CN109670629B - 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 - Google Patents

Abstract

本申请提出了一种基于长短期记忆神经网络的燃煤锅炉热效率预测方法。属于效率预测领域，包括按时间维度收集相关历史数据，形成影响因子数据序列，收集锅炉运行中排出的煤灰和煤渣，检测其中的含碳量作为样本的输出数据。将样本集时间序列数据输入长短期记忆神经网络进行训练。训练完成后，将待预测的锅炉实时数据输入长短期记忆神经网络，得出锅炉预测热效率。本申请能够挖掘并记忆锅炉连续运行过程中参数自身变化与热效率影响的客观规律，克服锅炉持续性燃烧调整的工况叠加带来的预测误差，提高学习效率，提升预测精度。

Description

基于长短期记忆神经网络的燃煤锅炉热效率预测方法

技术领域

本申请属于效率预测领域，特别涉及基于长短期记忆神经网络的燃煤锅炉热效率预测方法。

背景技术

燃煤锅炉的热效率受到多种热损失的影响，以机械不完全燃烧损失q4受燃煤锅炉燃烧状况影响最为复杂，煤灰和煤渣中的含碳量受燃煤锅炉煤种和多组运行参数互相影响，数据关系性很难以常规的计算公式表达。

行业内已有的燃煤锅炉的热效率预测方法主要有三类：

第一类是采用灰箱建模方法应用于电站燃煤锅炉效率预测。首先，根据相关燃煤锅炉效率的简化计算公式，获取燃煤锅炉效率预估先验知识；然后构造燃煤锅炉效率的灰箱模型；最后，以机理模型为标准，进行灰箱模型预测能力的评估。灰箱模型具有样本需求量少、计算工作量小、过程简单等特点。但该方法也具有容错性小，很大程度依赖主观先验知识，不适合进行长期预测的缺陷。

第二类多元线性回归分析法快速预测蒸汽燃煤锅炉热效率，该方法对影响燃煤锅炉热效率的因素进行了分析和讨论，利用燃煤锅炉的实测热工性能试验数据作为验证试验，基于对燃煤锅炉能效测试数据的分析建立多元线性回归分析模型，应用于燃天然气蒸汽燃煤锅炉热效率的实际预测。该预测方法可充分利用燃煤锅炉现场的试验数据进行分析建模，具有一定的研究价值和客观实用性。但是该方法无法克服燃煤锅炉持续性燃烧调整的工况叠加带来的预测误差，同时对非线性规律无法准确分析。

第三类是利用反向传播BP神经网络建立燃煤锅炉热效率和NOx排放预测模型，用以预测燃煤锅炉热效率和NOx排放特性。收集燃煤锅炉热效率预测的校验样本进行评估，结果表明模型具有良好的准确性和泛化性，对实际的电站燃煤锅炉燃烧效率预测具有一定的指导意义。但是该方法同样无法克服燃煤锅炉持续性燃烧调整的工况叠加带来的预测误差等缺陷。

发明内容

为了解决现有技术中存在的缺点和不足，本申请提供了用于提高预测精度的基于长短期记忆神经网络的燃煤锅炉热效率预测方法。

为了达到上述技术目的，本申请提供了基于长短期记忆神经网络的燃煤锅炉热效率预测方法，所述预测方法，包括：

按时间维度采集包括燃煤锅炉负荷在内的燃煤锅炉参数，得到样本集时间序列数据；

在样本集时间序列数据中提取影响因子数据和输出数据，对影响因子数据和输出数据进行基于Z-Score方法的标准化处理；

在标准化处理后的影响因子数据中选取特征进行基于累计贡献度阈值调整的主成分分析过程，得到主成分特征组合；

将得到的主成分特征组合以及标准化处理后的输出数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；

将燃煤锅炉当前的实时运行数据导入长短期神经网络预测模型中进行运算，得到针对燃煤锅炉热效率的预测结果。

可选的，所述在样本集时间序列数据中提取影响因子数据和输出数据，对影响因子数据和输出数据进行基于Z-Score方法的标准化处理，包括：

获取影响因子数据和输出数据中目标类数据的均值，以及目标类数据中每个数据相对于均值的标准差；

基于Z-Score标准化处理公式针对得到的均值和标准差对所述目标类数据中的每个数据进行调整，得到标准化处理后的影响因子数据以及标准化处理后的输出数据。

可选的，所述Z-Score标准化处理公式，包括：

公式一中，X代表影响因子数据和输出数据中的因子，μ为因子X的平均值，X_zs为标准化处理后的输出数据，σ为因子X的标准差。

可选的，所述在标准化处理后的影响因子数据中选取特征进行基于累计贡献度阈值调整的主成分分析过程，得到主成分特征组合，包括：

基于标准化处理后的影响因子数据中的数据构建原始影响因子样本矩阵X_zs的协方差矩阵S，计算协方差矩阵S的特征值序列以及与特征值序列对应的特征向量序列；

将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前k行构成矩阵A；

结合已得到的样本矩阵X_zs计算降维至k维后的数据集，降维后的数据集中的元素即为主成分特征组合。

可选的，所述将得到的主成分特征组合以及标准化处理后的输出数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型，包括：

采用Adam训练算法对长短期记忆神经网络进行训练，选用均方误差MSE作为Adam训练算法的误差计算公式，设定损失函数值最小为优化目标，结合网络初始化的随机种子数seed、初始学习率η以及最大迭代次数Maxit对长短期记忆神经网络进行训练，得到长短期记忆神经网络预测模型。

可选的，所述将燃煤锅炉当前的实时运行数据导入长短期神经网络预测模型中进行运算，得到针对燃煤锅炉热效率的预测结果，包括：

将燃煤锅炉当前的实时运行数据进行基于Z-Score方法的标准化处理，对标准化处理后的结果进行主成分特征转换；

将转换后的数据导入长短期神经网络预测模型中进行运算，将得到的运算结果进行逆向标准化处理，到的处理结果为针对燃煤锅炉热效率的预测结果。

本申请提供的技术方案带来的有益效果是：

通过引入记忆神经元，能够对长周期的持续性时间序列数据进行深入挖掘，可以克服锅炉持续性燃烧调整的工况叠加带来的预测误差。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的基于长短期记忆神经网络的燃煤锅炉热效率预测方法的流程示意图；

图2是本申请提供的包含记忆单元的长短期记忆神经网络的记忆模块示意图。

具体实施方式

为使本申请的结构和优点更加清楚，下面将结合附图对本申请的结构作进一步地描述。

实施例一

本申请提供了基于长短期记忆神经网络的燃煤锅炉热效率预测方法，如图1所示，所述预测方法，包括：

11、按时间维度采集包括燃煤锅炉负荷在内的燃煤锅炉参数，得到样本集时间序列数据；

12、在样本集时间序列数据中提取影响因子数据和输出数据，对影响因子数据和输出数据进行基于Z-Score方法的标准化处理；

13、在标准化处理后的影响因子数据中选取特征进行基于累计贡献度阈值调整的主成分分析过程，得到主成分特征组合；

14、将得到的主成分特征组合以及标准化处理后的输出数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；

15、将燃煤锅炉当前的实时运行数据导入长短期神经网络预测模型中进行运算，得到针对燃煤锅炉热效率的预测结果。

在实施中，本实施例提出的预测方法提出了一种基于长短期记忆神经网络的燃煤锅炉热效率预测方法，借助锅炉连续运行过程中参数自身变化与热效率影响的客观规律，克服锅炉持续性燃烧调整的工况叠加带来的预测误差，提高学习效率，提升预测精度。

相对于现有技术中的浅层学习方法存在的无法深入挖掘锅炉热负荷数据的随机性和非线性特征的缺陷。长短期记忆神经网络属于深度学习神经网络算法的一种应用，能够较好的解决系统非线性、主观性、高维度、准确性等问题，具有较好的稳定性及鲁棒性，泛化能力强，适用于燃煤锅炉热负荷预测这样的复杂非线性系统。锅炉燃烧过程属于持续性工艺流程，当前运行工况会受到前N个周期的工况叠加影响。长短期记忆神经网络通过引入记忆神经元，能够对长周期的持续性时间序列数据进行深入挖掘，可以克服锅炉持续性燃烧调整的工况叠加带来的预测误差。因此，本申请采用长短期记忆神经网络对燃煤锅炉热效率进行建模预测。

基于对长短期记忆神经网络的描述，步骤11中涉及到的样本集时间序列数据是用燃煤锅炉所在企业分布式控制系统(Distributed Control System，DCS)采集给定时间段的历史数据进行采样和整理。其中影响因子数据的选取包括：锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压等参数。

需要注意的是，步骤11中提及到的按时间维度采集影响因子数据，以1小时为时间间隔，对影响因子历史数据按平均值进行聚合，按历史数据的时间先后顺序组成样本集时间序列数据。

燃煤锅炉的热效率受到多种热损失的影响，以机械不完全燃烧损失q4受锅炉燃烧状况影响最为复杂。通过收集锅炉运行中排出的煤灰和煤渣，检测其中的含碳量，对比原料煤中的含碳量检测数据，计算锅炉热效率作为样本的输出数据。

可选的，步骤12给出的标准化处理，包括：

121、获取影响因子数据和输出数据中目标类数据的均值，以及目标类数据中每个数据相对于均值的标准差；

122、基于Z-Score标准化处理公式针对得到的均值和标准差对所述目标类数据中的每个数据进行调整，得到标准化处理后的影响因子数据以及标准化处理后的输出数据。

在实施中，之所以对训练样本中的影响因子数据和输出数据进行标准化处理，是由于锅炉负荷、省煤器出口氧量等参数的值域范围无法限定，不能预设最小值和最大值，因此采用Z-Score标准化方法对训练样本进行标准化，根据每一个特征的值落在均值上下的标准差的数量来重新调整每一个特征的值。标准化处理可以消除影响因子数据量纲差异对预测结果产生的影响。

标准化处理过程中使用的Z-Score通过X-μ/σ将两组或多组数据转化为无单位的Z-Score分值，使得数据标准统一化，提高了数据可比性，削弱了数据解释性。

其中Z-Score标准化处理公式，包括：

公式一中，X代表影响因子数据和输出数据中的因子，μ为因子X的平均值，X_zs为标准化处理后的输出数据，σ为因子X的标准差。

标准差σ的计算方式为

其中x_i表示因子X的第i个取值。

可选的，步骤13提出的主成分分析过程，具体包括：

131、基于标准化处理后的影响因子数据中的数据构建原始影响因子样本矩阵X_zs的协方差矩阵S，计算协方差矩阵S的特征值序列以及与特征值序列对应的特征向量序列；

132、将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前k行构成矩阵A；

133、结合已得到的样本矩阵X_zs计算降维至k维后的数据集，降维后的数据集中的元素即为主成分特征组合。

在实施中，本步骤进行的对训练样本的影响因子数据进行基于累积贡献度阈值调整的主成分分析，目的在于将原来具有一定相关性的影响因子，重新组合成一组较低维数互相无关的影响因子来概括最重要特征，具体包括：

1)计算原始影响因子样本矩阵X_zs的协方差矩阵S；

2)计算协方差矩阵S的特征值t₁,t₂,t₃···t_n及对应的特征向量e₁,e₂,e₃···e_n；

3)特征值从大到小排列，特征向量和特征值对应从大到小排列；

4)将特征向量按对应特征值大小从上到下按行排列成矩阵，按照累计贡献率达到90％以上的要求，取前k行组成矩阵A(为k*n维矩阵)；

5)根据公式Y＝A^T*X_zs计算降维到k维后的数据集，形成降维后的主成分特征组合y₁,y₂,y₃···y_k。

对原始训练样本的影响因子数据使用基于累积贡献度阈值调整的主成分分析，将原来具有一定相关性的影响因子，重新组合成一组较低维数互相无关的影响因子，来概括最重要特征，可加快模型收敛速度，降低过拟合风险。

可选的，步骤14提出的得到长短期记忆神经网络预测模型，包括：

141、采用Adam训练算法对长短期记忆神经网络进行训练。

142、选用均方误差MSE作为Adam训练算法的误差计算公式，设定损失函数值最小为优化目标，结合网络初始化的随机种子数seed、初始学习率η以及最大迭代次数Maxit对长短期记忆神经网络进行训练，得到长短期记忆神经网络预测模型。

在实施中，长短期记忆神经网络结构由N个相互联系的递归子网络组成，也就是记忆模块。每个记忆模块包含了三个门(forget gate、input gate、output gate)与一个记忆单元(cell)，它们分别对应着锅炉主成分特征样本数据序列的写入、读取和先前状态的重置(reset)操作。具体图2是一个包含记忆单元的长短期记忆神经网络的记忆模块示意图。

长短期记忆神经网络的记忆模块执行步骤具体如下：

步骤一、样本数据序列输入“forget gate”层，根据上一时刻的输出h_t-1和当前输入x_t，通过sigmoid激活函数，计算出一个0到1之间的f_t值，结算结果决定了是否让上一时刻学到的信息C_t-1完全通过或部分通过一部分。f_t的计算公式如下：

f_t＝σ(W_f*[h_t-1,x_t]+b_f)

步骤二、“input gate”层采用与“forget gate”层耦合的方式对向记忆单元(cell)注入的信息进行控制，决定哪些值用来更新。“input gate”层通过sigmoid激活函数计算更新值i_t；利用tanh激活函数计算更新向量

tanh激活函数如下：

i_t的计算公式如下：

i_t＝σ(W_i*[h_t-1,x_t]+b_i)

的计算公式如下：

步骤三、利用更新向量

对t-1时刻的记忆单元(cell)进行更新，得到t时刻的记忆单元(cell)输出向量C_t。C_t的计算公式如下：

步骤四、最后计算该记忆模块的输出，通过sigmoid层来得到一个初始输出o_t，然后使用tanh将C_t值归一化到-1到1之间，再与sigmoid得到的初始输出相乘，得到记忆模块的输出h_t。相关计算公式如下：

o_t＝σ(W_o*[h_t-1,x_t]+b_o)

h_t＝o_ttanh(C_t)

步骤五、采用Adam训练算法对长短期记忆神经网络进行训练。Adam训练算法是随机梯度下降算法的扩展式，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，可动态调整针对于每个锅炉样本输入参数的学习速率，适用于解决锅炉训练样本中包含高斯噪声的问题。

选用均方误差MSE作为Adam训练算法的误差计算公式，训练过程设定损失函数最小为优化目标，给定网络初始化的随机种子数seed、初始学习率η以及最大迭代次数Maxit，训练结束获得可运行的长短期记忆神经网络。Adam训练算法是一种经典的深度学习训练算法，由于本发明未对Adam算法本身进行修改，这里就不对算法进行具体说明。其中，MSE、seed、Maxit等参数是作为Adam算法的选用参数。

这里用长短期记忆神经网络对燃煤锅炉热效率进行建模预测，通过引入记忆神经元，能够对长周期的持续性时间序列数据进行深入挖掘，可以克服锅炉持续性燃烧调整的工况叠加带来的预测误差。采用Adam训练算法对长短期记忆神经网络进行训练，可动态调整针对于每个锅炉样本输入参数的学习速率，适用于解决锅炉训练样本中包含高斯噪声的问题。

可选的，所述将燃煤锅炉当前的实时运行数据导入长短期神经网络预测模型中进行运算，得到针对燃煤锅炉热效率的预测结果，包括：

将燃煤锅炉当前的实时运行数据进行基于Z-Score方法的标准化处理，根据公式Y＝A^T*X_zs对标准化处理后的结果进行主成分特征转换；

将降维后的主成分特征组合导入长短期神经网络预测模型中进行运算，将得到的运算结果根据公式Y＝σ*Y_zs+μ进行逆向标准化处理，其中μ为原样本输出因子Y的平均值，σ为原样本输出因子Y的标准差。逆向标准化处理结果即为针对燃煤锅炉热效率的预测结果。

本申请提出了一种基于长短期记忆神经网络的燃煤锅炉热效率预测方法。锅炉燃烧过程属于持续性工艺流程，当前运行工况会受到前N个周期的工况叠加影响。利用热电企业DCS系统采集锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压等参数，按时间维度收集相关历史数据，形成影响因子数据序列，收集锅炉运行中排出的煤灰和煤渣，检测其中的含碳量作为样本的输出数据。将样本集时间序列数据输入长短期记忆神经网络进行训练。训练完成后，将待预测的锅炉实时数据输入长短期记忆神经网络，得出锅炉预测热效率。本申请能够挖掘并记忆锅炉连续运行过程中参数自身变化与热效率影响的客观规律，克服锅炉持续性燃烧调整的工况叠加带来的预测误差，提高学习效率，提升预测精度。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本申请的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.基于长短期记忆神经网络的燃煤锅炉热效率预测方法，其特征在于，所述预测方法，包括：

在样本集时间序列数据中提取影响因子数据和输出数据，对影响因子数据和输出数据进行基于Z-Score方法的标准化处理；

对标准化处理后的影响因子数据进行选取特征基于累计贡献度阈值调整的主成分分析过程，得到主成分特征组合；

将得到的主成分特征组合以及标准化处理后的输出数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型；

将燃煤锅炉当前的实时运行数据导入长短期记忆神经网络中进行运算，得到针对燃煤锅炉热效率的预测结果；

其中，影响因子数据的选取包括：锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压等参数；

燃煤锅炉的热效率受到多种热损失的影响，以机械不完全燃烧损失受锅炉燃烧状况影响最为复杂；通过收集锅炉运行中排出的煤灰和煤渣，检测其中的含碳量，对比原料煤中的含碳量检测数据，计算锅炉热效率作为样本的输出数据；

按时间维度采集影响因子数据，以1小时为时间间隔，对影响因子历史数据按平均值进行聚合，按历史数据的时间先后顺序组成样本集时间序列数据；

所述在标准化处理后的影响因子数据中选取特征进行基于累计贡献度阈值调整的主成分分析过程，得到主成分特征组合，包括：

基于标准化处理后的影响因子数据中的数据构建原始影响因子样本矩阵

的协方差矩阵

，计算协方差矩阵

的特征值序列以及与特征值序列对应的特征向量序列；

将得到的特征值按由大到小的顺序进行排列，将与排列完成的特征值对应的特征向量排列得到矩阵，根据矩阵中每个元素累计贡献度提取前

行构成矩阵

；

结合已得到的样本矩阵

计算降维至

维后的数据集，降维后的数据集中的元素即为主成分特征组合。

2.根据权利要求1所述的基于长短期记忆神经网络的燃煤锅炉热效率预测方法，其特征在于，所述在样本集时间序列数据中提取影响因子数据和输出数据，对影响因子数据和输出数据进行基于Z-Score方法的标准化处理，包括：

获取影响因子数据和输出数据中目标类数据的均值，以及目标类数据中每个数据相对于均值的标准差；

基于Z-Score标准化处理公式针对得到的均值和标准差对所述目标类数据中的每个数据进行调整，得到标准化处理后的影响因子数据以及标准化处理后的输出数据。

3.根据权利要求2所述的基于长短期记忆神经网络的燃煤锅炉热效率预测方法，其特征在于，所述Z-Score标准化处理公式，包括：

公式一，

公式一中，

代表影响因子数据和输出数据中的因子，

为因子

的平均值，

为标准化处理后的输出数据，

为因子

的标准差。

4.根据权利要求1所述的基于长短期记忆神经网络的燃煤锅炉热效率预测方法，其特征在于，所述将得到的主成分特征组合以及标准化处理后的输出数据导入长短期记忆神经网络中进行训练，得到长短期记忆神经网络预测模型，包括：

采用Adam训练算法对长短期记忆神经网络进行训练，选用均方误差MSE作为Adam训练算法的误差计算公式，设定损失函数值最小为优化目标，结合网络初始化的随机种子数seed、初始学习率

以及最大迭代次数Maxit对长短期记忆神经网络进行训练，得到长短期记忆神经网络预测模型。

5.根据权利按要求1所述的基于长短期记忆神经网络的燃煤锅炉热效率预测方法，其特征在于，所述将燃煤锅炉当前的实时运行数据导入长短期记忆神经网络中进行运算，得到针对燃煤锅炉热效率的预测结果，包括：

将燃煤锅炉当前的实时运行数据进行基于Z-Score方法的标准化处理，对标准化处理后的结果进行主成分特征转换；

将转换后的数据导入长短期记忆神经网络中进行运算，将得到的运算结果进行逆向标准化处理，到的处理结果为针对燃煤锅炉热效率的预测结果。

Images