基于最小二乘支持向量机的生物质发电气化过程建模 study on the gasification process model of biomass power generation based on least square support vector machine.pdfVIP

第25卷第12期 电力科学与工程 V01．25，No．12 ElectricPowerScienceand 2009年12月 EnlgJneering Dec．，2009 基于最d,--乘支持向量机的生物质发电气化过程建模 徐锦丹1，常太华1，朱红路1，吴晓龙2，郝祖龙1，高明明1 (1．华北电力大学控制科学与工程学院，北京102206；2．云浮供电局，广东云浮527300) 摘要：采用动力学方法进行生物质发电的气化过程建模需要许多物性参数，而这些参数往往难以获得．针 对机理建模的这些缺陷，考虑直接基于实验数据进行气化建模，提出了基于最小二乘支持向量机的建模方 法，给出了相应的系统结构和算法，用实验数据进行验证取得了很好的预测效果。通过和实际数据的比较， 仿真结果证明该方法具有很好的性能指标，能为现场生物质发电气化过程的控制与优化提供一定的参考依据。 关键词：生物质发电；最小二乘支持向量机；气化过程；建模 中图分类号：TK6文献标识码：A 仅限于同一种生物质。陈平刚分别建立了以进料 0 引 言 量和进风量为输入变量，气化温度、燃气热值、产 气率、碳转化率和气化效率为输出变量的3层前馈 生物质气化发电技术的基本原理是生物质在缺 BP神经网络模型和以气化炉直径、进料量和进风 氧状态下热解生成可燃气体，净化后的可燃气体燃 量为输入变量，气化温度、燃气热值、产气率、碳 烧驱动燃气轮机或燃烧后产生蒸汽进而驱动发电机 转化率和气化效率5个变量为输出变量的3层前馈 发电。生物质气化的目的就是最大程度地得到可燃 BP神经网络模型。但由于常用的多层神经网络具 的有用气体，使气化气的指标达到燃气轮机或内燃 有计算量大、收敛速度慢及容易陷入局部最小点等 机的要求。然而，气化过程与温度、空气当量比、 方面的缺点，这些算法的应用受到影响。 压力等密切相关，因此如何控制与优化气化过程， 为了解决这些问题，本文提出基于最dx--乘的 使气化过程指标达到最优也是一个重要的研究方向。 支持向量机预测模型方法。 试图找到一种模拟生物质气化过程的模型和方法， 使该模型和方法能够在工程误差范围内实现对生物 1 最,b--乘支持向量机(LS-SVM) 质气化过程的预测，对研究生物质发电气化过程的 参数优化以及提高发电效率具有一定的实际意义。 目前，国内外利用反应动力学平衡建模主要应 世纪90年代中期提出的一种机器学习算法。它是 一种基于统计学理论的机器学习方法，具有严格的 用的是反应的Gibbs自由能平衡法【I二1。这种机理 建模方法在建模中没有考虑反应细节，直接由反应 数学基础，建立在结构风险最小化准则上；它计算 参数得出反应器出口产物分布，不能给出几何维度 速度快，更适合于在线应用，具有更高的预测精度 上的产物分布情况，不能用于反应器的分析与设 和鲁棒性。最小二乘支持向量机(LS-SVM)是标 计，在实际应用中具有一定的局限性。 准支持向量机的一种扩展，比标准支持向量机速度 国内的郭兵等建立了生物质气化过程的人工神 更快，更便于使用。 经网络模型口1。模型采用典型的3层前向神经网 LS—SVM模型的内部结构图如图1所示。LS- 络，输入层以气化时间和气化温度两个变量作为输 SVM非线性回归的基本思想是：通过非线性变换 入参数，只涉及实验运行参数，所以该网络的应用 多(x)将所维输入的样本从原空间映射到高维特征空 收稿日期：2009—09—30． 基金项目：国家自然科学基金资助项目． 作者简介：徐锦丹(1985一)，女，华北电力大学控制科学与工程学院硕士研究生． 万方数据 2 电力科学与工程 2009每