CN110532674A - 一种燃煤电站锅炉炉膛温度测量方法 - Google Patents
一种燃煤电站锅炉炉膛温度测量方法 Download PDFInfo
- Publication number
- CN110532674A CN110532674A CN201910795401.3A CN201910795401A CN110532674A CN 110532674 A CN110532674 A CN 110532674A CN 201910795401 A CN201910795401 A CN 201910795401A CN 110532674 A CN110532674 A CN 110532674A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- feature
- model
- fire box
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims abstract description 7
- 230000002596 correlated effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 239000000758 substrate Substances 0.000 claims description 22
- 238000005311 autocorrelation function Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000000691 measurement method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 37
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 8
- 239000003546 flue gas Substances 0.000 description 8
- 239000001301 oxygen Substances 0.000 description 8
- 229910052760 oxygen Inorganic materials 0.000 description 8
- 238000002485 combustion reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种燃煤电站锅炉炉膛温度测量方法，属于火力发电技术领域，该方法将多模型智能组合软测量方法引入到燃煤电站锅炉炉膛温度的测量中。首先从历史数据监控信息系统中获取炉膛温度及影响温度变化的相关变量原始监控数据建立样本数据集，采用经验模态EMD与阈值去噪相结合的算法对原始数据进行降噪，并采用min‑max方法对数据做归一化无纲量处理，然后采用随机森林RF对预处理后的数据集进行特征选择，选出重要性评分高的输入特征，形成新的数据样本，最后基于C4.5算法建立多模型智能组合锅炉温度预测模型对燃煤电站锅炉炉膛温度进行预测，不仅提高了炉膛温度预测的精度，而且满足了对炉温控制的要求。
Description
技术领域
本发明涉及火力发电技术领域，尤其涉及一种燃煤电站锅炉炉膛温度测量方法。
背景技术
燃煤锅炉炉膛温度测量是监测与控制机组安全经济运行的主要手段之一，由于炉膛内部燃烧特性复杂且受制于炉内高温、多尘等恶劣因素影响，传统的测量元件很难获取及时准确的温度信息。而燃烧过程中炉内温度偏离设计值会给机组燃烧效率、污染物的排放以及各受热部件的热应力分布带来较大影响，给电站的安全经济运行带来很大威胁。因此，合理的预知与控制锅炉运行过程中温度的变化是电站燃烧优化控制常见的技术问题。
软测量方法是一种新的测量技术，广泛应用于电站测量过程当中。通过测量一些影响主导参数的辅助参数，并结合智能学习建模方法，计算得到关键参数值(主导变量)，解决了主导变量无法实时测量的问题。然而，目前的软测量方法存在预测模型过于单一，组合预测模型不能实现智能选择，且模型预测精度仍具有较大提升空间等问题。因此，为了实现降低测量成本的目标，探寻一种可靠性强和精确度高的新型炉膛温度测量方法是有必要的。
发明内容
针对上述现有技术存在的不足，本发明提供一种燃煤电站锅炉炉膛温度测量方法，该方法通过多模型组合的方式结合实际生产数据智能选择最优建模模型进行预测，能得到准确的炉膛温度测量结果，降低了测量成本，应用范围广，适应于实际锅炉炉膛温度测量。
本发明所采取的技术方案是：
一种燃煤电站锅炉炉膛温度测量方法，包括如下步骤：
步骤1：从历史数据监控信息系统(Distributed Control System，DCS)中获取包括炉膛温度及影响温度变化的相关变量在内的原始数据，并建立样本数据集DATA＝X∪Y，其中N为采集的样本数量，中的每个样本中含有m个数值，记为m个特征维数；Y＝{y1,y2,...,yN}，Y中的每一个数值对应X中每个样本的炉膛温度输出，如
步骤2：采用经验模态(Empirical Mode Decomposition，EMD)与阈值去噪相结合的算法对原始数据进行降噪，并采用min-max方法将降噪数据映射到[0,1]区间做归一化处理，得到预处理后的数据集B*；
步骤2-1：构造输入输出矩阵将B记为由m+1个列向量构成的集合
步骤2-2：利用经验模态EMD，分别对集合B中m+1个列向量进行分解。
其中，imf为特征分解的本征固有模态函数，Res为残差，si表示特征列向量分解了si个本征固有模态函数；
步骤2-3：计算特征分解的si个固有模态函数的归一化自相关函数，由于高斯白噪声信号为零均值，在零时刻其自相关函数取值为1，而其他点在0附近。一般信号在零时刻点时自相关函数值在0.9-1之间，其他点函数值在0-0.8范围内变化，因此可以通过比较一般信号与噪声信号自相关函数值在零时刻与其他时刻的明显不同找出噪声占主要部分的分界点，判断出噪声占主要部分的si'个imf；
步骤2-4：采用软硬阈值折中函数imf′j，对噪声占主要部分的si'个imf固有模态函数进行降噪处理：
其中，λ是阈值，sgn(x)为分段函数，imfi'为降噪后的模态函数。
步骤2-5：将降噪后的si'个imf与剩余的si-si'个imf及残差项Res进行信号线性重构，最终获得降噪后数据集合B’；
步骤2-6：采用min-max方法将降噪数据集合B’映射到[0,1]区间做归一化无纲量处理，得到
步骤3：采用随机森林(Random Forest，RF)对预处理后的数据集进行特征选择，选出重要性大于设定阈值的输入特征与输出特征向量组成新的样本数据h≤m，m表示输入样本特征维数，h为经过RF选择之后输入样本特征维数；
步骤3-1：计算出归一化处理后的数据集B*的特征的基尼系数Ginii：
其中，pia代表第a个类别在特征中出现的概率，k表示特征中类别的数目，a＝1,…,k；
步骤3-2：计算特征在节点t的重要性，即计算特征在节点t分枝前后的Gini指数变化量；
VIMit＝Ginit-Ginil-Ginir (5)
其中，Ginil与Ginir分别表示由节点t分裂的两个新节点的Gini指数；
步骤3-3：假设特征在第j棵树中出现M次，那么在第j棵树重要性为；
步骤3-4：假设RF中共有n棵数，则计算特征在n棵数的Gini重要性：
步骤3-5：将所有特征的重要性VIMi进行归一化处理，并从大到小进行排序；
步骤3-6：设定阈值大小S，选择重要性大于阈值S的h个特征作为模型的输入特征，与输出特征构成新的数据集
步骤4：建立多模型智能组合锅炉温度预测模型；
步骤4-1：将得到的数据集B*’按三个不同的时间段，温度变化范围不同的样本数据划分为T1、T2、T3三个数据集合，再将其中的每一个数据集合划分成P1、P2、P3三个样本集合，P1、P2、P3分别表示各自数据集合的训练集、测试集、验证集；
步骤4-2：选择4种建模算法(BP、SVR、XGBOOST、LSSVM)作为智能选择模型的基底模型；
步骤4-3：使用T1数据集中的训练集P1训练4种基底模型，得到训练好的基底模型分别表示为MP，MR，MT，MM；
步骤4-4：将T1数据集中的测试集P2中每个样本分别代入训练好的四个基底模型MP，MR，MT，MM中，分别由这四个基底模型得到的每个样本对应输入特征的4个不同的目标特征预测值；
步骤4-5：计算每个样本数据与步骤4-4中得到的4个不同的目标特征预测值的相对误差的绝对值；
步骤4-6：选择相对误差的绝对值最小的基底模型为该样本的预测最优算法；
步骤4-7：给每个样本的预测最优算法作类别标记，其中BP、SVR、XGBOOST、LSSVM分别标记为1，2，3，4，形成分类样本数据集；
步骤4-8：在增加标记之后的分类样本数据集中随机选取Z组样本作为C4.5算法建模的训练集Ds；
步骤4-9：按照类别标记对步骤4-8得到的训练集DS进行划分，计算类别的信息熵：
其中，L为训练集DS中的类别向量，pj为类别属性中各类别占比，j为类别数。
步骤4-10：计算训练集DS的每个特征向量的条件熵：
其中，dik表示特征向量DSi(i＝1,…,R)中根据数值的不同分成的第k个类别，pk表示第k个类别在特征向量DSi中的概率，w表示特征向量DSi中所有可能不同取值；
步骤4-11：计算信息增益，将步骤4-9得到的类别信息熵减去步骤4-10得到的每个特征向量的条件熵；
步骤4-12：计算训练集DS中每个特征向量的分裂信息度量：
其中，k表示特征向量DSi(i＝1,…,R)中根据数值的不同分成的第k个类别，w代表特征向量DSi中所有可能不同取值，pk第k个类别在特征向量DSi中的概率；
步骤4-13：计算信息增益率，将步骤4-11计算得到的信息增益除以步骤4-12计算得到的分裂信息度量；
步骤4-14：根据计算得到的信息增益率进行选择属性，选择具有最大信息增益率的属性作为决策树节点，对该节点进行分裂。
步骤4-15：通过对分裂节点划分得到叶子节点，依次循环重复步骤4-9至步骤4-14，直到所有叶子节点不能够被分裂为止，得到训练好的C4.5分类模型CM1；
步骤4-16：分别将T2、T3两个部分的数据样本重复步骤4-2至步骤4-15进行训练，得到各自的C4.5分类模型CM2和CM3。
步骤5：对多模型智能组合锅炉温度预测模型进行验证；
步骤5-1：分别将步骤4-1所述T1、T2、T3三个部分的验证集P3输入到步骤4-15和步骤4-16所述的已经训练好的三个不同的C4.5分类模型中，输出每个样本的分类预测结果；
步骤5-2：根据每个样本的分类预测结果，选择对应的步骤4-7所述的BP、SVR、XGBOOST、LSSVM4个模型中的最优模型，用最优模型逐一对相应的样本进行锅炉炉膛温度预测分析；
步骤5-3：输出T1、T2、T3数据集中验证集P3的炉膛温度预测值。
本发明的有益效果：
本发明针对火电站对炉膛温度控制的要求，减少异常温度对各换热设备的危害并提供合理的燃烧优化控制策略，结合火电厂锅炉工作的历史运行数据，通过BP、RBF、MLP、LSSVM多种建模算法对炉膛温度预测问题进行建模，经过对建模结果分析，采用C4.5算法构建起了智能模型组合算法，实现了针对复杂的燃烧工况，智能选择合适的建模算法对锅炉温度进行及时准确预测的目的。不仅提高了炉膛温度预测的精度，而且满足了对炉温控制的要求并减少了超温现象对机组运行的危害。
附图说明
图1为本发明一种燃煤电站锅炉炉膛温度测量方法流程图；
图2为本发明具体实施例中锅炉系统流程图；
图3为本发明具体实施例中烟气含氧量EMD分解图；
图4为本发明具体实施例中烟气含氧量imf1～imf6自相关函数图；
图5为本发明具体实施例中烟气含氧量EMD阈值去噪前后结果对比图；
图6为本发明具体实施例中特征选择过程中各输入特征的重要性评分排序图；
图7为本发明具体实施例中验证集P3的炉膛温度预测值与单一基底模型的预测值的对比图；
(a)T1数据集中验证集P3的炉膛温度预测值与单一基底模型的预测值的对比图；
(b)T2数据集中验证集P3的炉膛温度预测值与单一基底模型的预测值的对比图；
(c)T3数据集中验证集P3的炉膛温度预测值与单一基底模型的预测值的对比图。
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。
本实施例预测的炉膛温度位置为烟温探针水平布置在炉膛出口，折焰角上部烟道中截面中点位置，具体位置在图2中再热器9上方附近。
如图1所示，本实施例的方法如下所述。
步骤1：从历史数据监控信息系统中获取炉膛温度及影响温度变化的相关变量原始数据，为了证明该方法的广泛性运用，选择三个不同的时间段，温度变化范围不同的数据进行采样，建立样本数据集DATA＝X∪Y，其中采集的样本数量为3900个，中的每个样本中含有16个数值，记为16个特征维数；Y＝{y1,y2,...,y3900}，Y中的每一个数值对应X中每个样本的炉膛温度输出，如采样数据如表1所示。
表1采样数据详细情况
步骤2：采用经验模态(Empirical Mode Decomposition，EMD)与阈值去噪相结合的算法对原始数据进行降噪，并采用min-max方法将去噪数据映射到[0,1]区间做归一化无纲量处理，得到预处理后的数据集B*；
步骤2-1：构造输入输出矩阵将B记为由17个列向量构成的集合
步骤2-2：利用经验模态EMD，分别对集合B中17个列向量进行分解。
其中，imf为特征分解的本征固有模态函数，Res为残差，si表示特征列向量分解了si个本征固有模态函数；
步骤2-3：计算特征分解的si个固有模态函数的归一化自相关函数，由于高斯白噪声信号为零均值，在零时刻其自相关函数取值为1，而其他点在0附近。一般信号在零时刻点时自相关函数值在0.9-1之间，其他点函数值在0-0.8范围内变化，因此可以通过比较一般信号与噪声信号自相关函数值在零时刻与其他时刻的明显不同找出噪声占主要部分的分界点，判断出噪声占主要部分的si'个imf；
步骤2-4：采用软硬阈值折中函数imf′j，对噪声占主要部分的si'个imf固有模态函数进行降噪处理：
其中，λ是阈值，sgn(x)为分段函数，imfi'为降噪后的模态函数。
步骤2-5：将降噪后的si'个imf与剩余的si-si'个imf及残差项Res进行信号线性重构，最终获得降噪后数据集合B’；
以烟气含氧量为例，将烟气含氧量数据序列分解成了9个本征固有模态函数与1个残差项，分别计算9个模态函数imf的归一化自相关函数，EMD具体分解图如图3所示；通过比较一般信号与噪声信号自相关函数值在零时刻与其他时刻的不同找出噪声占主要部分的分界点为imf3，判断出噪声占主要部分的前3个imf，烟气含氧量imf1～imf6自相关函数图如图4所示；采用软硬阈值折中函数对噪声占主要部分的前3个imf固有模态函数进行降噪处理，将去噪后的前3个imf与剩余的6个imf及残差项Res进行信号线性重构，得到降噪重构后烟气含氧量数据如图5所示，
重复步骤2-2至步骤2-5，分别对B中其余的16个特征向量中的数据进行降噪处理，最终获得降噪后数据B’。
步骤2-6：采用min-max方法将降噪数据集合B’映射到[0,1]区间做归一化无纲量处理，得到
步骤3：采用随机森林(Random Forest)对预处理后的数据集进行特征选择，根据实验法设定阈值选出重要性评分高的输入特征与输出特征组成新的样本
步骤3-1：计算出归一化处理后的数据集B*的每个特征的基尼系数Gini：
其中，pia代表第a个类别在特征中出现的概率，k表示特征中类别的数目，a＝1,…,k；
步骤3-2：计算特征在节点t的重要性，即计算特征在节点t分枝前后的Gini指数变化量；
VIMit＝Ginit-Ginil-Ginir (5)
其中，Ginil与Ginir分别表示由节点t分裂的两个新节点的Gini指数；
步骤3-3：计算特征在10000棵决策树中总的重要性评分；
步骤3-4：将所有求得的重要性评分进行归一化处理，并从大到小进行排序，如图6所示；
步骤3-5：计算得到对于输出向量(炉膛温度)的重要性排名，实验重要性排名详细情况如表2所示；
表2数据样本重要性排名
步骤3-6：选取重要性排名在0.021以上参变量作为后续模型建模的特征输入，其中，重要性数值选择根据穷举法逐一验证获得；
最终选择10个特征为模型的输入参数，分别为送风挡板开度、送风量、主蒸汽温度、过热器减温水量、主蒸汽流量、锅炉炉蒸发量、燃料量、再热器减温水量、烟气含氧量、再热器压力，输出新的数据集
步骤4：建立多模型智能组合锅炉温度预测模型；
步骤4-1：将数据集B*’按步骤1划分为T1、T2、T3三部分，再将其中的每一部分划分成P1、P2、P3三个样本集合，P1、P2、P3分别表示预测模型训练集、测试集、验证集；
步骤4-2：选择4种建模算法(BP、SVR、XGBOOST、LSSVM)作为智能选择模型的基底；
步骤4-3：使用T1数据集中的训练集P1训练4种基底模型，得到训练好的基底模型分别表示为MP，MR，MT，MM；
其中，各算法参数设置相同，最大迭代次数gmax＝1000，初始化当前迭代次数g＝0，学习率为χ＝0.01，误差目标值为0.001，Batchsize设置为5，LSSVM核函数采用RBF径向基核函数；
BP训练方式采用介于牛顿法与梯度下降法之间的一种非线性优化方Levenberg-Marquard算法，LSSVM算法训练方式采用网格搜索与交叉验证方式来优化正则化参数与核参数，其中初始C设置为100，σ设置为1，SVR采用5-折交叉验证进行训练，参数搜索范围设置为C∈[1,12]、σ∈[0.01,2]、ε∈[0.1,0.3]，XGBOOST树深度设置为2，树棵数设置为55，最小叶子权重设置为4，以上参数设置通过实验法确定。
步骤4-4：将T1数据集中的测试集P2中每个样本分别代入训练好的四个基底模型MP，MR，MT，MM中，分别由这四个基底模型得到的每个样本对应输入特征的4个不同的目标特征预测值；
步骤4-5：计算每个样本数据与步骤4-4中得到的4个不同的目标特征预测值的相对误差的绝对值；
步骤4-6：选择相对误差的绝对值最小的基底模型为该样本下的预测最优算法；
步骤4-7：给每个样本的预测最优算法作类别标记，其中BP、SVR、XGBOOST、LSSVM分别标记为1，2，3，4，形成分类样本数据集，其中，以T1数据集为例，如表3所示。得到各算法最优类别标记个数分别为属于1类别个数有80组；属于2类别个数有97组；属于3类别个数有95组；属于4类别个数有128组。从各类别标记数量来看，没有算法能够对不同样本得到最优预测结果；
表3部分截取数据具体信息
步骤4-8：在增加标记之后的分类样本数据集中随机选取300组样本作为C4.5算法建模的训练集DS，选择相对应T1数据集中的验证集P3的100组构建智能模型选择算法的测试数据集，结合训练集与测试集构建C4.5模型数据集，表示为S1；
步骤4-9：按照类别标记对步骤4-8得到的训练集DS进行划分，计算类别的信息熵：
其中，L为训练集DS中的类别向量，pj为类别属性中各类别占比，j为类别数。
步骤4-10：计算训练集DS的每个特征向量的条件熵：
其中，dik表示特征向量DSi(i＝1,…,10)中根据数值的不同分成的第k个类别，pk表示第k个类别在特征向量DSi中的概率，w表示特征向量DSi中所有可能不同取值；
步骤4-11：计算信息增益，将步骤4-9得到的类别信息熵减去步骤4-10得到的每个特征向量的条件熵；
步骤4-12：计算训练集DS中每个特征向量的分裂信息度量：
其中，k表示特征向量DSi(i＝1,…,10)中根据数值的不同分成的第k个类别，w代表特征向量DSi中所有可能不同取值，pk第k个类别在特征向量DSi中的概率；
步骤4-13：计算信息增益率，将步骤4-11计算得到的信息增益除以步骤4-12计算得到的分裂信息度量；
步骤4-14：根据计算得到的信息增益率进行选择属性，选择具有最大信息增益率的属性作为决策树节点，对该节点进行分裂；
步骤4-15：通过对分裂节点划分得到叶子节点，依次循环重复步骤4-9至步骤4-14，直到所有叶子节点不能够被分裂为止，得到训练好的C4.5分类模型CM1；
步骤4-16：分别将T2、T3两个部分的数据样本重复步骤4-2至步骤4-15进行训练，得到各自的C4.5分类模型CM2和CM3。
步骤5：对多模型智能组合锅炉温度预测模型进行验证；
步骤5-1：分别将步骤4-1所述T1、T2、T3三个部分的验证集P3输入到步骤4-16所述的已经训练好的三个不同的C4.5分类模型中，输出每个样本的分类预测结果(1、2、3、4)；
步骤5-2：根据每个样本的分类预测结果，选择步骤4-7所述的4个模型中，包括BP、SVR、XGBOOST、LSSVM的最优模型，用最优模型逐一对相应的样本进行锅炉炉膛温度预测分析；
步骤5-3：输出T1、T2、T3数据集中验证集P3的炉膛温度预测值。
锅炉炉膛温度预测模型的建模结果分别如图7(a)～(c)所示，通过图7(a)～(c)中通过对比可以看出在数据集S1、S2、S3中5种模型均对变化的炉膛温度有较好的预测能力，通过C4.5算法进行智能选择建模算法进行建模预测的组合算法(cp)的变化趋势更接近于炉膛温度变化的实际值；
通过表4中的结果可以看出3种数据集下，多模型智能组合算法进行预测得到的炉膛温度预测精度有明显提高，数据集S1中平均绝对百分误差、平均绝对误差较XGBOOST算法精度分别提高了36.1％、23.9％，而均方误差相差0.034，变化范围很小。在S2数据集中平均绝对百分误差、均方误差、平均绝对误差较LSSVM算法精度分别提高了32.2％、36.4％、31.4％。数据集S3中平均绝对百分误差、均方误差、平均绝对误差较LSSVM算法精度分别提高了43.0％、59.6％、37.3％，组合算法预测结果明显。
表4建模预测结果统计分析详细信息
通过表5不同算法分类结果的混淆矩阵中结果得到以下结论：在S1、S2、S3数据集中模型被智能分类选择的正确准确率均在85％以上。其中，第一类、第二类、第三类、第四类分别代表BP、SVR、XGBOOST、LSSVM模型。C4.5在S1数据集中对BP、SVR、XGBOOST、LSSVM算法正确识别分类个数分别为6、14、27、39个，仅有少量样本被错误的分类，算法正确率为86％。在S2数据集中对第一、二、三类别分类仅有3、1、3个类别被错误分类，对第四类错误分类有8个，影响了C4.5算法的正确率。在S3数据集中BP、SVR、XGBOOST算法被C4.5算法错误分类的个数仅有2、1、6个，而对LSSVM算法实现了全部正确分类，正确率达到了91％；
通过表4、5中的结果可以得到以下结论：智能选择算法在不同数据集下精度提升明显，达到了多模型智能选择的目的，说明多模型智能组合算法适用。可以满足实际运行需要；
表5是本发明具体实施方式中算法分类结果的混淆矩阵
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (6)
1.一种燃煤电站锅炉炉膛温度测量方法，其特征在于，包括如下步骤：
步骤1：从历史数据监控信息系统中获取包括炉膛温度及影响温度变化的相关变量在内的原始数据建立样本数据集DATA；
步骤2：采用经验模态EMD与阈值去噪相结合的算法对原始数据进行降噪，并采用min-max方法将去噪数据映射到[0,1]区间做归一化无纲量处理，得到预处理后的数据集B*；
步骤3：采用随机森林RF对预处理后的数据集进行特征选择，选出重要性大于设定阈值的输入特征与输出特征向量组成新的样本数据集B*’；
步骤4：建立多模型智能组合锅炉温度预测模型；
步骤5：对多模型智能组合锅炉温度预测模型进行验证。
2.根据权利要求1所述的一种燃煤电站锅炉炉膛温度测量方法，其特征在于步骤1所述从历史数据监控信息系统中获取包括炉膛温度及影响温度变化的相关变量在内的原始数据建立样本数据集DATA＝X∪Y，其中N为采集的样本数量，中的每个样本中含有m个数值，记为m个特征维数；Y＝{y1,y2,...,yN}，Y中的每一个数值对应X中每个样本的炉膛温度输出，如
3.根据权利要求1所述的一种燃煤电站锅炉炉膛温度测量方法，其特征在于，步骤2所述采用经验模态EMD与阈值去噪相结合的算法对原始数据进行降噪的过程如下：
步骤2-1：构造输入输出矩阵将B记为由m+1个列向量构成的集合
步骤2-2：利用经验模态EMD，分别对集合B中m+1个列向量进行分解；
其中，imf为特征分解的本征固有模态函数，Res为残差，si表示特征列向量(i＝1,…,m,m+1)分解了si个本征固有模态函数；
步骤2-3：计算特征分解的si个固有模态函数的归一化自相关函数，由于高斯白噪声信号为零均值，在零时刻其自相关函数取值为1，而其他点在0附近，一般信号在零时刻点时自相关函数值在0.9-1之间，其他点函数值在0-0.8范围内变化，因此可以通过比较一般信号与噪声信号自相关函数值在零时刻与其他时刻的明显不同找出噪声占主要部分的分界点，判断出噪声占主要部分的si'个imf；
步骤2-4：采用软硬阈值折中函数imfj'，对噪声占主要部分的si'个imf固有模态函数进行降噪处理：
其中，λ是阈值，sgn(x)为分段函数，imfi'为降噪后的模态函数；
步骤2-5：将降噪后的si'个imf与剩余的si-si'个imf及残差项Res进行信号线性重构，最终获得降噪后数据集合B’。
4.根据权利要求1所述的一种燃煤电站锅炉炉膛温度测量方法，其特征在于，步骤3所述采用随机森林RF对预处理后的数据集进行特征选择的过程如下：
步骤3-1：计算出归一化处理后的数据集B*的特征的基尼系数Ginii：
其中，pia代表第a个类别在特征中出现的概率，k表示特征中类别的数目，a＝1,…,k；
步骤3-2：计算特征在节点t的重要性，即计算特征在节点t分枝前后的Gini指数变化量；
VIMit＝Ginit-Ginil-Ginir (5)
其中，Ginil与Ginir分别表示由节点t分裂的两个新节点的Gini指数；
步骤3-3：假设特征在第j棵树中出现M次，那么在第j棵树重要性为；
步骤3-4：假设RF中共有n棵数，则计算特征在n棵数的Gini重要性：
步骤3-5：将所有特征的重要性VIMi进行归一化处理，并从大到小进行排序；
步骤3-6：设定阈值大小S，选择重要性大于阈值S的h个特征作为模型的输入特征，与输出特征构成新的数据集
5.根据权利要求1所述的一种燃煤电站锅炉炉膛温度测量方法，其特征在于，步骤4所述建立多模型智能组合锅炉温度预测模型的过程如下：
步骤4-1：将得到的数据集B*’按三个不同的时间段，温度变化范围不同的样本数据划分为T1、T2、T3三个数据集合，再将其中的每一个数据集合划分成P1、P2、P3三个样本集合，P1、P2、P3分别表示各自数据集合的训练集、测试集、验证集；
步骤4-2：选择4种建模算法(BP、SVR、XGBOOST、LSSVM)作为智能选择模型的基底模型；
步骤4-3：使用T1数据集中的训练集P1训练4种基底模型，得到训练好的基底模型分别表示为MP，MR，MT，MM；
步骤4-4：将T1数据集中的测试集P2中每个样本分别代入训练好的四个基底模型MP，MR，MT，MM中，分别由这四个基底模型得到的每个样本对应输入特征的4个不同的目标特征预测值；
步骤4-5：计算每个样本数据与步骤4-4中得到的4个不同的目标特征预测值的相对误差的绝对值；
步骤4-6：选择相对误差的绝对值最小的基底模型为该样本的预测最优算法；
步骤4-7：给每个样本的预测最优算法作类别标记，其中BP、SVR、XGBOOST、LSSVM分别标记为1，2，3，4，形成分类样本数据集；
步骤4-8：在增加标记之后的分类样本数据集中随机选取Z组样本作为C4.5算法建模的训练集Ds；
步骤4-9：按照类别标记对步骤4-8得到的训练集Ds进行划分，计算类别的信息熵：
其中，L为训练集Ds中的类别向量，pj为类别属性中各类别占比，j为类别数；
步骤4-10：计算训练集Ds的每个特征向量的条件熵：
其中，dik表示特征向量Dsi(i＝1,…,R)中根据数值的不同分成的第k个类别，pk表示第k个类别在特征向量Dsi中的概率，w表示特征向量Dsi中所有可能不同取值；
步骤4-11：计算信息增益，将步骤4-9得到的类别信息熵减去步骤4-10得到的每个特征向量的条件熵；
步骤4-12：计算训练集Ds中每个特征向量的分裂信息度量：
其中，k表示特征向量Dsi(i＝1,…,R)中根据数值的不同分成的第k个类别，w代表特征向量Dsi中所有可能不同取值，pk第k个类别在特征向量Dsi中的概率；
步骤4-13：计算信息增益率，将步骤4-11计算得到的信息增益除以步骤4-12计算得到的分裂信息度量；
步骤4-14：根据计算得到的信息增益率进行选择属性，选择具有最大信息增益率的属性作为决策树节点，对该节点进行分裂；
步骤4-15：通过对分裂节点划分得到叶子节点，依次循环重复步骤4-9至步骤4-14，直到所有叶子节点不能够被分裂为止，得到训练好的C4.5分类模型CM1；
步骤4-16：分别将T2、T3两个部分的数据样本重复步骤4-2至步骤4-15进行训练，得到各自的C4.5分类模型CM2和CM3。
6.根据权利要求1所述的一种燃煤电站锅炉炉膛温度测量方法，其特征在于，步骤5所述对多模型智能组合锅炉温度预测模型进行验证的过程如下：
步骤5-1：分别将步骤4-1所述T1、T2、T3三个部分的验证集P3输入到步骤4-15和步骤4-16所述的已经训练好的三个不同的C4.5分类模型中，输出每个样本的分类预测结果；
步骤5-2：根据每个样本的分类预测结果，选择对应的步骤4-7所述的BP、SVR、XGBOOST、LSSVM4个模型中的最优模型，用最优模型逐一对相应的样本进行锅炉炉膛温度预测分析；
步骤5-3：输出T1、T2、T3数据集中验证集P3的炉膛温度预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910795401.3A CN110532674B (zh) | 2019-08-27 | 2019-08-27 | 一种燃煤电站锅炉炉膛温度测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910795401.3A CN110532674B (zh) | 2019-08-27 | 2019-08-27 | 一种燃煤电站锅炉炉膛温度测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110532674A true CN110532674A (zh) | 2019-12-03 |
| CN110532674B CN110532674B (zh) | 2022-08-12 |
Family
ID=68664506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910795401.3A Active CN110532674B (zh) | 2019-08-27 | 2019-08-27 | 一种燃煤电站锅炉炉膛温度测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110532674B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111578254A (zh) * | 2020-05-29 | 2020-08-25 | 华润电力技术研究院有限公司 | 一种锅炉温度场分布预测方法、装置及系统 |
| CN112036100A (zh) * | 2020-09-24 | 2020-12-04 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
| CN112163376A (zh) * | 2020-10-09 | 2021-01-01 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
| CN112200735A (zh) * | 2020-09-18 | 2021-01-08 | 安徽理工大学 | 一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法 |
| CN112598166A (zh) * | 2020-12-16 | 2021-04-02 | 哈尔滨锅炉厂有限责任公司 | 一种基于回归算法学习机及专家经验的电站锅炉再热器左右两侧温度偏差的预测方法 |
| CN112651568A (zh) * | 2020-12-31 | 2021-04-13 | 新奥数能科技有限公司 | 锅炉负荷动态调节方法、装置、控制终端和存储介质 |
| CN113052399A (zh) * | 2021-04-21 | 2021-06-29 | 浙江中控技术股份有限公司 | 温度监控系统、方法、装置、存储介质及电子设备 |
| CN113111588A (zh) * | 2021-04-23 | 2021-07-13 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
| CN114398983A (zh) * | 2022-01-14 | 2022-04-26 | 腾讯科技（深圳）有限公司 | 分类预测方法、装置、设备、存储介质及计算机程序产品 |
| CN114418184A (zh) * | 2021-12-20 | 2022-04-29 | 广东石油化工学院 | 一种加热炉炉膛温度自适应容错预报方法 |
| CN114722730A (zh) * | 2022-06-07 | 2022-07-08 | 杭州集益科技有限公司 | 基于LightGBM与随机搜索法的燃煤锅炉排烟温度预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005107940A (ja) * | 2003-09-30 | 2005-04-21 | Nippon Steel Corp | 溶銑温度予測装置、溶銑温度予測方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
| CN102175345A (zh) * | 2011-01-06 | 2011-09-07 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 |
| CN104408215A (zh) * | 2014-08-07 | 2015-03-11 | 大唐内蒙古多伦煤化工有限责任公司 | 一种煤灰流动温度的预测方法 |
| CN106224939A (zh) * | 2016-07-29 | 2016-12-14 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉床温预测方法及系统 |
| CN106503458A (zh) * | 2016-10-26 | 2017-03-15 | 南京信息工程大学 | 一种地面气温数据质量控制方法 |
| CN108182553A (zh) * | 2018-02-02 | 2018-06-19 | 东北电力大学 | 一种燃煤锅炉燃烧效率在线测量方法 |
| CN109117992A (zh) * | 2018-07-27 | 2019-01-01 | 华北电力大学 | 基于wd-la-wrf模型的超短期风功率预测方法 |
| CN110110774A (zh) * | 2019-04-28 | 2019-08-09 | 浙江工业大学 | 一种基于多模型融合的co2在离子液体中溶解度预测方法 |
-
2019
- 2019-08-27 CN CN201910795401.3A patent/CN110532674B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005107940A (ja) * | 2003-09-30 | 2005-04-21 | Nippon Steel Corp | 溶銑温度予測装置、溶銑温度予測方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
| CN102175345A (zh) * | 2011-01-06 | 2011-09-07 | 华东理工大学 | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 |
| CN104408215A (zh) * | 2014-08-07 | 2015-03-11 | 大唐内蒙古多伦煤化工有限责任公司 | 一种煤灰流动温度的预测方法 |
| CN106224939A (zh) * | 2016-07-29 | 2016-12-14 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉床温预测方法及系统 |
| CN106503458A (zh) * | 2016-10-26 | 2017-03-15 | 南京信息工程大学 | 一种地面气温数据质量控制方法 |
| CN108182553A (zh) * | 2018-02-02 | 2018-06-19 | 东北电力大学 | 一种燃煤锅炉燃烧效率在线测量方法 |
| CN109117992A (zh) * | 2018-07-27 | 2019-01-01 | 华北电力大学 | 基于wd-la-wrf模型的超短期风功率预测方法 |
| CN110110774A (zh) * | 2019-04-28 | 2019-08-09 | 浙江工业大学 | 一种基于多模型融合的co2在离子液体中溶解度预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| A. GEETHA等: "Data mining for meteorological applications: Decision trees for modeling rainfall prediction", 《2014 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMPUTING RESEARCH》, 7 September 2015 (2015-09-07), pages 1 - 4 * |
| 傅艺绮等: "基于组合机器学习算法的软件缺陷预测模型", 《计算机研究与发展》, no. 03, 15 March 2017 (2017-03-15), pages 180 - 188 * |
| 唐振浩，等: "基于数据驱动和智能优化的高炉十字测温温度预报", 《信息与控制》, vol. 43, no. 3, 31 December 2014 (2014-12-31), pages 355 - 360 * |
| 牛阔等: "改进EMD与小波阈值相结合的光生混沌信号降噪", 《现代电子技术》, no. 17, 1 September 2018 (2018-09-01), pages 53 - 58 * |
| 罗周全等: "基于改进EMD的地下金属矿山围岩声发射信号去噪声处理", 《中南大学学报(自然科学版)》, no. 11, 26 November 2013 (2013-11-26), pages 329 - 336 * |
| 韦古强等: "基于随机森林算法的风电机组故障智能诊断预警模型", 《中国高新技术企业》, no. 07, 31 December 2017 (2017-12-31), pages 203 - 204 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111578254A (zh) * | 2020-05-29 | 2020-08-25 | 华润电力技术研究院有限公司 | 一种锅炉温度场分布预测方法、装置及系统 |
| CN112200735A (zh) * | 2020-09-18 | 2021-01-08 | 安徽理工大学 | 一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法 |
| CN112036100A (zh) * | 2020-09-24 | 2020-12-04 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
| CN112163376B (zh) * | 2020-10-09 | 2024-03-12 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
| CN112163376A (zh) * | 2020-10-09 | 2021-01-01 | 江南大学 | 一种基于天牛须搜索的极端随机树炉温预测控制方法 |
| CN112598166A (zh) * | 2020-12-16 | 2021-04-02 | 哈尔滨锅炉厂有限责任公司 | 一种基于回归算法学习机及专家经验的电站锅炉再热器左右两侧温度偏差的预测方法 |
| CN112598166B (zh) * | 2020-12-16 | 2024-07-19 | 华电新疆哈密煤电开发有限公司 | 一种基于回归算法学习机及专家经验的电站锅炉再热器左右两侧温度偏差的预测方法 |
| CN112651568A (zh) * | 2020-12-31 | 2021-04-13 | 新奥数能科技有限公司 | 锅炉负荷动态调节方法、装置、控制终端和存储介质 |
| CN113052399A (zh) * | 2021-04-21 | 2021-06-29 | 浙江中控技术股份有限公司 | 温度监控系统、方法、装置、存储介质及电子设备 |
| CN113111588B (zh) * | 2021-04-23 | 2023-01-24 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
| CN113111588A (zh) * | 2021-04-23 | 2021-07-13 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
| CN114418184A (zh) * | 2021-12-20 | 2022-04-29 | 广东石油化工学院 | 一种加热炉炉膛温度自适应容错预报方法 |
| CN114398983A (zh) * | 2022-01-14 | 2022-04-26 | 腾讯科技（深圳）有限公司 | 分类预测方法、装置、设备、存储介质及计算机程序产品 |
| CN114722730A (zh) * | 2022-06-07 | 2022-07-08 | 杭州集益科技有限公司 | 基于LightGBM与随机搜索法的燃煤锅炉排烟温度预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110532674B (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532674A (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
| CN112085277B (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN110413601B (zh) | 基于高斯朴素贝叶斯和预报误差法的发电机数据筛选法 | |
| CN103455635A (zh) | 基于最小二乘支持向量机集成的热工过程软测量建模方法 | |
| CN111158239B (zh) | 基于关联规则算法与神经网络的制粉系统性能优化方法 | |
| CN106934209A (zh) | 一种燃煤电站烟气含氧量在线预测方法 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
| Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| 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 | |
| CN108182553B (zh) | 一种燃煤锅炉燃烧效率在线测量方法 | |
| CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN116306234B (zh) | 一种燃气轮机的氮氧化物预测排放检测方法及系统 | |
| CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
| CN116127831A (zh) | 一种重型燃气轮机难测参数软测量方法 | |
| CN111797883B (zh) | 一种基于随机森林的煤种识别方法 | |
| CN114038513A (zh) | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 | |
| CN113688895A (zh) | 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及系统 | |
| CN112036091A (zh) | 一种利用回归算法预测四角切圆燃烧器喷口风量的方法 | |
| Zheng et al. | The bidirectional information fusion using an improved LSTM model | |
| Zhou et al. | Prediction model of coal consumption based on random forest variable selection and random-grid hyperparametric optimization algorithm | |
| Lu et al. | A quality evaluation model for diesel engine using RBF neural network based on trial run data |
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 |