CN107742000B - 锅炉燃烧含氧量建模方法 - Google Patents

Abstract

本发明公开了一种锅炉燃烧含氧量建模方法，先通过采集锅炉燃烧系统的总风量、总煤量、炉膛氧量的历史大数据作为原始数据，然后利用最优匹配增权法删选出表征系统特性的样本数据集，再在经典神经网络模型的基础上，利用贝叶斯算法进行改进，将权值作为整个权空间的概率分布，利用随机模拟的计算方法得到概率意义下的近似全局最优解，将权值寻优问题转化为求解正则误差函数最小值问题，最终获得锅炉燃烧含氧量建模结果。本发明能够使数据集得以简化，为大数据与智能辨识方法结合进行动态系统辨识提供了参考，实用性较强，对提高火电厂的燃烧效率具有重要的现实意义。

Description

锅炉燃烧含氧量建模方法

技术领域

本发明涉及信息控制技术领域，特别是涉及一种锅炉燃烧含氧量建模方法。

背景技术

截至2016年12月底，我国发电装机容量16.5亿千瓦，其中，水电3.32亿千瓦，占总装机容量的20％；火电10.53亿千瓦，占总装机容量的64％；核电0.34亿千瓦，占总装机容量的2％；并网风电1.48亿千瓦，占总装机容量的9％；并网光伏0.77亿千瓦，占总装机容量的5％。火力发电依然是我国主要的发电形式，然而，随着经济进入新常态，面对资源和环境的双重约束，火电行业面临的形式越来越严峻。2016年4月份，国家发改委、国家能源局围绕“淘汰煤电落后产能”、“促进我国煤电有序发展”、“建设煤电建设风险预警机制”连发三文，更是意味着火力发电技术的转型升级迫在眉睫，必须进入清洁高效的发展阶段，才能适应时代与社会的发展。

近年来，智能制造在火力发电热度高涨，大数据是各领域研究的热点方向，其目标之一是根据数据分析结果自动调整控制策略和管理方式，来保证火电机组正常运行，使电厂生产长期处于安全、经济和环保运行状态中。锅炉燃烧系统作为火电厂能源消耗的主要设备，其出口烟气含氧量能直观的反映出燃烧效率。目前虽然已有针对锅炉燃烧系统进行神经网络等智能算法建模的研究，这些建模方法的实用性均较差，对提高火电厂的燃烧效率没有实际指导意义。

发明内容

为此，本发明的一个实施例提出一种锅炉燃烧含氧量建模方法，解决现有的建模方法实用性较差，对提高火电厂的燃烧效率没有实际指导意义的问题。

根据本发明一实施例的锅炉燃烧含氧量建模方法，包括：

(1)原始数据的采集

采集锅炉燃烧系统的总风量、总煤量、炉膛氧量的历史大数据作为原始数据，建立总风量、总煤量、炉膛氧量的函数关系，获得原样本数列；

(2)利用最优匹配增权法删选出表征系统特性的样本数据集

采用近邻法选出待定样本集；

以所述待定样本集作为滑动窗口遍历所述原样本数列，得到一组滑动相似度；

利用所述滑动相似度形成最优权重，加权得到不等长序列的相似度；

根据所述相似度的大小对所述原样本数列和所述待定样本集进行关联判决，并作为修正近邻法的距离值的依据，以删选出与所述原始数据关联度最大的样本，作为所述样本数据集；

(3)根据所述样本数据集利用贝叶斯改进的神经网络模型进行训练后建立出系统模型

将权值作为整个权空间的概率分布，所述样本数据集的原始分布为先验分布，进行数据训练之后构造后验分布，将分析问题转化为概率模型，利用随机模拟的计算方法得到概率意义下的近似全局最优解，将权值寻优问题转化为求解正则误差函数最小值问题，以获得锅炉燃烧含氧量建模结果。

根据本发明实施例的锅炉燃烧含氧量建模方法，是基于大数据和神经系统的锅炉燃烧含氧量建模方法，利用最优匹配增权法对样本数据与原始大数据进行关联性分析，删选出良好的系统样本数据集，使数据集得以简化，并利用贝叶斯算法进行改进经典神经网络进行建模，该过程为大数据与智能辨识方法结合进行动态系统辨识提供了参考，实用性较强，对提高火电厂的燃烧效率具有重要的现实意义。

另外，根据本发明上述实施例的锅炉燃烧含氧量建模方法，还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，所述采用近邻法选出待定样本集的步骤包括：在所述原始数据中按相同间隔选取n个数据组，每个所述数据组均包含当前时间点总煤量、总风量、炉膛氧量三个特征，并存储为初始训练样本集X_i；

当输入新的测试样本x_i时，根据以下公式计算所述测试样本x_i与所述初始训练样本集X_i中的每个初始训练样本之间的欧式距离Ed：

当测试样本x_i与X_i的欧氏距离为一预设的较小值α时，判定所述初始训练样本集X_i中已存在x_i的近邻值，x_i不需要加入训练样本集X_i；

反之，当测试样本xi与X_i的欧氏距离不等于所述较小值α时，则判定所述测试样本可以体现不同的系统特征，将xi选入X以完善所述初始训练样本集X_i，并遍历整个原始数据集，最终得到所述待定样本集。

进一步地，在本发明的一个实施例中，所述根据所述样本数据集利用贝叶斯改进的神经网络模型进行训练后建立出系统模型的步骤具体包括：

根据贝叶斯原理，采用以下公式计算权值向量的后验概率，

其中P(ω)是权向量ω的先验概率分布，P(D|ω)为似然函数，P(D)是和ω无关的常量，为样本的分布；

定义ω的先验分布是指数

型分布，具体如下：

其中，

s为ω的维数，Z_ω(α)为归一化因子，α为超参数；设定目标值为y，则似然函数如下式：

其中，Z_D(β)为归一化因子，β为超参数；

根据式(1)、(2)，得出后验概率分布为：

其中，S(ω)＝E_D(ω)+E(ω)为正则误差函数，Z_s(α,β)为归一化因子，且：

Z_s(α,β)＝∫e^-s(ω)dω

若权值矩阵ω使得后验分布概率P(ω|D)取得最大值，则S(ω)在该权值矩阵ω取得最小值；最终将权值寻优问题转化为求解S(ω)最小值问题，从而最终获得锅炉燃烧含氧量建模。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明实施例的锅炉燃烧含氧量建模方法的流程图；

图2是根据本发明实施例的锅炉燃烧含氧量建模方法中使用最优匹配增权法删选样本数据流程图；

图3是传统方法中经典BP神经网络训练、测试的结果示意图。；

图4是根据本发明实施例的锅炉燃烧含氧量建模方法中贝叶斯神经网络训练、测试结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出的锅炉燃烧含氧量建模方法，至少包括以下步骤：

S1，原始数据的采集

采集锅炉燃烧系统的总风量、总煤量、炉膛氧量的历史大数据作为原始数据，建立总风量、总煤量、炉膛氧量的函数关系，获得原样本数列；

S2，利用最优匹配增权法删选出表征系统特性的样本数据集

采用近邻法选出待定样本集；

以所述待定样本集作为滑动窗口遍历所述原样本数列，得到一组滑动相似度；

利用所述滑动相似度形成最优权重，加权得到不等长序列的相似度；

根据所述相似度的大小对所述原样本数列和所述待定样本集进行关联判决，并作为修正近邻法的距离值的依据，以删选出与所述原始数据关联度最大的样本，作为所述样本数据集；

S3，根据所述样本数据集利用贝叶斯改进的神经网络模型进行训练后建立出系统模型

将权值作为整个权空间的概率分布，所述样本数据集的原始分布为先验分布，进行数据训练之后构造后验分布，将分析问题转化为概率模型，利用随机模拟的计算方法得到概率意义下的近似全局最优解，将权值寻优问题转化为求解正则误差函数最小值问题，以获得锅炉燃烧含氧量建模结果。

本实施例提出的锅炉燃烧含氧量建模方法的详细流程图可以参见图1，具体执行步骤可以包括：

开始；

读取训练输入、输出数据；

数据降噪、零初始、归一化处理；

利用最优匹配增权法进行样板选择，对样板进行归一化处理，保持归一化参数；

设置学习率、学习次数，训练贝叶斯神经网络；

判断均方差是否小于105，或者是否达到学习次数；

若上述两个条件值至少一个为否，则调整学习率、神经元个数、激励函数参数，并返回设置学习率、学习次数，训练贝叶斯神经网络的步骤；

若上述两个条件值均为是，则分析模型预测结果；

结束。

其中，所述步骤S2中采用近邻法选出待定样本集的步骤包括：

在所述原始数据中按相同间隔选取n个数据组，每个所述数据组均包含当前时间点总煤量、总风量、炉膛氧量三个特征，并存储为初始训练样本集X_i；

当输入新的测试样本x_i时，根据以下公式计算所述测试样本x_i与所述初始训练样本集X_i中的每个初始训练样本之间的欧式距离Ed：

当测试样本x_i与X_i的欧氏距离为一预设的较小值α时，判定所述初始训练样本集X_i中已存在x_i的近邻值，x_i不需要加入训练样本集X_i；

反之，当测试样本xi与X_i的欧氏距离不等于所述较小值α时，则判定所述测试样本可以体现不同的系统特征，将xi选入X以完善所述初始训练样本集X_i，并遍历整个原始数据集，最终得到所述待定样本集。

其中，所述根据所述样本数据集利用贝叶斯改进的神经网络模型进行训练后建立出系统模型的步骤具体包括：

根据贝叶斯原理，采用以下公式计算权值向量的后验概率，

其中P(ω)是权向量ω的先验概率分布，P(D|ω)为似然函数，P(D)是和ω无关的常量，为样本的分布；

定义ω的先验分布是指数

型分布，具体如下：

其中，

s为ω的维数，Z_ω(α)为归一化因子，α为超参数；设定目标值为y，则似然函数如下式：

其中，Z_D(β)为归一化因子，β为超参数；

根据式(1)、(2)，得出后验概率分布为：

其中，S(ω)＝E_D(ω)+E(ω)为正则误差函数，Z_s(α,β)为归一化因子，且：

Z_s(α,β)＝∫e^-S(ω)dω

若权值矩阵ω使得后验分布概率P(ω|D)取得最大值，则S(ω)在该权值矩阵ω取得最小值；最终将权值寻优问题转化为求解S(ω)最小值问题，从而最终获得锅炉燃烧含氧量建模。

最为一个具体示例，在步骤S2利用最优匹配增权法删选出表征系统特性的样本数据集中，使用最优匹配增权法删选样本数据的具体步骤包括：

1、使用近邻法得到样本集T

例如在数据中按相同间隔选取200个数据组(每个数据组包含当前时间点总煤量、总风量、炉膛氧量三个特征)存储为初始训练样本集X，由于数据量大、采集时间长，可认为数据之间是明显不相同的，均为不近邻；

1)当输入新的测试样本x_i时，计算该样本与初始训练样本之间的相似度：

2)若测试样本x_i与X的相似度大于值α，则说明样本集X中已存在x_i的近邻值，则x_i不需要加入训练样本集X；反之，则说明该样本可以体现不同的系统特征，需要将x_i选入X以完善样本集；

3)重复2)～3)，遍历全部数据后得到最终样本集。所有样本均按照时间顺序排列以保留系统的动态特性。

2、原始数据集为X(3×1矩阵)，利用近邻法选出的初始样本集为T(3×1矩阵)，将Ti(i＝1,2,3)作为滑动窗口，沿对应的Xi(i＝1,2,3)序列依次滑动一个窗口单位，直至遍历Xi序列。

滑动的同时计算T与对应窗口的滑动相似度Si:

其中Di为T与当前滑动到的序列之间的欧式距离，而D_max是所有距离的最大值。遍历完成后，可得到滑动相似度序列S，根据相似度的大小定义权重：

3、依据最优匹配增权法对滑动相似度加权，最终得到当前样本序列T与原始数据之间的相似度：

Sim_i＝∑(ω_i×s_i) (5)

根据Sim_i的大小，修正近邻法中欧式距离的判定值α，最终选取Sim_i最大的一组数据集作为样本集。完成数据平滑、去除趋势性、归一化等步骤后，进行样本删选，具体流程图如图2。

本实施例中，步骤S3中，基于贝叶斯神经网络建模具体可以采用如下方法：

经典的BP(back propagation)神经网络在初始权值、初始学习率值、隐含层层数、隐含层单元数等的设置都没有准确的理论依据指导，存在易陷入局部最优、学习速度慢等弊端。贝叶斯算法是一种分类型知识算法，它基于统计学，着眼于权值在整个权空间的概率分布，原始分布是一个先验分布，进行数据训练之后构造后验分布，将传统的分析问题转化为概率模型，利用随机模拟的计算方法得到概率意义下的近似全局最优解。

神经网络训练的最终目的是找到合适的权向量ω，使得均方根误差E取得最小值。根据贝叶斯原理，权值向量的后验概率如式(7)，

其中P(ω)是权向量ω的先验概率分布，P(D|ω)为似然函数，P(D)是和ω无关的常量，为样本的分布。假设ω的先验分布是指数型分布如式(8)。

其中，

s为ω的维数，Z_ω(α)为归一化因子，α为超参数。

假设目标值为y，则似然函数如式(9)。

其中，Z_D(β)为归一化因子，β为超参数。由式(8)、(9)可知，后验概率分布为：

其中，S(ω)＝E_D(ω)+E(ω)为正则误差函数，Z_s(α,β)为归一化因子，且：

Z_s(α,β)＝∫e^-S(ω)dω (11)

若权值矩阵ω使得后验分布概率P(ω|D)取得最大值，则S(ω)在该权值矩阵ω取得最小值。由此，将权值寻优问题转化为求解S(ω)最小值问题。

下面以一个实例对本发明进行进一步的说明：

为验证建模方法的有效性，采集某超临界机组锅炉历史运行数据，选择总燃料量及总风量作为模型输入量，炉膛氧量作为模型输出量，共采集了65536组数据，采样间隔为1s。初始时系统平稳，随后降低30％负荷，待系统稳定后，再升30％负荷，直至系统再次达到稳定。升、降负荷时，负荷变化率有所不同，分别为2MW/min、1.5MW/min，同时过程中尽量维持主汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、低压缸排汽压力等参数稳定。

若全部作为样本用来训练，不仅会导致神经网络收敛慢，更可能因过度学习包含误差的数据造成模型过拟合或欠拟合。首先将数据进行数据平滑、去除趋势性、归一化，在通过最优匹配增权法删选后，最终选取438个样本用以训练，样本集与原数据的相似度为0.7483。

在训练模型中，设置学习率为0.01，学习次数为30000次，经典神经网络经过30000次学习后，仍未能收敛，此时训练均方差为0.1559。而贝叶斯神经网络经1473次学习后收敛，训练均方差为0.0165，训练结果如图3、图4所示。贝叶斯神经网络的降30％负荷测试均方差0.2393，升30％负荷测试均方差0.1907。

将本发明中的贝叶斯BP样本训练结果与经典BP的结果进行对比，可以得到下表1.

表1经典BP与贝叶斯BP样本训练结果比较

从表1中可明显看出贝叶斯神经网络收敛速度比经且均方差更是减小了一个数量级。同时，由于升、降负荷阶段的负荷变化率有所不同且非线性更大，导致系统升、降阶段测试的误差较大，降负荷时测试输出值存在最大误差0.9395，升负荷时存在最大误差为0.6782，系统达到稳态时段的误差基本在0.2以内。说明本发明提供的基于大数据和神经系统的锅炉燃烧含氧量建模方法大数据与智能辨识方法结合进行动态系统辨识提供了参考，实用性较强，对提高火电厂的燃烧效率具有重要的现实意义。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种锅炉燃烧含氧量建模方法，其特征在于，包括：

(1)原始数据的采集

采集锅炉燃烧系统的总风量、总煤量、炉膛氧量的历史大数据作为原始数据，建立总风量、总煤量、炉膛氧量的函数关系，获得原样本数列；

(2)利用最优匹配增权法删选出表征系统特性的样本数据集

采用近邻法选出待定样本集；

以所述待定样本集作为滑动窗口遍历所述原样本数列，得到一组滑动相似度；

利用所述滑动相似度形成最优权重，加权得到不等长序列的相似度；

根据所述相似度的大小对所述原样本数列和所述待定样本集进行关联判决，并作为修正近邻法的距离值的依据，以删选出与所述原始数据关联度最大的样本，作为所述样本数据集；

(3)根据所述样本数据集利用贝叶斯改进的神经网络模型进行训练后建立出系统模型

将权值作为整个权空间的概率分布，所述样本数据集的原始分布为先验分布，进行数据训练之后构造后验分布，将分析问题转化为概率模型，利用随机模拟的计算方法得到概率意义下的近似全局最优解，将权值寻优问题转化为求解正则误差函数最小值问题，以获得锅炉燃烧含氧量建模结果。

2.根据权利要求1所述锅炉燃烧含氧量建模方法，其特征在于，所述采用近邻法选出待定样本集的步骤包括：

在所述原始数据中按相同间隔选取n个数据组，每个所述数据组均包含当前时间点总煤量、总风量、炉膛氧量三个特征，并存储为初始训练样本集X_i；

当输入新的测试样本x_i时，根据以下公式计算所述测试样本x_i与所述初始训练样本集X_i中的每个初始训练样本之间的欧式距离Ed：

当测试样本x_i与X_i的欧氏距离为一预设的较小值α时，判定所述初始训练样本集X_i中已存在x_i的近邻值，x_i不需要加入训练样本集X_i；

反之，当测试样本xi与X_i的欧氏距离不等于所述较小值α时，则判定所述测试样本可以体现不同的系统特征，将xi选入X以完善所述初始训练样本集X_i，并遍历整个原始数据集，最终得到所述待定样本集。

3.根据权利要求1所述锅炉燃烧含氧量建模方法，其特征在于，所述根据所述样本数据集利用贝叶斯改进的神经网络模型进行训练后建立出系统模型的步骤具体包括：

根据贝叶斯原理，采用以下公式计算权值向量的后验概率，

其中P(ω)是权向量ω的先验概率分布，P(D|ω)为似然函数，P(D)是和ω无关的常量，为样本的分布；

定义ω的先验分布是指数

型分布，具体如下：

其中，

s为ω的维数，Z_ω(α)为归一化因子，α为超参数；设定目标值为y，则似然函数如下式：

其中，Z_D(β)为归一化因子，β为超参数；

根据式(1)、(2)，得出后验概率分布为：

其中，S(ω)＝E_D(ω)+E(ω)为正则误差函数，Z_s(α,β)为归一化因子，且：

Z_s(α,β)＝∫e^-s(ω)dω

若权值矩阵ω使得后验分布概率P(ω|D)取得最大值，则S(ω)在该权值矩阵ω取得最小值；最终将权值寻优问题转化为求解S(ω)最小值问题，从而最终获得锅炉燃烧含氧量建模。

Images