CN109146141B - 一种燃煤电站回转式空气预热器漏风率预测方法 - Google Patents
一种燃煤电站回转式空气预热器漏风率预测方法 Download PDFInfo
- Publication number
- CN109146141B CN109146141B CN201810828877.8A CN201810828877A CN109146141B CN 109146141 B CN109146141 B CN 109146141B CN 201810828877 A CN201810828877 A CN 201810828877A CN 109146141 B CN109146141 B CN 109146141B
- Authority
- CN
- China
- Prior art keywords
- data
- leakage rate
- air leakage
- coal
- fired power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012843 least square support vector machine Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000003546 flue gas Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims 4
- 238000005096 rolling process Methods 0.000 abstract description 4
- 239000000779 smoke Substances 0.000 description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000005338 heat storage Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23L—SUPPLYING AIR OR NON-COMBUSTIBLE LIQUIDS OR GASES TO COMBUSTION APPARATUS IN GENERAL ; VALVES OR DAMPERS SPECIALLY ADAPTED FOR CONTROLLING AIR SUPPLY OR DRAUGHT IN COMBUSTION APPARATUS; INDUCING DRAUGHT IN COMBUSTION APPARATUS; TOPS FOR CHIMNEYS OR VENTILATING SHAFTS; TERMINALS FOR FLUES
- F23L15/00—Heating of air supplied for combustion
- F23L15/02—Arrangements of regenerators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E20/00—Combustion technologies with mitigation potential
- Y02E20/34—Indirect CO2mitigation, i.e. by acting on non CO2directly related matters of the process, e.g. pre-heating or heat recovery
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Combustion & Propulsion (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开的一种燃煤电站回转式空气预热器漏风率预测方法，包括以下步骤：获取数据(S1)、数据清洗(S2)、变量筛选(S3)、建立模型(S4)、数据预测(S5)和误差计算及寻优(S6)；其中，所述步骤(S3)是基于相关性分析的输入变量筛选；所述步骤(S4)是基于LSSVM最小二乘支持向量机理论建立漏风率预测模型；所述步骤(S6)采用PSO粒子群算法对预测模型参数进行寻优。该回转式空气预热器漏风率的预测方法，能够进行数据清洗，减小数据的误差；数据驱动建模的方式采用精度较高的数据测点，结果准确性高；模型便于在线计算与滚动更新，能够有效提高燃煤电站回转式空气预热器漏风率预测的准确性和在线实时运算能力。
Description
技术领域
本发明涉及锅炉热工技术与计算机监测交叉技术领域，尤其涉及一种燃煤电站回转式空气预热器漏风率预测方法。
背景技术
近年来，随着燃煤电站锅炉的容量增大与蒸汽参数的提高，具有传热效果好、结构紧凑、占地面积小等优点的回转式空气预热器得以被广泛应用。回转式空气预热器由外围风罩和蓄热转子组成，转子部件由数以万计的蓄热元件组成，蓄热元件在烟气侧吸热，空气侧放热，从而实现烟气向空气的传热。在这过程中，由于空气预热器属于动静连接结构，加上空气侧与烟气侧之间密封度有限，不可避免地会出现漏风。而空气预热器漏风会造成以下不利后果：(1)送风机、引风机电耗相对增大；(2)进风量减少，燃烧不稳定，锅炉出力下降；(3)增大排烟热损，降低锅炉热效率。因此，空气预热器的漏风率是机组运行的一项重要监控指标，是各燃煤电站提高锅炉运行效率、保障电站设备运行安全、降低发电能耗维持经济运行的重要因素。
现阶段，燃煤电站大多基于机理过程的建模估算，采用氧化锆氧量计测量空气预热器出入口氧量，然后根据经验公式粗略估计漏风率，方法相对简单(GB10184-88附录K)。但此方法的测算结果往往受测点等因素影响较大，现场数据误差较大也容易导致测算结果偏差较大，准确性不高，难以在线实时运算。
因此，本领域的技术人员致力于开发一种燃煤电站回转式空气预热器漏风率预测方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是克服传统漏风率计算方法准确性不高以及较难实现在线实时运算等方面不足，提出了一种燃煤电站回转式空气预热器漏风率预测方法。
为实现上述目的，本发明提供了一种燃煤电站回转式空气预热器漏风率预测方法，能够进行数据清洗，减小数据的误差；数据驱动建模的方式采用精度较高的数据测点，结果准确性高；模型便于在线计算与滚动更新，有效提高燃煤电站回转式空气预热器漏风率预测的准确性和在线实时运算能力。
本发明公开的一种燃煤电站回转式空气预热器漏风率预测方法，所述预测方法包括以下步骤：
(S1)获取数据：获取燃煤电站DCS系统的原始数据；
(S2)数据清洗：对原始数据进行清洗，去除其中的异常数据；
(S3)变量筛选：对数据测点进行筛选，筛选结果作为输入集数据测点；
(S4)建立模型：建立漏风率预测模型，将筛选后的测点数据作为模型的输入，并对模型进行训练；
(S5)数据预测：对漏风率进行实时预测；
(S6)误差计算及寻优：计算预测误差，如果预测误差满足要求则不作处理；如果预测误差不满足要求，则对漏风率预测模型进行改进，优化模型参数；
其中，所述步骤(S3)是基于相关性分析的输入变量筛选；所述步骤(S4)是基于LSSVM最小二乘支持向量机理论建立漏风率预测模型；所述步骤(S6)采用PSO粒子群算法对模型参数进行寻优。
进一步地，步骤(S1)中，所述获取数据包括以下步骤：
(S1-1)获取燃煤电站DCS系统中一个时间段的历史测量数据；
(S1-2)基于回转式空气预热器运转机理分析，筛选出与漏风率变化有关的参变量测点；
(S1-3)选取筛选后的测点并涵盖全工况变化范围的一段时间内的历史测量数据作为原始数据集。
进一步地，步骤(S2)中，所述数据清洗包括以下步骤：
(S2-1)对原始数据集中的奇异值数据进行处理；
(S2-2)对原始数据集中的缺失数据进行处理；
(S2-3)对原始数据集中的噪声数据进行处理。
进一步地，步骤(S2-1)中，所述对原始数据集中奇异值数据进行处理包括以下步骤：
(S2-1-1)如果数据值超出了测点量程范围，则判定为数据奇异点，予以剔除；
(S2-1-2)基于回转式空气预热器运转机理分析，如果某测点数据超出正常数值范围，则判定为数据奇异点，予以剔除。
进一步地，步骤(S2-2)中，所述对原始数据集中缺失数据进行处理包括以下步骤：
(S2-2-1)数据缺失率小于设定值10％，则采用统计方法中的前后相邻填充方法进行缺失数据填补；
(S2-2-2)数据缺失率大于或等于设定值10％，则采用关联规则算法的类均值填补算法进行缺失数据填补，选取相关性最大的两个属性作为标准数据对缺失属性进行分组，然后用各组的均值去填补相应的缺失数据。
进一步地，步骤(S2-3)中，所述对原始数据集中噪声数据进行处理，是根据变换后的不同层的噪声估计调整阈值，对信号进行多层分解，并依据所选阈值模式和尺度噪声对噪声数据进行滤波处理。
进一步地，步骤(S3)中，所述对去除异常数据后的各测点数据之间进行相关性分析，是计算各测点数据之间的相关系数，再选取相关系数介于一定范围的一些测点数据作为模型的输入集。
进一步地，步骤(S3)中，所述输入集数据测点为6个参数测点。
进一步地，步骤(S5)中，所述对漏风率进行实时预测是通过代入燃煤电站DCS系统时间较近的时刻的数据，模拟实时采集传输获得的数据。
进一步地，步骤(S6)中，所述对漏风率预测模型进行改进，包括以下步骤：
(S6-1)初始化PSO粒子群算法和LSSVM最小二乘支持向量机模型的参数：群体规模、学习因子、初始权重、终止权重、迭代最大次数、核函数和正规化的参数取值范围；初始化种群粒子速度参数和位置参数，并将位置参数作为PSO粒子群算法的初始解；根据粒子的位置确定LSSVM最小二乘支持向量机模型参数，计算训练样本的训练误差值，计算各个粒子的适应度值；
(S6-2)更新个体最优位置和群体最优位置；比较各个粒子的当前适应度值与其自身的个体最优适应度值，如果当前适应度值更大，则用当前值进行替代；对比群体最优适应度值与各粒子的个体最优适应度值，若存在个体最优适应度值优于群体最优适应度值，则用该个体的最优适应度值代替群体最优适应度值；
(S6-3)采用基于种群活性的粒子群改进算法中的优化操作对种群粒子当前的速度和位置进行进化或变异操作；若进化或变异操作失效，则对个体极值和全局采取极值扰动处理；
(S6-4)根据粒子速度和位置更新方程对种群粒子的速度和位置进行更新，然后开始下一次迭代；
(S6-5)判断是否达到最大迭代次数或满足精度要求，若满足条件则算法搜索结束，将搜寻到的全局最优位置作为模型的最优参数，代入LSSVM最小二乘支持向量机模型进行训练。
本发明的技术效果是：该燃煤电站回转式空气预热器漏风率预测方法，能够进行数据清洗，减小数据的误差；数据驱动建模的方式采用精度较高的数据测点，结果准确性高；模型便于在线计算与滚动更新，能够有效提高燃煤电站回转式空气预热器漏风率预测的准确性和在线实时运算能力。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的模型算法示意图；
图2是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的粒子群算法寻优流程图；
图3是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的拟合结果图；
图4是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的输出误差图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图所示，图1是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的模型算法示意图；图2是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的粒子群算法寻优流程图；图3是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的拟合结果图；图4是本发明的一个较佳实施例的燃煤电站回转式空气预热器漏风率预测方法的输出误差图。
如图1和图2所示，本发明公开的一种燃煤电站回转式空气预热器漏风率预测方法，包括以下步骤：
(S1)获取燃煤电站DCS系统的原始数据，包括DCS系统部分测点所测历史数据，数据集合对应覆盖全工况范围；
(S2)对原始数据进行数据清洗，去除其中包含的异常数据；
(S3)对去除异常后的各测点数据之间进行相关性分析，并根据计算得到的相关系数对数据测点进行筛选，筛选结果作为输入集数据测点；
(S4)采用LSSVM最小二乘支持向量机方法建立回转式空气预热器漏风率预测模型；
(S5)将筛选后的测点作为模型的输入，基于燃煤电站现场数据对漏风率预测模型进行训练，根据实际数据通过空气预热器漏风率预测模型进行实时预测；
(S6)计算预测误差，如果预测误差满足要求则不作处理，如果预测误差不满足要求，则对漏风率预测模型进行改进，采用粒子群算法对模型参数进行寻优处理。
步骤(S1)中，首先获取燃煤电站DCS系统中一个时间段的历史测量数据；基于回转式空气预热器运转机理分析，筛选出与漏风率变化有关的参变量测点若干个，包括测点：锅炉负荷、一次风量、二次风量、烟气含氧量、烟气温度；选取筛选后测点对应的一段时间的历史测量数据作为原始数据集，该段时间对应涵盖全工况变化范围。
步骤(S2)中，对数据奇异突变跳点、数据缺失、数据噪声等数据异常问题进行处理：采用量程检验与机理检验结合的方法，剔除奇异值数据点；采用填补替换等步骤处理数据缺失问题；采用小波去噪的方式进行去除数据噪声的处理。数据去噪时，基于小波变换理论和根据不同层的噪声估计调整阈值对信号进行多层分解，并依据所选阈值模式和尺度噪声对噪声数据进行滤波处理。
对原始数据集中奇异值数据进行处理时，如果数据值超出了测点量程范围，则判定为数据奇异点，予以剔除；从机理角度分析，如果某测点数据超出正常数值范围，则判定为数据奇异点，予以剔除。以排烟温度测点为例，数据清洗时，某时刻或时间段的烟气温度值与前后相邻时刻或时间段烟气温度平均值的偏差过大，超过某一阈值，则认为该时刻或时间段排烟温度数据为奇异值数据；本实例设定偏差阈值为温度均值的20％，若超过这一阈值，则对应采取数据修正或数据填补操作。
对原始数据集中缺失数据进行处理时，当数据缺失率低时，采用统计方法中的前后相邻填充方法进行缺失值填补，即分段线性插值来估计缺失数据；当缺失数据量较大时，采用基于关联规则的类均值填补算法。本实例中，假设设定阈值为10％，如果数据缺失率小于设定值10％，采用统计方法中的前后相邻填充方法进行缺失数据填补；如果数据缺失率大于或等于设定值10％，采用关联规则算法的类均值填补算法进行缺失数据填补，选取相关性最大的两个属性作为标准数据对缺失属性进行分组，然后用各组的均值去填补相应的缺失数据。
以排烟温度测点为例，当任一时刻K的烟气温度数据存在异常或缺失时，判断K+1和K-1两个时刻的烟气温度数据是否存在异常或缺失，若不存在异常或缺失，则求取K+1和K-1两个时刻排烟温度平均值后作为K时刻的排烟温度数据；若存在异常或缺失，则进行数据填补。
步骤(S3)中，选取相关系数介于一定范围的一些测点数据作为模型的输入集；本实例中，模型的输入集包括以下6个数据测点：锅炉负荷、过热蒸汽温度、二次风量、引风机烟气量、空气预热器出口烟气温度、进口空气温度。
步骤(S4)中，采用LSSVM最小二乘支持向量机方法建立回转式空气预热器漏风率预测模型。同时按步骤(S5)，根据实时数据进行模型预测，代入燃煤电站DCS系统时间较近的时刻的数据，模拟实时采集传输获得的数据。
在步骤(S6)中，根据输出误差对漏风率预测模型进一步改进，包括以下步骤：
(S6-1)初始化PSO粒子群算法和LSSVM最小二乘支持向量机模型的参数，如：群体规模、学习因子、初始权重、终止权重、迭代最大次数、核函数和正规化的参数取值范围；初始化种群粒子速度参数和位置参数，并将位置参数作为PSO粒子群算法的初始解；根据粒子的位置确定LSSVM最小二乘支持向量机模型参数，计算训练样本的训练误差值；
(S6-2)计算各个粒子的适应度值，更新个体最优位置和群体最优位置。比较各个粒子的当前适应度值与其自身的个体最优适应度值，如果当前适应度值更大，则用当前值进行替代；对比群体最优适应度值与各粒子的个体最优适应度值，若存在个体最优适应度值优于群体最优适应度值，则用该个体的最优适应度值代替群体最优适应度值；
(S6-3)基于PSO粒子群算法对关键参数即核函数σ和正规化参数γ进行参数寻优，采用基于种群活性的粒子群改进算法中的优化操作对种群粒子当前的速度和位置进行进化或变异操作；若进化或变异操作失效，则对个体极值和全局采取极值扰动处理；
(S6-4)根据粒子速度和位置更新方程对种群粒子的速度和位置进行更新，然后开始下一次迭代；
(S6-5)判断是否达到最大迭代次数或满足精度要求，若满足条件则算法搜索结束，将搜寻到的全局最优位置作为模型的最优参数，代入LSSVM最小二乘支持向量机模型进行训练。
如图3和图4所示，绘制出燃煤电站回转式空气预热器漏风率预测方法的拟合结果图和输出误差图。
针对燃煤电站数据存在的误差问题，对数据进行预处理可以应用的方法还有：统计学相关理论、时间序列、中值滤波、低通滤波、高通滤波等；变量筛选的方式也有多种，不局限于采用相关性分析的方式进行筛选输入变量；软测量建模也可采用人工神经网络、子空间辨识等理论。
相对于传统的漏风率计算方法，该燃煤电站回转式空气预热器漏风率预测方法，能够进行数据清洗，使清洗后的数据保持原有的机理变化规律，减小数据的误差；数据驱动建模的方式采用精度较高的数据测点，结果准确性高；以软测量建模的形式建立黑箱模型，能够实现对任意非线性函数的逼近，解决了燃煤电站锅炉系统中非线性、难以建立精确模型的问题；经过测点相关性分析后将输入变量个数减小到6个，提高了运算速度；基于实际运行中全负荷条件下数据建立的模型，对其它多个工况具有普适性；同时，模型便于在线计算与滚动更新，能够有效提高燃煤电站回转式空气预热器漏风率预测的准确性和在线实时能力。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种燃煤电站回转式空气预热器漏风率预测方法，其特征在于，所述预测方法包括以下步骤：
(S1)获取数据：获取燃煤电站DCS系统的原始数据；
(S2)数据清洗：对原始数据进行清洗，去除其中的异常数据；
(S3)变量筛选：对数据测点进行筛选，筛选结果作为输入集数据测点；
(S4)建立模型：建立漏风率预测模型，将筛选后的测点数据作为模型的输入，并对模型进行训练；
(S5)数据预测：对漏风率进行实时预测；
(S6)误差计算及寻优：计算预测误差，如果预测误差满足要求则不作处理；如果预测误差不满足要求，则对漏风率预测模型进行改进，优化模型参数；
其中，所述步骤(S3)是基于相关性分析的输入变量筛选；所述步骤(S4)是基于LSSVM最小二乘支持向量机理论建立漏风率预测模型；所述步骤(S6)采用PSO粒子群算法对模型参数进行寻优，包括以下步骤：
(S6-1)初始化PSO粒子群算法和LSSVM最小二乘支持向量机模型的参数：群体规模、学习因子、初始权重、终止权重、迭代最大次数、核函数和正规化的参数取值范围；初始化种群粒子速度参数和位置参数，并将位置参数作为PSO粒子群算法的初始解；根据粒子的位置确定LSSVM最小二乘支持向量机模型参数，计算训练样本的训练误差值，计算各个粒子的适应度值；
(S6-2)更新个体最优位置和群体最优位置；比较各个粒子的当前适应度值与其自身的个体最优适应度值，如果当前适应度值更大，则用当前值进行替代；对比群体最优适应度值与各粒子的个体最优适应度值，若存在个体最优适应度值优于群体最优适应度值，则用该个体的最优适应度值代替群体最优适应度值；
(S6-3)采用基于种群活性的粒子群改进算法中的优化操作对种群粒子当前的速度和位置进行进化或变异操作；若进化或变异操作失效，则对个体极值和全局采取极值扰动处理；
(S6-4)根据粒子速度和位置更新方程对种群粒子的速度和位置进行更新，然后开始下一次迭代；
(S6-5)判断是否达到最大迭代次数或满足精度要求，若满足条件则算法搜索结束，将搜寻到的全局最优位置作为模型的最优参数，代入LSSVM最小二乘支持向量机模型进行训练。
2.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S1)中，所述获取数据包括以下步骤：
(S1-1)获取燃煤电站DCS系统中一个时间段的历史测量数据；
(S1-2)基于回转式空气预热器运转机理分析，筛选出与漏风率变化有关的参变量测点；
(S1-3)选取筛选后的测点并涵盖全工况变化范围的一段时间内的历史测量数据作为原始数据集。
3.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2)中，所述数据清洗包括以下步骤：
(S2-1)对原始数据集中的奇异值数据进行处理；
(S2-2)对原始数据集中的缺失数据进行处理；
(S2-3)对原始数据集中的噪声数据进行处理。
4.如权利要求3所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2-1)中，所述对原始数据集中奇异值数据进行处理包括以下步骤：
(S2-1-1)如果数据值超出了测点量程范围，则判定为数据奇异点，予以剔除；
(S2-1-2)基于回转式空气预热器运转机理分析，如果某测点数据超出正常数值范围，则判定为数据奇异点，予以剔除。
5.如权利要求3所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2-2)中，所述对原始数据集中缺失数据进行处理包括以下步骤：
(S2-2-1)数据缺失率小于设定值10％，采用统计方法中的前后相邻填充方法进行缺失数据填补；
(S2-2-2)数据缺失率大于或等于设定值10％，采用关联规则算法的类均值填补算法进行缺失数据填补，选取相关性最大的两个属性作为标准数据对缺失属性进行分组，然后用各组的均值去填补相应的缺失数据。
6.如权利要求3所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2-3)中，所述对原始数据集中噪声数据进行处理，是根据变换后的不同层的噪声估计调整阈值，对信号进行多层分解，并依据所选阈值模式和尺度噪声对噪声数据进行滤波处理。
7.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S3)中，所述对去除异常数据后的各测点数据之间进行相关性分析，是计算各测点数据之间的相关系数，再选取相关系数介于一定范围的一些测点数据作为模型的输入集。
8.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S3)中，所述输入集数据测点为6个参数测点：锅炉负荷、过热蒸汽温度、二次风量、引风机烟气量、空气预热器出口烟气温度、进口空气温度。
9.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S5)中，所述对漏风率进行实时预测是通过代入燃煤电站DCS系统时间较近的时刻的数据，模拟实时采集传输获得的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810828877.8A CN109146141B (zh) | 2018-07-25 | 2018-07-25 | 一种燃煤电站回转式空气预热器漏风率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810828877.8A CN109146141B (zh) | 2018-07-25 | 2018-07-25 | 一种燃煤电站回转式空气预热器漏风率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109146141A CN109146141A (zh) | 2019-01-04 |
| CN109146141B true CN109146141B (zh) | 2021-11-09 |
Family
ID=64798012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810828877.8A Active CN109146141B (zh) | 2018-07-25 | 2018-07-25 | 一种燃煤电站回转式空气预热器漏风率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146141B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711642B (zh) * | 2019-02-01 | 2022-06-07 | 江苏方天电力技术有限公司 | 基于大数据的脱硫系统运行优化方法和系统 |
| CN110427715B (zh) * | 2019-08-08 | 2022-10-14 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| WO2023223448A1 (ja) * | 2022-05-18 | 2023-11-23 | 日本電気株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN117251698B (zh) * | 2023-11-17 | 2024-01-19 | 北京德众国良环保科技有限公司 | 一种基于区块链的饮食业油烟净化在线监控方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101290253A (zh) * | 2007-04-17 | 2008-10-22 | 宝山钢铁股份有限公司 | 烧结环冷机漏风率的在线诊断方法 |
| CN102213708A (zh) * | 2011-04-09 | 2011-10-12 | 山东电力研究院 | 空气预热器漏风率的测试方法 |
| CN103886188A (zh) * | 2014-03-06 | 2014-06-25 | 上海交通大学 | 一种基于压差的回转式空预器漏风率的实时估计方法 |
| CN106503788A (zh) * | 2016-10-28 | 2017-03-15 | 中国矿业大学 | 基于自适应粒子群的最小二乘支持向量机预测方法 |
| KR101742291B1 (ko) * | 2015-12-16 | 2017-05-30 | 한전케이피에스 주식회사 | 회전 재생식 공기예열기용 갭 측정 장치 및 이를 갖는 회전 재생식 공기예열기 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
-
2018
- 2018-07-25 CN CN201810828877.8A patent/CN109146141B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101290253A (zh) * | 2007-04-17 | 2008-10-22 | 宝山钢铁股份有限公司 | 烧结环冷机漏风率的在线诊断方法 |
| CN102213708A (zh) * | 2011-04-09 | 2011-10-12 | 山东电力研究院 | 空气预热器漏风率的测试方法 |
| CN103886188A (zh) * | 2014-03-06 | 2014-06-25 | 上海交通大学 | 一种基于压差的回转式空预器漏风率的实时估计方法 |
| KR101742291B1 (ko) * | 2015-12-16 | 2017-05-30 | 한전케이피에스 주식회사 | 회전 재생식 공기예열기용 갭 측정 장치 및 이를 갖는 회전 재생식 공기예열기 |
| CN106503788A (zh) * | 2016-10-28 | 2017-03-15 | 中国矿业大学 | 基于自适应粒子群的最小二乘支持向量机预测方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于神经网络的锅炉系统漏风状况监测与诊断;王广军;《中国电机工程学报》;20021130;141-145页 * |
| 燃煤电站锅炉受热面灰污监测与控制问题研究;刘正峰;《中国优秀硕士学位论文全文数据库》;20160215;正文部分第25-76页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109146141A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146141B (zh) | 一种燃煤电站回转式空气预热器漏风率预测方法 | |
| CN110618610A (zh) | 基于LSTM深度学习的燃机NOx超标预警方法与装置 | |
| CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
| CN111754093A (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
| CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
| CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
| CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN113107785A (zh) | 一种风电机组功率性能异常的实时监测方法及装置 | |
| CN110701796A (zh) | 一种基于云预测算法的热水系统节能控制系统 | |
| CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
| CN117932501A (zh) | 一种电能表运行状态管理方法和系统 | |
| CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
| CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及系统 | |
| CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
| CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
| CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
| CN114565186A (zh) | 一种基于广义回归神经网络的预测风速校正方法和系统 | |
| Zheng et al. | Prediction of NOx concentration from coal combustion using LS-SVR | |
| CN113609929A (zh) | 基于e-a的蓄热电锅炉日前功率调节裕度预测方法 | |
| Li et al. | Research on Gray Prediction of Heated Surface Combining Empirical Mode Decomposition and Long Short-term Memory Network | |
| CN117494910B (zh) | 一种基于碳减排的多能源协调优化控制系统及方法 | |
| CN118066564B (zh) | 一种加热炉低氧燃烧的多变量控制系统 | |
| Tang et al. | Computer Prediction Model of Heat Consumption in Thermal System of Coal-Fired Power Station Based on Big Data Analysis and Information Sorting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |