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,廣東茂名525011)摘要:水煤漿(CWM)制造過程中,生產(chǎn)成本的降低和水煤漿性能的提高之間存在著矛盾.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行多目標(biāo)建模,并采用基于 Pareto最優(yōu)概念的多目標(biāo)微分進化(MODE)算法對運行工況進行尋優(yōu),然后裉據(jù)模糊集理論在 Pareto解集中求得滿意解,獲得了水煤漿濃度的優(yōu)化調(diào)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(biāo)微分進化算法中圖分類號:TK323文獻標(biāo)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性函數(shù)關(guān)系由支持目前國內(nèi)外對水煤漿性能研究比較多,且主要向量機實現(xiàn)因此適合用支持向量機來建立制漿優(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.在水煤漿制造過程中,存在著降低制漿成本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,實踐中往往通設(shè)訓(xùn)練樣本集為D={(x,y)|i=1,2,…,l},過試驗來摸索解決方法由于現(xiàn)場試驗耗時耗力且其中:x∈R,y,∈R;x為輸入數(shù)據(jù);y為輸出數(shù)據(jù)存在滯后性和偏差使運行經(jīng)常偏離優(yōu)化工況.在權(quán)w空間(原始空間)中的優(yōu)化問題可以描述為因此,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(dǎo)水煤漿生產(chǎn)文中根據(jù)水煤漿生產(chǎn)工藝將制漿成本和水煤漿結(jié)束條件為性能優(yōu)化問題轉(zhuǎn)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(biāo)優(yōu)化問題提出基于最小二乘支持向量機相應(yīng)的拉格朗H函數(shù)為(LsM)的球磨機電耗和水煤漿濃度多目標(biāo)優(yōu)化模L=J-∑a1|wq(x)+b+e-y型;并利用多目標(biāo)微分進化算法(MODE)實現(xiàn)給煤求解的優(yōu)化問題轉(zhuǎn)化為求解線性方程:量、分散劑量等運行參數(shù)的尋優(yōu);再利用模糊集理論1進行決策選出滿意解,用于指導(dǎo)制漿優(yōu)化運行(1)1:1多目標(biāo)優(yōu)化 LSSVM模型式中:y=(y1,…,y);1.=(1,…,1);a=(a1水煤漿制造過程是一個復(fù)雜的物理過程,它是a1);Q4=p(x)p(x1)=K(x,x1),為1,矩陣一個多輸入多輸出系統(tǒng).影響球磨機電耗和水煤漿最小二乘支持向量機函數(shù)估計為濃度的參數(shù)很多,而且這些參數(shù)之間具有強耦合、非y(x)=∑aK(x,x)+(2)線性等特征對于這些復(fù)雜的過程,難以用簡單的機收稿日期:2007-10-29作者簡介: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(xùn)練結(jié)果及分析核函數(shù)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個輸入高斯(MP)核、徑向量(RBF)核等.在研究中取節(jié)點和2個輸出節(jié)點選取65組樣本數(shù)據(jù),其中60RBF核函數(shù)如下組作為訓(xùn)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(shù)據(jù)進行歸一處理到[0,1]1,正規(guī)化參最小二乘支持向量機的函數(shù)估計精度和收斂速數(shù)和徑向基核參數(shù)分別為λ=55,=18.支持向量度受正規(guī)化參數(shù)和徑向基核參數(shù)a的影響2.機訓(xùn)練結(jié)果表明訓(xùn)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(zhǔn)線附近模型的估計值很好地逼近于非線性系統(tǒng)文中以某水煤漿廠40υh水煤漿生產(chǎn)線為對象輸出的實際值,由此建立了制漿優(yōu)化支持向量機模開展研究原煤由破碎機輸送到球磨機進行研磨,再型.其驗證樣本計算值與實際值比較如表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,球磨機內(nèi)部磨介鋼球匹配可認(rèn)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,可將正實測預(yù)測相對實測預(yù)測相對其作為衡量水煤漿性能的主要參數(shù)因此制漿優(yōu)化值/A值/A誤差/%值/%值/%誤差/%模型目標(biāo)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導(dǎo)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(yīng)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某種聯(lián)系,即分散劑流量對球磨機電耗起著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(fù)荷相關(guān),從而也與水(1)泛化能力訓(xùn)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)了模型的可行性優(yōu)化模型的輸入?yún)?shù)(3)最優(yōu)性在給定初始參數(shù)后,支持向量機制漿優(yōu)化模型如圖1所示每次訓(xùn)練都可以得到相近的結(jié)果,這說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(biāo)優(yōu)化問題在對球磨機電流、水煤漿濃度進行多目標(biāo)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(dǎo)制漿破碎機電流優(yōu)化建模過程是從輸入到輸出,而尋優(yōu)過程從輸出泵A運行頻率到輸人,即求輸出目標(biāo)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,各輸入?yún)?shù)的值因此,制漿優(yōu)化問題的泵B運行頻率多目標(biāo)數(shù)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進入下一代;如果本;E為第i個輸入變量的取值范圍;a為核參數(shù);zxz,保留z;否則根據(jù)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體進化下一代量機的拉格朗日乘子和偏差量第6步重復(fù)第4、5步至產(chǎn)生新一代群體P";2多目標(biāo)微分進化算法第7步選出P中的非劣解,如果P的規(guī)模沒有達到規(guī)定大小,那么所獲得的非劣解直接加入到微分進化(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中個體那么將被支配優(yōu)化算法,采用實數(shù)編碼,簡單而有效在眾多的單的個體從P中刪除并將新個體加入P中,否則,將目標(biāo)優(yōu)化問題中DE比遺傳算法(GA)表現(xiàn)得更加新非劣解加入P中,并根據(jù)空間密度信息,刪除P優(yōu)異6中密度最大的個體;2.1多目標(biāo)微分進化算法原理第8步如滿足中止條件,停止迭代,否則返回微分進化算法有3個主要操作:變異、交又和選第4步擇°設(shè)群體規(guī)模為N,向量的維度為D,群體中的2.2決策目標(biāo)向量可以用zn=[zn1,zn2,…,zn],m=1,…,應(yīng)用多目標(biāo)微分進化算法得到的是一組 ParetoN表示任一目標(biāo)向量zm,按式(4)生成變異向量解,這些解在不同的目標(biāo)上各占優(yōu)勢.在很多情況下,決策者對目標(biāo)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個個體,且首先應(yīng)對目標(biāo)函數(shù)后構(gòu)造相應(yīng)的隸屬度函數(shù)r1≠2≠7≠m;F為放縮因子,是一個介于[0,2]間,且滿足A4=[0,1],表示第h個目標(biāo)達到最優(yōu)的常量因子的程度,μ越趨近于1,表示目標(biāo)函數(shù)f越趨近于交叉操作目的是通過變異向量v和目標(biāo)向量最優(yōu)解第h個目標(biāo)函數(shù)f用隸屬函數(shù)4表示如zn的結(jié)合以提高變異向量的多樣性算法通過下面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(shù);交叉常量C為[0(0,f≥1]間的常數(shù);R,為[1,D]間隨機選擇的整數(shù)1,f≥群體規(guī)模越大,算法搜索能力越強,但大的群體