CN105974793A - 一种电站锅炉燃烧智能控制方法 - Google Patents

Abstract

本发明公开了一种电站锅炉燃烧智能控制方法，包括如下步骤：(1)对历史运行数据进行融合；(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中的一些工况数据，以剩下的稳态工况数据作为训练样本；(3)建立训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，建立锅炉综合燃烧预测模型；(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的智能优化控制。本发明基于电站锅炉丰富的历史运行数据进行建模，具有较好的实用性。

Description

一种电站锅炉燃烧智能控制方法

技术领域

本发明属于智能控制技术领域，更具体地，涉及一种电站锅炉燃烧智能控制方法。

背景技术

《中国制造2025》行动计划对十大重点突破发展领域之一的电力装备领域提出了智能、高效、绿色环保的更高要求，发电装备的智能化是未来发展的方向。电站锅炉作为最重要的发电装备之一，由于其安全性要求高、控制逻辑复杂，锅炉燃烧智能化是整个燃煤发电企业实现智能化的核心，同时也是难点。目前大型电站锅炉普遍采用了集散控制系统(DCS)进行控制，根据预设的控制逻辑实现自动控制，离智能控制还有较大的距离。锅炉燃烧智能控制应是以锅炉输出参数(包括安全性参数、经济性参数、环保性参数)的实时诊断为前提，基于准确的燃烧预测模型，对控制参数进行实时优化，实现锅炉燃烧及污染物生成的动态优化控制，保证机组的安全高效环保运行。

实现电站锅炉燃烧智能控制的难点之一是在获得控制参数和目标参数的逻辑关系，建立准确、可靠且响应迅速的燃烧关键目标参数(诸如CO、NOX排放、飞灰含碳量、蒸汽参数、排烟温度等)的预测模型。一方面，由于锅炉燃烧包含复杂的气固多相反应和传热、传质过程，采用纯理论方法建模十分困难；另一方面，我国燃煤火电厂煤源复杂、多变，更增加了锅炉燃烧预测建模难度。

目前的燃烧预测建模大多采用数据驱动的建模方法，数据的有效性、多样性直接决定了模型的预测精度和泛化性能。当前建模数据来源大多基于现场试验数据，试验数据有效性高，但获取成本高，因而常常多样性匮乏，限制了模型泛化能力，不利于推广使用。实现电站锅炉燃烧智能控制的另一难点是在准确燃烧预测模型的基础上对控制参数进行快速优化，从而实现实时优化控制。目前这部分研究主要集中在选择合适的寻优算法，对优化问题本身的研究分析不够深入。

发明内容

针对现有技术的上述缺点和/或改进需求，本发明提供了一种电站锅炉燃烧智能控制方法，其中在燃烧预测建模方面，提出一种电站锅炉历史运行数据预处理方法，深度挖掘电站锅炉历史运行数据有效信息，获得廉价、有效性高、多样性丰富的训练样本，建立可动态更新、具有权重策略的训练样本库，利用有监督机器学习算法构建高可靠性、高适用性的锅炉综合燃烧预测模型。在控制参数优化方面，提出一种基于全局敏感性分析的电站锅炉控制参数快速优化方法，挖掘控制参数与目标参数间多对多的敏感性关系，减小寻优空间，结合先进寻优算法实现燃烧控制参数快速优化。

为实现上述目的，本发明提出了一种电站锅炉燃烧智能控制方法，其特征在于，包括如下步骤：

(1)对历史运行数据进行融合，构建包括煤质特性参数、锅炉控制参数和锅炉燃烧效果参数的数据格式；

(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中煤质特性参数相同而锅炉控制参数相差5％以内的数据，再以剩下的稳态工况数据作为训练样本；

(3)建立具备样本淘汰、权重机制和动态更新功能的训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，运用深度学习算法对锅炉综合燃烧预测模型的输入参数进行特征提取，以减少输入参数的数量，然后基于有监督机器学习算法，构建具有自适应学习和动态更新的锅炉综合燃烧预测模型；

(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，以减小锅炉控制参数的优化空间，然后再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的优化控制。

优选地，所述训练样本库的动态更新为不断将新的运行数据存入训练样本库，并淘汰运行控制型参数相同而结果型参数相差超过10％的样本数据；所述训练样本库的权重机制为对新的数据赋予比之前更大的权重，以保证锅炉综合燃烧预测模型与锅炉实际性能的表现保持一致。

优选地，锅炉综合燃烧预测模型包括经济性预测模型、环保性预测模型和安全性预测模型，其中，经济性预测模型包括CO预测模型、未燃尽碳预测模型，环保性预测模型包括NOx预测模型，安全性预测模型包括金属壁温预测模型；

优选地，所述煤质特性参数为实时入炉的煤种工业分析、元素分析、发热量和灰熔融特性。

优选地，步骤(2)中筛选稳态工况数据的具体步骤如下：

(2.1)将各个时刻电站锅炉的运行数据表述为矩阵形式，并且该矩阵X∈R^n×m，其中每一时刻的运行数据作为该矩阵的一行，则该矩阵具有n行运行数据，每行具有m个运行参数，然后从矩阵X中选取特征运行参数作为数据条稳态判别依据，定义稳态系数K＝(x_i+H,j+x_i+H+1,j+…+x_i+2H-1,j)-(x_i,j+x_i+1,j+…+x_i+H-1,j)，其中i＝1,2,…,n-2H，1≤j≤m，2H为每次判别的点的数目；

(2.2)在特征运行参数X_j中取一段运行数据，沿时间方向求出序列上的稳态系数K，确定合适的稳态阈值K_t；

(2.3)建立权重数组B＝[b₁,b₂,…,b_n]^T＝[0,0,…,0]^T，其中权重数组B中0的位置按从上至下的顺序与特征运行参数X_j中各运行数据一一对应；

(2.4)遍历特征运行参数X_j，计算各运行数据的K值；其中当当前判别的2H个数据点的稳态系数即数据段处于非稳态时，则当前判别的这2H个数据点在权重数组B中对应位置的权重值加1，即[b_i,b_i+1,…,b_i+2H-1]＝[b_i+1,b_i+1+1,…,b_i+2H-1+1]，否则不进行操作；遍历完成后，权重数组B各项取值分布在离散点组成的集合{0,1,…,2H}内；再设置权重阈值N_t，其中0＜N_t＜1，当b_i/2H≥N_t时，认为权重b_i对应的数据点x_i,j处于非稳态，将x_i,j对应的行X_i＝[x_i1,x_i2,…,x_im]从矩阵X中剔除；

(2.5)对矩阵X中的需要进行稳态判别的特征运行参数，重复步骤(2.2)～(2.4)；其中，此处的特征运行参数为煤质特性参数和锅炉控制参数；

(2.6)将矩阵X中剩余的多个连续段分别作为稳态段，剔除各个稳态段中的前C条数据，以此方式，对电站锅炉运行数据达到清洗目的。

优选地，步骤(2.6)中剔除各个稳态段中的前C条数据后，再根据设定的置信空间对各稳态段内的数据进行筛选，以剔除各稳态段内相对孤立的稳态点。

优选地，所述的置信空间为：

$\[{\stackrel{\‾}{X}}_{kj}-(1+N_i/\ΣN_i)\×S\left(X_{kj}\right)\×nor\min v(0.95,{\stackrel{\‾}{X}}_{kj},S(X_{kj}),{\stackrel{\‾}{X}}_{kj}+(1+N_i/\ΣN_i)S\left(X_{kj}\right)\×nor\min v(0.95,{\stackrel{\‾}{X}}_{kj},S(X_{kj})\]$

其中，为第j个特征参数的第k个稳态段的均值，X_kj为第j个特征参数的第k个稳态段内的数据集合，S(X_kj)为第j个特征参数的第k个稳态段的均值的标准差，N_i为当前稳态段包含数据点数目，ΣN_i为稳态点总数目，norminv为返回指定平均值和标准偏差的正态累积分布函数的反函数。

优选地，15≤2H≤40。

优选地，15≤C≤30。

优选地，0.45≤N_t≤0.55。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术特色和优点：

1.本发明首次提出了一种电站锅炉历史运行数据预处理方法，建立完善的数据“错误检错、稳态提取、去冗、降维”前处理方法，减小训练数据获取成本，提高模型的泛化性能。

2.本发明针对国内电站煤质多变的特点，建立融合煤质特性参数、具有样本库动态更新和模型动态学习特征的锅炉综合燃烧预测模型，在提升锅炉综合燃烧预测模型有效性的同时，还能贴合国内电站锅炉智能控制的需求。

3.本发明针对锅炉燃烧效果参数进行全局敏感性分析，获得锅炉控制参数与锅炉燃烧效果参数之间多对多的敏感性关系，减小了燃烧优化寻优空间，解决了电站锅炉燃烧智能控制中的实时快速优化控制难题。

附图说明

图1是电站锅炉燃烧智能控制技术路线简图；

图2是自适应多层分散综合燃烧预测模型示意图；

图3是基于敏感性分析的电站锅炉燃烧智能控制逻辑示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

一种电站锅炉燃烧智能控制方法，包括如下步骤：

(1)对历史运行数据进行融合，构建包括煤质特性参数、锅炉控制参数和锅炉燃烧效果参数的数据格式；

(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中煤质特性参数相同而锅炉控制参数相差5％以内的数据，再以剩下的稳态工况数据作为训练样本；

(3)建立具备样本淘汰、权重机制和动态更新功能的训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，运用深度学习算法对锅炉综合燃烧预测模型的输入参数进行特征提取，以减少输入参数的数量，然后基于有监督机器学习算法，构建具有自适应学习和动态更新的锅炉综合燃烧预测模型；

(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，以减小锅炉控制参数的优化空间，然后再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的优化控制。

进一步，所述训练样本库的动态更新为不断将新的运行数据存入训练样本库，并淘汰运行控制型参数相同而结果型参数相差超过10％的样本数据；所述训练样本库的权重机制为对新的数据赋予比之前更大的权重，以保证锅炉综合燃烧预测模型与锅炉实际性能的表现保持一致。

进一步，锅炉综合燃烧预测模型包括经济性预测模型、环保性预测模型和安全性预测模型，其中，经济性预测模型包括CO预测模型、未燃尽碳预测模型，环保性预测模型包括NOx预测模型，安全性预测模型包括金属壁温预测模型；

进一步，所述煤质特性参数为实时入炉的煤种工业分析、元素分析、发热量和灰熔融特性。

进一步，步骤(2)中筛选稳态工况数据的具体步骤如下：

(2.1)将各个时刻电站锅炉的运行数据表述为矩阵形式，并且该矩阵X∈R^n×m，其中每一时刻的运行数据作为该矩阵的一行，则该矩阵具有n行运行数据，每行具有m个运行参数，然后从矩阵X中选取特征运行参数作为数据条稳态判别依据，定义稳态系数K＝(x_i+H,j+x_i+H+1,j+…+x_i+2H-1,j)-(x_i,j+x_i+1,j+…+x_i+H-1,j)，其中i＝1,2,…,n-2H，1≤j≤m，2H为每次判别的点的数目；

(2.2)在特征运行参数X_j中取一段运行数据，沿时间方向求出序列上的稳态系数K，确定合适的稳态阈值K_t；

(2.3)建立权重数组B＝[b₁,b₂,…,b_n]^T＝[0,0,…,0]^T，其中权重数组B中0的位置按从上至下的顺序与特征运行参数X_j中各运行数据一一对应；

(2.4)遍历特征运行参数X_j，计算各运行数据的K值；其中当当前判别的2H个数据点的稳态系数即数据段处于非稳态时，则当前判别的这2H个数据点在权重数组B中对应位置的权重值加1，即[b_i,b_i+1,…,b_i+2H-1]＝[b_i+1,b_i+1+1,…,b_i+2H-1+1]，否则不进行操作；遍历完成后，权重数组B各项取值分布在离散点组成的集合{0,1,…,2H}内；再设置权重阈值N_t，其中0＜N_t＜1，当b_i/2H≥N_t时，认为权重b_i对应的数据点x_i,j处于非稳态，将x_i,j对应的行X_i＝[x_i1,x_i2,…,x_im]从矩阵X中剔除；

(2.5)对矩阵X中的需要进行稳态判别的特征运行参数，重复步骤(2.2)～(2.4)；其中，此处的特征运行参数为煤质特性参数和锅炉控制参数，所述锅炉控制型参数包括负荷、给煤量、燃烧器摆角、炉膛风箱差压和/或各燃烧器风门开度。

(2.6)将矩阵X中剩余的多个连续段分别作为稳态段，剔除各个稳态段中的前C条数据，以此方式，对电站锅炉运行数据达到清洗目的。

进一步，步骤(2.6)中剔除各个稳态段中的前C条数据后，再根据设定的置信空间对各稳态段内的数据进行筛选，以剔除各稳态段内相对孤立的稳态点。

进一步，所述的置信空间为：

$\[{\stackrel{\‾}{X}}_{kj}-(1+N_i/\ΣN_i)\×S\left(X_{kj}\right)\×nor\min v(0.95,{\stackrel{\‾}{X}}_{kj},S(X_{kj}),{\stackrel{\‾}{X}}_{kj}+(1+N_i/\ΣN_i)S\left(X_{kj}\right)\×nor\min v(0.95,{\stackrel{\‾}{X}}_{kj},S(X_{kj})\]$

其中，为第j个特征参数的第k个稳态段的均值，X_kj为第j个特征参数的第k个稳态段内的数据集合，S(X_kj)为第j个特征参数的第k个稳态段的均值的标准差，N_i为当前稳态段包含数据点数目，ΣN_i为稳态点总数目，norminv为返回指定平均值和标准偏差的正态累积分布函数的反函数。

进一步，15≤2H≤40。

进一步，15≤C≤30。

进一步，0.45≤N_t≤0.55。

本发明的电站锅炉历史运行数据融合过程如下：

收集电厂的主力燃用煤种，进行煤质常规分析，建立包含煤质特性信息煤种信息数据库。根据专业基础知识及锅炉运行特性，筛选出与目标参数相关的锅炉运行参数，从电厂的生产实时信息监控(SIS)系统中获取近一两年内的历史运行数据和煤种名称，并从煤种信息数据库中获得元素分析、工业分析、发热量、灰熔融特性数据。以记录时间为键，将锅炉控制参数、锅炉燃烧效果参数与煤质特性参数数据融合为一条记录。

本发明的电站锅炉历史运行数据错误检测、稳态提取、去冗过程如下：

错误检测主要用于剔除因仪器测量问题、信号传输问题或存储而产生的错误数据。根据运行参数的自身属性设定不同的变动阈值，将超出变动阈值的数据记录认定为异常错误值，予以抛弃，实现“数据错误自检”。检查参数与负荷直接数据联动性，依据DCS控制逻辑剔除联动性较差的数据，实现“数据错误互检”。

稳态提取即通过对错误检测后的历史运行数据进行筛选得到稳态工况数据。利用滑动判别的方法模拟人工寻找时间序列稳态段过程。通过逐点遍历的方法，沿时间维度滑动，根据当前数据点与之前若干个取样周期内数据的变化情况判别数据点是否处于某段稳态中。同时，为剔除因测量仪器或信号传输偶然出错而产生的错误数据记录，加入后置数据判别，将当前数据点之后的若干数据点也纳入到判别式中，根据前后数据的变动幅度，判断当前数据可靠性。

去冗即去掉相似冗余的稳态工况。采用k-means算法或对每段稳态工况求均值的方法去除相似程度高的稳态工况数据，以剩余的稳态工况数据作为训练样本。

本发明的电站锅炉控制参数特征提取过程如下：

针对电站锅炉燃烧优化具有多参数耦合关联的特点，采用诸如自编码等深度学习算法对电站锅炉控制参数进行抽象提取，降低模型输入维度，提高模型的泛化能力和实用性。

本发明动态自适应锅炉综合燃烧预测模型的建立过程如下：

建立动态更新的训练样本库实现锅炉综合燃烧预测模型的自适应学习和动态更新(如图2所示)。采用周期性样本数据更新策略，在每个周期结束后对周期内数据进行数据融合、错误检测、稳态提取、去冗、特征提取等系列数据预处理操作，将预处理后的样本数据与原有样本库内数据进行控制参数模拟匹配，建立样本淘汰和权重机制，淘汰当前机组性能相异的样本，并对新的数据赋予比之前数据更大的权重，增强较新样本数据的拟合度，保证模型的有效性。

所建立的锅炉综合燃烧预测模型包括安全、经济、环保三方面，而这三三方面又包括许多小目标参数(如炉膛出口CO、NO_X浓度及飞灰可燃物、蒸汽参数、排烟温度等)。在模型构建方面，基于已构建的动态更新训练样本库，建立分散多层锅炉综合燃烧预测模型(如图2所示)，以有效减小单个模型的复杂程度，并提高预测精度和泛化能力，为实现电站锅炉综合燃烧优化提供基础。

本发明基于敏感性分析的电站锅炉燃烧智能控制具体过程如下：

采用诸如Morris法等敏感性分析方法对控制参数进行敏感性分析，其计算公式为

$d_i\left(j\right)=\frac{f(x_1,\mathrm{...},f_{i-1},x_i+\mathrm{\Δ},x_{i+1},\mathrm{..},x_n)-f(x_1,\mathrm{...},x_n)}{\mathrm{\Δ}}$

式中d_i(j)为第i个参数第j组样本的基效应，j＝1，2，…，R(R为重复抽样次数)；n为参数个数；x_i为第i个参数；Δ为单个参数微小变化量；f(.)为对应参数组的响应输出。采用基效应的均值μ和标准差σ来判断参数的敏感性。其中μ表征参数的敏感度，确定参数的敏感性排序，而σ表征参数之间的非线性或相互作用的程度。

以锅炉综合燃烧预测模型为响应输出函数，逐一考察锅炉控制参数对锅炉燃烧效果参数的敏感度和敏感区间，减小寻优空间，提高优化响应速度，完成智能优化控制。

在图3的闭环控制逻辑中，首先读取实时运行数据，根据实时运行数据及中调负荷曲线确定下阶段优化目标参数，进一步从敏感性分析结果中获取敏感寻优空间，依据敏感寻优空间和锅炉综合燃烧预测模型，采用启发式寻优算法实现控制参数快速优化，得到优化控制策略，调整控制参数，最终实现闭环控制。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电站锅炉燃烧智能控制方法，其特征在于，包括如下步骤：

(1)对历史运行数据进行融合，构建包括煤质特性参数、锅炉控制参数和锅炉燃烧效果参数的数据格式；

(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中煤质特性参数相同而锅炉控制参数相差5％以内的数据，再以剩下的稳态工况数据作为训练样本；

(3)建立具备样本淘汰、权重机制和动态更新功能的训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，运用深度学习算法对锅炉综合燃烧预测模型的输入参数进行特征提取，以减少输入参数的数量，然后基于有监督机器学习算法，构建具有自适应学习和动态更新的锅炉综合燃烧预测模型；

(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，以减小锅炉控制参数的优化空间，然后再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的优化控制。

2.如权利要求1所述的一种电站锅炉燃烧智能控制方法，其特征在于，所述训练样本库的动态更新为不断将新的运行数据存入训练样本库，并淘汰运行控制型参数相同而结果型参数相差超过10％的样本数据；所述训练样本库的权重机制为对新的数据赋予比之前更大的权重，以保证锅炉综合燃烧预测模型与锅炉实际性能的表现保持一致。

3.如权利要求1所述的一种电站锅炉燃烧智能控制方法，其特征在于，锅炉综合燃烧预测模型包括经济性预测模型、环保性预测模型和安全性预测模型，其中，经济性预测模型包括CO预测模型、未燃尽碳预测模型，环保性预测模型包括NOx预测模型，安全性预测模型包括金属壁温预测模型。

4.如权利要求1所述的一种电站锅炉燃烧智能控制方法，其特征在于，所述煤质特性参数为实时入炉的煤种工业分析、元素分析、发热量和灰熔融特性。

5.如权利要求1所述的一种电站锅炉燃烧智能控制方法，其特征在于，步骤(2)中筛选稳态工况数据的具体步骤如下：

(2.1)将各个时刻电站锅炉的运行数据表述为矩阵形式，并且该矩阵X∈R^{n × m}，其中每一时刻的运行数据作为该矩阵的一行，则该矩阵具有n行运行数据，每行具有m个运行参数，然后从矩阵X中选取特征运行参数 作为数据条稳态判别依据，定义稳态系数K＝(x_i+H,j+x_i+H+1,j+…+x_i+2H-1,j)-(x_i,j+x_i+1,j+…+x_i+H-1,j)，其中i＝1,2,…,n-2H，1≤j≤m，2H为每次判别的点的数目；

(2.2)在特征运行参数X_j中取一段运行数据，沿时间方向求出序列上的稳态系数K，确定合适的稳态阈值K_t；

(2.3)建立权重数组B＝[b₁,b₂,…,b_n]^T＝[0,0,…,0]^T，其中权重数组B中0的位置按从上至下的顺序与特征运行参数X_j中各运行数据一一对应；

(2.4)遍历特征运行参数X_j，计算各运行数据的K值；其中当当前判别的2H个数据点的稳态系数即数据段处于非稳态时，则当前判别的这2H个数据点在权重数组B中对应位置的权重值加1，即[b_i,b_i+1,…,b_i+2H-1]＝[b_i+1,b_i+1+1,…,b_i+2H-1+1]，否则不进行操作；遍历完成后，权重数组B各项取值分布在离散点组成的集合{0,1,…,2H}内；再设置权重阈值N_t，其中0＜N_t＜1，当b_i/2H≥N_t时，认为权重b_i对应的数据点x_i,j处于非稳态，将x_i,j对应的行X_i＝[x_i1,x_i2,…,x_im]从矩阵X中剔除；

(2.5)对矩阵X中的需要进行稳态判别的特征运行参数，重复步骤(2.2)～(2.4)；其中，此处的特征运行参数为煤质特性参数和锅炉控制参数；

(2.6)将矩阵X中剩余的多个连续段分别作为稳态段，剔除各个稳态 段中的前C条数据，以此方式，对电站锅炉运行数据达到清洗目的。

6.根据权利要求5所述的一种电站锅炉运行数据清洗方法，其特征在于，步骤(2.6)中剔除各个稳态段中的前C条数据后，再根据设定的置信空间对各稳态段内的数据进行筛选，以剔除各稳态段内相对孤立的稳态点。

7.根据权利要求6所述的一种电站锅炉运行数据清洗方法，其特征在于，所述的置信空间为：

其中，为第j个特征参数的第k个稳态段的均值，X_kj为第j个特征参数的第k个稳态段内的数据集合，S(X_kj)为第j个特征参数的第k个稳态段的均值的标准差，N_i为当前稳态段包含数据点数目，∑N_i为稳态点总数目，norminv为返回指定平均值和标准偏差的正态累积分布函数的反函数。

8.根据权利要求6所述的一种电站锅炉运行数据清洗方法，其特征在于，15≤2H≤40。

9.根据权利要求6所述一种电站锅炉运行数据清洗方法，其特征在于，15≤C≤30。

10.根据权利要求6所述的一种电站锅炉运行数据清洗方法，其特征在于，0.45≤N_t≤0.55。