一种基于煤质预测和PSO-SVM的飞灰含碳量预测方法

1.一种基于煤质预测和PSO-SVM的飞灰含碳量预测方法，其特征在于，包括以下步骤：步骤1、选取和构造合适的煤质影响参数和煤质特征参数，以煤质影响参数数据作为输入，煤质特征参数数据作为输出，构建基于BP神经网络的煤质预测模型，构造出煤质特征参数和煤质影响参数的映射关系，通过煤种匹配来软测量入炉煤煤质；步骤1.1、在锅炉运行参数中挑选出多个表征锅炉负荷、外部环境因素、烟尘和烟气主要成分的敏感参数作为煤质影响参数；步骤1.2、以7种煤质化验数据作为煤质特征参数，采用K-means聚类算法对这7类煤质化验数据进行无监督聚类，将聚类后的每类煤质化验数据各个参数的平均值作为煤质特征来划分煤种，得到各煤种的煤质特征；所述煤质化验数据包括：全水分、空气干燥基水分、收到基灰分、干燥无灰基挥发分、收到基低位发热量、收到基全硫和收到基固定碳质量分数步骤1.3、选取在指定时间区间的煤质化验数据集，对煤质化验数据集进行数据预处理操作；步骤1.4、以煤质影响参数数据作为输入，煤质特征作为输出，训练基于BP神经网络的煤质预测模型，通过煤种匹配来软测量入炉煤煤质；步骤2、将入炉煤煤质数据结合多个飞灰含碳量影响参数作为输入，飞灰含碳量作为输出，构建基于支持向量机的飞灰含碳量预测模型；步骤2.1、选取在指定时间区间内的飞灰含碳量数据集，对飞灰含碳量数据集进行数据预处理操作；步骤2.2、对飞灰含碳量影响参数通过求平均值、求和值、三选和平滑优选方法进行特征处理，然后使用ReliefF方法对飞灰含碳量与飞灰含碳量影响参数进行特征关联性挖掘，通过关联性挖掘分析结果进行飞灰含碳量影响的重要性判定，并对飞灰含碳量数据集进行特征筛选；步骤2.3、以筛选后的飞灰含碳量影响参数数据和入炉煤煤质数据作为输入，飞灰含碳量作为输出，训练基于支持向量机的飞灰含碳量预测模型；步骤3、利用粒子群优化算法对基于支持向量机的飞灰含碳量预测模型的模型参数进行优化；步骤3.1、采用k折交叉验证的方式对基于支持向量机的飞灰含碳量预测模型的预测精度进行评估：将数据样本集分割为k份，保留一份作为基于支持向量机的飞灰含碳量预测模型的验证数据，用其他k-1份来训练基于支持向量机的飞灰含碳量预测模型；重复交叉验证k次，每份数据样本集验证一次，将k次的平均预测结果作为基于支持向量机的飞灰含碳量预测模型预测精度的评估值；步骤3.2、将k折交叉验证输出指标的均方根误差值作为粒子群参数寻优的适应度指标，对步骤2中训练的基于支持向量机的飞灰含碳量预测模型的惩罚因子C和核带宽因子g进行优化；步骤4、每更新预定数量的煤质影响参数、煤质特征参数和飞灰含碳量影响参数后，重新构造并训练基于BP神经网络的煤质预测模型和基于支持向量机的飞灰含碳量预测模型。 2.根据权利要求1所述基于煤质预测和PSO-SVM的飞灰含碳量预测方法，其特征在于：所述步骤1.3中数据预处理操作包括清除停机数据和对煤质影响参数数据进行降维处理；所述步骤2.1中数据预处理操作包括清除停机区间数据和对飞灰影响参数数据进行降维处理。