CN109992921A - 一种燃煤电厂锅炉热效率的在线软测量方法及系统 - Google Patents

一种燃煤电厂锅炉热效率的在线软测量方法及系统 Download PDF

Info

Publication number
CN109992921A
CN109992921A CN201910292046.8A CN201910292046A CN109992921A CN 109992921 A CN109992921 A CN 109992921A CN 201910292046 A CN201910292046 A CN 201910292046A CN 109992921 A CN109992921 A CN 109992921A
Authority
CN
China
Prior art keywords
thermal efficiency
boiler thermal
data
characteristic parameter
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.)
Granted
Application number
CN201910292046.8A
Other languages
English (en)
Other versions
CN109992921B (zh
Inventor
梁涛
李宗琪
程立钦
陈博
石欢
姜文
龚思远
王建辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN201910292046.8A priority Critical patent/CN109992921B/zh
Publication of CN109992921A publication Critical patent/CN109992921A/zh
Application granted granted Critical
Publication of CN109992921B publication Critical patent/CN109992921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种燃煤电厂锅炉热效率在线软测量方法，包括：S1、根据预先确定的影响锅炉热效率的特征参量，获取特征参量实时数据；S2、依据影响锅炉热效率的重要特征参量选取规则和特征参量实时数据，获得影响锅炉热效率的重要特征参量实时数据；重要特征参量选取规则是根据基于garson神经网络敏感度和皮尔逊相关系数确定的锅炉热效率重要影响因素来选取的；S3、将重要特征参量实时数据输入锅炉热效率预测模型，输出锅炉热效率实时预测结果；锅炉热效率预测模型是基于EM‑MLR最大化聚类‑多元回归算法优化的RBF神经网络训练后得到的。还提供一种燃煤电厂锅炉热效率在线软测量系统。可以实时、准确的对燃煤锅炉的热效率进行监测。

Description

一种燃煤电厂锅炉热效率的在线软测量方法及系统
技术领域
本发明涉及锅炉热工技术与计算机监测技术领域，尤其涉及一种燃煤电厂锅炉热效率的在线软测量方法及系统。
背景技术
燃煤电厂锅炉的实际生产过程中，影响锅炉热效率的因素很多，并且难以用简单的公式来描述锅炉热效率与其影响因素之间的数学关系。
在目前的电厂生产中，燃煤锅炉热效率的分析大多在后期依靠炉渣碳含量，烟气温度与蒸汽温度、流量等数据来计算燃煤锅炉的热效率。这种方法费时费力，而且煤粉的低位发热量难以实时测量，只能通过延迟性的热力实验计算获得，这就使得锅炉热效率难以实时测量，无法为工程人员针对锅炉的实时运行情况进行相应的调整提供指导意见。
因此，亟需一种燃煤电厂锅炉热效率的在线软测量方法及系统。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提供了一种燃煤电厂锅炉热效率的在线软测量方法及系统。可以实时、准确的对燃煤锅炉的热效率进行监测。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种燃煤电厂锅炉热效率的在线软测量方法，包括以下步骤：
S1、根据预先确定的影响锅炉热效率的特征参量，获取特征参量实时数据。
S2、依据影响锅炉热效率的重要特征参量选取规则和特征参量实时数据，获得影响锅炉热效率的重要特征参量实时数据；重要特征参量选取规则是根据基于garson神经网络敏感度和皮尔逊相关系数确定的锅炉热效率重要影响因素来选取的。
S3、将所述重要特征参量实时数据输入锅炉热效率预测模型中，输出锅炉热效率的实时预测结果；锅炉热效率预测模型是基于EM-MLR最大化聚类-多元回归算法优化的RBF神经网络训练后得到的。
作为本发明燃煤电厂锅炉热效率在线软测量方法的一种改进，在步骤S1之前进行锅炉热效率重要影响因素的确定，包括：获取一定时间长度内锅炉热效率的实测热效率数据和特征参量历史数据，并对实测热效率数据和特征参量历史数据进行预处理；根据预处理后的实测热效率数据和特征参量历史数据，训练BP神经网络；根据训练完成后的BP神经网络中每一个特征参量在输入层至隐含层和隐含层至输出层的连接权值，计算每一个特征参量对热效率的神经网络敏感度，并将神经网络敏感度进行排序，剔除神经网络敏感度较低的特征参量；计算每两个特征参量之间的皮尔逊相关系数，剔除皮尔逊相关系数较大的两个特征参量中的一个。
作为本发明燃煤电厂锅炉热效率在线软测量方法的一种改进，对实测热效率数据和特征参量历史数据进行预处理，包括：采用AF-DBSCAN聚类算法，剔除异常数据点；将采集时刻相距较近的数据作为同一时刻采集的数据；采用五点三次滤波法，进行降噪处理。
作为本发明燃煤电厂锅炉热效率在线软测量方法的一种改进，在步骤S1之前，还包括：
S01、依据重要特征参量选取规则，从预处理的特征参量历史数据中选取重要特征参量历史数据作为训练集。
S02、根据训练集对RBF神经网络进行训练。
S03、根据预处理后的实测热效率数据，通过误差对比判断训练的模型精度是否达标，若达标，获得锅炉热效率预测模型；若不达标，采用EM-MLR算法优化RBF神经网络的参数，直至EM-MLR算法优化的RBF神经网络训练后的精度达标。
作为本发明燃煤电厂锅炉热效率在线软测量方法的一种改进，步骤S03中，采用EM-MLR算法优化RBF神经网络的参数，包括：将训练样本进行EM期望最大化聚类处理，聚类的个数作为隐含层神经元数，聚类中心和方差作为径向基函数的中心和宽度的依据；根据输出层的神经元和隐含层输出矩阵，建立MLR多元回归模型，从而确定输出层的连接权值和偏差项。
一种燃煤电厂锅炉热效率的在线软测量系统，包括客户端浏览器、Web服务器和本地数据库服务器；客户端浏览器与Web服务器连接，用于将用户的请求进行逻辑处理和将预测结果返回客户端；本地数据库服务器包括本地系统数据库和在线软测量模块，本地系统数据库用于同步电厂DCS系统的数据；在线软测量模块包括锅炉热效率预测模型，在线软测量模块与本地系统数据库连接，用于根据影响锅炉热效率的重要特征参量实时数据，获取锅炉热效率的实时预测结果，并将实时预测结果存放在本地系统数据库中；Web服务器与本地系统数据库连接，请求数据库服务器进行模型预测和诊断分析，同时将预测和诊断分析结果返回客户端。
优选地，本地数据库服务器还包括离线训练模块，离线训练模块包括数据预处理模块和模型训练模块；数据预处理模块与本地系统数据库连接，用于对电厂DCS系统的历史数据进行预处理，并采用garson神经网络敏感度分析和皮尔逊相关系数法，筛选出重要特征参量历史数据作为训练集；数据预处理模块与模型训练模块连接，以便依据训练集，对RBF神经网络预测模型进行训练，并且在模型训练中模型误差不满足要求时，采用EM-MLR算法优化模型参数，直至优化的RBF神经网络预测模型训练后的精度达标；模型训练模块与在线软测量模块连接，以便将模型训练模块中得到的锅炉热效率预测模型作为在线软测量模块中的锅炉热效率预测模型。
优选地，本地数据库服务器还包括分析诊断模块；分析诊断模块与本地系统数据库连接，用于根据特征参量和热效率的历史数据，采用K-means算法，获得重要特征参量基准值和热效率基准值；并将在线预测的热效率值与热效率基准值对比，结合特征参量实时数据相较其基准值的偏差，实现热损耗的精确定位；并将分析数据存放在所述本地系统数据库中。
(三)有益效果
本发明的有益效果是：
本发明提供的方法及系统，应用在电厂生产中，可以实时、准确的对燃煤锅炉的热效率进行监测，锅炉热效率的预测准确度达99％以上，为工程人员针对锅炉的实时运行情况进行相应的调整提供了指导意见。
附图说明
本发明借助于以下附图进行描述：
图1为本发明具体实施方式中RBF神经网络的训练流程图；
图2为本发明具体实施方式中燃煤电厂锅炉热效率在线软测量系统的结构图；
图3为本发明具体实施方式中热效率预测值与热效率实测值的对比结果图。
【附图标记】
1：客户端；
2：Web服务器；
3：本地数据库服务器；
31：本地系统数据库；32：在线软测量模块；33：离线训练模块；34：分析诊断模块。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本发明提供了一种燃煤电厂锅炉热效率的在线软测量方法，包括以下步骤：
步骤S1、基于garson神经网络敏感度分析和皮尔逊相关系数法确定锅炉热效率的重要影响因素；根据锅炉热效率的重要影响因素，确定锅炉热效率的重要特征参量选取规则。具体包括：
i、获取一定时间长度内锅炉热效率的实测热效率数据和影响锅炉热效率的特征参量历史数据，并对所述实测热效率数据和特征参量历史数据进行预处理。
根据燃煤电厂生产工艺及专家人工经验，将炉膛温度、炉膛压力、主蒸汽温度、主蒸汽压力、一次风温度、一次风流量、一次风煤粉浓度、一次风氧含量、二次风温度、二次风流量、烟气温度、烟气流量、烟气CO浓度、给水温度、给水压力和给水流量作为预先确定的影响锅炉热效率的特征参量。
优选地，数据预处理包括：
1.采用AF-DBSCAN聚类算法，剔除异常数据点。
在实际的生产中，传感器采集的数据可能会因为外界环境的强烈变化或者设备故障而使得采集的数据明显不符合实际，此类数据称之为异常点，异常点的存在会对特征提取和模型预测造成很大的影响，通过AF-DBSCAN算法，将数据进行聚类，聚类之后的离群点即为异常数据点，予以剔除。具体如下：
针对数据集D，计算距离分布矩阵DISTn×n＝{dist(i，j)|1≤i，j≤n}；其中，n为数据集D的对象数目，DISTn×n是一个n行n列的实对称矩阵，其中每个元素表示数据集D中对象i和对象j之间的距离。
计算DISTn×n中的每个元素的值，逐行按照升序排列。用DISTn×i表示DISTn×n中第i列的的值。对DISTn×i中每一列进行升序排列得到KNN(最近邻距离)分布曲线。
绘制出曲线后，k＝4的曲线可以反映其他曲线的走势，k指第k个最近邻数据点，选取k＝4的最邻近距离数据进行统计分析，绘制概率分布图，拟合概率分布曲线。选取概率曲线的峰值对应的最近邻距离作为Eps。
根据每个点领域数据点的统计分布特性，依次计算出每个点的Eps邻域的对象数量，然后计算数据对象的数学期望，即MinPts的值。
pi表示在点i的Eps邻域的点数。
2.数据对齐，针对各种数据的采集，传感器很难在同一时刻采集并将数据存储至数据库，并且数据的周期也不同，可能是30s，1min，2min等等，将采集时间比较相近的数据进行合并，看作是一条数据。
3采用五点三次滤波法，消除因环境细微变化而在数据中混叠的噪声。
ii、将预处理之后的特征参量历史数据用于特征提取，包括去除无关特征和去除冗余特征，获得锅炉热效率的重要影响因素。具体包括：
1.去除冗余特征。采用皮尔逊相关系数分析法(PCCs)来判别每两个特征之间的相关性，若两个特征之间的相关性较高，则可认为两个特征中其中一个为冗余特征，保留其中一个特征即可，这样可使各特征之间的区别最大化，有利于提升模型的训练速度和准确性。
皮尔逊相关系数定义为两个特征之间的协方差和标准差的商：
2.去除无关特征。使用garson神经网络敏感度分析方法。具体为：将预处理后的特征参量历史数据作为输入，预处理后的实测热效率数据作为输出，训练BP神经网络(出入层节点数由输入特征数决定，隐含层节点数由经验公式m为输入节点数，n为输出节点数，a为1-10之间的常数)，之后根据输入与输出之间的连接权值的乘积来计算每一个特征参量对热效率的神经网络敏感度，例如输入xi对yi的敏感程度为：
其中，ωij为第i个输入节点与第j个隐藏节点的连接权值，vjk为第j个隐藏节点与第k个输出节点的连接权值。
根据Q的大小来判定某一特征对输出的敏感程度，通过各个特征敏感程度的排序，舍去敏感程度较低的特征，从而达到剔除无关特征的目的。
特征提取后，获得锅炉热效率的重要影响因素为炉膛温度、炉膛压力、主蒸汽温度、主蒸汽压力、一次风煤粉浓度、二次风温度、二次风流量、烟气温度、烟气流量和烟气CO浓度。
步骤S2、训练RBF神经网络，获取锅炉热效率预测模型。包括：
S21、依据重要特征参量选取规则，从步骤S1预处理的特征参量历史数据中选取重要特征参量历史数据作为训练集。
S22、根据训练集对RBF神经网络进行训练。
S23、根据预处理后的实测热效率数据，通过误差对比判断训练的模型精度是否达标，若达标，获得锅炉热效率预测模型；若不达标，采用EM-MLR算法优化RBF神经网络的参数，直至EM-MLR算法优化的RBF神经网络训练后的精度达标。
RBF是一种前向神经网络，其数据流动是单向进行的，三层RBF神经网络由输入层，隐含层和输出层构成，需要强调的是，输入层与隐含层之间不存在权值矩阵，只是单纯的将样本数据输入进神经网络内部，不对输入数据做任何改变。
RBF神经网络需要优化的参数有四个，隐含层神经元的个数、相关参数(即中心点、宽度)以及输出层权值，在本发明的设计中输出层神经元个数为1，即为热效率预测值。
输出层函数为表示输出层函数由径向基函数组合逼近。式中，c表示基函数的中心，||·||表示范数，ω为权值向量，φ表示径向基函数。
径向基函数作为隐含层神经元的激活函数，选择高斯核函数
其中，σi表示神经元基函数宽度。
选择高斯核函数作为径向基函数，第i个隐含节点的输出响应表示为
其中，的上标2表示是神经网络的第二层，即隐含层。隐含层神经元个数表示为n，第k个输入变量表示为m表示输入样本的特征维度，第i个径向基函数中心点表示为ci，宽度表示为σi，xk到ci的欧式距离表示为||xk-ci||。对于输入变量，当其越靠近中心点时，其响应的神经元被激活，产生较大的输出，反之亦然。
RBF神经网络响应的输出层输出为
y3(xk)的上角标3表示是神经网络的第三层，即输出层输出值，隐含层第i个神经元和输出层神经元的连接权值表示为ωi，输出层神经元的阈值为b。
在步骤S23中，采用最大化聚类-多元回归算法(EM-MLR)优化RBF神经网络的四个参数，实质是基于剪枝法的优化，包括：
i、将训练样本进行期望最大化聚类(EM)处理，聚类的个数作为隐含层神经元数，聚类中心和方差作为径向基函数的中心和宽度的依据。
其中，聚类的个数通过人为设定的方式获取，从50开始，每次增加5个，直到均方误差达到预设值以下，完成RBF神经网络的训练。
EM聚类算法包括E-step和M-step：
E-step：对于每个数据点，计算其属于其中每个聚类的概率作为权重：
1、对训练样本，表示样本有n个，特征维度为D。设定最大迭代次数k，初始化M个聚类中心的参数。
2、当迭代到1轮时，计算每一个样本属于各个类的概率。
M-step：这一步骤主要是利用上一步计算的权重来估计每个聚类的有关参数(均值，方差)：
3、根据新计算出来的概率，更新聚类中心的参数。
4、当迭代过程满足(设置为一个很小的值，表示表示混合模型的最大对数似然估计)，则停止迭代，输出聚类结果。
ii、根据输出层的神经元和隐含层输出矩阵，建立多元回归模型(MLR)，从而确定输出层的连接权值和偏差项。
步骤S3、根据预先确定的影响锅炉热效率的特征参量，获取特征参量实时数据。
步骤S4、依据影响锅炉热效率的重要特征参量选取规则和特征参量实时数据，获得影响锅炉热效率的重要特征参量实时数据。
步骤S5、将重要特征参量实时数据输入锅炉热效率预测模型中，输出锅炉热效率的实时预测结果。
本发明还提供一种锅炉热损耗的定位方法，包括以下步骤：
步骤S1、对每一个工况下锅炉热效率的实测热效率数据和影响锅炉热效率的特征参量历史数据进行K-means聚类分析，将每一个工况下聚类中心对应锅炉热效率最大的值作为该工况热效率的基准值，并将每一个工况热效率基准值对应的特征参量的数值作为该工况特征参量的基准值；
步骤S2、对每一工况下热效率的基准值进行曲线拟合，获得锅炉全工况热效率基准值；对每一工况下特征参量的基准值进行曲线拟合，获得锅炉全工况特征参量基准值。
步骤S3、根据锅炉全工况热效率基准值、全工况特征参量基准值、特征参量实时数据和锅炉热效率预测模型，计算每个特征参量对应热效率影响程度的大小。
具体地，以计算烟气温度Tz对应热效率变化量为例：
b0＝g(x1，x2...xn)，b0为该工况下的锅炉热效率基准值，g(x1，x2...xn)为锅炉热效率预测模型，xn为引起锅炉热效率变化的特征参量基准值。
烟气温度Tz对应热效率变化量为：其中，Tz＝110％x2，在数值上等于烟气温度基准值增加10％，即仅变化烟气温度一个特征参量的输入值，其他特征参量带入基准值。由此可以获知各个特征参量对于热效率影响程度的大小。
步骤S4、通过在线预测的热效率值与全工况热效率基准值的对比，结合每个特征参量实时数据相较其基准值的偏差，以及各个特征参量对于热效率的影响程度，获知当前时刻热效率损耗的主要原因。帮助工程人员有针对性的优化锅炉燃烧工艺。
本发明还提供一种燃煤电厂锅炉热效率的在线软测量系统，如图2所示，包括客户端1、Web服务器2和本地数据库服务器3。客户端1与Web服务器2连接，用于将用户的请求进行逻辑处理和将预测结果返回客户端。本地数据库服务器3包括本地系统数据库31和在线软测量模块32，本地系统数据库31用于同步电厂DCS系统的数据；在线软测量模块32包括锅炉热效率预测模型，在线软测量模块32与本地系统数据库31连接，用于根据锅炉热效率的实时影响数据，获取锅炉热效率的实时预测结果，并将实时预测结果存放在本地系统数据库中。Web服务器2与本地系统数据库31连接，请求数据库服务器进行模型预测，同时接收锅炉热效率的实时预测结果。
其中，客户端可以依托在任一具备显示界面的终端上，终端设备包括手机、平板电脑和PC。在线软测量模块通过数据库接口与本地系统数据库建立连接。
具体地，本地系统数据库包括第一表结构和第二表结构，第一表结构与电厂DCS系统数据库的表结构相同，以满足使用数据库的发布/订阅功能，将电厂DCS系统的数据同步至本地系统数据库中。第二表结构用于存储热效率预测值。
优选地，本地数据库服务器3还包括离线训练模块33，离线训练模块33包括数据预处理模块和模型训练模块。数据预处理模块与本地系统数据库31连接，用于对电厂DCS系统的历史数据进行预处理，并采用garson神经网络敏感度分析方法，筛选出重要特征参量历史数据作为训练集。数据预处理模块与模型训练模块连接，以便依据训练集，对RBF神经网络进行训练；并且在模型训练中模型误差不满足要求时，采用EM-MLR算法优化模型参数，直至改进的RBF神经网络预测模型训练后的精度达标。模型训练模块与在线软测量模块32连接，以便将模型训练模块中得到的锅炉热效率预测模型作为在线软测量模块中的锅炉热效率预测模型。
优选地，本地数据库服务器3还包括分析诊断模块34，分析诊断模块34与本地系统数据库31连接，用于根据特征参量和热效率的历史数据，采用K-means算法，获得重要特征参量基准值和热效率基准值；并将在线预测的热效率值与热效率基准值对比，结合特征参量实时数据相较其基准值的偏差，实现热损耗的精确定位；并将分析数据存放在本地系统数据库中。用户可通过系统获知各个特征参量所引起的热损耗值。
用户通过客户端向Web服务器发送请求，Web服务器对用户的请求进行逻辑分析处理，向数据库服务器发送请求，数据库服务器接收到Web服务器的请求后，将本地系统数据库中的数据输入在线软测量模块中，得出的预测结果通过Web服务器返回至客户端，完成锅炉热效率软测量的过程。
仿真实验
获取一定时间长度内锅炉热效率的热效率实验计算值和特征数据，使用本发明提供的燃煤电厂锅炉热效率在线软测量系统对影响数据进行热效率预测，获得的热效率预测值与热效率实测值的对比结果见图3，从图3中可以看出，本发明提供的燃煤电厂锅炉热效率在线软测量方法及系统的预测准确率在99％以上。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (8)

1.一种燃煤电厂锅炉热效率的在线软测量方法，其特征在于，包括以下步骤：
S1、根据预先确定的影响锅炉热效率的特征参量，获取特征参量实时数据；
S2、依据影响锅炉热效率的重要特征参量选取规则和所述特征参量实时数据，获得影响锅炉热效率的重要特征参量实时数据；所述重要特征参量选取规则是根据基于garson神经网络敏感度和皮尔逊相关系数确定的锅炉热效率重要影响因素来选取的；
S3、将所述重要特征参量实时数据输入锅炉热效率预测模型中，输出锅炉热效率的实时预测结果；所述锅炉热效率预测模型是基于EM-MLR期望最大化聚类-多元回归算法优化的RBF神经网络训练后得到的。
2.根据权利要求1所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，在步骤S1之前进行所述锅炉热效率重要影响因素的确定，包括：
获取一定时间长度内锅炉热效率的实测热效率数据和特征参量历史数据，并对所述实测热效率数据和特征参量历史数据进行预处理；
根据预处理后的实测热效率数据和特征参量历史数据，训练BP神经网络；根据训练完成后的BP神经网络中每一个特征参量在输入层至隐含层和隐含层至输出层的连接权值，计算每一个特征参量对热效率的神经网络敏感度，并将所述神经网络敏感度进行排序，剔除神经网络敏感度较低的特征参量；
计算每两个特征参量之间的皮尔逊相关系数，剔除皮尔逊相关系数较大的两个特征参量中的一个。
3.根据权利要求2所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，对所述实测热效率数据和特征参量历史数据进行预处理，包括：
采用AF-DBSCAN聚类算法，剔除异常数据点；
将采集时刻相距较近的数据作为同一时刻采集的数据；
采用五点三次滤波法，进行降噪处理。
4.根据权利要求2所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，在所述步骤S1之前，还包括：
S01、依据所述重要特征参量选取规则，从预处理的特征参量历史数据中选取重要特征参量历史数据作为训练集；
S02、根据所述训练集对RBF神经网络进行训练；
S03、根据预处理后的实测热效率数据，通过误差对比判断训练的模型精度是否达标，若达标，获得锅炉热效率预测模型；若不达标，采用EM-MLR算法优化RBF神经网络的参数，直至EM-MLR算法优化的RBF神经网络训练后的精度达标。
5.根据权利要求4所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，步骤S03中，采用EM-MLR算法优化RBF神经网络的参数，包括：
将训练样本进行EM期望最大化聚类处理，聚类的个数作为隐含层神经元数，聚类中心和方差作为径向基函数的中心和宽度的依据；
根据输出层的神经元和隐含层输出矩阵，建立MLR多元回归模型，从而确定输出层的连接权值和偏差项。
6.一种燃煤电厂锅炉热效率的在线软测量系统，其特征在于，包括客户端浏览器、Web服务器和本地数据库服务器；
所述客户端浏览器与所述Web服务器连接，用于将用户的请求进行逻辑处理和将预测结果返回客户端；
所述本地数据库服务器包括本地系统数据库和在线软测量模块，所述本地系统数据库用于同步电厂DCS系统的数据；
所述在线软测量模块包括锅炉热效率预测模型，所述在线软测量模块与所述本地系统数据库连接，用于根据影响锅炉热效率的重要特征参量实时数据，获取锅炉热效率的实时预测结果，并将所述实时预测结果存放在所述本地系统数据库中；
所述Web服务器与所述本地系统数据库连接，请求数据库服务器进行模型预测和诊断分析，同时将预测和诊断分析结果返回客户端。
7.根据权利要求6所述的燃煤电厂锅炉热效率的在线软测量系统，其特征在于，所述本地数据库服务器还包括离线训练模块，所述离线训练模块包括数据预处理模块和模型训练模块；
所述数据预处理模块与所述本地系统数据库连接，用于对电厂DCS系统的历史数据进行预处理，并采用garson神经网络敏感度分析和皮尔逊相关系数法，筛选出重要特征参量历史数据作为训练集；
所述数据预处理模块与所述模型训练模块连接，以便依据所述训练集，对RBF神经网络预测模型进行训练，并且在模型训练中模型误差不满足要求时，采用EM-MLR算法优化模型参数，直至优化的RBF神经网络预测模型训练后的精度达标；
所述模型训练模块与所述在线软测量模块连接，以便将模型训练模块中得到的锅炉热效率预测模型作为在线软测量模块中的锅炉热效率预测模型。
8.根据权利要求7所述的燃煤电厂锅炉热效率的在线软测量系统，其特征在于，所述本地数据库服务器还包括分析诊断模块；
所述分析诊断模块与所述本地系统数据库连接，用于根据特征参量和热效率的历史数据，采用K-means算法，获得重要特征参量基准值和热效率基准值；并将在线预测的热效率值与热效率基准值对比，结合特征参量实时数据相较其基准值的偏差，实现热损耗的精确定位；并将分析数据存放在所述本地系统数据库中。
CN201910292046.8A 2019-04-12 2019-04-12 一种燃煤电厂锅炉热效率的在线软测量方法及系统 Active CN109992921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910292046.8A CN109992921B (zh) 2019-04-12 2019-04-12 一种燃煤电厂锅炉热效率的在线软测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910292046.8A CN109992921B (zh) 2019-04-12 2019-04-12 一种燃煤电厂锅炉热效率的在线软测量方法及系统

Publications (2)

Publication Number Publication Date
CN109992921A true CN109992921A (zh) 2019-07-09
CN109992921B CN109992921B (zh) 2020-09-15

Family

ID=67133473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910292046.8A Active CN109992921B (zh) 2019-04-12 2019-04-12 一种燃煤电厂锅炉热效率的在线软测量方法及系统

Country Status (1)

Country Link
CN (1) CN109992921B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110941262A (zh) * 2019-10-22 2020-03-31 浙江工业大学 一种基于神经网络的船舶自动停泊控制方法
CN111474442A (zh) * 2020-03-30 2020-07-31 国网山东省电力公司德州供电公司 一种配电网单相接地故障定位方法及系统
CN111651938A (zh) * 2020-06-04 2020-09-11 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于热力计算与大数据的变煤质机组出力预测方法
CN111855953A (zh) * 2019-09-23 2020-10-30 江苏方天电力技术有限公司 一种燃煤电站入炉煤发热量快速反馈方法及系统
CN111914214A (zh) * 2020-06-13 2020-11-10 宁波大学 一种基于缩减kpls模型的pta生产过程软测量方法
CN112348101A (zh) * 2020-11-16 2021-02-09 中冶赛迪重庆信息技术有限公司 一种基于异常数据分析的轧钢燃耗预警方法及系统
CN112834560A (zh) * 2020-12-31 2021-05-25 新奥数能科技有限公司 燃气工业锅炉反平衡热效率测试方法、系统及装置
CN113282872A (zh) * 2021-06-29 2021-08-20 广东电网有限责任公司 一种燃煤火电机组锅炉热效率实时计算方法及相关装置
CN114492961A (zh) * 2022-01-12 2022-05-13 河北大学 基于智能化KNN机制的燃煤锅炉NOx排放预测方法
CN115000471A (zh) * 2022-05-18 2022-09-02 西安交通大学 一种基于机器学习的燃料电池催化层预测-分析-优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274745A1 (en) * 2009-04-22 2010-10-28 Korea Electric Power Corporation Prediction method for monitoring performance of power plant instruments
CN102713859A (zh) * 2009-11-09 2012-10-03 艾克瑟吉有限公司 用于使电厂的热效率最大化的系统及方法
CN104534556A (zh) * 2014-12-08 2015-04-22 北京华电方胜技术发展有限公司 一种基于能耗监测的供热控制方法
CN105468932A (zh) * 2016-01-06 2016-04-06 夏继英 一种锅炉热效率的在线计算方法
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274745A1 (en) * 2009-04-22 2010-10-28 Korea Electric Power Corporation Prediction method for monitoring performance of power plant instruments
CN102713859A (zh) * 2009-11-09 2012-10-03 艾克瑟吉有限公司 用于使电厂的热效率最大化的系统及方法
CN104534556A (zh) * 2014-12-08 2015-04-22 北京华电方胜技术发展有限公司 一种基于能耗监测的供热控制方法
CN105468932A (zh) * 2016-01-06 2016-04-06 夏继英 一种锅炉热效率的在线计算方法
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁涛等: "熔铸铝熔炼热效率优化控制策略研究", 《控制工程》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111855953A (zh) * 2019-09-23 2020-10-30 江苏方天电力技术有限公司 一种燃煤电站入炉煤发热量快速反馈方法及系统
CN110941262A (zh) * 2019-10-22 2020-03-31 浙江工业大学 一种基于神经网络的船舶自动停泊控制方法
CN111474442A (zh) * 2020-03-30 2020-07-31 国网山东省电力公司德州供电公司 一种配电网单相接地故障定位方法及系统
CN111651938B (zh) * 2020-06-04 2022-11-08 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于热力计算与大数据的变煤质机组出力预测方法
CN111651938A (zh) * 2020-06-04 2020-09-11 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于热力计算与大数据的变煤质机组出力预测方法
CN111914214A (zh) * 2020-06-13 2020-11-10 宁波大学 一种基于缩减kpls模型的pta生产过程软测量方法
CN111914214B (zh) * 2020-06-13 2023-10-17 宁波大学 一种基于缩减kpls模型的pta生产过程软测量方法
CN112348101A (zh) * 2020-11-16 2021-02-09 中冶赛迪重庆信息技术有限公司 一种基于异常数据分析的轧钢燃耗预警方法及系统
CN112348101B (zh) * 2020-11-16 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种基于异常数据分析的轧钢燃耗预警方法及系统
CN112834560A (zh) * 2020-12-31 2021-05-25 新奥数能科技有限公司 燃气工业锅炉反平衡热效率测试方法、系统及装置
CN113282872A (zh) * 2021-06-29 2021-08-20 广东电网有限责任公司 一种燃煤火电机组锅炉热效率实时计算方法及相关装置
CN114492961A (zh) * 2022-01-12 2022-05-13 河北大学 基于智能化KNN机制的燃煤锅炉NOx排放预测方法
CN114492961B (zh) * 2022-01-12 2024-05-14 河北大学 基于智能化KNN机制的燃煤锅炉NOx排放预测方法
CN115000471A (zh) * 2022-05-18 2022-09-02 西安交通大学 一种基于机器学习的燃料电池催化层预测-分析-优化方法

Also Published As

Publication number Publication date
CN109992921B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN109992921A (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN106709662B (zh) 一种电力设备运行工况划分方法
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN110095744A (zh) 一种电子式互感器误差预测方法
CN112182720B (zh) 一种基于建筑能源管理应用场景的建筑能耗模型评价方法
CN108388962A (zh) 一种风电功率预测系统及方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN105868853A (zh) 一种短期风电功率组合概率预测方法
CN110263998B (zh) 多源数值天气预报集合双层修正方法
CN110083125A (zh) 一种基于深度学习的机床热误差建模方法
CN109840671A (zh) 运行改进效果计算设备、运行改进效果计算方法和记录介质
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
CN108810799B (zh) 一种基于线性判别分析的多楼层室内定位方法及系统
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
CN113418229A (zh) 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统
Wang et al. Deep-learning modeling and control optimization framework for intelligent thermal power plants: A practice on superheated steam temperature
CN110222098A (zh) 基于流数据聚类算法的电力大数据流异常检测
Wang et al. Distribution network state estimation based on attention-enhanced recurrent neural network pseudo-measurement modeling
CN116865343A (zh) 分布式光伏配电网的无模型自适应控制方法、装置及介质
Huang et al. Static and dynamic joint analysis for operation condition division of industrial process with incremental learning
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN116826728A (zh) 一种少测量样本条件下的配电网状态结构估计方法及系统
CN108345996B (zh) 一种降低风电功率考核电量的系统及方法

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