本发明涉及燃煤机组节能环保运行领域，具体涉及一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法。
背景技术：
1、为防止火电机组煤粉在燃烧后产生的大量烟尘污染大气环境，燃煤电厂通常在锅炉尾部烟道出口处配备干式电除尘器以降低该污染物的排放。在影响干式电除尘器效率的因素中，设计参数通常在运行时不会随着工况改变而发生较大的变化；烟气参数会在机组负荷、使用煤种变化时发生改变，从而给电除尘过程带来扰动；运行参数是调整电除尘过程的主要操作量，运行时通常通过调整干式电除尘器的电源参数来控制出口烟尘浓度。在烟气参数相对稳定的情况下，除尘效率与电源参数关系非常密切。提高电除尘器除尘效果的意味着加大电除尘器的电耗，从而增加了厂用电量。由于干式电除尘器仅在出口处存在烟尘浓度测点，只能获得第五级(或末几级看成一个整体)电场的动态特性，以及前几级电场的静态特性。干式电除尘器第五电场对烟尘浓度的调节能力有限，因此将第四第五电场视为一个整体，可建立前三电场的静态特性模型，而如何建立准确的前三电场模型成为了一个难点。
技术实现思路
1、本发明针对现有技术存在的问题，提供了一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，目的在于通过数据驱动的方式建立干式电除尘器电源参数与前三电场出口烟尘浓度的预测模型。
2、为解决以上技术问题，本发明提供如下技术方案：一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，包括以下步骤：
3、s1、从燃煤火电机组的分散控制系统dcs的数据库中，获得机组在各个典型负荷下的出口烟尘浓度、以及电除尘器各级电场中各个通道的二次电流值；对于每一级电场，采用电场中各个通道二次电流值的平均值作为电场的二次电流值，根据四五电场静态特性获得三电场出口烟尘浓度折算值；
4、s2、构建训练数据集，包括前三电场二次电流值、以及对应的三电场出口烟尘浓度折算值，折算值均被归一化至[-1,1]范围内，在构建训练数据集时剔除四五电场中出现突变电流的数据；
5、s3、基于核证据回归算法，构建前三电场烟尘浓度核证据预测模型，核函数选择径向基函数；以前三电场二次电流值为模型输入，三电场出口烟尘浓度折算值为输出，训练前三电场烟尘浓度核证据预测模型的参数并优化核函数带宽；
6、s4、将采集到的三电场二次电流值归一化后输入前三电场烟尘浓度核证据预测模型，获得前三电场烟尘浓度预测值后，将其转化为有量纲的预测值。
7、进一步地，前述的步骤s3中，核证据回归算法包括以下子步骤：
8、s31、将输出数据表示成模糊质量函数的形式；
9、s32、初始化模型参数，即非线性回归系数的对偶形式与方差，将参数迭代次数q设置为0；将表达模型输入输出关系的非线性函数构造为核函数形式，选取径向基函数作为核函数并设置核函数带宽；
10、s33、以模糊证据em算法优化模型参数：计算第q轮参数下的观测数据对数似然，然后计算模糊证据em算法的期望；
11、s34、使条件期望最大，得到q+1轮的参数，用新一轮的参数计算观测数据对数似然，再计算相邻迭代的观测数据对数似然的相对误差，
12、s35、判断相对误差是否大于临界值ε，是则返回执行s33；否则执行s36；
13、s36、输出此时的参数作为模型参数；
14、s37、在模型中输入归一化的二次电流后即可得到无量纲的三电场烟尘浓度预测结果，将该结果转化为有量纲形式。
15、进一步地，前述的步骤s31具体为：
16、基于输出向量数据x的每个分量xi都是同一关于输入的确定函数f(ui)和随机噪声e的和，随机噪声e服从正态分布n(0,σ)，输出数据的各分量xi均服从正态分布n(vi,σ)，vi＝f(ui)，输出数据向量x服从多维高斯分布：
17、xi＝f(ui)+e，
18、采用估计量对未知函数f(u)进行估计，该估计量定义了一组参数ψ＝ψ1,ψ1,…,ψd，即σ和ω，其中ω为回归系数b的对偶形式；
19、将输出数据表示成模糊质量函数的形式：
20、
21、其中，ωx是无量纲输出的值域pi是传感器处于良好工作状态的概率，pi＝1,i＝1,2,...,n，三角模糊数表示输出传感器处于良好工作状态时的输出，δi为采样点所属的连续数据段中所有采样点无量纲输出的样本标准差。
22、进一步地，前述的步骤s32具体为：
23、输入数值对{(ui,mi)|i＝1,2,...,n}，预设临界值ε作为迭代终止条件，初始化方差σ和ω，即初始参数ω(0)和σ(0))，将参数迭代次数q设置为0；
24、构造输入与输出关系的非线性函数通过核函数方法，选取径向基函数作为核函数，φ(·)为其相关特征映射，则如下式：
25、
26、其中，φ(u)是特征空间中的训练样本，输入矩阵u＝(u1,...,un)，ui＝(ui,1,...,ui,p)'；回归系数b＝(b0,...,bp)'；径向基函数如下式：
27、其中s为带宽。
28、进一步地，前述的步骤s33具体为：计算第q轮参数下的观测数据对数似然，如下式：
29、
30、其中，g(x；ψ)为概率密度函数，如下式：
31、
32、是以模糊证据理论表示的三电场的烟尘浓度折算结果x的轮廓函数：
33、
34、的表达式中，为定义在识别框架ω上的模糊焦元，为的模糊隶属度函数，f(m)为模糊集合；
35、计算模糊证据em算法的期望：
36、其中，
37、输出变量xi的观测值为区间数[ai,bi]时，和分别表示为下式：
38、
39、其中，x*＝(x-ν)/σ(q)，φ(·)为标准正态分布函数。
40、进一步地，前述的步骤s34具体为：使条件期望最大，得到q+1轮的参数ω(q+1)和σ(q+1),其公式为：
41、
42、其中核矩阵k为：
43、
44、用新一轮得到的参数ω(q+1)和σ(q+1)计算新的观测数据对数似然logl(ψ(q+1)；pl)，而后计算相邻迭代的观测数据对数似然的相对误差d，其公式如下：
45、
46、进一步地，前述的步骤s3中，利用优化算法优化核函数的最优带宽包括以下子步骤:
47、s301、将训练集随机划分为k个互斥且大小相同的子集，将带宽s初始化为1；
48、s302、将j初始化为1，令第j个子集为当前测试集，其余为训练集，通过核证据回归法计算出当前的测试集输出预测值；
49、s303、通过下式计算本次损失函数cvi(s):
50、
51、其中,是除当前选定测试样本之外的其他k-1个训练样本对测试样本的预测响应,是mi的pignistic期望,表达如下：
52、
53、s304、令j加一，计算以第二个子集为测试集时的损失函数，进一步计算出每个子集作为测试集时的损失函数并对其求和得到总损失函数，即s＝1时得到的损失函数：
54、
55、s305、s从预设范围中取值，计算每个s下的总损失函数，得到最优带宽
56、相较于现有技术，本发明采用以上技术方案的有益技术效果如下：本发明提供的方法通过数据驱动的策略可以较为精确地预测在各负荷段下干式电除尘器的三电场出口烟尘浓度的预测值，从而避免对电除尘器复杂机理过程的依赖。进一步地，能为干式电除尘器在满足环保要求下实现最优能耗提供计算依据。本发明的模型能作为电源参数优化的前提保障，从而使得在出口烟尘浓度满足环保要求下实现干式电除尘器的节能运行。相比于机理建模，数据驱动建模对于多变复杂的实际除尘过程有着更好的适应性，并且便于在智能控制、运行优化方面进行应用。核证据回归算法通过使用模糊信念函数处理不精确、不完全和不确定的数据，结合了证据理论和em算法的优势，适用于线性和非线性回归。有较好的鲁棒性、灵活性以及预测性能。
1.一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，步骤s3中，核证据回归算法包括以下子步骤：
3.根据权利要求2所述的一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，步骤s31具体为：
4.根据权利要求2所述的一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，步骤s32具体为：
5.根据权利要求2所述的一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，步骤s33具体为：计算第q轮参数下的观测数据对数似然，如下式：
6.根据权利要求2所述的一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，步骤s34具体为：使条件期望最大，得到q+1轮的参数ω(q+1)和σ(q+1),其公式为：
7.根据权利要求6所述的一种燃煤机组干电除尘器前三电场烟尘浓度核证据预测方法，其特征在于，步骤s3中，利用优化算法优化核函数的最优带宽包括以下子步骤:
