CN111191354A - 基于gbdt的锅炉建模方法及装置 - Google Patents

Abstract

本发明提供一种基于GBDT的锅炉建模方法及装置，属于锅炉建模领域。方法包括：获取待建模锅炉历史运行过程中的工况数据；对所述工况数据进行筛选，得到对所述待建模锅炉进行建模所需的建模参考数据；通过GBDT算法对所述建模参考数据进行处理，得到针对所述待建模锅炉的预测模型。本发明通过GBDT算法所构建的预测模型能够全方位满足锅炉预测模型为庞大的非线性、多变量、大延迟和大滞后系统的要求，从而不仅能够使得构建的模型的稳定性更强，在短时间完成建模的要求下获得较高精度的模型，不易陷入局部最优等，而且所构建的模型的精度比较高。

Description

基于GBDT的锅炉建模方法及装置

技术领域

本发明涉及锅炉建模技术领域，特别涉及一种基于GBDT的锅炉建模方法及装置。

背景技术

目前火力发电方式仍然占据发电量的最大份额，而火力发电方式需要使用煤作为能源，因此实现煤的节能最能提高火电厂的效益。通过对锅炉进行建模，即建立锅炉的预测模型，能够准确地反映锅炉各运行参数与优化目标值之间的映射关系，从而可以指导锅炉运行，进而达到提高效率和节约能源的目的。

目前对锅炉进行建模的方式主要有机理建模和神经网络建模等方法。然而，由于锅炉运行过程中首先是给煤机将煤粉送入磨煤机，磨煤机经过研磨、干燥、分离最后由一次风最后送出至炉膛几个过程，这几个过程是惯性与延迟的环节。锅炉燃烧、加热，使汽包变成蒸汽的过程是一个大惯性与延迟的环节。因此，通过建模获得的锅炉的预测模型是一个庞大的非线性、多变量、大延迟和大滞后系统。而机理模型不能完全表达大非线性系统的运行特征，对这些非线性、多变量、大延迟、大滞后系统并不是最好的解决方案，容易导致精度不高。神经网络建模方式属于黑箱模型，训练随机性强，建模不够稳定，在短时间完成建模的要求下精度不高，容易陷入局部最优的问题。

发明内容

为了解决上述问题，本发明提供一种基于GBDT的锅炉建模方法及装置。

为解决上述技术问题，本发明采用的技术方案是：

第一方面，提供了一种基于GBDT的锅炉建模方法，其包括：

获取待建模锅炉历史运行过程中的工况数据；

对所述工况数据进行筛选，得到对所述待建模锅炉进行建模所需的建模参考数据；

通过GBDT算法对所述建模参考数据进行处理，得到针对所述待建模锅炉的预测模型。

可选地，所述对所述工况数据进行筛选，包括：

从所述工况数据中选择所述待建模锅炉在停机状态下的工况数据；

剔除所述停机状态下的工况数据，得到所述待建模锅炉的运行工况数据，将所述运行工况数据作为建模参考数据。

可选地，所述剔除所述停机状态下的工况数据，得到所述待建模锅炉的运行工况数据之后，还包括：

对所述运行工况数据进行特征筛选；

根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据，将所述有效特征对应的运行工况数据作为建模参考数据。

可选地，所述根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据之后，还包括：

剔除所述有效特征对应的运行工况数据中的多重共线性工况数据，得到建模参考数据。

可选地，所述工况数据至少包括阀门开度、燃煤量、通风量和进口温度。

第二方面，提供了一种基于GBDT的锅炉建模装置，其包括：

获取模块，用于获取待建模锅炉历史运行过程中的工况数据；

筛选模块，用于对所述工况数据进行筛选，得到对所述待建模锅炉进行建模所需的建模参考数据；

处理模块，用于通过GBDT算法对所述建模参考数据进行处理，得到针对所述待建模锅炉的预测模型。

可选地，所述筛选模块包括：

选择单元，用于从所述工况数据中选择所述待建模锅炉在停机状态下的工况数据；

第一剔除单元，用于剔除所述停机状态下的工况数据，得到所述待建模锅炉的运行工况数据，将所述运行工况数据作为建模参考数据。

可选地，所述筛选模块还包括：

筛选单元，用于对所述运行工况数据进行特征筛选；

第二剔除单元，用于根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据，将所述有效特征对应的运行工况数据作为建模参考数据。

可选地，所述筛选模块还包括：

第三剔除单元，用于剔除所述有效特征对应的运行工况数据中的多重共线性工况数据，得到建模参考数据。

可选地，所述工况数据至少包括阀门开度、燃煤量、通风量和进口温度。

上述所有可选技术方案均可任意组合，本发明不对一一组合后的结构进行详细说明。

本发明的实施例提供的技术方案可以包括以下有益效果：

通过获取待建模锅炉历史运行过程中的工况数据，并对工况数据进行筛选得到建模所需的建模参考数据后，通过GBDT算法对建模参考数据进行处理得到针对待建模锅炉的预测模型，使得所构建的预测模型能够全方位满足锅炉预测模型为庞大的非线性、多变量、大延迟和大滞后系统的要求，从而不仅能够使得构建的模型的稳定性更强，在短时间完成建模的要求下获得较高精度的模型，不易陷入局部最优等，而且所构建的模型的精度比较高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本发明实施例提供的基于GBDT的锅炉建模方法的流程图。

图2是本发明实施例提供的基于GBDT的锅炉建模装置的框图。

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。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例提供的基于GBDT的锅炉建模方法包括如下步骤：

S1，获取待建模锅炉历史运行过程中的工况数据。

其中，待建模锅炉历史运行过程中的工况数据，是指待建模锅炉在历史工作过程中采集的全部数据，例如，在某一个时刻的阀门开度、燃煤量和通风量等。

由于锅炉在运行过程中，不同的阀门开度、燃煤量、通风量和进口温度等对锅炉的运行会产生很大的影响，因而待建模锅炉历史运行过程中的工况数据至少包括阀门开度、燃煤量、通风量和进口温度。

随着电厂DCS(Distributed Control System，分布式控制系统)、SIS(SafetyInstrumented System安全仪表系统)的应用与普及，海量的锅炉现场运行数据得以保存，因此，本发明实施例在获取工况数据时，可以从火电厂的DCS系统或SIS中的至少一种来实现。

S2，对工况数据进行筛选，得到对待建模锅炉进行建模所需的建模参考数据。

其中，对工况数据进行筛选的目的是获得对锅炉建模有用的工况数据，剔除对建模无用的工况数据，获得建模所需的工况数据作为建模参考数据，以在减少建模的计算量的同时，保证建模获得的预测模型的精度比较高。

具体地，由于在待建模锅炉的使用过程中，待建模锅炉在停机状态下的工况数据并不能对待建模锅炉的运行进行指导或者预测等，因而在建模时并不需要这些数据，因此，在进行数据筛选时可以先剔除待建模锅炉在停机状态下的工况数据。在此基础上，本发明实施例在对工况数据进行筛选时，可以先从S1获得的工况数据中选择待建模锅炉在停机状态下的工况数据，然后剔除停机状态下的工况数据，得到待建模锅炉的运行工况数据，将运行工况数据作为建模参考数据。

进一步地，在从工况数据中选择待建模锅炉在停机状态下的工况数据时，可以先从工况数据中筛选出表征待建模锅炉处于停机的数据，然后剔除同一时刻采集的其它数据。例如，当某一时刻的燃煤量为0时，表明锅炉处于停机状态，此时可以将该时刻采集的其它数据一并删除。

通过该步骤可以初步剔除掉工况数据中的部分对建模无用的数据，从而能够一定程度上减少建模的计算量。然而，为了进一步减少计算量，本发明实施例在剔除停机状态下的工况数据，得到待建模锅炉的运行工况数据之后，还可以继续进行数据筛选。

具体地，在继续进行数据筛选时，可以对运行工况数据进行特征筛选，并根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据，将有效特征对应的运行工况数据作为建模参考数据。其中，对运行工况数据进行特征筛选是指对运行工况数据进行分类，如表明燃风量的数据归为一类，表明阀门开度的数据归为一类等。当将运行工况数据进行数据筛选后，会得到不同类型的多种类型的运行工况数据。这些运行工况数据中有些对锅炉的运行或预测也并没有实际作用，本发明实施例将这些类型的数据定义为无效特征对应的运行工况数据，为进一步精简数据，本发明实施例继续从运行工况数据中剔除无效特征对应的运行工况数据，得到对锅炉建模有用的有效特征对应的运行工况数据。其中，具体在对运行工况数据进行特征筛选时，可以通过采用相关的系数法则来实现。

通过剔除无效特征对应的运行工况数据，进一步精简了待建模锅炉的运行工况数据，从而不仅进一步减少了建模的计算量，而且能够确保所采用的建模参考数据都是与锅炉建模相关的，从而进一步能够确保建模的精度。

更进一步地，在对运行工况数据进行特征筛选得到有效特征对应的运行工况数据后，由于效特征对应的运行工况数据中某两个或多个类型的数据可能在锅炉建模时所起的作用是相类似的，为进一步精简建模数据，本发明实施例在根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据之后，还可以继续剔除有效特征对应的运行工况数据中的多重共线性工况数据，得到建模参考数据。其中，多重共线性工况数据为对锅炉建模时所起的作用与某一类型的数据所起作用相类似的数据，经过剔除有效特征对应的运行工况数据中的多重共线性工况数据，确保保留的工况数据中的各种类型的数据对锅炉建模所起的作用都不同，从而进一步精简了建模的数据，更大程度得减少了计算量。

S3，通过GBDT算法对建模参考数据进行处理，得到针对待建模锅炉的预测模型。

其中，通过GBDT(Gradient Boosting Decision Tree，梯度提升树)算法对建模参考数据进行处理是指，将建模参考数据输入预先通过GBDT算法建立的预设模型中，使预设模型不断进行优化，最后优化得到的预测模型即为针对待建模锅炉的预测模型。

由于GBDT算法具有不易于陷入局部极小值问题、可以灵活处理各种类型的数据包括连续值和离散值、在相对少的调参时间情况下预测的准备率也可以比较高、使用一些健壮的损失函数对异常值的鲁棒性非常强、能够很好的利用弱分类器进行级联、能够充分考虑的每个分类器的权重及可以得到变量间的重要性排序，减小多种因素之间的关系互嵌、信息冗余程度等优点，因而通过GBDT算法构建的预测模型能够全方位满足锅炉预测模型为庞大的非线性、多变量、大延迟和大滞后系统的要求，从而不仅能够使得构建的模型的稳定性更强，在短时间完成建模的要求下获得较高精度的模型，不易陷入局部最优等，而且所构建的模型的精度比较高。

通过将本发明实施例提供的建模方法获得的预测模型与通过神经网络模型和机理模型构建的预测模型进行比较得到，通过本发明实施例提供的建模方法构建的锅炉的预测模型的精度更高。

本发明实施例提供的建模方法，通过获取待建模锅炉历史运行过程中的工况数据，并对工况数据进行筛选得到建模所需的建模参考数据后，通过GBDT算法对建模参考数据进行处理得到针对待建模锅炉的预测模型，使得所构建的预测模型能够全方位满足锅炉预测模型为庞大的非线性、多变量、大延迟和大滞后系统的要求，从而不仅能够使得构建的模型的稳定性更强，在短时间完成建模的要求下获得较高精度的模型，不易陷入局部最优等，而且所构建的模型的精度比较高。

本发明实施例还提供了一种基于GBDT的锅炉建模装置，该装置可以用于执行上述图1所对应实施例中任一实施例提供的基于GBDT的锅炉建模方法，图2是本发明实施例提供的一种基于GBDT的锅炉建模装置的框图。如图2所示，其包括：

获取模块201，用于获取待建模锅炉历史运行过程中的工况数据；

筛选模块202，用于对工况数据进行筛选，得到对待建模锅炉进行建模所需的建模参考数据；

处理模块203，用于通过GBDT算法对建模参考数据进行处理，得到针对待建模锅炉的预测模型。

可选地，筛选模块202包括：

选择单元，用于从工况数据中选择待建模锅炉在停机状态下的工况数据；

第一剔除单元，用于剔除停机状态下的工况数据，得到待建模锅炉的运行工况数据，将运行工况数据作为建模参考数据。

可选地，筛选模块202还包括：

筛选单元，用于对运行工况数据进行特征筛选；

第二剔除单元，用于根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据，将有效特征对应的运行工况数据作为建模参考数据。

可选地，筛选模块202还包括：

第三剔除单元，用于剔除有效特征对应的运行工况数据中的多重共线性工况数据，得到建模参考数据。

可选地，工况数据至少包括阀门开度、燃煤量、通风量和进口温度。

本发明实施例中所述的基于GBDT的锅炉建模装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例提供的基于GBDT的锅炉建模装置，通过GBDT算法对建模参考数据进行处理得到针对待建模锅炉的预测模型，使得所构建的预测模型能够全方位满足锅炉预测模型为庞大的非线性、多变量、大延迟和大滞后系统的要求，从而不仅能够使得构建的模型的稳定性更强，在短时间完成建模的要求下获得较高精度的模型，不易陷入局部最优等，而且所构建的模型的精度比较高。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种基于GBDT的锅炉建模方法，其特征在于，包括：

获取待建模锅炉历史运行过程中的工况数据；

对所述工况数据进行筛选，得到对所述待建模锅炉进行建模所需的建模参考数据；

通过GBDT算法对所述建模参考数据进行处理，得到针对所述待建模锅炉的预测模型。

2.根据权利要求1所述的基于GBDT的锅炉建模方法，其特征在于，所述对所述工况数据进行筛选，包括：

从所述工况数据中选择所述待建模锅炉在停机状态下的工况数据；

剔除所述停机状态下的工况数据，得到所述待建模锅炉的运行工况数据，将所述运行工况数据作为建模参考数据。

3.根据权利要求2所述的基于GBDT的锅炉建模方法，其特征在于，所述剔除所述停机状态下的工况数据，得到所述待建模锅炉的运行工况数据之后，还包括：

对所述运行工况数据进行特征筛选；

根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据，将所述有效特征对应的运行工况数据作为建模参考数据。

4.根据权利要求3所述的基于GBDT的锅炉建模方法，其特征在于，所述根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据之后，还包括：

剔除所述有效特征对应的运行工况数据中的多重共线性工况数据，得到建模参考数据。

5.根据权利要求1所述的基于GBDT的锅炉建模方法，其特征在于，所述工况数据至少包括阀门开度、燃煤量、通风量和进口温度。

6.一种基于GBDT的锅炉建模装置，其特征在于，包括：

获取模块，用于获取待建模锅炉历史运行过程中的工况数据；

筛选模块，用于对所述工况数据进行筛选，得到对所述待建模锅炉进行建模所需的建模参考数据；

处理模块，用于通过GBDT算法对所述建模参考数据进行处理，得到针对所述待建模锅炉的预测模型。

7.根据权利要求6所述的基于GBDT的锅炉建模装置，其特征在于，所述筛选模块包括：

选择单元，用于从所述工况数据中选择所述待建模锅炉在停机状态下的工况数据；

第一剔除单元，用于剔除所述停机状态下的工况数据，得到所述待建模锅炉的运行工况数据，将所述运行工况数据作为建模参考数据。

8.根据权利要求7所述的基于GBDT的锅炉建模装置，其特征在于，所述筛选模块还包括：

筛选单元，用于对所述运行工况数据进行特征筛选；

第二剔除单元，用于根据特征筛选结果剔除无效特征对应的运行工况数据，得到有效特征对应的运行工况数据，将所述有效特征对应的运行工况数据作为建模参考数据。

9.根据权利要求8所述的基于GBDT的锅炉建模装置，其特征在于，所述筛选模块还包括：

第三剔除单元，用于剔除所述有效特征对应的运行工况数据中的多重共线性工况数据，得到建模参考数据。

10.根据权利要求6所述的基于GBDT的锅炉建模装置，其特征在于，所述工况数据至少包括阀门开度、燃煤量、通风量和进口温度。

Images