式(1)求解出1.3LssⅤM訓練結果及分析核函數有不同的形式,如:多項式核、多層感知制漿優(yōu)化模型的輸入和輸出層分別有8個(gè)輸入高斯(MP)核、徑向量(RBF)核等.在研究中取節點(diǎn)和2個(gè)輸出節點(diǎn)選取65組樣本數據,其中60RBF核函數如下組作為訓練樣本,5組作為驗證樣本,以驗證模型的K(x, x,)=exp[ -(lx-x, /20]正確性對數據進(jìn)行歸一處理到[0,1]1,正規化參最小二乘支持向量機的函數估計精度和收斂速數和徑向基核參數分別為λ=55,=18.支持向量度受正規化參數和徑向基核參數a的影響2.機訓練結果表明訓練樣本和驗證樣本均勻分布在基1.2制漿優(yōu)化模型的建立準線(xiàn)附近模型的估計值很好地逼近于非線(xiàn)性系統文中以某水煤漿廠(chǎng)40υh水煤漿生產(chǎn)線(xiàn)為對象輸出的實(shí)際值,由此建立了制漿優(yōu)化支持向量機模開(kāi)展研究原煤由破碎機輸送到球磨機進(jìn)行研磨,再型.其驗證樣本計算值與實(shí)際值比較如表1所示由二臺輸漿泵AB送往儲漿罐分散劑為茂名分散表1最小二乘支持向量機模型驗證樣本計算值與實(shí)際值劑煤種質(zhì)量比為m山東媒:m神華煤=2:1.的比較在制漿時(shí),球磨機內部磨介鋼球匹配可認為基 Table 1 Comparison of calculated and experimental validating本不變磨機電流在電耗成本中起著(zhù)主要影響由于data in lssvm model磨機電壓恒定為6kⅤ,可以用磨機電流反映磨機電球磨機電流水煤漿濃度耗水煤漿濃度直接影響到水煤漿的燃燒性能,可將正實(shí)測預測相對實(shí)測預測相對其作為衡量水煤漿性能的主要參數因此制漿優(yōu)化值/A值/A誤差/%值/%值/%誤差/%模型目標值取磨機電流和水煤漿濃度l122.33121.820.4262.9363.240.49給煤量和給水流量的變化會(huì )導致球磨機電耗發(fā)122.63119.782.3162.3063.451.81生變化,從而使水煤漿濃度相應發(fā)生變化分散劑流122.63121.410.9963.9863.670.489364.171.94量對水煤漿濃度等性能也起著(zhù)一定的影響;而水煤123.02123.410.32121.58121.790.1764.I63.500.97漿濃度又和球磨機電耗有著(zhù)某種聯(lián)系,即分散劑流量對球磨機電耗起著(zhù)間接影響破碎機電流反映破模型的泛化能力收斂速度和最優(yōu)性如下碎機出口煤量,所以與球磨機負荷相關(guān),從而也與水(1)泛化能力訓練集樣本平均相對誤差為煤漿濃度相關(guān)輸漿泵頻率、電流與水煤漿產(chǎn)量相0.005%;驗證樣本平均相對誤差為0.600%.模型關(guān)水煤漿產(chǎn)量與球磨機電耗水煤漿濃度相關(guān),所以的驗證樣本輸出值與實(shí)測值已經(jīng)十分接近泵頻率、電流與球磨機電耗和水煤漿濃度緊密相聯(lián).(2)收斂速度 LSSVM求解速度快,基于其的因此取給煤量、給水量、分散劑量、破碎機電流、制漿優(yōu)化模型的平均運算時(shí)間為45747558,顯示輸漿泵運行頻率、輸漿泵運行電流作為水煤漿生產(chǎn)了模型的可行性?xún)?yōu)化模型的輸入參數(3)最優(yōu)性在給定初始參數后,支持向量機制漿優(yōu)化模型如圖1所示每次訓練都可以得到相近的結果,這說(shuō)明支持向量機得到的是全局最優(yōu)解給煤量給水流量.4制漿模型的多目標優(yōu)化問(wèn)題在對球磨機電流、水煤漿濃度進(jìn)行多目標支持分散劑流量向量機建模后,需對建立好的模型尋優(yōu),以指導制漿破碎機電流優(yōu)化建模過(guò)程是從輸入到輸出,而尋優(yōu)過(guò)程從輸出泵A運行頻率到輸人,即求輸出目標球磨機電流和水煤漿濃度綜泵A運行電流產(chǎn)型合最優(yōu)時(shí),各輸入參數的值因此,制漿優(yōu)化問(wèn)題的泵B運行頻率多目標數學(xué)模型描述如下:I(X;, X,, at, b,圖1基于最小二乘支持向量機的制漿優(yōu)化模型max w(X, x,, a2, b2, o)Fig 1 Optimization model of coal water mixture production0z,保留z進(jìn)入下一代;如果本;E為第i個(gè)輸入變量的取值范圍;a為核參數;zxz,保留z;否則根據密度信息選出密度值較小j=1,2,3,…,8;a1、a2、b1、b2分別為最小二乘支持向的個(gè)體進(jìn)化下一代量機的拉格朗日乘子和偏差量第6步重復第4、5步至產(chǎn)生新一代群體P";2多目標微分進(jìn)化算法第7步選出P中的非劣解,如果P的規模沒(méi)有達到規定大小,那么所獲得的非劣解直接加入到微分進(jìn)化(DE)4是一種基于種群的直接全局P中;如果新非劣解支配P中個(gè)體那么將被支配優(yōu)化算法,采用實(shí)數編碼,簡(jiǎn)單而有效在眾多的單的個(gè)體從P中刪除并將新個(gè)體加入P中,否則,將目標優(yōu)化問(wèn)題中DE比遺傳算法(GA)表現得更加新非劣解加入P中,并根據空間密度信息,刪除P優(yōu)異6中密度最大的個(gè)體;2.1多目標微分進(jìn)化算法原理第8步如滿(mǎn)足中止條件,停止迭代,否則返回微分進(jìn)化算法有3個(gè)主要操作:變異、交又和選第4步擇°設群體規模為N,向量的維度為D,群體中的2.2決策目標向量可以用zn=[zn1,zn2,…,zn],m=1,…,應用多目標微分進(jìn)化算法得到的是一組 ParetoN表示任一目標向量zm,按式(4)生成變異向量解,這些解在不同的目標上各占優(yōu)勢.在很多情況下,決策者對目標偏好的描述往往是模糊的,因此適z1+F(z2-z2),(4)合采用模糊集理論描述決策者的模糊偏好式中:zn、n、z2為群體中順機選擇的3個(gè)個(gè)體,且首先應對目標函數后構造相應的隸屬度函數r1≠2≠7≠m;F為放縮因子,是一個(gè)介于[0,2]間,且滿(mǎn)足A4=[0,1],表示第h個(gè)目標達到最優(yōu)的常量因子的程度,μ越趨近于1,表示目標函數f越趨近于交叉操作目的是通過(guò)變異向量v和目標向量最優(yōu)解第h個(gè)目標函數f用隸屬函數4表示如zn的結合以提高變異向量的多樣性算法通過(guò)下面x10公式生成新的向量un=[un1,un2,…,un]:m,如果Rb≤CR或n=R,(5),如果R5>Cg或n≠R(m=1,…,N;n=1,…,D)式中:R為[0,1間的隨機數;交叉常量C為[0(0,f≥1]間的常數;R,為[1,D]間隨機選擇的整數1,f≥群體規模越大,算法搜索能力越強,但大的群體