最小二乘支持向量机在煤着火特性研究中的应用

常爱英, 吴铁军, 包 鑫

(浙江大学工业控制技术国家重点实验室,杭州 310027)

煤着火特性是指在规定的条件下煤粉在炉膛中着火燃烧的难易程度,掌握煤粉气流的着火特性对锅炉运行人员来说极其重要:着火推迟,燃烧不稳定,飞灰可燃物含量增加;着火过早,可能使燃烧器喷口过热而被烧坏,也易使喷口附近结渣.因此,掌握煤粉气流的着火特性将有利于锅炉设备的安全和经济运行.

研究煤着火特性的试验系统主要包括热天平和沉降炉等.利用热天平完成煤热失重试验是指在程序控制温度下,对微量煤粉静态加热从而获得煤粉燃烧过程中质量变化、热量变化等基本燃烧信息.热失重试验过程中的干扰因素较少,试验结果重现性较好,试验精确度及可比性较强[1].煤热失重反应包括吸热过程、挥发分析出过程、易燃组分燃烧过程和难燃组分燃烧过程.目前利用热天平实验研究煤着火特性主要是根据燃烧过程特征点的物理意义取几个特征点[2-5],建立各种燃烧指数模型估计煤的燃烧性能.

沉降炉试验系统(图1)包括着火段、燃尽段、送风系统等.送风系统把煤粉送入炉内燃烧,其燃烧状态比较接近实际电厂锅炉燃烧状态.利用沉降炉系统确定着火温度的方法是:试验过程中保持风粉条件不变和燃尽段壁温恒定,着火段壁温从试验煤种不着火工况开始升温,直至煤粉气流在某一断面稳定着火,这时着火段壁温即为着火温度[6],因此沉降炉着火温度可以作为衡量煤粉着火性能的指标.沉降炉试验确定煤着火温度的方法比较直观,但需要针对不同的着火段壁温进行大量的试验,尤其是难燃煤种,而且在实际应用中不可能对所有煤种进行实验[7].

图1 沉降炉系统示意图Fig.1 Schematic diagram of the subsiding furnace

煤热失重反应是静态燃烧,和实际锅炉的动态燃烧之间存在一定的区别[8],因此直接利用煤热失重反应特征点建立的模型预测煤着火温度存在一定程度的偏差.前文已经明确热失重数据含有煤燃烧的大量信息,因此本文利用煤热失重反应过程的全部数据,而非几个特征点,对沉降炉实验得到的煤的着火温度建立预测模型.

非线性建模方法包括人工神经网络和支持向量机等.由于人工神经网络方法对非线性函数可任意逼近而受到广泛重视,但文献[9]指出,神经网络泛化能力较弱,存在过拟合问题,而且不适宜处理高维数据.最小二乘支持向量机(LSSVM)方法具有小样本学习能力强、推广性能好、高维数据处理能力强以及计算速度快的特点,在光谱分析、药品鉴别、语音识别、煤燃烧分析等领域中得到广泛应用[10-13].笔者应用LSSVM方法建立煤着火特性模型,采用常规分析以及热失重速率数据作为输入变量对沉降炉着火温度进行了预测分析.

1 最小二乘支持向量机

LSSVM用于函数拟合的原理简单描述如下.给定训练数据集,其中输入数据 xk∈Rm,输出数据yk∈R,将输入数据通过非线性变换从空间Rm映射到高维特征空间Rmh,并且在此空间构造最优线性回归函数,对应的优化问题为:

其中:γ＞0为惩罚系数.

上述优化问题可以归结为求解一阶线性方程组的问题:

式中:y=[y1,…,yN]T;1=[1,…,1]T;α=[α1,…,αN]T;I为N ×N 单位矩阵;Ω={Ωkl|k,l=1,…,N};Ωkl=φ(xk)Tφ(xl)=K(xk,xl);K(xk,xl)为核函数,最后可得LSSVM 拟合模型为:

式中:αk表示支持向量,αk和b可根据训练样本数据求得.核函数为高斯函数:

2 实验部分

利用德国Netzsch公司的 NETZSCH STA 449C型热天平完成煤粉热失重实验.工作气氛模拟空气:N2和 O2的流量分别为 80 mL/min和20 mL/min,升温速率为20 K/min,样品重量为10.0 mg.沉降炉试验系统的给粉量为0.9 kg/h,过量空气系数为1.2.

所有煤样均来自某省份电厂实际燃用煤种,空气干燥基发热量范围是17.8～28.4 MJ/kg、挥发分含量范围是 9.15%～39.8%,水分含量范围是0.99%～9.32%.样品主要煤质分析数据见图2,煤着火温度见表1.

3 模型及仿真

3.1 数据预处理

图2 主要煤质参数分布Fig.2 Distribution of main analysis data of coal samples

表1 煤样着火温度Tab.1 Ignition temperature of the coal samples °C

为了消除不同属性量纲带来的影响,对数据采用如下公式进行标准化处理:式中是标准化后的第k个样本的第i个变量;是第k个样本的第i个变量是第i个变量的均值;si是第i个变量的标准差.

3.2 性能评价与参数确定

用留一交叉验证方法评估模型的预测能力,其中估计均方误差(Ems)、相对均方根误差(Erms)和相关系数(R)作为性能指标.LSSVM待定系数包括罚函数系数γ和高斯核函数系数σ2.本建模当 γ取1000、σ2取2时,其拟合精度达到最好.本文实验涉及到的算法程序均由Matlab 7.9编写,在Core 2微机Window s XP环境下运行.

3.3 仿真结果

分别将常规分析(IAEA)中的挥发分、水分、灰分、发热量、碳、氢、氧等决定煤粉着火特性的参数[14]作为输入变量,将煤粉热重反应失重速率(DTG)数据作为输入变量,以及将常规分析和失重速率(IAEA+DTG)数据同权重作为输入变量建立模型,对比不同输入变量时的着火温度预测结果.

利用常规分析作为输入变量预测沉降炉实验煤粉的着火温度,得到预测值和实际值之间的对应关系见图3.

图3 IAEA作为输入变量的预测结果Fig.3 P redicted results by using IAEA as the input variables

从图3中可以看到,模型的预测值和实验值整体趋势是一致的,但着火温度低于500℃煤样的预测精度较低.着火温度低于510℃煤样的煤质分析见表2.从表2中可以看到,这些煤的煤质分析接近,但是着火温度却有差异,这是因为煤常规分析参数在很大程度上决定了煤粉的着火性能,但煤着火性能不仅仅由工业分析和元素分析数值决定,而且与其组分以及煤的形成条件也有关系.

煤粉热失重反应的过程为煤粉先处于升温状态,达到一定温度后挥发分析出,反应放热,产生的热量使煤粉达到着火点条件,迅速着火反应,并迅速失重.图4为煤的热失重速率曲线.从图4中可以看到,在180℃之前处于升温状态,各煤样的热失重曲线基本重合,这部分数据对识别区分煤着火特性没有作用.因此,在研究煤着火特性时热失重速率取180℃以后的数据,输入变量数为183维.

表2 煤质常规分析Tab.2 Routine analysis of coal quality

图4 煤的热失重速率曲线Fig.4 DTA curve of coals

利用失重速率数据作为输入变量预测沉降炉着火温度,得到预测值和实际值之间的对应关系见图5.利用失重速率数据以及常规分析作为输入变量预测沉降炉着火温度,得到预测值和实际值之间的对应关系见图6.

图5 DTG作为输入变量的预测结果Fig.5 Predicted results by using DTG as the input variables

不同输入变量下模型的预测性能指数见表3.

图6 IAEA和DTG作为输入变量的预测结果Fig.6 Predicted results by using IAEA and DTG as input variables

表3 各模型的预测性能指数Tab.3 Predicted performances indexes of various models

从表3可以看到:采用常规分析作为输入变量时,预测相对均方根误差为0.61%,因变量和自变量的相关系数为0.74;利用热失重速率数据作为输入变量时,得到的预测相对均方根误差为0.27%,相关系数为0.95.而以失重速率数据和常规分析数据作为输入变量进行煤粉着火温度预测时,相关系数为0.96,预测均方根误差为11.49 K,相对均方根误差为0.24%.对比三者发现,利用热失重速率数据和煤常规分析数据作为输入变量进行着火温度的预测,比仅利用热失重速率数据作为输入变量的预测精度有所提高.

4 结 论

通过对煤着火特性影响的机理分析,确定了用失重速率数据和常规分析数据,分析煤粉着火难易程度的合理性,并且利用LSSVM方法建立煤着火温度预测模型,仿真结果表明预测结果与实验结果相吻合,可以用于指导现场运行。

[1]周俊虎,平传娟,杨文娟,等.混煤燃烧反应动力学参数的热重研究[J].动力工程,2005,25(2):207-210.ZHOU Junhu,PING Chunjuan,YANG Wenjuan,et al.Thermo-gravimetric research on dynamic combustion reaction parameters of blended coals[J].Journal of Power Engineering,2005,25(2):207-210.

[2]张建良,张曦东,陈彬彬,等.利用热重法研究混煤的燃烧[J].钢铁研究学报,2009,21(2):6-8.ZHANG Jianliang,ZHANG Yidong,CHEN Binbin,et al.Blended coal combustion studied by thermogravimetry[J].Journal of Steel Study,2009,21(2):6-8.

[3]杨建国,翁善勇,赵虹,等.采用遗传算法优化的煤粉着火特性BP神经网络预测模型[J].动力工程,2006,26(1):81-83.YANG Jianguo,WENG Shanyong,ZHAO Hong,et al.An optimized BP network model using genetic algorithm for predicting the ignition-stability index of pulverized coal[J].Journal of Power Engineering,2006,26(1):81-83.

[4]周英彪,范杜平,段权鹏,等.基于热天平着火温度的新方法[J].电站系统工程,2007,23(3):29-31.ZHOU Yingbiao,FAN Duping,DUAN Quanpeng,et al.A new method for temperature of the kindling point based on thermal balance[J].Power System Engineering,2007,23(3):29-31.

[5]周坤,杨建国,赵虹.BP神经网络对煤着火特性的预测[J].热力发电,2005,34(11):21-25.ZHOU Kun,YANG Jianguo,ZHAO Hong.Prediction of igniting properties for coal by using BP neural network[J].Thermal Power Generation,2005,34(11):21-25.

[6]赵虹,杨建国,常爱英,等.煤粉燃烧稳定性指数的建立[J].燃烧科学与技术,2003,9(4):364-366.ZHAO Hong,YANG Jianguo,CHANG Aiying,etal.Establishment of combustion stability index of pulverized-coal[J].Journal of Combustion Science and Technology,2003,9(4):364-366.

[7]张保生,刘建忠,程军,等.微分差热法确定沉降炉试验中低挥发分混煤的着火点[J].浙江大学学报,2008,42(5):839-842.ZHANG Baosheng,LIU Jianzhong,CHENG Jun,et al.Derivative differential thermal method for determining igniting point of low-volatile blending coals in subsiding furnace[J].Journal of Zhejiang University,2008,42(5):839-842.

[8]胡文斌,杨海瑞,吕俊复,等.煤着火特性的热重分析研究[J].电站系统工程,2005,21(2):8-12.HU Wenbin,YANG Hairui,LÜJunfu,et al.Study on ignition properties of coals by using thermogravimetry[J].Power System Engineering,2005,21(2):8-12.

[9]王艳斌,袁洪福,陆婉珍,等.人工神经网络用于近红外光谱测定柴油闪点[J].分析化学,2000,28(9):1070-1073.WANG Yanbin,YUAN Hongfu,LU Wanzhen,et al,Application of artificial neural network for the determination of diesel fuel flash point by near-infrared spectroscopy[J].Chinese Journal of Analytieal Chemistry,2000,28(9):1070-1073.

[10]SUYKENS J A K,DE BRABANTER J,LUKAS L,et al.Weighted least squares support vector machines:robustness and sparse approximation[J].Neurocomputing,2002,48(1):85-105.

[11]SUYKENS J A K,VANDEWALLE J.Least squares support vector machine classifiers[J].Neural Processing Letters,1999,9(3):293-300.

[12]BORIN A,FERRAO M F,MELLO C,et al.Leastsquares support vector machines and near infrared spectroscopy for quantification of common adulterants in powdered milk[J].Analytica Chimica Acta,2006(579):25-32.

[13]CHEN Q,ZHAO J,FANG C H,et al.Feasibility study on identification of green black and Oolong teas using near-infrared reflectance spectroscopy based on support vector machine[J].Spectrochimica Acta,2007,66(3):568-574.

[14]朱群益,赵广播,阮根建,等.煤粉着火温度与煤的工业分析及元素分析间的关系[J].哈尔滨工业大学学报,1993,25(2):25-28.ZHU Qunyi,ZHAO Guangbo,RUAN Genjian,et al.The correlation between the initiation temperature of combustion of pulverized coal and ultimate and proximate analysis data[J].Journal of Harbin Institute of Technology,1993,25(2):25-28.