CN111006240A - 一种生物质锅炉炉膛温度和负荷预测方法 - Google Patents
一种生物质锅炉炉膛温度和负荷预测方法 Download PDFInfo
- Publication number
- CN111006240A CN111006240A CN201911153651.3A CN201911153651A CN111006240A CN 111006240 A CN111006240 A CN 111006240A CN 201911153651 A CN201911153651 A CN 201911153651A CN 111006240 A CN111006240 A CN 111006240A
- Authority
- CN
- China
- Prior art keywords
- temperature
- hearth
- neural network
- pressure
- stage neural
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23M—CASINGS, LININGS, WALLS OR DOORS SPECIALLY ADAPTED FOR COMBUSTION CHAMBERS, e.g. FIREBRIDGES; DEVICES FOR DEFLECTING AIR, FLAMES OR COMBUSTION PRODUCTS IN COMBUSTION CHAMBERS; SAFETY ARRANGEMENTS SPECIALLY ADAPTED FOR COMBUSTION APPARATUS; DETAILS OF COMBUSTION CHAMBERS, NOT OTHERWISE PROVIDED FOR
- F23M5/00—Casings; Linings; Walls
- F23M5/08—Cooling thereof; Tube walls
Abstract
本发明实施例提供了一种生物质锅炉炉膛温度和负荷预测方法。该方法采用皮尔逊相关系数描述运行操作参数与炉膛温度之间的相关性,并以相关系数大小作为依据对数据进行筛选,对筛选后的数据集进行主成分分析,将主成分参数作为神经网络的输入,建立双级神经网络对炉膛温度和锅炉负荷的预报模型,对锅炉的炉膛温度进行预报,将获得的炉膛温度与炉膛出口氧浓度、炉膛压力、引风机出口烟气流量等参数作为下一级神经网络的输入从而对锅炉负荷进行预测。本发明的方法通过数据筛选和主成分分析,减少了输入数据量和计算量;既采用了一级神经网络预测数据,又直接使用了原始数据的信息,预测结果更加快速准确。
Description
技术领域
本发明属于生物质发电及大数据分析技术领域,特别涉及一种生物质锅炉炉膛温度和负荷预测方法,基于主成分分析和双级神经网络实现锅炉炉膛温度和负荷的预测。
背景技术
为确保生物质电站的安全和经济运行,生物质电站的实时监测和控制系统水平不断提高,每天产生和存储大量运行数据,对海量历史数据进行分析,发掘并利用数据中隐含的信息,有利于进行一步提高生物质电站的运行和管理水平。生物质锅炉与燃煤锅炉类似,运行参数会表现出非线性、大惯性、不确定性和参数时变性,建立精准的机理模型还难以实现。
中国专利文献CN108647812A公开了一种基于主成分自适应BP神经网络的短期电力负荷预测方法,采用自适应BP神经网络方法建造模型,是将电厂历史数据作为输入,建立一种主成分与自适应BP神经网络算法相结合输出电厂负荷的短期预测方法。该方法减少了计算量,但是部分原始数据中的重要信息还无法保留。中国专利文献CN102705303A公开了一种基于残差与双级神经网络的液压伺服系统故障定位的方法,利用初始数据作为输入参数,计算量较大。鉴于前述现有技术中的不足,研发一种新的生物质锅炉炉膛温度和负荷预测方法具有重大的现实意义。
发明内容
本发明要解决的技术问题是针对现有技术生物质发电厂数据冗杂,数据量庞大导致数据利用率不够,且生物质锅炉炉膛温度和负荷预测不准确的问题,提供了一种生物质锅炉炉膛温度和负荷预测方法,基于主成分分析方法和双极神经网络,使锅炉炉膛温度和负荷预测更加快速准确,同时可减少输入数据量和计算量。
为解决上述技术问题,本发明的实施例提供了一种生物质锅炉炉膛温度和负荷预测方法,包括以下步骤:
1.对运行操作参数进行筛选,选取与炉膛温度相关的运行操作参数数据,建立数据集;
2.通过皮尔逊相关性计算公式对自变量和炉膛温度进行两两相关性计算,得到相关系数,确定所选取的变量运行操作参数对炉膛温度的影响;
3.采用主成分分析方法对输入的运行操作参数的数据进行降维处理;
4.采用双级神经网络方法建立输入参数与炉膛温度和负荷之间的映射;
5.将主成分参数作为第一级神经网络的输入参数,以炉膛温度作为第一级神经网络的输出参数,对第一级神经网络进行训练,并采用测试样本对炉膛温度进行预测计算,将预测结果与真实炉膛温度进行对比,获得预测精度;
6.将第一级神经网络预测的炉膛温度和归一化的炉膛出口氧浓度、炉膛压力、引风机烟气流量作为第二级神经网络输入参数,以锅炉负荷作为第二级神经网络的输出参数,对第二级神经网络进行训练,并采用测试样本对锅炉负荷进行预测,将预测值与真值进行对比,获得预测精度。
优选地,所述步骤1中,所述运行操作参数包括:前墙下水冷壁温度、送风机入口风温、省煤器出口风温、炉膛压力、送风机入口压力、省煤器出口水压、补偿后主给水流量、前墙二次风压力、二级过热器出口温度、前墙二次风压力、主蒸汽温度、高压空预器出口风温、给水泵A出口压力、给水电动调节阀入口温度、给水电动调节阀入口压力、炉膛后墙燃烧风压力、前墙过燃风/二次风压、左侧墙水冷壁上温度、炉膛后墙上二次风压、省煤器出口风温、左侧墙水冷壁下温度、炉膛前墙燃烧风压力以及主蒸汽压力。
优选地,所述步骤4中,所述第一级神经网络使用BP(Back Propagation)神经网络。
本发明实施例的上述技术方案,将经过处理之后的主成分作为神经网络的第一级输入,炉膛温度作为输出建立预测模型,对神经网络进行训练;随后将第一级神经网络预测的炉膛温度和归一化的原始炉膛出口氧浓度、炉膛压力、引风机烟气流量等参数作为第二级神经网络输入参数,以锅炉负荷作为第二级神经网络的输出参数。其有益效果如下:
1.保留了部分原始数据的重要信息,并且能够保证预测参数的实时性和快速性,提高了预测的准确性;
2.采用主成分作为输入参数,可减少数据量,消除指标之间的相关性影响,对原始数据进行模糊化处理,有一定的容错能力,适用于内部复杂的结构计算;
3.在第二级神经网络输入参数中使用了部分原始数据,保证了输入参数的实时性和原始性,提高了预测的准确性,可以使用本方法对运行参数进行综合定量预报。
附图说明
图1为本发明实施例提供的生物质锅炉炉膛温度和负荷预测方法的步骤流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的问题,提供一种生物质锅炉炉膛温度和负荷预测方法,基于主成分分析方法和双极神经网络,使锅炉炉膛温度和负荷预测更加快速准确,同时可减少输入数据量和计算量。
为了实现上述技术方案,如图1所示的实施例为一种生物质锅炉炉膛温度和负荷预测方法,基本步骤包括:。
S1.选取与炉膛温度直接相关的运行参数进行预处理,存为自变量X;
S2.对自变量X和炉膛温度Y进行两两相关性计算,得到皮尔逊相关系数;
S3.采用主成分分析方法对输入运行参数进行降维处理;
S4.采用双级神经网络预测的方法建立特征参数与炉膛温度和锅炉负荷之间的映射关系;
S5.对第一级神经网络进行训练,采用测试样本对炉膛温度进行预测计算,对第二级神经网络进行训练,采用测试样本对锅炉负荷进行预测计算;
S6.将炉膛温度和锅炉负荷的预测结果分别与真实炉膛温度和锅炉负荷进行对比,获得主成分数据对预测值影响的显著程度。
以下为生物质锅炉炉膛温度和负荷预测方法的一具体实施例:
步骤1.1:首先对运行参数进行筛选,选取与炉膛温度相关的运行操作参数数据,建立数据集。
步骤1.2:选择对象要求在这段时间里,机组的运行状态,从平稳运行到机组停机,再到机组启动,最后恢复平稳运行,包含了完整的启停过程,并且与炉膛温度的变化有直接影响的数据作为自变量的运行数据选取包括前墙下水冷壁温度、送风机入口风温、省煤器出口风温、炉膛压力、送风机入口压力、省煤器出口水压、补偿后主给水流量、前墙二次风压力、二级过热器出口温度、前墙二次风压力、主蒸汽温度、高压空预器出口风温、给水泵A出口压力、给水电动调节阀入口温度、给水电动调节阀入口压力、炉膛后墙燃烧风压力、前墙过燃风/二次风压、左侧墙水冷壁上温度、炉膛后墙上二次风压、省煤器出口风温、左侧墙水冷壁下温度、炉膛前墙燃烧风压力、主蒸汽压力。数据的选取包括但不限于以上运行参数。
步骤2.1:通过皮尔逊相关性计算公式对自变量和炉膛温度进行两两相关性计算,得到相关系数,确定所选取的运行操作参数对炉膛温度的影响作用。
各操作参数采用向量X表示,分别为X1,X2……Xp,得到原始数据矩阵X=(X1,X2……Xp);炉膛温度采用Y表示。皮尔逊系数相关为:
其中N表示每个向量Xi包含的样本数量。
步骤2.2:采用皮尔逊相关计算公式计算并获得相关系数,系数矩阵中各指数若为0,则表示此指标与炉膛温度无关,若处于0~1之间该指标与炉膛温度为正相关,若处于0~-1之间该指标与炉膛温度为负相关。除去不相关的指标,获得相关度较高的数据,再将各数据进行相似性分析,最终获得互不相关的向量,再对筛选的数据进行后续分析。
步骤3.1:对选取的运行参数数据进行预处理,去量纲化,采用主成分分析方法对输入运行参数进行降维处理得到主成分和贡献率。
步骤3.2:对X矩阵进行标准化,得到标准矩阵XS,求取相关系数矩阵RC,得到与相关系数矩阵对应列数的每一个特征值对应一个特征向量。
步骤3.3:求出相关系数矩阵RC的特征向量和特征值λ之后,将特征值按照大小排列起来,用Fi1,Fi2……Fiz来表示每一个主成分,最后用主成分的贡献率来反应信息量的大小,贡献率G(m)是特征向量与所有特征向量值之和的商:
G(m)=∑λj/∑λk
步骤3.4:选取主成分累计贡献率大于等于80%时的前几个主成分,并通过衡量主成分方差大小评判主成分包括的数据含量的多少,方差越大包含数据越多。
步骤4.1:将主成分Fi1,Fi2……Fiz作为第一级神经网络的输入参数,采用BP神经网络方法作为一级神经网络,建立特征参数与炉膛温度之间的映射关系。定义训练样本,经过标准化处理后的炉膛温度YS作为第一级神经网络的输出参数。
步骤4.2:对当前的网络层权和阈值进行调整,设置适当的训练参数,优化自身的训练结果。
步骤4.3:经过迭代计算得到权值和阈值的最优数据,将系统误差设置为0.001,当网络达到设定误差后停止训练,获得标准化的预测模型,并进行参数预测,输出预测的炉膛温度数值。
步骤5:利用第一级神经网络模型对炉膛温度进行参数预测,将预测值和真实值进行对比,通过比对平均相对误差评判预测模型和结果的准确性。
步骤6:采用神经网络方法建立第二级神经网络,利用第一级神经网络模型的输出参数以及归一化的炉膛出口氧浓度、炉膛压力、引风机烟气流量等参数作为第二级神经网络的输入,锅炉负荷作为第二级神经网络的输出,对锅炉负荷进行预测计算,对网络层的权值和阈值进行调整优化,将第二级神经网络的预测值和锅炉负荷真实值进行对比,通过比对平均相对误差评判预测模型和结果的准确性。该方法减少了计算量,又使原始信息能够最大化地保留,相关预测结果可以为优化控制提供参考。
采用基于主成分分析和双级神经网络的生物质锅炉炉膛温度和负荷预测方法,可以使电厂原始的大量数据进行简化,更能简洁的反应数据对炉膛温度和锅炉负荷的影响作用,既保留了数据原始指标特点又反映了与最终指标之间的关联性,并且与真实数据进行对比,极具参考价值。
本发明实施例采用主成分分析的方法,对原始数据进行降维操作,实现少量指标代替大量指标对炉膛温度和锅炉负荷进行双级预测,降低了计算过程的复杂性,基于贡献率选取出对炉膛温度有影响的主成分,采用主成分和双级神经网络对锅炉炉膛温度和负荷进行预测,BP神经网络没有对主导因子预测的功能,主成分分析正好弥补了这部分的缺憾,将标准化后的主成分使用一级BP神经网络预备炉膛温度,将第一级神经网络预测的炉膛温度和原始的炉膛出口氧浓度、炉膛压力、引风机出口烟气流量等参数作为第二级神经网络输入参数,以锅炉负荷作为第二级神经网络的输出参数。利用双级神经网络建立的预测模型对炉膛温度和锅炉负荷进行参数预测,将预测值和真实值进行对比,通过比对平均相对误差评判预测模型和结果的准确性。相关预测结果为优化控制提供参考。
对于上述的本发明的实施例,方案中公知的具体结构及特性等常识未作过多描述;各实施例采用递进的方式描述,各实施例中所涉及到的技术特征在彼此之间不构成冲突的前提下可以相互组合,各实施例之间相同相似部分互相参见即可。在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为落入本发明的保护范围。
Claims (3)
1.一种生物质锅炉炉膛温度和负荷预测方法,其特征在于,包括以下步骤:
步骤1:对运行操作参数进行筛选,选取与炉膛温度相关的运行操作参数数据,建立数据集;
步骤2:通过皮尔逊相关性计算公式对自变量和炉膛温度进行两两相关性计算,得到相关系数,确定所选取的变量运行操作参数对炉膛温度的影响;
步骤3:采用主成分分析方法对输入的运行操作参数的数据进行降维处理;
步骤4:采用双级神经网络方法建立输入参数与炉膛温度和负荷之间的映射;
步骤5:将主成分参数作为第一级神经网络的输入参数,以炉膛温度作为第一级神经网络的输出参数对第一级神经网络进行训练,并采用测试样本对炉膛温度进行预测计算,将预测结果与真实炉膛温度进行对比,获得预测精度;
步骤6:将第一级神经网络预测的炉膛温度和归一化的炉膛出口氧浓度、炉膛压力、引风机烟气流量作为第二级神经网络输入参数,以锅炉负荷作为第二级神经网络的输出参数,对第二级神经网络进行训练,并采用测试样本对锅炉负荷进行预测计算,将预测值与真值进行对比,获得预测精度。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,所述运行操作参数包括:前墙下水冷壁温度、送风机入口风温、省煤器出口风温、炉膛压力、送风机入口压力、省煤器出口水压、补偿后主给水流量、前墙二次风压力、二级过热器出口温度、前墙二次风压力、主蒸汽温度、高压空预器出口风温、给水泵A出口压力、给水电动调节阀入口温度、给水电动调节阀入口压力、炉膛后墙燃烧风压力、前墙过燃风/二次风压、左侧墙水冷壁上温度、炉膛后墙上二次风压、省煤器出口风温、左侧墙水冷壁下温度、炉膛前墙燃烧风压力以及主蒸汽压力。
3.根据权利要求1所述的方法,其特征在于,所述步骤4中,所述第一级神经网络使用BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153651.3A CN111006240B (zh) | 2019-11-22 | 2019-11-22 | 一种生物质锅炉炉膛温度和负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153651.3A CN111006240B (zh) | 2019-11-22 | 2019-11-22 | 一种生物质锅炉炉膛温度和负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111006240A true CN111006240A (zh) | 2020-04-14 |
CN111006240B CN111006240B (zh) | 2020-11-13 |
Family
ID=70111895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153651.3A Active CN111006240B (zh) | 2019-11-22 | 2019-11-22 | 一种生物质锅炉炉膛温度和负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111006240B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112325326A (zh) * | 2020-08-26 | 2021-02-05 | 江苏方天电力技术有限公司 | 一种水冷壁管焊瘤对管壁安全影响的监测方法 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN113177362A (zh) * | 2021-05-20 | 2021-07-27 | 上海华谊信息技术有限公司 | 基于炉温软测量模型的炉膛温度预测方法及装置 |
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 |
CN115282401A (zh) * | 2022-07-22 | 2022-11-04 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100356159B1 (ko) * | 1997-12-20 | 2002-11-18 | 주식회사 포스코 | 가열로연소제어장치 |
CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
CN109766596A (zh) * | 2018-12-25 | 2019-05-17 | 国网新疆电力有限公司电力科学研究院 | 一种脱硝经济运行的专家系统构建方法 |
CN110472274A (zh) * | 2019-07-03 | 2019-11-19 | 浙江大学 | 一种锅炉内流场热偏差模型实时预测方法 |
-
2019
- 2019-11-22 CN CN201911153651.3A patent/CN111006240B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100356159B1 (ko) * | 1997-12-20 | 2002-11-18 | 주식회사 포스코 | 가열로연소제어장치 |
CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
CN109766596A (zh) * | 2018-12-25 | 2019-05-17 | 国网新疆电力有限公司电力科学研究院 | 一种脱硝经济运行的专家系统构建方法 |
CN110472274A (zh) * | 2019-07-03 | 2019-11-19 | 浙江大学 | 一种锅炉内流场热偏差模型实时预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112325326A (zh) * | 2020-08-26 | 2021-02-05 | 江苏方天电力技术有限公司 | 一种水冷壁管焊瘤对管壁安全影响的监测方法 |
CN112325326B (zh) * | 2020-08-26 | 2023-10-24 | 江苏方天电力技术有限公司 | 一种水冷壁管焊瘤对管壁安全影响的监测方法 |
CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN112488399B (zh) * | 2020-12-04 | 2024-04-23 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
CN113177362A (zh) * | 2021-05-20 | 2021-07-27 | 上海华谊信息技术有限公司 | 基于炉温软测量模型的炉膛温度预测方法及装置 |
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 |
CN114418184B (zh) * | 2021-12-20 | 2023-04-07 | 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 |
CN115282401A (zh) * | 2022-07-22 | 2022-11-04 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
CN115282401B (zh) * | 2022-07-22 | 2023-04-21 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111006240B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN109670629B (zh) | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 | |
US20110010318A1 (en) | System and method for empirical ensemble- based virtual sensing | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
CN113268883A (zh) | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN116821695B (zh) | 一种半监督神经网络软测量建模方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Wang et al. | Soft sensor modeling method by maximizing output-related variable characteristics based on a stacked autoencoder and maximal information coefficients | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN115101136A (zh) | 一种大型铝电解槽全局阳极效应预测方法 | |
WO2018002967A1 (ja) | 情報処理システム、情報処理方法、及び、記録媒体 | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 | |
CN114330485A (zh) | 基于pls-svm-ga算法的电网投资能力预测方法 | |
CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 | |
CN113570066B (zh) | 数据处理方法、系统、电子设备及存储介质 | |
WO2024070169A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
WO2024070170A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
CN115203954A (zh) | 一种基于贝叶斯优化的多注意力融合深度残差收缩网络软测量建模方法 | |
CN117930776A (zh) | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 |
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 |