基于LSSVM的石灰石浆液制取电耗优化.pdf

基于 LSSVM 的石灰石浆液制取电耗优化 刘定平 1 李小伟 1 黄泳华 1 胡剑琛 2 1. 华南理工大学电力学院， 广州 510640; 2. 广东拓奇电力技术发展有限公司， 广州 510730 摘要 提出了基于最小二乘支持向量机 LSSVM 构造以球磨机制浆速度作为目标优化模型， 并采用遗传算法实现了 给料量、 给水量、 漩流器入口压力等运行参数的寻优， 获得了优化制浆速度的调整方式。以此方式的相应参数作为当 前负荷下的基准值， 能很好地解决制浆工况下运行参数基准的确定问题。通过现场试验证明 按此基准值运行， 可以 提高制浆速度， 降低电耗。 关键词 制浆速度; 最小二乘支持向量机; 遗传算法 OPTIMIZATION OF POWER CONSUMPTION OF LIMESTONE SLURRY PREPARATION BASED ON LSSVM Liu Dingping1Li Xiaowei1Huang Yonghua1Hu Jianchen2 1. School of Electric Power，South China Univ. of Tech. ，Guangzhou 510640， China; 2. Topkey Power Technical Development Co. ，Ltd，Guangzhou 510730，China AbstractIt was constructed the objective optimization model of the pulp mill rate based on least squares support vector machine LSSVM ，and genetic algorithm was used to optimize the operating parameters，such as feeding capacity，giving water，vortex flow inlet pressureetc;and the optimal pulp and speed adjustment were got.The corresponding parameters were taken as the reference value of the current load，which could solve the issue of determining baseline operating parameters of the pulp and varying operating conditions. It was proved through field test that the reference value of running， can improve the pulp speed and lower power consumption. Keywordspulp velocity;least squares support vector machine;genetic algorithm 0引言 湿式石灰石 － 石膏法烟气脱硫工艺具有技术成 熟、 可靠性高、 操作简单等优势， 因此在我国已得到广 泛的应用。而在石灰石浆液的制备环节中， 由于球磨 机功率较大， 球磨时间较长， 所以存在电耗量大的 问题。 近年来， 作为机器学习领域中备受瞩目的支持向 量机 SVM 在许多领域取得了成功的应用， 显示出 巨大的优越性 1 支持向量机是根据结构风险最小 化原则， 尽量提高学习机的泛化能力， 即由有限的训 练样本得到小的误差， 对独立的测试集仍然能保证小 的误差; 2 支持向量机算法是一个凸优化问题， 因此 局部最优解一定是全局最优解; 3 支持向量机算法 中的核函数利用隐式非线性变换， 巧妙地解决了维数 灾难问题。最小二乘支持向量机 LSSVM 是标准支 持向量机的一种扩展， 它是支持向量机在二次损失函 数下的一种形式。最小二乘支持向量机只求解线性 方程， 其求解速度快， 在函数估计和逼近中得到了广 泛应用 ［ 1］。 本文以某 600 MW 火力发电厂湿式脱硫制浆系 统作为研究对象， 通过现场试验， 提出了基于最小二 乘支持向量机 LSSVM 构造以球磨机制浆速度作为 目标优化模型， 并采用遗传算法实现给料量、 给水量、 漩流器入口压力等运行参数的寻优， 获得优化制浆速 度的调整方式， 进而缩短了制浆时间， 降低了电耗。 1制浆速度的 LSSVM 制浆过程是一个复杂的物理过程， 它是一个多输 入单输出系统。影响制浆速度的参数较多， 为了描述 这些参数之间具有强耦合、 非线性等特征， 可以用基 于支持向量机的黑箱模型来描述输入与输出的非线 401 环境工程 2010 年 12 月第 28 卷第 6 期 性函数关系， 建立支持向量机制浆优化模型 ［ 2］。 1. 1最小二乘支持向量机 设训练样本集 D { xi， yi| i 1， 2， ， l} 其中 xi∈Rl， yi∈R; xi为输入数据; yi 为输出数据。 在权 w 空间 原始空间 中的优化问题可以描述为 minJ w， e w， b， e 1 2 wTw 1 2 γ∑ l k 1 e2 i 结束条件为 yi wT xi b eii 1， 2， ， l 相应的拉格郎日函数为 L J －∑ l i 1 ai{ wT xi b ei－ yi} i 1， 2， ， l 求解的优化问题转化为求解线性方程， 见式 1 0IT v IvΩkl 1 γ         I [ ] b a 0 [ ] y 1 其中 y ［ y1， ， yl］ ; Iv［ 1， ， 1］ ; a ［a1， ， al］ ; Ωkl  xk T x l K xk， xl LSSVM 最小二乘支持向量机函数估计， 见式 2 y x ∑ l i 1 akK x， xl b 2 式中 a， b 可由式 1 求解出。 核函数有不同的形式， 如 多项式核、 多层感知高 斯 MLP 核、 RBF 核等。在研究中， 取 RBF 核函数如 式 3 所示 K x， xl exp［－ ‖x － x2 l‖ /2σ 2 ］ 3 最小二乘支持向量机的函数估计精度和收敛速度受 γ， σ 选择的影响。 1. 2模型的输入与输出 以某 600 MW 火力发电厂的脱硫制浆工艺为例， 石灰石经运料车卸载， 通过振动给料机进入破碎机， 被破碎成 20 ～ 30 mm的小块后被储存在石灰石储仓 中; 后经称重皮带称重， 输送至球磨机与水混合进行 制浆， 制出后的浆液输送至循环浆液箱中， 通过浆液 循环泵打至漩流器进一步分离， 合格的浆液再由输浆 泵送往储浆罐 ［ 3- 4］。 由于球磨机电压恒为 6 kV， 在某段时间内运行， 球磨机电流变化很小， 所以在保证脱硫效率前提下， 找出最快制浆速度， 即可以找出最短制浆时间来降低 电耗。因此制浆优化模型目标值取为制浆速度。 给料量、 补水量、 漩流器入口压力直接影响制浆 速度。球磨机电流间接反映内部钢球量的多少。因 此取给料量、 给水量、 漩流器入口压力、 球磨机电流、 作为石灰石浆液生产优化模型的输入参数， 见图 1。 图 1优化石灰石浆液生产最小二乘支持向量机模型 1. 3支持向量机训练结果分析 制浆优化模型的输入和输出层分别有 4 个输入 节点和 1 个输出节点。30 组样本数据， 其中 25 组作 为训练样本， 5 组作为验证样本， 以验证模型的正确 性。对数据进行归一处理到［ 0， 1］ ， 正规化参数和径 向基核参数分别为 λ 55， σ 18。支持向量机训练 结果如图 2 所示， 训练样本和验证样本均匀分布在基 准线附近， 模型的估计值很好地逼近了非线性系统输 出的实际值， 由此分别建立起了制浆优化支持向量机 模型。其验证样本预测误差如表 1 所示。 图 2LSSVM 模型计算值与实际值的比较 表 1最小二乘支持向量机模型验证样本 计算值与实际值比较 验证 样半 制浆速度 实测值 制浆速度 预测值 相对 误差 / 129. 2430. 362－ 3. 84 227. 5028. 273－ 2. 18 328. 2027. 0414. 11 423. 1223. 660－ 2. 34 522. 0721. 8431. 03 泛化能力 ［ 5］、 收敛速度和最优性如下 1泛 化 能 力 训 练 集 样 本 平 均 相 对 误 差 为 2. 4 ; 验证样本平均相对误差为 2. 7 。模型的验 501 环境工程 2010 年 12 月第 28 卷第 6 期 证样本输出值与实测值已经很接近。 2收敛速度 LSSVM 通过求解线性方程组， 其 求解速度快。基于 LSSVM 的制浆优化模型建立的平 均运算时间为 0. 633554 s， 显示模型的可行性。 3最优性 在给定初始参数后， LSSVM 训练每 次都可以得到相近的结果， 这说明 LSSVM 得到的是 全局最优解。 2遗传算法实现制浆速度的优化 2. 1制浆优化单目标优化模型 在对制浆速度进行 LSSVM 机建模后， 需对建立 好的模型寻优， 以指导制浆优化。建模过程是从输入 到输出， 而寻优过程从输出到输入， 即求输出目标制 浆速度最大时， 各输入参数的值。因此， 制浆优化问 题的数学模型描述如式 4 、 式 5 maxf stXi∈ Ei 0 Xi { 1 4 f f Xi， Xl， a， b， σ 5 式中f 制浆速度; Xi 支持向量机输入层第 i 个变量; Xl 支持向量机训练样本; Ei 第 i 个输入变量的取值范围; σ 核参数。 i 1， 2， 3， ， 9， 且 a， b 分别为最小二乘支持向 量机的拉格朗日乘子和偏差量。 2. 2遗传算法 遗传算法 genetic algorithm-GA 是一种基于自 然选择和基因遗传学原理的优化搜索方法。它将 “ 优胜劣汰， 适者生存” 的生物进化原理引入待优化 参数形成的编码串群体中， 按照一定的适配值函数及 一系列遗传操作对各个体进行筛选， 从而使适配值高 的个体被保留下来， 组成新的群体， 新群体中各个体 适应度不断提高， 直至满足一定的极限条件。此时， 群体中适配值最高的个体即为待优化参数的最优解。 正是由于遗传算法独具的工作原理， 使它能够在复杂 空间进行全局优化搜索， 并且具有较强的鲁棒性 ［ 6］。 遗传算法应用于神经网络的一个方面是用来优 化人工神经网络 ANN 的结构， 另一个方面是用 GA 学习 ANN 的权重， 也就是用遗传算法取代一些传统 的学习算法。本文以单目标遗传算法为例进行分析。 设有三层 BP 网络， Ii为输入层中第 i 个结点的 输出; Hi为隐含层中第 i 个结点的输出; Oi 为输出层 中第 i 个结点的输出; WIHij为输入层中第 i 个结点与 隐含层第 j 个结点的连接权值; WHOji为隐含层中第 j 个结点与输出层第 i 个结点的连接权值。遗传算法 学习 BP 网络的步骤如下 1初始化种群 P， 包括交叉规模、 交叉概率 Pc、 突变概率 Pm 以及对任一 WIHij和 WHOji初始化; 在编 码中， 采用实数进行编码， 初始种群取 30; 2计算每一个个体评价函数， 并将其排序; 可按 式 6 概率值选择网络个体 Ps fi/Σ N i 1 ft 6 其中 fi为个体 i 的适配值， 可用误差平方和 E 来衡 量， 如式 7 f i 1 /E i 7 E iΣ p Σ k Vk－ Tk 2 其中 i 1， ， N 为染色体数; k 1， ，4 为输出层 节点数; p 1， ，5 为学习样本数; Tk为教师信号。 3以概率 Pc 对个体 Gi和 Gi 1交叉操作产生新个 体 G′i和 G′i 1， 没有进行交叉操作的个体进行直接复制; 4利用概率 Pm 突变产生 Gj的新个体 G′j; 5将新个体插入到种群 P 中， 并计算新个体的 评价函数; 6如果找到了满意的个体， 则结束， 否则转 3 。 达到所要求的性能指标后， 将最终群体中的最优 个体解码即可得到优化后的网络连接权系数 ［ 7 － 8］。 本文采用遗传算法进行最佳运行工况寻优， 获得 当前最佳的制浆运行调整方式， 实现制浆速度最大， 以缩短制浆时间来降低电耗。 2. 3仿真优化计算 图 3遗传算法制浆速度优化曲线 建立制浆优化模型后， 本文利用遗传算法对支持 向量机模型寻优， 算法的编码策略都采用实数编码， 遗传代数 t 100; 群体规模 m 40; 交叉概率 Pc 0. 7; 突变概率 Pm 0. 08。仿真优化计算结果如图 3 所示， 制 浆 速 度 经 过 3 000 步 的 计 算 后 优 化 到 601 环境工程 2010 年 12 月第 28 卷第 6 期 29. 9269 m3/h。同时得到了该工况的优化调整策略， 如表 2 所示。 表 2优化前后工况点 给料量 / t h － 1 给水量 / t h － 1 球磨机 电流 /A 漩流器入口 压力 /kPa 制浆速度 / m3h － 1 优化前7. 217. 221. 710028. 6 优化后7. 482617. 89721. 16995. 57729. 9269 3结论 1本文应用 LSSVM 建立了制浆优化模型， 并分 析了模型的泛化能力、 收敛速度和最优性， 结果表明 LSSVM 运用于制浆优化建模是可行性的。 2利用遗传算法对制浆优化模型寻优， 仿真计 算表明遗传算法能很好地对以制浆速度为目标的制 浆模型优化。所得到的制浆优化参数值， 可指导制浆 参数优化调整。现场试验表明， 按此基准值运行， 可 以使制浆速度由28. 6 m3/h提高到29. 9269 m3/h。 3该模型具有较好的自学习功能， 能满足不同 设备状况、 不同运行工况下最佳的制浆速度调整方式 来提高制浆速度， 降低制浆电耗。 参考文献 ［ 1］ 陈敏生， 刘定平. 基于核主元分析和支持向量机的电站锅炉飞 灰含碳量软测量建模［J］ . 华北电力大学学报，2006， 33 1 72- 73. ［ 2］ 郭辉， 刘贺平， 王玲. 最小二乘支持向量机参数选择方法及其应 用研究［J］ . 系统仿真学报，2006 7 50- 54. ［ 3］ 闫维明， 李振海， 宋国升. 湿法烟气脱硫工程中石灰石浆液制备 过程分析［J］ . 节能技术，2008 4 40- 46. ［ 4］ Liu S Y，Xiao W D，Liu P，et al. Feasibility study of new limestone flue gas desulfurization process ［J］ . Clean-Soil Air Water，2008， 36 5 482- 487. ［ 5］ 刘定平， 陈敏生， 马晓茜. 基于 HGA-ANN 配风方式的锅炉飞灰 含炭量优化［J］ . 华南理工大学学报 自然科学版 ，2006，34 4 96- 98. ［ 6］ 蔡超豪， 蔡元宇. 机组优化组合的遗传算法［J］ . 电网技术， 1997 1 30- 35. ［ 7］ Mashhadi H R，Shanechi H M，Lucas C. A new genetic algorithm with Lamarckian individual learning for generation scheduling［J］ . IEEE TransonPowerApparatusSystems， 2003，18 3 1181- 1186. ［ 8］ Swarup K S，Yamashiro S. Unit commitment solution ology using genetic algorithm［J］ . IEEE Transactions on Power Systems， 2002，17 1 87- 91. 作者通信处刘定平510640广州华南理工大学电力学院 电话 020 88371923 E- mailliudingping 126. com 2010 － 04 － 30 櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅 收稿 上接第 99 页 化反应过程， 提高功能微生物代谢反应活性， 有望成 为一种新的提高活性污泥法处理能力与效率的方法。 3结论 1对于污水生物处理活性污泥， 表征污泥微生 物活性的 TTC-DHA 与 INT-ETS 之间具有良好的相关 性， 对缺氧 /厌氧 /好氧生化反应过程， 在好氧反应初 期活性污泥微生物代谢活性最高。 2在本实验条件下， 投加 Fe OH 3可以显著提 高活性污泥微生物活性。铁盐强化活性污泥微生物 TTC-DHA 与 INT-ETS 活 性 分 别 达 到 25 ～ 30 μg/ mg h 、 275 ～ 360 μg/ mgh ， 其较对比系统提高 50 左右。 3利用铁离子参与电子传递作用与酶促反应激 活剂作用原理， 强化铁离子介入微生物生化反应过 程， 提高功能微生物代谢反应活性， 有望成为一种新 的提高活性污泥法处理能力与效率的有效方法。 参考文献 ［ 1］ 陈绍兴，谢志雄. 铁离子对荧光假单胞菌生长及产铁载体的影 响［J］ . 江苏农业科学，2008 4 294- 295. ［ 2］王秀蘅， 任南琪， 王爱杰， 等. 铁锰离子对硝化反应的影响效应 研究［J］ . 哈尔滨工业大学学报， 2003， 35 1 122- 125. ［ 3］ 尹军， 谭学军， 任南琪. 用 TTC 与 INT － 电子传递体系活性表征 重金属对污泥活性的影响［J］ . 环境科学， 2005， 26 1 56- 62. ［ 4］ 周恢， 左永生， 赵怀颖， 等. MBR 中污泥脱氢酶活性测定方法的 改进［J］ . 中国环保产业， 2006 12 31- 33. ［ 5］ 茹临锋. 生 物 铁 法-MBR 处 理 印 染 废 水［D ］ . 上 海 东 华 大 学， 2003. ［ 6］ 吴婉娥， 葛红光. 废水生物处理技术［M］ . 北京 化学工业出版 社， 2003 105- 120. ［ 7］ 翁稣颖， 戚蓓静， 史家糅， 等. 环境微生物学［M］ . 北京 科学出版 社， 1985 74- 78. ［ 8］周 德 庆. 微 生 物 学 教 程［M］ . 北 京 高 等 教 育 出 版 社， 1993 135- 137. 作者通信处毕学军266033山东青岛理工大学环境工程系 电话 0532 85071238 E- mailxuejunb qtech. edu. cn 2010 － 03 － 29 收稿 701 环境工程 2010 年 12 月第 28 卷第 6 期