葛彥鵬，崔 凝，董麗麗，楊 琛

（1.華北電力大學(xué) 能源動力與機(jī)械工程學(xué)院，保定071003； 2.天津大學(xué) 機(jī)械學(xué)院，天津300072）

電站鍋爐效率與其排煙熱損失、固體未完全燃燒熱損失、灰渣物理熱損失、可燃?xì)怏w未完全燃燒熱損失和散熱損失有關(guān)［1］，其中固體未完全燃燒熱損失是鍋爐的最主要熱損失之一，僅次于排煙熱損失。影響固體未完全燃燒熱損失的因素多而復(fù)雜［2-3］，其中飛灰含碳質(zhì)量分?jǐn)?shù)是一個重要因素。過高的飛灰含碳質(zhì)量分?jǐn)?shù)會對電廠的經(jīng)濟(jì)運(yùn)行及安全生產(chǎn)造成許多不利影響，及時有效地獲得其數(shù)據(jù)對機(jī)組運(yùn)行人員調(diào)節(jié)機(jī)組狀態(tài)有著重要意義［4］。

長期以來飛灰含碳質(zhì)量分?jǐn)?shù)數(shù)據(jù)的獲得一直沿用傳統(tǒng)的質(zhì)量燃燒法［5］，但此方法在時間上有很大的延遲性，很難及時地反映鍋爐的燃燒運(yùn)行狀況，在安全生產(chǎn)上存在一定的隱患。因此對于飛灰含碳質(zhì)量分?jǐn)?shù)預(yù)測技術(shù)的研究顯得格外迫切［6］。

偏最 小 二 乘 法 （PLS）是 由 S.Wold 和C.Albano等人于1983年首次提出［7］，此方法是一種多因變量對多自變量的回歸建模方法，較好地解決了許多以往用普通多元線性回歸難以解決的問題，尤為重要的是當(dāng)變量之間存在高度相關(guān)時，用偏最小二乘法進(jìn)行建模，其分析結(jié)論更加可靠，整體性更強(qiáng)。而飛灰含碳質(zhì)量分?jǐn)?shù)的影響因素眾多，各影響因素之間也是存在高度相關(guān)性，因此使用偏最小二乘法對其建立數(shù)學(xué)模型，并分析預(yù)測能達(dá)到很好的效果。

1 偏最小二乘法回歸模型

在實際工作中，有一組因變量數(shù)據(jù)Y＝｛y1，…，yq｝（q為因變量個數(shù)）和一組自變量X＝｛x1，…，xp｝（p 為自變量個數(shù)）。

1.1 數(shù)據(jù)標(biāo)準(zhǔn)化處理

數(shù)據(jù)的標(biāo)準(zhǔn)化處理可以使新坐標(biāo)系的原點(diǎn)與樣本點(diǎn)集合的重心重合，并消除變量間的量綱差異，數(shù)據(jù)處理后不會改變其樣本點(diǎn)間的相互位置及變量間的相關(guān)性。以自變量X為例，具體公式為：

處理后自變量數(shù)組記為E0＝（E01，…，E0p）n×p，同理因變量數(shù)組記為 F0＝（F01，…，F(xiàn)0p）n×q。

1.2 第一個主成分提取

t1是E0的第一個主成分，t1＝E0w1；w1是E0的第一個軸，是一個單位向量，即‖w1‖＝1。同樣，u1是F0的第一個主成分，u1＝F0c1，c1是F0的第一個軸，并且‖c1‖＝1。為使t1、u1能很好地代表X、Y 中的數(shù)據(jù)變異信息，同時t1對u1有最大的解釋能力，應(yīng)使t1對u1的協(xié)方差（Cov（t1，u1））達(dá)到最大，即：

式中：Var（t1）、Var（u1）分別表示t1與u1的方差，r（t1，u1）表示t1與u1的相關(guān)度。

經(jīng)推導(dǎo)有：

可見w1是矩陣E′0F0F′0E0的特征向量，其特征值是θ21。θ1是目標(biāo)函數(shù)值，它取最大值時對應(yīng)的w1是矩陣E′0F0F′0E0的最大特征值的單位向量。同樣c1是對應(yīng)于矩陣F′0E0E′0F0最大特征值θ21的單位特征向量。求得w1與c1后即可得主成分：

然后得回歸方程：

式中E1、F＊1、F1分別是三個回歸方程的殘差矩陣，方程回歸系數(shù)為：

1.3 回歸方程的擬合

數(shù)學(xué)原理及方法與第一個主成分的提取相同，用殘差矩陣E1和F1分別取代E0和F0，求出第二個軸w2和c2及第二個主成分t2和u2。如果矩陣X的秩是A，則依次進(jìn)行循環(huán)計算得到主成分t3，…，tA，則會有：

由于t1，…，tA均可以表示成E01，…，E0p的線性組合，上式可以變成y＊k＝F0k關(guān)于x＊j＝E0j的回歸方程形式：

式中：k＝1，2，…，q，F(xiàn)Ak是殘差矩陣FA的第k列。

1.4 交叉有效性

在偏最小二乘法回歸建模中，為防止不充分?jǐn)M合及過度擬合的發(fā)生，應(yīng)確定合理的參與建模的主成分個數(shù)，目前廣泛采用“舍一交叉驗證法”選定建模的主成分個數(shù)。假設(shè)有n組樣本點(diǎn)，先使用去掉第i組樣本點(diǎn)所得樣本集合（含n-i組樣本點(diǎn)），并且用h主成分?jǐn)M合一個回歸方程；再將之前排除的第i組樣本點(diǎn)帶入擬合的回歸方程，得到y(tǒng)i在樣本點(diǎn)i上的擬合值＾yhj（-i）。對于每一個i＝1，2，…，n重復(fù)以上步驟，得到Y(jié)的預(yù)測誤差平方和Bh（PRESSh，h＝1，2，…，n）：

當(dāng)回歸模型不穩(wěn)定時，B的值就會增大，當(dāng)B達(dá)到最小時模型的預(yù)測能力最好，則選擇對應(yīng)的h個主成分?jǐn)M合方程。

2 飛灰含碳質(zhì)量分?jǐn)?shù)預(yù)測模型

2.1 數(shù)據(jù)樣本

影響飛灰含碳質(zhì)量分?jǐn)?shù)的因素眾多，本文選取了發(fā)電負(fù)荷、總煤量、一次風(fēng)壓、二次風(fēng)壓、排煙溫度、省煤器出口煙溫、燃盡風(fēng)風(fēng)門開度、煙氣含氧體積分?jǐn)?shù)等8個因素（x1～x8）作為輸入變量，利用內(nèi)蒙某電廠2011年6月的運(yùn)行數(shù)據(jù)進(jìn)行計算，從中選取具有代表性的40組數(shù)據(jù)作為樣本建立預(yù)測模型，15組數(shù)據(jù)用于模型精度的檢驗。建模數(shù)據(jù)見表1，檢驗樣本見表2。

2.2 預(yù)測模型的建立

經(jīng)“舍一交叉驗證法”計算的B值見表3。

表1 飛灰含碳質(zhì)量分?jǐn)?shù)建模數(shù)據(jù)

表2 飛灰含碳質(zhì)量分?jǐn)?shù)檢驗數(shù)據(jù)

表3 舍一交叉驗證表

從表3可以看出：當(dāng)主成分個數(shù)h＝3時，B值最小，所以選擇提取3個主成分建立預(yù)測模型，得到偏最小二乘回歸模型?；貧w方程如下：

（1）標(biāo)準(zhǔn)化變量回歸方程為：

2.3 模型精度檢驗與分析

2.3.1 變量投影重要性指標(biāo)

為了分析自變量與因變量之間的相關(guān)性關(guān)系，這里使用變量投影重要性指標(biāo)Dj（VIPj，Variable important in projection）來測度各因素對于因變量影響的大小。其定義式為：

式中：p表示自變量個數(shù)；r（Y，th）表示兩個變量的相關(guān)系數(shù)；whj是軸wh的第j個分量。對于各自變量，如果它們在解釋因變量Y時的作用相同，則所有的Dj均等于1；對于Dj＞1的自變量xj，它在解釋Y時就有更加重要的作用。

根據(jù)上述偏最小二乘回歸模型，繪制變量投影重要性指標(biāo)圖（見圖1），從中可以看出各個因素對于因變量的影響程度。

圖1 變量重要性指標(biāo)投影圖

從圖1可以看出：8個因素中煙氣含氧體積分?jǐn)?shù)對于飛灰含碳質(zhì)量分?jǐn)?shù)的影響最大，燃盡風(fēng)風(fēng)門開度對其影響最小，整體來說各因素的Dj值均接近于1，所以選取的影響因素比較恰當(dāng)。

2.3.2 數(shù)據(jù)檢驗與分析

為了分析模型的回歸效果，給出40組建模數(shù)據(jù)樣本的預(yù)測值與實際值對比圖以及相對誤差圖，見圖2與圖3。

圖2 建模數(shù)據(jù)實際值／預(yù)測值對比曲線

圖3 建模數(shù)據(jù)相對誤差曲線

從圖3可以看出：絕大多數(shù)樣本點(diǎn)的預(yù)測值相對誤差在3%以內(nèi)，整體來說回歸模型對于因變量的擬合效果很好。

為了進(jìn)一步檢驗飛灰含碳質(zhì)量分?jǐn)?shù)回歸模型的精確有效性，使用15組檢驗數(shù)據(jù)進(jìn)行飛灰含碳質(zhì)量分?jǐn)?shù)的預(yù)測，結(jié)果見圖4與圖5。

圖4 檢驗數(shù)據(jù)實際值／預(yù)測值對比曲線

圖5 檢驗數(shù)據(jù)相對誤差曲線

從檢驗樣本的預(yù)測結(jié)果不難看出，預(yù)測值相對誤差依然控制在3%以內(nèi)，模型預(yù)測精確性較高。

3 結(jié)語

電站鍋爐飛灰含碳質(zhì)量分?jǐn)?shù)的影響因素眾多，各因素間存在較高的相關(guān)性，本文使用偏最小二乘法可以很好地克服變量間的多重相關(guān)性影響，其計算結(jié)果的精確性也很高，模型預(yù)測結(jié)果可以很好地代替實際測量值。因此，偏最小二乘回歸法適合飛灰含碳質(zhì)量分?jǐn)?shù)的預(yù)測，具有很強(qiáng)的可行性。

［1］樊泉貴 .鍋爐原理［M］.北京：中國電力出版社，2004.

［2］王凱.基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的飛灰含碳量和NOx的研究［D］.北京：華北電力大學(xué)，2009.

［3］羅春雷 .基于BP網(wǎng)絡(luò)的鍋爐優(yōu)化燃燒指導(dǎo)系統(tǒng)［J］.中國電力，2001，34（10）：59-61.

［4］楊國強(qiáng) .反向建模方法在電站鍋爐飛灰含碳量測量中的應(yīng)用［D］.北京：華北電力大學(xué)，2009.

［5］周新剛 .燃煤電站鍋爐飛灰含碳量預(yù)測模型研究［D］.濟(jì)南：山東大學(xué)，2006.

［6］陳敏生，劉定平 .基于核主元分析和支持向量機(jī)的電站鍋爐飛灰含碳量軟測量建模［J］.華北電力大學(xué)學(xué)報，2006，33（1）：72-75，92.

［7］王惠文.偏最小二乘回歸方法及其應(yīng)用［M］.北京：國防工業(yè)出版社，1999.