基于LSSVM-MODE的水煤浆生产优化控制

华南理工大学学报(自然科学版)第37卷第2期Journal of South China University of TechnologyVol 37 No. 22009年2月Natural Science Edition)February 2009文章缩号:1000565X(20090)02-015805基于 LSSVM-MODE的水煤浆生产优化控制刘定平1叶向荣邓华裕2(1华南理工大学电力学院,广东广州510640;2茂名热电厂,广东茂名525011)摘要:;水煤浆(CWM)制造过程中,生产成本的降低和水煤浆性能的提高之间存在着矛盾.文中利用最小二乘支持向量机(IssM)对球磨机电流和水煤浆浓度进行多目标建模,并采用基于 Pareto最优概念的多目标微分进化(MoDE)算法对运行工况进行寻优,然后根据模糊集理论在 Pareto解集中求得满意解,获得了水煤浆浓度的优化调整方式和提高水煤浆生产效益的策略关键词:水煤浆;优化运行;最小二乘支持向量机;多目标微分进化算法中图分类号:TK323文献标识码:A水煤浆是一种煤基流体燃料.它是由约№0%的理模型来描述基于支持向量机的模型属于黑箱模煤粉、30%的水和少量化学添加剂组成的混合体型,其模型输入输出之间的非线性函数关系由支持目前国内外对水煤浆性能研究比较多,且主要向量机实现,因此适合用支持向量机来建立制浆优研究分散剂、煤种改性和磁化等因素对水煤浆性能化模型的影响在水煤浆制造过程中,存在着降低制浆成本1.1最小二乘支持向量机和提高水煤浆性能两者之间的矛盾,实践中往往通设训练样本集为D={(x,y)|i=1,2,…,ll,过试验来摸索解决方法由于现场试验耗时耗力且其中:x∈R,y,∈R;x为输人数据;y为输出数据存在滞后性和偏差,使运行经常偏离优化工况.在权w空间(原始空间)中的优化问题可以描述为因此,需建立制浆成本和水煤浆性能优化模型,用于J(w,)=lww+y∑∴指导水煤浆生产文中根据水煤浆生产工艺将制浆成本和水煤浆结束条件为性能优化问题转化为降低电耗成本和提高水煤浆浓y=wφ(x)+b+e度的多目标优化问题提出基于最小二乘支持向量机相应的拉格朗H函数为( LSSVM的球磨机电耗和水煤浆浓度多目标优化模L=J-∑awq(x)+b+e1-yl型;并利用多目标微分进化算法(MODE)实现给煤求解的优化问题转化为求解线性方程:量、分散剂量等运行参数的寻优;再利用模糊集理论1进行决策选出满意解,用于指导制浆优化运行(1)1:a4+-la」ly1多目标优化 LSSVM模型式中:y=(y1,…,y);1=(1,…,1);a=(a1,水煤浆制造过程是一个复杂的物理过程,它是a1);4=p(x)p(x)=K(x4,x),为1x矩阵个多输入多输出系统影响球磨机电耗和水煤浆最小二乘支持向量机函数估计为浓度的参数很多,而且这些参数之间具有强耦合、非(2)线性等特征对于这些复杂的过程,难以用简单的机TH中国煤化工CNMHG收稿日期:2007-10-29作者简介:刘定平(1965)男,副教授博士生,主要从事燃烧优化与控制研究Eml:liudingping(@26.com第2期刘定平等:基于 LSSVM-MODE的水煤浆生产优化控制159式中:a1,b可由式(1)求解出1.3LssⅤM训练结果及分析核函数有不同的形式,如:多项式核、多层感知制浆优化模型的输入和输出层分别有8个输入高斯(MIP)核、径向量(RBF)核等在研究中,取节点和2个输出节点选取65组样本数据,其中60RBF核函数如下组作为训练样本5组作为验证样本,以验证模型的K(x, x)=exp[-(Ix-x /20].正确性对数据进行归一处理到[0,1]1,正规化参最小二乘支持向量机的函数估计精度和收敛速数和径向基核参数分别为λ=55,=18.支持向量度受正规化参数λ和径向基核参数a的影响2机训练结果表明训练样本和验证样本均匀分布在基1.2制浆优化模型的建立准线附近模型的估计值很好地逼近于非线性系统文中以某水煤浆厂40υh水煤浆生产线为对象输出的实际值,由此建立了制浆优化支持向量机模开展研究原煤由破碎机输送到球磨机进行研磨,再型其验证样本计算值与实际值比较如表1所示由二台输浆泵AB送往储浆罐分散剂为茂名分散表1最小二乘支持向量机模型验证样本计算值与实际值剂,煤种质量比为m山东:m的比较在制浆时球磨机内部磨介、钢球匹配可认为基 Table 1 Comparison of calculated and experimental validating本不变磨机电流在电耗成本中起着主要影响由于data in lssvm model磨机电压恒定为6kV,可以用磨机电流反映磨机电球磨机电流水煤浆浓度耗水煤浆浓度直接影响到水煤浆的燃烧性能,可将验证样本实测预测相对测预测相对其作为衡量水煤浆性能的主要参数.因此制浆优化值/A值/A误差/%值/%值/%误差/%模型目标值取磨机电流和水煤浆浓度.l122.33121.820.4262.9363给煤量和给水流量的变化会导致球磨机电耗发2122.63119,782.3162.3063.451.81122,63121.410.9963.9863.670.48生变化,从而使水煤浆浓度相应发生变化.分散剂流量对水煤浆浓度等性能也起着一定的影响;而水煤123.02123.410.325121.58121790.1764.1163.500.97浆浓度又和球磨机电耗有着某种联系,即分散剂流量对球磨机电耗起着间接影响.破碎机电流反映破模型的泛化能力、收敛速度和最优性如下碎机出口煤量,所以与球磨机负荷相关,从而也与水(1)泛化能力训练集样本平均相对误差为煤浆浓度相关输浆泵频率、电流与水煤浆产量相0.005%;验证样本平均相对误差为0.600%.模型关水煤浆产量与球磨机电耗、水煤浆浓度相关所以的验证样本输出值与实测值已经十分接近泵频率、电流与球磨机电耗和水煤浆浓度紧密相联.(2)收敛速度 LSSVM求解速度快,基于其的因此取给煤量、给水量、分散剂量、破碎机电流、制浆优化模型的平均运算时间为4.5747558,显示输浆泵运行频率输浆泵运行电流作为水煤浆生产了模型的可行性优化模型的输入参数(3)最优性在给定初始参数后,支持向量机制浆优化模型如图1所示每次训练都可以得到相近的结果,这说明支持向量给煤量机得到的是全局最优解给水流量1.4制浆模型的多目标优化问题球磨机运行电流水煤浆在对球磨机电流、水煤浆浓度进行多目标支持分散剂流量向量机建模后,需对建立好的模型寻优,以指导制浆优量优化建模过程是从输入到输出,而寻优过程从输出到输人,即求输出目标球磨机电流和水煤浆浓度综泵A运行电流合最优时,各输入参数的值因此,制浆优化问题的泵B运行频率多目标数学模型描述如下:泵B运行电流中国煤化工图1基于最小二乘支持向量机的制浆优化模型CNMHGig. 1 Optimization model of coal water mixture productionbased on least-square support vector machine0z′,保留z进入下一代;如果本;E为第i个输入变量的取值范围;为核参数;z'>z,保留z’;否则根据密度信息选出密度值较小j=1,2,3,…,8;a1、a2、b1、b2分别为最小二乘支持向的个体进化下一代;量机的拉格朗日乘子和偏差量第6步重复第4、5步至产生新一代群体P"多目标微分进化算法第7步选出P中的非劣解,如果P的规模没有达到规定大小,那么所获得的非劣解直接加入到微分进化(DE)4是一种基于种群的直接全局P中;如果新非劣解支配P中个体,那么将被支配优化算法,采用实数编码,简单而有效在众多的单的个体从P中删除并将新个体加入P中,否则,将目标优化问题中DE比遗传算法(GA)表现得更加新非劣解加入P中,并根据空间密度信息,删除P优异6.中密度最大的个体;2.1多目标微分进化算法原理第8步如满足中止条件,停止迭代,否则返回微分进化算法有3个主要操作:变异、交叉和选第4步择6.设群体规模为N,向量的维度为D,群体中的2.2决策目标向量可以用zn=[zn1,xn,…,zn],m=1,…,应用多目标微分进化算法得到的是一组 ParetoN表示任一目标向量zm,按式(4)生成变异向量解,这些解在不同的目标上各占优势在很多情况下,决策者对目标偏好的描述往往是模糊的,因此适ν灬=zn+F(x2-3),m=1,…,N(4)合采用模糊集理论描述决策者的模糊偏好式中:zn、2、2为群体中顺机选择的3个个体且首先应对目标函数f构造相应的隶属度函数r;n21≠m;F为放缩因子是一个介于[0,2]间p,且满足=[0,1],表示第h个目标达到最优的常量因子的程度,μ越趋近于1,表示目标函数f越趋近于交叉操作目的是通过变异向量v和目标向量最优解第h个目标函数/用隶属函数4表示如zn的结合以提高变异向量的多样性算法通过下面公式生成新的向量un=[un1,un2,…,un]f≤fAm,如果Rb≤CR或n=R,如果Rb>C或n≠R(5)式中:R为[0,1间的随机数;交叉常量C为[0,0,f≥1]间的常数R,为[1,D]间随机选择的整数,f≥A群体规模越大,算法搜索能力越强,但大的群体∫-/f(7)规模也需要大量的运算.F的选择应该不小于某特定值,这样才能有效地避免算法过早收敛较大的0,f≤fmF增加了从局部最优逃脱的可能性而交叉常量CR式中:/m、"分别为f所有非劣解中的最小值和的值较大常常会加速收敛最大值.式(6)为求目标值最小时的隶属度函数,式MODE算法通过先比较个体的 Pareto级别再考(7)为求目标值最大时的隶属度函数用下式对非虑拥挤距离的方法,直接选出下一代的个体算法描劣解进行规范化计算述如下9第1步初始化算法参数D、N、F、CB;第2步在决策空间中随机生成初始群体P;中国煤化工第3步将群体P中的非劣解加入 Pareto候选解集P中;式中CNMH为非劣解的个第4步根据式(4)、(5),对群体P和P中每数;N。为目标个数第2期刘定平等:基于 LSSVM-MODE的水煤浆生产优化控制Pareto前沿共有100个 Pareto非劣解.3仿真计算图2仿真结果表明,基于 LSSVM-MODE的球磨对某水煤浆厂建立制浆优化模型后,再利用多机电流最小、水煤浆浓度最大的综合择优结果在目标微分进化算法对该模型寻优,算法的编码策略 Pareto前沿具有多样性,可解决多个目标的相互冲采用实数编码,参数设置如下:学习策略St为4(策突,找到多个Part解利用模糊集理论对 Pareto解略为DE/bes2/exp);放缩因子F=0.3;交叉常量集择优时,首先将球磨机电流和水煤浆浓度按照式Cn=0.3;种群规模N=50.仿真结果如图2所示,(6)、(7)隶属化再按照式(8)求山最大时所对应的解,即为满意解.模糊择优结果如表2所示.此优化结果的相应参数可作为当前负荷下的基准值,能很好地解决变工况制浆时运行参数基准的确定鮮问题假设所配原煤价格为755元吨茂名分散剂价格为1581元/米,制浆电价为0.75元/(千瓦·时),水价为1.5元/吨,水煤浆浓度每升高1%价格增加10元/吨,则优化前制浆成本为523.75元/吨优化1223122512271229后制浆成本为527元/吨由表2可知,优化后水煤球磨机电流A浆浓度上升约4%,水煤浆利润增加约40元/吨.由图2水煤浆浓度与球磨机电流的 Pareto解集此得出优化后的水煤浆总利润增加36.75元/吨如Fig2 Pareto solution set of coal water mixture concentration果按每年生产时间720h计算,则优化制浆后一条and ball-mill electric current40th的水煤浆生产线年增收105.84万元表2参数 Pareto解集模糊择优前后结果的比较Table 2 Comparison of parameters before and after Pareto-optimal front模糊集球磨机水煤浆给煤量/给水流量/分散剂流量/破碎机泵A频泵A电泵B频泵B电流/A浓度(t·h-1)(m3h-1)(m3·h1)电流/A率/H率Hz电流/A优化前122.5366125.581010.060.6788.4917.8017.062优化后123.5916525.581117.8016.30316.4017.0624结论参考文献:(1)应用LSVM建立了制浆优化模型并分析[1]张儒叶向荣王可等基于最小二乘支持向量机和了模型的泛化能力、收敛速度和最优性,结果表明粒子群法的水煤浆性能优化[J]洁净煤技术,2008最小二乘支持向量机运用于制浆优化建模是可行14(2):33-35.Zhang Ru, Ye Xiang-rong, Wang Ke, et al. Optimization性的on performance of coal water mixture based on LSSVM(2)利用MODE对制浆优化模型寻优,仿真计Pso [J]. Clean Coal Technology. 2008, 14(2): 33-35.箅表明MODE能很好地兼顾球磨机电耗和水煤浆[2]刘定平肖蔚然陆继东基于煤粉细度反馈控制的制浓度两个目标的优化,寻优结果在 Pareto前沿具有粉系统优化[J.华南理工大学学报:自然科学版,多样性利用所得到的制浆优化参数值,可指导运行2007,35(6):36-37.人员进行制浆参数优化调整Liu Ding-ping, Xiao Wei-ran, Lu Ji-dong. Implementat(3)把模糊集理论择优后满意解的相应参数作of load restoration optimization for power system by para-llel genetic algorithm [J] Journal of South China Univer-为当前负荷下的基准值,能很好地解决制浆变工况中国煤化工Edio,20035(6):下运行参数基准的确定问题按此基准值运行,不仅能提高水煤浆性能每条生产线还可增收约10584[3CNMHG死四,西 CA-ANN配风方式的万元/年锅炉飞灰含炭量优化[J].华南理工大学学报:自然科华南理工大学学报(自然科学版)第37卷学版,2006,34(4):96-98.多目标微分进化算法[J]计算机研究与发展,2007Liu di44(1):l77-184of air distribution mode on the unburned carbon basedZhang Li-biao. Zhou Chun-guang, Ma Ming, et al. A multi-HGA-ANN [J]. Journal of South China University ofobjective differential evolution algorithm based on maxTechnology Natural Science Edition, 2006, 34(4): 96-98min distance density [J]. Computer Research and Deve-[4] Mayer D G, Kinghorn B P, Archer AA Differential evolu-lopment,2007,44(1):177-184.on: an easy and efficient evolutionary algorithm for model [8] Huang V L, Suganthan P N, Qin A K, et al. Multiobjectiveoptimization [J]. Agriculttural Systems, 2005, 83 (3):differential evolution with extermal archive and harmonic315-328distance-based diversity measure [R]. Singapore: Nan-[5] Xue F, Sanderson A C, Graves R J Pareto-based multi-ob-ng Technological University, 2005ective differential evolution[c]∥/ Proc of the200Con[9]张利彪基于粒子群和微分进化的优化算法研究gress on Evolutionary Computation(CEC 2003).Piscata-[D].吉林:吉林大学计算机科学与技术学院,2007[10] Harry C S Rughooputh, Robert T F Ah King. Environ[6] Robe T, DEMO B Filipe. Differential evolution for mulmental economic dispatch of thermal units using an eliobjective optimization [ c]//The 3rd Int'l Conf on Evo-tist multiobjective evolutionary algorithm [C]lutionary Multi-Criterion Optimization. Guanajuato: s.IEEE International Conference. [SL:[s.n. I30n.],200548-53[7]张利彪周春光,马铭,等基于极大极小距离密度的Optimization Control of Preparation of Coal Water MixtureBased on lssvm-modeLiu Ding-ping Ye Xiang-rong2. Maoming Thermal Power Plant, Maoming 525011, Guangdong, Chiny -uangdong,China(1. School of Electric Power, South China University of Technology, Guangzhou 510640, GAbstract In the production of coal water mixture( CWM), there exists an inconsistency between the productionost and the product performance In order to solve this problem, the least-square support vector machine is em-ployed to establish a multi-objective optimization model for CWM concentration and ball mill current, and the multiobjective differential evolution algorithm based on Pareto optimal concept is used to optimize the operation conditions. Moreover, the fuzzy set theory is introduced to obtain the satisfactory solutions in Pareto solution set. An op-nized adjustment mode of CWM concentration and some strategies to improve the CWM production benefit are finally proposed in the paper.Key words: coal water mixture; optimal operation least-square support vector machine; multi-objective differential中国煤化工CNMHG