CN105117527B - 一种循环流化床锅炉燃烧系统模型的建模方法 - Google Patents
一种循环流化床锅炉燃烧系统模型的建模方法 Download PDFInfo
- Publication number
- CN105117527B CN105117527B CN201510470936.5A CN201510470936A CN105117527B CN 105117527 B CN105117527 B CN 105117527B CN 201510470936 A CN201510470936 A CN 201510470936A CN 105117527 B CN105117527 B CN 105117527B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- time data
- fluidized bed
- combustion system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明涉及一种循环流化床锅炉燃烧系统模型的建模方法,其特征在于:包括如下步骤:步骤一、采集循环流化床锅炉燃烧系统的原始数据;步骤二、对原始数据进行如下预处理;步骤三、利用深度信念网络对预处理后的样本数据进行降维处理,得到数据集X;步骤四、将步骤三得到的数据集X进行模糊C均值聚类,得到聚类中心和聚类半径;步骤五、将步骤四中得到的聚类中心和聚类半径,作为径向基函数神经网络中径向基函数的中心和扩展常数的初始值,采用梯度下降算法训练径向基函数神经网络,将训练得到的深度信念网络和径向基函数神经网络组成循环流化床锅炉燃烧系统模型。本发明提供的建模方法更加有效合理。
Description
技术领域
本发明涉及一种循环流化床锅炉燃烧系统模型的建模方法。
背景技术
循环流化床锅炉具有燃料适应性广、低污染排放等优点,是国内外广泛推广的一种煤燃烧技术。由于循环流化床锅炉燃烧系统具有多变量,非线性,强耦合,时变,大惯性,参数分布等特点,存在很多的强耦合环节,机理建模困难,是一类难控的热工对象典型。因此对其进行定性定量的分析和建模是非常必要的。
由于循环流化床锅炉本体构造及运行时燃烧过程的复杂性,对其进行的机理建模遇到很大的困难。目前主要存在的问题:(1)、模型不够精确,机理建模中存在很多经验公式及近似规则,因此仿真系统无论运行多好,和真正的锅炉燃烧过程的差距依然很大;(2)、模型非常复杂,其中包括了很多非线性方程组,很难找到有效的数值方法进行实时仿真。
近20年来,已有研究建立了一系列描述循环流化床锅炉气固流态化特性和流态化燃烧过程的机理数学模型,但是模型多是基于表象的宏观解释。目前已有研究主要是关于燃烧系统整体现场实验建模的,主要作为定性分析的依据,实验结果难以满足设计控制系统所需。
在公开发表的文献中,基于神经网络学习的循环流化床锅炉燃烧系统建模和控制有相关报道。主要可以分为两大类,一类是利用神经网络和模糊推理等智能系统描述工业系统的动态过程,得到具有非线性特性的智能系统模型;另一类是利用遗传算法,粒子群算法和蚁群算法等智能计算技术,替代最小二乘和梯度下降等传统辨识方法,获得传统控制器方便使用的传递函数模型;智能算法的优势在于对系统特性要求少,多维算法需要较大的数据存储空间,难以保证信号处理的实时性。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种新的、更为合理的循环流化床锅炉燃烧系统模型的建模方法。
本发明解决上述技术问题所采用的技术方案为:一种循环流化床锅炉燃烧系统模型的建模方法,其特征在于:包括如下步骤
步骤一、按时间间隔次序依次采集循环流化床锅炉燃烧系统的n+k个原始样本,每个样本的维数为d;
步骤二、对n+k个原始样本进行如下预处理:
(2-1)、从第k时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个样本的第一样本数据;从第k+1时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第二样本数据;从第k+2时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第三样本数据;……从第n时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第n-k+1样本数据;……从第n+k时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第n+1样本数据;依此,当遍历完n+k个原始数据后,即得到新的n个样本,每个样本包含k*d个数据;
(2-2)、将(2-1)得到的n个样本数据进行归一化处理,得到预处理后的样本数据;
步骤三、利用深度信念网络对预处理后的样本数据进行降维处理,得到样本集X,其中样本集X包含n个样本,每个样本包含x个数据,而x远小于k*d;
步骤四、将步骤三得到的数据集X进行模糊C均值聚类,得到聚类中心和聚类半径;
步骤五、将步骤四中得到的聚类中心和聚类半径,作为径向基函数神经网络中径向基函数的中心和扩展常数的初始值,采用梯度下降算法训练径向基函数神经网络;
由步骤三训练得到的深度信念网络和步骤五训练得到的径向基函数神经网络组成循环流化床锅炉燃烧系统模型。
当循环流化床锅炉燃烧系统模型建好后,如需应用该循环流化床锅炉燃烧系统模型,则需要将采集的原始数据经过步骤三训练得到的深度信念网络进行降维处理,将降维后的数据作为径向基函数神经网络的输入进行使用。
所述步骤三中利用的深度信念网络模型由若干个受限波尔茨曼机堆叠而成,深度信念网络模型所需要的受限波尔茨曼机的层数由实际建模时确定。
与现有技术相比,本发明的优点在于:该方法降低循环流化床高维数据的复杂结构,从大数据中自动学习特征,大大降低了用于后续工作的样本数,在不对生产进行任何干预的情况下,运用历史数据进行建模,解决了多维算法需要较大的数据存储空间的难题,保证信号处理的实时性,为工程应用提供了一条新途径,为循环流化床燃烧系统的建模策略研究提供了支持平台,对进行循环流化床燃烧系统的控制研究有实际意义。
附图说明
图1为本发明实施例中循环流化床锅炉燃烧系统模型的建模方法的流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本实施例中的循环流化床锅炉燃烧系统模型的建模方法,其包括如下步骤,参见图1所示:
步骤一、按时间间隔次序依次采集循环流化床锅炉燃烧系统的n+k个原始样本,每个样本的维数为d;
步骤二、对n+k个原始样本进行如下预处理:
(2-1)、从第k时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个样本的第一样本数据;从第k+1时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第二样本数据;从第k+2时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第三样本数据;……从第n时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第n-k+1样本数据;……从第n+k时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第n+1样本数据;依此,当遍历完n+k个原始数据后,即得到新的n个样本,每个样本包含k*d个数据;
(2-2)、将(2-1)得到的n个样本数据进行归一化处理,得到预处理后的样本数据;
步骤三、利用深度信念网络对预处理后的样本数据进行降维处理,得到样本集X,其中样本集X包含n个样本,每个样本包含x个数据,而x远小于k*d;
步骤四、将步骤三得到的数据集X进行模糊C均值聚类,得到聚类中心和聚类半径;
步骤五、将步骤四中得到的聚类中心和聚类半径,作为径向基函数神经网络中径向基函数的中心和扩展常数的初始值,采用梯度下降算法训练径向基函数神经网络;由步骤三训练得到的深度信念网络和步骤五训练得到的径向基函数神经网络组成循环流化床锅炉燃烧系统模型。
所述步骤三中利用的深度信念网络模型由若干个受限波尔茨曼机堆叠而成,深度信念网络模型所需要的受限波尔茨曼机的层数由实际建模时确定。
当循环流化床锅炉燃烧系统模型建好后,如需应用该循环流化床锅炉燃烧系统模型,则需要将采集的原始数据经过步骤三训练得到的深度信念网络进行降维处理,将降维后的数据作为径向基函数神经网络的输入进行使用。
本发明采用深度信念网和径向基函数神经网络来拟合非线性大时滞模型,能有效实现建模,与传统方法相比,它能够擅长发现高维数据中的复杂结构,大大降低了用于后续工作的样本数。在不对生产进行任何干预的情况下,运用历史数据进行建模,解决了多维算法需要较大的数据存储空间的难题,保证信号处理的实时性。
Claims (3)
1.一种循环流化床锅炉燃烧系统模型的建模方法,其特征在于:包括如下步骤
步骤一、按时间间隔次序依次采集循环流化床锅炉燃烧系统的n+k个原始样本,每个样本的维数为d;
步骤二、对n+k个原始样本进行如下预处理:
(2-1)、从第k时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个样本的第一样本数据;从第k+1时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第二样本数据;从第k+2时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第三样本数据;……从第n时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第n-k+1样本数据;……从第n+k时刻数据开始,选取当前时刻数据及前k-1个时刻数据组成一个新的包含k个数据的第n+1样本数据;依此,当遍历完n+k个原始数据后,即得到新的n个样本,每个样本包含k*d个数据;
(2-2)、将(2-1)得到的n个样本数据进行归一化处理,得到预处理后的样本数据;
步骤三、利用深度信念网络对预处理后的样本数据进行降维处理,得到样本集X,其中样本集X包含n个样本,每个样本包含x个数据,而x远小于k*d;
步骤四、将步骤三得到的数据集X进行模糊C均值聚类,得到聚类中心和聚类半径;
步骤五、将步骤四中得到的聚类中心和聚类半径,作为径向基函数神经网络中径向基函数的中心和扩展常数的初始值,采用梯度下降算法训练径向基函数神经网络;
由步骤三训练得到的深度信念网络和步骤五训练得到的径向基函数神经网络组成循环流化床锅炉燃烧系统模型。
2.根据权利要求1所述的建模方法,其特征在于:当循环流化床锅炉燃烧系统模型建好后,如需应用该循环流化床锅炉燃烧系统模型,则需要将采集的原始数据经过步骤三训练得到的深度信念网络进行降维处理,将降维后的数据作为径向基函数神经网络的输入进行使用。
3.根据权利要求1所述的建模方法,其特征在于:所述步骤三中利用的深度信念网络模型由若干个受限波尔茨曼机堆叠而成,深度信念网络模型所需要的受限波尔茨曼机的层数由实际建模时确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510470936.5A CN105117527B (zh) | 2015-08-04 | 2015-08-04 | 一种循环流化床锅炉燃烧系统模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510470936.5A CN105117527B (zh) | 2015-08-04 | 2015-08-04 | 一种循环流化床锅炉燃烧系统模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105117527A CN105117527A (zh) | 2015-12-02 |
CN105117527B true CN105117527B (zh) | 2018-04-20 |
Family
ID=54665515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510470936.5A Active CN105117527B (zh) | 2015-08-04 | 2015-08-04 | 一种循环流化床锅炉燃烧系统模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117527B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270442B (zh) * | 2018-08-21 | 2021-02-12 | 西安工程大学 | 基于dbn-ga神经网络的高压断路器故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329582A (zh) * | 2008-07-18 | 2008-12-24 | 东南大学 | 循环流化床锅炉燃烧优化与诊断方法 |
CN101498459A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的建模方法 |
CN101498457A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
CN104637072A (zh) * | 2015-03-09 | 2015-05-20 | 宁波大学 | 一种循环流化床锅炉气固流场颗粒运动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7039555B2 (en) * | 1998-03-24 | 2006-05-02 | Exergetic Systems Llc | Method for detecting heat exchanger tube failures and their location when using input/loss performance monitoring of a recovery boiler |
-
2015
- 2015-08-04 CN CN201510470936.5A patent/CN105117527B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329582A (zh) * | 2008-07-18 | 2008-12-24 | 东南大学 | 循环流化床锅炉燃烧优化与诊断方法 |
CN101498459A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的建模方法 |
CN101498457A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
CN104637072A (zh) * | 2015-03-09 | 2015-05-20 | 宁波大学 | 一种循环流化床锅炉气固流场颗粒运动检测方法 |
Non-Patent Citations (3)
Title |
---|
Intelligent Coordinated Control of Circulating Fluidized Bed Boiler-Turbine Unit;Xiao-Feng Li et al.;《Fuzzy Information Processing Society,2010 Annual Meeting of North Amercian》;20101231;全文 * |
基于神经网络和遗传算法的锅炉燃烧建模与优化;石云等;《计算机应用与软件》;20100630;第27卷(第6期);全文 * |
基于神经网络的燃烧优化建模;付慧林;《微计算机信息》;20091231;第25卷(第5-1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105117527A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634108A (zh) | 参数自整定的mimo异因子全格式无模型控制方法 | |
Wang et al. | Optimization of LQR controller for inverted pendulum system with artificial bee colony algorithm | |
CN105117527B (zh) | 一种循环流化床锅炉燃烧系统模型的建模方法 | |
CN109581864A (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
CN105955190A (zh) | 一种基于布谷鸟搜索算法的孔群加工路径规划方法 | |
CN104696952A (zh) | 一种基于模型在线辨识的流化床锅炉引风量控制方法 | |
CN107464059A (zh) | 一种基于历史信息的公交公司自动化排班控制方法 | |
CN106647279B (zh) | 一种基于模糊规则的机车智能操纵优化计算方法 | |
CN105335626B (zh) | 一种基于网络分析的群lasso特征分群方法 | |
CN105512726B (zh) | 基于免疫遗传优化的可靠性分配方法及装置 | |
CN103927431A (zh) | 基于pyramid时间框架的电站锅炉运行状态监测方法 | |
CN112926269B (zh) | 电厂边缘节点数据分组与清洗的方法及系统 | |
WO2023072528A1 (de) | Verfahren und steuereinrichtung zum steuern eines technischen systems | |
Muravyova et al. | Intelligent control system for process parameters based on a neural network | |
WO2019166227A1 (de) | Verfahren und anordnung zum rechnergestützten entwerfen eines technischen systems | |
Wang et al. | Feature ordering for neural incremental attribute learning based on Fisher's linear discriminant | |
AlGeddawy et al. | Determining granularity level in product design architecture | |
CN105426910A (zh) | 一种基于改进abc算法与de变异策略的自适应聚类方法 | |
Zhu et al. | A biological inspired neural network approach to robot path planning in unknown environment | |
EP4131053A1 (de) | Verfahren und system zum steuern eines produktionssystems | |
CN107315867A (zh) | 基于代理模型的互馈系统动力学特性分析方法 | |
Feng et al. | The influence of experimental design method on design space exploration | |
Zhang et al. | Optimization of CNN and Its Application in Handwritten Numeral Recognition | |
Li et al. | Road Resource Optimization and Restructuring Based on BP Neural Network | |
Geimer et al. | 11. Kolloquium Mobilhydraulik: Karlsruhe, 10. September 2020 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 315211 Zhejiang Province, Ningbo Jiangbei District Fenghua Road No. 818 Applicant after: Ningbo University Address before: 315012 Zhejiang province Ningbo Fenghua Road No. 818 Applicant before: Ningbo University |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |