CN110647560B - 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 - Google Patents
一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 Download PDFInfo
- Publication number
- CN110647560B CN110647560B CN201910914362.4A CN201910914362A CN110647560B CN 110647560 B CN110647560 B CN 110647560B CN 201910914362 A CN201910914362 A CN 201910914362A CN 110647560 B CN110647560 B CN 110647560B
- Authority
- CN
- China
- Prior art keywords
- temperature
- air
- coal
- mill
- pressure
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种机理与类脑智能结合的电厂入炉煤质在线软测量方法,所述方法包括:实时采集190个常规监测点的监测数据;提取监测数据的原始主元特征,将其输入预先建立的火电厂入炉煤质的在线软测量模型,输出入炉煤质的在线元素成分和工业成分的软测量值。本发明的方法在不添加任何硬件设施的条件下,能够实现具有实时性和精准性的入炉煤质成分在线软测量,可以为火电厂燃烧优化和智能控制及决策提供实时在线依据;此外,本发明的方法利用火电厂常规监测点的实时数据,实现对入炉煤的煤质的且同时实现5种元素成分和4种工业成分的软测量;每一种成分软测量绝对误差小于1%,软测量时间小于1秒。
Description
技术领域
本发明涉及智慧电厂和人工智能领域,具体涉及一种机理与类脑智能结合的电厂入炉煤质在线软测量方法。
背景技术
目前,对于煤质的工业成分和元素成分的分析,主要依靠电厂运行人员每8小时、每天定期抽样、化验原煤得到,该方法存在如下的不足:原煤抽样过程是随机过程,样品的代表性不一定能够保证;原煤化验过程每天定期开展,最小周期是8小时,无法实时在线分析煤质成分,用定期化验值代替8小时平均值,存在一定的偏差;一批煤样的元素成分和工业成分分析结果8小时后获得,难以指导燃煤电厂节能发电调度计划,难以更科学、公正地对燃煤火电机组的发电进行优化控制。因此,迫切需要火电厂入炉煤质成分的在线测量方法,以便有效地改善由于燃煤质量不稳定或是多样化所给制粉系统和锅炉燃烧运行的安全性带来的影响,确保电厂能够安全、经济运行。
发明内容
本发明的目的在于针对火电厂煤质成分的在线测量问题,在不添加任何硬件设施的条件下,提出一种机理与类脑智能结合的电厂入炉煤质在线软测量方法,利用火电厂现有常规监测点的历史数据和煤质成分化验的历史数据,将大数据和人工智能相结合,实现碳氢氧氮硫元素成分含量以及工业成分的水分含量、挥发分含量、灰分含量、低位发热量的在线软测量。
为了实现上述目的,本发明的实施例1提供了一种机理与类脑智能结合的电厂入炉煤质在线软测量方法,所述方法包括:
实时采集190个常规监测点的监测数据;
提取监测数据的原始主元特征,将其输入预先建立的火电厂煤质的在线软测量模型,输出煤质的在线元素成分和工业成分的软测量值。
作为上述方法的一种改进,所述190个常规监测点包括:
发电机的:发电机有功功率,发电机总功率,和发电机频率;
磨煤机的:A给煤机电流,A磨风粉混合物温度,A磨出口风温度,A磨煤机电流,A磨入口一次风风量,A磨密封风与一次风压差,A磨入口一次风温,A磨入口一次风压,B给煤机电流,B磨风粉混合物温度,B磨出口温度,B磨煤机给煤率,B磨煤机电流,B磨入口一次风风量,B磨密封风与一次风压差,B磨入口一次风温,B磨入口一次风压,C给煤机电流,C磨出口风温度,C磨风粉混合物温度,C磨煤机电流,C磨煤机给煤率,C磨密封风与一次风压差,C磨入口一次风风量,C磨入口一次风温,C磨入口一次风压,D给煤机电流,D给煤机给煤率,D磨出口风温度,D磨风粉混合物温度,D磨煤机电流,D磨密封风与一次风压差,D磨入口一次风风量,D磨入口一次风温,D磨入口一次风压,E给煤机电流,E给煤机给煤率,E磨出口风温度,E磨风粉混合物温度,E磨煤机电流,E磨密封风与一次风压差,E磨入口一次风风量,E磨入口一次风温,E磨入口一次风压,F给煤机电流,F给煤机给煤率,F磨出口风温度,F磨风粉混合物温度,F磨煤机电流,F磨密封风与一次风压差,F磨入口一次风风量,F磨入口一次风温,F磨入口一次风压和磨煤机工作环境温度;
锅炉的:给水流量,给水温度,给水压力,汽包压力,汽包水位,A侧热二次风流量,A侧热二次风温度,A侧热一次风温度,A二次暖风器出口风温,A二次暖风器入口风温,A空预器出口二次风压,A空预器出口一次风压,A空预器入口二次风压,A空预器入口一次风压,A送风机出口风压,A送风机电流,A一次风机电流,A一次风机出口风压,A一次风机入口风温,A一次风暖风机出口风温,A一次风暖风机入口风温,B侧热二次风流量,B侧热二次风温度,B侧热一次风温度,B二次暖风器出口风温,B二次暖风器入口风温,B空预器出口二次风压,B空预器出口一次风压,B空预器入口二次风压,B空预器入口一次风压,B送风机出口风压,B送风机电流,B一次风电机电流,B一次风机入口风温,B一次风暖风器出口风温,B一次风暖风器入口风温,右侧的侧墙壁式辐射再热器出口集箱温度,左侧的侧墙壁式辐射再热器出口集箱温度,二次风箱-炉膛差压,固定端低温过热器出口烟道负压,固定端过热器出口烟道负压,固定端过热器入口烟道负压,右侧的过热器二级减温器后蒸汽温度,左侧的过热器二级减温器后蒸汽温度,右侧的过热器二级减温水流量,左侧的过热器二级减温水流量,右侧的过热器分割屏出口蒸汽温度,左侧的过热器分割屏出口蒸汽温度,右侧的过热器后屏出口蒸汽温度,左侧的过热器后屏出口蒸汽温度,过热器减温水温度,右侧过热器一级减温器后蒸汽温度,左侧的过热器一级减温器后蒸汽温度,右侧过热器一级减温水流量,左侧的过热器一级减温水流量,扩建端低温过热器出口烟道负压,扩建端过热器出口烟道负压,扩建端再热器入口烟道负压,炉膛-一次风道压力,右侧的末级过热器出口蒸汽温度,左侧的末级过热器出口蒸汽温度,固定端的末级过热器出口蒸汽压力,右端的末级过热器出口蒸汽压力,右侧的末级再热器出口蒸汽温度,左侧的末级再热器出口蒸汽温度,右侧的过热器后屏出口蒸汽温度,右侧的前墙壁式辐射再热器入口压力,左侧的前墙壁式辐射再热器入口压力,热一次风母管压力,右侧的再热器出口导管温度,左侧的再热器出口导管温度,右侧的再热器出口压力,左侧的再热器出口压力,右侧的再热器减温器入口温度,左侧的再热器减温器入口温度,右侧的再热器减温水流量,左侧的再热器减温水流量,再热器减温水母管温度,再热器减温水母管压力,和再热器入口压力,
汽轮机的:A低压缸排气温度,A给水泵汽轮机凝气器热井出口温度,A给水泵汽轮机凝汽器温度,A气泵转速,B低压缸排气温度,B给水泵汽轮机凝汽器热井出口温度,B给水泵汽轮机凝汽器温度,B气泵转速,低压缸进气温度,高压缸排气温度,高压缸排气压力,高压缸下半内壁温度,高压缸下半外壁温度,高中压缸轴封蒸汽母管温度,高中压缸轴封蒸汽母管压力,凝结水输出泵出口压力,中压缸排气管供气抽气调节阀压力,烟囱入口氮氧化物浓度,烟囱入口二氧化硫浓度,烟囱入口湿度,和烟囱入口氧气浓度;
排烟排污的:A空预器出口烟气温度,A空预器出口烟气压力,A空预器出口烟气氧量,A空预器辅电机电流,A空预器入口烟气温度,A空预器入口烟气压力,A空预器入口烟气氧量,A空预器入口烟气氧量,A空预器主电机电流,A引风机出口烟气压力,A引风机电流,A引风机入口烟气压力,B空预器出口烟气温,B空预器出口烟气压力,B空预器出口烟气氧量,B空预器辅电机电流,B空预器入口烟气温度,B空预器入口烟气压力,B空预器入口烟气氧量,B空预器入口烟气氧量,B空预器主电机电流,B引风机出口烟气压力,B引风机电流,B引风机入口烟气压力,固定端省煤器入口烟道压力,扩建端省煤器入口烟道压力,汽包连排流量,汽包至定排扩容器排污压力,汽包至连排扩容器排污压力,省煤器入口给水母管压力,省煤器入口给水温度,和主给水流量。
作为上述方法的一种改进,所述煤质的在线元素成分的软测量值包括:煤质的收到基碳、收到基氢、收到基氧、收到基氮、收到基硫元素成分;所述煤质的工业成分的软测量值包括:水分含量、挥发分含量、灰分含量和收到基低位发热量。
作为上述方法的一种改进,所述火电厂煤质的在线软测量模型包括:空间映射层和一个改进双曲门限的双向长短记忆网络层;该模型的输入为由190个监测点数据构成的原始主元特征矩阵;所述空间映射层将原始主元特征矩阵映射为警觉主元特征矩阵;将警觉主元特征矩阵输入改进双曲门限的双向长短记忆网络层,输出为煤质的在线元素成分和工业成分的软测量值;
所述改进双曲门限的双向长短记忆网络层采用改进的双曲正切函数tanh′(x):
tanh′(x)=tanh(x)+λx+η
其中,λ是一个系数,其取值在[0,1]之间,η为一个无穷小量,λ=0.2时,η=0.0001。
作为上述方法的一种改进,所述火电厂煤质的在线软测量模型的训练步骤包括:
步骤1)建立训练样本集,包括常规监测数据库历史数据,以及相应的煤质成分化验数据库历史数据;
步骤2)计算训练样本集的常规监测数据库历史数据的原始主元特征矩阵;
步骤3)将所述原始主元特征矩阵输入空间映射层,输出警觉主元特征矩阵;
步骤4)将警觉性主元特征矩阵输入改进双曲门限的双向长短记忆网络层,以煤质成分化验数据库历史数据为目标输出,对火电厂煤质的在线软测量模型进行训练。
作为上述方法的一种改进,所述常规监测数据库历史数据为:
所述相应的煤质成分化验数据库历史数据包括:煤质成分化验数据库的煤质成分的碳氢氧氮硫元素含量、及水分含量、挥发分含量、灰分、低位发热量的工业成分,创建煤质成分在线软测量模型的输出样本训练数据Y:
作为上述方法的一种改进,所述步骤2)具体包括:
求取UT的相关矩阵R:
R=E[UTU]
计算R的特征值λj,j=1,2,…,N,对特征值由大到小进行排序,选择前d个特征值;计算d个特征值对应的向量,归一化后记为uj,j=1,2,…,d,由uj构成变化矩阵A:
A=(u1,u2,…ud)
对样本集UT进行K-L变换;则变换后的矩阵I为原始主元特征矩阵:
I=ATUT。
作为上述方法的一种改进,所述步骤3)具体包括:
定义警觉矩阵C:
根据原始主元特征矩阵和警觉矩阵,计算主动警觉主元特征IA:
其中,d为主元特征的维数。
作为上述方法的一种改进,所述火电厂煤质的在线软测量模型的训练步骤还包括:利用新产生的历史数据,对所述火电厂煤质的在线软测量模型进行更新。
本发明的实施例2提供了一种机理与类脑智能结合的电厂入炉煤质在线软测量系统,所述系统包括:
一个预先建立的火电厂煤质的在线软测量模型;
数据采集模块,用于实时采集190个常规监测点的监测数据;
软测量值计算模块,用于提取监测数据的原始主元特征,将其输入在线软测量模型,输出煤质的在线元素成分和工业成分的软测量值。
与现有技术相比,本发明的优势在于:
1、本发明的方法利用火电厂的常规监测点的实时数据,实现入炉煤质的基碳氢氧氮硫元素成分分析以及工业成分的水分含量、挥发分含量、灰分含量软测量、收到基低位发热量的在线智能软测量;
2、本发明采用大数据和人工智能方法,实现煤质成分的在线实时软测量,取代目前煤质分析所采用的离线化验方法;
3、本发明的方法在不添加任何硬件设施的条件下,实现具有实时性和精准性的煤质成分在线软测量,且同时实现5种元素成分分析和4种工业成分分析,可以为火电厂燃烧优化和智能控制及决策提供实时在线依据;
4、本发明的方法利用火电厂常规监测点的实时数据,实现对入炉煤的煤质的收到基碳氢氧氮元素成分和水分含量、挥发分含量、灰分含量、收到基低位发热量的工业成分的软测量;软测量绝对误差小于0.25,软测量时间小于1s。
附图说明
图1本发明的技术方案的框图;
图2为双向长短记忆神经元结构示意图;
图3为双向长短记忆网络模型示意图;
图4为双曲正切函数及其导数;
图5为本发明提出的改进双曲正切函数;
图6为不同λ取值的改进双曲正切双向长度记忆网络训练误差收敛图;
图7为本发明提出的主动警觉长短记忆网络模型逻辑图;
图8为煤质成分在线智能软测量模型及其输入输出;
图9为煤质成分在线智能软测量模型训练误差曲线;
图10为模型拟合优度图。
具体实施方式
下面根据附图和具体实施例对本发明的技术方案进行详细的说明。
实施例1
本发明的方法依据火电厂生产过程中能量守恒、质量守恒和动量守恒及物理化学方程等煤质分析基础理论,利用火电厂常规监测点的历史大数据和煤质常规化验的历史数据,采用人工智能方法创建在线煤质成分软测量模型;利用火电厂常规监测点的实时数据,实现对入炉煤质的碳氢氧氮元素成分和水分含量、挥发分含量、灰分含量、低位发热量的工业成分的在线智能软测量,研究思路和技术路线参见图1。
(1)提出入炉煤质在线软测量所需的常规监测点和软测量输出参数
火电厂常规监测点多达6千左右,首先要确定在线煤质智能软测量模型训练相关的监测点;表1是根据火电厂生产过程中能量守恒、质量守恒和动量守恒及物理化学方程等煤质分析机理,以此确定主要相关测点和其它相关检测点;
根据火电厂长期运行实际经验和先验知识,确定的其它相关监测点;
由主要相关监测点和其它相关监测点,提出煤质在线软测量用到的常规监测点;
表2火电厂煤质成分智能软测量相关常规监测点
表3火电厂煤质成分在线智能软测量输出参数表
序号 | 名称/单位 |
1 | 收到基碳含量C<sub>ar</sub>/(%) |
2 | 收到基氢含量C<sub>ar</sub>/(%) |
3 | 收到基氧含量C<sub>ar</sub>/(%) |
4 | 收到基氮含量C<sub>ar</sub>/(%) |
5 | 收到基硫含量C<sub>ar</sub>/(%) |
6 | 水分含量/(%) |
7 | 挥发分含量/(%) |
8 | 灰分含量/(%) |
9 | 收到基低位发热量(J/g) |
(2)提出表2常规监测点的潜模型主元特征提取方法
为缩短数据处理和模型训练时间,需要去除监测数据中的冗余信息。为此,本发明提出表2常规监测点数据的潜模型主元特征提取方法,以潜模型主元特征,作为原始主元特征。
1)用火电厂监控中心云服务器的常规监测数据库历史数据,创建煤质成分在线软测量模型的输入样本的训练数据矩阵:
设U为原始监测数据样本:
求取UT的相关矩阵R,有
R=E[UTU] (2)
计算R的特征值λj,j=1,2,…,N。为确保降维空间变换后获得的成分为主元成分,对特征值由大到小进行排序,选择前d个特征值;计算d个特征值对应的向量,归一化后记为uj,j=1,2,…,d,由uj构成变化矩阵A:
A=(u1,u2,…ud) (3)
对样本集UT进行K-L变换;则变换后的矩阵I为潜模型主元特征矩阵:
I=ATUT (4)
d维向量I就是常规监测点的潜模型主元特征矩阵。
2)用火电厂监控中心云服务器的煤质成分化验数据库历史数据,相应的煤质成分化验数据库历史数据包括:煤质成分化验数据库的煤质成分的碳氢氧氮硫元素含量、及水分含量、挥发分含量、灰分、收到基低位发热量的工业成分,创建煤质成分在线软测量模型的输出样本训练数据Y:
(3)提出主动警觉机制
警觉机制基础理论发源于哲学、认知心理学、社会科学和语言学领域,是一种根据先验知识或关联关系,对不正确信息进行强化或防范的新型机制。在燃煤电厂的运行过程中,为有效强化或防范不正确信息的影响,提出主动警觉机制。
根据燃煤电厂运行的先验知识,首先需要确定主动警觉的常规测点时间位置;然后定义主动警觉矩阵,警觉矩阵是一个稀疏矩阵,矩阵中的每个元素值为警觉性权重,以此增强训练模型的稳定性,抑制数据波动对模型输出准确度的影响。
首先,根据火电厂运行的先验知识,确定主动警觉的常规测点和时间,如磨煤机总入煤量、负荷、空预器入口温度、锅炉汽包水位等主要相关测点的数据变化及时间。
设模型的输入为原始主元特征矩阵I,有
式中,It0 It1 … ItN-1是d维主元特征向量。
定义警觉矩阵C是一个稀疏矩阵如下:
在主元特征和警觉矩阵的基础上,定义主动警觉机制,则主动警觉主元特征IA为:
式中,d为主元特征的维数,N为采样个数,t表示采样时间序列,I为主元向量,W为警觉矩阵元素。
(4)提出基于改进双曲门限函数的长度记忆神经元
火电厂的燃烧系统、汽水系统和风烟系统都是大惯性、大滞后系统,常规测点数据在时间序列上具有较强的相关性。双向长短时记忆神经网络是循环神经网络的变体,能够从正向和反向上充分挖掘测点数据在时间序列上与煤质成分的相关性,在处理序列数据方面具有着独特优势。因此,本发明选取双向长短记忆神经网络作为煤质成分在线智能软测量模型基础,图2为长短记忆神经元模型,图3为长短记忆神经网络模型。
激活函数是长短时记忆神经网络中不可或缺的重要组成部分,其输入门的激活函数在从输入到神经元状态的映射过程中起到重要作用。
双向长短记忆神经网络的激活函数是双曲正切tanh函数,其表达式如下:
图4为双曲正切函数及其导数,当自变量的值较大时,双曲正切函数Tanh的梯度饱和几乎为零。
长短时记忆网络使用梯度下降法修正权重,选用tanh为激活函数时,在训练过程中当有大量数据输入时可能会出现拥堵的情况,从而导致训练时间变长或者甚至无法训练。本发明提出了一种改进的双曲正切函数tanh′(x),如图5所示。
tanh′(x)=tanh(x)+λx+η (10)
其中,λ是一个系数,其取值在[0,1]之间,η为一个无穷小量。
不难看出,改进的双曲正切激活函数,避免了训练过程中梯度饱和为零影响收敛速度的问题,λ的取值在(0,1]范围之间。图6是λ取不同值的实验。可以看出,λ=0.2时,使用改进双曲正切激活函数的双向长短记忆网络迭代误差收敛效果最好。此外,本发明选取常数η=0.0001。
(5)提出主动警觉长短记忆网络模型并定期进行模型更新
以改进的双曲函数作为双向长短记忆神经网络中输入门和输出门的门限函数,形成基于改进双曲门限的双向长短记忆神经网络。以相关检测点的警觉性主元特征矩阵IA的历史数据为输入样本,经过改进双曲门限的双向长短记忆网络,以煤质成分的碳氢氧氮硫元素含量、及水分含量、挥发分含量、灰分、低位发热量的工业成分的历史化验数据为输出样本,经过训练学习,获得在线智能软测量模型。
在此基础上,定期利用新的历史数据对模型进行更新。图7为本发明提出的主动警觉长短记忆网络模型逻辑图。
(6)实现火电厂煤质工业成分和元素成分在线软测量方法
调用火电厂常规监测点的实时监测数据,求出其警觉性主元特征向量并送入在线智能软测量模型的输入端,如图8所示,由模型的输出端获得煤质成分的在线软测量值。图9为煤质成分在线智能软测量模型训练误差曲线。图10为模型拟合优度图。
基于上述的技术方案,本发明的实施例1提出了一种机理与类脑智能结合的电厂入炉煤质在线软测量方法,该方法包括:
①利用火电厂燃烧系统、汽水系统和风烟系统常规监测点的历史大数据、及煤质工业成分及元素成分的历史化验大数据数据,遵循质量守恒、能量守恒和动量守恒原理及物理化学方程,确定煤质在线软测量的主要相关监测点和其它相关监测点;②提取基于潜结构模型的历史监测数据的原始主元特征向量;③根据火电厂运行历史经验,定义警觉矩阵,提出主动警觉机制,创建基于历史监测数据的主动警觉主元特征训练样本;④针对梯度饱为零和而影响模型训练速度问题,提出改进的双曲正切函数作为神经元激活函数;⑤创建基于改进双曲正切函数的双向长短记忆神经网络作为煤质成分在线软测量模型;⑥以火电厂常规监测点实时数据的主动警觉主元特征为输入,通过煤质成分在线软测量模型,实现水分含量、挥发分含量、灰分含量、低位发热量、的工业成分和碳、氢、氧、氮、硫元素成分含量的在线智能软测量。
该方法包括以下步骤:
(1)从火电厂监控中心提取表2的190个监测点和表3的历史大数据;
(2)建立原始数据矩阵U;
(3)求出主元变化矩阵A;
(4)求取U的主元特征矩阵I=ATUT;
(5)设置警觉矩阵C的元素值:
(6)求出主动警觉主元特征矩阵
(7)将改进的神经元激活函数tanh′(x)=tanh(x)+λx+η应用于双向长度记忆神经网络,λ=0.2,η=0.00001。
(8)加入警觉机制,创建主动警觉双向长短记忆网络,形成火电厂煤质的在线软测量模型。
(9)以实时监测点数据的原始主元特征I为输入,经过火电厂煤质的在线软测量模型,获得煤质的在线元素成分和工业成分的软测量值。
(10)利用新产生的历史数据,对在线软测量模型进行更新。
实施例2:
本发明的实施例2提出了一种机理与类脑智能结合的电厂入炉煤质在线软测量系统,所述系统包括:
一个预先建立的火电厂煤质的在线软测量模型;
数据采集模块,用于实时采集190个常规监测点的监测数据;
软测量值计算模块,用于提取监测数据的原始主元特征,将其输入在线软测量模型,输出煤质的在线元素成分和工业成分的软测量值。
本发明不仅避免加装特定设备带来的安全问题和经济负担,而且显著提升火电厂煤质在线软测量的实时性和精准性,为火电厂燃烧优化和协同控制提供决策依据。该方法也适应于火电厂其他参数和变量的在线软测量。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形,这些改进和变形也应视为本发明的保护范围。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种机理与类脑智能结合的电厂入炉煤质在线软测量方法,所述方法包括:
实时采集190个常规监测点的监测数据;
提取监测数据的原始主元特征,将其输入预先建立的火电厂入炉煤质的在线软测量模型,输出入炉煤质的在线元素成分和工业成分的软测量值;
所述火电厂煤质的在线软测量模型包括:空间映射层和一个改进双曲门限的双向长短记忆网络层;该模型的输入为由190个监测点数据构成的原始主元特征矩阵;所述空间映射层将原始主元特征矩阵映射为警觉主元特征矩阵;将警觉主元特征矩阵输入改进双曲门限的双向长短记忆网络层,输出为煤质的在线元素成分和工业成分的软测量值;
所述改进双曲门限的双向长短记忆网络层采用改进的双曲正切函数tanh'(x):
tanh′(x)=tanh(x)+λx+η
其中,λ是一个系数,其取值在[0,1]之间,η为一个无穷小量,λ=0.2时,η=0.0001。
2.根据权利要求1所述的方法,其特征在于,所述190个常规监测点包括:
发电机的:发电机有功功率,发电机总功率,和发电机频率;
磨煤机的:A给煤机电流,A磨风粉混合物温度,A磨出口风温度,A磨煤机电流,A磨入口一次风风量,A磨密封风与一次风压差,A磨入口一次风温,A磨入口一次风压,B给煤机电流,B磨风粉混合物温度,B磨出口温度,B磨煤机给煤率,B磨煤机电流,B磨入口一次风风量,B磨密封风与一次风压差,B磨入口一次风温,B磨入口一次风压,C给煤机电流,C磨出口风温度,C磨风粉混合物温度,C磨煤机电流,C磨煤机给煤率,C磨密封风与一次风压差,C磨入口一次风风量,C磨入口一次风温,C磨入口一次风压,D给煤机电流,D给煤机给煤率,D磨出口风温度,D磨风粉混合物温度,D磨煤机电流,D磨密封风与一次风压差,D磨入口一次风风量,D磨入口一次风温,D磨入口一次风压,E给煤机电流,E给煤机给煤率,E磨出口风温度,E磨风粉混合物温度,E磨煤机电流,E磨密封风与一次风压差,E磨入口一次风风量,E磨入口一次风温,E磨入口一次风压,F给煤机电流,F给煤机给煤率,F磨出口风温度,F磨风粉混合物温度,F磨煤机电流,F磨密封风与一次风压差,F磨入口一次风风量,F磨入口一次风温,F磨入口一次风压和磨煤机工作环境温度;
锅炉的:给水流量,给水温度,给水压力,汽包压力,汽包水位,A侧热二次风流量,A侧热二次风温度,A侧热一次风温度,A二次暖风器出口风温,A二次暖风器入口风温,A空预器出口二次风压,A空预器出口一次风压,A空预器入口二次风压,A空预器入口一次风压,A送风机出口风压,A送风机电流,A一次风机电流,A一次风机出口风压,A一次风机入口风温,A一次风暖风机出口风温,A一次风暖风机入口风温,B侧热二次风流量,B侧热二次风温度,B侧热一次风温度,B二次暖风器出口风温,B二次暖风器入口风温,B空预器出口二次风压,B空预器出口一次风压,B空预器入口二次风压,B空预器入口一次风压,B送风机出口风压,B送风机电流,B一次风电机电流,B一次风机入口风温,B一次风暖风器出口风温,B一次风暖风器入口风温,右侧的侧墙壁式辐射再热器出口集箱温度,左侧的侧墙壁式辐射再热器出口集箱温度,二次风箱-炉膛差压,固定端低温过热器出口烟道负压,固定端过热器出口烟道负压,固定端过热器入口烟道负压,右侧的过热器二级减温器后蒸汽温度,左侧的过热器二级减温器后蒸汽温度,右侧的过热器二级减温水流量,左侧的过热器二级减温水流量,右侧的过热器分割屏出口蒸汽温度,左侧的过热器分割屏出口蒸汽温度,右侧的过热器后屏出口蒸汽温度,左侧的过热器后屏出口蒸汽温度,过热器减温水温度,右侧过热器一级减温器后蒸汽温度,左侧的过热器一级减温器后蒸汽温度,右侧过热器一级减温水流量,左侧的过热器一级减温水流量,扩建端低温过热器出口烟道负压,扩建端过热器出口烟道负压,扩建端再热器入口烟道负压,炉膛-一次风道压力,右侧的末级过热器出口蒸汽温度,左侧的末级过热器出口蒸汽温度,固定端的末级过热器出口蒸汽压力,右端的末级过热器出口蒸汽压力,右侧的末级再热器出口蒸汽温度,左侧的末级再热器出口蒸汽温度,右侧的过热器后屏出口蒸汽温度,右侧的前墙壁式辐射再热器入口压力,左侧的前墙壁式辐射再热器入口压力,热一次风母管压力,右侧的再热器出口导管温度,左侧的再热器出口导管温度,右侧的再热器出口压力,左侧的再热器出口压力,右侧的再热器减温器入口温度,左侧的再热器减温器入口温度,右侧的再热器减温水流量,左侧的再热器减温水流量,再热器减温水母管温度,再热器减温水母管压力,和再热器入口压力,
汽轮机的:A低压缸排气温度,A给水泵汽轮机凝气器热井出口温度,A给水泵汽轮机凝汽器温度,A气泵转速,B低压缸排气温度,B给水泵汽轮机凝汽器热井出口温度,B给水泵汽轮机凝汽器温度,B气泵转速,低压缸进气温度,高压缸排气温度,高压缸排气压力,高压缸下半内壁温度,高压缸下半外壁温度,高中压缸轴封蒸汽母管温度,高中压缸轴封蒸汽母管压力,凝结水输出泵出口压力,中压缸排气管供气抽气调节阀压力,烟囱入口氮氧化物浓度,烟囱入口二氧化硫浓度,烟囱入口湿度,和烟囱入口氧气浓度;
排烟排污的:A空预器出口烟气温度,A空预器出口烟气压力,A空预器出口烟气氧量,A空预器辅电机电流,A空预器入口烟气温度,A空预器入口烟气压力,A空预器入口烟气氧量,A空预器入口烟气氧量,A空预器主电机电流,A引风机出口烟气压力,A引风机电流,A引风机入口烟气压力,B空预器出口烟气温,B空预器出口烟气压力,B空预器出口烟气氧量,B空预器辅电机电流,B空预器入口烟气温度,B空预器入口烟气压力,B空预器入口烟气氧量,B空预器入口烟气氧量,B空预器主电机电流,B引风机出口烟气压力,B引风机电流,B引风机入口烟气压力,固定端省煤器入口烟道压力,扩建端省煤器入口烟道压力,汽包连排流量,汽包至定排扩容器排污压力,汽包至连排扩容器排污压力,省煤器入口给水母管压力,省煤器入口给水温度,和主给水流量。
3.根据权利要求2所述的方法,其特征在于,所述煤质的在线元素成分的软测量值包括:煤质的收到基碳、收到基氢、收到基氧、收到基氮、收到基硫元素成分;所述煤质的工业成分的软测量值包括:水分含量、挥发分含量、灰分含量和收到基低位发热量。
4.根据权利要求1所述的方法,其特征在于,所述火电厂煤质的在线软测量模型的训练步骤包括:
步骤1)建立训练样本集,包括常规监测数据库历史数据,以及相应的煤质成分化验数据库历史数据;
步骤2)计算训练样本集的常规监测数据库历史数据的原始主元特征矩阵;
步骤3)将所述原始主元特征矩阵输入空间映射层,输出警觉主元特征矩阵;
步骤4)将警觉性主元特征矩阵输入改进双曲门限的双向长短记忆网络层,以煤质成分化验数据库历史数据为目标输出,对火电厂煤质的在线软测量模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述步骤2)具体包括:
求取UT的相关矩阵R:
R=E[UTU]
计算R的特征值λj,j=1,2,…,N,对特征值由小到大进行排队,选择前d个特征值;计算d个特征值对应的向量,归一化后记为uj,j=1,2,…,d,由uj构成变化矩阵A:
A=(u1,u2,…ud)
对样本集UT进行K-L变换;则变换后的矩阵I为原始主元特征矩阵:
I=ATUT。
8.根据权利要求4-6之一所述的方法,其特征在于,所述火电厂煤质的在线软测量模型的训练步骤还包括:利用新产生的历史数据,对所述火电厂煤质的在线软测量模型进行更新。
9.一种机理与类脑智能结合的电厂入炉煤质在线软测量系统,其特征在于,所述系统包括:
一个预先建立的火电厂煤质的在线软测量模型;
数据采集模块,用于实时采集190个常规监测点的监测数据;
软测量值计算模块,用于提取监测数据的原始主元特征,将其输入在线软测量模型,输出煤质的在线元素成分和工业成分的软测量值;
所述火电厂煤质的在线软测量模型包括:空间映射层和一个改进双曲门限的双向长短记忆网络层;该模型的输入为由190个监测点数据构成的原始主元特征矩阵;所述空间映射层将原始主元特征矩阵映射为警觉主元特征矩阵;将警觉主元特征矩阵输入改进双曲门限的双向长短记忆网络层,输出为煤质的在线元素成分和工业成分的软测量值;
所述改进双曲门限的双向长短记忆网络层采用改进的双曲正切函数tanh'(x):
tanh′(x)=tanh(x)+λx+η
其中,λ是一个系数,其取值在[0,1]之间,η为一个无穷小量,λ=0.2时,η=0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914362.4A CN110647560B (zh) | 2019-09-25 | 2019-09-25 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914362.4A CN110647560B (zh) | 2019-09-25 | 2019-09-25 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647560A CN110647560A (zh) | 2020-01-03 |
CN110647560B true CN110647560B (zh) | 2022-05-03 |
Family
ID=69011374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914362.4A Active CN110647560B (zh) | 2019-09-25 | 2019-09-25 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647560B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113533622A (zh) * | 2021-07-19 | 2021-10-22 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于神经网络的磨煤机煤质预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1369712A (zh) * | 2002-03-15 | 2002-09-18 | 山东中实股份有限公司 | 电站锅炉入炉煤质实时监测方法及装置 |
CN106405044A (zh) * | 2016-09-09 | 2017-02-15 | 南京工程学院 | 一种火电厂磨煤机煤质成分智能监测方法 |
CN108519330A (zh) * | 2018-04-03 | 2018-09-11 | 北京英思创科技有限公司 | 煤质成分实时精准检测系统及方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
US10283142B1 (en) * | 2015-07-22 | 2019-05-07 | Educational Testing Service | Processor-implemented systems and methods for determining sound quality |
CN109813860A (zh) * | 2017-11-21 | 2019-05-28 | 浙江浙能天工信息科技有限公司 | 一种锅炉煤质成分的实时分析法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11593068B2 (en) * | 2018-02-27 | 2023-02-28 | New York University | System, method, and apparatus for recurrent neural networks |
-
2019
- 2019-09-25 CN CN201910914362.4A patent/CN110647560B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1369712A (zh) * | 2002-03-15 | 2002-09-18 | 山东中实股份有限公司 | 电站锅炉入炉煤质实时监测方法及装置 |
US10283142B1 (en) * | 2015-07-22 | 2019-05-07 | Educational Testing Service | Processor-implemented systems and methods for determining sound quality |
CN106405044A (zh) * | 2016-09-09 | 2017-02-15 | 南京工程学院 | 一种火电厂磨煤机煤质成分智能监测方法 |
CN109813860A (zh) * | 2017-11-21 | 2019-05-28 | 浙江浙能天工信息科技有限公司 | 一种锅炉煤质成分的实时分析法 |
CN108519330A (zh) * | 2018-04-03 | 2018-09-11 | 北京英思创科技有限公司 | 煤质成分实时精准检测系统及方法 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
Non-Patent Citations (2)
Title |
---|
易自燃厚煤层工作面自然发火CO预测及防治;郭军等;《中国安全生产科学技术》;20180430(第04期);第75-81页 * |
超密集网络中基于轨迹预测的资源规划;张文婧等;《信号处理》;20190425(第04期);第582-592页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110647560A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN105971738B (zh) | 一种燃气轮机组烟气流量在线监测的方法 | |
CN110532674A (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
CN109388774A (zh) | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 | |
CN110597070B (zh) | 火电机组系统模型参数的辨识方法 | |
CN104331736B (zh) | 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 | |
CN111222284A (zh) | 一种中速磨煤机组入口一次风量整体软测量方法 | |
CN104748807A (zh) | 一种基于流量校正的电站主蒸汽流量在线计算方法 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
CN110032747A (zh) | 一种燃煤锅炉NOx排放在线测量方法 | |
CN108197723B (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
CN108182553B (zh) | 一种燃煤锅炉燃烧效率在线测量方法 | |
CN110647560B (zh) | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 | |
CN111753389A (zh) | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 | |
CN109187914A (zh) | 基于煤质特性的燃煤电厂NOx生成量的预测方法 | |
CN108647483A (zh) | 一种基于模糊树建模方法的scr入口nox浓度的软测量方法 | |
CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
CN104729888A (zh) | 一种烟道飞灰等速取样器及基于bp神经网络的烟道飞灰等速取样系统和控制方法 | |
CN103728055B (zh) | 一种火电机组锅炉炉膛出口烟气能量的实时估计方法 | |
CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
CN103697958B (zh) | 燃煤机组汽包出口饱和蒸汽质量流量的实时计量方法 | |
CN112052496A (zh) | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 | |
CN116050643A (zh) | 一种基于集成模型的流程工业污染物排放浓度预测方法 |
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 |