CN109709907A - 基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法及系统 - Google Patents

Abstract

本发明涉及一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法及系统，该方法包括：步骤1，根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；步骤2，将每组输入变量和输出变量的值输入一个计算节点中，并在所述计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；步骤3，将多个所述最优子模型通过基于树的遗传编程合并为一个最优总模型。本发明基于分布式计算集成学习建模，减少了样本数据使用量，降低了运算成本。

Description

基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法及 系统

技术领域

本发明属于火电技术领域，尤其涉及一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法及系统。

背景技术

由于锅炉中的燃烧过程是复杂的物理、化学反应过程，目前缺乏有效的机理模型能够精确反映燃烧过程中剧烈的参数变化。目前的国内外研究中，对炉膛燃烧过程的建模多使用人工神经网络等算法，这些算法在一定范围内可以反映燃烧过程中各物理量的非线性关系，但是在实际使用过程中并不能同时满足对模型的精度和泛化能力的要求。

使用基于树的遗传编程(Genetic Programming)技术从大量的锅炉燃烧的历史样本数据中学习最佳的可以描述锅炉燃烧过程的模型。该算法对锅炉的运行历史数据和相关试验数据进行离线学习，建立锅炉的燃烧过程模型，以此反映燃烧锅炉效率和NOx生成量如何随着不同的配风、配煤燃烧运行方式而变化的因果特性。

但是，由于在实际问题中，锅炉燃烧的历史样本数据非常有限，并且遗传编程属于人工智能算法，虽然高效，但需要大量的数据运算，运算成本较高。

发明内容

本发明的目的是提供一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法，以解决上述技术问题。

本发明提供了一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法，包括如下步骤：

步骤1，根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；

步骤2，将每组输入变量和输出变量的值输入一个计算节点中，并在计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；

步骤3，将多个最优子模型通过基于树的遗传编程合并为一个最优总模型。

进一步地，输入变量包括不可控输入变量及可控输入变量，不可控输入变量包括机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量及送风机开度，可控输入变量包括：二次风压、入口氧量、二次风门开度及燃尽风门开度。

进一步地，输出变量包括NOx生成量及锅炉效率。

进一步地，步骤3包括：经过两次基于树的遗传编程将多个最优子模型合并为一个最优总模型。

本发明还提供了一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法系统，包括：

变量确定模块，用于根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；

最优子模型获取模块，用于将每组输入变量和输出变量的值输入一个计算节点中，并在所述计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；

最优总模型获取模块，用于将多个最优子模型通过基于树的遗传编程合并为一个最优总模型。

进一步地，变量确定模块的输入变量包括不可控输入变量及可控输入变量，不可控输入变量包括机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量及送风机开度，可控输入变量包括：二次风压、入口氧量、二次风门开度及燃尽风门开度。

进一步地，变量确定模块的输出变量包括NOx生成量及锅炉效率。

进一步地，最优总模型获取模块经过两次基于树的遗传编程将多个最优子模型合并为一个最优总模型。

借由上述方案，通过基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法及系统，基于分布式计算集成学习建模，减少了样本数据使用量，降低了运算成本。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法的流程图。

图2为本发明一实施例中以树形结构表示程序的示意图；

图3为本发明一实施例中遗传编程的流程图；

图4为本发明最优子模型合并示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法，包括如下步骤：

步骤S1，根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；

步骤S2，将每组输入变量和输出变量的值输入一个计算节点中，并在计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；

步骤S3，将多个最优子模型通过基于树的遗传编程合并为一个最优总模型。

该基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法，基于分布式计算集成学习建模，能够减少样本数据使用量，并降低运算成本。

在本实施例中，输入变量包括不可控输入变量及可控输入变量，不可控输入变量包括机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量及送风机开度，可控输入变量包括：二次风压、入口氧量、二次风门开度及燃尽风门开度。

在本实施例中，输出变量包括NOx生成量及锅炉效率。

在本实施例中，步骤S3包括：经过两次基于树的遗传编程将多个最优子模型合并为一个最优总模型。

本实施例还提供了一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法系统，包括：

变量确定模块，用于根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；

最优子模型获取模块，用于将每组输入变量和输出变量的值输入一个计算节点中，并在所述计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；

最优总模型获取模块，用于将多个最优子模型通过基于树的遗传编程合并为一个最优总模型。

该基于树的遗传编程算法的锅炉燃烧过程模型集成学习系统，基于分布式计算集成学习建模，能够减少样本数据使用量，并降低运算成本。

在本实施例中，变量确定模块的输入变量包括不可控输入变量及可控输入变量，不可控输入变量包括机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量及送风机开度，可控输入变量包括：二次风压、入口氧量、二次风门开度及燃尽风门开度。

在本实施例中，变量确定模块的输出变量包括NOx生成量及锅炉效率。

在本实施例中，最优总模型获取模块经过两次基于树的遗传编程将多个最优子模型合并为一个最优总模型。

参图2至图4所示，下面对本发明作进一步详细说明。

该基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法，包括如下步骤：

第一步：根据锅炉燃烧特性进行特征提取，确定模型的输入、输出变量。

其中，输入变量包括不可控输入(工况)及可控输入，不可控输入包括：机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量、送风机开度；可控输入包括：二次风压、入口氧量、二次风门开度、燃尽风门开度。

输出变量包括NOx生成量、锅炉效率。

第二步：将每组输入变量和输出变量的值放入一个计算节点中，并在计算节点中运行基于树的遗传编程算法。

假设分布式计算系统中共有100个计算节点，每个计算节点中存入10个变量(其中包括随机选取的4个不可控输入变量、4个可控输入变量和2个输出变量)的历史数据进行训练建模。

然后，将相同的遗传编程算法加入100个计算节点中进行并行计算(ParallelComputing)，这样，100个服务器中就可以同时得到100个描述锅炉燃烧过程的模型。

例如，随机选取的不可控输入变量有负荷X1、总一次风量X2，可控输入变量有A磨二次风门开度X3、入口氧量X4等，输出变量为锅炉效率Y，其历史数据如下表所示。

时间	X1	X2	X3	X4	Y(真值)
						t1	561.3	454.86	72.162	3.98	91.80
t2	566	440.769	72.162	4.173	91.87
						t3	559.4	443.81	72.161	4.287	91.68
……	……	……	……	……	……

基于树的遗传编程(Genetic Programming,GP)是对遗传算法(GA)的一次突破性发展，它对群体中表示独立的计算机程序的个体进行操作(而不是GA中的固定长度的二进制字符串)，克服了传统遗传算法在表示方法上的局限，采用了更为灵活的可变分层结构。根据对问题的求解要求，遗传编程采用上述描述方法，自动生成解决问题的程序。遗传编程以适应度为标准，运用交叉、突变、复制和删除等手段使一代代的计算机程序不断进化。

GP系统中的每个个体都是一个以树形结构来表示的程序(或表达式)，如图2所示，a为树A，b为树B。树A和树B分别代表两个个体(多项式)来计算锅炉效率

树A：树B：

树中位于内部的结点为“函数”，而位于端点的叶节点为“终止符”。函数除了基本的算术运算以外，还可以选择加入三角函数、布尔运算符，以及一些表达式(条件表达式、循环表达式)等。终止符包括输入变量和常量，由函数运算符连接后即可得到复杂的数学表达式，这一表达式就是其中一个描述锅炉燃烧过程的模型，即为输出变量由输入变量表示的一个函数，

遗传编程的基本步骤大致可分为3步，如图3所示，其中N是群体大小，即群体中含有的个体数：

1、随机生成初始群体，GP的初始群体(Generation＝0，第0代)中的个体是随机生成的，由给定的函数和终止符构成的N个程序(表达式)，例如N＝500。另外，在初始化时要预先定义所要生产的树的最大深度Di，例如Di＝6；

2、对程序群体重复执行下列子步骤，直至满足终止准则。一般把终止准则设定为是否满足迭代运行次数，例如50次：

1)用适应度的衡量标准为群体中的每个程序个体赋一个适应度。

在这个例子中，假设树A是一个个体，计算个体的适应度包括：

将一次风系统特性的输入变量的历史数据代入这个数学表达式中，每个时间点都可以得到一个值。那么，就将计算所得的值与真值之间的误差的绝对值之和作为该个体的适应值。显然，适应值越小，个体越好。

如下表：

2)应用3种遗传操作(复制、杂交、变异)产生1个新的表达式(程序)群体，选择被处理的个体时是以基于适应度的概率值为标准的。

本实施例的复制算子概率pr＝0.1，杂交算子概率pc＝0.9，变异算子概率pm＝0。另外，在杂交后，后代树的深度往往加大，因此需要设定一个最大允许深度Dc进行控制，例如，Dc＝17。

3、返回由上述方法确定的个体表达式作为遗传编程的运行结果。

这样，在学习建模(Training Part)过程中100个计算节点得到100个用来描述锅炉燃烧过程的最优子模型。

第三步：将100个计算节点所得的最优子模型，经过两次GP，合并为一个最优总模型。如图4所示。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法，其特征在于，包括如下步骤：

步骤1，根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；

步骤2，将每组输入变量和输出变量的值输入一个计算节点中，并在所述计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；

步骤3，将多个所述最优子模型通过基于树的遗传编程合并为一个最优总模型。

2.根据权利要求1所述的锅炉燃烧过程模型集成学习方法，其特征在于，所述输入变量包括不可控输入变量及可控输入变量，所述不可控输入变量包括机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量及送风机开度，所述可控输入变量包括：二次风压、入口氧量、二次风门开度及燃尽风门开度。

3.根据权利要求2所述的锅炉燃烧过程模型集成学习方法，其特征在于，所述输出变量包括NOx生成量及锅炉效率。

4.根据权利要求1至3任一项所述的锅炉燃烧过程模型集成学习方法，其特征在于，所述步骤3包括：

经过两次基于树的遗传编程将多个所述最优子模型合并为一个最优总模型。

5.一种基于树的遗传编程算法的锅炉燃烧过程模型集成学习方法系统，其特征在于，包括：

变量确定模块，用于根据锅炉燃烧特性，确定锅炉燃烧过程模型的输入变量及输出变量；

最优子模型获取模块，用于将每组输入变量和输出变量的值输入一个计算节点中，并在所述计算节点中执行基于树的遗传编程算法，通过多个计算节点的并行计算得到多个用于描述锅炉燃烧过程的最优子模型；

最优总模型获取模块，用于将多个所述最优子模型通过基于树的遗传编程合并为一个最优总模型。

6.根据权利要求5所述的锅炉燃烧过程模型集成学习系统，其特征在于，所述变量确定模块的输入变量包括不可控输入变量及可控输入变量，所述不可控输入变量包括机组功率、总煤量、主蒸汽温度、给水温度、二次风出口温度、一次风出口温度、各个磨煤机风量、给煤量、出口温度、一次风机出口风温、总一次风量、总二次风量及送风机开度，所述可控输入变量包括：二次风压、入口氧量、二次风门开度及燃尽风门开度。

7.根据权利要求6所述的锅炉燃烧过程模型集成学习系统，其特征在于，所述变量确定模块的输出变量包括NOx生成量及锅炉效率。

8.根据权利要求5至7任一项所述的锅炉燃烧过程模型集成学习系统，其特征在于，所述最优总模型获取模块经过两次基于树的遗传编程将多个所述最优子模型合并为一个最优总模型。