CN106529671A - 一种基于神经网络的原煤全水分软测量方法 - Google Patents
一种基于神经网络的原煤全水分软测量方法 Download PDFInfo
- Publication number
- CN106529671A CN106529671A CN201610960202.XA CN201610960202A CN106529671A CN 106529671 A CN106529671 A CN 106529671A CN 201610960202 A CN201610960202 A CN 201610960202A CN 106529671 A CN106529671 A CN 106529671A
- Authority
- CN
- China
- Prior art keywords
- training
- coal
- total moisture
- model
- raw coal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明涉及一种基于神经网络的原煤全水分软测量方法,包括以下步骤:步骤S01:根据一种类型磨煤机,获取该磨煤机进口、出口相关数据,将所述数据样本分为训练样本和测试样本;步骤S02:建立原煤全水分M t的人工神经网络模型;步骤S03:确定训练精度或最大训练次数;步骤S04:利用训练样本对人工网络模型进行训练直至满足训练精度要求或对模型的训练已达到最大训练次数后,停止对模型的训练;步骤S05:将测试样本加载人工神经网络模型并进行测试;步骤S06:如果测试的结果显示模型已满足精度和泛化能力两方面的要求,则模型训练成功。本发明解决了由于电厂原煤取样困难和原煤全水分M t分析缺少而带来针对性运行优化调整的问题。
Description
技术领域
本发明涉及原煤全水分领域,特别是涉及一种基于神经网络的原煤全水分软测量方法。
背景技术
原煤全水分M t在火力发电厂运行调整中具有重要的地位,是锅炉燃烧优化调整、提高锅炉效率的重要参考依据。
传统的基于现场取样的原煤全水分M t分析都要在现场取得原煤进行化验分析,每天都要重复同样的工作,工作量大,而且原煤粉取样技术要求高、污染环境,取样困难。开发一种无需人工干预的原煤全水分M t在线分析方法非常有必要。
目前在线检测原煤全水分M t的方法有微波分析法、热平衡法。微波分析方法的仪器设备昂贵,现场安装数量多,而且受现场原煤颗粒的冲刷和粘结在传感器的影响维护,数据准确度较差,使其在实际应用中受到很大的限制。热平衡法受制于其他测量参数和磨煤机散热等外界影响因素,计算误差较大。
神经网络是一个非线性动力学系统,其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单,功能有限,但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
原煤全水分M t的检测涉及非线性参数的测量,因此通过神经网络的方法,从磨煤机运行参数、大气参数到原煤全水分M t的非线性映射模型的建立有效地控制了由于原煤全水分M t数据缺少而给锅炉安全经济运行、燃烧优化调整带来的困难。
发明内容
有鉴于此,本发明的目的是提供一种基于神经网络的原煤全水分软测量方法,从磨煤机运行参数、大气参数到原煤全水分M t的非线性映射模型的建立有效地控制了由于原煤全水分M t数据缺少而给锅炉安全经济运行、燃烧优化调整带来的困难。
本发明采用以下方案实现一种基于神经网络的原煤全水分软测量方法,包括以下步骤:
步骤S01:根据一种类型磨煤机,获取该磨煤机进口、出口相关数据,将获得的数据样本分为训练样本和测试样本;
步骤S02:建立原煤全水分的人工神经网络模型;
步骤S03:确定所述人工网络模型的训练精度或最大训练次数;
步骤S04:利用训练样本对所述人工网络模型进行训练直至满足训练精度要求或对模型的训练已达到最大训练次数后,停止对模型的训练并执行步骤S05;
步骤S05:将测试样本加载到原煤全水分M t的人工神经网络模型并进行测试;
步骤S06:若测试的结果显示模型已满足精度和泛化能力两方面的要求,则模型训练成功,否则返回步骤S03。
进一步地,所述步骤S01中所述磨煤机相关数据包括磨煤机进口一次风量、磨煤机进口一次风温、磨煤机给煤量、磨煤机出口风粉温度、磨煤机运行电流、大气温度、大气相对湿度。
进一步地,所述人工神经网络包括输入层、隐层及输出层;所述输入层为所述磨煤机相关数据;所述隐层为含一定数量的神经元节点;所述输出层为只有一个输出神经元节点即输出磨煤机进口原煤全水分M t。
与现有技术相比,本发明通过神经网络的方法,从磨煤机运行参数、大气参数到原煤全水分Mt的非线性映射模型的建立有效地控制了由于原煤全水分Mt数据缺少而给锅炉安全经济运行、燃烧优化调整带来的困难。
附图说明
图1为本发明的流程框图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种基于神经网络的原煤全水分软测量方法,如图1所示,包括以下步骤:
步骤S01:根据一种类型磨煤机,获取该磨煤机进口、出口相关数据,将获得的数据样本分为训练样本和测试样本;
步骤S02:建立原煤全水分的人工神经网络模型;
步骤S03:确定所述人工网络模型的训练精度或最大训练次数;
步骤S04:利用训练样本对所述人工网络模型进行训练直至满足训练精度要求或对模型的训练已达到最大训练次数后,停止对模型的训练并执行步骤S05;
步骤S05:将测试样本加载到原煤全水分Mt的人工神经网络模型并进行测试;
步骤S06:若测试的结果显示模型已满足精度和泛化能力两方面的要求,则模型训练成功,否则返回步骤S03。
在本实施例中,所述步骤S01中所述磨煤机相关数据包括磨煤机进口一次风量、磨煤机进口一次风温、磨煤机给煤量、磨煤机出口风粉温度、磨煤机运行电流、大气温度、大气相对湿度。
在本实施例中,步骤S01还包括以下步骤:首先收集磨煤机进出口参数(包括进口一次风量、进口一次风温、给煤量及出口风粉温度、磨煤机运行电流);收集大气温度、大气湿度参数;再取样得到原煤样和煤粉样进行原煤工业分析,得到相应的磨煤机进口原煤全水分M t和煤粉水分M pc的数据样本;其次将数据样本分为训练样本和测试样本。
在本实施例中,所述人工神经网络包括输入层、隐层及输出层;所述输入层为所述磨煤机相关数据;所述隐层为含一定数量的神经元节点;所述输出层为只有一个输出神经元节点即输出磨煤机进口原煤全水分M t。
在本实施例中,网络的输入层为:磨煤机进口一次风量、磨煤机进口一次风温、磨煤机给煤量、磨煤机出口风粉温度、磨煤机运行电流、大气温度、大气湿度,是一个七维的输入向量;网络的隐层是含一定数量的神经元节点;网络的输出层只有一个输出神经元节点即输出磨煤机进口原煤全水分M t。
在本实施例中,基于神经网络的软测量方法主要利用磨煤机进出口参数(磨煤机进口一次风量、磨煤机进口一次风温、磨煤机给煤量、磨煤机出口风粉温度)和大气温度、大气湿度,取样得到原煤样和煤粉样进行原煤工业分析(磨煤机进口原煤全水分M t和煤粉水分M pc)等可准确测定的数值进行神经网络建模分析。本发明无需人工干预,节省大量人力且比仪表设备采样化验分析得到的数据更加准确。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于神经网络的原煤全水分软测量方法,其特征在于:包括以下步骤:
步骤S01:根据一种类型磨煤机,获取该磨煤机进口、出口相关数据,将获得的数据样本分为训练样本和测试样本;
步骤S02:建立原煤全水分的人工神经网络模型;
步骤S03:确定所述人工网络模型的训练精度或最大训练次数;
步骤S04:利用训练样本对所述人工网络模型进行训练直至满足训练精度要求或对模型的训练已达到最大训练次数后,停止对模型的训练并执行步骤S05;
步骤S05:将测试样本加载到原煤全水分M t的人工神经网络模型并进行测试;
步骤S06:若测试的结果显示模型已满足精度和泛化能力两方面的要求,则模型训练成功,否则返回步骤S03。
2.根据权利要求1所述的一种基于神经网络的原煤全水分软测量方法,其特征在于:所述步骤S01中所述磨煤机相关数据包括磨煤机进口一次风量、磨煤机进口一次风温、磨煤机给煤量、磨煤机出口风粉温度、磨煤机运行电流、大气温度、大气相对湿度。
3.根据权利要求1所述的一种基于神经网络的原煤全水分软测量方法,其特征在于:所述人工神经网络包括输入层、隐层及输出层;所述输入层为所述磨煤机相关数据;所述隐层为含一定数量的神经元节点;所述输出层为只有一个输出神经元节点即输出磨煤机进口原煤全水分M t。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610960202.XA CN106529671A (zh) | 2016-10-28 | 2016-10-28 | 一种基于神经网络的原煤全水分软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610960202.XA CN106529671A (zh) | 2016-10-28 | 2016-10-28 | 一种基于神经网络的原煤全水分软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529671A true CN106529671A (zh) | 2017-03-22 |
Family
ID=58326929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610960202.XA Pending CN106529671A (zh) | 2016-10-28 | 2016-10-28 | 一种基于神经网络的原煤全水分软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529671A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009580A (zh) * | 2017-11-29 | 2018-05-08 | 上海应用技术大学 | 一种煤调湿出口煤湿度的测量方法 |
CN110084717A (zh) * | 2019-03-25 | 2019-08-02 | 华电电力科学研究院有限公司 | 一种基于bp神经网络的电站锅炉入炉煤水分计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6470261B1 (en) * | 1998-07-31 | 2002-10-22 | Cet Technologies Pte Ltd | Automatic freeway incident detection system and method using artificial neural network and genetic algorithms |
CN102567785A (zh) * | 2011-11-28 | 2012-07-11 | 浙江省电力试验研究院 | 一种基于数值模型的煤元素分析方法 |
CN104634706A (zh) * | 2015-01-23 | 2015-05-20 | 国家电网公司 | 一种基于神经网络的煤粉细度软测量方法 |
CN105139079A (zh) * | 2015-07-30 | 2015-12-09 | 广州时韵信息科技有限公司 | 一种基于混合模型的税收收入预测方法及装置 |
-
2016
- 2016-10-28 CN CN201610960202.XA patent/CN106529671A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6470261B1 (en) * | 1998-07-31 | 2002-10-22 | Cet Technologies Pte Ltd | Automatic freeway incident detection system and method using artificial neural network and genetic algorithms |
CN102567785A (zh) * | 2011-11-28 | 2012-07-11 | 浙江省电力试验研究院 | 一种基于数值模型的煤元素分析方法 |
CN104634706A (zh) * | 2015-01-23 | 2015-05-20 | 国家电网公司 | 一种基于神经网络的煤粉细度软测量方法 |
CN105139079A (zh) * | 2015-07-30 | 2015-12-09 | 广州时韵信息科技有限公司 | 一种基于混合模型的税收收入预测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009580A (zh) * | 2017-11-29 | 2018-05-08 | 上海应用技术大学 | 一种煤调湿出口煤湿度的测量方法 |
CN108009580B (zh) * | 2017-11-29 | 2021-11-23 | 上海应用技术大学 | 一种煤调湿出口煤湿度的测量方法 |
CN110084717A (zh) * | 2019-03-25 | 2019-08-02 | 华电电力科学研究院有限公司 | 一种基于bp神经网络的电站锅炉入炉煤水分计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104634706A (zh) | 一种基于神经网络的煤粉细度软测量方法 | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
Loh et al. | Vibration‐based system identification of wind turbine system | |
CN101131344A (zh) | 一种在线测定烟草干燥特性及动力学分析方法 | |
Clarke | Moisture flow modelling within the ESP-r integrated building performance simulation system | |
Curcio | A multiphase model to analyze transport phenomena in food drying processes | |
Garcia-Ramirez et al. | Smart sensor for online detection of multiple-combined faults in VSD-fed induction motors | |
CN107272661A (zh) | 一种基于机床仿真模型的数控装置运动控制性能测试系统 | |
Rosato et al. | Experimental calibration and validation of a simulation model for fault detection of HVAC systems and application to a case study | |
CN106529671A (zh) | 一种基于神经网络的原煤全水分软测量方法 | |
Rosato et al. | Healthy and faulty experimental performance of a typical HVAC system under Italian climatic conditions: artificial neural network-based model and fault impact assessment | |
CN105865800A (zh) | 燃气轮机试验台测试系统 | |
Yanik et al. | Verification and Validation of Rotating Machinery Using Digital Twin | |
Zhang et al. | Parameters online detection and model predictive control during the grain drying process | |
Emami et al. | Design and implementation of an online precise monitoring and performance analysis system for centrifugal pumps | |
Wang et al. | Thermal parameters inversion method for concrete dam based on optimal temperature measuring point selecting | |
Rao et al. | Vibration based damage identification method for cantilever beam using artificial neural network | |
Gibanica et al. | Spread in modal data obtained from wind turbine blade testing | |
He et al. | Model updating of rotor system based on the adaptive Gaussian process model using unbalance response | |
EP3133452B1 (en) | Energy management system | |
Ayala-Chauvin et al. | IoT Monitoring for Real-Time Control of Industrial Processes | |
Benghozzi et al. | The diagnosis of a gearbox transmission system using electrical control parameters | |
Fontecha et al. | Along-Wind Aerodynamic Damping of Wind Turbine Towers: Determination by Wind Tunnel Tests and Impact on Tower Lifetime | |
CN102062651B (zh) | 热量表温度动态检定方法 | |
Li et al. | Sensor fault localization with accumulated residual contribution rate for bridge SHM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |